CN116364248B - 基于玻片标签自动识别技术的病理图像自动上传匹配方法 - Google Patents
基于玻片标签自动识别技术的病理图像自动上传匹配方法 Download PDFInfo
- Publication number
- CN116364248B CN116364248B CN202310269412.4A CN202310269412A CN116364248B CN 116364248 B CN116364248 B CN 116364248B CN 202310269412 A CN202310269412 A CN 202310269412A CN 116364248 B CN116364248 B CN 116364248B
- Authority
- CN
- China
- Prior art keywords
- slide
- semantic
- acquiring
- determining
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001575 pathological effect Effects 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 108
- 238000010191 image analysis Methods 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims description 130
- 230000007170 pathology Effects 0.000 claims description 120
- 239000011159 matrix material Substances 0.000 claims description 45
- 201000010099 disease Diseases 0.000 claims description 44
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 44
- 230000005856 abnormality Effects 0.000 claims description 40
- 238000013139 quantization Methods 0.000 claims description 38
- 238000002372 labelling Methods 0.000 claims description 23
- 238000010827 pathological analysis Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000012015 optical character recognition Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000002055 immunohistochemical effect Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 208000037976 chronic inflammation Diseases 0.000 description 3
- 230000006020 chronic inflammation Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004400 mucous membrane Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 206010028116 Mucosal inflammation Diseases 0.000 description 1
- 201000010927 Mucositis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/224—Character recognition characterised by the type of writing of printed characters having additional code marks or containing code marks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供基于玻片标签自动识别技术的病理图像自动上传匹配方法及系统，其中，方法包括：步骤1：获取玻片图像，确定玻片图像中的病理图像；步骤2：自动识别玻片图像中的电子标签；步骤3：获取病理图像分析模型；步骤4：基于病理图像分析模型，确定病理图像分析信息；步骤5：匹配病理图像分析信息和对应电子标签，获得匹配项，并将匹配项自动上传至预设的病理图像库；步骤6：获取病理图像分析信息的异常信息和异常提醒等级，基于异常提醒等级，提醒相应患者。本发明的基于玻片标签自动识别技术的病理图像自动上传匹配方法及系统，自动确定匹配项并自动上传，降低了人力成本，减少了人工出错，及时、依序提醒患者就诊，更加适宜。
Description
技术领域
本发明涉及标签识别技术领域，特别涉及基于玻片标签自动识别技术的病理图像自动上传匹配方法及系统。
背景技术
目前，病理学已经进入数字化时代，全切片病理图像（whole slide image，WSI）是数字化病理学的基础。
申请号为CN202111333677.3的发明专利公开了病理图像分类方法、装置、设备、存储介质及程序产品，其中包括：从病理图像库中获取样本病理图像，样本病理图像标注有样本标签；将样本标签与病理图像库分别对应的病理图像标签集进行匹配，确定样本病理图像库；将样本病理图像输入分类模型，得到样本预测概率；基于样本病理图像库对应的样本预测概率和样本标签确定损失值，对分类模型进行训练，得到病理图像分类模型，病理图像分类模型用于对目标病理图像进行分类，得到预测结果。通过以上方式，可以加强病理图像库之间的关联性，更好地实现集中化的病理图像分类，也便于更好地管理和使用病理图像，可应用于云技术、人工智能、智慧交通等各种场景。
但是，在构建病理图像库时，大部分医院需要有专门人员扫描图像后手动填写相关信息后才能上传病理图像，人力成本较大，且需要手动选择关键数据，出错的可能性较高。另外，在病理图像中发现病理异常时，不能及时提醒患者，容易导致治疗的延误，也不适宜。
鉴于此，亟需一种解决办法。
发明内容
本发明目的之一在于提供了基于玻片标签自动识别技术的病理图像自动上传匹配方法，引入光学字符识别技术，自动识别电子标签，同时，引入病理图像分析模型，代替人工对电子标签对应的病理图像进行病理分析，获得病理图像分析信息和电子标签对应的匹配项，降低了人力成本，同时，减少了人工在工作量较大时关键数据匹配易出错的情形。另外，根据异常提醒等级，对病情严重的患者进行优先提醒，更加适宜。
本发明实施例提供的基于玻片标签自动识别技术的病理图像自动上传匹配方法，包括：
步骤1：获取目标玻片的玻片图像，确定玻片图像中的病理图像；
步骤2：基于OCR技术，自动识别玻片图像中的电子标签；
步骤3：获取电子标签对应的病理图像分析模型；
步骤4：基于病理图像分析模型，确定病理图像分析信息；
步骤5：匹配病理图像分析信息和对应电子标签，获得匹配项，并将匹配项自动上传至预设的病理图像库；
步骤6：实时获取病理图像库中的病理图像分析信息的异常信息和异常提醒等级，若获取成功，基于异常提醒等级，提醒相应患者进行后续诊疗。
优选的，所述步骤1：获取目标玻片的玻片图像，包括：
获取所述目标玻片对应预设的电子显微镜拍摄的所述玻片图像；
和/或，
获取预设的扫描装置扫描的所述目标玻片的所述玻片图像。
优选的，所述步骤1：确定玻片图像中的病理图像，包括：
对所述玻片图像进行标注，确定多个第一标注点位；
获取所述玻片图像对应于所述第一标注点位的第一伴随矩阵；
基于预设的第一获取路径，获取病理图像集；
获取病理图像集的伴随矩阵集；
基于矩阵匹配技术，将所述第一伴随矩阵和所述伴随矩阵集中的每一第二伴随矩阵进行矩阵匹配，确定匹配符合的所述第一伴随矩阵对应的所述第一标注点位，并作为第二标注点位；
确定所述第二标注点位对应的所述玻片图像，并作为所述病理图像。
优选的，所述步骤3：获取电子标签对应的病理图像分析模型，包括：
基于OCR技术，确定对应于每一所述电子标签的第一标签项；
获取第一标签项中用于分析目标玻片的玻片类型的第二标签项，确定对应于所述第二标签项的所述玻片类型；
获取本地记录的第一玻片分析记录，和/或，基于预设的第二获取路径，获取第二玻片分析记录；
整合所述第一玻片分析记录和所述第二玻片分析记录，获得第三玻片分析记录；
基于所述玻片类型，确定所述第三玻片分析记录中可用的目标玻片分析记录；
将所述目标玻片分析记录输入预设的预训练模型进行模型训练，获得所述病理图像分析模型。
优选的，所述基于所述玻片类型，确定所述第三玻片分析记录中可用的目标玻片分析记录，包括：
获取所述第三玻片分析记录中所述玻片类型对应的第四玻片分析记录；
解析所述第四玻片分析记录，确定所述第四玻片分析记录中的分析医生；
获取判定所述分析医生的可信任值的判定因子对应的判定值；
确定所述判定因子对应预设的判定权重；
赋予所述判定值对应所述判定权重，获得所述分析医生的可信任值；
确定所述可信任值大于等于预设的可信任值阈值的所述分析医生的所述第四玻片分析记录，并作为目标玻片分析记录。
优选的，所述实时获取所述病理图像库中的所述病理图像分析信息的异常信息和异常提醒等级，包括：
基于预设的病理报告生成模板，根据所述病理图像分析信息，生成病理报告；
获取所述病理报告中多个信息项的信息类型；
若所述信息类型为病理诊断，获取对应所述信息项的信息内容；
基于语义分析技术，分析所述信息内容，确定语义排序组；
获取所述语义排序组中的异常病理语义和所述异常病理语义对应异常病理的程度语义；
基于所述程度语义和对应所述异常病理语义，确定所述异常信息和所述异常提醒等级。
优选的，所述获取所述语义排序组中的异常病理语义和所述异常病理语义对应异常病理的程度语义，包括：
基于语义匹配技术，根据所述语义排序组中的第一目标语义和预设的异常语料库中第二目标语义，确定所述第一目标语义中语义匹配符合的第三目标语义，并将所述第三目标语义作为所述异常病理语义；
获取所述异常病理语义在所述语义排序组中的语义位置；
基于预设的搜索范围确定规则，根据所述语义排序组中的所述语义位置，确定当前搜索到的所述第一目标语义，并作为第四目标语义；
将所述第四目标语义与预设的程度描述语料库中的第五目标语义进行语义匹配，若匹配成功，则将相应所述第四目标语义与作为所述异常病理语义对应的所述程度语义；
若匹配失败，基于预设的搜索范围扩大规则，根据当前搜索范围，扩大所述当前搜索范围，直至搜索到所述异常病理语义对应的所述程度语义。
优选的，所述基于所述程度语义和对应所述异常病理语义，确定所述异常信息和所述异常提醒等级，包括：
确定所述异常病理语义对应的疾病，获取所述疾病对应的所述异常信息；
基于预设的疾病严重值分析模型，分析所述疾病的疾病严重值；
查询预设的程度语义-程度值库，确定所述程度语义的程度值；
将所述疾病严重值和对应于所述疾病严重值的程度值相乘，获得待量化值；
根据预设的等级量化规则，对所述待量化值进行等级量化，获得所述异常提醒等级。
本发明实施例提供的基于玻片标签自动识别技术的病理图像自动上传匹配系统，包括：
第一获取模块，用于获取目标玻片的玻片图像，确定玻片图像中的病理图像；
自动识别模块，用于基于OCR技术，自动识别玻片图像中的电子标签；
第二获取模块，用于获取电子标签对应的病理图像分析模型；
确定模块，用于基于病理图像分析模型，确定病理图像分析信息；
匹配上传模块，用于匹配病理图像分析信息和对应电子标签，获得匹配项，并将匹配项自动上传至预设的病理图像库；
提醒模块，用于实时获取病理图像库中的病理图像分析信息的异常信息和异常提醒等级，若获取成功，基于异常提醒等级，提醒相应患者进行后续诊疗。
优选的，所述第一获取模块获取目标玻片的玻片图像，确定玻片图像中的病理图像，包括：
获取所述目标玻片对应预设的电子显微镜拍摄的所述玻片图像；
和/或，
获取预设的扫描装置扫描的所述目标玻片的所述玻片图像。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细分析。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中基于玻片标签自动识别技术的病理图像自动上传匹配方法的示意图；
图2为本发明实施例中基于玻片标签自动识别技术的病理图像自动上传匹配系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所分析的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了基于玻片标签自动识别技术的病理图像自动上传匹配方法，如图1所示，包括：
步骤1：获取目标玻片的玻片图像，确定玻片图像中的病理图像；
步骤2：基于OCR技术，自动识别玻片图像中的电子标签；
步骤3：获取电子标签对应的病理图像分析模型；
步骤4：基于病理图像分析模型，确定病理图像分析信息；
步骤5：匹配病理图像分析信息和对应电子标签，获得匹配项，并将匹配项自动上传至预设的病理图像库；
步骤6：实时获取病理图像库中的病理图像分析信息的异常信息和异常提醒等级，若获取成功，基于异常提醒等级，提醒相应患者进行后续诊疗。
上述技术方案的工作原理及有益效果为：
患者患病需要进行更精细的检查时，需要对患者进行的病理图像【例如：某组织切片图像】进行病理分析，因此，获取目标玻片的玻片图像；目标玻片为：观察目标组织【例如：某部位肿瘤】细胞应用的易碎透明小片。玻片图像中包含：病理图像【例如：某组织全切片图像】和电子标签；电子标签中包含病理图像的病理号【例如：B22-23456】、玻片号【例如：玻片对应的唯一的二维码】、器官名称【例如：胃】和免疫组化名称等【例如：Ki67】。
电子标签可以基于OCR（Optical Character Recognition，光学字符识别）技术获取，OCR是指电子设备【例如：扫描仪或数码相机】检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。
获取电子标签对应的病理图像分析模型；病理图像分析模型为：用于代替人工进行病理图像分析的AI模型。将病理图像输入对应的病理图像分析模型，获得病理图像分析模型输出的病理图像分析信息【例如：病理诊断信息】。将病理图像分析信息和电子标签对应关联，获得匹配项，并存入预设的病理图像库；病理图像库为：数据库。
一般的，医院对病理图像完成分析后，会产生异常病例信息【例如：xx患者病理报告异常】，存在同时产生多个异常病例的情形，而医院的医疗资源有限，因此，亟需一种解决办法。
获取病理图像库中的病理图像分析信息的异常信息【例如：手术后肿瘤切除的病理报告单要具体描述肿瘤在胃的位置、肿瘤的大小】和异常提醒等级【例如：3级】，异常提醒等级越高，越优先提醒相应患者进行后续治疗【例如：切除肿瘤部位】。
本申请引入光学字符识别技术，自动识别电子标签，同时，引入病理图像分析模型，代替人工对电子标签对应的病理图像进行病理分析，获得病理图像分析信息和电子标签对应的匹配项，降低了人力成本，同时，减少了人工在工作量较大时关键数据匹配易出错的情形。另外，根据异常提醒等级，对病情严重的患者进行优先提醒，更加适宜。
在一个实施例中，所述步骤1：获取目标玻片的玻片图像，包括：
获取所述目标玻片对应预设的电子显微镜拍摄的所述玻片图像；
和/或，
获取预设的扫描装置扫描的所述目标玻片的所述玻片图像。
上述技术方案的工作原理及有益效果为：
获取目标玻片的玻片图像的方法有两种。第一种：获取目标玻片对应预设的电子显微镜拍摄的玻片图像；预设的电子显微镜为，例如：全自动显微镜。第二种：获取预设的扫描装置扫描的目标玻片的玻片图像；预设的扫描装置为，例如：光学扫描仪。
本申请引入两种方式获取玻片图像，提高了玻片图像获取的全面性。
在一个实施例中，所述，包括步骤1：确定玻片图像中的病理图像，包括：
对所述玻片图像进行标注，确定多个第一标注点位；
获取所述玻片图像对应于所述第一标注点位的第一伴随矩阵；
基于预设的第一获取路径，获取病理图像集；
获取病理图像集的伴随矩阵集；
基于矩阵匹配技术，将所述第一伴随矩阵和所述伴随矩阵集中的每一第二伴随矩阵进行矩阵匹配，确定匹配符合的所述第一伴随矩阵对应的所述第一标注点位，并作为第二标注点位；
确定所述第二标注点位对应的所述玻片图像，并作为所述病理图像。
上述技术方案的工作原理及有益效果为：
第一标注点位为玻片图像上的多个分布点。获取玻片图像对应于第一标注点位的第一伴随矩阵；第一伴随矩阵表征上述第一标注点位的图像特征，可以基于图像特征提取技术提取玻片图像的不同图像特征，例如：图像的颜色特征、纹理特征和空间关系特征等，不同类型的图像特征对应于伴随矩阵的不同位置，获取第一伴随矩阵时，将不同的图像特征值填入伴随矩阵对应位置即可。
预设的第一获取路径为：本地医院的合作平台。病理图像集中包括：大数据获取的病理图像的集合。伴随矩阵集包括：多个第二伴随矩阵，第二伴随矩阵的获取方式同第一伴随矩阵。获取病理图像集的伴随矩阵集；基于矩阵匹配技术，将第一伴随矩阵和伴随矩阵集中的每一第二伴随矩阵进行矩阵匹配，确定匹配符合的第一伴随矩阵对应的第一标注点位，并作为第二标注点位；矩阵匹配技术属于现有技术，不作赘述，第二标注点位表征玻片图像中的病理图像对应的标注点位。对第二标注点位对应的玻片图像进行图像融合，获得病理图像。
本申请引入第一获取路径，获取病理图像集。确定病理图像集对应的伴随矩阵集。引入矩阵匹配技术，匹配第一伴随矩阵和第二伴随矩阵，基于匹配确定的第二标注点位确定病理图像，提升了病理图像获取的精确性。
在一个实施例中，所述步骤3：获取电子标签对应的病理图像分析模型，包括：
基于OCR技术，确定对应于每一所述电子标签的第一标签项；
确定所述第一标签项中用于分析所述目标玻片的玻片类型的第二标签项；所述玻片类型包括：HE玻片标签和免疫组化玻片标签；
获取本地记录的第一玻片分析记录，和/或，基于预设的第二获取路径，获取第二玻片分析记录；
整合所述第一玻片分析记录和所述第二玻片分析记录，获得第三玻片分析记录；
获取所述第三玻片分析记录中可用的目标玻片分析记录；
将所述目标玻片分析记录输入预设的预训练模型进行模型训练，获得所述病理图像分析模型。
上述技术方案的工作原理及有益效果为：
基于OCR技术，确定对应于每一电子标签的第一标签项；第一标签项为，例如：病理号、玻片号、器官名称和免疫组化名称等。获取第一标签项中用于分析目标玻片的玻片类型的第二标签项【例如：器官名称、免疫组化名称】，确定对应于第二标签项的玻片类型【例如：HE玻片标签和免疫组化玻片标签】。获取本地记录的第一玻片分析记录【例如：本地存储的玻片分析记录】，和/或，基于预设的第二获取路径【例如：大数据获取】，获取第二玻片分析记录【例如：大数据获取的其他医院的医生的玻片分析记录】。整合第一玻片分析记录和第二玻片分析记录，获得第三玻片分析记录。基于玻片类型，确定第三玻片分析记录中可用的目标玻片分析记录。预训练模型为：神经网络模型，将目标玻片分析记录输入预训练模型，获得病理图像分析模型。
本申请获取本地记录的第一玻片分析记录，同时，引入第二获取路径获取的第二玻片分析记录整合获得第三玻片分析记录，提升了第三玻片分析记录获取的全面性。基于玻片类型，确定第三玻片分析记录中可用的目标玻片分析记录，提高了目标玻片分析记录获取的合理性；引入预训练模型，将目标玻片分析记录输入进行训练获得病理图像分析模型，更加适宜。
在一个实施例中，所述基于所述玻片类型，确定所述第三玻片分析记录中可用的目标玻片分析记录，包括：
获取所述第三玻片分析记录中所述玻片类型对应的第四玻片分析记录；
解析所述第四玻片分析记录，确定所述第四玻片分析记录中的分析医生；
获取判定所述分析医生的可信任值的判定因子对应的判定值；
确定所述判定因子对应预设的判定权重；
赋予所述判定值对应所述判定权重，获得所述分析医生的可信任值；
确定所述可信任值大于等于预设的可信任值阈值的所述分析医生的所述第四玻片分析记录，并作为目标玻片分析记录。
上述技术方案的工作原理及有益效果为：
对不同玻片类型的玻片图像进行分析时的分析策略是不一致的，如果将所有的第三玻片分析记录全部输入神经网络模型进行训练，获得的人工智能分析模型分析的精确度较低，因此，亟需一种解决办法。
获取第三玻片分析记录中玻片类型对应的第四玻片分析记录【例如：HE玻片对应的玻片记录】。确定第四玻片分析记录中的分析医生，获取判定上述分析医生的可信任值的判定因子【例如：从业年限】对应的判定值【例如：3年】。确定判定因子对应预设的判定权重；判定权重为判定因子在所有判定因子中的判定比重。赋予判定值对应判定权重，获得分析医生的可信任值【例如：80】，其中，，为第个判定因子的判定值，为第个判定因子的判定权重，为判定因子的总数目。
将可信任值大于等于预设的可信任值阈值的分析医生的第四玻片分析记录作为目标玻片分析记录；可信任值阈值由人工预先设置。
本申请基于玻片类型，从第三玻片分析记录中挑选出上述玻片类型适用的第四玻片分析记录；引入判定因子对应的判定值和判定权重，赋予判定值对应的判定权重，获得分析医生的可信任值，确定可信任值高的分析医生对应的目标玻片分析记录，提升了目标玻片分析记录获取的合理性。
在一个实施例中，所述实时获取所述病理图像库中的所述病理图像分析信息的异常信息和异常提醒等级，包括：
基于预设的病理报告生成模板，根据所述病理图像分析信息，生成病理报告；
获取所述病理报告中多个信息项的信息类型；
若所述信息类型为病理诊断，获取对应所述信息项的信息内容；
基于语义分析技术，分析所述信息内容，确定语义排序组；
获取所述语义排序组中的异常病理语义和所述异常病理语义对应异常病理的程度语义；
基于所述程度语义和对应所述异常病理语义，确定所述异常信息和所述异常提醒等级。
上述技术方案的工作原理及有益效果为：
基于预设的病理报告生成模板，根据病理图像分析信息，生成病理报告；预设的病理报告生成模板为：预先设置的根据病理图像分析信息生成病理报告的模板，病理报告为：病理检测的分析报告。获取病理报告中多个信息项的信息类型【例如：检测项目、病理图像和病理诊断等】。如果信息类型为病理诊断，获取对应信息项的信息内容【例如：黏膜中度慢性炎症】。基于语义分析技术，确定信息内容的语义排序组；语义排序组中包括多个表征信息内容的语义，语义为：系统识别的信息内容的计算机语言的代表的内容含义，语义分析技术属于现有技术，其原理不作赘述。获取语义排序组中的异常病理语义【例如：黏膜慢性炎症】和异常病理语义对应异常病理的程度语义【例如：中度】。基于程度语义和对应异常病理语义，确定异常信息和异常提醒等级【例如：1级】。
本申请引入语义分析技术，分析病理诊断的信息内容的语义排序组，提高了语义排序组获取的准确性；基于异常病理语义和异常病理语义对应的程度语义确定异常提醒等级，进一步提高了异常提醒等级确定的精确性。
在一个实施例中，所述获取所述语义排序组中的异常病理语义和所述异常病理语义对应异常病理的程度语义，包括：
基于语义匹配技术，根据所述语义排序组中的第一目标语义和预设的异常语料库中第二目标语义，确定所述第一目标语义中语义匹配符合的第三目标语义，并将所述第三目标语义作为所述异常病理语义；
获取所述异常病理语义在所述语义排序组中的语义位置；
基于预设的搜索范围确定规则，根据所述语义排序组中的所述语义位置，确定当前搜索到的所述第一目标语义，并作为第四目标语义；
将所述第四目标语义与预设的程度描述语料库中的第五目标语义进行语义匹配，若匹配成功，则将相应所述第四目标语义与作为所述异常病理语义对应的所述程度语义；
若匹配失败，基于预设的搜索范围扩大规则，根据当前搜索范围，扩大所述当前搜索范围，直至搜索到所述异常病理语义对应的所述程度语义。
上述技术方案的工作原理及有益效果为：
基于语义匹配技术，将语义排序组中的第一目标语义和预设的异常语料库中第二目标语义进行语义匹配，确定第一目标语义中匹配符合的第三目标语义为异常病理语义；第一目标语义为：语义排序组中的语义。预设的异常语料库为：包含多个异常语义的语料库。第三目标语义为：第一目标语义中的异常语义。
获取异常病理语义在语义排序组中的语义位置【异常语义的位置】。基于预设的搜索范围确定规则【例如：以语义位置为搜索出发点，每次向前和后各搜索一个语义】，根据语义排序组中的语义位置，确定当前搜索到的第一目标语义【例如：第二语义前和后的第一目标语义】为第四目标语义。
将第四目标语义与预设的程度描述语料库中的第五目标语义进行语义匹配，若匹配成功，则将相应第四目标语义与作为异常病理语义对应的所述程度语义；程度描述语料库包含多个程度语义【例如：小、大、低、中和高等】。
若匹配失败，基于预设的搜索范围扩大规则【例如：若搜索失败，每次扩大一个语义进行搜索】，根据当前搜索范围，扩大当前搜索范围，直至搜索到第四目标语义和程度描述语料库中任一程度语义匹配。
本申请引入搜索范围确定规则，基于异常病理语义在语义排序组中的语义位置，在异常病理语义附近搜索程度语义，提高了程度语义的搜索效率；引入搜索范围扩大规则，在程度语义搜索失败时扩大搜索范围，更加适宜；引入程度描述语料库进行程度语义判定，进一步提高了程度语义搜索的精确度。
在一个实施例中，所述基于所述程度语义和对应所述异常病理语义，确定所述异常信息和所述异常提醒等级，包括：
确定所述异常病理语义对应的疾病，获取所述疾病对应的所述异常信息；
基于预设的疾病严重值分析模型，分析所述疾病的疾病严重值；
查询预设的程度语义-程度值库，确定所述程度语义的程度值；
将所述疾病严重值和对应于所述疾病严重值的程度值相乘，获得待量化值；
查询预设的量化间隔-量化等级库，确定每一量化等级的量化间隔值；
获取所述量化等级的等级次序；
按照所述等级次序从小到大的顺序依次遍历所述量化等级；
遍历时，实时计算遍历到的所述量化等级的所述量化间隔值的和，并作为比较值；
当第一次出现所述比较值大于等于所述待量化值，则将对应所述量化等级作为所述异常提醒等级。
上述技术方案的工作原理及有益效果为：
确定异常病理语义对应的疾病【例如：黏膜炎症】，获取疾病对应的异常信息【例如：黏膜慢性炎症】。预设的疾病严重值分析模型为：机器学习多个工作人员【例如：医生】对疾病进行严重性分析的记录获得的人工智能模型，基于疾病严重值分析模型，分析疾病的疾病严重值；疾病严重值越高，异常等级越高。查询预设的程度语义-程度值库，确定程度语义的程度值；程度语义-程度值库由人工预先设置，程度值越大，对应疾病越严重。
将疾病严重和对应程度值相乘，获得待量化值；待量化值越大，异常等级越高，/>，/>为程度值，/>为疾病严重值。
一般的，待量化值越大，每升高一个单位的量化值的病情危险系数越高，因此，对应不同的异常等级，需要设置不同的量化间隔【例如：待量化值为0-40，异常提醒等级为1级，量化间隔为40，待量化值为40-60，异常提醒等级为2级，量化间隔为20】。
查询量化间隔-量化等级库，确定每一量化等级的量化间隔值【例如：10】；量化间隔-量化等级库由有经验的医护人员预先设置。获取量化等级的等级次序【例如：1级、2级】。按照等级次序从小到大的顺序依次遍历量化等级，实时计算遍历到的量化等级的量化间隔值的和，即比较值【例如：60】。当第一次出现比较值大于等于待量化值【例如:57】，则将对应量化等级作为异常提醒等级【例如：2级】，即，若：
；
其中，为第/>个进行求和的量化间隔，/>为待量化值，则/>为异常提醒等级。
本申请引入疾病严重值分析模型，分析疾病的疾病严重值，引入程度语义-程度值库，确定程度语义的程度值，基于疾病的疾病严重值和对应程度语义的程度值，确定待量化值，提升了待量化值确定的准确性；引入量化间隔-量化等级库，确定待量化值对应的异常提醒等级，提高了异常提醒等级确定的精确性，进一步提高了异常提醒的适宜性。
本发明实施例提供了基于玻片标签自动识别技术的病理图像自动上传匹配系统，如图2所示，包括：
第一获取模块1，用于获取目标玻片的玻片图像，确定玻片图像中的病理图像；
自动识别模块2，用于基于OCR技术，自动识别玻片图像中的电子标签；
第二获取模块3，用于获取电子标签对应的病理图像分析模型；
确定模块4，用于基于病理图像分析模型，确定病理图像分析信息；
匹配上传模块5，用于匹配病理图像分析信息和对应电子标签，获得匹配项，并将匹配项自动上传至预设的病理图像库；
提醒模块6，用于实时获取病理图像库中的病理图像分析信息的异常信息和异常提醒等级，若获取成功，基于异常提醒等级，提醒相应患者进行后续诊疗；
在一个实施例中，所述第一获取模块获取目标玻片的玻片图像，确定玻片图像中的病理图像，包括：
获取所述目标玻片对应预设的电子显微镜拍摄的所述玻片图像；
和/或，
获取预设的扫描装置扫描的所述目标玻片的所述玻片图像。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.基于玻片标签自动识别技术的病理图像自动上传匹配方法，其特征在于，包括：
步骤1：获取目标玻片的玻片图像，确定玻片图像中的病理图像；
步骤2：基于OCR技术，自动识别玻片图像中的电子标签；
步骤3：获取电子标签对应的病理图像分析模型；
步骤4：基于病理图像分析模型，确定病理图像分析信息；
步骤5：匹配病理图像分析信息和对应电子标签，获得匹配项，并将匹配项自动上传至预设的病理图像库；
步骤6：实时获取病理图像库中的病理图像分析信息的异常信息和异常提醒等级，若获取成功，基于异常提醒等级，提醒相应患者进行后续诊疗；
其中，所述步骤3：获取电子标签对应的病理图像分析模型，包括：
基于OCR技术，确定对应于每一所述电子标签的第一标签项；
获取第一标签项中用于分析目标玻片的玻片类型的第二标签项，确定对应于所述第二标签项的所述玻片类型；
获取本地记录的第一玻片分析记录，和/或，基于预设的第二获取路径，获取第二玻片分析记录；
整合所述第一玻片分析记录和所述第二玻片分析记录，获得第三玻片分析记录；
基于所述玻片类型，确定所述第三玻片分析记录中可用的目标玻片分析记录；
将所述目标玻片分析记录输入预设的预训练模型进行模型训练，获得所述病理图像分析模型；
其中，所述基于所述玻片类型，确定所述第三玻片分析记录中可用的目标玻片分析记录，包括：
获取所述第三玻片分析记录中所述玻片类型对应的第四玻片分析记录；
解析所述第四玻片分析记录，确定所述第四玻片分析记录中的分析医生；
获取判定所述分析医生的可信任值的判定因子对应的判定值；
确定所述判定因子对应预设的判定权重；
赋予所述判定值对应所述判定权重，获得所述分析医生的可信任值；
确定所述可信任值大于等于预设的可信任值阈值的所述分析医生的所述第四玻片分析记录，并作为目标玻片分析记录；
其中，所述实时获取病理图像库中的病理图像分析信息的异常信息和异常提醒等级，包括：
基于预设的病理报告生成模板，根据所述病理图像分析信息，生成病理报告；
获取所述病理报告中多个信息项的信息类型；
若所述信息类型为病理诊断，获取对应所述信息项的信息内容；
基于语义分析技术，分析所述信息内容，确定语义排序组；
获取所述语义排序组中的异常病理语义和所述异常病理语义对应异常病理的程度语义；
基于所述程度语义和对应所述异常病理语义，确定所述异常信息和所述异常提醒等级；
其中，所述获取所述语义排序组中的异常病理语义和所述异常病理语义对应异常病理的程度语义，包括：
基于语义匹配技术，根据所述语义排序组中的第一目标语义和预设的异常语料库中第二目标语义，确定所述第一目标语义中语义匹配符合的第三目标语义，并将所述第三目标语义作为所述异常病理语义；
获取所述异常病理语义在所述语义排序组中的语义位置；
基于预设的搜索范围确定规则，根据所述语义排序组中的所述语义位置，确定当前搜索到的所述第一目标语义，并作为第四目标语义；
将所述第四目标语义与预设的程度描述语料库中的第五目标语义进行语义匹配，若匹配成功，则将相应所述第四目标语义与作为所述异常病理语义对应的所述程度语义；
若匹配失败，基于预设的搜索范围扩大规则，根据当前搜索范围，扩大所述当前搜索范围，直至搜索到所述异常病理语义对应的所述程度语义；
其中，所述基于所述程度语义和对应所述异常病理语义，确定所述异常信息和所述异常提醒等级，包括：
确定所述异常病理语义对应的疾病，获取所述疾病对应的所述异常信息；
基于预设的疾病严重值分析模型，分析所述疾病的疾病严重值；
查询预设的程度语义-程度值库，确定所述程度语义的程度值；
将所述疾病严重值和对应于所述疾病严重值的程度值相乘，获得待量化值；
查询预设的量化间隔-量化等级库，确定每一量化等级的量化间隔值；
获取所述量化等级的等级次序；
按照所述等级次序从小到大的顺序依次遍历所述量化等级；
遍历时，实时计算遍历到的所述量化等级的所述量化间隔值的和，并作为比较值；
当第一次出现所述比较值大于等于所述待量化值，则将对应所述量化等级作为所述异常提醒等级。
2.如权利要求1所述的基于玻片标签自动识别技术的病理图像自动上传匹配方法，其特征在于，所述步骤1：获取目标玻片的玻片图像，包括：
获取所述目标玻片对应预设的电子显微镜拍摄的所述玻片图像；
和/或，
获取预设的扫描装置扫描的所述目标玻片的所述玻片图像。
3.如权利要求1所述的基于玻片标签自动识别技术的病理图像自动上传匹配方法，其特征在于，所述步骤1：确定玻片图像中的病理图像，包括：
对所述玻片图像进行标注，确定多个第一标注点位；
获取所述玻片图像对应于所述第一标注点位的第一伴随矩阵；
基于预设的第一获取路径，获取病理图像集；
获取病理图像集的伴随矩阵集；
基于矩阵匹配技术，将所述第一伴随矩阵和所述伴随矩阵集中的每一第二伴随矩阵进行矩阵匹配，确定匹配符合的所述第一伴随矩阵对应的所述第一标注点位，并作为第二标注点位；
确定所述第二标注点位对应的所述玻片图像，并作为所述病理图像。
4.基于玻片标签自动识别技术的病理图像自动上传匹配系统，其特征在于，包括：
第一获取模块，用于获取目标玻片的玻片图像，确定玻片图像中的病理图像；
自动识别模块，用于基于OCR技术，自动识别玻片图像中的电子标签；
第二获取模块，用于获取电子标签对应的病理图像分析模型；
确定模块，用于基于病理图像分析模型，确定病理图像分析信息；
匹配上传模块，用于匹配病理图像分析信息和对应电子标签，获得匹配项，并将匹配项自动上传至预设的病理图像库；
提醒模块，用于实时获取病理图像库中的病理图像分析信息的异常信息和异常提醒等级，若获取成功，基于异常提醒等级，提醒相应患者进行后续诊疗；
其中，第二获取模块执行如下操作：
基于OCR技术，确定对应于每一所述电子标签的第一标签项；
获取第一标签项中用于分析目标玻片的玻片类型的第二标签项，确定对应于所述第二标签项的所述玻片类型；
获取本地记录的第一玻片分析记录，和/或，基于预设的第二获取路径，获取第二玻片分析记录；
整合所述第一玻片分析记录和所述第二玻片分析记录，获得第三玻片分析记录；
基于所述玻片类型，确定所述第三玻片分析记录中可用的目标玻片分析记录；
将所述目标玻片分析记录输入预设的预训练模型进行模型训练，获得所述病理图像分析模型；
其中，所述基于所述玻片类型，确定所述第三玻片分析记录中可用的目标玻片分析记录，包括：
获取所述第三玻片分析记录中所述玻片类型对应的第四玻片分析记录；
解析所述第四玻片分析记录，确定所述第四玻片分析记录中的分析医生；
获取判定所述分析医生的可信任值的判定因子对应的判定值；
确定所述判定因子对应预设的判定权重；
赋予所述判定值对应所述判定权重，获得所述分析医生的可信任值；
确定所述可信任值大于等于预设的可信任值阈值的所述分析医生的所述第四玻片分析记录，并作为目标玻片分析记录；
其中，所述实时获取病理图像库中的病理图像分析信息的异常信息和异常提醒等级，包括：
基于预设的病理报告生成模板，根据所述病理图像分析信息，生成病理报告；
获取所述病理报告中多个信息项的信息类型；
若所述信息类型为病理诊断，获取对应所述信息项的信息内容；
基于语义分析技术，分析所述信息内容，确定语义排序组；
获取所述语义排序组中的异常病理语义和所述异常病理语义对应异常病理的程度语义；
基于所述程度语义和对应所述异常病理语义，确定所述异常信息和所述异常提醒等级；
其中，所述获取所述语义排序组中的异常病理语义和所述异常病理语义对应异常病理的程度语义，包括：
基于语义匹配技术，根据所述语义排序组中的第一目标语义和预设的异常语料库中第二目标语义，确定所述第一目标语义中语义匹配符合的第三目标语义，并将所述第三目标语义作为所述异常病理语义；
获取所述异常病理语义在所述语义排序组中的语义位置；
基于预设的搜索范围确定规则，根据所述语义排序组中的所述语义位置，确定当前搜索到的所述第一目标语义，并作为第四目标语义；
将所述第四目标语义与预设的程度描述语料库中的第五目标语义进行语义匹配，若匹配成功，则将相应所述第四目标语义与作为所述异常病理语义对应的所述程度语义；
若匹配失败，基于预设的搜索范围扩大规则，根据当前搜索范围，扩大所述当前搜索范围，直至搜索到所述异常病理语义对应的所述程度语义；
其中，所述基于所述程度语义和对应所述异常病理语义，确定所述异常信息和所述异常提醒等级，包括：
确定所述异常病理语义对应的疾病，获取所述疾病对应的所述异常信息；
基于预设的疾病严重值分析模型，分析所述疾病的疾病严重值；
查询预设的程度语义-程度值库，确定所述程度语义的程度值；
将所述疾病严重值和对应于所述疾病严重值的程度值相乘，获得待量化值；
查询预设的量化间隔-量化等级库，确定每一量化等级的量化间隔值；
获取所述量化等级的等级次序；
按照所述等级次序从小到大的顺序依次遍历所述量化等级；
遍历时，实时计算遍历到的所述量化等级的所述量化间隔值的和，并作为比较值；
当第一次出现所述比较值大于等于所述待量化值，则将对应所述量化等级作为所述异常提醒等级。
5.如权利要求4所述的基于玻片标签自动识别技术的病理图像自动上传匹配系统，其特征在于，所述第一获取模块获取目标玻片的玻片图像，确定玻片图像中的病理图像，包括：
获取所述目标玻片对应预设的电子显微镜拍摄的所述玻片图像；
和/或，
获取预设的扫描装置扫描的所述目标玻片的所述玻片图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310269412.4A CN116364248B (zh) | 2023-03-15 | 2023-03-15 | 基于玻片标签自动识别技术的病理图像自动上传匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310269412.4A CN116364248B (zh) | 2023-03-15 | 2023-03-15 | 基于玻片标签自动识别技术的病理图像自动上传匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116364248A CN116364248A (zh) | 2023-06-30 |
| CN116364248B true CN116364248B (zh) | 2023-10-20 |
Family
ID=86941283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310269412.4A Active CN116364248B (zh) | 2023-03-15 | 2023-03-15 | 基于玻片标签自动识别技术的病理图像自动上传匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116364248B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808738A (zh) * | 2021-09-18 | 2021-12-17 | 安徽爱朋科技有限公司 | 一种基于自识别影像的疾病识别系统 |
| CN113887275A (zh) * | 2021-08-20 | 2022-01-04 | 杭州迪英加科技有限公司 | 基于远程阅片标注的病理判读方法、系统和可读存储介质 |
| CN114511547A (zh) * | 2022-02-15 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 病理切片图像质控方法、装置、设备及存储介质 |
| CN114972461A (zh) * | 2022-06-06 | 2022-08-30 | 透彻影像(北京)科技有限公司 | 一种适用于多分辨率数字病理图像配准方法及系统 |
| KR102440919B1 (ko) * | 2021-07-08 | 2022-09-06 | 가톨릭대학교 산학협력단 | 슬라이드 스캔 데이터의 자동 레이블링 방법, 장치 및 프로그램 |
| CN115719307A (zh) * | 2022-11-29 | 2023-02-28 | 武汉兰丁云医学检验实验室有限公司 | 细胞玻片样本图片区域识别提取方法 |
-
2023
- 2023-03-15 CN CN202310269412.4A patent/CN116364248B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102440919B1 (ko) * | 2021-07-08 | 2022-09-06 | 가톨릭대학교 산학협력단 | 슬라이드 스캔 데이터의 자동 레이블링 방법, 장치 및 프로그램 |
| CN113887275A (zh) * | 2021-08-20 | 2022-01-04 | 杭州迪英加科技有限公司 | 基于远程阅片标注的病理判读方法、系统和可读存储介质 |
| CN113808738A (zh) * | 2021-09-18 | 2021-12-17 | 安徽爱朋科技有限公司 | 一种基于自识别影像的疾病识别系统 |
| CN114511547A (zh) * | 2022-02-15 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 病理切片图像质控方法、装置、设备及存储介质 |
| CN114972461A (zh) * | 2022-06-06 | 2022-08-30 | 透彻影像(北京)科技有限公司 | 一种适用于多分辨率数字病理图像配准方法及系统 |
| CN115719307A (zh) * | 2022-11-29 | 2023-02-28 | 武汉兰丁云医学检验实验室有限公司 | 细胞玻片样本图片区域识别提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 电子病历中命名实体的智能识别;叶枫;陈莺莺;周根贵;李昊旻;李莹;;中国生物医学工程学报(02);98-104 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116364248A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110993064B (zh) | 面向深度学习的医学影像标注方法及装置 | |
| US8073189B2 (en) | Methods and systems for selecting an image application based on image content | |
| CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
| Dimitrovski et al. | Hierarchical annotation of medical images | |
| Dong et al. | Tablesense: Spreadsheet table detection with convolutional neural networks | |
| RU2760471C1 (ru) | Способы и системы идентификации полей в документе | |
| JP2006252559A (ja) | 画像において対象物の位置を特定する方法および対象物の画像を相異なる画像カテゴリに分類する方法 | |
| CN107153844A (zh) | 对花卉识别系统进行改进的辅助系统和进行改进的方法 | |
| CN114913942A (zh) | 患者招募项目智能匹配方法及装置 | |
| CN114581375A (zh) | 一种无线胶囊内窥镜病灶自动检测方法、装置及存储介质 | |
| CN115359873B (zh) | 用于手术质量的控制方法 | |
| CN116128846B (zh) | 一种面向肺部X-ray图像检索的视觉Transformer哈希方法 | |
| CN113626591A (zh) | 一种基于文本分类的电子病历数据质量评价方法 | |
| CN113707304B (zh) | 分诊数据处理方法、装置、设备及存储介质 | |
| CN118136207A (zh) | 医学影像质控标注模型的形成方法及医学影像标注方法 | |
| CN116052848B (zh) | 一种医学成像质控的数据编码方法及系统 | |
| CN116364248B (zh) | 基于玻片标签自动识别技术的病理图像自动上传匹配方法 | |
| CN105117735A (zh) | 一种大数据环境下的图像检测方法 | |
| US20230325714A1 (en) | Machine learning for artificial intelligence processors with transformed digital data | |
| CN110580299B (zh) | 生成对象的推荐语的配图的方法、系统、设备及存储介质 | |
| CN116469505A (zh) | 数据处理方法、装置、计算机设备及可读存储介质 | |
| CN116129182A (zh) | 一种基于知识蒸馏和近邻分类的多维度医疗图像分类方法 | |
| CN115712855A (zh) | 一种基于自学习的标签规则产生方法及装置 | |
| CN111612021A (zh) | 一种错误样本识别方法、装置及终端 | |
| Bergh et al. | A curated set of labeled code tutorial images for deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |