CN116386902A - 基于深度学习的大肠癌人工智能辅助病理诊断系统 - Google Patents
基于深度学习的大肠癌人工智能辅助病理诊断系统 Download PDFInfo
- Publication number
- CN116386902A CN116386902A CN202310457117.1A CN202310457117A CN116386902A CN 116386902 A CN116386902 A CN 116386902A CN 202310457117 A CN202310457117 A CN 202310457117A CN 116386902 A CN116386902 A CN 116386902A
- Authority
- CN
- China
- Prior art keywords
- pathological
- image
- module
- identification
- region
- 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.)
- Granted
Links
- 238000010827 pathological analysis Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 206010009944 Colon cancer Diseases 0.000 title claims abstract description 23
- 208000001333 Colorectal Neoplasms Diseases 0.000 title claims abstract description 23
- 230000001575 pathological effect Effects 0.000 claims abstract description 216
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000003745 diagnosis Methods 0.000 claims abstract description 57
- 208000005016 Intestinal Neoplasms Diseases 0.000 claims abstract description 27
- 201000002313 intestinal cancer Diseases 0.000 claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000035945 sensitivity Effects 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims description 75
- 238000012360 testing method Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 14
- 230000007170 pathology Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000013526 transfer learning Methods 0.000 claims description 11
- 206010028980 Neoplasm Diseases 0.000 claims description 10
- 238000004393 prognosis Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 210000001519 tissue Anatomy 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000000968 intestinal effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 206010027476 Metastases Diseases 0.000 claims description 5
- 238000011532 immunohistochemical staining Methods 0.000 claims description 5
- 230000009401 metastasis Effects 0.000 claims description 5
- 208000003200 Adenoma Diseases 0.000 claims description 4
- 206010001233 Adenoma benign Diseases 0.000 claims description 4
- 206010063560 Excessive granulation tissue Diseases 0.000 claims description 4
- 206010016654 Fibrosis Diseases 0.000 claims description 4
- 206010028851 Necrosis Diseases 0.000 claims description 4
- 230000004761 fibrosis Effects 0.000 claims description 4
- 210000001126 granulation tissue Anatomy 0.000 claims description 4
- 230000002055 immunohistochemical effect Effects 0.000 claims description 4
- 210000004698 lymphocyte Anatomy 0.000 claims description 4
- 210000003097 mucus Anatomy 0.000 claims description 4
- 210000003205 muscle Anatomy 0.000 claims description 4
- 230000017074 necrotic cell death Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 10
- 238000011161 development Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000003814 drug Substances 0.000 abstract description 3
- 238000005192 partition Methods 0.000 abstract description 3
- 238000013508 migration Methods 0.000 abstract description 2
- 230000005012 migration Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000090 biomarker Substances 0.000 description 5
- 238000001237 Raman spectrum Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000007490 hematoxylin and eosin (H&E) staining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 208000015634 Rectal Neoplasms Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 206010038038 rectal cancer Diseases 0.000 description 1
- 201000001275 rectum cancer Diseases 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于深度学习的大肠癌人工智能辅助病理诊断系统，系统包括：数据获取及标注模块、数据清洗及预处理模块、诊断模型训练模块和结果输出模块；本发明基于卷积神经网络的深度学习人工智能技术可将大面积的病理数字图片分解成细小的分区，自动提取图像特征，将抽象的图像信息转化为具象的数字信息并进行分析和识别，有效解决医师间重复性差的问题，使传统病理诊断更加适应精准化医学的发展；进行迁移学习，并不断优化初始化权重、迭代次数、图像块大小及卷积核大小等模型参数，提高诊断敏感性及特异性，构建肠癌智能诊断平台，极大优化病理诊断流程、提高诊断效率；有助于提高边远地区病理诊断水平，改善区域间医疗资源不均现状。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种基于深度学习的大肠癌人工智能辅助病理诊断系统。
背景技术
大肠癌是全球发病率第三的恶性肿瘤，在我国更是高居恶性肿瘤死亡率的第五位。但我国病理医师严重短缺，且地域间诊断水平差异较大，肠癌的常规病理诊断不但占用大量病理资源，其精准性亦严重制约患者个体化治疗的选择。随着人工智能的不断发展，在医学领域人工智能逐渐扮演了重要角色；因此，利用人工智能的设备辅助病理诊断并进行预后预测成为解决当前困境的重要契机。更重要的是，由于病理人才分布的不均衡，病理诊断的准确性在地区间差异显著，极大影响患者的治疗及预后。
现有技术一，申请号：CN202080096757.9公开了一种使用AI的病理诊断辅助方法和辅助装置，确定位置而获取显微镜观察图像数据，使用AI将图像数据按组织类型分类，将分类结果整合为病变部位，由此辅助诊断。虽然能够提供通过病理医师通常使用的HE染色来高精度且高效地进行病理诊断的辅助技术；此外，提供病理诊断辅助系统、病理诊断辅助程序和已学习模型；但是机器学习无法做到对大量的医学图像数据的处理，导致在使用时收到数据量的限制。
现有技术二，申请号：CN201710322536.9公开了一种适用于肝癌及消化道癌的病理诊断报告生成系统及方法，病理报告分析平台，输入的病人基本信息，根据病理号从病理图像服务器中读取该病理号相关联的病理图像，然后以网址的形式存储病理号和关联的病理图像；根据网址将图像进行下载；同时，还从病理图像服务器中获取病理诊断报告的巨检信息；病理报告分析平台还接收诊断医师输入的病理诊断分析结果，将分析结果存储到数据库服务器中，病理报告分析平台还根据病理类型，从文件模板服务器中读取对应的病理Word模板信息；从数据库服务器中读取病理诊断分析结果，将诊断医师输入的病理诊断分析结果与病理Word模板中的指标书签进行匹配，虽然能够辅助诊断医师快速生成诊断报告，但是没有对医疗图像作出标注，并标定癌变区域，导致肠癌的诊断效率较低。
现有技术三，申请号：CN202211555262.5公开了一种基于生物标志物增强拉曼光谱数据库的病理诊断方法，基于生物标志物的理论拉曼光谱和实测生物标志物蛋白及组织切片的增强拉曼光谱建立数据库，之后利用数据库数据训练生成病理诊断的深度学习模型，最后利用深度学习模型对待测组织进行病理表达程度判断，并生成标注了生物标志物分布的待测组织切片病理图像。既能实现分子水平的高特异性、灵敏度的定量检测，又能方便医生直观的理解检测结果，帮助临床决策，虽然对于癌症的临床检测具有重要意义，有望发展成为一项极具前景的全自动临床辅助诊断技术，但是缺少对医疗图像的辅助处理，而且生物标志物增强拉曼光谱数据库的病理诊断处理效率较低，智能化水平较低。
目前现有技术一、现有技术二和现有技术三存在处理数量量受限，不能精准的标定癌变区域，导致肠癌的诊断效率较低且智能化水平较低的问题，因而，本发明提供基于深度学习的大肠癌人工智能辅助病理诊断系统，片通过扫描仪进行数字化处理后，深度学习模型在1分钟内完成整张病理影像的分析，精确圈出癌变区域，生成病理诊断报告模版及关键病变区域截图，待医生审核。医生在系统上勾选和补充相关诊断信息，进行确认，提交最终诊断报告。
发明内容
为了解决上述技术问题，本发明提供了一种基于深度学习的大肠癌人工智能辅助病理诊断系统，包括：
数据获取及标注模块，负责利用病理切片扫描仪获取病理切片的数字图像，采用病理图像标注子模块标注感兴趣区域，并存储至服务器；
数据清洗及预处理模块，负责自动校正感兴趣区域，并将分段的标注拼合成闭合的感兴趣区域；通过二值化过滤器，得到有效区域，并将有效的区域切成小图像块，标注图像的对应区域与提取出的图像块组成训练图像对；
诊断模型训练模块，负责采用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练；
结果输出模块，负责将训练图像对输入值诊断模型，输出结果。
可选的，在诊断模型训练过程中，初始化权重、偏置，设置迭代次数、图像块大小及卷积核大小参数，根据训练结果不断优化，并在测试集测试网络性能，统计模型敏感性及特异性。
可选的，数据获取及标注模块，包含：
数字图像预处理子模块，负责对病理切片的数字图像进行去噪、增强及分割，得到分割后数字图像；
病理区域识别子模块，负责识别分割后数字图像中的病理区域，发送病理区域识别的指令至病理图像标注子模块；
病理图像标注子模块，负责接收病理区域识别的指令，获取标注感兴趣区域的指令，标注病理区域的位置并勾勒出病理区域的边缘；
病理图像存储子模块，负责对标注后的病理图像进行加密，并存储至服务器。
可选的，病理图像标注子模块的病理区域的边缘不包含肠腔内气体及肠壁周围脂肪。
可选的，标注感兴趣区域的指令包含：最大横截面的感兴趣区域、整个肿瘤的感兴趣区域及感兴趣体积。
可选的，病理图像标注子模块，包含：
标识获取单元，负责接收分割后包含病理区域的数字图像，获取数字图像的标识，标识包含：病理区域的位置的编号及病理区域的边缘的标号；
识别执行单元，负责依据标识对数字图像的病理区域进行第一次识别、第二次识别和第三次识别；
标识汇集单元，负责将第一次识别、第二次识别和第三次识别的结果汇总，得到汇总的病理区域的位置及病理区域的边缘，进行标注，得到包含标注的病理区域的位置及病理区域的边缘的数字图像。
可选的，依据标识对数字图像的病理区域进行第一次识别，标识出第一次识别的病理区域的位置及病理区域的边缘，在达到第一次识别阈值时间时，停止第一次识别，第一次识别完毕后，进行第二次识别，标识出第二次识别的病理区域的位置及病理区域的边缘，在达到第二次识别阈值时间时，停止第二次识别，第二次识别完毕后，进行第三次识别，标识出第三次识别的病理区域的位置及病理区域的边缘，在达到第三次识别阈值时间时，停止第三次识别。
可选的，数据清洗及预处理模块，包含：
自动校正子模块，负责获取感兴趣区域的数字图像，数字图像包含病理区域的位置及病理区域的边缘及其标注，利用移动模块实现各个标注的移动，并记录标注的数量及像素点坐标，通过像素点坐标和移动模块的移动量计算数字图像的像素点坐标补偿量，并根据补偿量及移动量的转换关系校正感兴趣区域；
标注拼合子模块，负责将校正感兴趣区域的数字图像中分段的标注拼合成闭合的感兴趣区域；
训练图像对子模块，负责通过二值化过滤器，得到有效区域，并将有效的区域切成小图像块，标注图像的对应区域与提取出的图像块组成训练图像对。
可选的，诊断模型训练模块，包含：
训练集构建子模块，负责建立训练集，训练集内容包括正常组织、腺瘤、癌变区域及与预后相关的间质成分标签，预后相关的间质成分包含纤维化、坏死、肉芽组织、浸润淋巴细胞、粘液湖及肌肉在内；
辅助标注构建子模块，负责对数字图像的标注数据进行归类、整理、编辑、纠错、标记及批注；
训练集扩充子模块，负责利用辅助标注构建子模块对T1期肠癌及II期肠癌进行标注，使训练集呈指数扩增；
模型训练子模块，负责用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练，利用扩展的训练集不断优化初始化权重、迭代次数、图像块大小及卷积核大小模型参数；
测试集构建子模块，负责采用免疫组化辅助建立测试集，选择形态具代表性的肠癌原发灶及转移灶标本各10张，对全部肿瘤区域进行勾画，并结合免疫组织化学染色对比验证，对诊断模型进行测试验证，计算敏感性和特异性。
可选的，病理图像标注子模块，包含：
服务器，负责存储待标注的病理图像；
网页登录单元，负责通过浏览器访问服务器提供的网络服务，实现病理图像标注功能；
终端登录单元，负责通过终端访问服务器，实现病理图像标注功能。
本发明的数据获取及标注模块利用病理切片扫描仪获取病理切片的数字图像，采用病理图像标注子模块标注感兴趣区域，并存储至服务器；数据清洗及预处理模块自动校正感兴趣区域，并将分段的标注拼合成闭合的感兴趣区域；通过二值化过滤器，得到有效区域，并将有效的区域切成小图像块，标注图像的对应区域与提取出的图像块组成训练图像对；诊断模型训练模块采用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练；在模型训练过程中，初始化权重、偏置，设置迭代次数、batch大小、卷积核大小等参数，根据训练结果不断优化，并在测试集测试网络性能，统计模型敏感性及特异性；结果输出模块，负责将训练图像对输入值诊断模型，输出结果；上述方案通过病理切片扫描仪获取病理切片的数字图像，实现了全视野病理数字图像的获取，一方面是便于系统对数字图像进行处理，提升数字图像的处理时间，减轻系统的负载；另一方面能够有效提升病理感兴趣区域的标注效率和精度，实现病理区域的自动化标注，提高大肠癌的智能诊断水平；通过自动校正感兴趣区域，实现自动纠正标注的误差和任意性，提高感兴趣区域的标注的像素点的精度，提供更加完整的图像，采用过滤器对图像的空白区域过滤，得到准确的图像边缘点，实现图像边界的查找；通过深度学习对诊断模型进行训练，有效提高诊断模型的参数精度，有助于提高诊断模型结果的准确性；
本实施例基于卷积神经网络的深度学习人工智能技术可将大面积的病理数字图片分解成细小的分区，自动提取图像特征，将抽象的图像信息转化为具象的数字信息并进行分析和识别，有效解决医师间重复性差的问题，使传统病理诊断更加适应精准化医学的发展；在实践中曾利用以ResNet和DenseNet为基本单元的CNN网络训练的850张肠癌诊断模型为基础，对经过精细标注的400张肠癌HE数字病理图像进行迁移学习，使其可智能识别癌变区域，并不断优化初始化权重、迭代次数、图像块大小及卷积核大小等模型参数，提高诊断敏感性及特异性，构建肠癌智能诊断平台，极大优化现有病理诊断流程、提高诊断效率。
本实施例可以提高病理诊断效率，缓解病理医师紧缺医疗压力；该辅助诊断平台可极大优化现有诊断流程及模式，大大提高诊断效率；该系统可以快速复制到各个医院，边际成本较低，且有助于提高边远地区病理诊断水平，改善区域间医疗资源不均现状。
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描述。
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1中基于深度学习的大肠癌人工智能辅助病理诊断系统框图；
图2为本发明实施例2中数据获取及标注模块框图；
图3为本发明实施例3中病理图像标注子模块框图；
图4为本发明实施例4中数据清洗及预处理模块框图；
图5为本发明实施例5中诊断模型训练模块框图；
图6为本发明实施例6中病理图像标注子模块框图。
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，此处所描述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。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
实施例1：如图1所示，本发明实施例提供了一种基于深度学习的大肠癌人工智能辅助病理诊断系统，包括：
数据获取及标注模块，负责利用病理切片扫描仪获取病理切片的数字图像，采用病理图像标注子模块标注感兴趣区域，并存储至服务器；
数据清洗及预处理模块，负责自动校正感兴趣区域，并将分段的标注拼合成闭合的感兴趣区域；通过二值化过滤器，得到有效区域，并将有效的区域切成小图像块，标注图像的对应区域与提取出的图像块组成训练图像对；
诊断模型训练模块，负责采用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练；在模型训练过程中，初始化权重、偏置，设置迭代次数、batch大小、卷积核大小等参数，根据训练结果不断优化，并在测试集测试网络性能，统计模型敏感性及特异性；
结果输出模块，负责将训练图像对输入值诊断模型，输出结果；
上述技术方案的工作原理和有益效果为：本实施例的数据获取及标注模块利用病理切片扫描仪获取病理切片的数字图像，采用病理图像标注子模块标注感兴趣区域，并存储至服务器；数据清洗及预处理模块自动校正感兴趣区域，并将分段的标注拼合成闭合的感兴趣区域；通过二值化过滤器，得到有效区域，并将有效的区域切成小图像块，标注图像的对应区域与提取出的图像块组成训练图像对；诊断模型训练模块采用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练；在模型训练过程中，初始化权重、偏置，设置迭代次数、batch大小、卷积核大小等参数，根据训练结果不断优化，并在测试集测试网络性能，统计模型敏感性及特异性；结果输出模块，负责将训练图像对输入值诊断模型，输出结果；上述方案通过病理切片扫描仪获取病理切片的数字图像，实现了全视野病理数字图像的获取，一方面是便于系统对数字图像进行处理，提升数字图像的处理时间，减轻系统的负载；另一方面能够有效提升病理感兴趣区域的标注效率和精度，实现病理区域的自动化标注，提高大肠癌的智能诊断水平；通过自动校正感兴趣区域，实现自动纠正标注的误差和任意性，提高感兴趣区域的标注的像素点的精度，提供更加完整的图像，采用过滤器对图像的空白区域过滤，得到准确的图像边缘点，实现图像边界的查找；通过深度学习对诊断模型进行训练，有效提高诊断模型的参数精度，有助于提高诊断模型结果的准确性；
本实施例基于卷积神经网络的深度学习人工智能技术可将大面积的病理数字图片分解成细小的分区，自动提取图像特征，将抽象的图像信息转化为具象的数字信息并进行分析和识别，有效解决医师间重复性差的问题，使传统病理诊断更加适应精准化医学的发展；在实践中曾利用以残差网络ResNet和密集卷积网络DenseNet为基本单元的卷积神经CNN网络训练的850张肠癌诊断模型为基础，对经过精细标注的400张肠癌病理切片HE数字病理图像进行迁移学习，使其可智能识别癌变区域，并不断优化初始化权重、迭代次数、图像块大小及卷积核大小等模型参数，提高诊断敏感性及特异性，构建肠癌智能诊断平台，极大优化现有病理诊断流程、提高诊断效率。
本实施例可以提高病理诊断效率，缓解病理医师紧缺医疗压力；该辅助诊断平台可极大优化现有诊断流程及模式，大大提高诊断效率；该系统可以快速复制到各个医院，边际成本较低，且有助于提高边远地区病理诊断水平，改善区域间医疗资源不均现状。
实施例2：如图2所示，在本实施例1的基础上，本发明实施例提供的数据获取及标注模块，包含：
数字图像预处理子模块，负责对病理切片的数字图像进行去噪、增强及分割，得到分割后数字图像；
病理区域识别子模块，负责识别分割后数字图像中的病理区域，发送病理区域识别的指令至病理图像标注子模块；
病理图像标注子模块，负责接收病理区域识别的指令，获取标注感兴趣区域的指令，标注病理区域的位置并勾勒出病理区域的边缘；病理区域的边缘不包含肠腔内气体及肠壁周围脂肪等；标注感兴趣区域的指令包含：最大横截面的感兴趣区域、整个肿瘤的感兴趣区域及感兴趣体积等；
病理图像存储子模块，负责对标注后的病理图像进行加密，并存储至服务器；
上述技术方案的工作原理和有益效果为：本实施例的数字图像预处理子模块对病理切片的数字图像进行去噪、增强及分割，得到分割后数字图像；病理区域识别子模块识别分割后数字图像中的病理区域，发送病理区域识别的指令至病理图像标注子模块；病理图像标注子模块接收病理区域识别的指令，获取标注感兴趣区域的指令，标注病理区域的位置并勾勒出病理区域的边缘；病理区域的边缘不包含肠腔内气体及肠壁周围脂肪等；标注感兴趣区域的指令包含：最大横截面的感兴趣区域、整个肿瘤的感兴趣区域及感兴趣体积等；病理图像存储子模块对标注后的病理图像进行加密，并存储至服务器；上述方案首先对病理切片的数字图像进行去噪、增强及分割，提高了数字图像的清晰度及完整性，确保数字图像能够最大程度的反应肠癌部位病灶的位置，也能得到清晰的病灶的病理图像，有助于提高诊断模型的诊断效率及精度；通过对病理区域进行识别，实现了病理区域的位置的确定，也实现了病理区域边缘的划定，进一步明确了肠癌病灶的区域，提升了肠癌的诊断的准确性，在标注的过程中，对于病灶标注无关的区域进行了删除，避免了无关的数字图像的干扰；通过对标注后的病理图像进行加密存储，不仅保护了病人的隐私，同时保证了病理图像存在的安全性。
实施例3：如图3所示，在实施例2的基础上，本发明实施例提供的病理图像标注子模块，包含：
标识获取单元，负责接收分割后包含病理区域的数字图像，获取数字图像的标识，标识包含：病理区域的位置的编号及病理区域的边缘的标号；
识别执行单元，负责依据标识对数字图像的病理区域进行第一次识别，标识出第一次识别的病理区域的位置及病理区域的边缘，在达到第一次识别阈值时间时，停止第一次识别，第一次识别完毕后，进行第二次识别，标识出第二次识别的病理区域的位置及病理区域的边缘，在达到第二次识别阈值时间时，停止第二次识别，第二次识别完毕后，进行第三次识别，标识出第三次识别的病理区域的位置及病理区域的边缘，在达到第三次识别阈值时间时，停止第三次识别；
标识汇集单元，负责将第一次识别、第二次识别和第三次识别的结果汇总，得到汇总的病理区域的位置及病理区域的边缘，进行标注，得到包含标注的病理区域的位置及病理区域的边缘的数字图像；
上述技术方案的工作原理和有益效果为：本实施例的标识获取单元接收分割后包含病理区域的数字图像，获取数字图像的标识，标识包含：病理区域的位置的编号及病理区域的边缘的标号；识别执行单元依据标识对数字图像的病理区域进行第一次识别，标识出第一次识别的病理区域的位置及病理区域的边缘，在达到第一次识别阈值时间时，停止第一次识别，第一次识别完毕后，进行第二次识别，标识出第二次识别的病理区域的位置及病理区域的边缘，在达到第二次识别阈值时间时，停止第二次识别，第二次识别完毕后，进行第三次识别，标识出第三次识别的病理区域的位置及病理区域的边缘，在达到第三次识别阈值时间时，停止第三次识别；标识汇集单元将第一次识别、第二次识别和第三次识别的结果汇总，得到汇总的病理区域的位置及病理区域的边缘，进行标注，得到包含标注的病理区域的位置及病理区域的边缘的数字图像；上述方案通过三次识别病理区域的位置及病理区域的边缘，得到三次识别的结果，将结果进行汇总，将其重合较多的部位进行标注，能够有效提升病理区域的位置及病理区域的边缘的识别的准确性，避免遗漏病理区域的位置及病理区域的边缘，实现了病理区域的位置及病理区域的边缘的有效标注，并能得到精度较高的带有标注的数字图像。
实施例4：如图4所示，在实施例1的基础上，本发明实施例提供的数据清洗及预处理模块，包含：
自动校正子模块，负责获取感兴趣区域的数字图像，数字图像包含病理区域的位置及病理区域的边缘及其标注，利用移动模块实现各个标注的移动，并记录标注的数量及像素点坐标，通过像素点坐标和移动模块的移动量计算数字图像的像素点坐标补偿量，并根据补偿量及移动量的转换关系校正感兴趣区域；
DX＝(TX×Qyy-TY×Qyx)/(Qxx×Qyy-Qxy×Qyx)；
DY＝(TX×Qxy-TY×Qxx)/(Qxy×Qyx-Qxx×Qyy)；
Qxx＝(x2-x1)/SX；
Qxy＝(y2-y1)/SX；
Qyx＝(x3-x2)/SY；
Qyy＝(y3-y2)/SY；
其中，Dx表示移动模块的像素点坐标横轴方向移动量，Dy表示移动模块的像素点坐标纵轴方向移动量；x1和x3为病理区域的边缘的相邻拐角点的横轴方向坐标，y1和y3为病理区域的边缘的相邻拐角点的纵轴方向坐标，x2表示拐角点的转角处的横轴方向坐标，y2表示拐角点的转角处的纵轴方向坐标，Qxx表示病理区域的边缘的拐角点的横轴方向与拐角点的转角处的横轴方向的校正转换分量，Qxy表示拐角点的转角处的纵轴方向与病理区域的边缘的拐角点的纵轴方向的校正转换分量，Qyx表示病理区域的边缘的拐角点的横轴方向与和拐角点的转角处的横轴方向的校正转换分量，Qyy表示病理区域的边缘的拐角点的纵轴方向与拐角点的转角处的纵轴方向的校正转换分量，Tx表示数字图像上的横轴方向位置相对于预设标准点的像素距离，Ty表示数字图像上的纵轴方向位置相对于预设标准点的像素距离，Sx表示移动模块在横轴方向移动dx距离共Mx次，Sy表示移动模块在纵轴方向移动dy距离共My次；
Sx＝dx×(Mx-1)，Sy＝dy×(My-1)；
其中，dQenx表示转换关系的横轴方向误差值，dQeny为转换关系的纵轴方向误差值，N表示标注的总数，i表示当前的标注的数值，MQxi表示标注所对应的拐角点的横轴方向的像素点坐标，MQyi表示标注所对应的拐角点的纵轴方向的像素点坐标，MVxi表示标注所对应的转换后的拐角点的横轴方向的像素点坐标，MVyi表示标注所对应的转换后的拐角点的纵轴方向的像素点坐标；
标注拼合子模块，负责将校正感兴趣区域的数字图像中分段的标注拼合成闭合的感兴趣区域；
训练图像对子模块，负责通过二值化过滤器，得到有效区域，并将有效的区域切成小图像块，标注图像的对应区域与提取出的图像块组成训练图像对；
上述技术方案的工作原理和有益效果为：本实施例的自动校正子模块，负责获取感兴趣区域的数字图像，数字图像包含病理区域的位置及病理区域的边缘及其标注，利用移动模块实现各个标注的移动，并记录标注的数量及像素点坐标，通过像素点坐标和移动模块的移动量计算数字图像的像素点坐标补偿量，并根据补偿量及移动量的转换关系校正感兴趣区域；标注拼合子模块，负责将校正感兴趣区域的数字图像中分段的标注拼合成闭合的感兴趣区域；训练图像对子模块，负责通过二值化过滤器，得到有效区域，并将有效的区域切成小图像块，标注图像的对应区域与提取出的图像块组成训练图像对；上述方案通过根据补偿量及移动量的转换关系校正感兴趣区域，实现了感兴趣区域的标注的精度，能够得到准确的感兴趣区域的数字图像，进而得到病理区域的位置及病理区域的边缘的数字图像，有效提升病理区域的位置及边缘的勾勒，实现肠癌病理诊断的自动化及智能化；标注图像的对应区域与提取出的图像块组成训练图像对，为诊断模型的训练集的构建提供可靠的数据，能够提升诊断模型的训练效果。
实施例5：如图5所示，在实施例1的基础上，本发明实施例提供的诊断模型训练模块，包含：
训练集构建子模块，负责建立训练集，训练集内容包括正常组织、腺瘤、癌变区域及与预后相关的间质成分标签，预后相关的间质成分包含纤维化、坏死、肉芽组织、浸润淋巴细胞、粘液湖及肌肉在内；
辅助标注构建子模块，负责对数字图像的标注数据进行归类、整理、编辑、纠错、标记及批注；
训练集扩充子模块，负责利用辅助标注构建子模块对T1期肠癌及II期肠癌进行标注，使训练集呈指数扩增；
模型训练子模块，负责用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练，利用扩展的训练集不断优化初始化权重、迭代次数、图像块大小及卷积核大小等模型参数；
测试集构建子模块，负责采用免疫组化辅助建立测试集，选择形态具代表性的肠癌原发灶及转移灶标本各10张，对全部肿瘤区域进行勾画，并结合免疫组织化学染色对比验证，对诊断模型进行测试验证，计算敏感性和特异性；
上述技术方案的工作原理和有益效果为：本实施例的训练集构建子模块建立训练集，训练集内容包括正常组织、腺瘤、癌变区域及与预后相关的间质成分标签，预后相关的间质成分包含纤维化、坏死、肉芽组织、浸润淋巴细胞、粘液湖及肌肉在内；辅助标注构建子模块对数字图像的标注数据进行归类、整理、编辑、纠错、标记及批注；训练集扩充子模块利用辅助标注构建子模块对T1期肠癌及II期肠癌进行标注，使训练集呈指数扩增；模型训练子模块用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练，利用扩展的训练集不断优化初始化权重、迭代次数、图像块大小及卷积核大小等模型参数；测试集构建子模块采用免疫组化辅助建立测试集，选择形态具代表性的肠癌原发灶及转移灶标本各10张，对全部肿瘤区域进行勾画，并结合免疫组织化学染色对比验证，对诊断模型进行测试验证，计算敏感性和特异性；诊断模型训练模块采用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练；在模型训练过程中，初始化权重、偏置，设置迭代次数、图像块大小、卷积核大小等参数，根据训练结果不断优化，并在测试集测试网络性能，统计模型敏感性及特异性；上述方案采用88例直肠癌术前活检标本，具有完整随访资料的251例T1期直肠癌及330例II期大肠癌根治术标本，总计全数字HE病理切片1760张，以及肠癌淋巴结转移切片150张、无转移淋巴结切片100张。总图像大小近3TB，标本量丰富、切片质量达国际化标准，保证足够的训练样本量；此外病理标本从固定、取材、制片、HE染色及免疫组化染色均有严格质控，保证病理图像质量；同时辅助标注构建子模块构建的辅助标注系统能够大大提高标注的效率和准确率，使得构建深度学习的必要条件-大样本量的训练集成为可能；有效地利用图像标注，得到更加准确的像素级诊断结果，可加速病理模型的训练。
实施例6：如图6所示，在实施例1的基础上，本发明实施例提供的病理图像标注子模块，包含：
服务器，负责存储待标注的病理图像；
网页登录单元，负责通过浏览器访问服务器提供的网络服务，实现病理图像标注功能；
终端登录单元，负责通过终端访问服务器，实现病理图像标注功能；
上述技术方案的工作原理和有益效果为：本实施例的服务器存储待标注的病理图像；网页登录单元通过浏览器访问服务器提供的网络服务，实现病理图像标注功能；终端登录单元通过终端访问服务器，实现病理图像标注功能；上述方案通过网页登录和终端登录实现了多方式的病理图像的标注，能够大大提高标注的效率和准确率，终端登录单元可以采用手机或平板都可以登录，有效提高标注的便携性和效率。
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 (10)
1.一种基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，包括：
数据获取及标注模块，负责利用病理切片扫描仪获取病理切片的数字图像，采用病理图像标注子模块标注感兴趣区域，并存储至服务器；
数据清洗及预处理模块，负责自动校正感兴趣区域，并将分段的标注拼合成闭合的感兴趣区域；通过二值化过滤器，得到有效区域，并将有效的区域切成小图像块，标注图像的对应区域与提取出的图像块组成训练图像对；
诊断模型训练模块，负责采用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练；
结果输出模块，负责将训练图像对输入值诊断模型，输出结果。
2.如权利要求1所述的基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，在诊断模型训练过程中，初始化权重、偏置，设置迭代次数、图像块大小及卷积核大小参数，根据训练结果不断优化，并在测试集测试网络性能，统计模型敏感性及特异性。
3.如权利要求1所述的基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，数据获取及标注模块，包含：
数字图像预处理子模块，负责对病理切片的数字图像进行去噪、增强及分割，得到分割后数字图像；
病理区域识别子模块，负责识别分割后数字图像中的病理区域，发送病理区域识别的指令至病理图像标注子模块；
病理图像标注子模块，负责接收病理区域识别的指令，获取标注感兴趣区域的指令，标注病理区域的位置并勾勒出病理区域的边缘；
病理图像存储子模块，负责对标注后的病理图像进行加密，并存储至服务器。
4.如权利要求3所述的基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，病理图像标注子模块的病理区域的边缘不包含肠腔内气体及肠壁周围脂肪。
5.如权利要求3所述的基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，标注感兴趣区域的指令包含：最大横截面的感兴趣区域、整个肿瘤的感兴趣区域及感兴趣体积。
6.如权利要求4所述的基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，病理图像标注子模块，包含：
标识获取单元，负责接收分割后包含病理区域的数字图像，获取数字图像的标识，标识包含：病理区域的位置的编号及病理区域的边缘的标号；
识别执行单元，负责依据标识对数字图像的病理区域进行第一次识别、第二次识别和第三次识别；
标识汇集单元，负责将第一次识别、第二次识别和第三次识别的结果汇总，得到汇总的病理区域的位置及病理区域的边缘，进行标注，得到包含标注的病理区域的位置及病理区域的边缘的数字图像。
7.如权利要求6所述的基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，依据标识对数字图像的病理区域进行第一次识别，标识出第一次识别的病理区域的位置及病理区域的边缘，在达到第一次识别阈值时间时，停止第一次识别，第一次识别完毕后，进行第二次识别，标识出第二次识别的病理区域的位置及病理区域的边缘，在达到第二次识别阈值时间时，停止第二次识别，第二次识别完毕后，进行第三次识别，标识出第三次识别的病理区域的位置及病理区域的边缘，在达到第三次识别阈值时间时，停止第三次识别。
8.如权利要求1所述的基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，数据清洗及预处理模块，包含：
自动校正子模块，负责获取感兴趣区域的数字图像，数字图像包含病理区域的位置及病理区域的边缘及其标注，利用移动模块实现各个标注的移动，并记录标注的数量及像素点坐标，通过像素点坐标和移动模块的移动量计算数字图像的像素点坐标补偿量，并根据补偿量及移动量的转换关系校正感兴趣区域；
标注拼合子模块，负责将校正感兴趣区域的数字图像中分段的标注拼合成闭合的感兴趣区域；
训练图像对子模块，负责通过二值化过滤器，得到有效区域，并将有效的区域切成小图像块，标注图像的对应区域与提取出的图像块组成训练图像对。
9.如权利要求1所述的基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，诊断模型训练模块，包含：
训练集构建子模块，负责建立训练集，训练集内容包括正常组织、腺瘤、癌变区域及与预后相关的间质成分标签，预后相关的间质成分包含纤维化、坏死、肉芽组织、浸润淋巴细胞、粘液湖及肌肉在内；
辅助标注构建子模块，负责对数字图像的标注数据进行归类、整理、编辑、纠错、标记及批注；
训练集扩充子模块，负责利用辅助标注构建子模块对T1期肠癌及II期肠癌进行标注，使训练集呈指数扩增；
模型训练子模块，负责用基于迁移学习以残差网络和密集卷积网络为基本单元的卷积神经网络对训练集进行训练，利用扩展的训练集不断优化初始化权重、迭代次数、图像块大小及卷积核大小模型参数；
测试集构建子模块，负责采用免疫组化辅助建立测试集，选择形态具代表性的肠癌原发灶及转移灶标本各10张，对全部肿瘤区域进行勾画，并结合免疫组织化学染色对比验证，对诊断模型进行测试验证，计算敏感性和特异性。
10.如权利要求1所述的基于深度学习的大肠癌人工智能辅助病理诊断系统，其特征在于，病理图像标注子模块，包含：
服务器，负责存储待标注的病理图像；
网页登录单元，负责通过浏览器访问服务器提供的网络服务，实现病理图像标注功能；
终端登录单元，负责通过终端访问服务器，实现病理图像标注功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310457117.1A CN116386902B (zh) | 2023-04-24 | 2023-04-24 | 基于深度学习的大肠癌人工智能辅助病理诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310457117.1A CN116386902B (zh) | 2023-04-24 | 2023-04-24 | 基于深度学习的大肠癌人工智能辅助病理诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116386902A true CN116386902A (zh) | 2023-07-04 |
| CN116386902B CN116386902B (zh) | 2023-12-19 |
Family
ID=86978864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310457117.1A Active CN116386902B (zh) | 2023-04-24 | 2023-04-24 | 基于深度学习的大肠癌人工智能辅助病理诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116386902B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117116436A (zh) * | 2023-09-11 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种条目化数字病理切片诊断系统 |
| CN117373695A (zh) * | 2023-10-12 | 2024-01-09 | 北京透彻未来科技有限公司 | 基于极深卷积神经网络的泛癌病理诊断系统 |
| CN118172774A (zh) * | 2024-05-13 | 2024-06-11 | 青岛山大齐鲁医院（山东大学齐鲁医院（青岛）） | 一种自动识别感兴趣区域的低倍率图像分析方法及装置 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101320828B1 (ko) * | 2012-09-05 | 2013-10-23 | 서울여자대학교 산학협력단 | 전립선 병리 영상의 자동 스티칭 시스템 및 그 방법 |
| CN109063747A (zh) * | 2018-07-16 | 2018-12-21 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的肠道病理切片图像识别分析系统及方法 |
| CN109360646A (zh) * | 2018-08-31 | 2019-02-19 | 透彻影像(北京)科技有限公司 | 基于人工智能的病理辅助诊断系统 |
| CN109378052A (zh) * | 2018-08-31 | 2019-02-22 | 透彻影像(北京)科技有限公司 | 图像标注的预处理方法及系统 |
| CN110689958A (zh) * | 2019-09-09 | 2020-01-14 | 杭州憶盛医疗科技有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
| CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
| US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
| CN111340128A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院（上海市职业病防治院） | 一种肺癌转移性淋巴结病理图像识别系统及方法 |
| CN112435243A (zh) * | 2020-11-26 | 2021-03-02 | 山东第一医科大学附属省立医院(山东省立医院) | 一种全切片数字病理图像的自动分析系统及方法 |
| WO2021054518A1 (ko) * | 2019-09-19 | 2021-03-25 | 두에이아이(주) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램 |
| CN112992336A (zh) * | 2021-02-05 | 2021-06-18 | 山西医科大学 | 一种病理智能诊断系统 |
| CN114332037A (zh) * | 2021-12-30 | 2022-04-12 | 深圳大学 | 一种自动分割胰腺癌病理切片中多类组织的方法及装置 |
| US20220138939A1 (en) * | 2019-02-15 | 2022-05-05 | The Regents Of The University Of California | Systems and Methods for Digital Pathology |
| CN114708153A (zh) * | 2022-01-07 | 2022-07-05 | 南京农业大学 | 侧俯视角度下田间小麦穗部图像的校正方法 |
| CN114782307A (zh) * | 2022-02-11 | 2022-07-22 | 安徽医科大学第一附属医院 | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 |
| CN114821109A (zh) * | 2022-05-10 | 2022-07-29 | 广东鉴面智能科技有限公司 | 一种基于微光视觉算法的图像识别系统 |
-
2023
- 2023-04-24 CN CN202310457117.1A patent/CN116386902B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101320828B1 (ko) * | 2012-09-05 | 2013-10-23 | 서울여자대학교 산학협력단 | 전립선 병리 영상의 자동 스티칭 시스템 및 그 방법 |
| CN109063747A (zh) * | 2018-07-16 | 2018-12-21 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的肠道病理切片图像识别分析系统及方法 |
| CN109360646A (zh) * | 2018-08-31 | 2019-02-19 | 透彻影像(北京)科技有限公司 | 基于人工智能的病理辅助诊断系统 |
| CN109378052A (zh) * | 2018-08-31 | 2019-02-22 | 透彻影像(北京)科技有限公司 | 图像标注的预处理方法及系统 |
| US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
| US20220138939A1 (en) * | 2019-02-15 | 2022-05-05 | The Regents Of The University Of California | Systems and Methods for Digital Pathology |
| CN110689958A (zh) * | 2019-09-09 | 2020-01-14 | 杭州憶盛医疗科技有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
| WO2021054518A1 (ko) * | 2019-09-19 | 2021-03-25 | 두에이아이(주) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램 |
| CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
| CN111340128A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院（上海市职业病防治院） | 一种肺癌转移性淋巴结病理图像识别系统及方法 |
| CN112435243A (zh) * | 2020-11-26 | 2021-03-02 | 山东第一医科大学附属省立医院(山东省立医院) | 一种全切片数字病理图像的自动分析系统及方法 |
| CN112992336A (zh) * | 2021-02-05 | 2021-06-18 | 山西医科大学 | 一种病理智能诊断系统 |
| CN114332037A (zh) * | 2021-12-30 | 2022-04-12 | 深圳大学 | 一种自动分割胰腺癌病理切片中多类组织的方法及装置 |
| CN114708153A (zh) * | 2022-01-07 | 2022-07-05 | 南京农业大学 | 侧俯视角度下田间小麦穗部图像的校正方法 |
| CN114782307A (zh) * | 2022-02-11 | 2022-07-22 | 安徽医科大学第一附属医院 | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 |
| CN114821109A (zh) * | 2022-05-10 | 2022-07-29 | 广东鉴面智能科技有限公司 | 一种基于微光视觉算法的图像识别系统 |
Non-Patent Citations (2)
| Title |
|---|
| 姜蕾: "基于深度学习的人体结肠癌病理图像中腺体检测与分割研究", 《医药卫生科技》, no. 2, pages 15 - 60 * |
| 李江涛，郑波，潘怡，王书浩，刘灿城，吕宁，孙卓，邹霜梅: "不同扫描仪构建的结直肠癌全切片数字 病理图像中人工标注迁移的研究", 《中华结直肠疾病电子杂志》, vol. 9, no. 5, pages 475 - 480 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117116436A (zh) * | 2023-09-11 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种条目化数字病理切片诊断系统 |
| CN117373695A (zh) * | 2023-10-12 | 2024-01-09 | 北京透彻未来科技有限公司 | 基于极深卷积神经网络的泛癌病理诊断系统 |
| CN117373695B (zh) * | 2023-10-12 | 2024-05-17 | 北京透彻未来科技有限公司 | 基于极深卷积神经网络的泛癌病理诊断系统 |
| CN118172774A (zh) * | 2024-05-13 | 2024-06-11 | 青岛山大齐鲁医院（山东大学齐鲁医院（青岛）） | 一种自动识别感兴趣区域的低倍率图像分析方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116386902B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116386902B (zh) | 基于深度学习的大肠癌人工智能辅助病理诊断系统 | |
| CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN111160367B (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
| CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 | |
| WO2020253886A1 (zh) | 一种病理辅助诊断方法 | |
| CN110136153B (zh) | 一种图像处理方法、设备及存储介质 | |
| CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
| CN109124660B (zh) | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 | |
| CN111340937A (zh) | 一种脑肿瘤医学影像三维重建显示交互方法及系统 | |
| CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
| CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
| CN114663735B (zh) | 基于联合全局及局部卷积神经网络特征的双骨龄评估方法 | |
| CN114235539A (zh) | 基于深度学习的pd-l1病理切片自动判读方法及系统 | |
| CN111754530A (zh) | 一种前列腺超声图像分割分类方法 | |
| CN110706217A (zh) | 一种基于深度学习的肺部肿瘤自动勾画方法 | |
| CN114612381A (zh) | 一种带有尺度增强和注意力融合的医疗图像病灶检测算法 | |
| CN114283406A (zh) | 细胞图像识别方法、装置、设备、介质及计算机程序产品 | |
| CN117809030A (zh) | 一种基于人工神经网络的乳腺癌ct图像识别及分割方法 | |
| CN117670794A (zh) | 一种基于深度学习的tls病理检测方法、装置及介质 | |
| CN116862836A (zh) | 一种泛器官淋巴结转移癌检测系统及计算机设备 | |
| CN115564750A (zh) | 术中冰冻切片图像识别方法及装置、设备、存储介质 | |
| Patsanis et al. | CROPro: a tool for automated cropping of prostate magnetic resonance images | |
| CN113935990A (zh) | 一种基于人工智能的胰腺占位eus-fna现场快速细胞病理学评估系统 | |
| CN113838020A (zh) | 一种基于钼靶影像的病变区域量化方法 |
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 |