CN116580011A - 一种深度学习模型的子宫内膜癌全幻灯片图像检测系统 - Google Patents
一种深度学习模型的子宫内膜癌全幻灯片图像检测系统 Download PDFInfo
- Publication number
- CN116580011A CN116580011A CN202310564519.1A CN202310564519A CN116580011A CN 116580011 A CN116580011 A CN 116580011A CN 202310564519 A CN202310564519 A CN 202310564519A CN 116580011 A CN116580011 A CN 116580011A
- Authority
- CN
- China
- Prior art keywords
- digital
- slide image
- deep learning
- training
- learning model
- 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.)
- Pending
Links
- 238000013136 deep learning model Methods 0.000 title claims abstract description 116
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 206010014733 Endometrial cancer Diseases 0.000 title claims abstract description 50
- 206010014759 Endometrial neoplasm Diseases 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 152
- 230000001575 pathological effect Effects 0.000 claims abstract description 109
- 238000012360 testing method Methods 0.000 claims abstract description 99
- 238000011156 evaluation Methods 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000011176 pooling Methods 0.000 claims abstract description 34
- 238000012795 verification Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 210000004881 tumor cell Anatomy 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 206010028980 Neoplasm Diseases 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000035945 sensitivity Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 230000007170 pathology Effects 0.000 claims description 10
- 210000004696 endometrium Anatomy 0.000 claims description 9
- 230000003211 malignant effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 239000003623 enhancer Substances 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000010827 pathological analysis Methods 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000003756 cervix mucus Anatomy 0.000 description 1
- 230000002357 endometrial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，包括：幻灯片数字化图像分类模块，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；网格搜索病理斑块提取模块，从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；深度学习模型优化训练模块，对数字病理斑块使用atrous空间金字塔池化，使模型聚焦于肿瘤细胞；通过自适应矩估计优化器对深度学习模型进行优化，进行数字化幻灯片图像训练集数据训练，获取全卷积神经网络深度学习模型；模型评估全幻灯片图像检测模块，评估全卷积神经网络深度学习模型性能，进行子宫内膜癌全幻灯片图像检测。
Description
技术领域
本发明涉及智能模型图像检测系统技术领域，更具体地说，本发明涉及一种深度学习模型的子宫内膜癌全幻灯片图像检测系统。
背景技术
在临床工作中，病理诊断是子宫内膜癌评估的金标准；子宫内膜癌EC是在世界范围内发病率和死亡率都在不断上升；只有病理做出准确的诊断，才会给出下一步的治疗建议，这导致对病理医生的需求过多，病理医生短缺在中国和全球都存在，病理医生的超负荷工作，会进一步影响了诊断的准确性；子宫内膜癌EC由于日常诊断需求巨大，并且宫腔刮除术或活检获得的标本往往是碎片化的、含有血液甚至宫颈粘液，增加了诊断的复杂性；这些情况对病理诊断造成了相当大的压力；诊断的复杂性和病理医生的缺乏之间构成了一个显著的矛盾；研究如何找到新技术，使病理医生能够专注于感兴趣的区域ROIs是值得的；近年来，人工智能有了巨大的发展，将这一前沿技术应用于病理领域应用于多种器官的病理诊断，可以作为一种筛查工具，提前标记出疑似恶性病变区域；从而提高了诊断准确性，缩短诊断时间；关于深度学习应用于使用全幻灯片图像WSIS进行EC识别，如何通过卷积神经网络CNN来解释子宫内膜标本的苏木精和伊红H&E染色图像斑块、如何对斑块级别的病理图像进行分类，并使用回顾性收集的病例进行模型评估等问题尚待解决；因此，有必要提出一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，以至少部分地解决现有技术中存在的问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明；本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
为至少部分地解决上述问题，本发明提供了一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，包括：
幻灯片数字化图像分类模块，扫描子宫内膜幻灯片获取数字化幻灯片图像；对数字化幻灯片图像根据肿瘤分类标准进行分类，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；
网格搜索病理斑块提取模块，对数字化幻灯片图像进行网格搜索，提取有效组织面积，并分块获取数字图像小块；从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；
深度学习模型优化训练模块，对数字病理斑块使用atrous空间金字塔池化，使模型聚焦于肿瘤细胞；通过自适应矩估计优化器对深度学习模型进行优化，进行数字化幻灯片图像训练集数据训练，获取全卷积神经网络深度学习模型；
模型评估全幻灯片图像检测模块，通过逻辑运算脚本计算统计数据，评估全卷积神经网络深度学习模型性能，进行子宫内膜癌全幻灯片图像检测。
优选的，所述幻灯片数字化图像分类模块包括：
自动缩放数字扫描子模块，通过自动缩放数字幻灯片扫描装置扫描子宫内膜幻灯片获取数字化幻灯片图像；
肿瘤标准训练集合子模块，根据肿瘤分类标准，对数字化幻灯片图像进行分类，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；将数字化幻灯片图像测试集根据数据来源进行分类，获取幻灯片图像回顾性测试集和幻灯片图像前瞻性测试集；
多头显微配合标定子模块，通过多头显微镜数据配合标定，获取数字化幻灯片图像测试集中所有病例的金标准诊断数据。
优选的，所述网格搜索病理斑块提取模块包括：
灰度缩略图处理子模块，通过缩略图处理，获取数字化幻灯片图像缩略图；
阈值参数网格搜索子模块，在数字化幻灯片图像缩略图上，对阈值参数进行网格搜索，提取有效组织面积；
数字病理斑块提取子模块，将数字化幻灯片图像分成320×320像素的数字图像小块；从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；数字病理斑块包括：数字病理恶性斑块及数字病理良性斑块；数字病理恶性斑块数量为891330个；数字病理良性斑块数量为1983966个。
优选的，所述深度学习模型优化训练模块包括：
模型聚焦肿瘤细胞子模块，对数字病理斑块使用atrous空间金字塔池化，并去除图像级池化信息，使模型聚焦于肿瘤细胞；
数字病理斑块增强子模块，对数字病理斑块亮度、数字病理斑块对比度、数字病理斑块色相和数字病理斑块饱和度进行随机化参数增强，获取数字病理斑块增强训练集；
矩估计优化模型训练子模块，通过自适应矩估计优化器对深度学习模型进行优化，获取矩估计优化深度学习模型；通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练，训练完成后获取全卷积神经网络深度学习模型。
优选的，所述模型评估全幻灯片图像检测模块包括：
评价指标逻辑运算子模块，设置模型训练性能评价指标；创建内部逻辑运算脚本，通过逻辑运算脚本计算统计数据；并使用自动绘图绘制训练曲线；
深度学习模型性能评估子模块，评估全卷积神经网络深度学习模型性能，评估成功预测的幻灯片相对于幻灯片总数的准确度比例；评估正确识别的肿瘤与正常切片的百分比；获取全卷积神经网络深度学习模型评估结果；
评估判定调优检测子模块，对全卷积神经网络深度学习模型评估结果进行判定，反馈判定信息进行模型训练过程参数持续调优，进行子宫内膜癌全幻灯片图像检测。
优选的，所述肿瘤标准训练集合子模块包括：
肿瘤分类信息收集单元，通过数据收集肿瘤分类标准信息，获取肿瘤分类标准；
幻灯片图像分类单元，根据肿瘤分类标准，对数字化幻灯片图像进行分类；获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；
测试集来源分类单元，通过数据源分析划分数据来源，将数字化幻灯片图像测试集根据数据来源进行分类，获取幻灯片图像回顾性测试集和幻灯片图像前瞻性测试集。
优选的，所述模型聚焦肿瘤细胞子模块包括：
空间金字塔池化单元，对接DeepLab v3和ResNet-50，采用atrous空间金字塔池化，对多尺度扩张的模型进行多尺度检测；
池化信息去除单元，从atrous空间金字塔池化中去除图像级池化信息，使模型聚焦于肿瘤细胞。
优选的，所述矩估计优化模型训练子模块包括：
端到端机器学习单元，在模型训练服务器上使用端到端机器学习平台进行训练和评估，模型训练服务器具有多核GPU运算处理器；
所述端到端机器学习平台包括：数字病理斑块分类层、数字病理斑块相似度计算层及数字病理斑块筛选层；接收所述模型训练服务器上传的用于进行机器学习模型训练的数据样本和所述机器学习模型的目标功能，所述目标功能包括：数字病理斑块分类、数字病理斑块相似度计算及数字病理斑块筛选；
多核GPU运算处理单元，通过多核GPU运算处理器，运行自适应矩估计优化器对深度学习模型进行优化，获取矩估计优化深度学习模型；
全卷积病理数据训练单元，通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练，训练完成后获取全卷积神经网络深度学习模型。
优选的，所述深度学习模型性能评估子模块包括：
完全连接层去除单元，利用全卷积神经网络，去除完全连接层；通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练；
数据训练推断单元，在数据训练推断阶段，将数字化幻灯片图像中的WSI全视野数字切片划分为2000×2000像素的数字图像小块进行训练推断；输入2200×2200-pixel贴图来进行重叠补丁；选取中间2000×2000-pixel区域进行最终预测；
深度学习最终预测单元，通过滑动阈值法进行ROC曲线概率构造；使用第1000个最高像素级概率作为幻灯片级EC概率；模型最终预测2000×2000像素的EC概率。
优选的，所述评估判定调优检测子模块包括：
评估判定持续调优单元，对全卷积神经网络深度学习模型评估结果进行判定，判定模型训练性能评价指标的模型准确性参数、模型敏感性参数及模型特异性参数；当成功预测的幻灯片相对于幻灯片总数的准确度比例未达到预期准确度比例时或正确识别的肿瘤与正常切片的百分比未达到预期正确百分比时；反馈判定信息进行模型训练过程参数持续调优；
训练评估验证单元，通过模型训练过程参数持续调优，直至成功预测的幻灯片相对于幻灯片总数的准确度比例达到预期准确度比例时，或正确识别的肿瘤与正常切片的百分比达到预期正确百分比时，训练评估验证集验证完成；
模型测试幻灯片检测单元，验证集验证完成后，进行数字化幻灯片图像测试集数据的测试；当幻灯片图像回顾性测试集的回顾性测试集准确性参数、回顾性测试集敏感性参数及回顾性测试集特异性参数，均超过设定回顾性测试集标准参数；或者，当幻灯片图像前瞻性测试集的前瞻性测试集准确性参数、前瞻性测试集敏感性参数及前瞻性测试集特异性参数，均超过设定前瞻性测试集标准参数；数字化幻灯片图像测试集数据的测试完成；进行子宫内膜癌全幻灯片图像检测。
相比现有技术，本发明至少包括以下有益效果：
本发明提供了一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，通过幻灯片数字化图像分类模块，扫描子宫内膜幻灯片获取数字化幻灯片图像；对数字化幻灯片图像根据肿瘤分类标准进行分类，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；网格搜索病理斑块提取模块，对数字化幻灯片图像进行网格搜索，提取有效组织面积，并分块获取数字图像小块；从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；深度学习模型优化训练模块，对数字病理斑块使用atrous空间金字塔池化，使模型聚焦于肿瘤细胞；通过自适应矩估计优化器对深度学习模型进行优化，进行数字化幻灯片图像训练集数据训练，获取全卷积神经网络深度学习模型；模型评估全幻灯片图像检测模块，通过逻辑运算脚本计算统计数据，评估全卷积神经网络深度学习模型性能，进行子宫内膜癌全幻灯片图像检测；该模型在1190个WSIS上对子宫内膜癌和非癌组织进行分类时，在AUC、灵敏度和特异性分别为0.928、0.924和0.801；在两家医院的回顾性数据集上，该模型的AUC、灵敏度和特异性分别为0.948/0.971、0.928/0.947和0.80/0.938；在前瞻性数据集上，AUC、敏感性和特异性依次为0.933、0.934和0.837；能够对预测结果进行深入分析，大幅提高预测准确度；可显著提高诊断模型的精准度；该深度学习模型在使用WSIS识别子宫内膜癌时能达到特别高的准确度；通过对可疑子宫内膜癌区域的预筛查，可显著提高病理诊断工作效率。
本发明所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
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为本发明所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统框架图。
图2为本发明所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统一个实施例图。
图3为本发明所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统另一个实施例图。
图4为本发明所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统一个图像测试集数据的训练测试实施例图。
图5为本发明所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统另一个图像测试集数据的训练测试实施例图。
图6为本发明所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统数据训练判断一个实施例图。
图7为本发明所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统性能评估一个实施例图。
具体实施方式
下面结合附图以及实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书能够据以实施；如图1-图7所示，本发明提供了一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，包括：
幻灯片数字化图像分类模块，扫描子宫内膜幻灯片获取数字化幻灯片图像；对数字化幻灯片图像根据肿瘤分类标准进行分类，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；
网格搜索病理斑块提取模块，对数字化幻灯片图像进行网格搜索，提取有效组织面积，并分块获取数字图像小块；从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；
深度学习模型优化训练模块，对数字病理斑块使用atrous空间金字塔池化，使模型聚焦于肿瘤细胞；通过自适应矩估计优化器对深度学习模型进行优化，进行数字化幻灯片图像训练集数据训练，获取全卷积神经网络深度学习模型；
模型评估全幻灯片图像检测模块，通过逻辑运算脚本计算统计数据，评估全卷积神经网络深度学习模型性能，进行子宫内膜癌全幻灯片图像检测。
上述技术方案的原理及效果为：本发明提供了一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，包括：幻灯片数字化图像分类模块，扫描子宫内膜幻灯片获取数字化幻灯片图像；对数字化幻灯片图像根据肿瘤分类标准进行分类，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；网格搜索病理斑块提取模块，对数字化幻灯片图像进行网格搜索，提取有效组织面积，并分块获取数字图像小块；从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；深度学习模型优化训练模块，对数字病理斑块使用atrous空间金字塔池化，使模型聚焦于肿瘤细胞；通过自适应矩估计优化器对深度学习模型进行优化，进行数字化幻灯片图像训练集数据训练，获取全卷积神经网络深度学习模型；模型评估全幻灯片图像检测模块，通过逻辑运算脚本计算统计数据，评估全卷积神经网络深度学习模型性能，进行子宫内膜癌全幻灯片图像检测；该模型在1190个WSIS上对子宫内膜癌和非癌组织进行分类时，在AUC、灵敏度和特异性分别为0.928、0.924和0.801；在两家医院的回顾性数据集上，该模型的AUC、灵敏度和特异性分别为0.948/0.971、0.928/0.947和0.80/0.938；在前瞻性数据集上，AUC、敏感性和特异性依次为0.933、0.934和0.837；能够对预测结果进行深入分析，大幅提高预测准确度；可显著提高诊断模型的精准度；该深度学习模型在使用WSIS识别子宫内膜癌时能达到特别高的准确度；通过对可疑子宫内膜癌区域的预筛查，可显著提高病理诊断工作效率。
在一个实施例中，所述幻灯片数字化图像分类模块包括：
自动缩放数字扫描子模块，通过自动缩放数字幻灯片扫描装置扫描子宫内膜幻灯片获取数字化幻灯片图像；
肿瘤标准训练集合子模块，根据肿瘤分类标准，对数字化幻灯片图像进行分类，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；将数字化幻灯片图像测试集根据数据来源进行分类，获取幻灯片图像回顾性测试集和幻灯片图像前瞻性测试集；
多头显微配合标定子模块，通过多头显微镜数据配合标定，获取数字化幻灯片图像测试集中所有病例的金标准诊断数据。
上述技术方案的原理及效果为：所述网格搜索病理斑块提取模块包括：自动缩放数字扫描子模块，通过自动缩放数字幻灯片扫描装置扫描子宫内膜幻灯片获取数字化幻灯片图像；肿瘤标准训练集合子模块，根据肿瘤分类标准，对数字化幻灯片图像进行分类，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；将数字化幻灯片图像测试集根据数据来源进行分类，获取幻灯片图像回顾性测试集和幻灯片图像前瞻性测试集；多头显微配合标定子模块，通过多头显微镜数据配合标定，获取数字化幻灯片图像测试集中所有病例的金标准诊断数据；可以使数字化幻灯片图像测试集的诊断数据参照准度大幅提高。
在一个实施例中，所述网格搜索病理斑块提取模块包括：
灰度缩略图处理子模块，通过缩略图处理，获取数字化幻灯片图像缩略图；
阈值参数网格搜索子模块，在数字化幻灯片图像缩略图上，对阈值参数进行网格搜索，提取有效组织面积；
数字病理斑块提取子模块，将数字化幻灯片图像分成320×320像素的数字图像小块；从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；数字病理斑块包括：数字病理恶性斑块及数字病理良性斑块；数字病理恶性斑块数量为891330个；数字病理良性斑块数量为1983966个。
上述技术方案的原理及效果为：所述网格搜索病理斑块提取模块包括：灰度缩略图处理子模块，通过缩略图处理，获取数字化幻灯片图像缩略图；阈值参数网格搜索子模块，在数字化幻灯片图像缩略图上，对阈值参数进行网格搜索，提取有效组织面积；数字病理斑块提取子模块，将数字化幻灯片图像分成320×320像素的数字图像小块；从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；数字病理斑块包括：数字病理恶性斑块及数字病理良性斑块；数字病理恶性斑块数量为891330个；数字病理良性斑块数量为1983966个；能够对预测结果进行深入分析，大幅提高预测准确度。
在一个实施例中，所述深度学习模型优化训练模块包括：
模型聚焦肿瘤细胞子模块，对数字病理斑块使用atrous空间金字塔池化，并去除图像级池化信息，使模型聚焦于肿瘤细胞；
数字病理斑块增强子模块，对数字病理斑块亮度、数字病理斑块对比度、数字病理斑块色相和数字病理斑块饱和度进行随机化参数增强，获取数字病理斑块增强训练集；
矩估计优化模型训练子模块，通过自适应矩估计优化器对深度学习模型进行优化，获取矩估计优化深度学习模型；通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练，训练完成后获取全卷积神经网络深度学习模型。
上述技术方案的原理及效果为：所述深度学习模型优化训练模块包括：模型聚焦肿瘤细胞子模块，对数字病理斑块使用atrous空间金字塔池化，并去除图像级池化信息，使模型聚焦于肿瘤细胞；数字病理斑块增强子模块，对数字病理斑块亮度、数字病理斑块对比度、数字病理斑块色相和数字病理斑块饱和度进行随机化参数增强，获取数字病理斑块增强训练集；矩估计优化模型训练子模块，通过自适应矩估计优化器对深度学习模型进行优化，获取矩估计优化深度学习模型；通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练，训练完成后获取全卷积神经网络深度学习模型；可显著提高诊断模型的精准度。
在一个实施例中，所述模型评估全幻灯片图像检测模块包括：
评价指标逻辑运算子模块，设置模型训练性能评价指标；创建内部逻辑运算脚本，通过逻辑运算脚本计算统计数据；并使用自动绘图绘制训练曲线；
深度学习模型性能评估子模块，评估全卷积神经网络深度学习模型性能，评估成功预测的幻灯片相对于幻灯片总数的准确度比例；评估正确识别的肿瘤与正常切片的百分比；获取全卷积神经网络深度学习模型评估结果；
评估判定调优检测子模块，对全卷积神经网络深度学习模型评估结果进行判定，反馈判定信息进行模型训练过程参数持续调优，进行子宫内膜癌全幻灯片图像检测。
上述技术方案的原理及效果为：所述模型评估全幻灯片图像检测模块包括：评价指标逻辑运算子模块，设置模型训练性能评价指标；创建内部逻辑运算脚本，通过逻辑运算脚本计算统计数据；并使用自动绘图绘制训练曲线；深度学习模型性能评估子模块，评估全卷积神经网络深度学习模型性能，评估成功预测的幻灯片相对于幻灯片总数的准确度比例；评估正确识别的肿瘤与正常切片的百分比；获取全卷积神经网络深度学习模型评估结果；评估判定调优检测子模块，对全卷积神经网络深度学习模型评估结果进行判定，反馈判定信息进行模型训练过程参数持续调优，进行子宫内膜癌全幻灯片图像检测；能达到特别高的准确度。
在一个实施例中，所述肿瘤标准训练集合子模块包括：
肿瘤分类信息收集单元，通过数据收集肿瘤分类标准信息，获取肿瘤分类标准；
幻灯片图像分类单元，根据肿瘤分类标准，对数字化幻灯片图像进行分类；获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；
测试集来源分类单元，通过数据源分析划分数据来源，将数字化幻灯片图像测试集根据数据来源进行分类，获取幻灯片图像回顾性测试集和幻灯片图像前瞻性测试集。
上述技术方案的原理及效果为：所述肿瘤标准训练集合子模块包括：肿瘤分类信息收集单元，通过数据收集肿瘤分类标准信息，获取肿瘤分类标准；幻灯片图像分类单元，根据肿瘤分类标准，对数字化幻灯片图像进行分类；获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；测试集来源分类单元，通过数据源分析划分数据来源，将数字化幻灯片图像测试集根据数据来源进行分类，获取幻灯片图像回顾性测试集和幻灯片图像前瞻性测试集；幻灯片图像分类更详细，数据集数据来源信息更全面。
在一个实施例中，所述模型聚焦肿瘤细胞子模块包括：
空间金字塔池化单元，对接DeepLab v3和ResNet-50，采用atrous空间金字塔池化，对多尺度扩张的模型进行多尺度检测；
池化信息去除单元，从atrous空间金字塔池化中去除图像级池化信息，使模型聚焦于肿瘤细胞。
上述技术方案的原理及效果为：所述模型聚焦肿瘤细胞子模块包括：空间金字塔池化单元，对接DeepLab v3和ResNet-50，采用atrous空间金字塔池化，对多尺度扩张的模型进行多尺度检测；池化信息去除单元，从atrous空间金字塔池化中去除图像级池化信息，使模型聚焦于肿瘤细胞；能够大幅提高模型效率和精准度。
在一个实施例中，所述矩估计优化模型训练子模块包括：
端到端机器学习单元，在模型训练服务器上使用端到端机器学习平台进行训练和评估，模型训练服务器具有多核GPU运算处理器；
所述端到端机器学习平台包括：数字病理斑块分类层、数字病理斑块相似度计算层及数字病理斑块筛选层；接收所述模型训练服务器上传的用于进行机器学习模型训练的数据样本和所述机器学习模型的目标功能，所述目标功能包括：数字病理斑块分类、数字病理斑块相似度计算及数字病理斑块筛选；
多核GPU运算处理单元，通过多核GPU运算处理器，运行自适应矩估计优化器对深度学习模型进行优化，获取矩估计优化深度学习模型；
全卷积病理数据训练单元，通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练，训练完成后获取全卷积神经网络深度学习模型。
上述技术方案的原理及效果为：所述矩估计优化模型训练子模块包括：端到端机器学习单元，在模型训练服务器上使用端到端机器学习平台进行训练和评估，模型训练服务器具有多核GPU运算处理器；所述端到端机器学习平台包括：数字病理斑块分类层、数字病理斑块相似度计算层及数字病理斑块筛选层；接收所述模型训练服务器上传的用于进行机器学习模型训练的数据样本和所述机器学习模型的目标功能，所述目标功能包括：数字病理斑块分类、数字病理斑块相似度计算及数字病理斑块筛选；多核GPU运算处理单元，通过多核GPU运算处理器，运行自适应矩估计优化器对深度学习模型进行优化，获取矩估计优化深度学习模型；全卷积病理数据训练单元，通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练，训练完成后获取全卷积神经网络深度学习模型；能够进行多核GPU运算及多层处理，使自适应矩估计优化速度更快，使模型训练效率大幅提高。
在一个实施例中，所述深度学习模型性能评估子模块包括：
完全连接层去除单元，利用全卷积神经网络，去除完全连接层；通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练；
数据训练推断单元，在数据训练推断阶段，将数字化幻灯片图像中的WSI全视野数字切片划分为2000×2000像素的数字图像小块进行训练推断；输入2200×2200-pixel贴图来进行重叠补丁；选取中间2000×2000-pixel区域进行最终预测；
深度学习最终预测单元，通过滑动阈值法进行ROC曲线概率构造；使用第1000个最高像素级概率作为幻灯片级EC概率；模型最终预测2000×2000像素的EC概率。
上述技术方案的原理及效果为：所述深度学习模型性能评估子模块包括：完全连接层去除单元，利用全卷积神经网络，去除完全连接层；通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练；数据训练推断单元，在数据训练推断阶段，将数字化幻灯片图像中的WSI全视野数字切片划分为2000×2000像素的数字图像小块进行训练推断；输入2200×2200-pixel贴图来进行重叠补丁；选取中间2000×2000-pixel区域进行最终预测；深度学习最终预测单元，通过滑动阈值法进行ROC曲线概率构造；使用第1000个最高像素级概率作为幻灯片级EC概率；模型最终预测2000×2000像素的EC概率；计算数字图像小块与pixel贴图进行重叠补丁的评价因子：
其中，PJYmn表示数字图像小块与pixel贴图进行重叠补丁的评价因子，BTm,n表示数字图像小块的边缘信息保留值，QTm,n表示数字图像小块的边缘强度值，BPm,n表示pixel贴图的边缘信息保留值，QPm,n表示pixel贴图的边缘强度值，M×N表示图像像素值2000×2000，m表示图像像素值第m个像素点，n表示图像像素值第n个像素点；通过计算数字图像小块与pixel贴图进行重叠补丁的评价因子，数字图像小块与pixel贴图进行重叠补丁的评价因子的取值范围为0到1之间，通过中值滤波增大边缘信息保留值，使数字图像小块与pixel贴图进行重叠补丁的评价因子值在取值范围内越接近1，则数字图像小块与pixel贴图的融合图像保留源图像边缘信息越多重叠补丁融合效果显著变好。
在一个实施例中，所述评估判定调优检测子模块包括：
评估判定持续调优单元，对全卷积神经网络深度学习模型评估结果进行判定，判定模型训练性能评价指标的模型准确性参数、模型敏感性参数及模型特异性参数；当成功预测的幻灯片相对于幻灯片总数的准确度比例未达到预期准确度比例时或正确识别的肿瘤与正常切片的百分比未达到预期正确百分比时；反馈判定信息进行模型训练过程参数持续调优；
训练评估验证单元，通过模型训练过程参数持续调优，直至成功预测的幻灯片相对于幻灯片总数的准确度比例达到预期准确度比例时，或正确识别的肿瘤与正常切片的百分比达到预期正确百分比时，训练评估验证集验证完成；
模型测试幻灯片检测单元，验证集验证完成后，进行数字化幻灯片图像测试集数据的测试；当幻灯片图像回顾性测试集的回顾性测试集准确性参数、回顾性测试集敏感性参数及回顾性测试集特异性参数，均超过设定回顾性测试集标准参数；或者，当幻灯片图像前瞻性测试集的前瞻性测试集准确性参数、前瞻性测试集敏感性参数及前瞻性测试集特异性参数，均超过设定前瞻性测试集标准参数；数字化幻灯片图像测试集数据的测试完成；进行子宫内膜癌全幻灯片图像检测。
上述技术方案的原理及效果为：所述评估判定调优检测子模块包括：评估判定持续调优单元，对全卷积神经网络深度学习模型评估结果进行判定，判定模型训练性能评价指标的模型准确性参数、模型敏感性参数及模型特异性参数；当成功预测的幻灯片相对于幻灯片总数的准确度比例未达到预期准确度比例时或正确识别的肿瘤与正常切片的百分比未达到预期正确百分比时；反馈判定信息进行模型训练过程参数持续调优；训练评估验证单元，通过模型训练过程参数持续调优，直至成功预测的幻灯片相对于幻灯片总数的准确度比例达到预期准确度比例时，或正确识别的肿瘤与正常切片的百分比达到预期正确百分比时，训练评估验证集验证完成；模型测试幻灯片检测单元，验证集验证完成后，进行数字化幻灯片图像测试集数据的测试；当幻灯片图像回顾性测试集的回顾性测试集准确性参数、回顾性测试集敏感性参数及回顾性测试集特异性参数，均超过设定回顾性测试集标准参数；或者，当幻灯片图像前瞻性测试集的前瞻性测试集准确性参数、前瞻性测试集敏感性参数及前瞻性测试集特异性参数，均超过设定前瞻性测试集标准参数；数字化幻灯片图像测试集数据的测试完成；进行子宫内膜癌全幻灯片图像检测；通过对可疑子宫内膜癌区域的预筛查，可显著提高病理诊断工作效率。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节与这里示出与描述的图例。
Claims (10)
1.一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，包括：
幻灯片数字化图像分类模块，扫描子宫内膜幻灯片获取数字化幻灯片图像；对数字化幻灯片图像根据肿瘤分类标准进行分类，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；
网格搜索病理斑块提取模块，对数字化幻灯片图像进行网格搜索，提取有效组织面积，并分块获取数字图像小块；从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；
深度学习模型优化训练模块，对数字病理斑块使用atrous空间金字塔池化，使模型聚焦于肿瘤细胞；通过自适应矩估计优化器对深度学习模型进行优化，进行数字化幻灯片图像训练集数据训练，获取全卷积神经网络深度学习模型；
模型评估全幻灯片图像检测模块，通过逻辑运算脚本计算统计数据，评估全卷积神经网络深度学习模型性能，进行子宫内膜癌全幻灯片图像检测。
2.根据权利要求1所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，所述幻灯片数字化图像分类模块包括：
自动缩放数字扫描子模块，通过自动缩放数字幻灯片扫描装置扫描子宫内膜幻灯片获取数字化幻灯片图像；
肿瘤标准训练集合子模块，根据肿瘤分类标准，对数字化幻灯片图像进行分类，获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；将数字化幻灯片图像测试集根据数据来源进行分类，获取幻灯片图像回顾性测试集和幻灯片图像前瞻性测试集；
多头显微配合标定子模块，通过多头显微镜数据配合标定，获取数字化幻灯片图像测试集中所有病例的金标准诊断数据。
3.根据权利要求1所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，所述网格搜索病理斑块提取模块包括：
灰度缩略图处理子模块，通过缩略图处理，获取数字化幻灯片图像缩略图；
阈值参数网格搜索子模块，在数字化幻灯片图像缩略图上，对阈值参数进行网格搜索，提取有效组织面积；
数字病理斑块提取子模块，将数字化幻灯片图像分成320×320像素的数字图像小块；从数字图像小块的有效组织面积中并排非重叠提取数字病理斑块；数字病理斑块包括：数字病理恶性斑块及数字病理良性斑块；数字病理恶性斑块数量为891330个；数字病理良性斑块数量为1983966个。
4.根据权利要求1所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，所述深度学习模型优化训练模块包括：
模型聚焦肿瘤细胞子模块，对数字病理斑块使用atrous空间金字塔池化，并去除图像级池化信息，使模型聚焦于肿瘤细胞；
数字病理斑块增强子模块，对数字病理斑块亮度、数字病理斑块对比度、数字病理斑块色相和数字病理斑块饱和度进行随机化参数增强，获取数字病理斑块增强训练集；
矩估计优化模型训练子模块，通过自适应矩估计优化器对深度学习模型进行优化，获取矩估计优化深度学习模型；通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练，训练完成后获取全卷积神经网络深度学习模型。
5.根据权利要求1所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，所述模型评估全幻灯片图像检测模块包括：
评价指标逻辑运算子模块，设置模型训练性能评价指标；创建内部逻辑运算脚本，通过逻辑运算脚本计算统计数据；并使用自动绘图绘制训练曲线；
深度学习模型性能评估子模块，评估全卷积神经网络深度学习模型性能，评估成功预测的幻灯片相对于幻灯片总数的准确度比例；评估正确识别的肿瘤与正常切片的百分比；获取全卷积神经网络深度学习模型评估结果；
评估判定调优检测子模块，对全卷积神经网络深度学习模型评估结果进行判定，反馈判定信息进行模型训练过程参数持续调优，进行子宫内膜癌全幻灯片图像检测。
6.根据权利要求2所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，所述肿瘤标准训练集合子模块包括：
肿瘤分类信息收集单元，通过数据收集肿瘤分类标准信息，获取肿瘤分类标准；
幻灯片图像分类单元，根据肿瘤分类标准，对数字化幻灯片图像进行分类；获取数字化幻灯片图像训练集、数字化幻灯片图像验证集及数字化幻灯片图像测试集；
测试集来源分类单元，通过数据源分析划分数据来源，将数字化幻灯片图像测试集根据数据来源进行分类，获取幻灯片图像回顾性测试集和幻灯片图像前瞻性测试集。
7.根据权利要求4所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，所述模型聚焦肿瘤细胞子模块包括：
空间金字塔池化单元，对接DeepLab v3和ResNet-50，采用atrous空间金字塔池化，对多尺度扩张的模型进行多尺度检测；
池化信息去除单元，从atrous空间金字塔池化中去除图像级池化信息，使模型聚焦于肿瘤细胞。
8.根据权利要求4所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，所述矩估计优化模型训练子模块包括：
端到端机器学习单元，在模型训练服务器上使用端到端机器学习平台进行训练和评估，模型训练服务器具有多核GPU运算处理器；
所述端到端机器学习平台包括：数字病理斑块分类层、数字病理斑块相似度计算层及数字病理斑块筛选层；接收所述模型训练服务器上传的用于进行机器学习模型训练的数据样本和所述机器学习模型的目标功能，所述目标功能包括：数字病理斑块分类、数字病理斑块相似度计算及数字病理斑块筛选；
多核GPU运算处理单元，通过多核GPU运算处理器，运行自适应矩估计优化器对深度学习模型进行优化，获取矩估计优化深度学习模型；
全卷积病理数据训练单元，通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练，训练完成后获取全卷积神经网络深度学习模型。
9.根据权利要求5所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，所述深度学习模型性能评估子模块包括：
完全连接层去除单元，利用全卷积神经网络，去除完全连接层；通过矩估计优化深度学习模型利用全卷积神经网络对数字病理斑块增强训练集进行数据训练；
数据训练推断单元，在数据训练推断阶段，将数字化幻灯片图像中的WSI全视野数字切片划分为2000×2000像素的数字图像小块进行训练推断；输入2200×2200-pixel贴图来进行重叠补丁；选取中间2000×2000-pixel区域进行最终预测；
深度学习最终预测单元，通过滑动阈值法进行ROC曲线概率构造；使用第1000个最高像素级概率作为幻灯片级EC概率；模型最终预测2000×2000像素的EC概率。
10.根据权利要求5所述的一种深度学习模型的子宫内膜癌全幻灯片图像检测系统，其特征在于，所述评估判定调优检测子模块包括：
评估判定持续调优单元，对全卷积神经网络深度学习模型评估结果进行判定，判定模型训练性能评价指标的模型准确性参数、模型敏感性参数及模型特异性参数；当成功预测的幻灯片相对于幻灯片总数的准确度比例未达到预期准确度比例时或正确识别的肿瘤与正常切片的百分比未达到预期正确百分比时；反馈判定信息进行模型训练过程参数持续调优；
训练评估验证单元，通过模型训练过程参数持续调优，直至成功预测的幻灯片相对于幻灯片总数的准确度比例达到预期准确度比例时，或正确识别的肿瘤与正常切片的百分比达到预期正确百分比时，训练评估验证集验证完成；
模型测试幻灯片检测单元，验证集验证完成后，进行数字化幻灯片图像测试集数据的测试；当幻灯片图像回顾性测试集的回顾性测试集准确性参数、回顾性测试集敏感性参数及回顾性测试集特异性参数，均超过设定回顾性测试集标准参数；或者，当幻灯片图像前瞻性测试集的前瞻性测试集准确性参数、前瞻性测试集敏感性参数及前瞻性测试集特异性参数，均超过设定前瞻性测试集标准参数；数字化幻灯片图像测试集数据的测试完成；进行子宫内膜癌全幻灯片图像检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310564519.1A CN116580011A (zh) | 2023-05-19 | 2023-05-19 | 一种深度学习模型的子宫内膜癌全幻灯片图像检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310564519.1A CN116580011A (zh) | 2023-05-19 | 2023-05-19 | 一种深度学习模型的子宫内膜癌全幻灯片图像检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116580011A true CN116580011A (zh) | 2023-08-11 |
Family
ID=87537348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310564519.1A Pending CN116580011A (zh) | 2023-05-19 | 2023-05-19 | 一种深度学习模型的子宫内膜癌全幻灯片图像检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116580011A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335668A (zh) * | 2019-05-22 | 2019-10-15 | 台州市中心医院（台州学院附属医院） | 基于深度学习的甲状腺癌细胞病理图辅助分析方法及系统 |
| CN111462076A (zh) * | 2020-03-31 | 2020-07-28 | 湖南国科智瞳科技有限公司 | 一种全切片数字病理图像模糊区域检测方法及系统 |
| WO2022100034A1 (zh) * | 2020-11-10 | 2022-05-19 | 广州柏视医疗科技有限公司 | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 |
| US20220188573A1 (en) * | 2020-12-10 | 2022-06-16 | Wuhan University | End-to-End Attention Pooling-Based Classification Method for Histopathology Images |
| CN114743672A (zh) * | 2022-03-18 | 2022-07-12 | 南昌市高新区人民医院(南昌大学第一附属医院高新医院) | 一种nsclc淋巴结转移风险的智能预测方法及系统 |
| CN115527204A (zh) * | 2022-09-20 | 2022-12-27 | 湖南大学 | 一种框架辅助肝癌组织全幻灯片的肿瘤微环境分析方法 |
-
2023
- 2023-05-19 CN CN202310564519.1A patent/CN116580011A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335668A (zh) * | 2019-05-22 | 2019-10-15 | 台州市中心医院（台州学院附属医院） | 基于深度学习的甲状腺癌细胞病理图辅助分析方法及系统 |
| CN111462076A (zh) * | 2020-03-31 | 2020-07-28 | 湖南国科智瞳科技有限公司 | 一种全切片数字病理图像模糊区域检测方法及系统 |
| WO2022100034A1 (zh) * | 2020-11-10 | 2022-05-19 | 广州柏视医疗科技有限公司 | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 |
| US20220188573A1 (en) * | 2020-12-10 | 2022-06-16 | Wuhan University | End-to-End Attention Pooling-Based Classification Method for Histopathology Images |
| CN114743672A (zh) * | 2022-03-18 | 2022-07-12 | 南昌市高新区人民医院(南昌大学第一附属医院高新医院) | 一种nsclc淋巴结转移风险的智能预测方法及系统 |
| CN115527204A (zh) * | 2022-09-20 | 2022-12-27 | 湖南大学 | 一种框架辅助肝癌组织全幻灯片的肿瘤微环境分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邵汇昱: "基于残差网络和注意力机制的子宫内膜癌病理图像分析", 中国优秀硕士学位论文数据库, no. 3, pages 20 - 46 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Salvi et al. | The impact of pre-and post-image processing techniques on deep learning frameworks: A comprehensive review for digital pathology image analysis | |
| KR102108050B1 (ko) | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 | |
| US10192099B2 (en) | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
| CN111985536A (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| Bai et al. | Automatic segmentation of cervical region in colposcopic images using K-means | |
| CN112862808A (zh) | 一种基于深度学习的乳腺癌超声图像的可解释性识别方法 | |
| CN111415352B (zh) | 一种基于深度级联网络的癌转移全景病理切片分析方法 | |
| CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
| CN112580748A (zh) | 一种对Ki67染色图像癌细胞计数的方法 | |
| CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
| WO2022093510A1 (en) | Identifying auto-fluorescent artifacts in a multiplexed immunofluorescent image | |
| CN115205588A (zh) | 基于人工智能的膀胱癌肌层浸润病理辅助诊断方法及装置 | |
| CN114743672A (zh) | 一种nsclc淋巴结转移风险的智能预测方法及系统 | |
| CN113160175B (zh) | 一种基于级联网络的肿瘤淋巴管浸润检测方法 | |
| KR20220144687A (ko) | 듀얼 어텐션 다중 인스턴스 학습 방법 | |
| CN114926486B (zh) | 一种基于多层级改进的甲状腺超声图像智能分割方法 | |
| CN116580011A (zh) | 一种深度学习模型的子宫内膜癌全幻灯片图像检测系统 | |
| CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
| CN114140445A (zh) | 基于重点关注区域提取的乳腺癌病理图像识别方法 | |
| CN109948706B (zh) | 结合深度学习与特征多尺度融合的微钙化簇检测方法 | |
| CN116705289B (zh) | 基于语义分割网络的宫颈病理诊断装置 | |
| Hradel et al. | Interpretable diagnosis of breast cancer from histological images using Siamese neural networks | |
| Chen et al. | What can machine vision do for lymphatic histopathology image analysis: a comprehensive review |
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 |