CN116783662A - 对病理样本提供判断结果的人工神经网络的学习方法及执行其的计算系统 - Google Patents
对病理样本提供判断结果的人工神经网络的学习方法及执行其的计算系统 Download PDFInfo
- Publication number
- CN116783662A CN116783662A CN202280009439.3A CN202280009439A CN116783662A CN 116783662 A CN116783662 A CN 116783662A CN 202280009439 A CN202280009439 A CN 202280009439A CN 116783662 A CN116783662 A CN 116783662A
- Authority
- CN
- China
- Prior art keywords
- image
- pathology
- neural network
- pathological
- learning data
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 127
- 230000001575 pathological effect Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000007170 pathology Effects 0.000 claims abstract description 130
- 239000012128 staining reagent Substances 0.000 claims abstract description 24
- 238000010186 staining Methods 0.000 claims abstract description 18
- 230000003902 lesion Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000003153 chemical reaction reagent Substances 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 claims 2
- 201000010099 disease Diseases 0.000 abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 7
- 206010028980 Neoplasm Diseases 0.000 description 18
- 238000003364 immunohistochemistry Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004393 prognosis Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 238000011532 immunohistochemical staining Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 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
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002865 immune cell Anatomy 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009257 reactivity Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development 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
- 238000010191 image analysis Methods 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
Classifications
-
- 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
- G06N3/09—Supervised learning
-
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioethics (AREA)
Abstract
本发明涉及可通过利用不同的多种染色试剂分别对与单一样本相关的连续的多个切片(serial sections)进行染色的多个病理标本学习人工神经网络来对疾病执行高准确度判断的方法及执行其的计算系统。根据本发明的一实施方式,本发明所提供的人工神经网络学习方法包括如下步骤:神经网络学习系统生成包含M个单个学习数据(其中,M为2以上的自然数)的学习数据集;以及上述神经网络学习系统基于上述学习数据集学习上述人工神经网络,生成包含上述M个单个学习数据的学习数据集的步骤包括如下步骤,即,对于1≤m≤M的所有m,生成将要包含在上述学习数据集的第m学习数据,生成上述第m学习数据的步骤包括如下步骤:获取第一病理标本图像至第N病理标本图像(其中,N为2以上的自然数),其中,上述第一病理标本图像至第N病理标本图像为用不同的染色试剂对与单一病理样本相关的连续的切片(serial section)进行染色的病理标本图像;以及基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据。
Description
技术领域
本发明涉及一种对病理样本提供判断结果的人工神经网络的学习方法及执行其的计算系统。更详细地,涉及可通过利用用不同的多种染色试剂分别对与单一样本相关的连续的多个切片(serial sections)进行染色的多个病理标本学习人工神经网络来对疾病执行高准确度判断的方法及执行其的计算系统。
背景技术
通常,将在肿瘤周边与肿瘤细胞起到相互作用并对肿瘤的增殖产生影响的多个相邻细胞称作肿瘤微细环境。对于肿瘤微细环境的研究对癌症当前状态的诊断、预后以及掌握对于特定治疗方法的反应性并研发新治疗方法意义重大。
以往,为了分析肿瘤微细环境而使用了免疫组织化学(immunohistochemistry;以下称作IHC)染色试剂,其将预计存在于肿瘤微细环境内的特定免疫细胞或蛋白质作为目标。即,用特定目标的IHC染色试剂对病理样本进行染色,病理专家通过光学显微镜肉眼判断染色结果,来掌握多个目标的位置关系并计算量。在此情况下,由于需要综合观察多种免疫细胞或蛋白质来进行判断,因而制作了由与单一样本相关的连续的多个切片(serialsections)构成的多个标本,分别用H&E以及多种目标IHC染色试剂进行染色后分别由病理专家判断并综合判断结果。由于构成肿瘤微细环境的多种要素的位置关系非常重要,因而这种方式的分析存在局限性,为了打破这种局限性,出现了一次性对多种目标进行染色的multiplex IHC方式的染色方法,但其费用不菲,也没有得到普及。
另一方面,使用深度学习,尤其通过使用卷积神经网络(convolutional neuralnetwork;CNN)的病理标本图像分析来进行癌症当前状态的诊断、基于病重程度的预后,对于特定IHC染色结果的计测等的技术得到研发并投入使用。当前开发的多种技术将单一染色病理标本图像作为对象,分析结果将以特定分类或数值形态提供,因而通过简单的组合掌握将位置关系包括在内的肿瘤微细环境并不容易。例如,根据现有的专利(JP6650453B2),虽然为了癌症的预后而使用由连续的多个切片构成的标本图像,但将对单独分析各个标本图像的结果分数进行综合来判断预后,并不会进行对所有标本图像的位置关系进行综合的分析。
因此,需要一种以将位置关系包括在内的方式对由与单一样本相关的连续的多个切片构成的多种染色标本进行综合分析的技术思想,以可在不使用multiplex IHC方法的情况下分析肿瘤微细环境。
现有技术文献
专利文献
日本授权公报JP6650453 B2
发明内容
技术问题
本发明的目的在于提供如下的方法及系统,即,通过利用分别用H&E或多种目标IHC染色试剂等对与单一样本相关的连续的多个切片进行染色的多个病理标本学习人工神经网络,可使得学习后的人工神经网络综合分析肿瘤微细环境,从而能够以高准确度进行癌症当前状态的诊断、预后以及掌握对于特定治疗方法的反应性。
技术方案
根据本发明的一实施方式,本发明提供一种人工神经网络学习方法,用于学习人工神经网络,其包括如下步骤:神经网络学习系统生成包含M个单个学习数据(其中,M为2以上的自然数)的学习数据集;以及上述神经网络学习系统基于上述学习数据集学习上述人工神经网络,生成包含上述M个单个学习数据的学习数据集的步骤包括如下步骤,即,对于1≤m≤M的所有m,生成将要包含在上述学习数据集的第m学习数据,生成上述第m学习数据的步骤包括如下步骤:获取第一病理标本图像至第N病理标本图像(其中,N为2以上的自然数),其中,上述第一病理标本图像至第N病理标本图像为用不同的染色试剂对与单一病理样本相关的连续的切片进行染色的病理标本图像;以及基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据。
在一实施例中,基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据的步骤可包括如下步骤,即,通过通道堆叠(channel stacking)来将上述第一病理标本图像至上述第N病理标本图像变换成一个多通道图像,上述第m学习数据可包含上述多通道图像。
在一实施例中,上述学习数据可包括N个通道,通过通道堆叠来将上述第一病理标本图像至上述第N病理标本图像变换成一个多通道图像的步骤可包括如下步骤,即,对于1≤n≤N的所有自然数n,用第N病理标本图像的各个像素值构成上述多通道图像的第N通道。
在一实施例中,基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据的步骤可包括如下步骤:指定上述第一病理标本图像至上述第N病理标本图像内存在的生物体组织区域;以使分别存在于上述第一病理标本图像至上述第N病理标本图像的生物体组织区域之间的位置及形态相一致的方式整合上述第一病理标本图像至上述第N病理标本图像;以及通过通道堆叠来将整合的上述第一病理标本图像至整合的上述第N病理标本图像变换成一个多通道图像,上述第m学习数据可包含上述多通道图像。
在一实施例中,上述学习数据可包括N个通道,通过通道堆叠来将整合的上述第一病理标本图像至整合的上述第N病理标本图像变换成一个多通道图像的步骤可包括如下步骤,即,对于1≤n≤N的所有自然数n,用整合的第N病理标本图像的各个像素值构成上述多通道图像的第N通道。
在一实施例中,以使分别存在于上述第一病理标本图像至上述第N病理标本图像的生物体组织区域之间的位置及形态相一致的方式整合上述第一病理标本图像至上述第N病理标本图像的步骤可包括如下步骤,即,对于1≤i≤N的所有自然数i,计算与第i病理标本图像相对应的变换关系,(其中,与上述第i病理标本图像相对应的变换关系为上述第i病理标本图像和与之相对应的整合的第i病理标本图像之间的变换关系),基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据的步骤还可包括如下步骤:对于1≤j≤N的所有自然数j,利用与上述第j病理标本图像相对应的变换关系来对向第j病理标本图像赋予的病变注释区域进行变形;以及通过通道堆叠来将变形的上述第一病理标本图像的病变注释区域至变形的上述第N病理标本图像的病变注释区域变换成一个多通道病变注释区域,上述第m学习数据还可包含上述多通道病变注释区域。
根据本发明的再一实施方式,本发明提供一种方法,通过经上述人工神经网络学习方法学习的人工神经网络来对规定的判断对象病理样本提供判断结果,其包括如下步骤:计算系统获取第一判断对象病理标本图像至第N判断对象病理标本图像(其中,N为2以上的自然数),其中,上述第一判断对象病理标本图像至上述第N判断对象病理标本图像为用不同的染色试剂对与上述判断对象病理样本相关的连续的切片进行染色的病理标本图像;以及上述计算系统输出上述人工神经网络基于上述第一判断对象病理标本图像至上述第N判断对象病理标本图像判断的与上述判断对象病理样本相关的判断结果。
根据本发明的还有一实施方式,本发明提供一种计算机程序,记录在设置于数据处理装置并用于执行上述方法的介质。
根据本发明的另一实施方式,本发明提供一种计算机可读记录介质,记录有用于执行上述方法的计算机程序。
根据本发明的又一实施方式,本发明提供一种人工神经网络学习系统,其包括:处理器;以及存储器,用于存储计算机程序,在上述计算机程序由上述处理器运行的情况下,将使上述计算系统执行学习人工神经网络的方法,上述人工神经网络学习系统执行如下步骤:神经网络学习系统生成包含M个单个学习数据(其中,M为2以上的自然数)的学习数据集;以及上述神经网络学习系统基于上述学习数据集学习上述人工神经网络,生成包含上述M个单个学习数据的学习数据集的步骤包括如下步骤,即,对于1≤m≤M的所有m,生成将要包含在上述学习数据集的第m学习数据,生成上述第m学习数据的步骤包括如下步骤:获取第一病理标本图像至第N病理标本图像(其中,N为2以上的自然数),其中,上述第一病理标本图像至第N病理标本图像为用不同的染色试剂对与单一病理样本相关的连续的切片进行染色的病理标本图像;以及基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据。
根据本发明的又一实施方式,本发明提供一种对病理样本提供判断结果的系统,其包括:处理器;以及存储器,用于存储计算机程序,在上述计算机程序由上述处理器运行的情况下,将使上述计算系统通过经上述人工神经网络学习方法学习的人工神经网络执行对病理样本提供判断结果的方法,提供上述判断结果的方法包括如下步骤:获取第一判断对象病理标本图像至第N判断对象病理标本图像(其中,N为2以上的自然数),其中,上述第一判断对象病理标本图像至上述第N判断对象病理标本图像为用不同的染色试剂对与规定的判断对象病理样本相关的连续的切片进行染色的病理标本图像;以及输出上述人工神经网络基于上述第一判断对象病理标本图像至上述第N判断对象病理标本图像判断的与上述判断对象病理样本相关的判断结果。
发明的效果
根据本发明的技术思想,本发明可提供如下的方法及系统,即,通过利用分别用H&E或多种目标IHC染色试剂等对与单一样本相关的连续的多个切片进行染色的多个病理标本学习人工神经网络,可使得学习后的人工神经网络综合分析肿瘤微细环境,从而能够以高准确度进行癌症当前状态的诊断、预后以及掌握对于特定治疗方法的反应性。
并且,根据本发明的技术思想,重叠利用通过广泛使用的方法生成的多张病理标本图像,以代替multiplex IHC等的高费用的未普及的方法,从而得到与multiplex IHC相似的效果,并且,通过滤色来避免有可能在按目标分离位置信息的过程中对multiplex IHC结果产生的错误,从而可提高肿瘤微细环境分析的准确度。
附图说明
为了更充分理解引用到本发明的详细说明中的附图,提供对于各个附图的附图说明。
图1为简要示出执行本发明的技术思想的人工神经网络学习方法及对病理样本提供判断结果的方法的环境的图。
图2为用于说明本发明一实施例的神经网络学习方法的流程图。
图3为示出由通过通道堆叠来以RGB颜色模型表达的多个病理标本图像生成的一个多通道图像的图。
图4为示出本发明一实施例的生成单个学习数据的过程的一例的图。
图5为示出本发明一实施例的对病理样本提供判断结果的方法的一例的流程图。
图6为示出本发明一实施例的人工神经网络学习系统的简要结构的图,图7为示出本发明一实施例的判断结果提供系统的简要结构的图。
具体实施方式
本发明可实现多种变更,可有多种实施例,将在附图中例示特定实施例并在详细说明部分进行详细说明。但是,这并不属于将本发明限定于特定实施方式,应理解为包含本发明的思想及技术范围内的所有变更、等同技术方案乃至代替技术方案。在对本发明进行说明的过程中,若判断为对于相关公知技术的具体说明有可能使本发明的主旨变得模糊,则省略其详细说明。
“第一”、“第二”等术语可用于说明多个结构要素,上述多个结构要素并不限定于上述术语。“第一”、“第二”等术语并不表示特定顺序,仅用于区分一个结构要素和其他结构要素。
在本申请中使用的术语仅用于说明特定实施例,并不用于限定本发明。只要未在文脉上明确表示不同的含义,则单数的表达包含复数的表达。
在本说明书中,“包括”或“具有”等术语仅用于指定说明书中所记载的特征、数字、步骤、动作、结构要素、部件或它们的组合的存在,不应理解为预先排除一个或一个以上的其他特征、数字、步骤、动作、结构要素、部件或它们的组合的存在或附加可能性。
并且,在本说明书中,某一结构要素向其他结构要素“传输”数据这意味着上述结构要素可向上述其他结构要素直接传输上述数据,也可通过至少一个另外的结构要素向上述其他结构要素传输上述数据。相反,某一结构要素向其他结构要素“直接传输”数据这意味着以不经过另外的结构要素的方式直接从上述结构要素向上述其他结构要素传输上述数据。
以下,参照附图来以本发明的多个实施例为中心详细说明本发明的多个实施例。附图中所示的相同的附图标记表示相同的部件。
图1为简要示出执行本发明的技术思想的人工神经网络学习方法及对病理样本提供判断结果的方法的环境的图。
参照图1,本发明一实施例的人工神经网络学习方法可由神经网络学习系统100执行,本发明一实施例的对病理样本提供判断结果的方法可由对病理样本提供判断结果的系统200(以下称作“判断结果提供系统”)执行。上述神经网络学习系统100可学习用于提供对于病理样本的诊断信息、预后信息和/或对于治疗方法的反应信息的人工神经网络300,上述判断结果提供系统200可利用学习到的人工神经网络300执行对于对象样本的各种判断(例如,疾病是否表达、预后、对于治疗方法的判断等)。
上述神经网络学习系统100和/或上述判断结果提供系统200可以是作为具备用于体现本发明的技术思想的运算能力的数据处理装置的计算系统,通常不仅包括作为用户可通过网络访问的数据处理装置的服务器,还可包括个人计算机或便携式终端等的计算装置。
上述神经网络学习系统100和/或上述判断结果提供系统200还可由某个物理装置来体现,但根据需要,可通过使多个物理装置有机结合来体现本发明技术思想的上述神经网络学习系统100和/或上述判断结果提供系统200,这可由本发明技术领域的普通专家轻松推导。
上述神经网络学习系统100可基于由多个病理样本生成的学习数据学习上述神经网络300。
病理样本可以是从人体的各种脏器中采集的生物检查组织以及通过手术摘除的生物组织。上述神经网络学习系统100可利用病理样本的连续的切片的数字病理标本图像生成单个学习数据,可将其输入到上述神经网络300的输入层来学习上述神经网络300。
在一实施例中,上述神经网络300可以是以对于规定的疾病输出与疾病是否表达相关的概率值的方式学习的人工神经网络。上述神经网络300可基于通过输入层输入的数据输出能够表达与对象样本相关的判断结果(例如,疾病是否表达的可能性)的数值,即概率值。
在本说明书中,人工神经网络为基于人类的神经元的动作原理人工构建的神经网络,包括多层感知机模型,可意味着表示定义人工神经网络的一系列设计事项的信息的集合。
在一实施例中,上述人工神经网络可以是卷积神经网络或可包括卷积神经网络。
另一方面,学习后的神经网络300可存储于上述判断结果提供系统200,上述判断结果提供系统200可利用学习后的人工神经网络来对规定的诊断对象样本进行判断。
如图1所示,上述神经网络学习系统100和/或上述判断结果提供系统200也能够以规定的母系统10的子系统的形态体现。上述母系统10可以是服务器。上述服务器10意味着具备用于体现本发明的技术思想的运算能力的数据处理装置,通常不仅包括用户可通过网络访问的数据处理装置,还可包括个人计算机或便携式终端等可执行特定服务的任何装置,这都可以被定义为服务器,这可由本发明技术领域的普通专家轻松推导。
或者,根据实施例,上述神经网络学习系统100及上述判断结果提供系统200也可形成互相分离的形态。
图2为用于说明本发明一实施例的神经网络学习方法的流程图。
参照图2,神经网络学习系统100可生成包含M个单个学习数据(其中,M为2以上的自然数)的学习数据集。为此,对于1≤m≤M的所有m,上述神经网络学习系统100可生成将要包含在上述学习数据集的第m学习数据(步骤S100)。
为了生成将要包含在学习数据集的第m学习数据,上述神经网络学习系统100可获取第一病理标本图像至第N病理标本图像(其中,N为2以上的自然数)(步骤S110)。
在此情况下,上述第一病理标本图像至第N病理标本图像可以是用不同的染色试剂对与单一病理样本相关的连续的切片进行染色的病理标本图像。
病理样本的各个切片可以是为了制作数字标本图像而切割病理样本的一部分,在通过连续切割病理样本来制作多个玻片标本后,分别用不同的染色试剂对其进行染色并数字化,从而可生成上述第一病理标本图像至第N病理标本图像。在此情况下,染色试剂可以是用于进行H&E(Hematoxylin and Eosin)染色的试剂或用于对特定目标进行IHC(immunohistochemistry)染色的试剂。
例如,在连续切割一个病理样本并依次用H&E染色试剂、第一IHC染色试剂、第二IHC染色试剂等对切割的各个切片进行染色来制作玻片标本后,对其进行数字图像化,从而可生成与相应病理样本相对应的多个病理标本图像。
根据实施例,上述神经网络学习系统100可从外部的终端接收与规定的病理样本相对应的第一病理标本图像至第N病理标本图像,也可从预先存储与病理样本相对应的第一病理标本图像至第N病理标本图像的存储器装置获取上述第一病理标本图像至第N病理标本图像。
另一方面,上述神经网络学习系统100可基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据(步骤S120)。
在一实施例中,上述神经网络学习系统100可通过通道堆叠方式生成第m学习数据。即,上述神经网络学习系统100可通过通道堆叠来将上述第一病理标本图像至上述第N病理标本图像变换成一个多通道图像,上述第m学习数据可包含上述多通道图像。
图3为示出由通过通道堆叠来以RGB颜色模型表达的多个病理标本图像生成的一个多通道图像的图。图3示出将从单一病理样本提取的4个连续的切片的标本图像变换成多通道图像的情况。
参照图3,多通道图像20可由作为标本图像的数量的4和作为构成各个标本图像的通道的数量的3相乘的12个的通道构成,第一通道21-1可由第一标本图像的各个像素的R通道值构成,第二通道21-2可由第一标本图像的各个像素的G通道值构成,第三通道21-3可由第一标本图像的各个像素的B通道值构成,第一通道21-1可由第一标本图像的各个像素的R通道值构成,第二通道21-2可由第一标本图像的各个像素的G通道值构成,第三通道21-3可由第一标本图像的各个像素的B通道值构成,第四通道22-1可由第二标本图像的各个像素的R通道值构成,第五通道22-2可由第二标本图像的各个像素的G通道值构成,第六通道22-3可由第二标本图像的各个像素的B通道值构成,第七通道23-1可由第三标本图像的各个像素的R通道值构成,第八通道23-2可由第三标本图像的各个像素的G通道值构成,第九通道23-3可由第一标本图像的各个像素的B通道值构成,第十通道24-1可由第四标本图像的各个像素的R通道值构成,第十一通道24-2可由第四标本图像的各个像素的G通道值构成,第十二通道24-3可由第四标本图像的各个像素的B通道值构成。
另一方面,从单一病理样本提取的各个病理标本图像可在制作相应标本图像的过程中在位置或方向方面略有偏差。在此情况下,应在执行各个病理标本图像的通道堆叠之前执行整合各个病理标本图像的过程,图4中示出了这一过程的流程图。
参照图4,上述神经网络学习系统100可指定上述第一病理标本图像至上述第N病理标本图像内存在的生物体组织区域(步骤S121)。
上述神经网络学习系统100在图像中指定生物体组织区域的方法可以是多种多样的。在一实施例中,在与生物体组织区域相关的信息预先注释在标本图像的情况下,上述神经网络学习系统100可利用相关信息来指定生物体组织区域。或者,上述神经网络学习系统100也可利用预先学习后的生物体组织区域判断用神经网络来指定生物体组织区域。或者,可通过已知的多种方法来指定生物体组织区域。
另一方面,上述神经网络学习系统100能够以使分别存在于上述第一病理标本图像至上述第N病理标本图像的生物体组织区域之间的位置及形态相一致的方式整合上述第一病理标本图像至上述第N病理标本图像(步骤S122)。在一实施例中,对于2≤j≤N的所有自然数j,上述神经网络学习系统100可反复执行以使分别存在于第(j-1)病理标本图像内的生物体组织区域和第j病理标本图像内的生物体组织区域之间的位置及形态相一致的方式整合第(j-1)病理标本图像和第j病理标本图像的步骤。
图像整合为该领域中通常利用的技法,意味着通过对不同的影像进行变形来显示在一个坐标系的处理技法。整合两个图像的方法可有以使得相应图像中所包含的组织区域的轮廓最大限度相似的方式进行变换的方法或以使得组织区域内的特定点最大限度一直的方式进行变换的方法等,具体可利用基于通过SIFT(Scale-Invariant FeatureTransform)或SSD(Sum of Squared Difference)、SAD(Sum of Absolute Difference)、NCC(Normalized Cross Correlation)等测定的两个图像之间的相似度的整合算法。
另一方面,在对第一病理标本图像至第N病理标本图像进行整合的过程中,可计算出整合的各个病理标本之间的变换关系。即,对于1≤i≤N的所有自然数i,上述神经网络学习系统100可计算与第i病理标本图像相对应的变换关系。其中,与上述第i病理标本图像相对应的变换关系为上述第i病理标本图像和与之相对应的整合的第i病理标本图像之间的变换关系。
继续参照图4,上述神经网络学习系统100可通过通道堆叠来将整合的上述第一病理标本图像至整合的上述第N病理标本图像变换成一个多通道图像(步骤S123),这一部分的内容与之前参照图3进行说明的内容相似,因而省略其详细说明。
在一实施例中,可在各个病理标本图像预先注释有病变区域,在此情况下,预先注释的病变注释区域可追加包含在学习数据。
与之相关的详细说明如下,即,对于1≤j≤N的所有自然数j,上述神经网络学习系统100利用与上述第j病理标本图像相对应的变换关系来对向第j病理标本图像赋予的病变注释区域进行变形,可通过通道堆叠来将变形的上述第一病理标本图像的病变注释区域至变形的上述第N病理标本图像的病变注释区域变换成一个多通道病变注释区域,上述第m学习数据还可包含上述多通道病变注释区域。
另一方面,在存在与上述第m学习数据相应的与病理样本相对应的诊断信息、预后信息和/或对于特定治疗方法的反应信息的情况下,上述神经网络学习系统100可将其设定为第m学习数据的标签。
若通过如上所述的方法生成包含M个单个学习数据的学习数据集,则上述神经网络学习系统100可通过向上述神经网络300的输入层输入所生成的学习数据集来学习上述神经网络300(图2中的步骤S130)。
如上所述的本发明的技术思想的神经网络学习方法能够以代替multiplex IHC等高费用的未普及的方法的方式利用广泛使用的方法重叠使用所生成的多张病理标本图像,从而可得到与multiplex IHC相似的效果,并且,通过滤色来避免有可能在按目标分离位置信息的过程中对multiplex IHC结果产生的错误,从而可提高肿瘤微细环境分析的准确度。
图5为示出本发明一实施例的对病理样本提供判断结果的方法的一例的流程图。图5中所示的对病理样本提供判断结果的方法可由判断结果提供系统200执行,上述判断结果提供系统200可存储有通过上述神经网络学习系统100学习后的人工神经网络300。
参照图5,上述判断结果提供系统200可获取规定的判断对象病理样本的第一判断对象病理标本图像至第N判断对象病理标本图像(步骤S210)。在此情况下,上述第一判断对象病理标本图像至上述第N判断对象病理标本图像为用不同的染色试剂对与上述判断对象病理样本相关的连续的切片进行染色的病理标本图像。
上述判断结果提供系统200可基于判断对象样本的第一病理标本图像至第N病理标本图像生成输入数据(步骤S220)。生成与上述判断对象样本的第一病理标本图像至第N病理标本图像相对应的输入数据的生成过程与之前参照图3至图4进行说明的过程非常相似,因而将省略单独的说明。
上述判断结果提供系统200可向上述人工神经网络300输入输入数据,可基于上述人工神经网络输出的结果来输出与上述判断对象病理样本相关的判断结果(步骤S230)。
图6为示出本发明一实施例的人工神经网络学习系统100的简要结构的图,图7为示出本发明一实施例的判断结果提供系统200的简要结构的图。
上述人工神经网络学习系统100及判断结果提供系统200可意味着为了体现本发明的技术思想而具备所需的硬件资源(resource)和/或软件的逻辑结构,并不意味着必须是一个物理结构要素或一个装置。即,上述人工神经网络学习系统100及判断结果提供系统200可意味着为了体现本发明的技术思想而具备的硬件和/或软件的逻辑结合,必要的情况下,也可由设置于互相隔开的装置执行各自的功能来体现本发明的技术思想的逻辑结构的集合体现。并且,上述人工神经网络学习系统100及判断结果提供系统200也可意味着为了体现本发明的技术思想而按各自的功能或作用单独体现的多个结构的集合。人工神经网络学习系统100及判断结果提供系统200的各个结构可位于不同的物理装置,也可位于相同的物理装置。并且,根据实施方式,构成上述人工神经网络学习系统100及判断结果提供系统200的各个结构要素的软件和/或硬件的结合也可位于不同的物理装置,位于不同的物理装置的多个结构也可有机结合来体现各个上述模块。
并且,在本说明书中,模块可意味着用于执行本发明的技术思想的硬件及用于驱动上述硬件的软件的功能性、结构性结合。例如,上述模块可意味着规定的代码和用于执行上述规定的代码的硬件资源(resource)的逻辑单位,并不必须意味着物理连接的代码或一种硬件,这可由本发明的技术领域的普通专家轻松推导。
参照图6,上述人工神经网络学习系统100可包括存储模块110、获取模块120、生成模块130以及学习模块140。根据本发明的实施例,上述多个结构要素中的一部分结构要素也有可能不属于体现本发明所需的必要的结构要素,并且,根据实施例,上述人工神经网络学习系统100也可包括更多结构要素。例如,上述人工神经网络学习系统100还可包括用于与外部装置进行通信的通信模块(未图示),还可包括用于控制上述人工神经网络学习系统100的结构要素及资源的控制模块(未图示)。
上述存储模块110可存储待学习的人工神经网络40。
上述获取模块120可获取各个用不同的染色试剂对与单一病理样本相关的连续的切片进行染色的第一病理标本图像至第N病理标本图像。
上述生成模块130可基于上述第一病理标本图像至上述第N病理标本图像生成单个学习数据,可构成包含多个单个学习数据的学习数据集。
上述学习模块140可基于上述学习数据集学习上述人工神经网络300。
参照图7,上述判断结果提供系统200可包括存储模块210、获取模块220,生成模块230及判断模块240。根据本发明的实施例,上述多个结构要素中的一部分结构要素也有可能不属于体现本发明所需的必要的结构要素,并且,根据实施例,上述判断结果提供系统200也可包括更多结构要素。例如,上述判断结果提供系统200还可包括用于与上述3轴振动传感器20进行通信的通信模块(未图示),还可包括用于控制上述判断结果提供系统200的结构要素及资源的控制模块(未图示)。
上述存储模块210可存储学习后的人工神经网络40。
上述获取模块220可获取用不同的染色试剂对规定的判断对象病理样本的连续的切片(serial section)进行染色的第一判断对象病理标本图像至第N判断对象病理标本图像。
上述生成模块230可基于上述第一判断对象病理标本图像至上述第N判断对象病理标本图像生成输入数据。
上述判断模块240可向上述人工神经网络输入上述输入数据,可基于从上述人工神经网络40输出的预测值执行对于上述判断对象样本的判断。
另一方面,根据实施方式,上述人工神经网络学习系统100及判断结果提供系统200可包括处理器及用于对由上述处理器执行的程序进行存储的存储器。上述处理器可包括单核CPU或多核CPU。存储器可包括高速随机访问存储器,也可包括一个以上的磁盘存储装置、闪存装置或其他非易失性固态存储装置等非易失性存储器。可通过存储器控制器来控制处理器及其他结构要素对于存储器的访问。
另一方面,本发明实施例的方法可体现为计算机可读程序指令形态来存储于计算机可读记录介质,本发明实施例的控制程序及对象程序也可存储于计算机可读记录介质。计算机可读记录介质包括用于对可由计算机系统读取的数据进行存储的所有种类的记录装置。
记录在记录介质的程序指令可以是为了本发明特别设计并构成的,或也可以是软件领域的技术人员公知并可使用的。
计算机可读记录介质的例有硬盘、软盘及磁带等磁介质(magnetic media),CD-ROM、DVD等的光学介质(optical media),光磁软盘(floptical disk)等的磁光介质(magneto-optical media)及只读存储器(ROM)、随机存储器(RAM)、闪存等以存储程序指令并执行的方式特别构成的硬件装置。并且,计算机可读记录介质可分散在通过网络连接的计算机系统来以分散方式存储计算机可读代码并执行。
程序指令的例不仅包括由编译器制成的机械代码,还包括可由使用解释程序等电子处理信息的装置执行的高级语言代码,例如,可通过计算机执行的高级语言代码。
上述硬件装置可为了执行本发明的动作而作为一个以上的软件模块运行,反之亦然。
以上的对于本发明的说明仅用于例示本发明,只要是本发明所属技术领域的普通技术人员,就可以理解可在不改变本发明的技术思想或必要特征的情况下轻松变形成其他具体实施方式。因此,以上记述的多个实施例在任何层面上都是例示性的实施例,不应理解为限定性的实施例。例如,以单一型说明的各个结构要素可被分散实施,同样,以分散型说明的多个结构要素也能够以结合的形态实施。
本发明的范围由发明要求保护范围来体现,而不是上述详细说明,应解释成从发明要求保护范围的含义、范围以及其等同概念到处的所有变更或变形的实施方式均属于本发明的范围。
产业上的可利用性
本发明可用于对病理样本提供判断结果的人工神经网络的学习方法及执行其的计算系统。
Claims (12)
1.一种人工神经网络学习方法,其特征在于,
包括如下步骤:
神经网络学习系统生成包含M个单个学习数据的学习数据集,其中,M为2以上的自然数;以及
上述神经网络学习系统基于上述学习数据集学习上述人工神经网络,上述神经网络学习系统通过将包含在上述学习数据集的M个单个学习数据分别输入到上述人工神经网络的输入层来学习上述人工神经网络,
生成包含上述M个单个学习数据的学习数据集的步骤包括如下步骤,即,对于1≤m≤M的所有m,生成将要包含在上述学习数据集的第m学习数据,
生成上述第m学习数据的步骤包括如下步骤:
获取第一病理标本图像至第N病理标本图像,其中,N为2以上的自然数,其中,上述第一病理标本图像至第N病理标本图像为用不同的染色试剂对与单一病理样本相关的连续的切片进行染色的病理标本图像;以及
基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据。
2.根据权利要求1所述的人工神经网络学习方法,其特征在于,
基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据的步骤包括如下步骤,即,通过通道堆叠来将上述第一病理标本图像至上述第N病理标本图像变换成一个多通道图像,
上述第m学习数据包含上述多通道图像。
3.根据权利要求1所述的人工神经网络学习方法,其特征在于,
基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据的步骤包括如下步骤:
指定上述第一病理标本图像至上述第N病理标本图像内存在的生物体组织区域;
以使分别存在于上述第一病理标本图像至上述第N病理标本图像的生物体组织区域之间的位置及形态相一致的方式整合上述第一病理标本图像至上述第N病理标本图像;以及
通过通道堆叠来将整合的上述第一病理标本图像至整合的上述第N病理标本图像变换成一个多通道图像,
上述第m学习数据包含上述多通道图像。
4.根据权利要求3所述的人工神经网络学习方法,其特征在于,
以使分别存在于上述第一病理标本图像至上述第N病理标本图像的生物体组织区域之间的位置及形态相一致的方式整合上述第一病理标本图像至上述第N病理标本图像的步骤包括如下步骤,即,对于1≤i≤N的所有自然数i,计算与第i病理标本图像相对应的变换关系,其中,与上述第i病理标本图像相对应的变换关系为上述第i病理标本图像和与之相对应的整合的第i病理标本图像之间的变换关系,
基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据的步骤还包括如下步骤:
对于1≤j≤N的所有自然数j,利用与上述第j病理标本图像相对应的变换关系来对向第j病理标本图像赋予的病变注释区域进行变形;以及
通过通道堆叠来将变形的上述第一病理标本图像的病变注释区域至变形的上述第N病理标本图像的病变注释区域变换成一个多通道病变注释区域,
上述第m学习数据还包含上述多通道病变注释区域。
5.一种方法,通过经根据权利要求1所述的人工神经网络学习方法学习的人工神经网络来提供对于规定的判断对象病理样本的判断结果,其特征在于,包括如下步骤:
计算系统获取第一判断对象病理标本图像至第N判断对象病理标本图像,其中,N为2以上的自然数,其中,上述第一判断对象病理标本图像至上述第N判断对象病理标本图像为用不同的染色试剂对与上述判断对象病理样本相关的连续的切片进行染色的病理标本图像;以及
上述计算系统输出上述人工神经网络基于上述第一判断对象病理标本图像至上述第N判断对象病理标本图像判断的与上述判断对象病理样本相关的判断结果。
6.一种计算机程序,其特征在于,记录在设置于数据处理装置并用于执行根据权利要求1至5中任一项所述的方法的介质。
7.一种计算机可读记录介质,其特征在于,记录有用于执行根据权利要求1至5中任一项所述的方法的计算机程序。
8.一种人工神经网络学习系统,其特征在于,
包括:
处理器;以及
存储器,用于存储计算机程序,
在上述计算机程序由上述处理器运行的情况下,将使上述计算系统执行学习人工神经网络的方法,
上述人工神经网络学习系统执行如下步骤:
神经网络学习系统生成包含M个单个学习数据的学习数据集,其中,M为2以上的自然数;以及
上述神经网络学习系统基于上述学习数据集学习上述人工神经网络,
生成包含上述M个单个学习数据的学习数据集的步骤包括如下步骤,即,对于1≤m≤M的所有m,生成将要包含在上述学习数据集的第m学习数据,
生成上述第m学习数据的步骤包括如下步骤:
获取第一病理标本图像至第N病理标本图像,其中,N为2以上的自然数,其中,上述第一病理标本图像至第N病理标本图像为用不同的染色试剂对与单一病理样本相关的连续的切片进行染色的病理标本图像;以及
基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据。
9.根据权利要求8所述的人工神经网络学习系统,其特征在于,
基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据的步骤包括如下步骤,即,通过通道堆叠来将上述第一病理标本图像至上述第N病理标本图像变换成一个多通道图像,
上述第m学习数据包含上述多通道图像。
10.根据权利要求8所述的人工神经网络学习系统,其特征在于,
基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据的步骤包括如下步骤:
指定上述第一病理标本图像至上述第N病理标本图像内存在的生物体组织区域;
以使分别存在于上述第一病理标本图像至上述第N病理标本图像的生物体组织区域之间的位置及形态相一致的方式整合上述第一病理标本图像至上述第N病理标本图像;以及
通过通道堆叠来将整合的上述第一病理标本图像至整合的上述第N病理标本图像变换成一个多通道图像,
上述第m学习数据包含上述多通道图像。
11.根据权利要求10所述的人工神经网络学习系统,其特征在于,
以使分别存在于上述第一病理标本图像至上述第N病理标本图像的生物体组织区域之间的位置及形态相一致的方式整合上述第一病理标本图像至上述第N病理标本图像的步骤包括如下步骤,即,对于1≤i≤N的所有自然数i,计算与第i病理标本图像相对应的变换关系,其中,与上述第i病理标本图像相对应的变换关系为上述第i病理标本图像和与之相对应的整合的第i病理标本图像之间的变换关系,
基于上述第一病理标本图像至上述第N病理标本图像生成上述第m学习数据的步骤还包括如下步骤:
对于1≤j≤N的所有自然数j,利用与上述第j病理标本图像相对应的变换关系来对向第j病理标本图像赋予的病变注释区域进行变形;以及
通过通道堆叠来将变形的上述第一病理标本图像的病变注释区域至变形的上述第N病理标本图像的病变注释区域变换成一个多通道病变注释区域,
上述第m学习数据还包含上述多通道病变注释区域。
12.一种对病理样本提供判断结果的系统,其特征在于,
包括:
处理器;以及
存储器,用于存储计算机程序,
在上述计算机程序由上述处理器运行的情况下,将使上述计算系统通过经根据权利要求1所述的人工神经网络学习方法学习的人工神经网络执行对病理样本提供判断结果的方法,
提供上述判断结果的方法包括如下步骤:
获取第一判断对象病理标本图像至第N判断对象病理标本图像,其中,N为2以上的自然数,其中,上述第一判断对象病理标本图像至上述第N判断对象病理标本图像为用不同的染色试剂对与规定的判断对象病理样本相关的连续的切片进行染色的病理标本图像;以及
输出上述人工神经网络基于上述第一判断对象病理标本图像至上述第N判断对象病理标本图像判断的与上述判断对象病理样本相关的判断结果。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210001912A KR102246319B1 (ko) | 2021-01-07 | 2021-01-07 | 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템 |
KR10-2021-0001912 | 2021-01-07 | ||
PCT/KR2022/000269 WO2022149894A1 (ko) | 2021-01-07 | 2022-01-07 | 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116783662A true CN116783662A (zh) | 2023-09-19 |
Family
ID=75910856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280009439.3A Pending CN116783662A (zh) | 2021-01-07 | 2022-01-07 | 对病理样本提供判断结果的人工神经网络的学习方法及执行其的计算系统 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4258283A1 (zh) |
JP (1) | JP2024502806A (zh) |
KR (1) | KR102246319B1 (zh) |
CN (1) | CN116783662A (zh) |
WO (1) | WO2022149894A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102246319B1 (ko) * | 2021-01-07 | 2021-05-03 | 주식회사 딥바이오 | 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템 |
WO2023287235A1 (ko) * | 2021-07-14 | 2023-01-19 | 주식회사 루닛 | 병리 이미지 분석 방법 및 시스템 |
KR102485414B1 (ko) * | 2021-12-13 | 2023-01-06 | 주식회사 딥바이오 | 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템 |
KR102393957B1 (ko) | 2021-12-30 | 2022-05-03 | 서울대학교병원 | 전립선암 분석 장치 및 프로그램, 이의 동작 방법 |
WO2023167448A1 (ko) * | 2022-03-03 | 2023-09-07 | 주식회사 루닛 | 병리 슬라이드 이미지를 분석하는 방법 및 장치 |
KR102471515B1 (ko) * | 2022-03-31 | 2022-11-28 | 주식회사 딥바이오 | 면역조직화학 염색 이미지를 분석하기 위한 기계학습모델을 학습하는 방법 및 이를 수행하는 컴퓨팅 시스템 |
KR102579826B1 (ko) * | 2022-12-09 | 2023-09-18 | (주) 브이픽스메디칼 | 인공지능 기반 진단 보조 정보 제공 방법, 장치 및 시스템 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61216526A (ja) | 1985-03-22 | 1986-09-26 | Nec Ic Microcomput Syst Ltd | 周波数−ディジタル変換回路 |
WO2016087592A1 (en) | 2014-12-03 | 2016-06-09 | Ventana Medical Systems, Inc. | Systems and methods for early-stage cancer prognosis |
KR101944536B1 (ko) * | 2016-12-11 | 2019-02-01 | 주식회사 딥바이오 | 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법 |
KR102172213B1 (ko) * | 2018-06-04 | 2020-10-30 | 주식회사 딥바이오 | 투 페이스 질병 진단 시스템 및 그 방법 |
KR102185893B1 (ko) * | 2018-08-07 | 2020-12-02 | 주식회사 딥바이오 | 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 방법 |
KR102246318B1 (ko) * | 2018-10-05 | 2021-04-30 | 주식회사 딥바이오 | 병리 이미지 검색을 위한 시스템 및 방법 |
KR102311654B1 (ko) * | 2019-02-01 | 2021-10-08 | 장현재 | 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템 |
KR102108050B1 (ko) * | 2019-10-21 | 2020-05-07 | 가천대학교 산학협력단 | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 |
KR102246319B1 (ko) * | 2021-01-07 | 2021-05-03 | 주식회사 딥바이오 | 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템 |
-
2021
- 2021-01-07 KR KR1020210001912A patent/KR102246319B1/ko active IP Right Grant
-
2022
- 2022-01-07 EP EP22736871.9A patent/EP4258283A1/en active Pending
- 2022-01-07 JP JP2023540030A patent/JP2024502806A/ja active Pending
- 2022-01-07 WO PCT/KR2022/000269 patent/WO2022149894A1/ko active Application Filing
- 2022-01-07 CN CN202280009439.3A patent/CN116783662A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2024502806A (ja) | 2024-01-23 |
EP4258283A1 (en) | 2023-10-11 |
WO2022149894A1 (ko) | 2022-07-14 |
KR102246319B1 (ko) | 2021-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116783662A (zh) | 对病理样本提供判断结果的人工神经网络的学习方法及执行其的计算系统 | |
CN116189179B (zh) | 循环肿瘤细胞扫描分析设备 | |
US20230186659A1 (en) | Machine learning models for cell localization and classification learned using repel coding | |
KR102122068B1 (ko) | 이미지 분석 시스템 및 분석 방법 | |
JP7260119B2 (ja) | 一般化疾患検出のために電子画像を処理するためのシステムおよび方法 | |
JP2023547169A (ja) | 多重化免疫蛍光画像における自己蛍光アーチファクトの識別 | |
JP2024520354A (ja) | 病理組織画像におけるアーチファクトの自動セグメンテーション | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
KR102471515B1 (ko) | 면역조직화학 염색 이미지를 분석하기 위한 기계학습모델을 학습하는 방법 및 이를 수행하는 컴퓨팅 시스템 | |
CN113920123B (zh) | 一种成瘾性脑网络分析方法及装置 | |
El-Hossiny et al. | Classification of thyroid carcinoma in whole slide images using cascaded CNN | |
Maduri et al. | Malaria detection using image processing and machine learning | |
WO2022035943A1 (en) | Automated identification of necrotic regions in digital images of multiplex immunofluorescence stained tissue | |
US20230281971A1 (en) | Method and device for analyzing pathological slide image | |
EP4318497A1 (en) | Training method for training artificial neural network for determining breast cancer lesion area, and computing system performing same | |
KR102304609B1 (ko) | 조직 검체 이미지 정제 방법, 및 이를 수행하는 컴퓨팅 시스템 | |
CN115564997A (zh) | 一种基于强化学习的病理切片扫描分析一体化方法及系统 | |
Patil et al. | Early detection of dementia using deep learning and image processing | |
Kowalski et al. | Convolutional neural networks in the ovarian cancer detection | |
EP4369354A1 (en) | Method and apparatus for analyzing pathological slide images | |
CN114400049B (zh) | 肽段定量模型的训练方法、装置、计算机设备及存储介质 | |
KR102485414B1 (ko) | 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템 | |
Gautam et al. | Malaria detection system using convolutional neural network algorithm | |
WO2024059701A2 (en) | Cross-modality pixel alignment and cell-to-cell registration across various imaging modalities | |
US20230230242A1 (en) | Correcting differences in multi-scanners for digital pathology images using 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 |