CN117152509A - 基于级联深度学习的胃部病理诊断与分型系统 - Google Patents
基于级联深度学习的胃部病理诊断与分型系统 Download PDFInfo
- Publication number
- CN117152509A CN117152509A CN202311088668.1A CN202311088668A CN117152509A CN 117152509 A CN117152509 A CN 117152509A CN 202311088668 A CN202311088668 A CN 202311088668A CN 117152509 A CN117152509 A CN 117152509A
- Authority
- CN
- China
- Prior art keywords
- stomach
- model
- typing
- pathological
- 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.)
- Granted
Links
- 210000002784 stomach Anatomy 0.000 title claims abstract description 189
- 238000010827 pathological analysis Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 230000007170 pathology Effects 0.000 claims abstract description 116
- 230000001575 pathological effect Effects 0.000 claims abstract description 105
- 238000003745 diagnosis Methods 0.000 claims abstract description 82
- 206010061218 Inflammation Diseases 0.000 claims abstract description 74
- 230000004054 inflammatory process Effects 0.000 claims abstract description 73
- 230000002496 gastric effect Effects 0.000 claims abstract description 59
- 238000002372 labelling Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000002757 inflammatory effect Effects 0.000 claims abstract description 15
- 208000005718 Stomach Neoplasms Diseases 0.000 claims description 174
- 206010017758 gastric cancer Diseases 0.000 claims description 174
- 201000011549 stomach cancer Diseases 0.000 claims description 174
- 238000001514 detection method Methods 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 40
- 208000007882 Gastritis Diseases 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 22
- 208000020082 intraepithelial neoplasia Diseases 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 10
- 208000004300 Atrophic Gastritis Diseases 0.000 claims description 8
- 201000009030 Carcinoma Diseases 0.000 claims description 8
- 206010058314 Dysplasia Diseases 0.000 claims description 8
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 201000011510 cancer Diseases 0.000 claims description 8
- 210000004027 cell Anatomy 0.000 claims description 8
- 208000016644 chronic atrophic gastritis Diseases 0.000 claims description 8
- 208000023652 chronic gastritis Diseases 0.000 claims description 8
- 206010020718 hyperplasia Diseases 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 201000010879 mucinous adenocarcinoma Diseases 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 102000054766 genetic haplotypes Human genes 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 description 17
- 238000011282 treatment Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 13
- 238000011160 research Methods 0.000 description 9
- 230000003902 lesion Effects 0.000 description 6
- 208000018556 stomach disease Diseases 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 5
- 208000012895 Gastric disease Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
Classifications
-
- 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
- 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
- G06V10/77—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
- 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
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于级联深度学习的胃部病理诊断与分型系统，包括：监督信息增强标注分系统，对胃部病理图像级数据进行像素级标注，通过弱监督学习框架对标注进行进一步的细化，获得精细像素级标注；跳跃连接系列诊断模型分系统，通过跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；多分类炎症分型模型；系列级联病理切片流转分系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转；循环测试炎症分型输出分系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试炎症分型，获取胃部病理炎症分型结果。
Description
技术领域
本发明涉及机器学习智能识别技术领域，更具体地说，本发明涉及基于级联深度学习的胃部病理诊断与分型系统。
背景技术
胃部疾病的类型和分级对于制定治疗方案和预测患者预后非常重要，对于制定治疗策略和预测患者生存率至关重要；传统的胃部病理学分型和分级方法主要依赖病理学专家的经验和主观判断，存在一定的主观性和不确定性；传统的预后预测方法通常基于有限的临床数据和经验判断，存在一定的主观性和不确定性；胃部病理学是一门复杂而专业的学科，需要医生经过长时间的学习和实践才能获得熟练的诊断能力等问题尚待解决；因此，有必要提出基于级联深度学习的胃部病理诊断与分型系统，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，本发明提供了基于级联深度学习的胃部病理诊断与分型系统，包括：
监督信息增强标注分系统，获取胃部病理图像级数据，对胃部病理图像级数据进行像素级标注，通过弱监督学习框架对标注进行进一步的细化，获得精细像素级标注；
跳跃连接系列诊断模型分系统，通过跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；跳跃连接系列诊断模型包括：胃癌检测识别模型、胃癌分型模型、多分类良性分型模型及多分类炎症分型模型；
系列级联病理切片流转分系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；
循环测试炎症分型输出分系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试炎症分型，获取胃部病理炎症分型结果；将胃部病理流转诊断数据与胃部病理炎症分型结果输出生成胃部组织切片病理诊断与分型数字报告。
优选的，监督信息增强标注分系统包括：
第一像素级标注子系统，获取胃部病理图像数据，通过第一像素级标注框架，对胃部病理图像数据进行像素级标注，获取胃部病理图像第一像素级标注数据；
增强训练块级标注子系统，根据胃部病理图像第一像素级标注数据，通过组合多实例学习框架对胃部病理图像第一像素级标注数据进行分块处理，将图像级标注转换到图像块级标注，获取胃部病理图像第一图像块级标注数据；将第一图像块级标注数据增强训练标注获得指数倍有监督信息，获取第二图像块级标注数据；
标注细化块级像素还原子系统，通过多实例弱监督学习框架对胃部病理图像第一图像块级标注数据进行细化，将图像块级别的标注直接赋给每一个像素点，生成第二像素级标注数据，获得精细像素级标注。
优选的，跳跃连接系列诊断模型分系统包括：
残差网络层数选择子系统，根据深度神经网络层级，自动选择跳跃连接残差网络层数；
恒等映射跳跃连接子系统，根据跳跃连接残差网络层数，通过恒等映射设置跳跃连接线跨越层级，获取跳跃连接残差网络；
跳跃连接系列诊断模型子系统，根据跳跃连接残差网络，构建跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型。
优选的，系列级联病理切片流转分系统包括：
诊断模型系统级联子系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型；
胃部数字病理切片流转子系统，通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转包括：数字切片首先经过胃癌检测识别模型，有癌区域经过胃癌分型模型，无癌区域经过多分类良性分型模型，最后炎症区域经过多分类炎症分型模型。
优选的，循环测试炎症分型输出分系统包括：
循环测试分型架构子系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试，形成胃部病理诊断循环测试分型架构；
胃部病理炎症分型子系统，根据胃部病理诊断循环测试分型架构，对胃部病理流转诊断数据进行炎症分型，获取胃部病理炎症分型结果；
胃部病理数字报告子系统，将胃部病理流转诊断数据与胃部病理炎症分型结果通过胃部病理诊断循环测试分型架构输出，生成胃部组织切片病理诊断与分型数字报告。
优选的，跳跃连接系列诊断模型子系统包括：
胃癌检测识别模型识别模块，通过胃癌检测识别模型对胃癌区域进行识别检测；
胃癌分型模型识别模块，通过胃癌分型模型多分类识别低分化胃癌、中分化胃癌、高分化胃癌、高级别异性增生或高级别上皮内瘤变、印戒细胞癌与粘液腺癌；
多分类良性分型模型识别模块，通过多分类良性分型模型多分类识别低级别异性增生或低级别上皮内瘤变、肠化与炎症；
多分类炎症分型模型识别模块，通过多分类炎症分型模型多分类识别慢性胃炎、急性胃炎或活动性胃炎与胃萎缩。
优选的，胃癌检测识别模型识别模块包括：
概率丢弃全连接模型构建单元，设置多阶段检测深度神经网络，在多阶段检测深度神经网络最后的神经网络层后增加全连接层，在全连接层后添加神经元概率丢弃层，创建胃癌检测识别模型；
胃癌检测模型检测单元，通过胃癌检测识别模型，预测胃癌实际区域，对胃癌区域进行识别检测。
优选的，胃癌分型模型识别模块包括：
逻辑处理器运算单元，通过处理器运算每个胃部病理样本与各聚类中心的列向量、行向量和对角向量；运算每个胃部病理样本与各聚类中心的列向量相关系数、行向量相关系数和对角向量的相关系数；加入行向量、列向量、行向量相关系数和列向量相关系数所占的权重，运算每个胃部病理样本与各聚类中心的相似度度量；根据相似度度量将每个胃部病理样本进行重新分簇；运算重新分簇后的各簇的聚类中心；
分型模型创建识别单元，进行处理器运算循环，判定聚类中心是否仍有变化；当聚类中心不再变化聚类结束，得到胃癌分型模型；通过胃癌分型模型多分类识别低分化胃癌、中分化胃癌、高分化胃癌、高级别异性增生或高级别上皮内瘤变、印戒细胞癌与粘液腺癌。
优选的，多分类良性分型模型识别模块包括：
胃癌分型数据集单元，根据获取胃癌分型模型的输出胃癌分型数据，创建胃癌分型数据集；获取胃癌分型模型最新产生的连续的Y个原始胃癌分型数据点，原始胃癌分型数据点中记录胃癌分型模型产生的胃癌分型数据，Y为大于等于2的整数；
良性分型模型创建分阶处理单元，根据连续的Y个原始胃癌分型数据点得到1个整阶胃癌分型数据和X个分阶胃癌分型数据，X为大于等于2的整数；X个分阶胃癌分型数据，按照每个分阶胃癌分型数据与其他任一分阶胃癌分型数据存在胃癌分型数据点交集的方式对Y个原始胃癌分型数据点进行分阶处理，根据胃癌分型数据，预测胃癌当前状态，创建多分类良性分型模型；通过多分类良性分型模型多分类识别低级别异性增生或低级别上皮内瘤变、肠化与炎症。
优选的，多分类炎症分型模型识别模块包括：
炎症分型模型创建单元，分析已知无癌区域信息，预估未知无癌区域信息的贫信息不确定性，创建多分类炎症分型模型；通过多分类炎症分型模型多分类识别慢性胃炎、急性胃炎或活动性胃炎与胃萎缩；
病理特征跳跃连接单元，在深度神经网络增加动态选择层；所述动态选择层的层节点与输入节点间设计跳跃连接层，通过跳跃连接层跳跃连接线跨越层级确定该特征是否被选择，进行病理特征的动态选择；
异常识别区域检测单元，对胃癌检测识别模型的输出数据进行分析；利用样本胃部病理图像和胃癌检测识别模型识别胃部病理图像进行对比分析胃癌检测识别模型检测胃部病理图像数据特性与样本胃部病理图像特性的差异，发现胃部病理图像异常识别区域。
相比现有技术，本发明至少包括以下有益效果：
本发明提供了基于级联深度学习的胃部病理诊断与分型系统，利用监督信息增强标注分系统，获取胃部病理图像级数据，对胃部病理图像级数据进行像素级标注，通过弱监督学习框架对标注进行进一步的细化，获得精细像素级标注；跳跃连接系列诊断模型分系统，通过跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；跳跃连接系列诊断模型包括：胃癌检测识别模型、胃癌分型模型、多分类良性分型模型及多分类炎症分型模型；系列级联病理切片流转分系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；循环测试炎症分型输出分系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试炎症分型，获取胃部病理炎症分型结果；将胃部病理流转诊断数据与胃部病理炎症分型结果输出生成胃部组织切片病理诊断与分型数字报告；基于大量的病理图像和相关数据进行训练，具备较高的客观性和准确性，能够快速识别和定位胃部病变，提供一致性和可重复性的识别结果；有助于提高胃部疾病的准确诊断率，避免误诊和漏诊，提供更精准的治疗方案；能够提高诊断的效率和速度；模型可以在短时间内快速处理大量胃部病理图像数据，极大地缩短了诊断的时间；胃部病理诊断与分型模型能够提供更详细和全面的病理学信息；胃部病理诊断与分型模型通过学习大量的病理图像和相关数据，能够从中提取更多的特征和模式，实现对胃部病变的准确分类和分级；有助于医生更好地了解病变的性质和程度，制定个性化的治疗方案，提高治疗效果和患者的生存率；胃部病理诊断与分型模型还可以辅助医生进行预后预测；模型通过学习大量的病理图像和相关数据，能够提取更多的预后相关特征，实现对患者预后的精确预测；助于医生更好地评估患者的预后风险，制定个性化的治疗方案，提供更精准的医疗建议；胃部病理诊断与分型模型在医学教育和研究方面也具有重要意义；模型可以通过学习专家医生的判断和决策过程，为医学生和初级医生提供宝贵的参考和指导，加速他们的学习和培训过程；还可以对大量的胃部病理图像进行分析和挖掘，为医学研究提供有价值的数据和洞见，推动胃部疾病的研究和治疗进展；提供了一种准确、高效、可靠的辅助工具，有助于提高胃部疾病的准确诊断率，缩短诊断时间，提供更精准的病理学信息，辅助医生制定治疗方案和预后预测，促进医学教育和研究的发展；这将对胃部疾病的治疗效果和患者的生存率产生积极影响，为临床实践和医学进步带来重要的贡献。
本发明所述的基于级联深度学习的胃部病理诊断与分型系统，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为本发明所述的基于级联深度学习的胃部病理诊断与分型系统架构实施例图。
图2为本发明所述的基于级联深度学习的胃部病理诊断与分型系统分型一个实施例图。
图3为本发明所述的基于级联深度学习的胃部病理诊断与分型系统分型结果实施例图。
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3所示，本发明提供了基于级联深度学习的胃部病理诊断与分型系统，包括：
监督信息增强标注分系统，获取胃部病理图像级数据，对胃部病理图像级数据进行像素级标注，通过弱监督学习框架对标注进行进一步的细化，获得精细像素级标注；
跳跃连接系列诊断模型分系统，通过跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；跳跃连接系列诊断模型包括：胃癌检测识别模型、胃癌分型模型、多分类良性分型模型及多分类炎症分型模型；
系列级联病理切片流转分系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；
循环测试炎症分型输出分系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试炎症分型，获取胃部病理炎症分型结果；将胃部病理流转诊断数据与胃部病理炎症分型结果输出生成胃部组织切片病理诊断与分型数字报告。
上述技术方案的原理及效果为：本发明提供了基于级联深度学习的胃部病理诊断与分型系统，利用监督信息增强标注分系统，获取胃部病理图像级数据，对胃部病理图像级数据进行像素级标注，通过弱监督学习框架对标注进行进一步的细化，获得精细像素级标注；跳跃连接系列诊断模型分系统，通过跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；跳跃连接系列诊断模型包括：胃癌检测识别模型、胃癌分型模型、多分类良性分型模型及多分类炎症分型模型；系列级联病理切片流转分系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；循环测试炎症分型输出分系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试炎症分型，获取胃部病理炎症分型结果；将胃部病理流转诊断数据与胃部病理炎症分型结果输出生成胃部组织切片病理诊断与分型数字报告；基于大量的病理图像和相关数据进行训练，具备较高的客观性和准确性，能够快速识别和定位胃部病变，提供一致性和可重复性的识别结果；有助于提高胃部疾病的准确诊断率，避免误诊和漏诊，提供更精准的治疗方案；能够提高诊断的效率和速度；模型可以在短时间内快速处理大量胃部病理图像数据，极大地缩短了诊断的时间；胃部病理诊断与分型模型能够提供更详细和全面的病理学信息；胃部病理诊断与分型模型通过学习大量的病理图像和相关数据，能够从中提取更多的特征和模式，实现对胃部病变的准确分类和分级；有助于医生更好地了解病变的性质和程度，制定个性化的治疗方案，提高治疗效果和患者的生存率；胃部病理诊断与分型模型还可以辅助医生进行预后预测；模型通过学习大量的病理图像和相关数据，能够提取更多的预后相关特征，实现对患者预后的精确预测；助于医生更好地评估患者的预后风险，制定个性化的治疗方案，提供更精准的医疗建议；胃部病理诊断与分型模型在医学教育和研究方面也具有重要意义；模型可以通过学习专家医生的判断和决策过程，为医学生和初级医生提供宝贵的参考和指导，加速他们的学习和培训过程；还可以对大量的胃部病理图像进行分析和挖掘，为医学研究提供有价值的数据和洞见，推动胃部疾病的研究和治疗进展；提供了一种准确、高效、可靠的辅助工具，有助于提高胃部疾病的准确诊断率，缩短诊断时间，提供更精准的病理学信息，辅助医生制定治疗方案和预后预测，促进医学教育和研究的发展；这将对胃部疾病的治疗效果和患者的生存率产生积极影响，为临床实践和医学进步带来重要的贡献。
在一个实施例中，监督信息增强标注分系统包括：
第一像素级标注子系统，获取胃部病理图像数据，通过第一像素级标注框架，对胃部病理图像数据进行像素级标注，获取胃部病理图像第一像素级标注数据；
增强训练块级标注子系统，根据胃部病理图像第一像素级标注数据，通过组合多实例学习框架对胃部病理图像第一像素级标注数据进行分块处理，将图像级标注转换到图像块级标注，获取胃部病理图像第一图像块级标注数据；将第一图像块级标注数据增强训练标注获得指数倍有监督信息，获取第二图像块级标注数据；
标注细化块级像素还原子系统，通过多实例弱监督学习框架对胃部病理图像第一图像块级标注数据进行细化，将图像块级别的标注直接赋给每一个像素点，生成第二像素级标注数据，获得精细像素级标注。
上述技术方案的原理及效果为：利用监督信息增强标注，通过第一像素级标注子系统，获取胃部病理图像数据，通过第一像素级标注框架，对胃部病理图像数据进行像素级标注，获取胃部病理图像第一像素级标注数据；增强训练块级标注子系统，根据胃部病理图像第一像素级标注数据，通过组合多实例学习框架对胃部病理图像第一像素级标注数据进行分块处理，将图像级标注转换到图像块级标注，获取胃部病理图像第一图像块级标注数据；将第一图像块级标注数据增强训练标注获得指数倍有监督信息，获取第二图像块级标注数据；标注细化块级像素还原子系统，通过多实例弱监督学习框架对胃部病理图像第一图像块级标注数据进行细化，将图像块级别的标注直接赋给每一个像素点，生成第二像素级标注数据，获得精细像素级标注；能够大幅提高标注精细化水平。
在一个实施例中，跳跃连接系列诊断模型分系统包括：
残差网络层数选择子系统，根据深度神经网络层级，自动选择跳跃连接残差网络层数；
恒等映射跳跃连接子系统，根据跳跃连接残差网络层数，通过恒等映射设置跳跃连接线跨越层级，获取跳跃连接残差网络；
跳跃连接系列诊断模型子系统，根据跳跃连接残差网络，构建跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型。
上述技术方案的原理及效果为：利用跳跃连接系列诊断，通过残差网络层数选择子系统，根据深度神经网络层级，自动选择跳跃连接残差网络层数；恒等映射跳跃连接子系统，根据跳跃连接残差网络层数，通过恒等映射设置跳跃连接线跨越层级，获取跳跃连接残差网络；跳跃连接系列诊断模型子系统，根据跳跃连接残差网络，构建跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；能够显著提高模型训练速度和效率。
在一个实施例中，系列级联病理切片流转分系统包括：
诊断模型系统级联子系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型；
胃部数字病理切片流转子系统，通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转包括：数字切片首先经过胃癌检测识别模型，有癌区域经过胃癌分型模型，无癌区域经过多分类良性分型模型，最后炎症区域经过多分类炎症分型模型。
上述技术方案的原理及效果为：利用系列级联病理切片流转，通过诊断模型系统级联子系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型；胃部数字病理切片流转子系统，通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转包括：数字切片首先经过胃癌检测识别模型，有癌区域经过胃癌分型模型，无癌区域经过多分类良性分型模型，最后炎症区域经过多分类炎症分型模型；能够提供更详细和全面的病理学信息。
在一个实施例中，循环测试炎症分型输出分系统包括：
循环测试分型架构子系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试，形成胃部病理诊断循环测试分型架构；
胃部病理炎症分型子系统，根据胃部病理诊断循环测试分型架构，对胃部病理流转诊断数据进行炎症分型，获取胃部病理炎症分型结果；
胃部病理数字报告子系统，将胃部病理流转诊断数据与胃部病理炎症分型结果通过胃部病理诊断循环测试分型架构输出，生成胃部组织切片病理诊断与分型数字报告。
上述技术方案的原理及效果为：利用循环测试炎症分型输出，通过循环测试分型架构子系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试，形成胃部病理诊断循环测试分型架构；胃部病理炎症分型子系统，根据胃部病理诊断循环测试分型架构，对胃部病理流转诊断数据进行炎症分型，获取胃部病理炎症分型结果；胃部病理数字报告子系统，将胃部病理流转诊断数据与胃部病理炎症分型结果通过胃部病理诊断循环测试分型架构输出，生成胃部组织切片病理诊断与分型数字报告；能够从中提取更多的特征和模式，实现对胃部病变的准确分类和分级。
在一个实施例中，跳跃连接系列诊断模型子系统包括：
胃癌检测识别模型识别模块，通过胃癌检测识别模型对胃癌区域进行识别检测；
胃癌分型模型识别模块，通过胃癌分型模型多分类识别低分化胃癌、中分化胃癌、高分化胃癌、高级别异性增生或高级别上皮内瘤变、印戒细胞癌与粘液腺癌；
多分类良性分型模型识别模块，通过多分类良性分型模型多分类识别低级别异性增生或低级别上皮内瘤变、肠化与炎症；
多分类炎症分型模型识别模块，通过多分类炎症分型模型多分类识别慢性胃炎、急性胃炎或活动性胃炎与胃萎缩。
上述技术方案的原理及效果为：利用跳跃连接系列诊断模型，通过胃癌检测识别模型识别模块，通过胃癌检测识别模型对胃癌区域进行识别检测；胃癌分型模型识别模块，通过胃癌分型模型多分类识别低分化胃癌、中分化胃癌、高分化胃癌、高级别异性增生或高级别上皮内瘤变、印戒细胞癌与粘液腺癌；多分类良性分型模型识别模块，通过多分类良性分型模型多分类识别低级别异性增生或低级别上皮内瘤变、肠化与炎症；多分类炎症分型模型识别模块，通过多分类炎症分型模型多分类识别慢性胃炎、急性胃炎或活动性胃炎与胃萎缩；制定个性化的治疗方案，提高治疗效果。
在一个实施例中，胃癌检测识别模型识别模块包括：
概率丢弃全连接模型构建单元，设置多阶段检测深度神经网络，在多阶段检测深度神经网络最后的神经网络层后增加全连接层，在全连接层后添加神经元概率丢弃层，创建胃癌检测识别模型；
胃癌检测模型检测单元，通过胃癌检测识别模型，预测胃癌实际区域，对胃癌区域进行识别检测。
上述技术方案的原理及效果为：利用胃癌检测识别模型识别，通过概率丢弃全连接模型构建单元，设置多阶段检测深度神经网络，在多阶段检测深度神经网络最后的神经网络层后增加全连接层，在全连接层后添加神经元概率丢弃层，创建胃癌检测识别模型；胃癌检测模型检测单元，通过胃癌检测识别模型，预测胃癌实际区域，对胃癌区域进行识别检测；概率丢弃全连接模型构建大幅提高深度神经网络运算速度。
在一个实施例中，胃癌分型模型识别模块包括：
逻辑处理器运算单元，通过处理器运算每个胃部病理样本与各聚类中心的列向量、行向量和对角向量；运算每个胃部病理样本与各聚类中心的列向量相关系数、行向量相关系数和对角向量的相关系数；加入行向量、列向量、行向量相关系数和列向量相关系数所占的权重，运算每个胃部病理样本与各聚类中心的相似度度量；根据相似度度量将每个胃部病理样本进行重新分簇；运算重新分簇后的各簇的聚类中心；
分型模型创建识别单元，进行处理器运算循环，判定聚类中心是否仍有变化；当聚类中心不再变化聚类结束，得到胃癌分型模型；通过胃癌分型模型多分类识别低分化胃癌、中分化胃癌、高分化胃癌、高级别异性增生或高级别上皮内瘤变、印戒细胞癌与粘液腺癌。
上述技术方案的原理及效果为：利用胃癌分型模型识别，通过逻辑处理器运算单元，通过处理器运算每个胃部病理样本与各聚类中心的列向量、行向量和对角向量；运算每个胃部病理样本与各聚类中心的列向量相关系数、行向量相关系数和对角向量的相关系数；加入行向量、列向量、行向量相关系数和列向量相关系数所占的权重，运算每个胃部病理样本与各聚类中心的相似度度量；根据相似度度量将每个胃部病理样本进行重新分簇；运算重新分簇后的各簇的聚类中心；分型模型创建识别单元，进行处理器运算循环，判定聚类中心是否仍有变化；当聚类中心不再变化聚类结束，得到胃癌分型模型；通过胃癌分型模型多分类识别低分化胃癌、中分化胃癌、高分化胃癌、高级别异性增生或高级别上皮内瘤变、印戒细胞癌与粘液腺癌；模型通过学习大量的病理图像和相关数据，能够提取更多的预后相关特征，实现对患者预后的精确预测。
在一个实施例中，多分类良性分型模型识别模块包括：
胃癌分型数据集单元，根据获取胃癌分型模型的输出胃癌分型数据，创建胃癌分型数据集；获取胃癌分型模型最新产生的连续的Y个原始胃癌分型数据点，原始胃癌分型数据点中记录胃癌分型模型产生的胃癌分型数据，Y为大于等于2的整数；
良性分型模型创建分阶处理单元，根据连续的Y个原始胃癌分型数据点得到1个整阶胃癌分型数据和X个分阶胃癌分型数据，X为大于等于2的整数；X个分阶胃癌分型数据，按照每个分阶胃癌分型数据与其他任一分阶胃癌分型数据存在胃癌分型数据点交集的方式对Y个原始胃癌分型数据点进行分阶处理，根据胃癌分型数据，预测胃癌当前状态，创建多分类良性分型模型；通过多分类良性分型模型多分类识别低级别异性增生或低级别上皮内瘤变、肠化与炎症。
上述技术方案的原理及效果为：利用多分类良性分型模型识别，通过胃癌分型数据集单元，根据获取胃癌分型模型的输出胃癌分型数据，创建胃癌分型数据集；获取胃癌分型模型最新产生的连续的Y个原始胃癌分型数据点，原始胃癌分型数据点中记录胃癌分型模型产生的胃癌分型数据，Y为大于等于2的整数；良性分型模型创建分阶处理单元，根据连续的Y个原始胃癌分型数据点得到1个整阶胃癌分型数据和X个分阶胃癌分型数据，X为大于等于2的整数；X个分阶胃癌分型数据，按照每个分阶胃癌分型数据与其他任一分阶胃癌分型数据存在胃癌分型数据点交集的方式对Y个原始胃癌分型数据点进行分阶处理，根据胃癌分型数据，预测胃癌当前状态，创建多分类良性分型模型；通过多分类良性分型模型多分类识别低级别异性增生或低级别上皮内瘤变、肠化与炎症；助于医生更好地评估患者的预后风险，制定个性化的治疗方案，提供更精准的医疗建议。
在一个实施例中，多分类炎症分型模型识别模块包括：
炎症分型模型创建单元，分析已知无癌区域信息，预估未知无癌区域信息的贫信息不确定性，创建多分类炎症分型模型；通过多分类炎症分型模型多分类识别慢性胃炎、急性胃炎或活动性胃炎与胃萎缩；
病理特征跳跃连接单元，在深度神经网络增加动态选择层；所述动态选择层的层节点与输入节点间设计跳跃连接层，通过跳跃连接层跳跃连接线跨越层级确定该特征是否被选择，进行病理特征的动态选择；
异常识别区域检测单元，对胃癌检测识别模型的输出数据进行分析；利用样本胃部病理图像和胃癌检测识别模型识别胃部病理图像进行对比分析胃癌检测识别模型检测胃部病理图像数据特性与样本胃部病理图像特性的差异，发现胃部病理图像异常识别区域。
上述技术方案的原理及效果为：利用多分类炎症分型模型识别，通过炎症分型模型创建单元，分析已知无癌区域信息，预估未知无癌区域信息的贫信息不确定性，创建多分类炎症分型模型；通过多分类炎症分型模型多分类识别慢性胃炎、急性胃炎或活动性胃炎与胃萎缩；病理特征跳跃连接单元，在深度神经网络增加动态选择层；所述动态选择层的层节点与输入节点间设计跳跃连接层，通过跳跃连接层跳跃连接线跨越层级确定该特征是否被选择，进行病理特征的动态选择；异常识别区域检测单元，对胃癌检测识别模型的输出数据进行分析；利用样本胃部病理图像和胃癌检测识别模型识别胃部病理图像进行对比分析胃癌检测识别模型检测胃部病理图像数据特性与样本胃部病理图像特性的差异，发现胃部病理图像异常识别区域；加速机器学习过程；提供更精准的病理学信息，辅助医生制定治疗方案和预后预测，促进医学教育和研究的发展。
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.基于级联深度学习的胃部病理诊断与分型系统，其特征在于，包括：
监督信息增强标注分系统，获取胃部病理图像级数据，对胃部病理图像级数据进行像素级标注，通过弱监督学习框架对标注进行进一步的细化，获得精细像素级标注；
跳跃连接系列诊断模型分系统，通过跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；跳跃连接系列诊断模型包括：胃癌检测识别模型、胃癌分型模型、多分类良性分型模型及多分类炎症分型模型；
系列级联病理切片流转分系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；
循环测试炎症分型输出分系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试炎症分型，获取胃部病理炎症分型结果；将胃部病理流转诊断数据与胃部病理炎症分型结果输出生成胃部组织切片病理诊断与分型数字报告。
2.根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，监督信息增强标注分系统包括：
第一像素级标注子系统，获取胃部病理图像数据，通过第一像素级标注框架，对胃部病理图像数据进行像素级标注，获取胃部病理图像第一像素级标注数据；
增强训练块级标注子系统，根据胃部病理图像第一像素级标注数据，通过组合多实例学习框架对胃部病理图像第一像素级标注数据进行分块处理，将图像级标注转换到图像块级标注，获取胃部病理图像第一图像块级标注数据；将第一图像块级标注数据增强训练标注获得指数倍有监督信息，获取第二图像块级标注数据；
标注细化块级像素还原子系统，通过多实例弱监督学习框架对胃部病理图像第一图像块级标注数据进行细化，将图像块级别的标注直接赋给每一个像素点，生成第二像素级标注数据，获得精细像素级标注。
3.根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，跳跃连接系列诊断模型分系统包括：
残差网络层数选择子系统，根据深度神经网络层级，自动选择跳跃连接残差网络层数；
恒等映射跳跃连接子系统，根据跳跃连接残差网络层数，通过恒等映射设置跳跃连接线跨越层级，获取跳跃连接残差网络；
跳跃连接系列诊断模型子系统，根据跳跃连接残差网络，构建跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型。
4.根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，系列级联病理切片流转分系统包括：
诊断模型系统级联子系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型；
胃部数字病理切片流转子系统，通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转包括：数字切片首先经过胃癌检测识别模型，有癌区域经过胃癌分型模型，无癌区域经过多分类良性分型模型，最后炎症区域经过多分类炎症分型模型。
5.根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，循环测试炎症分型输出分系统包括：
循环测试分型架构子系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试，形成胃部病理诊断循环测试分型架构；
胃部病理炎症分型子系统，根据胃部病理诊断循环测试分型架构，对胃部病理流转诊断数据进行炎症分型，获取胃部病理炎症分型结果；
胃部病理数字报告子系统，将胃部病理流转诊断数据与胃部病理炎症分型结果通过胃部病理诊断循环测试分型架构输出，生成胃部组织切片病理诊断与分型数字报告。
6.根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，跳跃连接系列诊断模型子系统包括：
胃癌检测识别模型识别模块，通过胃癌检测识别模型对胃癌区域进行识别检测；
胃癌分型模型识别模块，通过胃癌分型模型多分类识别低分化胃癌、中分化胃癌、高分化胃癌、高级别异性增生或高级别上皮内瘤变、印戒细胞癌与粘液腺癌；
多分类良性分型模型识别模块，通过多分类良性分型模型多分类识别低级别异性增生或低级别上皮内瘤变、肠化与炎症；
多分类炎症分型模型识别模块，通过多分类炎症分型模型多分类识别慢性胃炎、急性胃炎或活动性胃炎与胃萎缩。
7.根据权利要求6所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，胃癌检测识别模型识别模块包括：
概率丢弃全连接模型构建单元，设置多阶段检测深度神经网络，在多阶段检测深度神经网络最后的神经网络层后增加全连接层，在全连接层后添加神经元概率丢弃层，创建胃癌检测识别模型；
胃癌检测模型检测单元，通过胃癌检测识别模型，预测胃癌实际区域，对胃癌区域进行识别检测。
8.根据权利要求6所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，胃癌分型模型识别模块包括：
逻辑处理器运算单元，通过处理器运算每个胃部病理样本与各聚类中心的列向量、行向量和对角向量；运算每个胃部病理样本与各聚类中心的列向量相关系数、行向量相关系数和对角向量的相关系数；加入行向量、列向量、行向量相关系数和列向量相关系数所占的权重，运算每个胃部病理样本与各聚类中心的相似度度量；根据相似度度量将每个胃部病理样本进行重新分簇；运算重新分簇后的各簇的聚类中心；
分型模型创建识别单元，进行处理器运算循环，判定聚类中心是否仍有变化；当聚类中心不再变化聚类结束，得到胃癌分型模型；通过胃癌分型模型多分类识别低分化胃癌、中分化胃癌、高分化胃癌、高级别异性增生或高级别上皮内瘤变、印戒细胞癌与粘液腺癌。
9.根据权利要求6所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，多分类良性分型模型识别模块包括：
胃癌分型数据集单元，根据获取胃癌分型模型的输出胃癌分型数据，创建胃癌分型数据集；获取胃癌分型模型最新产生的连续的Y个原始胃癌分型数据点，原始胃癌分型数据点中记录胃癌分型模型产生的胃癌分型数据，Y为大于等于2的整数；
良性分型模型创建分阶处理单元，根据连续的Y个原始胃癌分型数据点得到1个整阶胃癌分型数据和X个分阶胃癌分型数据，X为大于等于2的整数；X个分阶胃癌分型数据，按照每个分阶胃癌分型数据与其他任一分阶胃癌分型数据存在胃癌分型数据点交集的方式对Y个原始胃癌分型数据点进行分阶处理，根据胃癌分型数据，预测胃癌当前状态，创建多分类良性分型模型；通过多分类良性分型模型多分类识别低级别异性增生或低级别上皮内瘤变、肠化与炎症。
10.根据权利要求6所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，多分类炎症分型模型识别模块包括：
炎症分型模型创建单元，分析已知无癌区域信息，预估未知无癌区域信息的贫信息不确定性，创建多分类炎症分型模型；通过多分类炎症分型模型多分类识别慢性胃炎、急性胃炎或活动性胃炎与胃萎缩；
病理特征跳跃连接单元，在深度神经网络增加动态选择层；所述动态选择层的层节点与输入节点间设计跳跃连接层，通过跳跃连接层跳跃连接线跨越层级确定该特征是否被选择，进行病理特征的动态选择；
异常识别区域检测单元，对胃癌检测识别模型的输出数据进行分析；利用样本胃部病理图像和胃癌检测识别模型识别胃部病理图像进行对比分析胃癌检测识别模型检测胃部病理图像数据特性与样本胃部病理图像特性的差异，发现胃部病理图像异常识别区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311088668.1A CN117152509B (zh) | 2023-08-28 | 2023-08-28 | 基于级联深度学习的胃部病理诊断与分型系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311088668.1A CN117152509B (zh) | 2023-08-28 | 2023-08-28 | 基于级联深度学习的胃部病理诊断与分型系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117152509A true CN117152509A (zh) | 2023-12-01 |
| CN117152509B CN117152509B (zh) | 2024-04-30 |
Family
ID=88901957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311088668.1A Active CN117152509B (zh) | 2023-08-28 | 2023-08-28 | 基于级联深度学习的胃部病理诊断与分型系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152509B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109065182A (zh) * | 2018-08-21 | 2018-12-21 | 广州雅莉卡科技有限公司 | 一种病理全流程质控与信息管理系统 |
| CN111341442A (zh) * | 2020-03-03 | 2020-06-26 | 宁波兰茜生物科技有限公司 | 一种多功能一体化肺癌辅助诊断系统 |
| CN111899229A (zh) * | 2020-07-14 | 2020-11-06 | 武汉楚精灵医疗科技有限公司 | 一种基于深度学习多模型融合技术的胃早癌辅助诊断方法 |
| CN111916206A (zh) * | 2020-08-04 | 2020-11-10 | 重庆大学 | 一种基于级联的ct影像辅助诊断系统 |
| CN112233087A (zh) * | 2020-10-14 | 2021-01-15 | 武汉楚精灵医疗科技有限公司 | 一种基于人工智能的眼科超声疾病诊断方法和系统 |
| CN112884724A (zh) * | 2021-02-02 | 2021-06-01 | 广州智睿医疗科技有限公司 | 一种用于肺癌组织病理分型的智能判断方法及系统 |
| CN113222933A (zh) * | 2021-05-13 | 2021-08-06 | 西安交通大学 | 一种应用于肾细胞癌全链条诊断的图像识别系统 |
| CN116230208A (zh) * | 2023-02-15 | 2023-06-06 | 北京透彻未来科技有限公司 | 基于深度学习的胃粘膜炎症分型辅助诊断系统 |
| CN116363647A (zh) * | 2023-03-29 | 2023-06-30 | 北京透彻未来科技有限公司 | 基于深度语义分割网络的肺癌病理组织分型系统 |
-
2023
- 2023-08-28 CN CN202311088668.1A patent/CN117152509B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109065182A (zh) * | 2018-08-21 | 2018-12-21 | 广州雅莉卡科技有限公司 | 一种病理全流程质控与信息管理系统 |
| CN111341442A (zh) * | 2020-03-03 | 2020-06-26 | 宁波兰茜生物科技有限公司 | 一种多功能一体化肺癌辅助诊断系统 |
| CN111899229A (zh) * | 2020-07-14 | 2020-11-06 | 武汉楚精灵医疗科技有限公司 | 一种基于深度学习多模型融合技术的胃早癌辅助诊断方法 |
| CN111916206A (zh) * | 2020-08-04 | 2020-11-10 | 重庆大学 | 一种基于级联的ct影像辅助诊断系统 |
| CN112233087A (zh) * | 2020-10-14 | 2021-01-15 | 武汉楚精灵医疗科技有限公司 | 一种基于人工智能的眼科超声疾病诊断方法和系统 |
| CN112884724A (zh) * | 2021-02-02 | 2021-06-01 | 广州智睿医疗科技有限公司 | 一种用于肺癌组织病理分型的智能判断方法及系统 |
| CN113222933A (zh) * | 2021-05-13 | 2021-08-06 | 西安交通大学 | 一种应用于肾细胞癌全链条诊断的图像识别系统 |
| CN116230208A (zh) * | 2023-02-15 | 2023-06-06 | 北京透彻未来科技有限公司 | 基于深度学习的胃粘膜炎症分型辅助诊断系统 |
| CN116363647A (zh) * | 2023-03-29 | 2023-06-30 | 北京透彻未来科技有限公司 | 基于深度语义分割网络的肺癌病理组织分型系统 |
Non-Patent Citations (1)
| Title |
|---|
| ZHIGANG SONG ET AL: "Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning", 《NATURE COMMUNICATIONS》, 27 August 2020 (2020-08-27) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117152509B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ozdemir et al. | A 3D probabilistic deep learning system for detection and diagnosis of lung cancer using low-dose CT scans | |
| Sun et al. | Computer-aided diagnosis in histopathological images of the endometrium using a convolutional neural network and attention mechanisms | |
| CN107016665B (zh) | 一种基于深度卷积神经网络的ct肺结节检测方法 | |
| CN112101451A (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN113657503A (zh) | 一种基于多模态数据融合的恶性肝肿瘤分类方法 | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| Hameurlaine et al. | Survey of brain tumor segmentation techniques on magnetic resonance imaging | |
| Baskar et al. | Classification system for lung cancer nodule using machine learning technique and CT images | |
| CN112598086A (zh) | 基于深度神经网络的常见结肠部疾病分类方法及辅助系统 | |
| CN111814893A (zh) | 基于深度学习的肺部全扫描图像egfr突变预测方法和系统 | |
| CN104835155A (zh) | 基于分形的早期乳腺癌钙化点计算机辅助检测方法 | |
| CN117152509B (zh) | 基于级联深度学习的胃部病理诊断与分型系统 | |
| CN116936127A (zh) | 一种基于人工智能的原发性胆汁性肝硬化病理识别系统 | |
| CN116933135A (zh) | 基于跨模态融合级联的癌症分期预测模型建模系统及方法 | |
| Al Mamun et al. | Acute lymphoblastic leukemia detection approach from peripheral blood smear using color threshold and morphological techniques | |
| Al-Shouka et al. | A Transfer Learning for Intelligent Prediction of Lung Cancer Detection | |
| Nalla et al. | Influence of Convolutional Neural Network Depth on the Efficacy of Automated Breast Cancer Screening Systems | |
| Pham et al. | Deep learning Of P73 biomarker expression in rectal cancer patients | |
| Mete et al. | A Quaternary Classifier for the Clinical Evaluation of Pigmented Skin Lesions | |
| Vinta et al. | Segmentation and Classification of Interstitial Lung Diseases Based on Hybrid Deep Learning Network Model | |
| Khagi et al. | A machine learning-based approach to identify peripheral artery disease using texture features from contrast-enhanced magnetic resonance imaging | |
| Wang et al. | A Lung Nodule Detector Based on U-Net and 3D-CNN Model | |
| Adlersson | Is eXplainable AI suitable as a hypotheses generating tool for medical research? Comparing basic pathology annotation with heat maps to find out | |
| Hamid et al. | Deep Learning CNNs for Breast Cancer Classification and Detection” Enhancing Diagnostic Accuracy in Medical Practice | |
| Pathan et al. | An Efficient GPU/Deep Learning Model Approach for Brain Tumor Detection in Pakistan |
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 |