CN117422732B - 病理学图像分割方法及装置 - Google Patents
病理学图像分割方法及装置 Download PDFInfo
- Publication number
- CN117422732B CN117422732B CN202311736364.1A CN202311736364A CN117422732B CN 117422732 B CN117422732 B CN 117422732B CN 202311736364 A CN202311736364 A CN 202311736364A CN 117422732 B CN117422732 B CN 117422732B
- Authority
- CN
- China
- Prior art keywords
- model
- segmentation
- diffusion model
- region
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001575 pathological effect Effects 0.000 title claims abstract description 75
- 238000003709 image segmentation Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000009792 diffusion process Methods 0.000 claims abstract description 101
- 230000011218 segmentation Effects 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000007170 pathology Effects 0.000 claims abstract description 34
- 238000002372 labelling Methods 0.000 claims abstract description 17
- 238000002347 injection Methods 0.000 claims description 12
- 239000007924 injection Substances 0.000 claims description 12
- 230000001788 irregular Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种病理学图像分割方法及装置，该方法通过获取已标注类别的病理区域，并对病理区域进行裁剪，将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练，基于预训练的扩散模型，在编码信息中加入标注区域信息，训练扩散模型，将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型，输入病理图像，通过分割模型得到分割结果；本发明能显著降低模型对训练数据的需求量，从而减轻医生和标注人员的工作量，生成的较高质量标签数据可以训练出精度更高的分割模型，提高对病理图像的分析精度。同时可以通过医生的需求生成存量少的小样本病理学图像，进行相关的培训工作。
Description
技术领域
本发明涉及图像分割技术领域，尤其涉及一种病理学图像分割方法及装置。
背景技术
随着医学技术的发展，病理学显微图像在疾病诊断、治疗评估等方面发挥着越来越重要的作用。但是目前大多数对病理学图像的分析仍然依赖于医生的手工观察和标注，小样本病理学数据种类较多，高质量标签需要经验丰富的医生才能标注，并且标签存量较少，很难直接通过监督学习训练语义分割模型。阳性区域和阴性区域的边界模糊，现有的标签只是大致将阳性区域标注出来，但是在边界区域仍然存在大量阴性细胞组织，需要修正细胞组织标签。小样本病理数据少，单张图片尺寸大导致大量相似信息，且各个类别样本不平衡。由此可见，现有技术无法满足临床大规模病理学图像分析的需求，如何实现无需大量标注就能实现对病理学图像的精确自动分割，是业内需要解决的问题。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种病理学图像分割方法及装置，以解决现有难以实现无需大量标注就能实现对病理学图像的精确自动分割的问题。
第一方面，本发明提供一种病理学图像分割方法，包括：
获取已标注类别的病理区域，并对病理区域进行裁剪，得到裁剪后区域；
将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练；
基于预训练的扩散模型，在编码信息中加入标注区域信息，训练扩散模型，使得扩散模型能够生成完整的病理图像；
将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型；
输入病理图像，通过所述分割模型得到分割结果。
进一步地，将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练，包括：
将裁剪后区域x0作为目标输入到扩散模型，且该阶段输入编码信息中只保留阶段t，阶段t表示马尔可夫链中的状态，扩散过程如下：
；
其中，表示人为设定超参数。
进一步地，扩散模型的损失函数Lt如下：
；
通过对扩散模型进行预训练，使扩散模型能够生成指定大小的病理区域。
进一步地，将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型，包括：
固定扩散模型参数，通过随机生长的方式生成不规则区域，作为整个病理前景区域S；
在区域S中随机选择注入点pn，在注入点pn再次随机生长，生成区域Sn，区域Sn边界不与区域S接触；
将真实病理图像xr与通过区域S生成的病理图像xg输入到语义分割网络中，得到输出yr和yg；
根据真实的标注区域信息lr与区域S，以及输出yr和yg，计算损失，调整所述语义分割网络，得到对病理图像的分割模型。
进一步地，分割模型的损失函数Ls如下：
；
其中，是人为设定权重，c表示类别，/>为对应类别区域在前景中的面积占比。
第二方面，本发明提供一种病理学图像分割装置，包括：
获取单元，用于获取已标注类别的病理区域，并对病理区域进行裁剪，得到裁剪后区域；
预训练单元，用于将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练；
训练单元，用于基于预训练的扩散模型，在编码信息中加入标注区域信息，训练扩散模型，使得扩散模型能够生成完整的病理图像；
串联单元，用于将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型；
分割单元，用于输入病理图像，通过所述分割模型得到分割结果。
进一步地，所述预训练单元，用于：
将裁剪后区域x0作为目标输入到扩散模型，且该阶段输入编码信息中只保留阶段t，阶段t表示马尔可夫链中的状态，扩散过程如下：
；
其中，表示人为设定超参数。
进一步地，扩散模型的损失函数Lt如下：
；
通过对扩散模型进行预训练，使扩散模型能够生成指定大小的病理区域。
进一步地，所述串联单元，包括：
第一生成单元，用于固定扩散模型参数，通过随机生长的方式生成不规则区域，作为整个病理前景区域S；
第二生成单元，用于在区域S中随机选择注入点pn，在注入点pn再次随机生长，生成区域Sn，区域Sn边界不与区域S接触；
输入单元，用于将真实病理图像xr与通过区域S生成的病理图像xg输入到语义分割网络中，得到输出yr和yg；
计算单元，用于根据真实的标注区域信息lr与区域S，以及输出yr和yg，计算损失，调整所述语义分割网络，得到对病理图像的分割模型。
进一步地，分割模型的损失函数Ls如下：
；
其中，是人为设定权重，c表示类别，/>为对应类别区域在前景中的面积占比。
本发明的有益效果如下：本发明的病理学图像分割方法及装置，通过获取已标注类别的病理区域，并对病理区域进行裁剪，得到裁剪后区域，将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练，基于预训练的扩散模型，在编码信息中加入标注区域信息，训练扩散模型，使得扩散模型能够生成完整的病理图像，将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型，输入病理图像，通过分割模型得到分割结果；本发明能显著降低模型对训练数据的需求量，从而减轻医生和标注人员的工作量，生成的较高质量标签数据可以训练出精度更高的分割模型，提高对病理图像的分析精度。同时可以通过医生的需求生成存量少的小样本病理学图像，进行相关的培训工作。
附图说明
图1为本发明的病理学图像分割方法的流程图；
图2为基于Unet的语义分割网络结构图；
图3为基于Diffusion的图像生成网络结构图；
图4为病理学图像标注示意图；
图5为本发明的病理学图像分割装置框图。
具体实施方式
下述非限制性实施例可以使本领域的普通技术人员更全面地理解本发明，但不以任何方式限制本发明，有必要指出的是以下实施例不能理解为对本发明保护范围的限制，如果该领域的技术熟练人员根据上述本发明内容对本发明做出一些非本质的改进和调整，仍属于本发明保护范围。
请参阅图1至图4，本发明提供一种病理学图像分割方法，包括：
S101，获取已标注类别的病理区域，并对病理区域进行裁剪，得到裁剪后区域。
具体地，获取已标注类别的病理区域x，并对其进行裁剪，得到裁剪后区域x0，减少周边无效信息对模型的影响。图4为病理学图像标注示意图，图4左侧为医生的初始标注，大致标记出病灶区域。
S102，将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练。
具体地，扩散模型采用基于Diffusion的图像生成网络，该扩散模型在计算机视觉任务中表现出色，扩散模型的生成能力和对数据分布建模的能力非常适合解决病理学图像分割中的小样本和形态变异问题。
如图3中的上图所示，x0到z的过程为扩散，z到x0的过程为逆扩散，每一步逆扩散通过带有编码输入的Unet模型实现，如图3中的下图，通过xn+1输入编码器，语义信息输入对应编码器，特征向量叠加后输入解码器，拟合xn。图3中方块表示图像数据的大小，短箭头表示卷积层，中间的长箭头表示特征融合。
将裁剪后区域x0作为目标输入到扩散模型，且该阶段输入编码信息中只保留阶段t，阶段t表示马尔可夫链中的状态。每个阶段扩散模型输入为xn+1，目标为xn，扩散过程如下：
；
其中，表示人为设定超参数。
扩散模型的损失函数Lt如下：
；
通过对扩散模型进行预训练，使扩散模型能够生成指定大小的病理区域。
S103，基于预训练的扩散模型，在编码信息中加入标注区域信息，训练扩散模型，使得扩散模型能够生成完整的病理图像。
其中图4右侧包含病灶区域和阴性区域。
具体地，该步骤的扩散过程和损失和S102相同。
S104，将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型。
具体地，采用基于Unet的语义分割网络。如图2 所示，为通用语义分割模型Unet，由对称的编码器和解码器，以及跳连接组成。它保证了在恢复分辨率的同时，融合了不同尺度特征。图2中方块表示图像数据的大小，短箭头表示卷积层，中间的长箭头表示特征融合。
固定扩散模型参数，通过随机生长的方式生成不规则区域，作为整个病理前景区域S；在区域S中随机选择注入点pn，在注入点pn再次随机生长，生成区域Sn，区域Sn边界不与区域S接触；将真实病理图像xr与通过区域S生成的病理图像xg输入到语义分割网络中，得到输出yr和yg；根据真实的标注区域信息lr与区域S，以及输出yr和yg，计算损失，调整所述语义分割网络，得到对病理图像的分割模型。
分割模型的损失函数Ls如下：
；
其中，是人为设定权重，c表示类别，/>为对应类别区域在前景中的面积占比。
S105，输入病理图像，通过所述分割模型得到分割结果。
本发明通过使用局部数据训练扩散模型，使得模型可以生成随机的对应类别的细胞区域；再通过包含两个类别以上的细胞区域微调扩散模型，可以根据给定类别区域生成对应细胞图像。通过扩散模型生成类别样本均衡的伪数据，通过伪数据训练分割模型，再通过真实标签数据对分割模型进行微调。本发明通过双重对抗约束引导生成模型输出更加准确的分割结果，该方法无需大量标注就能实现对病理学图像的精确自动分割。
请参阅图5，本发明提出一种病理学图像分割装置，包括：
获取单元51，用于获取已标注类别的病理区域，并对病理区域进行裁剪，得到裁剪后区域；
预训练单元52，用于将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练；
训练单元53，用于基于预训练的扩散模型，在编码信息中加入标注区域信息，训练扩散模型，使得扩散模型能够生成完整的病理图像；
串联单元54，用于将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型；
分割单元55，用于输入病理图像，通过所述分割模型得到分割结果。
在本实施例中，所述预训练单元，用于：
将裁剪后区域x0作为目标输入到扩散模型，且该阶段输入编码信息中只保留阶段t，阶段t表示马尔可夫链中的状态，扩散过程如下：
；
其中，表示人为设定超参数。
在本实施例中，扩散模型的损失函数Lt如下：
；
通过对扩散模型进行预训练，使扩散模型能够生成指定大小的病理区域。
在本实施例中，所述串联单元，包括：
第一生成单元，用于固定扩散模型参数，通过随机生长的方式生成不规则区域，作为整个病理前景区域S；
第二生成单元，用于在区域S中随机选择注入点pn，在注入点pn再次随机生长，生成区域Sn，区域Sn边界不与区域S接触；
输入单元，用于将真实病理图像xr与通过区域S生成的病理图像xg输入到语义分割网络中，得到输出yr和yg；
计算单元，用于根据真实的标注区域信息lr与区域S，以及输出yr和yg，计算损失，调整所述语义分割网络，得到对病理图像的分割模型。
在本实施例中，分割模型的损失函数Ls如下：
；
其中，是人为设定权重，c表示类别，/>为对应类别区域在前景中的面积占比。
本发明实施例还提供一种存储介质，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明提供的病理学图像分割方法各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：Read-OnlyMemory，简称：ROM）或随机存储记忆体（英文：RandomAccessMemory，简称：RAM）等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于病理学图像分割装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (6)
1.一种病理学图像分割方法，其特征在于，包括：
获取已标注类别的病理区域，并对病理区域进行裁剪，得到裁剪后区域；
将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练；
基于预训练的扩散模型，在编码信息中加入标注区域信息，训练扩散模型，使得扩散模型能够生成完整的病理图像；
将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型；
输入病理图像，通过所述分割模型得到分割结果；
将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型，包括：
固定扩散模型参数，通过随机生长的方式生成不规则区域，作为整个病理前景区域S；
在区域S中随机选择注入点pn，在注入点pn再次随机生长，生成区域Sn，区域Sn边界不与区域S接触；
将真实病理图像xr与通过区域S生成的病理图像xg输入到语义分割网络中，得到输出yr和yg；
根据真实的标注区域信息lr与区域S，以及输出yr和yg，计算损失，调整所述语义分割网络，得到对病理图像的分割模型；
分割模型的损失函数Ls如下：
；
其中，是人为设定权重，c表示类别，/>为对应类别区域在前景中的面积占比。
2.如权利要求1所述的病理学图像分割方法，其特征在于，将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练，包括：
将裁剪后区域x0作为目标输入到扩散模型，且该阶段输入编码信息中只保留阶段t，阶段t表示马尔可夫链中的状态，扩散过程如下：
；
其中，表示人为设定超参数。
3.如权利要求2所述的病理学图像分割方法，其特征在于，扩散模型的损失函数Lt如下：
；
通过对扩散模型进行预训练，使扩散模型能够生成指定大小的病理区域。
4.一种病理学图像分割装置，其特征在于，包括：
获取单元，用于获取已标注类别的病理区域，并对病理区域进行裁剪，得到裁剪后区域；
预训练单元，用于将裁剪后区域作为目标输入到扩散模型，对扩散模型进行预训练；
训练单元，用于基于预训练的扩散模型，在编码信息中加入标注区域信息，训练扩散模型，使得扩散模型能够生成完整的病理图像；
串联单元，用于将语义分割网络与扩散模型串联，训练语义分割网络，得到对病理图像的分割模型；
分割单元，用于输入病理图像，通过所述分割模型得到分割结果；
所述串联单元，包括：
第一生成单元，用于固定扩散模型参数，通过随机生长的方式生成不规则区域，作为整个病理前景区域S；
第二生成单元，用于在区域S中随机选择注入点pn，在注入点pn再次随机生长，生成区域Sn，区域Sn边界不与区域S接触；
输入单元，用于将真实病理图像xr与通过区域S生成的病理图像xg输入到语义分割网络中，得到输出yr和yg；
计算单元，用于根据真实的标注区域信息lr与区域S，以及输出yr和yg，计算损失，调整所述语义分割网络，得到对病理图像的分割模型；
分割模型的损失函数Ls如下：
；
其中，是人为设定权重，c表示类别，/>为对应类别区域在前景中的面积占比。
5.如权利要求4所述的病理学图像分割装置，其特征在于，所述预训练单元，用于：
将裁剪后区域x0作为目标输入到扩散模型，且该阶段输入编码信息中只保留阶段t，阶段t表示马尔可夫链中的状态，扩散过程如下：
；
其中，表示人为设定超参数。
6.如权利要求5所述的病理学图像分割装置，其特征在于，扩散模型的损失函数Lt如下：
；
通过对扩散模型进行预训练，使扩散模型能够生成指定大小的病理区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311736364.1A CN117422732B (zh) | 2023-12-18 | 2023-12-18 | 病理学图像分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311736364.1A CN117422732B (zh) | 2023-12-18 | 2023-12-18 | 病理学图像分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117422732A CN117422732A (zh) | 2024-01-19 |
| CN117422732B true CN117422732B (zh) | 2024-02-23 |
Family
ID=89530546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311736364.1A Active CN117422732B (zh) | 2023-12-18 | 2023-12-18 | 病理学图像分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422732B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113628207A (zh) * | 2021-08-30 | 2021-11-09 | 脑玺(苏州)智能科技有限公司 | 一种图像区域分割方法、装置、设备及存储介质 |
| CN114820602A (zh) * | 2022-06-27 | 2022-07-29 | 脑玺(苏州)智能科技有限公司 | 一种缺血区分割方法、装置、设备及存储介质 |
| CN115082927A (zh) * | 2022-07-05 | 2022-09-20 | 陈湘 | 一种显微影像中针尖定位及语义分割方法及装置 |
| WO2022257410A1 (zh) * | 2021-06-08 | 2022-12-15 | 青岛商汤科技有限公司 | 图像分割和分类方法及其模型训练方法、相关装置及介质 |
| CN115578560A (zh) * | 2022-10-09 | 2023-01-06 | 杭州智汇明壹医疗科技有限公司 | 基于深度学习的ihc膜浆表达病理图像的癌区分割方法 |
| WO2023050651A1 (zh) * | 2021-09-29 | 2023-04-06 | 平安科技（深圳）有限公司 | 图像语义分割方法、装置、设备及存储介质 |
| CN116109824A (zh) * | 2023-02-10 | 2023-05-12 | 清华大学 | 基于扩散模型的医学影像及像素级标注生成方法及装置 |
| US11721023B1 (en) * | 2022-10-04 | 2023-08-08 | HeHealth PTE Ltd. | Distinguishing a disease state from a non-disease state in an image |
| CN116596949A (zh) * | 2023-05-29 | 2023-08-15 | 浙江工业大学 | 一种基于条件扩散模型的医学图像分割方法 |
| CN116824146A (zh) * | 2023-07-05 | 2023-09-29 | 深圳技术大学 | 一种小样本ct图像分割方法、系统、终端及存储介质 |
| CN116934965A (zh) * | 2023-07-12 | 2023-10-24 | 上海交通大学 | 基于可控生成扩散模型的脑血管三维图像生成方法及系统 |
| CN116977323A (zh) * | 2023-08-15 | 2023-10-31 | 中国科学院大学 | 基于图像编辑的白癜风病变区域分割方法、装置及电子设备 |
| CN117036386A (zh) * | 2023-09-14 | 2023-11-10 | 西南石油大学 | 一种使用扩散模型生成数据的颈椎mri图像自监督分割方法 |
| CN117197459A (zh) * | 2023-09-07 | 2023-12-08 | 西安理工大学 | 基于显著性图与注意力机制的弱监督语义分割方法 |
| CN117218138A (zh) * | 2023-08-25 | 2023-12-12 | 上海市第一人民医院 | 一种基于深度学习的黑色素瘤图像分割方法 |
| CN117237371A (zh) * | 2023-09-28 | 2023-12-15 | 山东师范大学 | 基于实例感知扩散模型的结肠组织学图像腺体分割方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200242771A1 (en) * | 2019-01-25 | 2020-07-30 | Nvidia Corporation | Semantic image synthesis for generating substantially photorealistic images using neural networks |
| US20230103638A1 (en) * | 2021-10-06 | 2023-04-06 | Google Llc | Image-to-Image Mapping by Iterative De-Noising |
-
2023
- 2023-12-18 CN CN202311736364.1A patent/CN117422732B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022257410A1 (zh) * | 2021-06-08 | 2022-12-15 | 青岛商汤科技有限公司 | 图像分割和分类方法及其模型训练方法、相关装置及介质 |
| CN113628207A (zh) * | 2021-08-30 | 2021-11-09 | 脑玺(苏州)智能科技有限公司 | 一种图像区域分割方法、装置、设备及存储介质 |
| WO2023050651A1 (zh) * | 2021-09-29 | 2023-04-06 | 平安科技（深圳）有限公司 | 图像语义分割方法、装置、设备及存储介质 |
| CN114820602A (zh) * | 2022-06-27 | 2022-07-29 | 脑玺(苏州)智能科技有限公司 | 一种缺血区分割方法、装置、设备及存储介质 |
| CN115082927A (zh) * | 2022-07-05 | 2022-09-20 | 陈湘 | 一种显微影像中针尖定位及语义分割方法及装置 |
| US11721023B1 (en) * | 2022-10-04 | 2023-08-08 | HeHealth PTE Ltd. | Distinguishing a disease state from a non-disease state in an image |
| CN115578560A (zh) * | 2022-10-09 | 2023-01-06 | 杭州智汇明壹医疗科技有限公司 | 基于深度学习的ihc膜浆表达病理图像的癌区分割方法 |
| CN116109824A (zh) * | 2023-02-10 | 2023-05-12 | 清华大学 | 基于扩散模型的医学影像及像素级标注生成方法及装置 |
| CN116596949A (zh) * | 2023-05-29 | 2023-08-15 | 浙江工业大学 | 一种基于条件扩散模型的医学图像分割方法 |
| CN116824146A (zh) * | 2023-07-05 | 2023-09-29 | 深圳技术大学 | 一种小样本ct图像分割方法、系统、终端及存储介质 |
| CN116934965A (zh) * | 2023-07-12 | 2023-10-24 | 上海交通大学 | 基于可控生成扩散模型的脑血管三维图像生成方法及系统 |
| CN116977323A (zh) * | 2023-08-15 | 2023-10-31 | 中国科学院大学 | 基于图像编辑的白癜风病变区域分割方法、装置及电子设备 |
| CN117218138A (zh) * | 2023-08-25 | 2023-12-12 | 上海市第一人民医院 | 一种基于深度学习的黑色素瘤图像分割方法 |
| CN117197459A (zh) * | 2023-09-07 | 2023-12-08 | 西安理工大学 | 基于显著性图与注意力机制的弱监督语义分割方法 |
| CN117036386A (zh) * | 2023-09-14 | 2023-11-10 | 西南石油大学 | 一种使用扩散模型生成数据的颈椎mri图像自监督分割方法 |
| CN117237371A (zh) * | 2023-09-28 | 2023-12-15 | 山东师范大学 | 基于实例感知扩散模型的结肠组织学图像腺体分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| Diff-UNet: A Diffusion Embedded Network for Volumetric Segmentation;Zhaohu Xing 等;《arXiv:2303.10326 [eess.IV]》;20230318;1-10 * |
| MIFNet:基于多尺度输入与特征融合的胃癌病理图像分割方法;张泽中;高敬阳;赵地;;计算机应用;20191230(第S2期);112-118 * |
| 细观Diffusion隐空间里UNet的训练流程(一);高焕堂;《电子产品世界》;20230831;第30卷(第08期);11-13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117422732A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
| CN112233092A (zh) | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 | |
| CN110728666B (zh) | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 | |
| CN111291825A (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN112381846B (zh) | 一种基于非对称网络的超声甲状腺结节分割方法 | |
| CN113393370A (zh) | 中国书法文字图像风格迁移的方法、系统、智能终端 | |
| CN111161272B (zh) | 一种基于生成对抗网络的胚胎组织分割方法 | |
| CN109726644A (zh) | 一种基于生成对抗网络的细胞核分割方法 | |
| CN113763371B (zh) | 病理图像的细胞核分割方法及装置 | |
| CN112330701A (zh) | 基于极坐标表示的组织病理图像细胞核分割方法及系统 | |
| CN114240883B (zh) | 一种染色体图像处理方法及系统 | |
| CN113177957B (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
| CN116977338B (zh) | 基于视觉语义联合的染色体病例级异常提示系统 | |
| CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
| CN112420170B (zh) | 一种提高计算机辅助诊断系统图片分类准确度的方法 | |
| CN117422732B (zh) | 病理学图像分割方法及装置 | |
| CN115953345B (zh) | 脑出血医学图像的病变合成方法、装置及存储介质 | |
| CN114612669B (zh) | 一种医学图像炎症坏死占比的计算方法及装置 | |
| CN113112465B (zh) | 一种颈动脉内中膜分割模型的生成系统及方法 | |
| CN112686912B (zh) | 基于逐步学习和混合样本的急性脑卒中病变分割方法 | |
| CN115100731A (zh) | 一种质量评价模型训练方法、装置、电子设备及存储介质 | |
| CN113888551A (zh) | 基于高低层特征融合的密集连接网络的肝脏肿瘤图像分割方法 | |
| CN114565617A (zh) | 基于剪枝U-Net++的乳腺肿块图像分割方法及系统 | |
| CN114283406A (zh) | 细胞图像识别方法、装置、设备、介质及计算机程序产品 | |
| CN113255756A (zh) | 图像融合方法、装置、电子设备及存储介质 |
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 |