CN117636064B - 一种基于儿童病理切片的神经母细胞瘤智能分类系统 - Google Patents
一种基于儿童病理切片的神经母细胞瘤智能分类系统 Download PDFInfo
- Publication number
- CN117636064B CN117636064B CN202311768173.3A CN202311768173A CN117636064B CN 117636064 B CN117636064 B CN 117636064B CN 202311768173 A CN202311768173 A CN 202311768173A CN 117636064 B CN117636064 B CN 117636064B
- Authority
- CN
- China
- Prior art keywords
- feature
- neuroblastoma
- patch
- graph
- trained
- 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
- 206010029260 Neuroblastoma Diseases 0.000 title claims abstract description 47
- 230000001575 pathological effect Effects 0.000 title claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 230000002776 aggregation Effects 0.000 claims abstract description 17
- 238000004220 aggregation Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000011176 pooling Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003211 malignant effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 206010028980 Neoplasm Diseases 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000001185 bone marrow Anatomy 0.000 description 2
- 238000009583 bone marrow aspiration Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 206010000077 Abdominal mass Diseases 0.000 description 1
- 206010006002 Bone pain Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010033372 Pain and discomfort Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 206010048245 Yellow skin Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 208000022531 anorexia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 1
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000010882 preoperative diagnosis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于儿童病理切片的神经母细胞瘤智能分类系统，包括训练好的神经母细胞瘤分类模型；神经母细胞瘤分类模型包括：特征提取模块、Transformer编码模块和特征组合聚合模块；其中，特征提取模块采用预训练好的SENet模型，其输入为病理理切片通过数据预处理得到的不同分辨率下的Patch图和子图，输出为Patch图和子图的特征序列；Transformer编码模块对Patch图和子图的特征序列进行编码得到对应的特征值，进一步得到不同分辨率对应的全图的特征图；特征组合聚合模块将不同分辨率的特征图融合，得到总特征图，并通过全局池化得到特征序列；最后将特征序列通过Softmax层得到未分化、低分化、分化的三分类结果。利用本发明，可实现儿童神经母细胞瘤分化程度的精准诊断。
Description
技术领域
本发明属于医学人工智能领域，尤其是涉及一种基于儿童病理切片的神经母细胞瘤智能分类系统。
背景技术
神经母细胞瘤(Neuroblastoma)是一种儿童最常见的固体肿瘤，起源于胚胎时期的原始神经母细胞，大多数患者不到5岁。该病的主要症状有腹部肿块、腹痛、呕吐、食欲减退、贫血、乏力、骨痛以及皮肤淡黄色。对于确诊患者，治疗方法会根据肿瘤的分期和患者的年龄而有所不同。早期诊断和个体化的治疗方案可以提高患者的存活率。因此精准的术前分期诊断非常有必要。
神经母细胞瘤的术前诊断通常包括超声、CT(计算机断层扫描)扫描、核医学检查以及骨髓穿刺等。其中，超声检查对于深部肿瘤或肿瘤扩散到其他器官的情况显示有限，CT和核医学检查对儿童的辐射剂量较高，且不能提供肿瘤的解剖结构细节。骨髓穿刺尽管是一种侵入性检查，可能会引起一定程度的疼痛和不适。但通过检查骨髓病理切片中的神经母细胞瘤细胞，可以确定肿瘤是否分化以及分化程度，以此判断肿瘤是否扩散到骨髓。这对于确定疾病的分期和治疗方案非常重要。因此，运用新的方法通过病理切片实现神经母细胞瘤早期分化程度精准诊断和治疗并改善患儿预后，具有重要的临床价值。
在医学领域，机器学习和深度学习技术已经有着比较广泛的应用，比如基于病理切片的细胞分割、肿瘤良恶心性鉴定、肿瘤分期等。如公开号为CN109360193A的中国专利文献公开了一种基于深度学习的原代肿瘤细胞分割识别方法及系统；公开号为CN110619635A的中国专利文献公开了基于深度学习的肝细胞癌磁共振图像分割系统和方法。
然而，目前并没有应用深度学习技术实现儿童神经母细胞瘤分化程度的精准诊断的方法，现有的模型也无法直接用于神经母细胞瘤的分类。
发明内容
本发明提供了一种基于儿童病理切片的神经母细胞瘤智能分类系统，可实现儿童神经母细胞瘤分化程度的精准诊断。
一种基于儿童病理切片的神经母细胞瘤智能分类系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存储有训练好的神经母细胞瘤分类模型；
所述神经母细胞瘤分类模型包括：特征提取模块、Transformer编码模块和特征组合聚合模块；其中，特征提取模块采用预训练好的SENet模型，其输入为病理理切片通过数据预处理得到的不同分辨率下的Patch图和子图，输出为Patch图和子图的特征序列；Transformer编码模块对Patch图和子图的特征序列进行编码得到对应的特征值，进一步得到不同分辨率对应的全图的特征图；特征组合聚合模块将不同分辨率的特征图融合，得到总特征图，并通过全局池化得到特征序列；最后将特征序列通过Softmax层得到三分类结果；
所述的计算机处理器执行计算机程序时实现以下步骤：
将待分类的儿童神经母细胞瘤病理切片数据输入训练好的神经母细胞瘤分类模型中，预测得到未分化、低分化、分化的三分类结果。
进一步地，所述的神经母细胞瘤分类模型在训练集上进行训练，并在测试集上进行性能评估；其中，训练集和测试集的构建过程如下：
对于收集的儿童神经母细胞瘤病理切片，按照临床医生判断标注为未分化、低分化、分化三种标签；
将所有病理切片按照8：2的比例随机分为训练集和测试集，在训练集中，每张病理切片通过数据预处理完得到的4*X2块子图根据标注分别成为未分化、低分化、分化四类训练子集；在测试集中进行相同操作，获得未分化、低分化、分化四类测试子集。
进一步地，所述的数据预处理具体为：
第一步，在放大10倍、20倍、40倍的视野下，分别对病理切片进行切割，将病理切片切割为X1块大小为512*512的区块图，即Patch图；
第二步，对所有Patch图进行过滤，去除纯背景图或者背景区域占比超过20％的区域，最终剩余X2块Patch图；
第三步，对X2块Patch图进行细分，得到4张大小为256*256的子图，即一张病理切片最终裁剪为256*256大小的4*X2块子图。
第四步，对所有子图进行归一化，以减少特殊子图对于模型稳定性的影响。
进一步地，利用BreakHis数据集对SENet模型进行预训练，将BreakHis数据集中的所有图像分为256*256大小的Patch图，然后以良性、恶性作为标签进行训练，最终得到准确率达到0.98的预训练好的SENet模型。
进一步地，特征提取模块在10倍、20倍、40倍分辨率下，分别进行特征提取；
对于每个分辨率，共有X2张512*512大小的Patch图和4*X2张256*256大小的子图；对于每张Patch图，先将其缩放至256*256大小，接着输入到预训练好的SENet中，提取最后一层特征层的结果作为此Patch图的特征序列F1，然后将此Pacth图对应的4张子图也输入到预训练好的SENet，同理得到特征序列[F2,F3,F4,F5]，将这些特征拼接在一起，得到此Patch图的最终特征序列Fp＝[F1,F2,F3,F4,F5]。
进一步地，Transformer编码模块在10倍、20倍、40倍分辨率下，分别进行特征聚合；
对于每个分辨率，将X2个特征序列Fp依次输入到Transformer编码模块中，最终得到X2个特征值，从而得到各个Patch图区域内的上下文信息以及不同区域之间的相关信息，最终输出10倍、20倍、40倍分辨率对应的全图的特征图。
进一步地，所述的Transformer编码模块依次由正则层、多头注意力机制层、正则层、多层感知机层构成，且在第二个正则层和输出前进行了残差连接。
进一步地，10倍、20倍、40倍分辨率下图像大小分别为[x,y]、[2x,2y]、[4x,4y]；通过Transformer编码模块得到10倍分辨率下大小为[x,y]的特征图I1、20倍分辨率下大小为[2x,2y]的特征图I2和40倍分辨率下大小为[4x,4y]的特征图I3；利用特征组合聚合模块对I2和I3分别进行一次、两次平均池化操作，池化器的步长为2，核大小为2*2，最终得到大小为[x,y]的I'2和I'3；最后将I1、I'2、I'3结合，得到大小为[x,y,3]的特征图，在此图上进行多次全局池化，得到最后的特征序列，并通过Softmax层进行分类。
与现有技术相比，本发明具有以下有益效果：
1、本发明创新性地将机器学习和深度学习技术应用于儿童神经母细胞瘤分化智能分类。本发明借鉴临床医生的诊断过程，结合不同分辨率的特征来进行分类。将一张切片分别按照10倍、20倍、40倍的分辨率进行分析，得到三种不同尺寸的特征图，然后整合在一起，从而有效学习到了不同尺度的特征，也使分类模型的准确率达到更高的水平。
2、本发明在提取各分辨率图像的特征图时，先利用分开病理影像数据集训练了一个SENet模型，用以提取病理切片区域图(Patch图)的特征，然后利用Transformer编码模块进行特征聚合，得到区域内的上下文信息以及不同区域之间的相关信息。这样使得提取各分辨率图像的特征图既有局部信息，也有全局互相关信息。
附图说明
图1为本发明一种基于儿童病理切片的神经母细胞瘤智能分类系统的工作流程图；
图2为本发明中数据处理示意图；
图3为本发明中神经母细胞瘤分类模型的工作流程图；
图4为本发明实施例中利用在BreakHis数据集得到训练好的SENet模型流程示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
一种基于儿童病理切片的神经母细胞瘤智能分类系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存储有训练好的神经母细胞瘤分类模型；计算机处理器执行计算机程序时实现以下步骤：
将待分类的儿童神经母细胞瘤病理切片数据输入训练好的神经母细胞瘤分类模型中，预测得到未分化、低分化、分化的三分类结果。
如图1所示，本发明实施例中，神经母细胞瘤智能分类系统的实施流程如下：
1、切片预处理
因为病理切片图像较大，无法直接输入到模型进行训练，同时，分化区域在病理切片上不是均匀分布。因此需要首先对病理切片进行切割和筛选等预处理。
如图2所示：具体预处理过程包括以下三步：
第一步，在放大10倍、20倍、40倍的视野下，分别对病理切片进行切割，将病理切片切割为X1块大小为512*512的区块图(Patch图)。
第二步，对所有区块图进行过滤，去除纯背景图或者背景区域占比超过20％的区域，最终剩余X2块Patch图。
第三步，对X2块区块图进行细分，得到4张大小为256*256的子图，即一张病理切片最终裁剪为256*256大小的4*X2块子图。
第四步，对所有子图进行归一化，减少特殊子图对于模型稳定性的影响。
2、数据标注与数据分组
对于收集的儿童神经母细胞瘤病理切片，按照临床医生判断标注为未分化、低分化、分化三种标签。
将所有病理切片按照8：2的比例随机分为训练集和测试集，在训练集中，每张病理切片通过预处理完的4*X2块子图根据标注分别成为未分化、低分化、分化四类训练子集。在测试集中进行相同操作，可以获得未分化、低分化、分化四类测试子集。
3、模型构建
神经母细胞瘤分类模型包括：特征提取模块、Transformer编码模块和特征组合聚合模块；其中，特征提取模块采用预训练好的SENet模型，其输入为病理理切片通过数据预处理得到的不同分辨率下的Patch图和子图，输出为Patch图和子图的特征序列；Transformer编码模块对Patch图和子图的特征序列进行编码得到对应的特征值，进一步得到不同分辨率对应的全图的特征图；特征组合聚合模块将不同分辨率的特征图融合，得到总特征图，并通过全局池化得到特征序列；最后将特征序列通过Softmax层得到三分类结果。
进一步地，神经母细胞瘤分类模型的构建过程如图3所示，具体步骤如下：
第一步，预训练特征提取模块。如图4所示，在BreakHis数据集上用SENet模型进行分类训练，得到训练好的SENet模型(Pretrained SENet)。BreakHis数据集是公开的乳腺组织切片图像数据集，分为良性与恶性两类，包含2480个病患的9109张切片图像。该数据集数量较大，涵盖病人较多，可以充分训练模型。在训练时，是将所有图像分为256*256大小的Patch图，然后以良性、恶性作为标签，进行训练。最终得到准确率达到0.98的PretrainedSENet。
第二步，在不同分辨率下，利用特征提取模块分别进行特征提取。以10倍分辨率为例，共有X2_10张512*512大小的Patch图和4*X2_10张256*256大小的子图。对于每张Patch图，先将其缩放至256*256大小，接着输入到Pretrained SENet中，提取最后一层特征层的结果作为此Patch图的特征序列F1，然后将此Pacth图对应的4张子图也输入到PretrainedSENet，同理得到特征序列[F2,F3,F4,F5]，将这些特征拼接在一起，得到此Patch图的最终特征序列Fp＝[F1,F2,F3,F4,F5]。最终在10倍分辨率下，可以得到X2_10个Fp。20倍、40倍分辨率也相应得到对应的X2_20个特征序列Fp和X2_40个特征序列Fp。
第三步，在不同分辨率下，利用Transformer编码模块分别进行特征聚合。以10倍分辨率为例，将X2_10个特征序列Fp依次输入到特征聚合模块中，最终得到X2_10个的特征值。这一步是为了得到各个Patch图区域内的上下文信息以及不同区域之间的相关信息。特征聚合模块采用的是Transformer的编码模块进行编码，该模块依次由正则层、多头注意力机制层、正则层、多层感知机层构成，且在第二个正则层和输出前进行了残差连接。同理，20倍、40倍分辨率也相应得到对应的X2_20个特征值和X2_40个特征值。最终输出10倍、20倍、40倍分辨率对应的全图的特征图。
第四步，使用特征组合聚合模块进行特征聚合及分类。10倍、20倍、40倍分辨率下图像大小分别为[x,y]、[2x,2y]、[4x,4y]。在10倍分辨率下，通过第三步可以得到大小为[x,y]的特征图I1。其中，不属于X2_10块Patch图的背景Patch图赋值为0。同理，20倍、40倍分辨率下分别得到大小为[2x,2y]的特征图I2和大小为[4x,4y]的特征图I3。对于I2和I3分别进行一次、两次平均池化操作，池化器的步长为2，核大小为2*2，最终得到大小为[x,y]的I'2和I'3。最后将I1与它们结合，得到大小为[x,y,3]的特征图，在此图上进行多次全局池化，得到最后的特征序列，并通过Softmax层进行分类。此步骤建立了特征聚合器提取的多分辨率影像的信息与最终预测的类别信息之间的关联。
深度学习模型将在训练集上进行训练，并在测试集上进行性能评估。
4、分类模型评估
同样采用平均特异性、平均敏感性来评估该分类模型的准确率。特异性是此类患者中，被模型诊断到此类的比例。敏感性是非此类患者中，被模型诊断到非此类的比例。AUC值是以假正率(FP_rate)和假负率(TP_rate)为轴的ROC(Receiver OperatingCharacteristic)曲线下面的面积。平均特异性、平均敏感性即为三类病理切片的特异性、敏感性的平均值。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于儿童病理切片的神经母细胞瘤智能分类系统，其特征在于，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存储有训练好的神经母细胞瘤分类模型；
所述神经母细胞瘤分类模型包括：特征提取模块、Transformer编码模块和特征组合聚合模块；其中，特征提取模块采用预训练好的SENet模型，其输入为病理理切片通过数据预处理得到的不同分辨率下的Patch图和子图，输出为Patch图和子图的特征序列；Transformer编码模块对Patch图和子图的特征序列进行编码得到对应的特征值，进一步得到不同分辨率对应的全图的特征图；特征组合聚合模块将不同分辨率的特征图融合，得到总特征图，并通过全局池化得到特征序列；最后将特征序列通过Softmax层得到三分类结果；
其中，数据预处理具体为：
第一步，在放大10倍、20倍、40倍的视野下，分别对病理切片进行切割，将病理切片切割为X1块大小为512*512的区块图，即Patch图；
第二步，对所有Patch图进行过滤，去除纯背景图或者背景区域占比超过20％的区域，最终剩余X2块Patch图；
第三步，对X2块Patch图进行细分，得到4张大小为256*256的子图，即一张病理切片最终裁剪为256*256大小的4*X2块子图；
第四步，对所有子图进行归一化，以减少特殊子图对于模型稳定性的影响；
特征组合聚合模块将不同分辨率的特征图融合，具体为：
10倍、20倍、40倍分辨率下图像大小分别为[x,y]、[2x,2y]、[4x,4y]；通过Transformer编码模块得到10倍分辨率下大小为[x,y]的特征图I1、20倍分辨率下大小为[2x,2y]的特征图I2和40倍分辨率下大小为[4x,4y]的特征图I3；利用特征组合聚合模块对I2和I3分别进行一次、两次平均池化操作，池化器的步长为2，核大小为2*2，最终得到大小为[x,y]的I'2和I'3；最后将I1、I'2、I'3结合，得到大小为[x,y,3]的总特征图；
所述的计算机处理器执行计算机程序时实现以下步骤：
将待分类的儿童神经母细胞瘤病理切片数据输入训练好的神经母细胞瘤分类模型中，预测得到未分化、低分化、分化的三分类结果。
2.根据权利要求1所述的基于儿童病理切片的神经母细胞瘤智能分类系统，其特征在于，所述的神经母细胞瘤分类模型在训练集上进行训练，并在测试集上进行性能评估；其中，训练集和测试集的构建过程如下：
对于收集的儿童神经母细胞瘤病理切片，按照临床医生判断标注为未分化、低分化、分化三种标签；
将所有病理切片按照8：2的比例随机分为训练集和测试集，在训练集中，每张病理切片通过数据预处理完得到的4*X2块子图根据标注分别成为未分化、低分化、分化四类训练子集；在测试集中进行相同操作，获得未分化、低分化、分化四类测试子集。
3.根据权利要求1所述的基于儿童病理切片的神经母细胞瘤智能分类系统，其特征在于，利用BreakHis数据集对SENet模型进行预训练，将BreakHis数据集中的所有图像分为256*256大小的Patch图，然后以良性、恶性作为标签进行训练，最终得到准确率达到0.98的预训练好的SENet模型。
4.根据权利要求1所述的基于儿童病理切片的神经母细胞瘤智能分类系统，其特征在于，特征提取模块在10倍、20倍、40倍分辨率下，分别进行特征提取；
对于每个分辨率，共有X2张512*512大小的Patch图和4*X2张256*256大小的子图；对于每张Patch图，先将其缩放至256*256大小，接着输入到预训练好的SENet中，提取最后一层特征层的结果作为此Patch图的特征序列F1，然后将此Pacth图对应的4张子图也输入到预训练好的SENet，同理得到特征序列[F2,F3,F4,F5]，将这些特征拼接在一起，得到此Patch图的最终特征序列Fp＝[F1,F2,F3,F4,F5]。
5.根据权利要求4所述的基于儿童病理切片的神经母细胞瘤智能分类系统，其特征在于，Transformer编码模块在10倍、20倍、40倍分辨率下，分别进行特征聚合；
对于每个分辨率，将X2个特征序列Fp依次输入到Transformer编码模块中，最终得到X2个特征值，从而得到各个Patch图区域内的上下文信息以及不同区域之间的相关信息，最终输出10倍、20倍、40倍分辨率对应的全图的特征图。
6.根据权利要求5所述的基于儿童病理切片的神经母细胞瘤智能分类系统，其特征在于，所述的Transformer编码模块依次由正则层、多头注意力机制层、正则层、多层感知机层构成，且在第二个正则层和输出前进行了残差连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311768173.3A CN117636064B (zh) | 2023-12-21 | 2023-12-21 | 一种基于儿童病理切片的神经母细胞瘤智能分类系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311768173.3A CN117636064B (zh) | 2023-12-21 | 2023-12-21 | 一种基于儿童病理切片的神经母细胞瘤智能分类系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117636064A CN117636064A (zh) | 2024-03-01 |
| CN117636064B true CN117636064B (zh) | 2024-05-28 |
Family
ID=90026912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311768173.3A Active CN117636064B (zh) | 2023-12-21 | 2023-12-21 | 一种基于儿童病理切片的神经母细胞瘤智能分类系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117636064B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798464A (zh) * | 2020-06-30 | 2020-10-20 | 天津深析智能科技有限公司 | 基于深度学习的淋巴瘤病理图像智能识别方法 |
| WO2021243783A1 (zh) * | 2020-05-31 | 2021-12-09 | 浙江大学 | 一种提取b超图像显著纹理特征的方法及其应用 |
| CN113888466A (zh) * | 2021-09-03 | 2022-01-04 | 武汉科技大学 | 一种基于ct图像的肺结节图像检测方法及系统 |
| WO2022041222A1 (en) * | 2020-08-31 | 2022-03-03 | Top Team Technology Development Limited | Process and system for image classification |
| 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 |
| CN114519403A (zh) * | 2022-04-19 | 2022-05-20 | 清华大学 | 基于片上衍射神经网络的光学图神经分类网络、方法 |
| CN114693990A (zh) * | 2022-03-11 | 2022-07-01 | 中国科学院合肥物质科学研究院 | 基于特征提取的小样本农作物病害识别方法、存储介质 |
| CN115409815A (zh) * | 2022-09-02 | 2022-11-29 | 山东财经大学 | 一种基于三维可变形transformer的肺结节检测方法 |
| EP4136613A1 (en) * | 2021-07-01 | 2023-02-22 | Google LLC | Multi-scale transformer for image analysis |
| CN115984578A (zh) * | 2022-12-12 | 2023-04-18 | 长春理工大学 | 一种串联融合DenseNet和Transformer的皮肤图像特征提取方法 |
| WO2023071680A1 (zh) * | 2021-10-26 | 2023-05-04 | 北京字节跳动网络技术有限公司 | 内窥镜图像特征学习模型、分类模型的训练方法和装置 |
| CN116188436A (zh) * | 2023-03-03 | 2023-05-30 | 合肥工业大学 | 基于局部特征和全局特征融合的膀胱镜图像分类方法 |
| CN116229230A (zh) * | 2022-12-12 | 2023-06-06 | 重庆金融科技研究院 | 基于多尺度Transformer的静脉识别神经网络模型、方法与系统 |
| CN116228759A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学滨江研究院 | 肾细胞癌类型的计算机辅助诊断系统及设备 |
| WO2023101564A1 (en) * | 2021-12-02 | 2023-06-08 | Kahu.Ai Limited | Skin lesion classification system and method |
| CN116310553A (zh) * | 2023-03-17 | 2023-06-23 | 北京航空航天大学 | 一种基于多属性嵌入模型的乳腺病理图像分子分型预测方法 |
| CN116363438A (zh) * | 2023-04-14 | 2023-06-30 | 浙江大学 | 一种基于多模态的儿童脑炎分类系统 |
| CN116843974A (zh) * | 2023-07-07 | 2023-10-03 | 曾铁勇 | 基于残差神经网络的乳腺癌病理图像分类方法 |
| CN117036832A (zh) * | 2023-10-09 | 2023-11-10 | 之江实验室 | 一种基于随机多尺度分块的图像分类方法、装置及介质 |
-
2023
- 2023-12-21 CN CN202311768173.3A patent/CN117636064B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021243783A1 (zh) * | 2020-05-31 | 2021-12-09 | 浙江大学 | 一种提取b超图像显著纹理特征的方法及其应用 |
| CN111798464A (zh) * | 2020-06-30 | 2020-10-20 | 天津深析智能科技有限公司 | 基于深度学习的淋巴瘤病理图像智能识别方法 |
| WO2022041222A1 (en) * | 2020-08-31 | 2022-03-03 | Top Team Technology Development Limited | Process and system for image classification |
| 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 |
| EP4136613A1 (en) * | 2021-07-01 | 2023-02-22 | Google LLC | Multi-scale transformer for image analysis |
| CN113888466A (zh) * | 2021-09-03 | 2022-01-04 | 武汉科技大学 | 一种基于ct图像的肺结节图像检测方法及系统 |
| WO2023071680A1 (zh) * | 2021-10-26 | 2023-05-04 | 北京字节跳动网络技术有限公司 | 内窥镜图像特征学习模型、分类模型的训练方法和装置 |
| WO2023101564A1 (en) * | 2021-12-02 | 2023-06-08 | Kahu.Ai Limited | Skin lesion classification system and method |
| CN114693990A (zh) * | 2022-03-11 | 2022-07-01 | 中国科学院合肥物质科学研究院 | 基于特征提取的小样本农作物病害识别方法、存储介质 |
| CN114519403A (zh) * | 2022-04-19 | 2022-05-20 | 清华大学 | 基于片上衍射神经网络的光学图神经分类网络、方法 |
| CN115409815A (zh) * | 2022-09-02 | 2022-11-29 | 山东财经大学 | 一种基于三维可变形transformer的肺结节检测方法 |
| CN115984578A (zh) * | 2022-12-12 | 2023-04-18 | 长春理工大学 | 一种串联融合DenseNet和Transformer的皮肤图像特征提取方法 |
| CN116229230A (zh) * | 2022-12-12 | 2023-06-06 | 重庆金融科技研究院 | 基于多尺度Transformer的静脉识别神经网络模型、方法与系统 |
| CN116188436A (zh) * | 2023-03-03 | 2023-05-30 | 合肥工业大学 | 基于局部特征和全局特征融合的膀胱镜图像分类方法 |
| CN116310553A (zh) * | 2023-03-17 | 2023-06-23 | 北京航空航天大学 | 一种基于多属性嵌入模型的乳腺病理图像分子分型预测方法 |
| CN116363438A (zh) * | 2023-04-14 | 2023-06-30 | 浙江大学 | 一种基于多模态的儿童脑炎分类系统 |
| CN116228759A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学滨江研究院 | 肾细胞癌类型的计算机辅助诊断系统及设备 |
| CN116843974A (zh) * | 2023-07-07 | 2023-10-03 | 曾铁勇 | 基于残差神经网络的乳腺癌病理图像分类方法 |
| CN117036832A (zh) * | 2023-10-09 | 2023-11-10 | 之江实验室 | 一种基于随机多尺度分块的图像分类方法、装置及介质 |
Non-Patent Citations (3)
| Title |
|---|
| CT与磁共振成像诊断儿童中枢神经系统神经母细胞瘤的价值;谢灵争;;实用中西医结合临床;20200525(第05期);132-133 * |
| Prominent Staining of MYCN Immunohistochemistry Predicts a Poor Prognosis in MYCN Non-Amplified Neuroblastoma;Manli Zhao 等;《Pediatric and Developmental Pathology》;20230212;第26卷(第2期);124-132 * |
| 基于多尺度信息融合的图像识别改进算法;车翔玖;董有政;;吉林大学学报(工学版);20200630(第05期);1747-1754 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117636064A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Shallow 3D CNN for detecting acute brain hemorrhage from medical imaging sensors | |
| CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| CN115019405A (zh) | 一种基于多模态融合的肿瘤分类方法及系统 | |
| EP4118617A1 (en) | Automated detection of tumors based on image processing | |
| CN113743463A (zh) | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 | |
| Yar et al. | Lung nodule detection and classification using 2D and 3D convolution neural networks (CNNs) | |
| CN112651927A (zh) | 一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法 | |
| Sahoo et al. | Efficient simultaneous segmentation and classification of brain tumors from MRI scans using deep learning | |
| Gunasekaran | Leveraging object detection for the identification of lung cancer | |
| Irene et al. | Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method | |
| CN113393938B (zh) | 一种融合影像和临床特征信息的乳腺癌风险预测系统 | |
| CN109191422B (zh) | 基于常规ct图像的缺血性脑卒中早期检测系统和方法 | |
| AU2016201298A1 (en) | Computer analysis of mammograms | |
| CN114764855A (zh) | 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备 | |
| CN117636064B (zh) | 一种基于儿童病理切片的神经母细胞瘤智能分类系统 | |
| CN114821176A (zh) | 一种儿童脑部mr图像病毒性脑炎分类系统 | |
| Qiao et al. | A fusion of multi-view 2D and 3D convolution neural network based MRI for Alzheimer’s disease diagnosis | |
| Nalla et al. | Influence of Convolutional Neural Network Depth on the Efficacy of Automated Breast Cancer Screening Systems | |
| Kaddour et al. | Artificial Intelligence Pathologist: The use of Artificial Intelligence in Digital Healthcare | |
| Akram et al. | Recognizing Breast Cancer Using Edge-Weighted Texture Features of Histopathology Images. | |
| Banerjee et al. | Computerized multiparametric mr image analysis for prostate cancer aggressiveness-assessment | |
| Ding et al. | Deep transfer learning-based intelligent diagnosis of malignant tumors on mammography | |
| Yang et al. | Automatic Segmentation of Cervical Precancerous Lesions in Colposcopy Image Using Pyramid Scene Parsing Network and Transfer Learning. | |
| Negi | Deep learning-based automated detection of lung cancer from ct scans: A comparative study |
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 |