[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117237952B - 基于免疫地形图的染色病理切片细胞分布标注方法及系统 - Google Patents

基于免疫地形图的染色病理切片细胞分布标注方法及系统 Download PDF

Info

Publication number
CN117237952B
CN117237952B CN202311515432.1A CN202311515432A CN117237952B CN 117237952 B CN117237952 B CN 117237952B CN 202311515432 A CN202311515432 A CN 202311515432A CN 117237952 B CN117237952 B CN 117237952B
Authority
CN
China
Prior art keywords
immune
topographic map
super
parameter combination
network
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
Application number
CN202311515432.1A
Other languages
English (en)
Other versions
CN117237952A (zh
Inventor
李玮
张延冰
雷晟暄
张彦海
赵晗竹
刘一飞
张伟师
徐立强
韩景泓
顾夏铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202311515432.1A priority Critical patent/CN117237952B/zh
Publication of CN117237952A publication Critical patent/CN117237952A/zh
Application granted granted Critical
Publication of CN117237952B publication Critical patent/CN117237952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域,公开了基于免疫地形图的染色病理切片细胞分布标注方法及系统;其中方法,包括:获取待处理的染色病理切片图像;将待处理的染色病理切片图像,输入到训练后的免疫地形图模型中,输出细胞分布标注结果;细胞分布标注结果,是指将不同种类的细胞按照不同颜色标记出来,实现细胞分布的可视化;其中,训练后的免疫地形图模型,训练过程中采用生成式对抗网络进行参数调整。该方法利用生成式网络生成全新的超参数组合,通过迭代训练不断去寻找最适合免疫地形图模型当前所应用任务的最佳超参数组合,进而有效地提升所生成的免疫地形图的准确率与质量。

Description

基于免疫地形图的染色病理切片细胞分布标注方法及系统
技术领域
本发明涉及图像处理技术领域,特别是涉及基于免疫地形图的染色病理切片细胞分布标注方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
病理学检查是目前临床诊断金标准,在诊断过程中起到重要作用,随着计算机信息技术发展,通过对切片图像获取病理图像,实现病理图像的数字化,使得图像分析成为数字病理学中的研究热点。
数字病理切片图像具有超高分辨率以及超大量像素,对图像中细胞的标注可以辅助医疗工作者快速实现患者疾病的诊断。但是,目前的细胞分布标注工作由人工标注来实现,具有速度慢、主观性强、专业性高的缺陷,而且,传统深度学习方法往往需要依赖专业的人工设计和参数调节,其结果受限于设计者的经验和主观因素,需要耗费大量时间和计算资源。
发明内容
为了解决现有技术的不足,本发明提供了基于免疫地形图的染色病理切片细胞分布标注方法及系统;该方法利用生成式网络生成全新的超参数组合,通过迭代训练不断去寻找最适合免疫地形图模型当前所应用任务的最佳超参数组合,进而有效地提升所生成的免疫地形图的准确率与质量。
一方面,提供了基于免疫地形图的染色病理切片细胞分布标注方法;
基于免疫地形图的染色病理切片细胞分布标注方法,包括:
获取待处理的染色病理切片图像;
将待处理的染色病理切片图像,输入到训练后的免疫地形图模型中,输出细胞分布标注结果;细胞分布标注结果,是指将不同种类的细胞按照不同颜色标记出来,实现细胞分布的可视化;
所述训练后的免疫地形图模型,其训练过程包括:
基于免疫地形图模型中待调整的超参数,构建超参数组合M;其中,超参数组合M中的超参数均为预设值;
构建生成对抗网络,所述生成对抗网络包括相互连接的生成网络和判别网络;将超参数组合M中的所有超参数均输入到生成网络中,输出超参数组合G;
判别网络判断超参数组合G中的每一个超参数相比超参数组合M中的数值而言,是否均发生变化,如果存在至少一个超参数未发生变化,则判别为假,返回生成网络,继续生成新一轮超参数组合;如果全部超参数均发生变化,则判别为真;
在判别为真的情况下,将超参数组合G输入到免疫地形图模型中,得到初步训练后的免疫地形图模型;
构建训练集,将训练集,输入到初步训练后的免疫地形图模型中,输出细胞分布标注结果,判断细胞分布标注准确率是否超过设定阈值T,如果超过设定阈值,则表示当前超参数组合G为最佳超参数组合,训练结束;如果低于设定阈值,则返回生成网络,继续生成新一轮超参数组合。
另一方面,提供了基于免疫地形图的染色病理切片细胞分布标注系统;
基于免疫地形图的染色病理切片细胞分布标注系统,包括:
获取模块,其被配置为:获取待处理的染色病理切片图像;
细胞分布标注模块,其被配置为:将待处理的染色病理切片图像,输入到训练后的免疫地形图模型中,输出细胞分布标注结果;细胞分布标注结果,是指将不同种类的细胞按照不同颜色标记出来,实现细胞分布的可视化;
所述训练后的免疫地形图模型,其训练过程包括:
基于免疫地形图模型中待调整的超参数,构建超参数组合M;其中,超参数组合M中的超参数均为预设值;
构建生成对抗网络,所述生成对抗网络包括相互连接的生成网络和判别网络;将超参数组合M中的所有超参数均输入到生成网络中,输出超参数组合G;
判别网络判断超参数组合G中的每一个超参数相比超参数组合M中的数值而言,是否均发生变化,如果存在至少一个超参数未发生变化,则判别为假,返回生成网络,继续生成新一轮超参数组合;如果全部超参数均发生变化,则判别为真;
在判别为真的情况下,将超参数组合G输入到免疫地形图模型中,得到初步训练后的免疫地形图模型;
构建训练集,将训练集,输入到初步训练后的免疫地形图模型中,输出细胞分布标注结果,判断细胞分布标注准确率是否超过设定阈值T,如果超过设定阈值,则表示当前超参数组合G为最佳超参数组合,训练结束;如果低于设定阈值,则返回生成网络,继续生成新一轮超参数组合。
上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明提供的细胞分布标注方法,可以为不同种类的细胞进行分类,将不同种类的细胞按照不同颜色标记出来,实现细胞分布的可视化,节省人工标注的时间和主观因素;本发明提供的调参方法,能够通过生成式网络自动调节免疫地形图模型的参数。与传统的手动调参方法相比,本方法具备全局搜索和自适应调参的能力,降低了人工调参的工作量,提高了免疫地形图的生成质量和效率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为实施例一的训练后的免疫地形图模型内部结构图;
图2为实施例一的免疫地形图模型的免疫地形图单元的内部结构图;
图3为实施例一的免疫地形图模型训练自调参过程的流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
实施例一
本实施例提供了基于免疫地形图的染色病理切片细胞分布标注方法;
如图3所示,基于免疫地形图的染色病理切片细胞分布标注方法,包括:
S101:获取待处理的染色病理切片图像;
S102:将待处理的染色病理切片图像,输入到训练后的免疫地形图模型中,输出细胞分布标注结果;细胞分布标注结果,是指将不同种类的细胞按照不同颜色标记出来,实现细胞分布的可视化;
所述训练后的免疫地形图模型,其训练过程包括:
基于免疫地形图模型中待调整的超参数,构建超参数组合M;其中,超参数组合M中的超参数均为预设值;
构建生成对抗网络,所述生成对抗网络包括相互连接的生成网络和判别网络;将超参数组合M中的所有超参数均输入到生成网络中,输出超参数组合G;
判别网络判断超参数组合G中的每一个超参数相比超参数组合M中的数值而言,是否均发生变化,如果存在至少一个超参数未发生变化,则判别为假,返回生成网络,继续生成新一轮超参数组合;如果全部超参数均发生变化,则判别为真;
在判别为真的情况下,将超参数组合G输入到免疫地形图模型中,得到初步训练后的免疫地形图模型;
构建训练集,将训练集,输入到初步训练后的免疫地形图模型中,输出细胞分布标注结果,判断细胞分布标注准确率是否超过设定阈值T,如果超过设定阈值,则表示当前超参数组合G为最佳超参数组合,训练结束;如果低于设定阈值,则返回生成网络,继续生成新一轮超参数组合。
进一步地,所述S101:获取待处理的染色病理切片图像,采用显微镜摄像头采集。
进一步地,如图1所示,所述训练后的免疫地形图模型,其网络结构包括:
依次连接的第一阶段模块、第二阶段模块、第三阶段模块、第四阶段模块和输出层;
所述第一阶段模块,包括依次连接的第一免疫地形图单元、第二免疫地形图单元和第一下采样层;
所述第二阶段模块,包括依次连接的第三免疫地形图单元、第四免疫地形图单元和第二下采样层;
所述第三阶段模块,包括依次连接的第五免疫地形图单元、第六免疫地形图单元、第七免疫地形图单元、第八免疫地形图单元、第九免疫地形图单元、第十免疫地形图单元和第三下采样层;
所述第四阶段模块,包括依次连接的第十一免疫地形图单元、第十二免疫地形图单元和第四下采样层。
应理解地,模型包含4个阶段模块,每个阶段模块包含一个免疫地形图单元和一个下采样模块。因为免疫地形图模型的目标为检测细胞,为了防止过拟合,不需要很深的网络架构,因此4个阶段模块的单元block的数量设为2:2:6:2。
进一步地,所述第一免疫地形图单元、第二免疫地形图单元、第三免疫地形图单元、第四免疫地形图单元、第五免疫地形图单元、第六免疫地形图单元、第七免疫地形图单元、第八免疫地形图单元、第九免疫地形图单元、第十免疫地形图单元、第十一免疫地形图单元和第十二免疫地形图单元的内部结构是一样的。
进一步地,如图2所示,所述第一免疫地形图单元,包括:
依次连接的第一卷积层、第二卷积层、多头注意力机制层、第三卷积层、第四卷积层和乘法器;所述第三卷积层和第四卷积层组成了前馈网络层;
其中,第一卷积层的输入端还与乘法器的输入端连接。
应理解地,免疫地形图单元包含:卷积层、多头自注意力层以及前馈网络层,按照残差结构进行连接。
进一步地,所述基于免疫地形图模型中待调整的超参数,构建超参数组合M,具体包括:
根据所针对任务结合先验知识定义N组超参数组进行预实验,记录这N组超参数训练结果中最高的准确率作为阈值T;选择结果最好的前N/2个超参数组构成原始超参数组集合M,作为生成网络的训练数据。
应理解地,所述生成网络引入自注意力机制,可以更好的关注每组超参数组中对模型性能影响最大的部分超参数,从而在更新权重时进行更合理的分配。
进一步地,所述训练后的免疫地形图模型,其训练过程还包括:
将生成的超参数组合G送入判别网络,判别器给出该超参数组合G是否为生成网络生成的概率数值,引入Wasserstein距离作为损失函数,若判断为不是由生成网络生成的GF,则将损耗反向传播至生成网络更新权重;若判断为是由生成网络生成的超参数组GT,则对当前超参数组合的标注精度进行验证。
引入Wasserstein距离作为损失函数使训练过程更稳定,并且具有更良好的梯度性质,减少训练过程中的模式崩溃和不稳定性问题。
应理解地,通过生成对抗网络的生成网络与判别网络,由生成网络生成免疫地形图模型中所需要的超参数并通过判别网络判断是否为真实生成的而非原始超参数组集合中的一组,进行不断迭代,得到一组当前免疫地形图模型所针对任务的最优超参数组合,提高免疫地形图模型的识别性能。
应理解地,应用经过判别的超参数组合GT训练免疫地形图模型,在测试集上验证性能,若准确率达不到阈值T,则重新进行超参数组的生成,不断迭代直至得到一组超参数组合GB使得免疫地形图模型的准确率超过阈值T。
进一步地,所述构建训练集,包括:
获取已知细胞分布标注标签的染色病理切片图像;
对获取的图像进行归一化处理;
将归一化处理后的图像划分为训练集和测试集。
实施例二
本实施例提供了基于免疫地形图的染色病理切片细胞分布标注系统;
基于免疫地形图的染色病理切片细胞分布标注系统,包括:
获取模块,其被配置为:获取待处理的染色病理切片图像;
细胞分布标注模块,其被配置为:将待处理的染色病理切片图像,输入到训练后的免疫地形图模型中,输出细胞分布标注结果;细胞分布标注结果,是指将不同种类的细胞按照不同颜色标记出来,实现细胞分布的可视化;
所述训练后的免疫地形图模型,其训练过程包括:
基于免疫地形图模型中待调整的超参数,构建超参数组合M;其中,超参数组合M中的超参数均为预设值;
构建生成对抗网络,所述生成对抗网络包括相互连接的生成网络和判别网络;将超参数组合M中的所有超参数均输入到生成网络中,输出超参数组合G;
判别网络判断超参数组合G中的每一个超参数相比超参数组合M中的数值而言,是否均发生变化,如果存在至少一个超参数未发生变化,则判别为假,返回生成网络,继续生成新一轮超参数组合;如果全部超参数均发生变化,则判别为真;
在判别为真的情况下,将超参数组合G输入到免疫地形图模型中,得到初步训练后的免疫地形图模型;
构建训练集,将训练集,输入到初步训练后的免疫地形图模型中,输出细胞分布标注结果,判断细胞分布标注准确率是否超过设定阈值T,如果超过设定阈值,则表示当前超参数组合G为最佳超参数组合,训练结束;如果低于设定阈值,则返回生成网络,继续生成新一轮超参数组合。
进一步地,所述训练后的免疫地形图模型,其训练过程还包括:
将生成的超参数组合G送入判别网络,判别器给出该超参数组合G是否为生成网络生成的概率数值,引入距离作为损失函数,若判断为不是由生成网络生成的GF,则将损耗反向传播至生成网络更新权重;若判断为是由生成网络生成的超参数组GT,则对当前超参数组合的标注精度进行验证。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (7)

1.基于免疫地形图的染色病理切片细胞分布标注方法,其特征是,包括:
获取待处理的染色病理切片图像;
将待处理的染色病理切片图像,输入到训练后的免疫地形图模型中,输出细胞分布标注结果;细胞分布标注结果,是指将不同种类的细胞按照不同颜色标记出来,实现细胞分布的可视化;
所述训练后的免疫地形图模型,其训练过程包括:
基于免疫地形图模型中待调整的超参数,构建超参数组合M;其中,超参数组合M中的超参数均为预设值;
构建生成对抗网络,所述生成对抗网络包括相互连接的生成网络和判别网络;将超参数组合M中的所有超参数均输入到生成网络中,输出超参数组合G;
判别网络判断超参数组合G中的每一个超参数相比超参数组合M中的数值而言,是否均发生变化,如果存在至少一个超参数未发生变化,则判别为假,返回生成网络,继续生成新一轮超参数组合;如果全部超参数均发生变化,则判别为真;
在判别为真的情况下,将超参数组合G输入到免疫地形图模型中,得到初步训练后的免疫地形图模型;
构建训练集,将训练集,输入到初步训练后的免疫地形图模型中,输出细胞分布标注结果,判断细胞分布标注准确率是否超过设定阈值T,如果超过设定阈值,则表示当前超参数组合G为最佳超参数组合,训练结束;如果低于设定阈值,则返回生成网络,继续生成新一轮超参数组合;
所述训练后的免疫地形图模型,其网络结构包括:
依次连接的第一阶段模块、第二阶段模块、第三阶段模块、第四阶段模块和输出层;
所述第一阶段模块,包括依次连接的第一免疫地形图单元、第二免疫地形图单元和第一下采样层;
所述第二阶段模块,包括依次连接的第三免疫地形图单元、第四免疫地形图单元和第二下采样层;
所述第三阶段模块,包括依次连接的第五免疫地形图单元、第六免疫地形图单元、第七免疫地形图单元、第八免疫地形图单元、第九免疫地形图单元、第十免疫地形图单元和第三下采样层;
所述第四阶段模块,包括依次连接的第十一免疫地形图单元、第十二免疫地形图单元和第四下采样层;
所述免疫地形图单元,包括:
依次连接的第一卷积层、第二卷积层、多头注意力机制层、第三卷积层、第四卷积层和乘法器;所述第三卷积层和第四卷积层组成了前馈网络层;
其中,第一卷积层的输入端还与乘法器的输入端连接。
2.如权利要求1所述的基于免疫地形图的染色病理切片细胞分布标注方法,其特征是,获取待处理的染色病理切片图像,采用显微镜摄像头采集。
3.如权利要求1所述的基于免疫地形图的染色病理切片细胞分布标注方法,其特征是,所述基于免疫地形图模型中待调整的超参数,构建超参数组合M,具体包括:根据所针对任务结合先验知识定义N组超参数组进行预实验,记录这N组超参数训练结果中最高的准确率作为阈值T;选择标注准确率最高的前N/2个超参数组构成原始超参数组集合M,作为生成网络的训练数据。
4.如权利要求1所述的基于免疫地形图的染色病理切片细胞分布标注方法,其特征是,所述训练后的免疫地形图模型,其训练过程还包括:
将生成的超参数组合G送入判别网络,判别器给出该超参数组合G是否为生成网络生成的概率数值,引入距离作为损失函数,若判断为不是由生成网络生成的GF,则将损耗反向传播至生成网络更新权重;若判断为是由生成网络生成的超参数组GT,则对当前超参数组合的标注精度进行验证。
5.如权利要求1所述的基于免疫地形图的染色病理切片细胞分布标注方法,其特征是,所述构建训练集,包括:获取已知细胞分布标注标签的染色病理切片图像;对获取的图像进行归一化处理;将归一化处理后的图像划分为训练集和测试集。
6.基于免疫地形图的染色病理切片细胞分布标注系统,其特征是,包括:
获取模块,其被配置为:获取待处理的染色病理切片图像;
细胞分布标注模块,其被配置为:将待处理的染色病理切片图像,输入到训练后的免疫地形图模型中,输出细胞分布标注结果;细胞分布标注结果,是指将不同种类的细胞按照不同颜色标记出来,实现细胞分布的可视化;
所述训练后的免疫地形图模型,其训练过程包括:
基于免疫地形图模型中待调整的超参数,构建超参数组合M;其中,超参数组合M中的超参数均为预设值;
构建生成对抗网络,所述生成对抗网络包括相互连接的生成网络和判别网络;将超参数组合M中的所有超参数均输入到生成网络中,输出超参数组合G;
判别网络判断超参数组合G中的每一个超参数相比超参数组合M中的数值而言,是否均发生变化,如果存在至少一个超参数未发生变化,则判别为假,返回生成网络,继续生成新一轮超参数组合;如果全部超参数均发生变化,则判别为真;
在判别为真的情况下,将超参数组合G输入到免疫地形图模型中,得到初步训练后的免疫地形图模型;
构建训练集,将训练集,输入到初步训练后的免疫地形图模型中,输出细胞分布标注结果,判断细胞分布标注准确率是否超过设定阈值T,如果超过设定阈值,则表示当前超参数组合G为最佳超参数组合,训练结束;如果低于设定阈值,则返回生成网络,继续生成新一轮超参数组合;
所述训练后的免疫地形图模型,其网络结构包括:
依次连接的第一阶段模块、第二阶段模块、第三阶段模块、第四阶段模块和输出层;
所述第一阶段模块,包括依次连接的第一免疫地形图单元、第二免疫地形图单元和第一下采样层;
所述第二阶段模块,包括依次连接的第三免疫地形图单元、第四免疫地形图单元和第二下采样层;
所述第三阶段模块,包括依次连接的第五免疫地形图单元、第六免疫地形图单元、第七免疫地形图单元、第八免疫地形图单元、第九免疫地形图单元、第十免疫地形图单元和第三下采样层;
所述第四阶段模块,包括依次连接的第十一免疫地形图单元、第十二免疫地形图单元和第四下采样层;
所述免疫地形图单元,包括:
依次连接的第一卷积层、第二卷积层、多头注意力机制层、第三卷积层、第四卷积层和乘法器;所述第三卷积层和第四卷积层组成了前馈网络层;
其中,第一卷积层的输入端还与乘法器的输入端连接。
7.如权利要求6所述的基于免疫地形图的染色病理切片细胞分布标注系统,其特征是,所述训练后的免疫地形图模型,其训练过程还包括:
将生成的超参数组合G送入判别网络,判别器给出该超参数组合G是否为生成网络生成的概率数值,引入距离作为损失函数,若判断为不是由生成网络生成的GF,则将损耗反向传播至生成网络更新权重;若判断为是由生成网络生成的超参数组GT,则对当前超参数组合的标注精度进行验证。
CN202311515432.1A 2023-11-15 2023-11-15 基于免疫地形图的染色病理切片细胞分布标注方法及系统 Active CN117237952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311515432.1A CN117237952B (zh) 2023-11-15 2023-11-15 基于免疫地形图的染色病理切片细胞分布标注方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311515432.1A CN117237952B (zh) 2023-11-15 2023-11-15 基于免疫地形图的染色病理切片细胞分布标注方法及系统

Publications (2)

Publication Number Publication Date
CN117237952A CN117237952A (zh) 2023-12-15
CN117237952B true CN117237952B (zh) 2024-02-09

Family

ID=89084706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311515432.1A Active CN117237952B (zh) 2023-11-15 2023-11-15 基于免疫地形图的染色病理切片细胞分布标注方法及系统

Country Status (1)

Country Link
CN (1) CN117237952B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105637366A (zh) * 2013-10-01 2016-06-01 东丽株式会社 胰肿瘤的检测方法、抗体和胰肿瘤检测用试剂盒
CN111709318A (zh) * 2020-05-28 2020-09-25 西安理工大学 一种基于生成对抗网络的高分辨率遥感图像分类方法
CN112330625A (zh) * 2020-11-03 2021-02-05 杭州迪英加科技有限公司 免疫组化核染色切片细胞定位多域共适应训练方法
CN114170224A (zh) * 2021-01-20 2022-03-11 赛维森(广州)医疗科技服务有限公司 应用生成式染色归一化的细胞病理分类的系统及方法
CN115205692A (zh) * 2022-09-16 2022-10-18 成都戎星科技有限公司 基于生成对抗网络的典型地物要素智能识别与提取方法
EP4105943A1 (en) * 2020-05-08 2022-12-21 Lunit Inc. Method and system for predicting reaction to immuno-oncology agent
WO2023273934A1 (zh) * 2021-06-28 2023-01-05 华为技术有限公司 一种模型超参数的选择方法及相关装置
CN115965807A (zh) * 2022-09-27 2023-04-14 北京吉利学院 基于超参数优化的TransCNN医学眼底图像分类算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2876167A1 (en) * 2013-11-21 2015-05-27 Institut Gustave Roussy Microbiota composition, as a marker of responsiveness to chemotherapy, and use of microbial modulators (pre-,pro- or synbiotics) for improving the efficacy of a cancer treatment
US11328517B2 (en) * 2020-05-20 2022-05-10 Toyota Research Institute, Inc. System and method for generating feature space data

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105637366A (zh) * 2013-10-01 2016-06-01 东丽株式会社 胰肿瘤的检测方法、抗体和胰肿瘤检测用试剂盒
EP4105943A1 (en) * 2020-05-08 2022-12-21 Lunit Inc. Method and system for predicting reaction to immuno-oncology agent
CN111709318A (zh) * 2020-05-28 2020-09-25 西安理工大学 一种基于生成对抗网络的高分辨率遥感图像分类方法
CN112330625A (zh) * 2020-11-03 2021-02-05 杭州迪英加科技有限公司 免疫组化核染色切片细胞定位多域共适应训练方法
CN114170224A (zh) * 2021-01-20 2022-03-11 赛维森(广州)医疗科技服务有限公司 应用生成式染色归一化的细胞病理分类的系统及方法
WO2023273934A1 (zh) * 2021-06-28 2023-01-05 华为技术有限公司 一种模型超参数的选择方法及相关装置
CN115205692A (zh) * 2022-09-16 2022-10-18 成都戎星科技有限公司 基于生成对抗网络的典型地物要素智能识别与提取方法
CN115965807A (zh) * 2022-09-27 2023-04-14 北京吉利学院 基于超参数优化的TransCNN医学眼底图像分类算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Adversarial Machine Learning Phases of Matter;Si Jiang 等;arXiv;1-15 *
基于AT-PGGAN的增强数据车辆型号精细识别;杨昌东;余烨;徐珑刀;付源梓;路强;;中国图象图形学报(03);179-190 *
改进型循环生成对抗网络的血管内超声图像增强;姚哲维;杨丰;黄靖;刘娅琴;;计算机科学(05);228-234 *

Also Published As

Publication number Publication date
CN117237952A (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN108364288B (zh) 用于乳腺癌病理图像的分割方法和装置
CN111462076B (zh) 一种全切片数字病理图像模糊区域检测方法及系统
CN111650453A (zh) 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
CN110910377B (zh) 一种基于神经网络的脑梗死mri图像识别方法
CN110021425A (zh) 一种比较检测器及其构建方法与宫颈癌细胞检测方法
CN110189293A (zh) 细胞图像处理方法、装置、存储介质及计算机设备
CN109711401A (zh) 一种基于Faster Rcnn的自然场景图像中的文本检测方法
CN109472801A (zh) 一种用于多尺度的神经形态检测和分割方法
US8077945B2 (en) Method of analyzing cell or the like having linear shape, method of analyzing nerve cell and apparatus and program for performing these methods
CN113780345A (zh) 面向中小企业的基于张量注意力的小样本分类方法和系统
CN113989261A (zh) 基于Unet改进的无人机视角下红外图像光伏板边界分割方法
Li et al. A deep learning method for material performance recognition in laser additive manufacturing
CN117372777A (zh) 基于der增量学习的密集架通道异物检测方法
CN117576038A (zh) 基于YOLOv8网络的织物瑕疵检测方法及系统
CN116935226A (zh) 一种基于HRNet的改进型遥感图像道路提取方法、系统、设备及介质
Li et al. Prior mask R-CNN based on graph cuts loss and size input for precipitation measurement
CN106919950A (zh) 概率密度加权测地距离的脑部mr图像分割方法
CN116205876A (zh) 基于多尺度标准化流的无监督笔记本外观缺陷检测方法
CN112949723B (zh) 一种子宫内膜病理图像分类方法
CN117237952B (zh) 基于免疫地形图的染色病理切片细胞分布标注方法及系统
CN113450363B (zh) 一种基于标签校正的元学习细胞核分割系统及方法
CN117456272A (zh) 一种基于对比学习的自监督异常检测方法
CN116543414A (zh) 多模型融合的舌质颜色分类及舌质红度和紫度量化方法
CN113312978A (zh) 一种显微影像下目标精确识别和分割的方法及其系统
CN114627123A (zh) 综合双流加权网络和空间注意力机制的白带细胞检测方法

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