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

CN113570619A - 基于人工智能的计算机辅助胰腺病理图像诊断系统 - Google Patents

基于人工智能的计算机辅助胰腺病理图像诊断系统 Download PDF

Info

Publication number
CN113570619A
CN113570619A CN202110793037.4A CN202110793037A CN113570619A CN 113570619 A CN113570619 A CN 113570619A CN 202110793037 A CN202110793037 A CN 202110793037A CN 113570619 A CN113570619 A CN 113570619A
Authority
CN
China
Prior art keywords
cutting
pancreatic
image
medical image
map
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
Application number
CN202110793037.4A
Other languages
English (en)
Other versions
CN113570619B (zh
Inventor
梁智勇
邹昊
郭玉成
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.)
Tsimage Medical Technology Shenzhen Co ltd
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Tsimage Medical Technology Shenzhen Co ltd
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
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 Tsimage Medical Technology Shenzhen Co ltd, Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Tsimage Medical Technology Shenzhen Co ltd
Priority to CN202110793037.4A priority Critical patent/CN113570619B/zh
Publication of CN113570619A publication Critical patent/CN113570619A/zh
Application granted granted Critical
Publication of CN113570619B publication Critical patent/CN113570619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及基于人工智能的计算机辅助评估胰腺医学图像的系统，该系统包括用于接收待评估的胰腺医学图像的医学图像采集模块；用于从胰腺医学图像中提取有效区域的有效区域提取模块；对胰腺医学图像进行切割，获得胰腺医学图像切图的切图分割模块；用于生成对应各胰腺医学图像切图的切图预测信息的切图预测模块；用于生成切图预测映射关系的切图映射模块；以及用于将切图预测映射关系输入至整图预测模型，生成整图预测信息的整图预测模块。本系统能够自动对胰腺病理图像进行快速预测和标记可疑区域，为医生提供诊断参考。

Description

基于人工智能的计算机辅助胰腺病理图像诊断系统
技术领域
本发明涉及生物医疗计算机信息处理技术，特别涉及一种基于人工智能的计算机辅助胰腺病理图像诊断系统、计算机执行方法和介质。
背景技术
当今社会，胰腺癌是造成全球癌症死亡的主要原因之一。由于胰腺癌早期较难被发现，一经发现往往就是中晚期，因此胰腺癌的预后存活率很低。对胰腺癌的临床诊断通常基于胰腺组织的医学检查。医学检查被称为是临床诊断的金标准，是非常重要的临床诊断方法。近年来，随着医疗影像技术的日益普及，高质量、高分辨率的医学图片被不断应用的。目前，对胰腺医学图片的判读主要基于医学医生的人工判读，这项工作耗时费力，并且依赖医生的经验及专业知识。现阶段，临床上对胰腺组织病理学的检查主要基于病理医生的人工判读。基于病理医生的人工判读主要有以下几点问题：1.人工判读耗时费力，效率低下。长时间的病理诊断容易产生疲劳，进一步降低病理诊断准确度。2.对胰腺病理的诊断缺乏统一的定量标准，非常依赖于病理医生的临床经验以及专业知识储备。3.我国医疗资源紧张，病理医生长期缺乏且各地区病理医生数量配比不均衡。
发明内容
本发明提供一种基于人工智能的计算机辅助评估胰腺医学图像的方法、系统及介质，旨在至少解决现有技术中存在的技术问题之一。
根据本发明的一个方面，提供了基于人工智能的计算机辅助评估胰腺医学图像的系统，包括以下模块：医学图像采集模块，用于接收待评估的胰腺医学图像；有效区域提取模块，用于从前述胰腺医学图像中提取有效区域；切图分割模块，用于基于前述有效区域，对前述胰腺医学图像进行切割，获得胰腺医学图像切图；切图预测模块，用于将前述胰腺医学图像切图输入切图预测模型，生成对应各前述胰腺医学图像切图的切图预测信息；切图映射模块，用于基于前述切图预测信息，以及对应前述切图预测信息的前述胰腺医学图像切图与前述胰腺医学图像的对应关系，生成切图预测映射关系；整图预测模块，用于将前述切图预测映射关系输入至整图预测模型，生成整图预测信息。
可选地，前述切图预测映射关系包括前述切图预测信息高于特定阈值的各前述胰腺医学图像切图的面积和，与对应的前述有效区域的面积的比率的最大值、平均值、方差、偏度以及峰度。
可选地，前述系统还包括热图生成模块，用于基于前述胰腺医学图像和前述切图预测映射关系，生成胰腺癌概率热图。
可选地，前述有效区域提取模块包括以下子模块：采样子模块，用于对前述胰腺医学图像进行降采样处理，生成缩略胰腺医学图像；二值化子模块，用于对前述缩略胰腺医学图像的像素进行二值化处理，生成二值化缩略胰腺医学图像；提取子模块，用于基于前述二值化缩略胰腺医学图像，在前述胰腺医学图像上提取有效区域。
可选地，前述切图分割模块包括以下子模块：切图坐标获得子模块，计算各前述有效区域的最大连接矩阵，通过前述最大连接矩阵的坐标对目标区域进行定位，获得切图的起始坐标和结束坐标；切图坐标校正子模块，坐标以最大连接矩阵的坐标差为基础的随机数，对前述切图的起始坐标和结束坐标进行校正；切图获得子模块，基于修正后的前述切图的起始坐标和结束坐标，切割各前述有效区域对应的前述胰腺医学图像，获得胰腺医学图像切图。
可选地，前述切图预测模型是在基于AlexNet、VGG16、Inception ResNet、Inception v1、Inception v2、Inception v3和Inception v4中的至少两种卷积神经网络构成的预测模型上进行训练得到的，前述整图预测模型是在基于在XGBoost、LightGBM、随机森林和决策树中的至少两种卷积神经网络构成的预测模型上进行训练得到的。
可选地，前述切图预测模型是在基于AlexNet、VGG16、Inception ResNet、Inception v1、Inception v2、Inception v3和Inception v4构成的预测模型上进行训练得到的，前述整图预测模型是在基于在XGBoost、LightGBM、随机森林和决策树构成的预测模型上进行训练得到的。
可选地，用户可以手动调整切图分割模块的切图尺寸、滑动步长和提取边缘切图时的阈值设置中的至少一项。
可选地，前述切图预测模块还包括调整子模块，根据切图尺寸调整切图预测信息的系数。
根据本发明的又一个方面，提供了一种基于人工智能的计算机辅助评估胰腺医学图像的方法，包括以下步骤：接收待评估的胰腺医学图像；从前述胰腺医学图像中提取有效区域；基于前述有效区域，对前述胰腺医学图像进行切割，获得胰腺医学图像切图；将前述胰腺医学图像切图输入切图预测模型，生成对应各前述胰腺医学图像切图的切图预测信息；基于前述切图预测信息，以及对应前述切图预测信息的前述胰腺医学图像切图与前述胰腺医学图像的对应关系，生成切图预测映射关系；将前述切图预测映射关系输入至整图预测模型，生成整图预测信息。
可选地，前述切图预测映射关系包括前述切图预测信息高于特定阈值的前述胰腺医学图像切图的面积总和，与前述有效区域的面积的比率的最大值、平均值、方差、偏度以及峰度。
可选地，前述方法还包括以下步骤，基于前述胰腺医学图像和前述切图预测映射关系，生成胰腺癌概率热图。
可选地，从前述胰腺医学图像中提取有效区域的步骤，包括以下子步骤：对前述胰腺医学图像进行降采样处理，生成缩略胰腺医学图像；对前述缩略胰腺医学图像的像素进行二值化处理，生成二值化缩略胰腺医学图像；基于前述二值化缩略胰腺医学图像，在前述胰腺医学图像上提取有效区域；
可选地，基于前述有效区域，对前述胰腺医学图像进行切割，获得胰腺医学图像切图的步骤，其中包括以下子步骤：计算各前述有效区域的最大连接矩阵，通过前述最大连接矩阵的坐标对目标区域进行定位，生成切图的起始坐标与结束坐标；以最大连接矩阵的坐标差为基础的随机数，对前述切图的起始坐标和结束坐标进行校正；基于修正后的前述切图的起始坐标和结束坐标，切割各前述有效区域对应的前述胰腺医学图像，获得胰腺医学图像切图。
根据本发明的又一个方面，提供了一种生成训练数据以训练机器学习系统的计算机实施的方法，前述方法包括：利用胰腺病理切图数据集，在AlexNet、VGG16、InceptionResNet、Inception v1、Inception v2、Inception v3和Inception v4中的至少两种卷积神经网络构成的预测模型上进行训练，得到训练后的切图训练模型；利用切图验证集验证的切图训练模型，取前述切图验证集的准确率最高的一次权重作为最终超参数，存储为切图预测模型；利用胰腺病理整图数据集，在XGBoost、LightGBM、随机森林和决策树中的至少两种卷积神经网络构成的预测模型上进行训练，得到训练后的整图训练模型；利用胰腺病理整图验证集验证的切图训练模型，取前述胰腺病理整图验证集的准确率最高的一次权重作为最终超参数，存储为整图预测模型。
根据本发明的又一个方面，提供一种计算机可读存储介质，其上储存有程序指令，前述程序指令被处理器执行时实施如本发明的任一项前述的方法。
本发明的有益效果为：基于人工智能的计算机辅助胰腺医学诊断系统，对自动对胰腺病理图像进行快速诊断并且标记出可疑区域，为医生提供诊断参考，减轻病理医生的工作量，提高病理图像的判读效率。
附图说明
图1所示为根据本发明的第一实施例的模块示意图。
图2所示为根据本发明的第二实施例的流程图。
图3所示为根据本发明的在胰腺WSI图像上提取有效区域的流程示意图。
图4所示为根据本发明的基于Inception结构的分类网络的流程示意图。
图5所示为根据本发明的胰腺WSI图像生成概率热图的流程示意图。
图6所示为根据本发明的胰腺WSI图像与其概率热图的对照图。
图7是根据本发明的第四实施例的模块示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。本文所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本发明范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
参照图1，根据本发明的第一实施例，提供了一种基于人工智能的计算机辅助评估胰腺医学图像的系统，包括以下模块：医学图像采集模块，用于接收待评估的胰腺医学图像；有效区域提取模块，用于从前述胰腺医学图像中提取有效区域；切图分割模块，用于基于前述有效区域，对前述胰腺医学图像进行切割，获得胰腺医学图像切图(Patch)；切图预测模块，用于将前述胰腺医学图像切图输入切图预测模型，生成对应各前述胰腺医学图像切图的切图预测信息；切图映射模块，用于基于前述切图预测信息，以及对应前述切图预测信息的前述胰腺医学图像切图与前述胰腺医学图像的对应关系，生成切图预测映射关系；以及整图预测模块，用于将前述切图预测映射关系输入至整图预测模型，生成整图预测信息。
胰腺医学图像通常来源于被验者胰腺的活体组织切片(Biopsy)的整体切片成像(Whole Slide Image，简称WSI，也译为全景切片图像或全视野切片图像)。例如，可采取手术切除、内视镜或针头穿刺吸取等，从被验者身体中取出活的病变组织，将病变组织包埋在石蜡块里用切片机切成薄片，再用苏木精-伊红(H-E)等染液染色后，通过全自动显微镜或光学放大系统扫描采集得到的大尺寸高分辨数字图像的方式获得。胰腺WSI图像对辅助胰腺肿瘤的临床诊断有重要意义，不仅可以确定其组织分类，还可估测其良性或恶性，为治疗提供重要参考。近年来，随着病理学和计算机技术的快速发展，数字病理全切片图像的数量迅速增长，通过图像算法或机器学习方法对其进行处理和分析，对辅助病理医生快速诊断以及计算机自动诊断有很大参考价值。人工智能(Artificial Intelligence)简称AI，是研究、开发用于模拟、延伸和扩展人智能的理论、方法、技术及应用系统的一门新技术科学。机器学习(Machine Learning)简称ML。机器学习属于人工智能的一个分支，也是人工智能的和核心。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。深度学习(Deep Learning)简称DL，是利用深度神经网络来解决特征表达的一种学习过程。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，如图像、声音、文本样本数据的内在规律和表示层次，进而处理复杂的未知数据。示例性地，前述切图预测模型是在基于AlexNet、VGG16、InceptionResNet、Inception v1、Inception v2、Inception v3和Inception v4中的至少两种卷积神经网络构成的预测模型上进行训练得到的，前述整图预测模型是在基于在XGBoost、LightGBM、随机森林和决策树中的至少两种卷积神经网络构成的预测模型上进行训练得到的。具体而言，利用胰腺病理切图数据集，在AlexNet、VGG16、Inception ResNet、Inceptionv1、Inception v2、Inception v3和Inception v4中的至少两种卷积神经网络构成的预测模型上进行训练，得到训练后的切图训练模型；利用切图验证集验证的切图训练模型，取前述切图验证集的准确率最高的一次权重作为最终超参数，存储为切图预测模型；利用胰腺病理整图数据集，在XGBoost、LightGBM、随机森林和决策树中的至少两种卷积神经网络构成的预测模型上进行训练，得到训练后的整图训练模型；利用胰腺病理整图验证集验证的切图训练模型，取前述胰腺病理整图验证集的准确率最高的一次权重作为最终超参数，存储为整图预测模型。将被验者的胰腺WSI图像进行预处理得到有效区域，并对有效区域进行切片的，得到胰腺医学图像切图，将胰腺医学图像切图导入至上述切图训练模型，得到切图预测信息。基于切图预测信息，以及对应前述切图预测信息的前述胰腺医学图像切图与前述胰腺医学图像的对应关系，生成切图预测映射关系；将前述切图预测映射关系包括前述切图预测信息高于特定阈值的各前述胰腺医学图像切图的面积和，与对应的前述有效区域的面积的比率的最大值、平均值、方差、偏度以及峰度。将切图预测映射关系输入至前述整图预测模型，生成整图预测信息，从而高速准确地提取胰腺医学图片自动诊断，生成辅助诊断结果。另外，前述系统还包括热图生成模块，用于基于前述胰腺医学图像和前述切图预测映射关系，生成胰腺癌概率热图。本发明的实施例涉及的系统，无需人工操作，得到癌概率热图，为医生做出精确诊断给出参考，极大提高诊断效率。
在本发明的多个实施例中，用于训练、验证与测试的WSI图像均来自于国内知名三甲医院，总数据集包括231张胰腺WSI图像，其中60张为正常胰腺病理图，171张为包含癌组织的胰腺病理图。正常WSI病理图数据集大小为77GB，癌症病理图数据集大小为313GB。所有的病理切片都是通过宁波江丰生物信息技术有限公司产生的KB-TF-400扫描仪在40倍(0.2μm/像素)放大倍率下扫描得到的高分辨率数字病理切片。
可选地，用户可以手动调整切图分割模块的切图尺寸、滑动步长和提取边缘切图时的阈值设置中的至少一项。前述切图预测模块还包括调整子模块，根据切图尺寸调整切图预测信息的系数。从而半人工地干涉预测的结果，从而进一步提升预测的精度。
在一个或多个实施例中，前述有效区域提取模块包括以下子模块：采样子模块，用于对前述胰腺医学图像进行降采样处理，生成缩略胰腺医学图像；二值化子模块，用于对前述缩略胰腺医学图像的像素进行二值化处理，生成二值化缩略胰腺医学图像；提取子模块，用于基于前述二值化缩略胰腺医学图像，在前述胰腺医学图像上提取有效区域。前述切图分割模块包括以下子模块：切图坐标获得子模块，计算各前述有效区域的最大连接矩阵，通过前述最大连接矩阵的坐标对目标区域进行定位，获得切图的起始坐标和结束坐标；切图坐标校正子模块，坐标以最大连接矩阵的坐标差为基础的随机数，对前述切图的起始坐标和结束坐标进行校正；切图获得子模块，基于修正后的前述切图的起始坐标和结束坐标，切割各前述有效区域对应的前述胰腺医学图像，获得胰腺医学图像切图。由此，可以快速得到胰腺医学图像上的非空白区域的图像，降低处理的图像数据量，提高预测效率。
本发明基于卷积神经网络的人工智能计算机辅助胰腺医学图像诊断系统，针对常见的2～5GB大小的胰腺WSI(Whole Slide Image整体切图成像)图像，本发明的诊断时间小于一分钟。另外，根据临床数据调查显示，医学医生大约花费80％的时间用于判读正常组织的医学图片，这些工作极大地影响了病灶定位以及制定诊断方案的效率。本发明可以自动筛选出可疑病灶区域，医学医生只需重点关注可疑区域，极大地减轻了医学医生的工作负担。本发明提供了基于卷积神经网络的人工智能计算机辅助胰腺医学图像诊断系统，诊断的依据为提取的各项数据特征，有助于胰腺医学定量分析的发展。
参照图2，基于相同的发明构思，根据本发明的第二实施例，提供了一种基于人工智能的计算机辅助评估胰腺医学图像的方法。该方法可以通过计算机系统来执行，该方法包括以下步骤：1)获取待诊断的胰腺组织病理图像(WSI)；2)获取图片中的有效区域(Region Of Interest，简称ROI)；3)根据有效区域对图像进行进一步切割，获得1024×1024大小的胰腺组织病理切图(Patch)。4)将获取的胰腺组织病理切图按批次输入到胰腺癌切图预测模型当中，获得胰腺病理的切图预测数据。5)将切图的预测结果整合得到胰腺WSI癌概率热图。6)对胰腺癌概率热图提取数据特征，输入到WSI整图预测模型中；7)获得最终的胰腺癌整图WSI二分类预测结果，属于正常组织或癌组织。
具体而言，在1)获取待诊断的胰腺组织病理图像(WSI)的步骤中，输入基于人工智能的计算机辅助胰腺病理诊断系统的图像的为通过KB-TF-400扫描仪扫描得到的胰腺病理全景切片图(WSI)，其中，组织切片的染色方式是苏木精-伊红染色法(H&E)，WSI的图片格式可以为svs、tif/tiff以及ndpi。对图片的大小通常在600MB～10GB。计算机系统经由如以太网通信接口从KB-TF-400扫描仪处得到待诊断的胰腺组织病理图像的文件。
在2)获取图片中的有效区域(Region Of Interest，简称ROI)的步骤中，由于胰腺数字病理图像除了包含组织区域外还包含一些背景空白区域，且每个WSI图像的像素非常大，额外处理WSI图像的背景区域会浪费大量时间，并且占用宝贵的计算机内存资源。所以在对整张WSI图像进行切图前，先提取有效区域是非常重要的一个环节。有效区域，又称感兴趣区域，在机器视觉、图像处理中，在被处理的图像上以方框、图、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域。本发明将WSI图像中去除空白的剩余部分定义为有效区域。去除大部分背景空白区域后，我们就只需要处理可能存在肿瘤的区域，由此能够极大地节约计算资源，提高图像分类的效率。本发明对数据集运用了阈值分割方法，对WSI图像进行一系列的消除空隙等操作，将提取图像的有效区域作为后续切图的范围。
参照图3，在一个或多个实施例中，提取有效范围主要包括以下几个子步骤：
1.对WSI下采样(Sub-Sampled)或降采样(Down-Sampled)。由于原始采集的WSI图像分辨率过高，受限于目前计算机的读取与存储技术，难以直接对WSI图像进行直接处理，所以首先按照一定倍率进行下采样或降采样，得到缩略WSI图像(缩略胰腺医学图像)。对得到的缩略WSI图像进行计算，能大大降低计算成本并提高运算效率。处理完成后按照同样的倍率将缩略WSI图像的有效区域的坐标等比放大，就能得到原始WSI图像的有效区域。
2.图像灰度化。由于灰度图像相比于彩色图像更容易处理，故使用颜色空间转换函数将彩色图像变成灰度图像。彩色图像包含R、G、B三个分量，分别显示出红绿蓝等各种颜色。图像灰度化就是使得彩色图像的RGB三个分量相等的过程。示例性的，本实施例使用平均灰度处理方法，即灰度值gray＝(R，G，B)/3，将彩色缩略WSI图像转化为灰度缩略WSI图像。
3.灰度图像二值化。在本实施例中，采用固定阈值的方法将灰度缩略WSI图像进行阈值化，小于固定阈值的灰度值被置为0，大于固定阈值的灰度值被置为255。通过以上方法，将图像上的所有像素点的灰度置为0或255。阈值化之后的图像只有传统意义上的黑白两种颜色，阈值化后的图像也称为遮罩(Mask)
4.形态学运算去噪。二值化得到的遮罩中会含有一些黑色小点，在数字图像处理中被称为椒盐噪声。采用数学形态学的多元结构元素，可以更多地保持数字图像的几何特征。本实施例使用串联滤波器来进行图像滤波，就是将同一形状的结构元素按照维数从小到大的顺序来对图像进行滤波。输入图像为f(x)，经过某种形状的结构元素的串行滤波结果为fi(x)，i＝1，2……n。定义权值a1，a2，a3……an，则输出的图像：
F(x)＝sum(ai*fi(x))，i＝1，2，……n (1)
通过形态学的运算，将这些噪声点经过形态学运算除去，从而得到降噪后的二值化缩略WSI图像。
5.去除面积过小的组织区域。在WSI图像中，主体的组织区域外还可能存在一些面积非常小的组织，一般这些小的组织对于分析整张WSI图像没有帮助，因此需要将这部分区域去除。示例性的，本实施例使用了基于局部统计的阈值处理方法，通过图像中每一点的邻域中像素的标准差和均值来说明局部连通度，以删除面积小于阈值的部分区域，获得图像的实际主体部分，即有效区域在压缩WSI图像上的区域，并得到该区域内各个像素点的坐标。
6.获取整图的有效区域。将处理之后的有效区域坐标上采样至原图大小，最终便得到了原WSI整图的有效区域的坐标集。整图对应有效区域坐标集内的部分，即为获取的胰腺WSI图像的有效区域。后续的切割等操作，也是基于所提取的有效区域展开。在图3中，输入待评估的胰腺WSI图像301，经上述各子步骤1～6的处理后，得到具有有效区域遮罩的胰腺WSI图像302。
在3)根据有效区域对图像进行进一步切割，获得1024×1024大小的胰腺组织病理切图的不步骤中，WSI图像中存在大量的细胞，为了提取图像中的组织和细胞的整体特征，采用滑动窗口的形式对WSI图像进行切割，并且切割出来的切图会保存其在原始图像中对应的坐标信息。滑动窗口切割是指使用固定尺寸的窗口，以固定的顺序从左到右，从上到下滑动窗口，并在窗口移动时提取图块(切图)。滑动切割图块时，要考虑三个因素：图块尺寸、滑动步长和提取边缘图块时的阈值设置。
1、图块尺寸：切割的图块越小，则每张WSI包含的小图数量越多，增加算法的执行时间；切割的图块越大，每张小图包含的特征信息越多，不利于算法的识别。综合考虑以上几个因素并通过实验比对，在本实施例中，切割的图块尺寸为1024×1024像素。
2、滑动步长：使用切图的尺寸(1024×1024像素)作为每次切割的滑动步长，确保各个切图之间没有重叠的区域。
3、边缘阈值：切割是基于步骤2)提取的有效区域进行的，由于有效区域的形状通常呈不规则的多边形，本实施例使用最大连接矩阵法来保留每一张WSI图像内提取的有效区域。首先计算出每个有效区域的最大连接矩阵，通过最大连接矩阵的坐标对目标区域进行定位，随机生成切图的起始坐标与结束坐标，保证实际切图坐标定位的区域始终包含有效区域，所有标注点的坐标都包含在切图的定位区域中。
(xmin，xmax)＝(min(xlist)-1，max(xlist)+1) (2)
(ymin，ymax)＝(min(ylist)-1，max(ylist)+1) (3)
上式(2)(3)分别列出了每一个有效区域的最大连接矩阵坐标计算式，其中(xmin，xmax)为最小和最大X坐标，(ymin，ymax)为最小和最大Y坐标；xlist、ylist为每一个目标区域标注的X、Y坐标列表，由(xmin，Xmax)、(ymin，ymax)组成的平行于坐标轴的矩阵即为最大连接矩阵。
(xstart，xend)＝(xmax-1024+Δx，xmax+Δx) (4)
(ystart，yend)＝(ymax-1024+Δy，ymax+Δy) (5)
Δx＝[rand(δ)*(xmin-xmax+1024) (6)
Δy＝[rand(δ)*(ymin-ymax+1024)] (7)
式(4)与(5)分别列出了切图使用的起始坐标和结束坐标计算方式，其中(xstart，xend)、(ystart，yend)给出了以最大连接矩阵为基础随机生成的大小为1024×1024的自适应切图矩阵坐标。式(6)与(7)中rand(δ)为取值在[0，1)的随机数，*为向上取整运算式。使用以最大连接矩阵的坐标差为基础的随机数，对切图的起始和结束坐标做校正，可以获得对每个有效区域的自适应切图方式。
本发明使用的胰腺癌切图预测模型基于卷积神经网络。在本实施例中，使用AlexNet、VGG16、Inception ResNet、Inception v1、Inception v2、Inception v3、Inception v4等多种卷积神经网络框架对胰腺病理切图进行良恶性二分类预测。发明人利用获取约400GB大小的胰腺病理切图的训练数据集，用于训练胰腺病理切图自动诊断模型。使用上述提到的多种卷积神经网络在同一胰腺病理数据集上进行训练，训练结束后将模型在验证集上进行验证，取验证集准确率最高的一次权重作为最终超参数，保存模型。训练得到的模型即为胰腺癌切片预测模型。通过卷积神经网络提取胰腺病理切片的特征，从而避免了特征筛选和手动特征提取的过程。通过深度神经网络，能提取到病理切片的高级抽象信息，而不是局限于传统手工特征设计的灰度特征、形态学特征、纹理特征等，提高最终分类的准确率，并且提高分类效率，降低时间成本。
在约一万张胰腺病理切图的测试集上，该模型的准确率为95.3％，对含有胰腺肿瘤区域小图的召回率为97.2％。图4为基于Inception结构的分类网络示意图。
在5)将切图的预测结果整合得到胰腺WSI癌概率热图的步骤中，在步骤4)中模型预测的结果为每一个胰腺组织病理切图预测得到的属于胰腺肿瘤组织的概率，该结果的范围为0(即预测为正常组织)到1(即预测为癌组织)。将所有的胰腺病理切图的肿瘤区域概率整合起来，按照原坐标的位置可视化至映射到原胰腺WSI图像的颜色空间内，即可得到胰腺WSI图像的肿瘤区域概率热图。参照图5和6，图5表示从WSI图像经过图像切割，输入切图预测模型，到生成概率热图504的过程。在概率热图504中，用颜色代表切图区域的组织为肿瘤组织(癌组织)的概率，越红的区域表示该区域为肿瘤组织的概率越高，反之蓝色越深的区域则表示预测为正常组织或背景的概率越高。将生成的热图覆盖于原图上，可以更清晰的了解胰腺组织各个部分的患癌概率预测情况。图6表示了更多的胰腺WSI图像601、603与概率热图602、604的对比。
6)对胰腺癌概率热图提取数据特征，输入到WSI整图预测模型中
生成了胰腺肿瘤概率热图后，从热图中提取相应的特征，以实现对整张WSI图像的分类。具体为从给定的概率热图中提取多种数据特征，由这些特征进行分类。主要提取的特征有与有效区域面积的比率的最大值、平均值、方差、偏度以及峰度，以及概率热图中概率值大于0.9的像素数量等。本方法使用的WSI整图预测模型为树模型，包括XGBoost、LightGBM、随机森林、决策树等模型。这些树模型都具有训练速度快、内存消耗低、准确率高、支持分布式数据处理等优点。使用上述提到的多种树模型在同一胰腺病理数据集上进行训练，训练结束后将模型在验证集上进行验证，取验证集准确率最高的一次权重作为最终超参数，保存模型。本发明的方法在47张胰腺WSI图像的数据集上进行预测，结果显示对数据集的所有数据都成功诊断，准确率为100％。
7)获得最终的胰腺癌整图WSI二分类预测结果，属于正常组织或癌组织
胰腺癌整图WSI分类器的输出为预测得到的胰腺WSI二分类概率，范围为0(预测为正常WSI)至1(预测为胰腺肿瘤WSI)。本方法将预测结果二值化，设定预测概率大于等于0.5即为预测为癌；预测概率小于0.5的WSI预测为正常。本方法基于卷积神经网络的人工智能计算机辅助胰腺病理图像诊断系统，以载有GPU处理器的计算机为基础，运行速度快。对于常见的2～3GB大小的胰腺WSI的诊断时间不超过1分钟。
基于相同的发明构思，本发明的第三实施例提供了一种生成训练数据以训练机器学习系统的计算机实施的方法，前述方法包括：利用胰腺病理切图数据集，在AlexNet、VGG16、Inception ResNet、Inception v1、Inception v2、Inception v3和Inception v4中的至少两种卷积神经网络构成的预测模型上进行训练，得到训练后的切图训练模型；利用切图验证集验证的切图训练模型，取前述切图验证集的准确率最高的一次权重作为最终超参数，存储为切图预测模型；利用胰腺病理整图数据集，在XGBoost、LightGBM、随机森林和决策树中的至少两种卷积神经网络构成的预测模型上进行训练，得到训练后的整图训练模型；利用胰腺病理整图验证集验证的切图训练模型，取前述胰腺病理整图验证集的准确率最高的一次权重作为最终超参数，存储为整图预测模型。由此，可以得到本发明中一个或多个实施例中使用的训练后的切图训练模型和整图预测模型。
基于相同的发明构思，本发明的第四实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有程序指令，该计算机可读存储介质可以是内存，也可以是例如光盘、U盘、网络存储器等外部存储器，经由通信接口将该程序指令传输到内存，以供处理器执行。该程序指令被处理器执行时实现上述实施例的基于人工智能的计算机辅助评估胰腺医学图像的方法和/或生成训练数据以训练机器学习系统的计算机实施的方法的全部步骤，例如，该处理器执行所述计算机程序时实现下述步骤：接收待评估的胰腺医学图像；从前述胰腺医学图像中提取有效区域；基于前述有效区域，对前述胰腺医学图像进行切割，获得胰腺医学图像切图；将前述胰腺医学图像切图输入切图预测模型，生成对应各前述胰腺医学图像切图的切图预测信息；基于前述切图预测信息，以及对应前述切图预测信息的前述胰腺医学图像切图与前述胰腺医学图像的对应关系，生成切图预测映射关系；将前述切图预测映射关系输入至整图预测模型，生成整图预测信息。
在一个或多个实施例中，前述切图预测映射关系包括前述切图预测信息高于特定阈值的前述胰腺医学图像切图的面积总和，与前述有效区域的面积的比率的最大值、平均值、方差、偏度以及峰度。另外，前述方法还可以包括以下步骤，基于前述胰腺医学图像和前述切图预测映射关系，生成胰腺癌概率热图。
本发明可以提供胰腺医学的预判读的参考结果，极大地减轻医学医生的工作量，使得医学医生能花费很多的时间投入治疗方案制定等任务中，缓解我国医疗资源紧张及地区分布不均衡等问题。
应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还可以包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (10)

1.基于人工智能的计算机辅助评估胰腺医学图像的系统，其特征在于，包括以下模块：
医学图像采集模块，用于接收待评估的胰腺医学图像；
有效区域提取模块，用于从所述胰腺医学图像中提取有效区域；
切图分割模块，用于基于所述有效区域，对所述胰腺医学图像进行切割，获得胰腺医学图像切图；
切图预测模块，用于将所述胰腺医学图像切图输入切图预测模型，生成对应各所述胰腺医学图像切图的切图预测信息；
切图映射模块，用于基于所述切图预测信息，以及对应所述切图预测信息的所述胰腺医学图像切图与所述胰腺医学图像的对应关系，生成切图预测映射关系；以及
整图预测模块，用于将所述切图预测映射关系输入至整图预测模型，生成整图预测信息。
2.根据权利要求1所述的系统，其中，所述切图预测映射关系包括所述切图预测信息高于特定阈值的各所述胰腺医学图像切图的面积和，与对应的所述有效区域的面积的比率的最大值、平均值、方差、偏度以及峰度。
3.根据权利要求1所述的系统，其中，还包括热图生成模块，用于基于所述胰腺医学图像和所述切图预测映射关系，生成胰腺癌概率热图。
4.根据权利要求1至3中任一项所述的系统，其中，所述有效区域提取模块包括以下子模块：
采样子模块，用于对所述胰腺医学图像进行降采样处理，生成缩略胰腺医学图像；
二值化子模块，用于对所述缩略胰腺医学图像的像素进行二值化处理，生成二值化缩略胰腺医学图像；
提取子模块，用于基于所述二值化缩略胰腺医学图像，在所述胰腺医学图像上提取有效区域。
5.根据权利要求1至3中任一项所述的系统，其中，所述切图分割模块包括以下子模块：
切图坐标获得子模块，计算各所述有效区域的最大连接矩阵，通过所述最大连接矩阵的坐标对目标区域进行定位，获得切图的起始坐标和结束坐标；
切图坐标校正子模块，坐标以最大连接矩阵的坐标差为基础的随机数，对所述切图的起始坐标和结束坐标进行校正；
切图获得子模块，基于修正后的所述切图的起始坐标和结束坐标，切割各所述有效区域对应的所述胰腺医学图像，获得胰腺医学图像切图。
6.根据权利要求1至3中任一项所述的系统，其中，所述切图预测模型是在基于AlexNet、VGG16、Inception ResNet、Inception v1、Inception v2、Inception v3和Inception v4中的至少两种卷积神经网络构成的预测模型上进行训练得到的，
所述整图预测模型是在基于在XGBoost、LightGBM、随机森林和决策树中的至少两种卷积神经网络构成的预测模型上进行训练得到的。
7.一种基于人工智能的计算机辅助评估胰腺医学图像的方法，其特征在于，包括以下步骤：
接收待评估的胰腺医学图像；
从所述胰腺医学图像中提取有效区域；
基于所述有效区域，对所述胰腺医学图像进行切割，获得胰腺医学图像切图；
将所述胰腺医学图像切图输入切图预测模型，生成对应各所述胰腺医学图像切图的切图预测信息；
基于所述切图预测信息，以及对应所述切图预测信息的所述胰腺医学图像切图与所述胰腺医学图像的对应关系，生成切图预测映射关系；
将所述切图预测映射关系输入至整图预测模型，生成整图预测信息。
8.根据权利要求7所述的评估胰腺医学图像的方法，其中，所述切图预测映射关系包括所述切图预测信息高于特定阈值的所述胰腺医学图像切图的面积总和，与所述有效区域的面积的比率的最大值、平均值、方差、偏度以及峰度。
9.一种生成训练数据以训练机器学习系统的计算机实施的方法，其特征在于，所述方法包括：
利用胰腺病理切图数据集，在AlexNet、VGG16、Inception ResNet、Inception v1、Inception v2、Inception v3和Inception v4中的至少两种卷积神经网络构成的预测模型上进行训练，得到训练后的切图训练模型；
利用切图验证集验证的切图训练模型，取所述切图验证集的准确率最高的一次权重作为最终超参数，存储为切图预测模型；
利用胰腺病理整图数据集，在XGBoost、LightGBM、随机森林和决策树中的至少两种卷积神经网络构成的预测模型上进行训练，得到训练后的整图训练模型；
利用胰腺病理整图验证集验证的切图训练模型，取所述胰腺病理整图验证集的准确率最高的一次权重作为最终超参数，存储为整图预测模型。
10.一种计算机可读存储介质，其特征在于所述存储介质上储存有程序指令，所述程序指令被处理器执行时实施如权利要求7至9中任一项所述的方法。
CN202110793037.4A 2021-07-13 2021-07-13 基于人工智能的计算机辅助胰腺病理图像诊断系统 Active CN113570619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110793037.4A CN113570619B (zh) 2021-07-13 2021-07-13 基于人工智能的计算机辅助胰腺病理图像诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110793037.4A CN113570619B (zh) 2021-07-13 2021-07-13 基于人工智能的计算机辅助胰腺病理图像诊断系统

Publications (2)

Publication Number Publication Date
CN113570619A true CN113570619A (zh) 2021-10-29
CN113570619B CN113570619B (zh) 2024-05-14

Family

ID=78164769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110793037.4A Active CN113570619B (zh) 2021-07-13 2021-07-13 基于人工智能的计算机辅助胰腺病理图像诊断系统

Country Status (1)

Country Link
CN (1) CN113570619B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114403925A (zh) * 2022-01-21 2022-04-29 山东黄金职业病防治院 一种乳腺癌超声检测系统
WO2023207820A1 (zh) * 2022-04-29 2023-11-02 之江实验室 基于有监督深度子空间学习的胰腺术后糖尿病预测系统
TWI825633B (zh) * 2022-03-24 2023-12-11 緯創資通股份有限公司 影像處理方法、影像處理裝置及影像處理系統

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070076932A1 (en) * 2005-09-23 2007-04-05 Andreas Blumhofer Segmenting medical image data sets
CN104268337A (zh) * 2014-09-24 2015-01-07 中广核（北京）仿真技术有限公司 仿真支撑平台图像连线的路径生成方法及系统
CN109147937A (zh) * 2018-07-31 2019-01-04 中国科学院深圳先进技术研究院 基于图像的康复预测方法及相关产品
CN109636806A (zh) * 2018-11-22 2019-04-16 浙江大学山东工业技术研究院 一种基于多步学习的三维核磁共振胰腺图像分割方法
CN110175998A (zh) * 2019-05-30 2019-08-27 沈闯 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质
CN110301940A (zh) * 2019-06-17 2019-10-08 翟凯 一种基于机器学习的腹腔彩超仪
CN110427311A (zh) * 2019-06-26 2019-11-08 华中科技大学 基于时序特征处理与模型优化的磁盘故障预测方法和系统
CN112071430A (zh) * 2020-09-07 2020-12-11 北京理工大学 一种病理指标的智能预测系统
CN112070685A (zh) * 2020-08-10 2020-12-11 武汉大学 Hifu治疗系统的动态软组织运动预测的方法
CN112085743A (zh) * 2020-09-04 2020-12-15 厦门大学 一种肾肿瘤的图像分割方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070076932A1 (en) * 2005-09-23 2007-04-05 Andreas Blumhofer Segmenting medical image data sets
CN104268337A (zh) * 2014-09-24 2015-01-07 中广核（北京）仿真技术有限公司 仿真支撑平台图像连线的路径生成方法及系统
CN109147937A (zh) * 2018-07-31 2019-01-04 中国科学院深圳先进技术研究院 基于图像的康复预测方法及相关产品
CN109636806A (zh) * 2018-11-22 2019-04-16 浙江大学山东工业技术研究院 一种基于多步学习的三维核磁共振胰腺图像分割方法
CN110175998A (zh) * 2019-05-30 2019-08-27 沈闯 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质
CN110301940A (zh) * 2019-06-17 2019-10-08 翟凯 一种基于机器学习的腹腔彩超仪
CN110427311A (zh) * 2019-06-26 2019-11-08 华中科技大学 基于时序特征处理与模型优化的磁盘故障预测方法和系统
CN112070685A (zh) * 2020-08-10 2020-12-11 武汉大学 Hifu治疗系统的动态软组织运动预测的方法
CN112085743A (zh) * 2020-09-04 2020-12-15 厦门大学 一种肾肿瘤的图像分割方法
CN112071430A (zh) * 2020-09-07 2020-12-11 北京理工大学 一种病理指标的智能预测系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
TATARCHENKO M等: "Tangent convolutions for dense prediction in 3d", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 31 December 2018 (2018-12-31), pages 3887 - 3896 *
向国徽: "自动驾驶场景下的行人检测研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 8, 15 August 2019 (2019-08-15), pages 035 - 180 *
吴春华等: "超声造影在胰腺癌可切除性评估中的价值", 《上海交通大学学报（医学报）》, vol. 30, no. 10, 31 December 2010 (2010-12-31), pages 1217 - 1220 *
潘峰等: "视觉定位脑外科手术机器人系统的坐标映射", 《东北大学学报(自然科学版)》, no. 5, 15 May 2005 (2005-05-15), pages 6 - 9 *
王丽伟等: "NCBO领域本体映射项目及应用", 《现代图书情报技术》, no. 10, 25 October 2013 (2013-10-25), pages 19 - 23 *
童菲: "DPCM预测与Contourlet变换相结合的医学图像压缩", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 8, 15 August 2015 (2015-08-15), pages 138 - 1077 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114403925A (zh) * 2022-01-21 2022-04-29 山东黄金职业病防治院 一种乳腺癌超声检测系统
TWI825633B (zh) * 2022-03-24 2023-12-11 緯創資通股份有限公司 影像處理方法、影像處理裝置及影像處理系統
US12112559B2 (en) 2022-03-24 2024-10-08 Wistron Corporation Image processing method, image processing apparatus, and image processing system
WO2023207820A1 (zh) * 2022-04-29 2023-11-02 之江实验室 基于有监督深度子空间学习的胰腺术后糖尿病预测系统

Also Published As

Publication number Publication date
CN113570619B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN109886179B (zh) 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统
CN110033456B (zh) 一种医疗影像的处理方法、装置、设备和系统
CN111986150B (zh) 一种数字病理图像的交互式标注精细化方法
CN113570619B (zh) 基于人工智能的计算机辅助胰腺病理图像诊断系统
US20040264749A1 (en) Boundary finding in dermatological examination
Luengo-Oroz et al. Robust iris segmentation on uncalibrated noisy images using mathematical morphology
Haggerty et al. Segmentation of epidermal tissue with histopathological damage in images of haematoxylin and eosin stained human skin
JP6342810B2 (ja) 画像処理
JP2008520345A (ja) 超音波画像における病変の検出及び分類方法、及びそのシステム
CN110188792A (zh) 前列腺mri三维图像的图像特征获取方法
CN112263217B (zh) 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
CN110322436B (zh) 医学图像处理方法、装置、存储介质及设备
CN114332132A (zh) 图像分割方法、装置和计算机设备
Ramella Saliency-based segmentation of dermoscopic images using colour information
CN117036343A (zh) 用于识别腋窝淋巴结转移癌的ffoct图像分析方法和装置
Rao et al. Retinex-centered contrast enhancement method for histopathology images with weighted CLAHE
TW201726064A (zh) 醫療影像處理裝置及其乳房影像處理方法
CN113762395B (zh) 一种胰胆管型壶腹癌分类模型生成方法及图像分类方法
CN110910409A (zh) 一种灰度图像处理方法、装置和计算机可读存储介质
CN114332037A (zh) 一种自动分割胰腺癌病理切片中多类组织的方法及装置
Linares et al. Efficient segmentation of cell nuclei in histopathological images
Mahmoud et al. Novel feature extraction methodology based on histopathalogical images and subsequent classification by Support Vector Machine
Khattar et al. Investigation of Denoising Techniques for Removal of Hair and Noise from Dermoscopic Images
Ye et al. A Deep Learning Approach with Cascade-Network Design for Eyelid Tumors Diagnosis Based on Gigapixel Histopathology Images

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