-
公开(公告)号：CN115272196B
公开(公告)日：2024-01-09
申请号：CN202210810912.X
申请日：2022-07-11
Applicant: 东北林业大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82 , G16H30/20
Abstract: 组织病理图像中病灶区域预测方法，本发明涉及组织病理图像分析诊断技术中，病灶区域难以检测的问题。细胞核和细胞质的结构外观信息是组织病理图像表型信息的重要体现，为其分类提供依据。染色分离是提取组织病理图像特征的关键所在。但组织病理图像存在大量阴性图块、包含复杂的模式和纹理、存在颜色变化和伪影，使得目前仍没有一个准确的阴阳性分类方法。针对这一问题，结合任务的特点，设计了模型，并利用颜色反卷积对组织病理图像进行染色初始化，再将训练好的模型迁移到病灶区域预测任务中，聚合阳性概率生成热力图。实验表明，这种方法能够有效地检测出病灶区域。该方法主要应用于细胞病理图像的病灶区域预测任务。
-
公开(公告)号：CN116128832A
公开(公告)日：2023-05-16
申请号：CN202310017135.8
申请日：2023-01-06
Applicant: 东北林业大学
Abstract: 多任务组织病理图像病灶分割方法，本发明涉及胃癌CAD技术中，判断胃癌组织图像中的真实肿瘤区域和病变类型的问题。准确的组织病灶分割和病变分类对于临床评估疾病的病变状态和制定合适的诊断方案具有重要意义。由于胃癌组织病变在形状、颜色和纹理上的个体差异和视觉相似性，导致胃肿瘤分割不易，难以进行准确分类。为解决这一问题，本发明提出了一种基于多任务学习的组织病理图像病灶分割方法。实验表明，该方法对于胃癌组织病理学图像实现了准确率为98.19％和F1分数为95.83％的分类，准确率为86.74％和mIoU分数为88.83％的分割。本发明能够进行准确的胃癌组织病理图像病灶分割和病变分类。
-
公开(公告)号：CN116630965A
公开(公告)日：2023-08-22
申请号：CN202310325143.9
申请日：2023-03-30
Applicant: 东北林业大学
IPC: G06V20/69 , G06V10/764 , G06V10/82 , G06V10/26 , G06V10/774 , G06T7/00 , G06N3/045 , G06N3/09
Abstract: 面向胃镜活检智能诊断的组织病理图像分类方法，本发明涉及智能诊断、人工智能、深度学习，对胃癌组织图像中异常区域进行病理分类。胃癌的组织病理学图像包含了足够的特征信息，在胃癌的诊断和治疗中起着至关重要的作用。通过深度学习技术对胃癌组织病理学图像进行自动分类，分类结果可以帮助病理医生从大量胃癌图像中快速区分不同类型的病变，来减少诊断时间，提高胃癌预防和诊断效率，提高病理学家诊断结果的准确性。本发明提出了面向胃镜活检智能诊断的组织病理图像分类方法。实验表明，该方法可以对胃癌组织病理图像进行更精准的病理分类。
-
公开(公告)号：CN115272196A
公开(公告)日：2022-11-01
申请号：CN202210810912.X
申请日：2022-07-11
Applicant: 东北林业大学
IPC: G06T7/00 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82 , G16H30/20
Abstract: 组织病理图像中病灶区域预测方法，本发明涉及组织病理图像分析诊断技术中，病灶区域难以检测的问题。细胞核和细胞质的结构外观信息是组织病理图像表型信息的重要体现，为其分类提供依据。染色分离是提取组织病理图像特征的关键所在。但组织病理图像存在大量阴性图块、包含复杂的模式和纹理、存在颜色变化和伪影，使得目前仍没有一个准确的阴阳性分类方法。针对这一问题，结合任务的特点，设计了模型，并利用颜色反卷积对组织病理图像进行染色初始化，再将训练好的模型迁移到病灶区域预测任务中，聚合阳性概率生成热力图。实验表明，这种方法能够有效地检测出病灶区域。该方法主要应用于细胞病理图像的病灶区域预测任务。
-
-
-
Search Results
4
records
(took 0.026 seconds)
