-
公开(公告)号：CN112819768A
公开(公告)日：2021-05-18
申请号：CN202110104450.5
申请日：2021-01-26
Applicant: 复旦大学
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于DCNN的癌症全视野数字病理切片生存分析方法。本发明方法包括，从病理切片中淋巴密集区域、坏死区域、肿瘤区域分别取若干图像块，同切片的全局分割一起送入一个卷积神经网络通过前向传播获得该切片的生存时间分布。可从预测所得生存时间分布中获得患者在若干个时间区间的死亡概率，通过累加可获得患者在若干时间节点前的生存概率。本发明以切片局部的图像以及全局的组织分布作为输入，输出患者的生存时间分布，帮助医生估计患者的预后状况，从而辅助癌症早期临床诊断。
-
公开(公告)号：CN119478503A
公开(公告)日：2025-02-18
申请号：CN202411504514.0
申请日：2024-10-26
Applicant: 复旦大学附属金山医院(上海市金山区眼病防治所、上海市金山区核化伤害应急救治中心)
IPC: G06V10/764 , G06V10/774 , G06V10/762 , G06N20/20 , G06V10/82 , G06N3/0455 , G06N3/088 , G06T7/00
Abstract: 本发明涉及一种无需人工标注的组织病理图像分析方法，病理图像分析方法包括以下步骤：步骤1:图像预处理与切图：步骤2:多尺度特征提取：步骤3:微图块无监督聚类分析：随机选择图块，从每个图块取左上角128x128区域，通过基于方差的特征选择、UMAP算法降维、Leiden社区检测算法聚类最终得到每个微图块表示的节点的聚类类别；步骤4:监督学习模型训练与推理预测：数据集划分：训练集图块和测试集图块；监督学习模型训练：使用XGBoost算法来训练分类模型；步骤5:结果分析与可视化。本发明能够高效处理高分辨率病理图像、实现多尺度特征提取基础上，进行无监督和监督学习相结合的分类，并提供精准的细胞级别区域分类预测，量化，以及可视化结果。
-
公开(公告)号：CN111784637A
公开(公告)日：2020-10-16
申请号：CN202010498137.X
申请日：2020-06-04
Applicant: 复旦大学附属中山医院
Abstract: 本发明提供一种预后特征可视化方法，系统、设备和存储介质，提供了分辨率高、细粒度特征多的预后特征可视化图像，用热图显示的方式直观的显示了病人生存风险相关的特征，增强了预后分析的可解释性，本方法包括以下步骤：获取患者病理图像，所述病理图像包括在不同组织区域随机采样的局部切片图像；将随机采样的病理图像输入经过训练的预后风险分析模型，获取与病理图像对应的具有预后风险特征的热图；将所述热图叠加到病理图像上生成具有可视化预后风险特征的图像。
-
Patent Agency Ranking
公开(公告)号：CN119445173A
公开(公告)日：2025-02-14
申请号：CN202411468457.5
申请日：2024-10-21
Applicant: 复旦大学附属中山医院
IPC: G06V10/762 , G06N20/00 , G06V10/74
Abstract: 本发明涉及一种基于最优传输原型网络的病理图像形态亚型分类方法，属于医学图像处理技术领域。所述方法包括构建病理图像数据集，使用无监督聚类方法初步分组，与病理学家合作优化数据集；通过数据增强策略对图像进行预处理；增强后的图像通过预训练模型进行特征提取；构建并训练OT‑ProtoNet模型；设置原型，确定维度和数量，基于软分配机制实现类别特定原型，基于OT距离计算相似度，设置训练参数和选择优化算法训练模型，确保模型有效学习数据中的关键特征；再基于OT‑ProtoNet模型进行图像形态亚型分类。通过本发明可获得一种能够充分利用预训练特征、可提高分类准确率、保持可解释性的病理图像形态亚型分类方法。
-
公开(公告)号：CN111784637B
公开(公告)日：2024-06-14
申请号：CN202010498137.X
申请日：2020-06-04
Applicant: 复旦大学附属中山医院
Abstract: 本发明提供一种预后特征可视化方法，系统、设备和存储介质，提供了分辨率高、细粒度特征多的预后特征可视化图像，用热图显示的方式直观的显示了病人生存风险相关的特征，增强了预后分析的可解释性，本方法包括以下步骤：获取患者病理图像，所述病理图像包括在不同组织区域随机采样的局部切片图像；将随机采样的病理图像输入经过训练的预后风险分析模型，获取与病理图像对应的具有预后风险特征的热图；将所述热图叠加到病理图像上生成具有可视化预后风险特征的图像。
-
公开(公告)号：CN112819768B
公开(公告)日：2022-06-17
申请号：CN202110104450.5
申请日：2021-01-26
Applicant: 复旦大学
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于DCNN的癌症全视野数字病理切片生存分析方法。本发明方法包括，从病理切片中淋巴密集区域、坏死区域、肿瘤区域分别取若干图像块，同切片的全局分割一起送入一个卷积神经网络通过前向传播获得该切片的生存时间分布。可从预测所得生存时间分布中获得患者在若干个时间区间的死亡概率，通过累加可获得患者在若干时间节点前的生存概率。本发明以切片局部的图像以及全局的组织分布作为输入，输出患者的生存时间分布，帮助医生估计患者的预后状况，从而辅助癌症早期临床诊断。
-
公开(公告)号：CN119480022A
公开(公告)日：2025-02-18
申请号：CN202411504515.5
申请日：2024-10-26
Applicant: 复旦大学附属金山医院(上海市金山区眼病防治所、上海市金山区核化伤害应急救治中心)
Abstract: 本发明涉及一种基于最优传输的病理图像区域级相似度检索方法，所述的病理图像区域级相似度检索方法包括以下步骤:步骤1:数据预处理：WSI切片与图块提取，数据集划分；步骤2:多尺度特征提取：使用预训练模型提取特征；步骤3:特征处理：使用基于方差的特征选择，和UMAP、PCA方法降维处理；步骤4:相似度计算：使用欧氏距离和最优传输距离计算相似度；步骤5:检索与评估：计算查询图像与侯选数据库中的图像的相似度，使用Top‑K检索结果排序评估准确率，并比较不同特征处理方式和相似度度量方法的检索性能。本发明通过在微tile级别进行精细特征提取、基于最优传输理论进行相似度度量结合特征选择和UMAP降维方法，有效提高病理图像区域级相似度检索的精度和可靠性。
-
公开(公告)号：CN112102332A
公开(公告)日：2020-12-18
申请号：CN202010891178.5
申请日：2020-08-30
Applicant: 复旦大学
Abstract: 本发明属于医学图像智能处理技术领域，具体为一种基于局部分类神经网络的癌症全视野数字病理切片的分割方法，本发明方法包括，将病理切片划分为若干个固定大小且不重叠的图像块，将每个图像块送入基于卷积神经网络的分类模型，通过前向传播判断该块的类别，再将各块的分类结果按其在原图上的位置进行拼接，从而得出整个切片中不同组织分布的热图，最后对热图进行中值滤波并去除面积过小的区域后可得到分割图，并辅助医生进行诊断。本发明方法能够快速地将整个病理切片中不同组织所在的区域标出，有效辅助医生进行诊断，提升诊断的准确率与效率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.028 seconds)
