公开(公告)号：CN115880262B

公开(公告)日：2023-09-05

申请号：CN202211643031.X

申请日：2022-12-20

Applicant: 桂林电子科技大学

Inventor： 潘细朋 ,  邓华虎 ,  蓝如师 ,  刘振丙 ,  李灵巧 ,  汪华登 ,  安娅君 ,  侯飞虎 ,  卞新军

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/136 ,  G06N3/047 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/084 ,  G06V10/26 ,  G06V10/82 ,  G06V10/764

Abstract: 本发明涉及基于在线噪声抑制策略的弱监督病理图像组织分割方法，包括：获取H&E染色图，对所述H&E染色图进行处理，获得数据集，对所述数据集进行划分，基于划分后的所述数据集训练分类网络，生成伪标签；基于在线噪声抑制策略抑制所述伪标签中存在的噪声，通过抑制噪声后的所述伪标签以及所述伪标签对应的训练集训练语义分割网络，获得训练后的所述语义分割网络的预测结果，将所述预测结果作为最终分割结果。本发明利用数字病理学和深度学习的分类算法及分割算法，可实现仅使用patch级标签实现肺癌/乳腺癌H&E染色图像的组织分割，生成像素级分割结果，直观地展示肿瘤内部组织结构的空间分布情况。

公开(公告)号：CN117576131A

公开(公告)日：2024-02-20

申请号：CN202311651607.1

申请日：2023-12-05

Applicant: 桂林电子科技大学

Inventor： 潘细朋 ,  侯飞虎 ,  郭俊宇 ,  蓝如师 ,  汪华登 ,  邓华虎 ,  安娅君

IPC: G06T7/12 ,  G06T5/70 ,  G06V10/774 ,  G06V10/762 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明公开了一种基于边缘优化和特征去噪的弱监督细胞核分割方法及装置，方法包括：对组织病理图像进行预处理，获取病理切片数据集；将病理切片数据集标注，生成弱标签；对病理切片数据集划分形成训练集、验证集和测试集；构建细胞核分割模型，利用病理切片数据集进行两个阶段的训练，第一阶段：在改进的U‑Net中利用带弱标签的训练集对模型进行粗分割训练，第二阶段，利用边缘优化策对模型进行精细分割训练，包括修正伪标签和边缘优化。本发明不但能够适应绝大多数与的细胞核类别，还大大降低了病理医生手动标注的工作量。

公开(公告)号：CN115880262A

公开(公告)日：2023-03-31

申请号：CN202211643031.X

申请日：2022-12-20

Applicant: 桂林电子科技大学

Inventor： 潘细朋 ,  邓华虎 ,  蓝如师 ,  刘振丙 ,  李灵巧 ,  汪华登 ,  安娅君 ,  侯飞虎 ,  卞新军

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/136 ,  G06N3/047 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/084 ,  G06V10/26 ,  G06V10/82 ,  G06V10/764

Abstract: 本发明涉及基于在线噪声抑制策略的弱监督病理图像组织分割方法，包括：获取H&E染色图，对所述H&E染色图进行处理，获得数据集，对所述数据集进行划分，基于划分后的所述数据集训练分类网络，生成伪标签；基于在线噪声抑制策略抑制所述伪标签中存在的噪声，通过抑制噪声后的所述伪标签以及所述伪标签对应的训练集训练语义分割网络，获得训练后的所述语义分割网络的预测结果，将所述预测结果作为最终分割结果。本发明利用数字病理学和深度学习的分类算法及分割算法，可实现仅使用patch级标签实现肺癌/乳腺癌H&E染色图像的组织分割，生成像素级分割结果，直观地展示肿瘤内部组织结构的空间分布情况。

公开(公告)号：CN117594225A

公开(公告)日：2024-02-23

申请号：CN202311651602.9

申请日：2023-12-05

Applicant: 桂林电子科技大学

Inventor： 潘细朋 ,  安娅君 ,  杨辉华 ,  刘振丙 ,  陆铖 ,  周南 ,  邓华虎 ,  王钰萌 ,  卞新军

IPC: G16H50/20 ,  G16B20/00 ,  G16B40/20 ,  G06T7/11 ,  G06F18/25 ,  G06N3/0499 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明公开了一种基于病理和基因的多模态融合生存预后方法及装置，方法包括：对病理组织学图像和基因数据进行预处理，获得病理切片和基因数据集；构建多模态融合模型，然后训练模型：利用病理预后模块提取病理切片的病理深度学习特征，然后进行生成预后；利用利用基因预后模块提取基因数据的基因组学特征，然后进行生成预后；利用多模态低秩交互融合模块将病理深度学习特征和基因组学特征多模态融合，生成多模态融合特征；利用多模态融合特征对患者进行生存预后分析，然后经过迭代计算损失后，获取预后预测结果。本发明，全面地将多模态数据进行整合，增强了特征融合模型的鲁棒性，提高了病患生存预后的准确性。

公开(公告)号：CN117522892A

公开(公告)日：2024-02-06

申请号：CN202311524395.0

申请日：2023-11-15

Applicant: 桂林电子科技大学

Inventor： 潘细朋 ,  俸思洋 ,  王子民 ,  刘振丙 ,  刘再毅 ,  陈明威 ,  邓华虎

IPC: G06T7/11 ,  G06T7/13 ,  G06V10/25 ,  G06V10/28 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明涉及基于空间通道注意力增强的肺腺癌CT影像病灶分割方法，包括：获取待检测肺部CT影像；将所述待检测肺部CT影像输入预设的分割模型中，获取病灶分割掩膜图；基于所述病灶分割掩膜图提取影响特征并进行量化，获取所述待检测肺部CT影像中的肿瘤影像特征信息，其中，所述分割模型基于训练集训练获得，所述训练集包括若干患者肺部CT影像，所述分割模型采用scSE空间通道注意力增强的分割网络EfficientUNet++构建。本发明能够减少早期肺腺癌CT影像病灶分割任务中存在的时间成本、人力成本，提高分割精度。