公开(公告)号：CN117994587A

公开(公告)日：2024-05-07

申请号：CN202410207509.7

申请日：2024-02-26

Applicant: 昆明理工大学

Inventor： 金怀平 ,  王兴杭 ,  陶海波 ,  李振辉 ,  王彬

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/44 ,  G06V10/82 ,  G06N3/045 ,  G06T7/00

Abstract: 本发明公开了一种基于深度学习两阶段推理网络的病理图像分类方法。本发明至少解决了传统组织病理图片分类方法中的三个难点问题：计算复杂度高、未考虑到不同区域的差异性和未有效同步关注局部‑全局信息。针对这些问题，本发明首先使用相对位置编码Vision Transformer模型对组织病理图像进行特征提取；然后利用全局注意力模块来提取全局信息，从而有效的提取组织病理图像的特征表示；如果关键信息未被充分识别，最后在细推理阶段通过可微分模块来提取存在差异化的局部图像区域，实现更细粒度的筛选，以满足临床辅助诊断的需要。相对于传统方法，本发明仅需要更少的计算资源就能达到一个更佳的识别精度。

公开(公告)号：CN119251831A

公开(公告)日：2025-01-03

申请号：CN202411280033.6

申请日：2024-09-12

Applicant: 昆明理工大学

Inventor： 金怀平 ,  王兴杭 ,  李振辉 ,  陶海波 ,  王彬

IPC: G06V20/69 ,  G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/776 ,  G06V10/52 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于多实例学习和多尺度特征提取的胃癌亚型分类方法。本发明至少解决了传统多实例学习组织病理图片分类方法中的三个难点问题：现有的多实例学习方法存在单一尺度限制、计算资源需求过高、没能有效同步关注病理图像上下文信息。针对这些问题，本发明首先使用ResNet骨干网络提取不同放大倍率下病理图像的特征，通过并行注意力模块和可微分模块获得较低放大倍数下信息丰富的子图像Tile，并将其与更高放大倍数下的组织病理图像结合，以获取上下文关联信息。最后，过聚合不同放大倍数下的特征来实现胃癌亚型分类任务。本发明相比现有方法仅需要更少的计算资源就能达到一个更佳的识别精度，可为胃癌患者的诊断提供重要参考。