-
公开(公告)号：CN119600597A
公开(公告)日：2025-03-11
申请号：CN202411638278.1
申请日：2024-11-16
Applicant: 桂林电子科技大学
IPC: G06V20/69 , G06V10/30 , G06V10/422 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于弱监督和半监督的细胞核分割方法，包括以下步骤：S1、选取任意乳腺癌病理图像库中的病理图像及其部分点标签作为待检测图像，使用扩展的高斯滤波算法对标记点进行初始训练；然后采用背景传播的方法进行自训练，通过不断迭代更新，获取较为精准的细胞核检测结果，并利用课程学习策略，先用简单的样本对模型进行训练，然后随着模型的改进逐渐增加样本的难度，以增强模型的学习能力；S2、使用S1得到的完整点标签生成三种弱标签，包括：1)生成Voronoi标签。本发明降低了对模型的要求，能够利用有限的弱标签数据，又能够保持较高分割准确性，同时也提高了分隔的效率，有利于对细胞核的边缘和形状信息的处理。
-
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
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
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
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。
-
-
-
Search Results
4
records
(took 0.024 seconds)
