-
公开(公告)号：CN114171119B
公开(公告)日：2024-07-05
申请号：CN202111333910.8
申请日：2021-11-11
Applicant: 武汉大学
IPC: G16B20/50 , G16B40/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于核分数和组织病理全玻片图像的三阴性乳腺癌肿瘤突变负荷预测方法及系统，其中的方法首先筛选三阴性乳腺癌组织病理全玻片；然后根据每个三阴性乳腺癌患者的基因突变情况，计算每个患者的肿瘤突变负荷值，并根据设定的阈值划分为肿瘤突变负荷高和低两组；接着将三阴性乳腺癌组织病理全玻片图像切分为设定大小的patch；再根据核分数函数筛选出一定数量高核分数的patch；然后搭建CNN分类模型，并随机初始化CNN模型的参数；最后将筛选出来的patch放入搭建的CNN模型中训练，实现用三阴性乳腺癌组织病理全玻片图像自动预测肿瘤突变负荷高或低的结果。本发明大大提高肿瘤突变负荷的检测速度和准确些，有助于免疫治疗的推进。
-
公开(公告)号：CN112884737B
公开(公告)日：2022-07-19
申请号：CN202110183836.X
申请日：2021-02-08
Applicant: 武汉大学
IPC: G06T7/00 , G06T7/136 , G06T7/155 , G06T7/60 , G06T7/90 , G06V10/44 , G06V10/56 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于多级迭代的乳腺癌病理图像中有丝分裂自动检测方法，含步骤：S1：筛选有丝分裂与非有丝分裂候选集；S2：对训练集中的有丝分裂候选集进行数据增强；S3：搭建深度神经网络模型，随机初始化参数；S4：将S2的训练集放入S3搭建的模型中L轮训练，保存验证集F1值最高一轮的值及参数；S5：将前一步保存的参数作为初始化参数重新放入S3搭建的模型中再次训练L轮，保存该次最高的F1值及参数；S6:比较前两步保存的F1值，若后者提高，重复S5，直至验证集中F1值不再提高。本发明实现了高准确性的乳腺癌组织病理图像中有丝分裂自动检测功能，辅助病理医生对病人快速诊断。
-
Patent Agency Ranking
公开(公告)号：CN114171119A
公开(公告)日：2022-03-11
申请号：CN202111333910.8
申请日：2021-11-11
Applicant: 武汉大学
Abstract: 本发明提供了一种基于核分数和组织病理全玻片图像的三阴性乳腺癌肿瘤突变负荷预测方法及系统，其中的方法首先筛选三阴性乳腺癌组织病理全玻片；然后根据每个三阴性乳腺癌患者的基因突变情况，计算每个患者的肿瘤突变负荷值，并根据设定的阈值划分为肿瘤突变负荷高和低两组；接着将三阴性乳腺癌组织病理全玻片图像切分为设定大小的patch；再根据核分数函数筛选出一定数量高核分数的patch；然后搭建CNN分类模型，并随机初始化CNN模型的参数；最后将筛选出来的patch放入搭建的CNN模型中训练，实现用三阴性乳腺癌组织病理全玻片图像自动预测肿瘤突变负荷高或低的结果。本发明大大提高肿瘤突变负荷的检测速度和准确些，有助于免疫治疗的推进。
-
公开(公告)号：CN112488234B
公开(公告)日：2022-04-29
申请号：CN202011454778.1
申请日：2020-12-10
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/26 , G06V20/69 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于注意力池化的端到端组织病理图像分类方法，该方法的具体步骤包括：S1：将组织病理图像切分成指定大小的切片，去除背景区域过多的切片，剩余的切片组成一个包。S2：将S1中得到的包作为输入，利用标准的多示例学习的方法训练一个深度神经网络。S3：使用训练后的深度神经网络对所有的切片打分，取每张全玻片图像得分最高和最低的m张切片，集合为一个新的包。S4：搭建一个包含注意力模块的深度神经网络，使用步骤S3得到的新包训练该网络。S5：将待分类的组织病理图像经S1和S3处理后，使用S4得到的模型进行分类。本发明可以在当前只有少量样本的情形下得到较好的分类效果，为医生提供辅助诊断机制，缓解医疗资源紧张的问题。
-
公开(公告)号：CN115831365A
公开(公告)日：2023-03-21
申请号：CN202211629832.0
申请日：2022-12-19
Applicant: 武汉大学
Abstract: 本发明提供了基于筛选器和病理图像的乳腺癌分子亚型预测模型的构建方法、装置、预测方法，其中的乳腺癌分子亚型预测模型的构建方法首先利用在空间转录组数据上构建块的筛选器，然后利用筛选器筛选出有价值的块用于乳腺癌分子亚型预测模型的构建。筛选器的构建包括将空间转录组数据中的组织病理图像切成很多块；然后提取对应的ESR1、ESR2、PGR和ERBB2的基因表达信息，形成标签；接着构建训练模型得到筛选器。分子亚型预测模型的构建包括：将WSI切块标准化后，利用筛选器筛选出含ESR1、ESR2、PGR和ERBB2至少一种基因表达的块，然后将这些块放入一个卷积神经网络模型中进行训练得到最终的乳腺癌分子亚型预测模型。
-
公开(公告)号：CN112884737A
公开(公告)日：2021-06-01
申请号：CN202110183836.X
申请日：2021-02-08
Applicant: 武汉大学
Abstract: 本发明公开了一种基于多级迭代的乳腺癌病理图像中有丝分裂自动检测方法，含步骤：S1：筛选有丝分裂与非有丝分裂候选集；S2：对训练集中的有丝分裂候选集进行数据增强；S3：搭建深度神经网络模型，随机初始化参数；S4：将S2的训练集放入S3搭建的模型中L轮训练，保存验证集F1值最高一轮的值及参数；S5：将前一步保存的参数作为初始化参数重新放入S3搭建的模型中再次训练L轮，保存该次最高的F1值及参数；S6:比较前两步保存的F1值，若后者提高，重复S5，直至验证集中F1值不再提高。本发明实现了高准确性的乳腺癌组织病理图像中有丝分裂自动检测功能，辅助病理医生对病人快速诊断。
-
公开(公告)号：CN112488234A
公开(公告)日：2021-03-12
申请号：CN202011454778.1
申请日：2020-12-10
Applicant: 武汉大学
Abstract: 本发明公开了一种基于注意力池化的端到端组织病理图像分类方法，该方法的具体步骤包括：S1：将组织病理图像切分成指定大小的切片，去除背景区域过多的切片，剩余的切片组成一个包。S2：将S1中得到的包作为输入，利用标准的多示例学习的方法训练一个深度神经网络。S3：使用训练后的深度神经网络对所有的切片打分，取每张全玻片图像得分最高和最低的m张切片，集合为一个新的包。S4：搭建一个包含注意力模块的深度神经网络，使用步骤S3得到的新包训练该网络。S5：将待分类的组织病理图像经S1和S3处理后，使用S4得到的模型进行分类。本发明可以在当前只有少量样本的情形下得到较好的分类效果，为医生提供辅助诊断机制，缓解医疗资源紧张的问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
