【更新中】深度学习病理图像预处理方法整理

最新推荐文章于 2024-05-28 09:44:51 发布
最新推荐文章于 2024-05-28 09:44:51 发布
阅读量8.4k 收藏 107
点赞数 13
分类专栏： 病理图像 文章标签： 深度学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41797404/article/details/103804641
版权

目录


此整理仅为自己在课题进展上的总结和应用，并不全


将深度学习用于病理图像分析以及Openslide和OpenCV使用入门资料

github: https://github.com/BohriumKwong/Deep_learning_in_WSI


染色归一化

Vahadane的染色归一化

方法：

  1. 光密度计算
  2. 无监督染色密度估计
  3. 颜色归一化
  4. 归一化像素强度计算

github: https://github.com/xindubawukong/Vahadane（非原作者）
相关文章：Structure-preserved color normalization for histological images1（ISBI 2015）

基于Vahadane方法改进的颜色归一化方法

github: https://github.com/MEDAL-IITB/Fast_WSI_Color_Norm（python2版本）

最低0.47元/天 解锁文章
甘栗稣
关注
  • 13
    点赞
  • 踩
  • 107
    收藏
    觉得还不错? 一键收藏
  • 12
    评论
专栏目录
Histopathology-Stain-Color-Normalization:深卷积高斯混合模型用于组织病理学H＆E图像中的污点色归一化
05-09
组织病理学-染色颜色归一化 深度卷积高斯混合模型，用于组织病理学H＆E图像中的污点色归一化。 TensorFlow GPU实施。 概述 污点颜色变化会降低计算机辅助诊断（CAD）系统的性能。 在组织病理学图像中的训练集和测试集之间存在严重的颜色差异的情况下，包括深度学习模型在内的当前CAD系统会遭受这种不良影响。 污点色归一化被称为补救措施。 方法 可以将色标归一化模型定义为一种生成模型，该模型可以通过在输入图像上应用以创建输入图像的不同颜色副本，从而以某种方式将转换后的图像包含特定的色度分布。 我们提出的方法包括两个阶段：（1）通过考虑图像内容结构的形状和外观来拟合高斯混合模型（GMM）。 为此，利用了卷积神经网络（CNN）的可视化表示和建模。 （2）将估计的分布转换为从次要（模板）图像计算出的任意分布。 特征 完全不受监督的端到端学习算法 归一化图像中色彩恒定性的最佳性能 缺少关于图像
用于深度学习的医学图像预处理
qq_43608192的博客
03-20 4887
用于深度学习的医学图像数据，往往非常庞大，如果从网上下载公开数据集数据，往往有几十GB的图象数据，我们需要先进行预处理，将其转换成适合深度学习网络训练的形式： 变为 或者我们还需要：Dicom变为nii，变为JPG；去除扫描床影响；为每个图象重命名等等。 一、文件批量重命名 1、文件夹重命名： import os,sys def File_Rename(path): filelist = os.listdir(pat...
深度学习----医学图像预处理
oooortr的博客
10-05 3077
数据集格式转换，CT图像调窗，数据增强
探索Python下的WSI预处理利器
最新发布
gitblog_00018的博客
05-28 320
探索Python下的WSI预处理利器 项目地址:https://gitcode.com/deroneriksson/python-wsi-preprocessing 在医学图像分析领域，尤其是病理学的全切片图像（Whole Slide Images, WSI）分析中，深度学习正逐渐崭露头角。然而，由于WSI的超大尺寸和复杂的结构特性，预处理是实现有效分类的关键步骤。这就是Python WSI Pr...
颜色分类leetcode-DeepLearningCamelyon:深度学习-Camelyon16数据集
07-06
颜色分类leetcode Camelyon 2016 数据集的深度学习管道 Weizhe Li, Weijie Chen 0 - 准备 0.1 搭建深度学习环境。 0.2 尽快安装及图片展示 比较 ASAP 和 OpenSlide：ASAP 没有详细的手册来描述它的命令； OpenSlide 有一个更好的命令文档。 ASAP 有一个 GUI； OpenSlide 没有 0.3 掩码文件生成 掩码文件是模型训练的基本事实。 掩码文件与其对应的 WSI 图像具有完全相同的尺寸。 掩码文件是一个二进制文件，对于 WSI 图像的每个相应像素，正常组织编码为“0”，肿瘤组织编码为“1”。 但是，主办方提供的代码具有误导性。 代码从他们的论文中生成的掩码文件全是'0'； 然后另一段代码建议生成的掩码文件只能通过 ASAP GUI 打开，而不是通过其命令行和 OpenSlide。 耗时 WSI 和掩码文件：tumor_026 WSI 和掩码文件：tumor_005 1 - 带注释的 WSI 可视化 注释可视化 2 - 图像预处理 2.1 图像分割 为了减少计算，将排除载玻片上的空白区域（无组织）。
深度学习与医疗健康：病理图像分析与预测分析
禅与计算机程序设计艺术
12-30 1175
1.背景介绍 随着人工智能技术的不断发展，深度学习在医疗健康领域的应用也日益广泛。病理图像分析和预测分析是两个非常重要的领域，它们可以帮助医生更准确地诊断疾病，并为患者提供更有效的治疗方案。在这篇文章中，我们将深入探讨病理图像分析和预测分析的核心概念、算法原理和实例代码。 1.1 病理图像分析 病理图像分析是一种利用计算机视觉和深度学习技术对病理肿瘤样本进行分析的方法。通过对病理图像进行处理...
病理图像处理个人手札（一）切片制作&预处理-标准化
baiweizeng的博客
09-22 3606
我们常说的病理图像就是指用玻片在扫描仪下拍摄的高分辨率图像（mm级） 病理组织切片制作过程详解： https://wenku.baidu.com/view/60b5d0fe2af90242a995e58a.html 病理图像先要进行预处理，标准化是很重要的一个步骤 主要比较主流的方法有三种：灰度直方图标准化，一个是颜色的标准化，一个是光谱的标准化。按照字面意思其实就是将所有图片都转化成模板图片灰度分布，将所有图片都转化成模板图片颜色（RGB）分布，将所有图片都转化成模板图片光谱（即染料的颜色空间，有多少种
医学影像知识（二）：医学影像常见数据预处理方式
ARYAD的博客
11-07 2842
医学图像数据分析是研究生物标记物并验证其准确性的过程，就像警察追踪嫌疑人一样，根据特征来识别目标并确认身份。这过程包括筛选特征以及验证结论的正确性。医学图像涵盖了病理图像、影像图像（如X光、CT扫描、MRI图像）和检验图像等。我们将重点介绍对影像图像的数据分析。比如，CT图像是由不同灰度构成的，医生通过观察图像上的异常特征来做出疾病诊断，比如肺癌病变通常呈现为肿块，具有特定的边缘特征。不过，这些特征通常是肉眼观察得出的。我们可以利用工具来提取更多特征，因为提取的特征越多，我们获得的判断证据也越充分。
（染色归一化）病理图像（HE或者WSI）图像标准化方法小介绍
热门推荐
qq_34616741的博客
09-04 2万+
虽说是CSDN，但因为处理的过程中要用到病理图片，所以这里简单的介绍一下病理图像的标准化。 首先介绍一下我们的病理图像。 病理图像就是我们高中时候用的玻片在扫描仪下拍摄的高分辨率图像。具体制作过程可以参见百度。https://wenku.baidu.com/view/60b5d0fe2af90242a995e58a.html 病理图像可以帮助医生对病人做出诊断。通过病理图像，我们可以看到肿瘤细胞的.....................
应用深度学习网络实现肾小球滤过膜超微病理图像的语义分割.pdf
08-18
应用深度学习网络实现肾小球滤过膜超微病理图像的语义分割 本文提出了一种基于深度学习网络的肾小球滤过膜自动语义分割算法，应用于肾小球滤过膜超微病理图像的分割。该算法使用DeepLab-v3模型，通过空洞卷积扩大...
基于深度迁移学习的肺癌病理诊断.pdf
08-18
该方法需要大量的肺癌病理图像数据，并且需要对数据进行预处理和标注，以便于深度学习模型的训练和测试。 在数据研究方面，该论文讨论了基于深度迁移学习的肺癌病理诊断方法对数据研究的需求和挑战。该方法需要对...
WSI-analysis:自动全幻灯片图像预处理的Python脚本
05-01
全幻灯片图像分析 背景 全幻灯片图像（WSI）是数百万像素的高分辨率组织病理学图像。 如果直接应用于WSI，传统的分析程序将无法有效工作。 大多数成功的解决方案都采用基于补丁的范例。 概述 当前，此仓库包含用于补丁提取的代码（从WSI），并将不断更新。 ：）（准备就绪时，将添加基于深度学习的分类和细分代码）。 补丁提取 从WSI提取补丁时，有几个棘手的部分： 内存限制。 我们实验室的RAM大小为31 GB，几乎无法容纳level0 WSI。 因此，加载整个图像时要小心。 使用del和gc.collect（）释放内存也很有帮助。 为了处理level0 / 1/2 WSI，我们需要拆分原始图像。 坐标缩放级别/参考框架。 在read_region（）方法处理在水平0参考帧峰会。 因此，当我们使用read_region（）方法从WSI裁剪补丁时，需要进行必要的转换。 枕头图像对象和NumP
基于深度学习的乳腺癌病理图像自动分类.pdf
08-31
本文旨在解决乳腺癌病理图像自动分类问题，提出了一种基于深度学习的方法。乳腺癌是女性中最常见的癌症，按照世界卫生组织（WHO）下属的国际癌症研究中心（IARC）2012年的数据，乳腺癌是造成女性死亡的第二大病症。...
基于深度学习的医学图像处理分析平台，AI全自动疾病诊断.zip
08-08
在医学图像处理中，深度学习模型如卷积神经网络（CNN）能够自动学习和提取图像特征，从而在大量数据训练后实现对疾病的智能识别。这一技术的运用，使得对X光片、CT扫描、MRI图像等复杂医学图像的分析变得更为高效。 ...
基于深度学习的水稻病虫害诊断方法研究.pdf
08-18
在本研究中，我们使用了Faster R-CNN Inception v2和SSD MobileNet v l两种深度学习模型，并分别与归一化尺寸、截取感兴趣区域、病理分割3种图像预处理方式结合进行训练样本学习。实验结果表明，Faster R-CNN ...
AJI（Aggregated Jaccard Index ）增强版的IOU，基于连通域的图像分割结果评判
qq_34616741的博客
12-05 4593
AJI（Aggregated Jaccard Index ）是在2017年提出的概念。论文出处： A Dataset and a Technique for Generalized Nuclear Segmentation for Computational Pathology 这个是MICCAI18 细胞分割数据集的论文。 AJI可以说是增强版的IOU，但是相比于IOU，他有着对实力分割效果更加...
vahadane和macenko染色方法的另一种调用
wangshuhuan1的博客
08-10 1164
重新找到了另外一种对于基于staintools染色标准化的调用方式。解决了简单调用版出现蓝色噪声的问题。
病理组织图像染色标准化
wangshuhuan1的博客
07-26 2283
用于病理组织图像的染色标准化，主要依赖于stain tools的vahadane方法
基于卷积神经网络的乳腺癌病理图像分类方法
03-12
基于卷积神经网络的乳腺癌病理图像分类方法是一种利用深度学习技术对乳腺癌病理图像进行分类的方法。下面是一种常见的方法： 1. 数据准备：收集乳腺癌病理图像数据集，并进行预处理，如图像增强、裁剪和标准化等。 2. 构建卷积神经网络：使用卷积神经网络（CNN）作为分类器。CNN由多个卷积层、池化层和全连接层组成，可以自动提取图像中的特征。 3. 数据划分：将数据集划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于调整模型的超参数，测试集用于评估模型的性能。 4. 模型训练：使用训练集对CNN模型进行训练。通过反向传播算法和优化器来更新模型的权重和偏置，使其逐渐学习到乳腺癌病理图像的特征。 5. 模型评估：使用验证集评估模型的性能，如准确率、精确率、召回率等指标。根据评估结果，可以调整模型的结构和超参数。 6. 模型测试：使用测试集评估模型的泛化能力，即对未见过的乳腺癌病理图像进行分类。 7. 结果分析：对模型的分类结果进行分析和解释，了解模型的优势和局限性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 12
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值