[00338884]基于深度学习的病理细胞图像桌面端检测软件
联系人：马博渊
所在地：北京北京市
- 服务承诺
- 产权明晰
-
资料保密
对所交付的所有资料进行保密
- 如实描述
登录后向技术服务商咨询
发布技术需求
服务免费，交易还可领红包哦
技术详细介绍
合作方式：☒整体转让 ☒技术许可 ☒作价入股 ☒合作开发 ☒其它_____
成果简介：
团队与海南 301 医院合作承担海南省重点研发计划“基于深度学习的宫颈异常细胞图像检测与分类”项目，主要负责采用基于深度学习的计算机视觉技术智能辅助筛查病理细胞图像中的病变细胞，异常细胞检出率为 90%，相应研究成果在阿里云组织的“宫颈癌风险智能诊断”挑战赛中取得前 1%的成绩，并研发相应的图像处理和病患信息管理软件用于临床实际，以提高筛查效率。
目前处于何种研发阶段：☐研发 ☐小试 ☒中试 ☐小批量生产 ☐产业化；
样机：☒有 ☐无
已投入成本：40 万元。
推广应用情况：已成功应用至海南 301 医院用于数据分析。
期望技术转移成交价格（大概金额）：60-80 万元。
技术优势：
基于深度学习的计算机视觉技术智能辅助筛查病理细胞图像中的病变细胞，由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本成果针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。
性能指标：
采用目标检测领域的常用评估指标 AP30 作为准确率，在装备 1 台 NvidiaTesla V100 显卡的工作站上进行实验评估，异常细胞识别准确率为 86%%，推理速度为单张图片耗时 0.048s，该评估方法综合考虑了各阈值下的精确率和召回率以及速度，可更加全面的评估模型的预测结果。
市场分析：
随着计算机硬件以及计算机处理算法的进步，尤其是以深度学习为代表的机器学习理论的突破，计算机图像处理技术不断渗透到各个领域，尤其在临床医学的诸多领域发挥着举足轻重的作用。依托强有效的特征提取能力，基于深度学习的卷积神经网络可以通过梯度下降的方式自动地学习到图像中与目标任务相关的主要特征，可大幅目标识别的准确率，使得深度学习方法成为计算机图像处理领域中的主流方法。因此，采用细胞学计算机辅助诊断技术，对宫颈病变细胞图像进行自动分析和处理，能够帮助医务人员进行精确的辅助判断，从而降低医务人员的工作强度以及提高诊断的准确性。
经济效益分析：
宫颈癌作为世界范围最常见的妇科恶性肿瘤，严重威胁女性的生命。2016 年世界卫生组织报道：每年全球有超过 50 万新发的宫颈癌病例，作为发展中国家的中国约占其中的 28%，并预计直至 2025 年，亚洲的宫颈癌发病率将上升约 40%。近年来宫颈癌不仅发病率呈上升趋势，并且发病年龄也趋于年轻化，引起了越来越多人的重视。研究发现，宫颈癌的癌变是从子宫不典型增生到原位癌再到早期浸润癌，最后变成浸润癌，足见宫颈癌有着相当长的癌前病变阶段。如果病人在宫颈癌癌前病变阶段或者更早的时候被诊断出来，得到治愈的机会将会大幅度提高。
目前，中国以细胞学（包括传统巴士涂片）作为宫颈癌主要筛查手段，可是总体筛查水平不高，究其原因，并非由于细胞学检查技术的客观缺陷，主要是由于国内有经验的细胞病理学医师及辅助人员稀缺，根据欧美发达国家国家经验，一名合格的细胞学家成长周期约 10 年，因此造成宫颈癌筛查水平和普及程度低下，难以满足实际检测的需要。随着计算机硬件以及计算机处理算法的进步，尤其是以深度学习为代表的机器学习理论的突破，计算机图像处理技术不断渗透到各个领域，尤其在临床医学的诸多领域发挥着举足轻重的作用。因此，使用深度学习方法能够有效解决有经验的细胞病理学医师及辅助人员稀缺问题，应用广泛，市场需求量大。