基因改造(GM)为增强作物特性(如提高抗虫性和除草剂耐受性)提供了新机遇。 该技术允许跨物种改变,因此潜在地允许大量新颖特征。 已经开发并批准了许多转基因作物供人类和动物食用。 本研究调查了三叠的转基因玉米品种,该品种含有对昆虫抗性(通过cry1Ab和cry3Bb1基因)和除草剂耐受性(通过EPSPS基因)的修饰,并喂给大鼠六个月。 该研究调查了胃粘膜。 在转基因喂养的大鼠中观察到紧密连接处的改变,腺体的扩张,上皮的伸长和不典型增生。 这些结果表明,转基因玉米可能对大鼠胃粘膜有影响,可能对健康有影响。
1
胸腰椎爆裂骨折相邻椎间盘组织病理学改变的对比分析,刘浩,赵小丹,目的:通过观察胸腰椎爆裂骨折后上下位椎间盘组织学形态改变以及重要炎性介质及下游产物在软骨终板内的表达情况,比较上、下位椎
2024-01-14 14:49:11 556KB 首发论文
1
乳腺浸润性导管癌分级的组织病理学图像集,共906张图片,显微镜图像 乳腺浸润性导管癌分级的组织病理学图像集,共906张图片,显微镜图像 乳腺浸润性导管癌分级的组织病理学图像集,共906张图片,显微镜图像
2022-12-18 18:28:36 808.35MB 乳腺 导管癌 病理学 图像
介绍 颜色反卷积算法的设计针对RGB摄像机获取的颜色信息,基于免疫组化技术使用的染色剂RGB分量光的特异性吸收,分别计算每种染色剂对图像的作用效果。免疫组织化学图像处理通常用的染色包括DAB、H&E。 颜色反卷积可应用于H-DAB图像和组织病理学中常用的染色剂(H-E,H AEC,FAST Red,DAB),广泛应用于免疫组化染色图像颜色分离。 环境 #### Language de programmation : Python 2.7 #### Libs : numpy, matplotlib, sikit-learn, PySide, OpenCV2 运行步骤 1.运行ColorDeconvolution.py或者hsd.py,可以生成反卷积后的图像(一共有6个图),依据情况选择结果。 2.得到的HSI_Teinte_t1.png图像,灰度值比较低,在PS里面先用:图像-调整-曲线-自动,增加灰度值,再图像-调整-反相 ———————————————— 版权声明:本文为CSDN博主「可基大萌萌哒的马鹿」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及
2022-08-23 21:05:24 255.53MB 数字病理 深度学习 颜色反卷积 病理图像
1
nuclick组织病理数据集,用于病理分析,深度学习。三种不同类型的细胞定位,语义分割。 包含原图,标签图(rgb标签)
2022-07-26 17:06:57 437.62MB 深度学习 组织病理 语义分割
1
matlab滑动条码染色混合和归一化 注意:最初发布在2013年“有丝分裂检测算法评估”挑战网站()上。 组织病理学图像分析的主要困难之一是外观变异性。 例如,当进行有丝分裂检测时,当组织病理学切片过度染色时,会出现许多假阳性。 该MATLAB代码执行染色混合(苏木精和曙红的分离)和外观标准化。 它基于[1]中描述的方法。 下图显示了一些染色归一化的示例。 染色归一化方法的Python实现可在此处找到: [1]一种对组织切片进行标准化以进行定量分析的方法,M Macenko,M Niethammer,JS Marron,D Borland,JT Woosley,G Xiaojun,C Schmitt,NE Thomas,IEEE ISBI,2009年。dx.doi.org/10.1109/ ISBI.2009.5193250
2022-02-16 15:03:48 5.37MB 系统开源
1
PySlide 正在开发中 很棒的组织病理学整个幻灯片图像处理库! ·· 目录 关于该项目 该库提供了预处理组织病理学完整幻灯片图像的功能。 数字全片是物理组织标本的超高分辨率图像,在手术过程中已将其取出以供病理学家评估。 这些标本存储在载玻片上,并使用生物扫描仪进行扫描,以产生约100,000x100,000像素(1gb-4gb)大小的图像。 由于它们占用的内存很大,因此以计算方式分析图像可能是一项复杂的任务,尤其是在机器学习方面。 Openslide之类的库提供了一个不错的框架,可以像python这样的语言来打开和使用这些图像,但是缺少用于更高级的预处理和分析的丰富功能集。 该库是工作和操作WSI的综合框架的开始,尤其是侧重于机器学习。 例如,已经探索了许多方法来减轻训练ml全片图像数据集的内存负担,包括将图像平铺为更小,更易于管理的补丁。 该库提供了一种希望的简单方式来执行此类
2021-12-05 16:57:27 3.59MB JupyterNotebook
1
为实现对乳腺癌组织病理图像的准确自动分级,提出了一种改进的卷积神经网络,依次引入两种不同的卷积结构,以提高网络对病理图像的识别准确率。以深度残差网络(ResNeXt)为基础网络,用八度卷积(OctConv)替代传统卷积层,在特征提取阶段降低特征图中的冗余特征,提高了细节特征的提取效果;用异构卷积(HetConv)代替网络中的部分传统卷积层,以降低模型的训练参数。为了克服因数据样本较少出现的过拟合问题,采用一种基于图像分块思想的数据增强方法。实验结果表明,该网络在图像级别的四分类任务中准确率达到91.25%,表明所设计的网络模型具有较高的识别率和较好的实时性。
2021-11-04 11:07:30 7.64MB 图像处理 组织病理 卷积神经 残差网络
1
病态融合 基于深度学习的多模态组织病理学图像识别和融合框架 好消息! (3/5/2021) 标签网站的源代码现已发布,请查看文件夹“ LabelingWebsite”或访问独立的代码库: : 标记网站的升级:支持IHC /融合热图的叠加,并标记非常大的病理图像(超过60,000x60,000;剪切),请参阅网站的新演示视频: ://cloudstor.aarnet.edu 使用标签网站的重要提示:必须使用Edge旧版(其他Web浏览器,包括新的Edge在处理大图像时会出现问题) 要使用Edge旧版,请执行以下操作:1)将新的Edge文件夹重命名为您想要的任何其他名称; 2)下载“ EdgeLaunch.exe”以启动旧版Edge(或Win + run:shell:Appsfolder \ Microsoft.MicrosoftEdge_8wekyb3d8bbwe!Microso
2021-11-03 17:42:49 386.56MB JupyterNotebook
1
组织病理学检测 创建了一种算法,以识别从较大的数字病理扫描中获取的小图像斑块中的转移癌。 该比赛的数据是对PatchCamelyon(PCam)基准数据集的略微修改版本 动机 乳腺癌的临床诊断最好通过活检来实现。 病理学家通过在显微镜下手动检查组织切片来进行诊断。 但是,传统的诊断系统需要专业知识,只有经验丰富的病理学家才能准确地确定肿瘤组织。 当前,在印度的各个农村地区,人们无法获得良好的医疗保健设施。 另外,农村地区没有新的先进设备,因此甚至有可能无法正确诊断患者。 农村地区医疗状况不佳的主要原因之一是缺乏经验丰富的医生。 数据集 该研究使用的数据集是PatchCamelyon(PCam)[21],[22]的略微修改版本。由于其概率抽样,原始PCam数据集包含重复图像,但是此版本不包含重复图像。 该数据集是开源的,可以从( )下载。 数据集包含超过220K张RGB图像,尺寸为96x
1