CN101403743A - 一种x型交叠、粘连染色体自动分割方法 - Google Patents
一种x型交叠、粘连染色体自动分割方法 Download PDFInfo
- Publication number
- CN101403743A CN101403743A CNA2008102188151A CN200810218815A CN101403743A CN 101403743 A CN101403743 A CN 101403743A CN A2008102188151 A CNA2008102188151 A CN A2008102188151A CN 200810218815 A CN200810218815 A CN 200810218815A CN 101403743 A CN101403743 A CN 101403743A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- point
- profile
- image
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明是一种X型交叠、粘连染色体自动分割方法,包括:第一步:对染色体图像进行二值化分割处理,得二值化模板;第二步:从模板中提取“X”型交叠的染色体图像,用梯度算子获得该染色体轮廓并对其进行Freeman链编码,得边界链码;第三步:对该交叠染色体进行细化算法处理,提取单像素骨架,确定交叠区域中心点;第四步:计算Freeman链编码后的轮廓像素点到交叠区域中心点的距离,选取4个两两互不相邻的轮廓凹点作为切割点把轮廓分为两个轮廓集合,用分割后的染色体轮廓集自动完成分割染色体灰度图像,得X型交叠、粘连染色体的自动分割结果。本发明分割快速有效,大大降低人工分割的工作量和难度。
Description
技术领域
本发明涉及一种X型交叠、粘连染色体自动分割方法,特别是基于摄像头和显微镜的染色体分析系统的交叠、粘连染色体自动分割方法。
背景技术
随着多媒体通信技术和现代医学领域视讯信息化应用的不断融合和发展,医院的诊疗工作越来越多地依赖现代化的多媒体数字医疗检查结果。像显微镜、X光检查、CT、MRI、超声、肠胃镜、窥镜等影像学检查的应用也越来越普遍。数字医疗即医疗服务的数字化、网络化、信息化,通过计算机科学和现代网络通信技术及数据库技术,为医院所属各部门提供病人信息和管理信息的收集、存储、处理、提取和数据交换,并满足所有授权用户的功能需求。尤其是染色体分析工作,人工染色体分析是一项非常繁重的工作,医务人员必须把染色体的显微图片用眼睛和手画方式重现出来,再比较、分析、配对、排序、分类等等一系列的工作浪费了大量的人力和物力。目前国内开发的一些染色体自动分析系统,染色体分析系统是通过高清晰的摄像机架设于显微镜上,摄像机从显微镜捕获镜下的影像,通过数据线连接到专用计算机,计算机运行染色体分析软件,影像在软件中显示。染色体分析人员可通过软件进行图像优化、染色体自动识别、分割染色体,标准染色体核型对照,自动排列、输出报告、保存数据等操作。系统主要应用于现代显微镜下的临床医学分析诊断,其最大的优点是清晰度高、计算机大屏幕下直接观察、计算机自动识别、分割染色体,标准染色体核型对照,自动排列,大大减轻了医务工作者的劳动强度,提高了分析判断的准确度,并可以将图像方便存储、处理,为以后的分析总结提供宝贵资料,是医学显微图像分析的趋势。这些染色体自动分析系统,虽然有一些效果很好,但都没有达到令人满意的程度,特别是对染色体重叠、粘连图像的分割,染色体特征提取和条带分析等方面都存在无法克服的困难,系统分析的效果受到不同程度的限制,还不能够实现真正意义的自动分析。
发明内容
本发明的目的在于提供一种X型交叠、粘连染色体自动分割方法,实现真正意义上的自动分割进而为实现染色体的自动分析提供清晰的46条染色体图像。本发明提供的方法能够快速有效的分割出X型交叠、粘连染色体,并可大大降低人工手画线分割X型交叠、粘连染色体的难度和工作量,从而提高了下一步染色体分析的自动化程度。
为实现本发明的目的采用如下的技术方案:一种X型交叠、粘连染色体自动分割方法,包括以下步骤:
第一步:对染色体图像进行去除杂信息、噪点及增大图像对比度的预处理,然后设定阈值对染色体图像进行二值化分割处理,得到染色体二值化模板;
第二步:从上述染色体二值化模板中提取呈“X”型交叠的染色体的二值化图像,用梯度算子获得该“X”型交叠的染色体的轮廓,并对所述轮廓进行Freeman链编码,得到该“X”型交叠的染色体的一条完整的边界链码;
第三步:对所述“X”型交叠的染色体进行二值化模板的细化算法处理,提取所述“X”型交叠的染色体单像素骨架,确定交叠区域中心点;
第四步:依次计算Freeman链编码后的轮廓像素点到交叠区域中心点的距离,局部最小距离即为所述染色体交叉所形成的轮廓凹点,选取4个两两互不相邻的轮廓凹点作为切割点,利用4个切割点把所述轮廓分为两个轮廓集合,利用分割后的染色体轮廓集自动完成分割染色体灰度图像,得出X型交叠、粘连染色体的自动分割结果。
为了更好地实现本发明,所述第一步中的预处理是指利用中值滤波去除采集过程中产生的绝大部分噪声和气泡,然后进行增大染色体内部区域对比度的灰度拉伸处理。中值滤波是一种非线性数字滤波器技术,用于去除图像或者其它信号中的杂信息和噪点,使采集过程中产生的绝大部分噪声和气泡被消除;进行灰度拉伸处理,增大了染色体内部区域的对比度,使得显带特征更加清晰。
所述第一步中设定阈值对染色体图像进行二值化分割处理是指通过统计染色体图像灰度直方图,由染色体图像的灰度直方图特性确定二值化阈值,以其背景的灰度级峰值最大处向灰度级减小的第一个谷底处为二值化阈值,设为Tb,将染色体图像中灰度≥Tb的像素设为255,灰度<Tb的像素设为0,以此对图像进行二值化分割处理。
所述第一步还包括对得到的染色体二值化模板进行进一步消除噪声的再处理。
所述再处理是指利用距离函数法对图像进行极限腐蚀和条件膨胀的再处理。对染色体图像进行二值化分割处理之后,有些临近染色体的背景区域和未被消除的气泡等噪声被二值化为前景色,所以采用距离函数法对图像进行极限腐蚀和条件膨胀的操作,以进一步消除气泡噪声。
所述第二步中对所述轮廓进行Freeman链编码的具体方法是:二值化后的图像像素只有两个值0和1,0代表背景,1代表图像的目标,全场景边界搜索时,首先对所述“X”型交叠的染色体的二值化图像进行逐行扫描,当搜索到值为1的点时,记录该起始点的坐标,之后开始跟踪所述轮廓,从当前点依次向右、右下、下、左下、左、左上、上、右上方向查看,如果看到所述二值化图像的边界点就用Freeman链码记录这个方向,把这个新的点作为当前点,如此反复直到回到起始点,最后得到该“X”型交叠的染色体的一条完整的边界链码。
所述第三步中的细化算法处理是指采用Hilditch算法进行细化算法处理。图像细化一般作为一种图像预处理技术出现,目的是提取源图像的骨架,即是将源图像中线条宽度大于1个像素的线条细化成为只有一个像素宽,形成“骨架”,形成骨架后能比较容易的分析图像,如提取图像的特征。细化的基本思想是“层层剥夺”,即从线条边缘开始一层一层向里剥夺,直到线条剩下一个像素为止。
所述第三步中确定交叠区域中心点的方法是:①先提取骨架上的分叉点即骨架节点,提取方法是:由于“X”型交叠的染色体的骨架有分叉,所以要遍历骨架上的每个像素点并对其8-邻域像素点进行判断:当8-邻域像素点中只有1个像素点是骨架点时,则该点位于骨架端点;当8-邻域像素点中有2个像素点是骨架点时,则该点位于骨架上,并且不是端点或节点;当8-邻域像素点中有3个或4个是骨架点时,则该点是骨架节点;②确定交叠区域的中心点:如果两个染色体骨架垂直交叉成“十”字型,而此骨架节点8-邻域像素点中有4个是骨架点时,则此骨架节点为交叠区域中心点,如图1所示;如果两个染色体骨架中形成2个节点,而2个节点的8-邻域像素点中均有3个是骨架点,则2个节点的几何中心点作为交叠区域的中心点,如图2所示。
所述第四步中局部最小距离的长度≤所述染色体宽度,这样就可以避免非重叠区域弯曲造成的局部最小距离误判,如果轮廓上相邻的两个像素点距离中心点距离局部最小且相等,则选取保留其中一个。
所述第四步中利用4个切割点把轮廓分为两个轮廓集合的具体计算公式为:假定整个轮廓集为X={x1,x2,…,xn},4个切割点依次为xa、xb、xc、xd,则X可分为X1和X2,其中a<b<c<d,n为轮廓的像素点个数,
X1={x1,x2,…,xa}∪{xb,xb+1,…,xc}∪{xd,xd+1,…,xn}
X2={xa,xa+1,…,xb}∪{xc,xc+1,…,xd}。
本发明相对于现有技术的主要优点及有益效果是:本发明提供了一种X型交叠、粘连染色体自动分割方法,实现真正意义上的自动分割进而为实现染色体的自动分析提供清晰的独立染色体图像,该方法能够快速有效的分割出X型交叠、粘连染色体,不仅可以大大降低人工手画线分割X型交叠、粘连染色体的难度和工作量,还提高了下一步染色体分析的自动化程度。
附图说明
图1是本发明一种X型交叠、粘连染色体自动分割方法中提取的单节点骨架情况的染色体示意图;
图2是本发明一种X型交叠、粘连染色体自动分割方法中提取的双节点骨架情况的染色体示意图;
图3是实施例中用显微镜采集的一幅染色体原始图像;
图4是实施例中利用中值滤波和灰度拉伸对图3所示染色体原始图像进行预处理的结果示意图;
图5是图4的二值化模板示意图;
图6是采用极限腐蚀和条件膨胀对图5进行处理后的结果示意图;
图7是从图6中选取的“X”型交叠染色体模板示意图;
图8是采用梯度算子获得的图7的模板轮廓示意图;
图9是图8经过细化处理后提取的模板轮廓和骨架示意图;
图10是计算图9所示轮廓到交叠区域中心点的距离的方法示意图;
图11是从图10中找到的4个轮廓凹点(即切割点)示意图;
图12是图11中交叠、粘连染色体轮廓分割成2个轮廓示意图;
图13是图12的染色体灰度图像自动分割的结果示意图;
图14是本发明的X型交叠、粘连染色体自动分割方法的实现流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
利用本发明实现对X型交叠、粘连染色体自动分割的流程图如图14所示:
第一步:图3是用显微镜采集的一幅染色体原始图像,对图3所示的染色体图像进行预处理,去除采集过程中产生的噪声和气泡等杂信息和噪点,首先对图3进行中值滤波,再进行灰度拉伸处理,其预处理结果如图4所示,由图4可见,采集过程中产生的部分噪声和气泡被消除,而且增大了染色体内部区域的对比度,使得显带特征更加清晰,但是还有一些气泡存在。然后,通过统计图像的灰度直方图发现背景灰度像素个数比前景灰度总和还要多,为此,由染色体图像的灰度直方图特性确定二值化阈值,以其背景的灰度级峰值最大处向灰度级减小的第一个谷底处为二值化阈值,设为Tb,将染色体图像中灰度≥Tb的像素设为255,灰度<Tb的像素设为0,以此对图像进行二值化分割处理,获取染色体图像的二值化模板结果如图5所示。对于如图5所示的二值化染色体模板中还有剩余的气泡等噪声,本实施例采用极限腐蚀和条件膨胀方法进行消除处理,其处理结果如图6所示。
第二步:选取“X”型交叠的染色体模板如图7所示,用梯度算子获得该“X”型交叠的染色体模板的轮廓如图8所示,对“X”型交叠的染色体的轮廓进行Freeman链编码,其具体的方法是:二值化后的图像像素只有两个值0和1,0代表背景,1代表图像的目标,全场景边界搜索时,首先对二值图像逐行扫描,当搜索到值为1的点时,记录该起始点的坐标,之后开始跟踪该物体的轮廓;从当前点依次向右、右下、下、左下、左、左上、上、右上方向查看,如果看到该物体的边界点就用Freeman链码记录这个方向,把这个新的点作为当前点,如此反复直到回到起始点,即可得到该物体的一条完整的边界链码。
第三步:对“X”型交叠染色体进行二值化模板Hilditch细化算法处理,提取单像素骨架。把骨架节点作为交叠区域中心点,由于“X”型交叉重叠的染色体的骨架有分叉,所以要遍历骨架上的每个像素点,提取如图7所示的“X”型交叠染色体二值化模板的骨架,将源图像中线条宽度大于1个像素的线条细化成为只有一个像素宽,形成“骨架”,其模板轮廓和骨架如图9所示。
第四步:依次计算Freeman链编码后的轮廓像素点到交叠区域中心点的距离,如图10所示,局部最小距离即为染色体交叉所形成的轮廓凹点;为避免非重叠区域弯曲造成的局部最小距离误判,将局部最小距离的长度限定在染色体宽度方位内,这样就能准确找到交叠、粘连处的4个切割点,如图11所示。利用4个切割点把轮廓分为两个轮廓集合,从而分开重叠染色体如图12所示。具体方法:假定整个轮廓集为X={x1,x2,…,xn},4个切割点依次为xa,xb,xc,xd,其中a<b<c<d,n为轮廓的像素点个数,则X可分为X1和X2,如图12所示。其中
X1={x1,x2,…,xa}∪{xb,xb+1,…,xc}∪{xd,xd+1,…,xn}
X2={xa,xa+1,…,xb}∪{xc,xc+1,…,xd}
利用分割后的染色体轮廓完成分割染色体灰度图像,得出X型交叠、粘连染色体的自动分割结果如图13所示。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为本发明等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1、一种X型交叠、粘连染色体自动分割方法,其特征是,包括以下步骤:
第一步:对染色体图像进行去除杂信息、噪点及增大图像对比度的预处理,然后设定阈值对染色体图像进行二值化分割处理,得到染色体二值化模板;
第二步:从上述染色体二值化模板中提取呈“X”型交叠的染色体的二值化图像,用梯度算子获得该“X”型交叠的染色体的轮廓,并对所述轮廓进行Freeman链编码,得到该“X”型交叠的染色体的一条完整的边界链码;
第三步:对所述“X”型交叠的染色体进行二值化模板的细化算法处理,提取所述“X”型交叠的染色体单像素骨架,确定交叠区域中心点;
第四步:依次计算Freeman链编码后的轮廓像素点到交叠区域中心点的距离,局部最小距离即为所述染色体交叉所形成的轮廓凹点,选取4个两两互不相邻的轮廓凹点作为切割点,利用4个切割点把所述轮廓分为两个轮廓集合,利用分割后的染色体轮廓集自动完成分割染色体灰度图像,得出X型交叠、粘连染色体的自动分割结果。
2、根据权利要求1所述一种X型交叠、粘连染色体自动分割方法,其特征是,所述第一步中的预处理是指利用中值滤波去除采集过程中产生的绝大部分噪声和气泡,然后进行增大染色体内部区域对比度的灰度拉伸处理。
3、根据权利要求1所述一种X型交叠、粘连染色体自动分割方法,其特征是,所述第一步中设定阈值对染色体图像进行二值化分割处理是指通过统计染色体图像灰度直方图,由染色体图像的灰度直方图特性确定二值化阈值,以其背景的灰度级峰值最大处向灰度级减小的第一个谷底处为二值化阈值,设为Tb,将染色体图像中灰度≥Tb的像素设为255,灰度<Tb的像素设为0,以此对图像进行二值化分割处理。
4、根据权利要求1所述一种X型交叠、粘连染色体自动分割方法,其特征是,所述第一步还包括对得到的染色体二值化模板进行进一步消除噪声的再处理。
5、根据权利要求4所述一种X型交叠、粘连染色体自动分割方法,其特征是,所述再处理是指利用距离函数法对图像进行极限腐蚀和条件膨胀的再处理。
6、根据权利要求1所述一种X型交叠、粘连染色体自动分割方法,其特征是,所述第二步中对所述轮廓进行Freeman链编码的具体方法是:对所述“X”型交叠的染色体的二值化图像进行逐行扫描,当搜索到值为1的点时,记录该起始点的坐标,之后开始跟踪所述轮廓,从当前点依次向右、右下、下、左下、左、左上、上、右上方向查看,如果看到所述二值化图像的边界点就用Freeman链码记录这个方向,把这个新的点作为当前点,如此反复直到回到起始点,最后得到该“X”型交叠的染色体的一条完整的边界链码。
7、根据权利要求1所述一种X型交叠、粘连染色体自动分割方法,其特征是,所述第三步中的细化算法处理是指采用Hilditch算法进行细化算法处理。
8、根据权利要求1所述一种X型交叠、粘连染色体自动分割方法,其特征是,所述第三步中确定交叠区域中心点的方法是:①先提取染色体单像素骨架上的分叉点即骨架节点,提取方法是:遍历骨架上的每个像素点并对其8-邻域像素点进行判断:当8-邻域像素点中有3个或4个是骨架点时,则该点是骨架节点;②确定交叠区域的中心点:如果两个染色体骨架垂直交叉成“十”字型,而此骨架节点8-邻域像素点中有4个是骨架点时,则此骨架节点为交叠区域中心点;如果两个染色体骨架中形成2个骨架节点,而2个骨架节点的8-邻域像素点中均有3个是骨架点,则2个节点的几何中心点作为重叠区域的中心点。
9、根据权利要求1所述一种X型交叠、粘连染色体自动分割方法,其特征是,所述第四步中局部最小距离的长度≤所述染色体宽度。
10、根据权利要求1所述一种X型交叠、粘连染色体自动分割方法,其特征是,所述第四步中利用4个切割点把轮廓分为两个轮廓集合的具体计算公式为:假定整个轮廓集为X={x1,x2,…,xn},4个切割点依次为xa、xb、xc、xd,则X可分为X1和X2,其中a<b<c<d,n为轮廓的像素点个数,
X1={x1,x2,…,xa}∪{xb,xb+1,…,xc}∪{xd,xd+1,…,xn}
X2={xa,xa+1,…,xb}∪{xc,xc+1,…,xd}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102188151A CN101403743B (zh) | 2008-10-31 | 2008-10-31 | 一种x型交叠、粘连染色体自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102188151A CN101403743B (zh) | 2008-10-31 | 2008-10-31 | 一种x型交叠、粘连染色体自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101403743A true CN101403743A (zh) | 2009-04-08 |
CN101403743B CN101403743B (zh) | 2012-07-18 |
Family
ID=40537819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102188151A Expired - Fee Related CN101403743B (zh) | 2008-10-31 | 2008-10-31 | 一种x型交叠、粘连染色体自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101403743B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043957A (zh) * | 2011-01-11 | 2011-05-04 | 北京邮电大学 | 基于图像凹点的车辆分割方法 |
JP2016041032A (ja) * | 2014-08-18 | 2016-03-31 | 株式会社Screenホールディングス | 閾値決定方法、画像処理方法および画像処理装置 |
CN105976388A (zh) * | 2016-05-20 | 2016-09-28 | 南京理工大学 | 基于图像处理的沙石粒径自动检测方法 |
CN107256406A (zh) * | 2017-04-19 | 2017-10-17 | 深圳清华大学研究院 | 重叠纤维图像分割方法、装置、存储介质和计算机设备 |
CN109146838A (zh) * | 2018-06-20 | 2019-01-04 | 湖南自兴智慧医疗科技有限公司 | 一种基于几何特征与区域融合的g显带粘连染色体分割方法 |
CN110533684A (zh) * | 2019-08-22 | 2019-12-03 | 杭州德适生物科技有限公司 | 一种染色体核型图像切割方法 |
CN110634145A (zh) * | 2018-06-22 | 2019-12-31 | 青岛日日顺物流有限公司 | 基于图像处理的仓库盘点方法 |
CN112200809A (zh) * | 2020-09-22 | 2021-01-08 | 浙江大学山东工业技术研究院 | 基于骨架分割与关键点检测的粘连染色体分离方法及装置 |
CN112215800A (zh) * | 2020-09-14 | 2021-01-12 | 北京航空航天大学 | 基于机器学习的重叠染色体识别和分割方法 |
CN113096143A (zh) * | 2021-04-30 | 2021-07-09 | 天津深析智能科技发展有限公司 | 一种染色体核型分析中染色体分割方法 |
CN113781505A (zh) * | 2021-11-08 | 2021-12-10 | 深圳市瑞图生物技术有限公司 | 染色体分割方法、染色体分析仪及存储介质 |
CN115018831A (zh) * | 2022-08-04 | 2022-09-06 | 湖南自兴智慧医疗科技有限公司 | 重叠染色体分离方法、系统、电子终端及可读存储介质 |
CN115815939A (zh) * | 2023-02-20 | 2023-03-21 | 国网山东省电力公司东营供电公司 | 一种电容器安装用辅助定位方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093538B (zh) * | 2006-06-19 | 2011-03-30 | 电子科技大学 | 一种基于小波变换过零表示的虹膜识别方法 |
CN100490736C (zh) * | 2007-09-13 | 2009-05-27 | 杭州电子科技大学 | 热板试验自动检测方法 |
CN101251926B (zh) * | 2008-03-20 | 2011-08-17 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
-
2008
- 2008-10-31 CN CN2008102188151A patent/CN101403743B/zh not_active Expired - Fee Related
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043957B (zh) * | 2011-01-11 | 2016-07-20 | 北京邮电大学 | 基于图像凹点的车辆分割方法 |
CN102043957A (zh) * | 2011-01-11 | 2011-05-04 | 北京邮电大学 | 基于图像凹点的车辆分割方法 |
JP2016041032A (ja) * | 2014-08-18 | 2016-03-31 | 株式会社Screenホールディングス | 閾値決定方法、画像処理方法および画像処理装置 |
CN105976388A (zh) * | 2016-05-20 | 2016-09-28 | 南京理工大学 | 基于图像处理的沙石粒径自动检测方法 |
CN105976388B (zh) * | 2016-05-20 | 2019-04-12 | 南京理工大学 | 基于图像处理的沙石粒径自动检测方法 |
CN107256406B (zh) * | 2017-04-19 | 2020-05-01 | 深圳清华大学研究院 | 重叠纤维图像分割方法、装置、存储介质和计算机设备 |
CN107256406A (zh) * | 2017-04-19 | 2017-10-17 | 深圳清华大学研究院 | 重叠纤维图像分割方法、装置、存储介质和计算机设备 |
CN109146838A (zh) * | 2018-06-20 | 2019-01-04 | 湖南自兴智慧医疗科技有限公司 | 一种基于几何特征与区域融合的g显带粘连染色体分割方法 |
WO2019242178A1 (zh) * | 2018-06-20 | 2019-12-26 | 湖南自兴智慧医疗科技有限公司 | 基于几何特征与区域融合的g显带粘连染色体分割方法、装置及染色体核型分析设备 |
CN110634145A (zh) * | 2018-06-22 | 2019-12-31 | 青岛日日顺物流有限公司 | 基于图像处理的仓库盘点方法 |
CN110533684A (zh) * | 2019-08-22 | 2019-12-03 | 杭州德适生物科技有限公司 | 一种染色体核型图像切割方法 |
CN110533684B (zh) * | 2019-08-22 | 2022-11-25 | 杭州德适生物科技有限公司 | 一种染色体核型图像切割方法 |
CN112215800A (zh) * | 2020-09-14 | 2021-01-12 | 北京航空航天大学 | 基于机器学习的重叠染色体识别和分割方法 |
CN112200809A (zh) * | 2020-09-22 | 2021-01-08 | 浙江大学山东工业技术研究院 | 基于骨架分割与关键点检测的粘连染色体分离方法及装置 |
CN112200809B (zh) * | 2020-09-22 | 2022-08-12 | 浙江大学山东工业技术研究院 | 基于骨架分割与关键点检测的粘连染色体分离方法及装置 |
CN113096143A (zh) * | 2021-04-30 | 2021-07-09 | 天津深析智能科技发展有限公司 | 一种染色体核型分析中染色体分割方法 |
CN113096143B (zh) * | 2021-04-30 | 2022-03-15 | 天津深析智能科技发展有限公司 | 一种染色体核型分析中染色体分割方法 |
CN113781505A (zh) * | 2021-11-08 | 2021-12-10 | 深圳市瑞图生物技术有限公司 | 染色体分割方法、染色体分析仪及存储介质 |
CN115018831A (zh) * | 2022-08-04 | 2022-09-06 | 湖南自兴智慧医疗科技有限公司 | 重叠染色体分离方法、系统、电子终端及可读存储介质 |
CN115815939A (zh) * | 2023-02-20 | 2023-03-21 | 国网山东省电力公司东营供电公司 | 一种电容器安装用辅助定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101403743B (zh) | 2012-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101403743B (zh) | 一种x型交叠、粘连染色体自动分割方法 | |
CN109685060B (zh) | 图像处理方法和装置 | |
CN109671068B (zh) | 一种基于深度学习的腹部肌肉标注方法及装置 | |
Ma et al. | Two graph theory based methods for identifying the pectoral muscle in mammograms | |
CN101826209B (zh) | 一种基于Canny模型的三维医学图像分割方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN101697229A (zh) | 一种医学图像的感兴趣区域提取方法 | |
CN112001218A (zh) | 一种基于卷积神经网络的三维颗粒类别检测方法及系统 | |
CN111415352B (zh) | 一种基于深度级联网络的癌转移全景病理切片分析方法 | |
CN112862808A (zh) | 一种基于深度学习的乳腺癌超声图像的可解释性识别方法 | |
CN112489060B (zh) | 一种用于肺炎病灶分割的系统及方法 | |
CN105678746A (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
CN113658117B (zh) | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 | |
CN106327451A (zh) | 一种古生物化石的图像修复方法 | |
CN111882561A (zh) | 一种癌细胞识别诊断系统 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN111340780B (zh) | 一种基于三维超声图像的病灶检测方法 | |
Bauer et al. | Variational-based segmentation of bio-pores in tomographic images | |
Zhang | Half century for image segmentation | |
CN101499165B (zh) | 交叉重叠染色体的分割方法 | |
CN113506240A (zh) | 一种基于深度学习的金相晶界提取和连通方法 | |
Tsai et al. | Neural-network-based boundary detection of liver structure in ct images for 3-d visualization | |
CN110084125B (zh) | 一种基于深度学习的农业保险查勘技术方法 | |
CN114549396A (zh) | 一种基于图神经网络的脊椎交互式与自动分割细化方法 | |
CN110929757B (zh) | 一种沥青路面裂缝类型快速分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120718 Termination date: 20141031 |
|
EXPY | Termination of patent right or utility model |