CN101900737A - 基于支持向量机的尿沉渣有形成分自动识别系统 - Google Patents
基于支持向量机的尿沉渣有形成分自动识别系统 Download PDFInfo
- Publication number
- CN101900737A CN101900737A CN 201010197330 CN201010197330A CN101900737A CN 101900737 A CN101900737 A CN 101900737A CN 201010197330 CN201010197330 CN 201010197330 CN 201010197330 A CN201010197330 A CN 201010197330A CN 101900737 A CN101900737 A CN 101900737A
- Authority
- CN
- China
- Prior art keywords
- image
- support vector
- vector machine
- visible component
- arena
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于支持向量机的尿沉渣有形成分自动识别系统,其包括:图像采集模块、图像数据库、初次标注模块、图像处理模块、再次标注模块、支持向量机形成模块、以及尿沉渣有形成分识别模块等,通过将图像分割与处理、支持向量机训练和尿沉渣有形成分识别三大环节有机融合在一起,构成一个系统而完整的基于SVM方法进行尿沉渣有形成分训练和自动识别的技术框架。可用于显微镜视野中的尿沉渣有形成分的分割、训练和自动识别过程,为基于显微镜进行尿常规计算机辅助检测系统的实现提供基本解决方案。
Description
技术领域
本发明技术涉及一种基于支持向量机的尿沉渣有形成分自动识别系统,属于医疗器械技术领域。
背景技术
尿沉渣有形成分分析是临床常规检验工作中比较重要的一项,也是当前医生判断泌尿系统疾病的重要手段之一,对肾脏和尿路疾患的诊断具有极为重要的价值。
常规尿沉渣有形成分检测方法是通过在显微镜下观察或通过摄像装置摄像后对图片进行观察并进行人工识别。该方法具有一定的主观性和随意性,工作量大且定量结论不十分可靠。随着计算机技术的应用和发展,人们逐步开发了基于计算机图像处理和模式识别方法的尿沉渣有形成分自动识别和分析方法,与传统的人工镜检方法比较起来,自动分析方法具有很多优点,比如试验步骤统一,可扩展性好,便于医院的信息管理,通过计算机自动处理不会疲劳等,可大大减轻医务工作者的劳动强度,有效避免漏检或重复计数并提高计数的准确度。
考虑到尿沉渣有形成分自动分析技术的先进性及其广泛的临床应用前景,如何将统计学习理论中先进的支持向量机方法和构建尿沉渣有形成分自动识别系统两者相结合,以便快速有效地识别尿液中的有形成分,实已成为本领域技术人员亟待解决的技术课题。
发明内容
本发明的目的在于提供一种基于支持向量机的尿沉渣有形成分自动识别系统,以实现对尿样的自动识别。
为达上述目的及其他目的,本发明的基于支持向量机的尿沉渣有形成分自动识别系统,包括:用于采集显微镜下的多份尿样本图像和待识别的尿样图像的图像采集模块;用于存储所采集的尿样本图像和待识别的尿样图像的图像数据库;用于提供初次标注界面,以便专家在所述初次标注界面中将所采集的各尿样本图像标注为已知分类结果的图像的初次标注模块;用于按照预设的算法对各已知分类结果的图像和待识别的尿样图像分别进行包含预处理、图像分割、粘连区域处理在内的处理后,将每一份图像分割为一个个独立的子区域的图像处理模块;用于提供再次标注界面,以便专家在所述再次标注界面中将每一已知分类结果的图像的各子区域的图像所对应的尿沉渣有形成分予以标注的再次标注模块;用于按照预设的特征提取法自各具有相同尿沉渣有形成分的子区域图像中提取图像像素特征,以形成包含尿沉渣有形成分与相应图像像素特征的对应关系的多个支持向量机分类器的支持向量机形成模块;以及用于根据多个支持向量机分类器,按照预设的特征提取法自经过图像处理模块所处理过的待识别的尿样图像的各子区域中提取图像像素特征,以便识别出尿样包含的尿沉渣有形成分的尿沉渣有形成分识别模块。
综上所述,本发明的基于支持向量机的尿沉渣有形成分自动识别系统通过将图像分割与处理、支持向量机训练和尿沉渣有形成分识别三大环节有机融合在一起,可有效识别出尿液中的有形成分。
附图说明
图1是本发明的基于支持向量机的尿沉渣有形成分自动识别系统基本架构示意图。
图2是本发明的基于支持向量机的尿沉渣有形成分自动识别系统的采集的尿沉渣图像示例图。
图3是本发明的基于支持向量机的尿沉渣有形成分自动识别系统的工作过程示意图。
具体实施方式
请参阅图1,本发明的基于支持向量机的尿沉渣有形成分自动识别系统至少可包括:图像采集模块、图像数据库、初次标注模块、图像处理模块、再次标注模块、支持向量机形成模块、以及尿沉渣有形成分识别模块等。
所述图像采集模块用于采集显微镜下的多份尿样本图像和待识别的尿样图像。通常作为尿样本图像数目尽可能多一些,以便能包含正常尿液和各种常见异常尿液的情形。
所述图像数据库用于存储所采集的尿样本图像和待识别的尿样图像。
所述初次标注模块用于提供初次标注界面,以便专家在所述初次标注界面中将所采集的各尿样本图像标注为已知分类结果的图像。
所述图像处理模块用于按照预设的算法对各已知分类结果的图像和待识别的尿样图像分别进行包含预处理、图像分割、粘连区域处理在内的处理后,将每一份图像分割为一个个独立的子区域,其中,所述预设的算法包括区域生长法、边缘分割法、小波分析法以及阈值法等,可以采用其中一种算法来处理图像,也可采用多种算法结合的方式来处理图像,通常可以针对具体的尿沉渣图像采集模块的特点选择合适的图像分割算法。比如在图2中,考虑到所采集的尿沉渣图像整体对比度不是很高,而且存在因为刻度对焦不准造成的低对比、高宽度黑线状图像元素干扰,比较适合用边缘检测法进行处理,而运用其他方法的处理效果则不甚理想。
所述再次标注模块用于提供再次标注界面,以便专家在所述再次标注界面中将每一已知分类结果的图像的各子区域的图像所对应的尿沉渣有形成分予以标注。
所述支持向量机形成模块用于将具有相同尿沉渣有形成分的子区域综合,以形成包含尿沉渣有形成分与相应图像像素特征的对应关系的多个支持向量机分类器(即Support VectorMachine,SVM)。其中,常用的图像像素特征包括:(1)利用图像的灰度信息获取的特征:如当前像素点的灰度值,当前像素点邻域的灰度均值、中值,方差等。(2)从图像灰度共生矩阵中导出的特征:如:比对度、相关性、熵、角二阶矩、反差矩、方差、和均值、和熵、和方差,差熵、差方差等。(3)从图像灰度梯度共生矩阵中导出的特征:如:能量、灰度平均、梯度平均、焜合熵、惯性逆差矩、小梯度优势、大梯度优势、灰度分布不均匀性、梯度分类不均匀性、灰度均方差、梯度均方差、相关、灰度熵、梯度熵等。通过专家已标注好的各有形成分的子区域作为标准,通过特征选择、计算和优化过程,即可选取多个切实合适的特征构成SVM训练的特征集合,并进一步在经过优化选择的特征集合基础上训练与特定有形成分识别相对应的分类器,常用的SVM有三类:即上皮和结晶分类器;管型和结晶分类器;以及红白细胞、结晶和细菌分类器。由于每一分类器包含的图像像素特征较多,比如,有前述的利用图像的灰度信息获取的特征、从图像灰度共生矩阵中导出的特征、和从图像灰度梯度共生矩阵中导出的特征,这样可以将每一分类器按照图像像素特征的不同分为多个子分类器。一般说来,需要对每一种尿沉渣有形成分都要形成一个分类器,但不同有形成分训练时所选取的特征集合可以不同。不同特征集合下,SVM分类器形成的基本原理是一致的。对同一特征集合下具有n个类别的情况(n>2),则以第i(i=1,…,n)类的样本作为正类,其它类样本作为反例进行训练,得到识别第i类的一个二元分类器,依次训练n次得到n个二元分类器,再由n个二元分类器组成一个n元分类器,最终形成一个多元分类器。
所述尿沉渣有形成分识别模块用于根据多个SVM分类器,自经过图像处理模块所处理过的待识别的尿样图像的各子区域中提取图像像素特征,以便识别出尿样包含的尿沉渣有形成分。
上述基于支持向量机的尿沉渣有形成分自动识别系统的工作流程如图3所示,即:(需要说明的是,图中虚线表示训练过程,实线表示实际识别过程)
1)图像数据库的建立和样本的标注
为了解决尿沉渣有形成分分类问题,首先要建立图像数据库,即对大量典型的尿沉渣样本图像由专家或专科医生进行半自动或手动标记,使其成为已知分类结果的图像。将所有专家标注过的样本图像加入训练样本集合中,而未标注过的或待识别的尿沉渣图像样本构成测试样本集合。
现将训练样本的标注方法简介如下:对于训练样本集合中的样本,首先请医院医生或专家在初次标注模块所提供的初次标注界面中对图像中有各种有形成分的图像标注。例如,标注为红细胞样本、白细胞样本、管形样本、结晶样本、其他有形成分样本等等。然后将专家标注过的样本图像经图像处理模块的图像预处理、图像分割、粘连区域处理等过程后,分割为与特定尿沉渣有形成分对应的一个个独立的待分类子区域,将这些分割出的子区域结合专家标注信息进一步予以甄别,在再次标注模块所提供的再次标注界面中进行“再次标注”,即标注出有形成分,以便为计算机自动进行进一步的特征选择和训练步骤做好准备。
2)图像分割与处理
图像分割与处理过程主要由图像处理模块完成,其包含图像预处理、图像分割和粘连图像处理三个基本步骤和问题。比如对图2采用边缘检测法进行处理。
3)支持向量机训练
支持向量机训练的目的主要是通过专家已标注好的各有形成分的图像作为标准,通过特征选择、计算和优化过程,选取多个切实合适的特征构成SVM训练的特征集合,并进一步在经过优化选择的特征集合基础上训练与特定有形成分识别相对应的分类器。一般情况下,只有在尿沉渣有形成分细分类的过程中才需要SVM分类器,而需要训练的分类器有三类:上皮和结晶;管型和结晶;红白细胞、结晶和细菌。每一类都对应特定的特征集合。
每一类SVM分类器操作的具体步骤为:对于特征选择和优化所获得的相应的特征集合,对训练样本集中每一幅图像获得的相应标注成分分别计算各特征,形成特征向量,将各特征向量作为相应成分按类别选择对应的特征集合输入SVM进行训练,最终获得各自对应的SVM分类器。
需要特别说明的是,SVM分类器的类别对应于不同的特征集合,而在同一特征集合下分类器训练所得参数的不同又可形成多个分类器。因此对上述三类SVM分类器而言,每一类又包括两个或多个分类器。一般说来,需要对每一种尿沉渣有形成分都要训练一个分类器,但不同有形成分训练时所选取的特征集合可以不同。不同特征集合下,SVM分类器训练的基本原理是一致的。对同一特征集合下具有n个类别的情况(n>2),则以第i(i=1,…,n)类的样本作为正类,其它类样本作为反例进行训练,得到识别第i类的一个二元分类器,依次训练n次得到n个二元分类器,再由n个二元分类器组成一个n元分类器,最终形成多元分类器。
需要指出的是尿沉渣有形成分自动识别系统中,特征选择和优化也是系统成败的关键问题之一。
关于尿沉渣有形成分自动识别过程中,可用于支撑向量机训练的特征很多,如前所述,一般说来,良好的特征应具有如下特点:
①可区别性。对于属于不同类别的图像,它们的特征值应具有明显的差异。
②可靠性。对于同类的图像,它们的特征值应比较相近。
③独立性。所使用的各特征之间应彼此不相关。
④数量尽可能少。图像识别系统的复杂度随着特征数量的增多迅速变大,为减少训练分类器和尿沉渣有形成分识别所消耗的时间,提高系统效率,这也是必须要注意的问题。
立足于如上要求,尿沉渣有形成分特征选择和优化的方法很多,包含人工选取方法和遗传算法、蚁群算法、聚类算法等计算机辅助选择方法,使用者可以根据各自方便程度和实际需要加以选择。在实验所获得特征数据量不是很大的情况下,也可采用人工选择的方法。
4)尿沉渣有形成分的识别
尿沉渣有形成分的识别是由尿沉渣有形成分识别模块完成的,主要基于所选择的测试样本或新采集的图像样展开的,主要分为基于子区域面积、紧凑度等特征开展的粗分类和基于所训练的SVM分类器所进行的细分类两个过程。需要指出的是,在细分类步骤中,结晶、管型等还可存在进一步划分,这要具体看所设计的尿沉渣系统的性能要求和实际临床需要。当需要细分类时其处理依然可以基于图3所示的基本框图展开,只不过需要增加额外数目的SVM分类器。
此外,需要说明的是,经过识别后的尿样图像也可以加入到训练样本集合中,进而可其进行训练,由此可根据实际出现的各种尿样图像不断更新SVM分类器,使各种异常的尿液样本也能被识别。
综上所述,本发明的基于支持向量机的尿沉渣有形成分自动识别系统将图像分割与处理、支持向量机训练和尿沉渣有形成分识别三大环节有机融合在一起,构成一个系统而完整的基于SVM方法进行尿沉渣有形成分训练和自动识别的技术框架。可用于显微镜视野中的尿沉渣有形成分的分割、训练和自动识别过程,为基于显微镜进行尿常规计算机辅助检测系统的实现提供基本解决方案。
上述实施例仅列示性说明本发明的原理及功效,而非用于限制本发明。任何熟悉此项技术的人员均可在不违背本发明的精神及范围下,对上述实施例进行修改。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (8)
1.一种基于支持向量机的尿沉渣有形成分自动识别系统,其特征在于包括:
图像采集模块,用于采集显微镜下的多份尿样本图像和待识别的尿样图像;
图像数据库,用于存储所采集的尿样本图像和待识别的尿样图像;
初次标注模块,用于提供初次标注界面,以便专家在所述初次标注界面中将所采集的各尿样本图像标注为已知分类结果的图像;
图像处理模块,用于按照预设的算法对各已知分类结果的图像和待识别的尿样图像分别进行包含预处理、图像分割、粘连区域处理在内的处理后,将每一份图像分割为一个个独立的子区域;
再次标注模块,用于提供再次标注界面,以便专家在所述再次标注界面中将每一已知分类结果的图像的各子区域的图像所对应的尿沉渣有形成分予以标注;
支持向量机形成模块,用于按照预设的特征提取法自各具有相同尿沉渣有形成分的子区域图像中提取图像像素特征,以形成包含尿沉渣有形成分与相应图像像素特征的对应关系的多个支持向量机分类器;
尿沉渣有形成分识别模块,用于根据多个支持向量机分类器,按照预设的特征提取法自经过图像处理模块所处理过的待识别的尿样图像的各子区域中提取图像像素特征,以便识别出尿样包含的尿沉渣有形成分。
2.如权利要求1所述的基于支持向量机的尿沉渣有形成分自动识别系统,其特征在于:图像像素特征为来自图像的灰度信息,其包括:图像的灰度均值、中值、和方差。
3.如权利要求1所述的基于支持向量机的尿沉渣有形成分自动识别系统,其特征在于:图像像素特征为来自图像灰度共生矩阵中导出的特征,其包括:比对度、相关性、熵、角二阶矩、反差矩、方差、和均值、和熵、和方差,差熵、以及差方差。
4.如权利要求1所述的基于支持向量机的尿沉渣有形成分自动识别系统,其特征在于:图像像素特征来自图像灰度梯度共生矩阵中导出的特征,其包括:能量、灰度平均、梯度平均、焜合熵、惯性逆差矩、小梯度优势、大梯度优势、灰度分布不均匀性、梯度分类不均匀性、灰度均方差、梯度均方差、相关、灰度熵、以及梯度熵。
5.如权利要求1所述的基于支持向量机的尿沉渣有形成分自动识别系统,其特征在于:所形成的支持向量机分类器有:上皮和结晶分类器;管型和结晶分类器;以及红白细胞、结晶和细菌分类器。
6.如权利要求8所述的基于支持向量机的尿沉渣有形成分自动识别系统,其特征在于:所形成的每一分类器各自根据图像像素特征的不同又分为多个子分类器。
7.如权利要求1所述的基于支持向量机的尿沉渣有形成分自动识别系统,其特征在于:所述预设的算法包括:区域生长法、边缘分割法、小波分析法以及阈值法。
8.如权利要求1所述的基于支持向量机的尿沉渣有形成分自动识别系统,其特征在于:所述预设的特征提取法包括:人工选取方法、遗传算法、蚁群算法、聚类算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010197330 CN101900737A (zh) | 2010-06-10 | 2010-06-10 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010197330 CN101900737A (zh) | 2010-06-10 | 2010-06-10 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101900737A true CN101900737A (zh) | 2010-12-01 |
Family
ID=43226444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010197330 Pending CN101900737A (zh) | 2010-06-10 | 2010-06-10 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101900737A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324134A (zh) * | 2011-09-19 | 2012-01-18 | 广州广电运通金融电子股份有限公司 | 有价文件鉴别方法及其鉴别装置 |
CN102636656A (zh) * | 2012-04-01 | 2012-08-15 | 长春迪瑞医疗科技股份有限公司 | 一种全自动尿有形成分分析仪的校准方法 |
CN103366183A (zh) * | 2013-07-19 | 2013-10-23 | 南方医科大学 | 一种局灶性病灶的非参数自动检测方法 |
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN103984939A (zh) * | 2014-06-03 | 2014-08-13 | 爱威科技股份有限公司 | 一种样本有形成分分类方法及系统 |
CN104700422A (zh) * | 2015-03-27 | 2015-06-10 | 深圳市美侨医疗科技有限公司 | 一种尿沉渣图像中粘结红白细胞的自动分割方法 |
CN105096295A (zh) * | 2014-04-30 | 2015-11-25 | 西门子医疗保健诊断公司 | 用于处理尿液沉渣图像的待处理区块的方法和装置 |
CN105184104A (zh) * | 2015-10-13 | 2015-12-23 | 中国石油化工股份有限公司 | 急性职业中毒毒物的筛选方法 |
CN105354405A (zh) * | 2014-08-20 | 2016-02-24 | 中国科学院上海高等研究院 | 基于机器学习的免疫组化图像自动化判读系统 |
CN105445282A (zh) * | 2014-08-22 | 2016-03-30 | 苏州惠生电子科技有限公司 | 计数池外部灰尘识别方法、装置及全自动尿液沉渣分析系统 |
CN105654107A (zh) * | 2015-09-21 | 2016-06-08 | 长春迪瑞医疗科技股份有限公司 | 一种基于svm的有形成分分类方法 |
CN105760878A (zh) * | 2014-12-19 | 2016-07-13 | 西门子医疗保健诊断公司 | 选择聚焦最佳的尿沉渣显微镜图像的方法及装置 |
CN106244420A (zh) * | 2016-08-30 | 2016-12-21 | 孟玲 | 一种高密度生物芯片的制作装置 |
CN108709987A (zh) * | 2018-06-14 | 2018-10-26 | 潍坊护理职业学院 | 一种尿常规与沉渣镜检电子成像装置 |
CN109190590A (zh) * | 2018-09-19 | 2019-01-11 | 深圳市美侨医疗科技有限公司 | 一种尿沉渣结晶识别方法、装置、计算机设备及存储介质 |
CN109447119A (zh) * | 2018-09-26 | 2019-03-08 | 电子科技大学 | 一种结合形态学分割和svm的尿沉渣中管型识别方法 |
CN112868027A (zh) * | 2018-10-18 | 2021-05-28 | 莱卡微系统Cms有限责任公司 | 显微镜工作流程的优化 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0780680A2 (en) * | 1995-12-19 | 1997-06-25 | TOA MEDICAL ELECTRONICS CO., Ltd. | Analyzer for analyzing urine material components |
CN1645139A (zh) * | 2004-12-27 | 2005-07-27 | 长春迪瑞实业有限公司 | 使用图像识别系统分析不离心尿液的方法 |
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
-
2010
- 2010-06-10 CN CN 201010197330 patent/CN101900737A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0780680A2 (en) * | 1995-12-19 | 1997-06-25 | TOA MEDICAL ELECTRONICS CO., Ltd. | Analyzer for analyzing urine material components |
CN1645139A (zh) * | 2004-12-27 | 2005-07-27 | 长春迪瑞实业有限公司 | 使用图像识别系统分析不离心尿液的方法 |
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
Non-Patent Citations (2)
Title |
---|
《中国仪器仪表学会第九届青年学术会议论文集》 20071231 李泽辉, 聂生东, 陈兆学 应用多类SVM 分割MR脑图像特征选择与优化的 , * |
《中国优秀博士学位论文全文数据库》 20060918 沈美丽 尿沉渣有形成分自动分类系统研究 , * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9014459B2 (en) | 2011-09-19 | 2015-04-21 | Grg Banking Equipment Co., Ltd. | Identification method for valuable file and identification device thereof |
CN102324134A (zh) * | 2011-09-19 | 2012-01-18 | 广州广电运通金融电子股份有限公司 | 有价文件鉴别方法及其鉴别装置 |
CN102636656A (zh) * | 2012-04-01 | 2012-08-15 | 长春迪瑞医疗科技股份有限公司 | 一种全自动尿有形成分分析仪的校准方法 |
CN102636656B (zh) * | 2012-04-01 | 2013-07-24 | 长春迪瑞医疗科技股份有限公司 | 一种全自动尿有形成分分析仪的校准方法 |
CN103366183A (zh) * | 2013-07-19 | 2013-10-23 | 南方医科大学 | 一种局灶性病灶的非参数自动检测方法 |
CN103366183B (zh) * | 2013-07-19 | 2017-05-10 | 南方医科大学 | 一种局灶性病灶的非参数自动检测方法 |
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN103914841B (zh) * | 2014-04-03 | 2018-03-09 | 深圳大学 | 基于超像素和深度学习的阴道细菌分割与分类系统 |
CN105096295A (zh) * | 2014-04-30 | 2015-11-25 | 西门子医疗保健诊断公司 | 用于处理尿液沉渣图像的待处理区块的方法和装置 |
CN103984939A (zh) * | 2014-06-03 | 2014-08-13 | 爱威科技股份有限公司 | 一种样本有形成分分类方法及系统 |
CN103984939B (zh) * | 2014-06-03 | 2017-07-04 | 爱威科技股份有限公司 | 一种样本有形成分分类方法及系统 |
CN105354405A (zh) * | 2014-08-20 | 2016-02-24 | 中国科学院上海高等研究院 | 基于机器学习的免疫组化图像自动化判读系统 |
CN105445282A (zh) * | 2014-08-22 | 2016-03-30 | 苏州惠生电子科技有限公司 | 计数池外部灰尘识别方法、装置及全自动尿液沉渣分析系统 |
CN105760878A (zh) * | 2014-12-19 | 2016-07-13 | 西门子医疗保健诊断公司 | 选择聚焦最佳的尿沉渣显微镜图像的方法及装置 |
CN104700422A (zh) * | 2015-03-27 | 2015-06-10 | 深圳市美侨医疗科技有限公司 | 一种尿沉渣图像中粘结红白细胞的自动分割方法 |
CN105654107A (zh) * | 2015-09-21 | 2016-06-08 | 长春迪瑞医疗科技股份有限公司 | 一种基于svm的有形成分分类方法 |
CN105654107B (zh) * | 2015-09-21 | 2020-01-17 | 迪瑞医疗科技股份有限公司 | 一种基于svm的有形成分分类方法 |
CN105184104A (zh) * | 2015-10-13 | 2015-12-23 | 中国石油化工股份有限公司 | 急性职业中毒毒物的筛选方法 |
CN106244420A (zh) * | 2016-08-30 | 2016-12-21 | 孟玲 | 一种高密度生物芯片的制作装置 |
CN108709987A (zh) * | 2018-06-14 | 2018-10-26 | 潍坊护理职业学院 | 一种尿常规与沉渣镜检电子成像装置 |
CN108709987B (zh) * | 2018-06-14 | 2020-09-22 | 劳富娟 | 一种尿常规与沉渣镜检电子成像装置 |
CN109190590A (zh) * | 2018-09-19 | 2019-01-11 | 深圳市美侨医疗科技有限公司 | 一种尿沉渣结晶识别方法、装置、计算机设备及存储介质 |
CN109447119A (zh) * | 2018-09-26 | 2019-03-08 | 电子科技大学 | 一种结合形态学分割和svm的尿沉渣中管型识别方法 |
CN112868027A (zh) * | 2018-10-18 | 2021-05-28 | 莱卡微系统Cms有限责任公司 | 显微镜工作流程的优化 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101900737A (zh) | 基于支持向量机的尿沉渣有形成分自动识别系统 | |
CN112288706B (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
Spiesman et al. | Assessing the potential for deep learning and computer vision to identify bumble bee species from images | |
CN112508850B (zh) | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 | |
EP2973397B1 (en) | Tissue object-based machine learning system for automated scoring of digital whole slides | |
WO2023284340A1 (zh) | 一种自底向上的寄生虫虫种发育阶段及图像像素分类方法 | |
JP5376024B1 (ja) | 画像処理装置、プログラム及び画像処理システム | |
CN110647875B (zh) | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 | |
CN110223281A (zh) | 一种数据集中含有不确定数据时的肺结节图像分类方法 | |
CN103914841B (zh) | 基于超像素和深度学习的阴道细菌分割与分类系统 | |
CN111461068B (zh) | 一种染色体中期图识别和分割方法 | |
CN110458821A (zh) | 一种基于深度神经网络模型的精子形态分析方法 | |
CN112365471B (zh) | 基于深度学习的宫颈癌细胞智能检测方法 | |
WO2016189469A1 (en) | A method for medical screening and a system therefor | |
Hossain et al. | Tissue artifact segmentation and severity assessment for automatic analysis using wsi | |
WO2020119624A1 (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
Di Cataldo et al. | ANAlyte: A modular image analysis tool for ANA testing with indirect immunofluorescence | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN114387596A (zh) | 细胞病理涂片自动判读系统 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
Mufidah et al. | Automatic nucleus detection of pap smear images using stacked sparse autoencoder (ssae) | |
EP3895060A1 (en) | Classification of cell nuclei | |
Harinarayanan et al. | Deep neural network based assistive screening for cervical cancer | |
CN116958710B (zh) | 基于环形特征统计的胚胎发育阶段预测方法及系统 | |
CN109948706A (zh) | 结合深度学习与特征多尺度融合的微钙化簇检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20101201 |