CN102411715A - 有监督学习功能的细胞图像自动分类方法和系统 - Google Patents
有监督学习功能的细胞图像自动分类方法和系统 Download PDFInfo
- Publication number
- CN102411715A CN102411715A CN2010102886733A CN201010288673A CN102411715A CN 102411715 A CN102411715 A CN 102411715A CN 2010102886733 A CN2010102886733 A CN 2010102886733A CN 201010288673 A CN201010288673 A CN 201010288673A CN 102411715 A CN102411715 A CN 102411715A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- sorting algorithm
- algorithm
- cell
- 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)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种有监督学习功能的细胞图像自动分类方法,用于包括计算机和与之电连接的电子显微镜的有监督学习功能的细胞图像自动分类系统,该自动分类系统控制电子显微镜采集样本细胞的图像信息,并存入所述计算机中;将图像信息的各目标细胞人工标注出来作为导师信号,并提取图像特征,作为特征向量,通过分类算法的训练,得出有效特征向量子集,并确定分类算法的参数;再提取待检细胞图像信息的图像特征作为特征向量,依据得到分类算法的参数,执行分类算法,即而得到该待检细胞图像中细胞的分类结果。本发明的有益效果是:提供了一种柔性可扩展的紧凑而灵敏的细胞自动分类系统,可采集任意感兴趣对象的图像信息进行分类识别,能为生物、医学领域的工作者提供更多的信息。
Description
技术领域 本发明涉及用于细胞取样检查的仪器,特别是涉及图像的分析,尤其涉及有监督学习功能的细胞图像自动分类方法和系统。
背景技术 传统的细胞分类计数通常涉及复杂昂贵的生化和光路设备,而且这些设备能够进行的分类数目层次和数目是预先设定、固定不变的,无法对一些未设定或非常规的特定的细胞分类提供有效的检测。同时,现有技术的细胞分类技术能够分类的类型受限于硬件本身的化学试剂、流体通道和光路,只能对预先设定、固定的对象进行分类。
发明内容 本发明要解决的技术问题在于避免上述现有技术的不足之处而提供有监督学习功能的细胞图像自动分类方法和系统,解决现有技术细胞分类技术类型受限于硬件本身的问题。
本发明为解决上述技术问题提出的技术方案是,提供一种有监督学习功能的细胞图像自动分类方法,用于包括计算机和与之电连接的电子显微镜的有监督学习功能的细胞图像自动分类系统,该自动分类系统还包括图像采集子系统、分类算法训练子系统和分类算法应用子系统;所述自动分类方法包括如下步骤:
A.所述图像采集子系统控制电子显微镜采集样本细胞的图像信息,并存入所述计算机中;
B.所述分类算法训练子系统采用可视方式,将采集到的图像信息的各目标细胞人工标注出来作为导师信号;
C.所述计算机通过所述分类算法训练子系统提取已标注的所述图像信息中目标细胞的图像特征,作为特征向量;并利用特征向量和导师信号进行分类算法的训练,并根据导师信号确定该分类结果的正确性,计算出细胞分类准确率,然后根据分类准确率确定所述特征向量中的有效特征向量,构成有效特征向量子集;同时根据分类准确率确定分类算法的参数;
D.所述计算机的通过所述图像采集子系统控制电子显微镜采集待检细胞图像信息,存入所述计算机中;
E.所述分类算法应用子系统,提取待检细胞图像信息的图像特征作为特征向量,依据步骤C中得到分类算法的参数,执行分类算法,即而得到该待检细胞图像中细胞的分类结果;
F.要对另一个待检细胞图像进行分类时,执行步骤D和E;须重新训练时,执行步骤A、B和C;需要修改现有导师信号时,执行步骤A和B。
步骤A中所述“图像采集子系统控制电子显微镜”包括:控制该电子显微镜自动对焦、
图像和视频流采集、图像拼接以及保存调入图像或者视频流,具体地还包括如下分步骤:
A1.所述电子显微镜及场景位置分别初始化;
A2.图像采集子系统控制电子显微镜对当前场景自动对焦后,拍摄当前场景的图像;
A3. 图像采集子系统控制电子显微镜移动到另外一个没有拍摄过的场景中;
A4. 图像采集子系统判定所采集的图像是否已足够,如果是,则结束图像采集;否则,重复执行步骤A2和A3。
所述步骤C中所述“利用特征向量和导师信号进行分类算法的训练,并根据导师信号确定该分类结果的正确性,计算出细胞分类准确率,然后根据分类准确率确定所述特征向量中的有效特征向量,构成有效特征向量子集;同时根据分类准确率确定分类算法的参数”还包括如下的分步骤:
C1. 将所述特征向量与导师信号结合生成训练矢量集合,把分类算法应用到该训练矢量集合;
C2. 把训练矢量集合分成若干个子集;在该子集上训练分类算法;
C3. 根据导师信号确定该分类算法的训练结果的正确性,并统计分类结果的错误率;
C4. 判定算法性能达到是否达到预定指标或分类算法训练到达预期次数;如果判定结果为否,则返回执行步骤C1;判定是,则执行下一步;
C5.根据统计分类的错误率确定有效特征向量子和最佳分类算法及其参数。
在步骤D中所述“图像采集子系统控制电子显微镜”包括:控制该电子显微镜自动对焦、图像和视频流采集、图像拼接,以及保存调入的图像或者视频流,具体地包括如下分步骤:
D1.所述电子显微镜初始化及初始化场景位置;
D2.图像采集子系统控制电子显微镜对当前场景自动对焦后,拍摄当前场景的图像;
D3. 图像采集子系统控制电子显微镜移动到另外一个没有拍摄过的场景中;
D4. 图像采集子系统判定采集的图像是否已足,如果是,则结束图像采集;否则执行步骤D2和D3。
在步骤E中所述 “所述分类算法应用子系统从计算机中提取待检细胞图像信息的图像特征作为特征向量,依据步骤C中得到分类算法的参数,执行分类算法,进而得到该待检细胞图像中细胞的分类结果”还包括如下分步骤:
E1.对待检细胞图像信息进行特征向量提取,
E2. 初始化分类算法,并将所述特征向量作为赋值,执行分类算法;从而得到该待检细
胞的分类结果;
E3. 对步骤E2的分类结果进行再检查与复核,即生成细胞分类结果报告。
所述分类算法训练子系统之分类算法参数选择模块是在训练阶段根据分类准确率来确定的分类算法的参数。
所述分类算法所述分类算法应用子系统之分类算法模块也包括线性分类算法、二次曲线分类算法、K近邻分类算法、神经网络分类算法、支持向量机分类算法和贝叶斯分类算法。
上面所述的图像特征包括细胞质和细胞核的面积,周长,圆度,色度,灰度均值,熵和对比度。
本发明为了解决现有技术存在的问题,还提供一种有监督学习功能的细胞图像自动分类系统,包括计算机和与之电连接的电子显微镜,还包括:图像采集模块、图像标注模块、图像特征提取模块、分类算法模块、分类算法训练模块和分类算法应用模块。
所述图像采集模块是采集所需细胞图像存入计算机,并在所述图像标注模块的可视化界面上对所述计算机贮存的细胞图像中的细胞类型进行标注,为所述分类算法训练模块提供导师信号。
所述图像特征提取模块是为训练或分类提供需要分类对象的图像特征,并将训练图像特征送到所述分类算法训练模块或将待分类的图像特征分类算法应用模块中。
所述分类算法训练模块利用所述训练图像特征提取模块送来的特征向量,启动分类算法模块进行分类训练,并依据导师信号,判定计算的准确性,从而确定有效特征向量子集和分类算法模块的分类参数,并将有效特征向量子集和分类算法模块的分类算法参数贮存于所述分类算法应用模块中。
所述分类算法应用模块利用所述图像特征提取模块送来的待分类特征向量,调用所述贮存于所述分类算法应用模块中的分类算法参数,进行分类运算从而得所述图像中细胞的分类结果。
所述图像特征包括细胞质和细胞核的面积,周长,圆度,色度,灰度均值,熵和对比度。
所述分类算法模块包括线性分类算法、二次曲线分类算法、K近邻分类算法、神经网络分类算法、支持向量机分类算法,基于信息量和决策树的分类算法和贝叶斯分类算法。
同现有技术相比较,本发明方法和系统的有益效果在于:提供了一种柔性可扩展的紧凑而灵敏的细胞自动分类系统。本发明与传统设备的区别就在于只需要通过拍摄待分类对象的电子图像,然后运用图像处理,机器学习和模式识别算法对图像中的感兴趣对象进行分类和识别,而且具有良好的扩展性,可以对任意感兴趣对象进行分类,这意味着在能为生物、医学领域的工作者提供更的信息。
附图说明 图1 是本发明有监督学习功能的细胞图像自动分类方法优选实施例的所述自动分类系统的结构简图;
图2是本发明优选实施例中图像采集子系统101的工作流程框图;
图3是本发明优选实施例中分类算法训练子系统102的结构框图;
图4本发明之优选实施例中分类算法应用子系统103的结构框图;
图5是本发明之优选实施例中分类算法训练子系统102的工作流程示意图;
图6是本发明之优选实施例中分类算法应用子系统103的工作流程示意图;
图7 是本发明有监督学习功能的细胞图像自动分类系统的部分结构示意图;
图8 是本发明有监督学习功能的细胞图像自动分类方法采集的细胞图像;
图9 是图8中采集的细胞图像经标注后的图像。
具体实施方式 下面,结合附图所示之优选实施例进一步阐述本发明。
参考图1和6,本发明优选实施例是,提供一种有监督学习功能的细胞图像自动分类方法,用于包括计算机10和与电连接的电子显微镜20的有监督学习功能的细胞图像自动分类系统,该自动分类系统还包括图像采集子系统101、分类算法训练子系统102和分类算法应用子系统103;所述自动分类方法包括实施如下步骤:
A.所述图像采集子系统101控制电子显微镜20采集样本细胞的图像信息,存入所述计算机10中;
B.所述分类算法训练子系统102采用可视方式,将采集到的图像信息的各目标细胞人工标注出来作为导师信号;
C.所述计算机10通过所述分类算法训练子系统102提取已标注的所述图像信息中目标细胞的图像特征,作为特征向量;并利用特征向量和导师信号进行分类算法的训练,并根据导师信号确定该分类结果的正确性,计算出细胞分类准确率,然后根据分类准确率确定所述特征向量中的有效特征向量,作为有效特征向量子集;同时根据分类准确率确定分类算法的参数;
D.所述计算机10的通过所述图像采集子系统控制电子显微镜20采集待检细胞图像信息,送至所述计算机10中;
E.所述分类算法应用子系统103,提取待检细胞图像信息的图像特征作为特征向量,依据步骤C中得到分类算法的参数,执行分类算法,即而得到该待检细胞图像中细胞的分类结果;
F.要对另一个待检细胞图像进行分类时,执行步骤D和E;须重新训练时,执行步骤A、B和C;需要修改现有导师信号时,执行步骤A和B。
参见图2,在步骤A中所述“图像采集子系统101控制电子显微镜20”包括:控制该电子显微镜20自动对焦、图像和视频流采集、图像拼接以及保存调入图像或者视频流,具体地还包括实施如下分步骤:
A1.所述电子显微镜20及场景位置分别初始化;
A2.图像采集子系统101控制电子显微镜20对当前场景自动对焦后,拍摄当前场景的图像;
A3. 图像采集子系统101控制电子显微镜20移动到另外一个没有拍摄过的场景中;
A4.图像采集子系统101判定所采集的图像是否已足够,如果是,则结束图像采集;否则,重复执行步骤A2和A3。
参图5,所述步骤C中所述“利用特征向量进行分类算法的训练,得出该目标细胞分类结果,并根据导师信号确定该分类结果的正确性,计算出细胞分类准确率,然后根据分类准确率确定所述特征向量中的有效特征向量,构成有效特征向量子集;再根据分类准确性确定分类算法的参数”还包括实施如下的分步骤:
C1. 将所述特征向量生成训练矢量集合,把分类算法应用到该训练矢量集合;
C2. 根据导师信号确定该分类算法的训练结果的正确性,并统计分类结果的错误率;
C3. 判定算法性能达到是否达到预定指标或分类算法训练到达预期次数;如果判定结果为否,则返回执行步骤C1;判定是,则执行下一步;
C3.根据统计分类的错误率确定有效特征向量子和最佳分类算法及其参数。
参见图2,在步骤D中所述“图像采集子系统101控制电子显微镜20”包括:控制该电子显微镜20自动对焦、图像和视频流采集、图像拼接,以及保存调入的图像或者视频流,具体地包括实施如下分步骤:
D1.所述电子显微镜20初始化及初始化场景位置;
D2.图像采集子系统101控制电子显微镜20对当前场景自动对焦后,拍摄当前场景的图像;
D3. 图像采集子系统控制电子显微镜移动到另外一个没有拍摄过的场景中;
D4. 图像采集子系统判定采集的图像是否已足,如果是,则结束图像采集;否则执行步骤D2和D3。
参见图6,在步骤E中所述 “所述分类算法应用子系统103从计算机10中提取待检细胞图像信息的图像特征作为特征向量,依据步骤C中得到分类算法的参数,执行分类算法,进而得到该待检细胞图像中细胞的分类结果”还包括实施如下分步骤:
E1.对待检细胞图像信息进行特征向量提取,
E2. 初始化分类算法,并将所述特征向量作为赋值,执行分类算法;从而得到该待检细胞的分类结果;
E3. 对步骤E2的分类结果进行再检查与复核,即生成细胞分类结果报告。
参见图3,所述分类算法训练子系统包括图像标注模块、特征提取模块、性能评估模块、特征评估和选择模块和分类算法参数选择模块。所述分类算法训练子系统102之分类算法参数选择模块包括线性分类算法、二次曲线分类算法、K近邻分类算法、神经网络分类算法、支持向量机分类算法,基于信息量和决策树的分类算法和贝叶斯分类算法。
参见图4,所述分类算法应用子系统103包括特征提取模块、分类算法模块、应用程序界面和用户报告模块;其分类算法模块也包括线性分类算法、二次曲线分类算法、K近邻分类算法、神经网络分类算法、支持向量机分类算法,基于信息量和决策树的分类算法和贝叶斯分类算法。
上面所述的图像特征包括细胞质和细胞核的面积,周长,圆度,色度,灰度均值,熵和对比度。
本方法的实施像中图像采集子系统101是有一个带CCD拍摄功能的显微镜M与相应的控制软件SW1构成。该显微镜的放大倍数为400倍。待检测细胞的涂片放在显微镜的载物台上。控制软件SW1按照图2的流程采集完成图像的采集,采集的图像如图8所示;在算法的训练阶段,我们对图像中感兴趣对象进行类型标注,结果如图9所示标注程序还产生一个标注结果记录文件。标注结果记录文件记录被标注对象的分类属性。在训练阶段,根据标注结果记录文件去训练下文中的所有分类算法,确定最佳性能的算法和每种算法最佳的特征空间和算法参数。
本发明另一实施例是,设计、制造一种有监督学习功能的细胞图像自动分类系统,包括计算机10和与电连接的电子显微镜20,还包括:图像采集模块31、图像特征提取模块32、分类算法模块33、分类算法训练模块34,分类算法应用模块35和图像标注模块36。
所述图像采集模块31是采集所需细胞图像存入计算机10,在图像标注模块36的可视化界面上对所述计算机10贮存的细胞图像中的细胞类型进行标注,为所述分类算法训练模块34提供导师信号。
所述图像特征提取模块32是为训练或分类提供需要分类对象的图像特征,并将训练图像特征送到所述分类算法训练模块34或将待分类的图像特征分类算法应用模块35中。
所述分类算法训练模块34利用所述训练图像特征提取模块32送来的特征向量和图像标注模块36送来的导师信号,启动分类算法模块33进行分类训练,并依据导师信号,判定计算的准确性,从而确定有效特征向量子集和分类算法模块的分类参数,并将有效特征向量子集和分类算法模块的分类算法参数贮存于所述分类算法应用模块35中。
所述分类算法应用模块35利用所述图像特征提取模块32送来的待分类特征向量,调用所述贮存于所述分类算法应用模块35中的分类算法参数,进行分类运算从而得所述图像中细胞的分类结果。
所述图像特征包括细胞质和细胞核的面积,周长,圆度,色度,灰度均值,熵和对比度。
所述分类算法模块33包括线性分类算法、二次曲线分类算法、K近邻分类算法、神经网络分类算法、支持向量机分类算法,基于信息量和决策树的分类算法和贝叶斯分类算法。
本实施例中,所述电子显微镜20是带有CCD图像传感器和CMOS集成电路、且有拍摄功能的电子显微镜。
Claims (11)
1.一种有监督学习功能的细胞图像自动分类方法,用于包括计算机(10)和与之电连接的电子显微镜(20)的有监督学习功能的细胞图像自动分类系统,该自动分类系统还包括图像采集子系统(101)、分类算法训练子系统(102)和分类算法应用子系统(103);所述自动分类方法包括如下步骤:
A.所述图像采集子系统(101)控制电子显微镜(20)采集样本细胞的图像信息,并存入所述计算机(10)中;
B.所述分类算法训练子系统(102)采用可视方式,将采集到的图像信息的各目标细胞人工标注出来作为导师信号;
C.所述计算机(10)通过所述分类算法训练子系统(102)提取已标注的所述图像信息中目标细胞的图像特征,作为特征向量;并利用特征向量和导师信号进行分类算法的训练,并根据导师信号确定该分类结果的正确性,计算出细胞分类准确率,然后根据分类准确率确定所述特征向量中的有效特征向量,构成有效特征向量子集;同时根据分类准确率确定分类算法的参数;
D.所述计算机(10)通过所述图像采集子系统(101)控制电子显微镜(20)采集待检细胞图像信息,存入所述计算机(10)中;
E.所述分类算法应用子系统(103)从计算机(10)中提取待检细胞图像信息的图像特征作为特征向量,依据步骤C中得到分类算法的参数,执行分类算法,进而得到该待检细胞图像中细胞的分类结果;
F.要对另一个待检细胞图像进行分类时,执行步骤D和E;须重新训练时,执行步骤A、B和C;需要修改现有导师信号时,执行步骤A和B。
2.按照权利要求1所述的有监督学习功能的细胞图像自动分类方法,其特征在于:
步骤A中所述“图像采集子系统(101)控制电子显微镜(20)”包括:控制该电子显微镜(20)自动对焦、图像和视频流采集、图像拼接,以及保存调入的图像或者视频流,具体地还包括如下分步骤:
A1.所述电子显微镜(20)及场景位置分别初始化;
A2.图像采集子系统(101)控制电子显微镜(20)对当前场景自动对焦后,拍摄当前场景的图像;
A3. 图像采集子系统(101)控制电子显微镜(20)移动到另外一个没有拍摄过的场景中;
A4. 图像采集子系统(101)判定所采集的图像是否已足够,如果是,则结束图像采集;否则,重复执行步骤A2和A3。
3.按照权利要求1所述的有监督学习功能的细胞图像自动分类方法,其特征在于:
所述图像特征包括细胞质和细胞核的面积,周长,圆度,色度,灰度均值,熵和对比度。
4.按照权利要求1所述的有监督学习功能的细胞图像自动分类方法,其特征在于:
所述步骤C中所述“利用特征向量和导师信号进行分类算法的训练,并根据导师信号确定该分类结果的正确性,计算出细胞分类准确率,然后根据分类准确率确定所述特征向量中的有效特征向量,构成有效特征向量子集;同时根据分类准确率确定分类算法的参数”还包括如下的分步骤:
C1. 将所述特征向量与导师信号结合生成训练矢量集合,把分类算法应用到该训练矢量集合;
C2.把训练矢量集合分成若干个子集;在该子集上训练分类算法;
C3. 根据导师信号确定该分类算法的训练结果的正确性,并统计分类结果的错误率;
C4. 判定算法性能达到是否达到预定指标或分类算法训练到达预期次数;如果判定结果为否,则返回执行步骤C1;判定是,则执行下一步;
C5.根据统计分类的错误率确定有效特征向量子和最佳分类算法及其参数。
5.按照权利要求1所述的有监督学习功能的细胞图像自动分类方法,其特征在于:
步骤D中所述“图像采集子系统(101)控制电子显微镜(20)”包括:控制该电子显微镜(20)自动对焦、图像和视频流采集、图像拼接,以及保存调入的图像或者视频流,具体地包括如下分步骤:
D1.所述电子显微镜(20)初始化及初始化场景位置;
D2.图像采集子系统(101)控制电子显微镜(20)对当前场景自动对焦后,拍摄当前场景的图像;
D3. 图像采集子系统(101)控制电子显微镜(20)移动到另外一个没有拍摄过的场景中;
D4. 图像采集子系统(101)判定采集的图像是否已足,如果是,则结束图像采集;否则执行步骤D2和D3。
6.按照权利要求1所述的有监督学习功能的细胞图像自动分类方法,其特征在于:
所述分类算法训练子系统(102)之分类算法参数选择模块是在训练阶段根据分类准确率来确定的分类算法的参数。
7.按照权利要求1所述的有监督学习功能的细胞图像自动分类方法,其特征在于:
步骤E中所述 “所述分类算法应用子系统(103)从计算机(10)中提取待检细胞图像信息的图像特征作为特征向量,依据步骤C中得到分类算法的参数,执行分类算法,进而得到该待检细胞图像中细胞的分类结果”还包括如下分步骤:
E1.对待检细胞图像信息进行特征向量提取,
E2. 初始化分类算法,并将所述特征向量作为赋值,执行分类算法;从而得到该待检细胞的分类结果;
E3. 对步骤E2的分类结果进行再检查与复核,即生成细胞分类结果报告。
8.按照权利要求1所述的有监督学习功能的细胞图像自动分类方法,其特征在于:
所述分类算法所述分类算法应用子系统(103)之分类算法模块包括线性分类算法、二次曲线分类算法、K近邻分类算法、神经网络分类算法、支持向量机分类算法,基于信息量和决策树的分类算法和贝叶斯分类算法。
9.一种有监督学习功能的细胞图像自动分类系统,包括计算机(10)和与之电连接的电子显微镜(20),还包括:
图像采集模块(31)、图像特征提取模块(32)、分类算法模块(33)、分类算法训练模块(34)、分类算法应用模块(35)和图像标注模块(36);
所述图像采集模块(31)采集所需细胞图像存入计算机(10)中;并在所述图像标注模块(36)的可视化界面上对贮存所述计算机(10)的细胞图像中的细胞类型进行标注,为所述分类算法训练模块(34)提供导师信号;
所述图像特征提取模块(32)是为训练或分类提供需要分类对象的图像特征,并将训练图像特征送到所述分类算法训练模块(34)或将待分类的图像特征送至分类算法应用模块(35)中;
所述分类算法训练模块利用所述训练图像特征提取模块(32)送来的特征向量,启动分类算法模块(33)进行分类训练,并依据导师信号,判定计算的准确性,从而确定有效特征向量子集和分类算法模块的分类参数,并将有效特征向量子集和分类算法模块的分类算法参数贮存于所述分类算法应用模块(35)中;
所述分类算法应用模块(35)利用所述图像特征提取模块(32)送来的待分类特征向量,调用所述贮存于所述分类算法应用模块(35)中的分类算法参数,进行分类运算从而得所述图像中细胞的分类结果。
10.按照权利要求9所述的有监督学习功能的细胞图像自动分类系统,其特征在于:
所述图像特征包括细胞质和细胞核的面积,周长,圆度,色度,灰度均值,熵和对比度。
11.按照权利要求9所述的有监督学习功能的细胞图像自动分类方法,其特征在于:
所述分类算法模块(33)包括线性分类算法、二次曲线分类算法、K近邻分类算法、神经网络分类算法、支持向量机分类算法、基于信息量和决策树的分类算法和贝叶斯分类算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102886733A CN102411715A (zh) | 2010-09-21 | 2010-09-21 | 有监督学习功能的细胞图像自动分类方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102886733A CN102411715A (zh) | 2010-09-21 | 2010-09-21 | 有监督学习功能的细胞图像自动分类方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102411715A true CN102411715A (zh) | 2012-04-11 |
Family
ID=45913782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102886733A Pending CN102411715A (zh) | 2010-09-21 | 2010-09-21 | 有监督学习功能的细胞图像自动分类方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102411715A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605992A (zh) * | 2013-11-28 | 2014-02-26 | 国家电网公司 | 一种电力内外网交互中的敏感图像识别方法 |
CN103679184A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于相关向量机的白细胞自动识别方法 |
CN105612249A (zh) * | 2013-12-27 | 2016-05-25 | 富士施乐株式会社 | 图像处理装置、程序、信息存储介质和图像处理方法 |
CN106778850A (zh) * | 2016-12-05 | 2017-05-31 | 河海大学 | 基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法 |
CN107016410A (zh) * | 2017-03-27 | 2017-08-04 | 国网江苏省电力公司电力科学研究院 | 用电信息采集系统故障诊断方法及故障诊断装置 |
CN107408197A (zh) * | 2015-03-11 | 2017-11-28 | 西门子公司 | 基于解卷积网络的细胞图像和视频的分类的系统和方法 |
CN107844487A (zh) * | 2016-09-19 | 2018-03-27 | 中国科学院大连化学物理研究所 | 用于谱分析光电子/低能电子显微镜的自动数据采集方法 |
CN107977684A (zh) * | 2017-12-20 | 2018-05-01 | 杭州智微信息科技有限公司 | 一种快速修正骨髓有核细胞分类的交互方法 |
CN108389187A (zh) * | 2018-01-30 | 2018-08-10 | 李家菊 | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 |
CN108460427A (zh) * | 2018-03-29 | 2018-08-28 | 国信优易数据有限公司 | 一种分类模型训练方法、装置以及分类方法及装置 |
CN108805860A (zh) * | 2017-04-27 | 2018-11-13 | 希森美康株式会社 | 图像解析方法、装置、程序及深度学习算法的生成方法 |
CN110533080A (zh) * | 2019-08-07 | 2019-12-03 | 中南民族大学 | 一种基于模糊规则集的乳腺癌细胞图像分类方法 |
CN110611761A (zh) * | 2018-06-14 | 2019-12-24 | 奥林巴斯株式会社 | 摄像装置、焦点调节方法以及存储介质 |
CN111047577A (zh) * | 2019-12-12 | 2020-04-21 | 太原理工大学 | 一种畸形尿红细胞分类统计方法与系统 |
CN111051955A (zh) * | 2017-08-15 | 2020-04-21 | 西门子医疗有限公司 | 通过使用卷积神经网络来标识利用数字全息显微镜所获取的细胞图像的品质 |
CN112016362A (zh) * | 2019-05-30 | 2020-12-01 | 深圳市希科普股份有限公司 | 一种观察微观世界的学习系统 |
CN112135912A (zh) * | 2018-06-01 | 2020-12-25 | 株式会社前沿制药 | 图像处理方法、药剂敏感性试验方法以及图像处理装置 |
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 |
---|---|---|---|---|
CN101655444A (zh) * | 2009-08-21 | 2010-02-24 | 深圳市格维恩科技有限公司 | 视频图像藻类分类检测系统 |
CN101667289A (zh) * | 2008-11-19 | 2010-03-10 | 西安电子科技大学 | 基于nsct特征提取和监督分类的视网膜图像分割方法 |
CN101807254A (zh) * | 2009-02-13 | 2010-08-18 | 烟台海岸带可持续发展研究所 | 面向数据特点的合成核支持向量机的实现方法 |
-
2010
- 2010-09-21 CN CN2010102886733A patent/CN102411715A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667289A (zh) * | 2008-11-19 | 2010-03-10 | 西安电子科技大学 | 基于nsct特征提取和监督分类的视网膜图像分割方法 |
CN101807254A (zh) * | 2009-02-13 | 2010-08-18 | 烟台海岸带可持续发展研究所 | 面向数据特点的合成核支持向量机的实现方法 |
CN101655444A (zh) * | 2009-08-21 | 2010-02-24 | 深圳市格维恩科技有限公司 | 视频图像藻类分类检测系统 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605992B (zh) * | 2013-11-28 | 2018-01-19 | 国家电网公司 | 一种电力内外网交互中的敏感图像识别方法 |
CN103605992A (zh) * | 2013-11-28 | 2014-02-26 | 国家电网公司 | 一种电力内外网交互中的敏感图像识别方法 |
CN103679184A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于相关向量机的白细胞自动识别方法 |
US10169861B2 (en) | 2013-12-27 | 2019-01-01 | Fujifilm Corporation | Image processing apparatus, non-transitory computer readable medium, and image processing method |
CN105612249B (zh) * | 2013-12-27 | 2017-12-19 | 富士施乐株式会社 | 图像处理装置、程序、信息存储介质和图像处理方法 |
CN105612249A (zh) * | 2013-12-27 | 2016-05-25 | 富士施乐株式会社 | 图像处理装置、程序、信息存储介质和图像处理方法 |
CN107408197A (zh) * | 2015-03-11 | 2017-11-28 | 西门子公司 | 基于解卷积网络的细胞图像和视频的分类的系统和方法 |
CN107844487A (zh) * | 2016-09-19 | 2018-03-27 | 中国科学院大连化学物理研究所 | 用于谱分析光电子/低能电子显微镜的自动数据采集方法 |
CN106778850A (zh) * | 2016-12-05 | 2017-05-31 | 河海大学 | 基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法 |
CN107016410A (zh) * | 2017-03-27 | 2017-08-04 | 国网江苏省电力公司电力科学研究院 | 用电信息采集系统故障诊断方法及故障诊断装置 |
CN107016410B (zh) * | 2017-03-27 | 2019-10-22 | 国网江苏省电力公司电力科学研究院 | 用电信息采集系统故障诊断方法及故障诊断装置 |
CN108805860A (zh) * | 2017-04-27 | 2018-11-13 | 希森美康株式会社 | 图像解析方法、装置、程序及深度学习算法的生成方法 |
CN108805860B (zh) * | 2017-04-27 | 2022-05-27 | 希森美康株式会社 | 图像解析方法、装置、程序及深度学习算法的生成方法 |
US11580640B2 (en) | 2017-08-15 | 2023-02-14 | Siemens Healthcare Gmbh | Identifying the quality of the cell images acquired with digital holographic microscopy using convolutional neural networks |
CN111051955B (zh) * | 2017-08-15 | 2022-04-15 | 西门子医疗有限公司 | 通过使用卷积神经网络来标识利用数字全息显微镜所获取的细胞图像的品质 |
CN111051955A (zh) * | 2017-08-15 | 2020-04-21 | 西门子医疗有限公司 | 通过使用卷积神经网络来标识利用数字全息显微镜所获取的细胞图像的品质 |
US11227386B2 (en) | 2017-08-15 | 2022-01-18 | Siemens Healthcare Gmbh | Identifying the quality of the cell images acquired with digital holographic microscopy using convolutional neural networks |
CN107977684B (zh) * | 2017-12-20 | 2018-10-23 | 杭州智微信息科技有限公司 | 一种快速修正骨髓有核细胞分类的交互方法 |
CN107977684A (zh) * | 2017-12-20 | 2018-05-01 | 杭州智微信息科技有限公司 | 一种快速修正骨髓有核细胞分类的交互方法 |
CN108389187A (zh) * | 2018-01-30 | 2018-08-10 | 李家菊 | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 |
CN108460427A (zh) * | 2018-03-29 | 2018-08-28 | 国信优易数据有限公司 | 一种分类模型训练方法、装置以及分类方法及装置 |
CN112135912A (zh) * | 2018-06-01 | 2020-12-25 | 株式会社前沿制药 | 图像处理方法、药剂敏感性试验方法以及图像处理装置 |
CN110611761A (zh) * | 2018-06-14 | 2019-12-24 | 奥林巴斯株式会社 | 摄像装置、焦点调节方法以及存储介质 |
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 |
CN112016362A (zh) * | 2019-05-30 | 2020-12-01 | 深圳市希科普股份有限公司 | 一种观察微观世界的学习系统 |
CN110533080B (zh) * | 2019-08-07 | 2020-11-24 | 中南民族大学 | 一种基于模糊规则集的乳腺癌细胞图像分类方法 |
CN110533080A (zh) * | 2019-08-07 | 2019-12-03 | 中南民族大学 | 一种基于模糊规则集的乳腺癌细胞图像分类方法 |
CN111047577A (zh) * | 2019-12-12 | 2020-04-21 | 太原理工大学 | 一种畸形尿红细胞分类统计方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102411715A (zh) | 有监督学习功能的细胞图像自动分类方法和系统 | |
Tomari et al. | Computer aided system for red blood cell classification in blood smear image | |
US5933519A (en) | Cytological slide scoring apparatus | |
KR101832724B1 (ko) | 영상이미지를 통한 농작물 생육 진단 시스템 및 방법 | |
CA2905730C (en) | System and method for reviewing and analyzing cytological specimens | |
CN107085846B (zh) | 工件表面缺陷图像识别方法 | |
CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
KR102122068B1 (ko) | 이미지 분석 시스템 및 분석 방법 | |
CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN110689519B (zh) | 基于yolo网络的雾滴沉积图像检测系统和方法 | |
CN104169945A (zh) | 对图像中的对象的两级分类 | |
Myrans et al. | Automated detection of fault types in CCTV sewer surveys | |
US11488401B2 (en) | Prostate cancer tissue image classification with deep learning | |
CN104101294A (zh) | 分析装置、分析程序以及分析系统 | |
US20150262355A1 (en) | Method and system for processing an image of a biological specimen | |
CN112432902A (zh) | 一种外周血细胞形态学判别细胞数目的自动检测系统及方法 | |
CN202815869U (zh) | 一种车载微机图像视频数据提取装置 | |
Wang et al. | An automatic system for pest recognition and forecasting | |
CN109614512B (zh) | 一种基于深度学习的电力设备检索方法 | |
CN114359552A (zh) | 一种基于巡检机器人的仪表图像识别方法 | |
Li et al. | An automatic plant leaf stoma detection method based on YOLOv5 | |
CN112036334A (zh) | 待测样本中的有形成分分类方法、系统及终端 | |
CN111160374A (zh) | 一种基于机器学习的颜色识别方法及系统、装置 | |
CN114662594B (zh) | 一种目标特征识别分析系统 | |
Rangarajan et al. | A vision based crop monitoring system using segmentation techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120411 |