CN103679184A - 一种基于相关向量机的白细胞自动识别方法 - Google Patents
一种基于相关向量机的白细胞自动识别方法 Download PDFInfo
- Publication number
- CN103679184A CN103679184A CN201310656438.0A CN201310656438A CN103679184A CN 103679184 A CN103679184 A CN 103679184A CN 201310656438 A CN201310656438 A CN 201310656438A CN 103679184 A CN103679184 A CN 103679184A
- Authority
- CN
- China
- Prior art keywords
- image
- topography
- leucocyte
- vector machine
- segmentation
- 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
Abstract
本发明提出了一种基于相关向量机的白细胞自动识别方法,所述方法利用血液显微图像特征的色调信息,通过基于相关向量机的灰度图像分割方法完成色调图像的粗分割;借助模糊细胞神经网络FCNN检出所有白细胞;使用聚类分析法确定阈值,结合阈值分割和二值形态学方法对包含单个白细胞的局部图像分别进行细分割;在前一步得到的局部图像的基础上,提取最具有代表性的白细胞特征,包括形态、彩色和纹理等三类共47个特征;利用支持向量机完成对白细胞的识别与分类。该方法分类识别效果理想,稳定性高,具有较好的鲁棒性。为医生诊断提供有价值的信息,有助于对细胞进行快速、准确地定量分析研究。
Description
技术领域
本发明属于医学图像处理技术领域,具体指的是一种基于相关向量机的白细胞自动识别方法。
背景技术
通过对血液中各类白细胞数量和形态的改变进行检验,常常能够为医生诊断提供有价值的信息,有助于对一些疾病的确诊。定量细胞学、分子生物学、细胞免疫学等新的医学分支的出现,使得对细胞进行快速、准确地定量分析研究的要求显得更为迫切。然而,由专家通过显微镜用肉眼检验,费时费力,工作量十分繁重,且识别误差受专家的经验、疲劳程度等主观因素影响较大。随着计算机图像处理技术、模式识别及神经网络的迅速发展,利用这些先进技术来辅助进行血细胞形态识别和计数已经成为血液学检验技术发展的必然趋势。国内外研究表明,白细胞图像分割,即将细胞核、细胞浆与背景分离,是整个白细胞自动识别系统中最基本也是最为关键的一个环节,其准确性和稳定性直接影响到系统的识别准确率和运行速度。原因在于光照、染色等客观因素会引起细胞显微图像的成像质量下降,并且难以控制。所以,同一个白细胞在不同外部条件下有可能在颜色、背景,甚至颗粒方面表现不同。有时候由于操作不规范,显微图像中的白细胞可能被污渍污染。加之光照、染色等因素的不一致性使得彼此的区别变得更加困难。
相关向量机是在贝叶斯框架下进行的,在先验参数的结构下基于主动相关决策理论来移除不相关的点,从而获得稀疏化的一种新的监督学习方法。
HLS(Hue,Lightness,Saturation色调、亮度、饱和度)模型是一种常用的视觉颜色模型。
支持向量机将特征向量映射到一个更高维的空间里,在这个空间里建立一个最大间隔超平面。它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。
发明内容
本发明所要解决的技术问题是为了克服现有技术的不足,提出一种对血液显微图像中的白细胞实现自动识别和分类的方法。所述方法显著提高整个白细胞自动识别计数系统的使用性能,大大减轻医生阅片的劳动强度,提高诊断精度,便于对细胞进行快速准确的定量分析研究。
为了解决上述技术问题,本发明所采用的技术方案是:
一种基于相关向量机的白细胞自动识别方法,包括如下步骤:
步骤A,采集彩色血液显微图像数据;
步骤B,对步骤A得到的显微图像数据进行中值滤波,得到中值滤波图像。
步骤C,将步骤B得到的中值滤波图像映射到HLS彩色空间,得到色调图像;
步骤D,对步骤C得到的色调图像使用基于相关向量机的灰度图像分割方法进行分割,得到粗分割图像;
步骤E,对步骤D得到的粗分割图像,使用模糊细胞神经网络(FuzzyCellular Neural Network—FCNN)检出其中的白细胞区域图像;
步骤F,对步骤E得到的每个白细胞区域图像,使用聚类分析法确定阈值,结合阈值分割和二值形态学方法进行细分割,得到细胞核局部图像、细胞浆局部图像和背景图像;
步骤G,对步骤F得到的细胞核局部图像和细胞浆局部图像抽取最具有代表性的47个特征;
步骤H,将步骤G获得的47个特征作为输入向量,利用支持向量机完成对白细胞的识别与分类;
步骤I,待步骤E得到的全部白细胞区域图像处理完毕,统计并输出对步骤A得到的图像数据的最终识别结果。
步骤D中,所述色调图像粗分割的过程如下:
步骤D-1,对所述步骤C得到的色调图像构建一个直方图;
步骤D-2,借助相关向量机对步骤D-1得到的直方图进行函数拟合,找到相关向量集;
步骤D-3,在步骤D-2找到的相关向量集中自适应选择阈值,即根据拟合曲线的一阶导数信息,选择位于负值向正值过渡拐点附近的相关向量作为阈值;
步骤D-4,用步骤D-3获得的阈值对步骤C得到的色调图像进行阈值分割。
步骤G中,所述细胞核局部图像和细胞浆局部图像特征抽取的过程如下:
步骤G-1,对步骤F得到的细胞核局部图像和细胞浆局部图像抽取7个形态特征参数,以定量描述白细胞、细胞核的叶数、形状、大小、轮廓的规则程度;
步骤G-2,对步骤F得到的细胞核局部图像和细胞浆局部图像抽取24个彩色特征参数,以定量描述白细胞、细胞核和细胞浆的亮度、色调、饱和度;
步骤G-3,对步骤F得到的细胞核局部图像抽取16个统计纹理参数,以定量描述细胞核的纹理特征。
本发明的有益效果是:本发明提出了一种基于相关向量机的白细胞自动识别方法,所述方法利用血液显微图像特征的色调信息,通过基于相关向量机的灰度图像分割方法完成色调图像的粗分割;借助FCNN检出所有白细胞;使用聚类分析法确定阈值,结合阈值分割和二值形态学方法对包含单个白细胞的局部图像分别进行细分割;在前一步得到的局部图像的基础上,提取最具有代表性的白细胞特征,包括形态、彩色和纹理等三类共47个特征;利用支持向量机完成对白细胞的识别与分类。该方法分类识别效果理想,稳定性高,具有较好的鲁棒性。为医生诊断提供有价值的信息,有助于对细胞进行快速、准确地定量分析研究。
附图说明
图1是本发明的基于相关向量机的血液白细胞识别方法的流程图。
图2是根据本发明的基于相关向量机的灰度图像分割方法的流程图。
图3是根据本发明的特征抽取方法的流程图。
图4是细胞核凹度参数计算示意图。
具体实施方式
下面结合附图,对本发明提出的基于相关向量机的白细胞自动识别方法进行详细说明:
如图1所示,本发明的基于相关向量机的白细胞自动识别方法,其步骤如下
步骤101,采集彩色血液显微图像数据;
步骤102,对步骤101得到的显微图像数据进行预处理;
步骤103,对步骤102得到的预处理后的图像进行HLS颜色空间转换,得到色调图像;
步骤104,对步骤103得到的色调图像,运用基于相关向量机的灰度图像分割方法将白细胞分割出来,得到粗分割图像;
步骤105,对步骤104得到的粗分割图像,使用FCNN检出所有的白细胞区域图像;
步骤106,对步骤105得到的每个白细胞区域图像,使用聚类分析法确定阈值,结合阈值分割和二值形态学方法进行细分割,得到细胞核局部图像、细胞浆局部图像和背景图像;
步骤107,对步骤106得到的细胞核局部图像和细胞浆局部图像抽取最具有代表性的47个特征;
步骤108,将步骤107获得的47个特征作为输入向量,利用支持向量机完成对白细胞的识别与分类;
步骤109,待所有白细胞局部图像处理完毕输出统计结果。
下面结合图2-4详细说明本发明的基于相关向量机的白细胞自动识别方法。1.输入显微图像
输入一幅彩色血液显微图像n是图像中像素的个数,I(xi)是像素点xi的像素向量。
2.预处理
这里采用中值滤波。
3.色彩空间转换
通过大量的比较实验,我们发现HLS中的色调分量对光照的变化不敏感,对用不同颜色的染色剂得到的细胞显微图像能够保持良好的一致性,有助于后续处理。所以我们将输入图像由RGB彩色空间映射到HLS彩色空间。其中色调分量的转换方法如下:
设RGB空间的颜色值(r,g,b)的每个分量范围为[0,1,…,255],令
v′=max(r,g,b),u′=min(r,g,b)及
h=60h′
h为色调分量值。
色调图像校正公式为:
其中,校正值ht为色调图像的直方图中峰值的对应值。
对色调图像进行灰度线性变换,增强反差效果。
4.粗分割
如图2所示。首先生成色调图像的直方图,将其中取值为零的项删除,剩余的非零项组成最终的直方图。
将直方图看作一个函数关系,借助相关向量机找到稀疏的相关向量集。对于相关向量回归,由于权向量w中每个分量wi都对应一个可调的正则化参数λi,这使得我们能获得较稀疏的解,即的大部分分量为0。而我们称非0分量对应的色调值hi为相关向量。相关向量集有两点很好的特性。第一,它可以很好地刻画出原始直方图的特性。相关向量往往位于局部最大最小点附近,对于图像分割来说,适当选取它们中的若干个作为阈值足以满足分割要求。第二,相关向量集通常非常稀疏,仅占全部样本数n的一小部分。相关向量个数的这种稀疏性使得我们可以仅从少量相关向量中选取分割阈值以保证分割的效率。
当相关向量集中的元素个数多于期望时,还需作进一步筛选。具体地说,就是根据拟合曲线的一阶导数信息,选择位于负值向正值过渡拐点附近的相关向量作为阈值。用所得到的阈值对色调图像作阈值分割。
5.白细胞检出
血液显微图像中,除了白细胞以外,还存在一些次要图像区域,如红细胞、凝血细胞和污渍等。它们在颜色和形状上与白细胞有显著区别。白细胞区域的灰度值一般比红细胞区域的小,且由于白细胞胞核嵌于具有连通性的细胞浆区内,白细胞呈团状;红细胞经过粗分割环节,一般只剩边缘部分,呈环状。所以这一步就是要排除这些干扰,提取出边缘完整的白细胞。
FCNN是解决图像处理问题的有用工具。FCNN能够做到在同一处理过程中兼顾色调信息和结构知识。这是我们考虑采用FCNN的原因之一。另一个重要原因就是FCNN在实时图像处理方面具有独特的优势,易于硬件实现,这无疑对提高系统处理速度会有很大帮助。这里用FCNN实现形态学灰度重构,使用参数模板如下:
则经过这样的FCNN作用,一次性排除了图像中残余的红细胞、污渍和凝血细胞等的干扰,效果很好。即使在部分红细胞区域与白细胞胞浆区域灰度值相近的情况下,也依然能很好地得到白细胞区域图像。
对各白细胞区域分别计算等灰度值的一阶矩,定出各细胞坐标位置,并以之为中心,根据白细胞最大径向大小自适应设置窗口,恢复窗内色调图像,这样便可一次提取出视野中的多个单个白细胞区域图像。
6.区域图像细分割
对单个白细胞区域图像,采用聚类分析法确定阈值Tn和Tc以实现三值化分割。该方法的优点在于,取类内总方差为判别准则,它在Tn及Tc取值范围内总是存在着最小值,即总能给出最佳阈值。使得类内总方差达到最小的Tn和Tc即为最佳阈值。此时细胞核、细胞浆和背景之间的灰度值的类间方差达到最大。
对去除背景后的二值图像进行r次腐蚀,再以残余为幼芽进行d次扩张,这样可得到去除散状噪声干扰的二值图像;采用区域的形状因子(面积和圆形度)构成特征函数进行判别排除,以检出细胞核区域。剩下即为细胞浆区域。最终得到细胞核局部图像、细胞浆局部图像和背景图像。
7.特征提取
特征提取是对细胞的定量描述,在细胞的自动识别过程中占有非常重要的地位,直接影响到分类系统的识别率。一般可提取如下两类特征进行识别:数学模型特征和结构特征。对于以数学模型提取图像特征的方法,分类识别的关键是特征的提取和选择。特征选择是否恰当,将直接影响到分类识别的效果。对白细胞图像而言,能提取的特征很多,同时方式也灵活多样。关键是寻找以类别的可分离性为准则的最有效的不变特征参量。也就是说,应选择那些最有代表性的属性作为特征。在临床细胞病理学专家的指导下,参考细胞图谱和观察了大量实际细胞图像的基础上,从众多的特征中有选择的提取了47个最有代表性的参数(如图3所示),建立了相应特征的数学模型以供计算机进行定量分析。
(1)形态特征参数
它们是对细胞、细胞核的叶数、形状、大小、轮廓的规则程度的定量描述。
(1a)细胞面积G1=细胞局部图像内象素总数。
(1b)细胞浆与细胞面积比G2=细胞浆局部图像内像素总数/细胞局部图像内像素总数。对淋巴细胞G2较小,而对单核细胞则较大。
(1c)细胞圆形度G3=细胞轮廓像素数的平方/(4π×细胞局部图像内象素总数)。它是淋巴细胞区分于其他几类细胞的重要特征参数,对淋巴细胞该值接近1;而中性杆状核粒细胞、单核细胞则最小。
(1d)细胞的核叶数G4=核分叶的个数。这是中性分叶核粒细胞区分于其他几类细胞的重要的特征参数。对中性分叶核粒细胞G4在2~5之间;中性杆状核粒细胞、单核和淋巴细胞不分叶G4为1;而嗜酸性粒细胞和嗜碱性粒细胞G4小于3。(1e)细胞核圆形度G5=细胞核轮廓像素数的平方/(4π×细胞核局部图像内象素总数),意义同G3。淋巴细胞G5接近1;而对嗜中性杆状核粒细胞、单核细胞则最小。
(1f)细胞核的伸长度。为描述嗜中性杆状细胞核的长条性,定义了核伸长度来度量。
G6=Dmax/Dmin
其中Dmax、Dmin分别表示细胞核局部图像在各个方向上投影的最大值、最小值。这是区分中性杆状核粒细胞、淋巴细胞、单核细胞的重要特征,对中性杆状核粒细胞G6为最大。
(1g)细胞核凹度。由于单核细胞的细胞核是呈肾形的,所以有必要给出凹度的度量方法。G7=1-ρimax(θ1,θ2),其中ρi=1/180°,结合图4说明算法如下:首先找出细胞核局部图像的对称轴AB。若对称轴不存在,则以对称差最小的轴作近似对称轴。接着找出C,D两点,使它们的切线与A点的切线垂直,如C不唯一,则取中值。然后定出点G、H,使它们的切线与A点的切线平行。接下来定出F、E,使定出I、J,使最后求出E点的切线与F点的切线的夹角θ1,再求出I点的切线与J点的切线的夹角θ2。
这一类特征比较直观,便于寻找和提取。对于区分形态差异较大的典型白细胞,比如分叶状粒细胞、杆状细胞、淋巴细胞效果最佳,而对区分颗粒细胞则显得无能为力,效果较差。所以还必须提取其他类型的特征。
(2)彩色特征参数
不同类型白细胞的亮度不同,这反映在细胞亮度图像的直方图上所对应的模式不同,如灰度偏向、峰谷数多少、峰值大小等。色调和饱和度也有类似特点。因此,可以用彩色特征参数描述其特性。我们分别从细胞亮度图像、色调图像和饱和度图像的直方图中提取下述8种参数,共计24个彩色特征:细胞浆平均值;细胞浆方差;细胞核平均值;细胞核方差;细胞的平均值;细胞的方差;核浆积分比;细胞与细胞核的变化范围之比。
(3)纹理特征参数
纹理特征因包含着细胞组织表面结构排列的重要信息而在识别中起重要作用。与其他类特征相比,它能更好地反映细胞图像的宏观与微观结构性质。以下为三种适合白细胞图像纹理分析的方法,我们从三个变换矩阵中提取了16个统计纹理参数。它们均从细胞核局部图像中抽取的。这三个图像变换矩阵定义如下:
(3a)灰度方差相关阵:矩阵元素定义为图像中某象点的δ邻域局部方差u与在θ方向上距离为d的象点的δ邻域局部方差v在图像中共同出现的概率。该阵优点是克服了特征对灰度敏感的缺点,它不受细胞染色深浅和图像输入光照条件的影响,只同图像的局部方差相关,与其灰度绝对值无关。局部方差反映了局部灰度变化率,如方差大表示局部灰度不均匀、纹理细;相反,方差小则说明是粗纹理。嗜碱性核粒细胞中有少而较大的蓝黑色颗粒,亦常掩盖胞核而呈粗纹理;对单核、淋巴细胞,区域灰度较均匀则表现为细纹理;嗜酸性核粒细胞胞浆中充满透明密集的小颗粒介于两者之间。为反映这些纹理上的差异,从归一化后矩阵中提取了角度二阶矩、反差矩、熵、对比度和相关系数5个特征。为了提取旋转不变量,我们取0°,45°,90°,135°四个方向的特征值的均值来表示这5个纹理特征。
(3b)灰度方差梯度相关阵:矩阵元素定义为在归一化的灰度方差图像和归一化的梯度图像中,某个灰度方差值与某个梯度值共同出现的象点对数。其中的梯度图像是采用梯度算子对归一化灰度方差图像作用而得到。灰度方差梯度相关阵特点是它集中反映了图像灰度与图像结构信息,又与其灰度绝对值无关。对于粗纹理的图像,如嗜碱性核粒细胞图像中较大的颗粒,矩阵中的元素靠近灰度轴分布,而对于细纹理,如单核细胞和中性核粒细胞图像,则离开灰度轴沿梯度轴方向散开分布。我们从归一化后的矩阵中提取了大(小)梯度优势、灰度(梯度)分布不均匀性、熵和对比度7种纹理特征。
(3c)近邻灰度相关阵:从该阵中提取的特征与图像的空间旋转和灰度值的线性变换无关,这在细胞的实际识别中非常有吸引力。矩阵中元素定义为:图像中灰度为k的、距离小于d的所有邻近像素中,灰度值相差不超过a的像素出现的概率。从归一化后的矩阵中提取了大、小数加权量、数值均匀度和二阶矩4个旋转不变量特征。
纹理特征反映了细胞核中的颗粒性质,如颗粒的大小、分布密度及核染色结构等,白细胞中的嗜酸、嗜碱和中性类颗粒细胞的区分主要依靠这些特征。
8.分类与识别
利用支持向量机进行定量分析,将前一步获得的47维特征向量作为输入向量,对待识别白细胞做出类型判断。
9.统计结果并输出
统计各类白细胞在血液显微图像中所占百分比,显示或打印分析数据结果。
通过上述实施方式,可见本发明具有如下优点:
(1)本方法采用基于相关向量机的灰度图像分割方法完成色调图像的粗分割,主要通过引入相关向量机,在拟合的同时得到有限的稀疏的相关向量集,然后直接从中筛选出所需的分割阈值。该方法适用于彩色显微图像分割,能有效的克服光照、染色等客观因素的干扰,具有分割效果优、计算效率高、参数设置简便等优点,有利于后续特征抽取与分类计数,为提高整个系统的识别准确率奠定坚实的基础。
(2)根据临床细胞学家的经验,本发明提取远比人眼所能分辨多的三类共47个白细胞特征参数,并采用支持向量机实现六类白细胞的自动识别分类,分类效果理想,稳定性高,具有较好的鲁棒性。
Claims (3)
1.一种基于相关向量机的白细胞自动识别方法,其特征在于,包括如下步骤:
步骤A,采集彩色血液显微图像数据;
步骤B,对步骤A得到的显微图像数据进行中值滤波,得到中值滤波图像;
步骤C,将步骤B得到的中值滤波图像映射到HLS彩色空间,得到色调图像;
步骤D,对步骤C得到的色调图像粗分割,使用基于相关向量机的灰度图像分割方法进行分割,得到粗分割图像;
步骤E,对步骤D得到的粗分割图像,使用模糊细胞神经网络FCNN检出其中的白细胞区域图像;
步骤F,对步骤E得到的每个白细胞区域图像,使用聚类分析法确定其阈值,结合阈值分割和二值形态学方法进行细分割,分别得到细胞核局部图像、细胞浆局部图像和背景图像;
步骤G,对步骤F得到的细胞核局部图像和细胞浆局部图像分别抽取47个特征;
步骤H,将步骤G获得的47个特征作为输入向量,利用支持向量机完成对白细胞的识别与分类;
步骤I,待步骤E得到的全部白细胞区域图像处理完毕,统计并输出对步骤A得到的图像数据的最终识别结果。
2.根据权利要求1所述的一种基于相关向量机的白细胞自动识别方法,其特征在于,步骤D中,所述对色调图像粗分割,其具体过程如下:
步骤D-1,对所述步骤C得到的色调图像构建一个直方图;
步骤D-2,借助相关向量机对步骤D-1得到的直方图进行函数拟合,得到其拟合曲线和相关向量集;
步骤D-3,在步骤D-2找到的相关向量集中自适应选择阈值,即根据拟合曲线的一阶导数信息,确定负值向正值过渡拐点,选择距离该拐点最近的相关向量作为阈值;
步骤D-4,用步骤D-3获得的阈值对步骤C得到的色调图像进行阈值分割。
3.根据权利要求1所述的一种基于相关向量机的白细胞自动识别方法,其特征在于,步骤G中,所述细胞核局部图像和细胞浆局部图像特征抽取,其具体过程如下:
步骤G-1,对步骤F得到的细胞核局部图像和细胞浆局部图像抽取7个形态特征参数,以定量描述白细胞、细胞核的叶数、形状、大小、轮廓的规则程度;
步骤G-2,对步骤F得到的细胞核局部图像和细胞浆局部图像抽取24个彩色特征参数,以定量描述白细胞、细胞核和细胞浆的亮度、色调、饱和度;
步骤G-3,对步骤F得到的细胞核局部图像抽取16个统计纹理参数,以定量描述细胞核的纹理特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310656438.0A CN103679184A (zh) | 2013-12-06 | 2013-12-06 | 一种基于相关向量机的白细胞自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310656438.0A CN103679184A (zh) | 2013-12-06 | 2013-12-06 | 一种基于相关向量机的白细胞自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103679184A true CN103679184A (zh) | 2014-03-26 |
Family
ID=50316673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310656438.0A Pending CN103679184A (zh) | 2013-12-06 | 2013-12-06 | 一种基于相关向量机的白细胞自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679184A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730499A (zh) * | 2017-10-31 | 2018-02-23 | 河海大学 | 一种基于nu‑支持向量机的白细胞分类方法 |
CN108564114A (zh) * | 2018-03-28 | 2018-09-21 | 电子科技大学 | 一种基于机器学习的人体粪便白细胞自动识别方法 |
CN108885682A (zh) * | 2016-02-26 | 2018-11-23 | 谷歌有限责任公司 | 使用神经网络处理细胞图像 |
CN109636782A (zh) * | 2018-11-30 | 2019-04-16 | 苏州深析智能科技有限公司 | 一种细胞类型分析模型训练方法、装置及分析方法 |
CN110059656A (zh) * | 2019-04-25 | 2019-07-26 | 山东师范大学 | 基于卷积对抗生成神经网络的白细胞分类方法及系统 |
CN110135271A (zh) * | 2019-04-19 | 2019-08-16 | 上海依智医疗技术有限公司 | 一种细胞分类方法及装置 |
CN110428440A (zh) * | 2019-07-23 | 2019-11-08 | 浙江树人学院(浙江树人大学) | 一种基于灰度方差的阴影检测方法 |
CN111145209A (zh) * | 2019-12-26 | 2020-05-12 | 北京推想科技有限公司 | 一种医学图像分割方法、装置、设备及存储介质 |
WO2020102953A1 (zh) * | 2018-11-19 | 2020-05-28 | 深圳迈瑞生物医疗电子股份有限公司 | 分析细胞的方法、细胞分析设备与计算机可读存储介质 |
CN111512383A (zh) * | 2017-08-04 | 2020-08-07 | 文塔纳医疗系统公司 | 用于图像处理的自动测定评估和归一化 |
CN115393846A (zh) * | 2022-10-28 | 2022-11-25 | 成都西交智汇大数据科技有限公司 | 一种血细胞识别方法、装置、设备及可读存储介质 |
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006133473A1 (de) * | 2005-06-15 | 2006-12-21 | Tissue Gnostics Gmbh | Verfahren zum segmentieren von leukozyten |
CN101840513A (zh) * | 2010-05-21 | 2010-09-22 | 华中科技大学 | 一种图像形状特征提取方法 |
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和系统 |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
-
2013
- 2013-12-06 CN CN201310656438.0A patent/CN103679184A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006133473A1 (de) * | 2005-06-15 | 2006-12-21 | Tissue Gnostics Gmbh | Verfahren zum segmentieren von leukozyten |
CN101840513A (zh) * | 2010-05-21 | 2010-09-22 | 华中科技大学 | 一种图像形状特征提取方法 |
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和系统 |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
Non-Patent Citations (1)
Title |
---|
WANG SHITONG,WANG MIN: "A New Detection Algorithm (NDA) Based on Fuzzy Cellular Neural Networks for White Blood Cell Detection", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108885682B (zh) * | 2016-02-26 | 2022-03-22 | 谷歌有限责任公司 | 使用神经网络处理细胞图像 |
US11915134B2 (en) | 2016-02-26 | 2024-02-27 | Google Llc | Processing cell images using neural networks |
CN108885682A (zh) * | 2016-02-26 | 2018-11-23 | 谷歌有限责任公司 | 使用神经网络处理细胞图像 |
US11443190B2 (en) | 2016-02-26 | 2022-09-13 | Google Llc | Processing cell images using neural networks |
US11715557B2 (en) | 2017-08-04 | 2023-08-01 | Ventana Medical Systems, Inc. | Automatic assay assessment and normalization for image processing |
CN111512383B (zh) * | 2017-08-04 | 2023-09-19 | 文塔纳医疗系统公司 | 用于图像处理的自动测定评估和归一化 |
CN111512383A (zh) * | 2017-08-04 | 2020-08-07 | 文塔纳医疗系统公司 | 用于图像处理的自动测定评估和归一化 |
CN107730499A (zh) * | 2017-10-31 | 2018-02-23 | 河海大学 | 一种基于nu‑支持向量机的白细胞分类方法 |
CN108564114B (zh) * | 2018-03-28 | 2022-05-27 | 电子科技大学 | 一种基于机器学习的人体粪便白细胞自动识别方法 |
CN108564114A (zh) * | 2018-03-28 | 2018-09-21 | 电子科技大学 | 一种基于机器学习的人体粪便白细胞自动识别方法 |
WO2020102953A1 (zh) * | 2018-11-19 | 2020-05-28 | 深圳迈瑞生物医疗电子股份有限公司 | 分析细胞的方法、细胞分析设备与计算机可读存储介质 |
CN109636782A (zh) * | 2018-11-30 | 2019-04-16 | 苏州深析智能科技有限公司 | 一种细胞类型分析模型训练方法、装置及分析方法 |
CN110135271A (zh) * | 2019-04-19 | 2019-08-16 | 上海依智医疗技术有限公司 | 一种细胞分类方法及装置 |
CN110059656A (zh) * | 2019-04-25 | 2019-07-26 | 山东师范大学 | 基于卷积对抗生成神经网络的白细胞分类方法及系统 |
CN110428440A (zh) * | 2019-07-23 | 2019-11-08 | 浙江树人学院(浙江树人大学) | 一种基于灰度方差的阴影检测方法 |
CN111145209A (zh) * | 2019-12-26 | 2020-05-12 | 北京推想科技有限公司 | 一种医学图像分割方法、装置、设备及存储介质 |
CN115393846A (zh) * | 2022-10-28 | 2022-11-25 | 成都西交智汇大数据科技有限公司 | 一种血细胞识别方法、装置、设备及可读存储介质 |
CN115393846B (zh) * | 2022-10-28 | 2023-03-03 | 成都西交智汇大数据科技有限公司 | 一种血细胞识别方法、装置、设备及可读存储介质 |
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117557460B (zh) * | 2024-01-12 | 2024-03-29 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679184A (zh) | 一种基于相关向量机的白细胞自动识别方法 | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
Plissiti et al. | Combining shape, texture and intensity features for cell nuclei extraction in Pap smear images | |
Kowal et al. | Cell nuclei segmentation in cytological images using convolutional neural network and seeded watershed algorithm | |
Saraswat et al. | Automated microscopic image analysis for leukocytes identification: A survey | |
Sarrafzadeh et al. | Selection of the best features for leukocytes classification in blood smear microscopic images | |
US8139831B2 (en) | System and method for unsupervised detection and gleason grading of prostate cancer whole mounts using NIR fluorscence | |
US20190042826A1 (en) | Automatic nuclei segmentation in histopathology images | |
CN107730499A (zh) | 一种基于nu‑支持向量机的白细胞分类方法 | |
Ramesh et al. | Isolation and two-step classification of normal white blood cells in peripheral blood smears | |
CN102682305B (zh) | 宫颈液基细胞学自动筛查方法和系统 | |
Khamael et al. | Segmentation of white blood cell, nucleus and cytoplasm in digital haematology microscope images: A review–challenges, current and future potential techniques | |
CN109360198A (zh) | 基于深度学习的骨髓细胞分类方法及分类装置 | |
CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
Di Ruberto et al. | A leucocytes count system from blood smear images: Segmentation and counting of white blood cells based on learning by sampling | |
Sajeena et al. | Automated cervical cancer detection through RGVF segmentation and SVM classification | |
CN110264454B (zh) | 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法 | |
Apou et al. | Detection of lobular structures in normal breast tissue | |
Mohapatra et al. | Unsupervised leukocyte image segmentation using rough fuzzy clustering | |
Akakin et al. | Automated detection of cells from immunohistochemically-stained tissues: Application to Ki-67 nuclei staining | |
Lakshmi et al. | Feature extraction and feature set selection for cervical cancer diagnosis | |
Sapna et al. | Techniques for segmentation and classification of leukocytes in blood smear images-a review | |
WO2014006421A1 (en) | Identification of mitotic cells within a tumor region | |
Khoshdeli et al. | Deep learning models delineates multiple nuclear phenotypes in h&e stained histology sections | |
Saxena et al. | Study of Computerized Segmentation & Classification Techniques: An Application to Histopathological Imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140326 |