CN103984939B - 一种样本有形成分分类方法及系统 - Google Patents
一种样本有形成分分类方法及系统 Download PDFInfo
- Publication number
- CN103984939B CN103984939B CN201410241894.3A CN201410241894A CN103984939B CN 103984939 B CN103984939 B CN 103984939B CN 201410241894 A CN201410241894 A CN 201410241894A CN 103984939 B CN103984939 B CN 103984939B
- Authority
- CN
- China
- Prior art keywords
- sample
- tested
- visible component
- image
- classification
- 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.)
- Active
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种样本有形成分分类方法及系统,对代表待测样本中的有形成分分类特征的成分或结构进行标记,得到标记的待测样本,在显微镜下,对标记的待测样本进行放大并进行放大后图像的采集,得到待测样本图像,对待测样本图像中的有形成分进行分割,得到第一分割图像,并进行初步分类识别,对待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类,根据标记的种类对初步分类的有形成分进行二次分类,得到细分类的有形成分。本申请通过上述过程实现了对待测样本的有形成分的自动准确识别并分类,无需人工操作,提高了临床应用的便利性及准确性。
Description
技术领域
本发明涉及待测样本有形成分分类领域,尤其涉及一种样本有形成分分类方法及系统。
背景技术
目前,对样本有形成分进行分类的方式,通常首先采用荧光对待测细胞进行标定,随后采集图像,进而检测待测细胞的图像特征,从而对待测细胞进行分类,得到待测细胞中的有形成分;还可以采用试剂对待测细胞进行染色,随后采集图像,检测待测细胞的图像特征,从而对待测细胞中的有形成分进行分类。
然而,采用上述方式对待测细胞有形成分进行分类,图像处理过程复杂,不利于对大量待测细胞的检测;并且不能准确的实现细胞的细分类。
发明内容
有鉴于此,本发明提供一种样本有形成分分类方法及系统,以解决现有技术中不能准确的实现对待测样本有形成分进行分类的问题,其具体方案如下:
一种样本有形成分分类方法,包括:在显微镜下,
对代表待测样本中的有形成分分类特征的成分或结构进行标记,得到标记的待测样本;
在所述显微镜下对所述标记的待测样本进行放大,对放大后的标记的待测样本的图像进行图像采集,得到待测样本图像;
对所述待测样本图像中的有形成分进行图像分割,得到第一分割图像,对所述第一分割图像进行初步识别及分类;
对所述待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类;
根据所述标记的种类对初步分类的有形成分进行二次分类,得到细分类的有形成分。
进一步的,还包括:
对所述细分类的有形成分进行计数。
进一步的,所述对所述第一分割图像进行初步识别及分类,具体包括:
对所述第一分割图像进行数字化处理;
对所述数字化处理后的图像进行形态学特征参数的提取,得到第一形态学特征参数;
采用建立在神经网络基础上的第一分类器根据所述第一形态学特征参数对所述待测样本的有形成分进行分类,以实现对待测样本图像中有形成分的初步识别及分类。
进一步的,所述对所述待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类,具体包括:
对所述待测样本图像或第一分割图像中的标记进行分割,得到第二分割图像,并对所述第二分割图像进行数字化处理;
对所述数字化处理后的图像进行形态学特征参数的提取,得到第二形态学特征参数;
采用建立在神经网络基础上的第二分类器根据所述第二形态学特征参数对所述待测样本的标记进行分类,以实现图像待测样本图像中标记的初步识别及分类。
进一步的,所述对代表待测样本中的有形成分分类特征的成分或结构进行标记具体为:
对代表待测样本中的有形成分分类特征的成分或结构进行染色。
进一步的,所述待测样本中的有形成分为血液中的白细胞,则对所述代表待测样本中的有形成分分类特征的成分或结构进行标记,具体为:
采用瑞士或瑞氏-姬母萨复合染料对所述血液中的白细胞的细胞质、细胞核、胞浆以及内部颗粒进行染色。
进一步的,所述待测样本中的有形成分为骨髓样本中的粒细胞、单核细胞、淋巴细胞、组织细胞,则对所述代表待测样本中的有形成分分类特征的成分或结构进行标记,具体为:
采用过氧化物酶染色法对骨髓样本中的粒细胞、单核细胞、淋巴细胞、组织细胞的细胞质进行染色。
进一步的,所述待测样本中的有形成分为尿液样本中的管型,则对所述代表待测细胞中的有形成分分类特征的成分或结构进行标记,具体为:
采用过氧化物酶染色法对尿液管型中粒细胞管型的管型基质和所含颗粒进行染色;
采用磷酸酶染色法对尿液管型中颗粒管型的颗粒进行染色;
采用非特异性酯酶染色法对尿液管型中单核细胞管型的单核细胞进行染色。
一种样本有形成分分类系统,包括:
标记单元,所述标记单元对代表待测样本中的有形成分分类特征的成分或结构进行标记,得到标记的待测样本;
与所述标记单元相连的显微镜,对所述标记的待测样本的图像进行放大;
与所述显微镜相连的图像采集单元,对所述放大后的图像进行采集,得到待测样本图像;
与所述图像采集单元相连的第一识别分类单元,所述第一识别分类单元对所述待测样本图像中的有形成分进行图像分割,得到第一分割图像,对所述第一分割图像进行初步识别及分类;
与所述图像采集单元、第一识别分类单元相连的第二识别分类单元,所述第二识别分类单元对所述待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类;
分别与所述第一识别分类单元及第二识别分类单元相连的二次分类单元,所述二次分类单元根据标记的种类对初步分类识别的有形成分进行二次分类,得到细分类的有形成分。
进一步的,还包括:
与所述二次分类单元相连的计数单元,所述计数单元对所述细分类的有形成分进行计数。
从上述技术方案可以看出,对代表待测样本中的有形成分分类特征的成分或结构进行标记,得到标记的待测样本,在显微镜下,对标记的待测样本进行放大并进行放大后图像的采集,得到待测样本图像,对待测样本图像中的有形成分进行分割,得到第一分割图像,并进行初步分类识别,对待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类,根据标记的种类对初步分类的有形成分进行二次分类,得到细分类的有形成分。本申请通过上述过程实现了对待测样本的有形成分的自动准确识别及分类,无需人工操作,提高了临床应用的便利性及准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种样本有形成分分类方法的流程图;
图2为本发明实施例公开的一种样本有形成分分类方法中对待测样本图像中的有形成分进行初步识别及分类的方法的流程图;
图3为本发明实施例公开的一种样本有形成分分类方法中得到待测样本图像中标记的种类的流程图;
图4为本发明实施例公开的一种样本有形成分分类系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开的样本有形成分分类方法的流程图,如图1所示,包括:
步骤S11、对代表待测样本中的有形成分分类特征的成分或结构进行标记,得到标记的待测样本;
对代表待测样本中的有形成分分类特征的成分或结构进行标记可以具体为:对待测样本中的有形成分的内部结构及成分进行细胞化学染色,还可以通过荧光染色的方法实现对有形成分的内部结构及成分进行标记。
步骤S12、在显微镜下对标记的待测样本进行放大,对放大后的标记的待测样本的图像进行图像采集,得到待测样本图像;
标记的待测样本在显微镜下被放大后,通过图像采集单元对放大后的图像进行采集。其中,图像采集单元可以为摄像机或CCD感光元件,即电荷耦合元件。
步骤S13、对待测样本图像中的有形成分进行图像分割,得到第一分割图像,对第一分割图像进行初步识别及分类;
步骤S14、对待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类;
步骤S15、根据标记的种类对初步分类的有形成分进行二次分类,得到细分类的有形成分。
不仅需要对有形成分的分类进行识别,还要对标记的分类进行识别,并根据识别出的标记的分类对有形成分的分类进行再次分类,得到细分类的有形成分。
本实施例公开的样本有形成分分类方法,通过对代表待测样本中的有形成分分类特征的成分进行标记,得到标记的待测样本,在显微镜下,对标记的待测样本进行放大并进行放大后图像的采集,得到待测样本图像,对待测样本图像中的有形成分进行图像分割,得到第一分割图像,并对第一分割图像进行初步分类识别,对待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类,根据标记的种类对初步分类的有形成分进行二次分类,得到细分类的有形成分。本申请通过上述过程实现了对待测样本的有形成分的自动准确识别并细分类,无需人工操作,提高了临床应用的便利性及准确性。
进一步的,本实施例公开的样本有形成分分类方法,在步骤S15之后,还可以包括:
步骤S16、对细分类的有形成分进行计数。
实现了对分类后的细胞的计数,使得到的结果数据化、标准化。
优选的,本实施例公开的样本有形成分分类方法,在对待测样本进行标记之前,还可以包括:对待测样本进行预处理。
其中,预处理包括:稀释、溶掉其他干扰细胞等。
本实施例公开了一种样本有形成分分类方法中对第一分割图像中的有形成分进行初步识别及分类的方法,其流程图如图2所示,包括:
步骤S21、对第一分割图像进行数字化处理;
步骤S22、对数字化处理后的图像进行形态学特征参数的提取,得到第一形态学特征参数;
其中,形态学特征参数包括:大小特征参数、形状特征参数、色度特征参数、纹理特征参数。
进一步的,大小特征包括:面积、周长、等效直径、长轴、短轴、平均半径等。其中,对物体周长的计算可以通过轮廓线的像素数得到,但由于在倾斜方向上会产生误差,要乘以加以修正,更有效的办法是从图像中物体的边界链码中计算得到。
进一步的,形状特征包括:圆率、框率、离心率、归一化的弦方图、边界点对称率、区域弦平行度、区域弦面积、主弦长度、区域弦方框率等。
色度特征包括:红色色度频度、背景左边点频度、背景右边点频度、平均色调与背景色调之差、对平均色调方差、对背景色调方差、色调直方图偏度对均值、对背景偏度、对背景峰度、色调能量、色调熵、背景色调两头峰值之间的距离跨度、右边峰值频度、左边峰值频度、背景饱和度左边频度、背景饱和度右边频度、背景饱和度与平均饱和度之差。
纹理特征包括:灰度图均值、灰度图方差、灰度图偏度、灰度图峰度、灰度图能量、对背景图均值、对背景图方差、对背景图偏度、对背景图峰度、对背景图能量、梯度图方差、梯度图偏度、梯度图峰度、梯度图能量、内部图均值、内部图方差、内部图偏度、内部图峰度、内部图能量、共生矩阵特征、拓扑特征、中心点对背景特征等。
步骤S23、采用第一分类器根据第一形态学特征参数对待测样本的有形成分进行分类,以实现对待测样本中有形成分的初步识别及分类。
分类器建立在神经网络基础上,其中,分类器包括一反馈过程,该反馈过程是对分类出来的可疑目标及识别错误目标进行细化、分类、补充特征参数,并建立相应的数学模型,对神经网络进行训练,神经网络自动学习并记忆这些细化、分类、补充的特征参数进入模型数据库,再返回基于神经网络的分类器进行细胞分类。
本实施例公开的样本有形成分分类方法中对待测样本图像中的有形成分进行初步识别及分类的方法,通过对有形成分的形态学特征参数的提取,并通过第一分类器实现对有形成分的分类。本申请通过上述过程实现了对待测的有形成分的自动准确识别并分类,无需人工操作,提高了临床应用的便利性及准确性。
优选的,本申请公开的样本有形成分分类方法中,还公开了对待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类的方法,其流程图如图3所示,包括:
步骤S31、对待测样本图像或第一分割图像中的标记进行分割,得到第二分割图像,并对第二分割图像进行数字化处理;
步骤S32、对数字化处理后的图像进行形态学特征参数的提取,得到第二形态学特征参数;
其中,形态学特征参数包括:大小特征参数、形状特征参数、色度特征参数、纹理特征参数。具体的,与上一实施例相同。
步骤S33、采用第二分类器根据第二形态学特征参数对待测样本的标记进行分类,以实现对待测样本图像中标记的初步识别及分类。
本实施例公开的样本有形成分分类方法中对待测样本图像中的标记进行初步识别及分类的方法,通过对标记的图像的形态学特征参数的提取,并通过第二分类器实现对标记的分类。本申请通过上述过程实现了对待测样本图像中的标记的自动准确识别并分类,无需人工操作,提高了临床应用的便利性及准确性。
具体的,本申请公开的样本有形成分分类方法中的待测样本中的有形成分可以具体为:血液中的白细胞。
当待测样本中的有形成分为白细胞时,对待测样本中的有形成分分类特征的成分或结构进行染色标记可以采用瑞士或瑞氏-姬母萨复合染料。
针对待测样本中的有形成分为血液中的白细胞的分类方法中,首先对血液进行溶血处理,并对里面的白细胞进行染色处理,然后识别染色标记,进而对白细胞进行分类。
其中,白细胞可以具体分为:嗜酸性粒细胞、嗜碱性粒细胞、嗜中性粒细胞、单核细胞、淋巴细胞。
对白细胞进行染色,具体为:对白细胞中的细胞质、细胞核、胞浆及内部颗粒进行染色。
具体的,本申请公开的样本有形成分分类方法中的待测样本中的有形成分可以具体为:骨髓样本中的粒细胞、单核细胞、淋巴细胞、组织细胞。
当待测样本中的有形成分为骨髓细胞时,具体为,骨髓样本中的粒细胞、单核细胞、淋巴细胞、组织细胞,对代表待测样本中的有形成分分类特征的成分或结构进行染色标记可以采用过氧化物酶染色法,通过ICSH推荐法或氧化WG-KI法;还可以采用酯酶染法,通过IVSH推荐法采用氯乙酸AS-D萘酚酯酶(CAE)染色;或通过偶氮偶联法采用α-乙酸萘酚酯酶染色;或通过ICSH推荐法采用酸性α-乙酸萘酚酯酶染色等多种染色方法及染料。
具体的,本申请公开的样本有形成分分类方法中的待测样本中的有形成分可以具体为:尿液样本中的管型。
其中,尿液样本中的管型中包含粒细胞管型、颗粒管型、单核细胞管型等。通常采用过氧化酶染色法对粒细胞管型中的管型基质和所含颗粒进行染色;采用磷酸酶染色法对尿液管型中颗粒管型的颗粒进行染色;采用非特异性酯酶染色法对单核细胞管型的单核细胞进行染色等。
本实施例公开了一种有形成分分类系统,其结构示意图如图4所示,包括:
标记单元41,与标记单元41相连的显微镜42,与显微镜42相连的图像采集单元43,与图像采集单元43相连的第一识别分类单元44,分别与图像采集单元43和第一识别分类单元44相连的第二识别分类单元45,分别与第一识别分类单元44及第二识别分类单元45相连的二次分类单元46。
其中,标记单元41对代表待测样本中的有形成分分类特征的成分或结构进行标记,得到标记的待测样本,将标记的待测样本发送至显微镜42,显微镜42对标记的待测样本的图像进行放大,并由图像采集单元43对放大后图像的采集,得到待测样本图像。第一识别分类单元44对待测样本图像中的有形成分进行图像分割,得到第一分割图像,对第一分割图像进行初步识别及分类,第二识别分类单元45对待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类。二次分类单元46根据第二识别分类单元45的标记的种类对第一识别分类单元44初步分类识别的有形成分进行二次分类,得到细分类的有形成分。
本实施例公开了一种样本有形成分分类系统,通过标记单元对代表待测样本中的有形成分分类特征的成分或结构进行标记,得到标记的待测样本,通过显微镜进行图像的放大,并通过图像采集单元对放大后的图像进行采集,得到待测样本图像,第一识别分类单元对待测样本图像中的有形成分进行分割,得到第一分割图像,并对第一分割图像进行初步识别分类,第二识别分类单元对待测样本图像、第一分割图像中的标记进行分类识别,得到标记的种类,二次分类单元根据标记的种类对初步分类识别的有形成分进行二次分类,得到细分类的有形成分。本申请通过上述过程及系统实现了对待测的样本的自动准确识别并分类,无需人工操作,提高了临床应用的便利性及准确性。
进一步的,本实施例公开的样本有形成分分类系统,还可以包括:计数单元47。
计数单元47与二次分类单元46相连,用于对二次分类单元得到的细分类的有形成分进行计数。
实现了对分类后的细胞的计数,使得到的结果数据化、标准化。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种样本有形成分分类方法,其特征在于,包括:在显微镜下,
对代表待测样本中的有形成分分类特征的成分或结构进行标记,得到标记的待测样本;
在所述显微镜下对所述标记的待测样本进行放大,对放大后的标记的待测样本的图像进行图像采集,得到待测样本图像;
对所述待测样本图像中的有形成分进行图像分割,得到第一分割图像,对所述第一分割图像进行初步识别及分类;
对所述待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类;
根据所述标记的种类对初步分类的有形成分进行二次分类,得到细分类的有形成分;
所述对所述第一分割图像进行初步识别及分类,具体包括:
对所述第一分割图像进行数字化处理;
对所述数字化处理后的图像进行形态学特征参数的提取,得到第一形态学特征参数;
采用建立在神经网络基础上的第一分类器根据所述第一形态学特征参数对所述待测样本的有形成分进行分类,以实现对待测样本图像中有形成分的初步识别及分类。
2.根据权利要求1所述的方法,其特征在于,还包括:
对所述细分类的有形成分进行计数。
3.根据权利要求1所述的方法,其特征在于,所述对所述待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类,具体包括:
对所述待测样本图像或第一分割图像中的标记进行分割,得到第二分割图像,并对所述第二分割图像进行数字化处理;
对所述数字化处理后的图像进行形态学特征参数的提取,得到第二形态学特征参数;
采用建立在神经网络基础上的第二分类器根据所述第二形态学特征参数对所述待测样本的标记进行分类,以实现图像待测样本图像中标记的初步识别及分类。
4.根据权利要求1所述的方法,其特征在于,所述对代表待测样本中的有形成分分类特征的成分或结构进行标记具体为:
对代表待测样本中的有形成分分类特征的成分或结构进行染色。
5.根据权利要求4所述的方法,其特征在于,所述待测样本中的有形成分为血液中的白细胞,则对所述代表待测样本中的有形成分分类特征的成分或结构进行标记,具体为:
采用瑞士或瑞氏-姬母萨复合染料对所述血液中的白细胞的细胞质、细胞核、胞浆以及内部颗粒进行染色。
6.根据权利要求4所述的方法,其特征在于,所述待测样本中的有形成分为骨髓样本中的粒细胞、单核细胞、淋巴细胞、组织细胞,则对所述代表待测样本中的有形成分分类特征的成分或结构进行标记,具体为:
采用过氧化物酶染色法对骨髓样本中的粒细胞、单核细胞、淋巴细胞、组织细胞的细胞质进行染色。
7.根据权利要求4所述的方法,其特征在于,所述待测样本中的有形成分为尿液样本中的管型,则对代表待测细胞中的有形成分分类特征的成分或结构进行标记,具体为:
采用过氧化物酶染色法对尿液管型中粒细胞管型的管型基质和所含颗粒进行染色;
采用磷酸酶染色法对尿液管型中颗粒管型的颗粒进行染色;
采用非特异性酯酶染色法对尿液管型中单核细胞管型的单核细胞进行染色。
8.一种样本有形成分分类系统,其特征在于,包括:
标记单元,所述标记单元对代表待测样本中的有形成分分类特征的成分或结构进行标记,得到标记的待测样本;
与所述标记单元相连的显微镜,对所述标记的待测样本的图像进行放大;
与所述显微镜相连的图像采集单元,对所述放大后的图像进行采集,得到待测样本图像;
与所述图像采集单元相连的第一识别分类单元,所述第一识别分类单元对所述待测样本图像中的有形成分进行图像分割,得到第一分割图像,对所述第一分割图像进行初步识别及分类;
所述对所述第一分割图像进行初步识别及分类,具体包括:
对所述第一分割图像进行数字化处理;
对所述数字化处理后的图像进行形态学特征参数的提取,得到第一形态学特征参数;
采用建立在神经网络基础上的第一分类器根据所述第一形态学特征参数对所述待测样本的有形成分进行分类,以实现对待测样本图像中有形成分的初步识别及分类;
与所述图像采集单元、第一识别分类单元相连的第二识别分类单元,所述第二识别分类单元对所述待测样本图像或第一分割图像中的标记进行分类识别,得到标记的种类;
分别与所述第一识别分类单元及第二识别分类单元相连的二次分类单元,所述二次分类单元根据标记的种类对初步分类识别的有形成分进行二次分类,得到细分类的有形成分。
9.根据权利要求8所述的系统,其特征在于,还包括:
与所述二次分类单元相连的计数单元,所述计数单元对所述细分类的有形成分进行计数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410241894.3A CN103984939B (zh) | 2014-06-03 | 2014-06-03 | 一种样本有形成分分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410241894.3A CN103984939B (zh) | 2014-06-03 | 2014-06-03 | 一种样本有形成分分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103984939A CN103984939A (zh) | 2014-08-13 |
CN103984939B true CN103984939B (zh) | 2017-07-04 |
Family
ID=51276901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410241894.3A Active CN103984939B (zh) | 2014-06-03 | 2014-06-03 | 一种样本有形成分分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103984939B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408738B (zh) * | 2014-12-15 | 2018-08-17 | 爱威科技股份有限公司 | 一种图片处理方法及系统 |
CN104751188B (zh) * | 2015-04-15 | 2020-04-28 | 爱威科技股份有限公司 | 一种图片处理方法及系统 |
CN106350447B (zh) * | 2016-08-30 | 2018-09-21 | 泰州神威新材料科技有限公司 | 一种弹性物品上微生物污染的检测系统 |
CN106244420B (zh) * | 2016-08-30 | 2018-11-23 | 泰州市龙泽环境科技有限公司 | 一种高密度生物芯片的制作装置 |
CN106682633B (zh) * | 2016-12-30 | 2019-08-20 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
CN107356774B (zh) * | 2017-06-28 | 2018-10-16 | 苏州长光华医生物医学工程有限公司 | 微柱凝胶卡凝集检测结果识别方法 |
CN107389957B (zh) * | 2017-06-28 | 2018-10-16 | 苏州长光华医生物医学工程有限公司 | 微柱凝胶卡凝集检测结果识别系统及血型分析仪 |
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 |
CN112016586A (zh) * | 2020-07-08 | 2020-12-01 | 武汉智筑完美家居科技有限公司 | 图片分类方法及装置 |
CN113762075A (zh) * | 2021-07-29 | 2021-12-07 | 北京旷视科技有限公司 | 组分检测方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6444471B1 (en) * | 1999-10-18 | 2002-09-03 | Research & Diagnostic Systems, Inc. | Reticulocyte containing complete blood control |
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 |
CN101900737A (zh) * | 2010-06-10 | 2010-12-01 | 上海理工大学 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
CN201681010U (zh) * | 2010-04-13 | 2010-12-22 | 滕文友 | 自动化多功能染色仪 |
CN102393705A (zh) * | 2011-10-18 | 2012-03-28 | 长沙高新技术产业开发区爱威科技实业有限公司 | 样本有形成分分析仪自动检测控制装置及其控制方法 |
CN102768271A (zh) * | 2012-08-10 | 2012-11-07 | 长沙高新技术产业开发区爱威科技实业有限公司 | 样本分析方法及综合样本分析仪 |
CN103185803A (zh) * | 2011-12-31 | 2013-07-03 | 深圳迈瑞生物医疗电子股份有限公司 | 一种鉴定抗体敏感性和克隆细胞株的方法及试剂盒 |
CN103745210A (zh) * | 2014-01-28 | 2014-04-23 | 爱威科技股份有限公司 | 一种白细胞分类方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8208142B2 (en) * | 2003-12-24 | 2012-06-26 | King Salid University | Lung cancer detection by optical analysis of body fluids |
-
2014
- 2014-06-03 CN CN201410241894.3A patent/CN103984939B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6444471B1 (en) * | 1999-10-18 | 2002-09-03 | Research & Diagnostic Systems, Inc. | Reticulocyte containing complete blood control |
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 |
CN201681010U (zh) * | 2010-04-13 | 2010-12-22 | 滕文友 | 自动化多功能染色仪 |
CN101900737A (zh) * | 2010-06-10 | 2010-12-01 | 上海理工大学 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
CN102393705A (zh) * | 2011-10-18 | 2012-03-28 | 长沙高新技术产业开发区爱威科技实业有限公司 | 样本有形成分分析仪自动检测控制装置及其控制方法 |
CN103185803A (zh) * | 2011-12-31 | 2013-07-03 | 深圳迈瑞生物医疗电子股份有限公司 | 一种鉴定抗体敏感性和克隆细胞株的方法及试剂盒 |
CN102768271A (zh) * | 2012-08-10 | 2012-11-07 | 长沙高新技术产业开发区爱威科技实业有限公司 | 样本分析方法及综合样本分析仪 |
CN103745210A (zh) * | 2014-01-28 | 2014-04-23 | 爱威科技股份有限公司 | 一种白细胞分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103984939A (zh) | 2014-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103984939B (zh) | 一种样本有形成分分类方法及系统 | |
CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
CN103226088B (zh) | 一种颗粒物计数方法 | |
CN108376400B (zh) | 一种骨髓细胞自动分类方法 | |
Jayakody et al. | Microscope image based fully automated stomata detection and pore measurement method for grapevines | |
AU2012225196B2 (en) | Method and software for analysing microbial growth | |
CN108021903B (zh) | 基于神经网络的人工标注白细胞的误差校准方法及装置 | |
CN109360198A (zh) | 基于深度学习的骨髓细胞分类方法及分类装置 | |
Chang et al. | Nuclear segmentation in H&E sections via multi-reference graph cut (MRGC) | |
CN109816024A (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
KR20200052932A (ko) | 골수 세포 표지 방법 및 시스템 | |
Jambhekar | Red blood cells classification using image processing | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
CN114067114B (zh) | 一种基于藻类细胞形态的面积核分割计数方法 | |
Chakrabortya et al. | A combined algorithm for malaria detection from thick smear blood slides | |
CN107730499A (zh) | 一种基于nu‑支持向量机的白细胞分类方法 | |
Meimban et al. | Blood cells counting using python opencv | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
US20230273188A1 (en) | Method and system for detecting cell-killing efficacy and/or immune activity, and application thereof | |
CN108109133A (zh) | 一种基于数字图像处理技术的蚕卵自动计数方法 | |
Rahman et al. | Automatic detection of white blood cells from microscopic images for malignancy classification of acute lymphoblastic leukemia | |
Han et al. | Vision-based crack detection of asphalt pavement using deep convolutional neural network | |
CN102214290A (zh) | 车牌定位方法及车牌定位模板训练方法 | |
CN113450317A (zh) | 一种针对妇科临床微生物感染的免疫荧光图像检测方法 | |
Wu et al. | Automatic kernel counting on maize ear using RGB images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |