CN105096294B - 用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置 - Google Patents

用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置 Download PDF

Info

Publication number
CN105096294B
CN105096294B CN201410183615.2A CN201410183615A CN105096294B CN 105096294 B CN105096294 B CN 105096294B CN 201410183615 A CN201410183615 A CN 201410183615A CN 105096294 B CN105096294 B CN 105096294B
Authority
CN
China
Prior art keywords
block
node
decision tree
leaf node
retrieval
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
Application number
CN201410183615.2A
Other languages
English (en)
Other versions
CN105096294A (zh
Inventor
张晓凡
申田
许娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthcare Diagnostics Inc
Original Assignee
Siemens Healthcare Diagnostics Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare Diagnostics Inc filed Critical Siemens Healthcare Diagnostics Inc
Priority to CN201410183615.2A priority Critical patent/CN105096294B/zh
Priority to EP15786785.4A priority patent/EP3138033B1/en
Priority to US15/306,897 priority patent/US10748069B2/en
Priority to PCT/US2015/028441 priority patent/WO2015168366A1/en
Publication of CN105096294A publication Critical patent/CN105096294A/zh
Application granted granted Critical
Publication of CN105096294B publication Critical patent/CN105096294B/zh
Priority to US16/987,870 priority patent/US11386340B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/493—Physical analysis of biological material of liquid biological material urine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Urology & Nephrology (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Hematology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Food Science & Technology (AREA)
  • Molecular Biology (AREA)
  • Medicinal Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置。该方法包括：利用多个决策树对所述待处理区块进行区块检索，其中所述多个决策树中的每个决策树包括判断节点和叶节点，所述判断节点通过针对待处理区块利用区块检索特征集中的区块检索特征进行判断到达所述叶节点，在所述叶节点形成区块检索结果，其中所述区块检索结果包括检索出的区块，所述多个决策树中至少有两个决策树在其结构上和/或在其判断节点利用所述区块检索特征进行的判断上不同；将所述多个决策树的区块检索结果进行整合，以形成最终区块检索结果。本发明实施例提高了对尿液沉渣图像的待处理区块进行区块检索的效率。

Description

用于对尿液沉渣图像的待处理区块进行区块检索的方法和 装置
技术领域
本发明涉及生物检测，尤其涉及一种用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置。
背景技术
在通常的尿液沉渣分析中，首先利用显微系统拍摄尿液样本图像。然后，利用例如边缘检测等技术分割尿液样本图像中的候选者区块。通过从这些候选者区块中去除明显的背景区块，检测出待处理区块。接着，对待处理区块进行处理。
目前对待处理区块的处理主要有两个方向。第一个方向是分类，即将这些待处理区块直接分类为各种有形成分(如管形、上皮、红细胞)区块和与有形成分容易混淆的背景区块。另一个方向是区块检索，它不直接将待处理区块分类，而是在数据库中检索出以前存储的与待处理区块类似的区块。与分类的结果是唯一的不同，区块检索可能检索出多个类似的区块，提供给用户，因此能提供给用户更多的信息。用户有可能会在多个类似的区块中进行进一步的选择或判断。
现有技术提出的区块检索方法例如有特征向量距离最小法。假设区块检索特征集中有n个区块检索特征。对于一个特定区块来说，其n个区块检索特征形成一个n维区块检索特征向量。计算待处理区块的n维区块检索特征向量与存储的每一个区块的n维区块检索特征向量的距离，例如欧式(Euclidean)距离。然后，按照与待处理区块的欧式距离的升序依次排列各存储的区块，作为区块检索结果。该方法由于存储器中存储着大量区块(否则失去了检索的意义)，一一计算它们与待处理区块的欧式距离需要大量的计算。
发明内容
本发明的一个实施例旨在提高对尿液沉渣图像的待处理区块进行区块检索的效率。
根据本发明的一个实施例，提供了一种用于对尿液沉渣图像的待处理区块进行区块检索的方法，包括：利用多个决策树对所述待处理区块进行区块检索，其中所述多个决策树中的每个决策树包括判断节点和叶节点，所述判断节点通过针对待处理区块利用区块检索特征集中的区块检索特征进行判断到达所述叶节点，在所述叶节点形成区块检索结果，其中所述区块检索结果包括检索出的区块，所述多个决策树中至少有两个决策树在其结构上和/或在其判断节点利用所述区块检索特征进行的判断上不同；将所述多个决策树的区块检索结果进行整合，以形成最终区块检索结果。
在一种具体实现中，所述将所述多个决策树的区块检索结果进行整合的步骤包括：对所述多个决策树检索出的区块进行投票，其中：如果所述多个决策树中共有m个决策树检索出了特定区块，该特定区块的票数为m；以票数从高到低的顺序排列所述多个决策树检索出的区块。
在一种具体实现中，只列出票数高于预设的阈值的检索出的区块。
在一种具体实现中，所述利用多个决策树对所述待处理区块进行区块检索的步骤包括：在每个决策树上，响应于所述待处理区块经由所述判断节点进行判断到达所述叶节点，获取归属于该叶节点的区块作为区块检索结果，其中，归属于该叶节点的区块以如下方式设置：以训练样本区块集中的训练样本区块训练所述多个决策树，从而在每个决策树上，该训练样本区块经由判断节点进行判断，到达相应叶节点，成为归属于相应叶节点的区块。
在一种具体实现中，为训练样本区块集中的训练样本区块预先设置分类标签，从而使区块检索结果所包括的检索出的区块中也带有分类标签。
根据本发明的一个实施例，提供了一种用于对尿液沉渣图像的待处理区块进行区块检索的装置，包括：区块检索单元，被配置为利用多个决策树对所述待处理区块进行区块检索，其中所述多个决策树中的每个决策树包括判断节点和叶节点，所述判断节点通过针对待处理区块利用区块检索特征集中的区块检索特征进行判断到达所述叶节点，在所述叶节点形成区块检索结果，其中所述区块检索结果包括检索出的区块，所述多个决策树中至少有两个决策树在其结构上和/或在其判断节点利用所述区块检索特征进行的判断上不同；整合单元，被配置为将所述多个决策树的区块检索结果进行整合，以形成最终区块检索结果。
在一种具体实现中，所述整合单元进一步被配置为：对所述多个决策树检索出的区块进行投票，其中如果所述多个决策树中共有m个决策树检索出了特定区块，该特定区块的票数为m；以票数从高到低的顺序排列所述多个决策树检索出的区块。
在一种具体实现中，所述整合单元进一步被配置为只列出票数高于预设的阈值的检索出的区块。
在一种具体实现中，所述区块检索单元被配置为在每个决策树上，响应于所述待处理区块经由所述判断节点进行判断到达所述叶节点，获取归属于该叶节点的区块作为区块检索结果，其中，归属于该叶节点的区块以如下方式设置：以训练样本区块集中的训练样本区块训练所述多个决策树，从而在每个决策树上，该训练样本区块经由判断节点进行判断，到达相应叶节点，成为归属于相应叶节点的区块。
在一种具体实现中，为训练样本区块集中的训练样本区块预先设置分类标签，从而使区块检索结果所包括的检索出的区块中也带有分类标签。
由于本发明实施例只需在决策树的判断节点针对待处理区块利用区块检索特征进行判断，不需要进行区块检索特征向量距离等复杂参数的计算，大大提高了对尿液沉渣图像的待处理区块进行区块检索的效率。同时，多个决策树同时进行区块检索并投票，提高了区块检索的精确性，弥补了在单一决策树上每个节点判断所用的区块检索特征不如区块检索特征向量距离等参数复杂而给最后区块检索的结果带来的不精确性的影响。
另外，与常规的图像检索数据集不同，尿液沉渣图像的待处理区块的类型很少(如红细胞、白细胞)、每一类型的区块样本很多、跨类差异大，这种区块检索与分类很像，因此借用分类中采用的多个决策树投票的方法有可能提高区块检索效率。另外，由于用于尿液沉渣图像的图像检索特征集中的图像检索特征大多都是总体特征，不需进行细节的对比，采用多个决策树投票的方法更加适合于尿液沉渣图像的待处理区块的图像特点，有助于提高其区块检索效率和准确性。
另外，由于在本发明的一些具体实现中还为训练样本区块集中的训练样本区块预先贴分类标签，从而使区块检索结果包括的检索出的区块中也带有分类标签。这样，实际上也达到了类似于分类的效果。比分类更优的是，它不是提供一个分类结果而是提供若干检索出的区块，每个区块带有一个分类标签，用户可以进一步判断这种分类是否正确以及是否采纳，有助于提高分类结果的精度。
附图说明
本发明的这些和其它的特征和优点通过以下结合附图的详细描述将变得更加显而易见。
图1示出了根据本发明一个实施例的用于对尿液沉渣图像的待处理区块进行区块检索的方法的流程图。
图2a-b示出了根据本发明一个实施例的两个决策树。
图3示出了根据本发明一个实施例的以票数从高到低的顺序呈现图2a和图2b的决策树检索出的区块的示意图。
图4示出了根据本发明一个实施例的用于对尿液沉渣图像的待处理区块进行区块检索的装置的框图。
图5示出了根据本发明一个实施例的用于对尿液沉渣图像的待处理区块进行区块检索的设备的框图。
具体实施方式
下面，将结合附图详细描述本发明的各个实施例。
图1示出了根据本发明一个实施例的用于对尿液沉渣图像的待处理区块进行区块检索的方法1的流程图。
在步骤S1，利用多个决策树对待处理区块进行区块检索。所述多个决策树中的每个决策树包括判断节点和叶节点，判断节点通过针对待处理区块利用区块检索特征集中的区块检索特征进行判断到达所述叶节点，在所述叶节点形成区块检索结果，所述区块检索结果包括检索出的区块。所述多个决策树中至少有两个决策树在其结构上和/或在其判断节点利用所述区块检索特征进行的判断上不同。
在一个实施例中，判断节点的判断通过与预设的阈值比较来进行。图2a和图2b是两个决策树的例子。决策树包括判断节点和多个叶节点。判断节点包括根节点和分叉节点。在图2a中，根节点包括节点201，分叉节点包括节点202，叶节点包括节点203、204、205。在图2b中，根节点包括节点206，分叉节点包括节点207、208，叶节点包括节点209-212。
在每个决策树上，训练样本区块经由各判断节点利用区块检索特征集中的区块检索特征进行判断，从而到达相应叶节点，成为归属于相应叶节点的区块。假设训练样本区块集中有X1-X7共7个训练样本区块。区块检索特征集中有5个区块检索特征A-E。区块检索特征集与分类特征集类似，对于区块检索领域的技术人员来说是已知的。在图2a的决策树中，在根节点201，由于训练样本区块X2的特征A>a1，因此其到达分叉节点202。在分叉节点202，利用训练样本区块X2的特征进行判断：a×E+b×B>＝c(Y)，其中a和b是实验总结出的常数，c(Y)是阈值，因此训练样本区块X2到达叶节点203，成为归属于叶节点203的区块。类似地，在图2b的决策树中，训练样本区块X2到达叶节点212，成为归属于叶节点212的区块。
在训练样本区块集中，为训练样本区块X1-X7预先设置分类标签。例如，预先判断出训练样本区块X2是红细胞，因此给训练样本区块X2贴上分类标签RBC。因此，如图2a-b所示，当这些训练样本区块到达各叶节点处时，成为归属于各叶节点的区块后，其都有一个分类标签。
所述多个决策树中至少有两个决策树在结构上和/或在其判断节点利用区块检索特征进行的判断上不同，因为如果所述多个决策树无论从结构上还是从判断节点利用区块检索特征进行的判断上完全相同，其就成为同样的决策树，使得后续的多个决策树投票失去意义。
在每个决策树上，响应于所述待处理区块经由所述判断节点进行判断到达所述叶节点，获取归属于该叶节点的区块作为区块检索结果。
例如，对于某个待处理区块X，在图2a的决策树中，在根节点201判断出待处理区块X的特征A<a1，因此待处理区块X到达叶节点205。获取归属于叶节点205的区块X5-X7，作为图2a的决策树的区块检索结果。在图2b的决策树中，在根节点206判断出待处理区块X的特征B>b1，因此待处理区块X到达分叉节点208。在分叉节点208判断出待处理区块X不满足a×E+b×B>＝c(Y)，因此待处理区块X到达叶节点212。获取归属于叶节点212的区块X7和X2，作为图2b的决策树的区块检索结果。
在步骤S2，将所述多个决策树的区块检索结果进行整合，以形成最终区块检索结果。
首先，对所述多个决策树检索出的区块进行投票，其中如果所述多个决策树中共有m个决策树检索出了特定区块，该特定区块的票数为m。
在上例中，图2a和图2b的决策树都检索出了区块X7，因此，区块X7得到2票。区块X5和X6只有图2a的决策树检索到，因此各得到1票。区块X2只有图2b的决策树检索到，因此也得到1票。
然后，以票数从高到低的顺序排列所述多个决策树检索出的区块。
在上例中，由于区块X7的票数最高，因此将其排列在检索的区块的最前面，如图3所示。
其它变形
本领域技术人员应当理解，虽然在上述实施例中以图2a和图2b的两个特定决策树、训练样本区块集中有X1-X7共7个训练样本区块、区块检索特征集中有5个区块检索特征A-E为例示出了对尿液沉渣图像的待处理区块进行区块检索的过程，决策树、训练样本区块集中的训练样本区块、区块检索特征集中的区块检索特征也可以有其它的数目，且决策树也可以有不同于图2a和图2b的结构和各判断节点利用的图像检索特征。
虽然在上述实施例中将多个决策树的区块检索结果进行整合是通过对所述多个决策树检索出的区块进行投票并按票数的降序呈现的方式实现的，但也可以不进行投票，而是将多个决策树的区块检索结果罗列在一起。这样，用户通过浏览多个决策树的区块检索结果，自己也能找到重复概率高的区块检索结果。另外，也可以只列出票数高于预设的阈值的检索出的区块，这些区块散乱地排序呈现。另外，也可以只列出票数高于预设的阈值的检索出的区块，这些区块按票数的降序呈现。
虽然在上述实施例中，归属于决策树上的叶节点的区块是通过使训练样本区块集中的训练样本区块经由判断节点到达相应的叶节点得到的，但实际上也可以不采用训练的方法，而是直接规定归属于各叶节点的区块，例如教科书中的红细胞、白细胞等的区块。这样，对待处理区块进行区块检索的结果就不是实际中的历史样本区块，而是与待处理区块接近的教科书中的区块。
虽然在上述实施例中，为训练样本区块集中的训练样本区块预先设置分类标签，从而使区块检索结果包括的检索出的区块中也带有分类标签，这种方式可以帮助用户对待处理区块进行分类，但在用户不需要知道待处理区块的分类信息的情况下也可以不进行这样的处理。
另外，也可以在决策树的叶节点处仅存储归属于该叶节点的区块的索引，将该区块存储在数据库中。响应于待处理区块经由判断节点利用区块检索特征集中的区块检索特征进行判断到达所述多个叶节点中的一个叶节点，根据存储在该叶节点的索引，在数据库中找到与该索引对应的归属于该叶节点的区块。这种方式相比于直接将归属于叶节点的区块存储在叶节点处的方式，节省处理器内存空间，从而获得比较高的处理器处理速度。
如图4所示，根据本发明一个实施例的用于对尿液沉渣图像的待处理区块进行区块检索的装置5包括区块检索单元501和整合单元502。区块检索单元501被配置为利用多个决策树对所述待处理区块进行区块检索。所述多个决策树中的每个决策树包括判断节点和叶节点。所述判断节点通过针对待处理区块利用区块检索特征集中的区块检索特征进行判断到达所述叶节点，在所述叶节点形成区块检索结果。所述区块检索结果包括检索出的区块。所述多个决策树中至少有两个决策树在其结构上和/或在其判断节点利用所述区块检索特征进行的判断上不同。整合单元502被配置为将所述多个决策树的区块检索结果进行整合，以形成最终区块检索结果。装置5可以利用软件、硬件(例如集成电路、FPGA等)或软硬件结合的方式实现。
另外，整合单元502可以进一步被配置为：对所述多个决策树检索出的区块进行投票，其中如果所述多个决策树中共有m个决策树检索出了特定区块，该特定区块的票数为m；以票数从高到低的顺序排列所述多个决策树检索出的区块。
另外，整合单元502可以进一步被配置为只列出票数高于预设的阈值的检索出的区块。
另外，区块检索单元501可以被配置为在每个决策树上，响应于所述待处理区块经由所述判断节点进行判断到达所述叶节点，获取归属于该叶节点的区块作为区块检索结果，其中，归属于该叶节点的区块以如下方式设置：以训练样本区块集中的训练样本区块训练所述多个决策树，从而在每个决策树上，该训练样本区块经由判断节点进行判断，到达相应叶节点，成为归属于相应叶节点的区块。
另外，可以为训练样本区块集中的训练样本区块预先设置分类标签，从而使区块检索结果所包括的检索出的区块中也带有分类标签。
图5示出了根据本发明的一个实施例的用于对尿液沉渣图像的待处理区块进行区块检索的设备6。设备6可包括存储器601和处理器602。存储器601用于存储可执行指令。处理器602用于根据所述存储器所存储的可执行指令，执行装置5中各个单元执行的操作。
此外，本发明的一个实施例还提供一种机器可读介质，其上存储有可执行指令，当该可执行指令被执行时，使得机器执行处理器602所执行的操作。
本领域技术人员应当理解，上面的各个实施例可以在没有偏离发明实质的情况下做出各种变形和修改，因此，本发明的保护范围应当由所附的权利要求书来限定。

Claims (10)

1.一种用于对尿液沉渣图像的待处理区块进行区块检索的方法，包括：
利用多个决策树对所述待处理区块进行区块检索，其中所述多个决策树中的每个决策树包括判断节点和叶节点，所述判断节点通过针对待处理区块利用区块检索特征集中的区块检索特征进行判断到达所述叶节点，在所述叶节点形成区块检索结果，其中所述区块检索结果包括检索出的区块，所述多个决策树中至少有两个决策树在其结构上和/或在其判断节点利用所述区块检索特征进行的判断上不同；其中，在每个决策树上，训练样本区块经由各判断节点利用区块检索特征集中的区块检索特征进行判断，从而到达相应叶节点，成为归属于相应叶节点的区块；
将所述多个决策树的区块检索结果进行整合，以形成最终区块检索结果；
其中，所述利用多个决策树对所述待处理区块进行区块检索的步骤包括：在每个决策树上，响应于所述待处理区块经由所述判断节点进行判断到达所述叶节点，获取归属于该叶节点的区块作为区块检索结果，其中，归属于该叶节点的区块以如下方式设置：
以训练样本区块集中的训练样本区块训练所述多个决策树，从而在每个决策树上，该训练样本区块经由判断节点进行判断，到达相应叶节点，成为归属于相应叶节点的区块。
2.根据权利要求1的方法，其中所述将所述多个决策树的区块检索结果进行整合的步骤包括：
对所述多个决策树检索出的区块进行投票，其中：如果所述多个决策树中共有m个决策树检索出了特定区块，该特定区块的票数为m，m为正整数；
以票数从高到低的顺序排列所述多个决策树检索出的区块。
3.根据权利要求2的方法，其中只列出票数高于预设的阈值的检索出的区块。
4.根据权利要求1的方法，其中为训练样本区块集中的训练样本区块预先设置分类标签，从而使区块检索结果所包括的检索出的区块中也带有分类标签。
5.一种用于对尿液沉渣图像的待处理区块进行区块检索的装置，包括：
区块检索单元，被配置为利用多个决策树对所述待处理区块进行区块检索，其中所述多个决策树中的每个决策树包括判断节点和叶节点，所述判断节点通过针对待处理区块利用区块检索特征集中的区块检索特征进行判断到达所述叶节点，在所述叶节点形成区块检索结果，其中所述区块检索结果包括检索出的区块，所述多个决策树中至少有两个决策树在其结构上和/或在其判断节点利用所述区块检索特征进行的判断上不同；其中，在每个决策树上，训练样本区块经由各判断节点利用区块检索特征集中的区块检索特征进行判断，从而到达相应叶节点，成为归属于相应叶节点的区块；
整合单元，被配置为将所述多个决策树的区块检索结果进行整合，以形成最终区块检索结果；
其中所述区块检索单元被配置为在每个决策树上，响应于所述待处理区块经由所述判断节点进行判断到达所述叶节点，获取归属于该叶节点的区块作为区块检索结果，其中，归属于该叶节点的区块以如下方式设置：
以训练样本区块集中的训练样本区块训练所述多个决策树，从而在每个决策树上，该训练样本区块经由判断节点进行判断，到达相应叶节点，成为归属于相应叶节点的区块。
6.根据权利要求5的装置，其中所述整合单元进一步被配置为：
对所述多个决策树检索出的区块进行投票，其中如果所述多个决策树中共有m个决策树检索出了特定区块，该特定区块的票数为m，m为正整数；
以票数从高到低的顺序排列所述多个决策树检索出的区块。
7.根据权利要求6的装置，其中所述整合单元进一步被配置为只列出票数高于预设的阈值的检索出的区块。
8.根据权利要求5的装置，其中为训练样本区块集中的训练样本区块预先设置分类标签，从而使区块检索结果所包括的检索出的区块中也带有分类标签。
9.一种用于对尿液沉渣图像的待处理区块进行区块检索的设备，包括：
存储器，用于存储可执行指令；
处理器，用于根据所述存储器所存储的可执行指令，执行权利要求1-4中的任一个权利要求所执行的操作。
10.一种机器可读介质，其上存储有可执行指令，当所述可执行指令被执行时，使得机器执行权利要求1-4中的任一个权利要求所执行的操作。
CN201410183615.2A 2014-04-30 2014-04-30 用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置 Active CN105096294B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201410183615.2A CN105096294B (zh) 2014-04-30 2014-04-30 用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置
EP15786785.4A EP3138033B1 (en) 2014-04-30 2015-04-30 Method and apparatus for performing block retrieval on block to be processed of urine sediment image
US15/306,897 US10748069B2 (en) 2014-04-30 2015-04-30 Method and apparatus for performing block retrieval on block to be processed of urine sediment image
PCT/US2015/028441 WO2015168366A1 (en) 2014-04-30 2015-04-30 Method and apparatus for performing block retrieval on block to be processed of urine sediment image
US16/987,870 US11386340B2 (en) 2014-04-30 2020-08-07 Method and apparatus for performing block retrieval on block to be processed of urine sediment image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410183615.2A CN105096294B (zh) 2014-04-30 2014-04-30 用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置

Publications (2)

Publication Number Publication Date
CN105096294A CN105096294A (zh) 2015-11-25
CN105096294B true CN105096294B (zh) 2019-01-18

Family

ID=54359321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410183615.2A Active CN105096294B (zh) 2014-04-30 2014-04-30 用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置

Country Status (4)

Country Link
US (2) US10748069B2 (zh)
EP (1) EP3138033B1 (zh)
CN (1) CN105096294B (zh)
WO (1) WO2015168366A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111310B (zh) * 2019-04-17 2021-03-05 广州思德医疗科技有限公司 一种评估标签图片的方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0644414A2 (en) * 1993-08-19 1995-03-22 Hitachi, Ltd. Classification and examination device of particles in fluid
US5911002A (en) * 1995-09-27 1999-06-08 Hitachi, Ltd. Pattern recognition system
US6246785B1 (en) * 1996-04-27 2001-06-12 Roche Diagnostics Gmbh Automated, microscope-assisted examination process of tissue or bodily fluid samples

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6047283A (en) * 1998-02-26 2000-04-04 Sap Aktiengesellschaft Fast string searching and indexing using a search tree having a plurality of linked nodes
US6704719B1 (en) * 2000-09-27 2004-03-09 Ncr Corporation Decision tree data structure for use in case-based reasoning
US20050225678A1 (en) * 2004-04-08 2005-10-13 Andrew Zisserman Object retrieval
US8108355B2 (en) * 2006-10-27 2012-01-31 Hewlett-Packard Development Company, L.P. Providing a partially sorted index
US8897524B2 (en) * 2007-10-29 2014-11-25 Ramot At Tel-Aviv University Ltd. Method and device for processing computerized tomography images
US8533129B2 (en) * 2008-09-16 2013-09-10 Yahoo! Inc. Efficient data layout techniques for fast machine learning-based document ranking
US8175376B2 (en) * 2009-03-09 2012-05-08 Xerox Corporation Framework for image thumbnailing based on visual similarity
US20110076685A1 (en) 2009-09-23 2011-03-31 Sirs-Lab Gmbh Method for in vitro detection and differentiation of pathophysiological conditions
CN103229052A (zh) 2010-07-28 2013-07-31 梅塔博隆公司 用于前列腺癌的生物标记及其使用方法
US9367817B2 (en) 2010-12-20 2016-06-14 Koninkijke Philips N.V. Methods and systems for identifying patients with mild cognitive impairment at risk of converting to alzheimer's
US9229956B2 (en) * 2011-01-10 2016-01-05 Microsoft Technology Licensing, Llc Image retrieval using discriminative visual features
US9710730B2 (en) 2011-02-11 2017-07-18 Microsoft Technology Licensing, Llc Image registration
US8724906B2 (en) 2011-11-18 2014-05-13 Microsoft Corporation Computing pose and/or shape of modifiable entities
CN104603292A (zh) 2012-07-20 2015-05-06 戴格努生命科学公司 用于提供前列腺癌的临床评估的方法、试剂盒和组合物
WO2015196964A1 (zh) * 2014-06-24 2015-12-30 北京奇虎科技有限公司 搜索匹配图片的方法、图片搜索方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0644414A2 (en) * 1993-08-19 1995-03-22 Hitachi, Ltd. Classification and examination device of particles in fluid
US5911002A (en) * 1995-09-27 1999-06-08 Hitachi, Ltd. Pattern recognition system
US6246785B1 (en) * 1996-04-27 2001-06-12 Roche Diagnostics Gmbh Automated, microscope-assisted examination process of tissue or bodily fluid samples

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Automated image analysis in the diagnosis of bladder cancer;Karl K. Melder and Leopold G. Koss;《APPLIED OPTICS》;19870815;第26卷(第16期);第Ⅶ部分，图1

Also Published As

Publication number Publication date
EP3138033A1 (en) 2017-03-08
CN105096294A (zh) 2015-11-25
US20170046621A1 (en) 2017-02-16
US11386340B2 (en) 2022-07-12
US20200364591A1 (en) 2020-11-19
EP3138033A4 (en) 2017-05-17
US10748069B2 (en) 2020-08-18
WO2015168366A1 (en) 2015-11-05
EP3138033B1 (en) 2023-09-13

Similar Documents

Publication Publication Date Title
Damiani et al. Stellar population of Sco OB2 revealed by Gaia DR2 data
CN110674881B (zh) 商标图像检索模型训练方法、系统、存储介质及计算机设备
CN106033416A (zh) 一种字符串处理方法及装置
CN106126235A (zh) 一种复用代码库构建方法、复用代码快速溯源方法及系统
CA2791590A1 (en) Biometric matching engine
CN107122382A (zh) 一种基于说明书的专利分类方法
CN107291895B (zh) 一种快速的层次化文档查询方法
CN106662551B (zh) 质谱分析数据处理装置
Smith et al. Active learning strategies for phenotypic profiling of high-content screens
CN106202294A (zh) 基于关键词和主题模型融合的相关新闻计算方法及装置
WO2018067080A1 (en) A marine vessel identification method
CN105989043A (zh) 自动获取商品图像中商标和检索商标的方法及其装置
CN105096294B (zh) 用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置
CN106777350A (zh) 一种基于卡口数据的以图搜图方法和装置
CN110222015A (zh) 一种文件数据的读取、查询方法、装置及可读存储介质
Carleton et al. Constrained indicator species analysis (COINSPAN): an extension of TWINSPAN
Valldor et al. Firearm detection in social media images
CN110096571A (zh) 一种机构名简称生成方法和装置、计算机可读存储介质
CN113724779B (zh) 基于机器学习技术的SNAREs蛋白识别方法、系统、存储介质及设备
CN109542766A (zh) 基于代码映射和词法分析的大规模程序相似性快速检测与证据生成方法
Yang Leveraging CNN and vision transformer with transfer learning to diagnose pigmented skin lesions
CN113220843A (zh) 确定信息关联关系的方法、装置、存储介质和设备
Johnson et al. Applying machine learning models to identify forest cover
Danisch et al. Unfolding ego-centered community structures with “a similarity approach”
US20070124300A1 (en) Method and System for Constructing a Classifier

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