CN105868580A - 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 - Google Patents
一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 Download PDFInfo
- Publication number
- CN105868580A CN105868580A CN201610207919.7A CN201610207919A CN105868580A CN 105868580 A CN105868580 A CN 105868580A CN 201610207919 A CN201610207919 A CN 201610207919A CN 105868580 A CN105868580 A CN 105868580A
- Authority
- CN
- China
- Prior art keywords
- layer
- area
- cellularity
- image
- shape
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011084 recovery Methods 0.000 title claims abstract description 12
- 210000003850 cellular structure Anatomy 0.000 title abstract 2
- 210000000170 cell membrane Anatomy 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 3
- 210000004027 cell Anatomy 0.000 claims description 37
- 238000003325 tomography Methods 0.000 claims description 13
- 238000002591 computed tomography Methods 0.000 claims description 9
- 230000002380 cytological effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 230000001413 cellular effect Effects 0.000 abstract description 9
- 239000007850 fluorescent dye Substances 0.000 abstract description 6
- 238000001215 fluorescent labelling Methods 0.000 abstract description 5
- 210000003855 cell nucleus Anatomy 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 2
- 230000000120 cytopathologic effect Effects 0.000 abstract 1
- 238000012217 deletion Methods 0.000 abstract 1
- 230000037430 deletion Effects 0.000 abstract 1
- 210000003463 organelle Anatomy 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 44
- 239000012528 membrane Substances 0.000 description 4
- 210000000633 nuclear envelope Anatomy 0.000 description 4
- 210000004940 nucleus Anatomy 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 210000004698 lymphocyte Anatomy 0.000 description 2
- FWBHETKCLVMNFS-UHFFFAOYSA-N 4',6-Diamino-2-phenylindol Chemical compound C1=CC(C(=N)N)=CC=C1C1=CC2=CC=C(C(N)=N)C=C2N1 FWBHETKCLVMNFS-UHFFFAOYSA-N 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 210000003719 b-lymphocyte Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007334 copolymerization reaction Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 210000005105 peripheral blood lymphocyte Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于面积约束与形状约束的细胞结构(如细胞核、细胞膜)三维形貌恢复方法，通过面积约束条件与形状约束条件实现荧光共聚焦失效图层中细胞器结构的有效恢复，并通过逐层拼接，最后完成可用于免标记细胞物理特征仿真运算的细胞三维形态结构模型。本发明较常用的直接通过荧光共聚焦图像重构的细胞非完整三维形态方法，有效的恢复了由荧光标记等误差产生的细胞形态缺失，对依据细胞形态建模实现的细胞本征物理特性的计算、提取，以及细胞病变状态的免标记反演规律研究，具有非常重要的理论意义与实际应用价值。
Description
【技术领域】
本发明属于免标记细胞检测结构建模方法研究领域，涉及一种基于面积约束与形状约束的层析失效图层细胞三维形貌恢复方法。
【背景技术】
在免标记细胞检测方法中，悬浮细胞的真实内、外部形态与其相应的本征物理属性，如散射特性，具有非常密切的关系。因此，获取完整的细胞内外部真实形态是获取其本征物理特性的基础和关键。
然而，常用的荧光共聚焦层析扫描方法，由于对细胞结构荧光标记的不完整、层析扫描中的成像误差、产生细胞结构层析图像的不完整与缺失，因此导致使用仅有荧光共聚焦图像重构的细胞结构模型无法获得有效的细胞物理匹配属性，如细胞散射与其结构的匹配属性。
Xin-Hua Hu等提出了一种利用细胞核荧光标记并共聚焦显微镜层析扫描三维建模的方法(Effect of detailed cell structure on light scattering distribution:FDTD study of a B-cell with 3Dstructure constructed from concocal images)。该方法中，利用显微镜采集的细胞层析图像，但是，靠近细胞上下断面的图层形状失效，难以用以重构细胞三维模型。
鉴于以上缺陷，实有必要提供一种基于面积约束与形状约束的层析失效图层细胞三维形貌恢复方法，以解决以上技术问题。
【发明内容】
本发明提供了一种基于面积约束与形状约束的细胞结构三维形貌恢复方法，完成了模糊图层的图像恢复，将恢复图像和置信区间图像全空间拼接，最终实现完整的细胞结构三维空间模型构建。
本发明采用以下技术方案：
一种基于面积约束与形状约束的细胞结构三维形貌恢复方法，包括以下步骤：
(1)采集细胞结构的层析扫描图组，根据层析扫描图组提取细胞结构断层形态；
(2)根据步骤(1)提取的细胞结构断层形态建立实际的断层细胞结构像素面积-图层曲线；
(3)针对图像中的非零像素点，计算图像熵，绘制图像熵-图层曲线；
(4)根据步骤(3)的图像熵-图层曲线设定置信区间；
(5)对步骤(4)的图像熵-图层曲线区间内的图层像素面积做二次曲线拟合，根据该拟合的曲线确定细胞图组上下两端待恢复图层区间；
(6)以步骤(4)设定的置信区间两端图层形状分别作为与之相邻的待恢复图层区间形状约束，以断层图像的像素面积为面积约束，恢复细胞两端待恢复图层的形态；
(7)将恢复图层和置信区间图层进行全空间拼接，实现细胞膜三维空间模型构建。
优选地，根据硬阈值方法分割图像，利用形态学操作优化获得细胞结构断层形态。
优选地，所述的图像熵-图层曲线指去掉图像中灰度为零的像素点，仅计算非零像素点的图像熵。
优选地，选择矩形窗区间【30,110】为置信区间。
优选地，待恢复的每一图层的恢复方法为：将对应的形状约束向内迭代收缩，直至形状的像素面积达到面积约束，方停止迭代，该图层恢复完成。
与现有技术相比，本发明至少具有以下有益效果：本发明以置信区间两端的图层为形状约束，以待恢复细胞每层的像素面积为面积约束，对待恢复区域进行外推恢复，本发明方法在最大程度上保证了细胞内外部形态的真实性，且细胞上下断面的图像真实可靠。本发明较常用的直接通过荧光共聚焦图像重构的细胞非完整三维形态方法，有效的恢复了由荧光标记等误差产生的细胞形态缺失，对依据细胞形态建模实现的细胞本征物理特性的计算、提取，以及细胞病变状态的免标记反演规律研究，具有非常重要的理论意义与实际应用价值。
此外，相较于较常用的直接通过荧光共聚焦图像重构细胞模型的方法，该方法允许细胞图像有一定程度的模糊，降低该方法对细胞染色和图像采集的要求，增加了通过细胞荧光共聚焦图层构建细胞三维空间模型方法的使用范围。
【附图说明】
图1为本发明的总体实施流程图。
图2为细胞荧光标记并利用荧光共聚焦显微镜扫描得到的层析扫描图像图，其中，(a)为荧光共聚焦层析扫描采集的图像，(b)为原始荧光共聚焦采集的第n层图像，(c)为经分割，并形态学填充并优化的细胞区域，(d)为经分割，并形态学填充并优化的细胞核区域。
图3为理想椭球模型断层形状面积约束分析示意图，(a)、(b)、(c)分别为XOZ、YOZ、XOY视图。
图4为面积约束曲线示意图，其中实线为实际面积-图层曲线，虚线为拟合面积-图层曲线，也即面积约束曲线。
图5为非零像素点图像熵-图层曲线。
图6(a)为形状约束迭代示意图，(b)为在面积约束和形状约束下恢复模糊图层之后构建的三维空间模型。
图7(a)经过恢复的细胞膜模型，(b)为未经过恢复的细胞膜模型。
图8为最终构建的细胞核膜空间模型及利用FDTD对基于本发明方法重构的临床细胞核膜三维空间模型散射光场仿真结果，其中，(a)为构建的细胞核膜三维空间模型，(b)、(c)、(d)分别为在XOY散射平面、XOZ散射平面和YOZ散射平面上的细胞空间散射光场模拟结果。
【具体实施方式】
下面结合附图对本发明进行详细说明，本发明提供了一种基于面积约束与形状约束条件的细胞三维形貌恢复方法，该方法针对荧光共聚焦层析扫描采集得到的细胞图组在细胞上下两端图像模糊的问题，提出了一种三维形貌恢复的方法，完成了模糊图层的图像恢复，将恢复图像和置信区间图像全空间拼接，最终实现完整的细胞结构三维空间模型构建。
下面结合实施例对本发明提供的具体实施方式作详细说明。
一.实验样品制备与荧光共聚焦采集
细胞：临床人体外周血淋巴细胞。采用荧光染料CM-Dil标记细胞膜，荧光染料DAPI标记细胞核。将荧光标记后的淋巴细胞悬浊液样品放置在荧光共聚焦显微镜下观察，采集获得层析扫描图组，如图2(b)所示，其中，外圈环状部分为细胞膜结构，内圈实体部分为细胞核结构，从图(a)可以看出，中间图层细胞结构清晰，两端图像模糊。
二.形貌恢复
步骤1：针对细胞膜结构分量，选择硬阈值方法分割图像，利用形态学填充并优化获取细胞区域(更确切的说，就是获取细胞结构断层形态)。如图2(c)所示。
步骤2：根据步骤1的边缘提取结果，计算细胞区域的像素面积(即轮廓线以内的区域所占像素个数)，建立实际细胞像素面积-图层曲线，如图4中的实线所示。
步骤3：由于细胞形态近似为椭球形，此处对一个任意椭球作如下分析：如图3所示，对椭球等间距逐层切割，则任意一个断层的面积为s＝πa1b1，其中， 由此可知，每个断层的面积s和图层位置h满足二次曲线关系，也即可由图层位置确定该图层的面积大小，由此建立面积约束。
步骤4：去掉图像中灰度为0的像素点，只计算非零像素点的图像熵，绘制图像熵-图层曲线。如图5所示，该曲线呈矩形状，这里选择矩形窗区间[30,110]作为置信区间。
步骤5：对步骤4中选择的区间内的图层像素面积数据做二次曲线拟合，获得理论面积-图层曲线，如图4中的虚线所示。由图可知，拟合曲线和真实曲线吻合度极好，验证了步骤3中的理论分析。由拟合曲线，可以求得任意一个断层图像的像素面积大小，也即建立了图像断层面积约束。此外，通过拟合曲线可求得细胞图组上下两端的截止层位置，进而分别确定细胞上下两端待恢复图层区间。
步骤6：选择置信区间两端图层形状分别作为对应上下两端待恢复区间的形状基准，建立形状约束。针对任意位置图层，将对应形状基准向内迭代收缩，直至形状的像素面积达到面积约束，方停止迭代，恢复该图层形状。形状约束迭代如图6(a)所示。
步骤7：重复步骤6，直至完全恢复步骤5中确定的待回复图层区间的所有图层形状。通过将恢复图层和置信区间图层全空间拼接，实现细胞膜三维空间模型构建。三维空间模型如图6(b)所示。
步骤8：针对细胞核结构分量，重复步骤1-7实现细胞核三维空间模型构建。
步骤9：将上述细胞膜、细胞核三维空间模型按图层中细胞核膜结构所确定的相对位置关系进行拼接，实现细胞多结构的空间模型构建，如图7(a)所示。
三.实验结论
采用基于面积约束与形状约束条件的悬浮细胞三维形貌恢复方法，对悬浊液中人体外周血淋巴细胞核、膜的共聚焦层析扫描图像，作形貌恢复并三维重构得到的空间三维形态。根据该结构数据，有效的实现了免标记细胞散射光学建模，图8(b)、图8(c)、图8(d)为该重建模型在不同空间平面实现的散射光学建模结果。
值得说明的是，本发明所述的细胞结构包括细胞膜和细胞核，细胞膜和细胞核均存在恢复，其采用的方法相同，均为本发明方法。
Claims (5)
1.一种基于面积约束与形状约束的细胞结构三维形貌恢复方法，其特征在于：包括以下步骤：
(1)采集细胞结构的层析扫描图组，根据层析扫描图组提取细胞结构断层形态；
(2)根据步骤(1)提取的细胞结构断层形态建立实际的断层细胞结构像素面积-图层曲线；
(3)针对图像中的非零像素点，计算图像熵，绘制图像熵-图层曲线；
(4)根据步骤(3)的图像熵-图层曲线设定置信区间；
(5)对步骤(4)的图像熵-图层曲线区间内的图层像素面积做二次曲线拟合，根据该拟合的曲线确定细胞图组上下两端待恢复图层区间；
(6)以步骤(4)设定的置信区间两端图层形状分别作为与之相邻的待恢复图层区间形状约束，以断层图像的像素面积为面积约束，恢复细胞两端待恢复图层的形态；
(7)将恢复图层和置信区间图层进行全空间拼接，实现细胞膜三维空间模型构建。
2.根据权利要求1所述的一种基于面积约束与形状约束的细胞结构三维形貌恢复方法，其特征在于：根据硬阈值方法分割图像，利用形态学操作优化获得细胞结构断层形态。
3.根据权利要求1所述的一种基于面积约束与形状约束的细胞结构三维形貌恢复方法，其特征在于：所述的图像熵-图层曲线指去掉图像中灰度为零的像素点，仅计算非零像素点的图像熵。
4.根据权利要求1所述的一种基于面积约束与形状约束的细胞结构三维形貌恢复方法，其特征在于：选择矩形窗区间【30,110】为置信区间。
5.根据权利要求1所述的一种基于面积约束与形状约束的细胞结构三维形貌恢复方法，其特征在于：待恢复的每一图层的恢复方法为：将对应的形状约束向内迭代收缩，直至形状的像素面积达到面积约束，方停止迭代，该图层恢复完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610207919.7A CN105868580B (zh) | 2016-04-05 | 2016-04-05 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610207919.7A CN105868580B (zh) | 2016-04-05 | 2016-04-05 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105868580A true CN105868580A (zh) | 2016-08-17 |
| CN105868580B CN105868580B (zh) | 2018-12-07 |
Family
ID=56628218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610207919.7A Active CN105868580B (zh) | 2016-04-05 | 2016-04-05 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105868580B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697450A (zh) * | 2017-10-20 | 2019-04-30 | 曦医生技股份有限公司 | 细胞分类方法 |
| CN113933298A (zh) * | 2021-10-11 | 2022-01-14 | 北京大学 | 一种检测三维环境下细胞皮质层张力的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101275897A (zh) * | 2008-03-06 | 2008-10-01 | 上海交通大学 | 骨髓活检切片造血细胞特征识别方法 |
| CN101833778A (zh) * | 2010-03-29 | 2010-09-15 | 中山大学 | 一种满足几何约束的细分方法 |
| CN102834846A (zh) * | 2010-04-09 | 2012-12-19 | 通用电气公司 | 用于分割图像中的对象的方法 |
| CN104574378A (zh) * | 2014-12-24 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 一种超声图像分割方法及系统 |
| CN105288738A (zh) * | 2015-11-18 | 2016-02-03 | 深圳市艾科赛龙科技有限公司 | 一种骨细胞培养的三维微环境结构体 |
-
2016
- 2016-04-05 CN CN201610207919.7A patent/CN105868580B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101275897A (zh) * | 2008-03-06 | 2008-10-01 | 上海交通大学 | 骨髓活检切片造血细胞特征识别方法 |
| CN101833778A (zh) * | 2010-03-29 | 2010-09-15 | 中山大学 | 一种满足几何约束的细分方法 |
| CN102834846A (zh) * | 2010-04-09 | 2012-12-19 | 通用电气公司 | 用于分割图像中的对象的方法 |
| CN104574378A (zh) * | 2014-12-24 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 一种超声图像分割方法及系统 |
| CN105288738A (zh) * | 2015-11-18 | 2016-02-03 | 深圳市艾科赛龙科技有限公司 | 一种骨细胞培养的三维微环境结构体 |
Non-Patent Citations (1)
| Title |
|---|
| LU ZHANG等: ""Spatial scattering specificities study on label free clinical lymphocyte cells of human peripheral blood"", 《2015 IEEE 10TH CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONGS(ICIEA)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697450A (zh) * | 2017-10-20 | 2019-04-30 | 曦医生技股份有限公司 | 细胞分类方法 |
| CN109697450B (zh) * | 2017-10-20 | 2023-04-07 | 曦医生技股份有限公司 | 细胞分类方法 |
| CN113933298A (zh) * | 2021-10-11 | 2022-01-14 | 北京大学 | 一种检测三维环境下细胞皮质层张力的方法 |
| CN113933298B (zh) * | 2021-10-11 | 2022-09-20 | 北京大学 | 一种检测三维环境下细胞皮质层张力的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105868580B (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446892A (zh) | 一种基于注意力学习的细胞核分割方法 | |
| WO2020092417A1 (en) | Automated parsing pipeline for localization and condition classification system and method | |
| Wang et al. | Automatic extraction of building boundaries using aerial LiDAR data | |
| CN115578406B (zh) | 基于上下文融合机制的cbct颌骨区域分割方法及系统 | |
| CN105868580A (zh) | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 | |
| Amirkolaee et al. | DTM extraction from DSM using a multi-scale DTM fusion strategy based on deep learning | |
| Uzar et al. | Automatic building extraction using LiDAR and aerial photographs | |
| Du et al. | Computational framework for generating large panoramic super-resolution images from localization microscopy | |
| Zhu et al. | A practical guide to deep-learning light-field microscopy for 3D imaging of biological dynamics | |
| Kawata et al. | Microstructural analysis of secondary pulmonary lobule imaged by synchrotron radiation micro CT using offset scan mode | |
| Zhou et al. | Subcellular structure segmentation from cryo-electron tomograms via machine learning | |
| CN118020113A (zh) | 用于无标记多重组织化学虚拟染色的系统和方法 | |
| Qi et al. | Drosophila eye nuclei segmentation based on graph cut and convex shape prior | |
| CN116188352A (zh) | 一种基于增强边缘特征的肺结节分割方法 | |
| Zhou et al. | Photoacoustic Microscopy with Sparse Data Enabled by Convolutional Neural Networks for Fast Imaging | |
| Bhide et al. | Semi-automatic generation of tight binary masks and non-convex isosurfaces for quantitative analysis of 3D biological samples | |
| CN102973246B (zh) | 自动处理景深的光学投影断层成像方法 | |
| Drešček et al. | The impact of point cloud density on building outline extraction | |
| Khadangi et al. | Automated framework to reconstruct 3D model of cardiac Z-disk: an image processing approach | |
| Schuegraf et al. | PLANES4LOD2: Reconstruction of LoD-2 building models using a depth attention-based fully convolutional neural network | |
| Hussain et al. | A Semi-Automated Workflow for Segmenting Contents of Single Cardiac Cells from Serial-Block-Face Scanning Electron Microscopy Data | |
| KR101340594B1 (ko) | 다중 해상도 기반의 영역화 장치 및 방법 | |
| Parisse et al. | Graph encoding of multiscale structural networks from binary images with application to bio imaging | |
| Abdollahi | Automatic updating and verification of road maps using high-resolution remote sensing images based on advanced machine learning methods | |
| Liang et al. | Whole brain reconstruction from multilayered sections of a mouse model of status epilepticus |
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 |