CN106295715A - 一种基于bp神经网络分类器的白带清洁度自动分类方法 - Google Patents

一种基于bp神经网络分类器的白带清洁度自动分类方法 Download PDF

Info

Publication number
CN106295715A
CN106295715A CN201610705378.0A CN201610705378A CN106295715A CN 106295715 A CN106295715 A CN 106295715A CN 201610705378 A CN201610705378 A CN 201610705378A CN 106295715 A CN106295715 A CN 106295715A
Authority
CN
China
Prior art keywords
cleannes
input
leucorrhea
neural network
image
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
Application number
CN201610705378.0A
Other languages
English (en)
Inventor
张静
郝如茜
胡静蓉
王祥舟
王强
张正龙
刘娟秀
倪光明
杜晓辉
刘霖
刘永
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610705378.0A priority Critical patent/CN106295715A/zh
Publication of CN106295715A publication Critical patent/CN106295715A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

该发明公开了一种基于BP神经网络分类器的白带清洁度自动分类方法，属于生物医学显微图像处理技术领域，采用的方法是一种基于BP神经网络分类器的白带清洁度自动分类方法。通过采集不同清洁度的图片，再采用已经确定清洁度的图片对神经网络进行训练，获得准确的较高的神经网络，最后采用该神经网络对待检测图片进行检测。这样不仅大大提高了医务人员对白带清洁度判断的效率及准确率，而且降低了医务人员因长时间工作疲劳、自身经验不足等原因而导致清洁度误判的风险。

Description

一种基于BP神经网络分类器的白带清洁度自动分类方法
技术领域
本发明属于生物医学显微图像处理技术领域，采用的方法是一种基于BP神经网络分类器的白带清洁度自动分类方法。
背景技术
白带清洁度检测即白带常规检查，作为妇科疾病诊断的一项应用最广泛的检查，如今已在全国各地的医院中普及。其方法是通过取白带与0.9％生理盐水混合成溶液，制成涂片，由医务人员通过显微镜观察上皮细胞、白细胞、杆菌和球菌等有形成分，将白带清洁度划分为Ⅰ～Ⅳ度。如果白带清洁度为Ⅰ度或Ⅱ度则说明一切正常，如果为Ⅲ度或Ⅳ度，则存在炎症或感染。而由于医务人员的自身经验不足，长时间工作的疲劳，以及工作量繁重易疏忽等原因，容易对清洁度造成误判。因此，对白带清洁度自动分类技术的研究成了当务之急。
发明内容
本发明提供了一种对白带清洁度进行自动分类的方法。通过传统人工镜检判断白带清洁度时，医务人员需要先根据自己的专业知识判断视野中所有细胞的类型，并统计出不同类型细胞的个数，再综合分析从而判断出清洁度。但由于背景复杂、有形成分数量繁多，医务人员分析显微图片时容易产生视觉疲劳，尤其是杆菌、球菌这些体积小数量大的有形成分，无法人为数出具体数目，只能笼统地通过直观感受多少。因此，医务人员在实际工作过程中可能存在误判清洁度的风险，而本发明提出的对白带清洁度进行自动分类的方法能大大提高医务人员的诊断精确度。
本发明技术方案是一种基于BP神经网络分类器的白带清洁度自动分类方法，该方法包括如下步骤：
步骤1：用显微镜采集4种清洁度下的盐水白带显微灰度图像各若干幅；
步骤2：对得到的灰度图像进行底帽变换；
步骤3：对底帽变换后的图像进行阈值分割，得到二值图像；
步骤4：对所得到的二值图像进行连通域标定；
步骤5：结合细胞的形态学特征，获取所有二值图像中上皮细胞的面积，白细胞的个数及其面积，球菌的个数及其质心坐标，杆菌的个数及其质心坐标；
步骤6：将上皮细胞面积总和占图像面积的比例作为输入X0，将白细胞的个数作为X1，将球菌的个数与减去上皮细胞和白细胞面积的剩余图像面积的比例作为输入X2，将杆菌的个数与减去上皮细胞和白细胞面积的剩余图像面积的比例作为输入X3，将所有球菌到球菌中心点的欧几里得几何距离之和作为输入X4，其中球菌中心点坐标为所有球菌质心坐标的平均值，将所有杆菌到杆菌中心点的欧几里得几何距离之和作为输入X5，其中杆菌中心点坐标为所有杆菌质心坐标的平均值；
步骤7：创建一个BP神经网络，输入层的节点数为6个，分别为X0、X1、X2、X3、X4、X5，输出层的节点数为4个，分别为步骤1中所述的4种清洁度，隐含层为2层，每层节点数为10个，隐含层的激励函数为S型正切函数Tansig，输出层激励函数为线性函数Purelin，随机设置初始权重和阈值；
步骤8：将训练样本输入BP神经网络分类器中进行训练；
步骤9：按照步骤1的方式获取待检测的样本，按照步骤1到步骤7的方法获取待检测的样本的X0、X1、X2、X3、X4、X5，将待检测样本的X0、X1、X2、X3、X4、X5输入已经训练完成的BP神经网络分类器，得出该样本的清洁度类型。
步骤2的具体步骤为：
步骤2-1：对灰度图像采用圆盘模板进行膨胀处理；
步骤2-2：对步骤2-1所得图像采用与步骤2-1大小相同的圆盘模板进行腐蚀处理；
步骤2-3：将步骤2-2所得图像减去原灰度图像，得到底帽变换的图像。
步骤3的具体步骤为：
步骤3-1：对底帽变换后的图像运用OTSU算法求得阈值；
步骤3-2：将图中各像素点灰度值与阈值比较，若大于阈值，则将该像素点灰度值置为255，若小于阈值，则将该像素点灰度值置为0，得到二值图像。
步骤6的具体步骤为：
步骤6-1：设一幅二值图像中的上皮细胞的面积总和为S上皮，该二值图像的面积为S视野，则输入X0＝S上皮/S视野；
步骤6-2：设该二值图像中白细胞的个数为n白细胞，则输入X1＝n白细胞；
步骤6-3：设该二值图像中的白细胞的面积为S白细胞，球菌的个数为n球菌，则输入X2＝n球菌/(S视野－S上皮－S白细胞)；
步骤6-4：设该二值图像中杆菌的个数为n杆菌，则输入X3＝n杆菌/(S视野－S上皮－S白细胞)；
步骤6-5：设所有球菌的质心坐标为(xi,yi)其中i＝1,2,3…n球菌，球菌的中心点坐标为(xic,yic)，其中则输入
步骤6-6：设所有杆菌的质心坐标为(xj,yj)其中j＝1,2,3…n杆菌，杆菌的中心点坐标为(xjc,yjc)，其中则输入
步骤8的具体步骤为：
步骤8-1：根据步骤1-6求出清洁度Ⅰ度的所有盐水白带显微图像的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[1 0 0 0]，训练样本期望输出与实际输出误差小于0.001；
步骤8-2：根据步骤1-6求出清洁度Ⅱ度的所有盐水白带显微图像的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[0 1 0 0]，训练样本期望输出与实际输出误差小于0.001；
步骤8-3：根据步骤1-6求出清洁度Ⅲ度的所有盐水白带显微图像的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[0 0 1 0]，训练样本期望输出与实际输出误差小于0.001；
步骤8-4：根据步骤1-6求出清洁度Ⅳ度的所有盐水白带显微图像的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[0 0 0 1]，训练样本期望输出与实际输出误差小于0.001；
步骤9的具体步骤为：
步骤9-1：根据步骤1-6求出待检样本的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入训练好的BP神经网络分类器；
步骤9-2：当网络运行达到平衡时，输出矢量Y＝[Y0 Y1 Y2 Y3]；
步骤9-3：输出矢量中最大值Yk＝max{Y0,Y1,Y2,Y3}，若k＝0，则该样本的清洁度为Ⅰ度，若k＝1，则该样本的清洁度为Ⅱ度，若k＝2，则该样本的清洁度为Ⅲ度，若k＝3，则该样本的清洁度为Ⅳ度。
本发明提供了一种基于BP神经网络分类器对白带清洁度进行自动分类的方法。不仅大大提高了医务人员对白带清洁度判断的效率及准确率，而且降低了医务人员因长时间工作疲劳、自身经验不足等原因而导致清洁度误判的风险。
附图说明
图1是本发明的一种基于BP神经网络分类器的白带清洁度自动分类方法的流程图。
具体实施方式
下面结合附图，对本发明的一种基于BP神经网络分类器的白带清洁度自动分类方法进行详细说明：
步骤1：用显微镜采集4种清洁度下的盐水白带显微灰度图像各100幅；
步骤2：对得到的灰度图像进行底帽变换；
步骤2-1：对灰度图像用半径为3的圆盘模板进行膨胀处理；
步骤2-2：对步骤2-1所得图像用半径为3的圆盘模板进行腐蚀处理；
步骤2-3：将步骤2-2所得图像减去原灰度图像，得到底帽变换的图像。
步骤3：对底帽变换后的图像进行阈值分割，得到二值图像；
步骤3-1：对底帽变换后的图像运用OTSU算法求得阈值；
步骤3-2：将图中各像素点灰度值与阈值比较，若大于阈值，则将该像素点灰度值置为255，若小于阈值，则将该像素点灰度值置为0，得到二值图像。
步骤4：对所得到的二值图像进行连通域标定；
步骤5：结合细胞的形态学特征，求出所有二值图像中上皮细胞的面积，白细胞的个数和面积，球菌的个数和质心坐标，杆菌的个数和质心坐标；
步骤6：将上皮细胞面积占图像面积的比例作为输入X0，将白细胞的个数作为X1，将球菌的个数与减去上皮细胞和白细胞面积的剩余图像面积的比例作为输入X2，将杆菌的个数与减去上皮细胞和白细胞面积的剩余图像面积的比例作为输入X3，将所有球菌到球菌中心点的欧几里得几何距离之和作为输入X4，将所有杆菌到杆菌中心点的欧几里得几何距离之和作为输入X5；
步骤6-1：设一副二值图像中的上皮细胞的面积为S上皮，该二值图像的面积为S视野，则输入X0＝S上皮/S视野；
步骤6-2：设该二值图像中白细胞的个数为n白细胞，则输入X1＝n白细胞；
步骤6-3：设该二值图像中的白细胞的面积为S白细胞，，球菌的个数为n球菌，则输入X2＝n球菌/(S视野－S上皮－S白细胞)；
步骤6-4：设该二值图像中杆菌的个数为n杆菌，则输入X3＝n杆菌/(S视野－S上皮－S白细胞)；
步骤6-5：设所有球菌的质心坐标为(xi,yi)(i＝1,2,3…n球菌)，球菌的中心点坐标为(xic,yic)(其中)，则输入
步骤6-6：设所有杆菌的质心坐标为(xj,yj)(j＝1,2,3…n杆菌)，杆菌的中心点坐标为(xjc,yjc)(其中)，则输入
步骤7：创建一个BP神经网络，输入层的节点数为6个，输出层的节点数为4个，隐含层为2层，每层节点数为10个，隐含层的激励函数为S型正切函数Tansig，输出层激励函数为线性函数Purelin，随机设置初始权重和阈值；
步骤8：将训练样本输入BP神经网络分类器中进行训练；
步骤8-1：根据步骤1-6求出清洁度Ⅰ度的100幅盐水白带显微图像的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[1 0 0 0]，训练样本期望输出与实际输出误差小于0.001；
步骤8-2：根据步骤1-6求出清洁度Ⅱ度的100幅盐水白带显微图像的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[0 1 0 0]，训练样本期望输出与实际输出误差小于0.001；
步骤8-3：根据步骤1-6求出清洁度Ⅲ度的100幅盐水白带显微图像的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[0 0 1 0]，训练样本期望输出与实际输出误差小于0.001；
步骤8-4：根据步骤1-6求出清洁度Ⅳ度的100幅盐水白带显微图像的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[0 0 0 1]，训练样本期望输出与实际输出误差小于0.001；
步骤9：将待检测的样本输入已经训练完成的BP神经网络分类器，得出该样本的清洁度类型。
步骤9-1：根据步骤1-6求出待检样本的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入训练好的BP神经网络分类器；
步骤9-2：当网络运行达到平衡时，输出矢量Y＝[Y0 Y1 Y2 Y3]；
步骤9-3：输出矢量中最大值Yk＝max{Y0,Y1,Y2,Y3}，若k＝0，则该样本的清洁度为Ⅰ度，若k＝1，则该样本的清洁度为Ⅱ度，若k＝2，则该样本的清洁度为Ⅲ度，若k＝3，则该样本的清洁度为Ⅳ度。

Claims (6)

1.一种基于BP神经网络分类器的白带清洁度自动分类方法，该方法包括如下步骤：
步骤1：用显微镜采集4种清洁度下的盐水白带显微灰度图像各若干幅；
步骤2：对得到的灰度图像进行底帽变换；
步骤3：对底帽变换后的图像进行阈值分割，得到二值图像；
步骤4：对所得到的二值图像进行连通域标定；
步骤5：结合细胞的形态学特征，获取所有二值图像中上皮细胞的面积，白细胞的个数及其面积，球菌的个数及其质心坐标，杆菌的个数及其质心坐标；
步骤6：将上皮细胞面积总和占图像面积的比例作为输入X0，将白细胞的个数作为X1，将球菌的个数与减去上皮细胞和白细胞面积的剩余图像面积的比例作为输入X2，将杆菌的个数与减去上皮细胞和白细胞面积的剩余图像面积的比例作为输入X3，将所有球菌到球菌中心点的欧几里得几何距离之和作为输入X4，其中球菌中心点坐标为所有球菌质心坐标的平均值，将所有杆菌到杆菌中心点的欧几里得几何距离之和作为输入X5，其中杆菌中心点坐标为所有杆菌质心坐标的平均值；
步骤7：创建一个BP神经网络，输入层的节点数为6个，分别为X0、X1、X2、X3、X4、X5，输出层的节点数为4个，分别为步骤1中所述的4种清洁度，隐含层为2层，每层节点数为10个，隐含层的激励函数为S型正切函数Tansig，输出层激励函数为线性函数Purelin，随机设置初始权重和阈值；
步骤8：将训练样本输入BP神经网络分类器中进行训练；
步骤9：按照步骤1的方式获取待检测的样本，按照步骤1到步骤7的方法获取待检测的样本的X0、X1、X2、X3、X4、X5，将待检测样本的X0、X1、X2、X3、X4、X5输入已经训练完成的BP神经网络分类器，得出该样本的清洁度类型。
2.如权利要求1所述的一种基于BP神经网络分类器的白带清洁度自动分类方法，其特征在于所述步骤2的具体步骤为：
步骤2-1：对灰度图像采用圆盘模板进行膨胀处理；
步骤2-2：对步骤2-1所得图像采用与步骤2-1大小相同的圆盘模板进行腐蚀处理；
步骤2-3：将步骤2-2所得图像减去原灰度图像，得到底帽变换的图像。
3.如权利要求1所述的一种基于BP神经网络分类器的白带清洁度自动分类方法，其特征在于所述步骤3的具体步骤为：
步骤3-1：对底帽变换后的图像运用OTSU算法求得阈值；
步骤3-2：将图中各像素点灰度值与阈值比较，若大于阈值，则将该像素点灰度值置为255，若小于阈值，则将该像素点灰度值置为0，得到二值图像。
4.如权利要求1所述的一种基于BP神经网络分类器的白带清洁度自动分类方法，其特征在于所述步骤6的具体步骤为：
步骤6-1：设一幅二值图像中的上皮细胞的面积总和为S上皮，该二值图像的面积为S视野，则输入X0＝S上皮/S视野；
步骤6-2：设该二值图像中白细胞的个数为n白细胞，则输入X1＝n白细胞；
步骤6-3：设该二值图像中的白细胞的面积为S白细胞，球菌的个数为n球菌，则输入X2＝n球菌/(S视野－S上皮－S白细胞)；
步骤6-4：设该二值图像中杆菌的个数为n杆菌，则输入X3＝n杆菌/(S视野－S上皮－S白细胞)；
步骤6-5：设所有球菌的质心坐标为(xi,yi)其中i＝1,2,3…n球菌，球菌的中心点坐标为(xic,yic)，其中则输入
步骤6-6：设所有杆菌的质心坐标为(xj,yj)其中j＝1,2,3…n杆菌，杆菌的中心点坐标为(xjc,yjc)，其中则输入。
5.如权利要求1所述的一种基于BP神经网络分类器的白带清洁度自动分类方法，其特征在于所述步骤8的具体步骤为：
步骤8-1：根据步骤1-6求出清洁度Ⅰ度的所有盐水白带显微图像的输入矢量X＝[X0 X1X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[1 0 0 0]，训练样本期望输出与实际输出误差小于0.001；
步骤8-2：根据步骤1-6求出清洁度Ⅱ度的所有盐水白带显微图像的输入矢量X＝[X0 X1X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[0 1 0 0]，训练样本期望输出与实际输出误差小于0.001；
步骤8-3：根据步骤1-6求出清洁度Ⅲ度的所有盐水白带显微图像的输入矢量X＝[X0 X1X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[0 0 1 0]， 训练样本期望输出与实际输出误差小于0.001；
步骤8-4：根据步骤1-6求出清洁度Ⅳ度的所有盐水白带显微图像的输入矢量X＝[X0 X1X2 X3 X4 X5]，归一化后，输入BP神经网络分类器，期望输出矢量Y＝[0 0 0 1]，训练样本期望输出与实际输出误差小于0.001。
6.如权利要求1所述的一种基于BP神经网络分类器的白带清洁度自动分类方法，其特征在于所述步骤9的具体步骤为：
步骤9-1：根据步骤1-6求出待检样本的输入矢量X＝[X0 X1 X2 X3 X4 X5]，归一化后，输入训练好的BP神经网络分类器；
步骤9-2：当网络运行达到平衡时，输出矢量Y＝[Y0 Y1 Y2 Y3]；
步骤9-3：输出矢量中最大值Yk＝max{Y0,Y1,Y2,Y3}，若k＝0，则该样本的清洁度为Ⅰ度，若k＝1，则该样本的清洁度为Ⅱ度，若k＝2，则该样本的清洁度为Ⅲ度，若k＝3，则该样本的清洁度为Ⅳ度。
CN201610705378.0A 2016-08-22 2016-08-22 一种基于bp神经网络分类器的白带清洁度自动分类方法 Pending CN106295715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610705378.0A CN106295715A (zh) 2016-08-22 2016-08-22 一种基于bp神经网络分类器的白带清洁度自动分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610705378.0A CN106295715A (zh) 2016-08-22 2016-08-22 一种基于bp神经网络分类器的白带清洁度自动分类方法

Publications (1)

Publication Number Publication Date
CN106295715A true CN106295715A (zh) 2017-01-04

Family

ID=57615431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610705378.0A Pending CN106295715A (zh) 2016-08-22 2016-08-22 一种基于bp神经网络分类器的白带清洁度自动分类方法

Country Status (1)

Country Link
CN (1) CN106295715A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875404A (zh) * 2017-01-18 2017-06-20 宁波摩视光电科技有限公司 一种白带显微图像中上皮细胞的智能识别方法
CN106960444A (zh) * 2017-03-31 2017-07-18 宁波摩视光电科技有限公司 一种基于Hopfield神经网络的白带中球菌的自动检测方法
CN108334835A (zh) * 2018-01-29 2018-07-27 华东师范大学 基于卷积神经网络的阴道分泌物显微图像有形成分检测方法
CN109034257A (zh) * 2018-08-02 2018-12-18 河北工程大学 一种细胞图像记录系统及分类方法
CN109598704A (zh) * 2018-11-19 2019-04-09 电子科技大学 一种基于bp神经网络的粪便显微图像清晰度评价方法
CN110363057A (zh) * 2018-12-29 2019-10-22 上海北昂医药科技股份有限公司 一种形态学图像中的精子识别及分类方法
CN113470030A (zh) * 2021-09-03 2021-10-01 北京字节跳动网络技术有限公司 组织腔清洁度的确定方法、装置、可读介质和电子设备

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875404A (zh) * 2017-01-18 2017-06-20 宁波摩视光电科技有限公司 一种白带显微图像中上皮细胞的智能识别方法
CN106960444A (zh) * 2017-03-31 2017-07-18 宁波摩视光电科技有限公司 一种基于Hopfield神经网络的白带中球菌的自动检测方法
CN108334835A (zh) * 2018-01-29 2018-07-27 华东师范大学 基于卷积神经网络的阴道分泌物显微图像有形成分检测方法
CN108334835B (zh) * 2018-01-29 2021-11-19 华东师范大学 基于卷积神经网络的阴道分泌物显微图像有形成分检测方法
CN109034257A (zh) * 2018-08-02 2018-12-18 河北工程大学 一种细胞图像记录系统及分类方法
CN109598704A (zh) * 2018-11-19 2019-04-09 电子科技大学 一种基于bp神经网络的粪便显微图像清晰度评价方法
CN110363057A (zh) * 2018-12-29 2019-10-22 上海北昂医药科技股份有限公司 一种形态学图像中的精子识别及分类方法
CN113470030A (zh) * 2021-09-03 2021-10-01 北京字节跳动网络技术有限公司 组织腔清洁度的确定方法、装置、可读介质和电子设备
CN113470030B (zh) * 2021-09-03 2021-11-23 北京字节跳动网络技术有限公司 组织腔清洁度的确定方法、装置、可读介质和电子设备
WO2023030097A1 (zh) * 2021-09-03 2023-03-09 北京字节跳动网络技术有限公司 组织腔清洁度的确定方法、装置、可读介质和电子设备

Similar Documents

Publication Publication Date Title
CN106295715A (zh) 一种基于bp神经网络分类器的白带清洁度自动分类方法
Munadi et al. Image enhancement for tuberculosis detection using deep learning
CN106295588B (zh) 一种白带显微图像中白细胞的自动识别方法
CN102402690B (zh) 基于直觉模糊集成的数据分类方法与系统
CN108961208A (zh) 一种聚集白细胞分割计数系统及方法
Khobragade et al. Detection of leukemia in microscopic white blood cell images
CN104766324B (zh) 基于超像素和异常检测的彩色血细胞图像白细胞分割方法
CN106875404A (zh) 一种白带显微图像中上皮细胞的智能识别方法
CN110874577B (zh) 一种基于深度学习的证件照的自动审核方法
CN105205804A (zh) 血细胞图像中白细胞的核浆分离方法、分类方法及装置
Balkan Enterprise productivity measurement in services by OMAX (Objective Matrix) method and an application with Turkish emergency service
CN105139390A (zh) 一种检测胸透dr片中肺结核病灶的图像处理方法
CN109165544A (zh) 肾小球肾炎病理智能分类器的训练方法、诊断仪及存储介质
Rosyadi et al. Classification of leukocyte images using k-means clustering based on geometry features
CN105608694A (zh) 视网膜细胞显微图像分割与计数方法
CN105420107A (zh) 一种基于菌落形态特征的菌落自动筛选方法
CN104198355A (zh) 一种粪便中红细胞自动检测方法
Strother et al. Pellicle ultrastructure demonstrates that Moyeria is a fossil euglenid
Anikster et al. Spore dimensions of Puccinia species of cereal hosts as determined by image analysis
CN110598724B (zh) 一种基于卷积神经网络的细胞低分辨率图像融合方法
Divya et al. Brain Tumor Detection Using Image Processing Technique from MRI Images Based on OTSU Algorithm
CN106446531A (zh) 一种基于先验决策模型的谱系树构建方法
CN107818482A (zh) 目标群体的显著特征的计算方法、系统及计算机设备
CN108304066A (zh) 安全标识视觉传达效果量化方法
CN101275897A (zh) 骨髓活检切片造血细胞特征识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170104

RJ01 Rejection of invention patent application after publication