CN106483129A - 一种基于运动目标识别的白带滴虫自动检测的方法 - Google Patents
一种基于运动目标识别的白带滴虫自动检测的方法 Download PDFInfo
- Publication number
- CN106483129A CN106483129A CN201610844169.4A CN201610844169A CN106483129A CN 106483129 A CN106483129 A CN 106483129A CN 201610844169 A CN201610844169 A CN 201610844169A CN 106483129 A CN106483129 A CN 106483129A
- Authority
- CN
- China
- Prior art keywords
- image
- background
- foreground
- trichomonad
- region
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
该发明公开了一种基于运动目标识别的白带滴虫自动检测的方法,属于图像处理领域。该方法通过连续获取样本图像,然后对样本图像进行处理,获取图像的前景与背景,通过对连续的图像进行前景与背景分析,前景与背景改变的地方识别出滴虫区域,再根据滴虫的形态特征进一步的识别出滴虫。从而本发明具有改进了传统的Kalman背景重建方法,可有效抑制光照变化、镜头移动和焦距变化带来的噪声,准确分割背景和前景区域。
Description
技术领域
本发明属于图像处理领域,特别采用运动目标识别的方法自动检测白带中滴虫的方法。
背景技术
滴虫镜检是白带检查中的常规项目,是判断白带是否异常的一个重要标准。医院中常用的滴虫检测方法为人工镜检,效率不高,且容易出现漏检。为了解决人工效率低下、易出错的问题,已有很多生物细胞自动检测的应用被提出。目前常用的一种计算机视觉方法是:首先分割显微图像,提取单个细胞,进一步分析每一个细胞的多种形态学特征,最后使用合适的特征分类方法对细胞进行分类,从而识别出细胞种类。
由于滴虫的运动特性,导致显微镜下拍摄的滴虫形态多样且不断变化、大小不固定,特征不易分类;同时滴虫的运动导致其与其他细胞不处于同一对焦面,难以精准对焦,若考虑不同焦距下特征,易出现误检;滴虫的部分形态与人体细胞相似,使用形态学特征不易分类,容易出现漏检;当滴虫与其他细胞重叠在一起时,图像不易分割,易出现误检;滴虫一般出现在3~4度病人样本中,样本背景复杂,难以进行细胞图像分割。
以上问题均导致使用传统的图像分割和特征检测的方法难以识别滴虫。考虑到滴虫在常温环境下的运动特性,并且其他细胞是静止或随稀释液匀速运动,我们提出利用运动特征和形态学特征的方法识别滴虫。
发明内容
本发明为解决滴虫显微图像不易分割、形态特征不易分类的问题提出了解决方案,同时改进了传统的Kalman背景重建方法,可有效抑制光照变化、镜头移动和焦距变化带来的噪声,准确分割背景和前景区域。
本发明一种基于运动目标识别的白带滴虫自动检测的方法,该方法包括:
步骤1:将白带样本涂抹至载玻片上,放至显微镜下,获取最佳拍摄距离并保持固定;
步骤2:使用显微镜相机采集同一视野下连续的清晰的样本图像序列;
步骤3:将步骤2中图像序列的第一张图像作为Kalman背景重建法中的背景图像;
步骤4:提取步骤2中采集的后续图像,将当前的后续图像与背景图像差分后获得差分图像,根据差分图像得到待定的运动前景图像;
步骤5:对步骤4获得的前景图像的每个前景点进行邻域判断,消除误检的静止背景,获得修正的运动前景图像;
步骤6:对步骤5获得的运动前景图像每个前景点进行时间判断,进一步消除静止的背景;
步骤7:对步骤5和步骤6重新划分为背景的前景点进行误分配分析,恢复漏检的运动滴虫区域;
步骤8:根据步骤7获得的前景运动图像,以不同的更新速率更新背景图像,获得新的背景图像;
对最终的前景区域以一定系数更新,对背景区域以一定系数更新,获得新的背景图像;如下式所示,B(i,j,k)为当前图像背景,B(i,j,k+1)为新生成的背景,I(i,j,k)为当前提取的图像,M(i,j,k)为最终获取的运动前景二值图像;β为背景更新系数,α为前景更新系数;
B(i,j,k+1)=B(i,j,k)+g(k)*(I(i,j,k)-B(i,j,k)) (公式8-1)
g(k)=β*(1-M(i,j,k))+α*M(i,j,k) (公式8-2)
步骤9:当前图像与步骤8获得的背景图像差分,阈值选取获得运动前景图像;对其进行连通区域标记,根据面积、外界矩形长宽、圆形度和离心率等形态学特征识别运动滴虫,统计滴虫个数。
其中,步骤3的具体步骤为:
步骤3-1:提取图像序列的第一张图像;
步骤3-2:对图像进行高斯滤波,使用半径为10的圆形邻域,参数σ等于2,滤除噪声,获得背景图像。
其中,步骤4的具体步骤为:
步骤4-1:对图像进行高斯滤波,滤除噪声;
步骤4-2:将滤波后的图像与背景图像作差分,获得差分图像;对其进行二值化,大津阈值法获取阈值,得到运动区域的二值图像;
步骤4-3:对步骤4-2获得的二值图像进行闭运算,获得闭运算图像;
步骤4-4:对步骤4-3获取的闭运算图像进行孔洞填充,滤除小面积区域后获得待定的运动前景二值图像。
其中,步骤5的具体步骤为:
步骤5-1:对步骤4中的运动前景图像的每个前景点进行分析;这里假设滴虫不会凭空出现在视野中,应是从相邻区域移动来的;若上一帧图像的运动前景中以该点为中心,半径为5的方形邻域中没有任何运动前景点,则当前图像该点检测为前景的原因是由于光照变化和镜头移动等因素造成的误检,将该点重新分配为背景点;
如下式所示,M(m,n,k-1)为当前前景像素在上一图像的前景图像中它的邻域像素,若邻域内无前景像素则重新分配为背景
步骤5-2:统计步骤5-1中每个重新分类为背景的前景点的重分配次数。
其中,步骤6的具体步骤为:
步骤6-1:统计每一个图像像素点成为前景区域的连续时间;
步骤6-2:步骤6-1中前景图像剩余前景点的连续次数如果超过10帧,说明该点为误检的静止背景,将该点重新分配为背景点;
步骤6-3:统计步骤6-2中每个重新分类为背景的前景点的重分配次数。
其中,步骤7的具体步骤为:
步骤7-1:统计所有背景像素点的重分配次数;
步骤7-2:若统计次数超过10次,则为运动滴虫被误分配为背景;重新分配为前景点;
其中,步骤9的具体步骤为:
步骤9-1:将当前图像与步骤8中获取的新背景进行差分,获得差分图像;对其进行二值化,获得二值图像;
步骤9-2:对步骤9-1获取的二值图像进行连通区域标记;
步骤9-3:计算每个连通区域的面积,保留面积在一定范围的区域;
步骤9-4:计算剩余每个连通区域的长宽,保留长宽比满足一定条件的区域;
步骤9-5:计算剩余每个连通区域的圆形度,保留圆形度满足一定条件的区域,计算离心率,保留离心率满足一定条件的区域;
步骤9-6:统计剩余连通区域的个数即滴虫数量,并在图像上标记出滴虫区域。
本发明一种基于运动目标识别的白带滴虫自动检测的方法,该方法通过连续获取样本图像,然后对样本图像进行处理,获取图像的前景与背景,通过对连续的图像进行前景与背景分析,前景与背景改变的地方识别出滴虫区域,再根据滴虫的形态特征进一步的识别出滴虫。从而本发明具有改进了传统的Kalman背景重建方法,可有效抑制光照变化、镜头移动和焦距变化带来的噪声,准确分割背景和前景区域。
附图说明
图1是本发明一种基于运动目标识别的白带滴虫自动检测的方法的算法流程图。
具体实施方式
下面结合附图,对本发明的视觉方案进行详细说明:
步骤1:将白带样本涂抹至载玻片上,放至显微镜下,获取最佳拍摄距离并保持固定;
步骤2:使用显微镜相机采集同一视野下连续的清晰的样本图像序列;
步骤3:将步骤2中图像序列的第一张图像作为Kalman背景重建法中的背景图像;
步骤3-1:提取图像序列的第一张图像;
步骤3-2:对图像进行高斯滤波,使用半径为10的圆形邻域,参数σ等于2,滤除噪声,获得背景图像。
步骤4:提取步骤2中采集的后续图像,将当前的后续图像与背景图像差分后获得差分图像,根据差分图像得到待定的运动前景图像;
步骤4-1:对图像进行高斯滤波,滤除噪声;
步骤4-2:将滤波后的图像与背景图像作差分,获得差分图像;对其进行二值化,大津阈值法获取阈值,得到运动区域的二值图像;
步骤4-3:对步骤4-2获得的二值图像进行闭运算,获得闭运算图像;
步骤4-4:对步骤4-3获取的闭运算图像进行孔洞填充,滤除小面积区域后获得待定的运动前景二值图像。
步骤5:对步骤4获得的前景图像的每个前景点进行邻域判断,消除误检的静止背景,获得修正的运动前景图像;
步骤5-1:对步骤4中的运动前景图像的每个前景点进行分析;这里假设滴虫不会凭空出现在视野中,应是从相邻区域移动来的;若上一帧图像的运动前景中以该点为中心,半径为5的方形邻域中没有任何运动前景点,则当前图像该点检测为前景的原因是由于光照变化和镜头移动等因素造成的误检,将该点重新分配为背景点;
如下式所示,M(m,n,k-1)为当前前景像素在上一图像的前景图像中它的邻域像素,若邻域内无前景像素则重新分配为背景
步骤5-2:统计步骤5-1中每个重新分类为背景的前景点的重分配次数。
步骤6:对步骤5获得的运动前景图像每个前景点进行时间判断,进一步消除静止的背景;
步骤6-1:统计每一个图像像素点成为前景区域的连续时间;
步骤6-2:步骤6-1中前景图像剩余前景点的连续次数如果超过10帧,说明该点为误检的静止背景,将该点重新分配为背景点;
步骤6-3:统计步骤6-2中每个重新分类为背景的前景点的重分配次数。
步骤7:对步骤5和步骤6重新划分为背景的前景点进行误分配分析,恢复漏检的运动滴虫区域;
步骤7-1:统计所有背景像素点的重分配次数;
步骤7-2:若统计次数超过10次,则为运动滴虫被误分配为背景;重新分配为前景点;
步骤8:根据步骤7获得的前景运动图像,以不同的更新速率更新背景图像,获得新的背景图像;
对最终的前景区域以一定系数更新,对背景区域以一定系数更新,获得新的背景图像;如下式所示,B(i,j,k)为当前图像背景,B(i,j,k+1)为新生成的背景,I(i,j,k)为当前提取的图像,M(i,j,k)为最终获取的运动前景二值图像;β为背景更新系数,α为前景更新系数;
B(i,j,k+1)=B(i,j,k)+g(k)*(I(i,j,k)-B(i,j,k)) (公式8-1)
g(k)=β*(1-M(i,j,k))+α*M(i,j,k) (公式8-2)
步骤9:当前图像与步骤8获得的背景图像差分,阈值选取获得运动前景图像;对其进行连通区域标记,根据面积、外界矩形长宽、圆形度和离心率等形态学特征识别运动滴虫,统计滴虫个数。
步骤9-1:将当前图像与步骤8中获取的新背景进行差分,获得差分图像;对其进行二值化,获得二值图像;
步骤9-2:对步骤9-1获取的二值图像进行连通区域标记;
步骤9-3:计算每个连通区域的面积,保留面积在一定范围的区域;
步骤9-4:计算剩余每个连通区域的长宽,保留长宽比满足一定条件的区域;
步骤9-5:计算剩余每个连通区域的圆形度,保留圆形度满足一定条件的区域,计算离心率,保留离心率满足一定条件的区域;
步骤9-6:统计剩余连通区域的个数即滴虫数量,并在图像上标记出滴虫区域。
Claims (7)
1.一种基于运动目标识别的白带滴虫自动检测的方法,该方法包括:
步骤1:将白带样本涂抹至载玻片上,放至显微镜下,获取最佳拍摄距离并保持固定;
步骤2:使用显微镜相机采集同一视野下连续的清晰的样本图像序列;
步骤3:将步骤2中图像序列的第一张图像作为Kalman背景重建法中的背景图像;
步骤4:提取步骤2中采集的后续图像,将当前的后续图像与背景图像差分后获得差分图像,根据差分图像得到待定的运动前景图像;
步骤5:对步骤4获得的前景图像的每个前景点进行邻域判断,消除误检的静止背景,获得修正的运动前景图像;
步骤6:对步骤5获得的运动前景图像每个前景点进行时间判断,进一步消除静止的背景;
步骤7:对步骤5和步骤6重新划分为背景的前景点进行误分配分析,恢复漏检的运动滴虫区域;
步骤8:根据步骤7获得的前景运动图像,以不同的更新速率更新背景图像,获得新的背景图像;
对最终的前景区域以一定系数更新,对背景区域以一定系数更新,获得新的背景图像;如下式所示,B(i,j,k)为当前图像背景,B(i,j,k+1)为新生成的背景,I(i,j,k)为当前提取的图像,M(i,j,k)为最终获取的运动前景二值图像;β为背景更新系数,α为前景更新系数;
B(i,j,k+1)=B(i,j,k)+g(k)*(I(i,j,k)-B(i,j,k)) (公式8-1)
g(k)=β*(1-M(i,j,k))+α*M(i,j,k) (公式8-2)
步骤9:当前图像与步骤8获得的背景图像差分,阈值选取获得运动前景图像;对其进行连通区域标记,根据面积、外界矩形长宽、圆形度和离心率等形态学特征识别运动滴虫,统计滴虫个数。
2.如权利要求1所述的一种基于运动目标识别的白带滴虫自动检测的方法,其特征在于所述步骤3的具体步骤为:
步骤3-1:提取图像序列的第一张图像;
步骤3-2:对图像进行高斯滤波,使用半径为10的圆形邻域,参数σ等于2,滤除噪声,获得背景图像。
3.如权利要求1所述的一种基于运动目标识别的白带滴虫自动检测的方法,其特征在于步骤4的具体步骤为:
步骤4-1:对图像进行高斯滤波,滤除噪声;
步骤4-2:将滤波后的图像与背景图像作差分,获得差分图像;对其进行二值化,大津阈值法获取阈值,得到运动区域的二值图像;
步骤4-3:对步骤4-2获得的二值图像进行闭运算,获得闭运算图像;
步骤4-4:对步骤4-3获取的闭运算图像进行孔洞填充,滤除小面积区域后获得待定的运动前景二值图像。
4.如权利要求1所述的一种基于运动目标识别的白带滴虫自动检测的方法,其特征在于步骤5的具体步骤为:
步骤5-1:对步骤4中的运动前景图像的每个前景点进行分析;这里假设滴虫不会凭空出现在视野中,应是从相邻区域移动来的;若上一帧图像的运动前景中以该点为中心,半径为5的方形邻域中没有任何运动前景点,则当前图像该点检测为前景的原因是由于光照变化和镜头移动等因素造成的误检,将该点重新分配为背景点;
如下式所示,M(m,n,k-1)为当前前景像素在上一图像的前景图像中它的邻域像素,若邻域内无前景像素则重新分配为背景
步骤5-2:统计步骤5-1中每个重新分类为背景的前景点的重分配次数。
5.如权利要求1所述的一种基于运动目标识别的白带滴虫自动检测的方法,其特征在于步骤6的具体步骤为:
步骤6-1:统计每一个图像像素点成为前景区域的连续时间;
步骤6-2:步骤6-1中前景图像剩余前景点的连续次数如果超过10帧,说明该点为误检的静止背景,将该点重新分配为背景点;
步骤6-3:统计步骤6-2中每个重新分类为背景的前景点的重分配次数。
6.如权利要求1所述的一种基于运动目标识别的白带滴虫自动检测的方法,其特征在于步骤7的具体步骤为:
步骤7-1:统计所有背景像素点的重分配次数;
步骤7-2:若统计次数超过10次,则为运动滴虫被误分配为背景;重新分配为前景点。
7.如权利要求1所述的一种基于运动目标识别的白带滴虫自动检测的方法,其特征在于步骤9的具体步骤为:
步骤9-1:将当前图像与步骤8中获取的新背景进行差分,获得差分图像;对其进行二值化,获得二值图像;
步骤9-2:对步骤9-1获取的二值图像进行连通区域标记;
步骤9-3:计算每个连通区域的面积,保留面积在一定范围的区域;
步骤9-4:计算剩余每个连通区域的长宽,保留长宽比满足一定条件的区域;
步骤9-5:计算剩余每个连通区域的圆形度,保留圆形度满足一定条件的区域,计算离心率,保留离心率满足一定条件的区域;
步骤9-6:统计剩余连通区域的个数即滴虫数量,并在图像上标记出滴虫区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610844169.4A CN106483129B (zh) | 2016-09-23 | 2016-09-23 | 一种基于运动目标识别的白带滴虫自动检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610844169.4A CN106483129B (zh) | 2016-09-23 | 2016-09-23 | 一种基于运动目标识别的白带滴虫自动检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106483129A true CN106483129A (zh) | 2017-03-08 |
CN106483129B CN106483129B (zh) | 2019-06-21 |
Family
ID=58267264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610844169.4A Active CN106483129B (zh) | 2016-09-23 | 2016-09-23 | 一种基于运动目标识别的白带滴虫自动检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106483129B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527028A (zh) * | 2017-08-18 | 2017-12-29 | 深圳乐普智能医疗器械有限公司 | 目标细胞识别方法、装置及终端 |
CN108109120A (zh) * | 2017-12-18 | 2018-06-01 | 凌云光技术集团有限责任公司 | 一种点阵二维码的光照补偿方法及装置 |
CN108305270A (zh) * | 2018-03-19 | 2018-07-20 | 河南工业大学 | 一种基于手机拍照的仓储粮虫计数系统及方法 |
CN108961304A (zh) * | 2017-05-23 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 识别视频中运动前景的方法和确定视频中目标位置的方法 |
CN109142356A (zh) * | 2018-08-06 | 2019-01-04 | 王鲁生 | 一种白带显微图像菌丝自动识别设备及方法 |
CN116630867A (zh) * | 2023-07-25 | 2023-08-22 | 深圳市美侨医疗科技有限公司 | 一种基于Mask R-CNN的白带滴虫检测与跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8189049B2 (en) * | 2009-01-22 | 2012-05-29 | Hitachi Kokusai Electric Inc. | Intrusion alarm video-processing device |
CN104282020A (zh) * | 2014-09-22 | 2015-01-14 | 中海网络科技股份有限公司 | 一种基于目标运动轨迹的车辆速度检测方法 |
CN104952256A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种基于视频信息的交叉口处车辆的检测方法 |
-
2016
- 2016-09-23 CN CN201610844169.4A patent/CN106483129B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8189049B2 (en) * | 2009-01-22 | 2012-05-29 | Hitachi Kokusai Electric Inc. | Intrusion alarm video-processing device |
CN104282020A (zh) * | 2014-09-22 | 2015-01-14 | 中海网络科技股份有限公司 | 一种基于目标运动轨迹的车辆速度检测方法 |
CN104952256A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种基于视频信息的交叉口处车辆的检测方法 |
Non-Patent Citations (2)
Title |
---|
夏梁 等: "基于卡尔曼滤波的背景更新算法", 《电脑知识与技术》 * |
罗寰 等: "轨迹预测在红外多目标跟踪中的应用", 《红外与激光工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961304A (zh) * | 2017-05-23 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 识别视频中运动前景的方法和确定视频中目标位置的方法 |
CN107527028A (zh) * | 2017-08-18 | 2017-12-29 | 深圳乐普智能医疗器械有限公司 | 目标细胞识别方法、装置及终端 |
CN107527028B (zh) * | 2017-08-18 | 2020-03-24 | 深圳乐普智能医疗器械有限公司 | 目标细胞识别方法、装置及终端 |
CN108109120A (zh) * | 2017-12-18 | 2018-06-01 | 凌云光技术集团有限责任公司 | 一种点阵二维码的光照补偿方法及装置 |
CN108109120B (zh) * | 2017-12-18 | 2020-09-08 | 凌云光技术集团有限责任公司 | 一种点阵二维码的光照补偿方法及装置 |
CN108305270A (zh) * | 2018-03-19 | 2018-07-20 | 河南工业大学 | 一种基于手机拍照的仓储粮虫计数系统及方法 |
CN109142356A (zh) * | 2018-08-06 | 2019-01-04 | 王鲁生 | 一种白带显微图像菌丝自动识别设备及方法 |
CN116630867A (zh) * | 2023-07-25 | 2023-08-22 | 深圳市美侨医疗科技有限公司 | 一种基于Mask R-CNN的白带滴虫检测与跟踪方法 |
CN116630867B (zh) * | 2023-07-25 | 2023-11-17 | 深圳市美侨医疗科技有限公司 | 一种基于Mask R-CNN的白带滴虫检测与跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106483129B (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106483129B (zh) | 一种基于运动目标识别的白带滴虫自动检测的方法 | |
CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN106780537B (zh) | 一种基于图像处理的方格蔟蚕茧筛选装置及方法 | |
CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
Savkare et al. | Automatic detection of malaria parasites for estimating parasitemia | |
Madhloom et al. | An image processing application for the localization and segmentation of lymphoblast cell using peripheral blood images | |
Zhai et al. | Automatic identification of mycobacterium tuberculosis from ZN-stained sputum smear: Algorithm and system design | |
Salem et al. | A comparative study of white blood cells segmentation using otsu threshold and watershed transformation | |
CN111462075B (zh) | 一种全切片数字病理图像模糊区域的快速重聚焦方法及系统 | |
Mohan et al. | Video image processing for moving object detection and segmentation using background subtraction | |
Faridi et al. | An automatic system for cell nuclei pleomorphism segmentation in histopathological images of breast cancer | |
CN112489060B (zh) | 一种用于肺炎病灶分割的系统及方法 | |
CN103077386A (zh) | 一种级联的视频流虹膜图像质量检测方法 | |
CN107122597B (zh) | 一种角膜受损智能诊断系统 | |
CN111047577B (zh) | 一种畸形尿红细胞分类统计方法与系统 | |
CN110632069B (zh) | 循环肿瘤细胞检测方法、装置、设备及介质 | |
CN111079620A (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN118447499A (zh) | 基于图像识别的呼吸道检查结果判读方法及系统 | |
CN109967143B (zh) | 一种基于微流控显微系统的细胞大小检测方法 | |
WO2016189469A1 (en) | A method for medical screening and a system therefor | |
CN104036231A (zh) | 人体躯干识别装置及方法、终点影像检测方法、装置 | |
CN105241811A (zh) | 多层次聚焦自动采图方法与系统 | |
CN111709919B (zh) | 玻璃缺陷视觉检测算法 | |
Ahmed et al. | High speed detection of optical disc in retinal fundus image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |