CN106980860A - 一种用于液体介质交叉配血的结果自动判读方法 - Google Patents
一种用于液体介质交叉配血的结果自动判读方法 Download PDFInfo
- Publication number
- CN106980860A CN106980860A CN201710224321.3A CN201710224321A CN106980860A CN 106980860 A CN106980860 A CN 106980860A CN 201710224321 A CN201710224321 A CN 201710224321A CN 106980860 A CN106980860 A CN 106980860A
- Authority
- CN
- China
- Prior art keywords
- liquid medium
- cross matching
- target area
- medium cross
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/80—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood groups or blood types or red blood cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Hematology (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Urology & Nephrology (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Biotechnology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Microbiology (AREA)
- Evolutionary Biology (AREA)
- Cell Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种用于液体介质交叉配血的结果自动判读方法,计算可反映交叉配血相合与否的灰度平均值、灰度标准差和粒子出现频率,然后通过向量机学习方法,求得三个参数与评估分数及分类的非线性函数关系,并将待判读样本的灰度平均值、灰度标准差和粒子频率输入所得函数,计算输出待判读样本的分数及分类,得到结果。本发明实现液体介质交叉配血结果的自动判读,与传统人工相比,该自动判读方法具有判读结果准确度高,速度快,重复性好等多个优点,可极大提高工作效率。该自动判读方法可通过对判读样本的学习,不断自我完善,与传统人工相比,该自动判读方法的判读结果准确度高,速度快,重复性好,因此可完全替代人工操作,极大提高工作效率。
Description
技术领域
本发明涉及血液分析设备领域,更具体地,涉及一种用于液体介质交叉配血的结果自动判读方法。
背景技术
交叉配血是保证输血安全、提高输血质量和减少不良反应的重要终末环节,在输血实践中具有不可替代的作用。目前国际上的主流交叉配血技术采用非液体介质,但是,由于我国幅员辽阔人口众多,血型系统与欧美相比更显复杂,此种情况决定了我国交叉配血除了凝胶、玻璃珠等非液体介质外,还需采用盐水、凝聚胺等液体介质,而且该观点已得到多数专家学者的一致认同。在非液体和液体的交叉配血技术中,非液体介质已实现了完全的自动化操作,而液体介质的交叉配血依然采用人工操作。人工操作不仅费时费力,效率低下,而且人为因素无法避免,错误率高,重复性差,严重制约了输血医学的向前发展,究其原因,主要是无法解决生理盐水、凝聚胺等液体介质交叉配血结果的自动化判读,本发明可从根本上提高液体介质交叉配血的结果判读速度和准确性,同时为液体介质交叉配血的完全自动化操作打下坚实的基础。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种用于液体介质交叉配血的结果自动判读方法,实现液体介质交叉配血结果的自动判读,该自动判读方法可模仿人类,不断地自我学习和自我完善。此外,与传统人工相比,该自动判读方法还具有判读结果准确度高,速度快,重复性好等多个优点,可极大提高工作效率。
为解决上述技术问题,本发明的技术方案如下:
一种用于液体介质交叉配血的结果自动判读方法,包括以下步骤:
S1:收集大量已知液体介质交叉配血结果的血样,根据已知结果对血样进行分数评估及分类,建立标准库;
S2:对步骤S1中收集的血样进行液体介质交叉配血,采集液体介质交叉配血反应区域图像,在反应区域图像中选取目标区域图像,计算该目标区域图像的灰度平均值灰度标准差σ和粒子出现频率fren;
S3:将步骤S2中得到的灰度平均值灰度标准差σ和粒子出现频率fren三个参数作为输入自变量,评估分数及分类作为输出因变量,通过向量机(SVM)学习方法,得到三个输入自变量与输出因变量非线性函数关系;
S4:对待判读的血样进行液体介质交叉配血,采集液体介质交叉配血反应区域图像,在反应区域图像中选取目标区域图像,计算该目标区域图像的灰度平均值灰度标准差σ和粒子出现频率fren;
S5:根据步骤S4中得到的灰度平均值灰度标准差σ、粒子出现频率fren以及步骤S3中得到的三个输入自变量与输出因变量非线性函数关系,计算得到液体介质交叉配血的判读结果。
在一种优选的方案中,步骤S2中,灰度平均值代表目标区域的总体亮度,设目标区域图像中第i个像素的灰度值为gi,目标区域图像中总共像素个数为n,则有:
当交叉配血不相合时,会出现两种情况,一种是红细胞凝块较大,快速沉入管底,目标区域内澄清,平均灰度值最高;另一种是目标区域内有部分红细胞凝块,此时平均灰度值较低。当交叉配血相合时,目标区域内红细胞均匀悬浮,此时平均灰度值最低。
在一种优选的方案中,步骤S2中,灰度标准差σ代表目标区域灰度的离散程度,设目标区域图像中第i个像素的灰度值为gi,目标区域图像中总共像素个数为n,灰度平均值为则有:
当交叉配血不相合时,会出现两种情况,一种是红细胞凝块较大,快速沉入管底,目标区域内均匀澄清,此时灰度标准差最小,近乎为零;另一种是目标区域内有不均匀的红细胞凝块,此时灰度标准差最大。当交叉配血相合时,目标区域内红细胞均匀悬浮,此时灰度标准差较小。
在一种优选的方案中,步骤S2中,粒子出现频率fren代表目标区域内二值化图像连通域的个数,粒子频率计算过程如下:
T1:对目标区域图像进行高斯(Gaussian)模板图像去噪;
T2:去噪后的图像计算sobel梯度图像;
T3:对sobel梯度图像进行阈值分割得到二值化图像;
T4:统计二值化图像连通域个数,即统计粒子出现的个数np;
T5:计算粒子出现频率其中n为目标区域图像中总共像素个数。
当交叉配血不相合时,会出现两种情况,一种是红细胞凝块较大,快速沉入管底,目标区域内无粒子,此时粒子频率最小,近乎为零,另一种是目标区域内有多个粒子,其中每个单一粒子是由多个红细胞凝结而成,因粒子总数少于红细胞总数,所以此时的粒子频率较小。当交叉配血相合时,目标区域内红细胞均匀悬浮,此时粒子频率最大。
在一种优选的方案中,步骤S2和步骤S4中,通过远心镜头采集液体介质交叉配血反应区域图像,经PGR大靶面相机将光学信号转换成数字信号输入PC端,软件分析并选择最佳目标区域,并以对应的数字信号为基础,依次计算灰度平均值灰度标准差σ和粒子出现频率fren。
在一种优选的方案中,所述方法还包括:根据每次液体介质交叉配血的结果自动判读的结果,对三个输入自变量与输出因变量非线性函数关系进行修正。该自动判读方法可模仿人类,不断地自我学习和自我完善。以此类推,周而复始,不断扩大标准库,使得三个自变量与因变量的非线性函数关系更加完善,从而进一步提高判读结果的准确度。
与现有技术相比,本发明技术方案的有益效果是:一种用于液体介质交叉配血的结果自动判读方法,计算可反映交叉配血相合与否的灰度平均值、灰度标准差和粒子出现频率,然后通过向量机学习方法,求得三个参数与评估分数及分类的非线性函数关系,并将待判读样本的灰度平均值、灰度标准差和粒子频率输入所得函数,计算输出待判读样本的分数及分类,得到结果。本发明实现液体介质交叉配血结果的自动判读,与传统人工相比,该自动判读方法具有判读结果准确度高,速度快,重复性好等多个优点,可极大提高工作效率。该自动判读方法可通过对判读样本的学习,不断自我完善,与传统人工相比,该自动判读方法的判读结果准确度高,速度快,重复性好,因此可完全替代人工操作,极大提高工作效率。
附图说明
图1为本发明用于液体介质交叉配血的结果自动判读方法流程图。
图2为本发明的工作的标准库图。
图3为本发明的反应区域图像。
图4为在反应区域图像中选取目标区域图像的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种用于液体介质交叉配血的结果自动判读方法,包括以下步骤:
S1:收集大量已知液体介质交叉配血结果的血样,根据已知结果对血样进行分数评估及分类,建立工作标准库;
液体介质交叉配血时,如血液不相合,会有两种情况,一是红细胞凝集成大颗粒,震荡混匀后快速沉入管底,此时设置分数为0分,设置分类为0分类;另一种情况是红细胞凝集成细小颗粒,震荡混匀后均匀悬浮于液体中,此时设置分类为40分,设置分类为40分类。当液体介质交叉配血时,如血液相合,则红细胞不会凝集,且均匀悬浮于液体中,此时设置分类为90分以上,设置分类为90以上分类。总之,反应区内无颗粒时,分值最低及分类最小,为零分,当颗粒越多时,则分值越高及分类越大,根据颗粒数目多少不同设置为一系列分数及分类,图2为本发明的工作的标准库图。
S2:对步骤S1中收集的血样进行液体介质交叉配血,采集液体介质交叉配血反应区域图像,在反应区域图像中选取目标区域图像,计算该目标区域图像的灰度平均值灰度标准差σ和粒子出现频率fren;
图3为本发明的反应区域图像。图4为在反应区域图像中选取目标区域图像的示意图。
S3:将步骤S2中得到的灰度平均值灰度标准差σ和粒子出现频率fren三个参数作为输入自变量,评估分数及分类作为输出因变量,通过向量机(SVM)学习方法,得到三个输入自变量与输出因变量非线性函数关系;
S4:对待判读的血样进行液体介质交叉配血,采集液体介质交叉配血反应区域图像,在反应区域图像中选取目标区域图像,计算该目标区域图像的灰度平均值灰度标准差σ和粒子出现频率fren;
S5:根据步骤S4中得到的灰度平均值灰度标准差σ、粒子出现频率fren以及步骤S3中得到的三个输入自变量与输出因变量非线性函数关系,计算得到液体介质交叉配血的判读结果。
所述方法还包括:根据每次液体介质交叉配血的结果自动判读的结果,对三个输入自变量与输出因变量非线性函数关系进行修正。该自动判读方法可模仿人类,不断地自我学习和自我完善。以此类推,周而复始,不断扩大标准库,使得三个自变量与因变量的非线性函数关系更加完善,从而进一步提高判读结果的准确度。
灰度平均值代表目标区域的总体亮度,设目标区域图像中第i个像素的灰度值为gi,目标区域图像中总共像素个数为n,则有:
当交叉配血不相合时,会出现两种情况,一种是红细胞凝块较大,快速沉入管底,目标区域内澄清,平均灰度值最高;另一种是目标区域内有部分红细胞凝块,此时平均灰度值较低。当交叉配血相合时,目标区域内红细胞均匀悬浮,此时平均灰度值最低。
灰度标准差σ代表目标区域灰度的离散程度,设目标区域图像中第i个像素的灰度值为gi,目标区域图像中总共像素个数为n,灰度平均值为则有:
当交叉配血不相合时,会出现两种情况,一种是红细胞凝块较大,快速沉入管底,目标区域内均匀澄清,此时灰度标准差最小,近乎为零;另一种是目标区域内有不均匀的红细胞凝块,此时灰度标准差最大。当交叉配血相合时,目标区域内红细胞均匀悬浮,此时灰度标准差较小。
粒子出现频率fren代表目标区域内二值化图像连通域的个数,粒子频率计算过程如下:
T1:对目标区域图像进行高斯(Gaussian)模板图像去噪;
T2:去噪后的图像计算sobel梯度图像;
T3:对sobel梯度图像进行阈值分割得到二值化图像;
T4:统计二值化图像连通域个数,即统计粒子出现的个数np;
T5:计算粒子出现频率其中n为目标区域图像中总共像素个数。
当交叉配血不相合时,会出现两种情况,一种是红细胞凝块较大,快速沉入管底,目标区域内无粒子,此时粒子频率最小,近乎为零,另一种是目标区域内有多个粒子,其中每个单一粒子是由多个红细胞凝结而成,因粒子总数少于红细胞总数,所以此时的粒子频率较小。当交叉配血相合时,目标区域内红细胞均匀悬浮,此时粒子频率最大。
在步骤S2和步骤S4中,通过远心镜头采集液体介质交叉配血反应区域图像,经PGR大靶面相机将光学信号转换成数字信号输入PC端,软件分析并选择最佳目标区域,并以对应的数字信号为基础,依次计算灰度平均值灰度标准差σ和粒子出现频率fren。
本发明提供一种用于液体介质交叉配血的结果自动判读方法,与传统人工相比,该自动判读方法具有判读结果准确度高,速度快,重复性好等多个优点,可极大提高工作效率。该自动判读方法可通过对判读样本的学习,不断自我完善,与传统人工相比,该自动判读方法的判读结果准确度高,速度快,重复性好,因此可完全替代人工操作,极大提高工作效率。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种用于液体介质交叉配血的结果自动判读方法,其特征在于,包括以下步骤:
S1:收集已知液体介质交叉配血结果的血样,根据已知结果对血样进行分数评估及分类,建立标准库;
S2:对步骤S1中收集的血样进行液体介质交叉配血,采集液体介质交叉配血反应区域图像,在反应区域图像中选取目标区域图像,计算该目标区域图像的灰度平均值灰度标准差σ和粒子出现频率fren;
S3:将步骤S2中得到的灰度平均值灰度标准差σ和粒子出现频率fren三个参数作为输入自变量,评估分数及分类作为输出因变量,通过向量机学习方法,得到三个输入自变量与输出因变量非线性函数关系;
S4:对待判读的血样进行液体介质交叉配血,采集液体介质交叉配血反应区域图像,在反应区域图像中选取目标区域图像,计算该目标区域图像的灰度平均值灰度标准差σ和粒子出现频率fren;
S5:根据步骤S4中得到的灰度平均值灰度标准差σ、粒子出现频率fren以及步骤S3中得到的三个输入自变量与输出因变量非线性函数关系,计算得到液体介质交叉配血的判读结果。
2.根据权利要求1所述的用于液体介质交叉配血的结果自动判读方法,其特征在于,步骤S2中,灰度平均值代表目标区域的总体亮度,设目标区域图像中第i个像素的灰度值为gi,目标区域图像中总共像素个数为n,则有:
3.根据权利要求1所述的用于液体介质交叉配血的结果自动判读方法,其特征在于,步骤S2中,灰度标准差σ代表目标区域灰度的离散程度,设目标区域图像中第i个像素的灰度值为gi,目标区域图像中总共像素个数为n,灰度平均值为则有:
4.根据权利要求1所述的用于液体介质交叉配血的结果自动判读方法,其特征在于,步骤S2中,粒子出现频率fren代表目标区域内二值化图像连通域的个数,粒子频率计算过程如下:
T1:对目标区域图像进行高斯模板图像去噪;
T2:去噪后的图像计算sobel梯度图像;
T3:对sobel梯度图像进行阈值分割得到二值化图像;
T4:统计二值化图像连通域个数,即统计粒子出现的个数np;
T5:计算粒子出现频率其中n为目标区域图像中总共像素个数。
5.根据权利要求1所述的用于液体介质交叉配血的结果自动判读方法,其特征在于,步骤S2和步骤S4中,通过远心镜头采集液体介质交叉配血反应区域图像,经PGR大靶面相机将光学信号转换成数字信号输入PC端,软件分析并选择最佳目标区域,并以对应的数字信号为基础,依次计算灰度平均值灰度标准差σ和粒子出现频率fren。
6.根据权利要求1所述的用于液体介质交叉配血的结果自动判读方法,其特征在于,所述方法还包括:根据每次液体介质交叉配血的结果自动判读的结果,对三个输入自变量与输出因变量非线性函数关系进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710224321.3A CN106980860A (zh) | 2017-04-07 | 2017-04-07 | 一种用于液体介质交叉配血的结果自动判读方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710224321.3A CN106980860A (zh) | 2017-04-07 | 2017-04-07 | 一种用于液体介质交叉配血的结果自动判读方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106980860A true CN106980860A (zh) | 2017-07-25 |
Family
ID=59345062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710224321.3A Pending CN106980860A (zh) | 2017-04-07 | 2017-04-07 | 一种用于液体介质交叉配血的结果自动判读方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106980860A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446353A (zh) * | 2010-09-30 | 2012-05-09 | 广州阳普医疗科技股份有限公司 | 用于血型分析的机器视觉判读方法与装置 |
CN102509106A (zh) * | 2011-10-12 | 2012-06-20 | 重庆大学 | 血浆絮状物的检测方法 |
CN104641234A (zh) * | 2012-07-18 | 2015-05-20 | 赛拉诺斯股份有限公司 | 探察并测定凝集反应的方法 |
CN106127738A (zh) * | 2016-06-16 | 2016-11-16 | 上海荣盛生物药业有限公司 | 凝集试验判读方法 |
-
2017
- 2017-04-07 CN CN201710224321.3A patent/CN106980860A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446353A (zh) * | 2010-09-30 | 2012-05-09 | 广州阳普医疗科技股份有限公司 | 用于血型分析的机器视觉判读方法与装置 |
CN102509106A (zh) * | 2011-10-12 | 2012-06-20 | 重庆大学 | 血浆絮状物的检测方法 |
CN104641234A (zh) * | 2012-07-18 | 2015-05-20 | 赛拉诺斯股份有限公司 | 探察并测定凝集反应的方法 |
CN106127738A (zh) * | 2016-06-16 | 2016-11-16 | 上海荣盛生物药业有限公司 | 凝集试验判读方法 |
Non-Patent Citations (6)
Title |
---|
JAMEELA ALI AKRIMI等: "Classification Red Blood Cells Using Support Vector Machine", 《2014 INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY AND MULTIMEDIA (ICIMU)》 * |
刘君华等: "《智能传感器系统》", 31 May 2010 * |
张影等: "《预测与评价》", 31 May 2015 * |
张文丹: "小波变换及其在ABO血型反定型检测技术中的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
罗刚银: "全自动血型分析系统关键技术的研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
赵少敏: "尿沉渣图像的分割与识别算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarki et al. | Automatic detection of diabetic eye disease through deep learning using fundus images: a survey | |
CN106248559A (zh) | 一种基于深度学习的白细胞五分类方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN106408001A (zh) | 基于深度核哈希的感兴趣区域快速检测方法 | |
CN107292915A (zh) | 基于卷积神经网络的目标跟踪方法 | |
Hiremath et al. | Automatic detection of follicles in ultrasound images of ovaries using edge based method | |
CN106295789A (zh) | 一种基于图像处理的作物种子计数方法 | |
CN110135271A (zh) | 一种细胞分类方法及装置 | |
Ji et al. | Apple grading method based on features of color and defect | |
Xu et al. | Dual-channel asymmetric convolutional neural network for an efficient retinal blood vessel segmentation in eye fundus images | |
Pan et al. | A Novel Combinational Convolutional Neural Network for Automatic Food-Ingredient Classification. | |
Yang et al. | RADCU-Net: Residual attention and dual-supervision cascaded U-Net for retinal blood vessel segmentation | |
CN108564582A (zh) | 一种基于深度神经网络的mri脑肿瘤自动识别方法 | |
Hemalatha et al. | Deep learning approach for segmentation and classification of blood cells using enhanced CNN | |
Sallam et al. | Diabetic retinopathy grading using resnet convolutional neural network | |
Xu et al. | A deep retinal image quality assessment network with salient structure priors | |
CN102636656A (zh) | 一种全自动尿有形成分分析仪的校准方法 | |
Rong et al. | Segmentation of retinal vessels in fundus images based on U-Net with self-calibrated convolutions and spatial attention modules | |
CN106980860A (zh) | 一种用于液体介质交叉配血的结果自动判读方法 | |
Lee et al. | A hardware accelerated system for high throughput cellular image analysis | |
Jung et al. | Feature extraction of non-proliferative diabetic retinopathy using faster R-CNN and automatic severity classification system using random forest method | |
CN105184799A (zh) | 一种改进的无监督脑部肿瘤mri图像分割方法 | |
Gunawan | Automated detection of human blastocyst quality using convolutional neural network and edge detector | |
CN113221761B (zh) | 基于集成式Yolo网络的iPSCs群落检测方法、存储介质及装置 | |
Mustafa et al. | Automated Cell Nuclei Segmentation on Cervical Smear Images Using Structure Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170725 |