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 PDF

Info

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
Application number
CN201710224321.3A
Other languages
English (en)
Inventor
阮建蓉
田应和
顾顺利
黄陆光
阮清源
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.)
Guangzhou Kang Kang Pharmaceutical Co Ltd
Original Assignee
Guangzhou Kang Kang Pharmaceutical Co Ltd
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 Guangzhou Kang Kang Pharmaceutical Co Ltd filed Critical Guangzhou Kang Kang Pharmaceutical Co Ltd
Priority to CN201710224321.3A priority Critical patent/CN106980860A/zh
Publication of CN106980860A publication Critical patent/CN106980860A/zh
Pending legal-status Critical Current

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

一种用于液体介质交叉配血的结果自动判读方法
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：
g ‾ = Σ i n g i n .
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：
σ = Σ i n ( g i - g ‾ ) 2 n - 1 .
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。
CN201710224321.3A 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 Pending CN106980860A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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