CN107492088B - 一种妇科显微图像中白细胞自动识别与统计方法 - Google Patents
一种妇科显微图像中白细胞自动识别与统计方法 Download PDFInfo
- Publication number
- CN107492088B CN107492088B CN201610401527.4A CN201610401527A CN107492088B CN 107492088 B CN107492088 B CN 107492088B CN 201610401527 A CN201610401527 A CN 201610401527A CN 107492088 B CN107492088 B CN 107492088B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- white blood
- blood cells
- cell
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明一种妇科显微图像中白细胞自动识别与统计方法,首先将彩色图像转换成灰度图像,利用图像分割方法得到白细胞的模板,将模板与灰度图像进行与操作,然后分割出每个小区域,利用白细胞的圆度、外接矩形长宽比、面积和细胞核占细胞的比例实现对白细胞的识别。我们的方法实现了自动识别与统计,满足临床要求,代替了人工检测以及利用细胞染色进行的细胞识别,大大节省了人力物力。
Description
技术领域
本发明涉及一种妇科显微图像中白细胞自动识别与统计方法。
背景技术
细胞图像处理是数字图像处理技术在医学领域的典型应用,但是由于细胞图像的复杂性,当前主要依赖人工阅片,由医师肉眼观察,从数目众多的细胞中寻找若干病变细胞。长时间的高强度观察工作极易使人疲劳,而且要求医师具有丰富的临床经验和全面的病理分析专业知识,诊断结果的准确性和可靠性受到医师主观因素的影响,加之医师资源不足、外部观察条件不一致、不可避免的系统误差等,最终诊断结果往往表现出较高的误诊率。
要改善上述种种问题,除了提高细胞制片技术外,就是引入计算机自动辅助诊断系统,应用计算机技术,尤其是图像处理和模式识别技术,对由显微成像设备采集的细胞数字图像进行自动分析、处理,有效地将病理学专家的诊断经验与计算机系统的精确计算和快速处理能力结合起来,实现对细胞图像的识别和诊断。这将有效降低病理医师的劳动强度和工作量,避免人工操作中的主观因素的影响,为病变细胞的诊断提供方便快捷、省时省力且可靠的技术手段。
目前,针对医学显微细胞自动检测,学者们提出了多种解决方案。
哈尔滨工程大学张立伟在其2008年发表的硕士论文《白细胞显微图像分类研究》中通过对瑞氏染色处理后对血液标本中的白细胞进行分类识别,但是染色过程操作复杂,耗时耗力,染色剂更是对环境有污染。
南昌大学硕士研究生徐露在其2014年发表的硕士论文《医学显微细胞图像分割算法及荧光强度提取研究》中针对强粘连巨噬细胞的分割提出了一种改进的分水岭混合分割算法,该方法结合了灰度级形态学腐蚀膨胀操作、顶帽变换和底帽变换、H-极小值变换以及分水岭变换,在欠分割和过分割问题上有很大的改进,实现了强粘连巨噬细胞的有效分割。
David Nam等人在“A Novel Framework for Segmentation of SecretoryGranules in Electron Micrographs. Medical Image Analysis 18 (2014) 411–424.”中针对胰岛β细胞内的胰岛素颗粒的检测分析,提出了一种基于新颖水平集的核心分割以及基于形态学操作和混合向量场卷积主动轮廓的膜分割算法。
Elena Bernardis等人在“Pop out many small structures from a very largemicroscopic image. Medical Image Analysis 15 (2011) 690–707.”中针对医学图像中由目标结构复杂性引起的分割粒度和医学图像太大导致的分割复杂性,提出了一种可约束的光谱图分割框架方法,该方法在较大的医学图像中分割小的目标结果优于其他算法。
南昌航空大学李文辉在2013年发表的论文“盐水白带细胞显微图像识别的关键技术研究”中利用水平集主动轮廓模型分割方法对白细胞进行分割,该模型对弱边缘具有很好的分割结果,但是收敛较慢,如果一幅图像中有多个白细胞,检测速度较慢,不能满足临床要求。
发明内容
为解决以上技术上的不足,本发明提供了一种妇科显微图像中白细胞自动识别与统计方法。
解决上述技术问题,通过以下技术方案实现:
一种妇科显微图像中白细胞自动识别与统计方法,包括以下步骤:
步骤1,将彩色图像进行灰度化;
步骤2,利用图像分割技术得到白细胞的掩模图像;
步骤3,将灰度图像与白细胞的掩模进行与操作;
步骤4,将步骤3得到的图像分别切割出每一个成分区域,计算最小外接矩形的长宽比和成分的圆度,取长宽比小于1.25并且圆度大于0.76的区域;
步骤5,计算步骤4得到的成分的平均灰度,经统计得到比背景的平均灰度大65,则为第一类白细胞;
步骤6,对步骤3得到图像分别切割出的每一个成分区域,计算细胞成分的面积,并利用大津法对其进行二值化,然后用5*5的模板进行中值滤波,计算此时的面积则为细胞质的面积,利用细胞成分的面积和细胞质的面积计算细胞的细胞核占细胞的比例值,若比例值在0.35~1之间,则为第二类白细胞;
步骤7,统计步骤5和步骤6得到的图像中的白细胞的数量并求和,则得到白细胞的数量。
上述步骤2中,利用图像分割技术得到白细胞的掩模具体步骤如下:
第一步:利用Sobel算子进行边缘检测,将边缘检测后的图像与灰度图像相加,实现图像中各待检测成分的边缘增强;
第二步:利用大津法对图像进行操作,得到二值化图像;
第三步:对上皮细胞的掩模图像进行取反;
第四步:第二步和第三步的图像进行与操作,得到除上皮细胞的背景中的各成分;
第五步:删掉面积小于1500和面积大于5000的区域,然后进行腐蚀操作和模板为11*11的中值滤波,此时的图像则为白细胞的掩模图像。
上述第三步中,获得上皮细胞的掩模图像具体步骤如下:
第一步:利用Sobel算子进行边缘检测,将边缘检测后的图像与灰度图像相加,实现图像中各待检测成分的边缘增强;
第二步:进行均值滤波,对图像进行平滑,去除图像中的噪声;
第三步:利用大津法对图形进行二值化,实现背景与背景中的待检测成分初步分割,此时待检测成分边缘保留的比较完整;
第四步:对二值化后的图像进行图像形态学的膨胀操作,此时待检测成分的边缘都是连通的;
第五步:对第四步后的图像填充空洞,然后中值滤波,此时的二值化图像是除去背景的各个成分的掩模;
第六步:对第五步后的图像进行面积滤波,去掉小面积,保留大面积,此时的二值化图像是正常上皮细胞和线索细胞的掩模。
上述步骤4中,圆度计算公式如下:
本发明妇科显微图像中白细胞自动识别与统计方法有益效果是:实现了自动识别与统计,满足临床要求,代替了人工检测以及利用细胞染色进行的细胞识别,大大节省了人力物力。避免人工操作中的主观因素的影响,为病变细胞的诊断提供方便快捷、省时省力且可靠的技术手段。
附图说明
图1中图A1、A2、A3、A4、A5、A6是包含白细胞的原图像;
图2中图B1、B2、B3、B4、B5、B6是图1中各图像的相应灰度图像;
图3中图C1、C2、C3、C4、C5、C6是图2中各图像的相应去除背景和大面积细胞后的图像;
图4中图D1、D2、D3、D4、D5、D6是图3中各图像相应的分割结果为白细胞的图像。
具体实施方式
下面结合附图对本发明做进一步详细的描述:
本发明的妇科显微图像中白细胞自动识别与统计方法,首先将彩色图像转换成灰度图像,利用图像分割方法得到白细胞的模板,将模板与灰度图像进行与操作,然后分割出每个小区域,利用白细胞的圆度、外接矩形上宽比、面积和细胞核占细胞的比例实现对白细胞的识别。
本发明具体实施方式如下:一种妇科显微图像中白细胞自动识别与统计方法,包括以下步骤:
步骤1,将彩色图像进行灰度化(如图2所示);
步骤2,利用图像分割技术得到白细胞的掩模图像:
第一步:利用Sobel算子进行边缘检测,将边缘检测后的图像与灰度图像相加,实现图像中各待检测成分的边缘增强;
第二步:利用大津法对图像进行操作,得到二值化图像;
第三步:对上皮细胞的掩模图像进行取反:
上皮细胞的掩膜图像获取步骤如下:
第一步:利用Sobel算子进行边缘检测,将边缘检测后的图像与灰度图像相加,实现图像中各待检测成分的边缘增强;
第二步:进行均值滤波,对图像进行平滑,去除图像中的噪声;
第三步:利用大津法对图形进行二值化,实现背景与背景中的待检测成分初步分割,此时待检测成分边缘保留的比较完整;
第四步:对二值化后的图像进行图像形态学的膨胀操作,此时待检测成分的边缘都是连通的;
第五步:对第四步后的图像填充空洞,然后中值滤波,此时的二值化图像是除去背景的各个成分的掩模;
第六步:对第五步后的图像进行面积滤波,去掉小面积,保留大面积,此时的二值化图像是正常上皮细胞和线索细胞的掩模。
上述步骤2中的第四步:第二步和第三步的图像进行与操作,得到除上皮细胞的背景中的各成分;
上述步骤2中的第五步:删掉面积小于1500和面积大于5000的区域,然后进行腐蚀操作和模板为11*11的中值滤波,此时的图像则为白细胞的掩模图像;
步骤3,将灰度图像与白细胞的掩模进行与操作(如图3所示);
步骤4,将步骤3得到的图像分别切割出每一个成分区域,计算最小外接矩形的长宽比和成分的圆度,取长宽比小于1.25并且圆度大于0.76的区域:
圆度的计算公式如下:
步骤5,计算步骤4得到的成分的平均灰度,经统计得到比背景的平均灰度大65,则为第一类白细胞;
步骤6,对步骤3得到图像分别切割出的每一个成分区域,计算细胞成分的面积,并利用大津法对其进行二值化,然后用5*5的模板进行中值滤波,计算此时的面积则为细胞质的面积,利用细胞成分的面积和细胞质的面积计算细胞的细胞核占细胞的比例值,若比例值在0.35~1之间,则为第二类白细胞;
步骤7,统计步骤5和步骤6得到的图像中的白细胞(如图4所示)的数量并求和,则得到白细胞的数量。
上面结合附图对本发明进行了示例性描述,显然本发明的具体实现并不受上述实施方式的限制。本领域技术人员可在不偏离本发明技术构思的前提下,对本发明作出各种修改或变型,这些修改或变型当然也落入本发明的保护范围之内。
Claims (4)
1.一种妇科显微图像中白细胞自动识别与统计方法,其特征在于,包括以下步骤:
步骤1,将彩色图像进行灰度化;
步骤2,利用图像分割技术得到白细胞的掩模图像;
步骤3,将灰度图像与白细胞的掩模图像进行与操作;
步骤4,将步骤3得到的图像分别切割出每一个成分区域,计算最小外接矩形的长宽比和成分的圆度,取长宽比小于1.25并且圆度大于0.76的区域;
步骤5,计算步骤4得到的成分的平均灰度,经统计得到比背景的平均灰度大65,则为第一类白细胞;
步骤6,对步骤3得到图像分别切割出的每一个成分区域,计算细胞成分的面积,并利用大津法对其进行二值化,然后用5*5的模板进行中值滤波,计算此时的面积则为细胞质的面积,利用细胞成分的面积和细胞质的面积计算细胞的细胞核占细胞的比例值,若比例值在0.35~1之间,则为第二类白细胞;
步骤7,统计步骤5和步骤6得到的图像中的白细胞的数量并求和,则得到白细胞的数量。
2.根据权利要求1所述的妇科显微图像中白细胞自动识别与统计方法,其特征在于:所述步骤2中,利用图像分割技术得到白细胞的掩模具体步骤如下:
第一步:利用Sobel算子进行边缘检测,将边缘检测后的图像与灰度图像相加,实现图像中各待检测成分的边缘增强;
第二步:利用大津法对图像进行操作,得到二值化图像;
第三步:对上皮细胞的掩模图像进行取反;
第四步:将第二步和第三步的图像进行与操作,得到除上皮细胞的背景中的各成分;
第五步:删掉面积小于1500和面积大于5000的区域,然后进行腐蚀操作和模板为11*11的中值滤波,此时的图像则为白细胞的掩模图像。
3.根据权利要求2所述的妇科显微图像中白细胞自动识别与统计方法,其特征在于:所述第三步中,获得上皮细胞的掩模图像具体步骤如下:
第一步:利用Sobel算子进行边缘检测,将边缘检测后的图像与灰度图像相加,实现图像中各待检测成分的边缘增强;
第二步:进行均值滤波,对图像进行平滑,去除图像中的噪声;
第三步:利用大津法对图形进行二值化,实现背景与背景中的待检测成分初步分割,此时待检测成分边缘保留的比较完整;
第四步:对二值化后的图像进行图像形态学的膨胀操作,此时待检测成分的边缘都是连通的;
第五步:对第四步后的图像填充空洞,然后中值滤波,此时的二值化图像是除去背景的各个成分的掩模;
第六步:对第五步后的图像进行面积滤波,去掉小面积,保留大面积,此时的二值化图像是正常上皮细胞和线索细胞的掩模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610401527.4A CN107492088B (zh) | 2016-06-11 | 2016-06-11 | 一种妇科显微图像中白细胞自动识别与统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610401527.4A CN107492088B (zh) | 2016-06-11 | 2016-06-11 | 一种妇科显微图像中白细胞自动识别与统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107492088A CN107492088A (zh) | 2017-12-19 |
CN107492088B true CN107492088B (zh) | 2020-12-04 |
Family
ID=60641843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610401527.4A Active CN107492088B (zh) | 2016-06-11 | 2016-06-11 | 一种妇科显微图像中白细胞自动识别与统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107492088B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030434B (zh) * | 2018-06-20 | 2021-08-27 | 天津大学 | 一种基于Android平台的真菌毒素含量检测方法 |
CN109117937B (zh) * | 2018-08-16 | 2022-03-22 | 杭州电子科技大学信息工程学院 | 一种基于连通面积相减的白细胞图像处理方法及系统 |
CN109377486B (zh) * | 2018-10-15 | 2020-11-06 | 易普森智慧健康科技(深圳)有限公司 | 一种宫颈液基细胞有效图像的判别方法及系统 |
CN110148126B (zh) * | 2019-05-21 | 2021-01-29 | 闽江学院 | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 |
CN110322465B (zh) * | 2019-06-29 | 2020-12-25 | 东南大学苏州医疗器械研究院 | 肿瘤微球的轮廓检测方法及装置 |
CN110398182B (zh) * | 2019-07-04 | 2022-02-01 | 西人马帝言(北京)科技有限公司 | 自动报靶系统、方法、设备及介质 |
CN111862004B (zh) * | 2020-06-30 | 2023-08-29 | 江西中医药大学 | 基于细胞荧光图像的肿瘤细胞表型识别计数方法 |
CN112750118B (zh) * | 2021-01-18 | 2022-10-11 | 中南大学 | 一种基于自动视觉检测的单细胞孔板测序中鉴定细胞个数的新方法及系统 |
CN112906639B (zh) * | 2021-03-19 | 2024-02-20 | 北京科技大学 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
CN113158979B (zh) * | 2021-05-14 | 2022-05-31 | 山东仕达思生物产业有限公司 | 一种妇科显微图像大视野下白细胞的检测识别方法 |
CN113723505B (zh) * | 2021-08-30 | 2024-04-23 | 上海大学 | 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044069A (zh) * | 2010-12-01 | 2011-05-04 | 华中科技大学 | 一种白细胞图像分割方法 |
CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN104732524A (zh) * | 2015-02-07 | 2015-06-24 | 嘉善加斯戴克医疗器械有限公司 | 血液白细胞显微图像的随机权网络分割方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0302114D0 (sv) * | 2003-07-21 | 2003-07-21 | Cellavision Ab | Sätt att urskilja en objektkontur |
US20130094750A1 (en) * | 2011-10-12 | 2013-04-18 | Tolga Tasdizen | Methods and systems for segmentation of cells for an automated differential counting system |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
CN103345654B (zh) * | 2013-06-25 | 2017-02-08 | 苏州创继生物科技有限公司 | 一种基于形态学分类计数白细胞的方法 |
CN103914843B (zh) * | 2014-04-04 | 2018-04-03 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
CN104156951B (zh) * | 2014-07-30 | 2017-06-16 | 电子科技大学 | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 |
CN104751461B (zh) * | 2015-03-29 | 2018-12-14 | 迈克医疗电子有限公司 | 一种基于直方图阈值及低秩表示的白细胞细胞核分割方法 |
-
2016
- 2016-06-11 CN CN201610401527.4A patent/CN107492088B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044069A (zh) * | 2010-12-01 | 2011-05-04 | 华中科技大学 | 一种白细胞图像分割方法 |
CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN104732524A (zh) * | 2015-02-07 | 2015-06-24 | 嘉善加斯戴克医疗器械有限公司 | 血液白细胞显微图像的随机权网络分割方法 |
Non-Patent Citations (3)
Title |
---|
Automatic Segmentation, Counting, Size Determination and Classification of White Blood Cells;Sedat Nazlibilek等;《Measurement》;20141231;第1-11页 * |
CHRONIC LYMPHOCYTIC LEUKEMIA CELL SEGMENTATION FROM MICROSCOPIC BLOOD IMAGES USING WATERSHED ALGORITHM AND OPTIMAL THRESHOLDING;Emad A.Mohammed等;《2013 26th IEEE Canadian Conference Of Electrical And Computer Engineering (CCECE)》;20131231;第1-5页 * |
妇科医学显微图像中乳酸杆菌的检测和统计分析;郭玉坤等;《数据采集与处理》;20150915;第1062-1069页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107492088A (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107492088B (zh) | 一种妇科显微图像中白细胞自动识别与统计方法 | |
Jiang et al. | A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering | |
Bejnordi et al. | Automated detection of DCIS in whole-slide H&E stained breast histopathology images | |
CN107274386B (zh) | 一种宫颈细胞液基涂片人工智能辅助阅片系统 | |
Win et al. | Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding | |
Pan et al. | An accurate nuclei segmentation algorithm in pathological image based on deep semantic network | |
CN107316311B (zh) | 细胞核图像轮廓捕获设备及其方法 | |
CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
Alreza et al. | Design a new algorithm to count white blood cells for classification leukemic blood image using machine vision system | |
CN111402267A (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
Apou et al. | Detection of lobular structures in normal breast tissue | |
Jagadeesh et al. | Image processing based approach to cancer cell prediction in blood samples | |
John et al. | A novel approach for detection and delineation of cell nuclei using feature similarity index measure | |
Mahanta et al. | Cervix cancer diagnosis from pap smear images using structure based segmentation and shape analysis | |
Anari et al. | Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma | |
CN110060246B (zh) | 一种图像处理方法、设备及存储介质 | |
Tomari et al. | Red blood cell counting analysis by considering an overlapping constraint | |
Chen et al. | Automatic image segmentation and classification based on direction texton technique for hemolytic anemia in thin blood smears | |
WO2014006421A1 (en) | Identification of mitotic cells within a tumor region | |
Rahmadwati et al. | Computer aided decision support system for cervical cancer classification | |
CN111311628A (zh) | 一种全自动高性能白细胞分割方法 | |
CN111429461B (zh) | 一种新型的重叠脱落上皮细胞分割方法 | |
Fatonah et al. | Automatic leukemia cell counting using iterative distance transform for convex sets | |
CN115937188A (zh) | 一种基于改进的YOLOv5和EfficientNet的细胞病理图像异常检测方法 | |
Cui et al. | Self-adjusting nuclei segmentation (SANS) of Hematoxylin-Eosin stained histopathological breast cancer images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 266000 No.77 Keyun Road, high tech Zone, Qingdao, Shandong Province Patentee after: QINGDAO HUAJING BIOLOGICAL TECHNOLOGY Co.,Ltd. Address before: 266000 Room 101, building 1, Hongchen logistics, Nanwan community, Jihongtan street, Chengyang District, Qingdao City, Shandong Province Patentee before: QINGDAO HUAJING BIOLOGICAL TECHNOLOGY Co.,Ltd. |
|
CP02 | Change in the address of a patent holder |