CN107832801A - 一种细胞图像分类用模型构建方法 - Google Patents
一种细胞图像分类用模型构建方法 Download PDFInfo
- Publication number
- CN107832801A CN107832801A CN201711180099.8A CN201711180099A CN107832801A CN 107832801 A CN107832801 A CN 107832801A CN 201711180099 A CN201711180099 A CN 201711180099A CN 107832801 A CN107832801 A CN 107832801A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- image set
- group
- mtd
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种细胞图像分类用模型构建方法。针对现有尿沉渣识别技术在真实使用场景中的局限性,尤其是多种类时准确率不高、识别速度不足以应对实际生产需要等方面的问题提出了基于多模型混合识别的尿液有形成分细胞高效分类算法。在本发明中,基于多模型混合识别的尿液有形成分细胞高效分类算法及软件实现的内容包括了四部分:数据预处理、获得训练模型、阈值控制判断后获得识别结果、图片识别与加速。
Description
技术领域
本发明属于深度学习应用研究领域,涉及深层卷积神经网络的多模型混合识别算法以及配套识别软件,可应用于不同型号的尿液检测仪器并可以达到实时的需求。
背景技术
尿液检查以其简便、快捷、标本易得到而成为一项应用广泛的临床检查手段,是当前医院临床常规检测项目之一。
尿液有形成分细胞的种类和形态在一定程度上可以反映出肾脏功能的实质性变化以及某些累计病变的客观表示。而之前很长一段时间里,人们对医学图像的处理都是依靠机器拍摄然后人工挑选的方式,这种方式存在着效率低下、工作强度大、误差随技术人员水平差异大等问题,后来又出现一些基于支持向量机、BP神经网络的方法,在准确率、召回率和识别类别等方面都存在着较大局限。
目前,已经应用于临床的尿液有形成分检测仪的技术主要是两类:一类利用流式细胞技术与电阻抗测量法。其工作原理主要是将待测细胞经特异性荧光染料染色后放入样品管中,在气体的压力下进入充满鞘液的流动室。在鞘液的约束下细胞排成单列由流动室的喷嘴喷出,形成细胞柱,后者与入射的激光束垂直相交,液柱中的细胞被激光激发产生荧光。仪器中的光学系统收集荧光、细胞电阻抗等信号,计算机系统进行收集、储存、显示并分析被测定的各种信号,另一类是利用光镜的形态学检测法,其主要原理是对尿液有形成分切片进行染色后,在光学显微镜下观察各成分的形态,其特点是能检测和准确鉴别尿液中种有在光学显微镜下观察各成分的形态,其特点是能检测和准确鉴别尿液中种有成份,但检测速度相对较慢不易实现自动化与标准。
我们研究的主要是第二种方法,当前主要有以下一些工作。
H.Ressom,D Wang等人在“Ressom H,Wang D,Natarajan P.‘Adaptive doubleself-organizing maps for clustering gene expression profiles[J]’.NeuralNetworks,2003, 16(5):633-640.”中提出了双层分级SOM神经网络来进行模式识别,效果较好,分层分类思想需依据具体模式识别问题不同而会有不同的具体实现方式。
Cheng-Lung Huang等人在”Huang C L,Wang C J.‘A GA-based featureselection and parameters optimization for support vector machines[J]’.ExpertSystems with applications,2006,31(2):231-240”中采用了SVM来进行模式识别,先利用遗传算法选择特征,将被选择好的特征用于SVM的输入,输出为分类的类别,识别准确率令人满意,但识别速度较慢,很难进行实际应用。
秦颖博等人在”秦颖博,孙杰,陈平.‘基于支持向量机的尿液细胞图像识别分类研究[J]’.计算机工程与设计,2013,34(6):2185-2189”中分析和比较了在RGB和 HIS两种不同色彩坐标系统下使用支持向量机对尿液细胞进行识别分类的效果,分析和比较了使用色彩特征参数与空间特征参数进行综合识别分类尿液细胞的效果,提出使用网格搜索交叉验证法对支持向量机的参数进行优化,在尿液细胞识别分类中效果良好,但识别种类较少。
综上所述,现有的尿液有形成分细胞识别技术虽然取得了一定的成果,但是大都有一定的局限性,尤其在大批量样本、多种类、光照条件差异大的情况下的准确率和识别效率方面更需要进一步的研究。
发明内容
针对现有技术的缺陷或不足,本发明的提供了一种细胞图像分类用模型构建方法。
本发明提供的细胞图像分类用模型构建方法包括:
步骤一、图像预处理
(1)将细胞图像集A中的多幅图像分为两组,其中宽w和高h满足式(1) 的图像组成第一组图像集,宽w和高h满足式(2)的图像组成第二组图像集:
(2)根据细胞的生物学特征对各组图像集中的多幅图像进行分类,得到多个粗分类,对各粗分类进行细分类,得到各粗分类的细分类;
(3)对细胞图像集A中的多幅图像分别进行放大处理:
对于第一组图像集中的任一图像放大处理方法为:将原图像的长边w放大至M像素,M≦100,接着将同一图像的短边放大(M/w)倍得到该图像的预备图像,然后以预备图像的中心为基点,对原图像与预备图像之间的空白进行填充,填充用的像素点为原图像四个角的像素值平均值;
对于第二组图像集中的任一图像放大处理方法为:将原图像的长边w放大至N像素,140≦N≦526,接着将同一图像的短边放大(N/w)倍得到该图像的预备图像,然后以预备图像的中心为基点,对原图像与预备图像之间的空白进行填充,填充用的像素点为原图像四个角的像素值平均值;
(4)利用Alexnet网络对步骤一放大处理后的第一组图像集和第二组图像集分别进行训练,得到第一组图像集的识别模型文件和第二组图像集的识别模型文件;
(5)计算细胞图像集A的所有细分类中任意两个细分类之间的距离;得到距离最近的两个细分类,分别记为θ1细分类和θ2细分类,
步骤二,构建细胞图像集B,所述细胞图像集B的所有细分类与细胞图像集A的细分类种类相同,并且细胞图像集B的θ1细分类中的图像数量与细胞图像集A的θ1细分类的图像数量相同,细胞图像集B的θ2细分类的图像数量与细胞图像集A的θ2细分类的图像数量相同,细胞图像集B的其他细分类中的图像数量为细胞图像集A中相同细分类的图像数量的四分之一;
步骤三,对细胞图像集B进行步骤一(1)、(3)处理,得到第三组图像集和第四组图像集;利用Alexnet网络在第一组图像集的识别模型文件和第二组图像集的识别模型文件的基础上对经步骤一(1)、(3)处理后的图像集B进行训练,得到第三组图像集的识别模型文件和第四组图像集的识别模型文件,所述第三组图像集的识别模型文件和第四组图像集的识别模型为细胞图像分类用模型。
进一步,本发明步骤一(4)中训练参数的基础初始学习率为0.01,迭代次数为20000次。
进一步,本发明步骤一(5)中两个细分类之间的距离采用式(3)计算:
其中:
(xi,yi)为其中一个细分类中第i像素点的像素值,i=1,2,3,......,I,(xj,yj)为另一个细分类中第j像素点的像素值,j=1,2,3,......,J。
进一步,本发明步骤三中训练参数的基础初始学习率为0.001,迭代次数为4000次。
利用本发明的第三组图像集的识别模型文件和第四组图像集的识别模型文件对经过所述步骤一(1)、(3)处理的待识别图像进行识别。
与现有技术相比,本发明具有以下优点:
第一,本发明所研究的是在实际检测中存在的尿液有形成分细胞的真实图像,且从数据集的规模和细胞种类都有较大提升,同时,在利用了深度学习的方法后大幅提升了分类准确率,在算法的实际应用性方面有着良好的表现。
第二,本发明所采用的双模型混合识别的方式,既充分利用了统计数据的结果,又考虑到实际应用对召回率的要求,将细胞分为大小两个组,也在一定程度上避免了一些杂质对结果的影响。
第三,本发明在预处理步骤中采取含参等比例填充的方法,既保证了图形在转为方形时的形变最小,同时也减少了预处理的很多时间,在运行效率上存在着实用价值。
第四,本发明在对模型参数进行计算得到类别的过程中使用GPU进行加速,裁剪、优化识别模型,将原有的细胞分类算法进行优化,使得算法在保持较高的分类准确率的前提下,实现了算法的实时性。相比原始算法,计算加速达176 倍。
附图说明
图1(a)为实施例1步骤一(3)第一组图像集放大处理过程中的原图之一,图1(b)为图1(a)填充后的图。
图2(a)为实施例1步骤一(3)第二组图像集放大处理过程中的原图之一,图2(b)为图2(a)填充后的图。
图3(a)为实施例2中的待分类原图,图3(b)为图3(a)经放大处理后的图。
具体实施方式
尿液检查以其简便、快捷、标本易得到而成为一项应用广泛的临床检查手段,是当前医院临床常规检测项目之一。尿液有形成分细胞的种类和形态在一定程度上可以反映出肾脏功能的实质性变化以及某些累计病变的客观表示。利用光镜的形态学检测法,其主要原理是对尿液有形成分切片进行染色后,在光学显微镜下观察各成分的形态,其特点是能检测和准确鉴别尿液中种有在光学显微镜下观察各成分的形态,其特点是能检测和准确鉴别尿液中种有成份,但检测速度相对较慢不易实现自动化与标准在实际检测中,往往受到各方面的影响,比如焦距、对焦点、光照、浓度等。获取的图像而之前很长一段时间里,人们对医学图像的处理都是依靠机器拍摄然后人工挑选的方式,这种方式存在着效率低下、工作强度大、误差随技术人员水平差异大等问题,后来又出现一些基于支持向量机、BP神经网络的方法,在准确率、召回率和识别类别等方面都存在着较大局限。
本发明的所使用的数据集是从某市各大医院获取的第一手资料,使用的是某型号自动尿检仪,保证了样本的真实性和可靠性,尤其是各种阳性样本更是具有研究价值。
以下是发明人提供的具体实施例,以对本发明的技术方案作进一步解释说明。
实施例1:
步骤一、图像预处理
(1)将细胞图像集A(52000张)中的多幅图像分为两组,其中宽w和高 h满足式(1)的图像组成第一组图像集(28000张),宽w和高h满足式(2) 的图像组成第二组图像集(10000张):
(2)根据细胞的生物学特征对各组图像集中的多幅图像进行分类,共得到14个粗分类,对各粗分类进行细分类,得到各粗分类的细分类,总共26个细分类;细分类的依据包括细胞的形态、细胞颜色对比度、聚集程度,例如,对于粗分类0-红细胞,它的细分类分成:正常红细胞、荆型红细胞和褶皱红细胞。具体分类结果如表1和表2所示。
表1
表2
(3)对细胞图像集A中的多幅图像分别进行放大处理:
对于第一组图像集中的任一图像放大处理方法为:将原图像的长边w放大至M像素,接着将同一图像的短边放大(M/w)倍得到该图像的预备图像,然后以预备图像的中心为基点,对原图像与预备图像之间的空白进行填充,填充用的像素点为原图像四个角的像素值平均值,M≦100;如图1所示。
对于第二组图像集中的任一图像放大处理方法为:将原图像的长边w放大至N像素,接着将同一图像的短边放大N/w倍得到该图像的预备图像,然后以预备图像的中心为基点,对原图像与预备图像之间的空白进行填充,填充用的像素点为原图像四个角的像素值平均值,140≦N≦526;如图2所示。
(4)计算细胞图像集A的所有细分类中任意两个细分类之间的距离;得到距离最近的两个细分类,分别记为θ1细分类苞芽红细胞和θ2细分类异常白细胞。
(5)利用Alexnet网络对步骤一放大处理后的第一组图像集和第二组图像集分别进行训练,得到第一组图像集的识别模型文件和第二组图像集的识别模型文件;训练参数的基础初始学习率为0.01,迭代次数为20000次;
步骤二,对细胞图像集B进行步骤一处理得到第三组图像集和第四组图像集以及多个粗分类和各粗分类的细分类,所述细胞图像集B的所有细分类与细胞图像集A的细分类种类相同,并且细胞图像集B的θ1细分类中的图像数量和θ2细分类的图像数量与细胞图像集A的相同、其他细分类中的图像数量为细胞图像集A中相应细分类的图像数量的四分之一;
步骤三,利用Alexnet网络在第一组图像集的识别模型文件和第二组图像集的识别模型文件的基础上对经步骤一处理的图像集B进行训练,得到第三组图像集的识别模型文件和第四组图像集的识别模型文件,其中训练参数的基础初始学习率为0.001,迭代次数为4000次。
实施例2:
利用实施例1的第三组图像集的识别模型文件和第四组图像集的识别模型文件对经过本发明步骤一(1)、(3)处理的待识别图像(如图3所示)进行识别,具体识别方法可使用CAFFE框架中的CLASSIFICATION示例项目,识别结果图3所示细胞属于非鳞状上皮细胞。
Claims (5)
1.一种细胞图像分类用模型构建方法,其特征在于,方法包括:
步骤一、图像预处理
(1)将细胞图像集A中的多幅图像分为两组,其中宽w和高h满足式(1)的图像组成第一组图像集,宽w和高h满足式(2)的图像组成第二组图像集:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>w</mi>
<mo>&le;</mo>
<mn>80</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mo>&le;</mo>
<mn>80</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>w</mi>
<mo>></mo>
<mn>80</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mo>&Element;</mo>
<mrow>
<mo>(</mo>
<mn>20</mn>
<mo>,</mo>
<mn>400</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>r</mi>
</mrow>
</mtd>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mo>></mo>
<mn>80</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>w</mi>
<mo>&Element;</mo>
<mrow>
<mo>(</mo>
<mn>20</mn>
<mo>,</mo>
<mn>400</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(2)根据细胞的生物学特征对各组图像集中的多幅图像进行分类,得到多个粗分类,对各粗分类进行细分类,得到各粗分类的细分类;
(3)对细胞图像集A中的多幅图像分别进行放大处理:
对于第一组图像集中的任一图像放大处理方法为:将原图像的长边w放大至M像素,M≦100,接着将同一图像的短边放大(M/w)倍得到该图像的预备图像,然后以预备图像的中心为基点,对原图像与预备图像之间的空白进行填充,填充用的像素点为原图像四个角的像素值平均值;
对于第二组图像集中的任一图像放大处理方法为:将原图像的长边w放大至N像素,140≦N≦526,接着将同一图像的短边放大(N/w)倍得到该图像的预备图像,然后以预备图像的中心为基点,对原图像与预备图像之间的空白进行填充,填充用的像素点为原图像四个角的像素值平均值;
(4)利用Alexnet网络对步骤一放大处理后的第一组图像集和第二组图像集分别进行训练,得到第一组图像集的识别模型文件和第二组图像集的识别模型文件;
(5)计算细胞图像集A的所有细分类中任意两个细分类之间的距离;得到距离最近的两个细分类,分别记为θ1细分类和θ2细分类,
步骤二,构建细胞图像集B,所述细胞图像集B的所有细分类与细胞图像集A的细分类种类相同,并且细胞图像集B的θ1细分类中的图像数量与细胞图像集A的θ1细分类的图像数量相同,细胞图像集B的θ2细分类的图像数量与细胞图像集A的θ2细分类的图像数量相同,细胞图像集B的其他细分类中的图像数量为细胞图像集A中相同细分类的图像数量的四分之一;
步骤三,对细胞图像集B进行步骤一(1)、(3)处理,得到第三组图像集和第四组图像集;利用Alexnet网络在第一组图像集的识别模型文件和第二组图像集的识别模型文件的基础上对经步骤一(1)、(3)处理后的图像集B进行训练,得到第三组图像集的识别模型文件和第四组图像集的识别模型文件,所述第三组图像集的识别模型文件和第四组图像集的识别模型为细胞图像分类用模型。
2.权利要求1所述细胞图像分类用模型构建方法,其特征在于,所述步骤一(4)中训练参数的基础初始学习率为0.01,迭代次数为20000次。
3.权利要求1所述细胞图像分类用模型构建方法,其特征在于,所述步骤一(5)中两个细分类之间的距离采用式(3)计算:
<mrow>
<mi>L</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<mi>J</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<mi>J</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:
(xi,yi)为其中一个细分类中第i像素点的像素值,i=1,2,3,......,I,(xj,yj)为另一个细分类中第j像素点的像素值,j=1,2,3,......,J。
4.权利要求1所述细胞图像分类用模型构建方法,其特征在于,所述步骤三中训练参数的基础初始学习率为0.001,迭代次数为4000次。
5.一种细胞图像分类方法,其特征在于,利用权利要求1-4中任一权利要求所述第三组图像集的识别模型文件和第四组图像集的识别模型文件对经过权利要求1所述步骤一(1)、(3)处理的待识别图像进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711180099.8A CN107832801B (zh) | 2017-11-23 | 2017-11-23 | 一种细胞图像分类用模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711180099.8A CN107832801B (zh) | 2017-11-23 | 2017-11-23 | 一种细胞图像分类用模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832801A true CN107832801A (zh) | 2018-03-23 |
CN107832801B CN107832801B (zh) | 2021-03-05 |
Family
ID=61652379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711180099.8A Active CN107832801B (zh) | 2017-11-23 | 2017-11-23 | 一种细胞图像分类用模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832801B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629369A (zh) * | 2018-04-19 | 2018-10-09 | 中南大学 | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 |
CN110188592A (zh) * | 2019-04-10 | 2019-08-30 | 西安电子科技大学 | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 |
CN110473167A (zh) * | 2019-07-09 | 2019-11-19 | 哈尔滨工程大学 | 一种基于深度学习的尿沉渣图像识别系统及方法 |
CN110473166A (zh) * | 2019-07-09 | 2019-11-19 | 哈尔滨工程大学 | 一种基于改进Alexnet模型的尿液有形成分识别方法 |
CN111382801A (zh) * | 2020-03-16 | 2020-07-07 | 北京推想科技有限公司 | 一种医学影像分类方法、装置、设备及存储介质 |
CN116844143A (zh) * | 2023-09-01 | 2023-10-03 | 武汉互创联合科技有限公司 | 基于边缘增强的胚胎发育阶段预测与质量评估系统 |
CN116849624A (zh) * | 2023-08-31 | 2023-10-10 | 南京诺源医疗器械有限公司 | 基于4cmos图像传感器的荧光成像方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1645139A (zh) * | 2004-12-27 | 2005-07-27 | 长春迪瑞实业有限公司 | 使用图像识别系统分析不离心尿液的方法 |
US20050266395A1 (en) * | 2003-09-10 | 2005-12-01 | Bioimagene, Inc. | Method and system for morphology based mitosis identification and classification of digital images |
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
CN105825211A (zh) * | 2016-03-17 | 2016-08-03 | 世纪龙信息网络有限责任公司 | 名片识别方法、装置及系统 |
-
2017
- 2017-11-23 CN CN201711180099.8A patent/CN107832801B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050266395A1 (en) * | 2003-09-10 | 2005-12-01 | Bioimagene, Inc. | Method and system for morphology based mitosis identification and classification of digital images |
CN1645139A (zh) * | 2004-12-27 | 2005-07-27 | 长春迪瑞实业有限公司 | 使用图像识别系统分析不离心尿液的方法 |
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
CN105825211A (zh) * | 2016-03-17 | 2016-08-03 | 世纪龙信息网络有限责任公司 | 名片识别方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
杨雪琴: "图像模式的形态和纹理特征研究及其在尿沉渣有形成分识别中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629369A (zh) * | 2018-04-19 | 2018-10-09 | 中南大学 | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 |
CN110188592A (zh) * | 2019-04-10 | 2019-08-30 | 西安电子科技大学 | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 |
CN110188592B (zh) * | 2019-04-10 | 2021-06-29 | 西安电子科技大学 | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 |
CN110473167A (zh) * | 2019-07-09 | 2019-11-19 | 哈尔滨工程大学 | 一种基于深度学习的尿沉渣图像识别系统及方法 |
CN110473166A (zh) * | 2019-07-09 | 2019-11-19 | 哈尔滨工程大学 | 一种基于改进Alexnet模型的尿液有形成分识别方法 |
CN110473167B (zh) * | 2019-07-09 | 2022-06-17 | 哈尔滨工程大学 | 一种基于深度学习的尿沉渣图像识别系统及方法 |
CN111382801A (zh) * | 2020-03-16 | 2020-07-07 | 北京推想科技有限公司 | 一种医学影像分类方法、装置、设备及存储介质 |
CN111382801B (zh) * | 2020-03-16 | 2021-09-10 | 推想医疗科技股份有限公司 | 一种医学影像分类方法、装置、设备及存储介质 |
CN116849624A (zh) * | 2023-08-31 | 2023-10-10 | 南京诺源医疗器械有限公司 | 基于4cmos图像传感器的荧光成像方法及系统 |
CN116849624B (zh) * | 2023-08-31 | 2023-11-10 | 南京诺源医疗器械有限公司 | 基于4cmos的图像传感器荧光成像方法及系统 |
CN116844143A (zh) * | 2023-09-01 | 2023-10-03 | 武汉互创联合科技有限公司 | 基于边缘增强的胚胎发育阶段预测与质量评估系统 |
CN116844143B (zh) * | 2023-09-01 | 2023-12-05 | 武汉互创联合科技有限公司 | 基于边缘增强的胚胎发育阶段预测与质量评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107832801B (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832801A (zh) | 一种细胞图像分类用模型构建方法 | |
CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
CN112070772B (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
US9170256B2 (en) | Device and method for erythrocyte morphology analysis | |
EP3220130B1 (en) | High accuracy 5-part differential with digital holographic microscopy and untouched leukocytes from peripheral blood | |
CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
EP2083268A1 (en) | Analysis method for 5-differential complete blood cell based on visual image | |
CN103604737B (zh) | 一种自动化血细胞识别装置及工作方法 | |
CN110322453A (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
CN107064170A (zh) | 一种检测手机外壳轮廓度缺陷方法 | |
CN102359938A (zh) | 红细胞形态学分析装置及其方法 | |
US20070133855A1 (en) | Similar pattern searching apparatus, method of similar pattern searching, program for similar pattern searching, and fractionation apparatus | |
CN101713776A (zh) | 一种基于神经网络的尿液中有形成分识别分类方法 | |
CN110135271A (zh) | 一种细胞分类方法及装置 | |
CN103984939B (zh) | 一种样本有形成分分类方法及系统 | |
CN109376753A (zh) | 一种稠密连接的三维空谱分离卷积深度网络及构建方法 | |
CN108596038A (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN109685117A (zh) | 一种气液固三相体系中流动参数的图像测量方法 | |
CN108257124A (zh) | 一种基于图像的白细胞计数方法和系统 | |
CN103927547B (zh) | 一种用于对岩屑荧光图像进行快速分析方法 | |
CN110232334A (zh) | 一种基于卷积神经网络的钢结构锈蚀识别方法 | |
CN111062346A (zh) | 一种白细胞自动定位检测及分类识别系统及方法 | |
CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
Kovalev et al. | Robust recognition of white blood cell images | |
CN102636656B (zh) | 一种全自动尿有形成分分析仪的校准方法 |
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 |