CN108197606A - 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 - Google Patents

一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 Download PDF

Info

Publication number
CN108197606A
CN108197606A CN201810096849.1A CN201810096849A CN108197606A CN 108197606 A CN108197606 A CN 108197606A CN 201810096849 A CN201810096849 A CN 201810096849A CN 108197606 A CN108197606 A CN 108197606A
Authority
CN
China
Prior art keywords
abnormal cell
pathological section
convolution
model
recognition methods
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
CN201810096849.1A
Other languages
English (en)
Inventor
吴健
王彦杰
王文哲
刘雪晨
吴边
陈为
吴福理
吴朝晖
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810096849.1A priority Critical patent/CN108197606A/zh
Publication of CN108197606A publication Critical patent/CN108197606A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • 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

Abstract

本发明公开了一种基于多尺度膨胀卷积的病理切片中异常细胞识别方法，包括：(1)对电子扫描病理切片进行预处理，得到训练数据；(2)搭建多尺度膨胀卷积分割模型：所述模型以ResNeXt网络为基本骨架，以ASPP和DUC为基本模块；所述的ASPP模块的个数为1～5；(3)采用步骤(1)得到的训练数据对步骤(2)所述的多尺度膨胀卷积分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，使模型收敛，得到所述病理切片中异常细胞的识别。本发明提供的识别方法筛查异常细胞的准确率和精度高，以F1值的衡量算法的指标，本算法的F1值能够达到98％以上。

Description

一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法
技术领域
本发明属于人工智能领域，具体涉及一种病理切片中异常细胞的识别方法。
背景技术
传统病理切片中异常细胞由人工进行筛查：在显微镜下，由专业的病理医生通过切片的移动，进而肉眼扫描整个切片，寻找整个切片是否存在异常细胞，这种工作繁重而耗时，并且随着阅片时间的增长，错误率也随之提高。
随着科技的不断发展，病理切片中异常细胞的识别可以借助计算机的帮助进行初步筛查。图像语义分割(Semantic Segmentation)是计算机视觉的一个重要研究方向，其任务是通过计算机算法完成对单张图像每个像素进行分类。语义分割任务在自动驾驶，物体识别等场景中都有着重要应用。在医疗影像中，语义分割常常被用于分割图像中的细胞、组织或器官等。
但是，因为病理切片中异常细胞的大小形状各异，难以识别，目前计算机筛查异常细胞采用的分割算法的准确率不高，精度较差。
在语义分割问题中，模型为输入图像中的每个像素点都要分配一个语义上的类别，这是一种比较稠密的分类问题，相比于图像级的分类问题和检测问题是相当困难的。语义分割问题早在2007年就成为了计算机视觉领域中的一个子领域，但是直到2014年，端到端的深度学习模型(全卷积神经网络)才在自然图像语义分割问题上做出比较好的成果。而对于比较复杂的医学图像，目前尚没有比较好的语义分割模型提出。
发明内容
本发明的目的是提供一种基于多尺度膨胀卷积的病理切片中异常细胞识别方法，筛查异常细胞的准确率和精度高。
本发明所述的异常细胞与人体正常细胞相对应，为人体组织中非正常形态的细胞。
一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法，包括：
(1)建立样本数据集：对电子扫描病理切片进行预处理，得到该病理切片中的有效判别区域，所述的有效判别区域中异常细胞像素区域为正样本，正常细胞像素区域为负样本，并运用数据增强方法平衡正负样本比例，得到样本数据集，将其作为训练数据；
(2)搭建多尺度膨胀卷积分割模型：所述模型以ResNeXt网络为基本骨架，以ASPP(Atrous Spatial Pyramid Pooling)和DUC(Dense Upsampling Convolution)为基本模块；
所述的基本骨架用来提取切片中有效判别区域的特征，所述的基本模块用来进行语义分割；
所述的ASPP模块的个数为1～5；
(3)采用步骤(1)得到的训练数据对步骤(2)所述的多尺度膨胀卷积分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，使模型收敛，得到收敛的多尺度膨胀卷积分割模型；
(4)将未经过标记的新病理切片，经过步骤(1)处理得到的有效判别区域输入步骤(3)得到的收敛的多尺度膨胀卷积分割模型，输出概率值在0.5以上的异常细胞作为识别结果。
步骤(1)中，所述的预处理为常规操作，包括：
(1-1)将5～20倍放大的病理切片划分为像素为512*512～2048*2048相同大小的小块，分别存储；
(1-2)将每个小块的R、G、B3通道图像，人工手动去除那些不包含细胞信息的空白区域，得到该病理切片中的有效判别区域。
在通常的自然场景下的语义分割模型中，目标物体的大小和形状通常是比较固定的，这样的语义环境相对简单。但是在病理图像中，异常细胞区域的大小和形状相差很大，其中的细胞分化程度也很不相同，这使得病理图像中的语义信息表现得十分复杂。如果输入图像的放大倍数过大，那么分割模型会接收更多细节信息，而忽略异常细胞区域的整体分布情况；如果输入图像的放大倍数过小，那么分割模型只能学到异常细胞区域的轮廓信息，无法学到细胞级别的特征。因此，首先对病理图像进行预处理，将图像缩放到5～20倍左右大小，这样分割模型既能学到细胞级别的特征又能区分异常细胞区域的边界。
为了使目前主流的GPU可以流畅地计算病理图像的特征图，我们将5～20倍大小的病理图像按照512*512～2048*2048左右的大小进行裁剪，去除那些不包含细胞信息的空白区域，保留下来的一系列的剪裁后的LAB通道的病理图像切片即为该病理切片中的有效判别区域。
步骤(1)中，所述的数据增强方法包括平移、翻转、旋转、镜像、随机噪声扰动或对比度随机变换操作。
数据增强方法可以增加模型的鲁棒性并缓解模型过拟合或欠拟合问题，原因在于：卷积神经网络具有平移不变性等特征，其关注的角度与人关注图像的角度不同，人往往可以直观地观察到图像中的图形、颜色等信息，而卷积神经网络只可以关注到图像中的像素点的值，这样使得对图像进行轻微的变化就可以获得对卷积神经网络来说完全不同的图像。
所述的数据增强方法，包括以下操作：
将上述取得的切片进行水平、垂直翻转、旋转、平移、噪声扰动、对比度变换操作，并将这些操作自由组合，这样同一张切片可以扩展为数十张不同的图像。
步骤(2)中所述的多尺度膨胀卷积分割模型包括ResNeXt网络基本骨架，ASPP基本模块和DUC基本模块；
所述的ResNeXt网络通过将最后一层全连接层及相关运算(global average pool1000-d fc,softmax)替换为ASPP基本模块，实现两者的连接。
作为优选，所述的ResNeXt网络层数为101层或152层，这是因为使用101层ResNeXt结构或者152层ResNeXt结构都可以提取特征，152层ResNeXt结构所能提取的特征更丰富但需要的计算量更大，101层ResNeXt结构提取特征的能力没有152层的强，但计算量上相对划算。
由于ResNeXt网络提取到的特征往往是多尺度的，为了更好地结合图像中的环境信息，需要运用不同大小的卷积核(不同视野大小)进行运算。但是过大的卷积核会引入过多的参数，从而会导致运算速度的下降，这里引入膨胀卷积(空洞卷积)运算。分别运用不同大小的膨胀卷积核计算ResNeXt网络输出的特征图，并将这些计算的结果串联起来，得到了多尺度的更高水平的特征图，这就是ASPP模块。
在ASPP模块中特征图的运算过程为，分别将上一步ResNeXt网络提取到的特征图进行：卷积核大小为1*1的卷积运算；卷积核大小为3*3、膨胀率为6的膨胀卷积运算；卷积核大小为3*3、膨胀率为12的膨胀卷积运算；卷积核大小为3*3、膨胀率为18的膨胀卷积运算；输出特征图大小为1*1的Image Pooling运算。将这些运算的结果按照通道串联起来，并进行卷积核大小为1*1的卷积运算可以得到ASPP模块的输出。
所述的ASPP模块的个数为1～5。
由于ResNeXt网络提取到的特征图的大小比原始的输入图像的尺寸小，通道数要多得多。为了得到和原始图像大小一致的one-hot特征图，需要将特征图在长宽上放大，在通道上压缩。通常的方法往往是直接进行双线性插值和通道压缩，这会带来特征图中像素的损失，这时的特征图已经具有非常强的语义，像素的损失会带来极大的精度损失，所以，为了避免这种精度的损失，我们引入DUC模块，在不改变像素总数目的前提下进行运算。
DUC模块如图5所示。其工作原理如下：假设输入的特征图大小为C个通道的(W/d)*(H/d)大小，进行卷积核大小为1*1的卷积运算，输出的通道数为d2个，然后分别将同一位置上的d2个通道上的像素按照顺序展开为一个通道上的d*d大小的特征图，将这样的(W/d)*(H/d)个d*d大小的特征图拼接起来，形成一个与原始图像大小相同的特征图。
本模型提出将ASPP(Atrous Spatial Pyramid Pooling)和DUC(DenseUpsamplingConvolution)模块结合起来，并且使用了ResNeXt网络作为网络骨架。ResNeXt与ASPP的结合，可以有效提升网络提取病理图像特征的能力；DUC模块可以在不损失精度的情况下对图像进行放大，将DUC模块的输出作为网络结果的输出，分割效果更精确。
步骤(3)中，所述的模型收敛方法，包括：
(1)使用Binary Cross Entropy Loss或Dice Loss函数计算当前模型的损失；
(2)运用得到的损失不断更新模型的参数，直至模型收敛。
所述的模型使用Adam算法更新参数。
本发明还提供了上述病理切片中异常细胞的识别方法在医学人工智能领域的应用，具体方法如下：
将病理切片进行步骤(1)中的压缩和剪裁操作，得到该病理切片中的有效判别区域，将其输入到本发明提供的得到收敛的多尺度膨胀卷积分割模型中，输出概率值在0.5以上的异常细胞作为识别结果；并按照之前的对应位置拼接回原始图像大小。
本发明提供的病理切片中异常细胞的识别方法，达到了较好的测试效果，以F1值的衡量算法的指标，其F1值能够达到98％以上。
与现有技术相比，本发明具有以下有益效果：
1)本发明能够大量减轻病理医生繁重的工作量。
2)本发明提供的识别方法筛查异常细胞的准确率和精度高，以F1值的衡量算法的指标，本算法的F1值能够达到98％以上。
附图说明
图1为本发明具体实施方式中ResNeXt block的基本结构。
图2为本发明具体实施方式中101层的ResNeXt网络结构。
图3为本发明具体实施方式中152层的ResNeXt网络结构。
图4为本发明具体实施方式中ASPP模块的整体结构。
图5为本发明具体实施方式中DUC模块的整体结构。
图6为本发明具体实施方式中病理切片中异常细胞识别方法示意图。
图7为本发明具体实施方式中病理切片图，其中左图为未进行异常细胞的病理切片，右图为进行异常细胞识别后的病理切片特征图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法进行具体描述，本发明具体实施方式中的病理切片以胃癌病理切为例进行阐述，但本发明并不受限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
一种基于多尺度膨胀卷积的病理切片中异常细胞识别方法，包括以下步骤：
步骤一：输入数据的预处理
首先对胃癌病理图像进行预处理，将图像缩放到*5倍左右大小，这样分割模型既能学到细胞级别的特征又能区分癌巢的边界。为了使目前主流的GPU可以流畅地计算病理图像的特征图，我们将*5倍大小的病理图像按照512*512左右的大小进行裁剪，人工手动去除那些不包含细胞信息的空白区域，保留下来的一系列的512*512左右大小的R、G、B3通道的病理图像切片。
将上述取得的切片进行水平、垂直翻转和90°、180°、270°旋转，平移、噪声扰动、对比度变换操作，并将这些操作自由组合，这样同一张切片可以扩展为数十张不同的图像。
步骤二：正负样本比例平衡
按照上述比例切分所得的病理图像中正负样本的比例约为4:1，为了提高癌巢检测的准确性，我们将正常图像进行了步骤一中提到的旋转、翻转、缩放等的数据增强操作，平衡正负样本比例为1:1。
步骤三：模型训练
模型使用ResNeXt网络作为基本骨架，ASPP和DUC模块作为语义分割模型的基本模块，其结构分别如图4和图5所示。
将上述两个步骤处理过的样本输入到模型中，样本图像首先通过一个ResNeXt网络，提取样本图像中的特征，ResNeXt网络中的基本模块如图1所示。ResNeXt的基本模块包含一个输入和一个输出，首先将256通道的特征图输入到基本模块中，接着进行卷积核大小为1*1的卷积运算，输出通道数为128的特征图。再将这128个通道平分成32等份，每份分别进行卷积核大小为3*3的卷积运算，并将运算的结果串联到一起，输出一个128通道的特征图。最后对特征图进行一个卷积核大小为1*1的卷积运算，输出的特征图通道数为256。
本模型中使用的ResNeXt网络层数分别为101层和152层，其结构分别如图2、图3所示；并将ResNeXt网络最后一层全连接层及相关运算(global average pool 1000-d fc,softmax)替换为ASPP模块。
前100层的ResNeXt网络包含：步长为2的卷积核大小为7*7的卷积层、步长为2的核大小为3*3的最大池化层、3个输入通道为64，输出通道为256的ResNeXt基本模块、4个输入通道为256，输出通道为512的ResNeXt基本模块、23个输入通道为512，输出通道为1024的ResNeXt基本模块、3个输入通道为1024，输出通道为2048的基本模块。
前151层的ResNeXt网络包含：步长为2的卷积核大小为7*7的卷积层、步长为2的核大小为3*3的最大池化层、3个输入通道为64，输出通道为256的ResNeXt基本模块、8个输入通道为256，输出通道为512的ResNeXt基本模块、36个输入通道为512，输出通道为1024的ResNeXt基本模块、3个输入通道为1024，输出通道为2048的基本模块。
在ASPP模块中，分别运用不同大小的膨胀卷积核计算上述步骤ResNeXt网络输出的特征图，包括：卷积核大小为1*1的卷积运算；卷积核大小为3*3、膨胀率为6的膨胀卷积运算；卷积核大小为3*3、膨胀率为12的膨胀卷积运算；卷积核大小为3*3、膨胀率为18的膨胀卷积运算；输出特征图大小为1*1的ImagePooling运算。将这些运算的结果按照通道串联起来，并进行卷积核大小为1*1的卷积运算可以得到ASPP模块的输出，参见图4。
为了避免直接放大所带来的特征损失，我们将ASPP模块的输出输入到DUC模块中，生成与原始图像大小一致的特征图，这时特征图中的点的像素值表示着该点为异常细胞的概率，将这张概率图与原始图像的标记进行对比，运用DiceLoss函数计算当前模型的损失，运用Adam算法不断更新当前模型中的参数，直至收敛，完成模型的训练，得到收敛的多尺度膨胀卷积分割模型，其结构如图6所示。
步骤四：异常细胞识别
将胃部病理切片按照步骤一中的方法进行压缩和剪裁操作，得到该病理切片中的有效判别区域，将其输入到步骤三得到收敛的多尺度膨胀卷积分割模型中，输出概率值在0.5以上的异常细胞作为识别结果；并按照之前的对应位置拼接回原始图像大小，得到的特征图如图7(右)所示，其F1值为98％。

Claims (7)

1.一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法，包括：
(1)建立样本数据集：对电子扫描病理切片进行预处理，得到该病理切片中的有效判别区域，所述的有效判别区域中异常细胞像素区域为正样本，正常细胞像素区域为负样本，并运用数据增强方法平衡正负样本比例，得到样本数据集；
(2)搭建多尺度膨胀卷积分割模型：所述模型以ResNeXt网络为基本骨架，以ASPP和DUC为基本模块；
所述的ASPP模块的个数为1～5；
(3)采用步骤(1)得到的样本数据集作为训练数据对步骤(2)所述的多尺度膨胀卷积分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，使模型收敛，得到收敛的多尺度膨胀卷积分割模型；
(4)将未经过标记的新病理切片，经过步骤(1)处理得到的有效判别区域输入步骤(3)得到的收敛的多尺度膨胀卷积分割模型，输出概率值在0.5以上的异常细胞作为识别结果。
2.根据权利要求1所述的病理切片中异常细胞的识别方法，其特征在于，步骤(1)中，所述的数据增强方法包括平移、翻转、旋转、镜像、随机噪声扰动或对比度随机变换操作。
3.根据权利要求1所述的病理切片中异常细胞的识别方法，其特征在于，步骤(2)中，所述的ResNeXt网络通过将最后一层全连接层及相关运算替换为ASPP基本模块，实现ResNeXt网络和ASPP基本模块的连接。
4.根据权利要求3所述的病理切片中异常细胞的识别方法，其特征在于，步骤(2)中，所述的ResNeXt网络层数为101层或152层。
5.根据权利要求1所述的病理切片中异常细胞的识别方法，其特征在于，步骤(2)中，所述的ASPP模块的运算方法，包括：
(a)分别将上一步ResNeXt网络提取到的特征图进行：卷积核大小为1*1的卷积运算；卷积核大小为3*3、膨胀率为6的膨胀卷积运算；卷积核大小为3*3、膨胀率为12的膨胀卷积运算；卷积核大小为3*3、膨胀率为18的膨胀卷积运算；
(b)输出特征图大小为1*1的Image Pooling运算；
(c)将这些运算的结果按照通道串联起来，并进行卷积核大小为1*1的卷积运算，得到ASPP模块的输出。
6.根据权利要求1所述的病理切片中异常细胞的识别方法，其特征在于，步骤(3)中，所述的模型收敛方法，包括：
(1)使用Binary Cross Entropy Loss或Dice Loss函数计算当前模型的损失；
(2)运用得到的损失不断更新模型的参数，直至模型收敛。
7.根据权利要求6所述的病理切片中异常细胞的识别方法，其特征在于，所述的模型使用Adam算法更新参数。
CN201810096849.1A 2018-01-31 2018-01-31 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 Pending CN108197606A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810096849.1A CN108197606A (zh) 2018-01-31 2018-01-31 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810096849.1A CN108197606A (zh) 2018-01-31 2018-01-31 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法

Publications (1)

Publication Number Publication Date
CN108197606A true CN108197606A (zh) 2018-06-22

Family

ID=62592104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810096849.1A Pending CN108197606A (zh) 2018-01-31 2018-01-31 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法

Country Status (1)

Country Link
CN (1) CN108197606A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145920A (zh) * 2018-08-21 2019-01-04 电子科技大学 一种基于深度神经网络的图像语义分割方法
CN109145730A (zh) * 2018-07-13 2019-01-04 安徽大学 一种遥感影像中矿区自动语义分割方法
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN109684922A (zh) * 2018-11-20 2019-04-26 浙江大学山东工业技术研究院 一种基于卷积神经网络的多模型对成品菜的识别方法
CN110009629A (zh) * 2019-04-12 2019-07-12 北京天明创新数据科技有限公司 一种尘肺病筛查系统及其数据训练方法
CN110084275A (zh) * 2019-03-29 2019-08-02 广州思德医疗科技有限公司 一种训练样本的选取方法及装置
CN110084270A (zh) * 2019-03-22 2019-08-02 上海鹰瞳医疗科技有限公司 病理切片图像识别方法及设备
CN110111313A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
CN110189337A (zh) * 2019-05-31 2019-08-30 广东工业大学 一种自动驾驶图像语义分割方法
CN110334604A (zh) * 2019-06-06 2019-10-15 广州金域医学检验中心有限公司 细胞展示方法、装置、计算机设备和计算机可读存储介质
CN110363747A (zh) * 2019-06-14 2019-10-22 平安科技（深圳）有限公司 智能化异常细胞判断方法、装置及计算机可读存储介质
CN110490840A (zh) * 2019-07-11 2019-11-22 平安科技（深圳）有限公司 一种肾小球病理切片图像的细胞检测方法、装置及设备
CN111179214A (zh) * 2019-11-29 2020-05-19 苏州优纳医疗器械有限公司 一种基于图像语义分割的病理切片组织区域识别系统
CN111383171A (zh) * 2018-12-27 2020-07-07 Tcl集团股份有限公司 一种图片处理方法、系统及终端设备
CN111580151A (zh) * 2020-05-13 2020-08-25 浙江大学 一种基于SSNet模型的地震事件到时识别方法
TWI733276B (zh) * 2019-08-30 2021-07-11 大陸商北京市商湯科技開發有限公司 檢測器的配置方法及裝置、目標檢測方法及裝置、電子設備、電腦可讀儲存媒體和電腦程式
CN113177955A (zh) * 2021-05-10 2021-07-27 电子科技大学成都学院 一种基于改进图像分割算法的肺癌影像病变区域划分方法
CN113813053A (zh) * 2021-09-18 2021-12-21 长春理工大学 一种基于腹腔镜内窥影像的手术进程分析方法
CN114283153A (zh) * 2021-11-15 2022-04-05 天津大学 基于神经网络的肺部病理切片癌细胞分割算法
CN114359739A (zh) * 2022-03-18 2022-04-15 深圳市海清视讯科技有限公司 目标识别方法及装置
CN114612408A (zh) * 2022-03-04 2022-06-10 拓微摹心数据科技(南京)有限公司 一种基于联邦深度学习的心脏图像处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780466A (zh) * 2016-12-21 2017-05-31 广西师范大学 一种基于卷积神经网络的宫颈细胞图像识别方法
CN106780498A (zh) * 2016-11-30 2017-05-31 南京信息工程大学 基于逐像素点深度卷积网络上皮和基质组织自动分割方法
CN106897682A (zh) * 2017-02-15 2017-06-27 电子科技大学 一种基于卷积神经网络的白带中白细胞自动识别方法
CN107609585A (zh) * 2017-09-08 2018-01-19 湖南友哲科技有限公司 一种基于卷积神经网络的体液细胞显微图像识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780498A (zh) * 2016-11-30 2017-05-31 南京信息工程大学 基于逐像素点深度卷积网络上皮和基质组织自动分割方法
CN106780466A (zh) * 2016-12-21 2017-05-31 广西师范大学 一种基于卷积神经网络的宫颈细胞图像识别方法
CN106897682A (zh) * 2017-02-15 2017-06-27 电子科技大学 一种基于卷积神经网络的白带中白细胞自动识别方法
CN107609585A (zh) * 2017-09-08 2018-01-19 湖南友哲科技有限公司 一种基于卷积神经网络的体液细胞显微图像识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HZWEIKAIFENG: "miraclewkf/ResNeXt-PyTorch", 《HTTPS://GITHUB.COM/MIRACLEWKF/RESNEXT-PYTORCH/COMMIT/0B1AD0252ABA44B070A3D191D209443FB08F9F9C》 *
LIANG-CHIEH CHEN ET AL.: "Rethinking Atrous Convolution for Semantic Image Segmentation", 《ARXIV》 *
PANQU WANG ET AL.: "Understanding Convolution for Semantic Segmentation", 《ARXIV》 *
SAINING XIE ET AL.: "Aggregated Residual Transformations for Deep Neural Networks", 《ARXIV》 *
鲁浩达 等: "基于深度卷积神经网络的肾透明细胞癌细胞核分割", 《生物医学工程研究》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145730A (zh) * 2018-07-13 2019-01-04 安徽大学 一种遥感影像中矿区自动语义分割方法
CN109145730B (zh) * 2018-07-13 2021-08-13 安徽大学 一种遥感影像中矿区自动语义分割方法
CN109145920A (zh) * 2018-08-21 2019-01-04 电子科技大学 一种基于深度神经网络的图像语义分割方法
CN109684922A (zh) * 2018-11-20 2019-04-26 浙江大学山东工业技术研究院 一种基于卷积神经网络的多模型对成品菜的识别方法
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN111383171A (zh) * 2018-12-27 2020-07-07 Tcl集团股份有限公司 一种图片处理方法、系统及终端设备
CN111383171B (zh) * 2018-12-27 2022-08-09 Tcl科技集团股份有限公司 一种图片处理方法、系统及终端设备
CN110084270A (zh) * 2019-03-22 2019-08-02 上海鹰瞳医疗科技有限公司 病理切片图像识别方法及设备
CN110084275A (zh) * 2019-03-29 2019-08-02 广州思德医疗科技有限公司 一种训练样本的选取方法及装置
CN110009629A (zh) * 2019-04-12 2019-07-12 北京天明创新数据科技有限公司 一种尘肺病筛查系统及其数据训练方法
WO2020215984A1 (zh) * 2019-04-22 2020-10-29 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
US11861829B2 (en) 2019-04-22 2024-01-02 Tencent Technology (Shenzhen) Company Limited Deep learning based medical image detection method and related device
CN110111313B (zh) * 2019-04-22 2022-12-30 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
CN110111313A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
CN110189337A (zh) * 2019-05-31 2019-08-30 广东工业大学 一种自动驾驶图像语义分割方法
CN110334604A (zh) * 2019-06-06 2019-10-15 广州金域医学检验中心有限公司 细胞展示方法、装置、计算机设备和计算机可读存储介质
CN110363747A (zh) * 2019-06-14 2019-10-22 平安科技（深圳）有限公司 智能化异常细胞判断方法、装置及计算机可读存储介质
CN110490840A (zh) * 2019-07-11 2019-11-22 平安科技（深圳）有限公司 一种肾小球病理切片图像的细胞检测方法、装置及设备
TWI733276B (zh) * 2019-08-30 2021-07-11 大陸商北京市商湯科技開發有限公司 檢測器的配置方法及裝置、目標檢測方法及裝置、電子設備、電腦可讀儲存媒體和電腦程式
CN111179214A (zh) * 2019-11-29 2020-05-19 苏州优纳医疗器械有限公司 一种基于图像语义分割的病理切片组织区域识别系统
CN111580151A (zh) * 2020-05-13 2020-08-25 浙江大学 一种基于SSNet模型的地震事件到时识别方法
CN111580151B (zh) * 2020-05-13 2021-04-20 浙江大学 一种基于SSNet模型的地震事件到时识别方法
CN113177955A (zh) * 2021-05-10 2021-07-27 电子科技大学成都学院 一种基于改进图像分割算法的肺癌影像病变区域划分方法
CN113813053A (zh) * 2021-09-18 2021-12-21 长春理工大学 一种基于腹腔镜内窥影像的手术进程分析方法
CN114283153A (zh) * 2021-11-15 2022-04-05 天津大学 基于神经网络的肺部病理切片癌细胞分割算法
CN114612408A (zh) * 2022-03-04 2022-06-10 拓微摹心数据科技(南京)有限公司 一种基于联邦深度学习的心脏图像处理方法
CN114359739A (zh) * 2022-03-18 2022-04-15 深圳市海清视讯科技有限公司 目标识别方法及装置
CN114359739B (zh) * 2022-03-18 2022-06-28 深圳市海清视讯科技有限公司 目标识别方法及装置

Similar Documents

Publication Publication Date Title
CN108197606A (zh) 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法
Ding et al. Multi-scale fully convolutional network for gland segmentation using three-class classification
CN104992223B (zh) 基于深度学习的密集人数估计方法
CN108399362A (zh) 一种快速行人检测方法及装置
CN105005774B (zh) 一种基于卷积神经网络的人脸亲属关系识别方法及装置
CN111709903B (zh) 一种红外与可见光图像融合方法
CN107506761A (zh) 基于显著性学习卷积神经网络的脑部图像分割方法及系统
CN110458844A (zh) 一种低光照场景的语义分割方法
CN109034210A (zh) 基于超特征融合与多尺度金字塔网络的目标检测方法
CN110263705A (zh) 面向遥感技术领域两期高分辨率遥感影像变化检测方法
CN111091573B (zh) 基于深度学习的ct影像肺血管的分割方法及系统
CN111898406B (zh) 基于焦点损失和多任务级联的人脸检测方法
CN105469100A (zh) 基于深度学习的皮肤活检图像病理特性识别方法
CN107123123A (zh) 基于卷积神经网络的图像分割质量评价方法
CN112070772A (zh) 基于UNet++和ResNet的血液白细胞图像分割方法
CN110136149A (zh) 基于深度神经网络的白细胞定位与分割方法
CN108416266A (zh) 一种利用光流提取运动目标的视频行为快速识别方法
JP2023520846A (ja) 人工知能に基づく画像処理方法、画像処理装置、コンピュータプログラム及びコンピュータ機器
CN108491849A (zh) 基于三维稠密连接卷积神经网络的高光谱图像分类方法
CN109784283A (zh) 基于场景识别任务下的遥感图像目标提取方法
CN112990077B (zh) 基于联合学习与光流估计的面部动作单元识别方法及装置
CN108053398A (zh) 一种半监督特征学习的黑色素瘤自动检测方法
CN107133558A (zh) 一种基于概率传播的红外行人显著性检测方法
CN109214298A (zh) 一种基于深度卷积网络的亚洲女性颜值评分模型方法
CN112528947B (zh) 一种通过增加方向维度的假菌丝检测方法、设备及存储介质

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: 20180622