CN108596046A - 一种基于深度学习的细胞检测计数方法及系统 - Google Patents
一种基于深度学习的细胞检测计数方法及系统 Download PDFInfo
- Publication number
- CN108596046A CN108596046A CN201810284552.8A CN201810284552A CN108596046A CN 108596046 A CN108596046 A CN 108596046A CN 201810284552 A CN201810284552 A CN 201810284552A CN 108596046 A CN108596046 A CN 108596046A
- Authority
- CN
- China
- Prior art keywords
- cell
- shot
- long term
- pathological image
- bounding box
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 230000001575 pathological effect Effects 0.000 claims abstract description 54
- 230000007787 long-term memory Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 210000004027 cell Anatomy 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 23
- 230000001537 neural effect Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 5
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 3
- 238000004043 dyeing Methods 0.000 description 3
- 241000699670 Mus sp. Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000003364 immunohistochemistry Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- G01N2015/1022—
-
- 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
Abstract
本发明提供了一种基于深度学习的细胞检测计数方法及系统,包括:扫描病理切片,将实体切片信息转化为数字病理图像;对数字病理图像中的细胞或细胞核进行真实情况的标记,记录标记信息,将数字病理图像以及标记信息构成数据集;将数据集分为训练集和测试集两部分;将训练集输入深度卷积神经网络‑长短期记忆网络进行训练;将测试集输入训练好的深度卷积神经网络‑长短期记忆网络,输出计数结果。本发明可以显著提高细胞检测计数的鲁棒性和准确率,对数字病理图像进行高通量处理速率的定量分析,为基于病理图像的医学研究提供可靠的数据分析支持。
Description
技术领域
本发明涉及图像处理技术领域,具体地,涉及一种基于深度学习的细胞检测计数方法及系统。
背景技术
近年来,数字病理图像和显微图像分析在病理诊断中发挥了非常重要的作用,它们可以为计算机辅助诊断提供大量的信息,进而使数字病理图像可以进行具有高通量处理速率的定量分析,为病理学家提供了极大的便利。现今自动化的数字病理图像分析已经在研究和临床实践中吸引了很多关注,与劳动密集型、时间消耗性强、复现性差、主观性强的人工处理过程相比,计算机辅助的分析方法,可以在保证准确率的前提下,显著提高观测的复现性、时效性和客观性,可以将基础科学研究者和临床医生从无聊和重复的日常工作中解救出来。
细胞(核)的检测是自动化数字病理图像分析的基础,也是计算机辅助的数字病理图像分析的一个重要先决条件,它可以为各种医学研究所需的定量分析(如细胞或细胞核大小、形状、数量等)提供可靠的支持。然而稳健和准确的细胞(核)检测具有图像背景复杂、细胞(核)大小形态染色不一、细胞(核)分布密集等难点。现有的细胞)核)检测方法主要有距离变换、形态学运算、区域特征提取、霍夫变换等方法,这些方法都是基于传统特征的目标检测算法,具有时间复杂度高、鲁棒性差等缺点,导致细胞(核)检测的效果性能较差,有待进一步提高。
深度学习是机器学习的一个分支,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释图像、声音和文本等数据。深度学习以人工神经网络为基础,通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。近年来,基于深度学习的目标检测算法的研究发展迅速,得益于深度卷积神经网络算法,其检测效果不断得到巨大突破。R Stewart,M Andriluka,AY Ng等人于2015年提出一种将深度卷积神经网络和长短期记忆网络相结合的端到端的深度学习目标检测框架(见文献Stewart R,Andriluka M,Ng A Y.End-to-End People Detection in Crowded Scenes[C]//Computer Vision and Pattern Recognition.IEEE,2016:2325-2333),在目标检测领域取得了较好的进展,并且在行人检测数据集上取得了较好的测试结果。
目前,在已有的数字病理图像的细胞检测计数方法中,大多采用距离变换、形态学运算、霍夫变换等基于传统特征的目标检测算法实现,如专利201110427703.9采用霍夫变换对细胞进行检测;专利201410369635.9采用传统图像处理方法对白细胞进行检测;专利201110173077.5采用基于Haar型特征的AdaBoost方法来检测细胞。这些基于传统特征的目标检测算法往往只适用于图像背景简单、细胞分布稀疏的细胞检测任务,在处理免疫组化染色等病理图像时,易受图像背景复杂、细胞排布紧密、细胞边界模糊、大小形态染色深浅各不相同等因素的干扰,导致细胞检测计数的鲁棒性差、准确率低。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于深度学习的细胞检测计数方法及系统。
根据本发明提供的一种基于深度学习的细胞检测计数方法,包括:
扫描步骤:扫描病理切片,将实体切片信息转化为数字病理图像;
标记步骤:对数字病理图像中的细胞或细胞核进行真实情况的标记,记录标记信息,将数字病理图像以及标记信息构成数据集;
划分步骤:将数据集分为训练集和测试集两部分;
训练步骤:将训练集输入深度卷积神经网络-长短期记忆网络进行训练;
计数步骤:将测试集输入训练好的深度卷积神经网络-长短期记忆网络,输出计数结果。
较佳的,所述标记步骤中采用标记工具以边界框的形式将数字病理图像中所有的细胞或细胞核框定出来,并在XML文件中记录边界框的标记信息。
较佳的,所述训练步骤具体包括定义损失函数:
其中G为真实的细胞或细胞核的边界框的集合,C为深度卷积神经网络-长短期记忆网络生成的候选边界框的集合,f为G到C的映射函数,即f(i)为对应真实边界框i的候选边界框,α为平衡置信度误差和位置误差的参数,lpos为真实边界框和候选边界框之间的偏差,lc为表示候选框与真实边界框的匹配置信度的交叉熵损失,yi为匹配函数;
根据损失函数,利用反向传播算法对网络的参数进行调整。
较佳的,所述计数步骤具体包括:
将数字病理图像输入深度卷积神经网络,进行特征提取,将提取出的深度卷积特征输入长短期记忆网络,长短期记忆网络将深度卷积特征解码为一组边界框,每次输出一个新的边界框来标记在该边界框先前未检测到的神经元细胞核,边界框的预测按照置信度从高到底的顺序生成,直到长短期记忆网络无法找到具有高于阈值置信度的一个新的边界框时产生停止信号,至此所有的输出序列共同构成细胞或细胞核的检测结果,序列个数即为计数结果。
根据本发明提供的一种基于深度学习的细胞检测计数系统,包括:
扫描模块:扫描病理切片,将实体切片信息转化为数字病理图像;
标记模块:对数字病理图像中的细胞或细胞核进行真实情况的标记,记录标记信息,将数字病理图像以及标记信息构成数据集;
划分模块:将数据集分为训练集和测试集两部分;
训练模块:将训练集输入深度卷积神经网络-长短期记忆网络进行训练;
计数模块:将测试集输入训练好的深度卷积神经网络-长短期记忆网络,输出计数结果。
较佳的,所述标记模块中采用标记工具以边界框的形式将数字病理图像中所有的细胞或细胞核框定出来,并在XML文件中记录边界框的标记信息。
较佳的,所述训练模块具体包括定义损失函数:
其中G为真实的细胞或细胞核的边界框的集合,C为深度卷积神经网络-长短期记忆网络生成的候选边界框的集合,f为G到C的映射函数,即f(i)为对应真实边界框i的候选边界框,α为平衡置信度误差和位置误差的参数,lpos为真实边界框和候选边界框之间的偏差,lc为表示候选框与真实边界框的匹配置信度的交叉熵损失,yi为匹配函数;
根据损失函数,利用反向传播算法对网络的参数进行调整。
较佳的,所述计数模块具体包括:
将数字病理图像输入深度卷积神经网络,进行特征提取,将提取出的深度卷积特征输入长短期记忆网络,长短期记忆网络将深度卷积特征解码为一组边界框,每次输出一个新的边界框来标记在该边界框先前未检测到的神经元细胞核,边界框的预测按照置信度从高到底的顺序生成,直到长短期记忆网络无法找到具有高于阈值置信度的一个新的边界框时产生停止信号,至此所有的输出序列共同构成细胞或细胞核的检测结果,序列个数即为计数结果。
与现有技术相比,本发明具有如下的有益效果:
本发明提供了一种专业的基于深度学习的数字病理图像的细胞检测计数方案,相比于基于传统特征的目标检测算法,本发明所采用的基于深度学习的目标检测算法可以显著提高细胞检测计数的鲁棒性和准确率,对数字病理图像进行高通量处理速率的定量分析,为基于病理图像的医学研究提供可靠的数据分析支持。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明提供的一种基于深度学习的细胞检测计数方法的系统流程图;
图2为本发明采用的深度神经网络和长短期记忆网络结合的深度网络模型图;
图3、图4为本发明在小鼠神经元细胞计数应用上的自动检测效果示例。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示,本发明提供的一种基于深度学习的细胞检测计数方法,包括:
扫描步骤:扫描病理切片,将实体切片信息转化为数字病理图像;
标记步骤:对数字病理图像中的细胞或细胞核进行真实情况的标记,记录标记信息,将数字病理图像以及标记信息构成数据集;
划分步骤:将数据集分为训练集和测试集两部分;
训练步骤:将训练集输入深度卷积神经网络-长短期记忆网络进行训练;
计数步骤:将测试集输入训练好的深度卷积神经网络-长短期记忆网络,输出计数结果。
结合具体实施例表述如下:
(1)采用数码显微镜扫描病理切片,将实体切片信息转化为数字病理图像。
(2)对数字病理图像中的细胞(核)进行真实情况的标记,采用XML文件记录标记信息,数字病理图像及标记文件共同构成数据集。
选取合适的物镜放大倍数下的数字病理图像,截取一定数量的固定大小的小图像片,在本实施例中为480(像素)*480(像素)大小,对图片中的细胞(核)进行真实情况的标记。标记形式为采用矩形框将图片中的细胞(核)圈定出来,而标记信息即所有矩形框的边界点的二维坐标值则以XML文件的形式进行记录。所有480(像素)*480(像素)的图片及其对应的标记文件共同构成细胞(核)检测数据集。
(3)将数据集分为训练集和测试集两部分
(4)将训练集用于深度卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的训练
CNN-LSTM深度网络模型如图2所示,其中CNN采用GoogleNet。采用基于CNN-LSTM网络模型的细胞(核)自动检测方法,可以将细胞(核)与背景区分出来并正确地预测出细胞(核)的数量和位置。这种可以直接输出预测的端到端的方法首先生成一组边界框,然后用分类器对它们进行评估,最终对可能存在着重复的预测集合进行非极大值抑制的检测或某种形式的合并。在训练过程中,定义损失函数如公式(1)所示:
其中G为真实的细胞(核)的边界框的集合,C为深度卷积神经网络-长短期记忆网络生成的候选边界框的集合,f为G到C的映射函数,即f(i)为对应真实边界框i的候选边界框,α为平衡置信度误差和位置误差的参数,lpos为真实边界框和候选边界框之间的偏差,lc为表示候选框与真实边界框的匹配置信度的交叉熵损失,yi为匹配函数。根据损失函数,利用反向传播(BP)算法对网络的参数进行调整,引导网络的学习过程向期望的输出结果发展。
(5)将测试集的数字病理图像输送到训练好的深度网络,实现数字病理图像的细胞(核)检测计数结果的输出。
将测试集中未标记的图像片输入训练好的CNN-LSTM深度网络,进行细胞(核)的检测计数。如图2所示,首先通过CNN提取出输入图像的深层卷积特征,然后采用LSTM作为预测控制器将深度特征解码为一组边界框,LSTM每次输出一个新的边界框来标记在该位置处先前未检测到的细胞(核),标记框的预测按照置信度从高到低的顺序生成,直到LSTM不能找到具有所要求的置信度的一个新的标记框时产生停止信号,至此所有的输出序列共同构成细胞(核)的检测计数结果。CNN-LSTM深度网络模型通过CNN和LSTM的结合,既可以通过深度卷积神经网络获取深层特征,又具有产生可变长度的相干预测的能力,因此系统就可以记住之前生成的预测边界框,避免产生对同一个细胞核的多个重复预测边界框。
在上述一种基于深度学习的细胞检测计数方法的基础上,本发明海提供一种基于深度学习的细胞检测计数系统,包括:
扫描模块:扫描病理切片,将实体切片信息转化为数字病理图像;
标记模块:对数字病理图像中的细胞或细胞核进行真实情况的标记,记录标记信息,将数字病理图像以及标记信息构成数据集;
划分模块:将数据集分为训练集和测试集两部分;
训练模块:将训练集输入深度卷积神经网络-长短期记忆网络进行训练;
计数模块:将测试集输入训练好的深度卷积神经网络-长短期记忆网络,输出计数结果。
本发明的效果性能评价:
将测试结果分为TP(True Positive),TN(True Negative),FP(False Positive),FN(False Negative)四类,其中TP表示细胞(核)被正确地识别为了细胞(核),TN表示背景没有被识别出来,系统正确地认为它们是背景,FP表示背景被错误地识别为了细胞(核),FN表示细胞(核)没有被识别出来,系统错误地认为它们是背景。
细胞(核)的自动检测计数的评价指标有召回率(Recall)和准确率(Precision)两种,其计算方法如下:
根据细胞(核)检测效果的评价指标,在本实施例中,将本发明提出的细胞检测计数方法应用于小鼠脑片黑质区域的神经元细胞核的检测计数,计算共计206张完整黑质区域图片的细胞核检测计数的评价指标值,如表1所示。
表1神经元细胞核自动检测计数的评价指标值
由神经元细胞核自动检测计数的评价指标值可知,基于CNN-LSTM的细胞核自动检测计数的召回率为91.85%,准确率为95.03%,均处于较高水平,此外在应用阶段每张完整黑质区域的神经元细胞核自动检测计数的平均速度为11s,远胜于人工手动计数。
本发明提供的细胞检测计数方法在小鼠神经元细胞计数应用上的自动检测效果示例如图3、4所示,可以看出,即使图像背景复杂,神经元排布紧密,细胞核边界模糊,不同的神经元细胞核的形态、大小、染色深浅各不相同,基于深度学习网络模型的神经元细胞核检测依然具有较好的效果。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种基于深度学习的细胞检测计数方法,其特征在于,包括:
扫描步骤:扫描病理切片,将实体切片信息转化为数字病理图像;
标记步骤:对数字病理图像中的细胞或细胞核进行真实情况的标记,记录标记信息,将数字病理图像以及标记信息构成数据集;
划分步骤:将数据集分为训练集和测试集两部分;
训练步骤:将训练集输入深度卷积神经网络-长短期记忆网络进行训练;
计数步骤:将测试集输入训练好的深度卷积神经网络-长短期记忆网络,输出计数结果。
2.根据权利要求1所述的基于深度学习的细胞检测计数方法,其特征在于,所述标记步骤中采用标记工具以边界框的形式将数字病理图像中所有的细胞或细胞核框定出来,并在XML文件中记录边界框的标记信息。
3.根据权利要求1所述的基于深度学习的细胞检测计数方法,其特征在于,所述训练步骤具体包括定义损失函数:
其中G为真实的细胞或细胞核的边界框的集合,C为深度卷积神经网络-长短期记忆网络生成的候选边界框的集合,f为G到C的映射函数,即f(i)为对应真实边界框i的候选边界框,α为平衡置信度误差和位置误差的参数,lpos为真实边界框和候选边界框之间的偏差,lc为表示候选框与真实边界框的匹配置信度的交叉熵损失,yi为匹配函数;
根据损失函数,利用反向传播算法对网络的参数进行调整。
4.根据权利要求1所述的基于深度学习的细胞检测计数方法,其特征在于,所述计数步骤具体包括:
将数字病理图像输入深度卷积神经网络,进行特征提取,将提取出的深度卷积特征输入长短期记忆网络,长短期记忆网络将深度卷积特征解码为一组边界框,每次输出一个新的边界框来标记在该边界框先前未检测到的神经元细胞核,边界框的预测按照置信度从高到底的顺序生成,直到长短期记忆网络无法找到具有高于阈值置信度的一个新的边界框时产生停止信号,至此所有的输出序列共同构成细胞或细胞核的检测结果,序列个数即为计数结果。
5.一种基于深度学习的细胞检测计数系统,其特征在于,包括:
扫描模块:扫描病理切片,将实体切片信息转化为数字病理图像;
标记模块:对数字病理图像中的细胞或细胞核进行真实情况的标记,记录标记信息,将数字病理图像以及标记信息构成数据集;
划分模块:将数据集分为训练集和测试集两部分;
训练模块:将训练集输入深度卷积神经网络-长短期记忆网络进行训练;
计数模块:将测试集输入训练好的深度卷积神经网络-长短期记忆网络,输出计数结果。
6.根据权利要求5所述的基于深度学习的细胞检测计数系统,其特征在于,所述标记模块中采用标记工具以边界框的形式将数字病理图像中所有的细胞或细胞核框定出来,并在XML文件中记录边界框的标记信息。
7.根据权利要求5所述的基于深度学习的细胞检测计数系统,其特征在于,所述训练模块具体包括定义损失函数:
其中G为真实的细胞或细胞核的边界框的集合,C为深度卷积神经网络-长短期记忆网络生成的候选边界框的集合,f为G到C的映射函数,即f(i)为对应真实边界框i的候选边界框,α为平衡置信度误差和位置误差的参数,lpos为真实边界框和候选边界框之间的偏差,lc为表示候选框与真实边界框的匹配置信度的交叉熵损失,yi为匹配函数;
根据损失函数,利用反向传播算法对网络的参数进行调整。
8.根据权利要求5所述的基于深度学习的细胞检测计数系统,其特征在于,所述计数模块具体包括:
将数字病理图像输入深度卷积神经网络,进行特征提取,将提取出的深度卷积特征输入长短期记忆网络,长短期记忆网络将深度卷积特征解码为一组边界框,每次输出一个新的边界框来标记在该边界框先前未检测到的神经元细胞核,边界框的预测按照置信度从高到底的顺序生成,直到长短期记忆网络无法找到具有高于阈值置信度的一个新的边界框时产生停止信号,至此所有的输出序列共同构成细胞或细胞核的检测结果,序列个数即为计数结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284552.8A CN108596046A (zh) | 2018-04-02 | 2018-04-02 | 一种基于深度学习的细胞检测计数方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284552.8A CN108596046A (zh) | 2018-04-02 | 2018-04-02 | 一种基于深度学习的细胞检测计数方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596046A true CN108596046A (zh) | 2018-09-28 |
Family
ID=63624632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810284552.8A Pending CN108596046A (zh) | 2018-04-02 | 2018-04-02 | 一种基于深度学习的细胞检测计数方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596046A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523520A (zh) * | 2018-10-25 | 2019-03-26 | 北京大学第三医院 | 一种基于深度学习的染色体自动计数方法 |
CN110033440A (zh) * | 2019-03-21 | 2019-07-19 | 中南大学 | 基于卷积神经网络与特征融合的生物细胞计数方法 |
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
CN110473211A (zh) * | 2019-08-13 | 2019-11-19 | 上海眼控科技股份有限公司 | 一种弹簧片的数量的检测方法及设备 |
CN110490099A (zh) * | 2019-07-31 | 2019-11-22 | 武汉大学 | 一种基于机器视觉的地铁公共地点人流量分析方法 |
CN110647874A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种端到端的血细胞识别模型构造方法及应用 |
CN110739051A (zh) * | 2019-10-08 | 2020-01-31 | 中山大学附属第三医院 | 利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法 |
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
CN111062346A (zh) * | 2019-12-21 | 2020-04-24 | 电子科技大学 | 一种白细胞自动定位检测及分类识别系统及方法 |
WO2020087732A1 (zh) * | 2018-11-02 | 2020-05-07 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别方法与系统 |
CN111145137A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别方法 |
CN111134727A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别的穿刺引导系统 |
CN111144163A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别系统 |
CN111242961A (zh) * | 2019-02-28 | 2020-06-05 | 北京肿瘤医院(北京大学肿瘤医院) | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 |
CN111275191A (zh) * | 2020-02-26 | 2020-06-12 | 上海商汤智能科技有限公司 | 检测细胞的方法及装置、电子设备和存储介质 |
CN111612027A (zh) * | 2019-02-26 | 2020-09-01 | 沛智生医科技股份有限公司 | 细胞分类方法、系统与医疗分析平台 |
CN112750106A (zh) * | 2020-12-31 | 2021-05-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
CN112950583A (zh) * | 2021-03-01 | 2021-06-11 | 北京小白世纪网络科技有限公司 | 病理图像中细胞计数模型训练方法及装置 |
CN113283353A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
CN114240836A (zh) * | 2021-11-12 | 2022-03-25 | 杭州迪英加科技有限公司 | 一种鼻息肉病理切片分析方法、系统和可读存储介质 |
CN114730486A (zh) * | 2019-11-22 | 2022-07-08 | 国际商业机器公司 | 生成用于对象检测的训练数据 |
CN115061574A (zh) * | 2022-07-06 | 2022-09-16 | 陈伟 | 一种基于视觉核心算法的人机交互系统 |
TWI793865B (zh) * | 2021-11-18 | 2023-02-21 | 倍利科技股份有限公司 | Ai自動輔助標記之系統及方法 |
WO2023108412A1 (zh) * | 2021-12-14 | 2023-06-22 | 深圳先进技术研究院 | 目标蛋白快速识别及定量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766299A (zh) * | 2014-12-26 | 2015-07-08 | 国家电网公司 | 一种基于概率图模型的图像质量评估方法 |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
-
2018
- 2018-04-02 CN CN201810284552.8A patent/CN108596046A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766299A (zh) * | 2014-12-26 | 2015-07-08 | 国家电网公司 | 一种基于概率图模型的图像质量评估方法 |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
Non-Patent Citations (1)
Title |
---|
RUSSELL STEWART等: "End-to-end people detection in crowded scenes", 《2016 THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523520B (zh) * | 2018-10-25 | 2020-12-18 | 北京大学第三医院 | 一种基于深度学习的染色体自动计数方法 |
CN109523520A (zh) * | 2018-10-25 | 2019-03-26 | 北京大学第三医院 | 一种基于深度学习的染色体自动计数方法 |
CN111134727B (zh) * | 2018-11-02 | 2022-12-20 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别的穿刺引导系统 |
CN111144163B (zh) * | 2018-11-02 | 2023-11-21 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别系统 |
CN111145137B (zh) * | 2018-11-02 | 2023-08-15 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别方法 |
CN111145137A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别方法 |
CN111144163A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别系统 |
CN111134727A (zh) * | 2018-11-02 | 2020-05-12 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别的穿刺引导系统 |
WO2020087732A1 (zh) * | 2018-11-02 | 2020-05-07 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的静脉与动脉识别方法与系统 |
CN111612027A (zh) * | 2019-02-26 | 2020-09-01 | 沛智生医科技股份有限公司 | 细胞分类方法、系统与医疗分析平台 |
CN111242961B (zh) * | 2019-02-28 | 2023-11-17 | 北京肿瘤医院(北京大学肿瘤医院) | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 |
CN111242961A (zh) * | 2019-02-28 | 2020-06-05 | 北京肿瘤医院(北京大学肿瘤医院) | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 |
CN110033440A (zh) * | 2019-03-21 | 2019-07-19 | 中南大学 | 基于卷积神经网络与特征融合的生物细胞计数方法 |
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
CN110490099A (zh) * | 2019-07-31 | 2019-11-22 | 武汉大学 | 一种基于机器视觉的地铁公共地点人流量分析方法 |
CN110490099B (zh) * | 2019-07-31 | 2022-10-21 | 武汉大学 | 一种基于机器视觉的地铁公共地点人流量分析方法 |
CN110473211B (zh) * | 2019-08-13 | 2021-11-12 | 上海眼控科技股份有限公司 | 一种弹簧片的数量的检测方法及设备 |
CN110473211A (zh) * | 2019-08-13 | 2019-11-19 | 上海眼控科技股份有限公司 | 一种弹簧片的数量的检测方法及设备 |
CN110765855B (zh) * | 2019-09-12 | 2023-04-18 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
CN110739051B (zh) * | 2019-10-08 | 2022-06-03 | 中山大学附属第三医院 | 利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法 |
CN110739051A (zh) * | 2019-10-08 | 2020-01-31 | 中山大学附属第三医院 | 利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法 |
CN114730486B (zh) * | 2019-11-22 | 2023-04-04 | 国际商业机器公司 | 用于生成用于对象检测的训练数据的方法和系统 |
CN114730486A (zh) * | 2019-11-22 | 2022-07-08 | 国际商业机器公司 | 生成用于对象检测的训练数据 |
CN110647874B (zh) * | 2019-11-28 | 2020-08-28 | 北京小蝇科技有限责任公司 | 一种端到端的血细胞识别模型构造方法及应用 |
CN110647874A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种端到端的血细胞识别模型构造方法及应用 |
CN111062346A (zh) * | 2019-12-21 | 2020-04-24 | 电子科技大学 | 一种白细胞自动定位检测及分类识别系统及方法 |
CN111275191B (zh) * | 2020-02-26 | 2023-11-28 | 上海商汤智能科技有限公司 | 检测细胞的方法及装置、电子设备和存储介质 |
CN111275191A (zh) * | 2020-02-26 | 2020-06-12 | 上海商汤智能科技有限公司 | 检测细胞的方法及装置、电子设备和存储介质 |
CN112750106A (zh) * | 2020-12-31 | 2021-05-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
CN112750106B (zh) * | 2020-12-31 | 2022-11-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
CN112950583A (zh) * | 2021-03-01 | 2021-06-11 | 北京小白世纪网络科技有限公司 | 病理图像中细胞计数模型训练方法及装置 |
WO2022252299A1 (zh) * | 2021-05-31 | 2022-12-08 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
CN113283353B (zh) * | 2021-05-31 | 2022-04-01 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
CN113283353A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
CN114240836A (zh) * | 2021-11-12 | 2022-03-25 | 杭州迪英加科技有限公司 | 一种鼻息肉病理切片分析方法、系统和可读存储介质 |
TWI793865B (zh) * | 2021-11-18 | 2023-02-21 | 倍利科技股份有限公司 | Ai自動輔助標記之系統及方法 |
WO2023108412A1 (zh) * | 2021-12-14 | 2023-06-22 | 深圳先进技术研究院 | 目标蛋白快速识别及定量方法 |
CN115061574B (zh) * | 2022-07-06 | 2023-03-31 | 大连厚仁科技有限公司 | 一种基于视觉核心算法的人机交互系统 |
CN115061574A (zh) * | 2022-07-06 | 2022-09-16 | 陈伟 | 一种基于视觉核心算法的人机交互系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596046A (zh) | 一种基于深度学习的细胞检测计数方法及系统 | |
CN108846828A (zh) | 一种基于深度学习的病理图像目标区域定位方法及系统 | |
Tek et al. | Computer vision for microscopy diagnosis of malaria | |
Davis et al. | Real-time observation of taxa-specific plankton distributions: an optical sampling method | |
Huang et al. | Development and validation of a deep learning algorithm for the recognition of plant disease | |
CN108334848A (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
CN110532900A (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
CN108596038B (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 | |
CN110462627A (zh) | 图像分析系统和相关方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN110222582B (zh) | 一种图像处理方法和相机 | |
CN108596256B (zh) | 一种基于rgb-d物体识别分类器构造方法 | |
CN109377441A (zh) | 具有隐私保护功能的舌像采集方法和系统 | |
CN110533026A (zh) | 基于计算机视觉的电竞图像数字与图标信息获取方法 | |
CN109492534A (zh) | 一种基于Faster RCNN的跨场景多姿态的行人检测方法 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN110020658A (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
Khan et al. | Comparitive study of tree counting algorithms in dense and sparse vegetative regions | |
CN110807754B (zh) | 基于深度语义分割的真菌显微图像分割检测方法及系统 | |
CN110728666A (zh) | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 | |
Muñoz-Benavent et al. | Impact evaluation of deep learning on image segmentation for automatic bluefin tuna sizing | |
Sujatha et al. | Enhancing Object Detection with Mask R-CNN: A Deep Learning Perspective | |
Chima et al. | Malaria cell image classification using deep learning | |
Ranolo et al. | Underwater and coastal seaweeds detection for fluorescence seaweed photos and videos using YOLOV3 and YOLOV5 | |
CN113627255A (zh) | 一种小鼠行为量化分析方法、装置、设备及可读存储介质 |
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 |
Application publication date: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |