CN108765371B - 一种病理切片中非常规细胞的分割方法 - Google Patents
一种病理切片中非常规细胞的分割方法 Download PDFInfo
- Publication number
- CN108765371B CN108765371B CN201810378996.8A CN201810378996A CN108765371B CN 108765371 B CN108765371 B CN 108765371B CN 201810378996 A CN201810378996 A CN 201810378996A CN 108765371 B CN108765371 B CN 108765371B
- Authority
- CN
- China
- Prior art keywords
- label
- cells
- cell
- pixel
- pathological section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001575 pathological effect Effects 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012805 post-processing Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000001788 irregular Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 5
- 208000007879 Atypical Squamous Cells of the Cervix Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 2
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 2
- 201000010881 cervical cancer Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009841 epithelial lesion Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 201000009030 Carcinoma Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 208000037828 epithelial carcinoma Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06T7/11—Region-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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (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)
Abstract
本发明公开一种病理切片中非常规细胞的分割方法，包括：将病理切片中的细胞处理为单独的透明背景的预分割细胞图像，给每张预分割图像的每个像素点分配像素标签；使用贴图方法，使这些预分割细胞图像随机分布在白色背景上，并以一定概率使细胞重合，形成伪输入图像，并获取对应的全图像素标签，记为真值标签；以伪输入图像与真值标签为训练数据训练Mask‑RCNN，使其具有检测非常规细胞边界方框与预测方框内像素标签的能力；将未经过标记的新病理切片输入收敛的Mask‑RCNN检测出未分割的病理切片中的非常规细胞，通过后处理得到最终分割结果。本发明提供的分割方法能有效降低标注时间与成本，并能短时间内产生大量训练数据，能够较好地的大量数据进行拟合。
Description
技术领域
本发明属于医疗影像数据处理领域，具体涉及一种病理切片中非常规细胞的分割方法。
背景技术
图像实例语义分割(Instance 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在图像中使用方形框标出图像中的物体数量，并对框中的每个像素预测类别标签，完成在框中的语义分割。实例语义分割任务在自动驾驶，工业制造，罪犯追踪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。
在1998年LECUN等人首次提出了卷积神经网络(convolutional neural network,NCC)LeNet模型被美国许多银行用来识别支票上的手写数字之后。各种不同架构的CNN模型如VGG，ResNet等在ImageNet竞赛中取得多次比赛的冠军，CNN在图像处理与目标识别领域被广泛应用，成为深度学习在图像处理领域的通用神经网络。CNN在语义分割中也被广泛使用：2014年，Long等人提出全卷积神经网络(FullyConvolutionalNetwork,FCN)，使得卷积神经网络无需全连接层就可进行密集的像素预测，实现了像素级别的分类，2017年KaimingHe提出的Mask R-CNN结构在实例语义分割任务上取得了很好的效果，并在ICCV2017会议上获得了最佳论文。
专利CN107886515A公开了一种较快速、鲁棒性将高的图像分割方法，包括：根据多帧图像的特征，确定多帧图像中待分割图像的初始背景区域，进而确定适应于背景区域的基础矩阵；根据背景区域的基础矩阵，确定待分割图像的初始前景区域，根据初始前景区域，对待分割图像进行处理，确定待分割图像的分割结果。专利CN107871321A公开了一种极大提升图像分割精度和速度的方法。
然而，由于医疗影像的分割与自然图像的差异较大，并存在着阴性数量较多的特点，直接将一般的语义分割模型运用在影像上往往效果不好，另外自然图像上的语义分割往往基于目标相对固定的形状特征，在病理切片的分割中，由于病理切片中非常规细胞的形状的容易聚集使大小、形状无规律性，给实例分割任务带来了极大的困难。
发明内容
本发明提供一种病理切片中非常规细胞的分割方法，该分割方法较传统分割方法更精确。
本发明所述的常规细胞为人体正常细胞，非常规细胞与人体正常细胞相对应，为人体非正常形态细胞。
所述的病理切片中非常规细胞的分割方法，具体包括以下步骤：
(1)对电子扫描放大的病理切片进行预分割，得到单个细胞的透明背景的预分割细胞图像，同时对所得预分割细胞图像中的每个像素点分配像素标签；通过贴图方法及二元高斯分布分配法将所需预分割细胞图像随机分布在与输入病理切片大小一致的白色背景上，得到伪输入图像；
所述分配的像素标签包括：背景标签、常规细胞标签和k种非常规细胞标签；对背景标签分配0标签，常规细胞分配1标签，k种非常规细胞分配2至k+1标签，其中k为大于等于1的整数；
所述的预分割方法为：对病理切片中所有常规细胞与非常规细胞使用图像分割工具或专家标记处理为单个细胞的透明背景图像；
作为优选，步骤(1)具体操作步骤为：
对N张电子扫描20～40×放大的病理切片进行预分割，得到M张单个细胞的透明背景的预分割细胞图像，同时对所得M张预分割细胞图像中的每个像素点分配像素标签；通过贴图方法及二元高斯分布分配法将m张预分割细胞图像随机分布在与输入病理切片大小一致的白色背景上，得到伪输入图像；
其中，M取1000～2000之间的整数，N为大于2000的整数，m为介于30至60之间的整数，具体使用数量m随机生成。
所述步骤(1)中将所需预分割细胞图像随机分布在白色背景上的二元高斯分布分配法，具体操作步骤为：
(1-1)在白色背景大小的平面上生成m个服从均值为μ，标准差为Σ的二元高斯分布，二元高斯分布的概率分布公式如下：
其中，X，Y表示水平方向与垂直方向坐标值，ρ为X与Y之间的相关系数，
为一个二维向量分别代表所生成点在X与Y方向上的中心坐标，
为一个2×2的协方差矩阵；σxσy分别代表X方向和Y方向的协方差；
m为介于30至60之间的整数；
(1-2)将m个预分割细胞图像摆放在空白背景上，使其中心坐标与(2-1)生成的m个中心点坐标重合，细胞间的重叠部分使用透明度α合成边界；所述α介于0.2至0.5之间；
(1-3)通过调整Σ矩阵中数值大小来微调细胞之间的间距和摆放形状；
(1-4)通过调整均值μ的数值调整细胞的整体位置。
使用步骤(1)生成伪输入图像的优点在于：每次的训练图像都是人为生成，并且能够同时获取完整的像素标签，使用这种方法能够重复生成大量的训练数据，并且有效降低标注时间与成本，并且此方法的精度与完全人工标记的训练样本相比精度不会相差太多。
(2)根据步骤(1)中分配的像素标签，对伪输入图像中的每个细胞分配一个细胞边界方框位置并根据步骤(1)中分配的像素标签标记边界方框内细胞图像的每个像素点的标签，记为真值标签，保持真值标签与步骤(1)中对应的单个细胞像素一致；
所述的分配边界方框位置的具体方法为：分别取得细胞真值标签不等于0的坐标中，最小x坐标x1、最大的x坐标x2、最小y坐标y1与最大y坐标y2，分配以(x1,y1)为左上角顶点，宽为x2–x1，高为y2-y1的边界框。
(3)将步骤(1)中生成的伪输入图像与步骤(2)中的得到的真值标签作为训练数据训练Mask-RCNN模型，所述的Mask-RCNN使用ResNet-121为基础网络，网络的训练过程使用单阶段训练方式，直接使用RPN损失函数与Faster-RCNN损失函数相加作为最终损失函数，使用学习率为lr的随机梯度下降法最小化目标损失函数，直至收敛，获得收敛的Mask RCNN模型，使其具有检测非常规细胞边界方框与预测方框内像素标签的能力；
所述lr的取值范围为10-5至10-3之间；
所述RPN损失函数为边界框回归损失与二分类损失函数之和；
所述Faster-RCNN损失函数为边界框回归损失、多分类交叉熵损失与Mask交叉熵损失之和，
其中，边界框回归损失使用SmoothL1函数：
其中，
与y分别表示对该类别的预测概率与one-hot标签；
多分类交叉熵损失Cross Entropy计算公式如下：
其中，p、q表示预测分布与真实分布，
与y分别表示对该类别的预测概率与one-hot标签。
(4)将未经过标记的新病理切片，输入步骤(3)得到的收敛的Mask-RCNN模型，检测出B个最有可能含有非常规细胞的边界方框以及方框中每个像素点的概率值T，若T大于阈值t，则认为该像素为背景像素，记为0，否则取T最大值处的非常规细胞类别作为预测标签，所述预测标签使用后处理方法输出最终预测标签，作为分割结果；
其中，B为10～100之间的整数，t为0.01～0.5之间的正数。
所述的后处理方法具体步骤为：
(4-1)使用稠密条件随机场(Dense CRF)算法对概率图进行处理，得到边缘平滑的预测标签图；
(4-2)使用泛洪填充方法补全预测图内部的空洞部分；
(4-3)使用小物体去除的方法去除预测预测标签中尺寸小于一个细胞大小的物体。
本发明优选稠密条件随机场算法的有点在于：该算法输入预测分类概率图，输出的处理后的分类概率图能够将颜色相近，位置相近的像素点分配相同的的标签，使预测图像更加合理，与图像预测更加接近真实分布。
与现有技术相比，本发明具有以下有益效果：
(1)使用标注图像较少，有效降低病理切片标注工作量，节省时间；
(2)短时间内产生大量训练数据，能够较好地的大量数据进行拟合，使预测图像更加合理，使图像预测更加接近真实分布，提高传统分割方法的精确度。
附图说明
图1为本发明具体实施方法的架构图。
图2为本发明具体实施方法中Mask-RCNN模型的整体结构。
图3为本发明具体实施方法中预测图像方框(右图)与医生标注的图像(左图)对比图。
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法对本发明提供的一种病理切片中非常规细胞的分割方法进行具体描述，但本发明并不限于此，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。
本实施例中的病理切片以宫颈癌病理切片为例，具体实施方法架构图如图1所示，包括：
(1)将训练数据中8000张电子扫描40×放大的宫颈癌病理切片中，所有单个常规细胞与非常规细胞使用图像分割工具处理为1500个单独的透明背景的细胞图像，即预分割细胞图像，并给每张预分割图像的每个像素点分配像素标签；
所述分配的像素点标签包括：背景标签、常规细胞标签和4种非常规细胞标签，本实施例中，非常规细胞具体分为高级别鳞状上皮病变细胞(HSIL)；低级别鳞状上皮病变细胞(LSIL)，非典型鳞状细胞(ASCUS)以及鳞状上皮癌(SqCa)，对背景标签分配0标签，常规细胞分配1标签，HSIL，LSIL，ASCUS以及SqCa分别分配标签为2、3、4和5；
(2)对步骤(1)生成的预分割细胞图像，每次训练中使用贴图方法处理其中的50张图像，将50张预分割细胞图像通过二元高斯分布分配法随机分布在与步骤(1)中输入病理切片大小一致的白色背景上，得到伪输入图像；
所述的二元高斯分布分配法，包括以下具体操作步骤：
(2-1)在白色背景大小的平面上生成50个服从均值为μ＝(220,300)，标准差为
的二元高斯分布，二元高斯分布的概率分布公式如下：
其中，X，Y表示水平方向与垂直方向坐标值，ρ为X与Y之间的相关系数，
为一个二维向量分别代表所生成点在X与Y方向上的中心坐标，
为一个2×2的协方差矩阵；σxσy分别代表X方向和Y方向的协方差；
(2-2)将50个预分割细胞图摆放在空白背景上，使其中心坐标与(2-1)生成的50个中心点坐标重合，细胞间的重叠部分使用透明度30％合成边界，使边界看起来接近真实病理切片；
(2-3)通过调整Σ矩阵中数值大小来微调细胞之间的间距和摆放形状；
(2-4)通过调整均值μ的数值调整细胞的整体位置
调整结束后，μ＝(225,289)，
(3)根据步骤(2)中生成的伪输入图像与步骤(1)中生成的像素标签，对伪输入图像中的每个细胞，分配一个细胞边界方框位置与该边界方框内每个像素点的标签，分配的各像素标签与步骤(1)中对应的单个细胞像素一致；
(4)将步骤(2)中生成的伪输入图像与步骤(3)中的分配标签作为训练数据训练Mask-RCNN模型，所述Mask-RCNN模型的整体结构如图2所示：该Mask-RCNN模型使用ResNet-121为基础网络，网络的训练过程使用单阶段训练方式，直接使用RPN损失函数与Faster-RCNN损失函数相加作为最终损失函数进行收敛；最后，使用学习率为0.0001的SGD优化算法最小化RPN损失函数与Faster-RCNN损失函数之和，在训练280轮次后，获得收敛的Mask-RCNN模型；使其具有检测非常规细胞边界方框与预测方框内像素标签的能力；
所述RPN损失函数为边界框回归损失与二分类损失函数之和，所述Faster-RCNN损失函数为边界框回归损失、多分类交叉熵损失与Mask交叉熵损失之和，其中Cross Entropy计算公式如下：
其中p，q表示预测分布与真实分布，
与y分别表示对该类别的预测概率与one-hot标签；
边界框回归损失使用SmoothL1函数：
其中，
与y分别表示对该类别的预测概率与one-hot标签；
(5)将未经过标记的新病理切片，输入步骤(4)训练得到的收敛的Mask-RCNN模型，检测出30个最有可能含有4种非常规细胞的边界方框以及方框中每个像素点的概率值T，若T大于阈值0.2，则认为该像素为背景像素，记为0，否则取T最大值处的非常规细胞类别作为预测标签，并记录其概率值T；
(6)将步骤(5)得到的预测标签使用后处理方法使预测结果更加稳定合理，输出最终预测标签，其结果如图3中的右图所示，与医生标注的图像(左图)非常接近，说明本发明的方法能够有效的预测出非常规细胞的位置和类别。
所述的后处理方法的具体步骤如下：
(6-1)使用稠密条件随机场(Dense CRF)算法对概率图进行处理，得到边缘平滑的预测标签图；
(6-2)使用泛洪填充方法补全预测图内部的空洞部分；
(6-3)使用小物体去除的方法去除预测预测标签中尺寸小于一个细胞大小的物体。
Claims (9)
1.一种病理切片中非常规细胞的分割方法，包括：
(1)对电子扫描放大的病理切片进行预分割，得到单个细胞的透明背景的预分割细胞图像，同时对所得预分割细胞图像中的每个像素点分配像素标签；通过贴图方法及二元高斯分布分配法将所需预分割细胞图像随机分布在与输入病理切片大小一致的白色背景上，得到伪输入图像；
(2)根据步骤(1)中分配的像素标签，对伪输入图像中的每个细胞分配一个细胞边界方框位置并根据步骤(1)中分配的像素标签标记边界方框内细胞图像的每个像素点的标签，记为真值标签，保持真值标签与步骤(1)中对应的单个细胞像素一致；
(3)将步骤(1)中生成的伪输入图像与步骤(2)中的得到的真值标签作为训练数据训练Mask-RCNN模型，所述的Mask-RCNN使用ResNet-121为基础网络，网络的训练过程使用单阶段训练方式，直接使用RPN损失函数与Faster-RCNN损失函数相加作为最终损失函数，使用学习率为lr的随机梯度下降法最小化目标损失函数，直至收敛，获得收敛的Mask-RCNN模型，使其具有检测非常规细胞边界方框与预测方框内像素标签的能力；
所述lr的取值范围为10-5至10-3之间；
(4)将未经过标记的新病理切片，输入步骤(3)得到的收敛的Mask-RCNN模型，检测出B个最有可能含有非常规细胞的边界方框以及方框中每个像素点的概率值T，若T大于阈值t，则认为该像素为背景像素，记为0，否则取T最大值处的非常规细胞类别作为预测标签，所述预测标签使用后处理方法输出最终预测标签，作为分割结果；
其中，B为10～100之间的整数，t为0.01～0.5之间的正数。
2.根据权利要求1所述的病理切片中非常规细胞的分割方法，其特征在于，步骤(1)中，所述分配的像素标签包括：背景标签、常规细胞标签和k种非常规细胞标签；对背景标签分配0标签，常规细胞分配1标签，k种非常规细胞分配2至k+1标签，其中k为大于等于1的整数。
3.根据权利要求1所述的病理切片中非常规细胞的分割方法，其特征在于，步骤(1)中所述的二元高斯分布分配法，包括以下步骤：
(1-1)在白色背景的平面上生成m个服从均值为μ，标准差为Σ的二元高斯分布的中心点坐标，其中m为介于30至60之间的整数；
所述二元高斯分布的概率分布公式为：
其中，X，Y表示水平方向与垂直方向坐标值，ρ为X与Y之间的相关系数，
为一个二维向量分别代表所生成点在X与Y方向上的中心坐标，
为一个2×2的协方差矩阵；σxσy分别代表X方向和Y方向的协方差；
(1-2)将m个预分割细胞图摆放在空白背景上，使其中心坐标与步骤(1-1)生成的m个中心点坐标重合，细胞间的重叠部分使用透明度α合成边界；所述α介于0.2至0.5之间；
(1-3)通过调整Σ矩阵中数值大小来微调细胞之间的间距和摆放形状；
(1-4)通过调整均值μ的数值调整细胞的整体位置。
4.根据权利要求1所述的病理切片中非常规细胞的分割方法，其特征在于，步骤(2)中，所述的分配边界方框位置的具体方法为：分别取得细胞真值标签不等于0的坐标中，最小x坐标x1、最大的x坐标x2、最小y坐标y1与最大y坐标y2，分配以(x1,y1)为左上角顶点，宽为x2–x1，高为y2-y1的边界框。
5.根据权利要求1所述的病理切片中非常规细胞的分割方法，其特征在于，所述RPN损失函数为边界框回归损失与二分类损失函数之和。
6.根据权利要求1所述的病理切片中非常规细胞的分割方法，其特征在于，所述Faster-RCNN损失函数为边界框回归损失、多分类交叉熵损失与Mask交叉熵损失之和。
7.根据权利要求6所述的病理切片中非常规细胞的分割方法，其特征在于，所述的边界框回归损失使用SmoothL1函数：
其中，
与y分别表示对该类别的预测概率与one-hot标签。
8.根据权利要求6所述的病理切片中非常规细胞的分割方法，其特征在于，所述的多分类交叉熵损失Cross Entropy计算公式如下：
其中，p、q表示预测分布与真实分布，
与y分别表示对该类别的预测概率与one-hot标签。
9.根据权利要求1所述的一种病理切片中非常规细胞的分割方法，其特征在于，步骤(4)中，所述的后处理方法具体步骤为：
(4-1)使用稠密条件随机场算法对概率图进行处理，得到边缘平滑的预测标签图；
(4-2)使用泛洪填充方法补全预测图内部的空洞部分；
(4-3)使用小物体去除的方法去除预测预测标签中尺寸小于一个细胞大小的物体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810378996.8A CN108765371B (zh) | 2018-04-25 | 2018-04-25 | 一种病理切片中非常规细胞的分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810378996.8A CN108765371B (zh) | 2018-04-25 | 2018-04-25 | 一种病理切片中非常规细胞的分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108765371A CN108765371A (zh) | 2018-11-06 |
| CN108765371B true CN108765371B (zh) | 2020-07-07 |
Family
ID=64011712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810378996.8A Active CN108765371B (zh) | 2018-04-25 | 2018-04-25 | 一种病理切片中非常规细胞的分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765371B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161275B (zh) * | 2018-11-08 | 2022-12-23 | 腾讯科技（深圳）有限公司 | 医学图像中目标对象的分割方法、装置和电子设备 |
| CN110084826B (zh) * | 2018-11-30 | 2023-09-12 | 叠境数字科技（上海）有限公司 | 基于tof相机的头发分割方法 |
| CN109816014A (zh) * | 2019-01-22 | 2019-05-28 | 天津大学 | 生成深度学习目标检测网络训练用带标注数据集的方法 |
| CN109948712A (zh) * | 2019-03-20 | 2019-06-28 | 天津工业大学 | 一种基于改进的Mask R-CNN的纳米颗粒尺寸测量方法 |
| CN110060244B (zh) * | 2019-04-15 | 2023-07-14 | 深圳市麦迪普科技有限公司 | 基于深度学习神经网络的细胞检测与分割的系统和方法 |
| CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
| US20200394459A1 (en) * | 2019-06-17 | 2020-12-17 | Nvidia Corporation | Cell image synthesis using one or more neural networks |
| CN110619632B (zh) * | 2019-09-18 | 2022-01-11 | 华南农业大学 | 一种基于Mask R-CNN的芒果实例对抗分割方法 |
| CN110969619B (zh) * | 2019-12-19 | 2021-06-29 | 广州柏视医疗科技有限公司 | 一种自动识别鼻咽癌原发肿瘤的方法及装置 |
| CN111353995B (zh) * | 2020-03-31 | 2023-03-28 | 成都信息工程大学 | 一种基于生成对抗网络的宫颈单细胞图像数据生成方法 |
| CN111862119A (zh) * | 2020-07-21 | 2020-10-30 | 武汉科技大学 | 基于Mask-RCNN的语义信息提取方法 |
| CN112102282A (zh) * | 2020-09-11 | 2020-12-18 | 中北大学 | 一种基于Mask RCNN的医学图像中不同节数腰椎的自动识别方法 |
| CN112541906B (zh) * | 2020-12-17 | 2022-10-25 | 上海鹰瞳医疗科技有限公司 | 一种数据处理的方法及装置、电子设备、存储介质 |
| CN112614104B (zh) * | 2020-12-22 | 2023-07-14 | 湖南伊鸿健康科技有限公司 | 一种红细胞重叠的分割计数方法及终端 |
| CN114612738B (zh) * | 2022-02-16 | 2022-11-11 | 中国科学院生物物理研究所 | 细胞电镜图像分割模型的训练方法和细胞器互作分析方法 |
| WO2024000313A1 (zh) * | 2022-06-29 | 2024-01-04 | 深圳华大生命科学研究院 | 基因图像数据校正方法、电子设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102297873A (zh) * | 2011-05-03 | 2011-12-28 | 杭州一二八医院 | 利用软x射线显微成像进行癌细胞图形识别的方法 |
| CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
| CN106780522A (zh) * | 2016-12-23 | 2017-05-31 | 杭州华卓信息科技有限公司 | 一种基于深度学习的骨髓液细胞分割方法 |
| CN107564025A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度神经网络的电力设备红外图像语义分割方法 |
| CN107871321A (zh) * | 2016-09-23 | 2018-04-03 | 南开大学 | 图像分割方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109890984B (zh) * | 2016-10-19 | 2024-03-29 | 香港中文大学 | 通过母体血浆dna的甲基化和大小谱分析进行胎龄评估 |
-
2018
- 2018-04-25 CN CN201810378996.8A patent/CN108765371B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102297873A (zh) * | 2011-05-03 | 2011-12-28 | 杭州一二八医院 | 利用软x射线显微成像进行癌细胞图形识别的方法 |
| CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
| CN107871321A (zh) * | 2016-09-23 | 2018-04-03 | 南开大学 | 图像分割方法及装置 |
| CN106780522A (zh) * | 2016-12-23 | 2017-05-31 | 杭州华卓信息科技有限公司 | 一种基于深度学习的骨髓液细胞分割方法 |
| CN107564025A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度神经网络的电力设备红外图像语义分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108765371A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765371B (zh) | 一种病理切片中非常规细胞的分割方法 | |
| CN111027493B (zh) | 一种基于深度学习多网络软融合的行人检测方法 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN106709568B (zh) | 基于深层卷积网络的rgb-d图像的物体检测和语义分割方法 | |
| CN111145174B (zh) | 基于图像语义特征进行点云筛选的3d目标检测方法 | |
| CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
| CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
| CN110766020A (zh) | 一种面向多语种自然场景文本检测与识别的系统及方法 | |
| CN111914698B (zh) | 图像中人体的分割方法、分割系统、电子设备及存储介质 | |
| CN106022231A (zh) | 一种基于多特征融合的行人快速检测的技术方法 | |
| CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
| CN111126127B (zh) | 一种多级空间上下文特征指导的高分辨率遥感影像分类方法 | |
| CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
| CN112085024A (zh) | 一种罐表面字符识别方法 | |
| CN113673338A (zh) | 自然场景文本图像字符像素弱监督自动标注方法、系统及介质 | |
| CN109409376B (zh) | 针对固废对象的图像分割方法、计算机终端及存储介质 | |
| CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
| CN109377511B (zh) | 基于样本组合和深度检测网络的运动目标跟踪方法 | |
| CN113298809B (zh) | 基于深度学习和超像素分割的复材超声图像缺陷检测方法 | |
| CN108090485A (zh) | 基于多视角融合的图像前景自动提取方法 | |
| Zhou et al. | Building segmentation from airborne VHR images using Mask R-CNN | |
| Rezaei et al. | Gland segmentation in histopathology images using deep networks and handcrafted features | |
| CN111738237B (zh) | 一种基于异构卷积的多核迭代rpn的目标检测方法 |
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 |