CN109033936A - 一种宫颈脱落细胞核图像识别方法 - Google Patents

一种宫颈脱落细胞核图像识别方法 Download PDF

Info

Publication number
CN109033936A
CN109033936A CN201810555507.1A CN201810555507A CN109033936A CN 109033936 A CN109033936 A CN 109033936A CN 201810555507 A CN201810555507 A CN 201810555507A CN 109033936 A CN109033936 A CN 109033936A
Authority
CN
China
Prior art keywords
cell core
region
optimizing
cervical exfoliated
exfoliated 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.)
Pending
Application number
CN201810555507.1A
Other languages
English (en)
Inventor
李庆华
夏啟凯
王喆
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN201810555507.1A priority Critical patent/CN109033936A/zh
Publication of CN109033936A publication Critical patent/CN109033936A/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
    • G06V20/695—Preprocessing, e.g. image segmentation
    • 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
    • G06V20/698—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种宫颈脱落细胞核图像识别方法，步骤：1输入宫颈脱落细胞核的训练及测试样本图像；2对宫颈脱落细胞核样本图像进行预处理；3对宫颈脱落细胞核进行特征提取并对该样本图像进行归一化和标识；4利用加权求和的方法构建混合核函数SVM分类器；5利用大网格结合QPSO算法在搜索区域进行寻优，寻找最优的区域；6利用中网格结合QPSO算法在最优的区域进行寻优，缩小最优区域；7利用小网格结合QPSO算法在寻优后的区域进行寻优，寻找最优的混合核函数参数，建立最优的SVM分类器；8、利用优化后的新的SVM分类器完成对测试集宫颈脱落细胞核的识别分类。其识别不同细胞核图像中的细胞种类，达到细胞核快速识别的效果。

Description

一种宫颈脱落细胞核图像识别方法
技术领域
本发明属于医学细胞图像处理领域，具体涉及一种宫颈脱落细胞核图像识别方法。
背景技术
在当前医学研究领域，癌症的问题是难以避免的方向，癌症作为当前世界难以克服的绝症，还没有很好的治愈方法，医学界大多是通过早期对患者进行医学检测。通过早期对癌变进行治疗和抑制，避免癌变在后期慢慢恶化，达到无法遏制的地步。宫颈癌是最常见的妇科恶性肿瘤。原位癌高发年龄为30~50岁，浸润癌为45~55岁，近年来其发病有年轻化的趋势。宫颈细胞的癌变是一个连续发展的过程，从宫颈细胞的病变发展到严重的浸润癌一般时间比较漫长，如能初期诊断出来并进行治疗，相对难度较小，费用较低，而一旦发展成为浸润癌，治疗就非常痛苦且费用高。在我国，宫颈细胞学检查已逐步成为女性常规的体检项目。“精准医疗”的提出更贴合当前时代和医学发展的需求，宫颈癌诊断病理分析作为当前替代癌症治疗的有效手段，对医学的发展和人体健康需求起着至关重要的作用，符合早期对癌病的诊断和检测，实现提前预防和治疗的效果。
在宫颈脱落细胞核识别研究中，由于细胞实际制片的操作过程中存在各种因素，获得的涂片细胞核大多数情况下都会存在粘连重叠，背景有杂质，细胞核不能准确有效地分割，癌变细胞核和正常细胞核的自动分割和识别是当前计算机图像处理和模式识别在医学领域应用的一个重要的研究课题。细胞核图像的自动分类大大提高了医学诊断的效率，当直接在图像上进行操作时，传统的分类方法由于数据的高维特性表现差，很难取得较好的效果，但是支持向量机（SVM）可以克服高维表示的缺陷，被广泛运用到图像分类中去。因此，本发明着重研究了SVM模型参数优化的方法，选择合适的参数并进行参数优化，得到学习能力和泛化能力良好的SVM分类器，提升SVM的分类能力，利用优化后的SVM分类器对细胞核进行训练，构建分类后的细胞核模型，利用建立的不同的细胞核模型，识别不同细胞核图像中的细胞种类，达到细胞核快速识别的效果。
发明内容
为克服传统分类方法的不足，本发明提供了一种基于混合网格搜索的QPSO算法对混合核函数SVM参数优化的宫颈脱落细胞核图像识别方法。
本发明的技术方案是这样实现的：
一种宫颈脱落细胞核图像识别方法，包括以下步骤：
步骤1：采集图像，利用显微镜和相机采集宫颈脱落细胞核图像，将细胞样本放在显微镜载物台上，利用相机聚焦拍照，采集清晰的样本细胞核图像；
将获取的宫颈脱落细胞核分成两类：一类宫颈脱落细胞核作为训练SVM分类器的训练细胞核，一类宫颈脱落细胞核作为测试SVM分类器性能的测试细胞核，将80%（400个）的宫颈脱落细胞核选作训练集，20%（100个）的宫颈脱落细胞核选作测试集；
步骤2：对宫颈脱落细胞核图像进行预处理，包括如下步骤：
对宫颈脱落细胞核图像进行降噪处理，采用面积为3*3的模板进行高斯滤波实现，如：
；
对整幅细胞核图像进行加权平均处理，用面积3*3的模板扫描每一个像素，用模板确定的邻域内像素的加权平均灰度值替代模板中心像素点的值，公式如下：
;
其中为点坐标，在图像处理中可认为是整数；是标准差；
对图像中细胞核进行分割处理，采用Otsu阈值分割算法和分水岭分割算法对细胞核进行分割；
Otsu法根据阈值把直方图分割成目标和背景两组代表阈值为时的类间方差，，分别为组产生的概率和均值，为整体图像的均值，两组间的类间差如下式：
；
其中最优阈值；
分水岭分割算法计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出结构进行判断及标注；
分水岭表示输入图像极大值点，为得到图像的边缘信息，通常把梯度图作为输入图像，公式如下：
；
式中，表示原始图像，表示梯度运算；
为降低分水岭算法产生的过度分割，对梯度图像进行阈值处理，消除灰度的微小变化产生的过度分割，公式如下：
；
式中，表示阈值；
步骤3：对宫颈脱落细胞核进行特征提取并对该样本图像进行归一化和标识，实现如下；
对细胞核的表型特征和光学特征进行提取，计算特征向量；提取细胞核的表型特征包括细胞的面积、周长、轴长、偏心率、质心等参数，细胞核的光学特征包括细胞核的光学密度方差、光学密度峰度、光强、最大光学密度等参数，计算这些特征的参数值；
对这些特征参数进行Z-score归一化处理，避免训练得到的模型权重过小，引起数值计算不稳定，使参数优化时能以较快的速度收敛，如公式：
；
代表某一个具体分数，代表平均数，代表标准差；
对应样本图像的类别，进行标识；
步骤4：利用加权求和的方法构建混合核函数SVM分类器；
选用基于径向的核函数RBF和多项式核函数POLY来构建混合核函数，POLY是全局性核函数，具有泛化能力强，学习能力弱的特点，RBF是局部性核函数，具有泛化能力弱，学习能力强的特点，故将全局性核函数POLY和局部性核函数RBF线性加权叠加构建新的核函数，提高核函数的泛化能力和学习能力，构建的混合核函数SVM模型为：
;
为混合权重系数，为惩罚因子，和是两个相近的向量，是多项式核函数参数，是径向基函数参数；
步骤5：利用混合网格搜索的QPSO算法对混合核函数SVM参数优化，寻找最优的混合核函数参数，建立最优的SVM分类器；
SVM分类器的参数寻优的最优精度要求为0.01，为了缩短寻优的时间并达到寻优精度，采用混合网格搜索的QPSO算法，即先采用大网格快速搜索最优区域，再用中网格缩小最优区域，最后用小网格锁定寻优位置；
先引入大网格搜索算法，选定搜索域，设定大网格的边长为，精度要求为1，快速搜索最优区域；
QPSO算法全局收敛效果好，利用量子粒子群QPSO算法对搜索域进行全局寻优，找到最优的、精度要求达到1的网格区域；
QPSO中粒子更新方式如下：
;
为所有个体当前最佳位置中心点；为第个个体在第维上的最佳位置；为介于和之间的随机位置；为粒子群规模；和为之间随机数；为收缩扩张系数；，为最大迭代次数；
具体步骤如下；
初始化粒子的初始速度和位置，迭代次数；
计算粒子的目标函数值；
初始化当前每个粒子的最优位置；
计算最佳目标函数值；
初始化全局最优位置和最佳目标函数值；
计算，，更新粒子新位置；
令，重复执行step3~step6，直到满足迭代次数要求或精度要求；
比较所有粒子当前最佳位置的目标函数值与全局最佳目标函数值，若粒子当前最佳位置的目标函数值小于全局最佳目标函数值，则用该粒子当前最佳位置的坐标和最佳目标函数值。若最优值在若干次内保持不变，结束寻优操作；
确定当前的最优网格区域；
再使用中网格对寻优的搜索域进行搜索，给定中网格边长为，精度要求为0.1，缩小最优区域范围；
利用量子粒子群QPSO算法对搜索域进行全局寻优，找到最优的、精度要求达到0.1的网格区域；
量子粒子群QPSO算法对网格的寻优步骤如上[0038]~[0048]所示，满足寻优精度0.1；
确定当前的最优网格区域；
最后使用小网格对寻优的搜索域进行搜索，给定网格边长为，精度要求为0.01，此时的小网格区域即为所要找到的最优位置；
利用量子粒子群QPSO算法对搜索域进行全局寻优，找到最优的、精度要求达到0.01的网格区域，即为最优位置；
量子粒子群QPSO算法对网格的寻优步骤如上[0038]~[0048]所示，满足寻优精度0.01；
确定当前的最优网格区域，即为最优位置；
找出此时的最优参数惩罚因子、混合核函数参数和权系数，利用寻优得到的最优参数融合训练集宫颈脱落细胞核对混合核函数SVM模型进行训练，建立最合理的混合核函数SVM分类模型；
步骤6：将测试集的宫颈脱落细胞核通过新建的混合核函数SVM分类器模型，根据建立的模型对测试集宫颈脱落细胞核特征匹配，进行分类识别；
输出识别结果。
本发明的有益效果在于：得到学习能力和泛化能力良好的SVM分类器，提升SVM的分类能力，利用优化后的SVM分类器对细胞核进行训练，构建分类后的细胞核模型，利用建立的不同的细胞核模型，识别不同细胞核图像中的细胞种类，达到细胞核快速识别的效果。
附图说明
图1为本发明宫颈脱落细胞核图像高斯滤波降噪前后对比示意图；
图2为本发明宫颈脱落细胞核图像细胞分割结果显示示意图；
图3为本发明宫颈脱落细胞核图像细胞分割保存示意图；
图4为本发明宫颈脱落细胞核图像细胞特征参数提取示意图；
图5为本发明宫颈脱落细胞核不同样本在不同核函数下的最优参数表示意图；
图6为本发明宫颈脱落细胞核识别分类结构示意图；
图7为本发明宫颈脱落细胞核识别过程的流程示意图；
图8为本发明宫颈脱落细胞核图像在参数寻优过程中的三种混合网格结合QPSO算法的寻优过程示意图；
图9为本发明宫颈脱落细胞核测试集样本在不同核函数下的分类准确率图表示意图；
图10为本发明宫颈脱落细胞核在不同核函数下的细胞识别率折线示意图；
图11为本发明宫颈脱落细胞核在不同算法优化的分类器识别率对比和优化的参数示意图；
具体实施方式。
下面结合附图和实施例对本发明方法作出进一步说明。
该实施例是基于混合网格搜索的QPSO算法对混合核函数SVM参数优化的宫颈脱落细胞核图像识别方法，包括以下步骤：
步骤1： 采集图像；首先要制作标本，对细胞制片、染色，通过麦克奥迪显微镜采集图像，利用高清晰的线阵相机采集清晰的细胞图像；将获取的宫颈脱落细胞核分成两类：一类宫颈脱落细胞核作为训练SVM分类器的训练细胞核，一类宫颈脱落细胞核作为测试SVM分类器性能的测试细胞核，将80%（400个）的宫颈脱落细胞核选作训练集，20%（100个）的宫颈脱落细胞核选作测试集；
步骤2： 对宫颈脱落细胞核图像进行预处理，包括对宫颈脱落细胞核图像进行降噪处理，如图1所示，采用面积为3*3的模板进行高斯滤波实现，对图像中细胞核进行分割处理，采用Otsu阈值分割算法和分水岭分割算法对细胞核进行分割，如图2所示，保存结果如图3所示；
步骤3： 对宫颈脱落细胞核进行特征提取并对该样本图像进行归一化和标识，对细胞核的表型特征和光学特征进行提取，计算特征向量；提取细胞核的表型特征包括细胞核的面积、周长、轴长、偏心率、质心等参数，细胞核的光学特征包括细胞核的光学密度方差、光学密度峰度、光强、最大光学密度等参数，如图4所示；对这些特征参数进行Z-score归一化处理，避免训练得到的模型权重过小，引起数值计算不稳定，使参数优化时能以较快的速度收敛；
；
步骤4： 选用基于径向的核函数RBF和多项式核函数POLY来构建混合核函数，POLY是全局性核函数，具有泛化能力强，学习能力弱的特点，RBF是局部性核函数，具有泛化能力弱，学习能力强的特点，故将全局性核函数POLY和局部性核函数RBF线性加权叠加构建新的核函数，提高核函数的泛化能力和学习能力，构建的混合核函数SVM模型为：
；
步骤5： 引入混合网格搜索算法结合QPSO算法，基于量子粒子群优化算法QPSO和以不同大小的网格搜索算法的混合算法，QPSO具有全局收敛好，混合网格搜索从大网格搜索到中网格，再到小网格搜索，满足搜索的精度从1到0.1再到0.01，缩短搜索的时间，快速确定最优搜索域，并最终确定最优位置，找出此时的最优参数惩罚因子、混合核函数参数和权系数，如图6所示，利用寻优得到的最优参数融合训练集宫颈脱落细胞核对混合核函数SVM模型进行训练，建立最合理的混合核函数SVM分类模型；工作流程如图7所示，混合网格结合QPSO算法的结构框图如图8所示；
步骤6：比较不同样本在不同核函数下的最优参数，如图9所示；输入测试集的宫颈脱落细胞核，利用优化后的新的SVM分类器完成对测试集宫颈脱落细胞核的识别分类，输出识别结果，测试集样本在不同核函数下的分类准确率，如图10和图11所示。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种宫颈脱落细胞核图像识别方法，其特征在于，包括以下步骤：
步骤1：输入宫颈脱落细胞核的训练及测试样本图像，将大部分样本选作训练集，小部分选作测试集；
步骤2：对宫颈脱落细胞核样本图像进行预处理；
步骤3：对宫颈脱落细胞核进行特征提取并对该样本图像进行归一化和标识；
步骤4：利用加权求和的方法构建混合核函数SVM分类器；
步骤5：利用大网格结合QPSO算法在搜索区域进行寻优，寻找最优的区域；
步骤6：利用中网格结合QPSO算法在最优的区域进行寻优，缩小最优区域；
步骤7：利用小网格结合QPSO算法在寻优后的区域进行寻优，寻找最优的混合核函数参数，建立最优的SVM分类器；
步骤8：利用优化后的新的SVM分类器完成对测试集宫颈脱落细胞核的识别分类。
2.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤1具体包括：获取大量的宫颈脱落细胞核样本，将获取的宫颈脱落细胞核分成两个部分，80%的宫颈脱落细胞核样本作为训练集，用于训练SVM分类器，20%的宫颈脱落细胞核样本作为测试集，用于测试构建的SVM分类器的训练效果和精度。
3.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤2具体包括：对图像进行降噪处理、细胞分割、归一化处理并标识，具体实现如下：
1）降噪处理方法是采用面积为3*3的模板进行高斯滤波方法实现：对整幅细胞核图像进行加权平均处理，用面积3*3的模板扫描每一个像素，用模板确定的邻域内像素的加权平均灰度值替代模板中心像素点的值，公式如下：
，
其中为点坐标，在图像处理中可认为是整数；是标准差；
2）细胞核分割处理，采用Otsu阈值分割算法和分水岭分割算法对细胞核进行分割；
a）Otsu法根据阈值把直方图分割成目标和背景两组代表阈值为时的类间方差，，分别为组产生的概率和均值，为整体图像的均值，两组间的类间差如下式：
，其中最优阈值；
b）分水岭分割算法计算分两个步骤，一个是排序过程，一个是淹没过程；
首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出结构进行判断及标注；
分水岭表示输入图像极大值点，为得到图像的边缘信息，通常把梯度图作为输入图像，即
，
式中，表示原始图像，表示梯度运算；
c）为降低分水岭算法产生的过度分割，对梯度图像进行阈值处理，消除灰度的微小变化产生的过度分割，即：式中，表示阈值。
4.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤3具体包括：对细胞核的表型特征和光学特征进行提取，计算特征向量；提取细胞核的表型特征包括细胞核的面积、周长、轴长、偏心率、质心等参数，细胞核的光学特征包括细胞核的光学密度方差、光学密度峰度、光强、最大光学密度等参数，计算这些特征的参数值，对这些特征参数进行Z-score归一化处理，避免训练得到的模型权重过小，引起数值计算不稳定，使参数优化时能以较快的速度收敛，如公式：
代表某一个具体分数，代表平均数，代表标准差；
对应样本图像的类别，进行标识。
5.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤4具体包括：选用基于径向的核函数RBF和多项式核函数POLY来构建混合核函数，POLY是全局性核函数，具有泛化能力强，学习能力弱的特点，RBF是局部性核函数，具有泛化能力弱，学习能力强的特点，故将全局性核函数POLY和局部性核函数RBF线性加权叠加构建新的核函数，提高核函数的泛化能力和学习能力，构建的混合核函数SVM模型为：
为混合权重系数，为惩罚因子，和是两个相近的向量，是多项式核函数参数，是径向基函数参数。
6.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤5具体包括：
a．SVM分类器最后寻优的最优参数精度设置为0.01，为了缩短整个寻优的时间，先使用大网格对选定的搜索域进行搜索，给定网格边长为，精度要求为1；
b．QPSO算法全局收敛效果好，利用量子粒子群QPSO算法对搜索域进行全局寻优，找到最优的、精度要求达到1的网格区域；
c．QPSO中粒子更新方式如下：
其中：为所有个体当前最佳位置中心点；为第个个体在第维上的最佳位置；为介于和之间的随机位置；为粒子群规模；和为之间随机数；为收缩扩张系数；，为最大迭代次数；
d．具体步骤如下：
Step1：初始化粒子的初始速度和位置，迭代次数；
Step2：计算粒子的目标函数值；
Step3：初始化当前每个粒子的最优位置；
Step4：计算最佳目标函数值；
Step5：初始化全局最优位置和最佳目标函数值；
Step6：计算，，更新粒子新位置；
Step7：令，重复执行step3~step6，直到满足迭代次数要求或精度要求；
Step8：比较所有粒子当前最佳位置的目标函数值与全局最佳目标函数值，若粒子当前最佳位置的目标函数值小于全局最佳目标函数值，则用该粒子当前最佳位置的坐标和最佳目标函数值；
若最优值在若干次内保持不变，结束寻优操作；
e．确定当前的最优网格区域。
7.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤6具体包括：
a．SVM分类器最后寻优的最优参数精度设置为0.01，为了缩短整个寻优的时间，再使用中网格对寻优的搜索域进行搜索，给定网格边长为，精度要求为0.1；
b．利用量子粒子群QPSO算法对搜索域进行全局寻优，找到最优的、精度要求达到0.1的网格区域；
c．量子粒子群QPSO算法对网格的寻优步骤如上6中的c、d步骤所示，满足寻优精度0.1；
d．确定当前的最优网格区域。
8.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤7具体包括：
a．SVM分类器最后寻优的最优参数精度设置为0.01，最后使用小网格对寻优的搜索域进行搜索，给定网格边长为，精度要求为0.01，此时的小网格区域即为所要找到的最优位置；
b．利用量子粒子群QPSO算法对搜索域进行全局寻优，找到最优的、精度要求达到0.01的网格区域，即为最优位置；
c．量子粒子群QPSO算法对网格的寻优步骤如上6中的c、d步骤所示，满足寻优精度0.01；
d．确定当前的最优网格区域，即为最优位置；
e．找出此时的最优参数惩罚因子、混合核函数参数和权系数，利用寻优得到的最优参数融合训练集宫颈脱落细胞核对混合核函数SVM模型进行训练，建立最合理的混合核函数SVM分类模型。
9.根据权利要求1所述宫颈脱落细胞核图像识别方法，其特征在于：步骤8所述具体内容为，将测试集的宫颈脱落细胞核通过新建的混合核函数SVM分类器模型，根据建立的模型对测试集宫颈脱落细胞核特征匹配，进行分类识别。
CN201810555507.1A 2018-06-01 2018-06-01 一种宫颈脱落细胞核图像识别方法 Pending CN109033936A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810555507.1A CN109033936A (zh) 2018-06-01 2018-06-01 一种宫颈脱落细胞核图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810555507.1A CN109033936A (zh) 2018-06-01 2018-06-01 一种宫颈脱落细胞核图像识别方法

Publications (1)

Publication Number Publication Date
CN109033936A true CN109033936A (zh) 2018-12-18

Family

ID=64611899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810555507.1A Pending CN109033936A (zh) 2018-06-01 2018-06-01 一种宫颈脱落细胞核图像识别方法

Country Status (1)

Country Link
CN (1) CN109033936A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211108A (zh) * 2019-05-29 2019-09-06 武汉兰丁医学高科技有限公司 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法
CN110598836A (zh) * 2019-10-12 2019-12-20 中国科学院成都生物研究所 一种基于改进的粒子群寻优算法的代谢组学分析方法
CN110675411A (zh) * 2019-09-26 2020-01-10 重庆大学 基于深度学习的宫颈鳞状上皮内病变识别算法
CN112418317A (zh) * 2020-11-24 2021-02-26 西南交通大学 一种基于pso-svm的精密加工结构件识别分类的方法
CN113033287A (zh) * 2021-01-29 2021-06-25 杭州依图医疗技术有限公司 病理图像的显示方法及装置
CN113033389A (zh) * 2021-03-23 2021-06-25 天津凌视科技有限公司 一种利用高速成像装置进行图像识别的方法及系统
CN114018924A (zh) * 2021-11-23 2022-02-08 杭州智微信息科技有限公司 一种自动检测尿脱落细胞中异常细胞的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556693A (zh) * 2009-03-30 2009-10-14 西安电子科技大学 阈值法标记提取的分水岭sar图像分割方法
CN102175625A (zh) * 2010-11-29 2011-09-07 樊潮 一种癌细胞识别方法
CN104834914A (zh) * 2015-05-15 2015-08-12 广西师范大学 宫颈细胞图像特征识别方法及宫颈细胞特征识别装置
CN106204655A (zh) * 2016-07-14 2016-12-07 珠江水利委员会珠江水利科学研究院 基于粒子群构建模式的表面流速计算方法
CN107256393A (zh) * 2017-06-05 2017-10-17 四川大学 基于深度学习的一维生理信号的特征提取与状态识别

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556693A (zh) * 2009-03-30 2009-10-14 西安电子科技大学 阈值法标记提取的分水岭sar图像分割方法
CN102175625A (zh) * 2010-11-29 2011-09-07 樊潮 一种癌细胞识别方法
CN104834914A (zh) * 2015-05-15 2015-08-12 广西师范大学 宫颈细胞图像特征识别方法及宫颈细胞特征识别装置
CN106204655A (zh) * 2016-07-14 2016-12-07 珠江水利委员会珠江水利科学研究院 基于粒子群构建模式的表面流速计算方法
CN107256393A (zh) * 2017-06-05 2017-10-17 四川大学 基于深度学习的一维生理信号的特征提取与状态识别

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
伊力哈木•亚尔买买提: ""基于改进的自适应分水岭图像分割方法研究"", 《计算机仿真》 *
崔国恒等: ""粒子群算法优化混合核函数ＳＶＭ及应用"", 《舰船电子工程》 *
李文杰: ""一种多分类器融合的单个宫颈细胞图像分割、特征提取和分类识别方法研究"", 《中国优秀硕士学位论文全文数据库（电子期刊）医药卫生科技辑》 *
李文瑞等: ""QPSO 在结构测试数据生成中的应用研究"", 《计算机工程与设计》 *
王健峰等: ""基于改进的网格搜索法的SVM参数优化"", 《应用科技》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211108A (zh) * 2019-05-29 2019-09-06 武汉兰丁医学高科技有限公司 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法
CN110675411A (zh) * 2019-09-26 2020-01-10 重庆大学 基于深度学习的宫颈鳞状上皮内病变识别算法
CN110675411B (zh) * 2019-09-26 2023-05-16 重庆大学 基于深度学习的宫颈鳞状上皮内病变识别算法
CN110598836A (zh) * 2019-10-12 2019-12-20 中国科学院成都生物研究所 一种基于改进的粒子群寻优算法的代谢组学分析方法
CN110598836B (zh) * 2019-10-12 2023-04-28 中国科学院成都生物研究所 一种基于改进的粒子群寻优算法的代谢组学分析方法
CN112418317A (zh) * 2020-11-24 2021-02-26 西南交通大学 一种基于pso-svm的精密加工结构件识别分类的方法
CN113033287A (zh) * 2021-01-29 2021-06-25 杭州依图医疗技术有限公司 病理图像的显示方法及装置
CN113033389A (zh) * 2021-03-23 2021-06-25 天津凌视科技有限公司 一种利用高速成像装置进行图像识别的方法及系统
CN114018924A (zh) * 2021-11-23 2022-02-08 杭州智微信息科技有限公司 一种自动检测尿脱落细胞中异常细胞的方法

Similar Documents

Publication Publication Date Title
CN109033936A (zh) 一种宫颈脱落细胞核图像识别方法
Jia et al. Detection of cervical cancer cells based on strong feature CNN-SVM network
Saini et al. Deep transfer with minority data augmentation for imbalanced breast cancer dataset
Sebai et al. MaskMitosis: a deep learning framework for fully supervised, weakly supervised, and unsupervised mitosis detection in histopathology images
Bai et al. Liver tumor segmentation based on multi-scale candidate generation and fractal residual network
Sebai et al. PartMitosis: a partially supervised deep learning framework for mitosis detection in breast cancer histopathology images
US20150071541A1 (en) Automated method for measuring, classifying, and matching the dynamics and information passing of single objects within one or more images
CN110334565A (zh) 一种显微镜病理照片的宫颈癌病变细胞分类系统
CN106570505A (zh) 对组织病理图像进行分析的方法和系统
Yang et al. Cell image segmentation with kernel-based dynamic clustering and an ellipsoidal cell shape model
CN109902682A (zh) 一种基于残差卷积神经网络的乳腺x线图像检测方法
Wu et al. Ultrasound image segmentation method for thyroid nodules using ASPP fusion features
Albayrak et al. A hybrid method of superpixel segmentation algorithm and deep learning method in histopathological image segmentation
Khan et al. SMDetector: Small mitotic detector in histopathology images using faster R-CNN with dilated convolutions in backbone model
CN115471701A (zh) 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法
Ma et al. MACD R-CNN: an abnormal cell nucleus detection method
Hassan et al. A dilated residual hierarchically fashioned segmentation framework for extracting gleason tissues and grading prostate cancer from whole slide images
Kitrungrotsakul et al. Interactive deep refinement network for medical image segmentation
Nan et al. Unsupervised tissue segmentation via deep constrained gaussian network
Wu et al. A new multiple-distribution GAN model to solve complexity in end-to-end chromosome karyotyping
He et al. BCDnet: Parallel heterogeneous eight-class classification model of breast pathology
Samudrala et al. Semantic Segmentation in Medical Image Based on Hybrid Dlinknet and Unet
CN115131628A (zh) 一种基于分型辅助信息的乳腺图像分类方法及设备
Song et al. Liver segmentation based on SKFCM and improved GrowCut for CT images
CN114155399A (zh) 基于多特征融合递进式判别的乳腺病理全切片分类方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181218

RJ01 Rejection of invention patent application after publication