CN109063547A - 一种基于深度学习的细胞种类鉴定方法 - Google Patents
一种基于深度学习的细胞种类鉴定方法 Download PDFInfo
- Publication number
- CN109063547A CN109063547A CN201810610019.6A CN201810610019A CN109063547A CN 109063547 A CN109063547 A CN 109063547A CN 201810610019 A CN201810610019 A CN 201810610019A CN 109063547 A CN109063547 A CN 109063547A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- cell category
- thermal map
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012876 topography Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012797 qualification Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000001413 cellular effect Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 5
- 241000894007 species Species 0.000 description 3
- 108091092878 Microsatellite Proteins 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108020004414 DNA Proteins 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002956 ash Substances 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003752 polymerase chain reaction Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明具体涉及一种基于深度学习的细胞种类鉴定方法,该方法基于深度学习来预设神经网络模型,通过滑动窗口得到多个局部图像输入神经网络模型后,再将得出来的结果进行整合,而不是直接将细胞图像输入到神经网络模型中,提高了得到细胞种类热图的精度。上述过程均为计算机的图像处理过程,相比于现有常用的细胞鉴定方法,不需要人工操作,也不需要对细胞进行侵入性的检测,具有快速、方便、非侵入、全局检测等优点。
Description
技术领域
本发明涉及医学图像处理及机器学习领域,特别涉及一种基于深度卷积神经网络的显微镜下细胞种类鉴定方法。
背景技术
细胞种类鉴定在生物学实验中具有十分重要的作用,使用错误辨识的细胞会导致研究结论错误、实验结果不能复现等灾难性后果,浪费大量人力、物力。传统细胞种类鉴定方法有同工酶检测、细胞特异性抗体染色及STR(short tandem repeats,短串联重复序列)等多种方法。其中,STR是一种广泛存在于人类基因组中的基因序列,被称为DNA指纹。目前最常用的细胞鉴定方法是通过聚合酶链反应对STR基因位点进行检测,根据STR基因座的分析结果判断细胞类型。但是,STR细胞种类鉴定需要将细胞样本送往专业检测机构,该方法耗时较长、成本较高。
近年来,深度学习在目标识别、检测、语义分割等计算机视觉领域取得了巨大成功,相比传统机器学习方法需要专家经验手工设计特征进行特征提取而言,深度学习方法能够自动提取适用于分类等任务的图像特征,进行端到端训练,在准确率、效率等方面具有极大的优势。越来越多的研究人员开始将深度学习应用到医学图像处理领域,并取得了显著的研究成果。
发明内容
为了克服现有技术的缺陷,本发明提供一种基于深度学习的细胞种类鉴定方法,通过深度学习形成神经网络模型后,即可对采集显微镜下的细胞图像进行细胞种类鉴定,避免了传统细胞鉴定方法时间周期长、成本较高、侵入性等缺陷,具有快速、方便、非侵入、全局检测等优点。
针对上述发明目的,本发明是这样加以解决的:一种基于深度学习的细胞种类鉴定方法,包括如下步骤:
预先建立神经网络模型;采集细胞图像;
得出细胞种类热图:
S11、对细胞图像进行初步处理;
S12、采用滑动窗口的方式使细胞图像分为多个局部图像;
S13、多个局部图像输入神经网络模型中,得到局部图像的细胞种类标签;
S14、将所有细胞种类标签整合为细胞种类热图;
得出二值化图像及细胞密度热图:
S21、对经步骤S11处理后的细胞图像进行阈值化处理,得到二值化图像;
S22、采用滑动窗口的方式使二值化图像分为多个局部二值化图像,计算每个局部二值化图像中细胞区域所占总区域的比例,整合计算得到的所有比例,得到细胞密度热图;
得出细胞种类鉴定结果:
S31、整合细胞种类热图和二值化图像,得到二值化细胞种类热图;
S32、结合二值化细胞种类热图和细胞密度热图,得到细胞图像的细胞种类鉴定结果。
本发明基于深度学习来预设神经网络模型,通过滑动窗口得到多个局部图像输入神经网络模型后,再将得出来的结果进行整合,而不是直接将细胞图像输入到神经网络模型中,提高了得到细胞种类热图的精度。二值化图像实际上将图像分为细胞区域和背景区域,步骤S31的意义是,将细胞种类热图中背景区域的细胞种类标签去除,提高预测精度。步骤S32的意义是,细胞密度热图可以体现出细胞密度的大小,根据细胞密度的大小,对二值化细胞种类热图进行处理,如果某区域细胞密度过低,则二值化细胞种类热图中对应区域的细胞种类标签也需要进行去除,提高最终得到的细胞种类鉴定结果的精度。上述过程均为计算机的图像处理过程,相比于现有常用的细胞鉴定方法,不需要人工操作,也不需要对细胞进行侵入性的检测,具有快速、方便、非侵入、全局检测等优点。
进一步地,所述细胞种类标签为指代灰度级别的数值,不同的数值对应不同的灰度级别以及细胞种类;所述步骤S14具体为:
S141、根据细胞种类标签将局部图像处理成为对应的灰度级别;
S142、按细胞图像组合所有局部图像,形成细胞种类热图。
进一步地,整合计算得到的所有比例,得到细胞密度热图,具体为:
S221、将所有比例分别映射为灰度级别数值,并根据比例所映射的数值,将局部二值化图像处理成为对应的灰度级别;
S222、按细胞图像组合所有局部二值化图像,得到细胞密度热图。
进一步地,所述步骤S11具体为:
S111、对细胞图像进行高斯滤波、灰度归一化及提升对比度;
S112、再对细胞图像进行形态学处理。
形态学处理具体指对图像进行阈值化操作,并去除其大小小于64个像素的噪点及孔洞。
进一步地,灰度归一化处理过程具体为:
对细胞图像进行数据扩增,使用滑动窗口的方式遍历细胞图像,得到多个图像块,计算每个图像块中的灰度值,并根据每个图像块中的灰度值对细胞图像进行灰度归一化处理。
进一步地,计算每个图像块中的灰度值具体为:计算每个图像块中像素点灰度值的均值和标准差,通过均值和标准差计算每个图像块的灰度值。具体的公式为:其中Iout为最终计算得到的灰度值,Iin为每个图像块中像素点的灰度值,Meanin和STDin为图像块中灰度值的均值及标准差,Meanout和STDout为预先设定的图像块中灰度值的均值及标准差。
进一步地,在步骤S31前,还包括去除二值化图像中的孔洞及噪点。
进一步地,所述预先建立神经网络模型的步骤为:
S00、预设神经网络;
S01、收集已标记好不同细胞种类标签的原始图像;
S02、初步处理原始图像;
S03、对原始图像进行数据扩增;
S04、使用滑动窗口的方式对原始图像划分为多个局部原始图像,并将多个局部原始图像输入神经网络中进行训练,得到神经网络模型。
上述步骤S02中的初步处理等同于步骤S11。
进一步地,数据扩增过程包括:缩放、旋转以及色彩通道偏移。
根据缩放程度、旋转角度以及色彩通道偏移值大小的不同,能够制造出大量的图像,以此有效扩增图像的数量。
进一步地,所述步骤S00为:预设包括6个卷积层、2个全连接层的深度卷积神经网络。
相比于现有技术,本发明的有益效果为:
(1)本发明基于细胞显微镜下形态学特征进行细胞种类鉴定,研究人员只需采集所培养细胞显微镜下清晰图像,将其输入根据本申请的方法运行的系统中,系统便会快速返回所培养细胞的种类鉴定结果,鉴定过程简便、实效性高、成本较低。而且所鉴定的细胞就是所培养细胞本身,可以实现所培养细胞的全局性鉴定,避免了传统细胞种类鉴定手段的鉴定样本与培养细胞不一致、只能在所培养细胞中取样进行局部鉴定的弊端,且不需要人工操作,也不需要对细胞进行侵入性的检测,具有快速、方便、非侵入、全局检测等优点。
(2)本发明使用深度卷积神经网络自动提取适合分类的细胞形态特征并对其分类,使用统一的模型进行特征提取及分类,分类流程简便,同时通过对图像进行一定的处理分析,保证较高的分类准确率。
(3)本发明所提出方法具有较强的鲁棒性。本发明考虑了拍摄噪声、光照变化、细胞大小及细胞密度等多种因素对模型准确率的影响,对输入细胞图像进行灰度归一化及对比度提升等预处理,之后结合二值化图像、细胞密度热图、细胞种类热图进行后处理得到细胞种类的鉴定结果,可以有效滤除噪声,提高模型的鲁棒性。
(4)本发明选用深度卷积神经网络作为显微镜下细胞图像分类的基础模型,在其训练过程中只需要提供细胞图像的细胞种类标签,一般一张用于训练的细胞图像中只含一种细胞,也即只有一个细胞种类标签,避免了细胞图像像素级分类带来的细胞图像像素级标注。节省大量人力物力、有效避免了图像标签标注错误对模型的影响。
(5)本发明所提出的方法能够非常容易的拓展到更多种类细胞的鉴定场景,当需要鉴定新种类细胞时,只需采集适当数量、经过鉴定的相应细胞各种生长状态下的显微镜下细胞图像,将其加入到包括有原始图像的细胞图像数据库中,利用该细胞图像数据库重新训练深度卷积神经网络即可。
附图说明
图1是本发明的主要流程图。
图2是本发明得出细胞种类热图的流程图。
图3是本发明得出二值化图像及细胞密度热图的流程图。
图4是本发明得出细胞种类鉴定结果的流程图。
图5是本发明预先建立神经网络模型的流程图
具体实施方式
下面结合附图和实施例对本发明进行详细地说明。
如图1所示的一种基于深度学习的细胞种类鉴定方法,包括如下步骤:
预先建立神经网络模型;采集细胞图像;
图2所示的得出细胞种类热图:
S11、对细胞图像进行初步处理;
S12、采用滑动窗口的方式使细胞图像分为多个局部图像;
S13、多个局部图像输入神经网络模型中,得到局部图像的细胞种类标签;
S14、将所有细胞种类标签整合为细胞种类热图;
图3所示的得出二值化图像及细胞密度热图:
S21、对经步骤S11处理后的细胞图像进行阈值化处理,得到二值化图像;
S22、采用滑动窗口的方式使二值化图像分为多个局部二值化图像,计算每个局部二值化图像中细胞区域所占总区域的比例,整合计算得到的所有比例,得到细胞密度热图;
图4所示的得出细胞种类鉴定结果:
S31、先去除二值化图像中的孔洞及噪点,再整合细胞种类热图和二值化图像,得到二值化细胞种类热图;
S32、结合二值化细胞种类热图和细胞密度热图,得到细胞图像的细胞种类鉴定结果。
本发明基于深度学习来预设神经网络模型,通过滑动窗口得到多个局部图像输入神经网络模型后,再将得出来的结果进行整合,而不是直接将细胞图像输入到神经网络模型中,提高了得到细胞种类热图的精度。二值化图像实际上将图像分为细胞区域和背景区域,步骤S31的意义是,将细胞种类热图中背景区域的细胞种类标签去除,提高预测精度。步骤S32的意义是,细胞密度热图可以体现出细胞密度的大小,根据细胞密度的大小,对二值化细胞种类热图进行处理,如果某区域细胞密度过低,则二值化细胞种类热图中对应区域的细胞种类标签也需要进行去除,提高最终得到的细胞种类鉴定结果的精度。上述过程均为计算机的图像处理过程,相比于现有常用的细胞鉴定方法,不需要人工操作,也不需要对细胞进行侵入性的检测,具有快速、方便、非侵入、全局检测等优点。
图5所示的所述预先建立神经网络模型的步骤为:
S00、预设包括6个卷积层、2个全连接层的神经网络;
S01、收集已标记好不同细胞种类标签的原始图像,并以这些原始图像建立细胞图像数据库;
S02、初步处理原始图像,即对细胞图像进行高斯滤波、灰度归一化、提升对比度以及形态学处理等预处理操作,形态学处理具体指对图像进行阈值化操作,并去除其大小小于64个像素的噪点及孔洞。;
S03、对原始图像进行数据扩增,具体为对原始图像进行缩放、旋转以及色彩通道偏移:
S031、对原始图像进行缩放系数分别为{0.9,1.0,1.1}的缩放,得到多种缩放程度不同的图像,并将缩放后图像标记为原始图像的标签。
S032、对上一步处理得到的图像,分别进行旋转角度为{-90,0,90}的旋转,得到多种旋转角度和缩放程度不同的图像,并将旋转后图像标记为原始图像的标签。
S033、对上一步处理得到的图像,对其图像灰度值分别进行系数为{-10,0,10}的色彩通道偏移,即将原始图像每个通道的亮度值分别加上偏移系数,得到多种旋转角度、缩放程度和色彩通道偏移值均不同的图像,并将偏移后的图像标记为原始图像标签。
通过上述数据扩增操作,可以将数据集扩增3x3x3=27倍;
S04、使用滑动窗口的方式对原始图像划分为多个局部原始图像,并将多个局部原始图像输入神经网络中进行训练,采用反向传播及随机梯度下降的方式,并使深度卷积神经网络的损失函数最小,最终得到训练完成的深度卷积神经网络模型。
所述步骤S11具体为:
S111、对细胞图像进行高斯滤波、灰度归一化及提升对比度;
S112、再对细胞图像进行形态学处理。
上述步骤中有提及的灰度归一化处理过程具体为:
对细胞图像进行步骤S03中的数据扩增操作,使用滑动窗口的方式遍历细胞图像,得到多个图像块,计算每个图像块中的灰度值,并根据每个图像块中的灰度值对细胞图像进行灰度归一化处理。
计算每个图像块中的灰度值具体为:计算每个图像块中像素点灰度值的均值和标准差,通过均值和标准差计算每个图像块的灰度值。具体的公式为:其中Iout为最终计算得到的灰度值,Iin为每个图像块中像素点的灰度值,Meanin和STDin为图像块中灰度值的均值及标准差,Meanout和STDout为预先设定的图像块中灰度值的均值及标准差,Meanout和STDout分别预先设定为120和20。
所述细胞种类标签为指代灰度级别的数值,不同的数值对应不同的灰度级别以及细胞种类;所述步骤S14具体为:
S141、根据细胞种类标签将局部图像处理成为对应的灰度级别;
S142、按细胞图像组合所有局部图像,形成细胞种类热图。
整合计算得到的所有比例,得到细胞密度热图,具体为:
S221、将所有比例分别映射为灰度级别数值,并根据比例所映射的数值,将局部二值化图像处理成为对应的灰度级别,具体比例ρ=[0,1],在映射过程中使用255*ρ,将比例映射为灰度级别数值[0,255]的范围内;
S222、按细胞图像组合所有局部二值化图像,得到细胞密度热图。
所述步骤S32的具体为:对二值化细胞种类热图逐个像素点进行遍历,若该像素点在背景区域则跳过,若该像素点在细胞区域,则判断该像素点在对应的细胞密度热度中的灰度值,如果灰度值小于阈值T,则去除该像素点的细胞种类标签,如果灰度值大于阈值T,则保留该像素点的细胞种类标签。具体实施过程中T的取值为[10%*255]=26。
Claims (10)
1.一种基于深度学习的细胞种类鉴定方法,其特征在于,包括如下步骤:
预先建立神经网络模型;采集细胞图像;
得出细胞种类热图:
S11、对细胞图像进行初步处理;
S12、采用滑动窗口的方式使细胞图像分为多个局部图像;
S13、多个局部图像输入神经网络模型中,得到局部图像的细胞种类标签;
S14、将所有细胞种类标签整合为细胞种类热图;
得出二值化图像及细胞密度热图:
S21、对经步骤S11处理后的细胞图像进行阈值化处理,得到二值化图像;
S22、采用滑动窗口的方式使二值化图像分为多个局部二值化图像,计算每个局部二值化图像中细胞区域所占总区域的比例,整合计算得到的所有比例,得到细胞密度热图;
得出细胞种类鉴定结果:
S31、整合细胞种类热图和二值化图像,得到二值化细胞种类热图;
S32、结合二值化细胞种类热图和细胞密度热图,得到细胞图像的细胞种类鉴定结果。
2.根据权利要求1所述的一种基于深度学习的细胞种类鉴定方法,其特征在于,所述细胞种类标签为指代灰度级别的数值,不同的数值对应不同的灰度级别以及细胞种类;所述步骤S14具体为:
S141、根据细胞种类标签将局部图像处理成为对应的灰度级别;
S142、按细胞图像组合所有局部图像,形成细胞种类热图。
3.根据权利要求1所述的一种基于深度学习的细胞种类鉴定方法,其特征在于,整合计算得到的所有比例,得到细胞密度热图,具体为:
S221、将所有比例分别映射为灰度级别数值,并根据比例所映射的数值,将局部二值化图像处理成为对应的灰度级别;
S222、按细胞图像组合所有局部二值化图像,得到细胞密度热图。
4.根据权利要求1所述的一种基于深度学习的细胞种类鉴定方法,其特征在于,所述步骤S11具体为:
S111、对细胞图像进行高斯滤波、灰度归一化及提升对比度;
S112、再对细胞图像进行形态学处理。
5.根据权利要求4所述的一种基于深度学习的细胞种类鉴定方法,其特征在于,灰度归一化处理过程具体为:
对细胞图像进行数据扩增,使用滑动窗口的方式遍历细胞图像,得到多个图像块,计算每个图像块中的灰度值,并根据每个图像块中的灰度值对细胞图像进行灰度归一化处理。
6.根据权利要求5所述的一种基于深度学习的细胞种类鉴定方法,其特征在于,计算每个图像块中的灰度值具体为:计算每个图像块中像素点灰度值的均值和标准差,通过均值和标准差计算每个图像块的灰度值。
7.根据权利要求1所述的一种基于深度学习的细胞种类鉴定方法,其特征在于,在步骤S31前,还包括去除二值化图像中的孔洞及噪点。
8.根据权利要求1所述的一种基于深度学习的细胞种类鉴定方法,其特征在于,所述预先建立神经网络模型的步骤为:
S00、预设神经网络;
S01、收集已标记好不同细胞种类标签的原始图像;
S02、初步处理原始图像;
S03、对原始图像进行数据扩增;
S04、使用滑动窗口的方式对原始图像划分为多个局部原始图像,并将多个局部原始图像输入神经网络中进行训练,得到神经网络模型。
9.根据权利要求5或8所述的一种基于深度学习的细胞种类鉴定方法,其特征在于,数据扩增过程包括:缩放、旋转以及色彩通道偏移。
10.根据权利要求8所述的一种基于深度学习的细胞种类鉴定方法,其特征在于,所述步骤S00为:预设包括6个卷积层、2个全连接层的深度卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810610019.6A CN109063547B (zh) | 2018-06-13 | 2018-06-13 | 一种基于深度学习的细胞种类鉴定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810610019.6A CN109063547B (zh) | 2018-06-13 | 2018-06-13 | 一种基于深度学习的细胞种类鉴定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063547A true CN109063547A (zh) | 2018-12-21 |
CN109063547B CN109063547B (zh) | 2021-10-08 |
Family
ID=64820861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810610019.6A Active CN109063547B (zh) | 2018-06-13 | 2018-06-13 | 一种基于深度学习的细胞种类鉴定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063547B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200428A (zh) * | 2014-08-18 | 2014-12-10 | 南京信息工程大学 | 基于非负矩阵分解的显微图像彩色去卷积方法及分割方法 |
CN104239873A (zh) * | 2014-04-24 | 2014-12-24 | 友达光电股份有限公司 | 图像处理装置及处理方法 |
CN104715259A (zh) * | 2015-01-22 | 2015-06-17 | 苏州工业职业技术学院 | X光乳腺图像的核自适应优化分类方法 |
US20150248556A1 (en) * | 2014-02-28 | 2015-09-03 | Government Of The United States, As Represented By The Secretary Of The Air Force | Firmware Disassembly System |
CN106326937A (zh) * | 2016-08-31 | 2017-01-11 | 郑州金惠计算机系统工程有限公司 | 基于卷积神经网络的人群密度分布估计方法 |
CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
CN107209111A (zh) * | 2015-01-31 | 2017-09-26 | 文塔纳医疗系统公司 | 自动化整体载片分析的质量控制 |
KR20180058624A (ko) * | 2016-11-24 | 2018-06-01 | 고려대학교 산학협력단 | 차량에서의 돌발적으로 출현한 이동 객체를 탐지하는 방법 및 장치 |
-
2018
- 2018-06-13 CN CN201810610019.6A patent/CN109063547B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150248556A1 (en) * | 2014-02-28 | 2015-09-03 | Government Of The United States, As Represented By The Secretary Of The Air Force | Firmware Disassembly System |
CN104239873A (zh) * | 2014-04-24 | 2014-12-24 | 友达光电股份有限公司 | 图像处理装置及处理方法 |
CN104200428A (zh) * | 2014-08-18 | 2014-12-10 | 南京信息工程大学 | 基于非负矩阵分解的显微图像彩色去卷积方法及分割方法 |
CN104715259A (zh) * | 2015-01-22 | 2015-06-17 | 苏州工业职业技术学院 | X光乳腺图像的核自适应优化分类方法 |
CN107209111A (zh) * | 2015-01-31 | 2017-09-26 | 文塔纳医疗系统公司 | 自动化整体载片分析的质量控制 |
CN106326937A (zh) * | 2016-08-31 | 2017-01-11 | 郑州金惠计算机系统工程有限公司 | 基于卷积神经网络的人群密度分布估计方法 |
KR20180058624A (ko) * | 2016-11-24 | 2018-06-01 | 고려대학교 산학협력단 | 차량에서의 돌발적으로 출현한 이동 객체를 탐지하는 방법 및 장치 |
CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
Non-Patent Citations (4)
Title |
---|
YAN XU 等: "Large scale tissue histopathology image classification, segmentation, and visualization via deep convolutional activation features", 《BMC BIOINFORMATICS》 * |
何黄凯等: "基于LBP核密度估计的动态目标分割模型研究 ", 《计算机应用研究》 * |
宁梓淯 等: "基于细胞核特征的宫颈癌细胞图像的识别与分类", 《自动化与仪器仪表》 * |
热孜万古丽·夏米西丁: "医学图像分割算法分类及特点", 《科技信息》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109063547B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN109117703A (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
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 | |
CN110516584B (zh) | 一种显微镜用的基于动态学习的细胞自动计数方法 | |
CN110517273B (zh) | 基于动态梯度阈值的细胞学图像分割方法 | |
CN112581483B (zh) | 基于自学习的植物叶片叶脉分割方法和装置 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN110246579B (zh) | 一种病理诊断方法及装置 | |
CN113673618A (zh) | 一种融合注意力模型的烟虫目标检测方法 | |
CN106529552A (zh) | 一种扇贝贝壳生长纹路的分割与识别方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN112329664A (zh) | 一种原核期胚胎原核数量的评估方法 | |
CN114399763B (zh) | 一种单样本与小样本微体古生物化石图像识别方法及系统 | |
CN116978543A (zh) | 人工智能辅助骨髓肿瘤病理诊断装置 | |
CN111210447A (zh) | 一种苏木精-伊红染色病理图像层次分割的方法及终端 | |
WO2020007587A1 (en) | Method and apparatus for training a neural network classifier to classify an image depicting one or more objects of a biological sample | |
Zhang et al. | A novel concavity based method for automatic segmentation of touching cells in microfluidic chips | |
Rabatel et al. | Grape berry calibration by computer vision using elliptical model fitting | |
CN109063547A (zh) | 一种基于深度学习的细胞种类鉴定方法 | |
CN116343205A (zh) | 一种浮游藻类细胞荧光-明场显微图像自动标注方法 | |
CN114118305A (zh) | 一种样本筛选方法、装置、设备及计算机介质 | |
CN114186625A (zh) | 一种基于图像特征融合的木材鉴定方法及系统 | |
CN110084125B (zh) | 一种基于深度学习的农业保险查勘技术方法 | |
CN113192108A (zh) | 一种针对视觉跟踪模型的人在回路训练方法及相关装置 | |
Soleimany et al. | Image segmentation of liver stage malaria infection with spatial uncertainty sampling |
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 |