CN109308695A - 基于改进U-net卷积神经网络模型的癌细胞识别方法 - Google Patents
基于改进U-net卷积神经网络模型的癌细胞识别方法 Download PDFInfo
- Publication number
- CN109308695A CN109308695A CN201811068427.XA CN201811068427A CN109308695A CN 109308695 A CN109308695 A CN 109308695A CN 201811068427 A CN201811068427 A CN 201811068427A CN 109308695 A CN109308695 A CN 109308695A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- networks model
- net
- net convolutional
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
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
本发明公开了一种基于改进U‑net卷积神经网络模型的癌细胞检测方法。该方法为:获取癌细胞的医学图像,对于医学图像进行处理,对医学图像中的癌细胞进行标注,构成带有标注的数据集,并将数据集分为训练集、验证集、测试集三个部分;构建U‑net卷积神经网络模型,确定U‑net卷积神经网络模型的参数,在U‑net卷积神经网络模型中载入测试集和验证集,通过深度学习方法从图像上进行特征学习,采用测试和验证相结合的方式,得到训练好的U‑net卷积神经网络模型;将训练好的U‑net卷积神经网络模型进行部署,用于对测试集中的癌细胞进行自动检测。本发明利用底部特征,直接从图像上进行特征学习,有较高的运行效率和自动检测准确度。
Description
技术领域
本发明涉及癌细胞的自动化检测技术领域,特别是一种基于改进U-net卷积神经网络模型的癌细胞识别方法。
背景技术
随着计算机科学技术的飞速发展,人们对计算机的要求在不断提升,目前已经不仅仅满足于海量的数据存储以及查找和海量数据计算,人们开始希望利用计算机来实现我们人类的某些特定的技能,因此计算机的应用的领域不断增大。其中利用计算机技术进行医学图像处理和分析以及自动识别,在医疗诊断中发挥了极其重要的作用。
在对医学图像进行分析时,通过专业人士利用显微镜进行人工观察,并对红细胞、白细胞等细胞的形态、数目等进行诊断,是之前诊断疾病的最基本的方法之一,但是像这样的人工检查血液显微图片是一件既需要耗费大量时间又需要耗费大量精力的工作。同时,在传统的图像处理方法中,根据一些算子来对图像进行处理的方法受到了很多条件的限制,导致无法对癌细胞进行准确、高效的识别。
发明内容
本发明的目的在于提供一种基于改进U-net卷积神经网络模型的癌细胞检测方法,能够通过医学图像得到更加准确的癌细胞检测结果。
实现本发明目的的技术解决方案为:一种基于改进U-net卷积神经网络模型的癌细胞检测方法,包括以下步骤:
步骤1、获取癌细胞的医学图像;
步骤2、对于医学图像进行处理,对医学图像中的癌细胞进行标注,从而构成训练U-net神经网络模型所需的带有标注的数据集,将标注好的数据集分为训练集、验证集、测试集三个部分;
步骤3、构建U-net卷积神经网络模型,确定U-net卷积神经网络模型的参数,在U-net卷积神经网络模型中载入测试集和验证集,通过深度学习方法从图像上进行特征学习,采用测试和验证相结合的方式,得到训练好的U-net卷积神经网络模型;
步骤4、将训练好的U-net卷积神经网络模型进行部署,用于对测试集中的癌细胞进行自动检测。
进一步地,步骤2中所述的对于医学图像进行处理,对医学图像中的癌细胞进行标注,从而构成训练U-net神经网络模型所需的带有标注的数据集,将标注好的数据集分为训练集、验证集、测试集三个部分,具体如下:
步骤2.1、使用全局阈值分割,将给定的灰度值作为阈值,将处理出的图片作为标签,对于医学图像进行处理;
步骤2.2、对医学图像进行去噪处理;
步骤2.3、对医学图像进行连通区域的检测;
步骤2.4、将处理出来的二值化医学图像作为标注,和原医学图像一起构成数据集;
步骤2.5、将处理好的数据集分为训练集、验证集、测试集三个部分;其中训练集用于构建模型,验证集用于验证模型,测试集用于对模型进行测试。
进一步地,步骤3中所述的构建U-net卷积神经网络模型,确定U-net卷积神经网络模型的参数,在U-net卷积神经网络模型中载入测试集和验证集,通过深度学习方法从图像上进行特征学习,采用测试和验证相结合的方式,得到训练好的U-net卷积神经网络模型,具体如下:
步骤3.1、构建一个U-net卷积神经网络模型:
首先通过卷积和池化进行下采样;然后通过融合之前底层的特征图,实现反卷积上采样,重复上采样直到获得输出最后的结果;接着通过激活函数获得输出图像的像素分割,将特征的维度拼接在一起;最后对每个像素点进行类型判别;
步骤3.2、确定U-net卷积神经网络模型的参数:
将训练集中的数据随机载入U-net卷积神经网络中,使用深度学习的方法直接从图像序列上进行U-net卷积网络模型训练;
步骤3.3、训练U-net卷积神经网络模型:
使用多重交叉验证的方法,对U-net卷积神经网络模型训练过程中的误差值进行记录,当验证集的误差不再下降的时候,停止训练,保存当前的权重值作为训练好的U-net卷积神经网络模型的参数,之后使用测试集对U-net卷积神经网络模型进行性能测试,如果训练集上的性能差异大于阈值,则调整学习率直到找到泛化满足要求的模型参数。
本发明与现有技术相比,其显著优点在于:(1)采用了U-net网络,利用了底层特征,改善了上采样信息的不足;(2)U-net网络可以结合底层信息达到更好的分割效果;(3)具有较高的运行效率和自动检测准确度,对癌细胞的检测具有重要意义。
附图说明
图1是本发明基于改进U-net神经网络模型的癌细胞检测方法的流程图。
图2是本发明实施例中构建U-net卷积神经网络模型的流程示意图,其中(a)为前半部分流程图,(b)为后半部分流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
一种基于改进U-net卷积神经网络模型的癌细胞检测方法,包括以下步骤:
步骤1、获取癌细胞的医学图像;
步骤2、对于医学图像进行处理,对医学图像中的癌细胞进行标注,从而构成训练U-net神经网络模型所需的带有标注的数据集,将标注好的数据集分为训练集、验证集、测试集三个部分,具体如下:
步骤2.1、使用全局阈值分割,将给定的灰度值作为阈值,将处理出的图片作为标签,对于医学图像进行处理;
步骤2.2、对医学图像进行去噪处理;
步骤2.3、对医学图像进行连通区域的检测;
步骤2.4、将处理出来的二值化医学图像作为标注,和原医学图像一起构成数据集;
步骤2.5、将处理好的数据集分为训练集、验证集、测试集三个部分;其中训练集用于构建模型,验证集用于验证模型,测试集用于对模型进行测试。
步骤3、构建U-net卷积神经网络模型,确定U-net卷积神经网络模型的参数,在U-net卷积神经网络模型中载入测试集和验证集,通过深度学习方法从图像上进行特征学习,采用测试和验证相结合的方式,得到训练好的U-net卷积神经网络模型,具体如下:
步骤3.1、构建一个U-net卷积神经网络模型:
首先通过卷积和池化进行下采样;然后通过融合之前底层的特征图,实现反卷积上采样,重复上采样直到获得输出最后的结果;接着通过激活函数获得输出图像的像素分割,将特征的维度拼接在一起,形成更“厚”的特征,从而达到更好的效果,整个U‐net卷积神经网络模型主要可以分为三个部分,首先进行下采样和上采样;之后进行特征图的维度拼接;最后对每个像素点进行类型判别;
步骤3.2、确定U-net卷积神经网络模型的参数:
将训练集中的数据随机载入U-net卷积神经网络中,使用深度学习的方法直接从图像序列上进行U-net卷积网络模型训练;
步骤3.3、训练U-net卷积神经网络模型:
使用多重交叉验证的方法,对U-net卷积神经网络模型训练过程中的误差值进行记录,当验证集的误差不再下降的时候,停止训练,保存当前的权重值作为训练好的U-net卷积神经网络模型的参数,之后使用测试集对U-net卷积神经网络模型进行性能测试,如果训练集上的性能差异大于阈值,则调整学习率直到找到泛化满足要求的模型参数。
步骤4、将训练好的U-net卷积神经网络模型进行部署,用于对测试集中的癌细胞进行自动检测。
实施例1
结合图1,一种基于改进U-net神经网络模型的癌细胞识别方法,包括以下步骤:
步骤1、获取癌细胞的医学图像:
实验数据训练集在一个目录下,其中包含了训练的样本和标签。对于大小为128*128的训练样本执行步骤2,对于大于128*128的样本,对其按128*128进行裁剪,裁剪成若干部分。
步骤2、对于医学图像进行处理,对医学图像中的癌细胞进行标注,从而构成训练U-net神经网络模型所需的带有标注的数据集,将标注好的数据集分为训练集、验证集、测试集三个部分;
对训练图片进行灰度化,以及灰度调整。
步骤3、构建U-net卷积神经网络模型,确定U-net卷积神经网络模型的参数,在U-net卷积神经网络模型中载入测试集和验证集,通过深度学习方法从图像上进行特征学习,采用测试和验证相结合的方式,得到训练好的U-net卷积神经网络模型;
将训练集放入到神经网络中执行训练,训练完成之后保存模型。设置好损失函数和学习率,以及最优化方法和模型。
步骤4、将训练好的U-net卷积神经网络模型进行部署,用于对测试集中的癌细胞进行自动检测;
获取已经训练好的神经网络模型,对于测试集的图片采用与训练集预处理相同的操作进行预测,预测分为两个步骤:第一步为疑似异常细胞排查,是为了排除在预处理时没有完全清除的噪声,保留大于等于500的连通分量;方法是先将测试集的原图进行二值化处理,得到二值化图,之后进行连通区域检测,并且将连通区域面积小于500的连通分量舍去生成连通分量最左上的坐标的位置。第二步是获得准备裁剪的图像的左上角坐标,然后对原图进行裁剪128*128的区域,然后进行预测,得到预测结果。
结合图2(a)~(b),构建U-net卷积神经网络模型,确定U-net卷积神经网络模型的参数,在U-net卷积神经网络模型中载入测试集和验证集,通过深度学习方法直接从图像上进行特征学习,采用测试和验证结合的方式,得到训练好的U-net卷积神经网络模型,具体模型如下所述:
输入图像是128*128*1的,记为input。
第一层是卷积层conv1,通过32个3*3*1的卷积核(stride=1,padding=1)得到128*128*32的feature map,记为conv1_1。
第二层是卷积层conv2,通过32个3*3*32的卷积核(stride=1,padding=1)得到128*128*32的feature map,记为conv1_2。
第三层是池化层pool1,使用核为2*2的MaxPooling,得到64*64*32的featuremap,记为pool_1。
第四层是Dropout,断开百分比为0.25,得到feature map记为dropout_1。
第五层是卷积层conv3,通过64个3*3*32的卷积核(stride=1,padding=1)得到64*64*64的feature map,记为conv2_1。
第六层是卷积层conv4,通过64个3*3*64的卷积核(stride=1,padding=1)得到64*64*64的feature map,记为conv2_2。
第七层是池化层pool2,使用核为2*2的MaxPooling,得到32*32*64的featuremap,记为pool_2。
第八层是Dropout,断开百分比为0.25,得到feature map记为dropout_2。
第九层是卷积层conv5,通过128个3*3*64的卷积核(stride=1,padding=1)得到32*32*128的feature map,记为conv3_1。
第十层是卷积层conv6,通过128个3*3*128的卷积核(stride=1,padding=1)得到32*32*128的feature map,记为conv3_2。
第十一层是池化层pool3,使用核为2*2的MaxPooling,得到16*16*128的featuremap,记为pool_3。
第十二层是Dropout,断开百分比为0.25,得到feature map记为dropout_3。
第十三层是卷积层conv7,通过256个3*3*128的卷积核(stride=1,padding=1)得到16*16*256的feature map,记为conv4_1。
第十四层是卷积层conv8,通过256个3*3*256的卷积核(stride=1,padding=1)得到16*16*256的feature map,记为conv4_2。
第十五层是池化层pool4,使用核为2*2的MaxPooling,得到8*8*256的featuremap,记为pool_4。
第十六层是Dropout,断开百分比为0.25,得到feature map记为dropout_4。
第十七层是卷积层conv9,通过512个3*3*256的卷积核(stride=1,padding=1)得到8*8*512的feature map,记为conv5_1。
第十八层是卷积层conv10,通过512个3*3*512的卷积核(stride=1,padding=1)得到8*8*512的heat map,记为conv5_2。
第十九层是上采样层。使用核为2*2的Upsampling,得到16*16*512的featuremap,记为upsample_1,再将feature map和conv4_2进行特征拼接concat得到16*16*(512+256=768)的feature map,记为cancat_1。
第二十层是卷积层conv11,通过256个3*3*768的卷积核(stride=1,padding=1)得到16*16*256的feature map,记为conv6_1。
第二十一层是卷积层conv12,通过256个3*3*256的卷积核(stride=1,padding=1)得到16*16*256的feature map,记为conv6_2。
第二十二层是Dropout,断开百分比为0.25,得到feature map记为dropout_6。
第二十三层是上采样层。使用核为2*2的Upsampling,得到32*32*256的featuremap,记为upsample_2,再将feature map和conv3_2进行特征拼接concat得到32*32*(256+128=384)的feature map,记为cancat_2。
第二十四层是卷积层conv13,通过128个3*3*384的卷积核(stride=1,padding=1)得到32*32*128的feature map,记为conv7_1。
第二十五层是卷积层conv14,通过128个3*3*128的卷积核(stride=1,padding=1)得到32*32*128的feature map,记为conv7_2。
第二十六层是Dropout,断开百分比为0.25,得到feature map记为dropout_7。
第二十七层是上采样层。使用核为2*2的Upsampling,得到64*64*128的featuremap,记为upsample_3,再将feature map和conv2_2进行特征拼接concat得到64*64*(128+64=192)的feature map,记为cancat_3。
第二十八层是卷积层conv15,通过64个3*3*192的卷积核(stride=1,padding=1)得到64*64*64的feature map,记为conv8_1。
第二十九层是卷积层conv16,通过64个3*3*64的卷积核(stride=1,padding=1)得到64*64*64的feature map,记为conv8_2。
第三十层是Dropout,断开百分比为0.25,得到feature map记为dropout_8。
第三十一层是上采样层。使用核为2*2的Upsampling,得到128*128*64的featuremap,记为upsample_4,再将feature map和conv1_2进行特征拼接concat得到128*128*(64+32=96)的feature map,记为cancat_4。
第三十二层是卷积层conv17,通过32个3*3*96的卷积核(stride=1,padding=1)得到128*128*32的feature map,记为conv9_1。
第三十三层是卷积层conv18,通过32个3*3*32的卷积核(stride=1,padding=1)得到128*128*32的feature map,记为conv8_2。
第三十四层是Dropout,断开百分比为0.25,得到feature map记为dropout_9。
第三十五层是最后的卷积层(用于分类)。通过1个1*1*32的卷积核(stride=1,padding=1)得到128*128*1的feature map,记为output。
取标注的数据集进行划分,80%作为训练集,20%作为测试集,其中测试集的50%为验证集;对U-net卷积神经网络模模型进行训练,确定U-net卷积神经网络模型参数;使用多重交叉验证对于U-net卷积神经网络模型训练过程中的误差值进行记录,当验证集的误差不再下降的时候,停止训练,保存当前的权重值作为训练好的U-net卷积神经网络模型,观察训练好的U-net卷积神经网络模型在测试集上性能的变化,若在测试集上性能差异过大,则调整学习率重新训练直至找到泛化性能较好的模型参数。
将训练好的U-net神经网络模型进行部署,使用该模型对医学图形中的癌细胞进行自动化检测,检测结果中会给出医学图像中癌细胞的数量以及癌细胞的位置。
Claims (3)
1.一种基于改进U-net卷积神经网络模型的癌细胞检测方法,其特征在于,包括以下步骤:
步骤1、获取癌细胞的医学图像;
步骤2、对于医学图像进行处理,对医学图像中的癌细胞进行标注,从而构成训练U-net神经网络模型所需的带有标注的数据集,将标注好的数据集分为训练集、验证集、测试集三个部分;
步骤3、构建U-net卷积神经网络模型,确定U-net卷积神经网络模型的参数,在U-net卷积神经网络模型中载入测试集和验证集,通过深度学习方法从图像上进行特征学习,采用测试和验证相结合的方式,得到训练好的U-net卷积神经网络模型;
步骤4、将训练好的U-net卷积神经网络模型进行部署,用于对测试集中的癌细胞进行自动检测。
2.根据权利要求1所述的基于改进U-net卷积神经网络模型的癌细胞检测方法,其特征在于,步骤2中所述的对于医学图像进行处理,对医学图像中的癌细胞进行标注,从而构成训练U-net神经网络模型所需的带有标注的数据集,将标注好的数据集分为训练集、验证集、测试集三个部分,具体如下:
步骤2.1、使用全局阈值分割,将给定的灰度值作为阈值,将处理出的图片作为标签,对于医学图像进行处理;
步骤2.2、对医学图像进行去噪处理;
步骤2.3、对医学图像进行连通区域的检测;
步骤2.4、将处理出来的二值化医学图像作为标注,和原医学图像一起构成数据集;
步骤2.5、将处理好的数据集分为训练集、验证集、测试集三个部分;其中训练集用于构建模型,验证集用于验证模型,测试集用于对模型进行测试。
3.根据权利要求1所述的基于改进U-net卷积神经网络模型的癌细胞检测方法,其特征在于,步骤3中所述的构建U-net卷积神经网络模型,确定U-net卷积神经网络模型的参数,在U-net卷积神经网络模型中载入测试集和验证集,通过深度学习方法从图像上进行特征学习,采用测试和验证相结合的方式,得到训练好的U-net卷积神经网络模型,具体如下:
步骤3.1、构建一个U-net卷积神经网络模型:
首先通过卷积和池化进行下采样;然后通过融合之前底层的特征图,实现反卷积上采样,重复上采样直到获得输出最后的结果;接着通过激活函数获得输出图像的像素分割,将特征的维度拼接在一起;最后对每个像素点进行类型判别;
步骤3.2、确定U-net卷积神经网络模型的参数:
将训练集中的数据随机载入U-net卷积神经网络中,使用深度学习的方法直接从图像序列上进行U-net卷积网络模型训练;
步骤3.3、训练U-net卷积神经网络模型:
使用多重交叉验证的方法,对U-net卷积神经网络模型训练过程中的误差值进行记录,当验证集的误差不再下降的时候,停止训练,保存当前的权重值作为训练好的U-net卷积神经网络模型的参数,之后使用测试集对U-net卷积神经网络模型进行性能测试,如果训练集上的性能差异大于阈值,则调整学习率直到找到泛化满足要求的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811068427.XA CN109308695A (zh) | 2018-09-13 | 2018-09-13 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811068427.XA CN109308695A (zh) | 2018-09-13 | 2018-09-13 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109308695A true CN109308695A (zh) | 2019-02-05 |
Family
ID=65224492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811068427.XA Pending CN109308695A (zh) | 2018-09-13 | 2018-09-13 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308695A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037680A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技(深圳)有限公司 | 心电图的识别方法及装置、存储介质、计算机设备 |
CN110175989A (zh) * | 2019-05-08 | 2019-08-27 | 常州市第二人民医院 | 影像数据处理方法及其装置 |
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 |
CN110555831A (zh) * | 2019-08-29 | 2019-12-10 | 天津大学 | 一种基于深度学习的排水管道缺陷分割方法 |
CN110647875A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 |
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 |
CN110889394A (zh) * | 2019-12-11 | 2020-03-17 | 安徽大学 | 基于深度学习UNet网络的水稻倒伏识别方法 |
CN111326238A (zh) * | 2020-02-11 | 2020-06-23 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
CN111429452A (zh) * | 2020-04-15 | 2020-07-17 | 深圳市嘉骏实业有限公司 | 基于UNet卷积神经网络的膀胱超声图像分割方法及装置 |
CN111739057A (zh) * | 2020-06-03 | 2020-10-02 | 大连理工大学 | 一种基于U-net卷积神经网络模型的自由液面识别和提取方法 |
CN111833310A (zh) * | 2020-06-17 | 2020-10-27 | 桂林理工大学 | 一种基于神经网络架构搜索的表面缺陷分类方法 |
CN112270666A (zh) * | 2020-11-03 | 2021-01-26 | 辽宁工程技术大学 | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 |
CN112712522A (zh) * | 2020-10-30 | 2021-04-27 | 陕西师范大学 | 一种病理学图像的口腔癌上皮组织区域自动分割方法 |
WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
CN113361478A (zh) * | 2021-07-05 | 2021-09-07 | 上海大学 | 一种细胞运动过程中的形变跟踪方法及系统 |
CN116862836A (zh) * | 2023-05-30 | 2023-10-10 | 北京透彻未来科技有限公司 | 一种泛器官淋巴结转移癌检测系统及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 |
CN108154468A (zh) * | 2018-01-12 | 2018-06-12 | 平安科技(深圳)有限公司 | 肺结节探测方法、应用服务器及计算机可读存储介质 |
US20180218502A1 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN108389190A (zh) * | 2018-02-08 | 2018-08-10 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
-
2018
- 2018-09-13 CN CN201811068427.XA patent/CN109308695A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180218502A1 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 |
CN108154468A (zh) * | 2018-01-12 | 2018-06-12 | 平安科技(深圳)有限公司 | 肺结节探测方法、应用服务器及计算机可读存储介质 |
CN108389190A (zh) * | 2018-02-08 | 2018-08-10 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
Non-Patent Citations (1)
Title |
---|
徐峰: "基于U-net的结节分割方法", 《软件导刊》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037680A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技(深圳)有限公司 | 心电图的识别方法及装置、存储介质、计算机设备 |
CN110175989A (zh) * | 2019-05-08 | 2019-08-27 | 常州市第二人民医院 | 影像数据处理方法及其装置 |
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 |
CN110363747B (zh) * | 2019-06-14 | 2024-07-02 | 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 |
WO2020248848A1 (zh) * | 2019-06-14 | 2020-12-17 | 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 |
CN110555831A (zh) * | 2019-08-29 | 2019-12-10 | 天津大学 | 一种基于深度学习的排水管道缺陷分割方法 |
CN110555831B (zh) * | 2019-08-29 | 2023-09-26 | 天津大学 | 一种基于深度学习的排水管道缺陷分割方法 |
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 |
CN110647875B (zh) * | 2019-11-28 | 2020-08-07 | 北京小蝇科技有限责任公司 | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 |
WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
CN110647875A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 |
CN110889394A (zh) * | 2019-12-11 | 2020-03-17 | 安徽大学 | 基于深度学习UNet网络的水稻倒伏识别方法 |
CN111326238A (zh) * | 2020-02-11 | 2020-06-23 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
CN111429452A (zh) * | 2020-04-15 | 2020-07-17 | 深圳市嘉骏实业有限公司 | 基于UNet卷积神经网络的膀胱超声图像分割方法及装置 |
CN111739057A (zh) * | 2020-06-03 | 2020-10-02 | 大连理工大学 | 一种基于U-net卷积神经网络模型的自由液面识别和提取方法 |
CN111833310A (zh) * | 2020-06-17 | 2020-10-27 | 桂林理工大学 | 一种基于神经网络架构搜索的表面缺陷分类方法 |
CN111833310B (zh) * | 2020-06-17 | 2022-05-06 | 桂林理工大学 | 一种基于神经网络架构搜索的表面缺陷分类方法 |
CN112712522A (zh) * | 2020-10-30 | 2021-04-27 | 陕西师范大学 | 一种病理学图像的口腔癌上皮组织区域自动分割方法 |
CN112270666A (zh) * | 2020-11-03 | 2021-01-26 | 辽宁工程技术大学 | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 |
CN113361478B (zh) * | 2021-07-05 | 2023-08-22 | 上海大学 | 一种细胞运动过程中的形变跟踪方法及系统 |
CN113361478A (zh) * | 2021-07-05 | 2021-09-07 | 上海大学 | 一种细胞运动过程中的形变跟踪方法及系统 |
CN116862836A (zh) * | 2023-05-30 | 2023-10-10 | 北京透彻未来科技有限公司 | 一种泛器官淋巴结转移癌检测系统及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308695A (zh) | 基于改进U-net卷积神经网络模型的癌细胞识别方法 | |
WO2021217857A1 (zh) | 切片缺陷检测方法、装置、电子设备及可读存储介质 | |
CN108334848A (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
CN109920518A (zh) | 医学影像分析方法、装置、计算机设备和存储介质 | |
CN113435269A (zh) | 一种基于YOLOv3改进的水面漂浮物检测与识别方法及系统 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN108009287A (zh) | 一种基于对话系统的回答数据生成方法以及相关装置 | |
Phillips et al. | Segmentation of prognostic tissue structures in cutaneous melanoma using whole slide images | |
Yuan et al. | Neural stain normalization and unsupervised classification of cell nuclei in histopathological breast cancer images | |
CN112263217A (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
Geng et al. | Tunnel lining water leakage image Segmentation based on improved BlendMask | |
RU2732895C1 (ru) | Метод для выделения и классификации типов клеток крови с помощью глубоких сверточных нейронных сетей | |
CN115457012A (zh) | 一种病理图像分割方法、系统、存储介质、设备及终端 | |
US11587231B2 (en) | Comprehensive detection device and method for cancerous region | |
CN109003659A (zh) | 胃幽门螺旋杆菌感染病理诊断支持系统和方法 | |
CN111476802A (zh) | 一种基于稠密卷积模型的医学图像分割与肿瘤检测方法,设备及可读存储介质 | |
KR102482573B1 (ko) | 딥러닝을 이용한 이미지 배경제거 및 수피 기반 수종 탐지 시스템 및 이를 이용한 수종 탐지 방법 | |
CN115330748A (zh) | 脑图像处理方法、计算机设备和存储介质 | |
CN111080625B (zh) | 肺部影像条索检测模型的训练方法及其训练装置 | |
Rajesh et al. | Blood Phenotyping and Grouping based on Plate Test using Image Processing Strategies | |
Zhang et al. | Lung nodule detection method based on improved YOLOv4 | |
CN116129298B (zh) | 基于时空记忆网络的甲状腺视频流结节识别系统 | |
TWI792751B (zh) | 醫學影像專案管理平台 | |
Phillips et al. | Fully convolutional network for melanoma diagnostics |
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: 20190205 |