CN109584211A - 一种动物卵母细胞极体的视觉自动检测方法 - Google Patents
一种动物卵母细胞极体的视觉自动检测方法 Download PDFInfo
- Publication number
- CN109584211A CN109584211A CN201811282194.3A CN201811282194A CN109584211A CN 109584211 A CN109584211 A CN 109584211A CN 201811282194 A CN201811282194 A CN 201811282194A CN 109584211 A CN109584211 A CN 109584211A
- Authority
- CN
- China
- Prior art keywords
- polar body
- image
- neural networks
- convolutional neural
- automatic testing
- 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
- 210000004508 polar body Anatomy 0.000 title claims abstract description 114
- 210000000287 oocyte Anatomy 0.000 title claims abstract description 29
- 238000012360 testing method Methods 0.000 title claims abstract description 26
- 241001465754 Metazoa Species 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000001629 suppression Effects 0.000 claims abstract description 5
- 210000004027 cell Anatomy 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 17
- 210000000130 stem cell Anatomy 0.000 abstract description 5
- 238000012805 post-processing Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 11
- 239000000243 solution Substances 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102000002322 Egg Proteins Human genes 0.000 description 1
- 108010000912 Egg Proteins Proteins 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007159 enucleation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004681 ovum Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—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]
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供了一种动物卵母细胞极体的视觉自动检测方法,首先获得显微镜下的生物卵母细胞图像,进而利用卷积神经网络进行图像分割,然后通过后处理选取最可能的区域,最终返回是否存在极体以及极体的位置信息,实现卵母细胞极体的自动检测。该方法包括:采集卵母细胞数据集,利用图像变换扩充训练数据集;改进卷积神经网络,利用不同大小的卷积核使其更适用于检测不同大小的生物结构;利用非最大抑制选取出分割后最可能存在极体的区域;最终返回是否存在极体以及极体的位置。该方法可良好地应对生物实验中极体所存在的离焦和变形等问题,且稳定、检测准确率高。
Description
技术领域
本发明涉及生物实验技术领域,具体涉及一种动物卵母细胞极体的视觉自动检测方 法。
背景技术
极体是细胞操作实验中一个非常重要的结构,其中包含了卵母细胞的遗传信息副本, 这种结构位于细胞质和透明带之间、靠近细胞核的位置。极体的自动检测和定位是自动细 胞操作中非常重要的步骤。比如,在自动盲眼摘除术中,在明视场显微镜下看不到细胞核, 通常人们使用极体的位置来提供核的位置信息。其他生物细胞微操作,如卵胞浆内单精子 注射和极体活检也很大程度上依赖于极体信息。
然而,极体的检测却是一件非常困难的事情,原因如下:第一,显微镜拍摄的图像分 辨率很低,以至于能保留的图像信息有限。第二,与细胞相比,极体的结构较小,并且纹理相似,因此很容易与背景混淆。第三,不同发育程度的极体形态会发生较大的变化,而 不同角度、位置、光照条件导致拍摄的图像可能非常不同。因此,为所有极体提取共同的 特征是一件很难的事情,大大增加了极体检测的难度。
近年来,人们提出了很多不同的方法用于检测生物细胞中的极体。Leung等人使用图 像二值化和圆拟合算法来确定极体的存在,然而,这种方法在很大程度上依赖于极体与周 围环境之间的灰度值差异。因此,当极体形状不像圆时就会失败。王一了等人采用一种基 于纹理的方法来实现极体检测,该方法假设极体的位置具有最佳的显微镜光照,然后使用 纹理分析来获得不同动物极体的位置。该方法很大程度上取决于显微镜的光调节,因此缺 乏如此多的纹理就会导致检测失败。陈迪等人将机器学习方法引入极体检测利用,首先利 用边界曲率信息预测极体的可能位置,然后用支持向量机进行分类。王泽南等人用图像形 态学方法和椭圆拟合方法检测小鼠卵母细胞的极体。然而上述的方法都只在单一图像的层 面上,而真实的细胞操作实验需要应对很多离焦,旋转和变形的问题。因此需要一种方法 能够在真实实验的层次解决该问题。
发明内容
本发明目的是解决现有细胞极体检测方法不能应对图像离焦和实验中的变形等问题, 提供一种生物卵母细胞的自动检测方法,高速、准确地检测并判断卵母细胞中极体的存在 与否及具体位置,用于克隆、单精子注射等细胞微操作实验中。
本发明的技术方案是:一种无生物卵母细胞极体的自动检测方法,所述方法特别在于 获取显微镜下卵母细胞图像样本,进而使用改进的卷积神经网络进行图像分割,然后利用 非最大抑制的方法提取概率最大的图像区域,最终实现了卵母细胞极体的自动检测。所述 方法具体包括以下步骤:
(1)建立并训练卷积神经网络;
(2)将采集图像输入到训练好的卷积神经网络中,并用卷积神经网络进行图像分割;
(3)选取分割图像中的最可能的极体区域;
(4)根据极体区域进行极体判断。
所述步骤(1)包含如下步骤:
(a)采集动物卵母细胞极体实验图像,进行标记和扩充,建立图像训练数据集;
(b)对卷积神经网络进行改进,并利用卷积神经网络进行图像分割;
(c)利用分割的损失函数进行卷积神经网络的训练。
所述步骤(a)中的标记主要针对极体区域进行,标记的过程为:将生物细胞极体实验 过程中显微镜下摄取的图像,按照图像分割的方式进行人工标记;标记方法为:极体所在 的位置为前景(用白色表示),其他为背景(用黑色表示)。
所述步骤(a)中的扩充主要目的是增加训练数据量;扩充的主要方法是细胞极体实验 图像的旋转、镜像和变形。
所述步骤(b)中卷积神经网络的改进过程为:将不同大小的卷积核引入卷积层,其中 包含1x3,3x1,1x1等不同大小,可以实现不同大小范围的极体的检测,并将网络较低层次 的输出输入到网络的较高层次,实现跨越连接,如I1-I9,I2-I8之间的对称连接,融合图像低层次的位置信息和高层次的语义信息;最终使卷积神经网络输入的生物细胞图像输出为分割图像。
所述步骤(3)中极体区域的选取方法采用非最大抑制方法,针对图像训练数据集,同 时设置面积阈值和概率阈值,其中,面积阈值为整张图像的面积的0.01,概率阈值为0.8(范围为0-1),去除低于阈值的连通域,选出概率最大且面积最符合的区域作为极体的 分割区域。
所述步骤(4)中的极体判断包括极体存在与否判断和存在极体的位置判断,判断过程 为:如果存在满足要求的极体区域,计算其区域中心:将上述满足要求的分割区域用二值 图像表示,得到此区域所有像素点的坐标,计算坐标之和的均值,即为区域中心,作为极 体的位置返回;如果不存在满足要求的区域,返回不存在极体。
与现有技术相比,本发明的有益效果:
(1)本方法设计了一个端到端的卷积神经网络,无需设计复杂的图像预处理方法,简单且适用性强;
(2)不同于以往基于单张图像层次的生物卵母细胞极体的自动检测方法,本方法基 于实际实验的角度,可以良好的应对真实实验中出现的离焦和变形的问题;
(3)本方法利用卷积神经网络提取图像特征,识别正确率高,且获取特征稳定,为进行后续的生物细胞微操作打下坚实的基础。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细地描述,其中:
图1是本发明动物卵母细胞极体的视觉自动检测方法的流程图。
图2是本发明在进行极体图像分割的网络示意图。
图3是本发明方法在同一细胞极体检测实验中的结果。
图4为本发明方法在不同细胞极体检测实验中的结果。
具体实施方式
下面结合实施例附图,对本发明的技术方案进行清楚、完整的描述,显然,描述的实 施例仅仅是本发明的一个具体的实施例,不是全部的实施例。下述实施例是说明性的,不 是限制性的,不能以下述实施例来限定本发明的保护范围。
图1为本发明阐述的动物卵母细胞极体的视觉自动检测方法的流程图,下面结合图1 来说明,具体实施情况如下:
首先,采集细胞极体实验图像,进行标记和扩充,建立图像训练数据集。采集生物卵 母细胞极体实验过程中显微镜下摄取的图像,按照图像分割的方式进行人工标记,极体所 在的位置为前景(用白色表示),其他为背景(用黑色表示)。如图2所示,对显微镜下 摄取的图像进行图像旋转、镜像和变形处理,并保存处理后的图像数据,以增加图像训练 数据集的数据量。
然后,对卷积神经网络进行改进,并利用卷积神经网络进行图像分割。将不同大小的 卷积核引入全卷积网络,以实现不同大小物体的分割;并且利用网络的不同层次之间的跨 越使其兼顾图像低层次的纹理信息和高层次的语义信息。最终实现网络输入动物卵母细胞 图像,输出为分割的图像。
然后对建立的卷积神经网络进行训练。利用设计的卷积神经网络,输入为原始生物图 像,输出为分割后的图像,利用分割的损失函数进行神经网络训练。
至此,就完成了卷积神经网络的建立和训练过程。下面,我们利用建立训练好的卷积 神经网络进行动物卵母细胞机体的视觉自动检测:
首先将采集的动物卵母细胞图像输入到训练好的卷积神经网络中,并利用卷积神经网 络进行图像分割,输出分割图像。
然后选取分割图像中的最可能的极体区域。采用非最大抑制方法,针对图像训练数据 集,同时设置面积阈值和概率阈值,其中,面积阈值为整张图像的面积的0.01,概率阈值 为0.8(范围为0-1)。将低于阈值的连通域去除,只选出概率最大且面积最符合的区域作为最可能的极体区域。
最后根据极体区域进行极体判断。极体判断包括两方面:极体存在与否判断和存在极 体的位置判断。如果存在满足要求的极体区域,计算其区域中心:将满足要求的分割区域 用二值图像表示,得到此区域所有像素点的坐标,计算坐标之和的均值,即为区域中心, 作为极体的位置返回;如果不存在满足要求的区域,返回不存在极体。
至此,运用训练好的卷积神经网络,实现了动物卵母细胞极体的自动检测。
实施例一
同一细胞极体检测实验对比
采用实验室自主研发的一台以Olympus倒置显微镜为主体的微操作实验系统进行实 验,对猪卵母细胞进行了不同角度的拨动,并利用相机进行图像的采集:在x-z平面拨动, 极体在视野内从无到有,从离焦到聚焦;在x-y平面内拨动,细胞始终处于聚焦平面的不 同位置;同时针刺过程中会存在变形。
本发明方法运行的平台为搭载了NVIDIA 1080Ti GPU的linux服务器,极体检测的结 果如图3所示,其中(a)(b)分别代表两个极体,对于一个极体的图像,第一行代表显微镜下 采集的原始图像,第二行表示我们的方法分割后的结果,第三行用于显示极体所在三维细 胞球体的相对位置。可以看出,对于同一个细胞极体,不同位置、角度、变形程度,甚至离焦的情况,我们的方法都能取得较好的分割结果。
实施例二
不同细胞极体检测实验对比
采用与实施例一同样的实验条件,我们对不同发育状态下的不同极体的检测结果进行 对比,如图4所示结果表明,对于不同的极体,该方法仍具有较好的检测结果,以上实验 表明了该方法的有效性。
实施例三
在与实施例一同样的实验条件下,我们对现有的极体检测方法做了不同角度的对比。 实验分别采用了Leung等发表(IEEE Transactions on Biomedical Engineering,2012,59(4): 1049-1056)的方法1、王一了等发表(中国自动化大会,2011)的方法2、Chen等发表 (Micromachines,2016,7(2):27)的方法3、Zenan等发表(IEEE Transactions onBiomedical Engineering,2017,64(5):1099-1105)的方法4和本发明方法对猪卵母细胞进行检测,采用 实施例一中的图像获取条件,以摄取的1000张图像作为测试样本,分别对检测结果的准 确率、是否可应对拨动过程中的旋转问题、是否可应对离焦问题、图像平均信噪比和机体 所占图像的比例这5个方面进行分析,结果如表一所示。
表一
不同方法的对比结果如表1所示。其中,图像的平均信噪比是指测试图像的信噪比的 均值,信噪比越小,说明噪声越多,极体检测越困难。极体所占图像的比例,指所有测试图像的比例的范围,极体所占比例越小,说明极体越小,极体检测越困难。可以看出,在 图像的信噪比和极体大小都不占优势的条件下,我们的方法仍能取得最高的检测准确率, 并且克服了现有的方法不能应对旋转和离焦的问题。
以上通过实施例对本发明进行了详细说明,但所述内容仅为本发明的示例性实施例, 不能被认为用于限定本发明的实施范围。本发明的保护范围由权利要求书限定。凡利用本 发明所述的技术方案,或本领域的技术人员在本发明技术方案的启发下,在本发明的实质 和保护范围内,设计出类似的技术方案而达到上述技术效果的,或者对申请范围所作的均 等变化与改进等,均应仍归属于本发明的专利涵盖保护范围之内。应当注意,为了清楚的 进行表述,本发明的说明中省略了部分与本发明的保护范围无直接明显的关联但本领域技 术人员已知的处理表述。
Claims (9)
1.一种动物卵母细胞极体的视觉自动检测方法,其特征在于,包括以下步骤:
(1)建立并训练卷积神经网络;
(2)将采集的图像输入到训练好的卷积神经网络,并利用卷积神经网络进行图像分割;
(3)选取分割图像中的最可能的极体区域;
(4)根据极体区域进行极体判断。
2.按照权利要求1所述的动物卵母细胞极体的视觉自动检测方法,其特征在于,所述步骤(1)包含如下步骤:
(a)采集动物卵母细胞极体实验图像,进行标记和扩充,建立图像训练数据集;
(b)对卷积神经网络进行改进,并利用卷积神经网络进行图像分割;
(c)利用分割的损失函数进行卷积神经网络的训练。
3.按照权利要求2所述的动物卵母细胞极体的视觉自动检测方法,其特征在于,所述步骤(a)中的标记主要针对极体区域进行,标记的过程为:将生物细胞极体实验过程中显微镜下摄取的图像,按照图像分割的方式进行人工标记;标记方法为:极体所在的位置为前景(用白色表示),其他为背景(用黑色表示)。
4.按照权利要求2所述的动物卵母细胞极体的视觉自动检测方法,其特征在于,所述步骤(a)中的扩充主要目的是增加训练数据量;扩充的主要方法是细胞极体实验图像的旋转、镜像和变形。
5.按照权利要求2所述的动物卵母细胞极体的视觉自动检测方法,其特征在于,所述步骤(b)中卷积神经网络的改进过程为:将不同大小的卷积核引入卷积层,并将网络较低层次的输出输入到较高层次,实现跨越连接,融合图像低层次的纹理信息和高层次的语义信息;最终使卷积神经网络输入的生物细胞图像输出为分割图像。
6.按照权利要求1所述的动物卵母细胞极体的视觉自动检测方法,其特征在于,所述步骤(3)中极体区域的选取方法采用非最大抑制方法,针对图像训练数据集,同时设置面积阈值和概率阈值,去除低于阈值的连通域,选出概率最大且面积最符合的区域作为最可能的极体区域。
7.按照权利要求6所述的动物卵母细胞极体的视觉自动检测方法,其特征在于,所述面积阈值为整张图像的面积的0.01,所述概率阈值为0.8。
8.按照权利要求1所述的动物卵母细胞极体的视觉自动检测方法,其特征在于,所述步骤(4)中的极体判断包括极体存在与否判断和存在极体的位置判断,判断过程为:如果存在最可能的极体区域,计算其区域中心,作为极体的位置返回;如果不存在最可能的极体区域,返回不存在极体。
9.按照权利要求8所述的动物卵母细胞极体的视觉自动检测方法,其特征在于,所述区域中心的计算过程为:对于最可能的极体区域,用二值图像表示,得到此区域所有像素点的坐标,计算坐标之和的均值,即为区域中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811282194.3A CN109584211A (zh) | 2018-10-31 | 2018-10-31 | 一种动物卵母细胞极体的视觉自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811282194.3A CN109584211A (zh) | 2018-10-31 | 2018-10-31 | 一种动物卵母细胞极体的视觉自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584211A true CN109584211A (zh) | 2019-04-05 |
Family
ID=65921365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811282194.3A Pending CN109584211A (zh) | 2018-10-31 | 2018-10-31 | 一种动物卵母细胞极体的视觉自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584211A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458821A (zh) * | 2019-08-07 | 2019-11-15 | 屈晨 | 一种基于深度神经网络模型的精子形态分析方法 |
WO2021046521A1 (en) | 2019-09-06 | 2021-03-11 | The Brigham And Women's Hospital, Inc. | Automated evaluation of quality assurance metrics for assisted reproduction procedures |
CN112508968A (zh) * | 2020-12-10 | 2021-03-16 | 马鞍山市瀚海云星科技有限责任公司 | 图像分割方法、装置、系统及存储介质 |
RU2810125C1 (ru) * | 2019-09-06 | 2023-12-22 | Дэ Бригем Энд Уименс Хоспитал, Инк. | Автоматизированная оценка показателей обеспечения качества для процедур вспомогательной репродукции |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608456A (zh) * | 2015-12-22 | 2016-05-25 | 华中科技大学 | 一种基于全卷积网络的多方向文本检测方法 |
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 |
CN106228124A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
CN106485700A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于卷积神经网络的肾小管上皮细胞的自动检测方法 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
-
2018
- 2018-10-31 CN CN201811282194.3A patent/CN109584211A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608456A (zh) * | 2015-12-22 | 2016-05-25 | 华中科技大学 | 一种基于全卷积网络的多方向文本检测方法 |
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 |
CN106228124A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
CN106485700A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于卷积神经网络的肾小管上皮细胞的自动检测方法 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458821A (zh) * | 2019-08-07 | 2019-11-15 | 屈晨 | 一种基于深度神经网络模型的精子形态分析方法 |
WO2021046521A1 (en) | 2019-09-06 | 2021-03-11 | The Brigham And Women's Hospital, Inc. | Automated evaluation of quality assurance metrics for assisted reproduction procedures |
EP4026089A4 (en) * | 2019-09-06 | 2022-11-09 | The Brigham & Women's Hospital, Inc. | AUTOMATED EVALUATION OF QUALITY ASSURANCE METRICS FOR SUPPORTED PLAYBACK METHODS |
RU2810125C1 (ru) * | 2019-09-06 | 2023-12-22 | Дэ Бригем Энд Уименс Хоспитал, Инк. | Автоматизированная оценка показателей обеспечения качества для процедур вспомогательной репродукции |
CN112508968A (zh) * | 2020-12-10 | 2021-03-16 | 马鞍山市瀚海云星科技有限责任公司 | 图像分割方法、装置、系统及存储介质 |
CN112508968B (zh) * | 2020-12-10 | 2022-02-15 | 马鞍山市瀚海云星科技有限责任公司 | 图像分割方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272492B (zh) | 一种细胞病理涂片的处理方法及系统 | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN110472616B (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN112233133B (zh) | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 | |
CN108090906B (zh) | 一种基于区域提名的宫颈图像处理方法及装置 | |
JP6791245B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN110376198A (zh) | 一种宫颈液基细胞切片质量检测系统 | |
CN108510004B (zh) | 一种基于深度残差网络的细胞分类方法及系统 | |
CN109584211A (zh) | 一种动物卵母细胞极体的视觉自动检测方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN115088022A (zh) | 用于训练机器学习算法和维护患者隐私的联邦学习系统 | |
CN112990015B (zh) | 一种病变细胞自动识别方法、装置和电子设备 | |
CN114945941A (zh) | 用于支持肿瘤检测和分析的非肿瘤分割 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN109815870B (zh) | 细胞表型图像定量分析的高通量功能基因筛选方法及系统 | |
Hobson et al. | Classifying anti-nuclear antibodies HEp-2 images: A benchmarking platform | |
CN108961242A (zh) | 一种荧光染色图像ctc智能识别方法 | |
CN109583364A (zh) | 图像识别方法及设备 | |
CN111340022A (zh) | 身份证信息识别方法、装置、计算机设备及存储介质 | |
WO2016189469A1 (en) | A method for medical screening and a system therefor | |
Kanwal et al. | Quantifying the effect of color processing on blood and damaged tissue detection in whole slide images | |
CN114742758A (zh) | 一种全视野数字切片组织病理图片中的细胞核分类方法 | |
US9785848B2 (en) | Automated staining and segmentation quality control | |
CN105528791B (zh) | 一种面向触摸屏手绘图像的质量评价装置及其评价方法 | |
CN109975307A (zh) | 基于统计投影训练的轴承表面缺陷检测系统及检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
RJ01 | Rejection of invention patent application after publication |