CN110032985A - 一种血细胞自动检测识别方法 - Google Patents
一种血细胞自动检测识别方法 Download PDFInfo
- Publication number
- CN110032985A CN110032985A CN201910324888.7A CN201910324888A CN110032985A CN 110032985 A CN110032985 A CN 110032985A CN 201910324888 A CN201910324888 A CN 201910324888A CN 110032985 A CN110032985 A CN 110032985A
- Authority
- CN
- China
- Prior art keywords
- image
- haemocyte
- mask
- res
- network model
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种血细胞自动检测识别方法，包括以下步骤：S1、将原始图像输入训练好的Res‑U‑Net网络模型，经过Res‑U‑Net网络模型分割后得到分割图像，所述分割图像包含对应于各血细胞目标识别区域的掩膜mask，实现对图像中血细胞的定位；S2、单独提取出所述分割图像中对应于单个血细胞的目标识别区域，得到分别对应包含单个目标识别区域的掩膜mask图像；S3、将原始图像与步骤S2得到的各掩膜图像相乘，分别提取基于原始图像的仅含单个目标血细胞的图像。本发明的方法对血细胞识别的准确性高，识别速度快，可处理大量的数据，极大地缩短了检查时间，显著地降低了人力成本，并提高了识别的可靠性。
Description
技术领域
本发明涉及目标检测与识别领域，特别是涉及一种血细胞自动检测识别方法。
背景技术
血细胞检查，是一种通过特定仪器的检测对血液中细胞成分进行分析的技术，包括血常规检查和血涂片检查。血常规，是由血细胞分析全自动工作站完成，主要用于对外周血进行血细胞检查，而且，一般只将血液中的细胞分为红细胞、白细胞和血小板三个大类，其中对白细胞的细分种类太少，不利于对疾病的进一步诊断。血涂片检查，是指人工在显微镜下对血液涂片进行观察，识别并统计各类血细胞的种类及数目，主要用于对骨髓进行血细胞检查。传统的血细胞检查方式都存在各自的弊端：血常规，通过对细胞进行化学处理后得到粗略的分类情况；血涂片检查，全程由专业人士操作，耗时久，操作误差不可避免，而且，对于操作人员的要求很高，培养一位专业人士的代价也很大。
为了解决传统血细胞检查所存在的不足，已有从图像的角度来对血细胞进行识别分类的方法。但在此前的研究工作中，研究者们都是从采集的图像中手工提取单个目标细胞来进行识别分类，识别分类效率低。
发明内容
本发明的主要目的在于克服现有技术的不足，提供一种血细胞自动检测识别方法，以达到血细胞识别准确性高，速度快，可高效地处理大量的数据，极大地缩短检测识别的时间。
为实现上述目的，本发明采用以下技术方案：
一种血细胞自动检测识别方法，包括以下步骤：
S1、将原始图像输入训练好的Res-U-Net网络模型，经过Res-U-Net网络模型分割后得到分割图像，所述分割图像包含对应于各血细胞目标识别区域的掩膜mask，实现对图像中血细胞的定位；
S2、单独提取出所述分割图像中对应于单个血细胞的目标识别区域，得到分别对应包含单个目标识别区域的掩膜mask图像；
S3、将原始图像与步骤S2得到的各掩膜图像相乘，分别提取基于原始图像的仅含单个目标血细胞的图像。
进一步地：
步骤S1中，所述Res-U-Net网络模型是将ResNet网络的identity block残差块和conv block残差块引入到U-Net图像分割网络中构成的网络模型，其中用identity block残差块代替ResNet网络中的普通卷积，用conv block残差块代替ResNet网络中的下采样。
步骤S1包括：将原始图像输入训练好的Res-U-Net网络模型，通过特征提取、上采样和特征融合之后，得到特征图，然后利用sigmoid函数将所述特征图上的每个像素点的值进行归一化，设置阈值，对归一化后的特征图进行处理，将大于阈值的像素值设置为1，小于阈值的像素点设置为0，得到mask值，并由此获得所述掩膜mask图像。
步骤S2包括：利用高斯滤波器滤除预测图像中的噪声，然后计算各个像素点的梯度强度和方向，设定阈值获取对应于单个血细胞的目标识别区域的边缘信息，得到分别对应包含单个目标识别区域的掩膜mask图像。
还包括以下步骤：S4、对步骤S3得到的仅含单个目标血细胞的图片进行分类。
基于步骤S4中分类的结果，对从所述原始图像识别出的目标血细胞进行分类和计数。
步骤S4中，使用ResNet分类网络模型对仅含单个目标血细胞的图片进行分类。
一种存储有计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现所述方法的步骤，包括：
S1、将原始图像输入训练好的Res-U-Net网络模型，经过Res-U-Net网络模型分割后得到分割图像，所述分割图像包含对应于各血细胞目标识别区域的掩膜mask，实现对图像中血细胞的定位；
S2、单独提取出所述分割图像中对应于单个血细胞的目标识别区域，得到分别对应包含单个目标识别区域的掩膜mask图像；
S3、将原始图像与步骤S2得到的各掩膜图像相乘，分别提取基于原始图像的仅含单个目标血细胞的图像。
进一步地：
步骤S1中，所述Res-U-Net网络模型是将ResNet网络的identity block残差块和conv block残差块引入到U-Net图像分割网络中构成的网络模型，其中用identity block残差块代替ResNet网络中的普通卷积，用conv block残差块代替ResNet网络中的下采样。
步骤S1包括：将原始图像输入训练好的Res-U-Net网络模型，通过特征提取、上采样和特征融合之后，得到特征图，然后利用sigmoid函数将所述特征图上的每个像素点的值进行归一化，设置阈值，对归一化后的特征图进行处理，将大于阈值的像素值设置为1，小于阈值的像素点设置为0，得到mask值，并由此获得所述掩膜mask图像。
本发明具有如下有益效果：
本发明的血细胞自动检测识别方法解决了传统血细胞检测识别方法存在的效率低、准确性差的不足，本发明将含血细胞的原始图像输入训练好的Res-U-Net网络模型，经过Res-U-Net网络模型分割后得到分割图像，所述分割图像包含对应于各血细胞目标识别区域的掩膜mask，定位图像中的血细胞，并单独提取出所述分割图像中对应于单个血细胞的目标识别区域，并得到分别对应包含单个目标识别区域的掩膜mask图像；再将原始图像与各掩膜图像相乘，就可以分别得到基于原始图像的仅含单个目标血细胞的图像。基于本发明的方法，可以直接识别图片中所有的目标细胞并对其进行分类和计数。进一步地，根据各类细胞的计数情况，还以可求得各自所占的比例。本发明的方法对血细胞识别的准确性高，识别速度快，精细度高，可处理大量的数据，极大地缩短了检查时间，显著地降低了人力成本，提高了识别的可靠性。
本发明提出了一种快速高效、高准确率的血细胞自动识别与检测的方法，相比于传统的人工镜检的方法，本方法完全实现了全自动化，减少了人工误判、漏判及重复判别的误差，极大的缩短了检查时间，对提高临床血细胞检查的准确率，加快检查的时间有着重要的意义。该方法不仅可以完成血细胞的自动识别与分类，而且类别可以精细地划分到最小类别，提高了检查的准确性。本方法既可以用于外周血的血细胞识别也可以用于骨髓的血细胞识别，而且划分的类别可以比现有方法的分类更多。
与传统技术相比，本发明实施例的优势具体体现在如下方面：：
1、传统方法是通过细胞的化学性质来实现大概计数的，而且划分的类别不够细，本发明采用图像分割、得到掩膜mask与原图相乘的识别方法，准确率极高，计算分析速度快，大大节省人力成本。
2、本发明的实施例方法可以通过将关于血细胞识别与分类的训练数据放入Res-U-Net网络、ResNet分类网络中进行深度学习，学习训练结果用于血细胞的识别与分类，这可以大大减少依赖人工识别的工作量，缩短诊断时间，推动了全自动血细胞检查效率与效果的提升。
3、本发明的实施例将ResNet中的残差结构引入U-Net网络构成Res-U-Net网络模型，提高了目标区域分割的准确度和效率。
4、本发明的实施例采用ResNet分类网络，对分类的种类没有限制，分类的精细度进一步提升，打破传统分类方式的局限性，提高效率。
附图说明
图1为本发明血细胞自动检测识别方法一种实施例的流程图。
图2为本发明实施例中的图像分割流程图。
图3为本发明实施例中的目标细胞提取流程图。
图4为选取的待测图片。
图5为对待测图片进行分割处理得到的分割结果图。
图6为从分割结果图中提取出分别对应包含单个目标识别区域的掩膜mask图像的示意图。
图7为将原始图像与各掩膜图像相乘后得到的单个目标细胞图的示意图。
图8为根据本发明实施例的一个Res-U-Net网络结构具体实例图。
图9为一个Res-U-Net网络结构具体实例中的Identify block残差块结构图。
图10为一个Res-U-Net网络结构具体实例中的Conv block残差块结构图。
图11为根据本发明实施例的一个ResNet网络结构具体实例图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
参阅图1至图7，在一种实施例中，一种血细胞自动检测识别方法，包括以下步骤：
S1、将原始图像(如图4所示)输入训练好的Res-U-Net网络模型，经过Res-U-Net网络模型分割后得到分割图像(如图5所示)，所述分割图像包含对应于各血细胞目标识别区域的掩膜mask，实现对图像中血细胞的定位；
S2、单独提取出所述分割图像中对应于单个血细胞的目标识别区域，得到分别对应包含单个目标识别区域的掩膜mask图像(如图6所示)；
S3、将原始图像与步骤S2得到的各掩膜图像相乘，分别提取基于原始图像的仅含单个目标血细胞的图像(如图7所示)。
传统的图像分割网络U-Net主要包含特征提取和上采样两部分：对经过特征提取得到的特征图像进行上采样处理，然后与特征提取中相对应的部分进行融合，将低维的空间信息与高维的细节信息结合，其目的是达到保留输入图像的空间信息，从而获取更高的分割效果。传统的ResNet网络模型主要由残差块组成。残差块是直接将输入数据传到输出，从而保护数据的完整性，使得ResNet只需要学习输入输出之间的差别，从而可以使其训练很深的网络。由于网络越深，提取的特征就越抽象，越具有语义信息。本发明中，我们将ResNet的残差块引入到U-Net中构成新的Res-U-Net网络，用于分割待测图像，实现对图像中血细胞的定位。
在优选的实施例中，步骤S1中所述Res-U-Net网络模型是将ResNet网络的identity block残差块和conv block残差块引入到U-Net图像分割网络中构成的网络模型，其中用identity block残差块代替ResNet网络中的普通卷积，用conv block残差块代替ResNet网络中的下采样。
ResNet是应用于特征提取的深层网络，ResNet的残差模块增加了直连通道，有两种类型残差模块：identify block和conv block。本发明实施例的Res-U-Net网络，将两种类型的残差模块——identity block和conv block——引入分割网络中：用identityblock代替普通卷积；用conv block代替下采样。由于identity block含有多层卷积和直连通道，因此，优选的实施例中，利用identity block代替普通卷积，能够提取到更加细节的信息。利用conv block直连通道上的处理，对输入进行下采样，能够减少数据的丢失。图8所示为根据本发明实施例所设计的一个Res-U-Net网络结构的具体实例。图9所示为一个Res-U-Net网络结构具体实例中的Identify block残差块结构。图10所示为一个Res-U-Net网络结构具体实例中的Conv block残差块结构。
在优选的实施例中，步骤S1包括：将原始图像输入训练好的Res-U-Net网络模型，通过特征提取、上采样和特征融合之后，得到特征图。然后利用sigmoid函数将所述特征图上的每个像素点的值进行归一化，设置阈值，对归一化后的特征图进行处理，将大于阈值的像素值设置为1，小于阈值的像素点设置为0，得到mask值，并由此获得所述掩膜mask图像。在一个具体的优选实施例中，所述原始图像为256x256x3的细胞图像，所述特征图为256x256x1的特征图，所述掩膜mask图像为256x256x1的mask值。
在优选的实施例中，步骤S2包括：利用高斯滤波器滤除预测图像中的噪声，然后计算各个像素点的梯度强度和方向，设定阈值获取对应于单个血细胞的目标识别区域的边缘信息，得到分别对应包含单个目标识别区域的掩膜mask图像。
在优选的实施例中，还包括以下步骤：
S4、对步骤S3得到的仅含单个目标血细胞的图片进行分类。
在进一步的实施例中，基于步骤S4中分类的结果，对从所述原始图像识别出的目标血细胞进行分类和计数。
在更优选的实施例中，步骤S4中，使用ResNet分类网络模型对仅含单个目标血细胞的图片进行分类。ResNet是一种应用于特征提取的深层网络，本发明实施例采用ResNet中的残差模块思想构建为分类网络，利用ResNet网络的残差模块的直连通道(两种类型：identify block和conv block)将输入信息直接传导到后面的网络中，从而保证了输入信息的完整性。本发明实施例设计的ResNet网络可以从图片中学习到更多的特征信息，从而使其可以对血细胞进行更加精细的分类。图11所示为根据本发明实施例所设计的一个ResNet网络结构的具体实例。具体实例中，identify block残差模块结构如图9所示，残差模块conv block结构如图10所示。
以下结合附图进一步描述本发明具体实施例的处理过程。
总的处理过程如图1所示，通过对血细胞图像进行分割以及利用分割结果从输入图像中提取每一个目标细胞，最后完成对每一张血液涂片的血细胞识别与计数。首先读取待测图片，通过Res-U-Net网络找到目标细胞的位置，通过边缘检测的方式，完成每一个位置的提取，接着和输入的图片相乘，分别得到输入图片上的每一个目标细胞，然后通过ResNet网络，完成分类，并对每一类血细胞进行计数。
利用血细胞扫描仪，扫描血细胞涂片，获得含有血细胞的图像。
第一步：对图像进行分割处理，如图2所示。首先，读入待处理的图片，如图4所示，进行预处理，并进行显示，以确保输入网络的数据是正确的；然后将处理后的图片放入已经训练好的Res-U-Net模型中，经过Res-U-Net网络进行分割，得到各目标区域的mask值，获得分割图像，如图5所示。
第二步：将经过Res-U-Net网络得到的结果图中的各个目标区域分别提取出来，形成仅含单个目标区域的mask图，如图6所示；然后将这些mask图与原图相乘，得到仅含单个目标细胞的图，如图7所示。此部分流程如图3所示。
第三步：此步骤可以进一步对仅含单个目标细胞的图片进行分类。此步骤中，优选将第二步获得的图片放入已经训练好的ResNet分类网络模型中进行分类分析。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。
Claims (10)
1.一种血细胞自动检测识别方法，其特征在于，包括以下步骤：
S1、将原始图像输入训练好的Res-U-Net网络模型，经过Res-U-Net网络模型分割后得到分割图像，所述分割图像包含对应于各血细胞目标识别区域的掩膜mask，实现对图像中血细胞的定位；
S2、单独提取出所述分割图像中对应于单个血细胞的目标识别区域，得到分别对应包含单个目标识别区域的掩膜mask图像；
S3、将原始图像与步骤S2得到的各掩膜图像相乘，分别提取基于原始图像的仅含单个目标血细胞的图像。
2.如权利要求1所述的血细胞自动检测识别方法，其特征在于，步骤S1中，所述Res-U-Net网络模型是将ResNet网络的identity block残差块和conv block残差块引入到U-Net图像分割网络中构成的网络模型，其中用identity block残差块代替ResNet网络中的普通卷积，用conv block残差块代替ResNet网络中的下采样。
3.如权利要求1或2所述的血细胞自动检测识别方法，其特征在于，步骤S1包括：将原始图像输入训练好的Res-U-Net网络模型，通过特征提取、上采样和特征融合之后，得到特征图，然后利用sigmoid函数将所述特征图上的每个像素点的值进行归一化，设置阈值，对归一化后的特征图进行处理，将大于阈值的像素值设置为1，小于阈值的像素点设置为0，得到mask值，并由此获得所述掩膜mask图像。
4.如权利要求1至3任一项所述的血细胞自动检测识别方法，其特征在于，步骤S2包括：利用高斯滤波器滤除预测图像中的噪声，然后计算各个像素点的梯度强度和方向，设定阈值获取对应于单个血细胞的目标识别区域的边缘信息，得到分别对应包含单个目标识别区域的掩膜mask图像。
5.如权利要求1至4任一项所述的血细胞自动检测识别方法，其特征在于，还包括以下步骤：S4、对步骤S3得到的仅含单个目标血细胞的图片进行分类。
6.如权利要求5所述的血细胞自动检测识别方法，其特征在于，基于步骤S4中分类的结果，对从所述原始图像识别出的目标血细胞进行分类和计数。
7.如权利要求5或6所述的血细胞自动检测识别方法，其特征在于，步骤S4中，使用ResNet分类网络模型对仅含单个目标血细胞的图片进行分类。
8.一种存储有计算机程序的计算机可读存储介质，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤，包括：
S1、将原始图像输入训练好的Res-U-Net网络模型，经过Res-U-Net网络模型分割后得到分割图像，所述分割图像包含对应于各血细胞目标识别区域的掩膜mask，实现对图像中血细胞的定位；
S2、单独提取出所述分割图像中对应于单个血细胞的目标识别区域，得到分别对应包含单个目标识别区域的掩膜mask图像；
S3、将原始图像与步骤S2得到的各掩膜图像相乘，分别提取基于原始图像的仅含单个目标血细胞的图像。
9.如权利要求8所述的计算机可读存储介质，其特征在于，步骤S1中，所述Res-U-Net网络模型是将ResNet网络的identity block残差块和conv block残差块引入到U-Net图像分割网络中构成的网络模型，其中用identity block残差块代替ResNet网络中的普通卷积，用conv block残差块代替ResNet网络中的下采样。
10.如权利要求8或9所述的计算机可读存储介质，其特征在于，步骤S1包括：将原始图像输入训练好的Res-U-Net网络模型，通过特征提取、上采样和特征融合之后，得到特征图，然后利用sigmoid函数将所述特征图上的每个像素点的值进行归一化，设置阈值，对归一化后的特征图进行处理，将大于阈值的像素值设置为1，小于阈值的像素点设置为0，得到mask值，并由此获得所述掩膜mask图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910324888.7A CN110032985A (zh) | 2019-04-22 | 2019-04-22 | 一种血细胞自动检测识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910324888.7A CN110032985A (zh) | 2019-04-22 | 2019-04-22 | 一种血细胞自动检测识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110032985A true CN110032985A (zh) | 2019-07-19 |
Family
ID=67239628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910324888.7A Pending CN110032985A (zh) | 2019-04-22 | 2019-04-22 | 一种血细胞自动检测识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110032985A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647876A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种血涂片全视野智能分析方法 |
| CN110796117A (zh) * | 2019-11-11 | 2020-02-14 | 湖南伊鸿健康科技有限公司 | 血细胞自动分析方法、系统、血细胞分析仪及存储介质 |
| CN110796127A (zh) * | 2020-01-06 | 2020-02-14 | 四川通信科研规划设计有限责任公司 | 基于遮挡感知的胚胎原核检测系统、存储介质及终端 |
| CN110956219A (zh) * | 2019-12-09 | 2020-04-03 | 北京迈格威科技有限公司 | 视频数据的处理方法、装置和电子系统 |
| CN111062252A (zh) * | 2019-11-15 | 2020-04-24 | 浙江大华技术股份有限公司 | 一种实时危险物品语义分割方法、装置及存储装置 |
| CN111260642A (zh) * | 2020-02-12 | 2020-06-09 | 上海联影医疗科技有限公司 | 一种图像定位方法、装置、设备和存储介质 |
| CN111274949A (zh) * | 2020-01-19 | 2020-06-12 | 重庆医科大学附属第一医院 | 一种基于结构分析的血液病白细胞散点图相似度分析方法 |
| CN111598892A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
| CN111951270A (zh) * | 2020-06-29 | 2020-11-17 | 珠海格力电器股份有限公司 | 一种基于深度学习的单目标物体分割方法及检测设备 |
| CN112164074A (zh) * | 2020-09-22 | 2021-01-01 | 江南大学 | 一种基于深度学习的3d ct床快速分割方法 |
| CN112418243A (zh) * | 2020-10-28 | 2021-02-26 | 北京迈格威科技有限公司 | 特征提取方法、装置及电子设备 |
| CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
| 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 |
| CN113011306A (zh) * | 2021-03-15 | 2021-06-22 | 中南大学 | 连续成熟阶段骨髓细胞图像自动识别方法、系统及介质 |
| CN114652323A (zh) * | 2022-02-25 | 2022-06-24 | 苏州大学 | 一种心律失常的检测方法、装置及设备 |
| CN114663383A (zh) * | 2022-03-18 | 2022-06-24 | 清华大学 | 一种血细胞分割与识别方法、装置、电子设备和存储介质 |
| WO2023173545A1 (zh) * | 2022-03-15 | 2023-09-21 | 平安科技（深圳）有限公司 | 超声图像的基准图像的生成方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853495A (zh) * | 2010-06-03 | 2010-10-06 | 浙江工业大学 | 一种基于形态学的细胞分离方法 |
| CN109033971A (zh) * | 2018-06-27 | 2018-12-18 | 中国石油大学(华东) | 一种基于残差网络思想的高效行人重识别方法 |
| CN109145941A (zh) * | 2018-07-03 | 2019-01-04 | 怀光智能科技（武汉）有限公司 | 一种非规则宫颈细胞团图像分类方法及系统 |
| CN109165674A (zh) * | 2018-07-19 | 2019-01-08 | 南京富士通南大软件技术有限公司 | 一种基于多标签深度卷积网络的证件照分类方法 |
| CN109242869A (zh) * | 2018-09-21 | 2019-01-18 | 科大讯飞股份有限公司 | 一种图像实例分割方法、装置、设备及存储介质 |
| CN109345527A (zh) * | 2018-09-28 | 2019-02-15 | 广西师范大学 | 一种基于MaskRcnn的膀胱肿瘤检测方法 |
| CN109389129A (zh) * | 2018-09-15 | 2019-02-26 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
| CN109410261A (zh) * | 2018-10-08 | 2019-03-01 | 浙江科技学院 | 基于金字塔池化模块的单目图像深度估计方法 |
-
2019
- 2019-04-22 CN CN201910324888.7A patent/CN110032985A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853495A (zh) * | 2010-06-03 | 2010-10-06 | 浙江工业大学 | 一种基于形态学的细胞分离方法 |
| CN109033971A (zh) * | 2018-06-27 | 2018-12-18 | 中国石油大学(华东) | 一种基于残差网络思想的高效行人重识别方法 |
| CN109145941A (zh) * | 2018-07-03 | 2019-01-04 | 怀光智能科技（武汉）有限公司 | 一种非规则宫颈细胞团图像分类方法及系统 |
| CN109165674A (zh) * | 2018-07-19 | 2019-01-08 | 南京富士通南大软件技术有限公司 | 一种基于多标签深度卷积网络的证件照分类方法 |
| CN109389129A (zh) * | 2018-09-15 | 2019-02-26 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
| CN109242869A (zh) * | 2018-09-21 | 2019-01-18 | 科大讯飞股份有限公司 | 一种图像实例分割方法、装置、设备及存储介质 |
| CN109345527A (zh) * | 2018-09-28 | 2019-02-15 | 广西师范大学 | 一种基于MaskRcnn的膀胱肿瘤检测方法 |
| CN109410261A (zh) * | 2018-10-08 | 2019-03-01 | 浙江科技学院 | 基于金字塔池化模块的单目图像深度估计方法 |
Non-Patent Citations (5)
| Title |
|---|
| SIDDHARTHA: ""UNet+ResNet34 in keras"", 《HTTPS://WWW.KAGGLE.COM/MEANINGLESSLIVES/UNET-RESNET34-IN-KERAS》 * |
| 梁舒: ""基于残差学习U型卷积神经网络的乳腺超声图像肿瘤分割研究"", 《中国优秀硕士学位论文全文数据库·医药卫生科技辑》 * |
| 董月等: ""Attention Res-Unet：一种高效阴影检测算法"", 《浙江大学学报(工学版)》 * |
| 赵谦等编著: "《智能视频图像处理技术与应用》", 30 November 2016, 西安：西安电子科技大学出版社 * |
| 霍宏涛等编著: "《数字图像处理》", 30 September 2002, 北京：北京理工大学出版社 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796117A (zh) * | 2019-11-11 | 2020-02-14 | 湖南伊鸿健康科技有限公司 | 血细胞自动分析方法、系统、血细胞分析仪及存储介质 |
| CN110796117B (zh) * | 2019-11-11 | 2022-04-15 | 湖南伊鸿健康科技有限公司 | 血细胞自动分析方法、系统、血细胞分析仪及存储介质 |
| CN111062252A (zh) * | 2019-11-15 | 2020-04-24 | 浙江大华技术股份有限公司 | 一种实时危险物品语义分割方法、装置及存储装置 |
| CN111062252B (zh) * | 2019-11-15 | 2023-11-10 | 浙江大华技术股份有限公司 | 一种实时危险物品语义分割方法、装置及存储装置 |
| CN110647876A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种血涂片全视野智能分析方法 |
| CN110647876B (zh) * | 2019-11-28 | 2020-06-26 | 北京小蝇科技有限责任公司 | 一种血涂片全视野智能分析方法 |
| 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 |
| CN110956219B (zh) * | 2019-12-09 | 2023-11-14 | 爱芯元智半导体(宁波)有限公司 | 视频数据的处理方法、装置和电子系统 |
| CN110956219A (zh) * | 2019-12-09 | 2020-04-03 | 北京迈格威科技有限公司 | 视频数据的处理方法、装置和电子系统 |
| CN110796127A (zh) * | 2020-01-06 | 2020-02-14 | 四川通信科研规划设计有限责任公司 | 基于遮挡感知的胚胎原核检测系统、存储介质及终端 |
| CN111274949A (zh) * | 2020-01-19 | 2020-06-12 | 重庆医科大学附属第一医院 | 一种基于结构分析的血液病白细胞散点图相似度分析方法 |
| CN111260642A (zh) * | 2020-02-12 | 2020-06-09 | 上海联影医疗科技有限公司 | 一种图像定位方法、装置、设备和存储介质 |
| CN111598892A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
| CN111598892B (zh) * | 2020-04-16 | 2023-06-30 | 浙江工业大学 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
| CN111951270A (zh) * | 2020-06-29 | 2020-11-17 | 珠海格力电器股份有限公司 | 一种基于深度学习的单目标物体分割方法及检测设备 |
| CN112164074A (zh) * | 2020-09-22 | 2021-01-01 | 江南大学 | 一种基于深度学习的3d ct床快速分割方法 |
| CN112418243A (zh) * | 2020-10-28 | 2021-02-26 | 北京迈格威科技有限公司 | 特征提取方法、装置及电子设备 |
| CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
| CN112634243B (zh) * | 2020-12-28 | 2022-08-05 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
| CN113011306A (zh) * | 2021-03-15 | 2021-06-22 | 中南大学 | 连续成熟阶段骨髓细胞图像自动识别方法、系统及介质 |
| CN114652323B (zh) * | 2022-02-25 | 2023-03-21 | 苏州大学 | 一种心律失常的检测方法、装置及设备 |
| CN114652323A (zh) * | 2022-02-25 | 2022-06-24 | 苏州大学 | 一种心律失常的检测方法、装置及设备 |
| WO2023173545A1 (zh) * | 2022-03-15 | 2023-09-21 | 平安科技（深圳）有限公司 | 超声图像的基准图像的生成方法、装置、设备及存储介质 |
| CN114663383A (zh) * | 2022-03-18 | 2022-06-24 | 清华大学 | 一种血细胞分割与识别方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032985A (zh) | 一种血细胞自动检测识别方法 | |
| CN112070772B (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
| CN109886273A (zh) | 一种cmr图像分割分类系统 | |
| Cao et al. | A novel attention-guided convolutional network for the detection of abnormal cervical cells in cervical cancer screening | |
| US20240153272A1 (en) | Method for detecting urine formed elements based on deep learning and context relation | |
| CN112270347A (zh) | 一种基于改进ssd的医疗废弃物分类检测方法 | |
| KR20190043135A (ko) | 생물학적 입자의 분류 시스템 및 방법 | |
| CN106248559A (zh) | 一种基于深度学习的白细胞五分类方法 | |
| CN110310289A (zh) | 基于深度学习的肺部组织图像分割方法 | |
| JP2023544466A (ja) | Ｐｅｔ／ｃｔに基づく肺腺癌扁平上皮癌診断モデルの訓練方法及び装置 | |
| CN109544564A (zh) | 一种医疗图像分割方法 | |
| CN112085113B (zh) | 一种重症肿瘤影像识别系统及方法 | |
| CN110120056A (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
| CN109886346A (zh) | 一种心肌mri图像分类系统 | |
| CN116580394A (zh) | 一种基于多尺度融合和可变形自注意力的白细胞检测方法 | |
| Meimban et al. | Blood cells counting using python opencv | |
| CN107657220A (zh) | 一种基于hog特征和svm的白带霉菌自动检测方法 | |
| Tantikitti et al. | Image processing for detection of dengue virus based on WBC classification and decision tree | |
| CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
| CN110148126A (zh) | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 | |
| CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
| CN102636656B (zh) | 一种全自动尿有形成分分析仪的校准方法 | |
| CN113963199B (zh) | 一种基于多种传感器特征融合和机器学习的医废识别方法 | |
| CN112767349B (zh) | 一种网织红细胞识别方法和系统 | |
| CN114235539A (zh) | 基于深度学习的pd-l1病理切片自动判读方法及系统 |
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 |