CN110060244A - 基于深度学习神经网络的细胞检测与分割的系统和方法 - Google Patents
基于深度学习神经网络的细胞检测与分割的系统和方法 Download PDFInfo
- Publication number
- CN110060244A CN110060244A CN201910297714.6A CN201910297714A CN110060244A CN 110060244 A CN110060244 A CN 110060244A CN 201910297714 A CN201910297714 A CN 201910297714A CN 110060244 A CN110060244 A CN 110060244A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- deep learning
- neural network
- learning neural
- 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
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
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提出一种基于深度学习神经网络的细胞检测分割的系统和方法。其中,方法利用深度学习的方法对细胞病理图片进行检测,将图片中的正常细胞、炎症细胞、滴虫细胞、萎缩细胞和HPV病毒等细胞分割出来,标记每一种类型并分别统计它们的数量,对患者是否被感染、发炎等患病情况进行判断,为病理医生提供一个可靠高效的辅助诊断。本发明具有简单有效,所需硬件配置少,实施成本低的优点。
Description
技术领域
本发明涉及深度学习技术在医学图像处理方面的应用,尤其涉及一种基于深度学习神经网络的细胞检测分割的系统和方法。
背景技术
宫颈癌是女性健康的重要杀手。其发病率在女性恶性肿瘤中居第二位,仅次于乳腺癌。统计数据显示,每年约有2-3万人死于宫颈癌,并呈上升趋势及年轻化。TCT宫颈防癌细胞学检查是一项重要的检查手段,能够检查出宫颈癌细胞,同时还能发现部分癌前病变,微生物感染如霉菌、滴虫、病毒、衣原体等。但病理图像通常都是超大像素图像,传统方法需要靠病理医生来检查全片,需要耗费很长的时间和极大的精力。深度学习技术在近几年来得到迅速的发展,在医学图像处理方向上也得到了极大的应用。深度学习技术可以辅助医生进行快速诊断,减少诊断时间,提高诊断效率。本发明提出的基于深度学习神经网络的细胞检测分割的方法能够快速地检测出病理图像中的细胞种类情况,为医生提供辅助诊断依据。
发明内容
本发明的技术解决问题是:通过深度学习技术检测细胞种类,能够快速地检测出病理图像中的细胞种类情况,为医生提供辅助诊断依据的一种基于深度学习神经网络的细胞检测分割的系统和方法。
本发明提供了一种基于深度学习神经网络的细胞检测分割的系统,该系统包括:图像截取模块、训练模块、特征处理模块、特征融合模块、图像拼接和数据分析模块;
所述图像截取模块用于读取超大图像(例如8w x 8w像素的图像),通过滑动窗口的方法将图像切割成N个感兴趣区域;
所述训练模块用于构造深度学习神经网络,使用截取的数据进行训练,得到细胞的分类和分割模型;
所述特征处理模块用于从截取的每一张图像中提取细胞病理特征,记录每个特征的位置和大小,对细胞特征进行分类和分割;
所述特征融合模块用于将所述特征提取模块中的细胞特征进行分析,对漏识别、误识别的细胞进行筛查,并将处理结果融合在一起;
所述图像拼接模块用于将经过检测后的N个图像依次拼接成原来的图像;
所述数据分析模块用于统计病理图像中的细胞类型和数量,对患者是否被感染、发炎等患病情况进行判断。
本发明还提供一种基于深度学习神经网络的细胞检测分割的方法,包括如下步骤:
步骤1: 图像截取,通过滑动窗口的方法将图像分割成N个感兴趣区域图像;
步骤2: 训练,构造深度学习神经网络,将步骤1分割出来的N个感兴趣区域图像输入深度学习神经网络进行训练,得到细胞的分类和分割模型;
步骤3: 特征处理:使用训练好的深度学习神经网络模型提取候选框,对每个细胞的特征候选区域进行分类和分割;
步骤4: 特征融合:处理因处于图像边缘而漏识别、误识别的细胞,将经过处理后的细胞进行融合;
步骤5: 图像拼接,将N个经过处理后的感兴趣区域图像拼接成原来的图像;
步骤6: 数据分析,统计图像中细胞的类型和数量,进行病情判断。
所述步骤1的具体步骤为:读取图像,从图像左边起,取512 x 512大小的窗口,以窗口边长的25%为步长依次滑动窗口,将图像分割成N个感兴趣区域图像。
所述步骤2的具体步骤为:
步骤21,神经网络建模:构造深度学习神经网络,并人工标注细胞特征掩码和细胞类别供模型学习;
步骤22,深度学习神经网络训练:将细胞特征掩码和细胞类别输入深度学习神经网络进行训练,得到分类和分割模型;
所述步骤3的具体步骤为:
步骤31,细胞特征提取:使用训练好的深度学习神经网络对细胞建立模型,提取细胞特征;
步骤32,细胞分类:根据提取的细胞轮廓特征用softmax分类器对细胞所属种类进行判别,共有正常细胞、炎症细胞、HPV病毒细胞、萎缩细胞和滴虫细胞等类别;
步骤32,细胞分割:对提取出来的细胞轮廓特征进行上采样,并进行二值化,得到细胞的分割图;
所述步骤4的具体步骤为:
步骤41、粗检测:将截取出来的图像送入深度学习神经网络网路进行第一次检测,得到初步的分类和分割结果;
步骤421,漏识别细胞检测:当细胞处于图像边缘或在截取图像时被裁成两半时,网络模型可能会检测不出来。步骤431,二次检测,针对这部分图像需要进行二次检测;
步骤422,误识别细胞检测:判断检测出的相邻细胞轮廓特征有无重叠;432、置信度比较,有重叠则比较两个轮廓特征的置信度,取置信度大的作为该细胞的类别。
步骤44,特征合并:将经过步骤421和422处理之后的细胞图像合并在一起,得到完整的分割图。
所述步骤5的具体步骤为:图像拼接,按照步骤1的截取顺序将经过检测后的N个图像依次拼接成原来的图像,拼接后的图像即最终的检测结果图。
所述步骤6的具体步骤为:数据分析,对步骤5得到的检测图像进行统计,记录图像中共有多少种细胞,每种细胞数量是多少,然后根据每种细胞的数量占比对患病情况进行分析,如:炎症细胞数量较多时,说明患炎症的可能性较大;检测到HPV病毒细胞时,说明该病人可能已被HPV病毒感染。
本发明与现有技术相比,具有如下显而易见的突出实质性和技术进步:
1) 本发明提出的一种基于深度学习神经网络的细胞检测分割的系统和方法,可以利用多种深度学习技术,如Mask-RCNN, Yolact等快速地对细胞病理图像进行分析,诊断患者患病情况,为病理医生提出辅助诊断意见,具有创新性和先进性。
2) 本发明提出的一种基于深度学习神经网络的细胞检测分割的系统和方法,可应用于windows操作系统与linux操作系统的计算机环境中,所需硬件少,实施简单,具有可行性与使用性。
3) 本发明提出的一种基于深度学习神经网络的细胞检测分割的系统和方法,除TCT宫颈防癌细胞检测,也可应用于其他病理细胞,如胃、乳腺细胞等检测分析场景中,具有应用推广性。
附图说明
图1是正常细胞、炎症细胞、滴虫细胞、萎缩细胞和HPV病毒等细胞的示意图。
图2是本发明提出的基于深度学习神经网络的细胞检测分割系统示意图。
图3是本发明提出的基于深度学习神经网络的细胞检测分割方法流程示意图。
图4是基于深度学习神经网络的细胞检测分割方法步骤1的子流程示意图。
图5是基于深度学习神经网络的细胞检测分割方法滑动窗口截取图像的流程示意图。
图6是基于深度学习神经网络的细胞检测分割方法步骤2的子流程示意图。
图7是基于深度学习神经网络的细胞检测分割方法提取的细胞掩膜和细胞类别的示意图。
图8是基于深度学习神经网络的细胞检测分割方法步骤3的子流程示意图。
图9是基于深度学习神经网络的细胞检测分割方法步骤4的子流程示意图。
图10是基于深度学习神经网络的细胞检测分割方法中Mask-RCNN网络的基本结构示意图。
图11是基于深度学习神经网络的细胞检测分割方法检测分割正常细胞的流程示意图。
图12是基于深度学习神经网络的细胞检测分割方法检测分割炎症细胞的流程示意图。
图13是基于深度学习神经网络的细胞检测分割方法检测分割HPV病毒细胞的流程示意图。
图14是基于深度学习神经网络的细胞检测分割方法检测分割萎缩细胞的流程示意图。
图15是基于深度学习神经网络的细胞检测分割方法检测分割滴虫细胞的流程示意图。
具体实施方式
本发明实施例提供了一种基于深度学习神经网络的细胞检测分割系统和方法,用于对细胞病理图像进行检测,可以将图片中的正常细胞、炎症细胞、滴虫细胞、萎缩细胞和HPV病毒等细胞分割出来,标记每一种类型并统计它们的数量,对患者是否被感染、发炎等患病情况进行分析,为病理医生提供一个可靠高效的辅助诊断依据。细胞类型示例图片如图1所示。为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
如图2所示:一种基于深度学习神经网络的细胞检测分割的系统,包括图像截取模块1、训练模块2、特征处理模块3、特征融合模块4、图像拼接模块5和数据分析模块6;其中,所述图像截取模块用于读取超大图像(例如8w x 8w像素的图像),通过滑动窗口的方法将图像切割成N个感兴趣区域;
所述训练模块用于构造深度学习神经网络,使用截取的数据进行训练,得到细胞的分类和分割模型;
所述特征处理模块用于从截取的每一张图像中提取细胞病理特征,记录每个特征的位置和大小,对细胞特征进行分类和分割;
所述特征融合模块用于将所述特征提取模块中的细胞特征进行分析,对漏识别、误识别的细胞进行筛查,并将处理结果融合在一起;
所述图像拼接模块用于将经过检测后的N个图像依次拼接成原来的图像;
所述数据分析模块用于统计病理图像中的细胞类型和数量,对患者是否被感染、发炎等患病情况进行判断。
如图3所示,一种基于深度学习神经网络的细胞检测分割的方法,包括如下步骤:
步骤1: 图像截取,通过滑动窗口的方法将图像分割成N个感兴趣区域图像;
步骤2: 训练,构造深度学习神经网络,将步骤1分割出来的N个感兴趣区域图像输入深度学习神经网络进行训练,得到细胞的分类和分割模型;
步骤3: 特征处理:使用训练好的深度学习神经网络模型提取候选框,对每个细胞的特征候选区域进行分类和分割;
步骤4: 特征融合:处理因处于图像边缘而漏识别、误识别的细胞,将经过处理后的细胞进行融合;
步骤5: 图像拼接,将N个经过处理后的感兴趣区域图像拼接成原来的图像;
步骤6: 数据分析,统计图像中细胞的类型和数量,对患者病情进行判断。
如图4所示,所述步骤1的具体步骤为:步骤11、读取图像,步骤12、窗口选取,从图像左边起,取512 x 512大小的窗口,以窗口边长的25%为步长依次滑动窗口,步骤13、截取图像,将图像分割成N个感兴趣区域图像。滑动窗口截取图像如图5所示。
如图6所示,所述步骤2的具体步骤为:步骤21,神经网络建模:构造深度学习神经网络,并人工标注细胞掩膜和细胞类别供模型学习。细胞掩膜和细胞类别的示例如图7所示;
步骤22,深度学习神经网络训练:将细胞特征掩码和细胞类别输入深度学习神经网络进行训练,得到分类和分割模型;
如图8所示,所述步骤3的具体步骤为:步骤31,细胞特征提取:使用训练好的深度学习神经网络对细胞建立模型,提取细胞特征;
步骤321,细胞分类:根据提取的细胞轮廓特征用softmax分类器对细胞所属种类进行判别,共有正常细胞、炎症细胞、HPV病毒细胞、萎缩细胞和滴虫细胞等类别;
步骤322,细胞分割:对提取出来的细胞轮廓特征进行上采样,并进行二值化,得到细胞的分割图;
如图9所示,所述步骤4的具体步骤为:步骤41、粗检测:将截取出来的图像送入深度学习神经网络网路进行第一次检测,得到初步的分类和分割结果;
步骤421,漏识别细胞检测:当细胞处于图像边缘或在截取图像时被裁成两半时,网络模型可能会检测不出来。步骤431,二次检测,针对这部分图像需要进行二次检测;
步骤422,误识别细胞检测:判断检测出的相邻细胞轮廓特征有无重叠;432、置信度比较,有重叠则比较两个轮廓特征的置信度,取置信度大的作为该细胞的类别。
步骤44,特征合并:将经过步骤421和422处理之后的细胞图像合并在一起,得到完整的分割图。
所述步骤5的具体步骤为:图像拼接,按照步骤1的截取顺序将经过检测后的N个图像依次拼接成原来的图像,拼接后的图像即最终的检测结果图。
所述步骤6的具体步骤为:数据分析,对步骤5得到的检测图像进行统计,记录图像中共有多少种细胞,每种细胞数量是多少,然后根据每种细胞的数量占比对患病情况进行分析,如:炎症细胞数量较多时,说明患炎症的可能性较大;检测到HPV病毒细胞时,说明该病人可能已被HPV病毒感染。
本发明实施例提出的基于深度学习神经网络的细胞检测分割系统和方法训练模块中的深度学习神经网络适用于多种深度学习技术,如Mask-RCNN, Yolact等。下面以Mask-RCNN为例说明本发明提出的基于深度学习神经网络的细胞检测分割系统和方法的适用性。如图10所示是深度学习神经网络的基本结构。左边是输入图像,右边是检测结果图,不同的细胞用不同的颜色框出,深度学习神经网络能够识别不同的细胞。其检测过程如下:输入图像会先经过RPN(Region Proposal Networks,候选区域提取网络)提取每个细胞的候选框,然后使用RoIAlign(候选区域对齐)对齐细胞特征。提取出来的细胞特征会经过两个分支,一条是分类支路,一条是分割支路。分类支路会根据提取的细胞轮廓特征用Softmax分类器对每个细胞进行分类;分割支路用于对提取出来的细胞轮廓特征进行上采样,并进行二值化,得到细胞的分割图。
如图11、图12、图13、图14和图15所示,下面以正常细胞、炎症细胞、HPV病毒细胞、萎缩细胞和滴虫细胞的检测为示例,说明本发明提出的基于深度学习神经网络的细胞检测分割系统对于病理图像检测的实用性。
Claims (7)
1.一种基于深度学习神经网络的细胞检测分割的系统,其特征在于,包括图像截取模块(1)、训练模块(2)、特征处理模块(3)、特征融合模块(4)、图像拼接模块(5)和数据分析模块(6);
所述图像截取模块(1),用于从图像截取感兴趣区域;
所述训练模块(2),用于构造深度学习神经网络,使用截取的数据进行训练,得到细胞的分类和分割模型;
所述特征处理模块(3),用于从截取的每一张图像中提取细胞病理特征,记录每个特征的位置和大小,对细胞特征进行分类和分割;
所述特征融合模块(4),用于将所述特征提取模块中的细胞特征进行分析,对误检测和重复检测进行筛查,并将处理结果融合在一起;
所述图像拼接模块(5),用于将经过检测后的N个图像依次拼接成原来的图像;
所述数据分析模块(6),用于统计病理图像中的细胞类型和数量,对患者是否被感染、发炎等患病情况进行判断。
2.一种基于深度学习神经网络的细胞检测分割的方法,包括如下步骤:
步骤1: 图像截取,通过滑动窗口的方法将图像分割成N个感兴趣区域图像;
步骤2: 训练,构造深度学习神经网络,将步骤1分割出来的N个感兴趣区域图像输入深度学习神经网络进行训练,得到细胞的分类和分割模型;
步骤3: 特征处理:使用训练好的深度学习神经网络模型提取候选框,对每个细胞的特征候选区域进行分类和分割;
步骤4: 特征融合:处理因处于图像边缘而漏识别、误识别的细胞,将经过处理后的细胞进行融合;
步骤5: 图像拼接,将N个经过处理后的感兴趣区域图像拼接成原来的图像;
步骤6: 数据分析,统计图像中细胞的类型和数量,进行病情判断。
3.根据权利要求2所述的基于深度学习神经网络的细胞检测分割的方法,其特征在于:所述步骤1包括:
步骤11、读取图像,
步骤12、窗口选取,从图像左边起,取512 x 512大小的窗口,以窗口边长的25%为步长依次滑动窗口,
步骤13、截取图像,将图像分割成N个感兴趣区域图像。
4.根据权利要求2或3所述的基于深度学习神经网络的细胞检测分割的方法,其特征在于:所述步骤2包括:
步骤21,神经网络建模:构造深度学习神经网络,并人工标注细胞特征掩码和细胞类别供模型学习;
步骤22,深度学习神经网络训练:将细胞特征掩码和细胞类别输入深度学习神经网络进行训练,得到分类和分割模型。
5.根据权利要求2或3所述的基于深度学习神经网络的细胞检测分割的方法,其特征在于:所述步骤3包括:
步骤31,细胞特征提取:使用训练好的深度学习神经网络对细胞建立模型,提取细胞特征;
步骤32,细胞分类:根据提取的细胞轮廓特征用softmax分类器对细胞所属种类进行判别;
步骤32,细胞分割:对提取出来的细胞轮廓特征进行上采样,并进行二值化,得到细胞的分割图。
6.根据权利要求2或3所述的基于深度学习神经网络的细胞检测分割的方法,其特征在于:所述步骤4包括:
步骤41、粗检测:将截取出来的图像送入深度学习神经网络网路进行第一次检测,得到初步的分类和分割结果;
步骤421,漏识别细胞检测:当细胞处于图像边缘或在截取图像时被裁成两半时,网络模型可能会检测不出来;步骤431,二次检测,针对这部分图像需要进行二次检测;
步骤422,误识别细胞检测:判断检测出的相邻细胞轮廓特征有无重叠;432、置信度比较,有重叠则比较两个轮廓特征的置信度,取置信度大的作为该细胞的类别;
步骤44,特征合并:将经过步骤421和422处理之后的细胞图像合并在一起,得到完整的分割图。
7.根据权利要求5所述的基于深度学习神经网络的细胞检测分割的方法,其特征在于:所述步骤4包括:
步骤41、粗检测:将截取出来的图像送入深度学习神经网络网路进行第一次检测,得到初步的分类和分割结果;
步骤421,漏识别细胞检测:当细胞处于图像边缘或在截取图像时被裁成两半时,网络模型可能会检测不出来;步骤431,二次检测,针对这部分图像需要进行二次检测;
步骤422,误识别细胞检测:判断检测出的相邻细胞轮廓特征有无重叠;432、置信度比较,有重叠则比较两个轮廓特征的置信度,取置信度大的作为该细胞的类别;
步骤44,特征合并:将经过步骤421和422处理之后的细胞图像合并在一起,得到完整的分割图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297714.6A CN110060244B (zh) | 2019-04-15 | 2019-04-15 | 基于深度学习神经网络的细胞检测与分割的系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297714.6A CN110060244B (zh) | 2019-04-15 | 2019-04-15 | 基于深度学习神经网络的细胞检测与分割的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110060244A true CN110060244A (zh) | 2019-07-26 |
CN110060244B CN110060244B (zh) | 2023-07-14 |
Family
ID=67318932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910297714.6A Active CN110060244B (zh) | 2019-04-15 | 2019-04-15 | 基于深度学习神经网络的细胞检测与分割的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060244B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530779A (zh) * | 2019-08-09 | 2019-12-03 | 上海依智医疗技术有限公司 | 一种白细胞检测方法及装置 |
CN110736747A (zh) * | 2019-09-03 | 2020-01-31 | 深思考人工智能机器人科技(北京)有限公司 | 一种细胞液基涂片镜下定位的方法及系统 |
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 |
CN111368872A (zh) * | 2019-12-20 | 2020-07-03 | 浙江大学 | 基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法 |
CN112084899A (zh) * | 2020-08-25 | 2020-12-15 | 广东工业大学 | 一种基于深度学习的跌倒事件检测方法和系统 |
CN112330616A (zh) * | 2020-10-28 | 2021-02-05 | 上海交通大学 | 一种脑脊液细胞图像自动化识别和计数的方法 |
CN112560964A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 基于半监督学习训练中草药病虫害识别模型的方法与系统 |
WO2021057148A1 (zh) * | 2019-09-25 | 2021-04-01 | 平安科技(深圳)有限公司 | 基于神经网络的脑组织分层方法、装置、计算机设备 |
CN113255718A (zh) * | 2021-04-01 | 2021-08-13 | 透彻影像科技(南京)有限公司 | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 |
CN113450354A (zh) * | 2021-08-30 | 2021-09-28 | 山东仕达思生物产业有限公司 | 基于卷积神经网络和摇摆活动特征的滴虫检测方法 |
WO2022007337A1 (zh) * | 2020-07-07 | 2022-01-13 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
US11803963B2 (en) | 2019-02-01 | 2023-10-31 | Sartorius Bioanalytical Instruments, Inc. | Computational model for analyzing images of a biological specimen |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107665492A (zh) * | 2017-06-29 | 2018-02-06 | 南京信息工程大学 | 基于深度网络的结直肠全景数字病理图像组织分割方法 |
CN108765371A (zh) * | 2018-04-25 | 2018-11-06 | 浙江大学 | 一种病理切片中非常规细胞的分割方法 |
CN109035216A (zh) * | 2018-07-06 | 2018-12-18 | 北京羽医甘蓝信息技术有限公司 | 处理宫颈细胞切片图像的方法及装置 |
CN109190567A (zh) * | 2018-09-10 | 2019-01-11 | 哈尔滨理工大学 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
-
2019
- 2019-04-15 CN CN201910297714.6A patent/CN110060244B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107665492A (zh) * | 2017-06-29 | 2018-02-06 | 南京信息工程大学 | 基于深度网络的结直肠全景数字病理图像组织分割方法 |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN108765371A (zh) * | 2018-04-25 | 2018-11-06 | 浙江大学 | 一种病理切片中非常规细胞的分割方法 |
CN109035216A (zh) * | 2018-07-06 | 2018-12-18 | 北京羽医甘蓝信息技术有限公司 | 处理宫颈细胞切片图像的方法及装置 |
CN109190567A (zh) * | 2018-09-10 | 2019-01-11 | 哈尔滨理工大学 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
Non-Patent Citations (1)
Title |
---|
JIE SU: "A segmentation method based on HMRF for the aided diagnosis of acute myeloid leukemia", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11803963B2 (en) | 2019-02-01 | 2023-10-31 | Sartorius Bioanalytical Instruments, Inc. | Computational model for analyzing images of a biological specimen |
CN110530779A (zh) * | 2019-08-09 | 2019-12-03 | 上海依智医疗技术有限公司 | 一种白细胞检测方法及装置 |
CN110736747A (zh) * | 2019-09-03 | 2020-01-31 | 深思考人工智能机器人科技(北京)有限公司 | 一种细胞液基涂片镜下定位的方法及系统 |
CN110736747B (zh) * | 2019-09-03 | 2022-08-19 | 深思考人工智能机器人科技(北京)有限公司 | 一种细胞液基涂片镜下定位的方法及系统 |
WO2021057148A1 (zh) * | 2019-09-25 | 2021-04-01 | 平安科技(深圳)有限公司 | 基于神经网络的脑组织分层方法、装置、计算机设备 |
CN111368872A (zh) * | 2019-12-20 | 2020-07-03 | 浙江大学 | 基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法 |
WO2021159686A1 (zh) * | 2020-02-11 | 2021-08-19 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
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 |
WO2022007337A1 (zh) * | 2020-07-07 | 2022-01-13 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
CN112084899A (zh) * | 2020-08-25 | 2020-12-15 | 广东工业大学 | 一种基于深度学习的跌倒事件检测方法和系统 |
CN112330616A (zh) * | 2020-10-28 | 2021-02-05 | 上海交通大学 | 一种脑脊液细胞图像自动化识别和计数的方法 |
CN112560964A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 基于半监督学习训练中草药病虫害识别模型的方法与系统 |
CN113255718A (zh) * | 2021-04-01 | 2021-08-13 | 透彻影像科技(南京)有限公司 | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 |
CN113255718B (zh) * | 2021-04-01 | 2022-07-01 | 透彻影像科技(南京)有限公司 | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 |
CN113450354A (zh) * | 2021-08-30 | 2021-09-28 | 山东仕达思生物产业有限公司 | 基于卷积神经网络和摇摆活动特征的滴虫检测方法 |
CN113450354B (zh) * | 2021-08-30 | 2021-11-16 | 山东仕达思生物产业有限公司 | 基于卷积神经网络和摇摆活动特征的滴虫检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110060244B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060244A (zh) | 基于深度学习神经网络的细胞检测与分割的系统和方法 | |
CN112070772B (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
Bora et al. | Automated classification of Pap smear images to detect cervical dysplasia | |
EP3779786A1 (en) | Diabetic retina image classification method and system based on deep learning | |
Mirsharif et al. | Automated characterization of blood vessels as arteries and veins in retinal images | |
Sukumar et al. | Computer aided detection of cervical cancer using pap smear images based on adaptive neuro fuzzy inference system classifier | |
CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
CN108257129A (zh) | 基于多模态检测网络的宫颈活检区域辅助识别方法及装置 | |
CN111145176A (zh) | 一种基于深度神经网络的胃癌淋巴结染色病理图像自动识别方法和系统 | |
De Guzman et al. | Design and evaluation of a multi-model, multi-level artificial neural network for eczema skin lesion detection | |
Devi et al. | Neutrosophic graph cut-based segmentation scheme for efficient cervical cancer detection | |
CN111986150A (zh) | 一种数字病理图像的交互式标注精细化方法 | |
CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
Oikawa et al. | Pathological diagnosis of gastric cancers with a novel computerized analysis system | |
Hossain et al. | Tissue artifact segmentation and severity assessment for automatic analysis using wsi | |
CN115359483A (zh) | 一种针对宫颈液基细胞分类的训练方法 | |
Solar et al. | Computational detection of cervical uterine cancer | |
Athira et al. | Automatic detection of diabetic retinopathy using R-CNN | |
de Souza Oliveira et al. | A new approach for malaria diagnosis in thick blood smear images | |
Wang et al. | Binary and multiclass classification of histopathological images using machine learning techniques | |
Saraswat et al. | Malarial parasites detection in RBC using image processing | |
Jewani et al. | Detection of diseases via blood analysis using Image processing Techniques | |
CN111798426B (zh) | 用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统 | |
Parraga et al. | A review of image-based deep learning algorithms for cervical cancer screening | |
Praba et al. | Comparing different classifiers for automatic lesion detection in cervix based on colour histogram |
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 |