CN110188592A - 一种尿液有形成分细胞图像分类模型构建方法及分类方法 - Google Patents

一种尿液有形成分细胞图像分类模型构建方法及分类方法 Download PDF

Info

Publication number
CN110188592A
CN110188592A CN201910285928.1A CN201910285928A CN110188592A CN 110188592 A CN110188592 A CN 110188592A CN 201910285928 A CN201910285928 A CN 201910285928A CN 110188592 A CN110188592 A CN 110188592A
Authority
CN
China
Prior art keywords
image
classification
elementary area
max
formed element
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
Application number
CN201910285928.1A
Other languages
English (en)
Other versions
CN110188592B (zh
Inventor
宋建锋
苗启广
韦玥
权义宁
莫昊
王崇晓
姚小乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910285928.1A priority Critical patent/CN110188592B/zh
Publication of CN110188592A publication Critical patent/CN110188592A/zh
Application granted granted Critical
Publication of CN110188592B publication Critical patent/CN110188592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/08—Learning methods
    • 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
    • G06T7/187—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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种尿液有形成分细胞图像分类模型构建方法及分类方法。所公开的模型构建方法包括：图像分割、数据预处理、训练并获取深度神经网络模型；所公开的分类方法是采用本发明的构建的模型对未知图像识别分类。本发明可以实现对一张包含多种类型细胞的大图像从分割到识别分类的一体化检测，大大降低人工干预带来的效率低、误差大的问题，有效提高尿液检测的效率。

Description

一种尿液有形成分细胞图像分类模型构建方法及分类方法
技术领域
本发明属于计算机视觉领域，涉及图像处理和深度卷积神经网络算法，可应用于尿液检测仪器进行辅助检测。
背景技术
尿液检查是最常用的医学检验项目之一，对泌尿系统乃至全身各系统疾病的诊断和治疗有着重要的意义。其中尿液有形成分检查是检查内容的核心。
尿液有形成分是指来自泌尿道，并以可见形式渗出、排出、脱落和浓缩结晶所形成的物质的总称。通过离心方式得到的浓缩的尿有形成分称之为尿沉渣。尿液有形成分检查是一项经典的检验项目，它和理学检查、化学检查共同构成尿常规检查的全部内容，三者之间相辅相成、互相弥补和互相印证。但有形成分检查对于临床医生了解泌尿系统各个部位的变化，对泌尿系统疾病进行定位诊断、鉴别诊断和预后判断更具有应用价值。
目前在检验学界被广泛使用的尿液有形成分自动识别系统是根据数字成像原理，近年来新兴的尿液分析技术，方法简单、快速、自动化程度高。根据数字成像原理采用数字摄像机和显微镜光学系统采图，计算机对目标图像的特征参数进行数据分析对计数池中的尿有形成分进行分类计数。仪器使用时间越长，数据库越丰富，识别能力越强。根据仪器的原理和内存的数据库不同，对有形成分的识别能力也不同，有的甚至可识别病理变化的有形成分。但当细胞形态变化超出仪器内置的模拟的数据库存时，仪器自动提示建议人工判别。
秦颖博等人在”秦颖博,孙杰,陈平.‘基于支持向量机的尿液细胞图像识别分类研究[J]’.计算机工程与设计,2013,34(6):2185-2189”中分析和比较了在RGB和HIS两种不同色彩坐标系统下使用支持向量机对尿液细胞进行识别分类的效果，分析和比较了使用色彩特征参数与空间特征参数进行综合识别分类尿液细胞的效果，提出使用网格搜索交叉验证法对支持向量机的参数进行优化，在尿液细胞识别分类中效果良好，但识别种类较少。
HJELM R D，CALHOUN V D，SALAKHUTDINOV R等人在’Restricted Boltzmannmachines for neuroimaging:an applicationin identifying intrinsic networks[J].NeuroImage，2014，96(8):245－260’中利用深度玻尔兹曼机从PET/MRI多模态融合图像中挖掘高层次潜在特征，对AD和MCI的诊断准确率都有了不同程度的提高。
BAI J，WU Y，ZHANG J M等人在’Subset based deep learningforRGB－D objectrecognition[J].Neurocomputing，2015(165):280－292.’基于子集的深度学习用于RGB－D对象识别，原始RGB－D图像划分为若干子集，从中学习更高级别的特征被级联为最终特征进行分类，改善了分类效果。
综上所述，现有的尿液有形成分细胞识别技术虽然取得了一定的成果，但是大都有一定的局限性，尤其在细胞杂质干扰大、大批量样本、多种类、光照条件差异大的情况下的分割的有效性和识别的准确效率方面更需要进一步的研究。
发明内容
针对现有技术的区别或不足，本发明的目的在于提供一种尿液有形成分细胞图像分类模型构建方法及分类方法。
本发明所提供的尿液有形成分细胞图像分类模型构建方法包括：
步骤一，对图像集中的各图像进行二值化处理，之后将二值化图像分割成多个图像单元；
步骤二，对各图像单元进行填充、分类；所述填充是将矩形图像单元填充为正方形；所述分类是根据生物学知识将所有图像单元分成多种类别；
步骤三，统计图像单元数量最多的类别的图像单元数量Qmax；将其余各类图像单元的数量扩充到Qmax，Qmax≥1，得到平衡数据；
步骤四，采用步骤三得到的平衡数据对神经网络进行训练，得到分类模型。
优选的，本发明所述分类是根据生物学知识将所有图像单元先分成多种大类，再将大类分成小类；所述多种类别包括大类和小类，或者所有小类。
一些实施方式中，本发明的方法还包括：在进行步骤三前，将每一种类中的图像单元以合适的数量比例划分为训练集和测试集。
可选的，本发明所述神经网络选用Inceptionv3、GoogleNet或Inceptionv2分类网络。
可选的，本发明所述二值化处理采用阈值分割、基于区域的分割、基于边缘分割、基于图论分割或聚类分割方法。
进一步，本发明所述步骤一包括：
(1)将原始图像缩小为原来的2-4倍；
(2)采用多种子区域生长算法，将图像进行二值化分割；所述多种子区域生长算法中设定种子个数为1-4；
(4)查找连通区域，统计连通区域内像素点的数量，如果连通区域内像素点的数量小于300-600，舍弃该连通区域，减少杂质的混入；
(5)对于保留的每个连通区域进行裁剪，得到多个单个图像单元。
优选的，本发明所述填充包括：获取矩形图像的长度H和宽度W；如果H>W，则填充后的正方形图像大小为H*H；如果H<W，则填充后的正方形图像大小为W*W；填充后图像的背景与填充前图像的背景像素接近或相同。
可选的，本发明的步骤三包括：
对每一种类别中的图像单元进行随机排序，并依照所排次序依次赋予各图像单元相应的ID：0,1,2，…，q,…，Q；q≤Q,Q为大于等于0的整数；
统计每个类别的图像单元数量，并记录图像单元数量最多的类别的图像单元数量Qmax；
对每一种类别产生一个包含Qmax个数值的列表，所述列表由0,1,2，…，Qmax随机排列组成；
对于任意一种类别的列表，用该列表中的数值分别对该类别的图像单元数量求余，得到Qmax个余数，该Qmax个余数构成该类别的索引值列表；
对于任意一种类别，在该类别图像单元中查找ID与索引值列表中数值相同的图像单元，得到该类别对应的Qmax张图像单元，对该Qmax张图像单元分别随机进行保持原样或随机处理，得到扩充后的Qmax张图像单元；所有类别的Qmax张图像单元构成平衡数据；
所述随机处理的处理包括：水平翻转、垂直翻转、旋转任意度数、任意倍数的拓宽。
另一方面，本发明提供的尿液有形成分细胞图像分类方法包括：
采用上述步骤一所述方法对未知图像进行分割处理，得到未知图像单元；
将未知图像单元输入本发明所得模型，输出未知细胞所属类别。
与现有技术相比，本发明具有以下优点：
第一，本发明在预处理步骤中采取先对获取到的填充后的分割图像划分为训练集和验证集，后分别对训练集和验证集进行扩充的方法。该方法增加了训练过程中输出验证集测试的准确率的参考性，对模型的判断更加准确。
第二，本发明在处理数据不平衡时，对类别重组法提出了改进。原始的类别重组法复制了大量的原始图像，在类别极度不平衡的情况下，会造成过拟合情况的发生，通过在获取索引号后对原始图像做旋转变化，增加了样本的多样性，在一定程度上能够降低过拟合的发生。
优选的，本发明所研究的是在实际检测中存在的尿液有形成分细胞的真实图像，且从数据集的规模和细胞种类都有较大提升，采用多种子区域生长算法，通过自动计算种子的初始位置，对分割效果有了显著的提高；此外，
通过对原始图像先缩小后分割的方法，分割的速度也有了明显的改进。
进一步，本发明在预处理步骤中所采用的像素填充法，对填充背景所选取的像素值的计算方法，大大降低了原始图像和背景图像的差异，这对后面深度神经网络模型的训练有很大的帮助，能够改善模型学习的效果。
本发明可以实现对一张包含多种类型细胞的大图像从分割到识别分类的一体化检测，大大降低人工干预带来的效率低、误差大的问题，有效提高尿液检测的效率。
附图说明
图1(a)为实施例1步骤一之前待处理的原始图像，图1(b)-(h)为实施案例步骤一后切割出来的单个图像单元。
图2(a)为实施例1中填充前的矩形图像单元，图2(b)为填充后的正方形图像单元。
图3(a)为实施例3步骤一之前待处理的原始图像，图3(b)-(m)为切割出来的包含单个细胞的图像单元。
具体实施方式
本发明的所使用的数据集是从某市各大医院获取的第一手资料，使用的是某型号自动尿检仪，保证了样本的真实性和可靠性，尤其是各种阳性样本更是具有研究价值。
本发明所述的生物学知识是指：生物专业各类细胞的图谱介绍，具体在尿液有形成分细胞检测领域是指尿沉渣检测，具体可参见《实用尿液分析技术与临床》，2013年，丛玉隆等。优选的方案中，本发明还可同时根据先验知识对细胞进行分类，其中先验知识是指：以往通过神经网络预分类的效果，
把容易错分的细胞单独作为一个类别。
本发明方法中图像二值化可采用阈值分割、基于区域的分割、基于边缘分割、基于图论分割或聚类分割方法。在采用基于区域的分割方法时，算法中设定种子个数为1-4，种子的选取计算方式如下：
种子个数为3个时：
种子个数为4个时：
其中：w表示原始图像的宽，h表示原始图像的高。
本发明的方法中在进行图像分割前需去掉图像中的杂质，具体可采用统计连通区域内像素点的数量，如果连通区域内像素点的数量小于300-600，舍弃该连通区域，减少杂质的混入。
本发明在对数据训练集与验证集进行划分时，两个集合的数据量比例根据神经网络训练所需数据量确定，例如数据训练集和验证集以7：3的比例分割。并且在进行数据平衡处理前进行训练集和验证集划分可预防过拟合的发生。
本发明对具备类别中的图像单元数量进行扩充处理，主要目的是解决数据不平衡的问题，主要采用生成随机数列表、求余和随机处理。具体实施方式如下：
首先按照类别顺序对原始数据样本从0到n-1(n表示类别总数)进行排序并生成每一类图像单元的ID号；之后计算每个类别的样本数目，并记录样本最多的那个类别的数量；
如表1所示三个类别，类别号分别为0，1，2，每个类别的ID号和图像名如表中所示。可以看出，数量最多的类别为第2类，有5张图片。为了方便识别，在图像分割后保存的时候对每一个图像单元赋予图像名。
表1
之后，根据这个最多样本数对每一个样本产生一个随机排列列表,然后用此列表中的随机数对各自类别的样本数求余，得到对应的索引值。仍以表1所示数据为例，为每一类产生一个数量为5的随机列表(表2所示为0类的随机列表)；
然后用此列表中的随机数对各自类别的样本数求余，得到对应的索引值，比如第0类的图像单元数量为4，随机数0对4取余得到的索引值是0，随机数3对4取余得到的索引值是3，随机数4对4取余得到的索引值是0；
表2 表3
接着，根据索引值从该类的图像中提取相应图像单元并做随机处置，保存处理的图像。这样可得到一个分布平衡的数据；其中随机处置的处理步骤包括：不做处理、水平翻转、垂直翻转、旋转任意度数、任意倍数的拓宽。
具体例如，以表2随机列表中的每个数值分别对5求余得到的相应的余数即索引值，索引值对应得到表1左边的图像ID和图像名，得到表3所示结果，从而得到所对应的原图像单元，对原图像单元做随机变换处理，比如图像ID为0被选中两次，分别做了两次随机处理，第一次不做任何处理，
第二次进行水平翻转，ID为3的做垂直翻转，依此类推，并把每次处理后的图像保存下来，得到最终数量为5且做过变化处理的类别为0的图像集。
同样的处理应用到第1类，第2类，最后将所有类别的随机列表连在一起，就可以得到最终的图像和图像列表。
以下是发明人提供的具体实施例，以对本发明的技术方案作进一步解释说明。
实施例1：
原始图像是由西安电子科技大学计算机视觉与网络智能研究所研究生实验室所收集的。共9624张图片，对其中的每一张图像进行步骤一、二处理：
步骤一、图像预处理
(1)如图1所示，原始图像尺寸为744*480，先将图像缩小大约3倍，
即resize为256*165；
(2)采用多种子区域生长算法，将图像进行二值化分割，此算法中设定种子个数为3，分别为(64，41)，(192，124)(128，82)，计算方式如下：
(3)将分割好的二值化图像恢复成原始尺寸大小；
(4)查找连通区域，统计连通区域内像素点的数量，如果连通区域内像素点的数量小于500，舍弃该连通区域，减少杂质的混入；
(5)对于每一个连通区域，获取连通区域的边界外接框min_row，max_row，min_col，max_col，采用裁剪技术，根据外接框的位置对原始图像进行分割，得到多个图像单元；
步骤二、图像预处理
如图2所示，获取矩形图像单元的长度H和宽度W，如果H>W，则填充后的图像单元大小为H*H；如果H<W，则填充后的图像单元大小为W*W。比如将一个156*68图像单元填充为156*156，填充使用的像素值为：四个角边上3*3的矩形的平均值的平均值；应尽可能让填充的像素和细胞本身背景相似，减少填充后的差异。
将分割好的图像单元根据生物学的知识和先验知识进行分类，共分为13大类，28小类；
步骤三，将每一种类中的图像单元进行数据训练集和验证集以7：3的比例分割；
步骤四，分别对训练集和验证集的不平衡数据做扩充处理：
首先按照类别顺序对原始数据样本进行排序并赋予各自的ID，之后计算每个类别的样本数目，并记录样本最多的那个类别的数量；
之后，根据这个最多样本数对每一个样本产生一个随机排列列表,然后用此列表中的随机数对各自类别的样本数求余，得到对应的索引值；
接着，根据索引值选取相应ID的图像单元，并对各图像单元随机进行保持原样或随机处理，保存处理的图像。这样可得到一个分布平衡的数据；随机处理包括：不做处理、水平翻转、垂直翻转、旋转任意度数(90，180，270)、任意倍数的拓宽。
具体分类结果和处理结果如下表4所示：表4
步骤五、训练神经网络模型
用处理过的分布平衡的数据在Inceptionv3网络下进行训练，并使用训练好的模型在测试集上进行测试，过程中训练参数的基础学习率为0.045，最大迭代次数为340637。
实施例2：
该实施例是在实施例1步骤二完成后先进行数据扩充处理，再进行图像训练集与验证集的分割。处理完后数据分布如下表5所示。
表5
如实施例2表5常红细胞1，原始分割后的图像单元数量为2298，先进行扩充处理后，得到的数量是5562，再进行以7：3随机分割训练集与验证集后，得到的数量为3893的训练集中有原始图像单元1000张，占比是25.69％，扩充处理后的图像单元占比74.31％；数量为1669的验证集中原始图像单元1298张，占比33.3％，则扩充处理后的图像占比66.7％。
相对于实施例1的结果，如实施例1表4正常红细胞1，原始分割后的图像单元数量为2298，先以7：3随机分割训练集与验证集后，得到的训练集和验证集分别为1608和690，再进行扩充处理后，得到数量为3893的训练集中原始图像单元占比为41.3％，处理后的图像单元占比为58.7％；数量为1669的验证集中原始图像占比为41.3％，处理后的图像占比为58.7％。
说明在一些实施方式中，数据集分割为训练集与测试集后再进行不平衡处理可保证训练集与测试集数据分布的一致性，防止过拟合。
实施例3：
该实施例是对如图3(a)所示的未知图像进行分割和识别，利用实施例1步骤一所述的步骤将未知图像分割为图3(b)-(m)的图像单元，然后经过实施例1步骤三训练的模型文件对图3(b)-(m)的图像单元进行识别，具体识别方法可使用CAFFE框架中的CLASSIFICATION示例项目，识别结果为图3(b)、(d)、(e)、(g)、(h)和(i)图像单元属于草酸钙结晶，(c)、(f)和(g)图像单元属于鳞状上皮细胞，(k)(l)(m)图像单元属于杂质。

Claims (9)

1.一种尿液有形成分细胞图像分类模型构建方法，其特征在于，方法包括：
步骤一，对图像集中的各图像进行二值化处理，之后将二值化图像分割成多个图像单元；
步骤二，对各图像单元进行填充、分类；所述填充是将矩形图像单元填充为正方形；所述分类是根据生物学知识将所有图像单元分成多种类别；
步骤三，统计图像单元数量最多的类别的图像单元数量Qmax；将其余各类图像单元的数量扩充到Qmax，Qmax≥1，得到平衡数据；
步骤四，采用步骤三得到的平衡数据对神经网络进行训练，得到分类模型。
2.如权利要求1所述的尿液有形成分细胞图像分类模型构建方法，其特征在于，所述分类是根据生物学知识将所有图像单元先分成多种大类，再将大类分成小类；所述多种类别包括大类和小类，或者所有小类。
3.如权利要求1所述的尿液有形成分细胞图像分类模型构建方法，其特征在于，方法还包括：
在进行步骤三前，将每一种类中的图像单元以合适的数量比例划分为训练集和测试集。
4.如权利要求1所述的尿液有形成分细胞图像分类模型构建方法，其特征在于，所述神经网络选用Inceptionv3、GoogleNet或Inceptionv2分类网络。
5.如权利要求1所述的尿液有形成分细胞图像分类模型构建方法，其特征在于，所述二值化处理采用阈值分割、基于区域的分割、基于边缘分割、基于图论分割或聚类分割方法。
6.如权利要求1所述的尿液有形成分细胞图像分类模型构建方法，其特征在于，所述步骤一包括：
(1)将原始图像缩小为原来的2-4倍；
(2)采用多种子区域生长算法，将图像进行二值化分割；所述多种子区域生长算法中设定种子个数为1-4；
(4)查找连通区域，统计连通区域内像素点的数量，如果连通区域内像素点的数量小于300-600，舍弃该连通区域，减少杂质的混入；
(5)对于保留的每个连通区域进行裁剪，得到多个单个图像单元。
7.如权利要求1所述的尿液有形成分细胞图像分类模型构建方法，其特征在于，所述填充包括：获取矩形图像的长度H和宽度W；如果H>W，则填充后的正方形图像大小为H*H；如果H<W，则填充后的正方形图像大小为W*W；填充后图像的背景与填充前图像的背景像素接近或相同。
8.如权利要求1所述的尿液有形成分细胞图像分类模型构建方法，其特征在于，所述步骤三包括：
对每一种类别中的图像单元进行随机排序，并依照所排次序依次赋予各图像单元相应的ID：0,1,2，…，q,…，Q；q≤Q,Q为大于等于0的整数；
统计每个类别的图像单元数量，并记录图像单元数量最多的类别的图像单元数量Qmax；
对每一种类别产生一个包含Qmax个数值的列表，所述列表由0,1,2，…，Qmax随机排列组成；
对于任意一种类别的列表，用该列表中的数值分别对该类别的图像单元数量求余，得到Qmax个余数，该Qmax个余数构成该类别的索引值列表；
对于任意一种类别，在该类别图像单元中查找ID与索引值列表中数值相同的图像单元，得到该类别对应的Qmax张图像单元，对该Qmax张图像单元分别随机进行保持原样或随机处理，得到扩充后的Qmax张图像单元；所有类别的Qmax张图像单元构成平衡数据；
所述随机处理的处理包括：水平翻转、垂直翻转、旋转任意度数、任意倍数的拓宽。
9.一种尿液有形成分细胞图像分类方法，其特征在于，方法包括：
采用权利要求1所述步骤一对未知图像进行分割处理，得到未知图像单元；
将未知图像单元输入权利要求1所得模型，输出未知细胞所属类别。
CN201910285928.1A 2019-04-10 2019-04-10 一种尿液有形成分细胞图像分类模型构建方法及分类方法 Active CN110188592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910285928.1A CN110188592B (zh) 2019-04-10 2019-04-10 一种尿液有形成分细胞图像分类模型构建方法及分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910285928.1A CN110188592B (zh) 2019-04-10 2019-04-10 一种尿液有形成分细胞图像分类模型构建方法及分类方法

Publications (2)

Publication Number Publication Date
CN110188592A true CN110188592A (zh) 2019-08-30
CN110188592B CN110188592B (zh) 2021-06-29

Family

ID=67714089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910285928.1A Active CN110188592B (zh) 2019-04-10 2019-04-10 一种尿液有形成分细胞图像分类模型构建方法及分类方法

Country Status (1)

Country Link
CN (1) CN110188592B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047577A (zh) * 2019-12-12 2020-04-21 太原理工大学 一种畸形尿红细胞分类统计方法与系统
CN111209854A (zh) * 2020-01-06 2020-05-29 苏州科达科技股份有限公司 司乘人员未系安全带识别方法、装置及存储介质
CN112819057A (zh) * 2021-01-25 2021-05-18 长春迈克赛德医疗科技有限公司 一种尿沉渣图像的自动识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636656A (zh) * 2012-04-01 2012-08-15 长春迪瑞医疗科技股份有限公司 一种全自动尿有形成分分析仪的校准方法
CN103761743A (zh) * 2014-01-29 2014-04-30 东北林业大学 一种基于图像融合分割的实木地板表面缺陷检测方法
CN106778650A (zh) * 2016-12-26 2017-05-31 深圳极视角科技有限公司 基于多类型信息融合的场景自适应行人检测方法和系统
US20170213067A1 (en) * 2016-01-26 2017-07-27 Ge Healthcare Bio-Sciences Corp. Automated cell segmentation quality control
CN107169556A (zh) * 2017-05-15 2017-09-15 电子科技大学 基于深度学习的干细胞自动计数方法
CN107545245A (zh) * 2017-08-14 2018-01-05 中国科学院半导体研究所 一种年龄估计方法及设备
CN107578071A (zh) * 2017-10-13 2018-01-12 北京工业大学 基于Epoch的解决数据不均衡方法
CN107832801A (zh) * 2017-11-23 2018-03-23 桂林优利特医疗电子有限公司 一种细胞图像分类用模型构建方法
CN109102014A (zh) * 2018-08-01 2018-12-28 中国海洋大学 基于深度卷积神经网络的类别不平衡的图像分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636656A (zh) * 2012-04-01 2012-08-15 长春迪瑞医疗科技股份有限公司 一种全自动尿有形成分分析仪的校准方法
CN103761743A (zh) * 2014-01-29 2014-04-30 东北林业大学 一种基于图像融合分割的实木地板表面缺陷检测方法
US20170213067A1 (en) * 2016-01-26 2017-07-27 Ge Healthcare Bio-Sciences Corp. Automated cell segmentation quality control
CN106778650A (zh) * 2016-12-26 2017-05-31 深圳极视角科技有限公司 基于多类型信息融合的场景自适应行人检测方法和系统
CN107169556A (zh) * 2017-05-15 2017-09-15 电子科技大学 基于深度学习的干细胞自动计数方法
CN107545245A (zh) * 2017-08-14 2018-01-05 中国科学院半导体研究所 一种年龄估计方法及设备
CN107578071A (zh) * 2017-10-13 2018-01-12 北京工业大学 基于Epoch的解决数据不均衡方法
CN107832801A (zh) * 2017-11-23 2018-03-23 桂林优利特医疗电子有限公司 一种细胞图像分类用模型构建方法
CN109102014A (zh) * 2018-08-01 2018-12-28 中国海洋大学 基于深度卷积神经网络的类别不平衡的图像分类方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047577A (zh) * 2019-12-12 2020-04-21 太原理工大学 一种畸形尿红细胞分类统计方法与系统
CN111209854A (zh) * 2020-01-06 2020-05-29 苏州科达科技股份有限公司 司乘人员未系安全带识别方法、装置及存储介质
CN112819057A (zh) * 2021-01-25 2021-05-18 长春迈克赛德医疗科技有限公司 一种尿沉渣图像的自动识别方法

Also Published As

Publication number Publication date
CN110188592B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN106248559B (zh) 一种基于深度学习的白细胞五分类方法
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN104156734B (zh) 一种基于随机蕨分类器的全自主在线学习方法
CN101713776B (zh) 一种基于神经网络的尿液中有形成分识别分类方法
CN108447062A (zh) 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法
CN112215117A (zh) 一种基于宫颈细胞学图像的异常细胞识别方法及系统
CN111310756B (zh) 一种基于深度学习的损伤玉米颗粒检测和分类方法
CN106683081A (zh) 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统
CN110188592A (zh) 一种尿液有形成分细胞图像分类模型构建方法及分类方法
EP1686494A1 (en) Similar pattern searching apparatus, method of similar pattern searching, program for similar pattern searching, and fractionation apparatus
CN108021903A (zh) 基于神经网络的人工标注白细胞的误差校准方法及装置
CN111860406A (zh) 基于区域混淆机制神经网络的血细胞显微图像分类方法
CN113128335B (zh) 微体古生物化石图像检测、分类及发现方法、系统及应用
CN114998220B (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN109614869A (zh) 一种基于多尺度压缩奖惩网络的病理图像分类方法
CN107871316A (zh) 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法
CN106780552A (zh) 基于局部区域联合跟踪检测学习的抗遮挡目标跟踪方法
CN112330616A (zh) 一种脑脊液细胞图像自动化识别和计数的方法
CN113628297A (zh) 一种基于注意力机制和迁移学习的covid-19深度学习诊断系统
CN112819821A (zh) 一种细胞核图像检测方法
CN113096184A (zh) 一种复杂背景下硅藻定位与识别方法
CN109671055A (zh) 肺结节检测方法及装置
CN109448842B (zh) 人体肠道微生态失衡的确定方法、装置及电子设备
CN110010204A (zh) 基于融合网络和多打分策略的预后生物标志物识别方法
CN114708492A (zh) 一种果树病虫害图像识别方法

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
GR01 Patent grant
GR01 Patent grant