CN110287966A - 一种关于肾小球分割的图像处理的方法 - Google Patents

一种关于肾小球分割的图像处理的方法 Download PDF

Info

Publication number
CN110287966A
CN110287966A CN201910563405.9A CN201910563405A CN110287966A CN 110287966 A CN110287966 A CN 110287966A CN 201910563405 A CN201910563405 A CN 201910563405A CN 110287966 A CN110287966 A CN 110287966A
Authority
CN
China
Prior art keywords
glomerulus
convolution
segmentation
image
network
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
CN201910563405.9A
Other languages
English (en)
Other versions
CN110287966B (zh
Inventor
梅园
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.)
Shen Yi
Original Assignee
Shanghai Changdao Medical Technology Co Ltd
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 Shanghai Changdao Medical Technology Co Ltd filed Critical Shanghai Changdao Medical Technology Co Ltd
Priority to CN201910563405.9A priority Critical patent/CN110287966B/zh
Publication of CN110287966A publication Critical patent/CN110287966A/zh
Application granted granted Critical
Publication of CN110287966B publication Critical patent/CN110287966B/zh
Expired - Fee Related 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Abstract

本发明公开了一种关于肾小球分割的图像处理的方法，其特征在于：包括以下几个步骤，第一步，将原图像肾组织的图像分割成n个组织切片，且原图像肾组织中的肾小球分割出来；第二步，去除所述原图像中的背景；第三步，对单张组织切片再进行切片处理；第四步，切片处理后的缩放4倍的低分辨率图片作为网络输入，输入到分割网络ms‑unet中进行运算，并输出预测结果；第五步，将所述预测结果拼接成一张张单独的组织切片标记，并在对应的原图上等比例缩放，找到肾小球；第六步，通过openslide库提取对应的肾小球。通过本发明中的方法，通过分割网络ms‑unet建立一个网络结构，原图片作为网络输入，输出结果为除了肾小球的轮廓外，其余全部为黑色。

Description

一种关于肾小球分割的图像处理的方法
技术领域
本发明涉及的肾组织标本提取的技术领域，特别是，涉及一种关于肾小球分割的图像处理的方法。
背景技术
一张肾组织标本图中大概有n(n>＝1)个组织切片，而且每个组织切片中有几到几十个的肾小球，因此一张组织标本中的肾小球数量很是客观，对于监测肾的各项病变有很深的意义。
但是一张图片的信息量过于庞大，无法直接输入到算法进行训练，因此对图片的前处理是一个难点。即使是缩放了4倍的单张组织切片，其包含的信息量依旧很庞大，如果强行改变到256*256或者512*512的分辨率的话，会丢失很多重要的细节，并且肾小球也基本上肉眼无法可见。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有技术中存在的问题，提出了本发明。
因此，本发明其中一个目的是提供一种关于肾小球分割的图像处理的方法。
为解决上述技术问题，本发明提供如下技术方案：一种关于肾小球分割的图像处理的方法，包括以下几个步骤，第一步，将原图像肾组织的图像分割成n个组织切片，且原图像肾组织中的肾小球分割出来；第二步，去除所述原图像中的背景；第三步，对单张组织切片再进行切片处理；第四步，切片处理后的缩放4倍的低分辨率图片作为网络输入，输入到分割网络ms-unet中进行运算，并输出预测结果；第五步，将所述预测结果拼接成一张张单独的组织切片标记，并在对应的原图上等比例缩放，找到肾小球；第六步，通过openslide库提取对应的肾小球。
作为本发明所述关于肾小球分割的图像处理的方法的一种优选方案，其中：n大于等于1。
作为本发明所述关于肾小球分割的图像处理的方法的一种优选方案，其中：所述去除所述原图像的背景，是将除了肾小球位置的其余的组织部分均变成黑色。
作为本发明所述关于肾小球分割的图像处理的方法的一种优选方案，其中：所述对单张组织切片再进行切片处理，是指对所述单张组织切片保留有组织信息的区域，其余部分丢弃；其中，所述再进行切片处理中的切片的大小等于当前分辨率下能够容纳9个肾小球的大小。
作为本发明所述关于肾小球分割的图像处理的方法的一种优选方案，其中：所述对单张组织切片再进行切片处理中的切片，为有重叠切片。
作为本发明所述关于肾小球分割的图像处理的方法的一种优选方案，其中：所述分割网络ms-unet中包括四种运算方法，所述运算方法分别为，3*3卷积、多尺度卷积、池化操作和上采样与卷积之和。
作为本发明所述关于肾小球分割的图像处理的方法的一种优选方案，其中：所述3*3卷积包括，
S1：将大小为m×n(图像的长为m个像素，宽为n个像素)的滤波器w(x,y)与一幅画像f(x,y)做卷积操作，其中，x,y表示为位移变量；
S2：计算卷积的结果：
其中，a＝(m-1)/2,b＝(n-1)/2(a和b的含义为正整数，为长为m和宽为n)，m和n是奇整数，H表示卷积的最终结果。
作为本发明所述关于肾小球分割的图像处理的方法的一种优选方案，其中：所述多尺度卷积需将4个尺度的卷积(3*3,5*5,7*7,9*9)操作结果在最后一维上进行通道合并，得到最终的卷积输出H0，
作为本发明所述关于肾小球分割的图像处理的方法的一种优选方案，其中：所述池化操作为最大池化操作，在选定的卷积核大小下m×n做滑动，依次选择当前范围内最大的值作为新输出点的值，
即：
其中，长为m个像素，宽为n个像素，G(i-m,j-n)代表当前滑动范围内的图像矩阵，H(i,j)表示池化的输出结果。
作为本发明所述关于肾小球分割的图像处理的方法的一种优选方案，其中：所述分割网络ms-unet的结构中，对所述网络输入图像依次进行16步运算，包括，
(1)切片处理后的缩放4倍的低分辨率图片作为网络输入；
(2)3*3卷积；
(3)多尺度卷积；
(4)池化操作；
(5)多尺度卷积；
(6)多尺度卷积；
(7)池化操作；
(8)多尺度卷积；
(9)多尺度卷积；
(10)上采样与卷积之和；
(11)3*3卷积；
(12)3*3卷积；
(13)上采样与卷积之和；
(14)3*3卷积；
(15)3*3卷积；
(16)3*3卷积；
(17)3*3卷积；
(18)输出网络输出结果。
本发明的有益效果：通过本发明中的方法，可以实现几个效果：
(1)通过分割网络ms-unet建立一个网络结构，原图片作为网络输入，输出结果为除了肾小球的轮廓外，其余全部为黑色；
(2)在低分辨率准确的找到各个肾小球的位置，并对应在原图中找到对应的肾小球，使用openslide库可以提取对应的肾小球。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明关于肾小球分割的图像处理的方法的一个实施例中的原始图像中关于肾小球的形状展示的示意图；
图2为本发明关于肾小球分割的图像处理的方法的一个实施例中的切片后的原图；
图3为本发明关于肾小球分割的图像处理的方法的一个实施例中的切片后经过分割网络ms-unet训练后的图像；
图4为本发明关于肾小球分割的图像处理的方法的一个实施例中的所述分割网络ms-unet的结构图；
图5为本发明关于肾小球分割的图像处理的方法的一个实施例中的得到的输出结果；
图6为本发明关于肾小球分割的图像处理的方法的一个实施例中的得到的输出结果对应的原图；
图7为本发明关于肾小球分割的图像处理的方法的一个实施例中的从图6中提取肾小球的图像。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
因为目前从一张图像中提取
将肾组织中的肾小球分割出来，以便进行后续的处理(如肾小球的细胞分割和识别等，炎症细胞的识别)，关于肾小球的形状展示如图1所示。
一张肾组织标本图中大概有n(n>＝1)个组织切片，而且每个组织切片中有几到几十个的肾小球，因此一张组织标本中的肾小球数量很是客观，对于监测肾的各项病变有很深的意义。
但是一张图片的信息量过于庞大，无法直接输入到算法进行训练，因此对图片的前处理是一个难点。
在本发明提供的关于肾小球分割的图像处理的方法中，步骤包括，
第一步，将原图像肾组织的图像分割成n个组织切片，且原图像肾组织中的肾小球分割出来；
第二步，去除所述原图像中的背景；
第三步，对单张组织切片再进行切片处理；
第四步，切片处理后的缩放4倍的低分辨率图片作为网络输入，输入到分割网络ms-unet中进行运算，并输出预测结果；
第五步，将所述预测结果拼接成一张张单独的组织切片标记，并在对应的原图上等比例缩放，找到肾小球；
第六步，通过openslide库提取对应的肾小球。
需要说明的是，n大于等于1。
其中，所述去除所述原图像的背景，是将除了肾小球位置的其余的组织部分均变成黑色。
其中，需要说明的是，采用的分割网络ms-unet也同样需要对一定数量的数据集来进行训练。其中，即使是缩放了4倍的单张组织切片，其包含的信息量依旧很庞大，如果强行改变到256*256或者512*512的分辨率的话，会丢失很多重要的细节，并且肾小球也基本上肉眼无法可见，所以，对于此种情况，对单张组织切片再进行切片处理(只保留有组织信息的区域，其余只有背景的图片做丢弃处理)，切片这里选择为当前分辨率下的大概可以容纳9个肾小球的大小，当然，切片的选择为有重叠切片，保证不会丢失很多切割边角出现肾小球的情况。然后，我们会选用一定数量切片完成后的图片进行人工标记，最终的训练数据(原图与对应标记图)展示为图2和图3。
参照图2和图3，图3中除了肾小球为白色之外，其余的所有组织和背景均变成黑色，也就是说，对于分割网络ms-unet来说，图2是原始含有组织的切片，为网络输入，图3只有肾小球信息的轮廓，为网络输出结果。
对于分割网络ms-unet，其包括3*3卷积、多尺度卷积(3*3,5*5,7*7,9*9)、池化操作(2*2)和上采样+卷积的操作。
需要说明的是，3*3卷积的具体操作内容为：
S1：将大小为m×n(图像的长为m个像素，宽为n个像素)的滤波器w(x,y)与一幅画像f(x,y)做卷积操作。其中，x,y表示为位移变量，以便W的所有元素访问f的每个像素。
S2：计算卷积的结果：
其中，a＝(m-1)/2,b＝(n-1)/2(a和b的含义为正整数，为长为m和宽为n)。同时，为表示方便，我们假设m和n是奇整数，H表示卷积的最终结果。
应当说明的是，在S1中的步骤中，我们假设f已被适当的填充。
在分割网络ms-unet中的多尺度卷积(3*3,5*5,7*7,9*9)中，是需要将4个尺度的卷积(3*3,5*5,7*7,9*9)操作结果在最后一维上进行通道合并，得到最终的卷积输出H0。
在本实施例中的池化操作是使用最大池化操作，即在选定的卷积核大小下m×n(长为m个像素，宽为n个像素)，做滑动，依次选择当前范围内最大的值作为新输出点的值，G(i-m,j-n)代表当前滑动范围内的图像矩阵，H(i,j)表示池化的输出结果，即：
需要说明的是，在分割网络ms-unet中的上采样+卷积的操作，包括：
S1，初始化目标图像的尺寸；
S2，根据位置计算目标图片对应于原图片的位置索引，所述索引结果四舍五入，也就是说，目标图片的每个小刚度都是根据目标图片的像素索引*缩放系数后，求得目标图片对应其在源图片上的索引位置，索引结果四舍五入；
S3，计算上采样，所述上采样是目标图片的每个像素依赖于源图片的像素值通过缩放系数计算得到的索引，并索引源图片的像素值来填充；
S4，卷积。
参照图4，图4为分割网络ms-unet的结构图，在分割网络ms-unet的结构中，对网络输入图像依次进行：
(1)切片处理后的缩放4倍的低分辨率图片作为网络输入；
(2)3*3卷积；
(3)多尺度卷积；
(4)池化操作；
(5)多尺度卷积；
(6)多尺度卷积；
(7)池化操作；
(8)多尺度卷积；
(9)多尺度卷积；
(10)上采样与卷积之和；
(11)3*3卷积；
(12)3*3卷积；
(13)上采样与卷积之和；
(14)3*3卷积；
(15)3*3卷积；
(16)3*3卷积；
(17)3*3卷积；
(18)输出网络输出结果。
通过多组数据训练完成后，得到一个可靠稳定的网络，会得到一个预测后的结果，需要注意的是，还需要将预测后的结果进行拼接，拼接成一张张单独的组织切片的标记，里面除了肾小球的轮廓外，其余全部为黑色，参照图5，图5为接完成后的单独一张组织切片的标记，参照图6，图6是对应的组织切片标记的原图。
通过图5，我们可以准确找到低分辨率下(即4倍缩放)的各个肾小球的位置，接着需要做的就是在原图(参照图6)上找到对应的肾小球，因为缩放是等比例的，所以返回到原图大小的时候，只需要乘以对应的缩放比例即可，从而原图上的肾小球就能找到了，这时候使用openslide库可以简单的提取对应的肾小球(参照图7)。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种关于肾小球分割的图像处理的方法，其特征在于：包括步骤：
第一步，将原图像肾组织的图像分割成n个带有组织的切片，并将分割的切片中带有肾小球的切片筛选出来；
第二步，去除切片中带有肾小球图像的背景；
第三步，对分割后的单张切片再进行切片处理；
第四步，将再次切片处理后的图像缩放4倍后得到的低分辨率图像作为网络输入，输入到分割网络ms-unet中进行运算，并输出预测结果，所述预测结果是肾小球位置的标记；
第五步，将所述预测结果拼接成一张张单独的带有组织的切片标记，并在对应的原图上等比例缩放，找到肾小球的位置；
第六步，通过openslide库从原图像中提取对应的肾小球图像。
2.根据权利要求1所述的关于肾小球分割的图像处理的方法，其特征在于：n大于等于1。
3.根据权利要求1或2所述的关于肾小球分割的图像处理的方法，其特征在于：所述去除带有肾小球图像中的背景，是将除了肾小球位置的其余的组织部分均变成黑色。
4.根据权利要求1所述的关于肾小球分割的图像处理的方法，其特征在于：所述对单张组织切片再进行切片处理，是指对所述单张组织切片保留有组织信息的区域，其余部分丢弃；
其中，所述再进行切片处理中的切片的大小等于当前分辨率下能够容纳9个肾小球的大小。
5.根据权利要求4所述的关于肾小球分割的图像处理的方法，其特征在于：所述对单张组织切片再进行切片处理中的切片，为有重叠切片。
6.根据权利要求1、2、4或5任一所述的关于肾小球分割的图像处理的方法，其特征在于：所述分割网络ms-unet中包括四种运算方法，所述运算方法分别为，3*3卷积、多尺度卷积、池化操作和上采样与卷积之和。
7.根据权利要求6所述的关于肾小球分割的图像处理的方法，其特征在于：所述3*3卷积包括，
S1：将大小为m×n的滤波器w(x,y)与一幅画像f(x,y)做卷积操作，其中，x,y表示为位移变量，图像的长为m个像素，宽为n个像素；
S2：计算卷积的结果：
其中，a＝(m-1)/2,b＝(n-1)/2，a和b为正整数，长为m和宽为nm和n是奇整数，H表示卷积的最终结果。
8.根据权利要求6所述的关于肾小球分割的图像处理的方法，其特征在于：所述多尺度卷积需将4个尺度的卷积(3*3,5*5,7*7,9*9)操作结果在最后一维上进行通道合并，得到最终的卷积输出H0，
9.根据权利要求6所述的关于肾小球分割的图像处理的方法，其特征在于：所述池化操作为最大池化操作，在选定的卷积核大小下m×n做滑动，依次选择当前范围内最大的值作为新输出点的值，
即：
其中，长为m个像素，宽为n个像素，G(i-m,j-n)代表当前滑动范围内的图像矩阵，H(i,j)表示池化的输出结果。
10.根据权利要求6～9任一所述的关于肾小球分割的图像处理的方法，其特征在于：所述分割网络ms-unet的结构中，对所述网络输入图像依次进行16步运算，包括，
(1)切片处理后的缩放4倍的低分辨率图片作为网络输入；
(2)3*3卷积；
(3)多尺度卷积；
(4)池化操作；
(5)多尺度卷积；
(6)多尺度卷积；
(7)池化操作；
(8)多尺度卷积；
(9)多尺度卷积；
(10)上采样与卷积之和；
(11)3*3卷积；
(12)3*3卷积；
(13)上采样与卷积之和；
(14)3*3卷积；
(15)3*3卷积；
(16)3*3卷积；
(17)3*3卷积；
(18)输出网络输出结果。
CN201910563405.9A 2019-06-26 2019-06-26 一种关于肾小球分割的图像处理的方法 Expired - Fee Related CN110287966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910563405.9A CN110287966B (zh) 2019-06-26 2019-06-26 一种关于肾小球分割的图像处理的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910563405.9A CN110287966B (zh) 2019-06-26 2019-06-26 一种关于肾小球分割的图像处理的方法

Publications (2)

Publication Number Publication Date
CN110287966A true CN110287966A (zh) 2019-09-27
CN110287966B CN110287966B (zh) 2021-11-12

Family

ID=68006246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910563405.9A Expired - Fee Related CN110287966B (zh) 2019-06-26 2019-06-26 一种关于肾小球分割的图像处理的方法

Country Status (1)

Country Link
CN (1) CN110287966B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2757256C1 (ru) * 2021-04-06 2021-10-12 Геннадий Викторович Попов Способ и система диагностирования патологических изменений в биоптате предстательной железы

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101582172A (zh) * 2009-06-22 2009-11-18 中国海洋大学 一种具有生理功能的人体肾脏计算机三维模型构建方法
US20140343167A1 (en) * 2013-04-12 2014-11-20 National Defense Medical Center Use of citral for treating focal segmental glomerulosclerosis
US20150297560A1 (en) * 2014-04-22 2015-10-22 National Defense Medical Center Use of osthole for treating focal segmental glomerulosclerosis
CN106023217A (zh) * 2016-05-25 2016-10-12 于宁 一种病理组织图像分析系统
US20180125376A1 (en) * 2016-11-10 2018-05-10 Auburn University Method and system for evaluating blood vessel
CN108053401A (zh) * 2017-12-27 2018-05-18 广州市申迪计算机系统有限公司 一种b超图像处理方法及装置
CN108168990A (zh) * 2017-12-27 2018-06-15 华中科技大学同济医学院附属协和医院 一种冰冻切片固定液套剂及固定方法
CN108334909A (zh) * 2018-03-09 2018-07-27 南京天数信息科技有限公司 基于ResNet的宫颈癌TCT数字切片数据分析方法
US20180374209A1 (en) * 2017-06-27 2018-12-27 General Electric Company Material segmentation in image volumes
US20190073510A1 (en) * 2015-03-18 2019-03-07 David R. West Computing technologies for image operations
CN109472784A (zh) * 2018-10-31 2019-03-15 安徽医学高等专科学校 基于级联全卷积网络病理图像有丝分裂细胞的识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101582172A (zh) * 2009-06-22 2009-11-18 中国海洋大学 一种具有生理功能的人体肾脏计算机三维模型构建方法
US20140343167A1 (en) * 2013-04-12 2014-11-20 National Defense Medical Center Use of citral for treating focal segmental glomerulosclerosis
US20150297560A1 (en) * 2014-04-22 2015-10-22 National Defense Medical Center Use of osthole for treating focal segmental glomerulosclerosis
US20190073510A1 (en) * 2015-03-18 2019-03-07 David R. West Computing technologies for image operations
CN106023217A (zh) * 2016-05-25 2016-10-12 于宁 一种病理组织图像分析系统
US20180125376A1 (en) * 2016-11-10 2018-05-10 Auburn University Method and system for evaluating blood vessel
US20180374209A1 (en) * 2017-06-27 2018-12-27 General Electric Company Material segmentation in image volumes
CN108053401A (zh) * 2017-12-27 2018-05-18 广州市申迪计算机系统有限公司 一种b超图像处理方法及装置
CN108168990A (zh) * 2017-12-27 2018-06-15 华中科技大学同济医学院附属协和医院 一种冰冻切片固定液套剂及固定方法
CN108334909A (zh) * 2018-03-09 2018-07-27 南京天数信息科技有限公司 基于ResNet的宫颈癌TCT数字切片数据分析方法
CN109472784A (zh) * 2018-10-31 2019-03-15 安徽医学高等专科学校 基于级联全卷积网络病理图像有丝分裂细胞的识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI-HSIANG CHUANG等: "Manganese Enhanced MRI Reveals Functional Circuitry in Response to Odorant Stimuli", 《NIH PUBLIC ACCESS AUTHOR MANUSCRIPT》 *
潘晓光: "医学图像配准算法及其应用的研究", 《中国博士学位论文全文数据库（信息科技辑）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2757256C1 (ru) * 2021-04-06 2021-10-12 Геннадий Викторович Попов Способ и система диагностирования патологических изменений в биоптате предстательной железы
WO2022216173A1 (ru) * 2021-04-06 2022-10-13 Геннадий Викторович ПОПОВ Диагностика патологий на основе искусственного интеллекта

Also Published As

Publication number Publication date
CN110287966B (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN110188760B (zh) 一种图像处理模型训练方法、图像处理方法及电子设备
CN111104962B (zh) 图像的语义分割方法、装置、电子设备及可读存储介质
CN112036335B (zh) 一种反卷积引导的半监督植物叶部病害识别与分割方法
CN101238487B (zh) 分割白细胞的方法
CN112308763A (zh) 利用具有双流编码器架构的神经网络来生成合成数字图像
CN108664981A (zh) 显著图像提取方法及装置
CN108229576B (zh) 一种跨倍率病理图像特征学习方法
CN111488921A (zh) 一种全景数字病理图像智能分析系统及方法
Graham et al. Rota-net: Rotation equivariant network for simultaneous gland and lumen segmentation in colon histology images
CN110288613B (zh) 一种超高像素的组织病理图像分割方法
CN110866938A (zh) 一种全自动视频运动目标分割方法
CN115578602A (zh) 一种基于改进YOLOv7的自然树种识别方法
Yang et al. Xception-based general forensic method on small-size images
CN115294086A (zh) 医学影像分割方法、分割模型训练方法、介质及电子设备
CN110287966A (zh) 一种关于肾小球分割的图像处理的方法
CN113469147B (zh) 答题卡识别方法、装置、电子设备以及存储介质
CN116868226A (zh) 图像中注释的感兴趣区域的检测
CN113237881A (zh) 一种特定细胞的检测方法、装置和病理切片检测系统
CN113033287A (zh) 病理图像的显示方法及装置
Wei et al. A study on Shine-Muscat grape detection at maturity based on deep learning
Yu et al. Contrast preserving decolorization based on the weighted normalized l1 norm
CN112581480A (zh) 自动抠图方法、系统及其可读存储介质
CN115984547A (zh) 目标检测模型、训练方法及系统、目标检测方法及系统
Khryashchev et al. Using convolutional neural networks in the problem of cell nuclei segmentation on histological images
Wang et al. Generating sub-resolution detail in images and volumes using constrained texture synthesis

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210524

Address after: No.275, Lane 700, Sichuan North Road, Hongkou District, Shanghai 200080

Applicant after: Shen Yi

Address before: Room 120, 1st floor, Lane 16299, Puwei Road, Shanyang Town, Jinshan District, Shanghai

Applicant before: Shanghai Changdao Medical Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211112