CN110415250B - 一种基于深度学习的重叠染色体分割方法及装置 - Google Patents
一种基于深度学习的重叠染色体分割方法及装置 Download PDFInfo
- Publication number
- CN110415250B CN110415250B CN201910538061.6A CN201910538061A CN110415250B CN 110415250 B CN110415250 B CN 110415250B CN 201910538061 A CN201910538061 A CN 201910538061A CN 110415250 B CN110415250 B CN 110415250B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- overlapped
- masks
- regions
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于深度学习的重叠染色体分割方法及装置,包括:(1)对待分割的重叠染色体图像进行预处理,获得重叠染色体输入图像;(2)将重叠染色体输入图像输入至染色体重叠区域分割模型中,得到染色体非重叠区域的mask以及重叠区域的mask;(3)对非重叠区域的mask进行处理,获取多个染色体联通区域的mask,对多个染色体联通区域的mask与重叠区域的mask进行组合,得到待判别的染色体候选样本;(4)将染色体候选样本输入至染色体判别模型中,获得置信度最高的染色体候选样本记为真实样本,并且与该染色体候选样对应的另一条染色体样本记为真实样本;(5)根据判别结果,获得重叠染色体分割结果。
Description
技术领域
本发明属于染色体分析技术领域,具体涉及一种基于深度学习的重叠染色体分割方法及装置。
背景技术
用神经网络对图像进行分割是一个非常有效的方法,比如生物医学图像分割或者街景分割等。在医学领域当中,可视化的染色体图像对于药物开发,生物医学实验具有非常重要的作用,比如说,有一些疾病与特定的染色体或者染色体数量有关。然而实际上,染色体之间经常重叠,因此识别并且分割重叠染色体是非常必要的。在分割染色体这个问题当中,主要面临的挑战是重叠区域的模式几乎相同的,并且识别哪条染色体为第一个,哪条为第二个是任意的。而且重叠染色体的形态有很多种,其中有许多常规的以及非常规的形态,这对于重叠染色体的分割造成了极大困难。
传统的分割方法包括在图像直方图上基于阈值的,基于形态学腐蚀和膨胀的,基于形态学轮廓分析的,然而这些方法都有其限制的使用范围,对于目标染色体的形状和重叠区域的模式具有较高的要求,由于染色体形态的多变性以及重叠的随机性,很容易形成一些难分的样本,在某些情况下仍然需要人们手工分割。
公告号为CN101499165B的发明专利公开了一种交叉重叠染色体的分割方法,公告号为CN101403743B的发明专利公开了一种X型交叠、粘连染色体自动分割方法,这两种分割方法均是采用传统的图像处理方法进行处理的,这些方法使用范围均受限。
发明内容
本发明的目的是提供一种基于深度学习的重叠染色体分割方法及装置,该重叠染色体分割方法及装置不依赖于特定染色体的形态模式,具有较高的泛化能力,从染色体重叠区域模式与非重叠区域模式不同的地方入手,兼顾染色体全局形态以及基本特征,能够有效地解决不同染色体形态下重叠染色体的分割问题。
本发明的技术方案为:
一种基于深度学习的重叠染色体分割方法,包括以下步骤:
(1)对待分割的重叠染色体图像进行缩放或/和扩大处理、归一化处理,获得重叠染色体输入图像;
(2)将重叠染色体输入图像输入至染色体重叠区域分割模型中,利用染色体重叠区域分割模型对重叠染色体输入图像进行重叠区域分割,得到染色体非重叠区域的mask以及重叠区域的mask;
(3)对非重叠区域的mask进行处理,获取多个染色体联通区域的mask,对多个染色体联通区域的mask与重叠区域的mask进行组合,得到待判别的染色体候选样本集;
(4)将染色体候选样本和对应的原始重叠染色体输入图像输入至染色体判别模型中,利用染色体判别模型对染色体候选样本进行判别,取置信度最高的染色体候选样本记为真实样本,并且与该染色体候选样对应的另一条染色体样本记为真实样本;
(5)根据判别结果,获得重叠染色体分割结果。
一种基于深度学习的重叠染色体分割装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中存有染色体重叠区域分割模型和染色体判别模型,所述计算机处理器执行所述计算机程序时实现如上述的基于深度学习的重叠染色体分割方法。
与现有技术相比,本发明具有的有益效果:
该基于深度学习的重叠染色体分割方法及装置,使用染色体重叠区域分割模型对染色体重叠与非重叠区域进行分割,生成染色体候选样本,再结合染色体候选样本以及原始重叠染色体样本输入到染色体判别模型中,得到候选样本的分数以获取最终分割结果,从染色体重叠区域模式与非重叠区域模式不同的地方入手,兼顾了染色体全局形态以及基本特征,巧妙地解决了染色体哪条为第一条哪条为第二条的问题,并且在对于多形态重叠染色体的分割上具有较强的泛化能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,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前提下,还可以根据这些附图获得其他附图。
图1是实施例提供的基于深度学习的重叠染色体分割方法的流程示意图;
图2是实施例提供的u-net模型的结构示意图;
图3是实施例提供的resnet-18模型的结构示意图;
图4是实施例提供的为分割-判别的过程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
如图1所示,本实施例提供的基于深度学习的重叠染色体分割方法,包括以下步骤:
S101,对待分割的重叠染色体图像进行缩放或/和扩大处理、归一化处理,获得重叠染色体输入图像。
对带分割的重叠染色体图像进行预处理的过程包括:
首先,将重叠染色体图像进行缩放或扩大到长和宽均为设定的像素n;
举例n可以为128,即将重叠染色体图像进行缩放或扩大到长和宽均为128像素,具体地,可以采用双线性插值法对重叠染色体图像进行扩大处理,采用最近邻插值法对重叠染色体图像进行缩放处理。
然后,对缩放或扩大处理后的重叠染色体图像进行像素归一化处理,即利用公式(1)~(3)获得的归一化结果:
S102,利用利用染色体重叠区域分割模型对重叠染色体输入图像进行重叠区域分割,得到染色体非重叠区域的mask以及重叠区域的mask。
其中,染色体重叠区域分割模型是以u-net网络为网络基础,利用训练样本训练得到。
如图2所示,u-net网络包含编码和解码两个阶段,每个阶段均有两个卷积层。在编码阶段,每个卷积层包含两个卷积核为3×3的卷积,每个卷积后接BatchNormalization层和ReLu激活函数,接着连接一个尺寸为2×2的最大值池化,每个维度的步长都为2。在解码阶段,每个卷积层包含一个3×3的反卷积,每个维度步长为2,后接两个卷积核为3×3的卷积,每个卷积后接BatchNormalization层和ReLu激活函数,解码阶段后面接一层softmax激活函数,输出最终的结果。
相同维度的编码和解码层的卷积层中之间设有skip-connetcion,skip-connection是指将编码阶段的卷积层结果concat到解码阶段的对应维度卷积层的输入当中,将低层特征和高层特征结合起来。
在构建好u-net网络后,构建训练集。将提前准备好的重叠染色体数据集以及对应的重叠区域mask标签集按照7:3的比例分成训练集,验证集,然后对,训练集中的重叠染色体图像按照S101进行缩放或/和扩大处理、归一化处理,获得能够输入至u-net网络的重叠染色体输入图像。
在获得训练样本后,即对u-net网络进行训练,以获得染色体重叠区域分割模型。具体训练过程为:
将处理后的重叠染色体输入图像输入至u-net网络中,输出是一个三通道的mask图像,通道0是背景mask,通道1是重叠区域mask,通道2是非重叠区域mask,batch size=64,每个batch输入的shape为[64,1,128,128],输出的shape为[64,3,128,128];
使用如公式(5)所示的均方差作为损失函数,使用随机梯度下降的优化方法进行训练,学习率为0.0005,直到在验证集上如公式(6)所示的IOU达到0.8为止。
其中,y是真实的标签值,y′是预测的标签值;
其中,A、B表示两个轮廓区域所包含的点集。
在获得染色体重叠区域分割模型后,将重叠染色体输入图像输入至染色体重叠区域分割模型中,利用染色体重叠区域分割模型对重叠染色体输入图像进行重叠区域分割,得到染色体非重叠区域的mask以及重叠区域的mask。
S103,对非重叠区域的mask进行处理,获取多个染色体联通区域的mask,对多个染色体联通区域的mask与重叠区域的mask进行组合,得到待判别的染色体候选样本集。
具体地,对非重叠区域的mask进行处理包括:
对非重叠区域的mask图像进行开运算,获得mask图像中的k个联通区域,寻找mask图像中的轮廓,提取每个轮廓区域的mask即为染色体联通区域的mask,一共得到k个染色体联通区域的mask。
对多个染色体联通区域的mask与重叠区域的mask进行组合包括:
将k个染色体联通区域的mask,分别与重叠区域mask组合,得到k个染色体候选样本mask;
再对k个染色体联通区域mask进行两两组合,加上重叠区域mask,再得到M个染色体候选样本mask;
共计得到M+k个染色体候选样本mask,在重叠染色体图像中选取与染色体候选样本mask对应的区域,得到M+k个染色体候选样本图像。
本实施例中,可以采用5×5的卷积核对非重叠区域的mask图像进行开运算,迭代三次,可以获得4个联通区域,寻找mask图像中的轮廓,提取每个轮廓区域的mask即为染色体联通区域的mask,一共得到4个染色体联通区域的mask;将4个染色体联通区域的mask,分别与重叠区域mask组合,得到4个染色体候选样本mask;再对4个染色体联通区域mask进行两两组合,加上重叠区域mask,再得到个染色体候选样本mask;这样一共得到个染色体候选样本mask,在重叠染色体图像中选取与染色体候选样本mask对应的区域,得到个染色体候选样本图像。
S104,利用染色体判别模型对染色体候选样本进行判别,获得真实样本。
染色体判别模型是以resnet-18网络为网络基础,利用训练样本训练得到。
如图3所示,本实施例中对标准的resnet-18网络进行了修改,将最后输出层为一个节点,使输出值代表染色体样本为真实染色体样本的概率,以修改后的resnet-18网络作为被训练的网络。具体训练过程为:
使用染色体候选样本图像进行归一化得到候选样本的输入图像;使用候选样本的输入图像以及对应的处理后的重叠染色体输入图像作为两通道的输入,根据样本是否是真实染色体作为输出p,p∈{0,1},batch size=64,每个batch输入的shape为[64,2,128,128],输出的shape为[61,1,1];使用如公式(7)所示的二进制交叉熵作为损失函数,使用随机梯度下降的优化方法进行训练,学习率为0.0005,直到在验证集上的如公式(8)所示的AP达到0.95为止。
BCE(p)=-log(p) (7)
其中,y是真实的标签值,y′是预测的标签值,I是指示函数;
在获得染色体判别模型后,将染色体候选样本图像进行归一化得到10个候选样本的输入图像,对每个候选样本的输入图像结合对应的处理后的重叠染色体输入图像依次作为双通道输入到染色体判别模型中,对每个染色体候选样本进行判别,取置信度最高的样本图像xi,i∈{1,…,10}记为真实样本图像,并且置该样本对应的另一条染色体样本图像xj,j∈{1,…,10},j≠i为真实样本图像。
S105,根据判别结果,获得重叠染色体分割结果。
即综合判别结果得到最终的染色体分割结果图像xi,xj。
上述基于深度学习的重叠染色体分割方法,使用染色体重叠区域分割模型对染色体重叠与非重叠区域进行分割,生成染色体候选样本,再结合染色体候选样本以及原始重叠染色体样本输入到染色体判别模型中,得到候选样本的分数以获取最终分割结果,从染色体重叠区域模式与非重叠区域模式不同的地方入手,兼顾了染色体全局形态以及基本特征,巧妙地解决了染色体哪条为第一条哪条为第二条的问题,并且在对于多形态重叠染色体的分割上具有较强的泛化能力。
本实施例还提供了一种基于深度学习的重叠染色体分割装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其中,所述计算机存储器中存有染色体重叠区域分割模型和染色体判别模型,所述计算机处理器执行所述计算机程序时实现上述的基于深度学习的重叠染色体分割方法。
重叠染色体分割装置中存储的染色体重叠区域分割模型和染色体判别模型均如上述方法构建获得,在此不再赘述。
该基于深度学习的重叠染色体分割装置,使用染色体重叠区域分割模型对染色体重叠与非重叠区域进行分割,生成染色体候选样本,再结合染色体候选样本以及原始重叠染色体样本输入到染色体判别模型中,得到候选样本的分数以获取最终分割结果,从染色体重叠区域模式与非重叠区域模式不同的地方入手,兼顾了染色体全局形态以及基本特征,巧妙地解决了染色体哪条为第一条哪条为第二条的问题,并且在对于多形态重叠染色体的分割上具有较强的泛化能力。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的重叠染色体分割方法,包括以下步骤:
(1)对待分割的重叠染色体图像进行缩放或/和扩大处理、归一化处理,获得重叠染色体输入图像;
(2)将重叠染色体输入图像输入至染色体重叠区域分割模型中,利用染色体重叠区域分割模型对重叠染色体输入图像进行重叠区域分割,得到染色体非重叠区域的mask以及重叠区域的mask;
(3)对非重叠区域的mask进行处理,获取多个染色体联通区域的mask,对多个染色体联通区域的mask与重叠区域的mask进行组合,得到待判别的染色体候选样本集;
其中,对非重叠区域的mask进行处理包括:
对非重叠区域的mask图像进行开运算,获得mask图像中的k个联通区域,寻找mask图像中的轮廓,提取每个轮廓区域的mask即为染色体联通区域的mask,一共得到k个染色体联通区域的mask;
其中,对多个染色体联通区域的mask与重叠区域的mask进行组合包括:
将k个染色体联通区域的mask,分别与重叠区域mask组合,得到k个染色体候选样本mask;
再对k个染色体联通区域mask进行两两组合,加上重叠区域mask,再得到M个染色体候选样本mask;
共计得到M+k个染色体候选样本mask,在重叠染色体图像中选取与染色体候选样本mask对应的区域,得到M+k个染色体候选样本图像;
(4)将染色体候选样本和对应的原始重叠染色体输入图像输入至染色体判别模型中,利用染色体判别模型对染色体候选样本进行判别,取置信度最高的染色体候选样本记为真实样本,并且与该染色体候选样对应的另一条染色体样本记为真实样本;
(5)根据判别结果,获得重叠染色体分割结果。
3.如权利要求1或2所述的基于深度学习的重叠染色体分割方法,其特征在于,采用双线性插值法对重叠染色体图像进行扩大处理,采用最近邻插值法对重叠染色体图像进行缩放处理。
4.如权利要求1所述的基于深度学习的重叠染色体分割方法,其特征在于,重叠区域分割模型是以u-net网络为网络基础,利用训练样本训练得到。
5.如权利要求1所述的基于深度学习的重叠染色体分割方法,其特征在于,染色体判别模型是以resnet-18网络为网络基础,利用训练样本训练得到。
6.一种基于深度学习的重叠染色体分割装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中存有染色体重叠区域分割模型和染色体判别模型,所述计算机处理器执行所述计算机程序时实现如权利要求1~5任一项所述的基于深度学习的重叠染色体分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910538061.6A CN110415250B (zh) | 2019-06-20 | 2019-06-20 | 一种基于深度学习的重叠染色体分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910538061.6A CN110415250B (zh) | 2019-06-20 | 2019-06-20 | 一种基于深度学习的重叠染色体分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415250A CN110415250A (zh) | 2019-11-05 |
CN110415250B true CN110415250B (zh) | 2021-09-07 |
Family
ID=68359414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910538061.6A Active CN110415250B (zh) | 2019-06-20 | 2019-06-20 | 一种基于深度学习的重叠染色体分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415250B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037180B (zh) * | 2020-08-12 | 2023-08-08 | 湖南自兴智慧医疗科技有限公司 | 染色体分割方法及装置 |
CN112200809B (zh) * | 2020-09-22 | 2022-08-12 | 浙江大学山东工业技术研究院 | 基于骨架分割与关键点检测的粘连染色体分离方法及装置 |
CN112733873A (zh) * | 2020-09-23 | 2021-04-30 | 浙江大学山东工业技术研究院 | 一种基于深度学习的染色体核型图分类方法及装置 |
CN113158950B (zh) * | 2021-04-30 | 2022-04-05 | 天津深析智能科技发展有限公司 | 一种重叠染色体自动分割方法 |
CN113096143B (zh) * | 2021-04-30 | 2022-03-15 | 天津深析智能科技发展有限公司 | 一种染色体核型分析中染色体分割方法 |
CN115018831A (zh) * | 2022-08-04 | 2022-09-06 | 湖南自兴智慧医疗科技有限公司 | 重叠染色体分离方法、系统、电子终端及可读存储介质 |
CN116664550B (zh) * | 2023-07-10 | 2024-04-12 | 广州医科大学附属第一医院(广州呼吸中心) | 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732229A (zh) * | 2015-03-16 | 2015-06-24 | 华南理工大学 | 一种用于宫颈涂片图像中重叠细胞的分割方法 |
CN109344874A (zh) * | 2018-08-31 | 2019-02-15 | 华侨大学 | 一种基于深度学习的染色体自动分析方法及系统 |
CN109636806A (zh) * | 2018-11-22 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于多步学习的三维核磁共振胰腺图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9384537B2 (en) * | 2014-08-31 | 2016-07-05 | National Taiwan University | Virtual spatial overlap modulation microscopy for resolution improvement |
-
2019
- 2019-06-20 CN CN201910538061.6A patent/CN110415250B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732229A (zh) * | 2015-03-16 | 2015-06-24 | 华南理工大学 | 一种用于宫颈涂片图像中重叠细胞的分割方法 |
CN109344874A (zh) * | 2018-08-31 | 2019-02-15 | 华侨大学 | 一种基于深度学习的染色体自动分析方法及系统 |
CN109636806A (zh) * | 2018-11-22 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于多步学习的三维核磁共振胰腺图像分割方法 |
Non-Patent Citations (1)
Title |
---|
Image segmenta-tion to distinguish between overlappinghuman chromosomes;R.L.Hu et al;《2017 Machine Learning for Health(NIPS)》;20171231;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110415250A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415250B (zh) | 一种基于深度学习的重叠染色体分割方法及装置 | |
Li et al. | Robust saliency detection via regularized random walks ranking | |
Xie et al. | Beyond classification: structured regression for robust cell detection using convolutional neural network | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
JP2023520846A (ja) | 人工知能に基づく画像処理方法、画像処理装置、コンピュータプログラム及びコンピュータ機器 | |
WO2023130648A1 (zh) | 一种图像数据增强方法、装置、计算机设备和存储介质 | |
CN113728335A (zh) | 用于3d图像的分类和可视化的方法和系统 | |
CN108846404B (zh) | 一种基于相关约束图排序的图像显著性检测方法及装置 | |
CN111080654B (zh) | 图像的病变区域分割方法、装置及服务器 | |
Chen et al. | Dr-tanet: Dynamic receptive temporal attention network for street scene change detection | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN114298971A (zh) | 一种冠状动脉分割方法、系统、终端以及存储介质 | |
CN114299363A (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
CN115953612A (zh) | 一种基于ConvNeXt的遥感影像植被分类方法和装置 | |
CN112819834B (zh) | 基于人工智能的胃部病理图像的分类方法和装置 | |
WO2021179822A1 (zh) | 人体特征点的检测方法、装置、电子设备以及存储介质 | |
CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
Abusham | Image Processing Technique for the Detection of Alberseem Leaves Diseases Based on Soft Computing | |
CN113592881A (zh) | 图片指代性分割方法、装置、计算机设备和存储介质 | |
CN112733873A (zh) | 一种基于深度学习的染色体核型图分类方法及装置 | |
CN112200809A (zh) | 基于骨架分割与关键点检测的粘连染色体分离方法及装置 | |
CN116704206A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN116386803A (zh) | 一种基于图的细胞病理报告生成方法 |
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 |