CN110415795A - 一种荧光染色ctc图像的识别方法 - Google Patents
一种荧光染色ctc图像的识别方法 Download PDFInfo
- Publication number
- CN110415795A CN110415795A CN201910713129.XA CN201910713129A CN110415795A CN 110415795 A CN110415795 A CN 110415795A CN 201910713129 A CN201910713129 A CN 201910713129A CN 110415795 A CN110415795 A CN 110415795A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- ctc
- prediction
- recognition methods
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000007850 fluorescent dye Substances 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims description 22
- 238000012517 data analytics Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 206010028980 Neoplasm Diseases 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 208000024891 symptom Diseases 0.000 abstract description 3
- 230000007170 pathology Effects 0.000 abstract description 2
- 238000012935 Averaging Methods 0.000 description 4
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及医疗病理识别技术,尤其涉及一种荧光染色CTC图像的识别方法,包括S1采用一扫描仪,获取荧光CTC玻片图像;S2将玻片图像进行归一化处理,以得到玻片图像的图像灰度值数据;S3,将玻片图像的图像灰度值数据输入网络算法中得到预测数据;S4,将预测数据和医生提供的真实标注的图像进行权重更新,以得到参数文件;S5,将一待测图像数据输入到参数文件中以得到预测识别结果。有益效果在于:本发明使用深度神经网络进行特征的提取、分类和目标的识别定位,提升训练效率,提高标注数据利用率,大幅提升分类准确度、召回率、识别的精度,本发明方法识别性能比传统CTC人工识别方法更稳定,效果更好,达到了早期筛查与及时发现肿瘤早期病征的目的。
Description
技术领域
本发明涉及医疗病理识别技术,尤其涉及一种荧光染色CTC图像的识别方法。
背景技术
CTC(中文:循环肿瘤细胞)早在1896年就被发现,但是由于其含量非常低,在上百万甚至上千万细胞中仅能观测到一个循环肿瘤细胞,使得它在早期并没有应用肿瘤检测中。1983年,Immunicon公司发明了磁珠捕获法对循环肿瘤细胞进行捕获富集,并开发了一套可自动化进行循环肿瘤细胞分离检测系统CellSearch。
现有荧光CTC识别技术的种类较少,并且大多使用人工手动的提取特征,可能造成关键诊断特征的缺失或特征的冗余,很难提取到很好的视觉特征用于识别。同时人工手动提取的特征针对性较强,在识别新的图像数据时的泛化性不够,不够鲁棒。
发明内容
针对现有技术中出现的不足,本发明提供一种荧光染色CTC图像的识别方法,具体技术方案以下:
一种荧光染色CTC图像的识别方法,其特征在于,所述识别方法步骤包括:
步骤S1,采用一扫描仪,获取荧光CTC玻片图像;
步骤S2,将所述玻片图像进行归一化处理,以得到所述玻片图像的图像灰度值数据;
步骤S3,将所述玻片图像的图像灰度值数据输入网络算法中得到预测数据;
步骤S4,将所述预测数据和医生提供的真实标注的图像进行权重更新,以得到参数文件;
步骤S5,将一待测图像数据输入到所述参数文件中以得到预测识别结果。
优选的,所述步骤S1中包括:将所述荧光CTC玻片图像进行分割,以得到复数个视野;
所述视野为576*576像素的图像。
优选的,所述步骤S3中包括:
步骤S31,将所述玻片图像的图像灰度值数据输入前向传播算法中,以得到一特征向量;
步骤S32,任取一所述视野利用所述特征向量得到实时视野的预测数据。
优选的,所述特征向量为n*300*6的矩阵。
优选的,所述步骤S4中包括:
步骤S41,所述预测数据根据数学公式进行计算以得到预测分类结果和预测坐标结果;
步骤S42,根据医生真实标注的图像数据根据数学公式进行计算以得到标注分类结果和标注坐标结果;
步骤S43,根据所述预测分类结果和所述标注分类结果进行对比以得到分类损失数据;根据所述预测坐标结果和所述标注坐标结果进行对比,以得到坐标损失数据;
步骤S44,将所述分类损失数据和所述坐标损失数据输入一反向传播算法中以得到预测数据参数;
步骤S45,反复进行步骤S41-S44,将损失率控制在一预设阈值范围内,得到所述参数文件。
优选的,步骤S5中包括:
步骤S51,输入待识别的所述图像数据,利用所述参数文件,对待识别的所述图像数据进行推理得到所述特征向量;
步骤S52,利用数据分析函数得到图像的所述预测分类结果;
步骤S53,利用特征曲线统计所述预测分类结果精度,得到所述预测识别结果。
本发明的技术方案的有益效果在于:本发明使用深度神经网络进行特征的提取、分类和目标的识别定位,提升训练效率,提高标注数据利用率,大幅提升分类准确度、召回率、识别的精度,本发明方法识别性能比传统CTC人工识别方法更稳定,效果更好,达到了早期筛查与及时发现肿瘤早期病征的目的。
附图说明
图1为本发明荧光染色CTC图像的识别方法的实施例的流程图;
图2为本发明荧光染色CTC图像的识别方法的实施例的步骤流程图;
图3为本发明荧光染色CTC图像的识别方法的实施例的步骤S3的流程图;
图4为本发明荧光染色CTC图像的识别方法的实施例的步骤S4的流程图;
图5为本发明荧光染色CTC图像的识别方法的实施例的步骤S5的流程图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
如图1和图2所示,一种荧光染色CTC图像的识别方法,
识别方法步骤包括:
步骤S1,采用一扫描仪,获取荧光CTC玻片图像;
步骤S2,将玻片图像进行归一化处理,以得到玻片图像的图像灰度值数据;
步骤S3,将玻片图像的图像灰度值数据输入网络算法中得到预测数据;
步骤S4,将预测数据和医生提供的真实标注的图像进行权重更新,以得到参数文件;
步骤S5,将一待测图像数据输入到参数文件中以得到预测识别结果。
具体的,如图1和图2所示,在本技术方案中利用扫描仪获取荧光CTC玻片图像,玻片图像进行归一化处理,以得到玻片图像的图像灰度值数据;将玻片图像的图像灰度值数据输入网络算法中得到预测数据;将预测数据和医生提供的真实标注的图像进行权重更新,以得到参数文件;将一待测图像数据输入到参数文件中以得到预测识别结果。
进一步的,所述归一化处理为利用零均值化公式计算出红绿蓝三个通道的图像灰度值。
具体的,对玻片图像进行零均值化操作,零均值化公式(1)
公式1:
R=R-103.939
G=G-116.779
B=B-123.68
其中,R、G、B代表红绿蓝三个通道的图像灰度值。
减号后面的参数为根据大量CTC图像数据得到的均值。根据均值定义,集合元素减去均值以后该集合均值的期望为0。通过零均值化方式能使得数据正负分布均衡吗,在训练算法模型的时候梯度变化的方向具有多样性,从而能获得更快的收敛速度,更好的算法性能。
进一步的,将玻片图像的图像灰度值数据输入网络算法,例如深度残差网络(Resnet-50网络),对神经网络的参数文件进行训练,得到训练后的参数文件。该参数文件对新输入的图像进行推理,得到识别结果,并在图像上标记以便观察,从而识别循环肿瘤细胞CTC。
在一种较优的实施例中,步骤S1中包括:将荧光CTC玻片图像进行分割,以得到复数个视野;
每个视野为576*576像素的图像。
具体的,由于现有的显卡内存因素的影响,无法对整张CTC玻片图像进行处理(大小约30000*30000),故将CTC玻片图像分割为576*576的视野,分块后的视野可以并行处理。分割方法为:将576*576窗口按步长460滑动,这样可以避免边缘细胞被分在两个视野中造成的误识别,窗口所截图像即为一个视野。
在一种较优的实施例中,步骤S3中包括:
步骤S31,将玻片图像的图像灰度值数据输入前向传播算法中,以得到一特征向量;
步骤S32,任取一视野利用特征向量得到实时视野的预测数据。
在一种较优的实施例中,特征向量为n*300*6的矩阵。
具体的,如图3所示,将玻片图像的图像灰度值数据输入前向传播算法中,以得到一特征向量;任取一视野利用特征向量得到实时视野的预测数据。
进一步的,实时视野的预测数据包括坐标信息,类别和置信度。
在一种较优的实施例中,步骤S4中包括:
步骤S41,预测数据根据数学公式进行计算以得到预测分类结果和预测坐标结果;
步骤S42,根据医生真实标注的图像数据根据数学公式进行计算以得到标注分类结果和标注坐标结果;
步骤S43,根据预测分类结果和标注分类结果进行对比以得到分类损失数据;根据预测坐标结果和标注坐标结果进行对比,以得到坐标损失数据;
步骤S44,将分类损失数据和坐标损失数据输入一反向传播算法中以得到预测数据参数;
步骤S45,反复进行步骤S41-S44,将损失率控制在一预设阈值范围内,得到参数文件。
具体的,如图4所示,预测数据根据数学公式进行计算以得到预测分类结果和预测坐标结果;数学公式例如神经网络阈值函数Sigmoid,交叉熵函数Cross-entropy和损失函数SmoothL1Loss。
进一步的,利用神经网络阈值函数Sigmoid和交叉熵函数Cross-entropy得到预测分类结果和预测坐标结果;在根据损失函数SmoothL1Loss得到预测坐标结果和标注坐标结果之间的损失数据;在将分类损失数据和坐标损失数据输入一反向传播算法中以得到预测数据参数;反复进行上述操作,将损失率控制在一预设阈值范围内,得到参数文件。
在一种较优的实施例中,步骤S5中包括:
步骤S51,输入待识别的图像数据,利用参数文件,对待识别的图像数据进行推理得到特征向量;
步骤S52,利用数据分析函数得到图像的预测分类结果;
步骤S53,利用特征曲线统计预测分类结果精度,得到预测识别结果。
具体的,如图5所示,首先将待识别的图像数据,利用参数文件,对待识别的图像数据进行推理得到特征向量;其次利用数据分析函数得到图像的预测分类结果;再次利用特征曲线统计预测分类结果精度,得到预测识别结果。
进一步的,特征曲线例如ROC特征曲线统计分类精度;ROC曲线横坐标为特异度,纵坐标为敏感度。
具体的,使用ROC曲线统计分类精度,ROC曲线横坐标为TNR,纵坐标为FPR。TNR(True Negetive Rate,特异度),TPR,true positive rate敏感度。公式2
TPR=TP/(TP+FN)
公式3
FPR=FP/(FP+TN)
公式4
TNR=1-FPR
其中TP表示识别正确的阳性视野,FP表示识别错误的阳性视野,
FN表示识别错误的阴性视野
得到ROC-AUC(定义1)
定义1:
ROC曲线所围的面积
这个指标是检测算法准确度的一种,该指标越高,检测算法准确度越高。
ROC-AUC值域为[0,1]。
本发明的技术方案的有益效果在于:本发明使用深度神经网络进行特征的提取、分类和目标的识别定位,提升训练效率,提高标注数据利用率,大幅提升分类准确度、召回率、识别的精度,本发明方法识别性能比传统CTC人工识别方法更稳定,效果更好,达到了早期筛查与及时发现肿瘤早期病征的目的。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (6)
1.一种荧光染色CTC图像的识别方法,其特征在于,所述识别方法步骤包括:
步骤S1,采用一扫描仪,获取荧光CTC玻片图像;
步骤S2,将所述玻片图像进行归一化处理,以得到所述玻片图像的图像灰度值数据;
步骤S3,将所述玻片图像的图像灰度值数据输入网络算法中得到预测数据;
步骤S4,将所述预测数据和医生提供的真实标注的图像进行权重更新,以得到参数文件;
步骤S5,将一待测图像数据输入到所述参数文件中以得到预测识别结果。
2.根据权利要求1所述荧光染色CTC图像的识别方法,其特征在于,所述步骤S1中包括:将所述荧光CTC玻片图像进行分割,以得到复数个视野;
所述视野为576*576像素的图像。
3.根据权利要求1所述荧光染色CTC图像的识别方法,其特征在于,所述步骤S3中包括:
步骤S31,将所述玻片图像的图像灰度值数据输入前向传播算法中,以得到一特征向量;
步骤S32,任取一所述视野利用所述特征向量得到实时视野的所述预测数据。
4.根据权利要求3所述荧光染色CTC图像的识别方法,其特征在于,所述特征向量为n*300*6的矩阵。
5.根据权利要求1所述荧光染色CTC图像的识别方法,其特征在于,所述步骤S4中包括:
步骤S41,所述预测数据根据数学公式进行计算以得到预测分类结果和预测坐标结果;
步骤S42,根据医生真实标注的图像数据根据数学公式进行计算以得到标注分类结果和标注坐标结果;
步骤S43,根据所述预测分类结果和所述标注分类结果进行对比以得到分类损失数据;根据所述预测坐标结果和所述标注坐标结果进行对比,以得到坐标损失数据;
步骤S44,将所述分类损失数据和所述坐标损失数据输入一反向传播算法中以得到预测数据参数;
步骤S45,反复进行步骤S41-S44,将损失率控制在一预设阈值范围内,得到所述参数文件。
6.根据权利要求1所述荧光染色CTC图像的识别方法,其特征在于,步骤S5中包括:
步骤S51,输入待识别的所述图像数据,利用所述参数文件,对待识别的所述图像数据进行推理得到所述特征向量;
步骤S52,利用数据分析函数得到图像的预测分类结果;
步骤S53,利用特征曲线统计所述预测分类结果精度,得到所述预测识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910713129.XA CN110415795A (zh) | 2019-08-02 | 2019-08-02 | 一种荧光染色ctc图像的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910713129.XA CN110415795A (zh) | 2019-08-02 | 2019-08-02 | 一种荧光染色ctc图像的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110415795A true CN110415795A (zh) | 2019-11-05 |
Family
ID=68365485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910713129.XA Pending CN110415795A (zh) | 2019-08-02 | 2019-08-02 | 一种荧光染色ctc图像的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415795A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652095A (zh) * | 2020-05-21 | 2020-09-11 | 骏实生物科技(上海)有限公司 | 一种基于人工智能的ctc图像识别方法和系统 |
CN117017232A (zh) * | 2023-10-07 | 2023-11-10 | 牛尾医疗科技(苏州)有限公司 | 结合ar和固有荧光的辅助诊断系统、介质和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021903A (zh) * | 2017-12-19 | 2018-05-11 | 南京大学 | 基于神经网络的人工标注白细胞的误差校准方法及装置 |
CN108510012A (zh) * | 2018-05-04 | 2018-09-07 | 四川大学 | 一种基于多尺度特征图的目标快速检测方法 |
CN108961242A (zh) * | 2018-07-04 | 2018-12-07 | 北京临近空间飞行器系统工程研究所 | 一种荧光染色图像ctc智能识别方法 |
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
CN109409327A (zh) * | 2018-11-09 | 2019-03-01 | 哈尔滨工业大学 | 基于端到端深度神经网络的rru模块物件位姿检测方法 |
CN109543753A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于自适应模糊修复机制的车牌识别方法 |
CN110009050A (zh) * | 2019-04-10 | 2019-07-12 | 杭州智团信息技术有限公司 | 一种细胞的分类方法及装置 |
-
2019
- 2019-08-02 CN CN201910713129.XA patent/CN110415795A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021903A (zh) * | 2017-12-19 | 2018-05-11 | 南京大学 | 基于神经网络的人工标注白细胞的误差校准方法及装置 |
CN108510012A (zh) * | 2018-05-04 | 2018-09-07 | 四川大学 | 一种基于多尺度特征图的目标快速检测方法 |
CN108961242A (zh) * | 2018-07-04 | 2018-12-07 | 北京临近空间飞行器系统工程研究所 | 一种荧光染色图像ctc智能识别方法 |
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
CN109409327A (zh) * | 2018-11-09 | 2019-03-01 | 哈尔滨工业大学 | 基于端到端深度神经网络的rru模块物件位姿检测方法 |
CN109543753A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于自适应模糊修复机制的车牌识别方法 |
CN110009050A (zh) * | 2019-04-10 | 2019-07-12 | 杭州智团信息技术有限公司 | 一种细胞的分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
上海市软件行业协会组编: "《2017年软件工程论文专集》", 30 November 2017, 上海科学技术出版社, pages: 2 - 3 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652095A (zh) * | 2020-05-21 | 2020-09-11 | 骏实生物科技(上海)有限公司 | 一种基于人工智能的ctc图像识别方法和系统 |
CN117017232A (zh) * | 2023-10-07 | 2023-11-10 | 牛尾医疗科技(苏州)有限公司 | 结合ar和固有荧光的辅助诊断系统、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3486836B1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
CN110796046B (zh) | 基于卷积神经网络的智能钢渣检测方法和系统 | |
US11436718B2 (en) | Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm | |
CN107633255B (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
US10474874B2 (en) | Applying pixelwise descriptors to a target image that are generated by segmenting objects in other images | |
JP7458519B2 (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
CN110648322B (zh) | 一种子宫颈异常细胞检测方法及系统 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
US11977984B2 (en) | Using a first stain to train a model to predict the region stained by a second stain | |
CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
CN105469359B (zh) | 基于局部约束低秩表示的人脸超分辨率重建方法 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN108074243A (zh) | 一种细胞定位方法以及细胞分割方法 | |
CN112347977B (zh) | 一种诱导性多能干细胞的自动检测方法、存储介质及装置 | |
CN110705565A (zh) | 淋巴结肿瘤区域识别方法与装置 | |
CN114067444A (zh) | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 | |
CN108010048A (zh) | 一种基于多图谱的自动脑部mri图像的海马体分割方法 | |
CN110415795A (zh) | 一种荧光染色ctc图像的识别方法 | |
CN109448307A (zh) | 一种火源目标的识别方法和装置 | |
CN106934332A (zh) | 一种多目标跟踪的方法 | |
JP2020160543A (ja) | 情報処理システムおよび情報処理方法 | |
CN105528791B (zh) | 一种面向触摸屏手绘图像的质量评价装置及其评价方法 | |
CN112365440A (zh) | 基于yolov3的乳腺病理学图像有丝分裂检测装置和方法 | |
CN109710940A (zh) | 一种文章立意的分析及文章评分方法、装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |