CN110458846B - 基于图路径搜索和深度学习的细胞图像分割方法 - Google Patents
基于图路径搜索和深度学习的细胞图像分割方法 Download PDFInfo
- Publication number
- CN110458846B CN110458846B CN201910567031.8A CN201910567031A CN110458846B CN 110458846 B CN110458846 B CN 110458846B CN 201910567031 A CN201910567031 A CN 201910567031A CN 110458846 B CN110458846 B CN 110458846B
- Authority
- CN
- China
- Prior art keywords
- cell
- path
- image
- centers
- search
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003709 image segmentation Methods 0.000 title claims abstract description 15
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000001413 cellular effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001464 adherent effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明属于生物医学和计算机图像处理技术领域，公开了一种基于图路径搜索和深度学习的细胞图像分割方法，包括采用经过训练的U‑net预测模型，进行以下步骤：预测阶段，把待分割的细胞图像输入经过训练的U‑net预测模型，预测出待分割细胞的距离图；标注细胞中心，以局部像素值最大的像素点作为细胞中心；搜索路径，搜索两个相邻细胞中心的多条路径，提取路径点的像素值；进行判断，以搜索路径上每个路径点的像素值与细胞中心像素值对比判断两个细胞中心是否属于不同细胞，若不是则进行其他两个相邻细胞中心之间的路径搜索，若是则进入分割处理，重复搜索直至全部搜索完成。本发明可以实现对细胞图像中的粘连细胞进行较好的区分和分割。
Description
技术领域
本发明属于生物医学和计算机图像处理技术领域，具体涉及一种基于图路径搜索和深度学习的细胞图像分割方法。
背景技术
细胞图像的自动分割在医学影像分析上有十分重要的意义，对细胞的病理图像正确进行分割，可以帮助医生或者研究人员识别每个细胞，研究其大小、颜色、形态等表型特征，据此找出与基因、疾病等特征的关系，有利于研究人员测量细胞对化学物质或在某些生物过程中的反应，从而促进药物研发，缩短新药的上市时间。
近几年，随着对深度学习网络的不断深入研究，其在细胞图像分割中的应用越来越多。用于细胞图像分割的深度学习方法主要有两种类型：一是以U-net为代表的语义分割；二是以Mask R-CNN为代表的实例分割。对于细胞图像的分割，我们往往希望可以正确识别图像中的每一个细胞，对于边界有粘连或者轻微重叠的细胞图像，就需要用一定方法将细胞图像区分开。因此，区分细胞图像中的粘连重叠部分，并分割出细胞图像中的每个细胞是十分重要的。
考察关于细胞图像的分割方法，主要有以下几种：
(1)传统的图像处理方法。如基于细胞图像的数学形态学(mathematicalmorphology)、像素二分类(pixel classification)等。这类方法主要是对图像进行基本的处理，根据细胞的形态学特征或是像素的所属部分来进行分类。传统的图像处理方法对于细胞图像的精细分割表现不佳，因为一张细胞图像中往往包括许多细胞，传统方法往往只能提取出细胞在图像中的区域，而很难区分开每个细胞单体的图像。
(2)语义分割网络。以U-net为代表的语义分割网络也是用于区分细胞图像中的细胞区域和背景区域，无法独立区分每个细胞单体的图像。因此往往要对得到的细胞掩膜图像(Mask)进行一定的后处理，如连通域搜索、水域分割等方法来区分每个细胞单体的图像。
(3)实例分割网络。以Mask R-CNN为代表的实例分割网络可以区分不同细胞，但相比于U-net等语义分割网络往往需要更大的数据量。由于训练的细胞图像往往需要医生或医学生进行手动标注，任务量大，因此当细胞图像中包含的细胞数量较大时，采用是实例分割网络方法进行分割是十分困难的。另外，采用实例分割网络分割所提供的细胞图像的信息较少，这对于细胞图像分割后的研究不利。
现有的细胞图像分割方法都对存在粘连的细胞图像无法进行准确的区分，对细胞图像的分割效果也很不理想。
发明内容
为了解决上述细胞图像分割的精准度较低的技术问题，本发明选择语义分割加后处理的方法来进行细胞分割，提供了一种基于图路径搜索和深度学习的细胞图像分割方法，包括采用经过训练的U-net预测模型，进行以下步骤：
预测阶段，包括把待分割的细胞图像输入经过训练的U-net预测模型，预测出待分割细胞的距离图；
标注细胞中心，包括找出待分割的细胞图像中所有的局部像素值最大的像素点，在预测出的距离图上对应标注为细胞中心；局部像素值最大的像素点是指本身的像素值大于所有相邻像素点的像素值的像素点；
路径搜索，包括对采用图路径搜索方式在待分割细胞的距离图上成功搜索两个相邻细胞中心的多条路径，提取路径点的像素值；
进行判断，包括以搜索路径上每个路径点的像素值与细胞中心像素值对比判断两个相邻细胞中心是否属于不同细胞，若两个相邻细胞中心属于同一细胞则回到路径搜索步骤搜索其他相邻细胞中心的多条路径，若两个相邻细胞中心属于不同细胞则进入分割处理；
分割处理，包括对认定为属于不同细胞的进行分割，回到路径搜索对其他相邻细胞中心进行搜索，直至完成距离图上的全部相邻细胞中心的路径搜索后停止，得到全部细胞分割图像。
优选地，所述U-net预测模型的通过以下步骤得到：
图像预处理，包括将已标注出不同细胞的细胞掩膜图像生成细胞的距离图，在细胞的距离图中，属于细胞的像素点的像素值为该像素点到距离最近的非该细胞像素点的曼哈顿距离，不属于任何细胞的像素点的像素值为零；
训练阶段，包括指定一个U-net训练损失函数，将图像预处理生成的距离图和对应的已标注出不同细胞的细胞图像输入U-net进行充分训练得到U-net预测模型。
进一步地，在训练阶段，指定Binary Crossentropy函数作为U-net训练的损失函数。
进一步地，在训练阶段，当损失函数的数值不再下降时，U-net训练完成。
进一步地，在训练阶段，采用Adam优化器进行U-net训练。
进一步地，当已标注出不同细胞的细胞图像及对应的细胞掩膜图像大于256*256像素时，在图像预处理前，都裁剪成多块256*256像素大小。
优选地，在标注细胞中心时，以像素值高于八个相邻点的像素点作为局部像素值最大的像素点。
优选地，在路径搜索时，当搜索的当前路径的路径损失大于第一阈值或者路径长度大于第二阈值时，重新开始其他路径的搜索；当由一个细胞中心开始沿一条路径搜索成功到达另一个细胞中心时，则本条路径搜索成功。
优选地，在进行判断时，当各条路径中的最小像素点与细胞中心像素点的差值都大于第三阈值，则判断两个细胞中心属于不同细胞。
优选地，在分割处理时，采用watershed水域分割法对不同细胞进行分割。
本发明以训练后的U-net预测模块对待分割细胞图像进行预测得到距离图，再找出局部像素值最大的像素点作为细胞中心，采用图路径搜索方式得到的对预测出的距离图中的细胞中心进行路径搜索，以搜索中获取的路径点的像素值与细胞中心的像素值进行对比，判断出需要分割的不同细胞，然后实施分割处理。采用本发明的方法可以对细胞图像中的粘连细胞进行较好的区分，在距离图质量(以图像中细胞部分的像素峰值判断)正常的情况下，可达到95％以上的细胞单体图像区分成功率，以给细胞的分析提供良好基础。
附图说明
图1为本发明的基于图路径搜索和深度学习的细胞图像分割方法实施例流程图。
具体实施方式
为了更进一步阐述本发明为解决技术问题所采取的技术手段及功效，以下结合附图和具体实施例对本发明做进一步详细描述，需要说明的是所提供的附图是示意性的，相互间并没有完全按照尺寸或者比例绘制，因此附图和具体实施例并不作为本发明要求的保护范围限定。
如图1所示的基于图路径搜索和深度学习的细胞图像分割方法可选实施例流程，包括以下步骤：
图像预处理S10，以他人依照细胞图像标注好的细胞掩膜图像来计算生成距离图(Distance Map)，计算规则为：属于细胞的像素点的像素值为该像素点到距离最近的非该细胞像素点的曼哈顿距离(街道距离)，不属于任何细胞的像素点的像素值为零；根据已经标注好的细胞掩膜图像，对于属于某一细胞的像素点，该点在距离图上对应点的像素值等于细胞掩膜图像上该点到距离该点最近的非该细胞像素点的曼哈顿距离，以圆形细胞图像为例，细胞的圆形图像中的圆内任意一点都是属于该细胞的像素点，该细胞的像素点在距离图中的像素值等于细胞掩膜图像上的该点到最近的圆外非该细胞像素点的曼哈顿距离；如果细胞图像大于256*256像素，对应的细胞掩膜图像也会大于256*256像素，那么可以把细胞图像和它对应的细胞掩膜图像随机裁剪为多块256*256像素大小，裁剪时允许各小块图像有部分重叠，特别是在原图像大小并非256*256像素的整数倍的情况下；对裁剪后的细胞掩膜图像进行图像预处理得到的距离图大小也为256*256像素，裁剪是为了使得细胞图像和距离图的大小更适合后续的U-net语义分割网络进行训练；
训练阶段S20，指定Binary Crossentropy函数作为U-net训练的损失函数，BinaryCrossentropy函数即为二元交叉熵函数，将原来的RGB三通道(即红Red、绿Green、蓝Blue三个颜色通道)的细胞图像和图像预处理生成的单通道的距离图输入U-net，并采用Adam优化器进行U-net训练，例如训练轮次为50轮，训练数据集大小为550；这时损失函数的数值不再明显下降时，认定为U-net训练完成得到U-net预测模型；该U-net预测模型可以用于对细胞图像进行预测生成对应距离图，且U-net预测模型可以重复使用，即U-net预测模型一次训练完成，从此不用再进行图像预处理和训练阶段这两个步骤，只要把第一次训练完成的U-net预测模型拿来使用即可；
预测阶段S30，把待分割的细胞图像输入U-net预测模型，预测出待分割细胞的距离图(Distance Map)；训练完成的U-net预测模型可重复用于预测。
标注细胞中心S40，包括找出待分割的细胞图像中所有的局部像素值最大的像素点，在预测出的距离图上对应标注为细胞中心；
路径搜索S50，以路径损失是否大于第一阈值、路径长度是否大于第二阈值对是停止该路径搜索来控制，当搜索的当前路径的路径损失大于第一阈值或者路径长度大于第二阈值时，停止并重新开始其他路径的搜索；当由一个细胞中心开始沿一条路径搜索成功到达另一个细胞中心时，则本条路径搜索成功，对采用图路径搜索方式在待分割细胞的距离图上成功搜索两个相邻细胞中心的多条路径，比如遍历两个相邻细胞中心之间的全部路径或者搜索10条以上路径，提取各路径上的路径点的像素值；采用第一阈值和第二阈值避免了路径过长、路径搜索方向与细胞中心方向不符等缺点。
进行判断，取每条路径上每个路径点的像素值与细胞中心像素值的最大差值都超过第三阈值，或者每条路径中的最大差值中的最小的超过第三阈值，则可认为每条路径的路径点中满足像素值与细胞中心像素值的最大差值的路径点属于非细胞像素，由此判断两个相邻细胞中心属于不同细胞，若不是属于不同细胞则回到路径搜索步骤搜索其他相邻细胞中心的多条路径，若是属于不同细胞则进入分割处理；
分割处理，对认定为属于不同细胞的进行细胞图像分割；同时回到路径搜索对其他相邻细胞中心进行搜索，直至完成距离图上的全部相邻细胞中心的路径搜索后停止，即可得到全部细胞分割图像。
为了进一步说明搜索两细胞中心之间的多条路径的过程，以及如何判断是否作为不同细胞进行区分和实施图像分割，下面结合伪代码加以解释，一种伪代码如下表：
在细胞的距离图上，属于细胞像素点的像素值为该像素点到距离最近的非该细胞像素点的曼哈顿距离，不属于任何细胞的像素点的像素值为零。把局部像素值最大的像素点定义为细胞中心，不同的局部像素值最大的像素点(即细胞中心)可能来源于不同细胞，也可能来源于同一细胞的不同位置，对于来源于不同细胞的就需要进行细胞分割处理；所以区分细胞中心是否来源于不同细胞，从上述伪代码的内容可见是由路径中的像素差最大值中的最小值与第三阈值的对比来判定：若超过第三阈值说明两细胞中心之间的每条路径中都存在不属于细胞的像素点(即背景像素点)，说明两细胞中心之间的所有路径都有一个不属于细胞的最小像素点，因为这些最小像素点与细胞中心像素点的像素对比度(差值)最大(都超过第三阈值)，即两个细胞中心间有不属于细胞图像素的分界存在，基于此认定这两细胞中心并非是来源于同一细胞，而是来源于不同的细胞需要进行分割；若不超过第三阈值则说明两个相邻细胞中心间的像素点都是细胞图像素点，两者之间无断点存在，可认为是两个相邻细胞中心来源于同一细胞不需要进行分割。
采用本发明的方法可以对细胞图像中的粘连细胞进行较好的区分，在U-net预测模型得到充分训练的情况下，可达到95％以上的细胞单体图像区分成功率。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都属于本发明的权利要求的保护范围。
Claims (10)
1.一种基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，包括采用经过训练的U-net预测模型，进行以下步骤：
预测阶段，包括把待分割的细胞图像输入经过训练的U-net预测模型，预测出待分割细胞的距离图；
标注细胞中心，包括找出待分割的细胞图像中所有的局部像素值最大的像素点，在预测出的距离图上对应标注为细胞中心；
路径搜索，包括对采用图路径搜索方式在待分割细胞的距离图上成功搜索两个相邻细胞中心的多条路径，提取路径点的像素值；
进行判断，包括以搜索路径上每个路径点的像素值与细胞中心像素值对比判断两个相邻细胞中心是否属于不同细胞，若两个相邻细胞中心属于同一细胞则回到路径搜索步骤搜索其他相邻细胞中心的多条路径，若两个相邻细胞中心属于不同细胞则进入分割处理；
分割处理，包括对认定为属于不同细胞的进行分割，回到路径搜索对其他相邻细胞中心进行搜索，直至完成距离图上的全部相邻细胞中心的路径搜索后停止，得到全部细胞分割图像。
2.根据权利要求1所述的基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，所述U-net预测模型的通过以下步骤得到：
图像预处理，包括将已标注出不同细胞的细胞掩膜图像生成细胞的距离图，在细胞的距离图中，属于细胞的像素点的像素值为该像素点到距离最近的非该细胞像素点的曼哈顿距离，不属于任何细胞的像素点的像素值为零；
训练阶段，包括指定一个U-net训练损失函数，将图像预处理生成的距离图和对应的已标注出不同细胞的细胞图像输入U-net进行充分训练得到U-net预测模型。
3.根据权利要求2所述的基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，在训练阶段，指定Binary Crossentropy函数作为U-net训练的损失函数。
4.根据权利要求2所述的基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，在训练阶段，当损失函数的数值不再下降时，U-net训练完成。
5.根据权利要求2所述的基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，在训练阶段，采用Adam优化器进行U-net训练。
6.根据权利要求2所述的基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，当已标注出不同细胞的细胞图像及对应的细胞掩膜图像大于256*256像素时，在图像预处理前，都裁剪成多块256*256像素大小。
7.根据权利要求1所述的基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，在标注细胞中心时，以像素值高于八个相邻点的像素点作为局部像素值最大的像素点。
8.根据权利要求1所述的基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，在路径搜索时，当搜索的当前路径的路径损失大于第一阈值或者路径长度大于第二阈值时，重新开始其他路径的搜索；当由一个细胞中心开始沿一条路径搜索成功到达另一个细胞中心时，则本条路径搜索成功。
9.根据权利要求1所述的基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，在进行判断时，当各条路径中的最小像素点与细胞中心像素点的差值都大于第三阈值，则判断两个细胞中心属于不同细胞。
10.根据权利要求1-9任意一项所述的基于图路径搜索和深度学习的细胞图像分割方法，其特征在于，在分割处理时，采用watershed水域分割法对不同细胞进行分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910567031.8A CN110458846B (zh) | 2019-06-27 | 2019-06-27 | 基于图路径搜索和深度学习的细胞图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910567031.8A CN110458846B (zh) | 2019-06-27 | 2019-06-27 | 基于图路径搜索和深度学习的细胞图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110458846A CN110458846A (zh) | 2019-11-15 |
| CN110458846B true CN110458846B (zh) | 2021-08-24 |
Family
ID=68481729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910567031.8A Active CN110458846B (zh) | 2019-06-27 | 2019-06-27 | 基于图路径搜索和深度学习的细胞图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458846B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114235539A (zh) * | 2021-12-22 | 2022-03-25 | 宁波舜宇仪器有限公司 | 基于深度学习的pd-l1病理切片自动判读方法及系统 |
| CN114612738B (zh) * | 2022-02-16 | 2022-11-11 | 中国科学院生物物理研究所 | 细胞电镜图像分割模型的训练方法和细胞器互作分析方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009243893A (ja) * | 2008-03-28 | 2009-10-22 | Nippon Telegr & Teleph Corp <Ntt> | 経路探索装置、経路探索方法、及び経路探索プログラム |
| CN101944232A (zh) * | 2010-09-02 | 2011-01-12 | 北京航空航天大学 | 一种利用最短路径的粘连细胞精确分割方法 |
| CN102081800A (zh) * | 2011-01-06 | 2011-06-01 | 西北工业大学 | 空间微弱运动目标检测方法 |
| CN103164858A (zh) * | 2013-03-20 | 2013-06-19 | 浙江大学 | 基于超像素和图模型的粘连人群分割与跟踪方法 |
| CN104063876A (zh) * | 2014-01-10 | 2014-09-24 | 北京理工大学 | 一种交互式图像分割方法 |
| CN105608694A (zh) * | 2015-12-22 | 2016-05-25 | 苏州大学 | 视网膜细胞显微图像分割与计数方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0512837D0 (en) * | 2005-06-23 | 2005-08-03 | Univ Oxford Brookes | Efficiently labelling image pixels using graph cuts |
-
2019
- 2019-06-27 CN CN201910567031.8A patent/CN110458846B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009243893A (ja) * | 2008-03-28 | 2009-10-22 | Nippon Telegr & Teleph Corp <Ntt> | 経路探索装置、経路探索方法、及び経路探索プログラム |
| CN101944232A (zh) * | 2010-09-02 | 2011-01-12 | 北京航空航天大学 | 一种利用最短路径的粘连细胞精确分割方法 |
| CN102081800A (zh) * | 2011-01-06 | 2011-06-01 | 西北工业大学 | 空间微弱运动目标检测方法 |
| CN103164858A (zh) * | 2013-03-20 | 2013-06-19 | 浙江大学 | 基于超像素和图模型的粘连人群分割与跟踪方法 |
| CN104063876A (zh) * | 2014-01-10 | 2014-09-24 | 北京理工大学 | 一种交互式图像分割方法 |
| CN105608694A (zh) * | 2015-12-22 | 2016-05-25 | 苏州大学 | 视网膜细胞显微图像分割与计数方法 |
Non-Patent Citations (5)
| Title |
|---|
| New robust algorithm for tracking cells in video of drosophila morphogenesis based on finding an ideal path in segmented spatio-temporal cellular structures;yohanns bellaiche et al.;《2011 annual international conference of the IEEE engineering in medicine and biology society》;20111201;第1-7页 * |
| Normalization in training u-net for 2-d biomedical semantic segmentation;xiaoyun zhou et al.;《IEEE robotics and automation letters》;20190130;第4卷(第2期);第1793-0799页 * |
| Path planning and image segmentation using the FDTD method;mustafa cakir et al.;《IEEE antennas and propagation magazine》;20110712;第53卷(第2期);第230-245页 * |
| 免疫组化细胞显微图像分割算法研究与应用;童振;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130115(第01期);第I138-1284页 * |
| 基于人体模型和超像素的黏连人群分割方法;蔡丹平等;《浙江大学学报（工业版）》;20140630;第48卷(第6期);第1004-1015页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110458846A (zh) | 2019-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610166B (zh) | 文本区域检测模型训练方法、装置、电子设备和存储介质 | |
| Antonacopoulos et al. | ICDAR2005 page segmentation competition | |
| CN110689089A (zh) | 用于深度学习多类别医疗图像分类的主动增量训练方法 | |
| CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
| CN111027539B (zh) | 一种基于空间位置信息的车牌字符分割方法 | |
| CN113222933B (zh) | 一种应用于肾细胞癌全链条诊断的图像识别系统 | |
| CN112365471B (zh) | 基于深度学习的宫颈癌细胞智能检测方法 | |
| CN113505261B (zh) | 数据标注方法、装置以及数据标注模型训练方法、装置 | |
| CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
| CN110458846B (zh) | 基于图路径搜索和深度学习的细胞图像分割方法 | |
| CN110400287B (zh) | 结直肠癌ihc染色图像肿瘤侵袭边缘和中心的检测系统及方法 | |
| CN112016605A (zh) | 一种基于边界框角点对齐和边界匹配的目标检测方法 | |
| CN109189965A (zh) | 图像文字检索方法及系统 | |
| CN112711983B (zh) | 核型分析系统、方法、电子设备及可读存储介质 | |
| CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
| CN111210402A (zh) | 人脸图像质量评分方法、装置、计算机设备及存储介质 | |
| CN113658174A (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| CN109815974A (zh) | 一种细胞病理玻片分类方法、系统、设备、存储介质 | |
| CN116797553B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111310768A (zh) | 基于鲁棒性背景先验和全局信息的显著性目标检测方法 | |
| CN115170518A (zh) | 基于深度学习和机器视觉的细胞检测方法及系统 | |
| CN112528022A (zh) | 主题类别对应的特征词提取和文本主题类别识别方法 | |
| CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
| CN116824608A (zh) | 基于目标检测技术的答题卡版面分析方法 |
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 |