CN110472581A - 一种基于深度学习的细胞图像分析方法 - Google Patents
一种基于深度学习的细胞图像分析方法 Download PDFInfo
- Publication number
- CN110472581A CN110472581A CN201910758331.4A CN201910758331A CN110472581A CN 110472581 A CN110472581 A CN 110472581A CN 201910758331 A CN201910758331 A CN 201910758331A CN 110472581 A CN110472581 A CN 110472581A
- Authority
- CN
- China
- Prior art keywords
- cell image
- data set
- cell
- image analysis
- deep learning
- 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
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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的细胞图像分析方法,包括以下步骤:步骤S1:构建细胞图像的参考标准数据集;步骤S2:构建细胞图像分析模型;步骤S3:构建细胞图像样本数据集;步骤S4:更新细胞图像参考标准数据集;步骤S5:优化细胞图像分析模型;步骤S6:更新细胞图像样本数据集。其优点在于,使用模型对细胞图像原始数据进行细胞的分类检测,生成细胞图像样本数据集;再通过细胞图像参考标准数据集的更新,对数据集和模型进行迭代训练,提高细胞图像样本数据集的分类检测准确率;有效提高细胞图像数据集的构建效率,解决实际应用中构建细胞图像数据集工作量大,工作时间过长的问题。
Description
技术领域
本发明属于深度学习,图像处理技术领域,尤其涉及一种基于深度学习的细胞图像分析方法。
背景技术
传统的机器学习方法和基于卷积神经网络的深度学习方法在很多领域得到了广泛的应用,相关研究表明,传统的机器学习方法和基于卷积神经网络的深度学习方法在医疗影像领域的分类识别及分割方面已经取得了很大的成就,具有非常大的实际应用潜力,有希望在细胞图像分类检测中达到细胞病理诊断专家的精度,实现比相关病理诊断专家更快的速度且鲁棒性强。
大规模高质量的细胞图像样本数据集,是构建性能优异的学习模型的必要条件之一。然而在实际应用情况中,经常缺少大规模高质量的细胞图像样本数据集。很多的医院都有大量真实病例的细胞图像数据,对这些细胞图像数据进行样本标注需要花费相应的人力成本和时间成本。据统计,细胞病理诊断专家诊断每张细胞图像的时间大约是3分钟,所以完全基于人工标注细胞图像数据构建大规模细胞图像样本数据集的方法是极其困难的,也不符合实际应用的需要。
因此,在医疗影像领域亟需一种基于深度学习的细胞图像分析方法,具有对细胞图像数据分类及分割处理速度快、准确率高、鲁棒性强的优点。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于深度学习的细胞图像分析方法。
为实现上述目的,本发明采取的技术方案是:
本发明的第一方面提供了一种细胞图像数据集构建方法,包括以下步骤:
步骤S1:构建细胞图像的参考标准数据集
在N张细胞图像中任意选取n张细胞图像,并对选取得到的n(n<N)张细胞图像进行人工标注(含标签及分类掩模),使用标注后的所述细胞图像构建参考标准数据集;
步骤S2:构建细胞图像分析的分类模型
建立基于深度学习的卷积神经网络分类模型(如ResNet),基于迁移学习的方法,构建出细胞图像分类模型,并采用所述步骤S1构建的所述参考标准数据集对所述细胞图像分类模型进行训练;
建立基于深度学习的卷积神经网络分割模型(如U-Net),基于迁移学习的方法,构建出细胞图像分割模型;
步骤S3:构建细胞图像样本数据集
采用经所述步骤S2学习训练后的所述细胞图像分析模型对剩余的所述细胞图像数据进行分类与分割,构建细胞图像样本数据集。
具体地,还包括:
步骤S4:更新细胞图像参考标准数据集
在所述步骤S3构建的所述细胞图像样本数据集中任意选取m(m<N)张细胞图像,并对m张所述细胞图像进行评估,将所述评估后符合标准的细胞图像添加至所述细胞图像参考标准数据集,达到更新细胞图像参考标准数据集的目的。
具体地,还包括:
步骤S5:优化细胞图像分析模型
采用经步骤S4更新后的细胞图像参考标准数据集对步骤S2构建的所述细胞图像分析模型进行迭代学习训练,从而获得性能优化后的所述细胞图像分析模型。
具体地,还包括:
步骤S6:更新细胞图像样本数据集
采用经步骤S5所述优化后的细胞图像分析模型对步骤S3所述构建的细胞图像样本数据集进行分类与分割,更新所述细胞图像样本数据集。
优选的,所述步骤S4还包括:
对m张细胞图像数据中被细胞图像分析模型错误识别的所述细胞图像进行重新标注。
具体地,所述步骤S1还包括:
对标注后的所述细胞图像进行交叉验证。
本发明的第二方面提供了一种细胞图像数据分析系统,包括服务器和细胞图像拍摄设备,服务器和细胞图像拍摄设备之间建立通信连接;
为了满足实际应用的需求,通过细胞图像拍摄设备所拍摄的细胞图像原始数据,构建细胞图像参考标准数据集,服务器接收细胞图像标准数据集,利用基于深度学习的卷积神经网络对数据集进行训练,得到细胞图像的分析模型;
再利用细胞图像分析模型处理细胞图像拍摄设备中存储的细胞图像原始数据,构建细胞图像样本数据集;
进一步更新细胞图像参考标准数据集,优化细胞图像分析模型,继续更新细胞图像样本数据集。其中,当模型优化到一定程度,无法继续进行优化时,为节省计算资源等,自动暂停任务;向管理人员发送警示信号,等待管理人员后续处理;
当细胞图像样本数据集更新结束时,自动终止任务;提示样本更新结束的处理进程,并发送提示信号,将对应细胞图像样本数据集重新存储,以待研究人员后续研究处理。
其中,管理人员的后续处理包括系统检查,模型参数修改等;研究人员的后续研究处理包括细胞图像样本数据集的进一步交叉确认,细胞图像分析等。
本发明的第三方面提供了一种计算处理设备,该设备包括处理器和存储器,处理器与存储器之间建立通信连接;
处理器,用于读取存储器中的程序,以执行前述第一方面或第一方面的任一实现方式提供的方法。
本发明的第四方面提供了一种非易失性可修改存储介质,该非易失性可修改存储介质中存储了程序,该程序被计算设备运行时,计算设备执行前述第一方面或第一方面任一实现方式所提供的方法,并可根据实际需要进行修改。
本发明的第五方面提供了一种服务器,包括前述第三方面或第三方面任一实现方式所提供的设备。
与现有技术相比,本发明的一种基于深度学习的细胞图像分析方法,通过人工标注少量细胞图像原始数据来构建细胞图像参考标准数据集;然后利用基于深度学习的卷积神经网络训练数据集,构建基于少量数据集的细胞图像分析模型;使用细胞图像分析模型对细胞图像原始数据进行细胞分类及细胞分割,从而得到细胞图像样本数据集;由细胞图像诊断专家对细胞图像样本数据集进行人工抽样核查,将核查过的细胞图像样本数据加入细胞图像参考标准数据集,然后对该数据集和细胞图像分析模型进行迭代训练,得到优化后的细胞图像分析模型,从而不断提高细胞图像样本数据集的准确率;有效提高了大规模细胞图像数据集的构建速度,很好的解决了构建大规模细胞图像数据集工作量大、工作时间长且鲁棒性不够的问题。
附图说明
图1为本发明提供的一个具体实施例的方法流程示意图。
图2为本发明提供的一个具体实施例的详细方法流程示意图。
图3为本发明提供的一个具体实施例的细胞图像分析模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
可以理解的是,此处描述的具体实施例仅仅是为了解释本发明,而非对本发明的限定。此处为了便于描述,附图中仅示出了与本发明相关的部分而非全部的过程。
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。
本发明的一个优选的实施例,如图1-2所示,一种深度学习的细胞图像分析方法,包括步骤S1-S3,具体的如下所述。
步骤S1:构建细胞图像参考标准数据集
获取N张细胞图像原始数据,并从N张细胞图像原始数据中任意选取n张细胞图像数据,并对选取得到的n张细胞图像进行人工标注,使用标注后的n张细胞图像数据作为细胞图像参考标准数据集。
在选取细胞图像数据的过程中,n要小于N,优选的是n小于或等于N的4%,更优选的是n小于或等于N的1%。
对细胞图像数据进行标注的方法为由多名细胞图像诊断专家进行诊断并进行人工标注。
对细胞图像进行标注的标注内容包括:细胞类别及细胞掩模。
相应诊断流程如下:
第一、细胞图像诊断专家对细胞图像中细胞类别进行诊断,并作出相应的类别标注;
第二、细胞图像诊断专家对细胞图像进一步进行观察,标注出相应细胞的掩模。
为了提高人工标注的准确性,可以再次对标注后的细胞图像进行核查。
细胞图像诊断专家对细胞图像进行诊断标注后,再由其他细胞图像诊断专家对标注后的细胞图像进行交叉验证,以确保细胞图像人工标注的准确性。
为了满足实际应用的需要,一般由至少一名细胞图像诊断专家进行细胞图像诊断标注后,再由至少其他两名细胞图像诊断专家对标注后的细胞图像进行交叉验证。
为了进一步提高本发明的效率及准确率,在本实施例中,优选的方法为,一名细胞图像诊断专家对细胞图像进行诊断并标注,再由其他三名细胞图像诊断专家对标注后的细胞图像进行确认。
步骤S2:构建细胞图像分析模型
基于卷积神经网络的深度学习方法和传统机器学习中支持向量机方法相结合,构建细胞图像分析模型。并采用步骤S1得到的细胞图像参考标准数据集对细胞图像分析模型进行学习训练。
细胞图像分类模型为基于深度学习的卷积神经网络分类模型(如ResNet等)。利用细胞图像分类模型对细胞图像中的细胞类别分类识别。
细胞图像分割模型为基于深度学习的卷积神经网络分割模型(如U-Net等),利用细胞图像分割模型对细胞图像中的细胞图像进行分割。
基于深度学习的卷积神经网络分类及分割模型可以有多种网络结构,在本发明中,采用的是深度残差网络(Resnet)和U-Net。
更进一步地,利用Resnet深度神经网络,利用在ImageNet上预训练好的模型,进行参数迁移,对细胞图像进行训练;利用U-Net,采用预训练模型初始化,对细胞图像进行分割。
构建好细胞图像分析模型后,利用步骤S1中的细胞图像参考标准数据集进行学习训练,以完善细胞图像分析模型。
步骤S3:构建细胞图像样本数据集
采用经步骤S2学习训练后的所述细胞图像分析模型对剩余细胞图像进行分类及分割,构建细胞图像样本数据集。
首先利用细胞图像分析模型对(N-n)张细胞图像数据进行分类识别及分割,并对细胞图像数据进行标注,以得到标注了细胞类别及细胞掩模。
最后使用标注完成后的(N-n)张细胞图像数据构建细胞图像样本数据集。
一般而言,通过步骤S1-S3,即可构建出一个数据量大,分类及分割精度高的细胞图像样本数据集。
为了满足实际应用的需要,进一步提高细胞图像样本数据集的分类识别及分割准确率,对经过步骤S1-S3构建得到的细胞图像样本数据集进行迭代优化。
具体的,在步骤S3之后,还包括步骤S4-S6。
步骤S4:更新细胞图像参考标准数据集
在步骤S3构建的细胞图像样本数据集中任意选取m张细胞图像,并对这些选取的m张细胞图像进行人工评估,将评估后的m张细胞图像添加至细胞图像参考标准数据集以更新细胞图像参考标准数据集。
在选取过程中,m要小于N,优选的是m小于或等于N的4%,更优选的是m小于或等于N的1%。
在本实施例中,m等于n。
对细胞图像进行评估的方法为:由多名细胞图像诊断专家对细胞图像进行诊断,统计任意选取的m张细胞图像的准确率,并对标注错误的细胞图像进行重新标注,再对重新标注后的细胞图像进行交叉确认后补充至细胞图像参考标准数据集。
上述评估方法可参照步骤S1的诊断、标注以及核查。
步骤S5:优化细胞图像分析模型
采用步骤S4更新后的细胞图像参考标准数据集,对步骤S2构建的细胞图像分析模型进行迭代训练,以获得性能优化后的细胞图像分析模型。
步骤S5的具体流程可参照步骤S2。
步骤S6:更新细胞图像样本数据集
采用经步骤S5优化后的细胞图像分析模型对步骤S3构建的细胞图像样本数据集进一步进行分类识别及分割,更新细胞图像样本数据集。
步骤S6的具体流程可参照步骤S3。
为了使细胞图像样本数据集的准确性更符合实际应用的需求,可以对细胞图像样本数据集进行多次迭代优化,即多次重复步骤S4-S6,提高细胞图像样本数据集分类及分割的准确率。
本发明另一个实施例还提供了一种细胞图像数据分析系统,包括服务器和细胞图像拍摄设备,服务器和细胞图像拍摄设备之间建立通信连接;
为了满足实际应用的需求,通过细胞图像拍摄设备所拍摄的细胞图像原始数据,构建细胞图像参考标准数据集,服务器接收细胞图像标准数据集,利用基于深度学习的卷积神经网络模型对细胞图像进行分类识别及分割;
再利用细胞图像分析模型处理细胞图像拍摄设备中存储的细胞图像原始数据,构建细胞图像样本数据集;
进一步更新细胞图像参考标准数据集,优化细胞图像分析模型,继续更新细胞图像样本数据集。其中,当模型优化到一定程度,无法继续进行优化时,为节省计算资源等,自动暂停任务;向管理人员发送警示信号,等待管理人员后续处理;
当细胞图像样本数据集更新结束时,自动终止任务;提示样本更新结束的处理进程,并发送提示信号,将对应细胞图像样本数据集重新存储,以待研究人员后续研究处理。
其中,管理人员的后续处理包括系统检查,模型参数修改等;研究人员的后续研究处理包括细胞图像样本数据集的进一步交叉确认,细胞图像分析等。
本发明的另一个实施例还提供了一种计算处理设备,该设备包括处理器和存储器,处理器与存储器之间建立通信连接;处理器,用于读取存储器中的程序,以执行图1-3中所示的方法。
本发明的另一个实施例还提供了一种非易失性可修改存储介质,该非易失性可修改存储介质中存储了程序,该程序被计算设备运行时,计算设备执行图1-3所示的方法,并可根据实际需要进行修改。
本方面的另一个实施例还提供了一种服务器,包括前述设备。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于深度学习的细胞图像分析方法,其特征在于,包括以下步骤:
步骤S1:构建细胞图像的参考标准数据集
在N张细胞图像中任意选取n张细胞图像,并对选取得到的n张细胞图像进行人工标注,n<N,使用标注后的细胞图像构建参考标准数据集;
步骤S2:构建细胞图像分析模型
利用基于深度学习的卷积神经网络,构建出细胞图像分析模型(含分类,分割模型),并采用步骤S1构建的参考标准数据集对细胞图像分析模型进行训练;
步骤S3:构建细胞图像样本数据集
采用经所述步骤S2学习训练后的细胞图像分析模型对剩余的细胞图像数据进行分类识别及分割,构建细胞图像样本数据集。
2.如权利要求1所述的基于学习的细胞图像数据集构建方法,其特征在于,所述标注包括:
对所述细胞图像中细胞类别进行标注;
对所述细胞图像中细胞掩模进行标注。
3.如权利要求2所述的基于深度学习的细胞图像分析方法,其特征在于,所述步骤S1还包括:
对标注后的所述细胞图像进行交叉验证。
4.如权利要求3所述的基于深度学习的细胞图像分析方法,其特征在于,还包括以下步骤:
步骤S4:更新细胞图像参考标准数据集
在步骤S3构建的细胞图像样本数据集中任意选取m张细胞图像,m<N,并对m张细胞图像进行评估,将评估后符合标准的细胞图像添加至细胞图像参考标准数据集,达到更新细胞图像参考标准数据集的目的。
5.如权利要求4所述的基于深度学习的细胞图像分析方法,其特征在于,所述步骤S4还包括:
对m张细胞图像数据中被细胞图像分析模型错误识别的细胞图像进行重新标注。
6.如权利要求4所述的基于深度学习的细胞图像分析方法,其特征在于,还包括:
步骤S5:优化细胞图像分析模型
采用经步骤S4更新后的细胞图像参考标准数据集对步骤S2构建的细胞图像分析模型进行迭代学习训练,获得性能优化后的细胞图像分析模型。
7.如权利要求5所述的基于深度学习的细胞图像分析方法,其特征在于,还包括:
步骤S6:更新细胞图像样本数据集
采用经步骤S5所述优化后的细胞图像分析模型对步骤S3构建的细胞图像样本数据集进行分类识别及分割,更新细胞图像样本数据集。
8.如权利要求1-7任意一项所述的基于深度学习的细胞图像分析方法,其特征在于,基于深度学习的卷积神经网络模型,对细胞图像进行分类及分割分析,同时借由该分析方法迭代生成细胞分析数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910758331.4A CN110472581A (zh) | 2019-08-16 | 2019-08-16 | 一种基于深度学习的细胞图像分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910758331.4A CN110472581A (zh) | 2019-08-16 | 2019-08-16 | 一种基于深度学习的细胞图像分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472581A true CN110472581A (zh) | 2019-11-19 |
Family
ID=68510937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910758331.4A Pending CN110472581A (zh) | 2019-08-16 | 2019-08-16 | 一种基于深度学习的细胞图像分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472581A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
CN112507961A (zh) * | 2020-12-22 | 2021-03-16 | 上海科技大学 | 一种基于深度学习算法的小鼠运动状态分析方法 |
CN112686238A (zh) * | 2020-12-21 | 2021-04-20 | 福建新大陆软件工程有限公司 | 一种基于深度学习的航运单识别方法 |
CN112766333A (zh) * | 2021-01-08 | 2021-05-07 | 广东中科天机医疗装备有限公司 | 医学影像处理模型训练方法、医学影像处理方法及装置 |
CN112908414A (zh) * | 2021-01-28 | 2021-06-04 | 中山大学 | 一种大规模单细胞分型方法、系统及存储介质 |
CN113838027A (zh) * | 2021-09-23 | 2021-12-24 | 杭州柳叶刀机器人有限公司 | 基于图像处理获取目标图像元素的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862694A (zh) * | 2017-12-19 | 2018-03-30 | 济南大象信息技术有限公司 | 一种基于深度学习的手足口病检测系统 |
CN108764329A (zh) * | 2018-05-24 | 2018-11-06 | 复旦大学附属华山医院北院 | 一种肺癌病理图像数据集的构建方法 |
CN109886179A (zh) * | 2019-02-18 | 2019-06-14 | 深圳视见医疗科技有限公司 | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 |
US20190228268A1 (en) * | 2016-09-14 | 2019-07-25 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for cell image segmentation using multi-stage convolutional neural networks |
-
2019
- 2019-08-16 CN CN201910758331.4A patent/CN110472581A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190228268A1 (en) * | 2016-09-14 | 2019-07-25 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for cell image segmentation using multi-stage convolutional neural networks |
CN107862694A (zh) * | 2017-12-19 | 2018-03-30 | 济南大象信息技术有限公司 | 一种基于深度学习的手足口病检测系统 |
CN108764329A (zh) * | 2018-05-24 | 2018-11-06 | 复旦大学附属华山医院北院 | 一种肺癌病理图像数据集的构建方法 |
CN109886179A (zh) * | 2019-02-18 | 2019-06-14 | 深圳视见医疗科技有限公司 | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
CN112686238A (zh) * | 2020-12-21 | 2021-04-20 | 福建新大陆软件工程有限公司 | 一种基于深度学习的航运单识别方法 |
CN112686238B (zh) * | 2020-12-21 | 2023-07-21 | 福建新大陆软件工程有限公司 | 一种基于深度学习的航运单识别方法 |
CN112507961A (zh) * | 2020-12-22 | 2021-03-16 | 上海科技大学 | 一种基于深度学习算法的小鼠运动状态分析方法 |
CN112507961B (zh) * | 2020-12-22 | 2024-05-17 | 上海科技大学 | 一种基于深度学习算法的小鼠运动状态分析方法 |
CN112766333A (zh) * | 2021-01-08 | 2021-05-07 | 广东中科天机医疗装备有限公司 | 医学影像处理模型训练方法、医学影像处理方法及装置 |
CN112766333B (zh) * | 2021-01-08 | 2022-09-23 | 广东中科天机医疗装备有限公司 | 医学影像处理模型训练方法、医学影像处理方法及装置 |
CN112908414A (zh) * | 2021-01-28 | 2021-06-04 | 中山大学 | 一种大规模单细胞分型方法、系统及存储介质 |
CN112908414B (zh) * | 2021-01-28 | 2023-08-22 | 中山大学 | 一种大规模单细胞分型方法、系统及存储介质 |
CN113838027A (zh) * | 2021-09-23 | 2021-12-24 | 杭州柳叶刀机器人有限公司 | 基于图像处理获取目标图像元素的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472581A (zh) | 一种基于深度学习的细胞图像分析方法 | |
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN111524132B (zh) | 识别待检测样本中异常细胞的方法、装置和存储介质 | |
Ji et al. | Learning temporal action proposals with fewer labels | |
JP6800351B2 (ja) | 電極シートのバリを検出するための方法および装置 | |
CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN112287896A (zh) | 一种基于深度学习的无人机航拍图像目标检测方法及系统 | |
CN112508901A (zh) | 一种水下结构病害识别方法、系统、装置及存储介质 | |
CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
Luo et al. | OXnet: deep omni-supervised thoracic disease detection from chest X-rays | |
CN112581483B (zh) | 基于自学习的植物叶片叶脉分割方法和装置 | |
CN111161272A (zh) | 一种基于生成对抗网络的胚胎组织分割方法 | |
CN114782349A (zh) | 领域自适应原油泄露检测模型训练方法、检测方法及装置 | |
Li et al. | An automatic plant leaf stoma detection method based on YOLOv5 | |
CN112614570B (zh) | 样本集标注、病理图像分类、分类模型构建方法及装置 | |
CN111414880B (zh) | 一种基于改进RetinaNet的显微图像中有型成分目标检测方法 | |
CN113705763B (zh) | 一种基于神经计算棒的配网变压器实时检测方法及系统 | |
CN111695570B (zh) | 一种基于变分原型推理的小样本下语义分割方法 | |
CN111368823B (zh) | 一种指针式仪表读数识别方法及装置 | |
CN113269710B (zh) | 一种基于目标检测的aau施工工艺检测系统 | |
CN113627522B (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 | |
CN110084109A (zh) | 一种低分辨率人脸图像识别方法、装置、电子设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191119 |