CN110633676B - 一种自动识别脑脊液细胞图像信息方法 - Google Patents
一种自动识别脑脊液细胞图像信息方法 Download PDFInfo
- Publication number
- CN110633676B CN110633676B CN201910880218.3A CN201910880218A CN110633676B CN 110633676 B CN110633676 B CN 110633676B CN 201910880218 A CN201910880218 A CN 201910880218A CN 110633676 B CN110633676 B CN 110633676B
- Authority
- CN
- China
- Prior art keywords
- cell
- contour
- image
- target
- information
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based 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
- G06V20/695—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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种自动识别脑脊液细胞图像信息方法,包括:针对待处理的脑脊液细胞的原始图像,对所述原始图像进行预处理,得到预处理后的图像;采用最小化模型对所述预处理后的图像进行分割,获取分割后的目标细胞图像;其中,最小化模型为对所述预处理后的图像进行分割,使分割后的每一个图像内均只包含一个目标细胞;提取图像中目标细胞的特征;本发明方法可以对获取的脑脊液细胞学检测图像中的脑脊液细胞进行准确的分割处理,并对细胞的特征自动提取,而且提取的结果也会比较客观。
Description
技术领域
本发明涉及一种自动识别脑脊液细胞图像信息方法。
背景技术
由于神经解剖结构和脑脊液生成、循环特点,脑脊液细胞学检测能揭示脑膜、脑实质炎症性、处于蛛网膜下隙的神经根等多种中枢神经系统疾病的病理情况。脑脊液细胞学与中枢神经系统病理改变存在一定的对应关系,此为脑脊液细胞学诊断的重要基础。脑脊液细胞学对中枢神经系统炎症性疾病,包括感染性和非感染性炎症,以及肿瘤等疾病有重要的诊断价值。
但目前技术存在着以下问题,医生判断中枢神经系统疾病,多是通过脑脊液细胞学检测后,用人工判断细胞种类,分别进行细胞计数,同时完全凭借医生用眼睛去看细胞的特征,这样的方法操作繁杂且精确性不高,而且参入了很多的主观因素同时也不易于多地方大范围的推广,不利于中枢神经系统疾病病理的统一研究。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种自动识别脑脊液细胞图像信息方法。
(二)技术方案
为了达到上述目的,本发明提供一种自动识别脑脊液细胞图像信息方法包括:
S1、针对待处理的脑脊液细胞的原始图像,对所述原始图像进行预处理,得到预处理后的图像;
S2、采用最小化模型对所述预处理后的图像进行分割,获取分割后的目标细胞图像;
其中,最小化模型为对所述预处理后的图像进行分割,使分割后的每一个图像内均只包含一个目标细胞;
S3、提取图像中目标细胞的特征。
优选的,步骤S2和步骤S3之间还包括:
S'2、对分割后的目标细胞进行计数;
或者,将分割后的目标细胞图像进行保存。
优选的,所述步骤S1包括:
对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理,得到预处理后的图像。
优选的,所述步骤S2包括:
S2-1、检测所述预处理后的图像中的所有封闭轮廓,获取存在于封闭轮廓中的第一目标轮廓;
S2-2、对第一目标轮廓进行不重叠分割;
S2-3、基于细胞特征和图像染色的特性,获取第一目标轮廓中的目标细胞。
优选的,所述步骤S2-1包括:
S2-1-1、采用边缘检测法获取图像中的所有封闭轮廓的边缘信息;
S2-1-2、利用集成分类器对图像进行第一次分割,得到多个具有封闭轮廓的图像块,其中所述图像块中只有一个封闭轮廓或多个重叠的封闭轮廓;
S2-1-3、调取所有封闭轮廓的边缘信息,输入预定的网络学习第一模型;
其中,所述网络学习第一模型使用预先识别的具有封闭轮廓的细胞的数据训练的;
所述具有封闭轮廓的细胞数据包括第一类数据和第二类数据;
所述第一类数据中的每组数据均包括细胞轮廓信息和标识该封闭轮廓为细胞轮廓的第一线索信息;
第二类数据中的每组数据均包括:不包括细胞轮廓的信息和标识该封闭轮廓为细胞轮廓的第一线索信息;
S2-1-4、将不满足细胞轮廓第一线索信息的封闭轮廓去除,得到第一目标轮廓。
优选的,所述步骤S2-2中,采用基于凹点匹配并利用水平集的分割方式,对第一目标轮廓进行不重叠分割。
优选的,所述步骤S2-3包括:
S2-3-1、将已经过不重叠分割后的第一目标轮廓,输入预定的网络学习第二模型,检测出第一目标轮廓中的干扰轮廓;
其中,所述干扰轮廓为不满足细胞特征及图像染色特性的第一目标轮廓;
其中,所述网络学习第二模型使用干扰轮廓的图像数据和细胞图像数据训练出来的;
干扰轮廓图像数据包括:干扰轮廓信息和标识该轮廓为干扰轮廓的第二线索信息;
细胞图像数据包括:没有干扰轮廓的第二线索信息的细胞轮廓信息;
S2-3-2、将第一目标轮廓中的干扰轮廓去除,得到目标细胞。
优选的,所述步骤S3包括:
获取目标细胞特征信息包括:细胞轮廓周长、细胞面积、细胞横向宽度、细胞纵向高度、细胞灰度和细胞分裂状态;
其中,在目标细胞特征信息包括细胞分裂状态时,所述方法还包括:
S4、调取目标细胞,输入预定的网络学习第三模型,识别目标细胞的特征;
其中所述网络学习第三模型使用不同分裂状态下的细胞轮廓信息数据通过机器学习训练出来的,
所述不同分裂状态下的细胞轮廓信息数据包括:不同分裂状态下的细胞轮廓信息和标识该细胞轮廓处于该分裂状态下的对应标签。
优选的,所述步骤S2-1-3中的第一线索为:所述封闭轮廓的图像亮度以及所述封闭轮廓的内外两侧明暗对比度符合所述细胞轮廓的阈值;
所述步骤S2-3-1中的第二线索为:所述第一目标轮廓区域中的点的像素值不符合细胞图像染色的特征值。
优选的,所述步骤S1中对所述原始图像的预处理包括:
对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理;其中,在所述灰度映射处理中,将经过所述去除染色干扰的图像,转化为灰度图,并进行灰度映射,将灰度范围映射到0-255。
(三)有益效果
本发明的有益效果是:本发明方法可以对获取的脑脊液细胞学检测图像中的脑脊液细胞进行准确的分割处理,并对细胞的特征自动提取,而且提取的结果也会比较客观。
进一步的,本发明够对脑脊液细胞完成计数和分别存储,也可以实现异地的图像传输,进行异地的图像诊断。
附图说明
图1为本发明自动识别脑脊液细胞图像信息方法流程图;
图2为本发明预处理过程的流程示意图;
图3为本发明实施例一和实施例二中的脑脊液细胞学检测图像;
图4为本发明实施例二中的自动识别脑脊液细胞图像信息方法流程图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例一
请参阅附图1和附图3,本发明提供一种自动识别脑脊液细胞图像信息方法,包括:
Q1、如图1所示,针对待处理的如图3所示的脑脊液细胞的原始图像,对所述原始图像进行预处理,得到预处理后的图像。
Q2、采用最小化模型对所述预处理后的图像进行分割,获取分割后的目标细胞图像。
其中,最小化模型为对所述预处理后的图像进行分割,使分割后的每一个图像内均只包含一个目标细胞。
Q3、提取图像中目标细胞的特征。
本实施例可以提取图像中目标细胞包括:轮廓周长、细胞面积、细胞横向宽度、细胞纵向高度和细胞灰度在内的多个细胞特征,不需凭借人工去识别细胞的特征,而且操作简单,得到的细胞特征精确度高避免了在人工识别中的很多的主观因素同时也易于多地方大范围的推广。
实施例二
请参阅附图2-4,本发明提供一种自动识别脑脊液细胞图像信息方法,包括:
A1、如图4所示,本实施例获取如图3所示的脑脊液细胞学检测的原始图像,其中,本实施例中的原始图像中包括有细胞轮廓、干扰轮廓和明显的不是细胞轮廓的杂质轮廓;其中细胞轮廓中有单个细胞轮廓也有重叠的细胞轮廓;杂质轮廓中有封闭的杂质轮廓,也有不是封闭的杂质轮廓;而干扰轮廓主要是由噪音造成的噪音干扰气泡轮廓。
A2、基于获取的所述原始图像,对所述原始图像进行预处理得到预处理后的图像。
举例来说,如图2所示本实施例中对原始图像的预处理可包括:对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理。
在实际应用中,前述灰度映射处理中,将经过所述去除染色干扰的图像,转化为灰度图,并进行灰度映射,将灰度范围映射到0-255。
本实施例中,经过如图所示的预处理过程的原始图像避免了原始图像中染色不均、染色过重等染色问题,并且提高了图像的清晰度使之后的图像分割过程更为顺利。
A3、本实施例中,为了提高后续细胞分割的精确度,基于所述预处理后的图像,采用边缘检测法获取图像中的所有封闭轮廓的边缘信息。
本实施例中经过预处理的原始图像中没有封闭的轮廓一定不是细胞轮廓,因此在实际应用中采用边缘检测法只提取图像中的所有封闭的轮廓的边缘信息,而过滤掉图像中的没有封闭的杂质轮廓。
A4、为了后续更好的细胞识别并使细胞单独显示,本实施例中采用集成分类器对所述图像进行第一次分割,得到多个具有封闭轮廓的图像块,其中所述图像块中只有一个封闭轮廓或多个重叠的封闭轮廓。
A5、调取所有所述图像块中的封闭轮廓的边缘信息,输入预定的网络学习第一模型,其中,所述网络学习第一模型使用预先识别的具有封闭轮廓的细胞的数据训练的。
本实施例中所述具有封闭轮廓的细胞数据包括第一类数据和第二类数据。
其中第一类数据中的每组数据均包括细胞轮廓信息和标识该封闭轮廓为细胞轮廓的第一线索信息。
第二类数据中的每组数据均包括:不包括细胞轮廓的信息和标识该封闭轮廓为细胞轮廓的第一线索信息。
其中第一线索为:所述封闭轮廓的图像亮度以及所述封闭轮廓的内外两侧明暗对比度符合所述细胞轮廓的阈值。
本实施例的实际应用中,以第一线索为识别标准的网络学习第一模型可以识别出:细胞轮廓和干扰轮廓,而过滤掉出明显的不是细胞轮廓的封闭杂质轮廓。
A6、将不满足细胞轮廓第一线索信息的封闭轮廓去除,得到第一目标轮廓。
举例来说,在本实施例中,上述的第一目标轮廓主要包括:细胞轮廓和干扰轮廓。
A7、对所述第一目标轮廓进行不重叠分割。
举例来说,在本实施例中采用基于凹点匹配并利用水平集的分割方式对所述第一目标轮廓进行不重叠分割,将第一目标轮廓,隐含地表达为二维曲线面函数的水平集,即具有相同函数的点集,实现将几何活动轮廓模型的演化转化为水平集函数的偏微分方程的表达式的数值解的过程,最后通过变分法,将泛函极值问题转化为对偏微分方程的求解,然后把偏微分方程的极小解作为图像分割的结果。
本实施例中采用基于凹点匹配并利用水平集的重叠分割方式,可以使的重叠分割后的轮廓更圆滑。
当然,本实施例中对第一目标轮廓进行重叠分割方式仅仅是优选的,可以详见,采用其他的分割方式,同样也能对第一目标轮廓进行不重叠分割。
A8、为了去除第一目标轮廓中的干扰轮廓,本实施例调取已经过重叠分割后的第一目标轮廓,输入预定的网络学习第二模型。
本实施例中干扰轮廓主要是由由噪音造成的噪音干扰气泡轮廓,细胞的特征是细胞都具有细胞核,干扰轮廓没有细胞核,因此干扰轮廓不满足细胞特征,反应到图像中则是干扰轮廓中没有被染成深色的区域。
其中,所述网络学习第二模型使用干扰轮廓的图像数据和细胞图像数据训练出来的。
干扰轮廓图像数据包括:干扰轮廓信息和标识该轮廓为干扰轮廓的第二线索信息。
细胞图像数据包括:没有干扰轮廓的第二线索信息的细胞轮廓信息。
本实施例中具体的第二线索为:所述第一目标轮廓区域中的点的像素值不符合细胞图像染色的特征值。
A9、去除第一目标轮廓中的干扰轮廓,得到目标细胞。
A10、对目标细胞进行计数并将目标细胞图像进行保存。
当然本实施例对目标细胞进行计数并将目标细胞图像进行保存仅仅是优选的步骤,在实际应用中,可以仅对目标细胞进行计数,也可以仅对目标细胞图像进行保存。
A11、本实施例优选的提取的目标细胞特征信息包括:细胞轮廓周长、细胞面积、细胞横向宽度、细胞纵向高度、细胞灰度和细胞分裂状态。
当然本实施例中对上述目标细胞特征信息的提取仅仅是优选的步骤,在实际应用中,可以对上述目标细胞特征信息中的一种或多种;其中,提取的目标细胞特征信息包括细胞分裂状态时,则还要通过网络学习第三模型识别。
A12、本实施例中细胞分裂状态的特征信息通过调取目标细胞,输入预定的网络学习第三模型。
其中所述网络学习第三模型使用不同分裂状态下的细胞轮廓信息数据通过机器学习训练出来的。
所述不同分裂状态下的细胞轮廓信息数据包括:不同分裂状态下的细胞轮廓信息和标识该细胞轮廓处于该分裂状态下的对应标签。
本实施例中可以提取包括细胞分裂状态在内的等多种细胞特征,自动识别出细胞分裂状态,完成细胞计数并保存目标细胞图像,不需凭借人工去识别细胞的特征,而且操作简单,得到的细胞特征精确度高避免了在人工识别中的很多的主观因素同时也易于多地方大范围的推广。
需要理解的是,以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (6)
1.一种自动识别脑脊液细胞图像信息方法,其特征在于,包括:
S1、针对待处理的脑脊液细胞的原始图像,对所述原始图像进行预处理,得到预处理后的图像;
S2、采用最小化模型对所述预处理后的图像进行分割,获取分割后的目标细胞图像;
其中,最小化模型为对所述预处理后的图像进行分割,使分割后的每一个图像内均只包含一个目标细胞;
S3、提取图像中目标细胞的特征;
步骤S2和步骤S3之间还包括:
S'2、对分割后的目标细胞进行计数;
或者,将分割后的目标细胞图像进行保存;
所述步骤S1包括:
对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理,得到预处理后的图像;
所述步骤S2包括:
S2-1、检测所述预处理后的图像中的所有封闭轮廓,获取存在于封闭轮廓中的第一目标轮廓;
S2-2、对第一目标轮廓进行不重叠分割;
S2-3、基于细胞特征和图像染色的特性,获取第一目标轮廓中的目标细胞;
所述步骤S2-1包括:
S2-1-1、采用边缘检测法获取图像中的所有封闭轮廓的边缘信息;
S2-1-2、利用集成分类器对图像进行第一次分割,得到多个具有封闭轮廓的图像块,其中所述图像块中只有一个封闭轮廓或多个重叠的封闭轮廓;
S2-1-3、调取所有封闭轮廓的边缘信息,输入预定的网络学习第一模型;
其中,所述网络学习第一模型使用预先识别的具有封闭轮廓的细胞的数据训练的;
所述具有封闭轮廓的细胞数据包括第一类数据和第二类数据;
所述第一类数据中的每组数据均包括细胞轮廓信息和标识该封闭轮廓为细胞轮廓的第一线索信息;
第二类数据中的每组数据均包括:不包括细胞轮廓的信息和标识该封闭轮廓为细胞轮廓的第一线索信息;
S2-1-4、将不满足细胞轮廓第一线索信息的封闭轮廓去除,得到第一目标轮廓。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2-2中,采用基于凹点匹配并利用水平集的分割方式,对第一目标轮廓进行不重叠分割。
3.根据权利要求2所述的方法,其特征在于,所述步骤S2-3包括:
S2-3-1、将已经过不重叠分割后的第一目标轮廓,输入预定的网络学习第二模型,检测出第一目标轮廓中的干扰轮廓;
其中,所述干扰轮廓为不满足细胞特征及图像染色特性的第一目标轮廓;
其中,所述网络学习第二模型使用干扰轮廓的图像数据和细胞图像数据训练出来的;
干扰轮廓图像数据包括:干扰轮廓信息和标识该轮廓为干扰轮廓的第二线索信息;
细胞图像数据包括:没有干扰轮廓的第二线索信息的细胞轮廓信息;
S2-3-2、将第一目标轮廓中的干扰轮廓去除,得到目标细胞。
4.根据权利要求3所述的方法,其特征在于,所述步骤S3包括:
获取目标细胞特征信息包括:细胞轮廓周长、细胞面积、细胞横向宽度、细胞纵向高度、细胞灰度和细胞分裂状态;
其中,在目标细胞特征信息包括细胞分裂状态时,所述方法还包括:
S4、调取目标细胞,输入预定的网络学习第三模型,识别目标细胞的特征;
其中所述网络学习第三模型使用不同分裂状态下的细胞轮廓信息数据通过机器学习训练出来的;
所述不同分裂状态下的细胞轮廓信息数据包括:不同分裂状态下的细胞轮廓信息和标识该细胞轮廓处于该分裂状态下的对应标签。
5.根据权利要求4所述的方法,其特征在于,所述步骤S2-1-3中的第一线索为:所述封闭轮廓的图像亮度以及所述封闭轮廓的内外两侧明暗对比度符合所述细胞轮廓的阈值;
所述步骤S2-3-1中的第二线索为:所述第一目标轮廓区域中的点的像素值不符合细胞图像染色的特征值。
6.根据权利要求1所述的方法,其特征在于,所述步骤S1中对所述原始图像的预处理包括:
对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理;其中,在所述灰度映射处理中,将经过所述去除染色干扰的图像,转化为灰度图,并进行灰度映射,将灰度范围映射到0-255。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910880218.3A CN110633676B (zh) | 2019-09-18 | 2019-09-18 | 一种自动识别脑脊液细胞图像信息方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910880218.3A CN110633676B (zh) | 2019-09-18 | 2019-09-18 | 一种自动识别脑脊液细胞图像信息方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110633676A CN110633676A (zh) | 2019-12-31 |
CN110633676B true CN110633676B (zh) | 2023-04-18 |
Family
ID=68971383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910880218.3A Active CN110633676B (zh) | 2019-09-18 | 2019-09-18 | 一种自动识别脑脊液细胞图像信息方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633676B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595654A (zh) * | 2020-10-28 | 2021-04-02 | 宁夏医科大学总医院 | 脑脊液细胞图像特征库及其建立方法 |
CN112330616A (zh) * | 2020-10-28 | 2021-02-05 | 上海交通大学 | 一种脑脊液细胞图像自动化识别和计数的方法 |
CN112634338A (zh) * | 2020-12-30 | 2021-04-09 | 东北大学 | 基于灰度共生矩阵的脑脊液细胞特征提取方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6621924B1 (en) * | 1999-02-26 | 2003-09-16 | Sony Corporation | Contour extraction apparatus, a method thereof, and a program recording medium |
CN104156967B (zh) * | 2014-08-18 | 2017-09-08 | 深圳开立生物医疗科技股份有限公司 | 一种胎儿颈部透明层图像分割方法、装置及超声成像系统 |
CN105654107B (zh) * | 2015-09-21 | 2020-01-17 | 迪瑞医疗科技股份有限公司 | 一种基于svm的有形成分分类方法 |
CN109741304A (zh) * | 2018-12-25 | 2019-05-10 | 深圳市第二人民医院 | 基于多模态磁共振的自体关节液来源的间充质干细胞修复软骨损伤图像分割方法 |
CN109975196B (zh) * | 2019-03-01 | 2021-10-08 | 深圳大学 | 一种网织红细胞检测方法及其系统 |
CN110059656B (zh) * | 2019-04-25 | 2021-05-11 | 山东师范大学 | 基于卷积对抗生成神经网络的白细胞分类方法及系统 |
-
2019
- 2019-09-18 CN CN201910880218.3A patent/CN110633676B/zh active Active
Non-Patent Citations (1)
Title |
---|
Li,Y. W.,et al..CSF Cell Images Segmentation Using a Hybrid Model Based on Watershed and Snake.Applied Mechanics and Materials.2013,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110633676A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633676B (zh) | 一种自动识别脑脊液细胞图像信息方法 | |
CN112750106B (zh) | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 | |
CN107256558A (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
GB2478593A (en) | Segmentation of cell nuclei in histological sections | |
CN113537182B (zh) | 染色体中期分裂相显微图像的自动识别方法与系统 | |
CN111476794B (zh) | 一种基于unet的宫颈病理组织分割方法 | |
Sarrafzadeh et al. | A simple and accurate method for white blood cells segmentation using K-means algorithm | |
CN111223110B (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
GB2466818A (en) | Cell image segmentation using binary threshold and greyscale image processing | |
CN109785321A (zh) | 基于深度学习和Gabor滤波器的睑板腺区域提取方法 | |
Rachna et al. | Detection of Tuberculosis bacilli using image processing techniques | |
CN115908371A (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
CN113724235B (zh) | 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法 | |
CN115187852A (zh) | 一种藏医尿诊悬浮物识别方法及装置 | |
CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN113673396A (zh) | 一种孢子发芽率计算方法、装置及存储介质 | |
CN117197064A (zh) | 一种无接触眼红程度自动分析方法 | |
CN112270683B (zh) | 一种ihc数字预览图识别和组织前景分割方法及系统 |
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 |