CN110675363A - 一种针对宫颈细胞的dna指数自动计算方法 - Google Patents
一种针对宫颈细胞的dna指数自动计算方法 Download PDFInfo
- Publication number
- CN110675363A CN110675363A CN201910766719.9A CN201910766719A CN110675363A CN 110675363 A CN110675363 A CN 110675363A CN 201910766719 A CN201910766719 A CN 201910766719A CN 110675363 A CN110675363 A CN 110675363A
- Authority
- CN
- China
- Prior art keywords
- cell
- curve
- segmentation
- gray
- function
- 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
- 238000004364 calculation method Methods 0.000 title description 8
- 210000004027 cell Anatomy 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000000126 substance Substances 0.000 claims description 4
- 210000000805 cytoplasm Anatomy 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 15
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 208000036878 aneuploidy Diseases 0.000 abstract description 3
- 230000001575 pathological effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 231100001075 aneuploidy Toxicity 0.000 abstract description 2
- 239000000090 biomarker Substances 0.000 abstract description 2
- 230000000120 cytopathologic effect Effects 0.000 abstract description 2
- 210000004881 tumor cell Anatomy 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 description 12
- 239000000523 sample Substances 0.000 description 11
- 210000001840 diploid cell Anatomy 0.000 description 8
- 210000003855 cell nucleus Anatomy 0.000 description 7
- 210000004940 nucleus Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000003679 cervix uteri Anatomy 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000009595 pap smear Methods 0.000 description 3
- 230000006820 DNA synthesis Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000013382 DNA quantification Methods 0.000 description 1
- 230000004668 G2/M phase Effects 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 208000035199 Tetraploidy Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000031877 prophase Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
该发明公开了一种针对宫颈细胞的DNA指数自动计算方法，属于细胞图像处理领域。由于图像种类的多样性和复杂性，传统的图像分割方法的可变参量较单一，无法满足细胞图像分割的精度。本发明将分割操作分为粗分割和细分割两个部分，粗分割得到感兴趣的细胞团前景区域，再通过细分割定位到每个细胞，更好地提高分割精度，从而提高细胞诊断的效率和正确性。DNA非整倍体是肿瘤细胞形成过程中的一个生物标记，通过计算DNA指数识别病变细胞，可以更好地描述细胞病变时肉眼难以识别的微小变化，降低诊断误差，并且算法采用自动化识别，极大地调高了识别效率。
Description
技术领域
本发明属于细胞图像处理领域，具体描述为一种基于DNA定量的宫颈细胞参数计算领域。
背景技术
现有的宫颈细胞学诊断都是在人为的情况下依据诊断经验肉眼判断细胞是否病变,费时费力。
而计算机辅助宫颈病理细胞图像判读技术包括分割和分类两个部分，首先由分割算法得到感兴趣的宫颈细胞区域，避免受到背景和杂质(由于外部因素导致的细胞破裂、变形等情况)，然后再提取细胞特征，分为正常部分和可疑部分，最后对可疑区域进一步判断。通过DNA定量分析，即计算DNA指数可以精确测定DNA含量的改变，从而判断细胞的病理改变。
发明内容
本发明的目的在于提供一种自动的针对宫颈细胞的DNA指数的计算方法，减少人工劳动。
为了达到上述目的，本发明的解决方案是：
一种针对宫颈细胞的DNA指数自动计算方法，包括如下步骤：
步骤1：采用图像采集装置获取宫颈细胞样本的显微图像；
步骤2：对步骤1获得的显微图像进行粗分割，识别出单个细胞或细胞团；
步骤2.1：识别出显微图像中灰度极小值的像素区域，并将该区域标签为细胞前景区域；
步骤2.2：以步骤2.1得到的前景区域为中心，计算与该区域相邻的一圈像素点的灰度值是否小于设定的阈值，将小于设定阈值的像素点纳入细胞前景区域，得到新细胞前景区域；
步骤2.3：以新细胞前景区域为中心，重复步骤2.2的方法，直到前景区域周围的像素点灰度值都大于等于设定阈值，得到最终的细胞前景区域，此时细胞前景区域为单个细胞或细胞团；
步骤2.4：计算得到细胞前景区域中灰度极小值像素区域的个数，个数为1的为单个细胞，个数大于1小于6的为细胞团；
步骤3：对步骤2识别出的细胞团进行分割，将细胞团分割为独立的单个细胞；
步骤4：针对每个细胞采用公式如下公式计算DNA指数；
其中：IOD＝∑(x,y)∈Ω(I0-It(x,y))，Ω为细胞核区域，It(x,y)表示细胞核内位于(x,y)处的灰度值，I0表示细胞质区域背景光强；
表示采用公式IOD＝∑(x,y)∈Ω(I0-It(x,y))计算的多个正常细胞核的平均值。
进一步的，所述步骤3的具体方法为：
步骤3.1：将各细胞边界模拟为一条曲线，该曲线的演化过程采用偏微分方程(1-1)表示：
其中，
是细胞团的边缘闭合曲线，为拟合曲线
的初始状态，即V是细胞团边缘曲线演化的速度函数，其数值大小取决于图像所包含的信息和函数
N表示闭合曲线的内向单位法向量；
步骤3.2：由初始曲线生成符号距离函数：
3.2.1：针对每个细胞团前景区域中灰度极小值像素区域设一个函数y＝f(x)表示曲线，则其隐函数表示为y-f(x)＝0；
3.2.2：设公式
则采用
表示曲线C；
3.2.3：那么由初始曲线生产的符号距离函数
的数学定义如下：
其中，d,(x,y),C-表示点(x,y)到曲线C的最近距离；
步骤3.3：在隐函数曲线上的各点s的速度可以用V(s)表示，其常微分方程表示为：
并且直接设N在函数
内部符号为正，外部为负，函数
上为0，外向单位法向量采用下面的公式表示：
其中，
是梯度算子；
步骤3.5：因为在边界上速度为0，所以方程(1-1)转为偏微分方程：
步骤3.5：不断迭代，每次迭代对应
的点所组成的轮廓即为演化曲线，直到
收敛，迭代停止，得到目标轮廓。
由于图像种类的多样性和复杂性，传统的图像分割方法的可变参量较单一，无法满足细胞图像分割的精度。本发明将分割操作分为粗分割和细分割两个部分，粗分割得到感兴趣的细胞团前景区域，再通过细分割定位到每个细胞，更好地提高分割精度，从而提高细胞诊断的效率和正确性。
DNA非整倍体是肿瘤细胞形成过程中的一个生物标记，通过计算DNA指数识别病变细胞，可以更好地描述细胞病变时肉眼难以识别的微小变化，降低诊断误差，并且算法采用自动化识别，极大地调高了识别效率。
附图说明
图1是本发明的技术流程图。
图2是本发明的待处理宫颈细胞图样。
图3是不满意样本图样。
图4是发明内容中步骤2方法的的构建图
图5是发明内容中步骤3中函数
的构建原理图，其中(a)为三维表示示意图，(b)为二维表示示意图。
具体实施方式
下面结合附图，对本发明的技术方案进行清楚详细地说明：
本发明提供的技术路线如图1所示，1对宫颈样本涂片进行采样；2根据满意样本指标筛去不满意样本；3预处理图像用于后续算法；4粗分割细胞图像，得到前景区域；5利用步骤3的分割分割法处理重叠细胞；6计算样本的DNA指数，基于DNA指数和阳性指标的关系对疑似异常细胞进行判断。下面将具体介绍结合附图对1、2、5和6。
步骤1和2：对宫颈涂片在显微镜40倍物镜放大后的宫颈涂片显微细胞图像进行自动采集，如图2所示。预计先采集300张样本图像，并筛除不满意样本。样本合格性的评判结果分为两部分：满意样本和不满意样本，主要的依据有：
(1)图像清晰度好；
(2)细胞核保存完好；
(3)每个视野内包含细胞的个数≥4；
(4)图像被血液覆盖，没有细胞形态。
如果不满足上述要求，则判定为不满意样本，如图3所示，拒绝对其进行技术判读。
步骤5：是函数的构建原理，如图5所示，用符号C来表示初始平面闭合曲线，假设二维平面上的曲线以及曲线的内外部可以分别表示为：
x2+y2-r2＝0点(x,y)在曲线上
x2+y2-r2<0点(x,y)在曲线内
x2+y2-r2>0点(x,y)在曲线外
曲线嵌入到三维坐标中，则此时曲线方程及曲线的内外部表示为：
则可以将函数
初始化成符号距离函数(1-2),再根据演化方程
迭代进行曲线演化直到收敛：
细胞核的DNA含量并不是直接测定出来的，也不是一个绝对的数量。DNA定量细胞学常用C(content)为单位衡量DNA含量，DNA-ICM方法通过测定染色细胞核的IOD(光密度积分：integrated optical density)来判断细胞核含量，所以计算DNA指数来反映细胞核中的DNA含量信息。
DNA指数是被测细胞DNA含量和正常二倍体细胞中DNA含量比值，G1是细胞生长间隙期中的合成前期，有些细胞在G1期不再向前发展，处于相对停止状态，这种细胞所处的周期称为G0期，当被测细胞处于G0/G1期时，核染色体对数为23对，细胞的DNA含量与正常二倍体的DNA含量接近，DNA指数为1，这个时期的细胞又称为DNA二倍体细胞(2C细胞)。S期是DNA合成时期，染色体对数介于23对至46对之间，可能出现非整倍体细胞(3C细胞)，DNA指数在1～2之间。G2是DNA合成后期，当细胞处于G2/M期时，染色体为46对，其DNA含量约为正常二倍体细胞DNA含量的两倍，为DNA四倍体细胞(4C细胞)。因此，克制DNA定量分析法测定的DNA含量是相对单位，DNA指数计算公式为：
其中，IOD(i)是被测细胞DNAIOD值，(IOD)是正常细胞DNA(G0/G1期)IOD平均值。IOD是细胞光密度积分值(Integrated optical density)，在灰度图像中宫颈细胞核区域内像素点的灰度值即是该点处背景光被细胞核中的DNA物质吸收一定能量后的透射光强，因此IOD(i)和二倍体细胞光密度积分
的计算方法如下：
(1)细胞核光密度积分的计算方法
宫颈细胞核的光密度积分能反映出细胞核中DNA含量的多少，通过计算背景光强灰度值和细胞核区域内像素点灰度值的差值可以作为细胞核的光密度IOD，如式(1-4)所示。
IOD＝∑(x,y)∈Ω(I0-It(x,y)) (1-7)
其中，Ω为细胞核区域，It(x,y)表示细胞核内位于(x,y)处的灰度值，I0表示背景光强。
(2)二倍体细胞光密度积分的计算方法
二倍体细胞光密度积分的计算方法为均值法，将宫颈涂片样本中判定为正常细胞的光密度积分值的平均值近似为正常宫颈二倍体细胞的光密度积分值，如式(1-5)所示。
其中，∑IOD是样本中宫颈正常细胞的光密度积分之和，n是样本中宫颈细胞的个数，n≥100。
Claims (2)
1.一种针对宫颈细胞的DNA指数自动计算方法，包括如下步骤：
步骤1：采用图像采集装置获取宫颈细胞样本的显微图像；
步骤2：对步骤1获得的显微图像进行粗分割，识别出单个细胞或细胞团；
步骤2.1：识别出显微图像中灰度极小值的像素区域，并将该区域标签为细胞前景区域；
步骤2.2：以步骤2.1得到的前景区域为中心，计算与该区域相邻的一圈像素点的灰度值是否小于设定的阈值，将小于设定阈值的像素点纳入细胞前景区域，得到新细胞前景区域；
步骤2.3：以新细胞前景区域为中心，重复步骤2.2的方法，直到前景区域周围的像素点灰度值都大于等于设定阈值，得到最终的细胞前景区域，此时细胞前景区域为单个细胞或细胞团；
步骤2.4：计算得到细胞前景区域中灰度极小值像素区域的个数，个数为1的为单个细胞，个数大于1小于6的为细胞团；
步骤3：对步骤2识别出的细胞团进行分割，将细胞团分割为独立的单个细胞；
步骤4：针对每个细胞采用公式如下公式计算DNA指数；
其中：IOD＝∑(x,y)∈Ω(I0-It(x,y))，Ω为细胞核区域，It(x,y)表示细胞核内位于(x,y)处的灰度值，I0表示细胞质区域背景光强；
表示采用公式IOD＝∑(x,y)∈Ω(I0-It(x,y))计算的多个正常细胞核的平均值。
2.如权利要求1所述的一种针对宫颈细胞的DNA指数自动计算方法，其特征在于所述步骤3的具体方法为：
步骤3.1：将各细胞边界模拟为一条曲线，该曲线的演化过程采用偏微分方程(1-1)表示：
其中，
是细胞团的边缘闭合曲线，为拟合曲线的初始状态，即
V是细胞团边缘曲线演化的速度函数，其数值大小取决于图像所包含的信息和函数N表示闭合曲线的内向单位法向量；
步骤3.2：由初始曲线生成符号距离函数：
3.2.1：针对每个细胞团前景区域中灰度极小值像素区域设一个函数y＝f(x)表示曲线，则其隐函数表示为y-f(x)＝0；
3.2.2：设公式
则采用
表示曲线C；
3.2.3：那么由初始曲线生产的符号距离函数的数学定义如下：
其中，d,(x,y),C-表示点(x,y)到曲线C的最近距离；
步骤3.3：在隐函数曲线上的各点s的速度可以用V(s)表示，其常微分方程表示为：
并且直接设N在函数
内部符号为正，外部为负，函数
上为0，外向单位法向量采用下面的公式表示：
其中，
是梯度算子；
步骤3.5：因为在边界上速度为0，所以方程(1-1)转为偏微分方程：
步骤3.5：不断迭代，每次迭代对应
的点所组成的轮廓即为演化曲线，直到
收敛，迭代停止，得到目标轮廓。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910766719.9A CN110675363A (zh) | 2019-08-20 | 2019-08-20 | 一种针对宫颈细胞的dna指数自动计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910766719.9A CN110675363A (zh) | 2019-08-20 | 2019-08-20 | 一种针对宫颈细胞的dna指数自动计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110675363A true CN110675363A (zh) | 2020-01-10 |
Family
ID=69075415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910766719.9A Pending CN110675363A (zh) | 2019-08-20 | 2019-08-20 | 一种针对宫颈细胞的dna指数自动计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675363A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112750493A (zh) * | 2020-12-22 | 2021-05-04 | 深思考人工智能机器人科技（北京）有限公司 | 基于巴氏染色方式的dna倍体定量分析方法及系统 |
| CN116046647A (zh) * | 2023-01-28 | 2023-05-02 | 深圳安侣医学科技有限公司 | 血液成像分析系统和方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665463A (zh) * | 2018-03-30 | 2018-10-16 | 哈尔滨理工大学 | 一种基于对抗式生成网络的宫颈细胞图像分割方法 |
| CN108961208A (zh) * | 2018-05-21 | 2018-12-07 | 江苏康尚生物医疗科技有限公司 | 一种聚集白细胞分割计数系统及方法 |
| CN109978826A (zh) * | 2019-02-20 | 2019-07-05 | 程俊美 | 一种宫颈癌细胞病理学排阴法智能筛查系统及方法 |
-
2019
- 2019-08-20 CN CN201910766719.9A patent/CN110675363A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665463A (zh) * | 2018-03-30 | 2018-10-16 | 哈尔滨理工大学 | 一种基于对抗式生成网络的宫颈细胞图像分割方法 |
| CN108961208A (zh) * | 2018-05-21 | 2018-12-07 | 江苏康尚生物医疗科技有限公司 | 一种聚集白细胞分割计数系统及方法 |
| CN109978826A (zh) * | 2019-02-20 | 2019-07-05 | 程俊美 | 一种宫颈癌细胞病理学排阴法智能筛查系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张灵等: "异常宫颈细胞核的自适应局部分割", 《中国图象图形学报》 * |
| 汪骏: ""基于水平集的图像分割及应用技术研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 盛立伟: ""显微镜细胞病理图像处理算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112750493A (zh) * | 2020-12-22 | 2021-05-04 | 深思考人工智能机器人科技（北京）有限公司 | 基于巴氏染色方式的dna倍体定量分析方法及系统 |
| CN112750493B (zh) * | 2020-12-22 | 2024-05-03 | 深思考人工智能机器人科技（北京）有限公司 | 基于巴氏染色方式的dna倍体定量分析方法及系统 |
| CN116046647A (zh) * | 2023-01-28 | 2023-05-02 | 深圳安侣医学科技有限公司 | 血液成像分析系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3486836B1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
| CN109523520B (zh) | 一种基于深度学习的染色体自动计数方法 | |
| CN109903284B (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
| EP3343440A1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
| US20050266395A1 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
| CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
| CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
| CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
| CN113574534A (zh) | 使用基于距离的相似性标签的机器学习 | |
| JPWO2009125678A1 (ja) | 尿中粒子画像の領域分割方法及び装置 | |
| CN112215801A (zh) | 一种基于深度学习和机器学习的病理图像分类方法及系统 | |
| US20200193139A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
| JP7336806B2 (ja) | 細胞および細胞内の形態モデリングと分類のための、細胞および組織の３次元画像解析 | |
| Kulikova et al. | Nuclei extraction from histopathological images using a marked point process approach | |
| CN113658174B (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 | |
| US20200184641A1 (en) | A Deep Learning Method For Predicting Patient Response To A Therapy | |
| CN113408505B (zh) | 一种基于深度学习的染色体极性识别方法和系统 | |
| CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
| CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
| CN110675363A (zh) | 一种针对宫颈细胞的dna指数自动计算方法 | |
| CN109147932A (zh) | 癌细胞her2基因扩增分析方法及系统 | |
| CN115641345A (zh) | 一种基于深度学习的多发性骨髓瘤细胞形态精细分割方法 | |
| EP3816935A1 (en) | Display control device, display control method, and display control program | |
| CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |
|
| RJ01 | Rejection of invention patent application after publication |