CN110689518A - 宫颈细胞图像筛查方法、装置、计算机设备及存储介质 - Google Patents
宫颈细胞图像筛查方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110689518A CN110689518A CN201910755074.9A CN201910755074A CN110689518A CN 110689518 A CN110689518 A CN 110689518A CN 201910755074 A CN201910755074 A CN 201910755074A CN 110689518 A CN110689518 A CN 110689518A
- Authority
- CN
- China
- Prior art keywords
- image
- picture block
- prediction
- screening
- target picture
- 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.)
- Granted
Links
- 238000012216 screening Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 44
- 230000011218 segmentation Effects 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000001575 pathological effect Effects 0.000 claims description 21
- 238000003709 image segmentation Methods 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 206010008342 Cervix carcinoma Diseases 0.000 description 4
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 4
- 201000010881 cervical cancer Diseases 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例属于人工智能技术领域，涉及一种宫颈细胞图像筛查方法，所述方法包括：接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；对所述原始图像进行下采样操作，获取目标图片块；将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息；将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；向所述用户输出所述筛查结果。本申请还提供一种宫颈细胞图像筛查装置、计算机设备及存储介质。本申请极大提高了宫颈细胞图像的筛查效率，能在减轻细胞病理学家工作负担的同时保证筛查的准确性。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及宫颈细胞图像筛查方法、装置、计算机设备及存储介质。
背景技术
宫颈癌是最常见的妇科恶性肿瘤，且近年来其发病率有低龄化趋势，全世界每年有50万新发病例和27.4万死亡病例，其中85％的宫颈癌死亡病例发生在普查率低的低中等收入地区。宫颈癌又是目前唯一可以早发现并治愈的癌症，因此早期的筛查和诊断是防治宫颈癌的关键环节。
现有一种宫颈异常细胞筛查方法，采集用户的宫颈异常细胞涂片后，医生通过显微镜观察该宫颈异常细胞涂片，并在该涂片中查找异常病变细胞，从而实现宫颈异常细胞的筛查。
然而，传统的宫颈异常细胞筛查方法普遍不智能，医生要在显微镜下从成千上万个细胞中找出异常病变，并且每天要阅读大量的涂片，工作量非常大，工作效率低。
发明内容
本申请实施例的目的在于提出一种宫颈细胞图像筛查方法，旨在解决现有的宫颈异常细胞筛查方法工作量非常大，工作效率低的问题。
为了解决上述技术问题，本申请实施例提供一种宫颈细胞图像筛查方法，采用了如下所述的技术方案：
接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；
对所述原始图像进行下采样操作，获取目标图片块；
将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息包括推测所述目标图片块为所述预测类别信息的概率值；
将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；
向所述用户输出所述筛查结果。
为了解决上述技术问题，本申请实施例还提供一种宫颈细胞图像筛查装置，采用了如下所述的技术方案：
请求接受模块，用于接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；
下采样模块，用于对所述原始图像进行下采样操作，获取目标图片块；
筛查输入模块，用于将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息包括推测所述目标图片块为所述预测类别信息的概率值；
结果获取模块，用于将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；
结果输出模块，用于向所述用户输出所述筛查结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
包括存储器和处理器；
所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的宫颈细胞图像筛查方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的宫颈细胞图像筛查方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本发明申请提供了一种宫颈细胞图像筛查方法，接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；对所述原始图像进行下采样操作，获取目标图片块；将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息包括推测所述目标图片块为所述预测类别信息的概率值；将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；向所述用户输出所述筛查结果。通过将原始图像转换成符合图像筛查模型的输入格式，输入至该图像筛查模型进行自动筛查，获取筛查结果，从而实现辅助筛查异常宫颈细胞图像的工作，极大提高了宫颈细胞图像的筛查效率，也在一定程度上提高了筛查的准确性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的宫颈细胞图像筛查方法的实现流程图；
图2是图1中步骤S102的实现流程图；
图3是本发明实施例一提供的图像筛查模型训练流程示意图；
图4是本发明实施例一提供的分割模型训练流程示意图；
图5是本发明实施例一提供的分类模型训练流程示意图；
图6是本发明实施例一提供的预测阈值获取流程示意图；
图7是本发明实施例二提供的宫颈细胞图像筛查装置的结构示意图；
图8是图7所示下采样模块一种具体实施方式的结构图；
图9是本发明实施例三提供的计算机设备的的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本发明实施例提供的宫颈细胞图像筛查方法，通过将原始图像转换成符合图像筛查模型的输入格式，输入至该图像筛查模型进行自动筛查，获取筛查结果，从而实现宫颈细胞图像的筛查工作，解放医生的劳动力，有效提高宫颈细胞图像的筛查效率，同时，本发明无需配套的显微镜工具，有效降低成本。
实施例一
图1示出了本发明实施例一提供的宫颈细胞图像筛查方法的实现流程图，为了便于说明，仅示出与本发明相关的部分。
在步骤S101中，接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像。
在本发明实施例中，原始图像指的是TCT玻片的数字病理图像，该数字病理图像可以为“.ndpi”、“.kfb”、“.tif”等格式，该数字病理图像由若干层信息组成，第0层对应最高分辨率，第1层对应的分辨率为该第0层分辨率的一半，逐层类推。一张数字病理图像在最高分辨率第0层下对应的像素有100000*100000个左右。
在步骤S102中，对所述原始图像进行下采样操作，获取目标图片块。
在本发明实施例中，下采样操作指的是在原始图像中抽取部分图像作为该原始图像的下采样，在完成抽取操作后，按照计算机处理尺寸对所述抽取部分进行分割处理。
在本发明实施例中，目标图片块指的是符合计算机处理尺寸的图象块，例如，该目标图片块的尺寸可以是1024*1024，也可以是512*512，应当理解的是，此处对目标图片块的举例仅为方便理解，即该目标图片块可根据实际情况进行设置，不用于限定本发明。
在步骤S103中，将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息包括推测所述目标图片块为所述预测类别信息的概率值。
在本发明实施例中，图像筛查模型为预先训练的图像筛查模型，该图像筛查模型可基于历史训练的宫颈异常细胞图像推测输入的目标图片块所属的类别以及所属类别的概率值。
在本发明实施例中，预测类别信息指的是该目标图片块的类别，该类别分为正类(宫颈异常细胞图像)和负类(非宫颈异常细胞图像)，该宫颈异常细胞指的是存在不典型增生的细胞，有可能是炎症引起的异常细胞，也可能是癌前期的异常细胞。
在本发明实施例中，预测概率信息指的是该图像筛查模型推测该目标图片块所属类别的概率值。
在步骤S104中，将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果。
在本发明实施例中，筛查结果指的是根据预先训练的宫颈异常细胞图像筛查模型筛查出隐含异常病变细胞的目标图片块，应当理解的是，筛查得到的结果是为了预测异常病变细胞可能存在的位置，并非和疾病直接相关，无法直接得出诊断结果或者健康状态信息，仅用于辅助病理医生依据该筛查结果进行排除，确诊的话通常还需要活检病理。
在实际应用中，若将经下采样操作得到的目标图片块A、B、C和D输入至预设的图像筛查模型，得到A、B、C和D的预测类别信息以及预测概率信息分别为A(正，0.55)、B(负，0.8)、C(正，0.7)和D(负，0.4)，而预设的预测阈值为“0.6”、预测类别信息为“正”，则C(正，0.7)满足预设的预测阈值以及预测类别信息，那么，将C(正，0.7)作为该筛查结果。
在步骤S105中，向所述用户输出所述筛查结果。
在本发明实施例中，接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；对所述原始图像进行下采样操作，获取目标图片块；将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息包括推测所述目标图片块为所述预测类别信息的概率值；将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；向所述用户输出所述筛查结果。通过将原始图像转换成符合图像筛查模型的输入格式，输入至该图像筛查模型进行自动筛查，获取筛查结果，从而实现宫颈细胞图像的筛查工作，极大提高了宫颈细胞图像的筛查效率，能在减轻细胞病理学家工作负担的同时保证筛查的准确性。
图2是图1中步骤S102的实现流程图。
作为实施例一的一些可选实现方式中，上述步骤S102具体包括：步骤S201以及步骤S202。
在步骤S201中，基于预设下采样率对所述原始图像进行采样操作，获取采样病理图像。
在本发明实施例中，为了避免病理信息的丢失，下采样率设为2，应当理解的是，此处对下采样率举例仅为方便理解，即该下采样率的设置是为了避免病理信息的丢失，不用于限定本发明。
在本发明实施例中，采样病理图像指的是在原始图像中抽取的部分图像。
在步骤S202中，按照预设分割规则对所述采样病理图像进行分割操作，获取所述目标图片块。
在本发明实施例中，预设分割规则指的是将目标图片块切分成符合计算机所能处理的图像块尺寸，该切割尺寸可以是1024*1024，也可以是512*512，应当理解的是，此处对切割尺寸的举例仅为方便理解，即该切割尺寸符合计算机所能处理的尺寸即可，不用于限定本发明。
在本发明实施例中，由于一张数字病理图像在最高分辨率第0层下对应的像素有100000*100000个左右，计算机无法直接处理，因此我们先对其进行下采样，然后对整张图像采取切分成小的图像块的处理，从而达到计算机所能处理的要求，达到规范图像筛查模型的输入要求。
图3是本发明实施例一提供的图像筛查模型训练流程示意图。
在本发明实施例一的一些可选的实现方式中，在上述步骤S103之前，还包括步骤S301、步骤S302、步骤S303、步骤S304、步骤S305以及步骤S306。
在步骤S301中，获取样本图像。
在本发明实施例中，样本图像指的是用于训练该图像筛查模型的样本，该样本图像可在存储有历史宫颈细胞图像的系统数据库中获取。
在步骤S302中，按照所述预设分割规则对所述样本图像进行分割操作，获取训练图片块。
在本发明实施例中，预设分割规则与上述预设分割规则一致，指的是将目标图片块切分成符合计算机所能处理的图像块尺寸，该切割尺寸可以是1024*1024，也可以是512*512，应当理解的是，此处对切割尺寸的举例仅为方便理解，即该切割尺寸符合计算机所能处理的尺寸即可，不用于限定本发明。
在本发明实施例中，训练图片块指的是用于训练该图像筛查模型的样本图片块。
在步骤S303中，通过预设的标注装置对所述训练图片块进行标记操作，获取标注图像，所述标注图像至少携带有标注预测类别信息以及标注预测概率信息。
在本发明实施例中，标注装置指的是对图片进行标注处理的工具，例如，该标注装置可以是labelme，应当理解的是，此处对标注装置的的举例仅为方便理解，不用于限定本发明。
在本发明实施例中，通过标注工具在图像块上标注病灶mask数据，从而形成训练图片块与病灶mask数据一一对应的数据集。
在步骤S304中，将所述训练图片块以及标注图像导入图像分割网络中进行分割模型训练，获取特征参数。
在本发明实施例中，图像分割网络可以是Vnet分割网络。
在本发明实施例中，特征参数指的是图像分割网络训练结束时，该图像分割网络中卷积核的参数。
在步骤S305中，基于所述特征参数对轻量化卷积神经网络进行参数调整，并对调整后的所述轻量化卷积神经网络进行分类模型训练。
在本发明实施例中，轻量化卷积神经网络可以是MobileNet V2分类网络，对输入数据进行“扩张”、“卷积提特征”以及“压缩”操作，具体的，MobileNetV2分类网络采用Relu对该输入数据进行“扩张”以及“卷积提特征”操作，并通过Linear进行最后的“压缩”操纵，从而有效保证特征数据得以有效保存。
在步骤S306中，将训练后的所述轻量化卷积神经网络作为所述预设的图像筛查模型。
在本发明实施例中，通过将样本图像导入至图像分割网络以及轻量化卷积神经网络进行预先训练，得到完成训练的图像筛查模型，从而为病理医生进行宫颈细胞图像筛查提供极大的便利，提高图像筛查的效率。
图4是本发明实施例一提供的分割模型训练流程示意图。
作为本发明实施例一的一些可选实现方式中，上述步骤S304具体包括：步骤S401、步骤S402、以及步骤S403。
在步骤S401中，基于损失函数dice loss对所述图像分割网络进行所述分割模型训练。
在本发明实施例中，损失函数dice loss表示为：
其中，A为所述标注预测概率信息，B所述为标注预测类别信息，dice值的区间为0～1。
在步骤S402中，当所述dice值为1时，所述损失函数dice loss收敛。
在步骤S403中，将收敛后的所述图像分割网络的卷积核参数作为所述特征参数。
在本发明实施例中，通过训练图像分割网络，从而获得与样本图样相对应的卷积核参数，进而提高图像筛查准确率。
图5是本发明实施例一提供的分类模型训练流程示意图。
作为本发明实施例一的一些可选实现方式中，上述步骤S305具体包括：步骤S501、步骤S502以及步骤S503。
在步骤S501中，将所述特征参数作为所述轻量化卷积神经网络的卷积核初始参数。
在步骤S502中，将所述标注图像导入所述轻量化卷积神经网络，并基于交叉熵损失函数对所述轻量化卷积神经网络进行分类模型训练。
在本发明实施例中，交叉熵损失函数表示为：
其中，N为标注图像数量，h＝(h1,h2,...,hc)为第i个标注图像的所述标注预测概率信息，Yi为第i个标注图像的标注预测类别信息，C为所有分类的数量。
在步骤S503中，当所述交叉熵损失函数达到最小值时，所述交叉熵损失函数收敛。
图6是本发明实施例一提供的预测阈值获取流程示意图。
作为实施例一的一些可选实现方式中，在上述步骤S105之前，还包括步骤S601、步骤S602、步骤S603、步骤S604以及步骤S605。
在步骤S601中，将所述预测类别信息以及预测概率信息均为正的所述目标图片块作为真正类图片块，并计算所述真正类图片块占所有预测类别信息为正的真正类比率。
在本发明实施例中，针对图像筛查模型预设有分类概率，当目标图片块的概率值大于该分类阈值时，该目标图片块被预测成正类，反之，则该目标图片块被预测成负类。
在本发明实施例中，图像筛查模型筛查后的结果会出现四种情况，分别为：真正类(True positive,TP)-预测类别信息是正类并且也被预测成正类；假正类(Falsepositive,FP)-预测类别信息是负类被预测成正类；真负类(True negative,TN)-预测类别信息是负类被预测成负类；以及假负类(false negative,FN)-预测类别信息是正类被预测成负类。
在本发明实施例中，真正类率(true positive rate,TPR)通过计算公式为TPR＝TP/(TP+FN)计算图像筛查模型所识别出的正实例占所有正实例的比例。
在步骤S602中，将所述预测类别信息为负以及所述预测概率信息为正的所述目标图片块作为假正类图片块，并计算所述假正类图片块占所有预测类别信息为负的假正类比率。
在本发明实施例中，假正类率(false positive rate,FPR)通过计算公式为FPR＝FP/(FP+TN)计算图像筛查模型所错误识别出的正类的负实例占所有负实例的比例。
在步骤S603中，获取与所述真正类比率以及假正类比率相对应的ROC曲线。
在本发明实施例中，ROC(receiver operating characteristic curve，ROC)指的是接受者操作特性曲线，又称为感受性曲线(sensitivity curve)，该ROC曲线以TPR为纵轴，FPR为横轴进行确定。
在步骤S604中，获取与所述ROC曲线相对应的临界点。
在本发明实施例中，临界点指的是在ROC曲线中，真正类比率以及假正类比率之和最大的界值。
在步骤S605中，将所述临界点作为所述预设的预测阈值。
在本发明实施例中，通过真正类比率以及假正类比率确定ROC曲线，并以ROC曲线的临界点作为预设的预测阈值，从而可以选取符合该图像筛查模型的预设概率阈值，进而可以提高图像筛查的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图7，作为对上述图1所示方法的实现，本申请提供了一种宫颈细胞图像筛查装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本发明实施例所述的宫颈细胞图像筛查装置100包括：请求接受模块101、下采样模块102、筛查输入模块103、结果获取模块104以及结果输出模块105。其中：
请求接受模块101，用于接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；
下采样模块102，用于对所述原始图像进行下采样操作，获取目标图片块；
筛查输入模块103，用于将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息包括推测所述目标图片块为所述预测类别信息的概率值；
结果获取模块104，用于将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；
结果输出模块105，用于向所述用户输出所述筛查结果。
在本发明实施例中，接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；对所述原始图像进行下采样操作，获取目标图片块；将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息；将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；向所述用户输出所述筛查结果。通过将原始图像转换成符合图像筛查模型的输入格式，输入至该图像筛查模型进行自动筛查，获取筛查结果，从而实现宫颈细胞图像的筛查工作，极大提高了宫颈细胞图像的筛查效率，能在减轻细胞病理学家工作负担的同时保证筛查的准确性。
图8是图7所示下采样模块一种具体实施方式的结构图。
在本发明实施例二的一些可选的实现方式中，上述下采样模块102包括：下采样子模块1021以及第一分割子模块1022。其中：
下采样子模块1021，用于基于预设下采样率对所述原始图像进行采样操作，获取采样病理图像；
第一分割子模块1022，用于按照分割规则对所述采样病理图像进行分割操作，获取所述目标图片块。
在本发明实施例中，由于一张数字病理图像在最高分辨率第0层下对应的像素有100000*100000个左右，计算机无法直接处理，因此我们先对其进行下采样，然后对整张图像采取切分成小的图像块的处理，从而达到计算机所能处理的要求，达到规范图像筛查模型的输入要求。
在本发明实施例七的一些可选的实现方式中，上述宫颈细胞图像筛查装置100还包括：样本获取子模块106、第二分割子模块107、标记子模块108、分割训练子模块109、分类训练子模块110以及模型确定子模块111。其中：
样本获取子模块106，用于获取样本图像。
第二分割子模块107，用于按照所述预设分割规则对所述样本图像进行分割操作，获取训练图片块。
标记子模块108，用于通过预设的标注装置对所述训练图片块进行标记操作，获取标注图像，所述标注图像至少携带有标注预测类别信息以及标注预测概率信息。
分割训练子模块109，用于将所述训练图片块以及标注图像导入图像分割网络中进行分割模型训练，获取特征参数。
分类训练子模块110，用于基于所述特征参数对轻量化卷积神经网络进行参数调整，并对调整后的所述轻量化卷积神经网络进行分类模型训练。
模型确定子模块111，用于。将训练后的所述轻量化卷积神经网络作为所述预设的图像筛查模型。
在本发明实施例中，通过将样本图像导入至图像分割网络以及轻量化卷积神经网络进行预先训练，得到完成训练的图像筛查模型，从而为病理医生进行宫颈细胞图像筛查提供极大的便利，提高图像筛查的效率。
在本发明实施例九的一些可选的实现方式中，上述分割训练子模块109包括：Vnet网络子模块1091、函数收敛子模块1092以及特征参数确定子模块1093。其中：
分割网络子模块1091，用于基于损失函数dice loss对所述图像分割网络进行所述分割模型训练。
第一函数收敛子模块1092，用于当所述dice值为1时，所述损失函数dice loss收敛。
特征参数确定子模块1093，用于将收敛后的所述图像分割网络的卷积核参数作为所述特征参数。
在本发明实施例中，通过训练图像分割网络，从而获得与样本图样相对应的卷积核参数，进而提高图像筛查准确率。
在本发明实施例九的一些可选的实现方式中，上述分类训练子模块110包括：初始参数确定子模块1101、分类网络子模块1102以及第二函数收敛子模块1103。
初始参数确定子模块1101，用于将所述特征参数作为所述轻量化卷积神经网络的卷积核初始参数。
分类网络子模块1102，用于将所述标注图像导入所述轻量化卷积神经网络，并基于交叉熵损失函数对所述轻量化卷积神经网络进行分类模型训练。
第二函数收敛子模块1103，用于当所述交叉熵损失函数达到最小值时，所述交叉熵损失函数收敛。
在本发明实施例七的一些可选的实现方式中，上述上述宫颈细胞图像筛查装置100还包括：真正类比率计算子模块112、假正类比率计算子模块113、曲线获取子模块114、临界点获取子模块115以及预测阈值确定子模块116。
真正类比率计算子模块112，用于将所述预测类别信息以及预测概率信息均为正的所述目标图片块作为真正类图片块，并计算所述真正类图片块占所有预测类别信息为正的真正类比率。
假正类比率计算子模块113，用于将所述预测类别信息为负以及所述预测概率信息为正的所述目标图片块作为假正类图片块，并计算所述假正类图片块占所有预测类别信息为负的假正类比率。
曲线获取子模块114，用于获取与所述真正类比率以及假正类比率相对应的ROC曲线。
临界点获取子模块115，用于获取与所述ROC曲线相对应的临界点。
预测阈值确定子模块116，用于将所述临界点作为所述预设的预测阈值。
在本发明实施例中，通过真正类比率以及假正类比率确定ROC曲线，并以ROC曲线的临界点作为预设的预测阈值，从而可以选取符合该图像筛查模型的预设概率阈值，进而可以提高图像筛查的准确性。
实施例三
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图9，图9为本发明实施例计算机设备基本结构框图。
所述计算机设备9包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是，图中仅示出了具有组件91-93的计算机设备9，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器91至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器91可以是所述计算机设备9的内部存储单元，例如该计算机设备9的硬盘或内存。在另一些实施例中，所述存储器91也可以是所述计算机设备9的外部存储设备，例如该计算机设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器91还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本发明实施例中，所述存储器91通常用于存储安装于所述计算机设备9的操作系统和各类应用软件，例如宫颈细胞图像筛查方法的程序代码等。此外，所述存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器92在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备9的总体操作。本发明实施例中，所述处理器92用于运行所述存储器91中存储的程序代码或者处理数据，例如运行所述宫颈细胞图像筛查方法的程序代码。
所述网络接口93可包括无线网络接口或有线网络接口，该网络接口93通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有宫颈细胞图像筛查程序，所述宫颈细胞图像筛查程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的宫颈细胞图像筛查方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种宫颈细胞图像筛查方法，其特征在于，所述方法包括如下步骤：
接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；
对所述原始图像进行下采样操作，获取目标图片块；
将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息用于指示所述目标图片块属于所述预测类别信息的概率值；
将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；
向所述用户输出所述筛查结果。
2.根据权利要求1所述的宫颈细胞图像筛查方法，其特征在于，在所述对所述原始图像进行下采样操作，获取目标图片块的步骤，具体包括如下步骤：
基于预设下采样率对所述原始图像进行采样操作，获取采样病理图像；
按照预设分割规则对所述采样病理图像进行分割操作，获取所述目标图片块。
3.根据权利要求1所述的宫颈细胞图像筛查方法，其特征在于，在所述将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息的步骤之前，还包括如下步骤：
获取样本图像；
按照所述预设分割规则对所述样本图像进行分割操作，获取训练图片块；
通过预设的标注装置对所述训练图片块进行标记操作，获取标注图像，所述标注图像至少携带有标注预测类别信息以及标注预测概率信息；
将所述训练图片块以及标注图像导入图像分割网络中进行分割模型训练，获取特征参数；
基于所述特征参数对轻量化卷积神经网络进行参数调整，并对调整后的所述轻量化卷积神经网络进行分类模型训练；
将训练后的所述轻量化卷积神经网络作为所述预设的图像筛查模型。
4.如权利要求3所述的宫颈细胞图像筛查方法，其特征在于，所述将所述训练图片块以及标注图像导入图像分割网络中进行分割模型训练，获取特征参数的步骤，具体包括如下步骤：
基于损失函数dice loss对所述图像分割网络进行所述分割模型训练；
所述损失函数dice loss表示为：
其中，A为所述标注预测概率信息，B所述为标注预测类别信息，dice值的区间为0～1；
当所述dice值为1时，所述损失函数dice loss收敛；
将收敛后的所述图像分割网络的卷积核参数作为所述特征参数。
5.如权利要求3所述的宫颈细胞图像筛查方法，其特征在于，所述基于所述特征参数对轻量化卷积神经网络进行参数调整，并对调整后的所述轻量化卷积神经网络进行分类模型训练的步骤，具体包括如下步骤：
将所述特征参数作为所述轻量化卷积神经网络的卷积核初始参数；
将所述标注图像导入所述轻量化卷积神经网络，并基于交叉熵损失函数对所述轻量化卷积神经网络进行分类模型训练；
所述交叉熵损失函数表示为：
其中，N为标注图像数量，h＝(h1,h2,...,hc)为第i个标注图像的所述标注预测概率信息，Yi为第i个标注图像的标注预测类别信息，C为所有分类的数量；
当所述交叉熵损失函数达到最小值时，所述交叉熵损失函数收敛。
6.如权利要求1所述的宫颈细胞图像筛查方法，其特征在于，在所述将满足预设预测阈值的所述目标图片块作为筛查结果的步骤之前，还包括如下步骤：
将所述预测类别信息以及预测概率信息均为正的所述目标图片块作为真正类图片块，并计算所述真正类图片块占所有预测类别信息为正的真正类比率；
将所述预测类别信息为负以及所述预测概率信息为正的所述目标图片块作为假正类图片块，并计算所述假正类图片块占所有预测类别信息为负的假正类比率；
获取与所述真正类比率以及假正类比率相对应的ROC曲线；
获取与所述ROC曲线相对应的临界点；
将所述临界点作为所述预设的预测阈值。
7.一种宫颈细胞图像筛查装置，其特征在于，所述装置包括：
请求接受模块，用于接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；
下采样模块，用于对所述原始图像进行下采样操作，获取目标图片块；
筛查输入模块，用于将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息包括推测所述目标图片块为所述预测类别信息的概率值；
结果获取模块，用于将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；
结果输出模块，用于向所述用户输出所述筛查结果。
8.如权利要求7所述的宫颈细胞图像筛查装置，其特征在于，所述下采样模块包括：
下采样子模块，用于基于预设下采样率对所述原始图像进行采样操作，获取采样病理图像；
第一分割子模块，用于按照分割规则对所述采样病理图像进行分割操作，获取所述目标图片块。
9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述宫颈细胞图像筛查方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述宫颈细胞图像筛查方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910755074.9A CN110689518B (zh) | 2019-08-15 | 2019-08-15 | 宫颈细胞图像筛查方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910755074.9A CN110689518B (zh) | 2019-08-15 | 2019-08-15 | 宫颈细胞图像筛查方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110689518A true CN110689518A (zh) | 2020-01-14 |
| CN110689518B CN110689518B (zh) | 2024-07-02 |
Family
ID=69108284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910755074.9A Active CN110689518B (zh) | 2019-08-15 | 2019-08-15 | 宫颈细胞图像筛查方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689518B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754473A (zh) * | 2020-06-17 | 2020-10-09 | 平安科技（深圳）有限公司 | 用于3d图像的异常图像筛查方法、装置、设备及存储介质 |
| CN112184733A (zh) * | 2020-09-30 | 2021-01-05 | 平安科技（深圳）有限公司 | 一种宫颈异常细胞检测装置及方法 |
| CN112378837A (zh) * | 2020-09-15 | 2021-02-19 | 深圳市华中生物药械有限公司 | 一种宫颈脱落细胞检测方法及相关装置 |
| WO2021082434A1 (zh) * | 2019-10-29 | 2021-05-06 | 平安科技（深圳）有限公司 | 一种异常细胞筛选方法、装置、电子设备和存储介质 |
| CN114418270A (zh) * | 2021-12-01 | 2022-04-29 | 江苏权正检验检测有限公司 | 一种食品检测的样品智能化筛查方法及系统 |
| CN111754473B (zh) * | 2020-06-17 | 2024-10-29 | 平安科技（深圳）有限公司 | 用于3d图像的异常图像筛查方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416379A (zh) * | 2018-03-01 | 2018-08-17 | 北京羽医甘蓝信息技术有限公司 | 用于处理宫颈细胞图像的方法和装置 |
| WO2019108888A1 (en) * | 2017-11-30 | 2019-06-06 | The Research Foundation For The State University Of New York | SYSTEM AND METHOD TO QUANTIFY TUMOR-INFILTRATING LYMPHOCYTES (TILs) FOR CLINICAL PATHOLOGY ANALYSIS |
-
2019
- 2019-08-15 CN CN201910755074.9A patent/CN110689518B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019108888A1 (en) * | 2017-11-30 | 2019-06-06 | The Research Foundation For The State University Of New York | SYSTEM AND METHOD TO QUANTIFY TUMOR-INFILTRATING LYMPHOCYTES (TILs) FOR CLINICAL PATHOLOGY ANALYSIS |
| CN108416379A (zh) * | 2018-03-01 | 2018-08-17 | 北京羽医甘蓝信息技术有限公司 | 用于处理宫颈细胞图像的方法和装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021082434A1 (zh) * | 2019-10-29 | 2021-05-06 | 平安科技（深圳）有限公司 | 一种异常细胞筛选方法、装置、电子设备和存储介质 |
| CN111754473A (zh) * | 2020-06-17 | 2020-10-09 | 平安科技（深圳）有限公司 | 用于3d图像的异常图像筛查方法、装置、设备及存储介质 |
| WO2021120589A1 (zh) * | 2020-06-17 | 2021-06-24 | 平安科技（深圳）有限公司 | 用于3d图像的异常图像筛查方法、装置、设备及存储介质 |
| CN111754473B (zh) * | 2020-06-17 | 2024-10-29 | 平安科技（深圳）有限公司 | 用于3d图像的异常图像筛查方法、装置、设备及存储介质 |
| CN112378837A (zh) * | 2020-09-15 | 2021-02-19 | 深圳市华中生物药械有限公司 | 一种宫颈脱落细胞检测方法及相关装置 |
| CN112184733A (zh) * | 2020-09-30 | 2021-01-05 | 平安科技（深圳）有限公司 | 一种宫颈异常细胞检测装置及方法 |
| CN112184733B (zh) * | 2020-09-30 | 2024-07-23 | 平安科技（深圳）有限公司 | 一种宫颈异常细胞检测装置及方法 |
| CN114418270A (zh) * | 2021-12-01 | 2022-04-29 | 江苏权正检验检测有限公司 | 一种食品检测的样品智能化筛查方法及系统 |
| CN114418270B (zh) * | 2021-12-01 | 2023-05-23 | 江苏权正检验检测有限公司 | 一种食品检测的样品智能化筛查方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110689518B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689518B (zh) | 宫颈细胞图像筛查方法、装置、计算机设备及存储介质 | |
| WO2019201035A1 (zh) | 对图像中的对象节点的识别方法、装置、终端及计算机可读存储介质 | |
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN111932482A (zh) | 图像中目标物的检测方法、装置、电子设备及存储介质 | |
| CN110363747B (zh) | 智能化异常细胞判断方法、装置及计算机可读存储介质 | |
| CN111080654B (zh) | 图像的病变区域分割方法、装置及服务器 | |
| CN109858333A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN111028006B (zh) | 一种业务投放辅助方法、业务投放方法及相关装置 | |
| CN110838108A (zh) | 基于医疗图像的预测模型构建方法、预测方法及装置 | |
| WO2021248269A1 (zh) | 一种变电设备高精度识别方法及系统 | |
| WO2023179099A9 (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
| CN113034514A (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
| CN112861940A (zh) | 双目视差估计方法、模型训练方法以及相关设备 | |
| CN111461905A (zh) | 车险骗赔规避方法、装置、计算机设备及存储介质 | |
| CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
| CN116227573B (zh) | 分割模型训练方法、图像分割方法、装置及相关介质 | |
| CN110378241B (zh) | 作物生长状态监控方法、装置、计算机设备及存储介质 | |
| CN109583584B (zh) | 可使具有全连接层的cnn接受不定形状输入的方法及系统 | |
| CN117036246A (zh) | 图像识别方法、装置、存储介质及电子设备 | |
| CN114399494B (zh) | 异常细胞检测分割方法、装置、设备及存储介质 | |
| CN116188938A (zh) | 目标对象的确定方法、装置、存储介质及电子装置 | |
| CN115690704A (zh) | 基于LG-CenterNet模型的复杂道路场景目标检测方法及装置 | |
| CN115578411A (zh) | 抠图模型的样本数据确定方法、装置、设备和存储介质 | |
| CN113592876A (zh) | 分割网络的训练方法、装置、计算机设备和存储介质 | |
| CN112036501A (zh) | 基于卷积神经网络的图片的相似度检测方法及其相关设备 |
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 |