CN111179273A - 一种基于深度学习的白细胞核质自动分割方法及系统 - Google Patents
一种基于深度学习的白细胞核质自动分割方法及系统 Download PDFInfo
- Publication number
- CN111179273A CN111179273A CN201911395346.5A CN201911395346A CN111179273A CN 111179273 A CN111179273 A CN 111179273A CN 201911395346 A CN201911395346 A CN 201911395346A CN 111179273 A CN111179273 A CN 111179273A
- Authority
- CN
- China
- Prior art keywords
- neural network
- leukocyte
- segmentation
- white blood
- decoder
- 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
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
-
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开公开一种基于深度学习的白细胞核质自动分割方法及系统,包括构建U型神经网络分割模型,包括编码器和译码器,编码器采用改进的神经网络结构进行特征提取,译码器通过上采样恢复图像的细节及空间信息,编码器与译码器之间采用跳跃连接补充池化过程中丢失的底层信息;采用白细胞训练集进行训练,以白细胞验证集损失为监测指标,设置学习率并以监测指标不变时调整学习率;采用训练好的U型神经网络分割模型对白细胞测试集进行分割,根据待分割图像的每个像素点的分类概率,获得细胞核和细胞质的分割结果。通过改进的U型神经网络分割模型可快速获得白细胞核和细胞质的形态信息,实现了白细胞细胞核与细胞质的自动语义分割。
Description
技术领域
本公开涉及医学图像处理技术领域,特别是涉及一种基于深度学习的白细胞核质自动分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
目前对于白细胞的识别和检测方法主要有两种,一种是利用人工镜检,这种方法在很大程度上依赖于检测技师的经验,工作量巨大且耗时长,这种高强度的重复性工作会影响工作人员的状态进而影响结果的准确性。另一种方法是借助血液分析仪进行检测,这种方法可以自动对白细胞进行分类计数,大大减轻了检验人员的劳动量,但其最大的局限性就在于只能获得数量方面的信息不能获得细胞的形态学信息,不能检测出白细胞的形态学异常;同时也存在设备价格昂贵,分类精度有待提高等问题。因此借助深度学习技术来辅助医疗,在减轻检验人员的劳动量的同时获得细胞的形态信息是白细胞分割技术的改进方向。
发明内容
为了解决上述问题,本公开提出了一种基于深度学习的白细胞核质自动分割方法及系统,通过改进的U型神经网络分割模型可快速获得白细胞核和细胞质的形态信息,实现了白细胞细胞核与细胞质的自动语义分割。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供一种基于深度学习的白细胞核质自动分割方法,包括:
构建U型神经网络分割模型,所述U型神经网络分割模型包括编码器和译码器,所述编码器采用改进的神经网络结构进行特征提取,所述译码器通过上采样恢复图像的细节及空间信息,编码器与译码器之间采用跳跃连接补充池化过程中丢失的底层信息;
采用白细胞训练集对U型神经网络分割模型进行训练,以白细胞验证集损失为监测指标,设置学习率并以监测指标不变时调整学习率,得到训练好的U型神经网络分割模型;
采用训练好的U型神经网络分割模型对白细胞测试集进行分割,根据白细胞测试集中待分割图像的每个像素点的分类概率,获得白细胞细胞核和细胞质的分割结果。
作为可能的一些实现方式,对获取的白细胞数据集的掩膜部分进行灰度归一化和固定灰度的重新标注的预处理操作,并将预处理操作后的白细胞数据集划分为白细胞训练集、白细胞验证集和白细胞测试集。
作为可能的一些实现方式,对所述白细胞训练集进行训练之前进行图像增强操作,所述图像增强操作包括垂直翻转、随机剪裁、高斯噪声、视角变换、图像的模糊和锐化、放射变换、亮度、对比度和颜色的变化。
作为可能的一些实现方式,所述U型神经网络分割模型包括输入卷积模块,编码器,普通卷积模块,译码器和输出层依次连接,所述编码器包括7个下采样模块,所述下采样模块分别由数量不同的深度可分离卷积块组成,所述深度可分离卷积代替普通卷积层进行特征提取;所述译码器包括5个上采样模块,通过上采样模块恢复图像的细节及空间信息。
作为可能的一些实现方式,设置初始学习率,当监测指标不变时,根据网络参数的调整降低学习率。
作为可能的一些实现方式,所述白细胞验证集损失中,采用dice loss和focalloss的和作为损失函数。
作为可能的一些实现方式,对得到的分割结果进行评估,采用评估指标度量分割结果与真实掩膜的相似程度,所述评估指标包括交并比和F1分数。
第二方面,本公开提供一种基于深度学习的白细胞核质自动分割系统,包括:
U型神经网络分割模型构建模块,被配置为U型神经网络分割模型包括编码器和译码器,所述编码器采用改进的神经网络结构进行特征提取,所述译码器通过上采样恢复图像的细节及空间信息,编码器与译码器之间采用跳跃连接补充池化过程中丢失的底层信息;
训练模块,被配置为采用白细胞训练集对U型神经网络分割模型进行训练,以白细胞验证集损失为监测指标,设置学习率并以监测指标不变时调整学习率,得到训练好的U型神经网络分割模型;
分割模块,被配置为采用训练好的U型神经网络分割模型对白细胞测试集进行分割,根据白细胞测试集中待分割图像的每个像素点的分类概率,获得白细胞细胞核和细胞质的分割结果。
第三方面,本公开提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成一种基于深度学习的白细胞核质自动分割方法所述的步骤。
第四方面,本公开提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成一种基于深度学习的白细胞核质自动分割方法所述的步骤。
与现有技术相比,本公开的有益效果为:
本公开通过改进的U型神经网络分割模型可快速获得白细胞核和细胞质的形态信息,同时通过数据增强能够在数据量较小的数据集中取得较好的分割效果,实现了白细胞细胞核与细胞质的自动语义分割。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开改进的U型神经网络分割模型结构图;
图2是本公开深度可分离卷积块(Deep Block)的结构图;
图3是本公开上采样模块(Upsampling Block)的结构图;
图4是本公开方法流程示意图。
具体实施方式:
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开提供一种基于深度学习的白细胞核质自动分割方法包括以下步骤:
步骤1:数据集的选取和预处理。
选用的数据集是江西泰康科技股份有限公司公开的数据集,其中图像由MoticMoticam Pro 252A光学显微镜相机和N800-D电动自动聚焦显微镜拍摄,包括300张224*224像素的白细胞图像,包含了白细胞的五种类别,分别是中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞、单核细胞。掩码部分由专家进行标注。
对已进行标记的数据进行预处理,预处理包括对掩膜部分进行灰度归一化和固定灰度的重新标注操作。将背景、白细胞细胞核和细胞质三类分别重新标定灰度值为0,1,2;并将数据集按3:1:1的比例划分为训练集,验证集,测试集三部分。
步骤2:对步骤1中的数据集进行数据增强操作,数据增强操作包括垂直翻转、随机剪裁、高斯噪声、视角变换、图像的模糊和锐化,放射变换、亮度,对比度,颜色的变化等。
步骤3:构建改进的U型神经网络分割模型。
模型结构如图1,改进的U型神经网络分割模型主要由输入卷积模块,编码器部分,普通卷积模块,译码器部分和输出层依次连接组成,其中编码器部分主要由7个下采样模块组成,译码器部分由5个上采样模块组成,输入卷积模块和普通卷积模块都是由卷积层,批归一化处理层,Relu激活函数层依次连接组成。
编码器部分的下采样模块中用深度可分离卷积代替了普通卷积层来进行特征提取,大大减少了网络参数数量;其中7个下采样模块分别由数量不同的深度可分离卷积块组成,深度可分离卷积块由1*1卷积层、批归一化处理层、Relu激活函数层、深度可分离卷积层、批归一化处理层、Relu激活函数层、SE模块、1*1卷积层、批归一化处理层依次连接组成,同时深度可分离模块的输入与输出要进行相加操作。SE模块由平均池化层、整形层、两个1*1卷积层组成。其中5个上采样模块由上采样层、合并层、两个普通卷积模块相连组成。
译码器部分通过上采样来恢复图像的细节及空间信息,其中5个上采样模块由上采样层、合并层、两个普通卷积模块相连组成;7个下采样模块中包含的深度可分离卷积块的数量分别为1,2,2,3,3,4,1。其中第1,第2,第3,第5下采样模块的输出分别于第4,第3,第2,第1的上采样模块中的合并层相连,构成了编码器与译码器之间的跳跃连接。
输入图像尺寸为224*224,经过一个3*3的普通卷积模块后尺寸减半,然后进入7个下采样模块,下采样模块结构图如图2所示,下采样模块中通过采用不同尺寸的卷积核对图像特征进行提取来达到下采样的目的。下采样模块1、2中采用的卷积核大小均为3*3,下采样模块3中的卷积核大小为5*5,下采样模块4中的卷积核大小为3*3,下采样模块5、6中卷积核大小为5*5,下采样模块7中卷积核大小为3*3。
之后进入上采样阶段,在上采样过程中,与上采样模块中同尺寸的下采样特征会与相应上采样层合并,来弥补下采样过程中丢失的部分信息。其中第1,第2,第3,第5下采样模块的输出分别于第4,第3,第2,第1的上采样模块中的合并层相连,构成了编码器与译码器之间的跳跃连接。
最后经过普通卷积层和softmax层得到对每一个像素点的分类结果。
步骤4:训练神经网络分割模型。
训练时选用dice loss和focal loss的和作为模型损失函数。
dice系数来表征两个集合的相似程度,
focal loss公式为:focal loss=-α(1-pt)γlog(pt),
其中,α、γ均是可调的超参数,本例设置为0.25,2;pt是模型预测属于正确类别的概率;focal loss的数值越小表示分割效果越好。
训练过程中设定的初始学习率为0.0001,监测指标为验证集损失,当验证集损失不再变化时,按设置参数降低学习率。
步骤5:模型的预测和评估。
对测试集数据进行预测,通过神经网络中最后的softmax层获得待分割图像中的每个像素点的分类概率,最后获得白细胞细胞核和细胞质的分割结果。本例中评价指标选择了交并比和F1分数。
评价指标交并比用于度量预测分割结果与真实掩膜的相似程度。
本方法通过深度学习实现了在白细胞图像中自动学习特征并最终完成白细胞核和细胞质的分割任务,最终所获得预测结果的交并比和F1分数均可达到0.95以上。因此本方法能够快速准确的完成对白细胞的核质分割,所得结果可用于白细胞形态异常的判断。
实施例2
本公开提供一种基于深度学习的白细胞核质自动分割系统,包括:
U型神经网络分割模型构建模块,被配置为U型神经网络分割模型包括编码器和译码器,所述编码器采用改进的神经网络结构进行特征提取,所述译码器通过上采样恢复图像的细节及空间信息,编码器与译码器之间采用跳跃连接补充池化过程中丢失的底层信息;
训练模块,被配置为采用白细胞训练集训练构建的U型神经网络分割模型,以白细胞验证集损失为监测指标,设置学习率并以监测指标不变时调整学习率,得到训练好的U型神经网络分割模型;
分割模块,被配置为采用训练好的U型神经网络分割模型对白细胞测试集进行分割,根据白细胞测试集中待分割图像的每个像素点的分类概率,获得白细胞细胞核和细胞质的分割结果。
实施例3
本公开提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成一种基于深度学习的白细胞核质自动分割方法所述的步骤。
实施例4
本公开提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成一种基于深度学习的白细胞核质自动分割方法所述的步骤。
以上仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于深度学习的白细胞核质自动分割方法,其特征在于,包括:
构建U型神经网络分割模型,所述U型神经网络分割模型包括编码器和译码器,所述编码器采用改进的神经网络结构进行特征提取,所述译码器通过上采样恢复图像的细节及空间信息,编码器与译码器之间采用跳跃连接补充池化过程中丢失的底层信息;
采用白细胞训练集对U型神经网络分割模型进行训练,以白细胞验证集损失为监测指标,设置学习率并以监测指标不变时调整学习率,得到训练好的U型神经网络分割模型;
采用训练好的U型神经网络分割模型对白细胞测试集进行分割,根据白细胞测试集中待分割图像的每个像素点的分类概率,获得白细胞细胞核和细胞质的分割结果。
2.如权利要求1所述的一种基于深度学习的白细胞核质自动分割方法,其特征在于,
对获取的白细胞数据集的掩膜部分进行灰度归一化和固定灰度的重新标注的预处理操作,并将预处理操作后的白细胞数据集划分为白细胞训练集、白细胞验证集和白细胞测试集。
3.如权利要求1所述的一种基于深度学习的白细胞核质自动分割方法,其特征在于,
对所述白细胞训练集进行训练之前进行图像增强操作,所述图像增强操作包括垂直翻转、随机剪裁、高斯噪声、视角变换、图像的模糊和锐化、放射变换、亮度、对比度和颜色的变化。
4.如权利要求1所述的一种基于深度学习的白细胞核质自动分割方法,其特征在于,
所述U型神经网络分割模型包括输入卷积模块,编码器,普通卷积模块,译码器和输出层依次连接,所述编码器包括7个下采样模块,所述下采样模块分别由数量不同的深度可分离卷积块组成,所述深度可分离卷积代替普通卷积层进行特征提取;所述译码器包括5个上采样模块,通过上采样模块恢复图像的细节及空间信息。
5.如权利要求1所述的一种基于深度学习的白细胞核质自动分割方法,其特征在于,
设置初始学习率,当监测指标不变时,根据网络参数的调整降低学习率。
6.如权利要求1所述的一种基于深度学习的白细胞核质自动分割方法,其特征在于,
所述白细胞验证集损失中,采用dice loss和focal loss的和作为损失函数。
7.如权利要求1所述的一种基于深度学习的白细胞核质自动分割方法,其特征在于,
对得到的分割结果进行评估,采用评估指标度量分割结果与真实掩膜的相似程度,所述评估指标包括交并比和F1分数。
8.一种基于深度学习的白细胞核质自动分割系统,其特征在于,包括:
U型神经网络分割模型构建模块,被配置为U型神经网络分割模型包括编码器和译码器,所述编码器采用改进的神经网络结构进行特征提取,所述译码器通过上采样恢复图像的细节及空间信息,编码器与译码器之间采用跳跃连接补充池化过程中丢失的底层信息;
训练模块,被配置为采用白细胞训练集对U型神经网络分割模型进行训练,以白细胞验证集损失为监测指标,设置学习率并以监测指标不变时调整学习率,得到训练好的U型神经网络分割模型;
分割模块,被配置为采用训练好的U型神经网络分割模型对白细胞测试集进行分割,根据白细胞测试集中待分割图像的每个像素点的分类概率,获得白细胞细胞核和细胞质的分割结果。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395346.5A CN111179273A (zh) | 2019-12-30 | 2019-12-30 | 一种基于深度学习的白细胞核质自动分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395346.5A CN111179273A (zh) | 2019-12-30 | 2019-12-30 | 一种基于深度学习的白细胞核质自动分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111179273A true CN111179273A (zh) | 2020-05-19 |
Family
ID=70650531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911395346.5A Pending CN111179273A (zh) | 2019-12-30 | 2019-12-30 | 一种基于深度学习的白细胞核质自动分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179273A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070722A (zh) * | 2020-08-14 | 2020-12-11 | 厦门骁科码生物科技有限公司 | 一种荧光原位杂交细胞核分割方法及系统 |
CN112101362A (zh) * | 2020-08-25 | 2020-12-18 | 中国科学院空间应用工程与技术中心 | 用于空间科学实验数据的语义分割方法及系统 |
CN112183360A (zh) * | 2020-09-29 | 2021-01-05 | 上海交通大学 | 高分辨率遥感影像的轻量化语义分割方法 |
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 |
CN112396621A (zh) * | 2020-11-19 | 2021-02-23 | 之江实验室 | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN112858106A (zh) * | 2021-02-08 | 2021-05-28 | 山东师范大学 | 一种液滴接触角的测量系统及方法 |
CN112949378A (zh) * | 2020-12-30 | 2021-06-11 | 至微生物智能科技(厦门)有限公司 | 一种基于深度学习网络的细菌显微图像分割方法 |
CN113012167A (zh) * | 2021-03-24 | 2021-06-22 | 哈尔滨理工大学 | 一种细胞核与细胞质的联合分割方法 |
CN114821046A (zh) * | 2022-03-28 | 2022-07-29 | 深思考人工智能科技(上海)有限公司 | 基于细胞图像进行细胞检测和细胞核分割的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897682A (zh) * | 2017-02-15 | 2017-06-27 | 电子科技大学 | 一种基于卷积神经网络的白带中白细胞自动识别方法 |
CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
CN110084796A (zh) * | 2019-04-24 | 2019-08-02 | 徐州云联医疗科技有限公司 | 一种复杂纹理ct图像的分析方法 |
CN110084150A (zh) * | 2019-04-09 | 2019-08-02 | 山东师范大学 | 一种基于深度学习的白细胞自动分类方法及系统 |
CN110120056A (zh) * | 2019-05-21 | 2019-08-13 | 闽江学院 | 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 |
-
2019
- 2019-12-30 CN CN201911395346.5A patent/CN111179273A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897682A (zh) * | 2017-02-15 | 2017-06-27 | 电子科技大学 | 一种基于卷积神经网络的白带中白细胞自动识别方法 |
CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
CN110084150A (zh) * | 2019-04-09 | 2019-08-02 | 山东师范大学 | 一种基于深度学习的白细胞自动分类方法及系统 |
CN110084796A (zh) * | 2019-04-24 | 2019-08-02 | 徐州云联医疗科技有限公司 | 一种复杂纹理ct图像的分析方法 |
CN110120056A (zh) * | 2019-05-21 | 2019-08-13 | 闽江学院 | 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 |
Non-Patent Citations (8)
Title |
---|
ACHUN_HAHA: "Focal Loss损失函数简述", Retrieved from the Internet <URL:https://www.cnblogs.com/areaChun/p/11900799.html> * |
KEN C. L. WONG ET AL: "3D Segmentation with Exponential Logarithmic Loss for Highly Unbalanced Object Sizes", pages 612 - 619 * |
MARK SANDLER ET AL: "MobileNetV2: Inverted Residuals and Linear Bottlenecks", 《ARXIV:1801.04381V3》, pages 1 - 14 * |
MINGXING TAN AND QUOC V. LE: "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", pages 1 - 10 * |
MINGXING TAN ET AL: "MnasNet: Platform-Aware Neural Architecture Search for Mobile", 《ARXIV:1807.11626V3》, pages 1 - 9 * |
OLAF RONNEBERGER ET AL: "U-Net: Convolutional Networks for Biomedical Image Segmentation", pages 1 - 8 * |
THANH TRAN ET AL: "Blood Cell Images Segmentation using Deep Learning Semantic Segmentation", pages 13 - 16 * |
小草AI: "轻量级神经⽹络系列——MobileNet V2", Retrieved from the Internet <URL:https://cloud.tencent.com/developer/article/1459539> * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070722A (zh) * | 2020-08-14 | 2020-12-11 | 厦门骁科码生物科技有限公司 | 一种荧光原位杂交细胞核分割方法及系统 |
CN112101362A (zh) * | 2020-08-25 | 2020-12-18 | 中国科学院空间应用工程与技术中心 | 用于空间科学实验数据的语义分割方法及系统 |
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 |
CN112183360A (zh) * | 2020-09-29 | 2021-01-05 | 上海交通大学 | 高分辨率遥感影像的轻量化语义分割方法 |
CN112183360B (zh) * | 2020-09-29 | 2022-11-08 | 上海交通大学 | 高分辨率遥感影像的轻量化语义分割方法 |
CN112396621B (zh) * | 2020-11-19 | 2022-08-30 | 之江实验室 | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 |
CN112396621A (zh) * | 2020-11-19 | 2021-02-23 | 之江实验室 | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 |
CN112634243B (zh) * | 2020-12-28 | 2022-08-05 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN112949378A (zh) * | 2020-12-30 | 2021-06-11 | 至微生物智能科技(厦门)有限公司 | 一种基于深度学习网络的细菌显微图像分割方法 |
CN112858106A (zh) * | 2021-02-08 | 2021-05-28 | 山东师范大学 | 一种液滴接触角的测量系统及方法 |
CN112858106B (zh) * | 2021-02-08 | 2023-03-14 | 山东师范大学 | 一种液滴接触角的测量系统及方法 |
CN113012167A (zh) * | 2021-03-24 | 2021-06-22 | 哈尔滨理工大学 | 一种细胞核与细胞质的联合分割方法 |
CN113012167B (zh) * | 2021-03-24 | 2022-06-21 | 哈尔滨理工大学 | 一种细胞核与细胞质的联合分割方法 |
CN114821046A (zh) * | 2022-03-28 | 2022-07-29 | 深思考人工智能科技(上海)有限公司 | 基于细胞图像进行细胞检测和细胞核分割的方法及系统 |
CN114821046B (zh) * | 2022-03-28 | 2024-05-03 | 深思考人工智能科技(上海)有限公司 | 基于细胞图像进行细胞检测和细胞核分割的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179273A (zh) | 一种基于深度学习的白细胞核质自动分割方法及系统 | |
CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
TWI687937B (zh) | 染色體異常檢測模型之建立方法、染色體異常檢測系統及染色體異常檢測方法 | |
CN112102229A (zh) | 一种基于深度学习的工业ct检测缺陷的智能识别方法 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN112598620B (zh) | 尿沉渣中透明管型、病理管型以及粘液丝的识别方法 | |
CN111105422A (zh) | 一种网织红细胞分类计数模型构建方法及应用 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN116416479B (zh) | 基于深度卷积融合多尺度图像特征的矿物分类方法 | |
CN114663383A (zh) | 一种血细胞分割与识别方法、装置、电子设备和存储介质 | |
CN115019095A (zh) | 基于卷积神经网络的活性污泥状态在线监测方法 | |
Guo et al. | WDXI: The dataset of X-ray image for weld defects | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 | |
CN114926386A (zh) | 一种基于深度学习的白细胞核质自动分割方法及系统 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
CN112613505A (zh) | 一种基于深度学习的细胞微核识别、定位和计数方法 | |
CN112132137A (zh) | 一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法 | |
CN111768420A (zh) | 一种细胞图像分割模型 |
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 |