CN111310568A - 基于计算机视觉的多发性骨髓瘤骨髓象识别设备 - Google Patents

基于计算机视觉的多发性骨髓瘤骨髓象识别设备 Download PDF

Info

Publication number
CN111310568A
CN111310568A CN202010047233.2A CN202010047233A CN111310568A CN 111310568 A CN111310568 A CN 111310568A CN 202010047233 A CN202010047233 A CN 202010047233A CN 111310568 A CN111310568 A CN 111310568A
Authority
CN
China
Prior art keywords
picture
neural network
multiple myeloma
training
module
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
Application number
CN202010047233.2A
Other languages
English (en)
Inventor
周芙玲
黄建忠
武天之
谭玉芳
徐航
刘悦
曹梦苏
唐铭康
耿旭君
王诗宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010047233.2A priority Critical patent/CN111310568A/zh
Publication of CN111310568A publication Critical patent/CN111310568A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06V20/698—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于计算机视觉的多发性骨髓瘤骨髓象识别设备，属于计算机视觉领域，图像处理模块，用于对各原始骨髓瘤图片上的细胞进行识别，标注出细胞的种类，并勾勒每个细胞的边界，得到各标注的骨髓瘤图片；预训练模块，用于基于预设的肿瘤细胞图片和对应的标注图片，对神经网络进行预训练；训练模块，用于将各原始骨髓瘤图片及各标注的骨髓瘤图片作为训练集对预训练的神经网络进行训练，得到训练后的目标神经网络；输出模块，用于基于目标神经网络得到待识别的多发性骨髓瘤图片的预测结果，其中，预测结果包括预测的标注图片，预测的标注图片中包括各细胞边界及各细胞种类。本发明的计算机辅助诊断具有成本低、可复用性高、速度快等特点。

Description

基于计算机视觉的多发性骨髓瘤骨髓象识别设备
技术领域
本发明属于计算机视觉领域，更具体地，涉及一种基于计算机视觉的多发性骨髓瘤骨髓象识别设备。
背景技术
多发性骨髓瘤(multiple myeloma，MM)影响全球数千人，是仅次于非霍奇金淋巴瘤的第二大最常见的血液肿瘤。骨髓穿刺细胞学是多发性骨髓瘤诊断与分期的主要方法之一，其传统检测方式是针对血液和骨髓涂片标本进行人工镜检。人工镜检是一项高度重复性工作，费力、耗时，高度依赖检验医师的经验，没有严格量化的判定标准，即具有耗时长、效率低、成本高、可重复性差等一系列问题，极大影响了血液肿瘤的筛查与治疗。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于计算机视觉的多发性骨髓瘤骨髓象识别设备，由此解决通过对血液和骨髓涂片标本进行人工镜检，而存在的耗时长、效率低、成本高及可重复性差等技术问题。
为实现上述目的，本发明提供了一种基于计算机视觉的多发性骨髓瘤骨髓象识别设备，包括：图像处理模块、预训练模块、训练模块及输出模块；
所述图像处理模块，用于对各原始多发性骨髓瘤图片上的不同细胞进行识别，标注出细胞的种类，并勾勒每个细胞的边界，得到各标注的多发性骨髓瘤图片；
所述预训练模块，用于基于预设的肿瘤细胞图片和对应的标注图片，对神经网络进行预训练，得到预训练的神经网络；
所述训练模块，用于将各所述原始多发性骨髓瘤图片及各所述标注的多发性骨髓瘤图片作为训练集输入到所述预训练的神经网络中，输出预测的标注多发性骨髓瘤图片，根据所述预测的标注多发性骨髓瘤图片与实际标注的多发性骨髓瘤图片之间的误差反复训练所述预训练的神经网络，直至误差满足预设误差要求，得到训练后的目标神经网络；
所述输出模块，用于基于所述目标神经网络得到待识别的多发性骨髓瘤图片的预测结果，其中，所述预测结果包括预测的标注图片，所述预测的标注图片中包括各细胞边界及各细胞种类。
优选地，所述图像处理模块包括：
标注模块，用于对各原始多发性骨髓瘤图片上的不同细胞进行识别，标注出各细胞的种类，得到第一图片；
边界勾勒模块，用于在所述第一图片中勾勒出每个细胞的边界得到第二图片；
标识模块，用于在所述第二图片中对不同的细胞种类用不同的标记进行标识，对于背景采用与各细胞种类不同的标记进行标识，得到第三图片。
优选地，所述设备还包括：训练图像制作模块；
所述训练图像制作模块，用于将各原始多发性骨髓瘤图片转化为第一矩阵，将所述第三图片中的各标记转化为不同的数字，进而将所述第三图片转化为第二矩阵，其中，所述第一矩阵的维度为(width，height，3)，前两个维度(width，height)表示像素点所处位置的横纵坐标，第三个维度表示像素点的RGB颜色值，所述第二矩阵的维度为(width，height)，所述第二矩阵中的每个像素点存放对应的细胞种类所对应的数字。
优选地，所述预训练模块，用于基于预设的肿瘤细胞图片和对应的标注图片，采用迁移学习方式对神经网络进行预训练，得到预训练的神经网络。
优选地，所述训练模块，用于将各所述第一矩阵及对应的所述第二矩阵作为训练集输入到所述预训练的神经网络中，预测每个像素点对应的细胞种类，进而由像素点对应细胞种类的数字得到预测的标注矩阵，根据所述预测的标注矩阵与实际标注的第二矩阵之间的误差，反复训练所述预训练的神经网络，直至误差满足预设误差要求，得到训练后的目标神经网络。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明设备可以集图像采集、数据识别及结果输出于一体，通过基于神经网络的图像识别技术，对骨髓象中的多发性骨髓瘤细胞进行识别计数，得出多发性骨髓瘤的初步诊断结果。从而减轻医生负担，提高多发性骨髓瘤诊断效率。设备将对观察视野选取、图像裁剪、数据传送、图像识别、辅助诊断、强化训练等功能进行整合，为医疗行业提供一体化服务。后期可推广到各种类型骨髓细胞及各个发育阶段骨髓细胞的识别，可使骨髓象医疗诊断实现高可靠性、高自动化的目标。本发明的计算机辅助诊断具有成本低、可复用性高、速度快等特点，使用计算机帮助医生进行初步筛选，可以有效减轻医生负担，加强诊断的效率，去除人的主观性，避免知识与经验的差异导致千差万别的诊断结果，有利于精准医疗和共享医疗的发展。
附图说明
图1是本发明实施例提供的一种基于计算机视觉的多发性骨髓瘤骨髓象识别设备的结构示意图；
图2是本发明实施例提供的一种神经网络模型训练的流程示意图；
图3是本发明实施例提供的一种显微镜下细胞图像；
图4是本发明实施例提供的一种人工标记后的图像；
图5是本发明实施例提供的一种处理后的标识图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明实例中，“第一”、“第二”、“第三”等是用于区别不同的对象，而不必用于描述特定的顺序或先后次序。
如图1所示是本发明实施例提供的一种基于计算机视觉的多发性骨髓瘤骨髓象识别设备的结构示意图，包括：图像处理模块、预训练模块、训练模块及输出模块；
图像处理模块，用于对各原始多发性骨髓瘤图片上的不同细胞进行识别，标注出细胞的种类，并勾勒每个细胞的边界，得到各标注的多发性骨髓瘤图片；
预训练模块，用于基于预设的肿瘤细胞图片和对应的标注图片，对神经网络进行预训练，得到预训练的神经网络；
在本发明实施例中，预设的肿瘤细胞图片为与多发性骨髓瘤相似病的肿瘤细胞图片。
训练模块，用于将各原始多发性骨髓瘤图片及各标注的多发性骨髓瘤图片作为训练集输入到预训练的神经网络中，输出预测的标注多发性骨髓瘤图片，根据预测的标注多发性骨髓瘤图片与实际标注的多发性骨髓瘤图片之间的误差反复训练预训练的神经网络，直至误差满足预设误差要求，得到训练后的目标神经网络；
输出模块，用于基于目标神经网络得到待识别的多发性骨髓瘤图片的预测结果，其中，预测结果包括预测的标注图片，预测的标注图片中包括各细胞边界及各细胞种类。
在本发明实施例中，原始多发性骨髓瘤图片可以通过从已保存的各期多发性骨髓瘤患者资料中收集其血液细胞的显微镜观察图片。且在数据量不足的情况下，可以考虑对一次切片下的观察图片，进行多次采图，得到不同位置的细胞结果，扩大训练数据量。也考虑对图片进行不同的形变来扩大训练数据量。
在本发明实施例中，对于多发性骨髓瘤患者的血液切片，可以在显微镜下对细胞进行放大和定位。在显微镜上连接有一个摄像头，同时和电脑等终端相连，将显微镜下观察得到的图片传递到电脑上，以bmp格式进行存储。
在本发明实施例中，由于显微镜下的图像直接作为神经网络的输入数据是不够的，还需要得到数据的标注。细胞具有不同的分化形态和生长周期，不同的细胞种类会影响到对多发性骨髓瘤病情的诊断。因此需要对对图片上的数据进行标注，对图片上的不同细胞进行识别，标注出细胞的种类。
作为一种可选的实施方式，图像处理模块包括：
标注模块，用于对各原始多发性骨髓瘤图片上的不同细胞进行识别，标注出各细胞的种类，得到第一图片；
边界勾勒模块，用于在第一图片中勾勒出每个细胞的边界得到第二图片；
标识模块，用于在第二图片中对不同的细胞种类用不同的标记进行标识，对于背景采用与各细胞种类不同的标记进行标识，得到第三图片。
例如，对于标注后的图片可以使用photoshop处理软件勾勒出每个细胞的边界，对于不同的细胞种类可以采用不同的颜色标记进行标识，对于无用的背景可以采用统一的区域于不同种类细胞的颜色进行标识。经过处理后的图片，每一个像素点都有一种颜色，而一种颜色就对应着一种细胞或背景。为了便于神经网络的输入，将原始图片和标注图片转化为矩阵的形式，原始图片的维度为(width，height，3)，标注图片根据颜色值转化为固定的数字，维度为(width，height)，将原始图片矩阵和标注图片矩阵作为输入数据，对神经网络进行训练和测试。
具体地，作为一种可选的实施方式，该设备还包括：训练图像制作模块；
训练图像制作模块，用于将各原始多发性骨髓瘤图片转化为第一矩阵，将第三图片中的各标记转化为不同的数字，进而将第三图片转化为第二矩阵，其中，第一矩阵的维度为(width，height，3)，前两个维度(width，height)表示像素点所处位置的横纵坐标，第三个维度表示像素点的RGB颜色值，第二矩阵的维度为(width，height)，第二矩阵中的每个像素点存放对应的细胞种类所对应的数字。
如图3所示为显微镜下观察得到的细胞图像，图4是人工标记后的图像；图5是一种处理后的标识图像，作为一种优选的实施方式，可以采用以下的处理方式：
(1)对细胞进行识别分类。在图3所示的原始多发性骨髓瘤图片中共有四种细胞，骨髓瘤浆细胞、红细胞、淋巴细胞和成熟粒细胞，分别用1、2、3、4替代，如图4所示；
(2)在用数字标注的图像上由photoshop进一步处理，将数字转化为区域的固定颜色。给每一类细胞分配一个固定的颜色，为便于下一步处理，每种颜色的rgb值不能太接近。用磁性套索工具选取每一个细胞的边界，再用染色桶对整体进行着色。在完成需要标注的细胞着色后，用魔术棒选取所有着色的细胞，再进行反向选择，选中剩余的背景部分，用白色进行着色，得到处理后的标注图像。其中，红色代表骨髓瘤浆细胞，绿色代表红细胞、蓝色代表淋巴细胞，青色代表成熟粒细胞；
(3)利用python读取标注后的图片，将颜色转化为具体的数字，得到标注的矩阵。利用python的PIL库读取图片后，转化成numpy的矩阵存储形式，维度为(width，height，3)。其中前两个维度标识的是像素点矩阵，第三个维度表示的是某一个像素点的rgb颜色值。如图5所示，遍历每个像素点，将红色、绿色、蓝色、青色分别转化为对应的数字1、2、3、4，其余的颜色值均转化为背景色0。处理后得到标注图片对应的矩阵，维度为(weight，height)，每个像素点存放的是对应的细胞种类标签。
如图2所示是本发明实施例提供的一种神经网络模型训练的流程示意图，以U-net++神经网络对训练过程进行说明，但是本发明并不限于U-net++神经网络，还可以采用其它神经网络，本发明实施例不做唯一性限定。
采用U-net++神经网络对数据进行训练和测试，在建立U-net++神经网络模型之后，采用迁移学习的思想，首先输入相似病的大量肿瘤细胞图片和标注图片，对神经网络进行预训练；
在得到预训练的神经网络之后，将多发性骨髓瘤的原始图片和标注图片作为训练集输入到预训练后的神经网络中，为每一个像素点得到一个预测结果，得到标注矩阵。将新的原始图片矩阵作为测试集，检验神经网络的训练效果。对于训练好的神经网络，直接输入待识别的原始图片矩阵，得到预测的标注图片矩阵。
在图2中，精确模式和快速模式表示根据对时间或者精确度的不同需求对应Unet++的不同网络结构，可以有1层到4层，对应层数少的耗时短，为快速模式；对应层数多的精确度高，为精确模式。
具体地，作为一种可选的实施方式，预训练模块，用于基于与多发性骨髓瘤相似病的肿瘤细胞图片和标注图片，采用迁移学习方式对神经网络进行预训练，得到预训练的神经网络。
具体地，作为一种可选的实施方式，训练模块，用于将各第一矩阵及对应的第二矩阵作为训练集输入到预训练的神经网络中，预测每个像素点对应的细胞种类，进而得到预测的标注矩阵，根据预测的标注矩阵与实际标注的第二矩阵之间的误差，反复训练预训练的神经网络，直至误差满足预设误差要求，得到训练后的目标神经网络。
在本发明实施例中，由于数据呈现出数据量小的特点，故采用迁移学习的方法对网络进行预训练，寻找与多发性骨髓瘤相似病的大量细胞图片，作为神经网络的预训练数据。可以采用以下的数据集对神经网络进行预训练：
(1)基于磁共振成像的膀胱肿瘤数据集
根据已有的膀胱MRI图像训练数据集，且在该数据集中预先对肿瘤区域进行了标记，该数据集包括2200张训练集和300张测试集。膀胱瘤和多发性骨髓瘤细胞瘤具有相似的形状特征，形状不规则、易形变，适用于神经网络的预训练数据。
(2)基于CT扫描的肝脏肿瘤数据集
根据已有的多个医院临床采集的肝脏CT图像数据集，在该数据集中预先对肝脏肿瘤进行了标注，训练数据包括1300张CT扫描图片，测试数据包括700张CT扫描数据集。肝脏肿瘤与多发性骨髓瘤细胞肿瘤相似程度很高，在肝脏肿瘤中捕捉到的绝大数特征适用于多发性骨髓瘤细胞肿瘤的识别。
在本发明实施例中，使用改良后“嵌套式”的U-net++神经网络提升识别精度、缓解了数据缺失的问题并迫使网络学习边界的像素，从而取得较好的识别效果，实现可自由选择运算数据量并在不同情境要求下的模式转换，有效解决临床工作中人工镜检耗时长、效率低、成本高、可重复性差等一系列问题。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于计算机视觉的多发性骨髓瘤骨髓象识别设备，其特征在于，包括：图像处理模块、预训练模块、训练模块及输出模块；
所述图像处理模块，用于对各原始多发性骨髓瘤图片上的不同细胞进行识别，标注出细胞的种类，并勾勒每个细胞的边界，得到各标注的多发性骨髓瘤图片；
所述预训练模块，用于基于预设的肿瘤细胞图片和对应的标注图片，对神经网络进行预训练，得到预训练的神经网络；
所述训练模块，用于将各所述原始多发性骨髓瘤图片及各所述标注的多发性骨髓瘤图片作为训练集输入到所述预训练的神经网络中，输出预测的带标注的多发性骨髓瘤图片，根据所述预测的带标注的多发性骨髓瘤图片与实际标注的多发性骨髓瘤图片之间的误差反复训练所述预训练的神经网络，直至误差满足预设误差要求，得到训练后的目标神经网络；
所述输出模块，用于基于所述目标神经网络得到待识别的多发性骨髓瘤图片的预测结果，其中，所述预测结果包括预测的标注图片，所述预测的标注图片中包括各细胞边界及各细胞种类。
2.根据权利要求1所述的设备，其特征在于，所述图像处理模块包括：
标注模块，用于对各原始多发性骨髓瘤图片上的不同细胞进行识别，标注出各细胞的种类，得到第一图片；
边界勾勒模块，用于在所述第一图片中勾勒出每个细胞的边界得到第二图片；
标识模块，用于在所述第二图片中对不同的细胞种类用不同的标记进行标识，对于背景采用与各细胞种类不同的标记进行标识，得到第三图片。
3.根据权利要求2所述的设备，其特征在于，所述设备还包括：训练图像制作模块；
所述训练图像制作模块，用于将各原始多发性骨髓瘤图片转化为第一矩阵，将所述第三图片中的各标记转化为不同的数字，进而将所述第三图片转化为第二矩阵，其中，所述第一矩阵的维度为(width，height，3)，前两个维度(width，height)表示像素点所处位置的横纵坐标，第三个维度表示像素点的RGB颜色值，所述第二矩阵的维度为(width，height)，所述第二矩阵中的每个像素点存放对应的细胞种类所对应的数字。
4.根据权利要求1所述的设备，其特征在于，所述预训练模块，用于基于预设的肿瘤细胞图片和对应的标注图片，采用迁移学习方式对神经网络进行预训练，得到预训练的神经网络。
5.根据权利要求4所述的设备，其特征在于，所述训练模块，用于将各所述第一矩阵及对应的所述第二矩阵作为训练集输入到所述预训练的神经网络中，预测每个像素点对应的细胞种类，进而由像素点对应细胞种类的数字得到预测的标注矩阵，根据所述预测的标注矩阵与实际标注的第二矩阵之间的误差，反复训练所述预训练的神经网络，直至误差满足预设误差要求，得到训练后的目标神经网络。
CN202010047233.2A 2020-01-16 2020-01-16 基于计算机视觉的多发性骨髓瘤骨髓象识别设备 Pending CN111310568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010047233.2A CN111310568A (zh) 2020-01-16 2020-01-16 基于计算机视觉的多发性骨髓瘤骨髓象识别设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010047233.2A CN111310568A (zh) 2020-01-16 2020-01-16 基于计算机视觉的多发性骨髓瘤骨髓象识别设备

Publications (1)

Publication Number Publication Date
CN111310568A true CN111310568A (zh) 2020-06-19

Family

ID=71158107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010047233.2A Pending CN111310568A (zh) 2020-01-16 2020-01-16 基于计算机视觉的多发性骨髓瘤骨髓象识别设备

Country Status (1)

Country Link
CN (1) CN111310568A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001315A (zh) * 2020-08-25 2020-11-27 中国人民解放军海军军医大学第一附属医院 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564123A (zh) * 2018-04-10 2018-09-21 复旦大学附属肿瘤医院 一种甲状腺肿瘤细胞学涂片图像分类方法及其装置
CN109086836A (zh) * 2018-09-03 2018-12-25 淮阴工学院 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法
CN109360198A (zh) * 2018-10-08 2019-02-19 北京羽医甘蓝信息技术有限公司 基于深度学习的骨髓细胞分类方法及分类装置
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN110443781A (zh) * 2019-06-27 2019-11-12 杭州智团信息技术有限公司 一种肝脏数字病理的ai辅助诊断系统及方法
CN110689544A (zh) * 2019-09-06 2020-01-14 哈尔滨工程大学 一种遥感图像细弱目标分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564123A (zh) * 2018-04-10 2018-09-21 复旦大学附属肿瘤医院 一种甲状腺肿瘤细胞学涂片图像分类方法及其装置
CN109086836A (zh) * 2018-09-03 2018-12-25 淮阴工学院 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法
CN109360198A (zh) * 2018-10-08 2019-02-19 北京羽医甘蓝信息技术有限公司 基于深度学习的骨髓细胞分类方法及分类装置
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN110443781A (zh) * 2019-06-27 2019-11-12 杭州智团信息技术有限公司 一种肝脏数字病理的ai辅助诊断系统及方法
CN110689544A (zh) * 2019-09-06 2020-01-14 哈尔滨工程大学 一种遥感图像细弱目标分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001315A (zh) * 2020-08-25 2020-11-27 中国人民解放军海军军医大学第一附属医院 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法
CN112001315B (zh) * 2020-08-25 2024-01-19 中国人民解放军海军军医大学第一附属医院 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法

Similar Documents

Publication Publication Date Title
JP7198577B2 (ja) 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法
CN110647875B (zh) 一种血细胞分割、识别模型构造的方法及血细胞识别方法
CN103518224B (zh) 用于分析微生物生长的方法
JP6453298B2 (ja) 細胞診標本を観察および解析するためのシステムおよび方法
JP5822425B2 (ja) 顕微鏡像用に試料を染色する方法
CN111275016B (zh) 一种玻片扫描影像采集与分析方法及装置
CN108288506A (zh) 一种基于人工智能技术的癌症病理辅助诊断方法
US20090245612A1 (en) Automated image analysis
US20050123181A1 (en) Automated microscope slide tissue sample mapping and image acquisition
CN110728666B (zh) 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统
CN112215807A (zh) 基于深度学习的细胞图像自动分类方法及系统
CN113241154B (zh) 一种人工智能血液涂片细胞标注系统及方法
CN110060229A (zh) 一种骨髓白细胞的细胞自动定位分割方法
CN115298692A (zh) 自动候选精子标识
CN114782372B (zh) Dna荧光原位杂交bcr/abl融合状态检测方法、检测系统
CN110495888A (zh) 一种基于中医舌、面图像的标准色卡及其应用
JP4864709B2 (ja) 分散プロット分布を用いてスライドの染色品質を決定するシステム
CN112001315A (zh) 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法
CN110414317B (zh) 基于胶囊网络的全自动白细胞分类计数方法
CN111310568A (zh) 基于计算机视觉的多发性骨髓瘤骨髓象识别设备
MacKay et al. Automated 3D labelling of fibroblasts and endothelial cells in SEM-imaged placenta using deep learning
US20090141979A1 (en) Image processing device and recording medium storing image processing program
CN111795967B (zh) 一种骨髓细胞形态学自动检测系统的涂片自检方法
CN110739051B (zh) 利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法
WO2021157397A1 (ja) 情報処理装置及び情報処理システム

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: 20200619

RJ01 Rejection of invention patent application after publication