CN111326238A - 基于滑动窗的癌细胞检测装置 - Google Patents
基于滑动窗的癌细胞检测装置 Download PDFInfo
- Publication number
- CN111326238A CN111326238A CN202010087058.XA CN202010087058A CN111326238A CN 111326238 A CN111326238 A CN 111326238A CN 202010087058 A CN202010087058 A CN 202010087058A CN 111326238 A CN111326238 A CN 111326238A
- Authority
- CN
- China
- Prior art keywords
- image
- cancer cell
- layer
- sliding window
- window
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 56
- 201000011510 cancer Diseases 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 6
- 238000004043 dyeing Methods 0.000 claims abstract description 4
- 210000004027 cell Anatomy 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 2
- 239000007850 fluorescent dye Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 2
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 2
- 201000010881 cervical cancer Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 102000018651 Epithelial Cell Adhesion Molecule Human genes 0.000 description 1
- 108010066687 Epithelial Cell Adhesion Molecule Proteins 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000005266 circulating tumour cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 102000034287 fluorescent proteins Human genes 0.000 description 1
- 108091006047 fluorescent proteins Proteins 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于滑动窗的癌细胞检测装置。本发明基于滑动窗的癌细胞检测装置,包括:所述计算机,所述计算机被编程以便执行如下步骤:通过埋在患者体内的癌症细胞采样针进行图像数据采集;采集完成后对针上采集的数据进行荧光染色处理并成像,得到可供检测的图像;进行图像数据处理和判断;根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置,显示最终的检测结果。本发明的有益效果:本发明提出的基于滑动窗的癌细胞检测方法采用滑动窗口对图像进行截取,避免了将整幅图像输入网络带来的计算复杂度,同时也避免了对图像进行预处理和特征提取所需要的调参问题,加快了运算,提高了准确率,具有普适性。
Description
技术领域
本发明涉及癌细胞检测领域,具体涉及一种基于滑动窗的癌细胞检测装置。
背景技术
癌症的高发率和致死率已经成为危害人类生命健康的大敌,仅2018年一年全球癌症新发病例就有1810万例,癌症死亡病例960万例。因此能够及时发现肿瘤细胞的存在就成了防控癌症的重要手段。随着各种检测技术的发展,癌细胞图像的检测方法也是层出不穷,并且人们开始不断在检测的精度和速度上寻求突破。
从阈值分割、K均值聚类、灰度共生矩阵、Snake模型等经典图像处理方法到目前流行的深度神经网络等机器学习方法都在癌细胞检测方面得到了很好的应用。经典图像处理方法在处理癌细胞图像时存在明显的精度不足,深度神经网络的出现很好的解决了这一问题,但是其自身又存在算法运行耗时、判断前需要进行预处理和特征提取等问题。目前的癌细胞图像检测一般都是用经典方法进行预处理和特征提取,然后再利用深度学习方法进行判断识别。此种方法的过程过于繁琐耗时并且精度也不高。因此,研究出一种高速度、高精度的癌细胞图像检测方法具有十分重要的意义。
1、CN201811068427基于改进U-net卷积神经网络模型的癌细胞识别方法:获取癌细胞的医学图像,对医学图像中的癌细胞进行标注构成训练U-net神经网络模型的数据集。构建U-net卷积神经网络模型,确定U-net卷积神经网络模型的参数,让网络通过深度学习方法从图像上进行特征学习,采用测试和验证相结合的方式,得到训练好的U-net卷积神经网络模型。将训练好的网络模型进行部署,用于对测试数据中的癌细胞进行自动检测。
2、CN201510489742基于定义圆HSV颜色空间的医学图像分割方法及癌细胞识别方法:在RGB色彩空间中找出图像目标颜色像素P和背景颜色像素Q的RGB值和位置信息,将基于RGB色彩空间的图像转换到HSV色彩空间。根据所存储的像素P的位置信息,将像素P所对应的(H,S)作为定义圆的圆心坐标,并设置定义圆的半径;根据所存储的像素Q的位置信息,提取像素Q所对应的H、S、V值赋值给定义圆内的所有像素点,实现目标颜色的去除。将去除目标颜色后的基于HSV色彩空间的图像转换回RGB色彩空间,从而实现对去除目标颜色的图像进行分割。
3、CN201810793772一种子宫颈癌细胞再识别诊断方法:先对采集到的子宫颈细胞图像进行预处理,提取细胞形态和色度特征,并表示为向量。利用特征提取后得到的样本训练出识别机制M1和M2,构成平衡邻域分类器M。其中,M1用于判别是否为癌变细胞,M2用于确定癌变种类。实际检测时提取细胞特征用向量表示,将其向量参数输入平衡邻域分类器M中进行判别,利用M1判别是否为癌变细胞,对癌变细胞再利用M2确定癌变种类。
传统技术存在以下技术问题:
1、CN201811068427基于改进U-net卷积神经网络模型的癌细胞识别方法:直接将整幅图像送入网络训练,卷积过程耗时,效率较低。
2、CN201510489742基于定义圆HSV颜色空间的医学图像分割方法及癌细胞识别方法:变换到HSV色彩空间对目标和背景进行分割,这种方法对微弱的颜色信息不敏感,难以发现癌细胞图像的深层次特征,所以会造成较多的漏判误判,准确率并不高。
3、CN201810793772一种子宫颈癌细胞再识别诊断方法:在网络判断之前需要进行预处理和特征提取,此过程中调参过于繁琐。再通过提取到的特征来训练分类器,效率较低。并且利用传统方法进行预处理会影响检测精度。
发明内容
本发明要解决的技术问题是提供一种基于滑动窗的癌细胞检测装置,对采集到的图像用滑动窗进行截取,避免了对图像进行预处理和特征提取的繁琐,减少了对参数的调节,同时也避免了将整幅图像输入网络带来的复杂运算。在实际使用中,将该方法与深度网络结合,并且通过NPU进行加速,提高了检测效率,具有实际应用价值。
为了解决上述技术问题,本发明提供了一种基于滑动窗的癌细胞检测装置,包括:所述计算机,所述计算机被编程以便执行如下步骤:
通过埋在患者体内的癌症细胞采样针进行图像数据采集;采集完成后对针上采集的数据进行荧光染色处理并成像,得到可供检测的图像;
进行图像数据处理和判断,具体操作步骤如下:
(1)对图像进行滑动窗口截取,设置一个固定大小并且以预定步长滑动的窗口,让其遍历整幅图像,将截取到的图像保存下来以供后级网络进行判断;
(2)搭建深度网络模型并对其进行训练,此过程使用集成了NPU加速芯片的硬件平台进行加速;
(3)将截取的图片直接送入训练好的深度网络,网络给出判断结果;
(4)获取被判定为癌细胞的图像的位置信息并保存;
根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置,显示最终的检测结果。
在其中一个实施例中,搭建的深度网络模型采用卷积网络模型,所述卷积网络模型包括两个卷积层、两个池化层、一个全连接层和一个softmax层;卷积层局部感受野窗口大小设置为5*5,步长为1;第一层卷积层深度为32,第二层卷积层深度为64,均采用Relu函数作为激活函数;池化层窗口大小设置为2*2,步长为2。
在其中一个实施例中,全连接层采用Sigmoid函数作为激活函数。
在其中一个实施例中,在神经网络训练过程中对全连接层采取弃权操作,弃权比例设置为0.5。
基于同样的发明构思,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
通过埋在患者体内的癌症细胞采样针进行图像数据采集;采集完成后对针上采集的数据进行荧光染色处理并成像,得到可供检测的图像;
进行图像数据处理和判断,具体操作步骤如下:
(1)对图像进行滑动窗口截取,设置一个固定大小并且以预定步长滑动的窗口,让其遍历整幅图像,将截取到的图像保存下来以供后级网络进行判断;
(2)搭建深度网络模型并对其进行训练,此过程使用集成了NPU加速芯片的硬件平台进行加速;
(3)将截取的图片直接送入训练好的深度网络,网络给出判断结果;
(4)获取被判定为癌细胞的图像的位置信息并保存;
根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置,显示最终的检测结果。
在其中一个实施例中,搭建的深度网络模型采用卷积网络模型,所述卷积网络模型包括两个卷积层、两个池化层、一个全连接层和一个softmax层;卷积层局部感受野窗口大小设置为5*5,步长为1;第一层卷积层深度为32,第二层卷积层深度为64,均采用Relu函数作为激活函数;池化层窗口大小设置为2*2,步长为2。
在其中一个实施例中,全连接层采用Sigmoid函数作为激活函数。
在其中一个实施例中,在神经网络训练过程中对全连接层采取弃权操作,弃权比例设置为0.5。
本发明的有益效果:
1、本发明提出的基于滑动窗的癌细胞检测方法采用滑动窗口对图像进行截取,避免了将整幅图像输入网络带来的计算复杂度,同时也避免了对图像进行预处理和特征提取所需要的调参问题,加快了运算,提高了准确率,具有普适性。
2、本发明在使用过程中将滑动窗的方法和深度网络结合,并且具有NPU加速平台的支撑。深度网络具有高度泛化能力可以提高检测精度,硬件平台的使用加快了计算速度。这三者的合理搭配使得速度和精度的优势更加明显。
附图说明
图1是本发明基于滑动窗的癌细胞检测装置中方法步骤的总体流程图。
图2是本发明基于滑动窗的癌细胞检测装置中的滑动窗示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本发明总体流程图如图1所示,一种基于滑动窗的癌细胞检测装置,包括:所述计算机,所述计算机被编程以便执行如下步骤:
2、进行图像数据处理和判断,具体操作步骤如下:
(1)对图像进行滑动窗口截取,设置一个固定大小并且以一定步长滑动的窗口,让其遍历整幅图像,将截取到的图像保存下来以供后级网络进行判断。滑动窗示意图如图2所示。
(2)搭建深度网络模型并对其进行训练,此过程使用集成了NPU加速芯片的硬件平台进行加速。
(3)将截取的图片直接送入训练好的深度网络,网络给出判断结果。
(4)获取被判定为癌细胞的图像的位置信息并保存。
3、根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置,显示最终的检测结果。
下面介绍一个本发明的应用场景:
1、实施过程中使用的图像数据由德路通生物科技有限公司提供,数据通过CellCollector采样针临床采集。选择上肢肘部静脉进行穿刺,将CellCollector连接并固定在采样针上,并停留在血液中30分钟。功能区表面的EpCAM抗体能够特异性捕获30分钟内流经功能区的CTC。
2、将针上采集的数据利用荧光蛋白进行染色并且显微成像,得到可供检测的图像数据。
3、从给出的临床数据中随机挑选出5幅进行检测。
4、滑动窗截取:分别对每幅图像用40*40的窗口以20为步长进行滑动,每次滑动都将截取窗口内的图像,使窗口遍历整幅图像,得到的若干张40*40的小图像并将它们存储在相应文件夹下。
5、搭建集成了NPU的硬件加速平台:在Ubuntu16.04.3操作系统上部署华为昇腾处理器(Atlas200 DK)的开发环境,部署完成后将硬件平台与主机连接,可以直接通过该硬件平台对深度网络算法进行加速。
6、搭建深度网络模型:实施过程中以卷积神经网络(CNN)为例搭建网络结构模型。包括两个卷积层、两个池化层、一个全连接层和一个softmax层。卷积层局部感受野窗口大小设置为5*5,步长为1。第一层卷积层深度为32,第二层卷积层深度为64,均采用Relu函数作为激活函数。池化层窗口大小设置为2*2,步长为2。全连接层采用Sigmoid函数作为激活函数。为了避免过度拟合,在神经网络训练过程中对全连接层采取弃权操作,弃权比例设置为0.5。
7、将截取得到的图像送入训练好的卷积神经网络进行判断,将判断为癌细胞的图像的位置信息返回并保存。
8、根据返回的位置信息在原始图像中用方框标记出癌细胞,即为最终检测结果。
9、将测试结果和实际结果进行对比,可以得出:对五幅图像中癌细胞的检测准确率为90.0%。速度上,算法运行时间较不使用滑动窗的方法明显减少。
以上对本发明提供的基于滑动窗的癌细胞检测装置做了详细的描述,还有以下几点需要说明:
1、本发明采用滑动窗方法截取图像代替预处理,解决了调参问题。
2、本发明将滑动窗与深度神经网络结合,并利用NPU硬件平台加速,三者有效搭配。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于滑动窗的癌细胞检测装置,其特征在于,包括:所述计算机,所述计算机被编程以便执行如下步骤:
通过埋在患者体内的癌症细胞采样针进行图像数据采集;采集完成后对针上采集的数据进行荧光染色处理并成像,得到可供检测的图像。
进行图像数据处理和判断,具体操作步骤如下:
(1)对图像进行滑动窗口截取,设置一个固定大小并且以预定步长滑动的窗口,让其遍历整幅图像,将截取到的图像保存下来以供后级网络进行判断;
(2)搭建深度网络模型并对其进行训练,此过程使用集成了NPU加速芯片的硬件平台进行加速;
(3)将截取的图片直接送入训练好的深度网络,网络给出判断结果;
(4)获取被判定为癌细胞的图像的位置信息并保存;
根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置,显示最终的检测结果。
3.如权利要求1所述的基于滑动窗的癌细胞检测装置,其特征在于,搭建的深度网络模型采用卷积网络模型,所述卷积网络模型包括两个卷积层、两个池化层、一个全连接层和一个softmax层;卷积层局部感受野窗口大小设置为5*5,步长为1;第一层卷积层深度为32,第二层卷积层深度为64,均采用Relu函数作为激活函数;池化层窗口大小设置为2*2,步长为2。
4.如权利要求3所述的基于滑动窗的癌细胞检测装置,其特征在于,全连接层采用Sigmoid函数作为激活函数。
5.如权利要求3所述的基于滑动窗的癌细胞检测装置,其特征在于,在神经网络训练过程中对全连接层采取弃权操作,弃权比例设置为0.5。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如下步骤:
通过埋在患者体内的癌症细胞采样针进行图像数据采集;采集完成后对针上采集的数据进行荧光染色处理并成像,得到可供检测的图像;
进行图像数据处理和判断,具体操作步骤如下:
(1)对图像进行滑动窗口截取,设置一个固定大小并且以预定步长滑动的窗口,让其遍历整幅图像,将截取到的图像保存下来以供后级网络进行判断;
(2)搭建深度网络模型并对其进行训练,此过程使用集成了NPU加速芯片的硬件平台进行加速;
(3)将截取的图片直接送入训练好的深度网络,网络给出判断结果;
(4)获取被判定为癌细胞的图像的位置信息并保存;
根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置,显示最终的检测结果。
8.根据权利要求6所述的计算机可读存储介质,其特征在于,搭建的深度网络模型采用卷积网络模型,所述卷积网络模型包括两个卷积层、两个池化层、一个全连接层和一个softmax层;卷积层局部感受野窗口大小设置为5*5,步长为1;第一层卷积层深度为32,第二层卷积层深度为64,均采用Relu函数作为激活函数;池化层窗口大小设置为2*2,步长为2。
9.根据权利要求6所述的计算机可读存储介质,其特征在于,全连接层采用Sigmoid函数作为激活函数。
10.根据权利要求6所述的计算机可读存储介质,其特征在于,在神经网络训练过程中对全连接层采取弃权操作,弃权比例设置为0.5。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087058.XA CN111326238A (zh) | 2020-02-11 | 2020-02-11 | 基于滑动窗的癌细胞检测装置 |
PCT/CN2020/110821 WO2021159686A1 (zh) | 2020-02-11 | 2020-08-24 | 基于滑动窗的癌细胞检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087058.XA CN111326238A (zh) | 2020-02-11 | 2020-02-11 | 基于滑动窗的癌细胞检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111326238A true CN111326238A (zh) | 2020-06-23 |
Family
ID=71170957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087058.XA Pending CN111326238A (zh) | 2020-02-11 | 2020-02-11 | 基于滑动窗的癌细胞检测装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111326238A (zh) |
WO (1) | WO2021159686A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021159686A1 (zh) * | 2020-02-11 | 2021-08-19 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782400B (zh) * | 2022-05-17 | 2023-06-20 | 东风本田发动机有限公司 | 金属物料渣点检测方法、装置、设备、介质和程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961242A (zh) * | 2018-07-04 | 2018-12-07 | 北京临近空间飞行器系统工程研究所 | 一种荧光染色图像ctc智能识别方法 |
CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
CN109360193A (zh) * | 2018-09-27 | 2019-02-19 | 北京基石生命科技有限公司 | 一种基于深度学习的原代肿瘤细胞分割识别方法及系统 |
CN110060244A (zh) * | 2019-04-15 | 2019-07-26 | 深圳市麦迪普科技有限公司 | 基于深度学习神经网络的细胞检测与分割的系统和方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018052586A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
CN110009050A (zh) * | 2019-04-10 | 2019-07-12 | 杭州智团信息技术有限公司 | 一种细胞的分类方法及装置 |
CN110675368B (zh) * | 2019-08-31 | 2023-04-07 | 中山大学 | 一种融合图像分割与分类的细胞图像语义分割方法 |
CN111326238A (zh) * | 2020-02-11 | 2020-06-23 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
-
2020
- 2020-02-11 CN CN202010087058.XA patent/CN111326238A/zh active Pending
- 2020-08-24 WO PCT/CN2020/110821 patent/WO2021159686A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961242A (zh) * | 2018-07-04 | 2018-12-07 | 北京临近空间飞行器系统工程研究所 | 一种荧光染色图像ctc智能识别方法 |
CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
CN109360193A (zh) * | 2018-09-27 | 2019-02-19 | 北京基石生命科技有限公司 | 一种基于深度学习的原代肿瘤细胞分割识别方法及系统 |
CN110060244A (zh) * | 2019-04-15 | 2019-07-26 | 深圳市麦迪普科技有限公司 | 基于深度学习神经网络的细胞检测与分割的系统和方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021159686A1 (zh) * | 2020-02-11 | 2021-08-19 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2021159686A1 (zh) | 2021-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
George et al. | Remote computer-aided breast cancer detection and diagnosis system based on cytological images | |
Kowal et al. | Computer-aided diagnosis of breast cancer based on fine needle biopsy microscopic images | |
Priya et al. | Automated object and image level classification of TB images using support vector neural network classifier | |
Khoshdeli et al. | Detection of nuclei in H&E stained sections using convolutional neural networks | |
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 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN106157279A (zh) | 基于形态学分割的眼底图像病变检测方法 | |
Mao et al. | Iteratively training classifiers for circulating tumor cell detection | |
WO2020185660A1 (en) | Improved histopathology classification through machine self-learning of "tissue fingerprints" | |
CN115063592B (zh) | 一种基于多尺度的全扫描病理特征融合提取方法及系统 | |
CN111415352A (zh) | 一种基于深度级联网络的癌转移全景病理切片分析方法 | |
CN109886346A (zh) | 一种心肌mri图像分类系统 | |
CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
CN111326238A (zh) | 基于滑动窗的癌细胞检测装置 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN112263217A (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
CN115206495A (zh) | 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置 | |
CN114387596A (zh) | 细胞病理涂片自动判读系统 | |
Shojaeipour et al. | Using image processing methods for diagnosis diabetic retinopathy | |
CN114140830A (zh) | 一种基于循环肿瘤细胞图像的重复识别抑制方法 | |
Ali et al. | Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO). | |
Xu et al. | A high-precision classification method of mammary cancer based on improved DenseNet driven by an attention mechanism | |
CN109816665A (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
Li et al. | Inflammatory cells detection in H&E staining histology images using deep convolutional neural network with distance transformation |
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: 20200623 |
|
RJ01 | Rejection of invention patent application after publication |