CN111489327A - 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法 - Google Patents

一种基于Mask R-CNN算法的癌细胞图像检测与分割方法 Download PDF

Info

Publication number
CN111489327A
CN111489327A CN202010149987.9A CN202010149987A CN111489327A CN 111489327 A CN111489327 A CN 111489327A CN 202010149987 A CN202010149987 A CN 202010149987A CN 111489327 A CN111489327 A CN 111489327A
Authority
CN
China
Prior art keywords
convolution
network
cancer cell
mask
cell image
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
CN202010149987.9A
Other languages
English (en)
Inventor
胡海根
贾福灿
肖杰
管秋
周乾伟
李小薪
陈胜勇
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010149987.9A priority Critical patent/CN111489327A/zh
Publication of CN111489327A publication Critical patent/CN111489327A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • 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]
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种基于Mask R‑CNN算法的癌细胞图像检测与分割方法，包括以下步骤：步骤1，制作数据集；步骤2，癌细胞的特征提取，包括以下步骤：2.1、特征提取网络的搭建；2.2、网络卷积方式的修改，将网络中卷积核大小为3×3的标准卷积替换为同内核中采用不同大小卷积核的异构卷积；2.3、特征多尺度融合；步骤3，癌细胞目标区域候选框的生成，将融合后的特征送入RPN网络中进行目标区域生成；步骤4，癌细胞图像的检测目标结果精炼；步骤5，癌细胞图像的分割Mask生成。本发明提供了一种基于Mask R‑CNN算法的癌细胞图像检测与分割方法，该方法减少了计算参数，降低了训练时间，提升了性能。

Description

一种基于Mask R-CNN算法的癌细胞图像检测与分割方法
技术领域
本发明属于计算机视觉领域。本发明公开了一种基于Mask R-CNN算法的癌细胞图像检测与分割方法。具体通过深度学习Mask R-CNN算法实现癌细胞图像的检测和分割，即先利用特征提取网络ResNet和FPN对癌细胞的特征进行提取和多尺度融合，在利用RPN网络实现候选区域的提取，最后在分别送入检测和分割不同分支，实现癌细胞图像的检测和分割。
背景技术
近些年来，癌症等细胞疾病的发病率呈逐年上升的趋势。在我国，每年有过百万人被检测出患有癌症，并有大量患者因癌症而死亡。癌症对人类健康构成了极大的威胁。临床实践证明，早期诊断是提高癌症治愈率的关键。癌症的早期诊断方法有很多种，如X线检查、超声检查、病理活检、细胞学检查等。其中，采用细针吸取病区细胞进行细胞学检查的方法具有痛苦小、费用低、操作快捷、简便易行、确诊率高等优点。利用该方法检测患者的阳性率高达98％以上，因此，该方法是一种实用价值颇高的医学诊断方法。
在医学细胞图像分析中，细胞图像的检测与分割是最为重要的环节之一，同时也是对细胞图像进行识别等研究的基本前提。在病理细胞图像的分割任务中，最常遇到的问题是由细胞图像切片制作不理想所带来的。在切片制作过程中，显微镜下的细胞图像呈现出随机分布的状态，由于人为或自然因素而导致细胞图像中出现细胞重叠或粘连的情况。真实细胞图像具有多样性和复杂性。例如，单个细胞的大小和形状不一，团簇细胞之间发生重叠甚至相互挤压变形，细胞质及细胞核区域不均匀等。细胞图像的这些缺陷会对细胞图像的检测和分割过程造成不良影响，导致检测与分割结果出现误差。
在细胞检测领域，根据检测思路的不同，可以将目标检测算法大致分成两类：基于候选窗口的目标检测算法(Two Stage)和基于回归的目标检测算法(One Stage)。基于候选窗口的目标检测算法在预测阶段首先选出包含目标概率较大的区域，之后对所选区域进行预测。这类算法检测的精度比较高，但检测速度比较慢，常见的算法有Fast R-CNN、FasterR-CNN、Mask R-CNN等。基于回归的目标检测算法将检测问题看成回归问题。不需要选取候选框，预测一步完成。这类算法检测速度比较快，但在精度方面一般弱于基于候选窗口的目标检测算法，常见的算法有SSD、YOLO、YOLO v2、YOLO v3等。
在细胞分割领域，研究学者们以及探索出许多分割算法，例如传统方法中基于数学形态的分割方法、基于测地重建原理的分水岭算法、水平集方法等。还有在深度学习领域的方法，例如利于基于卷积神经网络的FCN、U-Net、MaskR-CNN等
发明内容
为了解决现有深度学习算法在癌细胞图像检测和分割时存在精度低耗时长的问题，本发明提供一种有效提高运算时间、减少计算参数的基于Mask R-CNN算法的癌细胞图像检测与分割方法。
本发明解决其技术问题所采用的技术方案如下：
一种基于Mask R-CNN算法的癌细胞图像检测与分割方法，所述方法包括以下步骤：
步骤1：制作数据集，使用MS COCO数据集格式，人工对数据集进行GroundTruth的制作作为网络的训练集；
步骤2：Mask R-CNN算法中特征提取网络的构建和提取，特征提取网络选用深度残差网络ResNet，修改网络中的卷积结构，选用更加高效的异构卷积HetConv，同时在特征提取网络中加入FPN网络，对提取的特征进行多尺度的融合；
步骤3：癌细胞目标区域候选框的生成，将FPN融合后的特征送入RPN网络中进行目标区域生成，并将其分数值最高的设定数量个候选区域输入Mask R-CNN网络利用边框回归操作实现候选框位置精修，得到最终的目标框；
步骤4：癌细胞图像的检测目标结果精炼，获取每个目标推荐区域得分最高的class得分和推荐区域的坐标，删除掉得分最高为背景的推荐区域，剔除掉其中最高得分达不到阈值的推荐区域，对同一类别的候选框进行非极大值抑制NMS，对NMS后的框索引剔除-1占位符，获取前n，最后返回每个框(y1，x1，y2，x2，Class_ID，Score)信息；
步骤5：癌细胞图像的分割Mask生成，获取到目标推荐区域作为输入送入FCN网络输出一个2层的Mask，每层代表不同的类，以log输出并用进行阈值进行二值化，产生背景和前景的分割Mask。
进一步，所述步骤2中，特征提取网络构建步骤如下：
2.1、ResNet-50作为特征提取网络，其网络结构分成5阶段，分别是:conv1、conv2_x、conv3_x、conv4_x、conv5_x，其中第1个阶段conv1是由1个卷积核为7×7的卷积层构成，剩下4个阶段中都是由不同数量的相同结构的区块构成，分别对应区块个数为conv2_x＝3、conv3_x＝4、conv4_x＝6、conv5_x＝3，每个区块组成结构是三个二维卷积层+BatchNorm层+Relu激活层，其中两个卷积层的卷积核为1×1，一个卷积层的卷积核为3×3；
2.2、修改特征提取网络ResNet-50网络中所有区块里卷积层的卷积核为3×3的卷积方式，将原本的标准卷积替换为异构卷积HetConv，其中异构卷积内核中3×3大小的卷积核和1×1大小的卷积核的数量都为0.5×通道数；
2.3、FPN对提取的特征进行多尺度的融合，在ResNet-50的5个阶段中除去第一阶段的其他4个阶段提取到的特征进行自上而下连接和横向连接，分别定义为P2、P3、P4、P5。
本发明的有益效果为：基于深度学习中的候选窗口的目标检测算法MaskR-CNN算法对癌细胞图像中的细胞进行检测和分割，并且修改Mask R-CNN算法中特征提取网络的卷积方式为异构卷积HetConv，减少了计算参数，降低了训练时间，提升了性能。
附图说明
图1为本发明中癌细胞检测与分割算法的流程图；
图2为本发明中特征提取网络结构示意图；
图3为本发明中异构卷积HetConv结构示意图；
图4为本发明中提取特征多尺度融合示意图。
具体实施方式
下面参照附图，对本发明作进一步的描述。应当理解，进一步的描述仅为了说明本发明，而不是为了限制本发明的保护范围。
参照图1～图4，一种基于Mask R-CNN算法的癌细胞图像检测与分割方法，所述方法包括以下步骤：
步骤1：制作数据集，使用MS COCO数据集格式，人工对数据集进行GroundTruth(GT)的制作作为网络的训练集；
步骤2：Mask R-CNN算法中特征提取网络的构建和提取，特征提取网络选用深度残差网络ResNet，修改网络中的卷积结构，选用更加高效的异构卷积HetConv。同时在特征提取网络中加入FPN网络，对提取的特征进行多尺度的融合，
所述步骤2中，特征提取网络构建步骤如下：
2.1、ResNet-50作为特征提取网络，其网络结构分成5阶段，分别是:conv1、conv2_x、conv3_x、conv4_x、conv5_x，其中第1个阶段conv1是由1个卷积核为7×7的卷积层构成，剩下4个阶段中都是由不同数量的相同结构的残差区块构成，分别对应区块个数为conv2_x＝3、conv3_x＝4、conv4_x＝6、conv5_x＝3。每个区块组成结构是三个二维卷积层+BatchNorm层+Relu激活层，其中两个卷积层的卷积核为1×1，一个卷积层的卷积核为3×3；
2.2、修改特征提取网络ResNet-50网络中所有区块里卷积层的卷积核为3×3的卷积方式，将原本的标准卷积替换为异构卷积HetConv，其中异构卷积内核中3×3大小的卷积核和1×1大小的卷积核的数量都为0.5×通道数；
2.3、FPN对提取的特征进行多尺度的融合，在ResNet-50的5个阶段中除去第一阶段的其他4个阶段提取到的特征进行自上而下连接和横向连接，分别定义为P2、P3、P4、P5。
步骤3：癌细胞目标区域候选框的生成，将FPN融合后的特征送入RPN网络中进行目标区域生成。并将其分数值最高的设定数量(例如2000)个候选区域输入Mask R-CNN网络利用边框回归操作实现候选框位置精修，得到最终的目标框；
步骤4：癌细胞图像的检测目标结果精炼，获取每个目标推荐区域得分最高的class得分和推荐区域的坐标，删除掉得分最高为背景的推荐区域，剔除掉其中最高得分达不到阈值的推荐区域，对同一类别的候选框进行非极大值抑制NMS，对NMS后的框索引剔除-1占位符，获取前n(n取100)，最后返回每个框(y1，x1，y2，x2，Class_ID，Score)信息；
步骤5：癌细胞图像的分割Mask生成，获取到目标推荐区域作为输入送入FCN网络输出一个2层的Mask，每层代表不同的类，以log输出并用进行阈值(阈值取0.5)进行二值化，产生背景和前景的分割Mask。
本实施例基于剑桥大学肿瘤研究所提供的一组膀胱癌T24相称显微镜图片序列，利用基于候选窗口的目标检测算法，采用高效率的卷积方式，实现癌细胞的检测和分割，为医疗人员实现癌细胞图像的检测和分割从而进行抗癌药物的试验做基础。
如图2所示，特征提取网络中conv1部分有1个卷积层+BatchNorm层+Relu激活层+最大池化层。conv2_x部分有3个残差区块，每个残差区块包括2个1×1的卷积层+3×3的HetConv+3个BatchNorm层+3个Relu激活层。conv3_x部分有4个残差区块。conv4_x部分有6个残差区块。conv5_x部分有3个残差区块。其中残差区块conv_block和identity_block的区别是identity_block区块的旁路上多了一个卷积层，是为了保证提取出来的特征地图尺寸一致，可以相加。
如图3所示，异构卷积HetConv的结构在同一个卷积层中包含大小不同的卷积核。在这里我们定义一个参数P作为控制卷积核不同比例，总内核中
Figure BDA0002402088270000051
为3×3大小，其余部分
Figure BDA0002402088270000052
为1×1大小，本发明方法中将P设置为2。在标准卷积内核中，用0.5×通道数的1×1的卷积核替换3×3的卷积核，并且3×3的卷积核以移位的方式排列，如图，第一个通道上从第一个位置启动3×3的内核，则第二个通道上从第二个位置启动启动3×3的内核，以此类推。修改后的卷积计算成本公式：
Figure BDA0002402088270000053
其中Dw和Dh为输出特征空间的宽度和高度，M为输入通道数，N为输出通道数，K为卷积核大小。
其标准卷积的计算成本公式：
FLs＝Dw×Dh×N×M×K×K
与标准卷积相比，异构卷积的计算成本减少量可表示为：
Figure BDA0002402088270000054
如图4表所示，多尺度的特征进行融合，然后作为输入送入RPN网络。其中特征融合是自上而下和横向连接的，自上而下是从最高层开始进行上采样，这里的上采样直接使用的是最近邻上采样，而不是使用反卷积操作，一方面简单，另外一方面可以减少训练参数。横向连接则是将上采样的结果和自底向上生成的相同大小的特征地图进行融合。具体就是对中的每一层经过一个conv 1x1操作，无激活函数操作，输出通道全部设置为相同的256通道，然后和上采样的featuremap进行加和操作。在融合之后还会再采用3*3的卷积核对已经融合的特征进行处理来消除上采样的混叠效应。

Claims (2)

1.一种基于Mask R-CNN算法的癌细胞图像检测与分割方法，其特征在于，所述方法包括以下步骤：
步骤1：制作数据集，使用MS COCO数据集格式，人工对数据集进行Ground Truth的制作作为网络的训练集；
步骤2：Mask R-CNN算法中特征提取网络的构建和提取，特征提取网络选用深度残差网络ResNet，修改网络中的卷积结构，选用更加高效的异构卷积HetConv，同时在特征提取网络中加入FPN网络，对提取的特征进行多尺度的融合；
步骤3：癌细胞目标区域候选框的生成，将FPN融合后的特征送入RPN网络中进行目标区域生成，并将其分数值最高的设定数量个候选区域输入Mask R-CNN网络利用边框回归操作实现候选框位置精修，得到最终的目标框；
步骤4：癌细胞图像的检测目标结果精炼，获取每个目标推荐区域得分最高的class得分和推荐区域的坐标，删除掉得分最高为背景的推荐区域，剔除掉其中最高得分达不到阈值的推荐区域，对同一类别的候选框进行非极大值抑制NMS，对NMS后的框索引剔除-1占位符，获取前n，最后返回每个框(y1，x1，y2，x2，Class_ID，Score)信息；
步骤5：癌细胞图像的分割Mask生成，获取到目标推荐区域作为输入送入FCN网络输出一个2层的Mask，每层代表不同的类，以log输出并用进行阈值进行二值化，产生背景和前景的分割Mask。
2.如权利要求1所述的一种基于Mask R-CNN算法的癌细胞图像检测与分割方法，其特征在于，所述步骤2中，特征提取网络构建步骤如下：
2.1、ResNet-50作为特征提取网络，其网络结构分成5阶段，分别是:conv1、conv2_x、conv3_x、conv4_x、conv5_x，其中第1个阶段conv1是由1个卷积核为7×7的卷积层构成，剩下4个阶段中都是由不同数量的相同结构的区块构成，分别对应区块个数为conv2_x＝3、conv3_x＝4、conv4_x＝6、conv5_x＝3，每个区块组成结构是三个二维卷积层+BatchNorm层+Relu激活层，其中两个卷积层的卷积核为1×1，一个卷积层的卷积核为3×3；
2.2、修改特征提取网络ResNet-50网络中所有区块里卷积层的卷积核为3×3的卷积方式，将原本的标准卷积替换为异构卷积HetConv，其中异构卷积内核中3×3大小的卷积核和1×1大小的卷积核的数量都为0.5×通道数；
2.3、FPN对提取的特征进行多尺度的融合，在ResNet-50的5个阶段中除去第一阶段的其他4个阶段提取到的特征进行自上而下连接和横向连接，分别定义为P2、P3、P4、P5。
CN202010149987.9A 2020-03-06 2020-03-06 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法 Pending CN111489327A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010149987.9A CN111489327A (zh) 2020-03-06 2020-03-06 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010149987.9A CN111489327A (zh) 2020-03-06 2020-03-06 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法

Publications (1)

Publication Number Publication Date
CN111489327A true CN111489327A (zh) 2020-08-04

Family

ID=71798615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010149987.9A Pending CN111489327A (zh) 2020-03-06 2020-03-06 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法

Country Status (1)

Country Link
CN (1) CN111489327A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330616A (zh) * 2020-10-28 2021-02-05 上海交通大学 一种脑脊液细胞图像自动化识别和计数的方法
CN112396620A (zh) * 2020-11-17 2021-02-23 齐鲁工业大学 一种基于多阈值的图像语义分割方法及系统
CN112598031A (zh) * 2020-12-08 2021-04-02 北京农业信息技术研究中心 一种蔬菜病害检测方法及系统
CN112595655A (zh) * 2020-10-28 2021-04-02 宁夏医科大学总医院 基于人工智能的脑脊液细胞自动分析系统
CN113269747A (zh) * 2021-05-24 2021-08-17 浙江大学医学院附属第一医院 一种基于深度学习的病理图片肝癌扩散检测方法及系统
CN113469178A (zh) * 2021-07-05 2021-10-01 安徽南瑞继远电网技术有限公司 一种基于深度学习的电力表计识别方法
CN113642608A (zh) * 2021-07-14 2021-11-12 浙江工商大学 一种基于卷积神经网络的人形靶分割方法
CN114140668A (zh) * 2021-12-09 2022-03-04 深圳市资福医疗技术有限公司 胃部部位识别模型训练方法、部位识别方法及装置
CN114240978A (zh) * 2022-03-01 2022-03-25 珠海横琴圣澳云智科技有限公司 基于自适应形态学的细胞边缘分割方法和装置
CN115359060A (zh) * 2022-10-21 2022-11-18 首都师范大学 一种肺炎ct影像的病灶实例分割方法及装置
CN116826734A (zh) * 2023-07-04 2023-09-29 长江三峡集团实业发展(北京)有限公司 一种基于多输入模型的光伏发电功率预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271969A (zh) * 2018-10-29 2019-01-25 北京青燕祥云科技有限公司 一种脑胶质瘤分级评价方法及其装置
CN110136149A (zh) * 2019-05-21 2019-08-16 闽江学院 基于深度神经网络的白细胞定位与分割方法
US20200074271A1 (en) * 2018-08-29 2020-03-05 Arizona Board Of Regents On Behalf Of Arizona State University Systems, methods, and apparatuses for implementing a multi-resolution neural network for use with imaging intensive applications including medical imaging

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200074271A1 (en) * 2018-08-29 2020-03-05 Arizona Board Of Regents On Behalf Of Arizona State University Systems, methods, and apparatuses for implementing a multi-resolution neural network for use with imaging intensive applications including medical imaging
CN109271969A (zh) * 2018-10-29 2019-01-25 北京青燕祥云科技有限公司 一种脑胶质瘤分级评价方法及其装置
CN110136149A (zh) * 2019-05-21 2019-08-16 闽江学院 基于深度神经网络的白细胞定位与分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KAIMING HE, XIANGYU ZHANG , SHAOQING REN, JIAN SUN: "Deep Residual Learning for Image Recognition" *
NAJMEDDINE DHIEB; HAKIM GHAZZAI; HICHEM BESBES; YEHIA MASSOUD: "An Automated Blood Cells Counting and Classification Framework using Mask R-CNN Deep Learning Model" *
PRAVENDRA SINGH; VINAY KUMAR VERMA; PIYUSH RAI; VINAY P. NAMBOODIRI: "HetConv: Heterogeneous Kernel-Based Convolutions for Deep CNNs" *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112595655A (zh) * 2020-10-28 2021-04-02 宁夏医科大学总医院 基于人工智能的脑脊液细胞自动分析系统
CN112330616A (zh) * 2020-10-28 2021-02-05 上海交通大学 一种脑脊液细胞图像自动化识别和计数的方法
CN112396620A (zh) * 2020-11-17 2021-02-23 齐鲁工业大学 一种基于多阈值的图像语义分割方法及系统
CN112598031A (zh) * 2020-12-08 2021-04-02 北京农业信息技术研究中心 一种蔬菜病害检测方法及系统
CN113269747A (zh) * 2021-05-24 2021-08-17 浙江大学医学院附属第一医院 一种基于深度学习的病理图片肝癌扩散检测方法及系统
CN113469178B (zh) * 2021-07-05 2024-03-01 安徽南瑞继远电网技术有限公司 一种基于深度学习的电力表计识别方法
CN113469178A (zh) * 2021-07-05 2021-10-01 安徽南瑞继远电网技术有限公司 一种基于深度学习的电力表计识别方法
CN113642608A (zh) * 2021-07-14 2021-11-12 浙江工商大学 一种基于卷积神经网络的人形靶分割方法
CN113642608B (zh) * 2021-07-14 2023-12-01 浙江工商大学 一种基于卷积神经网络的人形靶分割方法
CN114140668A (zh) * 2021-12-09 2022-03-04 深圳市资福医疗技术有限公司 胃部部位识别模型训练方法、部位识别方法及装置
CN114240978A (zh) * 2022-03-01 2022-03-25 珠海横琴圣澳云智科技有限公司 基于自适应形态学的细胞边缘分割方法和装置
CN114240978B (zh) * 2022-03-01 2022-05-13 珠海横琴圣澳云智科技有限公司 基于自适应形态学的细胞边缘分割方法和装置
CN115359060A (zh) * 2022-10-21 2022-11-18 首都师范大学 一种肺炎ct影像的病灶实例分割方法及装置
CN116826734A (zh) * 2023-07-04 2023-09-29 长江三峡集团实业发展(北京)有限公司 一种基于多输入模型的光伏发电功率预测方法及装置

Similar Documents

Publication Publication Date Title
CN111489327A (zh) 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法
Zhang et al. Light-Weight Hybrid Convolutional Network for Liver Tumor Segmentation.
CN111666850A (zh) 一种基于聚类生成候选锚框的细胞图像检测与分割方法
CN111429474B (zh) 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法
CN114974575A (zh) 基于多特征融合的乳腺癌新辅助化疗疗效预测装置
CN111723845A (zh) 一种基于Mask轮廓的细胞图像分割方法
CN107767362A (zh) 一种基于深度学习的肺癌早筛装置
CN113012163A (zh) 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质
CN115147404B (zh) 一种双重特征融合mra图像的颅内动脉瘤分割方法
WO2022042201A1 (en) Method and apparatus for mammographic multi-view mass identification
Lei et al. Automated detection of retinopathy of prematurity by deep attention network
Chen et al. A deep residual attention-based U-Net with a biplane joint method for liver segmentation from CT scans
CN111951272A (zh) 脑部影像的分割方法、装置、计算机设备和可读存储介质
Cai et al. Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning
Krishna et al. An interpretable decision-support model for breast cancer diagnosis using histopathology images
KR102288727B1 (ko) 딥러닝 기반의 아밀로이드 양성 반응을 나타내는 퇴행성 뇌질환 이미지 분류 장치 및 방법
Li et al. Lesion-aware convolutional neural network for chest radiograph classification
CN111724345A (zh) 可自适应调节感受野大小的肺炎图片检定装置与方法
CN117765252A (zh) 一种基于Swin Transformer和对比学习的乳腺癌识别系统及方法
Maalem et al. A deep-based compound model for lung cancer detection
CN114066883A (zh) 一种基于特征选择与残差融合的肝肿瘤分割方法
Abd-Alhalem et al. Cervical cancer classification based on a bilinear convolutional neural network approach and random projection
CN112967254A (zh) 基于胸部ct影像肺部疾病识别和检测方法
Silva et al. Deep learning techniques applied to skin lesion classification: a review
CN116310535A (zh) 一种多尺度多区域的甲状腺结节预测方法

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: 20200804

RJ01 Rejection of invention patent application after publication