CN111583207A - 一种斑马鱼幼鱼心脏轮廓确定方法及系统 - Google Patents
一种斑马鱼幼鱼心脏轮廓确定方法及系统 Download PDFInfo
- Publication number
- CN111583207A CN111583207A CN202010348699.6A CN202010348699A CN111583207A CN 111583207 A CN111583207 A CN 111583207A CN 202010348699 A CN202010348699 A CN 202010348699A CN 111583207 A CN111583207 A CN 111583207A
- Authority
- CN
- China
- Prior art keywords
- fish
- juvenile
- juvenile fish
- zebra
- zebra fish
- 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
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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种斑马鱼幼鱼心脏轮廓确定方法及系统。该方法包括:采集多张测试集斑马鱼幼鱼显微图像和训练集斑马鱼幼鱼显微图像;将各训练集斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域;对各幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标;根据各幼鱼区域和相应的特征点坐标进行卷积神经网络的训练;根据测试集斑马鱼幼鱼显微图像对训练后的网络模型进行优化;将待预测的斑马鱼幼鱼显微图像作为输入输入至优化后的网络模型,得到待预测幼鱼心脏轮廓的特征点坐标;根据待预测幼鱼心脏轮廓的特征点坐标,确定斑马鱼幼鱼心脏轮廓。本发明能够准确地确定幼鱼心脏轮廓,从而顺利地完成斑马鱼幼鱼心脏注射过程。
Description
技术领域
本发明涉及斑马鱼幼鱼心脏轮廓研究领域,特别是涉及一种斑马鱼幼鱼心脏轮廓确定方法及系统。
背景技术
在斑马鱼幼鱼心脏注射过程中,很重要的一步是确定幼鱼心脏的位置及轮廓,以便进行后续操作。尽管现在存在一些基于特征检测的图像处理方法,但其实际效果受光照、角度、清晰度等环境因素影响很大,使用时效果很不稳定。
发明内容
本发明的目的是提供一种斑马鱼幼鱼心脏轮廓确定方法及系统,能够准确地确定幼鱼心脏轮廓,从而顺利地完成斑马鱼幼鱼心脏注射过程。
为实现上述目的,本发明提供了如下方案:
一种斑马鱼幼鱼心脏轮廓确定方法,包括:
采集多张斑马鱼幼鱼显微图像,所述斑马鱼幼鱼显微图像包括测试集斑马鱼幼鱼显微图像和训练集斑马鱼幼鱼显微图像;
将各所述训练集斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域;
对各所述幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标;
根据各所述幼鱼区域和相应的所述特征点坐标进行卷积神经网络的训练,得到训练后的网络模型;
根据所述测试集斑马鱼幼鱼显微图像对所述训练后的网络模型进行优化,得到优化后的网络模型;
将待预测的斑马鱼幼鱼显微图像作为输入输入至所述优化后的网络模型,得到待预测幼鱼心脏轮廓的特征点坐标;
根据所述待预测幼鱼心脏轮廓的特征点坐标,确定斑马鱼幼鱼心脏轮廓。
可选的,所述将各所述斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域,具体包括:
将各所述斑马鱼幼鱼显微图像进行保留包含心脏信息的裁剪处理,得到裁剪处理后的幼鱼区域。
可选的,所述对各所述幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标,具体包括:
根据所述幼鱼区域,建立坐标系;
选取所述幼鱼区域中8个特征点进行椭圆拟合;
根据所述坐标系,确定对应的斑马鱼幼鱼心脏轮廓中椭圆拟合特征点的坐标。
可选的,所述根据各所述幼鱼区域和相应的所述特征点坐标进行卷积神经网络的训练,得到训练后的网络模型,具体包括:
将各所述幼鱼区域作为输入,相应的所述特征点坐标作为输出,对卷积神经网络进行训练,得到训练后的网络模型。
一种斑马鱼幼鱼心脏轮廓确定系统,包括:
图像采集模块,用于采集多张斑马鱼幼鱼显微图像,所述斑马鱼幼鱼显微图像包括测试集斑马鱼幼鱼显微图像和训练集斑马鱼幼鱼显微图像;
裁剪处理模块,用于将各所述训练集斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域;
椭圆拟合模块,用于对各所述幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标;
网络训练模块,用于根据各所述幼鱼区域和相应的所述特征点坐标进行卷积神经网络的训练,得到训练后的网络模型;
网络优化模块,用于根据所述测试集斑马鱼幼鱼显微图像对所述训练后的网络模型进行优化,得到优化后的网络模型;
待预测特征点确定模块,用于将待预测的斑马鱼幼鱼显微图像作为输入输入至所述优化后的网络模型,得到待预测幼鱼心脏轮廓的特征点坐标;
斑马鱼幼鱼心脏轮廓确定模块,用于根据所述待预测幼鱼心脏轮廓的特征点坐标,确定斑马鱼幼鱼心脏轮廓。
可选的,所述裁剪处理模块,具体包括:
裁剪处理单元,用于将各所述斑马鱼幼鱼显微图像进行保留包含心脏信息的裁剪处理,得到裁剪处理后的幼鱼区域。
可选的,所述椭圆拟合模块,具体包括:
坐标系建立单元,用于根据所述幼鱼区域,建立坐标系;
椭圆拟合单元,用于选取所述幼鱼区域中8个特征点进行椭圆拟合;
特征点坐标确定单元,用于根据所述坐标系,确定对应的斑马鱼幼鱼心脏轮廓中椭圆拟合特征点的坐标。
可选的,所述网络训练模块,具体包括:
网络训练单元,用于将各所述幼鱼区域作为输入,相应的所述特征点坐标作为输出,对卷积神经网络进行训练,得到训练后的网络模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种斑马鱼幼鱼心脏轮廓确定方法及系统。通过采集多张测试集斑马鱼幼鱼显微图像和训练集斑马鱼幼鱼显微图像;将各训练集斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域;对各幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标;根据各幼鱼区域和相应的特征点坐标进行卷积神经网络的训练;根据测试集斑马鱼幼鱼显微图像对训练后的网络模型进行优化;将待预测的斑马鱼幼鱼显微图像作为输入输入至优化后的网络模型,得到待预测幼鱼心脏轮廓的特征点坐标;根据待预测幼鱼心脏轮廓的特征点坐标,确定斑马鱼幼鱼心脏轮廓。通过上述过程本发明能够准确地确定幼鱼心脏轮廓,从而为顺利地完成斑马鱼幼鱼心脏注射过程提供基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明斑马鱼幼鱼心脏轮廓确定方法流程图;
图2为本发明感兴趣区域示意图;
图3为本发明图像坐标系示意图;
图4为本发明利用椭圆拟合逼近心脏轮廓示意图;
图5为本发明神经网络结构图一;
图6为本发明中神经网络所用激活函数示意图;
图7为本发明神经网络结构图二;
图8为本发明斑马鱼幼鱼心脏轮廓确定系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种斑马鱼幼鱼心脏轮廓确定方法及系统,能够准确地确定幼鱼心脏轮廓,从而顺利地完成斑马鱼幼鱼心脏注射过程。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明斑马鱼幼鱼心脏轮廓确定方法流程图。如图1所示,一种斑马鱼幼鱼心脏轮廓确定方法包括:
步骤101:采集多张斑马鱼幼鱼显微图像,所述斑马鱼幼鱼显微图像包括测试集斑马鱼幼鱼显微图像和训练集斑马鱼幼鱼显微图像;将上述斑马鱼幼鱼显微图像作为神经网络训练样本,要求人眼能较准确分辨心脏位置及轮廓。
步骤102:将各所述训练集斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域,具体包括:
将各所述斑马鱼幼鱼显微图像进行保留包含心脏信息的裁剪处理,得到裁剪处理后的幼鱼区域。
为降低计算成本,神经网络训练时选取的是只包含心脏轮廓及其附近有限区域内的图像(感兴趣区域)作为训练样本。若无特殊说明,本发明出现的坐标均为在在感兴趣区域内的相对坐标。图2为本发明感兴趣区域示意图。
步骤103:对各所述幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标,具体包括:
根据所述幼鱼区域,建立坐标系,具体的,以图像左上角点为原点,水平向右为x+,竖直向下为y+。图3为本发明图像坐标系示意图。其中,图像坐标O-XY,原点O位于图像左上角。
选取所述幼鱼区域中8个特征点进行椭圆拟合,得到的椭圆认为是心脏轮廓。
根据所述坐标系,确定对应的斑马鱼幼鱼心脏轮廓中椭圆拟合特征点的坐标。特征点的坐标为所述坐标系中像素位置的坐标。图4为本发明利用椭圆拟合逼近心脏轮廓示意图。
心脏位置特征点是确定幼鱼心脏位置的重要参考点。在制作训练样本的标签时,首先需要人工估计幼鱼心脏的大概位置。在确定心脏的位置后,由于幼鱼的心脏的大致形状为椭圆形,因此可以用一个椭圆代表心脏的大致轮廓。在选取特征点时,首先确定椭圆的长轴与短轴。长轴、短轴方向与长度取决于心脏的具体形状。确定长轴短轴之后,椭圆便可确定下来。随后,只需在椭圆上均匀选取若干个点(这里选取8个点)作为特征点输入神经网络进行训练即可。8个特征点由有经验的实验人员根据估算的心脏位置选出,要求均匀且能包含心脏轮廓。
选择椭圆关键点时,首先确定长轴和短轴,同时确定椭圆的中心。随后,以椭圆中心为起点,在长轴、短轴所形成的四个象限内做4条射线,使得射线与长轴、短轴的夹角分别为45度,射线与椭圆相交于4点。这四个点外加椭圆的长轴、短轴端点共8个特征点。
步骤103在具体实施过程中采用最小二乘法进行椭圆拟合。
步骤104:根据各所述幼鱼区域和相应的所述特征点坐标进行卷积神经网络的训练,得到训练后的网络模型,具体包括:
将各所述幼鱼区域作为输入,相应的所述特征点坐标作为输出,对卷积神经网络进行训练,得到训练后的网络模型。
在以上卷积神经网络的训练中,所选用的是非线性激活函数:
f(x)=x+=max(0,x)
图6为本发明中神经网络所用激活函数示意图。
对整流函数进行平滑的近似,可以得到如下的解析函数,该函数被称作softplus函数,如下式所示:
f(x)=ln(1+ex)
softplus函数的导数为:
步骤105:根据所述测试集斑马鱼幼鱼显微图像对所述训练后的网络模型进行优化,得到优化后的网络模型。
所选用的优化方法为梯度下降法,梯度下降法是基于以下想法而提出的:F(x)是定义在a点邻域并且可导的多元函数,若自变量与沿着F(x)在a点梯度负值的方向移动,即在高维空间所对应方向,则F(x)的值减小的速度最快。因此,
若
当γ足够小时,则F(an)>F(an+1)。换句话说,这一项应从a中减去,因为希望自变量向着与梯度相反的方向移动,进而使待优化的函数达到极小值。综合以上考虑,若自变量从某个猜测的极小值点x0开始变化,并考虑以下序列x0,x1,x2,…,使得
有
F(x0)≥F(x1)≥F(x2)≥…
因此在希望状态下序列xn将收敛于预期的局部极小值。并且需要注意步长的大小γ在每一次的迭代中都允许被改变。在这种情况下,该方法可以实现目标函数最终收敛到局部极小值。当F为凸函数时,所有的局部极小值同时也是全局极小值,所以在这种情况下函数最终可以收敛到全局最优解。
步骤106:将待预测的斑马鱼幼鱼显微图像作为输入输入至所述优化后的网络模型,得到待预测幼鱼心脏轮廓的特征点坐标。
步骤107:根据所述待预测幼鱼心脏轮廓的特征点坐标,确定斑马鱼幼鱼心脏轮廓。
本发明与现有技术相比,具有下列优势:
1.本发明利用神经网络的方法可以较好地排除环境因素对结果造成的干扰,整体的稳定性较好。
2.本发明的方法能达到较高的精度,实验中测得误差小于10个像素。
本发明还提供一种斑马鱼幼鱼心脏轮廓确定系统。图8为本发明斑马鱼幼鱼心脏轮廓确定系统结构图。如图8所示,一种斑马鱼幼鱼心脏轮廓确定系统包括:
图像采集模块201,用于采集多张斑马鱼幼鱼显微图像,所述斑马鱼幼鱼显微图像包括测试集斑马鱼幼鱼显微图像和训练集斑马鱼幼鱼显微图像。
裁剪处理模块202,用于将各所述训练集斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域。
椭圆拟合模块203,用于对各所述幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标。
网络训练模块204,用于根据各所述幼鱼区域和相应的所述特征点坐标进行卷积神经网络的训练,得到训练后的网络模型。
网络优化模块205,用于根据所述测试集斑马鱼幼鱼显微图像对所述训练后的网络模型进行优化,得到优化后的网络模型。
待预测特征点确定模块206,用于将待预测的斑马鱼幼鱼显微图像作为输入输入至所述优化后的网络模型,得到待预测幼鱼心脏轮廓的特征点坐标。
斑马鱼幼鱼心脏轮廓确定模块207,用于根据所述待预测幼鱼心脏轮廓的特征点坐标,确定斑马鱼幼鱼心脏轮廓。
所述裁剪处理模块202,具体包括:
裁剪处理单元,用于将各所述斑马鱼幼鱼显微图像进行保留包含心脏信息的裁剪处理,得到裁剪处理后的幼鱼区域。
所述椭圆拟合模块203,具体包括:
坐标系建立单元,用于根据所述幼鱼区域,建立坐标系。
椭圆拟合单元,用于选取所述幼鱼区域中8个特征点进行椭圆拟合。
特征点坐标确定单元,用于根据所述坐标系,确定对应的斑马鱼幼鱼心脏轮廓中椭圆拟合特征点的坐标。
所述网络训练模块204,具体包括:
网络训练单元,用于将各所述幼鱼区域作为输入,相应的所述特征点坐标作为输出,对卷积神经网络进行训练,得到训练后的网络模型
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种斑马鱼幼鱼心脏轮廓确定方法,其特征在于,包括:
采集多张斑马鱼幼鱼显微图像,所述斑马鱼幼鱼显微图像包括测试集斑马鱼幼鱼显微图像和训练集斑马鱼幼鱼显微图像;
将各所述训练集斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域;
对各所述幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标;
根据各所述幼鱼区域和相应的所述特征点坐标进行卷积神经网络的训练,得到训练后的网络模型;
根据所述测试集斑马鱼幼鱼显微图像对所述训练后的网络模型进行优化,得到优化后的网络模型;
将待预测的斑马鱼幼鱼显微图像作为输入输入至所述优化后的网络模型,得到待预测幼鱼心脏轮廓的特征点坐标;
根据所述待预测幼鱼心脏轮廓的特征点坐标,确定斑马鱼幼鱼心脏轮廓。
2.根据权利要求1所述的斑马鱼幼鱼心脏轮廓确定方法,其特征在于,所述将各所述斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域,具体包括:
将各所述斑马鱼幼鱼显微图像进行保留包含心脏信息的裁剪处理,得到裁剪处理后的幼鱼区域。
3.根据权利要求1所述的斑马鱼幼鱼心脏轮廓确定方法,其特征在于,所述对各所述幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标,具体包括:
根据所述幼鱼区域,建立坐标系;
选取所述幼鱼区域中8个特征点进行椭圆拟合;
根据所述坐标系,确定对应的斑马鱼幼鱼心脏轮廓中椭圆拟合特征点的坐标。
4.根据权利要求1所述的斑马鱼幼鱼心脏轮廓确定方法,其特征在于,所述根据各所述幼鱼区域和相应的所述特征点坐标进行卷积神经网络的训练,得到训练后的网络模型,具体包括:
将各所述幼鱼区域作为输入,相应的所述特征点坐标作为输出,对卷积神经网络进行训练,得到训练后的网络模型。
5.一种斑马鱼幼鱼心脏轮廓确定系统,其特征在于,包括:
图像采集模块,用于采集多张斑马鱼幼鱼显微图像,所述斑马鱼幼鱼显微图像包括测试集斑马鱼幼鱼显微图像和训练集斑马鱼幼鱼显微图像;
裁剪处理模块,用于将各所述训练集斑马鱼幼鱼显微图像进行裁剪处理,得到裁剪处理后的幼鱼区域;
椭圆拟合模块,用于对各所述幼鱼区域进行椭圆拟合,得到斑马鱼幼鱼心脏轮廓的特征点坐标;
网络训练模块,用于根据各所述幼鱼区域和相应的所述特征点坐标进行卷积神经网络的训练,得到训练后的网络模型;
网络优化模块,用于根据所述测试集斑马鱼幼鱼显微图像对所述训练后的网络模型进行优化,得到优化后的网络模型;
待预测特征点确定模块,用于将待预测的斑马鱼幼鱼显微图像作为输入输入至所述优化后的网络模型,得到待预测幼鱼心脏轮廓的特征点坐标;
斑马鱼幼鱼心脏轮廓确定模块,用于根据所述待预测幼鱼心脏轮廓的特征点坐标,确定斑马鱼幼鱼心脏轮廓。
6.根据权利要求5所述的斑马鱼幼鱼心脏轮廓确定系统,其特征在于,所述裁剪处理模块,具体包括:
裁剪处理单元,用于将各所述斑马鱼幼鱼显微图像进行保留包含心脏信息的裁剪处理,得到裁剪处理后的幼鱼区域。
7.根据权利要求5所述的斑马鱼幼鱼心脏轮廓确定系统,其特征在于,所述椭圆拟合模块,具体包括:
坐标系建立单元,用于根据所述幼鱼区域,建立坐标系;
椭圆拟合单元,用于选取所述幼鱼区域中8个特征点进行椭圆拟合;
特征点坐标确定单元,用于根据所述坐标系,确定对应的斑马鱼幼鱼心脏轮廓中椭圆拟合特征点的坐标。
8.根据权利要求5所述的斑马鱼幼鱼心脏轮廓确定系统,其特征在于,所述网络训练模块,具体包括:
网络训练单元,用于将各所述幼鱼区域作为输入,相应的所述特征点坐标作为输出,对卷积神经网络进行训练,得到训练后的网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010348699.6A CN111583207B (zh) | 2020-04-28 | 2020-04-28 | 一种斑马鱼幼鱼心脏轮廓确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010348699.6A CN111583207B (zh) | 2020-04-28 | 2020-04-28 | 一种斑马鱼幼鱼心脏轮廓确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583207A true CN111583207A (zh) | 2020-08-25 |
CN111583207B CN111583207B (zh) | 2022-04-12 |
Family
ID=72111839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010348699.6A Active CN111583207B (zh) | 2020-04-28 | 2020-04-28 | 一种斑马鱼幼鱼心脏轮廓确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583207B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418171A (zh) * | 2020-12-10 | 2021-02-26 | 江南大学 | 一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法 |
CN112466398A (zh) * | 2020-10-29 | 2021-03-09 | 浙江赛微思生物科技有限公司 | 斑马鱼模型评价人基因功能可行性的判断方法及装置 |
CN112465740A (zh) * | 2020-09-30 | 2021-03-09 | 宁波智能装备研究院有限公司 | 一种基于显微操作系统的目标吸持点定位方法及系统 |
CN112465906A (zh) * | 2020-09-30 | 2021-03-09 | 宁波智能装备研究院有限公司 | 一种基于显微操作系统的斑马鱼姿态检测方法及系统 |
CN113528583A (zh) * | 2021-07-15 | 2021-10-22 | 澳门大学 | 自动化显微注射方法、装置、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107047396A (zh) * | 2017-06-23 | 2017-08-18 | 哈尔滨工业大学 | 一种视觉伺服斑马鱼心脏注射方法 |
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
CN108013904A (zh) * | 2017-12-15 | 2018-05-11 | 无锡祥生医疗科技股份有限公司 | 心脏超声成像方法 |
CN109584254A (zh) * | 2019-01-07 | 2019-04-05 | 浙江大学 | 一种基于深层全卷积神经网络的心脏左心室分割方法 |
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
WO2019217846A1 (en) * | 2018-05-10 | 2019-11-14 | Board Of Regents, The University Of Texas System | Line excitation array detection microscopy |
-
2020
- 2020-04-28 CN CN202010348699.6A patent/CN111583207B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
CN107047396A (zh) * | 2017-06-23 | 2017-08-18 | 哈尔滨工业大学 | 一种视觉伺服斑马鱼心脏注射方法 |
CN108013904A (zh) * | 2017-12-15 | 2018-05-11 | 无锡祥生医疗科技股份有限公司 | 心脏超声成像方法 |
WO2019217846A1 (en) * | 2018-05-10 | 2019-11-14 | Board Of Regents, The University Of Texas System | Line excitation array detection microscopy |
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN109584254A (zh) * | 2019-01-07 | 2019-04-05 | 浙江大学 | 一种基于深层全卷积神经网络的心脏左心室分割方法 |
Non-Patent Citations (4)
Title |
---|
WEIYANG LIN: "Adaptive Sliding Mode Control of three-dimensional Rotation of Zebrafish Larvae", 《2017 32ND YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION(YAC)》 * |
庄松霖: "面向斑马鱼幼鱼的显微操作系统关键技术研究", 《中国博士学位论文全文数据库基础科学辑》 * |
张晓明: "《地磁导航理论与实践》", 31 March 2016 * |
赵尚义等: "基于3DCNN的脑胶质瘤分类算法", 《光学技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465740A (zh) * | 2020-09-30 | 2021-03-09 | 宁波智能装备研究院有限公司 | 一种基于显微操作系统的目标吸持点定位方法及系统 |
CN112465906A (zh) * | 2020-09-30 | 2021-03-09 | 宁波智能装备研究院有限公司 | 一种基于显微操作系统的斑马鱼姿态检测方法及系统 |
CN112465906B (zh) * | 2020-09-30 | 2022-06-14 | 宁波智能装备研究院有限公司 | 一种基于显微操作系统的斑马鱼姿态检测方法及系统 |
CN112465740B (zh) * | 2020-09-30 | 2022-06-14 | 宁波智能装备研究院有限公司 | 一种基于显微操作系统的目标吸持点定位方法及系统 |
CN112466398A (zh) * | 2020-10-29 | 2021-03-09 | 浙江赛微思生物科技有限公司 | 斑马鱼模型评价人基因功能可行性的判断方法及装置 |
CN112418171A (zh) * | 2020-12-10 | 2021-02-26 | 江南大学 | 一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法 |
CN112418171B (zh) * | 2020-12-10 | 2024-03-12 | 江南大学 | 一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法 |
CN113528583A (zh) * | 2021-07-15 | 2021-10-22 | 澳门大学 | 自动化显微注射方法、装置、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111583207B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583207B (zh) | 一种斑马鱼幼鱼心脏轮廓确定方法及系统 | |
US20220366576A1 (en) | Method for target tracking, electronic device, and storage medium | |
CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
CN107146198B (zh) | 一种照片智能裁剪方法及装置 | |
CN101872237B (zh) | 瞳孔追踪方法与系统及用于瞳孔追踪的校正方法与模组 | |
TWI398157B (zh) | 影像邊界掃描系統及方法 | |
CN110096202B (zh) | 一种基于深度强化学习的轻量级图像自动裁剪系统及方法 | |
CN106031148A (zh) | 成像设备,成像设备中自动对焦的方法以及对应计算机程序 | |
CN112132856A (zh) | 一种基于自适应模板更新的孪生网络跟踪方法 | |
CN112507904B (zh) | 一种基于多尺度特征的教室人体姿态实时检测方法 | |
CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
CN111552069A (zh) | 一种基于深度强化学习的显微图像自动聚焦方法及系统 | |
CN109784297A (zh) | 一种基于深度学习的三维目标识别与最优抓取方法 | |
CN116129465A (zh) | 一种基于概率扩散模型的渐进式头部姿态估计方法 | |
CN114359445A (zh) | 人体骨骼关节点提取模型的训练数据生成方法及装置 | |
CN112418171A (zh) | 一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法 | |
CN115862130B (zh) | 基于人体姿态及其躯干运动场的行为识别方法 | |
CN113933981A (zh) | 基于光学图像清晰度的自动对焦方法及相关设备 | |
CN117133014A (zh) | 一种生猪面部关键点检测方法 | |
CN111612802A (zh) | 一种基于现有图像语义分割模型的再优化训练方法及应用 | |
US9286681B2 (en) | Edit guided processing method for time-lapse image analysis | |
Cejnek et al. | Machine vision object measurement in difficult industry environment | |
CN113592907A (zh) | 基于光流的视觉伺服跟踪方法及装置 | |
CN111242062A (zh) | 一种斑马鱼幼鱼表皮位置检测的图像处理方法及系统 | |
CN105718050A (zh) | 一种实时的人脸交互方法及其系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220302 Address after: 315000 No.189 Guangming Road, Zhuangshi street, Zhenhai District, Ningbo City, Zhejiang Province Applicant after: Ningbo Intelligent Equipment Research Institute Co.,Ltd. Address before: No. 189 Guangming Road, Zhuangshi street, Zhenhai District, Ningbo City, Zhejiang Province Applicant before: Yu Xinghu |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |