CN111696084A - 细胞图像分割方法、装置、电子设备及可读存储介质 - Google Patents

细胞图像分割方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111696084A
CN111696084A CN202010435101.7A CN202010435101A CN111696084A CN 111696084 A CN111696084 A CN 111696084A CN 202010435101 A CN202010435101 A CN 202010435101A CN 111696084 A CN111696084 A CN 111696084A
Authority
CN
China
Prior art keywords
image
segmentation
convolution
sampling
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.)
Granted
Application number
CN202010435101.7A
Other languages
English (en)
Other versions
CN111696084B (zh
Inventor
谢春梅
侯晓帅
李风仪
王佳平
南洋
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010435101.7A priority Critical patent/CN111696084B/zh
Priority claimed from CN202010435101.7A external-priority patent/CN111696084B/zh
Priority to PCT/CN2020/098966 priority patent/WO2021151272A1/zh
Publication of CN111696084A publication Critical patent/CN111696084A/zh
Application granted granted Critical
Publication of CN111696084B publication Critical patent/CN111696084B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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

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

Abstract

本发明涉及人工智能技术，揭露了一种细胞图像分割方法，包括：对原始细胞图像进行降采样操作，得到降采样图像，将所述降采样图像进行分割得到第一分割图，根据预构建的像素点坐标转换模型，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图，通过图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像，将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。本发明还涉及区块链技术，所述升采样图像存储于区块链中。本发明可以解决细胞图像分辨率过高，算法计算效率低导致影响计算速度及分割精确度的问题。

Description

细胞图像分割方法、装置、电子设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种细胞图像分割的方法、装置、电子设备及可读存储介质。
背景技术
随着深度学习在医学影像领域中的渗透及应用，AI技术可以帮助医生定位病灶细胞分析病情，辅助医生精确快速的做出诊断，目前医疗影像领域AI应用主要集中在肺结节、眼底、肝脏等细胞，随着AI技术的不断进步及临床需求的日益提高，AI技术在数字病理诊断也得到应用。
如在临床肿瘤细胞检测中，患者先拍摄CT，医生结合自身经验通过观看CT图像中是否存在肿瘤细胞来对患者进行判断，但是由于CT图像是一系列帧，数量较多，且肿瘤细胞往往在整个CT图像中占比较小，对比度不高，从而医生需要花费大量的时间来进行观察判断，即使通过计算机结合深度学习算法辅助医生进行诊断，由于CT图像分辨率高、数量多的原因，深度学习算法需要进行大量的特征计算，因此在占用计算机计算资源的前提下，分割精确度也不高。
发明内容
本发明提供一种细胞图像分割方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决细胞图像分辨率过高，算法计算效率低导致影响计算速度及分割精确度的问题。
为实现上述目的，本发明提供的一种细胞图像分割方法，包括：
对原始细胞图像进行降采样操作，得到降采样图像；
将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图；
根据预构建的像素点坐标转换模型与双线性插值算法，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图；
通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像；
将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。
可选地，所述对原始细胞图像进行降采样操作，得到降采样图像，包括：
对尺寸为M×N的所述原始细胞图像按照预设的降采样比例s进行降采样操作，得到尺寸为
Figure BDA0002501078620000021
的所述降采样图像；
其中，s是M和N的公约数。
可选地，所述预构建的卷积分割网络模型的构建过程包括：
根据预习设定的级联规则，在全卷积神经网络中级联全连接层；
并将多层卷积神经网络与添加完所述全连接层的全卷积神经网络进行级联得到所述卷积分割网络模型。
可选地，所述将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图，包括：
通过所述卷积分割网络模型对所述降采样图像进行卷积运算，生成降采样卷积特征图；
对所述降采样卷积特征图进行反卷积运算，得到反卷积特征图；
将所述反卷积特征图输入至所述卷积分割网络模型中分类函数中，计算得到所述降采样图像的各个分割区域的概率值；
根据所述各个分割区域的概率值，对所述降采样图像进行分割，生成所述第一分割图。
可选地，所述升采样图像存储于区块链中，所述通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像，包括：
按照预设的匹配规则，从所述第二分割图中选取SIFT特征点，依次与所述原始细胞图像的SIFT特征点进行匹配，得到原始匹配对集；
计算所述原始匹配对集内每组匹配对的内点率，将内点率小于预设值α的匹配对剔除，得到初级匹配对集；
根据所述初级匹配对集计算所述初级匹配对集的基础矩阵，计算所述基础矩阵的秩数，剔除到秩数大于预设的秩数阈值的所述匹配对得到标准匹配对集；
根据预设插入规则，将所述标准匹配对集插入至所述第二分割图，得到所述升采样图像。
可选地，所述将所述升采样图像进行形态学算法的预处理，包括：
对所述升采样图像进行去噪滤波预处理，得到第一预处理图像；
通过预设的大律法阈值将所述第一预处理图像进行二值化操作与反转操作，生成第二预处理图像；
通过形态学腐蚀操作对所述第二预处理图像的边界进行平滑，并通过形态学膨胀操作填补所述第二预处理图像在所述平滑处理过程形成的空洞，得到预处理操作之后的所述升采样图像。
为了解决上述问题，本发明还提供一种细胞图像分割装置，所述装置包括：
降采样模块，用于对原始细胞图像进行降采样操作，得到降采样图像；
低分辨率分割模块，用于将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图；
升采样分割模块，用于根据预构建的像素点坐标转换模型与双线性插值算法，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图；
细胞图像分割模块，用于通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像，将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的细胞图像分割方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的细胞图像分割方法。
本发明实施例先对原始细胞图像进行降采样操作得到降采样图像，降采样操作降低了原始细胞图像的分辨率，减轻了后续的计算压力，同时为了防止降低原始细胞图像的分辨率影响到后续细胞图像分割精确度，先使用预构建的卷积分割网络模型进行第一次分割得到第一分割图，并将第一分割图与原始细胞图像进行合并得到升采样图像，并使用卷积分割网络模型进行第二次分割得到分割图像，由于第二次分割是基于已降低分辨率的原始细胞图像为基础，所以相对来说卷积分割网络模型无须进行大量计算，另外将原始细胞图像与第一分割图进行了合并，为第二次分割提供了分割方向，故提高了细胞图像分割的精确度。因此本发明提出的车辆定损方法、装置及计算机可读存储介质，可以解决细胞图像分辨率过高，算法计算效率低导致影响计算速度及分割精确度的问题。
附图说明
图1为本发明一实施例提供的细胞图像分割方法的流程示意图；
图2为本发明一实施例提供的细胞图像分割方法的S2步骤的详细流程示意图；
图3为本发明一实施例提供的细胞图像分割方法的S4步骤的详细流程示意图；
图4为本发明一实施例提供的细胞图像分割方法的形态学算法预处理的详细流程示意图
图5为本发明一实施例提供的细胞图像分割装置的模块示意图；
图6为本发明一实施例提供的细胞图像分割方法的电子设备的内部结构示意图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明提供一种细胞图像分割方法。参照图1所示，为本发明一实施例提供的细胞图像分割方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和或硬件实现。
在本实施例中，所述细胞图像分割方法包括：
S1、获取原始细胞图像，对所述原始细胞图像进行降采样操作，得到降采样图像。
本发明实施例中，原始细胞图像可以是通过医院放射科的机器扫描得到病理部位的CT图像，如肿瘤部位的CT图像，使用医院放射科的机器发出X射线，在穿透人体之后，X射线被X射线探测器捕捉到，根据肿瘤对X射线的透过率与其他器官对X射线的透过率不同，从而得到肿瘤部位的CT图像。
详细地，所述对原始细胞图像进行降采样操作，得到降采样图像，包括：对尺寸为M×N的所述原始细胞图像按照设定的降采样比例s进行降采样操作，得到尺寸为
Figure BDA0002501078620000051
的所述降采样图像，其中s是M和N的公约数。
如原始细胞图像分辨率大小为1000*1000，通过降采样比例10的降采样操作后，得到的降采样图像分辨率大小变成100*100。
S2、将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图。
本发明实施例中，所述卷积分割网络模型是以改进全卷积神经网络(Convolutional Networks for Biomedical Image Segmentation，简称U-net网络)为基础而构建的两级联网络模型。所述改进U-net网络主要在传统的U-net网络内添加一个低分辨率的全连接层，以达到对所述降采样图像进行粗略分割的目的，然后级联标准的卷积神经网络模型进行更精细分割，从而得到所述第一分割图。
详细地，所述预构建的卷积分割网络模型的构建过程包括：根据预习设定的级联规则，在全卷积神经网络中级联全连接层，并将多层卷积神经网络与添加所述全连接层的全卷积神经网络进行级联得到所述卷积分割网络模型。
如在全卷积神经网络中添加全连接层后，在全连接层后继续追加标准的VGG网络(Very deep convolutional networks)，从而得到卷积分割网络模型。
VGG网络是标准的卷积神经网络，在特征提取及图片分割中都经常被使用。其中使用最广泛的是VGG16和VGG19，分别代表卷积网络层级为16层和19层。
进一步地，请参阅附图说明图2的详细流程，所述将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图，包括：
S21、通过所述卷积分割网络模型对所述降采样图像进行卷积运算，生成降采样卷积特征图；
S22、对所述降采样卷积特征图进行反卷积运算，得到反卷积特征图；
S23、将所述反卷积特征图输入至所述卷积分割网络模型的分类函数中，计算得到所述降采样图像的各个分割区域的概率值；
S24、根据所述各个分割区域的概率值，对所述降采样图像进行分割，生成所述第一分割图。
详细地，所述卷积运算如下所示：
al＝f(wl*al-1+bl)
其中，al为所述卷积运算的输出值，f(·)为所述卷积运算的激活函数，wl为卷积核，*代表卷积操作，bl为偏置参数，al-1为所述降采样图像的像素值。
所述反卷积又被称为转置(Transposed)，其计算过程与所述卷积运算刚好相反。
进一步地，所述softmax分类函数为：
Figure BDA0002501078620000061
其中，m表示所述反卷积特征图的像素数量，ω表示预设权重值，x表示所述反卷积特征图，K表示预设的分割区域个数，I{·}为指示性函数，y(i)表示第i个分割区域的概率值。
进一步地，当得到各个分割区域的概率值后，本发明实施例可根据各个分割区域的概率值对所述降采样图像进行分割，如所述降采样图像计算分割为10个分割区域，而通过上述操作生成100个分割区域及100个分割区域对应的概率值，提取概率值最高的10个分割区域得到所述第一分割图。
S3、根据预构建的像素点坐标转换模型与双线性插值算法，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图。
详细地，所述像素点坐标转换模型为f(x,y)＝b1+b2x+b3y+b4xy，其中(x,y)为所述原始细胞图像的像素点在坐标系中的坐标，b1、b2、b3与b4为预设系数。本发明实施例利用所述像素点坐标转换模型将所述原始细胞图像进行坐标转换。
当完成像素点坐标转换后，本发明实施例利用当前已公开的双线性插值算法将完成像素点坐标转换后的像素点插入至所述第一分割图，得到所述第二分割图。
S4、通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像。
详细地，所述S4请参与附图说明图3的详细流程，包括：
S41、按照预设的匹配规则，从所述第二分割图中选取SIFT(Scale-invariantfeature transform，尺度不变特征变换)特征点，依次与所述原始细胞图像的SIFT特征点进行匹配，得到原始匹配对集。
详细地，所述匹配规则可有很多种规则设定，如取第二分割图中的一个SIFT关键点A1，并找出与原始细胞图像中欧式距离最近的前两个SIFT关键点B1及B2，得到两组匹配对A1-B1和A1-B2。
S42、计算所述原始匹配对集内每组匹配对的内点率，将内点率小于预设值α的匹配对剔除，得到初级匹配对集；
同样的，如上述两组匹配对A1-B1和A1-B2，利用欧式距离中最近距离B1除以次近距离B2得到的比率ratio值，若比率ratio值少于阈值T，则接受这两组匹配对A1-B1和A1-B2，若比率ratio值大于阈值T，则剔除这两组匹配对A1-B1和A1-B2。
S43、根据所述初级匹配对集计算所述初级匹配对集的基础矩阵，根据基础矩阵计算对应的秩数，剔除到秩数大于预设的秩数阈值γ的所述匹配对得到标准匹配对集。
在图片及计算机视觉领域中，基础矩阵(Fundamental matrix)一般是一个3×3的矩阵，表示像素点之间的对应关系，所述基础矩阵的计算可采用当前已公开的随机采样一致性及最小二乘法。所述基础矩阵的秩数是在所述基础矩阵内线性无关极大组所含向量的个数，即为秩数，通过秩数与秩数阈值γ之间的比较，剔除不满足构建基础矩阵的匹配对，从而得到所述标准匹配对集。
S44、根据预设插入规则，将所述标准匹配对集插入至所述第二分割图，得到所述升采样图像。
由以上所述可知，如上述两组匹配对A1-B1和A1-B2在所述标准匹配对集内，则提取出两个SIFT关键点B1及B2在所述原始细胞图像中对应的像素点，将对应的像素点插入至所述第二分割图中，当完成所述标准匹配对集内所有的标准匹配对的插入操作，得到所述升采样图像。需要强调的是，为进一步保证上述升采样图像的私密和安全性，上述升采样图像还可以存储于一区块链的节点中。
S5、将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。
详细地，请参阅图4的形态学算法预处理的详细流程，所述将所述升采样图像进行形态学算法的预处理，包括：
S51、对所述升采样图像进行去噪滤波预处理，得到第一预处理图像；
S52、通过预设的大律法阈值将所述第一预处理图像进行二值化操作与反转操作，生成第二预处理图像；
S53、通过形态学腐蚀操作对所述第二预处理图像的边界进行平滑，并通过形态学膨胀操作填补所述第二预处理图像在所述平滑处理过程形成的空洞，得到预处理操作之后的所述升采样图像。
其中，所述大律法阈值又称为最大类间方差法(otsu)，是一种自适应阈值分割方法，主要假定图像分为两类，然后计算出一个最优的阈值将图像分为两类使得其类间方差最大，比如本发明利用所述大律法阈值将图像分为黑白两类，即所述二值化操作。
进一步地，所述形态学膨胀操作，就是求所述第二预处理图像的局部(如本发明的边界)最大值，并根据最大值对本发明的边界进行替换操作，以此类推，所述形态学腐蚀操作，就是求所述第二预处理图像的局部(如本发明的边界)最小值，并根据最小值对图像边界进行替换操作。
将预处理完成后的升采样图像输入至所述卷积分割网络模型中进行分割，其分割方法于上述S2操作步骤相同，直至得到所述分割图像。
本发明实施例先对原始细胞图像进行降采样操作得到降采样图像，降采样操作降低了原始细胞图像的分辨率，减轻了后续的计算压力，同时为了防止降低原始细胞图像的分辨率影响到后续细胞图像分割精确度，先使用预构建的卷积分割网络模型进行第一次分割得到第一分割图，并将第一分割图与原始细胞图像进行合并得到升采样图像，并使用卷积分割网络模型进行第二次分割得到分割图像，由于第二次分割是基于已降低分辨率的原始细胞图像为基础，所以相对来说卷积分割网络模型无须进行大量计算，另外将原始细胞图像与第一分割图进行了合并，为第二次分割提供了分割方向，故提高了细胞图像分割的精确度。因此本发明提出的车辆定损方法、装置及计算机可读存储介质，可以解决CT图像分辨率过高，算法计算效率低导致影响计算速度及风格精确度的问题。
如图5所示，是本发明细胞图像分割装置的功能模块图。
本发明所述细胞图像分割装置100可以安装于电子设备中。根据实现的功能，所述细胞图像分割装置可以包括降采样模块101、低分辨率分割模块102、升采样分割模块103和细胞图像分割模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
降采样模块101，用于对原始细胞图像进行降采样操作，得到降采样图像；
低分辨率分割模块102，用于将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图；
升采样分割模块103，用于根据预构建的像素点坐标转换模型与双线性插值算法，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图；
细胞图像分割模块104，用于通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像，将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。需要强调的是，为进一步保证上述升采样图像的私密和安全性，上述升采样图像还可以存储于一区块链的节点中。
详细地，所述细胞图像分割装置各模块的具体实施步骤可参考图1对应实施例中相关步骤的描述，在此不赘述。
如图6所示，是本发明实现细胞图像分割方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如细胞图像分割程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如细胞图像分割的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行细胞图像分割等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的细胞图像分割12是多个指令的组合，在所述处理器10中运行时，可以实现：
对原始细胞图像进行降采样操作，得到降采样图像；
将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图；
根据预构建的像素点坐标转换模型与双线性插值算法，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图；
通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像；
将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。
具体地，所述处理器10对上述指令的具体实现方法包括：
步骤一、获取原始细胞图像，对所述原始细胞图像进行降采样操作，得到降采样图像。
本发明实施例中，原始细胞图像可以是通过医院放射科的机器扫描得到病理部位的CT图像，如肿瘤部位的CT图像，使用医院放射科的机器发出X射线，在穿透人体之后，X射线被X射线探测器捕捉到，根据肿瘤对X射线的透过率与其他器官对X射线的透过率不同，从而得到肿瘤部位的CT图像。
详细地，所述对原始细胞图像进行降采样操作，得到降采样图像，包括：对尺寸为M×N的所述原始细胞图像按照设定的降采样比例s进行降采样操作，得到尺寸为
Figure BDA0002501078620000121
的所述降采样图像，其中s是M和N的公约数。
如原始细胞图像分辨率大小为1000*1000，通过降采样比例10的降采样操作后，得到的降采样图像分辨率大小变成100*100。
步骤二、将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图。
本发明实施例中，所述卷积分割网络模型是以改进全卷积神经网络(Convolutional Networks for Biomedical Image Segmentation，简称U-net网络)为基础而构建的两级联网络模型。所述改进U-net网络主要在传统的U-net网络内添加一个低分辨率的全连接层，以达到对所述降采样图像进行粗略分割的目的，然后级联标准的卷积神经网络模型进行更精细分割，从而得到所述第一分割图。
详细地，所述预构建的卷积分割网络模型的构建过程包括：根据预习设定的级联规则，在全卷积神经网络中级联全连接层，并将多层卷积神经网络与添加所述全连接层的全卷积神经网络进行级联得到所述卷积分割网络模型。
如在全卷积神经网络中添加全连接层后，在全连接层后继续追加标准的VGG网络(Very deep convolutional networks)，从而得到卷积分割网络模型。
VGG网络是标准的卷积神经网络，在特征提取及图片分割中都经常被使用。其中使用最广泛的是VGG16和VGG19，分别代表卷积网络层级为16层和19层。
进一步地，所述将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图，包括：
步骤A、通过所述卷积分割网络模型对所述降采样图像进行卷积运算，生成降采样卷积特征图；
步骤B、对所述降采样卷积特征图进行反卷积运算，得到反卷积特征图；
步骤C、将所述反卷积特征图输入至所述卷积分割网络模型中softmax分类函数中，计算得到所述降采样图像的各个分割区域的概率值；
步骤D、根据所述各个分割区域的概率值，对所述降采样图像进行分割，生成所述第一分割图。
详细地，所述卷积运算如下所示：
al＝f(wl*al-1+bl)
其中，al为所述卷积运算的输出值，f(·)为所述卷积运算的激活函数，wl为卷积核，*代表卷积操作，bl为偏置参数，al-1为所述降采样图像的像素值。
所述反卷积又被称为转置(Transposed)，其计算过程与所述卷积运算刚好相反。
进一步地，所述softmax分类函数为：
Figure BDA0002501078620000131
其中，m表示所述反卷积特征图的像素数量，ω表示预设权重值，x表示所述反卷积特征图，K表示预设的分割区域个数，I{·}为指示性函数，y(i)表示第i个分割区域的概率值。
进一步地，当得到各个分割区域的概率值后，本发明实施例可根据各个分割区域的概率值对所述降采样图像进行分割，如所述降采样图像计算分割为10个分割区域，而通过上述操作生成100个分割区域及100个分割区域对应的概率值，提取概率值最高的10个分割区域得到所述第一分割图。
步骤三、根据预构建的像素点坐标转换模型与双线性插值算法，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图。
详细地，所述像素点坐标转换模型为f(x,y)＝b1+b2x+b3y+b4xy，其中(x,y)为所述原始细胞图像的像素点在坐标系中的坐标，b1、b2、b3与b4为预设系数。本发明实施例利用所述像素点坐标转换模型将所述原始细胞图像进行坐标转换。
当完成像素点坐标转换后，本发明实施例利用当前已公开的双线性插值算法将完成像素点坐标转换后的像素点插入至所述第一分割图，得到所述第二分割图。
步骤四、通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像。
详细地，所述通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像，包括：
步骤a、按照预设的匹配规则，从所述第二分割图中选取SIFT(Scale-invariantfeature transform，尺度不变特征变换)特征点，依次与所述原始细胞图像的SIFT特征点进行匹配，得到原始匹配对集。
详细地，所述匹配规则有很多，如取第二分割图中的一个SIFT关键点A1，并找出与原始细胞图像中欧式距离最近的前两个SIFT关键点B1及B2，得到两组匹配对A1-B1和A1-B2。
步骤b、计算所述原始匹配对集内每组匹配对的内点率，将内点率小于预设值α的匹配对剔除，得到初级匹配对集。
同样的，如上述两组匹配对A1-B1和A1-B2，利用欧式距离中最近距离B1除以次近距离B2得到的比率ratio值，若比率ratio值少于阈值T，则接受这两组匹配对A1-B1和A1-B2，若比率ratio值大于阈值T，则剔除这两组匹配对A1-B1和A1-B2。
步骤c、根据所述初级匹配对集计算所述初级匹配对集的基础矩阵，根据基础矩阵计算对应的秩数，剔除到秩数大于预设的秩数阈值γ的所述匹配对得到标准匹配对集。
在图片及计算机视觉领域中，基础矩阵(Fundamental matrix)一般是一个3×3的矩阵，表示像素点之间的对应关系，所述基础矩阵的计算可采用当前已公开的随机采样一致性及最小二乘法。所述基础矩阵的秩数是在所述基础矩阵内线性无关极大组所含向量的个数，即为秩数，通过秩数与秩数阈值γ之间的比较，剔除不满足构建基础矩阵的匹配对，从而得到所述标准匹配对集。
步骤d、根据预设插入规则，将所述标准匹配对集插入至所述第二分割图，得到所述升采样图像。
由以上所述可知，如上述两组匹配对A1-B1和A1-B2在所述标准匹配对集内，则提取出两个SIFT关键点B1及B2在所述原始细胞图像中对应的像素点，将对应的像素点插入至所述第二分割图中，当完成所述标准匹配对集内所有的标准匹配对的插入操作，得到所述升采样图像。
步骤五、将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。
详细地，所述将所述升采样图像进行形态学算法的预处理，包括：
对所述升采样图像进行去噪滤波预处理，得到第一预处理图像；
通过预设的大律法阈值将所述第一预处理图像进行二值化操作与反转操作，生成第二预处理图像；
通过形态学腐蚀操作对所述第二预处理图像的边界进行平滑，并通过形态学膨胀操作填补所述第二预处理图像在所述平滑处理过程形成的空洞，得到预处理操作之后的所述升采样图像。
其中，所述大律法阈值又称为最大类间方差法(otsu)，是一种自适应阈值分割方法，主要假定图像分为两类，然后计算出一个最优的阈值将图像分为两类使得其类间方差最大，比如本发明利用所述大律法阈值将图像分为黑白两类，即所述二值化操作。
进一步地，所述形态学膨胀操作，就是求所述第二预处理图像的局部(如本发明的边界)最大值，并根据最大值对本发明的边界进行替换操作，以此类推，所述形态学腐蚀操作，就是求所述第二预处理图像的局部(如本发明的边界)最小值，并根据最小值对图像边界进行替换操作。
将预处理完成后的升采样图像输入至所述卷积分割网络模型中进行分割，其分割方法于上述步骤二相同，直至得到所述分割图像。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种细胞图像分割方法，其特征在于，所述方法包括：
对原始细胞图像进行降采样操作，得到降采样图像；
将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图；
根据预构建的像素点坐标转换模型与双线性插值算法，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图；
通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像；
将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。
2.如权利要求1所述的细胞图像分割方法，其特征在于，所述对原始细胞图像进行降采样操作，得到降采样图像，包括：
对尺寸为M×N的所述原始细胞图像按照预设的降采样比例s进行降采样操作，得到尺寸为
Figure FDA0002501078610000011
的所述降采样图像；
其中，s是M和N的公约数。
3.如权利要求1所述的细胞图像分割方法，其特征在于，所述预构建的卷积分割网络模型的构建过程包括：
根据预习设定的级联规则，在全卷积神经网络中级联全连接层；
并将多层卷积神经网络与添加完所述全连接层的全卷积神经网络进行级联得到所述卷积分割网络模型。
4.如权利要求3所述的细胞图像分割方法，其特征在于，所述将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图，包括：
通过所述卷积分割网络模型对所述降采样图像进行卷积运算，生成降采样卷积特征图；
对所述降采样卷积特征图进行反卷积运算，得到反卷积特征图；
将所述反卷积特征图输入至所述卷积分割网络模型的分类函数中，计算得到所述降采样图像的各个分割区域的概率值；
根据所述各个分割区域的概率值，对所述降采样图像进行分割，生成所述第一分割图。
5.如权利要求1所述的细胞图像分割方法，其特征在于，所述升采样图像存储于区块链中，所述通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像，包括：
按照预设的匹配规则，从所述第二分割图中选取SIFT特征点，依次与所述原始细胞图像的SIFT特征点进行匹配，得到原始匹配对集；
计算所述原始匹配对集内每组匹配对的内点率，将内点率小于预设值α的匹配对剔除，得到初级匹配对集；
根据所述初级匹配对集计算所述初级匹配对集的基础矩阵，计算所述基础矩阵的秩数，剔除秩数大于预设的秩数阈值的所述匹配对得到标准匹配对集；
根据预设插入规则，将所述标准匹配对集插入至所述第二分割图，得到所述升采样图像。
6.如权利要求1至5中任意一项所述的细胞图像分割方法，其特征在于，所述将所述升采样图像进行形态学算法的预处理，包括：
对所述升采样图像进行去噪滤波预处理，得到第一预处理图像；
通过预设的大律法阈值将所述第一预处理图像进行二值化操作与反转操作，生成第二预处理图像；
通过形态学腐蚀操作对所述第二预处理图像的边界进行平滑，并通过形态学膨胀操作填补所述第二预处理图像在所述平滑处理过程形成的空洞，得到预处理操作之后的所述升采样图像。
7.一种细胞图像分割装置，其特征在于，所述装置包括：
降采样模块，用于对原始细胞图像进行降采样操作，得到降采样图像；
低分辨率分割模块，用于将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图；
升采样分割模块，用于根据预构建的像素点坐标转换模型与双线性插值算法，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图；
细胞图像分割模块，用于通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像，将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。
8.如权利要求7所述的细胞图像分割装置，其特征在于，所述将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图，包括：
通过所述卷积分割网络模型对所述降采样图像进行卷积运算，生成降采样卷积特征图；
对所述降采样卷积特征图进行反卷积运算，得到反卷积特征图；
将所述反卷积特征图输入至所述卷积分割网络模型的分类函数中，计算得到所述降采样图像的各个分割区域的概率值；
根据所述各个分割区域的概率值，对所述降采样图像进行分割，生成所述第一分割图。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的细胞图像分割方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的细胞图像分割方法。
CN202010435101.7A 2020-05-20 2020-05-20 细胞图像分割方法、装置、电子设备及可读存储介质 Active CN111696084B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010435101.7A CN111696084B (zh) 2020-05-20 细胞图像分割方法、装置、电子设备及可读存储介质
PCT/CN2020/098966 WO2021151272A1 (zh) 2020-05-20 2020-06-29 细胞图像分割方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010435101.7A CN111696084B (zh) 2020-05-20 细胞图像分割方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111696084A true CN111696084A (zh) 2020-09-22
CN111696084B CN111696084B (zh) 2024-05-31

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597852A (zh) * 2020-12-15 2021-04-02 深圳大学 细胞分类方法、装置、电子设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976399A (zh) * 2016-04-29 2016-09-28 北京航空航天大学 一种基于sift特征匹配的运动目标检测方法
CN107085707A (zh) * 2017-04-14 2017-08-22 河海大学 一种基于交通监控视频的车牌定位方法
CN108806793A (zh) * 2018-04-17 2018-11-13 平安科技（深圳）有限公司 病变监测方法、装置、计算机设备和存储介质
WO2018222755A1 (en) * 2017-05-30 2018-12-06 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
CN108961162A (zh) * 2018-03-12 2018-12-07 北京林业大学 一种无人机林区航拍图像拼接方法和系统
CN109087327A (zh) * 2018-07-13 2018-12-25 天津大学 一种级联全卷积神经网络的甲状腺结节超声图像分割方法
US20190065817A1 (en) * 2017-08-29 2019-02-28 Konica Minolta Laboratory U.S.A., Inc. Method and system for detection and classification of cells using convolutional neural networks
CN109598728A (zh) * 2018-11-30 2019-04-09 腾讯科技（深圳）有限公司 图像分割方法、装置、诊断系统及存储介质
CN109961049A (zh) * 2019-03-27 2019-07-02 东南大学 一种复杂场景下香烟品牌识别方法
CN109993735A (zh) * 2019-03-29 2019-07-09 成都信息工程大学 基于级联卷积的图像分割方法
WO2019200740A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN110929789A (zh) * 2019-11-22 2020-03-27 北京理工大学 基于多期ct影像分析的肝肿瘤自动分类方法及装置
CN111028242A (zh) * 2019-11-27 2020-04-17 中国科学院深圳先进技术研究院 一种肿瘤自动分割系统、方法及电子设备

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976399A (zh) * 2016-04-29 2016-09-28 北京航空航天大学 一种基于sift特征匹配的运动目标检测方法
CN107085707A (zh) * 2017-04-14 2017-08-22 河海大学 一种基于交通监控视频的车牌定位方法
WO2018222755A1 (en) * 2017-05-30 2018-12-06 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
US20190065817A1 (en) * 2017-08-29 2019-02-28 Konica Minolta Laboratory U.S.A., Inc. Method and system for detection and classification of cells using convolutional neural networks
CN108961162A (zh) * 2018-03-12 2018-12-07 北京林业大学 一种无人机林区航拍图像拼接方法和系统
CN108806793A (zh) * 2018-04-17 2018-11-13 平安科技（深圳）有限公司 病变监测方法、装置、计算机设备和存储介质
WO2019200753A1 (zh) * 2018-04-17 2019-10-24 平安科技（深圳）有限公司 病变监测方法、装置、计算机设备和存储介质
WO2019200740A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN109087327A (zh) * 2018-07-13 2018-12-25 天津大学 一种级联全卷积神经网络的甲状腺结节超声图像分割方法
CN109598728A (zh) * 2018-11-30 2019-04-09 腾讯科技（深圳）有限公司 图像分割方法、装置、诊断系统及存储介质
CN109961049A (zh) * 2019-03-27 2019-07-02 东南大学 一种复杂场景下香烟品牌识别方法
CN109993735A (zh) * 2019-03-29 2019-07-09 成都信息工程大学 基于级联卷积的图像分割方法
CN110929789A (zh) * 2019-11-22 2020-03-27 北京理工大学 基于多期ct影像分析的肝肿瘤自动分类方法及装置
CN111028242A (zh) * 2019-11-27 2020-04-17 中国科学院深圳先进技术研究院 一种肿瘤自动分割系统、方法及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597852A (zh) * 2020-12-15 2021-04-02 深圳大学 细胞分类方法、装置、电子设备及存储介质
CN112597852B (zh) * 2020-12-15 2024-05-24 深圳大学 细胞分类方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2021151272A1 (zh) 2021-08-05

Similar Documents

Publication Publication Date Title
CN111932482B (zh) 图像中目标物的检测方法、装置、电子设备及存储介质
CN107665491B (zh) 病理图像的识别方法及系统
CN110321920B (zh) 图像分类方法、装置、计算机可读存储介质和计算机设备
WO2021151272A1 (zh) 细胞图像分割方法、装置、电子设备及可读存储介质
WO2021217851A1 (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN112465060A (zh) 图像中目标物检测方法、装置、电子设备及可读存储介质
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
CN111862096B (zh) 图像分割方法、装置、电子设备及存储介质
CN111932534B (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN112233125B (zh) 图像分割方法、装置、电子设备及计算机可读存储介质
CN110276408B (zh) 3d图像的分类方法、装置、设备及存储介质
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
CN111915609A (zh) 病灶检测分析方法、装置、电子设备及计算机存储介质
CN112308853A (zh) 电子设备、医学图像指标生成方法、装置及存储介质
CN111696082A (zh) 图像分割方法、装置、电子设备及计算机可读存储介质
CN111476760B (zh) 医学图像的生成方法、装置、电子设备及介质
CN112465819A (zh) 图像异常区域检测方法、装置、电子设备及存储介质
Taş et al. Super resolution convolutional neural network based pre-processing for automatic polyp detection in colonoscopy images
CN111932563B (zh) 图片区域分割方法、装置、电子设备及存储介质
CN111932595A (zh) 图像配准方法、装置、电子设备及存储介质
CN111933274A (zh) 疾病分类诊断方法、装置、电子设备及存储介质
CN111696084B (zh) 细胞图像分割方法、装置、电子设备及可读存储介质
CN116563539A (zh) 肿瘤图像分割方法、装置、设备及计算机可读存储介质
CN112233194B (zh) 医学图片优化方法、装置、设备及计算机可读存储介质
CN113160144B (zh) 目标物检测方法、装置、电子设备及存储介质

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
GR01 Patent grant