CN111723845A - 一种基于Mask轮廓的细胞图像分割方法 - Google Patents
一种基于Mask轮廓的细胞图像分割方法 Download PDFInfo
- Publication number
- CN111723845A CN111723845A CN202010424388.3A CN202010424388A CN111723845A CN 111723845 A CN111723845 A CN 111723845A CN 202010424388 A CN202010424388 A CN 202010424388A CN 111723845 A CN111723845 A CN 111723845A
- Authority
- CN
- China
- Prior art keywords
- network
- stage
- convolution
- layer
- convolutional
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 2
- 238000007670 refining Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 33
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000002246 antineoplastic agent Substances 0.000 description 3
- 229940041181 antineoplastic drug Drugs 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 206010005003 Bladder cancer Diseases 0.000 description 1
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003255 drug test Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 201000005112 urinary bladder cancer Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (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轮廓的细胞图像分割方法,包括以下步骤:步骤1,制作数据集;步骤2,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、特征多尺度融合;步骤3,多任务分支网络的搭建,主要搭建分类分支网络、分割分支网络以及Centerness分支网络,将融合后的特征分别送入多任务分支网络进一步操作;步骤4,目标Mask轮廓的生成,通过可变形卷积和Graham算法生成初始目标的Mask轮廓;步骤5,细胞图像的分割Mask轮廓精修。本发明提供了一种基于Mask轮廓的细胞图像分割方法,该方法减少了图像分割任务的复杂度,降低了对图像分割处理的时间,提升了性能。
Description
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轮廓的细胞图像分割方法。具体通过深度学习中的卷积神经网络实现细胞图像的分割,即首先利用特征提取网络ResNet和FPN对细胞的特征进行提取和多尺度融合,然后利用可变形卷积网络和Craham算法生成目标的Mask轮廓,最后通过对Mask轮廓的精修实现细胞图像的分割。
背景技术
分子细胞水平研究是新药研制的重要组成步骤,特别近些年来,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,因此,抗癌药物的研发对于癌症的治疗和预防起着至关重要的作用,医学病理细胞图像分析是抗癌药物研发过程中的一个重要步骤。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。
图像分割是指根据图像的纹理、灰度、色彩、几何信息等不同特征进行区域划分,把图像分割成若干区域,将感兴趣区域提取出来的过程。随着深度学习的发展,因其优越性被广泛用于解决图像分割问题。面向CNN区域分类的图像分割算法是将传统图像处理算法与深度学习中的卷积神经网络相融合,先将输入的图片按不同的目标进行候选区域的划分,得到候选区域后再通过网络对区域内每个像素进行语义分类,然后使用分类器分类的结果对输入图像进行标注,最终得到分割的Mask结果。其中,候选区域的质量决定了图像分割的精度,故面向CNN区域分类的图像分割算法的关键在于如何从输入图像中产生不同的目标的候选区域。根据区域生成算法以及候选区域划分标准的不同,可以将面向CNN区域分类的图像分割算法分成两类:基于候选区域的方法和基于分割掩膜的方法。在基于候选区域的分割方法中常见的算法有SDS、MCG、Mask R-CNN、Mask Scoring R-CNN等,在基于掩膜的分割方法中常见的算法有DeepMask、SharpMask等。
发明内容
为了解决现有深度学习算法在细胞图像分割时存在复杂度高、处理时间慢的问题,本发明提供一种利用网络对目标生成Mask轮廓并对轮廓进行精修的细胞图像分割方法。
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轮廓的细胞图像分割方法,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(GT)的制作作为网络的训练集;
步骤2:特征提取网络的构建和多尺度特征的融合,特征提取网络选用深度残差网络RseNet,其中RseNet采用50层卷积结构进行搭建,同时,在特征提取网络后加入FPN网络,对提取出的特征进行多尺度的融合;
步骤3:多任务分支网络的搭建,搭建分类分支网络、分割分支网络以及Centerness分支网络,将上一步特征融合后得到的图像特征分别送入这三个分支中进一步操作处理;
步骤4:目标Mask轮廓的生成,通过可变形卷积网络在特征图上得到目标的多个特征点,然后将特征点输入Graham算法生成初始目标的Mask轮廓;
步骤5:目标Mask轮廓的回归,初始目标的Mask轮廓之后,使用Ground Truth监督对Mask轮廓进行精修,生成最终的目标Mask轮廓,完成整个细胞图像的分割。
进一步,所述步骤2中,特征提取网络构建的步骤如下:
2.1、ResNet-50作为特征提取网络,整个网络采用全卷积,所以将最后一层的全连接层去掉,以ResNet-50中各阶段输出特征图尺寸不同作为划分依据,将其定义为5个阶段C1-C5,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,输出通道数为64,步长为2的卷积层,在卷积层后加入一个ReLu的激活函数,同时在C1和C2层之间加入一个步长为2的最大池化层,C2是由3个连续的残差结构组成,其中每个残差结构都由2个卷积核大小为1×1,步长为1,输出通道数分别为64和256的卷积层加上1个卷积核大小为3×3,步长为1,输出通道数为64的卷积层构成,其C2层最后卷积输出通道数为256;C3-C5阶段都是由与C2阶段中相同的残差结构组成,只是每个阶段的残差数量和最后卷积输出通道数不同,分别为(4,6,3)和(512,1024,2048),同时为使网络在训练中加速收敛,在卷积和激活函数操作中均加入批量归一化操作;
2.3、FPN对提取的特征进行多尺度的融合,在ResNet-50的3个阶段中除去第一、第二阶段的其他3个阶段提取到的特征进行自上而下连接和横向连接,P1阶段由C3阶段的输出经过卷积核大小为1×1,步长为1,输出通道数为256的卷积层生成的特征图和P2阶段的输出经过上采样操作得到的特征图相加而成;P2阶段类似于P1阶段,是由C4阶段和P3阶段相加得到;P3阶段是由C5阶段直接通过卷积操作得到;而P4和P5阶段是分别由P3和P4阶段经过步长为2的卷积操作得到;最后FPN将返回5个不同尺寸的特征图,其每个特征图的相邻像素在原图上的差距分别为8、16、32、64、128个像素值。
本发明的有益效果为:利用可变卷积对特征图上每个像素点生成对应特征散点,然后通过Craham算法将散点生成目标的伪Mask轮廓,并通过多任务损失不断对目标的Mask轮廓进行回归,最终完成细胞图像的分割,该方法降低了图像分割任务的复杂度,降低了算法训练时间,提升了算法性能。
附图说明
图1为本发明中细胞图像分割算法的流程图;
图2为本发明中特征提取网络结构示意图;
图3为本发明中提取特征多尺度融合示意图;
图4为本发明中多任务分支网络结构示意图;
图5为本发明中细胞图像分割算法的结构图。
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5,一种基于Mask轮廓的细胞图像分割方法,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Ground Truth(GT)的制作作为网络的训练集;
步骤2:特征提取网络的构建和多尺度特征的融合,特征提取网络选用深度残差网络RseNet,其中RseNet采用50层卷积结构进行搭建,同时,在特征提取网络后加入FPN网络,对提取出的特征进行多尺度的融合;
所述步骤2中,特征提取网络构建的步骤如下:
2.1、ResNet-50作为特征提取网络,整个网络采用全卷积,所以将最后一层的全连接层去掉,以ResNet-50中各阶段输出特征图尺寸不同作为划分依据,将其定义为5个阶段C1-C5,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,输出通道数为64,步长为2的卷积层,在卷积层后加入一个ReLu的激活函数,同时在C1和C2层之间加入一个步长为2的最大池化层,C2是由3个连续的残差结构组成,其中每个残差结构都由2个卷积核大小为1×1,步长为1,输出通道数分别为64和256的卷积层加上1个卷积核大小为3×3,步长为1,输出通道数为64的卷积层构成,其C2层最后卷积输出通道数为256;C3-C5阶段都是由与C2阶段中相同的残差结构组成,只是每个阶段的残差数量和最后卷积输出通道数不同,分别为(4,6,3)和(512,1024,2048),同时为使网络在训练中加速收敛,在卷积和激活函数操作中均加入批量归一化操作;
2.2、FPN对提取的特征进行多尺度的融合,在ResNet-50的3个阶段中除去第一、第二阶段的其他3个阶段提取到的特征进行自上而下连接和横向连接,P1阶段由C3阶段的输出经过卷积核大小为1×1,步长为1,输出通道数为256的卷积层生成的特征图和P2阶段的输出经过上采样操作得到的特征图相加而成;P2阶段类似于P1阶段,是由C4阶段和P3阶段相加得到;P3阶段是由C5阶段直接通过卷积操作得到;而P4和P5阶段是分别由P3和P4阶段经过步长为2的卷积操作得到,最后FPN将返回5个不同尺寸的特征图,其每个特征图的相邻像素在原图上的差距分别为8、16、32、64、128个像素值;
步骤3:多任务分支网络的搭建,搭建分类分支网络、分割分支网络以及Centerness分支网络,多任务分支网络是对FPN输出的多尺寸特征图进一步的操作,其在5个不同尺寸的特征图上分别进行相同的卷积等操作,来完成对不同尺度细胞的预测,主要分成分类和分割以及在分类分支上额外添加的Centerness这3个分支网络;
步骤4:目标Mask轮廓的生成,细胞图像中目标Mask轮廓的生成是根据特征图上每个点作为anchor中心点,然后利用可变形卷积操作生成每个中心点的对应偏移量,并通过双线性插值等操作映射到原图上的对应的坐标,从而得到每个中心点在原图上的点集{Q|P0,P1,P2,P3,...,PK},其中K为可变形卷积中的超参数,最后将得到的点集Q作为输入送入Graham算法生成目标的Mask轮廓;
步骤5:目标Mask轮廓的回归,初始目标的Mask轮廓之后,使用Ground Truth监督对Mask轮廓进行精修,生成最终的目标Mask轮廓,完成整个细胞图像的分割。
本发明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,利用卷积神经网络对图像的特征进行提取并生成目标的Mask轮廓,然后对Mask轮廓精修实现细胞的分割,为医疗人员实现细胞的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的卷积层+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表所示,多尺度的特征进行融合,然后作为输入送入多任务分支网络。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,然后和上采样的特征图进行加和操作。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。
如图4所示,其中3个分支开头添加相同的3个卷积核大小为3×3,步长为1,输出通道数为256的卷积层。然后,分别在三个分支添加不同输出通道的卷积层。在分类分支中,添加1个卷积核大小为3×3,步长为1,输出通道数为1的卷积层,其中输出通道数代表图片中目标类别数,卷积层只有1个输出通道,在Centerness分支中,同样添加1个卷积核大小为3×3,步长为1,输出通道数为1的卷积层,其输出和分类任务维度一样的向量,用来与计算最终的类别概率;在分割分支中,在此添加的卷积由标准卷积改为可变形卷积,添加1个卷积核大小为k×k(k取9),输出通道数为2×k×k的可变形卷积,代表每个特征点在x和y方向上的k×k个偏移量。然后,将生成的k×k个偏移量通过双线性插值等操作转换成输入图像中对应的点。
Claims (2)
1.一种基于Mask轮廓的细胞图像分割方法,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(GT)的制作作为网络的训练集;
步骤2:特征提取网络的构建和多尺度特征的融合,特征提取网络选用深度残差网络RseNet,其中RseNet采用50层卷积结构进行搭建,同时,在特征提取网络后加入FPN网络,对提取出的特征进行多尺度的融合;
步骤3:多任务分支网络的搭建,搭建分类分支网络、分割分支网络以及Centerness分支网络,将上一步特征融合后得到的图像特征分别送入这三个分支中进一步操作处理;
步骤4:目标Mask轮廓的生成,通过可变形卷积网络在特征图上得到目标的多个特征点,然后将特征点输入Graham算法生成初始目标的Mask轮廓;
步骤5:目标Mask轮廓的回归,初始目标的Mask轮廓之后,使用Ground Truth监督对Mask轮廓进行精修,生成最终的目标Mask轮廓,完成整个细胞图像的分割。
2.如权利要求1所述的一种基于Mask轮廓的细胞图像分割方法,其特征在于,所述步骤2中,特征提取网络构建的步骤如下:
2.1、ResNet-50作为特征提取网络,整个网络采用全卷积,所以将最后一层的全连接层去掉,以ResNet-50中各阶段输出特征图尺寸不同作为划分依据,将其定义为5个阶段C1-C5,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,输出通道数为64,步长为2的卷积层,在卷积层后加入一个ReLu的激活函数,同时在C1和C2层之间加入一个步长为2的最大池化层,C2是由3个连续的残差结构组成,其中每个残差结构都由2个卷积核大小为1×1,步长为1,输出通道数分别为64和256的卷积层加上1个卷积核大小为3×3,步长为1,输出通道数为64的卷积层构成,其C2层最后卷积输出通道数为256;C3-C5阶段都是由与C2阶段中相同的残差结构组成,只是每个阶段的残差数量和最后卷积输出通道数不同,分别为(4,6,3)和(512,1024,2048),同时为使网络在训练中加速收敛,在卷积和激活函数操作中均加入批量归一化操作;
2.2、FPN对提取的特征进行多尺度的融合,在ResNet-50的3个阶段中除去第一、第二阶段的其他3个阶段提取到的特征进行自上而下连接和横向连接,P1阶段由C3阶段的输出经过卷积核大小为1×1,步长为1,输出通道数为256的卷积层生成的特征图和P2阶段的输出经过上采样操作得到的特征图相加而成;P2阶段类似于P1阶段,是由C4阶段和P3阶段相加得到;P3阶段是由C5阶段直接通过卷积操作得到;而P4和P5阶段是分别由P3和P4阶段经过步长为2的卷积操作得到;最后FPN将返回5个不同尺寸的特征图,其每个特征图的相邻像素在原图上的差距分别为8、16、32、64、128个像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010424388.3A CN111723845A (zh) | 2020-05-19 | 2020-05-19 | 一种基于Mask轮廓的细胞图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010424388.3A CN111723845A (zh) | 2020-05-19 | 2020-05-19 | 一种基于Mask轮廓的细胞图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723845A true CN111723845A (zh) | 2020-09-29 |
Family
ID=72564598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010424388.3A Pending CN111723845A (zh) | 2020-05-19 | 2020-05-19 | 一种基于Mask轮廓的细胞图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723845A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077484A (zh) * | 2021-03-30 | 2021-07-06 | 中国人民解放军战略支援部队信息工程大学 | 一种图像实例分割方法 |
CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
CN113379672A (zh) * | 2021-04-27 | 2021-09-10 | 杭州电子科技大学 | 一种基于深度学习的细胞图像分割方法 |
CN113610807A (zh) * | 2021-08-09 | 2021-11-05 | 西安电子科技大学 | 基于弱监督多任务学习的新冠肺炎分割方法 |
CN114332463A (zh) * | 2021-12-31 | 2022-04-12 | 成都工业职业技术学院 | 一种mr脑肿瘤图像实例分割方法、装置、设备及存储介质 |
CN114973244A (zh) * | 2022-06-12 | 2022-08-30 | 桂林电子科技大学 | 一种乳腺癌h&e染色病理图像有丝分裂自动识别系统和方法 |
CN116503391A (zh) * | 2023-06-26 | 2023-07-28 | 中南大学 | 一种隧道掌子面岩体节理裂隙识别方法及识别装置 |
US12002206B2 (en) | 2022-06-12 | 2024-06-04 | Guilin University Of Electronic Technology | System and method for automatically identifying mitosis in H and E stained breast cancer pathological images |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799857A (zh) * | 2012-06-19 | 2012-11-28 | 东南大学 | 一种视频多车辆轮廓检测方法 |
CN110853039A (zh) * | 2019-10-16 | 2020-02-28 | 深圳信息职业技术学院 | 一种多数据融合的草图图像分割方法、系统、装置及存储介质 |
-
2020
- 2020-05-19 CN CN202010424388.3A patent/CN111723845A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799857A (zh) * | 2012-06-19 | 2012-11-28 | 东南大学 | 一种视频多车辆轮廓检测方法 |
CN110853039A (zh) * | 2019-10-16 | 2020-02-28 | 深圳信息职业技术学院 | 一种多数据融合的草图图像分割方法、系统、装置及存储介质 |
Non-Patent Citations (4)
Title |
---|
ENZE XIE ET AL.: "Polarmask: Single shot instance segmentation with polar representation" * |
KAIMING HE ET AL.: "Deep Residual Learning for Image Recognition" * |
ZHI TIAN ET AL.: "FCOS: Fully Convolutional One-Stage Object Detection" * |
李光军等: "一种凸包的改进算法设计与实现" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077484A (zh) * | 2021-03-30 | 2021-07-06 | 中国人民解放军战略支援部队信息工程大学 | 一种图像实例分割方法 |
CN113379672A (zh) * | 2021-04-27 | 2021-09-10 | 杭州电子科技大学 | 一种基于深度学习的细胞图像分割方法 |
CN113379672B (zh) * | 2021-04-27 | 2024-02-02 | 杭州电子科技大学 | 一种基于深度学习的细胞图像分割方法 |
CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
CN113610807A (zh) * | 2021-08-09 | 2021-11-05 | 西安电子科技大学 | 基于弱监督多任务学习的新冠肺炎分割方法 |
CN113610807B (zh) * | 2021-08-09 | 2024-02-09 | 西安电子科技大学 | 基于弱监督多任务学习的新冠肺炎分割方法 |
CN114332463A (zh) * | 2021-12-31 | 2022-04-12 | 成都工业职业技术学院 | 一种mr脑肿瘤图像实例分割方法、装置、设备及存储介质 |
CN114973244A (zh) * | 2022-06-12 | 2022-08-30 | 桂林电子科技大学 | 一种乳腺癌h&e染色病理图像有丝分裂自动识别系统和方法 |
US12002206B2 (en) | 2022-06-12 | 2024-06-04 | Guilin University Of Electronic Technology | System and method for automatically identifying mitosis in H and E stained breast cancer pathological images |
CN116503391A (zh) * | 2023-06-26 | 2023-07-28 | 中南大学 | 一种隧道掌子面岩体节理裂隙识别方法及识别装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723845A (zh) | 一种基于Mask轮廓的细胞图像分割方法 | |
CN110443842B (zh) | 基于视角融合的深度图预测方法 | |
Manzari et al. | MedViT: a robust vision transformer for generalized medical image classification | |
CN110337669B (zh) | 一种用于多标签分割医学图像中的解剖结构的管线方法 | |
CN111192245B (zh) | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 | |
CN110033410B (zh) | 图像重建模型训练方法、图像超分辨率重建方法及装置 | |
Liu et al. | An encoder-decoder neural network with 3D squeeze-and-excitation and deep supervision for brain 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 | |
Bai et al. | Liver tumor segmentation based on multi-scale candidate generation and fractal residual network | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN109598728A (zh) | 图像分割方法、装置、诊断系统及存储介质 | |
CN110321920A (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
CN108197606A (zh) | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 | |
CN111489327A (zh) | 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法 | |
CN113436211A (zh) | 一种基于深度学习的医学图像活动轮廓分割方法 | |
CN111429474A (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 | |
CN109948575B (zh) | 超声图像中眼球区域分割方法 | |
de Matos et al. | Texture CNN for histopathological image classification | |
Wang et al. | A data augmentation method for fully automatic brain tumor segmentation | |
Costa et al. | Data augmentation for detection of architectural distortion in digital mammography using deep learning approach | |
Wang et al. | Multi-path connected network for medical image segmentation | |
Kitrungrotsakul et al. | Interactive deep refinement network for medical image segmentation | |
Chen et al. | Mu-Net: Multi-Path Upsampling Convolution Network for Medical Image Segmentation. | |
Khoshdeli et al. | Deep learning models delineates multiple nuclear phenotypes in h&e stained histology sections | |
Mustra et al. | Feature selection for automatic breast density classification |
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: 20200929 |
|
RJ01 | Rejection of invention patent application after publication |