CN111861916A - 病理图片的处理方法 - Google Patents

病理图片的处理方法 Download PDF

Info

Publication number
CN111861916A
CN111861916A CN202010655718.XA CN202010655718A CN111861916A CN 111861916 A CN111861916 A CN 111861916A CN 202010655718 A CN202010655718 A CN 202010655718A CN 111861916 A CN111861916 A CN 111861916A
Authority
CN
China
Prior art keywords
pathological image
pathological
processing
error
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
CN202010655718.XA
Other languages
English (en)
Inventor
李小红
梁青春
范松青
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.)
Second Xiangya Hospital of Central South University
Original Assignee
Second Xiangya Hospital of Central South University
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 Second Xiangya Hospital of Central South University filed Critical Second Xiangya Hospital of Central South University
Priority to CN202010655718.XA priority Critical patent/CN111861916A/zh
Publication of CN111861916A publication Critical patent/CN111861916A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06T7/0002—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
    • G06T7/70—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
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种病理图片的处理方法，属于图片处理领域，通过对细胞涂片采集病理图像，然后建立模型，训练模型，把病理图像输入模型内进行检测。通过精准的对病理图像进行检测，实现快速的对病理图像中的细胞所在位置标注框的坐标、细胞类型标签和对应的置信度数值进行检测，根据检测的数据输出具体的病变类型，医生直接获取的病理图像的病理情况，有助于辅助医生进行病理诊断，方便快捷。同时免去现有技术中病理切片的扫描程序和省去高额扫描仪经费的同时提高了检测的效率，具有方便快捷的优点。

Description

病理图片的处理方法
技术领域
本发明涉及图片处理领域，尤其涉及一种病理图片的处理方法。
背景技术
细胞病理学以组织病理学为基础，通过细致地观察细胞形态结构、细胞排列形式及细胞间相互关系来阐明疾病本质的一门学科，是病理学的重要组成部分。细胞样本经取样、固定、制备、染色等过程制作成细胞涂片，细胞病理医生在显微镜下观察细胞涂片中的细胞成分进行诊断，先在低倍物镜下整体浏览，发现目标细胞时转到高倍物镜下仔细观察目标细胞。
目前所采用的计算机辅助阅片系统有：ThinPrep Imaging System(TIS) 和BDFocalPoint阅片仪，都是基于显微镜的玻片扫描分析系统，在一定程度上提高了判读的准确性以及降低了阅片时间，但存在价格昂贵、准确率不高，仍然依赖病理医师来判读的问题。
随着数字病理和人工智能技术的发展，基于数字病理图像的计算机分析系统正在蓬勃发展。人工智能技术相比与传统的图像处理技术，准确性进一步提高同时自动化程度更高，但新兴的人工智能辅助诊断系统的设计思路是基于全场扫描的数字病理图像进行分析，但是现有的人工智能技术中还没有完全准确的实现的自动检测。医生仍然习惯在显微镜下进行人工阅片，耗费时间较长，并且准确率等因人而异，不能同意准确判断。
发明内容
本发明的目的在于提供一种病理图片的处理方法，解决现有病理图片只能依赖病理医师来判读，时间长、价格昂贵和准确率不高的技术问题。
一种病理图片的处理方法，所述方法包括如下步骤：
步骤1：使用显微镜摄像头分别采集位于显微镜下的若干块细胞涂片病理图像，得到病理图像数据集；
步骤2：分别对每一张病理图像增强处理，扩充病理图像的数量，然后对病理图像中的细胞所在位置、细胞类型及对应的置信度使用标注工具进行标注；
步骤3：构建病理图像检测模型，将病理图像输入病理图像检测模型内生成病理图像特征图，并利用不同尺度的特征图对病理图像进行检测和识别；
步骤4：训练病理图像检测模型，通过随机梯度下降法对病理图像检测模型进行训练得到病理图像模型，将待检测的病理图像输入训练好的病理图像模型进行分析对比，得到病理图像的细胞所在位置、细胞类别及对应的置信度。
所述步骤2中，对每一张病理图像增强处理的方法包括对病理图像进行水平翻转、垂直翻转、添加随机噪声和随机旋转处理，扩充病理图像样本的数据集，使用标注工具为标签制作工具LabelImg；所述的标注信息包括病理图像中的细胞所在位置标注框的坐标、细胞类型标签、对应的置信度数值和保存病理图像路径信息。
所述步骤3中，病理图像检测模型包括特征提取网络、空间金字塔网络和多尺度预测层，特征提取网络经空间金字塔网络与多尺度预测层连接，所述特征提取网络包括4个处理模块，并且处理模块与处理模块首尾相接，每个处理模块的输入端设置有1×1卷积层和2×2平均池化层，用于对病理图像特征图降维，在处理模块后特征图维度为13×13、26×26和52×52时，这三个尺度的病理图像特征图通过卷积核的方式实现局部的特征交互，进而构成多尺度预测层；在多尺度预测层中插入空间金字塔网络实现特征金字塔网络。
空间金字塔网由3个空间箱构成，在每个空间箱内分别把病理图像特征图分成13×13、19×19和5×5块，经过最大池化层后再拼接。
所述步骤4中训练的消耗函数为：
Loss＝Errorcoord+Erroriou+Errorcls
Figure BDA0002576682910000021
Figure BDA0002576682910000022
Figure BDA0002576682910000023
其中Errorcoord、Erroriou和Errorcls分别表示预测包围盒的误差、IOU误差和分类误差；λcoord为坐标误差权重；S2是将输入图像分割为的网格数，B是每个网格生成的包围框数；如果
Figure BDA0002576682910000031
等于1，则第j个包围框在第i网格内覆盖了目标；否则
Figure BDA0002576682910000032
等于0；
Figure BDA0002576682910000033
为预测边界框的中心坐标值及其宽度和高度， (xi,yi,wi,hi)为真实的边界框的中心坐标值及其宽度和高度；λnoobj为对边界框进行预测时置信度损失的权重；ci为预测的置信度；
Figure BDA0002576682910000034
为真实的置信度；pi(c)是在网格i内目标属于c的真实概率，
Figure BDA0002576682910000035
是预测的概率。
所述步骤4中的检测过程为：
将图像大小调整为416×416，然后将图像分割成S×S个网格，如果目标的中心位于网格单元中，则在该网格中执行检测过程；每个网格单元分别预测B个包围框、包围框的置信度得分和物体的类别信息概率C，置信度 Confidence得分由公式
Figure BDA0002576682910000036
获得；置信度Confidence 得分等于表示真实包围框和预测包围框之间的交并比；预测包围框的坐标标记为(x,y,w,h)；其中x和y表示预测包围框的中点坐标，w和h表示预测包围框的长和宽；如果网格单元中没有对象，则应为0,否则为1；对上一步中获得的预测包围框坐标(x,y,w,h)使用logistic归一化处理；通过对图像中满足置信度Confidence阈值的区域采用非极大值抑制算法处理；通过非极大值抑制的处理结果，获取标定预测包围框所对应的坐标范围和类别信息。
本发明采用了上述技术方案，本发明具有以下技术效果：
本发明通过精准的对病理图像进行检测，实现快速的对病理图像中的细胞所在位置标注框的坐标、细胞类型标签和对应的置信度数值进行检测，根据检测的数据输出具体的病变类型，医生直接获取的病理图像的病理情况，有助于辅助医生进行病理诊断，方便快捷。同时免去现有技术中病理切片的扫描程序和省去高额扫描仪经费的同时提高了检测的效率，具有方便快捷的优点。
附图说明
图1为本发明流程图。
图2为本发明病理图像检测模型的结构原理图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
一种病理图片的处理方法，如图1所示，所述方法包括如下步骤：
步骤1：使用显微镜摄像头分别采集位于显微镜下的若干块细胞涂片病理图像，得到病理图像数据集。使用显微镜对细胞涂片进行放大，显微镜摄像头，同时对一个细胞涂片放大时，不同方向进行旋转，然后再放大采集，形成从多个方向采集，把显微镜摄像头采集的图像传给处理器进行处理。
步骤2：由处理器分别对每一张病理图像增强处理，处理器为ESP图片处理器。扩充病理图像的数量，然后对病理图像中的细胞所在位置、细胞类型及对应的置信度使用标注工具进行标注。对每一张病理图像增强处理的方法包括对病理图像进行水平翻转、垂直翻转、添加随机噪声和随机旋转处理，扩充病理图像样本的数据集，使用标注工具为标签制作工具LabelImg。
所述的标注信息包括病理图像中的细胞所在位置标注框的坐标、细胞类型标签、对应的置信度数值和保存病理图像路径信息。通过增强处理增加图片的数量，使得采集图像数据库更加丰富。把病理图像增强处理分为训练集和测试集，将其格式化编号和路径保存在txt格式文件中。
步骤3：构建病理图像检测模型，将病理图像输入病理图像检测模型内生成病理图像特征图，并利用不同尺度的特征图对病理图像进行检测和识别。
病理图像检测模型包括特征提取网络、空间金字塔网络和多尺度预测层，特征提取网络经空间金字塔网络与多尺度预测层连接，所述特征提取网络包括4个处理模块，并且处理模块与处理模块首尾相接，每个处理模块的输入端设置有1×1卷积层和2×2平均池化层，用于对病理图像特征图降维，在处理模块后特征图维度为13×13、26×26和52×52时，这三个尺度的病理图像特征图通过卷积核的方式实现局部的特征交互，进而构成多尺度预测层；在多尺度预测层中插入空间金字塔网络实现特征金字塔网络。空间金字塔网由3个空间箱构成，在每个空间箱内分别把病理图像特征图分成13×13、 19×19和5×5块，经过最大池化层后再拼接。
特征提取网络的表达公式为xl＝Hl([x0,x1,x2,...,xl-1])；其中Hl代表由BN层、ReLU层和3×3卷积层组成的复合函数，[x0,x1,x2,...,xl-1]代表拼接来自之前不同层的车底异物特征图。
病理图像检测模型三个尺度的病理图像特征交互是通过3×3和1×1卷积核的方式实现的，具体如下是在尺度1的13×13大小病理图像特征图后加一些卷积层再进行分类和位置回归；在尺度2的特征图与尺度1中的倒数第二层的卷积层上采样后再与特征图拼接，在输出26×26大小的特征图上进行分类和回归；在尺度3的特征图与经过上采样的特征图合并，在52×52大小的病理图像特征图上进行分类和回归。
步骤4：训练病理图像检测模型，通过随机梯度下降法对病理图像检测模型进行训练得到病理图像模型，将待检测的病理图像输入训练好的病理图像模型进行分析对比，得到病理图像的细胞所在位置、细胞类别及对应的置信度。
训练病理图像检测模型中的具体消耗函数为：
Loss＝Errorcoord+Erroriou+Errorcls
Figure BDA0002576682910000051
Figure BDA0002576682910000052
Figure BDA0002576682910000053
其中Errorcoord、Erroriou和Errorcls分别表示预测包围盒的误差、IOU误差和分类误差；λcoord为坐标误差权重；S2是将输入图像分割为的网格数，B是每个网格生成的包围框数；如果
Figure BDA0002576682910000054
等于1，则第j个包围框在第i网格内覆盖了目标；否则
Figure BDA0002576682910000055
等于0；
Figure BDA0002576682910000056
为预测边界框的中心坐标值及其宽度和高度， (xi,yi,wi,hi)为真实的边界框的中心坐标值及其宽度和高度；λnoobj为对边界框进行预测时置信度损失的权重；ci为预测的置信度；
Figure BDA0002576682910000057
为真实的置信度；pi(c)是在网格i内目标属于c的真实概率，
Figure BDA0002576682910000061
是预测的概率。
具体的病理图像检测过程为：将图像大小调整为416×416，然后将图像分割成S×S个网格，如果目标的中心位于网格单元中，则在该网格中执行检测过程；每个网格单元分别预测B个包围框、包围框的置信度得分和物体的类别信息概率C，置信度Confidence得分由公式
Figure BDA0002576682910000062
获得；置信度Confidence得分等于表示真实包围框和预测包围框之间的交并比；预测包围框的坐标标记为(x,y,w,h)；其中x和y表示预测包围框的中点坐标，w和h表示预测包围框的长和宽；如果网格单元中没有对象，则应为0, 否则为1；对上一步中获得的预测包围框坐标(x,y,w,h)使用logistic归一化处理；通过对图像中满足置信度Confidence阈值的区域采用非极大值抑制算法处理；通过非极大值抑制的处理结果，获取标定预测包围框所对应的坐标范围和类别信息。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种病理图片的处理方法，其特征在于，所述方法包括如下步骤：
步骤1：使用显微镜摄像头分别采集位于显微镜下的若干块细胞涂片病理图像，得到病理图像数据集；
步骤2：分别对每一张病理图像增强处理，扩充病理图像的数量，然后对病理图像中的细胞所在位置、细胞类型及对应的置信度使用标注工具进行标注；
步骤3：构建病理图像检测模型，将病理图像输入病理图像检测模型内生成病理图像特征图，并利用不同尺度的特征图对病理图像进行检测和识别；
步骤4：训练病理图像检测模型，通过随机梯度下降法对病理图像检测模型进行训练得到病理图像模型，将待检测的病理图像输入训练好的病理图像模型进行分析对比，得到病理图像的细胞所在位置、细胞类别及对应的置信度。
2.根据权利要求1所述的一种病理图片的处理方法，其特征在于：所述步骤2中，对每一张病理图像增强处理的方法包括对病理图像进行水平翻转、垂直翻转、添加随机噪声和随机旋转处理，扩充病理图像样本的数据集，使用标注工具为标签制作工具LabelImg；所述的标注信息包括病理图像中的细胞所在位置标注框的坐标、细胞类型标签、对应的置信度数值和保存病理图像路径信息。
3.根据权利要求2所述的一种病理图片的处理方法，其特征在于：所述步骤3中，病理图像检测模型包括特征提取网络、空间金字塔网络和多尺度预测层，特征提取网络经空间金字塔网络与多尺度预测层连接，所述特征提取网络包括4个处理模块，并且处理模块与处理模块首尾相接，每个处理模块的输入端设置有1×1卷积层和2×2平均池化层，用于对病理图像特征图降维，在处理模块后特征图维度为13×13、26×26和52×52时，这三个尺度的病理图像特征图通过卷积核的方式实现局部的特征交互，进而构成多尺度预测层；在多尺度预测层中插入空间金字塔网络实现特征金字塔网络。
4.根据权利要求3所述的一种病理图片的处理方法，其特征在于：空间金字塔网由3个空间箱构成，在每个空间箱内分别把病理图像特征图分成13×13、19×19和5×5块，经过最大池化层后再拼接。
5.根据权利要求1所述的一种病理图片的处理方法，其特征在于：所述步骤4中训练的消耗函数为：
Loss＝Errorcoord+Erroriou+Errorcls
Figure FDA0002576682900000021
Figure FDA0002576682900000022
Figure FDA0002576682900000023
其中Errorcoord、Erroriou和Errorcls分别表示预测包围盒的误差、IOU误差和分类误差；λcoord为坐标误差权重；S2是将输入图像分割为的网格数，B是每个网格生成的包围框数；如果
Figure FDA0002576682900000024
等于1，则第j个包围框在第i网格内覆盖了目标；否则
Figure FDA0002576682900000025
等于0；
Figure FDA0002576682900000026
为预测边界框的中心坐标值及其宽度和高度，(xi,yi,wi,hi)为真实的边界框的中心坐标值及其宽度和高度；λnoobj为对边界框进行预测时置信度损失的权重；ci为预测的置信度；
Figure FDA0002576682900000027
为真实的置信度；pi(c)是在网格i内目标属于c的真实概率，
Figure FDA0002576682900000028
是预测的概率。
6.根据权利要求2所述的一种病理图片的处理方法，其特征在于：所述步骤4中的检测过程为：
将图像大小调整为416×416，然后将图像分割成S×S个网格，如果目标的中心位于网格单元中，则在该网格中执行检测过程；每个网格单元分别预测B个包围框、包围框的置信度得分和物体的类别信息概率C，置信度Confidence得分由公式
Figure FDA0002576682900000029
获得；置信度Confidence得分等于表示真实包围框和预测包围框之间的交并比；预测包围框的坐标标记为(x,y,w,h)；其中x和y表示预测包围框的中点坐标，w和h表示预测包围框的长和宽；如果网格单元中没有对象，则应为0,否则为1；对上一步中获得的预测包围框坐标(x,y,w,h)使用logistic归一化处理；通过对图像中满足置信度Confidence阈值的区域采用非极大值抑制算法处理；通过非极大值抑制的处理结果，获取标定预测包围框所对应的坐标范围和类别信息。
CN202010655718.XA 2020-07-09 2020-07-09 病理图片的处理方法 Pending CN111861916A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010655718.XA CN111861916A (zh) 2020-07-09 2020-07-09 病理图片的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010655718.XA CN111861916A (zh) 2020-07-09 2020-07-09 病理图片的处理方法

Publications (1)

Publication Number Publication Date
CN111861916A true CN111861916A (zh) 2020-10-30

Family

ID=73152960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010655718.XA Pending CN111861916A (zh) 2020-07-09 2020-07-09 病理图片的处理方法

Country Status (1)

Country Link
CN (1) CN111861916A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686865A (zh) * 2020-12-31 2021-04-20 重庆西山科技股份有限公司 一种3d视图辅助检测方法、系统、装置及存储介质
CN116433588A (zh) * 2023-02-21 2023-07-14 广东劢智医疗科技有限公司 一种基于宫颈细胞的多类别分类与置信判别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137338A1 (en) * 2016-11-16 2018-05-17 The Governing Council Of The University Of Toronto System and method for classifying and segmenting microscopy images with deep multiple instance learning
CN110334565A (zh) * 2019-03-21 2019-10-15 江苏迪赛特医疗科技有限公司 一种显微镜病理照片的宫颈癌病变细胞分类系统
CN110648322A (zh) * 2019-09-25 2020-01-03 杭州智团信息技术有限公司 一种子宫颈异常细胞检测方法及系统
CN110765855A (zh) * 2019-09-12 2020-02-07 杭州迪英加科技有限公司 一种病理图像处理方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137338A1 (en) * 2016-11-16 2018-05-17 The Governing Council Of The University Of Toronto System and method for classifying and segmenting microscopy images with deep multiple instance learning
CN110334565A (zh) * 2019-03-21 2019-10-15 江苏迪赛特医疗科技有限公司 一种显微镜病理照片的宫颈癌病变细胞分类系统
CN110765855A (zh) * 2019-09-12 2020-02-07 杭州迪英加科技有限公司 一种病理图像处理方法及系统
CN110648322A (zh) * 2019-09-25 2020-01-03 杭州智团信息技术有限公司 一种子宫颈异常细胞检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686865A (zh) * 2020-12-31 2021-04-20 重庆西山科技股份有限公司 一种3d视图辅助检测方法、系统、装置及存储介质
CN116433588A (zh) * 2023-02-21 2023-07-14 广东劢智医疗科技有限公司 一种基于宫颈细胞的多类别分类与置信判别方法
CN116433588B (zh) * 2023-02-21 2023-10-03 广东劢智医疗科技有限公司 一种基于宫颈细胞的多类别分类与置信判别方法

Similar Documents

Publication Publication Date Title
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN110245657B (zh) 病理图像相似性检测方法及检测装置
CN110021425B (zh) 一种比较检测器及其构建方法与宫颈癌细胞检测方法
WO2020046960A1 (en) System and method for optimizing damage detection results
CN112380900A (zh) 基于深度学习的子宫颈液基细胞数字图像分类方法及系统
US20170076448A1 (en) Identification of inflammation in tissue images
CN112465759A (zh) 一种基于卷积神经网络的航空发动机叶片缺陷检测方法
CN108765374B (zh) 一种宫颈涂片图像中异常核区域筛查的方法
CN113269257A (zh) 一种图像分类方法、装置、终端设备及存储介质
Ngugi et al. A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks
CN112435214B (zh) 基于先验框线性缩放的花粉检测方法、装置和电子设备
CN111861916A (zh) 病理图片的处理方法
Baykal et al. Modern convolutional object detectors for nuclei detection on pleural effusion cytology images
CN113012129A (zh) 一种脑切片图像的区域定位及标记神经细胞计数系统及装置
CN111814696A (zh) 一种基于改进YOLOv3的视频船舶目标检测方法
CN111950544A (zh) 一种确定病理图像中感兴趣区域的方法及装置
CN114972202A (zh) 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法
CN114742750A (zh) 异常细胞检测方法、装置、终端设备及可读存储介质
CN114283326A (zh) 一种结合局部感知和高阶特征重构的水下目标重识别方法
CN113496260A (zh) 基于改进YOLOv3算法的粮库人员不规范作业检测法
CN116486393A (zh) 一种基于图像分割的场景文本检测方法
CN116258937A (zh) 基于注意力机制的小样本分割方法、装置、终端及介质
Zhang et al. A YOLOv3‐Based Industrial Instrument Classification and Reading Recognition Method
CN116758068B (zh) 一种基于人工智能的骨髓图片细胞形态分析方法
CN117496276B (zh) 肺癌细胞形态学分析、识别方法及计算机可读存储介质

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