CN112070059A - 一种血液细胞及骨髓细胞图像人工智能分类识别方法 - Google Patents

一种血液细胞及骨髓细胞图像人工智能分类识别方法 Download PDF

Info

Publication number
CN112070059A
CN112070059A CN202010987326.3A CN202010987326A CN112070059A CN 112070059 A CN112070059 A CN 112070059A CN 202010987326 A CN202010987326 A CN 202010987326A CN 112070059 A CN112070059 A CN 112070059A
Authority
CN
China
Prior art keywords
classification
local
image
features
identification
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
CN202010987326.3A
Other languages
English (en)
Inventor
李刚
商向群
赖冬
周颖
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.)
Xiamen Hanshujie Medical Technology Co ltd
Original Assignee
Xiamen Hanshujie Medical Technology 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 Xiamen Hanshujie Medical Technology Co ltd filed Critical Xiamen Hanshujie Medical Technology Co ltd
Priority to CN202010987326.3A priority Critical patent/CN112070059A/zh
Publication of CN112070059A publication Critical patent/CN112070059A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的提供一种血液细胞及骨髓细胞图像人工智能分类识别方法，通过对输入样本进行标记，训练出若干个目标检测模型；再使用预测框算法得到整体的图块和局部的图块，并将其输入到所述目标检测模型中，得到选择关键卷积特征描述子，再进行全局和针对多个局部特征的子网络通过卷积得到整张图像的特征，最后对所述整张图像的特征进行局部定位并分类，输出分类结果。本发明提供的技术方案解决了现有技术主要依赖于人工对血液细胞及骨髓细胞的分类识别的问题，具有自动分类识别准确性高的特点。

Description

一种血液细胞及骨髓细胞图像人工智能分类识别方法
技术领域
本发明涉及细胞图像分类领域，特别涉及一种血液细胞及骨髓细胞图像人工智能分类识别方法。
背景技术
随着科技的发展，医学影像技术广泛应用于临床疾病的诊断、治疗中。在医学影像的帮助下，医师在诊断前能更准确，更及时的患病部位进行定位和辅助定性，方便进一步的疾病诊断和治疗，X光、B超、CT等均采用了医学影像技术。细胞图像处理是医学影像的一个重要分支，由于细胞图像的复杂性，制片质量不一，当前主要依赖人工阅片，由于医师长时间观察带来的视觉疲劳以及医师临床经验和病理分析水平不一，最终诊断结果往往出现较高的误差，要改善这些问题，除了提高制片技术，引入计算机图像识别诊断技术进行自动分析处理也一直是图像处理领域的热点和难点，并且在医疗领域里有一定的的应用。
而血液或骨髓细胞图像特征具有：背景单一，分类多，层级多；每个小类别的细胞非常相似的特点。目前在实际操作中，采用人工操作方法，检验工作量大，可重复性差，不仅耗时耗力，医师连续工作易因疲劳或粗心引发错误识别，影响病情诊断，而且对形态描述缺乏客观的定量标准。同时，其诊断水平一定程度上取决于医生的经验。因此，亟需开发出自动化的、借助计算机图像处理技术的血液细胞及骨髓细胞图像人工智能分类识别方法。
现有技术主要依赖于人工对血液细胞及骨髓细胞的分类识别，现有的计算机自动分类识别方法的准确性低速度慢。
发明内容
为解决现有的计算机自动分类识别方法的准确性低速度慢的问题，本发明提供一种血液细胞及骨髓细胞图像人工智能分类识别方法，包括：
S100：输入样本图像，进行图像标记，对样本图像进行标注信息，得到标记好的不同分类的图块；
S200：根据所述标记好的不同分类的图块，训练出若干个目标检测模型；
S300：输入待识别图像，使用预测框算法，提取定位候选物体，对其进行整体和局部的分割，得到整体的图块和局部的图块；
S400：将所述整体或局部的图块输入到所述目标检测模型中，得到选择关键卷积特征描述子；
S500：对选择关键卷积特征描述子进行全局和针对多个局部特征的子网络通过卷积，提取特征，后将二者的特征经过全连接层级联作为各个子网络的特征，多个子网络特征再次级联作为整张图像的特征；
S600：对所述整张图像的特征进行局部定位并分类，输出分类结果。
进一步地，所述S100中，对物体进行轮廓标记，包含物体整体轮廓，为目标检测模型的训练提供物体标注框；标注物体细节差异的特征位置，为目标检测模型的训练提供部位标注点；并提供训练用图像的标注信息，得到标记好的不同分类的图块。
进一步地，所述S200中，基于目标检测类模型，同时训练出多个检测模型，根据细胞图像特点，训练3个目标检测模型包括：细粒度检测模型、细胞核检测模型、整体细胞检测模型；将所述S100中得到的标记好的不同分类的图块，分别带入各个独立CNN网络进行训练，每个CNN学习到该物体的整体、局部、细节特征，每个CNN结尾处添加全连接层做级联，获得整个物体的整体和局部特征。
进一步地，所述S300中，预测框算法包括：selective search和EdgeBoxes；用如上方法进行选择性搜索，定位候选物体；或使用DPM算法，得到Part Anotation的预测点，获得整个物体以及局部的预测框；或使用FPN模型，对局部进行分割。
进一步地，所述S400-S500中，在每个CNN子网络中，得到“选择关键卷积特征描述子”，保留针对前景的描述，同时去除描述背景的卷积的干扰；选择关键卷积特征描述子进行全局平均和最大池化操作，后将二者池化后的特征级联作为子网络的特征，将两或三个子网特征再次级联作为整张图像的特征。
进一步地，所述S600中的局部定位的算法包括：基于多候选区集成的部件定位、FCN网络进行局部定位、Deep LAC进行部件定位、对齐及分类。
进一步地，所述基于多候选区集成的部件定位，使用基于AlexNet的单个DCNN定位关键点和区域：将AlexNet最后的fc8层替换为两个产生关键点及视觉特征的输出层，使用边缘框分块方法将图像分块，产生其特征点位置及视觉特征，去除置信度评分低的预测结果，保留剩余预测结果的中心点，作为关键点预测结果。
进一步地，所述FCN网络进行局部定位，使用FCN得到CNN独立判断网络的conv5中多个关键点的位置之后，将定位结果输入到分类网络，使用两级架构分析图像物体级及部件级的特征；局部网络首先通过共享层提取特征，之后分别计算关键点周围的部件特征；物体级别网络使用标注框提取对象级CNN特征及pool特征；之后将部件级网络及物体级网络特征图合并后进行分类。
进一步地，所述Deep LAC进行部件定位、对齐及分类，使用VLF函数，进行Deep LAC中的反向传播，自适应地减小分类及对齐的误差，并且更新定位结果；局部定位子网络包含至少5个卷积层及3个全连接层，以获得预测框；对齐子网络接收局部定位结果，并在反向传播过程中分类及定位结果。
进一步地，所述细粒度检测模型包括：双线性汇合方法、GoogLeNet的RNN、DVAN、MACNN、RACNN、MAMC。
本发明提供的提供一种血液细胞及骨髓细胞图像人工智能分类识别方法，通过对输入样本进行标记，训练出若干个目标检测模型；再使用预测框算法得到整体的图块和局部的图块，并将其输入到所述目标检测模型中，得到选择关键卷积特征描述子，再进行全局和针对多个局部特征的子网络通过卷积得到整张图像的特征，最后对所述整张图像的特征进行局部定位并分类，输出分类结果。本发明提供的技术方案解决了现有技术主要依赖于人工对血液细胞及骨髓细胞的分类识别的问题，具有自动分类识别准确性高的特点。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明提供的一种血液细胞及骨髓细胞图像人工智能分类识别方法流程图；
图2A为带矩形框标记的单个2分叶核示意图；
图2B为针对图2A每个核标记局部关注点示意图；
图3A为带矩形框的单个5分叶核示意图；
图3B为针对图3A每个核标记局部关注点示意图；
图4为2个CNN网络结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
本发明提供一种血液细胞及骨髓细胞图像人工智能分类识别方法，如图1所示，包括：
S100：输入样本图像，进行图像标记，对样本图像进行标注信息，得到标记好的不同分类的图块；
所述S100中，对物体进行轮廓标记，包含物体整体轮廓，为目标检测模型的训练提供物体标注框(Object Bounding Box)；标注物体细节差异的特征位置，为目标检测模型的训练提供部位标注点(Part Annotation)；并提供训练用图像的标注信息，得到标记好的不同分类的图块。参考图2A-2B以及图3A-3B，分别是针对单个2分叶核和单个5分叶核进行的图像标记，此方法适用于图像或物体数量少，尤其异常细胞少的情况下；
根据图像采集的数量，还可以选择不同的标记方案；实验发现，当样本量较小(每个分类小于1000个可标记物体)，需要选择基于强监督的细粒度图像分类(Fine-GrainedImage Classification)的标记方法，即标记物体整体同时也要标记物体细节；当样本量充足(每个分类大于3000可标记物体)，需要选择基于弱监督的细粒度图像分类的标记方法；
S200：根据所述标记好的不同分类的图块，训练出若干个目标检测模型；
本步骤中，基于目标检测类模型，同时训练出多个检测模型，根据细胞图像特点，训练3个目标检测模型包括：细粒度检测模型、细胞核检测模型、整体细胞检测模型；将所述S100中得到的标记好的不同分类的图块，分别带入各个独立CNN网络进行训练，每个CNN学习到该物体的整体、局部、细节特征，每个CNN结尾处添加全连接层做级联，获得整个物体的整体和局部特征；
进一步地，所述细粒度检测模型包括：双线性汇合方法、GoogLeNet的RNN、DVAN、MACNN、RACNN、MAMC。双线性汇合方法(bilinear pooling)计算不同空间位置的外积，并对不同空间位置计算平均汇合以得到双线性特征。外积捕获了特征通道之间成对的相关关系，并且这是平移不变的。双线性汇合提供了比线性模型更强的特征表示，会获得非常好的效果。网络架构很简单，主要就是用外积(matrix outer product)来组合两个CNN(A和B)的feature map(当然也可以不用CNN)，bilinear layer如下:
bilinear(l，I，fA，fB)＝fA(l，I)TfB(l，I)。
这里用到2个CNN网络，结构如4所示，左中右3个图，分别表示2个CNN网络之间，不共享、部分共享、全共享参数，此模型作为模版模型，可以有很大程度的定制化改进。
然后基于RCNN类模型，同时训练出多个检测模型(Detection Model)，对于细胞检测，根据上面的细胞图像特点描述，建议训练3个目标检测模型：一个针对细粒度级别检测，一个针对细胞核检测，一个针对整体细胞检测(含细胞质)。将标记的输入的不同种类的图块，分别带入一个个独立CNN网络进行训练，每个CNN学习到该物体的整体、局部、细节特征，这样在每个CNN结尾处添加全连接层做级联，就会获得整个物体的整体和局部特征；
S300：输入待识别图像，使用预测框算法，提取定位候选物体，对其进行整体和局部的分割，得到整体的图块和局部的图块；
此步骤中，预测框算法包括：selective search和EdgeBoxes；用如上方法进行选择性搜索，定位候选物体；或使用DPM算法，得到Part Anotation的预测点，获得整个物体以及局部的预测框；或使用FPN模型，对局部进行分割；
S400：将所述整体或局部的图块输入到所述目标检测模型中，得到选择关键卷积特征描述子；
S500：对选择关键卷积特征描述子进行全局和针对多个局部特征的子网络通过卷积，提取特征，后将二者的特征经过全连接层级联作为各个子网络的特征，多个子网络特征再次级联作为整张图像的特征；
进一步地，所述S400-S500中，在每个CNN子网络中，得到“选择关键卷积特征描述子”，保留针对前景的描述，同时去除描述背景的卷积的干扰；选择关键卷积特征描述子进行全局平均和最大池化操作，后将二者池化后的特征级联作为子网络的特征，将两或三个子网特征再次级联作为整张图像的特征；
S600：对所述整张图像的特征进行局部定位并分类，输出分类结果；
进一步地，所述局部定位的算法包括：基于多候选区集成的部件定位、FCN网络进行局部定位、Deep LAC进行部件定位、对齐及分类。
进一步地，所述基于多候选区集成的部件定位，使用基于AlexNet的单个DCNN定位关键点和区域：将AlexNet最后的fc8层替换为两个产生关键点及视觉特征的输出层，使用边缘框分块方法将图像分块，产生其特征点位置及视觉特征，去除置信度评分低的预测结果，保留剩余预测结果的中心点，作为关键点预测结果。
进一步地，所述FCN网络进行局部定位，使用FCN得到CNN独立判断网络的conv5中多个关键点的位置之后，将定位结果输入到分类网络，使用两级架构分析图像物体级及部件级的特征；局部网络首先通过共享层提取特征，之后分别计算关键点周围的部件特征；物体级别网络使用标注框提取对象级CNN特征及pool特征；之后将部件级网络及物体级网络特征图合并后进行分类。
进一步地，所述Deep LAC进行部件定位、对齐及分类，使用VLF函数，进行Deep LAC中的反向传播，自适应地减小分类及对齐的误差，并且更新定位结果；局部定位子网络包含至少5个卷积层及3个全连接层，以获得预测框；对齐子网络接收局部定位结果，并在反向传播过程中分类及定位结果。
本发明提供的提供一种血液细胞及骨髓细胞图像人工智能分类识别方法，通过对输入样本进行标记，训练出若干个目标检测模型；再使用预测框算法得到整体的图块和局部的图块，并将其输入到所述目标检测模型中，得到选择关键卷积特征描述子，再进行全局和针对多个局部特征的子网络通过卷积得到整张图像的特征，最后对所述整张图像的特征进行局部定位并分类，输出分类结果。本发明提供的技术方案解决了现有技术主要依赖于人工对血液细胞及骨髓细胞的分类识别的问题，具有自动分类识别准确性高的特点。
经过试验，基于血液细胞图像及骨髓细胞图像分类的需求，本发明提出的以细粒度模型(FGVC)为主的分类方法，进行从粗到细的分类方法，使得约50-100个细小分类综合分类正确率能够达到80-90％。基于此类模型，可以很容易区分红细胞白细胞和血小板，并区分红细胞30种左右的各种异常，以及区分50多种骨髓细胞。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于，包括：
S100：输入样本图像，进行图像标记，对样本图像进行标注信息，得到标记好的不同分类的图块；
S200：根据所述标记好的不同分类的图块，训练出若干个目标检测模型；
S300：输入待识别图像，使用预测框算法，提取定位候选物体，对其进行整体和局部的分割，得到整体的图块和局部的图块；
S400：将所述整体或局部的图块输入到所述目标检测模型中，得到选择关键卷积特征描述子；
S500：对选择关键卷积特征描述子进行全局和针对多个局部特征的子网络通过卷积，提取特征，后将二者的特征经过全连接层级联作为各个子网络的特征，多个子网络特征再次级联作为整张图像的特征；
S600：对所述整张图像的特征进行局部定位并分类，输出分类结果。
2.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述S100中，对物体进行轮廓标记，包含物体整体轮廓，为目标检测模型的训练提供物体标注框；标注物体细节差异的特征位置，为目标检测模型的训练提供部位标注点；并提供训练用图像的标注信息，得到标记好的不同分类的图块。
3.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述S200中，基于目标检测类模型，同时训练出多个检测模型，根据细胞图像特点，训练3个目标检测模型包括：细粒度检测模型、细胞核检测模型、整体细胞检测模型；将所述S100中得到的标记好的不同分类的图块，分别带入各个独立CNN网络进行训练，每个CNN学习到该物体的整体、局部、细节特征，每个CNN结尾处添加全连接层做级联，获得整个物体的整体和局部特征。
4.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述S300中，预测框算法包括：selective search和EdgeBoxes；用如上方法进行选择性搜索，定位候选物体；或使用DPM算法，得到Part Anotation的预测点，获得整个物体以及局部的预测框；或使用FPN模型，对局部进行分割。
5.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述S400-S500中，在每个CNN子网络中，得到“选择关键卷积特征描述子”，保留针对前景的描述，同时去除描述背景的卷积的干扰；选择关键卷积特征描述子进行全局平均和最大池化操作，后将二者池化后的特征级联作为子网络的特征，将两或三个子网特征再次级联作为整张图像的特征。
6.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于，所述S600中的局部定位的算法包括：基于多候选区集成的部件定位、FCN网络进行局部定位、Deep LAC进行部件定位、对齐及分类。
7.根据权利要求6所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述基于多候选区集成的部件定位，使用基于AlexNet的单个DCNN定位关键点和区域：将AlexNet最后的fc8层替换为两个产生关键点及视觉特征的输出层，使用边缘框分块方法将图像分块，产生其特征点位置及视觉特征，去除置信度评分低的预测结果，保留剩余预测结果的中心点，作为关键点预测结果。
8.根据权利要求6所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述FCN网络进行局部定位，使用FCN得到CNN独立判断网络的conv5中多个关键点的位置之后，将定位结果输入到分类网络，使用两级架构分析图像物体级及部件级的特征；局部网络首先通过共享层提取特征，之后分别计算关键点周围的部件特征；物体级别网络使用标注框提取对象级CNN特征及pool特征；之后将部件级网络及物体级网络特征图合并后进行分类。
9.根据权利要求6所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述Deep LAC进行部件定位、对齐及分类，使用VLF函数，进行Deep LAC中的反向传播，自适应地减小分类及对齐的误差，并且更新定位结果；局部定位子网络包含至少5个卷积层及3个全连接层，以获得预测框；对齐子网络接收局部定位结果，并在反向传播过程中分类及定位结果。
10.根据权利要求3所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于，所述细粒度检测模型包括：双线性汇合方法、GoogLeNet的RNN、DVAN、MACNN、RACNN、MAMC。
CN202010987326.3A 2020-09-18 2020-09-18 一种血液细胞及骨髓细胞图像人工智能分类识别方法 Pending CN112070059A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010987326.3A CN112070059A (zh) 2020-09-18 2020-09-18 一种血液细胞及骨髓细胞图像人工智能分类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010987326.3A CN112070059A (zh) 2020-09-18 2020-09-18 一种血液细胞及骨髓细胞图像人工智能分类识别方法

Publications (1)

Publication Number Publication Date
CN112070059A true CN112070059A (zh) 2020-12-11

Family

ID=73681198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010987326.3A Pending CN112070059A (zh) 2020-09-18 2020-09-18 一种血液细胞及骨髓细胞图像人工智能分类识别方法

Country Status (1)

Country Link
CN (1) CN112070059A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113241154A (zh) * 2020-12-28 2021-08-10 中国人民解放军陆军军医大学第二附属医院 一种人工智能血液涂片细胞标注系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1553166A (zh) * 2003-12-19 2004-12-08 武汉大学 显微多光谱骨髓及外周血细胞自动分析仪和方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
CN109086792A (zh) * 2018-06-26 2018-12-25 上海理工大学 基于检测和识别网络架构的细粒度图像分类方法
CN110348522A (zh) * 2019-07-12 2019-10-18 创新奇智(青岛)科技有限公司 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统
CN110674874A (zh) * 2019-09-24 2020-01-10 武汉理工大学 基于目标精细组件检测的细粒度图像识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1553166A (zh) * 2003-12-19 2004-12-08 武汉大学 显微多光谱骨髓及外周血细胞自动分析仪和方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
CN109086792A (zh) * 2018-06-26 2018-12-25 上海理工大学 基于检测和识别网络架构的细粒度图像分类方法
CN110348522A (zh) * 2019-07-12 2019-10-18 创新奇智(青岛)科技有限公司 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统
CN110674874A (zh) * 2019-09-24 2020-01-10 武汉理工大学 基于目标精细组件检测的细粒度图像识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KANGDK: "论文笔记|基于深度学习的细粒度物体分类综述", 《CSDN》 *
XIU-SHEN WEI ET AL.: "Mask-CNN: Localizing Parts and Selecting Descriptors for Fine-Grained Image Recognition", 《ARXIV》 *
邹承明;罗莹;徐晓龙;: "基于多特征组合的细粒度图像分类方法", 计算机应用, no. 07 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113241154A (zh) * 2020-12-28 2021-08-10 中国人民解放军陆军军医大学第二附属医院 一种人工智能血液涂片细胞标注系统及方法

Similar Documents

Publication Publication Date Title
Das et al. Computer-aided histopathological image analysis techniques for automated nuclear atypia scoring of breast cancer: a review
US11423541B2 (en) Assessment of density in mammography
CN112288706B (zh) 一种自动化的染色体核型分析以及异常检测方法
WO2020151536A1 (zh) 一种脑部图像分割方法、装置、网络设备和存储介质
Tomari et al. Computer aided system for red blood cell classification in blood smear image
CN113256637B (zh) 一种基于深度学习、上下文相关的尿液有形成分检测方法
CN109544518B (zh) 一种应用于骨骼成熟度评估的方法及其系统
CN110647874B (zh) 一种端到端的血细胞识别模型构造方法及应用
CN112215807A (zh) 基于深度学习的细胞图像自动分类方法及系统
Pan et al. Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks
CN112101451A (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN110543912A (zh) 自动获取胎儿关键切面超声视频中心动周期视频的方法
CN114332577A (zh) 结合深度学习与影像组学的结直肠癌图像分类方法及系统
Ferlaino et al. Towards deep cellular phenotyping in placental histology
Yang et al. Neuron image segmentation via learning deep features and enhancing weak neuronal structures
CN115546605A (zh) 一种基于图像标注和分割模型的训练方法及装置
CN113902669A (zh) 一种尿脱落细胞液基涂片的阅片方法及系统
CN115526834A (zh) 免疫荧光图像检测方法及装置、设备、存储介质
CN110796661A (zh) 基于卷积神经网络的真菌显微图像分割检测方法及系统
Du et al. Discrimination of breast cancer based on ultrasound images and convolutional neural network
CN112070059A (zh) 一种血液细胞及骨髓细胞图像人工智能分类识别方法
CN115880266B (zh) 一种基于深度学习的肠道息肉检测系统和方法
Sun et al. Detection of breast tumour tissue regions in histopathological images using convolutional neural networks
CN110717916A (zh) 一种基于卷积神经网络的肺栓塞检测系统
Guo et al. Pathological Detection of Micro and Fuzzy Gastric Cancer Cells Based on Deep Learning.

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