CN112150466B - 一种用于白细胞散点图异常检测的方法及系统 - Google Patents

一种用于白细胞散点图异常检测的方法及系统 Download PDF

Info

Publication number
CN112150466B
CN112150466B CN202011346705.0A CN202011346705A CN112150466B CN 112150466 B CN112150466 B CN 112150466B CN 202011346705 A CN202011346705 A CN 202011346705A CN 112150466 B CN112150466 B CN 112150466B
Authority
CN
China
Prior art keywords
blood cell
white blood
scatter diagram
abnormal
result
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.)
Active
Application number
CN202011346705.0A
Other languages
English (en)
Other versions
CN112150466A (zh
Inventor
李柏蕤
赵天赐
刘丹
李建英
吴卫
连荷清
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.)
Beijing Xiaofei Technology Co ltd
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Beijing Xiaofei 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 Beijing Xiaofei Technology Co ltd filed Critical Beijing Xiaofei Technology Co ltd
Priority to CN202011346705.0A priority Critical patent/CN112150466B/zh
Publication of CN112150466A publication Critical patent/CN112150466A/zh
Application granted granted Critical
Publication of CN112150466B publication Critical patent/CN112150466B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/10—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
    • G06T7/90—Determination of colour characteristics
    • 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)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种用于白细胞散点图异常检测的方法及系统，采用卷积自编码器对白细胞散点图进行图像重构；将重构图像与所述白细胞散点图对比，计算重构误差；对所述白细胞散点进行表面特征提取和统计，判断是否满足约束条件，如果满足则统计结果为正常，否则统计结果为异常；当重构误差未超过设定阈值，且统计结果为正常则判定白细胞散点图结果为正常，否则判定白细胞散点图结果为异常。本发明基于重构图像计算的异常值，基于先验知识的判断结果，由异常值和判断结果综合获得异常检测结果，降低卷积自编码器在散点图异常检测任务上的漏检率，检测结果更加可靠。

Description

一种用于白细胞散点图异常检测的方法及系统
技术领域
本发明涉及白细胞检测技术领域，尤其涉及一种用于白细胞散点图异常检测的方法及系统。
背景技术
运用流式细胞计数法和其它生物粒子的物理和化学性质进行检测。血液标本经吸取稀释后，进行化学染色，血细胞在鞘流内的试剂包裹下排成一行通过检测小孔，并有半导体激光束照射到血细胞上。当血细胞经过激光通路时，光束在每个血细胞的不同方向上产生光散射，通过检测散射光，将光信号转化为电脉冲，可以得到有关细胞体积大小和材质的信息，进而描画出二维的散点图。
散点图中，利用侧向散射光SSC和荧光SFL将白细胞分成五类：中性粒细胞、单核细胞、淋巴细胞、嗜酸性粒细胞、嗜碱性粒细胞。
常见的异常散点图，如异常淋巴细胞增多，嗜酸性粒细胞增多等情况需要对散点图异常进行检测。 现有的检测方法主要为人工检测，耗费人力，并且耗时较长；现有的仪器检测的漏检率高、准确率低。
发明内容
针对现有技术中存在的问题，本发明提供一种用于白细胞散点图异常检测的方法及系统，利用编码前和解码后的图像之间的差异进行异常值检测，结合先验知识与异常分数，进一步降低卷积自编码器的漏检率。
为达到上述目的，本发明提供了一种用于白细胞散点图异常检测的方法，包括：
采用卷积自编码器对白细胞散点图进行图像重构；
将重构图像与所述白细胞散点图对比，计算重构误差；
对所述白细胞散点进行表面特征提取和统计，判断是否满足约束条件，如果满足则统计结果为正常，否则统计结果为异常；
当所述重构误差未超过设定阈值，且统计结果为正常则判定白细胞散点图结果为正常，否则判定白细胞散点图结果为异常。
进一步地，所述卷积自编码器包括编码模块和解码模块，所述编码模块包括至少两组级联的卷基层和池化层的组合，对所述白细胞散点图进行特征的提取；所述解码模块包括至少两组级联的反卷积层和上采样层的组合，基于提取的特征进行图像重构。
进一步地，所述卷积自编码器通过训练获得，首先采用通用图像样本库中的图像作为样本进行训练至满足精度要求，再采用白细胞散点图像库中的白细胞散点图作为样本进行训练至满足精度要求。
进一步地，重构误差采用所述重构图像与所述白细胞散点图各个像素点的均方误差之和、感知损失、结构相似性指数或L1损失。
进一步地，对所述白细胞散点进行表面特征统计包括，统计散点图中白细胞像素点种类个数、不同颜色的像素点个数、不同颜色的像素点的平均位置、像素点间距离以及分布的分散程度。
进一步地，所述约束条件根据先验知识构建，判断是否满足约束条件包括根据每种颜色的点的分布区域，限定各个颜色区域，各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。
本发明另一方面提供一种用于白细胞散点图异常检测的系统，包括卷积自编码器、异常值计算模块、统计模块以及分类器；
所述卷积自编码器对白细胞散点图进行图像重构；
所述异常值计算模块将重构图像与所述白细胞散点图对比，计算重构误差；
所述统计模块对所述白细胞散点进行表面特征提取和统计，判断是否满足约束条件，如果满足则统计结果为正常，否则统计结果为异常；
分类器输出分类结果，当所述重构误差未超过设定阈值且统计结果为正常时输出分类结果为白细胞散点图结果为正常，否则输出分类结果为白细胞散点图结果为异常。
进一步地，所述卷积自编码器包括编码模块和解码模块，所述编码模块包括至少两组级联的卷基层和池化层的组合，对所述白细胞散点图进行特征的提取；所述解码模块包括至少两组级联的反卷积层和上采样层的组合，基于提取的特征进行图像重构。
进一步地，所述卷积自编码器通过训练获得，首先采用通用图像样本库中的图像作为样本进行训练至满足精度要求，再采用白细胞散点图像库中的白细胞散点图作为样本进行训练至满足精度要求。
进一步地，所述异常值计算模块计算所述重构图像与所述白细胞散点图各个像素点的均方误差之和、感知损失、结构相似性指数或L1损失作为重构误差。
进一步地，所述统计模块对所述白细胞散点进行表面特征统计包括：统计散点图中白细胞像素点种类个数、不同颜色的像素点个数、不同颜色的像素点的平均位置、像素点间距离以及分布的分散程度。
进一步地，所述统计模块的所述约束条件根据先验知识构建，判断是否满足约束条件包括：根据每种颜色的点的分布区域，限定各个颜色区域，各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。
本发明的上述技术方案具有如下有益的技术效果：
（1）本发明用于白细胞散点图异常检测的方法，采用了卷积自编码器进行无监督学习，利用卷积自编码器对待测图像进行压缩，再通过卷积解码器对压缩后的图像进行还原。由于卷积自编码器的压缩为有损压缩，编码前和解码后的图像之间存在差异，利用二者之间的误差值对编、解码器进行优化，从而达到无监督训练卷积自编码器的目的。相较于正常散点图，异常散点图经过卷积自编码器后会得到较高的误差值，从而被识别出来。
（2）常见的散点图异常检测算法通常需要专家对大量的散点图进行标注，判断各类异常情况，以多分类任务的方式进行处理。本发明采用一种无监督的方式，只需要以正常数据作为输入对网络参数进行训练，不需要收集大量的有标签数据。
（3）本发明利用先验知识的评价结果与基于卷积自编码器得到的异常分数的结合，实现了白细胞散点图异常情况的准确检测。通过先验知识预先判定异常散点图，防止卷积自编码器的漏检，提高的检测结果的可靠性。
附图说明
图1是白细胞散点图异常检测流程图；
图2是白细胞散点图异常检测原理图；
图3是白细胞散点图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
参照图1，本发明提供一种用于白细胞散点图异常检测的方法，包括：
（1）采用卷积自编码器对白细胞散点图进行图像重构。
卷积自编码器包括编码模块、解码模块，采用卷积神经网络构建并训练获得。
编码模块可对输入的待测图像进行特征的提取，并且，随着编码网络的层次逐渐加深，提取的特征也呈现出由浅层到深层的特点。使用大量具有相同或相似特征的正常白细胞散点图对编码器进行训练，可以使其准确的捕捉用于重构图像的特征信息。
解码模块中的计算操作是编码模块的逆向操作，旨在由特征值还原出原图像，得到重构图像。解码器的训练与编码器协同进行，训练的最终目标是使卷积自编码器对正常白细胞散点图的重构误差最小化。
训练的过程包括：首先采用下载的通用图像样本库对卷积自编码器进行训练，当满足精度要求后，采用白细胞散点图像库进行训练，满足精度要求后完成训练，封装卷积自编码器。
精度可以采用训练输出的图像对原图像的重构误差表征，当重构误差小于设定阈值时，表明满足精度要求。在一个实施例中重构误差采用所述重构图像与所述白细胞散点图各个像素点的均方误差之和。
（3）将重构图像与所述白细胞散点图对比，计算重构误差；
计算重构图像与原散点图件的均方误差作为卷积自编码器的重构误差，并作为异常值计算的依据。
Figure 336341DEST_PATH_IMAGE001
其中，x表示待测图像，
Figure 595284DEST_PATH_IMAGE002
表示重构图像，图像中共有k个像素点，
Figure 615192DEST_PATH_IMAGE003
和
Figure 617783DEST_PATH_IMAGE004
分别表示 待测图像和重构图像中第i个像素点的三通道像素值。重构误差越大，异常值越大；重构误 差越小，异常值越小。当待测图像接近正常图像时，经过编码、解码这一重构过程得到的重 构图像与待测图片的相似度较高，重构误差较小，因此异常值较低；当待测图像与正常图像 差异较大，即为异常图像时，经过编码、解码这一重构过程得到的重构图像与待测图片的相 似度较低，重构误差较大。
作为均方误差的替代方案，重构误差还可以采用Perceptual Loss（感知损失）、结构相似性指数（SSIM）、L1损失（L1 Loss）。
（4）对所述白细胞散点进行表面特征提取和统计，判断是否满足约束条件，如果满足则统计结果为正常，否则统计结果为异常；
先验知识主要是指由具有散点图异常判别能力的专家给出的关于散点图异常检测的一些常用判别标准、判别手段。由于散点图本身组成结构较为单一，仅是由多种颜色的像素点分布排列构成，因此可以基于统计学的相关手段对其形态特征进行表层提取，如散点图中像素点种类个数、不同颜色的像素点个数、不同颜色的像素点的平均位置、像素点间距离、分布的分散程度，等等。专家的先验知识在统计模块中经由一系列基于统计学的转换，得到相应的约束条件。可以根据该条件对散点图进行初筛，得到一部分异常图像数据。不管卷积编码器输出的异常分数为何值，该部分图像数据最终会被严格归为异常类。
如图3所示，为白细胞散点图。每种颜色的点在空间上都有一定的分布区域，对不同颜色点的平均坐标进行空间上的限制，可以初步筛掉一些异常图片。在A区域上的点主要为绿色，对出现的紫色异常点进行计数；B区域上的点主要为绿色，对出现的深蓝色异常点进行计数；而在C区域，主要为紫色点或蓝绿色点，当紫色点或蓝绿色点数目过多时会分别出现品红色点和青色点，对这两种点进行计数；同时紫色点和绿色点的交界部分也会统计其混叠程度；对这些数据设立一个可灵活调整的门限值，高于则判为异常，否则判为正常。
在一个实施例中，根据每种颜色的点的分布区域，限定各个颜色区域，各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。
（5）当所述重构误差未超过设定阈值，且统计结果为正常则判定白细胞散点图结果为正常，否则判定白细胞散点图结果为异常。
最终的异常图像判定结果，其主要包括两部分输入，一个是重构误差，一个是先验知识，后者起到加强的异常判定作用，可以预先筛选出一些异常图像，这些图像会在分类器中直接被判定为异常图像。先验知识的应用，可以进一步降低卷积自编码器在散点图异常检测任务上的漏检率。
本发明另一方面提供一种用于白细胞散点图异常检测的系统，结合图2，包括卷积自编码器、异常值计算模块、统计模块以及分类器；
（1）卷积自编码器
卷积自编码器基于卷积神经网络构建，对白细胞散点图进行图像重构。包括编码模块和解码模块。
编码模块可对输入的待测图像进行特征的提取，并且，随着编码网络的层次逐渐加深，提取的特征也呈现出由浅层到深层的特点。使用大量具有相同或相似特征的正常白细胞散点图对编码器进行训练，可以使其准确的捕捉用于重构图像的特征信息。
解码模块中的计算操作是编码模块的逆向操作，旨在由特征值还原出原图像，得到重构图像。解码器的训练与编码器协同进行，训练的最终目标是使卷积自编码器对正常白细胞散点图的重构误差最小化。
为保证可以提取到图像中更为深层的信息，网络需要具备一定的深度，编码器部分依次包括：至少两个由卷积核组成的卷积层、至少两个池化层；解码器部分依次包括：至少两个由卷积核组成的卷积层、至少两个上采样层。其中，编码器中的卷积层和池化层的数量相同，每一卷积层后连接一个池化层，至少使用两个卷积层用于实现卷积层的堆叠以提取数据的特征。池化层用于降低数据的维度。解码器中的卷积层根据输入特征对数据进行重构，并通过上采样层还原出重构后的数据。卷积自编码器中的卷积层、池化层、上采样层的具体数量可根据重构数据与原输入数据之间误差的预设范围而定。由于数据为图像数据，自编码器中使用的卷积核为二维卷积核，相应地，卷积层、池化层、上采样层维度均为二。
（2）异常值计算模块
异常值计算模块以重构图像和待测图像作为输入，计算二者之间的均方误差作为卷积自编码器的重构误差，并作为异常值计算的依据。
Figure 406748DEST_PATH_IMAGE001
其中，x表示待测图像，
Figure 102171DEST_PATH_IMAGE005
表示重构图像，图像中共有k个像素点，
Figure 609376DEST_PATH_IMAGE006
和
Figure 150079DEST_PATH_IMAGE007
分别表示 待测图像和重构图像中第i个像素点的三通道像素值。重构误差越大，异常值越大；重构误 差越小，异常值越小。当待测图像接近正常图像时，经过编码、解码这一重构过程得到的重 构图像与待测图片的相似度较高，重构误差较小，因此异常值较低；当待测图像与正常图像 差异较大，即为异常图像时，经过编码、解码这一重构过程得到的重构图像与待测图片的相 似度较低，重构误差较大，因此异常值较高。
（3）统计模块
统计模块以先验知识和待测图像作为输入，首先将专家先验知识转化为了一系列统计指标对应的约束条件，这些约束条件的优先级高于异常值分数对最终判定异常结果的影响。之后，待测图像在统计模块中经历相关数学运算和变量统计得到异常与否的判定结果。
（4）分类器
最终，异常值计算模块输出的异常值和统计模块输出的基于先验知识的异常判定结果均输入到分类器之中，由分类器作进一步的判断。1）如果统计模块将当前结果判定为异常，那么分类器输出当前图像的最终分类结果为异常。2）如果统计模块将当前结果判定为正常，那么分类器根据异常值进行进一步的判断：如果异常值大于阈值，那么分类器输出当前图像的最终分类结果为异常；如果异常值小于阈值，那么分类器输出当前图像的最终分类结果为正常。
分类器输出最终的异常图像判定结果，其主要包括两部分输入，一个是基于重构图像计算的异常值，一个基于先验知识的判断结果，后者起到更强的异常判定作用，可以预先筛选出一些异常图像，这些图像会在分类器中直接被判定为异常图像。先验知识的应用，可以进一步降低卷积自编码器在散点图异常检测任务上的漏检率。
综上所述，本发明涉及一种用于白细胞散点图异常检测的方法及系统，采用卷积自编码器对白细胞散点图进行图像重构；将重构图像与所述白细胞散点图对比，计算重构误差；对所述白细胞散点进行表面特征提取和统计，判断是否满足约束条件，如果满足则统计结果为正常，否则统计结果为异常；当重构误差未超过设定阈值，且统计结果为正常则判定白细胞散点图结果为正常，否则判定白细胞散点图结果为异常。本发明基于重构图像计算的异常值，基于先验知识的判断结果，由异常值和判断结果综合获得异常检测结果，降低卷积自编码器在散点图异常检测任务上的漏检率，检测结果更加可靠。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (4)

1.一种用于白细胞散点图异常检测的方法，其特征在于，包括：
采用卷积自编码器对白细胞散点图进行图像重构；
将重构图像与所述白细胞散点图对比，计算重构误差；
对所述白细胞散点进行表面特征提取和统计，判断是否满足约束条件，如果满足则统计结果为正常，否则统计结果为异常；
当所述重构误差未超过设定阈值，且统计结果为正常则判定白细胞散点图结果为正常，否则判定白细胞散点图结果为异常；
所述卷积自编码器包括编码模块和解码模块，所述编码模块包括至少两组级联的卷基层和池化层的组合，对所述白细胞散点图进行特征的提取；所述解码模块包括至少两组级联的反卷积层和上采样层的组合，基于提取的特征进行图像重构；所述卷积自编码器通过训练获得，首先采用通用图像样本库中的图像作为样本进行训练至满足精度要求，再采用白细胞散点图像库中的白细胞散点图作为样本进行训练至满足精度要求；
对所述白细胞散点进行表面特征统计包括，统计散点图中白细胞像素点种类个数、不同颜色的像素点个数、不同颜色的像素点的平均位置、像素点间距离以及分布的分散程度；
所述约束条件根据先验知识构建，判断是否满足约束条件包括根据每种颜色的点的分布区域，限定各个颜色区域，各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。
2.根据权利要求1所述的用于白细胞散点图异常检测的方法，其特征在于，重构误差采用所述重构图像与所述白细胞散点图各个像素点的均方误差之和、感知损失、结构相似性指数或L1损失。
3.一种用于白细胞散点图异常检测的系统，其特征在于，包括卷积自编码器、异常值计算模块、统计模块以及分类器；
所述卷积自编码器对白细胞散点图进行图像重构；
所述异常值计算模块将重构图像与所述白细胞散点图对比，计算重构误差；
所述统计模块对所述白细胞散点进行表面特征提取和统计，判断是否满足约束条件，如果满足则统计结果为正常，否则统计结果为异常；
分类器输出分类结果，当所述重构误差未超过设定阈值且统计结果为正常时输出分类结果为白细胞散点图结果为正常，否则输出分类结果为白细胞散点图结果为异常；
所述卷积自编码器包括编码模块和解码模块，所述编码模块包括至少两组级联的卷基层和池化层的组合，对所述白细胞散点图进行特征的提取；所述解码模块包括至少两组级联的反卷积层和上采样层的组合，基于提取的特征进行图像重构；
所述卷积自编码器通过训练获得，首先采用通用图像样本库中的图像作为样本进行训练至满足精度要求，再采用白细胞散点图像库中的白细胞散点图作为样本进行训练至满足精度要求；
所述统计模块对所述白细胞散点进行表面特征统计包括：统计散点图中白细胞像素点种类个数、不同颜色的像素点个数、不同颜色的像素点的平均位置、像素点间距离以及分布的分散程度；
所述统计模块的所述约束条件根据先验知识构建，判断是否满足约束条件包括：根据每种颜色的点的分布区域，限定各个颜色区域，各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。
4.根据权利要求3所述的用于白细胞散点图异常检测的系统，其特征在于，所述异常值计算模块计算所述重构图像与所述白细胞散点图各个像素点的均方误差之和、感知损失、结构相似性指数或L1损失作为重构误差。
CN202011346705.0A 2020-11-26 2020-11-26 一种用于白细胞散点图异常检测的方法及系统 Active CN112150466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011346705.0A CN112150466B (zh) 2020-11-26 2020-11-26 一种用于白细胞散点图异常检测的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011346705.0A CN112150466B (zh) 2020-11-26 2020-11-26 一种用于白细胞散点图异常检测的方法及系统

Publications (2)

Publication Number Publication Date
CN112150466A CN112150466A (zh) 2020-12-29
CN112150466B true CN112150466B (zh) 2021-03-09

Family

ID=73887444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011346705.0A Active CN112150466B (zh) 2020-11-26 2020-11-26 一种用于白细胞散点图异常检测的方法及系统

Country Status (1)

Country Link
CN (1) CN112150466B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554605B (zh) * 2021-07-07 2023-09-26 常州大学 一种基于特征匹配的织物异常区域检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345654B (zh) * 2013-06-25 2017-02-08 苏州创继生物科技有限公司 一种基于形态学分类计数白细胞的方法
WO2016106688A1 (zh) * 2014-12-31 2016-07-07 深圳迈瑞生物医疗电子股份有限公司 一种有核红细胞报警方法、装置及流式细胞分析仪
CN110249223B (zh) * 2017-02-17 2020-10-20 深圳迈瑞生物医疗电子股份有限公司 血液细胞分析方法及血液细胞分析仪
WO2018232589A1 (zh) * 2017-06-20 2018-12-27 深圳迈瑞生物医疗电子股份有限公司 一种血小板聚集识别的方法、装置和细胞分析仪
CN111047550A (zh) * 2019-11-04 2020-04-21 睿视智觉（厦门）科技有限公司 一种基于机器视觉的产品异常检测方法、装置及设备

Also Published As

Publication number Publication date
CN112150466A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
US11403751B2 (en) System and method of classification of biological particles
CN108765412B (zh) 一种带钢表面缺陷分类方法
Yuan Blind forensics of median filtering in digital images
CN112132831B (zh) 一种白细胞散点图异常联合检测方法及系统
CN114332650B (zh) 一种遥感图像道路识别方法及系统
US8068132B2 (en) Method for identifying Guignardia citricarpa
CN111915572A (zh) 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法
CN114298948A (zh) 基于PSPNet-RCNN的球机监控异常检测方法
CN113139489B (zh) 基于背景提取和多尺度融合网络的人群计数方法及系统
CN113516228B (zh) 一种基于深度神经网络的网络异常检测方法
CN109191418A (zh) 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN112150466B (zh) 一种用于白细胞散点图异常检测的方法及系统
CN111860277A (zh) 基于颜色直方图特征的民航飞机空速管套安全警示方法
CN110647876A (zh) 一种血涂片全视野智能分析方法
CN114926386A (zh) 一种基于深度学习的白细胞核质自动分割方法及系统
CN115830585A (zh) 一种基于图像增强的港口集装箱号识别方法
CN116559111A (zh) 一种基于高光谱成像技术的高粱品种识别方法
CN116246174A (zh) 基于图像处理的甘薯种类识别方法
CN115239672A (zh) 缺陷检测方法及装置、设备、存储介质
CN115830514B (zh) 一种适用于带弯曲河道的全河段表面流速计算方法及系统
CN112633286B (zh) 一种基于危险品相似率和识别概率的智能安检系统
CN114119562B (zh) 一种基于深度学习的刹车盘外表面缺陷检测方法及系统
CN112581467B (zh) 一种基于疑似危险品评价的智能安检方法
CN113034543B (zh) 一种基于局部注意力机制的3D-ReID多目标追踪方法
CN112508862B (zh) 一种通过改进gan增强裂纹磁光图像的方法

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
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230406

Address after: Room B205, floor 2, building 1, No. 12, information road, Haidian District, Beijing 100084

Patentee after: Beijing Xiaofei Technology Co.,Ltd.

Patentee after: PEKING UNION MEDICAL COLLEGE Hospital

Address before: B205 Zhongguancun Development building, No.12, shangdixin Road, Haidian District, Beijing 100085

Patentee before: Beijing Xiaofei Technology Co.,Ltd.