CN112200809B - 基于骨架分割与关键点检测的粘连染色体分离方法及装置 - Google Patents
基于骨架分割与关键点检测的粘连染色体分离方法及装置 Download PDFInfo
- Publication number
- CN112200809B CN112200809B CN202011004014.2A CN202011004014A CN112200809B CN 112200809 B CN112200809 B CN 112200809B CN 202011004014 A CN202011004014 A CN 202011004014A CN 112200809 B CN112200809 B CN 112200809B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- adherent
- chromosomes
- image
- skeleton
- 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
Links
- 230000001464 adherent effect Effects 0.000 title claims abstract description 85
- 230000011218 segmentation Effects 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 230000005770 chromosome separation Effects 0.000 title claims abstract description 15
- 238000000926 separation method Methods 0.000 title claims abstract description 15
- 210000000349 chromosome Anatomy 0.000 claims abstract description 153
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000000853 adhesive Substances 0.000 claims abstract 3
- 230000001070 adhesive effect Effects 0.000 claims abstract 3
- 238000012549 training Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000000877 morphologic effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000031404 Chromosome Aberrations Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 231100000005 chromosome aberration Toxicity 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于染色体分析技术领域，尤其是涉及一种基于骨架分割与关键点检测的粘连染色体分离方法及装置。基于骨架分割与关键点检测的粘连染色体分离方法，包括以下步骤：S1、将待分离的粘连染色体图像进行缩放和归一化处理，以获得粘连染色体输入图像；S2、将步骤S1所得的粘连染色体输入图像输入至染色体骨架分割模型中进行分割，以获得染色体骨架图像。本发明提供了一种不依赖于染色体的特定形态模式，具有较高的泛化能力，从粘连染色体之间的黏着点着手，利用黏着点对粘连染色体进行分离，能够有效地解决多条染色体粘连时染色体的分离问题的基于骨架分割与关键点检测的粘连染色体分离方法及装置。
Description
技术领域
本发明属于染色体分析技术领域，尤其是涉及一种基于骨架分割与关键点检测的粘连染色体分离方法及装置。
背景技术
染色体分析可以从核型图看出数目或结构的改变，是判断染色体畸变的重要依据。然而染色体并非刚性物体且位置随机，可能出现两条或者多条染色体交叉粘连。从这些接触粘连的染色体中提取染色体是一个非常繁琐的过程。
对于粘连染色体，传统的分割方法多通过使用几何形状、染色体边界的曲率、染色体的布局等将不同的粘连染色体分离，也有基于分裂合并和分水岭的技术来对粘连染色体进行分离。然而这些方法都局限于某些特定情况，表现差强人意。近年来出现一些使用深度学习的方法对粘连染色体进行分离，但是这些方法都值针对染色图图像质量较好且粘连染色体较少的情况，当染色体粘连情况较严重，且多条染色体发生粘连时，无法有效解决。且由于染色体的弯曲以及位置的随机性，使得染色体分析中，对一些比较复杂的情况仍然需要使用人机交互的方式半手工分离染色体。
发明内容
本发明所要解决的技术问题是提供一种不依赖于染色体的特定形态模式，具有较高的泛化能力，从粘连染色体之间的黏着点着手，利用黏着点对粘连染色体进行分离，能够有效地解决多条染色体粘连时染色体的分离问题的基于骨架分割与关键点检测的粘连染色体分离方法及装置。为此，本发明采用以下技术方案：
基于骨架分割与关键点检测的粘连染色体分离方法，包括以下步骤：
S1、将待分离的粘连染色体图像进行缩放和归一化处理，以获得粘连染色体输入图像；
S2、将步骤S1所得的粘连染色体输入图像输入至染色体骨架分割模型中进行分割，以获得染色体骨架图像；
S3、将待分离的粘连染色体图形和步骤S2所得的染色体骨架图像相互连接、并输入至粘连染色体关键点检测模型中进行处理，以获得粘连染色体的粘着点；
将步骤S3所得的粘着点为圆心，引一条竖直的线段，在-90°
～90°的范围内旋转染色体，保持线段方向不变，取与步骤S2所得的染色体骨架图像的前景像素点相交最少的一条线段；
S5、结合步骤S4所得的线段将粘连染色体分离，以获得粘连染色体分离结果。
本发明的分离方法使用染体骨架分割模型对染色体的骨架进行分割，得到染色体的骨架图像，再将待分离的粘连染色体图像及其骨架图像连接起来，输入至粘连染色体关键点检测模型中，得到粘连染色体的黏着点，然后根据黏着点与骨架图像找到最佳的线段将粘连染色体分离得到分离结果。其中，步骤S1中的双线性插值主要用于图像缩放，将输入图片统一尺寸。
在采用上述技术方案的基础上，本发明还可采用以下进一步的技术方案：
所述步骤S1中所述缩放为将待分离的粘连染色体图像的尺寸调整至设定值m*n。其中，m和n的值可根据需要进行设定，m和n 可以相同或不同。
所述归一化处理的对象为缩放后的待分离的粘连染色体图像，所述归一化处理的方法包括以下计算方法：
S11、
S12、
S13、
S14、
其中，μ是全部图像的像素的平均值，xi是图像中第i个像素值，N是图像的像素总数据，σ是全部图像像素值的标准差，
是归一化处理之后第i个像素值，
是处理之后第i个像素的最终像素值；
根据
即获得粘连染色体输入图像。
所述步骤S2中染色体骨架分割模型以U-Net网络为模型基础，通过训练样本所得，所述染色体骨架分割模型的数据标记为粘连染色体的骨架区域的掩膜(mask)。
其中，U-Net网络是一个基于CNN的图像分割网络，主要用于医学图像分割上，网络最初提出时是用于细胞的分割，之后在肺结节检测以及眼底视网膜上的血管提取等方面都有着出色的表现。
所述步骤S3中粘连染色体关键点检测模型以一阶Hourglass网络为模型基础，通过训练样本所得，所述粘连染色体关键点检测模型的数据标记为粘连染色体以粘着点为中心使用高斯函数(Gaussian函数)构建的热图(heatmap图像)。
其中，一阶Hourglass网络是一个基于CNN的多尺度关键点检测网络，最初用于人体关键点检测，先推广到染色体的黏着点检测。
所述S4中所述像素点相交最少的线段为旋转所得的所有线段中与步骤S2所得的染色体骨架图像前景的交点数最少的线段。
进一步地，本发明还同时提供以下技术方案：
基于骨架分割与关键点检测的粘连染色体分离装置，包括计算机存储器、计算机处理器、存储于计算机存储器中且在计算机处理器上执行的计算机程序，所述计算存储器中存储有染色体骨架分割模型和粘连染色体关键点检测模型，所述装置用于实现上述的方法。
与现有技术相比，本发明具有以下有益效果：本发明的方法不再关注有多少条染色体接触粘连，着眼于接触粘连染色体的黏着点，使用关键点检测的方法找到黏着点，对黏着点的小范围邻域进行处理，该方法不再局限于两条染色体的接触粘连，对多条染色体的接触粘连问题同样有效，具有较好的泛化能力。
附图说明
图1为本发明基于骨架分割与关键点检测的粘连染色体分离方法及装置的流程示意图。
图2为本发明基于骨架分割与关键点检测的粘连染色体分离方法及装置的类U-Net网络的结构示意图。
图3为本发明基于骨架分割与关键点检测的粘连染色体分离方法及装置的一阶Hourglass网络的结构示意图。
图4为本发明基于骨架分割与关键点检测的粘连染色体分离方法及装置的实验过程示意。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的基于骨架分割与关键点检测的粘连染色体分离方法及装置进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
实施例一，如图1所示：
S1、将待分离的粘连染色体图像进行缩放和归一化处理，以获得粘连染色体输入图像。
具体地，首先，将待分离的粘连染色体图像尺寸调整到设定值， m×n；我们采用m＝n＝128,使得粘连染色体的图像长宽均变为128像素，扩大时对粘连染色体采取双线性插值的方法。
然后，对尺寸调整后的粘连染色体图像进行归一化处理，即利用公式(1)～(4)获得的标准差归一化结果：
(1)：
(2)：
(3)：
(4)：
其中μ是全部图像的像素的平均值，σ是全部图像像素值的标准差，xi是图像中第i个像素值，
是归一化处理之后第i个像素值，
是处理之后第i个像素的最终像素值；
根据
即获得与处理后的粘连染色体图像，即粘连染色体输入图像。
S2、将步骤S1所得的粘连染色体输入图像输入至染色体骨架分割模型其中，粘连染色体骨架分割模型是以U-Net网络为模型基础，利用训练样本训练得到，数据标记为粘连染色体的骨架区域的mask。
如图2所示，该网络主要有两部分组成，左侧收缩路径与右侧扩张路径，二者相互对称。左侧为典型的卷积神经网络结构，该部分使用3x3卷积对图像连续进行特征提取，卷积操作后面跟着一个批规范化操作(BatchNormalization)和校正线性单元(ReLU)。通过2x2 max pooling池化层进行下采样，该池化操作的步长为2。左侧路径一共进行了2次最大池化实现了2次下采样操作，每次下采样步骤中，特征通道的数量加倍。右侧网络与左侧网络基本对称，该路径使用2× 2的转置卷积进行上采样，并与左侧路径相对应的中间数据相结合。该侧同样使用了两个3×3卷积，每个卷积后接一个 BatchNormalization层和ReLU激活函数。为了防止每次卷积丢失边界像素，卷积操作时采用对应的填充方式进行填充。
搭建好类U-Net网络之后，构建数据集，将带有染色体骨架mask 的标记数据集按照7:3分割为训练集和测试集，输入图像应按照步骤 (1)中的预处理方式进行处理，使得图像可以初入到类U-Net网络的染色体骨架分割模型中。
获得训练集之后，对类U-Net网络进行训练，以获得染色体骨架分割模型。具体训练过程为：
将处理后的粘连染色体输入图像输入到类U-Net网络中，输出为一个通道的染色体骨架图像mask，采用小批量随机梯度下降的方式，学习率调整的平台轮数(patience)设为10，网络若超过10次性能均未提升则降低学习率。网络的单次输出样本数(batch size)设为 64，则每个batch的输入维度(shape)为(64,1,128,128),输出的 shape为(64,1,128,128),实现了像素到像素的输出。
训练中使用的损失函数为均方差损失函数，即MSE损失函数，满足公式(5)：
其中y和y’为数据集中的预测标签集和标注标签集。yi和y’ i为数据集中第i个样本的预测标签和标注标签，n为样本总数目
获得染色体骨架分割模型后，将粘连染色体输入图像输入到染色体骨架分割模型中，利用染色体骨架分割模型对粘连染色体输入图像进行骨架分割，得到粘连染色体的骨架图像。中进行分割，以获得染色体骨架图像。
S3、将待分离的粘连染色体图形和步骤S2所得的染色体骨架图像相互连接、并输入至粘连染色体关键点检测模型中进行处理，以获得粘连染色体的粘着点。
其中粘连染色体关键点检测模型是以一阶Hourglass网络为网络基础，利用训练样本训练得到。
如图3所示，Hourglass网络以Residual Module(残差模块)作为基本的网络单元，使用多个基本网络单元构成图3所示的一阶 Hourglass网络。其中每个蓝色模块均为Residual Module，该单元中分别为该单元输入输出的通道数。
在构建好一阶Hourglass网络后，构建数据集。将数据集按照7:3 分成训练集和测试集。输入数据由粘连染色体图像缩放及标准归一化预处理后得到的图像与粘连染色体的骨架图像连接得到，标签(ground truth)为以黏着点为中心使用Gaussian函数构建的heatmap 图像。
得到数据集之后，对一阶Hourglass网络进行训练，以获得粘连染色体关键点检测模型。具体训练过程为：
将处理后的数据输入到一阶Hourglass网络中，输出是一个单通道的heatmap图像，根据heatmap值得到粘连染色体的黏着点。其中采取小批量随机梯度下降的方式，patience设为10，网络若超过 10次性能均未提升则降低学习率。每批数量batch size设为64，则每个batch的输入shape为(64,2,128,128),输出的shape为(64,1,128,128)。
模型训练采用的损失函数为均方差损失函数，即MSE损失函数，如公式(5)所示。
在获得粘连染色体关键点检测模型后，将需要分离得到粘连染色体图像与处理后与其骨架图像连接起来，输入到粘连染色体关键点检测模型中，得到粘连染色体的黏着点。
S4、将步骤S3所得的粘着点为圆心进行旋转，取一定范围内与步骤S2所得的染色体骨架图像的前景像素点相交最少的一条线段。
S5、结合步骤S4所得的线段将粘连染色体分离，以获得粘连染色体分离结果。
本实施例还提供了一种基于骨架分割与关键点检测的粘连染色体分离装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中存有染色体骨架分割模型和粘连染色体关键点检测模型，所述计算机处理器执行所述计算机程序时实现上述的基于骨架分割与关键点检测的沾连染色体分离方法。
染色体骨架分割模型与粘连染色体关键点检测模型均如上述方法构建获得，在此不再赘述。
虽然本发明已通过参考优选的实施例进行了图示和描述，但是，本专业普通技术人员应当了解，在权利要求书的范围内，可作形式和细节上的各种各样变化。
Claims (5)
1.基于骨架分割与关键点检测的粘连染色体分离方法，其特征在于包括以下步骤：
S1、将待分离的粘连染色体图像进行缩放和归一化处理，以获得粘连染色体输入图像；
S2、将步骤S1所得的粘连染色体输入图像输入至染色体骨架分割模型中进行分割，以获得染色体骨架图像；
S3、将待分离的粘连染色体图像和步骤S2所得的染色体骨架图像相互连接、并输入至粘连染色体关键点检测模型中进行处理，以获得粘连染色体的粘着点；
S4、将步骤S3所得的粘着点为圆心，引一条竖直的线段，在-90°~90°的范围内旋转染色体，保持线段方向不变，取与步骤S2所得的染色体骨架图像的前景像素点相交最少的一条线段；
S5、结合步骤S4所得的线段将粘连染色体分离，以获得粘连染色体分离结果；
所述步骤S2中染色体骨架分割模型以U-Net网络为模型基础，通过训练样本所得，所述染色体骨架分割模型的数据标记为粘连染色体的骨架区域的掩膜；
所述步骤S3中粘连染色体关键点检测模型以卷积神经网络为模型基础，通过训练样本所得，所述粘连染色体关键点检测模型的数据标记为粘连染色体以粘着点为中心使用高斯函数构建的热图。
2.根据权利要求1所述的基于骨架分割与关键点检测的粘连染色体分离方法，其特征在于所述步骤S1中所述缩放为将待分离的粘连染色体图像的尺寸调整至设定值m*n。
3.根据权利要求2所述的基于骨架分割与关键点检测的粘连染色体分离方法，其特征在于所述归一化处理的对象为缩放后的待分离的粘连染色体图像，所述归一化处理的方法包括以下计算方法：
S11、
；
S12、
；
S13、
；
S14、
；
其中，μ是全部图像的像素的平均值，
是图像中第i个像素值，N是图像的像素总数据，σ是全部图像像素值的标准差，
是归一化处理之后第i个像素值，
是处理之后第i个像素的最终像素值；
根据
即获得粘连染色体输入图像。
4.根据权利要求1所述的基于骨架分割与关键点检测的粘连染色体分离方法，其特征在于所述S4中所述像素点相交最少的线段为旋转所得的所有线段中与步骤S2所得的染色体骨架图像前景的交点数最少的线段。
5.基于骨架分割与关键点检测的粘连染色体分离装置，包括计算机存储器、计算机处理器、存储于计算机存储器中且在计算机处理器上执行的计算机程序，其特征在于所述计算存储器中存储有染色体骨架分割模型和粘连染色体关键点检测模型，所述装置用于实现如权利要求1-4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011004014.2A CN112200809B (zh) | 2020-09-22 | 2020-09-22 | 基于骨架分割与关键点检测的粘连染色体分离方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011004014.2A CN112200809B (zh) | 2020-09-22 | 2020-09-22 | 基于骨架分割与关键点检测的粘连染色体分离方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112200809A CN112200809A (zh) | 2021-01-08 |
| CN112200809B true CN112200809B (zh) | 2022-08-12 |
Family
ID=74015953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011004014.2A Active CN112200809B (zh) | 2020-09-22 | 2020-09-22 | 基于骨架分割与关键点检测的粘连染色体分离方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200809B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240696B (zh) * | 2021-05-20 | 2022-02-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置，模型的训练方法及装置，电子设备 |
| CN113781505B (zh) * | 2021-11-08 | 2022-11-18 | 深圳市瑞图生物技术有限公司 | 染色体分割方法、染色体分析仪及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403743A (zh) * | 2008-10-31 | 2009-04-08 | 广东威创视讯科技股份有限公司 | 一种x型交叠、粘连染色体自动分割方法 |
| CN101499165A (zh) * | 2009-03-09 | 2009-08-05 | 广东威创视讯科技股份有限公司 | 交叉重叠染色体的分割方法 |
| CN104408455A (zh) * | 2014-11-27 | 2015-03-11 | 上海理工大学 | 粘连字符分割方法 |
| CN109146838A (zh) * | 2018-06-20 | 2019-01-04 | 湖南自兴智慧医疗科技有限公司 | 一种基于几何特征与区域融合的g显带粘连染色体分割方法 |
| CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
| CN110533684A (zh) * | 2019-08-22 | 2019-12-03 | 杭州德适生物科技有限公司 | 一种染色体核型图像切割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3432198B1 (en) * | 2017-07-19 | 2024-04-17 | Tata Consultancy Services Limited | Crowdsourcing and deep learning based segmenting and karyotyping of chromosomes |
-
2020
- 2020-09-22 CN CN202011004014.2A patent/CN112200809B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403743A (zh) * | 2008-10-31 | 2009-04-08 | 广东威创视讯科技股份有限公司 | 一种x型交叠、粘连染色体自动分割方法 |
| CN101499165A (zh) * | 2009-03-09 | 2009-08-05 | 广东威创视讯科技股份有限公司 | 交叉重叠染色体的分割方法 |
| CN104408455A (zh) * | 2014-11-27 | 2015-03-11 | 上海理工大学 | 粘连字符分割方法 |
| CN109146838A (zh) * | 2018-06-20 | 2019-01-04 | 湖南自兴智慧医疗科技有限公司 | 一种基于几何特征与区域融合的g显带粘连染色体分割方法 |
| CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
| CN110533684A (zh) * | 2019-08-22 | 2019-12-03 | 杭州德适生物科技有限公司 | 一种染色体核型图像切割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种对粘连和交迭染色体进行自动分割的新方法;何小海 等;《四川大学学报（自然科学版）》;19950831;第471-421页 * |
| 基于背景骨架特征的粘连米粒图像分割算法;李冰 等;《计算机应用》;20171220;第198-202页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112200809A (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145170B (zh) | 一种基于深度学习的医学影像分割方法 | |
| CN110287846B (zh) | 一种基于注意力机制的人脸关键点检测方法 | |
| CN111311629B (zh) | 图像处理方法、图像处理装置及设备 | |
| EP3591572B1 (en) | Method and system for automatic chromosome classification | |
| EP3427195B1 (en) | Convolutional neural networks, particularly for image analysis | |
| CN110223304B (zh) | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 | |
| CN109118495B (zh) | 一种视网膜血管分割方法和装置 | |
| CN112200809B (zh) | 基于骨架分割与关键点检测的粘连染色体分离方法及装置 | |
| CN110415250B (zh) | 一种基于深度学习的重叠染色体分割方法及装置 | |
| CN111882566B (zh) | 视网膜图像的血管分割方法、装置、设备及存储介质 | |
| CN111161271A (zh) | 一种超声图像分割方法 | |
| TW202147247A (zh) | 物體偵測方法及其卷積神經網路 | |
| CN109948575B (zh) | 超声图像中眼球区域分割方法 | |
| CN112465842B (zh) | 基于U-net网络的多通道视网膜血管图像分割方法 | |
| CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
| Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
| CN114419060A (zh) | 皮肤镜图像分割方法与系统 | |
| CN117576405A (zh) | 舌象语义分割方法、装置、设备及介质 | |
| CN117765252A (zh) | 一种基于Swin Transformer和对比学习的乳腺癌识别系统及方法 | |
| CN114565628A (zh) | 一种基于边界感知注意的图像分割方法及系统 | |
| CN112633260B (zh) | 视频动作分类方法、装置、可读存储介质及设备 | |
| CN114418987A (zh) | 一种多阶段特征融合的视网膜血管分割方法及系统 | |
| CN116935051B (zh) | 一种息肉分割网络方法、系统、电子设备及存储介质 | |
| CN111862123B (zh) | 一种基于深度学习的ct腹部动脉血管分级识别方法 | |
| CN111414823B (zh) | 人体特征点的检测方法、装置、电子设备以及存储介质 |
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 | ||
| GR01 | Patent grant |