CN112233085A - 一种基于像素预测增强的宫颈细胞图像分割方法 - Google Patents
一种基于像素预测增强的宫颈细胞图像分割方法 Download PDFInfo
- Publication number
- CN112233085A CN112233085A CN202011095289.1A CN202011095289A CN112233085A CN 112233085 A CN112233085 A CN 112233085A CN 202011095289 A CN202011095289 A CN 202011095289A CN 112233085 A CN112233085 A CN 112233085A
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- cervical
- segmentation
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003709 image segmentation Methods 0.000 title claims abstract description 22
- 210000004027 cell Anatomy 0.000 claims abstract description 98
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 17
- 230000000877 morphologic effect Effects 0.000 claims abstract description 17
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 8
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 8
- 201000010881 cervical cancer Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000012128 staining reagent Substances 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
- G06T7/0002—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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于像素预测增强的宫颈细胞图像分割方法,包括如下步骤:(1)输入单个宫颈细胞原始图像;(2)将宫颈细胞原始图像转换到CIELAB空间,再抽取L*通道,得到灰度细胞图像;(3)使用自适应形态学滤波法对图像进行降噪处理;(4)采用U‑net网络对去噪后的图像分别进行细胞核和细胞质的区域分割;(5)利用算子提取图像边缘,再根据细胞边缘线,确定边缘搜索区;(6)对边缘搜索区像素再采用DenseNet网络进行判别,得到更为准确的细胞核和细胞质分割结果。本发明能够准确高效地对单细胞彩色宫颈图像进行分割,具有更高的分割准确率。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于像素预测增强的宫颈细胞图像分割方法。
背景技术
宫颈癌是全世界女性重要癌症杀手和最常见的妇科恶性肿瘤,其严重威胁妇女的身心健康。在2012年,根据世界卫生组织统计,全世界共有53万余例新增的宫颈癌患者;同年,有近27万例女性病死于宫颈癌。医疗人员由大量临床治疗案例得出结论,进行宫颈癌年度普查,早期确诊女性宫颈癌,那么患者治愈且活过5年以上的机率为90%以上。因此,从保护女性生命和健康角度来看,女性宫颈癌的年度普查对于预防、发现、治疗该种疾病具有十分重要的意义。
发展到今,宫颈细胞图像筛查是最简单、有效的宫颈癌筛查手段。但是,医院临床宫颈细胞图像诊断工作中,医师可能需要面对不同制片设备、不同染色试剂、不同制片手法的所得切片图像,因此病理科医师工作量大且繁重、筛查细胞往往需要反复肉眼阅片导致易于疲劳、效率降低,难免会有误诊、漏诊、错诊情况出现。所以对科研工作者而言,研究并实现真实宫颈细胞图像准确识别系统就能够有助于上述问题的缓解。宫颈细胞图像智能识别是智能医学影像识别的一个方面,其主要目的是为了辅助医疗人员降低已婚女性宫颈癌发病致死几率。宫颈细胞图像智能识别过程中涉及若干重要的研究问题,主要有细胞图像分割、细胞特征提取和优化、细胞分类等。其中,细胞分割是细胞特征提取和优化、细胞分类的前提和基础。一般来说,若要得到宫颈病理图像细胞准确分析结果,必须要进行细胞分割问题研究。现有的宫颈细胞图像筛查方法的难点在于细胞制片时将三维立体细胞转换到二维平面图像成像导致部分信息损失,染色剂着色不均匀、涂片制片技术手法差异、成像设备性能差异等因素导致的图像成像质量普遍不高、颜色分布不均匀、图像含大量噪声(如炎症细胞、血细胞、着色沉淀物等)、图像中细胞核与细胞质边缘模糊。这些都给细胞图像准确分割带来巨大挑战。
细胞图像分割是进行宫颈细胞图像智能分析的前提和基础。自由放置的单个宫颈细胞图像分割是细胞图像分割的一种重要特例,所以准确地进行单个细胞图像分割是细胞图像分割研究的前期和基础工作。因此,本发明提出一种准确、有效地分割宫颈单细胞图像分割的方法。
发明内容
本发明要解决的技术问题是提供一种基于像素预测增强的宫颈细胞图像分割方法,兼具U-net模型与DenseNet模型分割的优势,像素预测增强能更好捕获细胞边缘结构的特点,从而准确地将宫颈细胞图像分割为细胞核、细胞质和背景三种区域,最终得到更准确的宫颈细胞图像分割结果。
为解决上述技术问题,本发明的实施例提供一种基于像素预测增强的宫颈细胞图像分割方法,其特征在于,包括如下步骤:
(1)输入单个宫颈细胞原始图像;
(2)将宫颈细胞原始图像转换到CIELAB色彩空间,再抽取L*通道,得到灰度细胞图像;
(3)使用自适应形态学滤波法对灰度细胞图像进行降噪处理;
(4)采用U-net网络对去噪后的图像分别进行细胞核和细胞质的区域分割;
(5)利用算子提取U-net分割后图像的边缘,再根据细胞边缘线,确定边缘搜索区;
(6)对边缘搜索区像素再采用DenseNet网络进行判别,得到更为准确的细胞核和细胞质分割结果。
其中,所述步骤(2)的具体步骤为:
(2-1)将宫颈细胞原始图像转换到CIELAB色彩空间;
(2-2)从CIELAB色彩空间的宫颈细胞原始图像抽取亮度通道L*通道;
(2-3)将L*通道的宫颈细胞图像素归一化到[0,255]之间,得到原始宫颈细胞的灰度细胞图像。
其中,所述步骤(3)的具体步骤为:
(3-1)定义灰度细胞图像像素元素均包含在集合I中;
(3-2)定义非局部结构元素SEI,k,定义稀疏非局部形态学膨胀算子为:
定义稀疏非局部形态学腐蚀算子为:
其中,
x∈E,E为图像像素空域空间;WI(x,y)是形态学权重系统的稀疏矩阵,y是由结构元素SEI,k引入的空域邻居;
(3-3)基于灰度细胞图像局部模内信息进行计算,卷积算子为非局部形态学腐蚀膨胀,将I与SEs进行卷积计算从而得到滤波后图像。
其中,所述步骤(4)的具体步骤为:
(4-1)将宫颈细胞原始图像尺寸切割,变换成572×572大小的图像;
(4-2)训练U-net网络,先通过确定左右边界方法找到合适的学习率区间,再用循环学习率方法来训练模型,确定网络最佳参数;
(4-3)用训练好的U-net网络对去噪后的宫颈细胞图像进行分割:先进行采用池化层进行图像特征提取,得到5个不同尺度的抽象特征:再进行上采样,每次上采样与特征提取部分对应尺寸的尺度进行融合;融合之前先裁剪再拼接。
其中,所述步骤(5)的具体步骤为:
(5-1)以边缘线上的像素点为中心画正方形,后将所有正方形组成一个搜索带,与搜索带相交的像素列入候选像素集合;
(5-2)根据U-net分割后图像中的细胞核、细胞质边缘,找出边缘附近的元素,用DenseNet网络预测边缘候选元素的标签以提升细胞分割准确率。
本发明的上述技术方案的有益效果如下:本发明采用一种仅需要少量标注数据集训练的新模型,称为基于像素预测增强的宫颈细胞图像分割方法,该方法通过像素预测增强结合U-net模型与DenseNet模型对彩色自由放置宫颈细胞图像进行准确分割。本发明所提出的基于像素预测增强的分割算法U-net模型与DenseNet模型的优势,能捕获细胞边缘结构的特点,而且准确地将宫颈细胞图像分割为细胞核、细胞质和背景三种区域。
附图说明
图1为本发明中所采用U-net模型示意图;
图2为本发明中DenseNet模型示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明提供了一种基于像素预测增强的宫颈细胞图像分割方法,首先,输入单个宫颈细胞原始图像转换到CIELAB空间,再抽取L*通道,得到灰度细胞图像;然后,使用自适应形态学滤波法对图像进行降噪处理;接着,采用U-net网络对去噪后的图像分别进行细胞核和细胞质的区域分割;再利用算子提取图像边缘,再根据细胞边缘线,确定边缘搜索区;最后,对边缘搜索区像素再采用DenseNet网络进行判别,得到更为准确的细胞核和细胞质分割结果。
基于像素预测增强分割方法进行细胞图像分割的两个关键点是:
(1)如何仅仅用较少训练数据集取得更好的预测效果。本发明中U-net模型的核心之一是进行数据集扩充,具体方法是采用变形模型对图像进行了空间变形,从而获取到更多的原始图像数据。
(2)如何针对不同输入尺寸图像采用相同架构的U-net模型进行主体分割。U-net模型的输入图像设计为572×572尺寸是对输入的512×512尺寸的图像的边缘进行了镜像处理。
(3)随着神经网络层数增加,如何克服神经网络模型梯度消失。梯度消失导致较深层次的神经网络参数无法被有效训练,同时某些卷积层的激活函数非常多,这都给U-net和DenseNet模型训练带来了困难。因此,网络模型权值初始化的优劣会影响模型性能和训练时间。本发明采用权值初始化方法是使得网络中的每一个特征图方差都接近1。
基于上述理论,本发明提供一种基于像素预测增强的宫颈细胞图像分割方法,包括如下步骤:
(1)输入单个宫颈细胞原始RGB色彩图像;
(2)将宫颈细胞原始RGB色彩图像转换到CIELAB色彩空间,再抽取L*通道,得到灰度细胞图像;具体步骤为:
(2-1)将宫颈细胞原始图像转换到CIELAB色彩空间;
(2-2)从CIELAB色彩空间的宫颈细胞原始图像抽取亮度通道L*通道;
(2-3)将L*通道的宫颈细胞图像素归一化到[0,255]之间,得到原始宫颈细胞的灰度细胞图像。
(3)使用自适应形态学滤波法对灰度细胞图像进行降噪处理;具体步骤为:
(3-1)定义灰度细胞图像像素元素均包含在集合I中;
(3-2)定义非局部结构元素SEI,k,定义稀疏非局部形态学膨胀算子为:
定义稀疏非局部形态学腐蚀算子为:
其中,
x∈E,E为图像像素空域空间;WI(x,y)是形态学权重系统的稀疏矩阵,y是由结构元素SEI,k引入的空域邻居;
(3-3)基于灰度细胞图像局部模内信息进行计算,卷积算子为非局部形态学腐蚀膨胀,将I与SEs进行卷积计算从而得到滤波后图像。
(4)采用U-net网络对去噪后的图像分别进行细胞核和细胞质的区域分割;具体步骤为:
(4-1)将宫颈细胞原始图像尺寸切割,变换成572×572大小的图像;
(4-2)训练U-net网络,先通过确定左右边界方法找到合适的学习率区间,再用循环学习率方法来训练模型,确定网络最佳参数;
(4-3)用训练好的U-net网络对去噪后的宫颈细胞图像进行分割:先进行采用池化层进行图像特征提取,得到5个不同尺度的抽象特征:再进行上采样,每次上采样与特征提取部分对应尺寸的尺度进行融合;融合之前先裁剪再拼接。
步骤(4)中采用的U-net模型示意图如图1所示,
(5)利用算子提取U-net分割后图像中的细胞核、细胞质边缘,再根据细胞边缘线,确定边缘搜索区;具体步骤为:
(5-1)以边缘线上的像素点为中心画正方形,后将所有正方形组成一个搜索带,与搜索带相交的像素列入候选像素集合;
(5-2)根据U-net分割后图像中的细胞核、细胞质边缘,找出边缘附近的元素,用DenseNet网络预测边缘候选元素的标签以提升细胞分割准确率。
步骤(5)中采用的DenseNet模型示意图如图2所示。
(6)对边缘搜索区像素再采用DenseNet网络进行判别,得到更为准确的细胞核和细胞质分割结果。
本发明的发明人利用Herlev和SIPaKMeD数据集对本发明的技术方案进行了实验,Herlev包含917张单细胞图像,专家对所有图像进行了准确标注,其中,背景BGR是(0,0,255)、细胞核BGR是(255,0,0)、细胞质BGR是(128,0,0)。SIPaKMeD数据集由希腊约阿尼纳大学的M.E.Plissiti博士发布,包含966张宫颈多细胞图像和4049个宫颈单细胞图像,可用于细胞图像分割和分类任务训练和测试。通过实验,在测试了若干常用分割方法的准确度进行对比之后,可知基于像素预测增强的方法能够更准确地分割自由放置的宫颈彩色单细胞图像。
以上所述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,在不脱离本发明所述原理的前提下,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 (5)
1.一种基于像素预测增强的宫颈细胞图像分割方法,其特征在于,包括如下步骤:
(1)输入单个宫颈细胞原始图像;
(2)将宫颈细胞原始图像转换到CIELAB色彩空间,再抽取L*通道,得到灰度细胞图像;
(3)使用自适应形态学滤波法对灰度细胞图像进行降噪处理;
(4)采用U-net网络对去噪后的图像分别进行细胞核和细胞质的区域分割;
(5)利用算子提取U-net分割后图像的边缘,再根据细胞边缘线,确定边缘搜索区;
(6)对边缘搜索区像素再采用DenseNet网络进行判别,得到更为准确的细胞核和细胞质分割结果。
2.根据权利要求1所述的基于像素预测增强的宫颈细胞图像分割方法,其特征在于,所述步骤(2)的具体步骤为:
(2-1)将宫颈细胞原始图像转换到CIELAB色彩空间;
(2-2)从CIELAB色彩空间的宫颈细胞原始图像抽取亮度通道L*通道;
(2-3)将L*通道的宫颈细胞图像素归一化到[0,255]之间,得到原始宫颈细胞的灰度细胞图像。
4.根据权利要求1所述的基于像素预测增强的宫颈细胞图像分割方灰度法,其特征在于,所述步骤(4)的具体步骤为:
(4-1)将宫颈细胞原始图像尺寸切割,变换成572×572大小的图像;
(4-2)训练U-net网络,先通过确定左右边界方法找到合适的学习率区间,再用循环学习率方法来训练模型,确定网络最佳参数;
(4-3)用训练好的U-net网络对去噪后的宫颈细胞图像进行分割:先进行采用池化层进行图像特征提取,得到5个不同尺度的抽象特征:再进行上采样,每次上采样与特征提取部分对应尺寸的尺度进行融合;融合之前先裁剪再拼接。
5.根据权利要求1所述的基于像素预测增强的宫颈细胞图像分割方法,其特征在于,所述步骤(5)的具体步骤为:
(5-1)以边缘线上的像素点为中心画正方形,后将所有正方形组成一个搜索带,与搜索带相交的像素列入候选像素集合;
(5-2)根据U-net分割后图像中的细胞核、细胞质边缘,找出边缘附近的元素,用DenseNet网络预测边缘候选元素的标签以提升细胞分割准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011095289.1A CN112233085A (zh) | 2020-10-14 | 2020-10-14 | 一种基于像素预测增强的宫颈细胞图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011095289.1A CN112233085A (zh) | 2020-10-14 | 2020-10-14 | 一种基于像素预测增强的宫颈细胞图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112233085A true CN112233085A (zh) | 2021-01-15 |
Family
ID=74112654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011095289.1A Pending CN112233085A (zh) | 2020-10-14 | 2020-10-14 | 一种基于像素预测增强的宫颈细胞图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233085A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365471A (zh) * | 2020-11-12 | 2021-02-12 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
TWI781027B (zh) * | 2021-12-22 | 2022-10-11 | 國立臺南大學 | 用於染色影像的神經網路系統與影像染色轉換方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831607A (zh) * | 2012-08-08 | 2012-12-19 | 深圳市迈科龙生物技术有限公司 | 宫颈液基细胞图像分割方法 |
CN103984958A (zh) * | 2014-05-07 | 2014-08-13 | 深圳大学 | 宫颈癌细胞分割方法及系统 |
CN104992435A (zh) * | 2015-06-24 | 2015-10-21 | 广西师范大学 | 一种宫颈单细胞图像分割算法 |
CN111640128A (zh) * | 2020-05-29 | 2020-09-08 | 哈尔滨理工大学 | 一种基于U-Net网络的细胞图像分割方法 |
-
2020
- 2020-10-14 CN CN202011095289.1A patent/CN112233085A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831607A (zh) * | 2012-08-08 | 2012-12-19 | 深圳市迈科龙生物技术有限公司 | 宫颈液基细胞图像分割方法 |
CN103984958A (zh) * | 2014-05-07 | 2014-08-13 | 深圳大学 | 宫颈癌细胞分割方法及系统 |
CN104992435A (zh) * | 2015-06-24 | 2015-10-21 | 广西师范大学 | 一种宫颈单细胞图像分割算法 |
CN111640128A (zh) * | 2020-05-29 | 2020-09-08 | 哈尔滨理工大学 | 一种基于U-Net网络的细胞图像分割方法 |
Non-Patent Citations (1)
Title |
---|
琳,韩璐,杜泓,范慧杰: "基于U-Net网络的多主动轮廓细胞分割方法研究", 《红外与激光工程》, pages 151 - 159 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365471A (zh) * | 2020-11-12 | 2021-02-12 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
CN112365471B (zh) * | 2020-11-12 | 2022-06-24 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
TWI781027B (zh) * | 2021-12-22 | 2022-10-11 | 國立臺南大學 | 用於染色影像的神經網路系統與影像染色轉換方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aswathy et al. | Detection of breast cancer on digital histopathology images: Present status and future possibilities | |
CN107274386B (zh) | 一种宫颈细胞液基涂片人工智能辅助阅片系统 | |
CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
CN107256558A (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
CN110675411B (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
Pan et al. | An accurate nuclei segmentation algorithm in pathological image based on deep semantic network | |
CN111863237A (zh) | 一种基于深度学习的移动端疾病智能辅助诊断系统 | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
CN109544507A (zh) | 一种病理图像处理方法及系统、设备、存储介质 | |
CN111860586A (zh) | 一种细粒度宫颈细胞图像三阶段识别方法 | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
Jia et al. | Detection of cervical cancer cells in complex situation based on improved YOLOv3 network | |
CN112233085A (zh) | 一种基于像素预测增强的宫颈细胞图像分割方法 | |
CN114972254A (zh) | 一种基于卷积神经网络的宫颈细胞图像分割方法 | |
CN114266717A (zh) | 一种基于Inception模块的并行胶囊网络宫颈癌细胞检测方法 | |
CN111476794A (zh) | 一种基于unet的宫颈病理组织分割方法 | |
CN115359483A (zh) | 一种针对宫颈液基细胞分类的训练方法 | |
CN113222933A (zh) | 一种应用于肾细胞癌全链条诊断的图像识别系统 | |
CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及系统 | |
Sadeghibakhi et al. | Multiple sclerosis lesions segmentation using attention-based CNNs in FLAIR images | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 |
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 |