CN112330671A - 细胞分布状态的分析方法、装置、计算机设备和存储介质 - Google Patents
细胞分布状态的分析方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112330671A CN112330671A CN202011370817.XA CN202011370817A CN112330671A CN 112330671 A CN112330671 A CN 112330671A CN 202011370817 A CN202011370817 A CN 202011370817A CN 112330671 A CN112330671 A CN 112330671A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- distribution state
- pixel point
- gray level
- 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 40
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims description 92
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 description 256
- 230000000875 corresponding effect Effects 0.000 description 113
- 230000008569 process Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 241001270131 Agaricus moelleri Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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
本申请涉及一种细胞分布状态的分析方法、装置、计算机设备和存储介质，包括：获取细胞涂片的灰度图像，作为待分析的细胞图像；获取所述细胞图像对应的图像纹理特征；将图像纹理特征输入到预先训练的分布状态分析模型，以通过所述分布状态分析模型，基于图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据概率确定分布状态结果；根据分布状态分析模型输出的所述分布状态结果，确定细胞涂片对应的细胞分布状态，实现了对细胞涂片中细胞分布状态的确定，能够提前对细胞分布均匀程度进行分析。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种细胞分布状态的分析方法、装置、计算机设备和存储介质。
背景技术
随着医学技术的发展，为了获取更可靠的细胞分析结果，往往会通过仪器对包含细胞样本的液体进行搅拌，使得细胞尽可能分布均匀，然后再制作细胞涂片，基于细胞涂片得到细胞分析结果。
然而，在现有技术中，缺少对细胞涂片中的细胞分布状态进行识别的手段，在对细胞涂片进行分析时，难以确定图片中的细胞分布状态。
发明内容
基于此，有必要针对上述技术问题，提供一种细胞分布状态的分析方法、装置、计算机设备和存储介质。
一种细胞分布状态的分析方法，所述方法包括：
获取细胞涂片的灰度图像，作为待分析的细胞图像；
获取所述细胞图像对应的图像纹理特征；所述图像纹理特征用于表征所述细胞图像中细胞之间的相对分布位置信息；
将所述图像纹理特征输入到预先训练的分布状态分析模型，以通过所述分布状态分析模型，基于所述图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据所述概率确定分布状态结果；
根据所述分布状态分析模型输出的所述分布状态结果，确定所述细胞涂片对应的细胞分布状态。
可选地，所述图像纹理特征为纹理特征矩阵，所述获取所述细胞图像对应的图像纹理特征，包括：
获取所述细胞图像上的多个像素点对，以及各个像素点对对应的灰阶组合；
根据各个灰阶组合的出现频率，生成灰度共生矩阵，所述灰度共生矩阵中各个矩阵元素分别与各个灰阶组合的出现频率对应；
根据多个像素点对的多个灰度共生矩阵，得到所述细胞图像的纹理特征矩阵。
可选地，所述获取所述细胞图像上的多个像素点对，包括：
获取预设的多个偏移方向；
根据所述多个偏移方向，分别对所述细胞图像上的参考像素点的位置进行偏移，得到各个偏移方向对应的偏移点；
根据每个偏移方向的参考像素点和偏移点，得到所述细胞图像上的多个像素点对。
可选地，所述获取各个像素点对对应的灰阶组合，包括：
针对每个像素点对，获取该像素点对中各个像素点对应的灰度值；
根据预设的灰阶级数，确定各个像素点的灰度值对应的灰阶；
根据该像素点对中各个像素点对应的灰阶，，确定该像素点对对应的灰阶组合。
可选地，所述灰度共生矩阵包括多个偏移方向各自对应的灰度共生矩阵，所述根据所述灰度共生矩阵，得到所述细胞图像的纹理特征矩阵，包括：
对多个灰度共生矩阵进行拼接，得到拼接后的灰度共生矩阵；
对所述拼接后的灰度共生矩阵进行数据标准化，得到所述细胞图像的纹理特征矩阵。
可选地，所述对所述拼接后的灰度共生矩阵进行数据标准化，包括：
获取所述拼接后的灰度共生矩阵中各个矩阵元素对应的平均值；
采用所述平均值，对所述拼接后的灰度共生矩阵进行数据标准化，得到所述细胞图像的纹理特征矩阵。
可选地，还包括：
获取样本细胞灰度图像对应的样本图像纹理特征，和所述样本细胞灰度图像对应的细胞分布状态标签；
将所述样本图像纹理特征输入到待训练的卷积神经网络模型，以通过所述卷积神经网络模型，基于所述样本图像纹理特征确定预设的多种细胞分布状态各自对应的概率，并根据多个概率确定所述样本细胞灰度图像对应的分布状态预测结果；
根据所述分布状态预测结果和所述细胞分布状态标签，确定损失函数，并根据所述损失函数对所述卷积神经网络模型的模型参数进行调整，重复调整所述卷积神经网络模型的模型参数，直到满足训练结束条件，将当前的卷积神经网络模型确定为分布状态分析模型。
一种细胞分布状态的分析装置，所述装置包括：
细胞图像获取模块，用于获取细胞涂片的灰度图像，作为待分析的细胞图像；
图像纹理特征获取模块，用于获取所述细胞图像对应的图像纹理特征；所述图像纹理特征用于表征所述细胞图像中细胞之间的相对分布位置信息；
特征输入模块，用于将所述图像纹理特征输入到预先训练的分布状态分析模型，以通过所述分布状态分析模型，基于所述图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据所述概率确定分布状态结果；
分布状态确定模块，用于根据所述分布状态分析模型输出的所述分布状态结果，确定所述细胞涂片对应的细胞分布状态。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述方法的步骤。
上述一种细胞分布状态的分析方法、装置、计算机设备和存储介质，通过获取细胞涂片的灰度图像，作为待分析的细胞图像，获取细胞图像对应的图像纹理特征，并将图像纹理特征输入到预先训练的分布状态分析模型，分布状态分析模型基于图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据概率确定分布状态结果，进而可以根据分布状态分析模型输出的分布状态结果，确定所述细胞涂片对应的细胞分布状态，实现了对细胞涂片中细胞分布状态的确定，能够提前对细胞分布均匀程度进行分析。
附图说明
图1为一个实施例中一种细胞分布状态的分析方法的流程示意图；
图2为一个实施例中获取纹理特征矩阵的步骤的流程示意图；
图3为一个实施例中获取灰度共生矩阵的步骤的流程示意图；
图4为一个实施例中一种偏移点获取方法的示意图；
图5为一个实施例中一种卷积神经网络模型的结构示意图；
图6为一个实施例中一种细胞分布状态的分析装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种细胞分布状态的分析方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是个人计算机、笔记本电脑、平板电脑或细胞制片机。在得到细胞涂片后，可以将细胞涂片对应的灰度图像输入到终端中进行处理。
具体的，本方法可以包括如下步骤：
步骤101，获取细胞涂片的灰度图像，作为待分析的细胞图像。
作为一示例，细胞涂片可以是对包含待分析细胞的样本进行制片后得到的，其中，待分析细胞可以是分析的目标对象，例如作为生物或医学实验样本的细胞、病理组织的细胞等。灰度图像也可以称为灰度图，是通过灰度表示的图像。通过对包含红(R)、绿(G)、蓝(B)的RGB图像进行灰度化处理后，可以得到对应的灰度图像。
在实际应用中，在制作并得到细胞涂片后，可以获取细胞涂片对应的灰度图像，并将其作为待分析细胞图像。
具体而言，用户在得到细胞涂片后，可以向终端发送针对该细胞涂片中细胞分布状态的分析请求。终端可以响应分析请求，并获取灰度图像作为待分析的细胞图像。
例如，在制作细胞涂片后，可以采用具有摄像功能的显微镜对细胞涂片进行拍摄，得到细胞涂片对应的显微图像，当显微图像为RGB图像时，可以对其进行预处理。
其中，预处理可以包括灰度化处理和图像平滑处理。灰度化处理可以是读取原始的显微图像并转换到三通道的RGB格式，进行灰度化后得到单通道的灰度图像。
步骤102，获取所述细胞图像对应的图像纹理特征；所述图像纹理特征用于表征所述细胞图像中细胞之间的相对分布位置信息。
作为一示例，细胞图像中可以包括多个细胞，例如两个或两个以上细胞；相对分布位置信息可以是表征两个或两个以上细胞之间相对位置的信息。
在实际应用中，在对细胞进行分析时，为了提高分析结果的准确性，可以确定细胞涂片中细胞的分布状态。基于此，在得到细胞图像后，可以对细胞图像进行分析，获取细胞图像对应的图像纹理特征，该图像纹理特征可以用于表征细胞图像中细胞之间的相对分布位置信息。
步骤103，将所述图像纹理特征输入到预先训练的分布状态分析模型，以通过所述分布状态分析模型，基于所述图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据所述概率确定分布状态结果。
具体而言，不同细胞涂片中的细胞，可以有不同的细胞分布状态，例如细胞分布均匀的状态或细胞分布不均匀的状态；或者，可以进一步根据均匀程度等级预先设置多种分布状态，例如高等级的分布状态、中等级的分布状态、低等级的分布状态和细胞集中分布状态，细胞均匀程度与等级高低正相关，均匀程度越高，等级越高。
在得到图像纹理特征后，可以将图像纹理特征输入到预先训练好的分布状态分析模型，分布状态分析模型在获取到图像纹理特征后，可以基于该图像纹理特征确定预设的至少两种细胞分布状态中，每种细胞分布状态对应的概率，并根据各个概率，确定出分布状态结果。例如，可以将概率最大的细胞分布状态确定为分布状态结果。
步骤104，根据所述分布状态分析模型输出的所述分布状态结果，确定所述细胞涂片对应的细胞分布状态。
在分布状态分析模型确定分布状态结果后，可以根据该模型输出的分布状态结果，确定细胞涂片对应的细胞分布状态。具体的，可以将输出的分布状态结果，确定为细胞涂片的细胞分布状态，或者，在得到分布状态结果后，还可以获取该分布状态结果对应的分布特征，其中，分布特征可用于描述细胞图片中细胞的分布方式，例如是否均匀、均匀程度或分散程度、分散形式等信息，进而可以采用分布特征确定为细胞分布状态。
在本实施例中，通过获取细胞涂片的灰度图像，作为待分析的细胞图像，获取细胞图像对应的图像纹理特征，并将图像纹理特征输入到预先训练的分布状态分析模型，分布状态分析模型基于图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据概率确定分布状态结果，进而可以根据分布状态分析模型输出的分布状态结果，确定所述细胞涂片对应的细胞分布状态，实现了对细胞涂片中细胞分布状态的确定，能够提前对细胞分布均匀程度进行分析。
在实际应用中，在制作细胞涂片前虽然可以增加搅拌过程，以使得细胞分布均匀，然而，细胞在样本中的运动时难以控制的微观过程，即使增加搅拌步骤，仍然难以保证细胞涂片中的细胞分布均匀，容易对分析结果造成影响。在本申请的一个实施例中，针对多个细胞涂片，在得到对应的细胞分布状态后，可以根据各个细胞涂片对应的细胞分布状态，从多个细胞涂片中选择出细胞分布均匀程度高于预设阈值的一个或多个细胞涂片，作为分析用的细胞涂片。通过根据细胞分布均匀程度对多个细胞涂片进行筛选，能够提高细胞分析结果的可靠性。
在一个实施例中，图像纹理特征可以是纹理特征矩阵，如图2所示，所述获取所述细胞图像对应的图像纹理特征，可以包括如下步骤：
步骤201，获取所述细胞图像上的多个像素点对，以及各个像素点对对应的灰阶组合。
作为一示例，像素点对可以是指两个像素点组成的点对，例如针对像素点P1和像素点P2，可以组成一像素点对(P1,P2)；灰阶组合可以是指多个灰度值组成的组合，例如，针对灰度值G1和灰度值G2，可以有灰阶组合(G1,G2)。
针对细胞图像，细胞分布状态是针对各个细胞的分布方式而言，在每种分布方式中，各个细胞之间的相对分布位置会呈现一定的排布关系，该排布关系可以简化为一个细胞相对于其周围的细胞，呈现出由中心点向外辐射的蛛网状分布，基于此，可以通过细胞图像中多个像素点对对应的灰阶组合，描述细胞分布状态。
在具体实现中，细胞图像由多个像素点组成，在得到待分析的细胞图像后，可以从细胞图像上获取多个像素点对，每个像素点对中包括两个像素点。由于每个像素点可以具有对应的灰度值。在确定像素点对后，针对每个像素点对，可以获取像素点对中各个像素点对应的灰度值，并根据多个灰度值确定该像素点对对应的灰阶组合。例如，针对像素点对(P1,P2)，像素点P1对应的灰度值为G1，像素点P2对应的灰度值为G2，可以确定像素点对(P1,P2)对应的灰阶组合为(G1,G2)。
步骤202，根据各个灰阶组合的出现频率，生成灰度共生矩阵。
作为一示例，灰度共生矩阵可以是通过灰度的空间特性描述图像纹理特征的矩阵，灰度共生矩阵中各个矩阵元素分别与各个灰阶组合的出现频率对应。具体而言，由于纹理可以是由灰度分布在空间位置上反复出现而形成的，因此，在图像空间中相隔某距离的两像素之间可以存在一定的灰度关系，即图像中灰度的空间特性。
在实际应用中，针对多个像素点对可以得到多个灰阶组合。在得到多个灰阶组合后，可以统计各个灰阶组合的出现频率，并根据多个灰阶组合对应的出现频率，生成灰度共生矩阵。
步骤203，根据多个像素点对的多个灰度共生矩阵，得到所述细胞图像的纹理特征矩阵。
在得到多个像素点对的灰度共生矩阵后，可以基于多个灰度共生矩阵，确定细胞图像的纹理特征矩阵。具体的，可以采用以得到的多个灰度共生矩阵作为纹理特征矩阵，或者，也可以对已得到的灰度共生矩阵作进一步的数据处理，将处理后的矩阵作为纹理特征矩阵。
在本实施例中，通过获取细胞图像上的多个像素点对，以及各个像素点对对应的灰阶组合，根据各个灰阶组合的出现频率，生成灰度共生矩阵，根据多个像素点对的灰度共生矩阵，得到细胞图像的纹理特征矩阵，能够通过灰度共生矩阵表征细胞图像的图像纹理特征，实现了通过灰度的出现频率反映纹理特征，对纹理特征进行定量描述。
在一个实施例中，所述获取所述细胞图像上的多个像素点对，可以包括如下步骤：
获取预设的多个偏移方向；根据所述多个偏移方向，分别对所述细胞图像上的参考像素点的位置进行偏移，得到各个偏移方向对应的偏移点；根据每个偏移方向的参考像素点和偏移点，得到所述细胞图像上的多个像素点对。
在具体实现中，可以获取预设的多个偏移方向，多个预设的偏移方向可以通过方向向量描述，通过方向向量可以确定偏移的方向和偏移的大小。本领域技术人员可以根据实际情况对偏移方向进行设置，例如，可以选择偏移方向(0，1)，(1,0)、(-1，-1)和(-1，1)，上述四个偏移方向也可以称为单位方向向量，又如，可以对偏移方向(a，b)取不同的数值组合，得到多个偏移方向。在实际应用中，针对细胞的分布状态为蛛网状分布式，可以在0°、45°、90°和135°四个方向上进行偏移。
在确定多个偏移方向后，针对每个偏移方向，可以采用该偏移方向对细胞图像上的参考像素点的位置进行偏移，得到偏移后的位置所对应的偏移点，其中，细胞图像上的参考像素点可以是图像上的任意一点。具体的，以N×N像素的细胞图像为例，可以从中选择任意一点(x，y)作为参考像素点，并根据偏移方向(a，b)，得到偏移点(x+a，y+b)，通过遍历细胞图像上的像素点，可以得到多个参考像素点以及对应偏移方向上的偏移点。
针对每个偏移方向，可以根据多个参考像素点及其对应的偏移点，得到该方向上的多个像素点对，进而可以根据多个偏移方向各自对应的像素点对，确定细胞图像上的多个像素点对。
在本实施中，通过根据多个偏移方向，分别对细胞图像上的参考像素点的位置进行偏移，得到各个偏移方向对应的偏移点，能够获取不同方向上的多个像素点对，为后续生成灰度共生矩阵提供数据基础。
在一个实施例中，如图3所示，所述获取各个像素点对对应的灰阶组合，可以包括如下步骤：
步骤301，针对每个像素点对，获取该像素点对中各个像素点的灰度值。
由于像素点对中的每个像素点可以对应一个灰度值，在获取到多个像素点对后，针对每个像素点对，可以获取该像素点对中每个像素点对应的灰度值。
步骤302，根据预设的灰阶级数，确定各个像素点的灰度值对应的灰阶。
作为一示例，细胞图像可以具有预设的灰阶是。具体的，灰阶可以是指将最亮与最暗之间的亮度变化，区分为若干个等级，得到多个灰阶级数，例如，灰阶级数可以是16级、32级或64级，针对灰阶级数中的每个灰阶，可以与预设范围内的灰度值对应。
基于此，针对每个像素点对，在确定像素点对中各个像素点对应的灰度值后，可以结合预设的灰阶及时，确定各个像素点的灰度值所对应的灰阶。
步骤303，根据该像素点对中各个像素点对应的灰阶，确定该像素点对对应的灰阶组合。
针对每个像素点对，在确定像素点对中各个像素点对应的灰阶，则可以基于多个灰阶，确定出该像素点对应的灰阶组合。例如，针对像素点对(A，B)，像素点A对应的灰阶为G1，像素点B对应的灰阶为G2，则可以得到灰阶组合(G1，G2)。
在本实施例中，根据预设的灰阶级数，确定各个像素点的灰度值对应的灰阶，根据该像素点对中各个像素点对应的灰阶，确定该像素点对对应的灰阶组合，为构建灰度共生矩阵提供数据基础。
在一个实施例中，所述灰度共生矩阵包括多个偏移方向各自对应的灰度共生矩阵，所述根据所述灰度共生矩阵，得到所述细胞图像的纹理特征矩阵，可以包括如下步骤：
对多个灰度共生矩阵进行拼接，得到拼接后的灰度共生矩阵；对所述拼接后的灰度共生矩阵进行数据标准化，得到所述细胞图像的纹理特征矩阵。
在具体实现中，在得到多个偏移方向对应的灰度共生矩阵后，可以对多个灰度共生矩阵进行拼接，得到拼接后的灰度共生矩阵。在得到拼接后的灰度共生矩阵后，可以对其进行数据标准化处理，将经过数据标准化处理的矩阵，作为细胞图像的纹理特征矩阵。
例如，如图4所示，针对目标像素点(pixel of interest)A(x，y)，即本申请中的参考像素点，可以根据预设的四个偏移方向(0，1)，(1,0)，(-1，-1)，(-1，1)，得到四个偏移方向对应的偏移点，通过调整像素中心点A(x，y)的位置，遍历细胞图像上的各个像素点，可以得到每个偏移方向对应的多个像素点对及其对应的灰阶组合，进而可以生成(0，1)，(1,0)，(-1，-1)，(-1，1)四个偏移方向各自对应的灰度共生矩阵(也可以称为联合概率矩阵)。在得到四个灰度共生矩阵后，可以根据“田”字状进行矩阵拼接，得到拼接后的共生矩阵。
在本实施例中，通过对多个灰度共生矩阵进行拼接，得到拼接后的灰度共生矩阵，并对拼接后的灰度共生矩阵进行数据标准化，得到纹理特征矩阵，能够得到反映各个方向纹理特征的矩阵，为后续确定细胞分布状态提供数据基础。
在一个实施例中，所述对所述拼接后的灰度共生矩阵进行数据标准化，可以包括如下步骤：
获取所述拼接后的灰度共生矩阵中各个矩阵元素对应的平均值；采用所述平均值，对所述拼接后的灰度共生矩阵进行数据标准化，得到所述细胞图像的纹理特征矩阵。
在实际应用中，可以获取拼接后的灰度共生矩阵中各个矩阵元素，并计算各个矩阵元素对应的平均值，进而可以采用该平均值对灰度共生矩阵进行数据标准化，得到细胞图像对应的纹理特征矩阵。其中，每个矩阵元素可以与灰阶组合对应，矩阵元素可以是对应灰阶组合的出现频率。
具体的，针对每个出现频率P，可以获取各个出现频率对应的标准差std(P)，在进行数据标准化时，针对纹理特征矩阵中的每个出现频率P，计算出现频率P与平均值之差，然后将该结果除以标准差std(P)。
在本实施例中，通过对拼接后的灰度共生矩阵进行数据标准化，能够使模型输出更准确的结果。
在另一个示例中，在分布状态分析模型的训练过程中，也可以对训练用的样本图像纹理特征进行数据标准化处理，模型训练过程的数据标准化处理与上述步骤类似，本申请不再赘述。在模型训练时，通过进行数据标准化处理，可以提高模型的收敛速度，提高训练效率。
在一个实施例中，所述方法还可以包括如下步骤：
步骤401，获取样本细胞灰度图像对应的样本图像纹理特征，和所述样本细胞灰度图像对应的细胞分布状态标签。
作为一示例，样本细胞灰度图像可以是用于训练模型的样本细胞涂片对应的细胞灰度图像。
在实际应用中，在得到样本细胞灰度图像后，可以获取该图像对应的图像纹理特整理，即样本图像纹理特征，以及，获取样本细胞灰度图像对应的细胞分布状态标签。
步骤402，将所述样本图像纹理特征输入到待训练的卷积神经网络模型，以通过所述卷积神经网络模型，基于所述样本图像纹理特征确定预设的多种细胞分布状态各自对应的概率，并根据多个概率确定所述样本细胞灰度图像对应的分布状态预测结果。
作为一示例，分布状态预测结果，可以是对样本细胞灰度图像中细胞分布均匀程度的预测结果。
在得到样本图像纹理特征后，可以将该特征输入到待训练的卷积神经网络模型中，卷积神经网络模型可以通过输入的样本图像纹理特征，确定预设的多种细胞分布状态各自对应的概率，进而可以根据多个概率，确定出样本细胞灰度图像对应的分布状态预测结果。
在实际应用中，卷积神经网络模型中可以包括多个“神经元”，例如卷积层、池化层、全连接层和softmax层。如图5所示，在确定分布状态预测结果时，通过对卷积层、池化层对输入的纹理特征矩阵进行卷积运算后，可以输入到全连接层，并将全连接层的结果，通过softmax层映射到(0，1)区间，得到每种细胞分布状态对应的概率，其中，细胞分布的均匀程度可以与概率正相关，即越接近于0则分布越不均匀，反过来越接近于1则表示分布越均匀。
步骤403，根据所述分布状态预测结果和所述细胞分布状态标签，确定损失函数，并根据所述损失函数对所述卷积神经网络模型的模型参数进行调整，重复调整所述卷积神经网络模型的模型参数，直到满足训练结束条件，将当前的卷积神经网络模型确定为分布状态分析模型。
在得到分布状态预测结果后，可以根据该预测结果和细胞分布状态标签，确定损失函数，其中，损失函数L可以采用如下所示的交叉熵损失函数：
其中，yj为第j种细胞分布状态，Sj为第j种细胞分布状态对应的概率。
在确定对应的交叉熵损失函数后，可以根据该损失函数对卷积神经网络模型的模型参数进行调整，在调整后可以返回到步骤401，再次重复调整卷积神经网络模型参数的步骤，不断进行迭代，直到满足训练结束条件，可以将当前的卷积神经网络模型确定为分布状态分析模型。
在本实施例中，通过对卷积神经网络进行训练，可以得到训练好的分布状态分析模型，为后续确定细胞分布状态提供模型，能够对多种细胞涂片中的细胞分布状态进行自动识别，有效提高分析效率。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种细胞分布状态的分析装置，所述装置可以包括：
细胞图像获取模块601，用于获取细胞涂片的灰度图像，作为待分析的细胞图像；
图像纹理特征获取模块602，用于获取所述细胞图像对应的图像纹理特征；所述图像纹理特征用于表征所述细胞图像中细胞之间的相对分布位置信息；
特征输入模块603，用于将所述图像纹理特征输入到预先训练的分布状态分析模型，以通过所述分布状态分析模型，基于所述图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据所述概率确定分布状态结果；
分布状态确定模块604，用于根据所述分布状态分析模型输出的所述分布状态结果，确定所述细胞涂片对应的细胞分布状态。
在一个实施例中，所述图像纹理特征为纹理特征矩阵，所述图像纹理特征获取模块602，包括：
灰阶组合获取子模块，用于获取所述细胞图像上的多个像素点对，以及各个像素点对对应的灰阶组合；
灰度共生矩阵生成子模块，用于根据各个灰阶组合的出现频率，生成灰度共生矩阵，所述灰度共生矩阵中各个矩阵元素分别与各个灰阶组合的出现频率对应；
纹理特征矩阵获取子模块，用于根据多个像素点对的多个灰度共生矩阵，得到所述细胞图像的纹理特征矩阵。
在一个实施例中，所述灰阶组合获取子模块，包括：
偏移方向获取单元，用于获取预设的多个偏移方向；
偏移点获取单元，用于根据所述多个偏移方向，分别对所述细胞图像上的参考像素点的位置进行偏移，得到各个偏移方向对应的偏移点；
像素点对获取单元，用于根据每个偏移方向的参考像素点和偏移点，得到所述细胞图像上的多个像素点对。
在一个实施例中，所述灰阶组合获取子模块，包括：
灰阶获取单元，用于获取所述细胞图像对应的多个灰阶，每个灰阶对应预设范围的灰度值；
灰阶组合确定单元，用于针对每个像素点对，根据该像素点对中各个像素点对应的灰度值，确定各个像素点对应的灰阶，并根据多个灰阶，确定该像素点对对应的灰阶组合。
在一个实施例中，所述灰度共生矩阵包括多个偏移方向各自对应的灰度共生矩阵，所述纹理特征矩阵获取子模块，包括：
拼接单元，用于对多个灰度共生矩阵进行拼接，得到拼接后的灰度共生矩阵；
标准化单元，用于对所述拼接后的灰度共生矩阵进行数据标准化，得到所述细胞图像的纹理特征矩阵。
在一个实施例中，所述标准化单元，包括：
平均值获取子单元，用于获取所述拼接后的灰度共生矩阵中各个矩阵元素对应的平均值；
矩阵标准化子单元，用于采用所述平均值，对所述拼接后的灰度共生矩阵进行数据标准化，得到所述细胞图像的纹理特征矩阵。
在一个实施例中，所述装置还包括：
样本图像纹理特征获取模块，用于获取样本细胞灰度图像对应的样本图像纹理特征，和所述样本细胞灰度图像对应的细胞分布状态标签；
样本特征输入模块，惯用语将所述样本图像纹理特征输入到待训练的卷积神经网络模型，以通过所述卷积神经网络模型，基于所述样本图像纹理特征确定预设的多种细胞分布状态各自对应的概率，并根据多个概率确定所述样本细胞灰度图像对应的分布状态预测结果；
分布状态分析模型获取模块，用于根据所述分布状态预测结果和所述细胞分布状态标签，确定损失函数，并根据所述损失函数对所述卷积神经网络模型的模型参数进行调整，重复调整所述卷积神经网络模型的模型参数，直到满足训练结束条件，将当前的卷积神经网络模型确定为分布状态分析模型。
关于一种细胞分布状态的分析装置的具体限定可以参见上文中对于一种细胞分布状态的分析方法的限定，在此不再赘述。上述一种细胞分布状态的分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种细胞分布状态的分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取细胞涂片的灰度图像，作为待分析的细胞图像；
获取所述细胞图像对应的图像纹理特征；所述图像纹理特征用于表征所述细胞图像中细胞之间的相对分布位置信息；
将所述图像纹理特征输入到预先训练的分布状态分析模型，以通过所述分布状态分析模型，基于所述图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据所述概率确定分布状态结果；
根据所述分布状态分析模型输出的所述分布状态结果，确定所述细胞涂片对应的细胞分布状态。
在一个实施例中，处理器执行计算机程序时还实现上述其他实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取细胞涂片的灰度图像，作为待分析的细胞图像；
获取所述细胞图像对应的图像纹理特征；所述图像纹理特征用于表征所述细胞图像中细胞之间的相对分布位置信息；
将所述图像纹理特征输入到预先训练的分布状态分析模型，以通过所述分布状态分析模型，基于所述图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据所述概率确定分布状态结果；
根据所述分布状态分析模型输出的所述分布状态结果，确定所述细胞涂片对应的细胞分布状态。
在一个实施例中，计算机程序被处理器执行时还实现上述其他实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种细胞分布状态的分析方法，其特征在于，所述方法包括：
获取细胞涂片的灰度图像，作为待分析的细胞图像；
获取所述细胞图像对应的图像纹理特征；所述图像纹理特征用于表征所述细胞图像中细胞之间的相对分布位置信息；
将所述图像纹理特征输入到预先训练的分布状态分析模型，以通过所述分布状态分析模型，基于所述图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据所述概率确定分布状态结果；
根据所述分布状态分析模型输出的所述分布状态结果，确定所述细胞涂片对应的细胞分布状态。
2.根据权利要求1所述的方法，其特征在于，所述图像纹理特征为纹理特征矩阵，所述获取所述细胞图像对应的图像纹理特征，包括：
获取所述细胞图像上的多个像素点对，以及各个像素点对对应的灰阶组合；
根据各个灰阶组合的出现频率，生成灰度共生矩阵，所述灰度共生矩阵中各个矩阵元素分别与各个灰阶组合的出现频率对应；
根据多个像素点对的多个灰度共生矩阵，得到所述细胞图像的纹理特征矩阵。
3.根据权利要求2所述的方法，其特征在于，所述获取所述细胞图像上的多个像素点对，包括：
获取预设的多个偏移方向；
根据所述多个偏移方向，分别对所述细胞图像上的参考像素点的位置进行偏移，得到各个偏移方向对应的偏移点；
根据每个偏移方向的参考像素点和偏移点，得到所述细胞图像上的多个像素点对。
4.根据权利要求2所述的方法，其特征在于，所述获取各个像素点对对应的灰阶组合，包括：
针对每个像素点对，获取该像素点对中各个像素点的灰度值；
根据预设的灰阶级数，确定各个像素点的灰度值对应的灰阶；
根据该像素点对中各个像素点对应的灰阶，确定该像素点对对应的灰阶组合。
5.根据权利要求3所述的方法，其特征在于，所述灰度共生矩阵包括多个偏移方向各自对应的灰度共生矩阵，所述根据所述灰度共生矩阵，得到所述细胞图像的纹理特征矩阵，包括：
对多个灰度共生矩阵进行拼接，得到拼接后的灰度共生矩阵；
对所述拼接后的灰度共生矩阵进行数据标准化，得到所述细胞图像的纹理特征矩阵。
6.根据权利要求5所述的方法，其特征在于，所述对所述拼接后的灰度共生矩阵进行数据标准化，包括：
获取所述拼接后的灰度共生矩阵中各个矩阵元素对应的平均值；
采用所述平均值，对所述拼接后的灰度共生矩阵进行数据标准化，得到所述细胞图像的纹理特征矩阵。
7.根据权利要求1所述的方法，其特征在于，还包括：
获取样本细胞灰度图像对应的样本图像纹理特征，和所述样本细胞灰度图像对应的细胞分布状态标签；
将所述样本图像纹理特征输入到待训练的卷积神经网络模型，以通过所述卷积神经网络模型，基于所述样本图像纹理特征确定预设的多种细胞分布状态各自对应的概率，并根据多个概率确定所述样本细胞灰度图像对应的分布状态预测结果；
根据所述分布状态预测结果和所述细胞分布状态标签，确定损失函数，并根据所述损失函数对所述卷积神经网络模型的模型参数进行调整，重复调整所述卷积神经网络模型的模型参数，直到满足训练结束条件，将当前的卷积神经网络模型确定为分布状态分析模型。
8.一种细胞分布状态的分析装置，其特征在于，所述装置包括：
细胞图像获取模块，用于获取细胞涂片的灰度图像，作为待分析的细胞图像；
图像纹理特征获取模块，用于获取所述细胞图像对应的图像纹理特征；所述图像纹理特征用于表征所述细胞图像中细胞之间的相对分布位置信息；
特征输入模块，用于将所述图像纹理特征输入到预先训练的分布状态分析模型，以通过所述分布状态分析模型，基于所述图像纹理特征确定预设的至少两种细胞分布状态中每种细胞分布状态对应的概率，并根据所述概率确定分布状态结果；
分布状态确定模块，用于根据所述分布状态分析模型输出的所述分布状态结果，确定所述细胞涂片对应的细胞分布状态。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011370817.XA CN112330671A (zh) | 2020-11-30 | 2020-11-30 | 细胞分布状态的分析方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011370817.XA CN112330671A (zh) | 2020-11-30 | 2020-11-30 | 细胞分布状态的分析方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112330671A true CN112330671A (zh) | 2021-02-05 |
Family
ID=74309263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011370817.XA Pending CN112330671A (zh) | 2020-11-30 | 2020-11-30 | 细胞分布状态的分析方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330671A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706449A (zh) * | 2021-05-11 | 2021-11-26 | 腾讯科技（深圳）有限公司 | 基于病理图像的细胞分析方法、装置、设备及存储介质 |
| CN114255249A (zh) * | 2021-12-22 | 2022-03-29 | 沈阳东软智能医疗科技研究院有限公司 | 一种医疗影像纹理特征的处理方法、装置及设备 |
| CN115019305A (zh) * | 2022-08-08 | 2022-09-06 | 成都西交智汇大数据科技有限公司 | 一种根尖细胞的识别方法、装置、设备及可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948429A (zh) * | 2019-01-28 | 2019-06-28 | 上海依智医疗技术有限公司 | 图像分析方法、装置、电子设备及计算机可读介质 |
| CN111027570A (zh) * | 2019-11-20 | 2020-04-17 | 电子科技大学 | 一种基于细胞神经网络的图像多尺度特征提取方法 |
| US20200167914A1 (en) * | 2017-07-19 | 2020-05-28 | Altius Institute For Biomedical Sciences | Methods of analyzing microscopy images using machine learning |
-
2020
- 2020-11-30 CN CN202011370817.XA patent/CN112330671A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200167914A1 (en) * | 2017-07-19 | 2020-05-28 | Altius Institute For Biomedical Sciences | Methods of analyzing microscopy images using machine learning |
| CN109948429A (zh) * | 2019-01-28 | 2019-06-28 | 上海依智医疗技术有限公司 | 图像分析方法、装置、电子设备及计算机可读介质 |
| CN111027570A (zh) * | 2019-11-20 | 2020-04-17 | 电子科技大学 | 一种基于细胞神经网络的图像多尺度特征提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 漆鹏杰;刘秀波;仲兆准;管淼;谢光伟;: "显微细胞图像有形成分自动识别", 计算机系统应用, no. 05, 15 May 2015 (2015-05-15) * |
| 赵晖, 鲍莉, 梁光明, 张耀东: "基于综合灰度共生矩阵的显微细胞图像纹理研究", 自动化技术与应用, no. 10, 30 October 2004 (2004-10-30) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706449A (zh) * | 2021-05-11 | 2021-11-26 | 腾讯科技（深圳）有限公司 | 基于病理图像的细胞分析方法、装置、设备及存储介质 |
| CN113706449B (zh) * | 2021-05-11 | 2022-07-29 | 腾讯医疗健康(深圳)有限公司 | 基于病理图像的细胞分析方法、装置、设备及存储介质 |
| CN114255249A (zh) * | 2021-12-22 | 2022-03-29 | 沈阳东软智能医疗科技研究院有限公司 | 一种医疗影像纹理特征的处理方法、装置及设备 |
| CN115019305A (zh) * | 2022-08-08 | 2022-09-06 | 成都西交智汇大数据科技有限公司 | 一种根尖细胞的识别方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679466B (zh) | 信息输出方法和装置 | |
| CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
| CN112330671A (zh) | 细胞分布状态的分析方法、装置、计算机设备和存储介质 | |
| CN111353512B (zh) | 障碍物分类方法、装置、存储介质和计算机设备 | |
| EP4163831A1 (en) | Neural network distillation method and device | |
| CN110930296B (zh) | 图像处理方法、装置、设备及存储介质 | |
| Bellavia et al. | Dissecting and reassembling color correction algorithms for image stitching | |
| CN108229673B (zh) | 卷积神经网络的处理方法、装置和电子设备 | |
| KR101955919B1 (ko) | 딥러닝 기반의 영상데이터 내 관심영역 설정방법 및 프로그램 | |
| CN108229274B (zh) | 多层神经网络模型训练、道路特征识别的方法和装置 | |
| CN112287965A (zh) | 图像质量检测模型训练方法、装置和计算机设备 | |
| CN111507288A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN111666890A (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
| CN111814804A (zh) | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 | |
| CN114549849A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN114332457A (zh) | 图像实例分割模型训练、图像实例分割方法和装置 | |
| CN116229054A (zh) | 图像处理方法、装置及电子设备 | |
| CN113593707B (zh) | 胃早癌模型训练方法、装置、计算机设备及存储介质 | |
| CN111651626B (zh) | 图像分类方法、装置及可读存储介质 | |
| CN109657083A (zh) | 纺织品图片特征库的建立方法和装置 | |
| US20230401737A1 (en) | Method for training depth estimation model, training apparatus, and electronic device applying the method | |
| CN111899239A (zh) | 图像处理方法和装置 | |
| CN111985439A (zh) | 人脸检测方法、装置、设备和存储介质 | |
| CN114926876A (zh) | 图像关键点检测方法、装置、计算机设备和存储介质 | |
| JP2023006279A (ja) | 機械学習モデルを用いて検査データの良否を判定する方法、情報処理装置、及び、コンピュータープログラム |
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 |