CN112489007A - 染色体中期细胞图像质量评估系统和方法 - Google Patents
染色体中期细胞图像质量评估系统和方法 Download PDFInfo
- Publication number
- CN112489007A CN112489007A CN202011352209.6A CN202011352209A CN112489007A CN 112489007 A CN112489007 A CN 112489007A CN 202011352209 A CN202011352209 A CN 202011352209A CN 112489007 A CN112489007 A CN 112489007A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- score
- image
- cluster
- calculating
- 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
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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种染色体中期细胞图像质量评估系统和方法,系统包括:获取单元,用于获取若干张染色体中期细胞图像作为第一图像;第一计算单元,用于分别计算所述第一图像的染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数;第二计算单元,用于根据所述染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数计算所述第一图像的图像质量总分数;结果生成单元,用于根据所述图像质量总分数生成所述第一图像的评估结果。本发明通过结果生成单元生成的评估结果技能有效降低后续染色体核型分析的难度及提高分析的准确度。本发明可广泛应用于染色体分析技术领域。
Description
技术领域
本发明涉及染色体分析技术领域,尤其是一种染色体中期细胞图像质量评估系统和方法。
背景技术
由于染色体是人类遗传信息的重要载体,因此,染色体分析是先天性遗传疾病诊断最主要和最重要的途径。在产前诊断中,染色体核型分析被用于筛查妊娠胚胎是否患有先天遗传疾病。染色体核型分析主要是通过电子显微镜拍摄中期染色体的细胞图象后,再对染色体图象进行分割,获得46条染色体实例,最后对所获得的染色体实例进行分类,生成细胞染色体核型图。但是,由于染色体的非刚性特质,会导致细胞图象中的染色体千姿百态、形态各异,并且随机重叠交叉在一起,因而给染色体核型分析带来极大的挑战,且目前在染色体核型分析过程中,主要还是依据分析师个人经验评定图像质量,从而导致核型分析结果的准确性,增加后续分析的难度。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种染色体中期细胞图像质量评估系统和方法,其能有效降低后续染色体核型分析的难度及提高分析的准确度。
本发明实施例的第一方面提供了:
一种染色体中期细胞图像质量评估系统,包括:
获取单元,用于获取若干张染色体中期细胞图像作为第一图像;
第一计算单元,用于分别计算所述第一图像的染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数;
第二计算单元,用于根据所述染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数计算所述第一图像的图像质量总分数;
结果生成单元,用于根据所述图像质量总分数生成所述第一图像的评估结果。
进一步地,所述计算所述第一图像的染色体簇数量分数,包括:
确定所述第一图像内染色体簇数量;
获取所述染色体簇的计算参数;
根据所述染色体簇数量和所述染色体簇的计算参数计算得到染色体簇数量分数。
进一步地,所述染色体簇数量包括接触染色体簇数量、重叠染色体簇数量和重叠且接触染色体簇数量;所述计算参数包括接触染色体簇的计算参数、重叠染色体簇的计算参数和重叠且接触染色体簇参数。
进一步地,所述计算非簇染色体实例数量分数,包括:
计算所述第一图像内非簇染色体实例数量;
获取所述非簇染色体实例的计算参数;
根据所述非簇染色体实例数量和所述非簇染色体实例的计算参数计算得到非簇染色体实例数量分数。
进一步地,所述计算噪声量分数,包括:
确定所述第一图像内非染色体噪声簇的个数;
获取非染色体噪声簇的计算参数;
根据所述非染色体噪声簇的个数和所述计算参数计算得到噪声量分数。
进一步地,所述计算图像清晰度分数,包括:
获取所述第一图像的峰值信噪比和对应的第一权重、结构相似性和对应的第二权重、信息熵和对应的第三权重;
根据所述峰值信噪比、所述结构相似性、所述信息熵、所述第一权重、所述第二权重和所述第三权重计算得到图像清晰度分数。
进一步地,所述第一权重、所述第二权重和所述第三权重的取值范围为[0,1],且所述第一权重、所述第二权重和所述第三权重之和等于1。
进一步地,所述图像质量总分数的取值范围为[0,100]。
本发明实施例的第二方面提供了:
一种染色体中期细胞图像质量评估方法,包括以下步骤:
获取若干张染色体中期细胞图像作为第一图像;
分别计算所述第一图像的染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数;
根据所述染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数计算所述第一图像的图像质量总分数;
根据所述图像质量总分数生成所述第一图像的评估结果。
进一步地,所述图像质量总分数的取值范围为[0,100]。
本发明的有益效果是:本发明通过第一计算单元分别计算获取单元获取若干张染色体中期细胞图像染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数,接着通过第二计算单元根据第一计算单元的计算结果计算第一图像的图像质量总分数,然后通过结果生成单元根据图像质量总分数生成第一图像的评估结果,以通过该评估结果有效降低后续染色体核型分析的难度及提高分析的准确度。
附图说明
图1为本发明一种具体实施例的染色体中期细胞图像质量评估系统的模块框图;
图2为本发明一种具体实施例的染色体中期细胞图像质量评估方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请出现的名词进行解释:
染色体中期细胞图像:其指通过电子显微镜拍摄的细胞中期的灰度图像。
染色体核型图:其指对染色体实例进行分割后,依据条带信息进行排序,生成核型图。
染色体实例:其指一条一条的染色体。正常的人体细胞中,包含23对染色体,其中22对常染色体,编号从1到22号,每一对染色体中,有一条遗传自母亲,有一条遗传自父亲。在一对性染色体中,女性为两条X,分别遗传自母亲和父亲,男性为一条X(遗传自母亲)和一条Y(遗传自父亲)。
染色体核型分析:其指对染色体中期细胞图象进行分割出,获取到所有条染色体实例,然后再根据染色体条带信息进行排序生成染色体核型图的过程。染色体核型分析主要包括两个步骤,染色体的实例分割和染色体的分类。制约染色体的核型分析的主要障碍在与重叠和接触染色体簇的分离或分割。
染色体簇:其指有两条或者两条以上的染色体重叠、相连(接触)在一起,形成具有像素相连的簇。根据簇形成的原因,染色体簇还可以进一步细分为重叠染色体簇(Overlapping Chromosome Cluster)、接触染色体簇(也叫:相连染色体簇,TouchingChromosome Cluster)以及重叠并接触染色体簇(Overlapping&Touching ChromosomeCluster)。其中,重叠染色体簇是指两条或者两条以上的染色体实例重叠在一起;接触染色体簇是指两条或者两条以上的染色体实例相连;重叠并接触染色体簇是指三条或三条以上的染色体实例重叠和接触在一起。
参照图1,本发明实施例提供了一种染色体中期细胞图像质量评估系统,包括:
获取单元,用于获取若干张染色体中期细胞图像作为第一图像;该第一图像为显微镜的细胞灰度图像。
第一计算单元,用于分别计算第一图像的染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数;
在一些实施例中,计算第一图像的染色体簇数量分数,其可通过以下方式实现:
确定第一图像内染色体簇数量;具体地,染色体簇的类型包括接触染色体簇、重叠染色体簇以及重叠且接触染色体簇。每种类型的染色体簇在第一图像均对应有各自的个数,即染色体簇数量包括接触染色体簇数量、重叠染色体簇数量和重叠且接触染色体簇数量。
获取染色体簇的计算参数;为了提高计算结果的准确性,该计算参数包括接触染色体簇的计算参数、重叠染色体簇的计算参数和重叠且接触染色体簇参数,上述染色体簇的计算参数用于表示每一个类型的染色体簇引起了质量下降分数。
根据染色体簇数量和染色体簇的计算参数计算得到染色体簇数量分数。
在本实施例中,假设接触染色体簇数量为Ntc、重叠染色体簇数量为Nop、重叠且接触染色体簇数量为Not、接触染色体簇的计算参数为Stc、重叠染色体簇的计算参数为Sop以及重叠且接触染色体簇参数为Sot;使用Sc表示图像中染色体簇数量分数,则其具体分数可通过公式计算得到:
Sc=max(0,100-(Ntc*Stc+Nop*Sop+Not*Sot)) 公式1。
在一些实施例中,计算非簇染色体实例数量分数,可通过以下方式实现:
根据第一图像内染色体簇数量计算非簇染色体实例数量;由于在正常的细胞图象中,其共包含46条染色体,如果细胞图象的所有染色体都不存在交叉、重叠的现象,即图象中存在46条非簇染色体实例。如果图像中的染色体由于交叉或者重叠形成染色体簇,自然图像中的非簇染色体实例的数量一定会随之减少。因此,根据第一图像内染色体簇数量即能有效计算出第一图像中非簇染色体实例数量。
获取非簇染色体实例的计算参数;该非簇染色体实例的计算参数用于表示非簇染色体实例引起的图像质量下降的分数。
根据非簇染色体实例数量和非簇染色体实例的计算参数计算得到非簇染色体实例数量分数。
在本实施例中,假设非簇染色体实例数量为Stc,非簇染色体实例的计算参数为Snc,使用SNC表示非簇染色体实例数量分数,则其可通过公式2计算得到:
SNC=max(0,100-(46-Nnc)*Snc) 公式2。
在一些实施例中,计算噪声量分数,可通过以下方式实现:
确定第一图像内非染色体噪声簇的个数;由于在细胞图象中,经常由于细胞杂质、染色体面板、显微镜镜片灰尘等原因,导致细胞图象中出现杂质噪声。细胞图象中的噪声越多,对应的细胞图象越不利于进一步的分析和处理,因此细胞图象的质量越差。本步骤通过确定细胞图像中非染色体噪声簇的个数,以提高后续处理结果的准确度。
获取非染色体噪声簇的计算参数;该非染色体噪声簇的计算参数用于表示非染色体噪声簇的计算参数非染色体噪声簇的计算参数。
根据非染色体噪声簇的个数和计算参数计算得到噪声量分数。
在本实施例中,假设非染色体噪声簇的个数为Nn、非染色体噪声簇的计算参数为Sno,使用SN表示噪声量分数,其可通过公式3计算得到:
SN=max(0,100-Nn*Sno) 公式3。
在一些实施例中,计算图像清晰度分数,可通过以下方式实现:
获取第一图像的峰值信噪比和对应的第一权重、结构相似性和对应的第二权重、信息熵和对应的第三权重;根据峰值信噪比、结构相似性、信息熵、第一权重、第二权重和第三权重计算得到图像清晰度分数。
在本实施例中,假设峰值信噪比为SPSNR、对应的第一权重为WPSNR、结构相似性为SSSIM、对应的第二权重为WSSIM、信息熵为SEN、对应的第三权重为WEN;使用SQ表示图像清晰度分数,则其可通过公式4计算得到:
SQ=SPSNR*WPSNR+SSSIM*WSSIM+SEN*WEN 公式4
在本实施例中,第一权重、第二权重和第三权重的取值范围均为[0,1],且第一权重、第二权重和第三权重之和等于1,即WPSNR+WSSIM+WEN=1。
第二计算单元,用于根据所述染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数计算所述第一图像的图像质量总分数;在一些实施例中,图像质量总分数的取值范围为[0,100]。
在本步骤中,由于细胞图像包括染色簇的数量、非簇染色体实例的数量、噪声量以及图象清晰程度,假设染色簇的数量的权重为WC、非簇染色体实例的数量的权重为WNC、噪声量的权重为WN、图象清晰程度的权重为WQ,图像质量总分数为S,则S可通过公式5计算得到:
S=SC*WC+SNC*WNC+SN*WN+SQ*WQ 公式5。
结果生成单元,用于根述图像质量总分数生成第一图像的评估结果,以使后续分析过程中,通过该评估结果即能有效降低染色体核型分析的难度及提高分析的准确度。
此外,参照图2,本发明实施例还提供了一种与图1系统相对应的染色体中期细胞图像质量评估方法,该方法包括以下步骤:
S21、获取若干张染色体中期细胞图像作为第一图像;
S22、分别计算第一图像的染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数;
S23、根据染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数计算第一图像的图像质量总分数;
S24、根据图像质量总分数生成第一图像的评估结果。在一些实施例中,所述图像质量总分数的取值范围为[0,100]。
上述系统实施例的内容均适用于本方法实施例,本方法实施例所具体实现的功能与上述系统实施例相同,并且达到的有益效果与上述系统达到的有益效果也相同。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图2所示的方法。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种染色体中期细胞图像质量评估系统,其特征在于,包括:
获取单元,用于获取若干张染色体中期细胞图像作为第一图像;
第一计算单元,用于分别计算所述第一图像的染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数;
第二计算单元,用于根据所述染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数计算所述第一图像的图像质量总分数;
结果生成单元,用于根据所述图像质量总分数生成所述第一图像的评估结果。
2.根据权利要求1所述的一种染色体中期细胞图像质量评估系统,其特征在于,所述计算所述第一图像的染色体簇数量分数,包括:
确定所述第一图像内染色体簇数量;
获取所述染色体簇的计算参数;
根据所述染色体簇数量和所述染色体簇的计算参数计算得到染色体簇数量分数。
3.根据权利要求2所述的一种染色体中期细胞图像质量评估系统,其特征在于,所述染色体簇数量包括接触染色体簇数量、重叠染色体簇数量和重叠且接触染色体簇数量;所述计算参数包括接触染色体簇的计算参数、重叠染色体簇的计算参数和重叠且接触染色体簇参数。
4.根据权利要求2所述的一种染色体中期细胞图像质量评估系统,其特征在于,所述计算非簇染色体实例数量分数,包括:
计算所述第一图像内非簇染色体实例数量;
获取所述非簇染色体实例的计算参数;
根据所述非簇染色体实例数量和所述非簇染色体实例的计算参数计算得到非簇染色体实例数量分数。
5.根据权利要求1所述的一种染色体中期细胞图像质量评估系统,其特征在于,所述计算噪声量分数,包括:
确定所述第一图像内非染色体噪声簇的个数;
获取非染色体噪声簇的计算参数;
根据所述非染色体噪声簇的个数和所述计算参数计算得到噪声量分数。
6.根据权利要求1所述的一种染色体中期细胞图像质量评估系统,其特征在于,所述计算图像清晰度分数,包括:
获取所述第一图像的峰值信噪比和对应的第一权重、结构相似性和对应的第二权重、信息熵和对应的第三权重;
根据所述峰值信噪比、所述结构相似性、所述信息熵、所述第一权重、所述第二权重和所述第三权重计算得到图像清晰度分数。
7.根据权利要求6所述的一种染色体中期细胞图像质量评估系统,其特征在于,所述第一权重、所述第二权重和所述第三权重的取值范围为[0,1],且所述第一权重、所述第二权重和所述第三权重之和等于1。
8.根据权利要求1所述的一种染色体中期细胞图像质量评估系统,其特征在于,所述图像质量总分数的取值范围为[0,100]。
9.一种染色体中期细胞图像质量评估方法,其特征在于,包括以下步骤:
获取若干张染色体中期细胞图像作为第一图像;
分别计算所述第一图像的染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数;
根据所述染色体簇数量分数、非簇染色体实例数量分数、噪声量分数和图像清晰度分数计算所述第一图像的图像质量总分数;
根据所述图像质量总分数生成所述第一图像的评估结果。
10.根据权利要求9所述的一种染色体中期细胞图像质量评估方法,其特征在于,所述图像质量总分数的取值范围为[0,100]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011352209.6A CN112489007A (zh) | 2020-11-26 | 2020-11-26 | 染色体中期细胞图像质量评估系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011352209.6A CN112489007A (zh) | 2020-11-26 | 2020-11-26 | 染色体中期细胞图像质量评估系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112489007A true CN112489007A (zh) | 2021-03-12 |
Family
ID=74935391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011352209.6A Pending CN112489007A (zh) | 2020-11-26 | 2020-11-26 | 染色体中期细胞图像质量评估系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112489007A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470028A (zh) * | 2021-09-03 | 2021-10-01 | 深圳市瑞图生物技术有限公司 | 染色体核型图像质量评估方法、染色体分析仪和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216118A1 (en) * | 2010-11-05 | 2013-08-22 | Peter Keith Rogan | Centromere Detector and Method for Determining Radiation Exposure From Chromosome Abnormalities |
CN111247551A (zh) * | 2017-10-26 | 2020-06-05 | 索尼公司 | 受精卵质量评估方法、受精卵质量评估系统、程序和信息处理设备 |
CN111325711A (zh) * | 2020-01-16 | 2020-06-23 | 杭州德适生物科技有限公司 | 一种基于深度学习的染色体分裂相图像质量评价方法 |
-
2020
- 2020-11-26 CN CN202011352209.6A patent/CN112489007A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216118A1 (en) * | 2010-11-05 | 2013-08-22 | Peter Keith Rogan | Centromere Detector and Method for Determining Radiation Exposure From Chromosome Abnormalities |
CN111247551A (zh) * | 2017-10-26 | 2020-06-05 | 索尼公司 | 受精卵质量评估方法、受精卵质量评估系统、程序和信息处理设备 |
CN111325711A (zh) * | 2020-01-16 | 2020-06-23 | 杭州德适生物科技有限公司 | 一种基于深度学习的染色体分裂相图像质量评价方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470028A (zh) * | 2021-09-03 | 2021-10-01 | 深圳市瑞图生物技术有限公司 | 染色体核型图像质量评估方法、染色体分析仪和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
US20200005022A1 (en) | Method, terminal, and storage medium for tracking facial critical area | |
CN102375974B (zh) | 信息处理设备和信息处理方法 | |
CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
WO2019026104A1 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
CN108960260B (zh) | 一种分类模型生成方法、医学影像图像分类方法及装置 | |
Zheng et al. | Improvement of grayscale image 2D maximum entropy threshold segmentation method | |
CN103262118A (zh) | 属性值估计装置、属性值估计方法、程序和记录介质 | |
CN116312782B (zh) | 一种融合影像基因数据的空间转录组spot区域聚类方法 | |
CN109165658B (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN110598638A (zh) | 模型训练方法、人脸性别预测方法、设备及存储介质 | |
CN109299653A (zh) | 一种基于改进完备局部三值模式的人脸表情特征提取方法 | |
JP2007048172A (ja) | 情報分類装置 | |
CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
JP2014056442A (ja) | 画質推定装置、画質推定方法および画質推定プログラム | |
CN112489007A (zh) | 染色体中期细胞图像质量评估系统和方法 | |
Zhang et al. | Ascnet: Adaptive-scale convolutional neural networks for multi-scale feature learning | |
Song et al. | A novel application of image-to-image translation: chromosome straightening framework by learning from a single image | |
CN113971825A (zh) | 基于人脸感兴趣区域贡献度的跨数据集微表情识别方法 | |
CN102722718B (zh) | 一种细胞分类方法 | |
CN111310807B (zh) | 一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法 | |
JP2012048326A (ja) | 画像処理装置及びプログラム | |
CN112288765A (zh) | 一种用于车载红外行人检测跟踪的图像处理方法 | |
Zheng et al. | Improvement of grayscale image segmentation based on pso algorithm | |
CN115512207A (zh) | 一种基于多路特征融合及高阶损失感知采样的单阶段目标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210312 |