CN112613505A - 一种基于深度学习的细胞微核识别、定位和计数方法 - Google Patents
一种基于深度学习的细胞微核识别、定位和计数方法 Download PDFInfo
- Publication number
- CN112613505A CN112613505A CN202011508857.6A CN202011508857A CN112613505A CN 112613505 A CN112613505 A CN 112613505A CN 202011508857 A CN202011508857 A CN 202011508857A CN 112613505 A CN112613505 A CN 112613505A
- Authority
- CN
- China
- Prior art keywords
- micronucleus
- cell
- deep learning
- positioning
- network model
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011176 pooling Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000001629 suppression Effects 0.000 claims abstract description 6
- 210000004027 cell Anatomy 0.000 claims description 67
- 238000000879 optical micrograph Methods 0.000 claims description 13
- 230000004807 localization Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 210000000805 cytoplasm Anatomy 0.000 claims description 4
- 210000003855 cell nucleus Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 25
- 230000008569 process Effects 0.000 abstract description 2
- 230000001413 cellular effect Effects 0.000 description 4
- 238000000338 in vitro Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 210000004940 nucleus Anatomy 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000007850 fluorescent dye Substances 0.000 description 2
- 231100000025 genetic toxicology Toxicity 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/04—Recognition of patterns in DNA microarrays
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的细胞微核识别、定位和计数方法，涉及细胞微核检测技术领域。本发明包括构建深度学习特征提取网络模型C、构建细胞微核识别定位网络模型D、将C和D串联记为深度学习细胞微核识别定位网络模型E。本发明通过构建深度学习细胞微核识别定位网络模型E，运用了卷积操作、特征图的批归一化操作、非线性映射操作、池化操作以及非极大值抑制算法，省去了人工阅片的繁琐过程，提高了微核检测的效率；提高了微核计数准确率，能更加准确的反应细胞的变异情况。
Description
技术领域
本发明属于细胞微核检测技术领域，特别是涉及一种基于深度学习的细胞微核识别、定位和计数方法。
背景技术
科技活动带来的有害物理、化学和生物因子会对人的遗传物质造成损害，导致癌症病发率增高，体外微核检测是遗传毒理重要的评价方法之一，广泛用于放射性接触人员辐射效应的健康监护、人群遗传稳定性的健康筛查、药物的临床遗传毒理评价等，具有极高的临床应用价值。传统的微核检测采用人工显微镜阅片，耗时费力，效率低下，准确性也难也保证。微核的自动化检测技术是目前重要的发展方向，智能化的图像分析和结果判断能大大加快检测通量和结果的标准化。目前国内关于智能化图像处理的体外微核检测方法尚属空白。
现有的微核检测方法主要分为三种：(一)人工显微镜阅片；(二)流式细胞仪检测；(三)激光扫描仪检测。
人工显微镜阅片是指采用细胞质阻断方法制备微核检测图片，在显微镜下根据双核、微核、核质桥和树突特征及人工识别标准由工作人员主观判断细胞微核类别。人工显微镜阅片方法虽然程序简单，但存在一些明显的缺陷：
1、人工阅片时间长，费时费力，工作效率较为低下。
2、人工阅片的准确性依赖于检测人员的水平，而在目前需大量进行该试验的情况下，检测人员水平不一，将导致检测结果具有很大的主观性。
3、微核的发生率低，能否检出小的微核升高率的能力受到计数误差以及个体之间差异性的限制，能否检测出小的微核升高率的灵敏度受到低微核数的计数误差的限制。微核实验中需尽可能计数足够数量的细胞，以使计数误差低于个体间微核率的变异性。
流式细胞仪检测是指对待测样本用荧光染色后，以激光束作为光源。把待测样本单个通过喷嘴，激光照射到样本时，就能使荧光染色材料产生荧光，然后光学系统采集这些信号并且转化为电信号，从而能够定量测定待测样本中的细胞数目。工作原理如附图中的图1所示，对细胞进行染色后再由显微镜观察。但流式细胞仪主要用于无核细胞中的微核检测，难以用于双核和多核细胞中的微核检测。
激光扫描仪检测是指细胞培养后，对细胞进行洗涤，低渗、固定、染色；接入激光扫描仪，设置参数，检测核和微核的红色荧光信号强度及绿色荧光信号强度；根据从光电倍增管测量PI的红色荧光的数据设置“阈值”轮廓。然后将“积分”轮廓设置在阈值轮廓之外的零到两个像素之间的范围内。这样，与核的DNA和蛋白质相关的荧光强度以及微核的积分值记录在同一文件中。然后基于核和微核的DNA含量差异来区分核和微核。激光扫描仪仅见报道用于小鼠体内和体外红细胞的微核检测。
发明内容
本发明的目的在于提供一种基于深度学习的细胞微核识别、定位和计数方法，通过构建深度学习细胞微核识别定位网络模型E，解决了现有的微核检测方法费时费力，工作效率低；检测准确率低以及国内关于智能化图像处理的体外微核检测方法尚属空白的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种基于深度学习的细胞微核识别、定位和计数方法，包括以下步骤：Step1：输入原始细胞光学显微镜图像A；Step2：对原始细胞光学显微镜图像A进行预处理，具体为：将原始细胞光学显微镜图像A转化成灰度图像或RGB图像；进行图像增强处理，强调突出细胞核部分信息，削弱细胞质部分信息；并分割为若干等分辨率的图像B；Step3：构建深度学习特征提取网络模型C，具体为：首先输入图像B；再依次执行卷积操作、特征图的批归一化操作和非线性映射操作；最后进行池化操作；Step4：构建细胞微核识别定位网络模型D，具体为：首先输入从深度学习特征提取网络模型C中提取的特征；再根据特征捕捉原始细胞中的微核，得到微核定位坐标框；最后通过非极大值抑制算法过滤掉无效的或冗余的微核定位坐标框；Step5：将深度学习特征提取网络模型C和细胞微核识别定位网络模型D串联，记为深度学习细胞微核识别定位网络模型E，进行网络训练，计算损失，通过随机梯度下降法修改网络权重，最后保存训练好的深度学习细胞微核识别定位网络模型E的权值；Step6：将待检测细胞光学显微镜图像F输入到深度学习细胞微核识别定位网络模型E中，对待检测细胞中的微核进行识别和定位，获得微核定位坐标框；最后通过统计微核定位坐标框的个数得出待检测细胞中的微核的数量。
进一步地，所述图像B的分辨率为304×304。
进一步地，Step3中的卷积操作、特征图的批归一化操作和非线性映射操作的次数为3次以上。
进一步地，Step3中的池化操作采用最大池化法，池化窗口大小为3×3，滑动步长为2。
进一步地，所述细胞微核识别定位网络模型D在多尺度特征图上进行识别定位；所述特征图的尺度分别为38×38、19×19、10×10、5×5、3×3和1×1，每种尺度的特征图的每个像素点能预测的微核数分别为4、6、6、6、4和4。
本发明具有以下有益效果：
1、本发明通过构建深度学习细胞微核识别定位网络模型E，运用了卷积操作、特征图的批归一化操作、非线性映射操作、池化操作以及非极大值抑制算法，省去了人工阅片的繁琐过程，提高了微核检测的效率。
2、节约了采购分析仪器的成本。
3、解决了由于检测人员水平不一致导致检测结果主观性较强的问题，使得微核检测的结果更加客观可靠。
4、提高了微核计数准确率，能更加准确的反应细胞的变异情况。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为流式细胞仪检测微核的工作原理图；
图2为本发明中的一种基于深度学习的细胞微核识别、定位和计数方法的流程图；
图3为本发明中的深度学习特征提取网络模型C的结构图；
图4为本发明中的细胞微核识别定位网络模型D的结构图；
图5为原始细胞的光学显微镜图像(虚线圈出的是细胞中为微核)；
图6为预测的微核定位坐标框的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图2-6所示，本发明为一种基于深度学习的细胞微核识别、定位和计数方法，包括以下步骤：
Step1：输入原始细胞光学显微镜图像A；
Step2：对原始细胞光学显微镜图像A进行预处理，具体为：将原始细胞光学显微镜图像A转化成灰度图像或RGB图像；进行图像增强处理，强调突出细胞核部分信息，削弱细胞质部分信息；并分割为若干等分辨率的图像B；图像B的分辨率为304×304；
Step3：构建深度学习特征提取网络模型C，具体为：首先输入图像B；再依次执行卷积操作、特征图的批归一化操作和非线性映射操作；最后进行池化操作；卷积操作、特征图的批归一化操作和非线性映射操作的次数为3次以上；池化操作采用最大池化法，池化窗口大小为3×3，滑动步长为2；卷积操作的数学原理如式所示：
式中,
称为卷积层l的第j个通道,它通过对前一层输出特征图
进行卷积求和与偏置后得到的。Mj表示用于计算
的输入特征图子集,
是卷积核矩阵,
是对卷积后特征图的偏置。对于一个输出特征图
每个输入特征图
对应的卷积核
可能不同,“*”是卷积符号；
批归一化的计算如下：
公式，x为待批归一化数据，μ和σ分别是均值和标准差，ε为无穷小变量，γ和β待学习参数，
为批归一化后的变量；
非线性映射的计算如下：
每个“池化”均代表仅执行一次池化，特征提取共经历3次池化。在304×304输入分辨率下，输出特征的分辨率为38×38。
Step4：构建细胞微核识别定位网络模型D，具体为：首先输入从深度学习特征提取网络模型C中提取的特征；再根据特征捕捉原始细胞中的微核，得到微核定位坐标框；最后通过非极大值抑制算法过滤掉无效的或冗余的微核定位坐标框；细胞微核识别定位网络模型D在多尺度特征图上进行识别定位；特征图的尺度分别为38×38、19×19、10×10、5×5、3×3和1×1，每种尺度的特征图的每个像素点能预测的微核数分别为4、6、6、6、4和4；
非极大值抑制算法过滤掉无效或冗余的微核定位坐标框，其原理如下和图4所示：
式中，box1和box2为预测的微核定位坐标框，box1和box2的相交面积除以其并的面积大于0.5时，保留得分最大的坐标框。
预测的微核定位坐标框的得分为的坐标框内存在细胞微核的概率，是由细胞微核识别和定位网络的识别结果的指数归一化所得，具体如下式：
式中，e为自然数，cl为细胞微核的分类结果，J为识别的类别数加1，本发明仅识别和定位细胞微核，J取值为2；
Step5：将深度学习特征提取网络模型C和细胞微核识别定位网络模型D串联，记为深度学习细胞微核识别定位网络模型E，进行网络训练，计算损失，通过随机梯度下降法修改网络权重，最后保存训练好的深度学习细胞微核识别定位网络模型E的权值；
深度学习细胞微核识别定位网络模型E，训练时网络损失有两部分构成，分别为分类误差和细胞微核坐标框误差，具体如下：
式中，L(x,c,l,g)、Lscore(x,c)和Lloc(x,l,g)分别是训练损失、分类损失和坐标损失，l代表预测坐标边界框；N是匹配到的边界框数；
是第i个边界框匹配第j个真实目标类别为p，并且
smoothL1是L1平滑，Pos和Neg分别代坐标框内有细胞微核和无细胞微核；λ是系数；
是预测得分，
是边界框d的中心(cx，cy)以及其宽度w和高度h的偏移量；
Step6：将待检测细胞光学显微镜图像F输入到深度学习细胞微核识别定位网络模型E中，对待检测细胞中的微核进行识别和定位，获得微核定位坐标框；最后通过统计微核定位坐标框的个数得出待检测细胞中的微核的数量。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于：包括以下步骤：
Step1：输入原始细胞光学显微镜图像A；
Step2：对原始细胞光学显微镜图像A进行预处理，具体为：将原始细胞光学显微镜图像A转化成灰度图像或RGB图像；进行图像增强处理，强调突出细胞核部分信息，削弱细胞质部分信息；并分割为若干等分辨率的图像B；
Step3：构建深度学习特征提取网络模型C，具体为：首先输入图像B；再依次执行卷积操作、特征图的批归一化操作和非线性映射操作；最后进行池化操作；
Step4：构建细胞微核识别定位网络模型D，具体为：首先输入从深度学习特征提取网络模型C中提取的特征；再根据特征捕捉原始细胞中的微核，得到微核定位坐标框；最后通过非极大值抑制算法过滤掉无效的或冗余的微核定位坐标框；
Step5：将深度学习特征提取网络模型C和细胞微核识别定位网络模型D串联，记为深度学习细胞微核识别定位网络模型E，进行网络训练，计算损失，通过随机梯度下降法修改网络权重，最后保存训练好的深度学习细胞微核识别定位网络模型E的权值；
Step6：将待检测细胞光学显微镜图像F输入到深度学习细胞微核识别定位网络模型E中，对待检测细胞中的微核进行识别和定位，获得微核定位坐标框；最后通过统计微核定位坐标框的个数得出待检测细胞中的微核的数量。
2.根据权利要求1所述的一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于，所述图像B的分辨率为304×304。
3.根据权利要求1或2所述的一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于，Step3中的卷积操作、特征图的批归一化操作和非线性映射操作的次数为3次以上。
4.根据权利要求3所述的一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于，Step3中的池化操作采用最大池化法，池化窗口大小为3×3，滑动步长为2。
5.根据权利要求1或2或4所述的一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于，所述细胞微核识别定位网络模型D在多尺度特征图上进行识别定位；所述特征图的尺度分别为38×38、19×19、10×10、5×5、3×3和1×1，每种尺度的特征图的每个像素点能预测的微核数分别为4、6、6、6、4和4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011508857.6A CN112613505B (zh) | 2020-12-18 | 2020-12-18 | 一种基于深度学习的细胞微核识别、定位和计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011508857.6A CN112613505B (zh) | 2020-12-18 | 2020-12-18 | 一种基于深度学习的细胞微核识别、定位和计数方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112613505A true CN112613505A (zh) | 2021-04-06 |
| CN112613505B CN112613505B (zh) | 2024-08-09 |
Family
ID=75240762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011508857.6A Active CN112613505B (zh) | 2020-12-18 | 2020-12-18 | 一种基于深度学习的细胞微核识别、定位和计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613505B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723535A (zh) * | 2021-09-02 | 2021-11-30 | 北京大学 | 基于CycleGAN深度学习的细胞微核组学图像处理方法及存储介质 |
| CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
| CN117253229A (zh) * | 2023-11-17 | 2023-12-19 | 浙江大学海南研究院 | 基于深度学习的海洋贻贝微核细胞识别与计数方法及应用 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130101199A1 (en) * | 2009-06-02 | 2013-04-25 | Ge Healthcare Uk Limited | Image analysis |
| CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
| US20170169567A1 (en) * | 2014-05-23 | 2017-06-15 | Ventana Medical Systems, Inc. | Systems and methods for detection of structures and/or patterns in images |
| US9934364B1 (en) * | 2017-02-28 | 2018-04-03 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
| CN108510012A (zh) * | 2018-05-04 | 2018-09-07 | 四川大学 | 一种基于多尺度特征图的目标快速检测方法 |
| CN109145941A (zh) * | 2018-07-03 | 2019-01-04 | 怀光智能科技（武汉）有限公司 | 一种非规则宫颈细胞团图像分类方法及系统 |
| US20190156481A1 (en) * | 2017-11-17 | 2019-05-23 | Sysmex Corporation | Image analysis method, apparatus, program, and learned deep learning algorithm |
| CN110728200A (zh) * | 2019-09-23 | 2020-01-24 | 武汉大学 | 一种基于深度学习的实时行人检测方法及系统 |
| CN111444844A (zh) * | 2020-03-26 | 2020-07-24 | 苏州腾辉达网络科技有限公司 | 一种基于变分自编码器的液基细胞人工智能检测方法 |
| JP2020166711A (ja) * | 2019-03-29 | 2020-10-08 | 東レ株式会社 | 計数装置、計数方法、計数プログラムおよび記録媒体 |
| CN112036298A (zh) * | 2020-08-28 | 2020-12-04 | 复旦大学附属华山医院北院 | 一种基于双段区块卷积神经网络的细胞检测方法 |
-
2020
- 2020-12-18 CN CN202011508857.6A patent/CN112613505B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130101199A1 (en) * | 2009-06-02 | 2013-04-25 | Ge Healthcare Uk Limited | Image analysis |
| US20170169567A1 (en) * | 2014-05-23 | 2017-06-15 | Ventana Medical Systems, Inc. | Systems and methods for detection of structures and/or patterns in images |
| CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
| US9934364B1 (en) * | 2017-02-28 | 2018-04-03 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
| US20190156481A1 (en) * | 2017-11-17 | 2019-05-23 | Sysmex Corporation | Image analysis method, apparatus, program, and learned deep learning algorithm |
| CN108510012A (zh) * | 2018-05-04 | 2018-09-07 | 四川大学 | 一种基于多尺度特征图的目标快速检测方法 |
| CN109145941A (zh) * | 2018-07-03 | 2019-01-04 | 怀光智能科技（武汉）有限公司 | 一种非规则宫颈细胞团图像分类方法及系统 |
| JP2020166711A (ja) * | 2019-03-29 | 2020-10-08 | 東レ株式会社 | 計数装置、計数方法、計数プログラムおよび記録媒体 |
| CN110728200A (zh) * | 2019-09-23 | 2020-01-24 | 武汉大学 | 一种基于深度学习的实时行人检测方法及系统 |
| CN111444844A (zh) * | 2020-03-26 | 2020-07-24 | 苏州腾辉达网络科技有限公司 | 一种基于变分自编码器的液基细胞人工智能检测方法 |
| CN112036298A (zh) * | 2020-08-28 | 2020-12-04 | 复旦大学附属华山医院北院 | 一种基于双段区块卷积神经网络的细胞检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| HSING-HAO SU等: "Automatic Detection Method for Cancer Cell Nucleus Image Based on Deep-Learning Analysis and Color Layer Signature Analysis Algorithm", 《SENSORS》, vol. 20, no. 16, 31 August 2020 (2020-08-31), pages 4409 * |
| IHOR PALIY等: "Micro Nucleus Detection in Human Lymphocytes Using Convolutional Neural Network", 《ARTIFICIAL NEURAL NETWORKS-ICANN 2010, PART I》, 30 September 2010 (2010-09-30), pages 521 - 530, XP019152402 * |
| 陈新 等: "《机械结构动态设计理论方法及应用》", 30 September 1997, 机械工业出版社, pages: 237 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723535A (zh) * | 2021-09-02 | 2021-11-30 | 北京大学 | 基于CycleGAN深度学习的细胞微核组学图像处理方法及存储介质 |
| CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
| CN117253229A (zh) * | 2023-11-17 | 2023-12-19 | 浙江大学海南研究院 | 基于深度学习的海洋贻贝微核细胞识别与计数方法及应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112613505B (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112613505B (zh) | 一种基于深度学习的细胞微核识别、定位和计数方法 | |
| US20230127698A1 (en) | Automated stereology for determining tissue characteristics | |
| KR101989202B1 (ko) | 미생물 성장을 분석하는 방법 및 소프트웨어 | |
| CN112699876B (zh) | 一种用于集气站多类型仪表自动读数方法 | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN110504032B (zh) | 基于苏木精-伊红染片的图像处理来预测肿瘤突变负荷的方法 | |
| CN112819821B (zh) | 一种细胞核图像检测方法 | |
| CN110751644B (zh) | 道路表面裂纹检测方法 | |
| CN109191467B (zh) | 一种细胞自噬表型的预测方法及装置 | |
| Davidson et al. | Automated detection and staging of malaria parasites from cytological smears using convolutional neural networks | |
| CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
| CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
| CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
| CN114494197A (zh) | 一种复杂性小样本脑脊液细胞识别与分类方法 | |
| CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
| CN112381806A (zh) | 基于多尺度融合方法的双着丝粒畸变染色体分析预测方法 | |
| CN114235539A (zh) | 基于深度学习的pd-l1病理切片自动判读方法及系统 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
| CN115359264A (zh) | 一种密集型分布的粘连细胞深度学习识别方法 | |
| CN107735838A (zh) | 在多种设置下用于医学样品的异常检测 | |
| CN115661042A (zh) | 一种基于注意力机制指导的分层分类缺陷检测方法 | |
| CN114187480A (zh) | 一种基于深度学习的骨髓象细胞影像图检测分类方法及其系统 | |
| CN114152557A (zh) | 基于图像分析的血细胞计数方法和系统 | |
| CN112464705A (zh) | 一种基于YOLOv3-CIoU的松材线虫病树检测方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220119 Address after: 230000 106-306, building 2, mingpan Animation Industrial Park, the intersection of Jingui road and Haitang Road, high tech Zone, Hefei, Anhui Province Applicant after: Hefei Maixin Biotechnology Co.,Ltd. Address before: Room 102-302, building 6, mingpan Animation Industrial Park, intersection of Jingui road and Haitang Road, Hefei hi tech Development Zone, Hefei City, Anhui Province 230000 Applicant before: Anhui danmusi Biotechnology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |