CN112614104B - 一种红细胞重叠的分割计数方法及终端 - Google Patents
一种红细胞重叠的分割计数方法及终端 Download PDFInfo
- Publication number
- CN112614104B CN112614104B CN202011527898.XA CN202011527898A CN112614104B CN 112614104 B CN112614104 B CN 112614104B CN 202011527898 A CN202011527898 A CN 202011527898A CN 112614104 B CN112614104 B CN 112614104B
- Authority
- CN
- China
- Prior art keywords
- red blood
- picture
- detected
- blood cells
- overlapping
- 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
- 210000003743 erythrocyte Anatomy 0.000 title claims abstract description 164
- 230000011218 segmentation Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010790 dilution Methods 0.000 claims description 6
- 239000012895 dilution Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 17
- 210000004027 cell Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 210000000601 blood cell Anatomy 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004820 blood count Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 201000004223 Reis-Bucklers corneal dystrophy Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013589 supplement 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种红细胞重叠的分割计数方法及终端,该方法包括以下步骤:获取待检测图片;将所述待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果;获取所述预测结果中重叠红细胞的图片,并进行红细胞的分割;根据分割结果和红细胞的特征,获取重叠红细胞的第一数量,所述红细胞的特征包括红细胞的颜色和形态特征;根据所述待检测图片上红细胞的第二数量和所述第一数量,计算所述待检测图片上的红细胞总数量。以解决上述现有技术中存在的重复计数、计数不准及效率低的问题。
Description
技术领域
本发明涉及血细胞的重叠识别和计数领域,尤其涉及一种红细胞重叠的分割计数方法及终端。
背景技术
血细胞分析仪通常采用库尔特原理进行全血细胞计数,随着人工智能技术的发展,基于图像识别技术的血细胞分析仪已经面市,相比于传统通过人眼识别、人工计数的方式,图像识别技术大大地提高了细胞分析的效率。实际测量过程中,两个或两个以上血细胞在通过检测区域时,可能相隔很近,而血细胞的浓度越高,发生重叠计数的概率也就越高。重叠计数会造成血细胞计数值偏低,血细胞的浓度越高,血细胞计数值误差越大情况就越明显。
然而,现有技术中通常采用减少采血量和稀释浓度相结合的方式来实现提高红细胞的技术准确率,这样就会造成频繁的浓度调节,技术效率较低。
有鉴于此,需要提出一种新的技术方案来解决上述技术问题。
发明内容
本发明的目的在于提供一种红细胞重叠的分割计数方法及终端,以解决上述现有技术中存在的重复计数、计数不准及效率低的问题。
为实现上述目的,本发明采用以下技术手段:
一种红细胞重叠的分割计数方法,包括以下步骤:
步骤一:获取待检测图片,所述待检测图片包含红细胞;
步骤二:将所述待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果;
步骤三:获取所述预测结果中重叠红细胞的图片,并进行红细胞的分割;
步骤四:根据分割结果和红细胞的特征,获取重叠红细胞的第一数量,所述红细胞的特征包括红细胞的颜色和形态特征;
步骤五:根据所述待检测图片上红细胞的第二数量和所述第一数量,计算所述待检测图片上的红细胞总数量,其中,所述第二数量中不包含重叠的红细胞数量。
作为进一步的改进,所述获取待检测图片的步骤,包括:
根据稀释浓度,获取一预设范围浓度的红细胞放大图像;
将所述红细胞放大图像作为待检测图片。
作为进一步的改进,所述将所述待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果的步骤,包括:
对所述待检测图片进行红细胞重叠区域标注;
将标注后的待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果。
作为进一步的改进,所述方法还包括:
将标注后的待检测图片设置为一类标签数据;
并将该类标签数据扩充到Mask_rcnn网络模型的数据集中。
作为进一步的改进,所述对所述待检测图片进行红细胞重叠区域标注的步骤,包括:
采用深度学习标注工具,对所述待检测图片进行红细胞重叠区域标注。
作为进一步的改进,所述获取所述预测结果中重叠红细胞的图片,并进行红细胞的分割的步骤,包括:
获取所述预测结果中重叠红细胞的图片;
采用二值化、分水岭、区域生长算法、区域分裂合并以及聚类分割算法中的至少一种进行红细胞的分割。
作为进一步的改进,所述根据分割结果和红细胞的特征,获取重叠红细胞的第一数量,所述红细胞的特征包括红细胞的颜色和形态特征的步骤,包括:
获取所述红细胞的双凹形球体在所述待检测图片中所呈现的颜色特征和形态特征;
根据所获取的红细胞的特征获取重叠红细胞的第一数量。
作为进一步的改进,所述根据所述待检测图片上红细胞的第二数量和所述第一数量,计算所述待检测图片上的红细胞总数量的步骤,包括:
获取所述待检测图片上红细胞的第二数量,其中,所述第二数量中不包含重叠的红细胞数量;
将所述第二数量和所述第一数量之和作数所述待检测图片的红细胞总数量。
作为进一步的改进,所述将所述红细胞放大图像作为待检测图片的步骤,包括:
将当前视野中所述红细胞放大图像作为待检测图片。
本发明还公开了一种红细胞重叠的分割计数终端,所述红细胞重叠的分割计数终端包括处理器、以及通过通信总线与处理器连接的存储器;其中,
所述存储器,用于存储计算机程序;
所述处理器,用于执行计算机程序时,以实现任一项所述的红细胞重叠的分割计数方法。
相比于现有技术,本发明带来以下技术效果:
本发明的红细胞重叠的分割计数方法及终端,在方法步骤中,首先获取包含红细胞的待检测图片,然后将所述待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果;并获取所述预测结果中重叠红细胞的图片,并进行红细胞的分割;根据分割结果和红细胞的特征,获取重叠红细胞的第一数量,然后根据所述待检测图片上红细胞的第二数量和所述第一数量,计算所述待检测图片上的红细胞总数量,从而可以在待检测图片上包含重叠红细胞的情况下也可以进行红果红细胞重叠的识别,进行红细胞的准确技术,从而解决了现有技术中存在的重复计数、计数不准及效率低的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明一种红细胞重叠的分割计数方法的流程图;
图2示出了本发明提供的红细胞打批注的实施例;
图3a、3b示出了本发明提供的Mask_rcnn网络模型预测结果的实施例;
图4示出了本发明提供的图3a的分割结果的示意图;
图5示出了本发明提供的根据框选特征来对红细胞进行计数的实施例。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
实施例
本实施例揭示了一种红细胞重叠的分割计数方法,可以在根据细胞特征进行相应改变的情况下适应于其他细胞的分割技术,例如白细胞、血小板等等。
请参阅图1,所述红细胞重叠的分割计数方法包括以下步骤:
S101,获取待检测图片,所述待检测图片包含红细胞。
作为进一步的改进,所述获取待检测图片的步骤,包括:根据稀释浓度,获取一预设范围浓度的红细胞放大图像;将所述红细胞放大图像作为待检测图片。
需要说明的是,由于红细胞的检测需要先进行稀释然后才能放在仪器下进行观测,那么具体操作中可以先减少稀释浓度,是为了方便加大一个视野内的红细胞的个数,从而达到红细胞重叠的部分的细胞量增多的效果
作为进一步的改进,所述将所述红细胞放大图像作为待检测图片的步骤,包括:将当前视野中所述红细胞放大图像作为待检测图片。
需要说明的是,一个视野内可以作为一次处理所需要的待检测图片,也可以进行切分处理,也可以多个视野内的图片进行拼接,本发明实施例不做具体限定。
S102,将所述待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果。
作为进一步的改进,所述将所述待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果的步骤,包括:对所述待检测图片进行红细胞重叠区域标注;将标注后的待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果。
作为进一步的改进,所述对所述待检测图片进行红细胞重叠区域标注的步骤,包括:
采用深度学习标注工具,对所述待检测图片进行红细胞重叠区域标注。
需要数目的是,可以用labelme、labelimg等打标注的软件来标注红细胞重叠的部分,并命名为RBCD(Red blood cell Double),示例性的,获得如图2所示的大标注结果,图2中可以用不同的颜色和形状将重叠的红细胞区域进行打标注处理。该图显示的是一个打标注软件的处理画面,图2的右边显示的是文件路径和所打的标签信息,例如颜色信息。
然后将包含该类标签数据扩充到原有的数据集中,放入Mask_rcnn网络模型中进行训练,从而获得训练结果。
需要说明的是,Mask_rcnn网络模型是一个非常灵活的框架,它来源于faster-RCNN和全卷积网络FCN,但是又提出了很多的改进措施,Mask-RCNN非常灵活,我们可以可以增加不同的分支完成不同的任务,可以完成目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种任务。
作为进一步的改进,所述方法还包括:
将标注后的待检测图片设置为一类标签数据;
并将该类标签数据扩充到Mask_rcnn网络模型的数据集中。
因此,只要实现准备好对Mask_rcnn网络模型进行训练的数据和网络模型参数,并基于训练结果(例如模型处理结果的准确率)来进行模型成熟的判断,例如当准确率达到一定数值以上的时候则认为是成熟可用的模型,则可以用来对其他图形进行训练,从而获得训练结果,也可以将新训练的图形补充模型的训练数据集,从而提高数据集的数量,有助于进一步提高模型的准确率。
示例性的,用训练后得到的模型文件,进行预测结果,将预测为RBCD类的细胞,根据mask图将其抠出来,得到一系列的RBCD细胞图,如图3a和3b所示是根据图2所获得的预测结果。
S103,获取所述预测结果中重叠红细胞的图片,并进行红细胞的分割。
作为进一步的改进,所述获取所述预测结果中重叠红细胞的图片,并进行红细胞的分割的步骤,包括:
获取所述预测结果中重叠红细胞的图片;
采用二值化、分水岭、区域生长算法、区域分裂合并以及聚类分割算法中的至少一种进行红细胞的分割。
采用传统的计算机视觉的算法,来对其进行分割,例如聚类分割算法。分割的目的是把特有的特征信息分割出来,比如图4所示,分别对应图3a的分割结果。
S104,根据分割结果和红细胞的特征,获取重叠红细胞的第一数量,所述红细胞的特征包括红细胞的颜色和形态特征。
作为进一步的改进,所述根据分割结果和红细胞的特征,获取重叠红细胞的第一数量,所述红细胞的特征包括红细胞的颜色和形态特征的步骤,包括:获取所述红细胞的双凹形球体在所述待检测图片中所呈现的颜色特征和形态特征;根据所获取的红细胞的特征获取重叠红细胞的第一数量。
需要说明的是,可以根据其形态特征来进行细胞的计数,由于红细胞是一个双凹形球体,在成像来看,会呈现出一个中间与其他部分不同的颜色和形态特征,重叠的时候,该特征不会被隐藏,如图5的选择框内的特征,为此拿这个特征分析,是具有意义的。当检测这个地方的特征,比如上面这张图,则表示此处有两个红细胞,图5所对应的红细胞计数为2。
S105,根据所述待检测图片上红细胞的第二数量和所述第一数量,计算所述待检测图片上的红细胞总数量,其中,所述第二数量中不包含重叠的红细胞数量。
作为进一步的改进,所述根据所述待检测图片上红细胞的第二数量和所述第一数量,计算所述待检测图片上的红细胞总数量的步骤,包括:获取所述待检测图片上红细胞的第二数量,其中,所述第二数量中不包含重叠的红细胞数量;将所述第二数量和所述第一数量之和作数所述待检测图片的红细胞总数量。
将根据步骤S104所检测到的重叠细胞的得到其对应的重叠红细胞的数量,即第一数量,再与之前所识别的待检测图片中不重叠红细胞个数相加,最终得到了该视野内红细胞的总数。
本发明还公开了一种红细胞重叠的分割计数终端,所述红细胞重叠的分割计数终端包括处理器、以及通过通信总线与处理器连接的存储器;其中,
所述存储器,用于存储计算机程序;
所述处理器,用于执行计算机程序时,以实现任一项所述的红细胞重叠的分割计数方法。
相比于现有技术,本发明带来以下技术效果:
本发明的红细胞重叠的分割计数方法,首先获取包含红细胞的待检测图片,然后将所述待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果;并获取所述预测结果中重叠红细胞的图片,并进行红细胞的分割;根据分割结果和红细胞的特征,获取重叠红细胞的第一数量,然后根据所述待检测图片上红细胞的第二数量和所述第一数量,计算所述待检测图片上的红细胞总数量,从而可以在待检测图片上包含重叠红细胞的情况下也可以进行红果红细胞重叠的识别,进行红细胞的准确技术,从而解决了现有技术中存在的重复计数、计数不准及效率低的问题。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种红细胞重叠的分割计数方法,其特征在于,包括以下步骤:
步骤一:获取待检测图片,所述待检测图片包含红细胞;
步骤二:将所述待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果具体包括:对所述待检测图片进行红细胞重叠区域标注;将标注后的待检测图片通过预先设置的Mask_rcnn网络模型进行预测,并获得预测结果;
步骤三:获取所述预测结果中重叠红细胞的图片,并进行红细胞的分割;
步骤四:根据分割结果和红细胞的特征,获取重叠红细胞的第一数量,所述红细胞的特征包括红细胞的颜色和形态特征;
步骤五:根据所述待检测图片上红细胞的第二数量和所述第一数量,计算所述待检测图片上的红细胞总数量,其中,所述第二数量中不包含重叠的红细胞数量。
2.如权利要求1所述的红细胞重叠的分割计数方法,其特征在于,所述获取待检测图片的步骤,包括:
根据稀释浓度,获取一预设范围浓度的红细胞放大图像;
将所述红细胞放大图像作为待检测图片。
3.如权利要求1所述的红细胞重叠的分割计数方法,其特征在于,所述方法还包括:
将标注后的待检测图片设置为一类标签数据;
并将该类标签数据扩充到Mask_rcnn网络模型的数据集中。
4.如权利要求1所述的红细胞重叠的分割计数方法,其特征在于,所述对所述待检测图片进行红细胞重叠区域标注的步骤,包括:
采用深度学习标注工具,对所述待检测图片进行红细胞重叠区域标注。
5.如权利要求1、2、4中任一项所述的红细胞重叠的分割计数方法,其特征在于,所述获取所述预测结果中重叠红细胞的图片,并进行红细胞的分割的步骤,包括:
获取所述预测结果中重叠红细胞的图片;
采用二值化、分水岭、区域生长算法、区域分裂合并以及聚类分割算法中的至少一种进行红细胞的分割。
6.如权利要求5所述的红细胞重叠的分割计数方法,其特征在于,所述根据分割结果和红细胞的特征,获取重叠红细胞的第一数量,所述红细胞的特征包括红细胞的颜色和形态特征的步骤,包括:
获取所述红细胞的双凹形球体在所述待检测图片中所呈现的颜色特征和形态特征;
根据所获取的红细胞的特征获取重叠红细胞的第一数量。
7.如权利要求1、2、3、4、6任一项所述的红细胞重叠的分割计数方法,其特征在于,所述根据所述待检测图片上红细胞的第二数量和所述第一数量,计算所述待检测图片上的红细胞总数量的步骤,包括:
获取所述待检测图片上红细胞的第二数量,其中,所述第二数量中不包含重叠的红细胞数量;
将所述第二数量和所述第一数量之和作数所述待检测图片的红细胞总数量。
8.如权利要求2所述的红细胞重叠的分割计数方法,其特征在于,所述将所述红细胞放大图像作为待检测图片的步骤,包括:
将当前视野中所述红细胞放大图像作为待检测图片。
9.一种红细胞重叠的分割计数终端,其特征在于,所述红细胞重叠的分割计数终端包括处理器、以及通过通信总线与处理器连接的存储器;其中,
所述存储器,用于存储计算机程序;
所述处理器,用于执行计算机程序时,以实现如权利要求1至8中任一项所述的红细胞重叠的分割计数方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011527898.XA CN112614104B (zh) | 2020-12-22 | 2020-12-22 | 一种红细胞重叠的分割计数方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011527898.XA CN112614104B (zh) | 2020-12-22 | 2020-12-22 | 一种红细胞重叠的分割计数方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112614104A CN112614104A (zh) | 2021-04-06 |
CN112614104B true CN112614104B (zh) | 2023-07-14 |
Family
ID=75244051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011527898.XA Active CN112614104B (zh) | 2020-12-22 | 2020-12-22 | 一种红细胞重叠的分割计数方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614104B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343975A (zh) * | 2021-04-22 | 2021-09-03 | 山东师范大学 | 基于深度学习的白细胞分类系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796117A (zh) * | 2019-11-11 | 2020-02-14 | 湖南伊鸿健康科技有限公司 | 血细胞自动分析方法、系统、血细胞分析仪及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2757372B1 (en) * | 2011-09-16 | 2023-08-23 | AVE Science & Technology Co., Ltd. | Device and method for erythrocyte morphology analysis |
CN105809703B (zh) * | 2016-03-30 | 2018-10-30 | 福州大学 | 基于改进的分数阶微分及图论的粘连血细胞图像分割方法 |
CN108765371B (zh) * | 2018-04-25 | 2020-07-07 | 浙江大学 | 一种病理切片中非常规细胞的分割方法 |
CN109886179B (zh) * | 2019-02-18 | 2023-03-28 | 深圳视见医疗科技有限公司 | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 |
CN110501278B (zh) * | 2019-07-10 | 2021-04-30 | 同济大学 | 一种基于YOLOv3和密度估计的细胞计数方法 |
-
2020
- 2020-12-22 CN CN202011527898.XA patent/CN112614104B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796117A (zh) * | 2019-11-11 | 2020-02-14 | 湖南伊鸿健康科技有限公司 | 血细胞自动分析方法、系统、血细胞分析仪及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112614104A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020253629A1 (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
CN110659692B (zh) | 基于强化学习和深度神经网络的病理图像自动标注方法 | |
CN108416776B (zh) | 图像识别方法、图像识别装置、计算机产品和可读存储介质 | |
CN110866908B (zh) | 图像处理方法、装置、服务器及存储介质 | |
Tian et al. | Optimization in multi‐scale segmentation of high‐resolution satellite images for artificial feature recognition | |
CN110853022B (zh) | 病理切片图像的处理方法、装置、系统及存储介质 | |
CN106780522B (zh) | 一种基于深度学习的骨髓液细胞分割方法 | |
CN109416313A (zh) | 图像地图集系统和方法 | |
CN107808381A (zh) | 一种单细胞图像分割方法 | |
CN114219786B (zh) | 一种基于深度学习的染色体核型分析方法及系统 | |
CN110738132B (zh) | 一种具备判别性感知能力的目标检测质量盲评价方法 | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN107977624A (zh) | 一种语义分割方法、装置以及系统 | |
Chen et al. | AI-PLAX: AI-based placental assessment and examination using photos | |
CN113066080A (zh) | 切片组织识别方法、装置,细胞识别模型及组织分割模型 | |
CN112614104B (zh) | 一种红细胞重叠的分割计数方法及终端 | |
CN115526834A (zh) | 免疫荧光图像检测方法及装置、设备、存储介质 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及系统 | |
CN111599444A (zh) | 智能舌诊检测方法、装置、智能终端和存储介质 | |
CN113096080B (zh) | 图像分析方法及系统 | |
WO2021000674A1 (zh) | 细胞图片识别方法、系统、计算机设备及可读存储介质 | |
CN113435469A (zh) | 一种基于深度学习的肾肿瘤增强ct图像自动识别系统及其训练方法 | |
CN117372416A (zh) | 一种对抗训练的高鲁棒性数字病理切片诊断系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |