CN112614142A - 一种基于多通道图像融合的细胞弱标签制作方法及系统 - Google Patents
一种基于多通道图像融合的细胞弱标签制作方法及系统 Download PDFInfo
- Publication number
- CN112614142A CN112614142A CN202011560828.4A CN202011560828A CN112614142A CN 112614142 A CN112614142 A CN 112614142A CN 202011560828 A CN202011560828 A CN 202011560828A CN 112614142 A CN112614142 A CN 112614142A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- subgraph
- stacked
- segmenting
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了机器学习技术领域的一种基于多通道图像融合的细胞弱标签制作方法及系统,方法包括:步骤S10、获取染色细胞核图像以及染色细胞质图像;步骤S20、对染色细胞核图像进行二值化处理得到连通细胞子图;步骤S30、设定一面积阈值,基于面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像;步骤S40、基于堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图,利用分水岭算法基于细胞质子图对堆叠图像进行分割,得到第一分割结果;步骤S50、利用分水岭算法对非堆叠图像进行分割,得到第二分割结果;步骤S60、合并第一分割结果与第二分割结果得到染色细胞核图像的弱标签。本发明的优点在于:极大的提升了细胞弱标签的置信度。
Description
技术领域
本发明涉及机器学习技术领域,特别指一种基于多通道图像融合的细胞弱标签制作方法及系统。
背景技术
机器学习需要事先对训练的样本数据进行标注,而目前昂贵又耗时的手工标注已经成为进行高质量机器学习模型研究和应用的重要瓶颈。在机器学习中,采用高置信的标注数据(如人工标注)进行模型拟合训练的方式为监督学习,而采用相对低置信的标注数据(弱标注)的则为弱监督学习。在细胞的实例分割中,通过弱标注进行模型监督学习是降低成本推动研究的重要方式。
弱监督学习在语义分割中的常用的标注方法有Scribes、Box及Point等,但这些标注方法仅能大致标注出目标对象在图像中的位置,没有明确的边缘信息,而生成像素级弱标签的质量将直接影响分割模型的性能。
因此,如何提供一种基于多通道图像融合的细胞弱标签制作方法及系统,实现提升细胞弱标签的置信度,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于多通道图像融合的细胞弱标签制作方法及系统,实现提升细胞弱标签的置信度。
第一方面,本发明提供了一种基于多通道图像融合的细胞弱标签制作方法,包括如下步骤:
步骤S10、获取相同细胞群落的染色细胞核图像以及染色细胞质图像;
步骤S20、对所述染色细胞核图像进行二值化处理,获取二值化处理后的所述染色细胞核图像中的连通细胞子图;
步骤S30、设定一面积阈值,基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像;
步骤S40、基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图,利用分水岭算法基于所述细胞质子图对堆叠图像进行分割,得到第一分割结果;
步骤S50、利用分水岭算法对所述非堆叠图像进行分割,得到第二分割结果;
步骤S60、合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
进一步地,所述步骤S30具体包括:
步骤S31、设定一面积阈值,依次判断各所述连通细胞子图的面积是否大于面积阈值,若是,说明存在细胞堆叠区域,进入步骤S32;若否,说明不存在细胞堆叠区域,并结束流程;
步骤S32、利用外接矩形框选所述连通细胞子图,使用形心确定所述连通细胞子图的细胞堆叠区域,进而利用所述细胞堆叠区域对连通细胞子图进行分割,得到堆叠图像以及非堆叠图像。
进一步地,所述步骤S40中,所述分水岭算法基于H-minima自适应标志控制。
第二方面,本发明提供了一种基于多通道图像融合的细胞弱标签制作系统,包括如下模块:
细胞图像获取模块,用于获取相同细胞群落的染色细胞核图像以及染色细胞质图像;
连通细胞子图获取模块,用于对所述染色细胞核图像进行二值化处理,获取二值化处理后的所述染色细胞核图像中的连通细胞子图;
连通细胞子图分割模块,用于设定一面积阈值,基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像;
堆叠图像分割模块,用于基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图,利用分水岭算法基于所述细胞质子图对堆叠图像进行分割,得到第一分割结果;
非堆叠图像分割模块,用于利用分水岭算法对所述非堆叠图像进行分割,得到第二分割结果;
弱标签生成模块,用于合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
进一步地,所述连通细胞子图分割模块具体包括:
面积比对单元,用于设定一面积阈值,依次判断各所述连通细胞子图的面积是否大于面积阈值,若是,说明存在细胞堆叠区域,进入细胞堆叠区域确定单元;若否,说明不存在细胞堆叠区域,并结束流程;
细胞堆叠区域确定单元,用于利用外接矩形框选所述连通细胞子图,使用形心确定所述连通细胞子图的细胞堆叠区域,进而利用所述细胞堆叠区域对连通细胞子图进行分割,得到堆叠图像以及非堆叠图像。
进一步地,所述堆叠图像分割模块中,所述分水岭算法基于H-minima自适应标志控制。
本发明的优点在于:
通过融合染色细胞核图像以及染色细胞质图像的通道信息,结合分水岭算法,对染色细胞核图像中的连通细胞子图进行逐个的像素级分割,作为染色细胞核图像的弱标签,相对于传统的分割方法,极大的提升了细胞弱标签的置信度,利于提取出更加可靠、稳定的细胞图像。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于多通道图像信息融合的细胞弱标签制作方法的流程图。
图2是本发明一种基于多通道图像信息融合的细胞弱标签制作系统的结构示意图。
图3是本发明细胞弱标签提取过程示意图。
具体实施方式
请参照图1至图3所示,本发明一种基于多通道图像信息融合的细胞弱标签制作方法的较佳实施例,包括如下步骤:
步骤S10、获取相同细胞群落的染色细胞核图像以及染色细胞质图像;
步骤S20、对所述染色细胞核图像进行二值化处理,获取二值化处理后的所述染色细胞核图像中的连通细胞子图;
步骤S30、设定一面积阈值,基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像;
步骤S40、基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图,利用分水岭算法基于所述细胞质子图对堆叠图像进行分割,得到第一分割结果;分割前先将所述细胞质子图和堆叠图像进行平铺拼接;
步骤S50、利用分水岭算法对所述非堆叠图像进行分割,得到第二分割结果;
步骤S60、合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
所述步骤S30具体包括:
步骤S31、设定一面积阈值,依次判断各所述连通细胞子图的面积是否大于面积阈值,若是,说明存在细胞堆叠区域,进入步骤S32;若否,说明不存在细胞堆叠区域,并结束流程;
步骤S32、利用外接矩形框选所述连通细胞子图,使用形心确定所述连通细胞子图的细胞堆叠区域,进而利用所述细胞堆叠区域对连通细胞子图进行分割,得到堆叠图像以及非堆叠图像。
所述步骤S40中,所述分水岭算法基于H-minima自适应标志控制。
所述分水岭算法分割的过程如下:
定义的一个新的圆度度量指标FuzzyR,以每个h值所对应的候选分割结果中,各细胞的平均圆度最大值为聚类结果评价目标,将细胞堆叠区域最优h值的自适应选择问题转换为改进K-均值聚类分割算法的聚类数目优化问题。一旦堆叠区域最优h值确定,该h值对应的候选分割结果即为其最优分割结果。
首先,初始化j=1,对任一细胞堆叠区域进行距离变换,并采用分水岭算法进行初始分割,得到m个子分割区域,其中Cj={Cj(i),i=1,...,m}为Sj的第i个子分割区域,并获取Sj中m个子分割区域的区域邻接图(RAG)。同时,提取Sj中m个子区域的质心横坐标、纵坐标、区域灰度均值、区域灰度方差等特征,建立聚类样本集合F,四个特征的权重系数分别为0.25、0.25、0.3、0.2;若m=1,Sj即为最后分割结果;否则,Sj为细胞堆叠区域。当Sj为细胞堆叠区域时,设置h=0,opt_cluster=0。
若Nj(h)≥1&&Nj(h)≤Nj(h-1)时,以Nj(h)为聚类算法的聚类数目,以corej(h)候选种子区域质心点为初始聚类中心点,采用基于RAG改进K-均值聚类算法,生成包含Nj(h)个细胞的候选分割结果SRj(h)。否则,令h=h+Δh后再重复上一步的操作。最后计算候选分割结果SRj(h)中包含Nj(h)个细胞的平均圆度VFR(h)。平均圆度VFR(h)的计算方式如下:
表示选择h后以Nj(h)为聚类数目进行聚类区域合并得到的候选分割结果中各细胞平均圆度。其中圆度度量指标FuzzyR的定义如下:
如果opt_cluster<VFR(h),则opt-cluster=VFR(h), 即为Sj最后分割结果。令j=j+1并重复上述所有过程,直到j>n为止。满足优化目标opt_cluster的h为连通区域Sj自适应最优分割结果为
本发明一种基于多通道图像信息融合的细胞弱标签制作系统的较佳实施例,包括如下模块:
细胞图像获取模块,用于获取相同细胞群落的染色细胞核图像以及染色细胞质图像;
连通细胞子图获取模块,用于对所述染色细胞核图像进行二值化处理,获取二值化处理后的所述染色细胞核图像中的连通细胞子图;
连通细胞子图分割模块,用于设定一面积阈值,基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像;
堆叠图像分割模块,用于基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图,利用分水岭算法基于所述细胞质子图对堆叠图像进行分割,得到第一分割结果;分割前先将所述细胞质子图和堆叠图像进行平铺拼接;
非堆叠图像分割模块,用于利用分水岭算法对所述非堆叠图像进行分割,得到第二分割结果;
弱标签生成模块,用于合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
所述连通细胞子图分割模块具体包括:
面积比对单元,用于设定一面积阈值,依次判断各所述连通细胞子图的面积是否大于面积阈值,若是,说明存在细胞堆叠区域,进入细胞堆叠区域确定单元;若否,说明不存在细胞堆叠区域,并结束流程;
细胞堆叠区域确定单元,用于利用外接矩形框选所述连通细胞子图,使用形心确定所述连通细胞子图的细胞堆叠区域,进而利用所述细胞堆叠区域对连通细胞子图进行分割,得到堆叠图像以及非堆叠图像。
所述堆叠图像分割模块中,所述分水岭算法基于H-minima自适应标志控制。
所述分水岭算法分割的过程如下:
定义的一个新的圆度度量指标FuzzyR,以每个h值所对应的候选分割结果中,各细胞的平均圆度最大值为聚类结果评价目标,将细胞堆叠区域最优h值的自适应选择问题转换为改进K-均值聚类分割算法的聚类数目优化问题。一旦堆叠区域最优h值确定,该h值对应的候选分割结果即为其最优分割结果。
首先,初始化j=1,对任一细胞堆叠区域进行距离变换,并采用分水岭算法进行初始分割,得到m个子分割区域,其中Cj={Cj(i),i=1,...,m}为Sj的第i个子分割区域,并获取Sj中m个子分割区域的区域邻接图(RAG)。同时,提取Sj中m个子区域的质心横坐标、纵坐标、区域灰度均值、区域灰度方差等特征,建立聚类样本集合F,四个特征的权重系数分别为0.25、0.25、0.3、0.2;若m=1,Sj即为最后分割结果;否则,Sj为细胞堆叠区域。当Sj为细胞堆叠区域时,设置h=0,opt_cluster=0。
若Nj(h)≥1&&Nj(h)≤Nj(h-1)时,以Nj(h)为聚类算法的聚类数目,以corej(h)候选种子区域质心点为初始聚类中心点,采用基于RAG改进K-均值聚类算法,生成包含Nj(h)个细胞的候选分割结果SRj(h)。否则,令h=h+Δh后再重复上一步的操作。最后计算候选分割结果SRj(h)中包含Nj(h)个细胞的平均圆度VFR(h)。平均圆度VFR(h)的计算方式如下:
表示选择h后以Nj(h)为聚类数目进行聚类区域合并得到的候选分割结果中各细胞平均圆度。其中圆度度量指标FuzzyR的定义如下:
如果opt_cluster<VFR(h),则opt-cluster=VFR(h), 即为Sj最后分割结果。令j=j+1并重复上述所有过程,直到j>n为止。满足优化目标opt_cluster的h为连通区域Sj自适应最优分割结果为
综上所述,本发明的优点在于:
通过融合染色细胞核图像以及染色细胞质图像的通道信息,结合分水岭算法,对染色细胞核图像中的连通细胞子图进行逐个的像素级分割,作为染色细胞核图像的弱标签,相对于传统的分割方法,极大的提升了细胞弱标签的置信度,利于提取出更加可靠、稳定的细胞图像。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (6)
1.一种基于多通道图像融合的细胞弱标签制作方法,其特征在于:包括如下步骤:
步骤S10、获取相同细胞群落的染色细胞核图像以及染色细胞质图像;
步骤S20、对所述染色细胞核图像进行二值化处理,获取二值化处理后的所述染色细胞核图像中的连通细胞子图;
步骤S30、设定一面积阈值,基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像;
步骤S40、基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图,利用分水岭算法基于所述细胞质子图对堆叠图像进行分割,得到第一分割结果;
步骤S50、利用分水岭算法对所述非堆叠图像进行分割,得到第二分割结果;
步骤S60、合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
2.如权利要求1所述的一种基于多通道图像融合的细胞弱标签制作方法,其特征在于:所述步骤S30具体包括:
步骤S31、设定一面积阈值,依次判断各所述连通细胞子图的面积是否大于面积阈值,若是,说明存在细胞堆叠区域,进入步骤S32;若否,说明不存在细胞堆叠区域,并结束流程;
步骤S32、利用外接矩形框选所述连通细胞子图,使用形心确定所述连通细胞子图的细胞堆叠区域,进而利用所述细胞堆叠区域对连通细胞子图进行分割,得到堆叠图像以及非堆叠图像。
3.如权利要求1所述的一种基于多通道图像融合的细胞弱标签制作方法,其特征在于:所述步骤S40中,所述分水岭算法基于H-minima自适应标志控制。
4.一种基于多通道图像融合的细胞弱标签制作系统,其特征在于:包括如下模块:
细胞图像获取模块,用于获取相同细胞群落的染色细胞核图像以及染色细胞质图像;
连通细胞子图获取模块,用于对所述染色细胞核图像进行二值化处理,获取二值化处理后的所述染色细胞核图像中的连通细胞子图;
连通细胞子图分割模块,用于设定一面积阈值,基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像;
堆叠图像分割模块,用于基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图,利用分水岭算法基于所述细胞质子图对堆叠图像进行分割,得到第一分割结果;
非堆叠图像分割模块,用于利用分水岭算法对所述非堆叠图像进行分割,得到第二分割结果;
弱标签生成模块,用于合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
5.如权利要求4所述的一种基于多通道图像融合的细胞弱标签制作系统,其特征在于:所述连通细胞子图分割模块具体包括:
面积比对单元,用于设定一面积阈值,依次判断各所述连通细胞子图的面积是否大于面积阈值,若是,说明存在细胞堆叠区域,进入细胞堆叠区域确定单元;若否,说明不存在细胞堆叠区域,并结束流程;
细胞堆叠区域确定单元,用于利用外接矩形框选所述连通细胞子图,使用形心确定所述连通细胞子图的细胞堆叠区域,进而利用所述细胞堆叠区域对连通细胞子图进行分割,得到堆叠图像以及非堆叠图像。
6.如权利要求4所述的一种基于多通道图像融合的细胞弱标签制作系统,其特征在于:所述堆叠图像分割模块中,所述分水岭算法基于H-minima自适应标志控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560828.4A CN112614142B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多通道图像融合的细胞弱标签制作方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560828.4A CN112614142B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多通道图像融合的细胞弱标签制作方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112614142A true CN112614142A (zh) | 2021-04-06 |
CN112614142B CN112614142B (zh) | 2023-05-30 |
Family
ID=75245022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011560828.4A Active CN112614142B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多通道图像融合的细胞弱标签制作方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614142B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN110223305A (zh) * | 2019-06-12 | 2019-09-10 | 志诺维思(北京)基因科技有限公司 | 细胞分割方法、装置及可读存储介质 |
CN110400318A (zh) * | 2019-06-14 | 2019-11-01 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd4阳性细胞核分割方法及系统 |
CN110415255A (zh) * | 2019-06-14 | 2019-11-05 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
CN110458835A (zh) * | 2019-08-16 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备及介质 |
CN111210447A (zh) * | 2020-01-10 | 2020-05-29 | 福建师范大学 | 一种苏木精-伊红染色病理图像层次分割的方法及终端 |
WO2020252665A1 (zh) * | 2019-06-18 | 2020-12-24 | 香港理工大学 | 用于分割医学图像中的重叠细胞质的方法及系统 |
-
2020
- 2020-12-25 CN CN202011560828.4A patent/CN112614142B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN110223305A (zh) * | 2019-06-12 | 2019-09-10 | 志诺维思(北京)基因科技有限公司 | 细胞分割方法、装置及可读存储介质 |
CN110400318A (zh) * | 2019-06-14 | 2019-11-01 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd4阳性细胞核分割方法及系统 |
CN110415255A (zh) * | 2019-06-14 | 2019-11-05 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
WO2020252665A1 (zh) * | 2019-06-18 | 2020-12-24 | 香港理工大学 | 用于分割医学图像中的重叠细胞质的方法及系统 |
CN110458835A (zh) * | 2019-08-16 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备及介质 |
CN111210447A (zh) * | 2020-01-10 | 2020-05-29 | 福建师范大学 | 一种苏木精-伊红染色病理图像层次分割的方法及终端 |
Non-Patent Citations (1)
Title |
---|
丛培盛;孙建忠;: "分水岭算法分割显微图像中重叠细胞", 中国图象图形学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN112614142B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023083059A1 (zh) | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 | |
CN108364288A (zh) | 用于乳腺癌病理图像的分割方法和装置 | |
CN112884791B (zh) | 一种构建大规模遥感影像语义分割模型训练样本集的方法 | |
CN114492619B (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
CN116485785B (zh) | 一种太阳能电池片的表面缺陷检测方法 | |
CN109584253B (zh) | 油液磨粒图像分割方法 | |
CN102637298A (zh) | 基于高斯混合模型与支持向量机的彩色图像分割方法 | |
CN112766334A (zh) | 一种基于伪标签域适应的跨域图像分类方法 | |
CN105303169A (zh) | 一种基于慢特征的细胞分裂识别方法及其识别装置 | |
CN112766237A (zh) | 一种基于簇特征点聚类的无监督行人重识别方法 | |
CN115601307A (zh) | 一种细胞自动检测方法 | |
CN112949378A (zh) | 一种基于深度学习网络的细菌显微图像分割方法 | |
CN116630971A (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
CN115601747A (zh) | 一种贴壁细胞汇合度的计算方法和系统 | |
CN112215303B (zh) | 一种基于自学属性的图像理解方法及系统 | |
CN116310293B (zh) | 一种基于弱监督学习的生成高质量候选框目标检测方法 | |
CN117253071B (zh) | 基于多级伪标签增强的半监督目标检测方法及系统 | |
CN116524297B (zh) | 一种基于专家反馈的弱监督学习训练方法 | |
CN113378830A (zh) | 一种基于域适应的可自主学习数据标签生成方法 | |
CN108664968A (zh) | 一种基于文本选取模型的无监督文本定位方法 | |
CN110309727B (zh) | 一种建筑识别模型的建立方法、建筑识别方法和装置 | |
CN112614142A (zh) | 一种基于多通道图像融合的细胞弱标签制作方法及系统 | |
CN114743042B (zh) | 一种基于深度特征和TrAdaBoost的龙井茶品质鉴别方法 | |
CN114170218B (zh) | 一种染色体图像实例标签生成方法及系统 | |
CN115661904A (zh) | 数据标注和域适应模型训练方法、装置、设备及介质 |
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 |