CN112733873A - 一种基于深度学习的染色体核型图分类方法及装置 - Google Patents
一种基于深度学习的染色体核型图分类方法及装置 Download PDFInfo
- Publication number
- CN112733873A CN112733873A CN202011008279.XA CN202011008279A CN112733873A CN 112733873 A CN112733873 A CN 112733873A CN 202011008279 A CN202011008279 A CN 202011008279A CN 112733873 A CN112733873 A CN 112733873A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- karyotype
- image
- chromosome karyotype
- classification
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于染色体分析技术领域,具体涉及一种基于深度学习的染色体核型图分类方法。其公开了一种基于深度学习的染色体核型图分类方法,包括以下步骤,S1:对待分类的染色体核型图进行缩放或扩大处理、归一化处理,获得染色体核型图的输入图像;S2:将染色体核型图输入图像输入至染色体异常核型图分类模型中,获得染色体核型图的特征图;S3:利用注意力机制处理染色体核型图的特征图,得到染色体异常核型图分类模型对于染色体核型图输入图像的关注点,并将模型关注点的结果同染色体核型图特征图进行融合;S4:将融合后的特征图展开为一维向量,通过全连接层后得到染色体核型图的输入图像在每个分类类别上的得分,取得分最高的那一类为分类结果。
Description
技术领域
本发明属于染色体分析技术领域,具体涉及一种基于深度学习的染色体核型图分类方法。
背景技术
随着使用深度神经网络对图像进行分类是一个非常有效的并且非常实用的分类方法,比如对垃圾分类处理,在生物医学领域目前也有大量的医学图像可以用深度神经网络对图像进行分类。在医学领域中,可视化的染色体对于药物开发,生物医学的实验具有非常重要的作用,比如说,有一些疾病总与某一条或者多条特定的染色体或者染色体的数量有关,而染色体核型图能对染色体形状,数量等进行分析,在生殖细胞的检测的过程中具有重要的意义。然而,在染色体核型图中,不同个体的差异导致不同的染色体核型图中单个染色体的形态差异较大,并且对于异常的染色体,其形态特征变化一般比较细微,需要专业的医师来进行阅片处理,再加上阅片数量较多,这给染色体核型图异常的分类带来了极大地挑战。
传统的染色体核型图异常分类方法包括基于形态学腐蚀和膨胀的,基于形态学轮廓分析的,然而这些方法都有其限制的使用范围,对于目标染色体的形状和成像模式具有较高的要求,由于染色体形态的多样性以及个体的差异性很容易形成难以分类的困难样本,在某些情况下任然需要人们手工进行分类。
申请号为2009100377257的发明专利公开了一种交叉重叠染色体的分割方法,申请号为 2008102188151的发明专利公开了一种X型交叠、粘连染色体自动分割方法,这两种分割方法均是采用传统的图像处理方法进行处理的,这些方法使用范围均受限。
发明内容
针对上述背景技术所提出的问题,本发明的目的是提供一种基于深度学习的染色体异常核型图分类方法及装置,该染色体异常核型图分类方法及装置不依赖染色体核型图中特定的染色体的形态模式,具有较高的泛化能力,从染色体核型图中染色体的形态结构入手,兼具染色体全局形态以及基本特征,能够有效地解决染色体异常核型图的分类问题。
为实现上述技术目的,本发明采用的技术方案如下:
一种基于深度学习的染色体核型图分类方法,包括以下步骤,
S1:对待分类的染色体核型图进行缩放或扩大处理、归一化处理,获得染色体核型图的输入图像;
S2:将染色体核型图输入图像输入至染色体异常核型图分类模型中,利用染色体异常核型图分类模型对染色体核型图输入图像进行特征提取,获得染色体核型图的特征图;
S3:利用注意力机制处理染色体核型图的特征图,得到染色体异常核型图分类模型对于染色体核型图输入图像的关注点,并将模型关注点的结果同染色体核型图特征图进行融合;
S4:将融合后的特征图展开为一维向量,通过全连接层后得到染色体核型图的输入图像在每个分类类别上的得分,取得分最高的那一类为染色体核型图输入图像的分类结果。
作为本发明的一种优选方案,所述S1中对待分类的染色体核型图进行预处理的过程中,首先,将染色体核型图进行缩放或扩大到长和宽均为设定的像素n;然后,对缩放或扩大处理后的染色体核型图进行像素归一化处理,即利用公式(1)~(3)获得的归一化结果;
其中,μ是全部图像像素值的平均值,σ是全部图像像素值的标准差,xi是重叠染色体图像的第i个像素值,N是重叠染色体图像的像素总个数,为处理后的第i个像素值,为第 i个最终像素值;根据获得归一化处理的重叠染色体图像,即重叠染色体输入图像。
作为本发明的一种优选方案,所述S1中,将染色体核型图进行缩放或者扩大到长和宽均为n像素为采用双线性插值法对重叠染色体图像进行扩大处理,和采用最近邻插值法对重叠染色体图像进行缩放处理。
作为本发明的一种优选方案,所述S2中,染色体核型图特征图提取模型是以resnet-18 网络为网络基础,利用训练样本训练得到。
作为本发明的一种优选方案,所述S2中,所述resnet-18网络上半部分为特征提取层,由一个7*7卷积层和四层残差模块组组成,每个残差模块组包含两个残差模块,每组中的两个残差模块的通道数均相同,Layer1残差模块组卷积层为64通道,后续每一组残差模块的通道数均为前一组的两倍,Layer4残差模块组卷积层为512通道,所述染色体核型图的网络输入图像经过特征提取层后,特征图通道数变为512通道,特征图的长和宽分别降至染色体核型图网络输入图像尺寸的四分之一。
作为本发明的一种优选方案,所述S3中,注意力机制对于特征图的处理包括:
S301:对得到的特征图依次通过1*1卷积和sigmoid函数处理,得到单通道的染色体核型图特征热图;
S302:将得到的染色体核型图特征热图利用单层特征图重叠方法还原至原特征图的通道数,并将还原后的特征热图和原特征图进行特征图的融合。
一种基于深度学习染色体异常核型图分类装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中存有染色体核型图分类模型,所述计算机处理器执行所述计算机程序时实现如权利要求 1~5任一项所述的基于深度学习染色体异常核型图分类方法。
与现有技术相比,本发明具有益效果:
本发明使用染色体异常核型图分类模型对染色体核型图进行分类,该分类模型使用注意力机制,让用于染色体异常核型图分类的网络模型在兼具染色体核型图的全局形态以及基本特征下,更加关注核型图中的染色体部分及其可能出现的染色体异常,因此能在较大程度上提升染色体异常核型图模型的分类准确率,同时也具有较强的泛化能力。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明;
图1是实施例提供的基于深度学习染色体异常核型图分类方法的流程示意图;
图2是实施例提供的残差网络模型示意图;
图3是实施例提供的添加了注意力机制的resnet-18分类模型的结构示意图;
具体实施方式
为了使本领域的技术人员可以更好地理解本发明,下面结合附图和实施例对本发明技术方案进一步说明。
如图1所示,本实施例提供的基于深度学习染色体异常核型图分类方法,包括以下步骤,
S1:对待分类的染色体核型图进行缩放或扩大处理、归一化处理,获得染色体核型图输入图像;
对待分类的染色体核型图进行预处理的过程包括:首先,将染色体核型图进行缩放或者扩大到长和宽均为n像素(例如,n可以为512,即将染色体核型图进行缩放或者扩大到长和宽均为512像素),具体的,可以采用最近邻插值法对图像进行缩放处理,采用双线性插值法对图像进行缩放处理。然后,对缩放或者扩大处理后的图像进行像素归一化处理,即利用公式(1)~(3)获得的归一化结果;
其中,μ是全部图像像素值的平均值,σ是全部图像像素值的标准差,xi是重叠染色体图像的第i个像素值,N是重叠染色体图像的像素总个数,为处理后的第i个像素值,为第 i个最终像素值;根据获得归一化处理的重叠染色体图像,即重叠染色体输入图像;
S2:将染色体核型图输入图像输入至染色体异常核型图分类模型中,利用染色体异常核型图分类模型对染色体核型图输入图像进行特征提取,获得染色体核型图的特征图;其中染色体核型图的特征提取模型是以resnet-18为网络基础,利用训练样本训练得到;
如图2所示,Resnet网络中的残差模块Basic Block,由两个n通道的3*3卷积层组成,每个通过卷积层后的数据进行批归一化和非线性激活处理;具体的,上一层得到的输出x首先经过第一个3*3卷积,经过批归一化和非线性激活后,再经过第二个同样的3*3卷积层,先进行批归一化操作,然后与上一层的输入x相加后经非线性激活后作为本残差模块的输出;
如图3所示,添加了注意力机制的resnet-18网络上半部分为特征提取层,由一个7*7 卷积层和四层残差模块组组成,每个残差模块组包含两个图2所示的残差模块,每组中的两个残差模块的通道数均相同,Layer1残差模块组卷积层为64通道,后续每一组残差模块的通道数均为前一组的两倍,Layer4残差模块组卷积层为512通道;染色体核型图的网络输入图像经过特征提取层后,特征图通道数变为512通道,特征图的长和宽分别降至染色体核型图网络输入图像尺寸的四分之一;
S3:利用注意力机制处理S2过程之后得到的染色体核型图的特征图,从而得到染色体异常核型图分类模型对于染色体核型图输入图像的关注点,具体如图3所示,首先将所获得的 n通道特征图分别通过1*1卷积层和sigmoid函数处理,得到单通道的热图,即为模型的关注点,然后通过特征复制拼接的方法,将单通道热图拼接成n通道热图,最后将n通道热图同染色体核型图特征图进行融合之后,经过全局最大池化之后,得到了通过了注意力机制的特征提取图;
S4:通过S3得到了最终的染色体核型图的特征图之后,利用全连接层进行染色体核型图的分类,具体的,将S3提取的3维特征图张量展开为一个一维的张量,然后将一维张量同染色体核型图的分类类别进行全连接映射,以此来获得染色体核型图在每个类别下的得分,取得分最高的那一类为染色体核型图输入图像的分类结果。
本实施例中,使用了染色体异常核型图分类模型,其染色体异常核型图分类模型的建立步骤包括:
A1:对待分类的染色体核型图进行缩放或/和扩大处理、归一化处理,获得染色体核型图;
A2:构建训练集,将提前准备好的染色体核型图的数据集进行标注并按照7:3的比例划分训练集和验证集,同时注意到在染色体核型图数据集的训练集中,正常的染色体核型图的数量比异常的染色体核型图数量要多出3倍,通过复制的方式将训练集中异常的染色体核型图的数量扩展4倍,使异常染色体核型图的数量和正常的数量大致相同;然后对训练集中的染色体核型图进行缩放或者扩大以及归一化处理,获得能够输入至特征提取模型的染色体核型图的输入图像;
A3:获得训练样本后,对添加了注意力机制的resnet-18网络进行训练,获得染色体核型图分类模型;具体的训练过程为:
将归一化后的染色体核型图图像数据输入至分类网络中,为了提高训练速度,缩短训练时间,每批次添加多张图像到网络中进行训练,batch size取8,每个batch的输入的shape 为[8,3,512,512],由于对染色体核型图进行二分类,每批次中的每张染色体核型图在经过网络模型之后会得到会得到正常、异常两个类别的得分,网络输出的shape为[8,2],将网络的输出经过Softmax函数处理之后,取两个类别中得分较高的那个类别为模型最终预测的类别;在训练过程中使用交叉熵损失函数作为训练过程中的损失函数,使用Adam的优化方法,学习率为0.001,同时通过lr_scheduler的方法在训练过程中动态地调整学习率,直到模型收敛。
本实施例还提供了一种基于深度学习的染色体核型图分类装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其中,所述计算机存储器中存有染色体核型图分类模型,所述计算机处理器执行所述计算机程序时实现上述的基于深度学习的染色体核型图分类方法。
上述使用基于深度学习染色体异常核型图分类方法及装置,使用染色体异常核型图分类模型对染色体核型图进行分类,该分类模型使用注意力机制,让用于染色体异常核型图分类的网络模型在兼具染色体核型图的全局形态以及基本特征下,更加关注核型图中的染色体部分及其可能出现的染色体异常,因此能在较大程度上提升染色体异常核型图模型的分类准确率,同时也具有较强的泛化能力。
上述基于深度学习染色体异常核型图分类方法及装置,使用染色体异常核型图分类模型对染色体核型图进行分类,该分类模型使用注意力机制,让用于染色体异常核型图分类的网络模型在兼具染色体核型图的全局形态以及基本特征下,更加关注核型图中的染色体部分及其可能出现的染色体异常,因此能在较大程度上提升染色体异常核型图模型的分类准确率,同时也具有较强的泛化能力。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种基于深度学习的染色体核型图分类方法,其特征在于:包括以下步骤,
S1:对待分类的染色体核型图进行缩放或扩大处理、归一化处理,获得染色体核型图的输入图像;
S2:将染色体核型图输入图像输入至染色体异常核型图分类模型中,利用染色体异常核型图分类模型对染色体核型图输入图像进行特征提取,获得染色体核型图的特征图;
S3:利用注意力机制处理染色体核型图的特征图,得到染色体异常核型图分类模型对于染色体核型图输入图像的关注点,并将模型关注点的结果同染色体核型图特征图进行融合;
S4:将融合后的特征图展开为一维向量,通过全连接层后得到染色体核型图的输入图像在每个分类类别上的得分,取得分最高的那一类为染色体核型图输入图像的分类结果。
3.根据权利要求2所述的一种基于深度学习的染色体核型图分类方法,其特征在于:所述S1中,将染色体核型图进行缩放或者扩大到长和宽均为n像素为采用双线性插值法对重叠染色体图像进行扩大处理,和采用最近邻插值法对重叠染色体图像进行缩放处理。
4.根据权利要求1所述的一种基于深度学习的染色体核型图分类方法,其特征在于:所述S2中,染色体核型图特征图提取模型是以resnet-18网络为网络基础,利用训练样本训练得到。
5.根据权利要求4所述的一种基于深度学习的染色体核型图分类方法,其特征在于:所述S2中,所述resnet-18网络上半部分为特征提取层,由一个7*7卷积层和四层残差模块组组成,每个残差模块组包含两个残差模块,每组中的两个残差模块的通道数均相同,Layer1残差模块组卷积层为64通道,后续每一组残差模块的通道数均为前一组的两倍,Layer4残差模块组卷积层为512通道,所述染色体核型图的网络输入图像经过特征提取层后,特征图通道数变为512通道,特征图的长和宽分别降至染色体核型图网络输入图像尺寸的四分之一。
6.根据权利要求1所述的一种基于深度学习的染色体核型图分类方法,其特征在于:所述S3中,注意力机制对于特征图的处理包括:
S301:对得到的特征图依次通过1*1卷积和sigmoid函数处理,得到单通道的染色体核型图特征热图;
S302:将得到的染色体核型图特征热图利用单层特征图重叠方法还原至原特征图的通道数,并将还原后的特征热图和原特征图进行特征图的融合。
7.一种基于深度学习染色体异常核型图分类装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于:所述计算机存储器中存有染色体核型图分类模型,所述计算机处理器执行所述计算机程序时实现如权利要求1~5任一项所述的基于深度学习染色体异常核型图分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011008279.XA CN112733873A (zh) | 2020-09-23 | 2020-09-23 | 一种基于深度学习的染色体核型图分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011008279.XA CN112733873A (zh) | 2020-09-23 | 2020-09-23 | 一种基于深度学习的染色体核型图分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733873A true CN112733873A (zh) | 2021-04-30 |
Family
ID=75597221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011008279.XA Withdrawn CN112733873A (zh) | 2020-09-23 | 2020-09-23 | 一种基于深度学习的染色体核型图分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733873A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408533A (zh) * | 2021-08-23 | 2021-09-17 | 首都医科大学附属北京妇产医院 | 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备 |
CN115063796A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190026604A1 (en) * | 2017-07-19 | 2019-01-24 | Tata Consultany Services Limited | Crowdsourcing and deep learning based segmenting and karyotyping of chromosomes |
CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
CN110689036A (zh) * | 2018-07-06 | 2020-01-14 | 塔塔咨询服务有限公司 | 用于自动染色体分类的方法和系统 |
CN110728224A (zh) * | 2019-10-08 | 2020-01-24 | 西安电子科技大学 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
CN111047589A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种注意力增强的脑肿瘤辅助智能检测识别方法 |
CN111652167A (zh) * | 2020-06-09 | 2020-09-11 | 四川大学 | 一种染色体核型图像智能评价方法及系统 |
-
2020
- 2020-09-23 CN CN202011008279.XA patent/CN112733873A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190026604A1 (en) * | 2017-07-19 | 2019-01-24 | Tata Consultany Services Limited | Crowdsourcing and deep learning based segmenting and karyotyping of chromosomes |
CN110689036A (zh) * | 2018-07-06 | 2020-01-14 | 塔塔咨询服务有限公司 | 用于自动染色体分类的方法和系统 |
CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
CN110728224A (zh) * | 2019-10-08 | 2020-01-24 | 西安电子科技大学 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
CN111047589A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种注意力增强的脑肿瘤辅助智能检测识别方法 |
CN111652167A (zh) * | 2020-06-09 | 2020-09-11 | 四川大学 | 一种染色体核型图像智能评价方法及系统 |
Non-Patent Citations (2)
Title |
---|
YULEI QIN ET AL.: "Varifocal-Net: A Chromosome Classification Approach Using Deep Convolutional Networks", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
杨云 等: "结合线性迭代聚类和分割对抗的肺结节分割", 《计算机仿真》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408533A (zh) * | 2021-08-23 | 2021-09-17 | 首都医科大学附属北京妇产医院 | 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备 |
CN115063796A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
CN115063796B (zh) * | 2022-08-18 | 2022-11-15 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Surface defect detection of steel strips based on classification priority YOLOv3-dense network | |
US10984289B2 (en) | License plate recognition method, device thereof, and user equipment | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
JP2020009402A (ja) | 自動染色体分類のための方法及びシステム | |
US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
US9336430B2 (en) | Computer-assisted karyotyping | |
CN110415250B (zh) | 一种基于深度学习的重叠染色体分割方法及装置 | |
CN113728335A (zh) | 用于3d图像的分类和可视化的方法和系统 | |
CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测系统及方法 | |
CN109685765B (zh) | 一种基于卷积神经网络的x光片肺炎结果预测装置 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN111223084A (zh) | 一种染色体切割数据的处理方法、系统和存储介质 | |
US20240054760A1 (en) | Image detection method and apparatus | |
CN112733873A (zh) | 一种基于深度学习的染色体核型图分类方法及装置 | |
CN112836653A (zh) | 人脸隐私化方法、设备、装置及计算机存储介质 | |
CN113487610A (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN116363081A (zh) | 基于深度神经网络的胎盘植入mri征象检测分类方法及装置 | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 | |
CN113496148A (zh) | 一种多源数据融合方法及系统 | |
CN114742750A (zh) | 异常细胞检测方法、装置、终端设备及可读存储介质 | |
CN113536896B (zh) | 基于改进Faster RCNN的绝缘子缺陷检测方法、装置及存储介质 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN117274662A (zh) | 一种改进ResNeXt神经网络的轻量级多模态医学图像分类方法 | |
CN115880266A (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
KR101899729B1 (ko) | 세포핵 기반의 암 탐지 방법 및 암 탐지를 위한 위한 학습 방법 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210430 |