CN112750117A - 一种基于卷积神经网络的血液细胞图像检测与计数方法 - Google Patents
一种基于卷积神经网络的血液细胞图像检测与计数方法 Download PDFInfo
- Publication number
- CN112750117A CN112750117A CN202110055273.6A CN202110055273A CN112750117A CN 112750117 A CN112750117 A CN 112750117A CN 202110055273 A CN202110055273 A CN 202110055273A CN 112750117 A CN112750117 A CN 112750117A
- Authority
- CN
- China
- Prior art keywords
- network
- blood cell
- detection
- cell image
- neural network
- 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
- 210000000601 blood cell Anatomy 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 14
- 210000004027 cell Anatomy 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 210000001772 blood platelet Anatomy 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 210000003743 erythrocyte Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000000265 leukocyte Anatomy 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 230000001629 suppression Effects 0.000 abstract description 3
- 210000004369 blood Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 238000004820 blood count Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 239000002473 artificial blood Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002865 immune cell Anatomy 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 229920002239 polyacrylonitrile Polymers 0.000 description 1
- 201000006292 polyarteritis nodosa Diseases 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
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)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种基于卷积神经网络的血液细胞图像检测与计数方法，属于医学图像处理领域，包括：将获取的血液细胞图像数据集分为训练集、验证集、测试集，采用Mosaic算法对血细胞图像数据集进行增强；将图像输入CSPDarkNet53网络得到多个特征图，传入Neck网络提取融合特征；使用改进的YOLOv4对象检测算法对血液细胞图像进行预测；对预测边框进行置信度得分排序，通过非极大值抑制算法得出最后显示的预测边框；然后通过使用细胞的预测标签来对血液细胞计数；采用KNN和DIOU对检测模型的预测结果进行再次验证，消除血小板重复检测的问题。本发明实现了对血细胞准确快速地检测与计数，具有重大的实际应用价值。
Description
技术领域
本发明属于医学图像处理领域，涉及一种基于卷积神经网络的血液细胞图像检测与计数方法。
背景技术
血液细胞计数是检验科医生经常对患者进行健康状况评估的一项重要检查。血液细胞主要包含三种类型的细胞，分别为白细胞，红细胞和血小板。其中，血液中最常见的细胞是红细胞，占血液细胞总数的40％-45％；白细胞又称为白血球，仅占血液细胞总数的1％；血小板又称为血栓细胞，在血液中的数量占比也很大。红细胞主要的功能是为人体各组织输送氧气，因而红细胞数量会影响各组织接收的氧气的含量。血细胞是免疫细胞，对抗各种病理感染。血小板能帮助血液凝固。在人体血液中，这些血液细胞的数量是十分庞大，传统的人工血细胞计数是通过血细胞仪完成的，这种计数方式不仅非常耗时，而且误差也很大。在很多情况下，血细胞计数准确率很大程度上依赖于临床检验科医生的经验。因此，提出从血液涂片图像中自动计数不同血液细胞的方法可以大大提升整个计数过程的效率。
随着科学技术的快速发展，深度学习在图像处理中应用越来越广泛，它能够显著地提升图像识别精度。因此，许多领域都开始引入基于深度学习的方法，特别是深度学习方法在医学图像处理中得到了广泛地应用，比如胸部X射线图像中异常检测和定位、心脏MRI中左心室的自动分割、视网膜眼底图像中糖尿病视网膜病变的检测以及心电信号图像中心率异常的检测。目前尚未有应用基于深度学习的方法对血液细胞图像中血液细胞的识别和计数的研究。
发明内容
有鉴于此，本发明的目的在于克服传统血细胞检测与计数方法不足，提供一种基于卷积神经网络的血液细胞图像检测与计数方法，通过基于改进YOLOv4的血液细胞检测与计数方法，提升对小目标区域检测的情况，获得较好的检测效果，提升血细胞计数准确率；在原有基础上融合Res2Net结构，提取更细粒度的特征，从而提升模型的识别准确度；采用KNN和DIOU消除血小板被重复检测的问题。
为达到上述目的，本发明提供如下技术方案：
一种基于卷积神经网络的血液细胞图像检测与计数方法，包括以下步骤：
S1：将获取的血液细胞图像数据集分为训练集、验证集、测试集，同时采用Mosaic算法对血细胞图像数据集进行增强；
S2：将输入图像输入CSPDarkNet53网络得到多个特征图，将所述特征图传入Neck网络；
S3：通过Neck网络提取融合特征；
S4：使用YOLOv4对象检测算法对血液细胞图像进行预测，同时采用适当的置信度阈值消除虚假预测；
S5：取出步骤S4得到的每一类血液细胞置信度得分大于一定阈值的预测边框进行置信度得分排序，利用预测边框的位置和置信度得分进行非极大抑制，得出概率最大的预测边框，也就是最后显示的预测边框；将生成的矩形预测边框通过计算转换为圆形预测边框，即：将左上角和右下角的坐标转换为半径和圆心；然后通过使用细胞的标签来对血细计数；
S6：采用K-最近邻(K-NearestNeighbor,KNN)算法和DIOU(DistanceIntersection over Union)对检测模型的预测结果进行再次验证，消除血小板重复检测的问题。
进一步，步骤S2中所述CSPDarkNet53网络包含72个卷积层、Mish激活函数以及降低过拟合的Dropblock模块。
进一步，步骤S2中所述输入图像经过CSPDarkNet53网络后得到大小为76*76、38*38、19*19的特征图。
进一步，步骤S2中所述CSPDarkNet53网络的卷积公式为：
其中，Wi,j是n*n大小的卷积核位于i,j处的元素；Ii',j'是与卷积核元素对应位置的像素值；
所述CSPDarkNet53网络的Mish激活函数为：
f(x)Mish＝x*tanh(ln(1+ex)) (2)。
进一步，所述Neck网络包括空间金字塔池化模块(Spatial Pyramid Pooling,SPP)、特征金字塔网络(Feature Pyramid Network,FPN)以及金字塔注意力网络(PyramidAttention Network,PAN)；
在所述SPP模块中，使用K＝{1*1,5*5,9*9,13*13}的最大池化的方式，再将不同尺度的特征图进行堆叠操作；
所述FPN层自顶向下传达强语义特征，所述PAN则自底向上传达强定位特征；
所述Neck网络针对三种检测对象：白细胞、红细胞、血小板，输出的三个特征层的shape分别为(76,76,24)、(38,38,24)、(19,19,24)。
进一步，步骤S4中，所述YOLOv4对象检测算法分别将整幅图分为19x19、38x38、76x76的网格，每个网络点负责一个区域的检测。
进一步，步骤S5中，计算得出最后显示的预测边框坐标bx和by，以及宽高bw和bh，得到预测边框的位置，计算公式为：
bx＝σ(tx)+cx (3)
by＝σ(ty)+cy (4)
σ(to)＝Pr(object)*IOU(b,object) (7)
其中，(cx,cy)表示该点所在网格的左上角距离最左上角相差的格子数，(pw,ph)为先验框的宽和高，(tx,ty)基于矩形框中心点左上角格点坐标的偏移量，(tw,th)为预测边框的宽和高，to为置信度，σ(·)是激活函数，采用Sigmoid函数，概率在[0,1]之间，最终得到的预测边框坐标值是(bx,by,bw,bh)而网络学习目标是(tx,ty,tw,th)。
进一步，步骤S6中，使用KNN查找最近的血小板，应用DIOU计算已检测的血小板和与它相邻最近的血小板之间的重叠区，如果重叠区大于10％，判为重复检测。
本发明的有益效果在于：本发明为了解决待检测血细胞图像尺度变化较大的问题，降低漏检率，通过分析模型中间特征图的特点，提出了Res2Net融合策略，以提取更细粒度的特征，从而增强对各尺度血液细胞图像的检测能力。针对细胞位置预测问题，通过采用非极大抑制和改进血细胞位置回归算法，可以避免因误差过大而造成的震荡问题，同时可以加快目标函数在最优解附近快速收敛。为了解决深层网络造成的过拟合问题，本模型通过引入了Dropblock模块以及对网络的正则化过程进行全面的改进去避免过拟合。针对模型对血小板重复检测的问题，本发明通过采用KNN和DIOU对模型进一步改进，通过对测试图像进行实验对比，证明其有效性。本发明利用tensorflow框架搭建该识别模型，该模型由CSPDarkNet53网络，空间金字塔池化(SPP)，金字塔注意力网络(PANet)以及预测窗口与预测类别输出层组成。本发明在YOLO模型中融合了结构简单、性能优秀的Res2Net网络，进一步提升了网络在更细粒度级别的多尺度表示能力，因而可以显著提升网络的识别准确度。针对目标血细胞位置预测，本发明提出了对数抑制方法，改进了目标血液细胞位置回归算法。同时，对于检测模型同一血小板多次检测的问题，提出了基于K-最近邻算法(KNN)与DIOU的验证算法消除重复检测的问题。最终达到了在提高检测速度的同时保证了检测精度的目的。本发明实现了对血液细胞准确快速地检测与计数，具有重大的实际应用价值。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明血液细胞图像检测与计数系统框图；
图2为本发明血液细胞图像检测与计数模型训练流程图；
图3为融合Res2Net的YOLOv4网络结构图；
图4为本发明所提算法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，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的具体含义。
如图1-4所示，为一种基于卷积神经网络的血液细胞图像检测与计数方法，包括以下步骤：
步骤S1：将获取的血液细胞图像数据集采用Mosaic算法对血液细胞图像数据集进行增强，采用这个方法可以丰富检测数据集，并且因为随机缩放增加了很多小目标，将会提升模型的稳健性；
步骤S2：将血液细胞图像输入CSPDarkNet53网络，该网络包含72个卷积层、Mish激活函数以及降低过拟合的Dropblock模块。血液细胞图像经过该网络后得到的特征图，分别传入Neck网络；
步骤S3：将步骤S2的特征图输入Neck网络是为了更好的提取融合特征。该网络包括SPP、FPN和PAN。在SPP模块中，使用K＝{1*1,5*5,9*9,13*13}的最大池化的方式，再将不同尺度的特征图进行Concat操作。通过结合FPN和PAN可以提取融合特征。该网络输出的三个特征层的shape分别为(76,76,24)、(38,38,24)、(19,19,24)；
步骤S4：由于步骤S3得到的特征层通过YOLO Head预测结果并不对应着最终的预测框在图片上的位置，因此还需要解码才可以完成。本实施例采用YOLO4进行预测，YOLO4的结构如图3所示，YOLO4的预测原理是分别将整幅图分为19x19、38x38、76x76的网格，每个网络点负责一个区域的检测。解码过程就是计算得出最后显示的边界框的坐标bx和by，以及宽高bw和bh，这样就可以得出边界框的位置(最终得到的边框坐标值是(bx,by,bw,bh)而网络学习目标是(tx,ty,tw,th))。
步骤S5：取出步骤S4得到每一类血液细胞置信度得分大于一定阈值的预测框进行置信度得分排序，利用框的位置和得分进行非极大抑制。最后可以得出概率最大的边界框，也就是最后显示出的预测框。由于血细胞的形状并不是矩形的而是接近于圆形，因此矩形框占据的冗余空间比较多。需要将生成的矩形框通过计算转换为圆形框，以便更好的标注已检测的血液细胞。该计算是将左上角和右下角的坐标转换为半径和圆心。然后，通过使用细胞的预测标签来对血液细胞计数；
步骤S6：由于本文所采用的方法可能会从两个连续的网格单元中检测到同一个血小板，造成同一血小板被重复检测两次。因此，采用KNN算法和DIOU对检测模型的预测结果进行再次验证，可以消除血小板重复检测的问题，因而可以进一步提升模型的识别准确率。
具体运用：
步骤1：输入待检测的血液细胞图像，导入已训练的权值；
步骤2：使用改进的YOLOv4对象检测算法对血液细胞图像进行预测，同时采用适当的置信度阈值消除虚假预测；
步骤3：遍历所有的细胞预测，记录每个细胞预测框的值；
步骤4：使用KNN查找最近的血小板，应用DIOU计算已检测的血小板和与它相邻最近的血小板之间的重叠区，如果重叠区大于10％，判为重复检测；
步骤5：根据检测得到的标签计算红细胞、白细胞以及血小板的数量；
步骤6：通过预测框左上角与右下角的坐标计算出圆形框的圆心坐标和半径，并在图像上绘制圆形边界框，同时写上对应细胞的标签。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：包括以下步骤：
S1：将获取的血液细胞图像数据集分为训练集、验证集、测试集，同时采用Mosaic算法对血细胞图像数据集进行增强；
S2：将输入图像输入改进的CSPDarkNet53网络得到多个特征图，将所述特征图传入Neck网络；
S3：通过Neck网络提取融合特征；
S4：使用YOLOv4对象检测算法对血液细胞图像进行预测，同时采用适当的置信度阈值消除虚假预测；
S5：取出步骤S4得到的每一类置信度得分大于一定阈值的预测边框进行置信度得分排序，利用预测边框的位置和置信度得分进行非极大抑制，得出概率最大的预测边框，也就是最后显示的预测边框；将生成的矩形预测边框通过计算转换为圆形预测边框，即：将左上角和右下角的坐标转换为半径和圆心；然后通过使用细胞的标签来对血液细胞计数；
S6：采用K-最近邻算法和DIOU对检测模型的预测结果进行再次验证，消除血小板重复检测的问题。
2.根据权利要求1所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S2中所述CSPDarkNet53网络包含72个卷积层、Mish激活函数以及降低过拟合的Dropblock模块。
3.根据权利要求2所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S2中所述输入图像经过CSPDarkNet53网络后得到大小为76*76、38*38、19*19的特征图。
4.根据权利要求2所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S2中所述CSPDarkNet53网络的卷积公式为：
其中，Wi,j是n*n大小的卷积核位于i,j处的元素；Ii',j'是与卷积核元素对应位置的像素值；
所述CSPDarkNet53网络的Mish激活函数为：
f(x)Mish＝x*tanh(ln(1+ex)) (2)。
5.根据权利要求1所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：所述Neck网络包括空间金字塔池化模块SPP、特征金字塔网络FPN以及金字塔注意力网络PAN；
在所述SPP模块中，使用K＝{1*1,5*5,9*9,13*13}的最大池化的方式，再将不同尺度的特征图进行堆叠操作；
所述FPN层自顶向下传达强语义特征，所述PAN则自底向上传达强定位特征；
所述Neck网络针对三种检测对象：白细胞、红细胞、血小板，输出的三个特征层的shape分别为(76,76,24)、(38,38,24)、(19,19,24)。
6.根据权利要求1所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S4中，所述YOLOv4对象检测算法分别将整幅图分为19x19、38x38、76x76的网格，每个网络点负责一个区域的检测。
7.根据权利要求2所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S5中，计算得出最后显示的预测边框坐标bx和by，以及宽高bw和bh，得到预测边框的位置，计算公式为：
bx＝σ(tx)+cx (3)
by＝σ(ty)+cy (4)
σ(to)＝Pr(object)*IOU(b,object) (7)
其中，(cx,cy)表示该点所在网格的左上角距离最左上角相差的格子数，(pw,ph)为先验框的宽和高，(tx,ty)基于矩形框中心点左上角格点坐标的偏移量，(tw,th)为预测边框的宽和高，to为置信度，σ(·)是激活函数，采用Sigmoid函数，概率在[0,1]之间，最终得到的预测边框坐标值是(bx,by,bw,bh)而网络学习目标是(tx,ty,tw,th)。
8.根据权利要求2所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S6中，使用KNN查找最近的血小板，应用DIOU计算已检测的血小板和与它相邻最近的血小板之间的重叠区，如果重叠区大于10％，判为重复检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110055273.6A CN112750117B (zh) | 2021-01-15 | 2021-01-15 | 一种基于卷积神经网络的血液细胞图像检测与计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110055273.6A CN112750117B (zh) | 2021-01-15 | 2021-01-15 | 一种基于卷积神经网络的血液细胞图像检测与计数方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112750117A true CN112750117A (zh) | 2021-05-04 |
| CN112750117B CN112750117B (zh) | 2024-01-26 |
Family
ID=75652119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110055273.6A Active CN112750117B (zh) | 2021-01-15 | 2021-01-15 | 一种基于卷积神经网络的血液细胞图像检测与计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112750117B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222982A (zh) * | 2021-06-02 | 2021-08-06 | 上海应用技术大学 | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 |
| CN113284164A (zh) * | 2021-05-19 | 2021-08-20 | 中国农业大学 | 虾群自动计数方法、装置、电子设备及存储介质 |
| CN113592825A (zh) * | 2021-08-02 | 2021-11-02 | 安徽理工大学 | 一种基于yolo算法的煤矸实时检测方法 |
| CN114300099A (zh) * | 2021-11-24 | 2022-04-08 | 大连工业大学 | 一种基于YOLOv5和显微高光谱图像的异型淋巴细胞分型方法 |
| CN114627123A (zh) * | 2022-05-16 | 2022-06-14 | 湖南工商大学 | 综合双流加权网络和空间注意力机制的白带细胞检测方法 |
| CN116664550A (zh) * | 2023-07-10 | 2023-08-29 | 广州医科大学附属第一医院（广州呼吸中心） | 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017101803A4 (en) * | 2017-12-24 | 2018-02-15 | Chen, Mufei MS | Deep learning based image classification of dangerous goods of gun type |
| CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
| AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
| CN110659718A (zh) * | 2019-09-12 | 2020-01-07 | 中南大学 | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 |
| CN111079540A (zh) * | 2019-11-19 | 2020-04-28 | 北航航空航天产业研究院丹阳有限公司 | 一种基于目标特性的分层可重构车载视频目标检测方法 |
| US20200160110A1 (en) * | 2018-10-13 | 2020-05-21 | Applied Research, LLC | Method and System for Object Tracking and Recognition Using Low Power Compressive Sensing Camera in Real-Time Applications |
| AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| CN111985365A (zh) * | 2020-08-06 | 2020-11-24 | 合肥学院 | 一种基于目标检测技术的秸秆焚烧监测方法和系统 |
-
2021
- 2021-01-15 CN CN202110055273.6A patent/CN112750117B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017101803A4 (en) * | 2017-12-24 | 2018-02-15 | Chen, Mufei MS | Deep learning based image classification of dangerous goods of gun type |
| US20200160110A1 (en) * | 2018-10-13 | 2020-05-21 | Applied Research, LLC | Method and System for Object Tracking and Recognition Using Low Power Compressive Sensing Camera in Real-Time Applications |
| CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| CN110659718A (zh) * | 2019-09-12 | 2020-01-07 | 中南大学 | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 |
| AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
| AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
| CN111079540A (zh) * | 2019-11-19 | 2020-04-28 | 北航航空航天产业研究院丹阳有限公司 | 一种基于目标特性的分层可重构车载视频目标检测方法 |
| CN111985365A (zh) * | 2020-08-06 | 2020-11-24 | 合肥学院 | 一种基于目标检测技术的秸秆焚烧监测方法和系统 |
Non-Patent Citations (7)
| Title |
|---|
| FILIP NOVOSELNIK 等: "Automatic White Blood Cell Detection and Identification Using Convolutional Neural Network", IEEE * |
| ZHANG SHUO 等: "Tiny YOLO Optimization Oriented Bus Passenger Object Detection", CHINESE JOURNAL OF ELECTRONICS, no. 01 * |
| 孙红 等: "农业信息成像感知与深度学习应用研究进展", 农业机械学报, no. 05 * |
| 徐子睿;刘猛;谈雅婷;: "基于YOLOv4的车辆检测与流量统计研究", 现代信息科技, no. 15 * |
| 徐晓涛 等: "基于YOLO框架的血细胞自动计数研究", 计算机工程与应用, no. 14 * |
| 管军霖 等: "基于YOLOv4卷积神经网络的口罩佩戴检测方法", 现代信息科技, no. 11 * |
| 薛月菊 等: "未成熟芒果的改进YOLOv2识别方法", 农业工程学报, no. 07 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113284164A (zh) * | 2021-05-19 | 2021-08-20 | 中国农业大学 | 虾群自动计数方法、装置、电子设备及存储介质 |
| CN113222982A (zh) * | 2021-06-02 | 2021-08-06 | 上海应用技术大学 | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 |
| CN113592825A (zh) * | 2021-08-02 | 2021-11-02 | 安徽理工大学 | 一种基于yolo算法的煤矸实时检测方法 |
| CN114300099A (zh) * | 2021-11-24 | 2022-04-08 | 大连工业大学 | 一种基于YOLOv5和显微高光谱图像的异型淋巴细胞分型方法 |
| CN114627123A (zh) * | 2022-05-16 | 2022-06-14 | 湖南工商大学 | 综合双流加权网络和空间注意力机制的白带细胞检测方法 |
| CN116664550A (zh) * | 2023-07-10 | 2023-08-29 | 广州医科大学附属第一医院（广州呼吸中心） | 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 |
| CN116664550B (zh) * | 2023-07-10 | 2024-04-12 | 广州医科大学附属第一医院（广州呼吸中心） | 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112750117B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112750117B (zh) | 一种基于卷积神经网络的血液细胞图像检测与计数方法 | |
| CN108364006B (zh) | 基于多模式深度学习的医学图像分类装置及其构建方法 | |
| US11446008B2 (en) | Automated ultrasound video interpretation of a body part with one or more convolutional neural networks | |
| Manickam et al. | Automated pneumonia detection on chest X-ray images: A deep learning approach with different optimizers and transfer learning architectures | |
| KR101846370B1 (ko) | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 | |
| Hussain et al. | Cascaded regression neural nets for kidney localization and segmentation-free volume estimation | |
| Tang et al. | An end-to-end framework for integrated pulmonary nodule detection and false positive reduction | |
| CN110838114B (zh) | 肺结节检测方法、装置及计算机存储介质 | |
| Lan et al. | Run: Residual u-net for computer-aided detection of pulmonary nodules without candidate selection | |
| Zhang et al. | Attention-based multi-model ensemble for automatic cataract detection in B-scan eye ultrasound images | |
| Radha | Analysis of COVID-19 and pneumonia detection in chest X-ray images using deep learning | |
| Li et al. | PNet: An efficient network for pneumonia detection | |
| Kumar et al. | Recent advances in machine learning for diagnosis of lung disease: A broad view | |
| Rjiba et al. | CenterlineNet: Automatic coronary artery centerline extraction for computed tomographic angiographic images using convolutional neural network architectures | |
| Chouat et al. | Lung disease detection in chest x-ray images using transfer learning | |
| Hellmann et al. | Deformable dilated faster R-CNN for universal lesion detection in CT images | |
| Mu et al. | Automatic calcaneus fracture identification and segmentation using a multi-task U-Net | |
| Pandey et al. | An analysis of pneumonia prediction approach using deep learning | |
| CN112614091A (zh) | 一种针对先心病的超声多切面数据检测方法 | |
| An et al. | Faster R-CNN for detection of carotid plaque on ultrasound images | |
| Ishwerlal et al. | Lung disease classification using chest X ray image: An optimal ensemble of classification with hybrid training | |
| CN115063657B (zh) | 基于异构特征融合的缺血性脑卒中发病风险预测模型 | |
| CN116934757B (zh) | 一种用于肺结节假阳性删减的方法、设备及存储介质 | |
| Wu et al. | An improved attention mechanism based YOLOv4 structure for lung nodule detection | |
| Shorfuzzaman et al. | Research Article Artificial Neural Network-Based Deep Learning Model for COVID-19 Patient Detection Using X-Ray Chest Images |
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 |
Effective date of registration: 20231229 Address after: 450000, Floor 5, Building 5, Zhongyuan Financial Industrial Park, No. 56 Mingli Road, Zhengzhou Area (Zhengdong), Henan Pilot Free Trade Zone, Zhengzhou City, Henan Province Applicant after: Henan Zhongkang Medical Laboratory Co.,Ltd. Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant before: Shenzhen Hongyue Information Technology Co.,Ltd. Effective date of registration: 20231229 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Hongyue Information Technology Co.,Ltd. Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |