CN112750132A - 基于双路径网络和通道注意的白细胞图像分割方法 - Google Patents
基于双路径网络和通道注意的白细胞图像分割方法 Download PDFInfo
- Publication number
- CN112750132A CN112750132A CN202110134463.7A CN202110134463A CN112750132A CN 112750132 A CN112750132 A CN 112750132A CN 202110134463 A CN202110134463 A CN 202110134463A CN 112750132 A CN112750132 A CN 112750132A
- Authority
- CN
- China
- Prior art keywords
- white blood
- blood cell
- characteristic
- leukocyte
- feature
- 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.)
- Pending
Links
- 210000000265 leukocyte Anatomy 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003709 image segmentation Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 210000000805 cytoplasm Anatomy 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000010186 staining Methods 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 210000004940 nucleus Anatomy 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000004040 coloring Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 208000014951 hematologic disease Diseases 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000601 blood cell Anatomy 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007447 staining method Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000021164 cell adhesion Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000004976 peripheral blood cell Anatomy 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012418 validation experiment Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种基于双路径网络和通道注意的白细胞图像分割方法。所述方法包括：特征编码阶段：引入由ResNet和DenseNet组成的双路径网络DPN作为特征编码器，以提取多尺度图像白细胞特征；特征映射捕获阶段：通过通道注意模块增强双路径网络DPN的白细胞特征提取能力，即将特征编码阶段提取的白细胞特征输入通道注意模块，得到更新后的白细胞特征；特征解码阶段：基于更新后的白细胞特征，采用由卷积和反卷积组成的特征解码器重建白细胞特征图，以实现端到端的白细胞分割。本发明提升了白细胞图像分割精度。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于双路径网络和通道注意的白细胞图像分割方法。
背景技术
血液中白细胞WBC(White Blood Cell，旧称白血球Leukocyte)的总数、各类型白细胞的比例、形态等信息是诊断白血病等人体血液疾病的重要指标。医院血常规检查中一项重要的内容便是对白细胞进行分类计数与异常形态分析。目前，国内医院通常先用基于电阻抗法(物理方法)加流式分析法(物理-化学方法)的血细胞分析仪进行血细胞分类计数。当血细胞计数结果异常或者主诊医生怀疑患者有血液疾病时，再由检验科医生对血液进行推片、染色、镜检，对白细胞进行分类计数的确认与异常形态分析。人工镜检的准确率依赖于医生的专业技能，存在检测主观性强、个体差异性大、耗时费力的问题，还容易因为医生的视力疲劳影响检测精度。因此，有必要用摄像头代替人眼，用计算机代替人脑，实现白细胞分割与分类，辅助医生进行镜检。近年来，深度学习、图像处理、模式识别等技术的飞速发展为此提供了可能。
白细胞图像可以通过数字成像设备对血涂片进行拍摄而获得。未染色的白细胞与背景之间颜色相近，对比度低，辨识起来困难。为此，制备血涂片时通常要用染色剂进行染色，以增强白细胞与背景之间的对比度，提高辨识度。标准的血涂片制备方式常用瑞氏染色法、姬姆萨染色法对细胞进行着色，着色效果好而稳定；但着色通常需要十分钟以上，着色速度慢，不能满足大范围临床应用的需要。华中科技大学刘建国和汪国有教授的研究团队提出一种血涂片快速制备方法，将细胞着色时间缩短为十秒左右，着色速度快；但着色效果不够稳定，容易产生深色杂质和被污染背景，会溶解掉对部分血液疾病有诊断作用的红细胞。白细胞分割的挑战在于：(1)染色制备过程、个体差异、疾病差异、类别差异可能使得白细胞颜色、形态存在较大差异；(2)细胞质与背景之间对比度低、细胞粘连与染色杂质干扰；(3)白细胞图像质量欠佳。
白细胞分割旨在从染色后的人体外周血细胞图像中提取出单个白细胞所在区域，并进而分割出细胞核与细胞质。近年来，国内外学者对白细胞分割问题进行了一系列研究。根据现有白细胞分割方法采用的技术，我们将其归类为有监督的白细胞分割和无监督的白细胞分割。无监督的白细胞分割方法直接根据白细胞的颜色、亮度等特征实现分割。最常用的白细胞分割技术是阈值分割，其它依次为形态学变换、模糊理论、聚类、形变模型、分水岭分割、区域合并、视觉注意模型、边缘检测。有监督的白细胞分割把图像分割问题看待成图像分类问题，先提取训练样本的颜色、纹理等特征，然后利用训练样本特征对分类器进行训练，最后利用训练好的分类器对测试样本图像中的像素点进行分类，识别出白细胞所在区域。最常用的有监督白细胞分割技术是支持向量机，其它依次为神经网络、最近邻分类器、极限学习机、随机森林。
近年来，随着深度学习技术在计算机视觉和医学图像分析领域的成功应用，其受到的关注越来越多。比如，Mask R-CNN在Faster R-CNN基础上把用于预测的分支并行地添加到用于识别边界框的原始分支，以同时实现目标检测和图像分割，但其在小规模图像数据集上难以获得令人满意的结果。全卷积网络(FCN)在图像分割方面获得了良好的性能，其删除了传统卷积神经网络的全连接层，并使用上采样操作来实现端到端(即像素到像素)的分割。但是，FCN的分割性能受到其结构简单的限制。U-Net是对FCN进行改进的具有编码-解码结构的深度神经网络，其中，编码器可实现特征提取，解码器可以恢复具有原始图像分辨率大小的特征图。U-Net适用于小规模图像数据集，其使用跳跃连接将编码器的浅层特征与解码器的深层特征结合起来，以恢复图像的细节。但是这些跳跃连接会融合语义不相似的特征，容易产生语义鸿沟。
发明内容
本发明的目的在于提供一种基于双路径网络和通道注意的白细胞图像分割方法，提升了白细胞图像分割精度。
为实现上述目的，本发明的技术方案是：一种基于双路径网络和通道注意的白细胞图像分割方法，包括：
特征编码阶段：引入由ResNet和DenseNet组成的双路径网络DPN作为特征编码器，以提取多尺度图像白细胞特征；
特征映射捕获阶段：通过通道注意模块增强双路径网络DPN的白细胞特征提取能力，即将特征编码阶段提取的白细胞特征输入通道注意模块，得到更新后的白细胞特征；
特征解码阶段：基于更新后的白细胞特征，采用由卷积和反卷积组成的特征解码器重建白细胞特征图，以实现端到端的白细胞分割。
在本发明一实施例中，特征编码阶段中，所述双路径网络DPN包括两条分支路径：ResNet路径和DenseNet路径，双路径网络DPN通过将两条分支路径的结果组合起来，使其成为下一个节点的输入。
在本发明一实施例中，所述特征映射捕获阶段实现如下：
将特征编码阶段提取的白细胞特征，即原始特征A的维度由C×H×W变换为C×N，并执行A和AT的矩阵乘法；
应用softmax函数来获得通道注意矩阵X，其维度为C×C；
计算XT与A的乘积，并将它们的结果变形为C×H×W；
将得到的结果与一个尺度参数相乘，并与A执行元素和的操作，以获得最终的输出特征E，即更新后的白细胞特征。
在本发明一实施例中，特征解码阶段中，引入跳跃连接融合来自特征编码器的浅层特征和来自特征解码器的深层特征，以恢复图像细节，减少信息的损失。
在本发明一实施例中，该方法采用lovasz-softmax作为损失函数来训练网络；损失函数具体定义为：
其中，c代表白细胞细胞核或者细胞质类，C代表细胞核和细胞质类的集合，m(c)是类c的像素误差向量；ΔJc是基于Jaccard指数的损失函数，
是ΔJc的Lovasz扩展，具体定义如下：
其中，gic和pic分别代表像素点i属于白细胞类c的真实标签和预测结果。
相较于现有技术，本发明具有以下有益效果：本发明将深度学习技术引入血液白细胞分割领域，提出了一种基于双路径网络(DPN)和通道注意模块的白细胞分割算法。具体地说，该算法首先在上下文感知特征编码器中引入双路径网络以提取多尺度图像特征；然后，使用通道注意模块捕获不同通道图之间的相互依赖性，利用其进一步增强网络的特征提取能力；最后，利用跳跃连接减少图像信息在特征卷积过程中的损失，通过特征解码器重建白细胞特征图，以实现端到端的白细胞分割。在三个数据集上的实验结果表明，本发明提升了白细胞的分割精度。
附图说明
图1为本发明方法流程图。
图2为本发明网络模型架构。
图3为本发明ResNet的网络结构。
图4为本发明DenseNet的网络结构。
图5为不同方法在Dataset1上的分割结果。
图6为不同方法在Dataset2上的分割结果。
图7为不同方法在Dataset3上的分割结果。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
如图1所示，本发明提供了一种基于双路径网络和通道注意的白细胞图像分割方法，其特征在于，包括：
特征编码阶段：引入由ResNet和DenseNet组成的双路径网络DPN作为特征编码器，以提取多尺度图像白细胞特征；
特征映射捕获阶段：通过通道注意模块增强双路径网络DPN的白细胞特征提取能力，即将特征编码阶段提取的白细胞特征输入通道注意模块，得到更新后的白细胞特征；
特征解码阶段：基于更新后的白细胞特征，采用由卷积和反卷积组成的特征解码器重建白细胞特征图，以实现端到端的白细胞分割。
本发明提出一种基于双路径网络和通道注意的白细胞图像分割方法，具体实现如下：
为了将白细胞从复杂背景的血涂片图像中分割出来。本发明提出了一种改进的U-Net网络，其结构如图2所示，分为三个阶段：特征编码器、通道注意模块、特征解码器。其中，特征编码器使用了由ResNet和DenseNet组成的双路径网络(DPN)，提取白细胞特征。通道注意模块用于增强网络的特征提取能力。特征解码器由卷积和反卷积组成，用于重建白细胞特征图，以实现端到端的白细胞分割。
1、特征编码
在深度学习中，一般来说，网络越深，训练效果越好。但是随着网络的不断加深，也会出现一些问题，例如，梯度消失、梯度爆炸。这是由于在训练的时候，随着网络层数的增加，反向传播的特征值不能很好地传到浅层特征，即浅层特征不能很好地得到训练，而训练的参数和深层特征相关性较大，因此容易出现加深了网络，训练精度反而降低的现象。He等人提出残差网络(Residual Network，ResNet)来解决这个问题。与传统卷积网络学习输入和输出之间映射不同，ResNet主要学习输入和输出之间的残差，残差学习相比直接学习原始特征映射更容易。图3展示了ResNet结构，其在输入、输出之间添加了一条恒等连接，这些恒等连接使得强大的有参层集中精力学习输入、输出之间的残差，因此可以在增加网络深度的同时取得更好的效果。
DenseNet借鉴了ResNet的思想，DenseNet的Dense Block中，每层的输入都是来自前面全部层的输出，而该层所学习的特征图也是直接传给下一层。与ResNet相比，DenseNet具有更少的参数，直接叠加前面层输出的特征图实现了特征重用。DenseNet网络更容易训练且有一定的正则效果，同时也可以缓解梯度消失和模型退化的问题。如图4所示，DenseNet通过跳跃连接实现了跨层连接，每一层的梯度来自前一层。
从图3可以看出，ResNet直接把输入加到输出上，ResNet实现了对前一层提取过的特性的重用，但残差网络不善于探索新特性。DenseNet每一层的输入都是来自前面所有的层，可以从前面的层提取新的特征，但也存在较高的冗余。双路径网络(DPN)结合了ResNet和DenseNet的优点，更有效地利用了两者的特性。如图2所示，双路径网络(DPN)有两条分支路径：ResNet路径和DenseNet路径。双路径网络将两个不同路径上的结果组合起来，使其成为下一个节点的输入。本发明在特征编码器中使用了双路径网络(DPN)。
2、通道注意模块
通道注意模块主要用于捕获特征映射的通道关系。在此模块中每个通道的高级特征图通常都是特定类的响应，往往相互关联。为了捕获通道映射之间的相互依赖关系，本发明在网络中添加了通道注意模块。如图2所示，首先将原始特征A(C×H×W)的维度变换为C×N，并执行A和AT的矩阵乘法。接下来，应用softmax函数来获得通道注意矩阵X(C×C)。之后，计算XT与A的乘积，并将它们的结果变形为C×H×W。最后，将结果与一个尺度参数相乘，并与A执行元素和的操作，以获得最终的输出特征E。
3、特征解码
特征提取阶段的卷积运算使得白细胞特征图的尺寸变小。为了实现端到端、像素到像素的分割，本发明使用了一个结合卷积块和反卷积的特征解码器将特征图恢复至原始图像的尺度。在FCN和U-Net等深度学习网络中，使用跳跃连接融合前面层和后面层的特征，以减少在下采样-上采样过程中的信息损失。在本发明的网络中，也引入跳跃连接融合来自编码器的浅层特征和来自解码器的深层特征，以恢复图像细节，减少信息的损失。
4、损失函数
本发明使用lovasz-softmax作为损失函数来训练网络，损失函数的定义如下：
其中，c代表白细胞细胞核或者细胞质类，C代表细胞核和细胞质类的集合，m(c)是类c的像素误差向量；ΔJc是基于Jaccard指数的损失函数，
是ΔJc的Lovasz扩展，具体定义如下：
其中，gic和pic分别代表像素点i属于白细胞类c的真实标签和预测结果。
5、实验数据及评价
为了评价白细胞分割算法的性能，在Dataset1(300张快速染色图像)、Dataset2(100张标准染色图像)和Dataset3(62张标准染色图像)三个数据集上进行了验证实验。四个常见的测度被用于分割性能的定量评价，即错分类误差(Misclassification Error,ME)、假正率(False Positive Rate,FPR)、假负率(FalseNegative Rate,FNR)和Kappa系数(Kappa Index,KI)。这些测度的定义为：
其中，Pf和Pb分别表示预测分割结果中的目标和背景。Gf和Gb分别表示手动理想分割结果中的目标和背景。测度的取值范围为0～1，ME、FPR和FNR的值越小，表示分割精度越高；相反地，KI的值越高，表示分割精度越高。
5.1、定量比较
为了定量比较分割精度，表1列出了五种方法应用于三个白细胞图像数据集上所得分割结果对应的四种测度的平均值，其中，加粗的数据代表最佳分割性能。从表1可见，本发明算法在三个数据集上获得了最佳分割精度。FCN和U-Net的分割精度次之。SVM和AHT的分割精度最差。
表1三个数据集上不同方法分割结果的平均测度值
5.2、定性比较
为了进一步定性比较不同方法的白细胞分割效果，图5、图6和图7分别展示了在Dataset1、Dataset2、Dataset3上随机选择5幅图像的白细胞分割结果。从图5(b)可以看出，SVM对细胞质的分割严重不完整。从图5(c)可以看出，AHT对细胞核的分割存在严重偏差。从图5(d)和图5(e)可以看出，FCN和U-Net分割所得细胞边缘存在毛刺。从图5(f)可以看出，本发明算法的分割结果与手动分割结果最接近，分割效果最佳。从图6和图7的分割结果可以看到，本发明算法的分割结果与手动分割结果最接近，分割效果最佳；FCN和U-Net分割效果次之；SVM和AHT分割效果最差。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (5)
1.一种基于双路径网络和通道注意的白细胞图像分割方法，其特征在于，包括：
特征编码阶段：引入由ResNet和DenseNet组成的双路径网络DPN作为特征编码器，以提取多尺度图像白细胞特征；
特征映射捕获阶段：通过通道注意模块增强双路径网络DPN的白细胞特征提取能力，即将特征编码阶段提取的白细胞特征输入通道注意模块，得到更新后的白细胞特征；
特征解码阶段：基于更新后的白细胞特征，采用由卷积和反卷积组成的特征解码器重建白细胞特征图，以实现端到端的白细胞分割。
2.根据权利要求1所述的基于双路径网络和通道注意的白细胞图像分割方法，其特征在于，特征编码阶段中，所述双路径网络DPN包括两条分支路径：ResNet路径和DenseNet路径，双路径网络DPN通过将两条分支路径的结果组合起来，使其成为下一个节点的输入。
3.根据权利要求1所述的基于双路径网络和通道注意的白细胞图像分割方法，其特征在于，所述特征映射捕获阶段实现如下：
将特征编码阶段提取的白细胞特征，即原始特征A的维度由C×H×W变换为C×N，并执行A和AT的矩阵乘法；
应用softmax函数来获得通道注意矩阵X，其维度为C×C；
计算XT与A的乘积，并将它们的结果变形为C×H×W；
将得到的结果与一个尺度参数相乘，并与A执行元素和的操作，以获得最终的输出特征E，即更新后的白细胞特征。
4.根据权利要求1所述的基于双路径网络和通道注意的白细胞图像分割方法，其特征在于，特征解码阶段中，引入跳跃连接融合来自特征编码器的浅层特征和来自特征解码器的深层特征，以恢复图像细节，减少信息的损失。
5.根据权利要求1所述的基于双路径网络和通道注意的白细胞图像分割方法，其特征在于，该方法采用lovasz-softmax作为损失函数来训练网络；损失函数具体定义为：
其中，c代表白细胞细胞核或者细胞质类，C代表细胞核和细胞质类的集合，m(c)是类c的像素误差向量；ΔJc是基于Jaccard指数的损失函数，
是ΔJc的Lovasz扩展，具体定义如下：
其中，gic和pic分别代表像素点i属于白细胞类c的真实标签和预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110134463.7A CN112750132A (zh) | 2021-02-01 | 2021-02-01 | 基于双路径网络和通道注意的白细胞图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110134463.7A CN112750132A (zh) | 2021-02-01 | 2021-02-01 | 基于双路径网络和通道注意的白细胞图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112750132A true CN112750132A (zh) | 2021-05-04 |
Family
ID=75653325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110134463.7A Pending CN112750132A (zh) | 2021-02-01 | 2021-02-01 | 基于双路径网络和通道注意的白细胞图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112750132A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112465A (zh) * | 2021-03-31 | 2021-07-13 | 上海深至信息科技有限公司 | 一种颈动脉内中膜分割模型的生成系统及方法 |
| CN113642675A (zh) * | 2021-09-07 | 2021-11-12 | 湖南大学 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
| CN114743045A (zh) * | 2022-03-31 | 2022-07-12 | 电子科技大学 | 一种基于双分支区域建议网络的小样本目标检测方法 |
| CN116206331A (zh) * | 2023-01-29 | 2023-06-02 | 阿里巴巴（中国）有限公司 | 图像处理方法、计算机可读存储介质以及计算机设备 |
| CN116206331B (zh) * | 2023-01-29 | 2024-05-31 | 阿里巴巴（中国）有限公司 | 图像处理方法、计算机可读存储介质以及计算机设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136149A (zh) * | 2019-05-21 | 2019-08-16 | 闽江学院 | 基于深度神经网络的白细胞定位与分割方法 |
| CN110428428A (zh) * | 2019-07-26 | 2019-11-08 | 长沙理工大学 | 一种图像语义分割方法、电子设备和可读存储介质 |
| CN111598892A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
| CN112070772A (zh) * | 2020-08-27 | 2020-12-11 | 闽江学院 | 基于UNet++和ResNet的血液白细胞图像分割方法 |
-
2021
- 2021-02-01 CN CN202110134463.7A patent/CN112750132A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136149A (zh) * | 2019-05-21 | 2019-08-16 | 闽江学院 | 基于深度神经网络的白细胞定位与分割方法 |
| CN110428428A (zh) * | 2019-07-26 | 2019-11-08 | 长沙理工大学 | 一种图像语义分割方法、电子设备和可读存储介质 |
| CN111598892A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
| CN112070772A (zh) * | 2020-08-27 | 2020-12-11 | 闽江学院 | 基于UNet++和ResNet的血液白细胞图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| YAN LU ET.AL: "White blood cell segmentation based on dual path network and channel attention", 《2020 7TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND CONTROL ENGINEERING (ICISCE)》, pages 1 - 5 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112465A (zh) * | 2021-03-31 | 2021-07-13 | 上海深至信息科技有限公司 | 一种颈动脉内中膜分割模型的生成系统及方法 |
| CN113642675A (zh) * | 2021-09-07 | 2021-11-12 | 湖南大学 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
| CN113642675B (zh) * | 2021-09-07 | 2023-11-17 | 湖南大学 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
| CN114743045A (zh) * | 2022-03-31 | 2022-07-12 | 电子科技大学 | 一种基于双分支区域建议网络的小样本目标检测方法 |
| CN114743045B (zh) * | 2022-03-31 | 2023-09-26 | 电子科技大学 | 一种基于双分支区域建议网络的小样本目标检测方法 |
| CN116206331A (zh) * | 2023-01-29 | 2023-06-02 | 阿里巴巴（中国）有限公司 | 图像处理方法、计算机可读存储介质以及计算机设备 |
| CN116206331B (zh) * | 2023-01-29 | 2024-05-31 | 阿里巴巴（中国）有限公司 | 图像处理方法、计算机可读存储介质以及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070772B (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
| CN109886273B (zh) | 一种cmr图像分割分类系统 | |
| Khojasteh et al. | Fundus images analysis using deep features for detection of exudates, hemorrhages and microaneurysms | |
| Lu et al. | WBC-Net: A white blood cell segmentation network based on UNet++ and ResNet | |
| CN112750132A (zh) | 基于双路径网络和通道注意的白细胞图像分割方法 | |
| CN110136149A (zh) | 基于深度神经网络的白细胞定位与分割方法 | |
| CN112150428A (zh) | 一种基于深度学习的医学图像分割方法 | |
| Nasir et al. | Classification of acute leukaemia cells using multilayer perceptron and simplified fuzzy ARTMAP neural networks | |
| CN113034505B (zh) | 一种基于边缘感知网络的腺体细胞图像分割方法及装置 | |
| Shahin et al. | A novel white blood cells segmentation algorithm based on adaptive neutrosophic similarity score | |
| CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
| Chen et al. | Cell nuclei detection and segmentation for computational pathology using deep learning | |
| CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
| Chen et al. | Skin lesion segmentation using recurrent attentional convolutional networks | |
| Xu et al. | Dual-channel asymmetric convolutional neural network for an efficient retinal blood vessel segmentation in eye fundus images | |
| CN115954100B (zh) | 胃癌病理图像智能辅助诊断系统 | |
| Yamanakkanavar et al. | MF2-Net: A multipath feature fusion network for medical image segmentation | |
| CN114600155A (zh) | 用于细胞检测和分割的弱监督多任务学习 | |
| CN114581701A (zh) | 一种t2加权影像特征生成动态增强影像特征的方法 | |
| CN115063592A (zh) | 一种基于多尺度的全扫描病理特征融合提取方法及系统 | |
| Yu et al. | Large-scale gastric cancer screening and localization using multi-task deep neural network | |
| Hazra et al. | Enhancing classification of cells procured from bone marrow aspirate smears using generative adversarial networks and sequential convolutional neural network | |
| Singh et al. | SkiNet: A deep learning framework for skin lesion diagnosis with uncertainty estimation and explainability | |
| Liu et al. | Weakly-supervised localization and classification of biomarkers in OCT images with integrated reconstruction and attention | |
| CN113011436A (zh) | 一种基于卷积神经网络的中医舌色苔色协同分类方法 |
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 |