CN112767321B - 一种基于随机森林的荧光结核杆菌检测方法 - Google Patents
一种基于随机森林的荧光结核杆菌检测方法 Download PDFInfo
- Publication number
- CN112767321B CN112767321B CN202110005729.8A CN202110005729A CN112767321B CN 112767321 B CN112767321 B CN 112767321B CN 202110005729 A CN202110005729 A CN 202110005729A CN 112767321 B CN112767321 B CN 112767321B
- Authority
- CN
- China
- Prior art keywords
- image
- connected domain
- detected
- bacteria
- random forest
- 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
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06T7/11—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于随机森林的荧光结核杆菌检测方法,所述方法包括以下步骤:分别运用高中低三种阈值,对荧光结核杆菌图像进行自适应阈值分割,滤除图像中的杂质,并对待检测细菌进行筛选与二值分割;对分割好的单个二值连通域进行特征提取,提取待检测细菌的多种几何特征与颜色特征,生成描述特征的向量;通过特征向量训练出能够对待检测细菌进行判断的随机森林;使用该随机森林进行预测,在原图中框出预测为结核杆菌的目标,用于荧光结核杆菌的辅助检测。本发明相比于传统的图像分类方法,结果更为精确,分类过程更加自动化;相比于构建深度学习神经网络进行检测的方法,在保证检测准确率的同时,大大降低了复杂度,提高了检测效率。
Description
技术领域
本发明属于数字图像处理技术与机器学习技术领域,尤其涉及一种基于随机森林的荧光结核杆菌检测方法。
背景技术
生物样本的检测与识别一直存在十分耗时且效率低下的问题。近年来,生物样本的自动化识别与辅助检测逐渐代替了原有的人工镜检。快速发展的高速网络技术、图像技术和计算机技术为显微数字图像的自动化识别提供了坚实的基础,同时也对识别的精度与速度提出了要求。
由于荧光结核杆菌具有待检测目标小、特征不明显等特殊性质,在自动化检测系统中,传统的数字图像处理方法局限于其固有模式,很难形式化地对目标所包含的特征进行分类,使得检测的结果不够精确。而运用深度学习构建神经网络的方法则较为复杂,训练与学习的过程十分耗时。
发明内容
本发明的目的在于提供一种基于随机森林的荧光结核杆菌检测方法,旨在解决现有技术中荧光结核杆菌检测方法不够精确、过程复杂且耗时的问题。
实现本发明目的的具体技术方案是:
一种基于随机森林的荧光结核杆菌检测方法,该方法包括以下步骤:
步骤1:针对荧光扫描图像亮度与颜色分布不均的特点,采用高、中、低三种阈值对图像进行自适应阈值分割,滤除图像中残留的染色液与光斑等杂质,并对待检测细菌进行筛选与二值分割;
步骤2:针对荧光结核杆菌的病理特征,对分割好的单个二值连通域进行特征提取,提取几何特征与颜色特征,具体为:面积、中轴长度、平均宽度、长宽比值、R通道颜色均值、G通道颜色均值和Hu矩,生成待检测细菌的多维特征向量;
步骤3:运用收集到的特征向量,训练随机森林模型,生成的该随机森林能够判断待检测细菌是否为结核杆菌。
步骤4:使用训练好的随机森林进行预测,在原图中框出预测为结核杆菌的目标,用于荧光结核杆菌的辅助检测。
所述步骤1具体为:
将原图转化为灰度图像;分别采用高、中、低三种不同的阈值,对同一幅图像进行自适应阈值的分割,得到对应的三种二值图像;删除高阈值划分的二值图像中面积极小的杂质;计算各个连通域的最小斜外接矩形,删除外接矩形长宽比接近1的光斑杂质;计算前景区域的最小正外接矩形,用其截取图像的目标区域,删除低阈值图像中目标区域占满整个正外接矩形的染色剂残留背景;寻找图片中的浅色连通域,若其尺寸符合细菌的大小,则保留该连通域;检查图像中是否有断裂的区域,并对断裂区域进行叠加补齐;将筛选后的结果叠加在一起,得到最终分割完成的二值图像。
所述步骤2具体为:
对步骤1得到的二值图像前景中的每个连通域进行特征提取,分别获得连通域的面积、中轴长度、平均宽度、长宽比值、R通道颜色均值、G通道颜色均值和Hu矩。进行特征提取时,非图像边界的连通域直接进行截取,而边界上的连通域则需填充图像边界后,再进行截取;获取各个连通域所包含的像素面积;删除连通域边缘的突出部分;对连通域进行细化,提取每个连通域的中轴线,并计算出中轴长度;通过中轴线上两点间的几何距离和两点的斜率,逐点计算平均宽度;通过连通域的最小斜外接矩形计算长宽比;逐点遍历待检测细菌所在的原图区域,计算R通道和G通道的颜色均值;计算连通域的矩,进而计算出包含几何不变矩的Hu矩;最终形成多维待检测细菌特征向量。
所述步骤3具体为:
对每个待检测细菌进行标注,收集用于监督学习的数据集;将80%的数据作为训练集,20%的数据作为验证集,并保持训练集中正负样本平衡;对随机森林进行训练,该随机森林中包含100棵基决策树,能够判断待检测细菌是否为荧光结核杆菌。
所述步骤4具体为:
运用训练好的随机森林对荧光结核杆菌图像进行预测,在预测为结核杆菌的目标的四周画框;将框定后的图像进行保存并输出,辅助医生进行后续检测。
本发明基于荧光结核杆菌图像中待检测目标小、特征不明显、扫描图像颜色亮度分布不均匀等特殊性质,采用三种不同的阈值进行自适应划分,完成了图像的良好去噪和目标分割,提出了针对荧光结核杆菌的多种维度的特征,充分提取了图像中待检测目标的几何和颜色特性,最终将结果送入轻量化的随机森林,进行机器学习模型的建立,并在原图中对判定为结核杆菌的目标进行框定。本发明相较于传统的图像处理,采用了机器学习的方法,利用计算机找到数据的统计结构,将任务自动化;相较于深度学习构建神经网络的方法,本发明使用浅层的随机森林模型,大大降低了算法的复杂程度。本发明是两种方式的优势结合。
附图说明
图1为本发明实施例的流程示意图;
图2为本发明实施例中步骤101中三种自适应阈值分割结果示意图;
图3为本发明实施例中步骤101使用的图像分割方法流程示意图;
图4为本发明实施例中步骤102中待检测细菌二值区域截取和细化结果示意图;
图5为本发明实施例中步骤102使用的特征向量提取方法流程示意图;
图6为本发明实施例中步骤104对图像进行框定的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚,以下结合附图及实施例,对本发明进行详细的说明。
本发明的一种基于随机森林的荧光结核杆菌检测方法,该方法包括:采用高、中、低三种阈值对图像进行自适应阈值分割,滤除图像中残留的染色液与光斑,并对待检测细菌进行筛选与二值分割;对分割好的单个二值连通域进行特征提取,从多种维度提取待检测细菌的几何与颜色特征;运用提取得到的特征向量,对随机森林进行训练,该随机森林能够判断待检测细菌是否为结核杆菌;对图像进行预测,在预测为结核杆菌的目标周围画框,辅助医生进行后续的检测。
实施例
本实施例提供的基于随机森林的荧光结核杆菌检测方法的流程示意图如图1所示。
S101:采用高、中、低三种阈值,使用自适应阈值分割法,对采集到的原始图像进行分割,滤除图像中的杂质,对待检测细菌进行筛选,得到对应的二值图像,其中前景部分为待处理的二值连通域,背景为黑色。
该步骤具体为:
将原始图像转化为灰度图,如图2a所示,使用高、中、低三个不同的阈值,对灰度图进行自适应阈值分割,得到高阈值图像,如图2b所示,中等阈值图像,如图2c所示,低阈值图像,如图2d所示。
对阈值分割后的每一处二值连通域进行筛选,滤除高阈值图像中面积小于2像素的杂质;保留中等阈值图像中面积和长宽比值符合细菌尺寸的前景连通域;删除低阈值图像中的大面积染色剂残留;对中阈值图像和低阈值图像进行比较,计算同一连通域的面积和长宽比,删掉形状接近正方形的连通域;对图像中的浅色部分进行改进,保留低阈值图像中接近细菌杆状的连通域;检查每一连通域中是否有断裂,若有断裂则对断裂处进行叠加补齐;提高阈值,进一步筛选背景区域,最终得到分割后的二值图像。分割方法的具体流程如图3所示。
S102:对得到的二值图像前景中的每个连通域进行特征提取,提取连通域的颜色与几何特征,具体为:面积、中轴长度、平均宽度、长宽比值、R通道颜色均值、G通道颜色均值和Hu矩。其中Hu矩包含7个几何不变矩。
该步骤具体为:
在原图中,非边界的连通域所对应的区域直接进行截取,位于边界的连通域则进行插值后再截取,对应原图如图4a所示,截取结果如图4b所示;计算每一连通域对应的原图中其R通道和G通道的颜色均值;计算连通域的面积以及该连通域最小斜外接矩形的长宽比;计算连通域的矩,进而计算出包含7个几何不变矩的Hu矩;删除不规则连通域边缘的突出部;对连通域进行细化,提取连通域的中轴,如图4c所示,计算中轴长度;利用中轴线上两点间的几何距离和两点的斜率,逐点计算连通域的平均宽度;最终形成13维待检测细菌特征向量,特征向量提取方法流程图如图5所示。
S103:使用生成的共13维待检测细菌特征向量,训练出对应的随机森林。
该步骤具体为:
对每一待检测细菌对应的特征向量进行标注,将其作为随机森林学习样本;对样本数据进行分割,80%的数据作为训练集,20%的数据作为验证集,并保持训练集中正负样本平衡;随机森林中包含100棵决策树,决策树的最大可能深度为10,节点的最小样本数量设定为10;对数据进行训练,得到随机森林。
S104:使用训练后的随机森林对图像进行预测,在预测为是结核杆菌的目标四周画框,辅助医生进行后续的检测。
该步骤具体为:
使用生成的随机森林,对输入的荧光结核杆菌原图进行预测;在预测为结核杆菌的目标的四周画框;图像框定完成后,保存并输出,从而辅助医生进行后续的检测。该步骤具体流程如图6所示。
Claims (1)
1.一种基于随机森林的荧光结核杆菌检测方法,其特征在于,该方法包括以下步骤:
步骤1:针对荧光结核杆菌扫描图像亮度与颜色分布不均的特点,采用高、中、低三种阈值对图像进行自适应阈值分割,滤除图像中残留的染色液与光斑,并对待检测细菌进行筛选与二值分割;
步骤2:针对荧光结核杆菌的病理特征,对分割好的单个二值连通域进行特征提取,提取其几何特征与颜色特征,具体为:面积、中轴长度、平均宽度、长宽比值、R通道颜色均值、G通道颜色均值和Hu矩,生成待检测细菌的数维特征向量;其中,Hu矩包含数个几何不变矩;
步骤3:运用收集到的特征向量,训练对应的随机森林,该随机森林能够对待检测细菌是否为结核杆菌进行判断;
步骤4:使用训练生成的随机森林对荧光结核杆菌图像进行预测,在原图中对预测为结核杆菌的目标进行框定,将框定后的图像进行保存并输出,辅助医生进行后续检测判断;其中:
所述步骤1具体为:
将原图转化为灰度图像;分别采用高、中、低三种不同的阈值,对同一幅图像进行自适应阈值的分割,得到对应的三种二值图像;删除高阈值划分的二值图像中面积小于2像素的杂质;计算各个连通域的最小斜外接矩形,删除外接矩形长宽比接近1的光斑杂质;计算前景区域的最小正外接矩形,使用最小正外接矩形截取图像的目标区域,删除低阈值图像中目标区域占满整个外接矩形的染色剂残留背景;寻找图片中的浅色连通域,若其尺寸符合细菌的大小,则保留该连通域;检查图像中是否有断裂的区域,并对断裂区域进行叠加补齐;将筛选后的结果叠加在一起,得到最终分割完成的二值图像;
所述步骤2具体为:
对步骤1得到的二值图像前景中的每个连通域进行特征提取,分别获得连通域的面积、中轴长度、平均宽度、长宽比值、R通道颜色均值、G通道颜色均值和Hu矩;进行特征提取时,非图像边界的连通域直接进行截取,而边界上的连通域则需填充图像边界后,再进行截取;获取各个连通域所包含的像素面积;删除连通域边缘的突出部分;对连通域进行细化,提取每个连通域的中轴线,并计算出中轴长度;通过中轴线上两点间的几何距离和两点的斜率,逐点计算平均宽度;通过连通域的最小斜外接矩形计算长宽比;逐点遍历待检测细菌所在的原图区域,计算R通道和G通道的颜色均值;计算连通域的矩,进而计算出包含几何不变矩的Hu矩;最终形成数维待检测细菌特征向量;
所述步骤3具体为:
对每个待检测细菌进行标注,收集用于监督学习的数据集;将80%的数据作为训练集,20%的数据作为验证集,并保持训练集中正负样本平衡;对随机森林进行训练,该随机森林中包含100棵基决策树,能够对待检测细菌是否为结核杆菌进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110005729.8A CN112767321B (zh) | 2021-01-05 | 2021-01-05 | 一种基于随机森林的荧光结核杆菌检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110005729.8A CN112767321B (zh) | 2021-01-05 | 2021-01-05 | 一种基于随机森林的荧光结核杆菌检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767321A CN112767321A (zh) | 2021-05-07 |
CN112767321B true CN112767321B (zh) | 2023-02-17 |
Family
ID=75699100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110005729.8A Active CN112767321B (zh) | 2021-01-05 | 2021-01-05 | 一种基于随机森林的荧光结核杆菌检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767321B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824579B (zh) * | 2023-06-27 | 2023-12-22 | 长沙金域医学检验实验室有限公司 | 基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877074A (zh) * | 2009-11-23 | 2010-11-03 | 常州达奇信息科技有限公司 | 基于多元特征的结核杆菌目标识别计数算法 |
CN103177260A (zh) * | 2013-04-19 | 2013-06-26 | 福州大学 | 一种彩色图像边界提取方法 |
WO2014166558A1 (en) * | 2013-04-09 | 2014-10-16 | Tubitak (Turkiye Bilimsel Ve Teknolojik Arastirma Kurumu) | Dna aptamers to diagnose mycobacterium tuberculosis bacteria and treat tuberculosis disease, specific for m. tuberculosis bacteria |
CN106960424A (zh) * | 2017-03-31 | 2017-07-18 | 上海澜澈生物科技有限公司 | 基于优化分水岭的结核杆菌图像分割识别方法及装置 |
CN107945144A (zh) * | 2017-11-20 | 2018-04-20 | 宁波江丰生物信息技术有限公司 | 基于深度神经网络的结核杆菌荧光痰涂片识别方法 |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
CN109523563A (zh) * | 2018-11-01 | 2019-03-26 | 华东师范大学 | 一种提高显微图像标注效率的方法 |
-
2021
- 2021-01-05 CN CN202110005729.8A patent/CN112767321B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877074A (zh) * | 2009-11-23 | 2010-11-03 | 常州达奇信息科技有限公司 | 基于多元特征的结核杆菌目标识别计数算法 |
WO2014166558A1 (en) * | 2013-04-09 | 2014-10-16 | Tubitak (Turkiye Bilimsel Ve Teknolojik Arastirma Kurumu) | Dna aptamers to diagnose mycobacterium tuberculosis bacteria and treat tuberculosis disease, specific for m. tuberculosis bacteria |
CN103177260A (zh) * | 2013-04-19 | 2013-06-26 | 福州大学 | 一种彩色图像边界提取方法 |
CN106960424A (zh) * | 2017-03-31 | 2017-07-18 | 上海澜澈生物科技有限公司 | 基于优化分水岭的结核杆菌图像分割识别方法及装置 |
CN107945144A (zh) * | 2017-11-20 | 2018-04-20 | 宁波江丰生物信息技术有限公司 | 基于深度神经网络的结核杆菌荧光痰涂片识别方法 |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
CN109523563A (zh) * | 2018-11-01 | 2019-03-26 | 华东师范大学 | 一种提高显微图像标注效率的方法 |
Non-Patent Citations (1)
Title |
---|
Tuberculosis bacteria detection based on Random Forest using fluorescent images;Chi Zheng等;《2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI)》;20170216;正文第1-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112767321A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN112508090A (zh) | 一种外包装缺陷检测方法 | |
CN111583201B (zh) | 一种用于构建超分辨率病理显微镜的迁移学习方法 | |
CN108776823A (zh) | 基于细胞图像识别的宫颈癌病灶分析方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN112767321B (zh) | 一种基于随机森林的荧光结核杆菌检测方法 | |
CN112949378A (zh) | 一种基于深度学习网络的细菌显微图像分割方法 | |
CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
CN113129265B (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
Sureshkumar et al. | Deep learning framework for component identification | |
CN113989799A (zh) | 一种宫颈异常细胞识别方法、装置和电子设备 | |
Zhao et al. | An effective binarization method for disturbed camera-captured document images | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN111724319A (zh) | 视频监控系统中的图像处理方法 | |
Nguyen et al. | An improved real-time blob detection for visual surveillance | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
CN113177602A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN112561949A (zh) | 一种基于rpca和支持向量机的快速运动目标检测算法 | |
CN112307908B (zh) | 一种视频语义提取方法及装置 | |
CN117152138B (zh) | 一种基于无监督学习的医学图像肿瘤目标检测方法 | |
CN114299493A (zh) | 一种孢子识别系统及方法 | |
CN117994782A (zh) | 一种基于贝叶斯的显微图像颗粒分割方法、装置及设备 |
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 |