CN112767349A - 一种网织红细胞识别方法和系统 - Google Patents
一种网织红细胞识别方法和系统 Download PDFInfo
- Publication number
- CN112767349A CN112767349A CN202110062824.1A CN202110062824A CN112767349A CN 112767349 A CN112767349 A CN 112767349A CN 202110062824 A CN202110062824 A CN 202110062824A CN 112767349 A CN112767349 A CN 112767349A
- Authority
- CN
- China
- Prior art keywords
- reticulocyte
- network model
- image
- identification
- counting
- 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
- 210000001995 reticulocyte Anatomy 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 230000003287 optical effect Effects 0.000 claims abstract description 8
- 238000004806 packaging method and process Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 15
- 210000004027 cell Anatomy 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 210000001185 bone marrow Anatomy 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 230000003394 haemopoietic effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 210000001772 blood platelet Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种网织红细胞识别方法和系统,利用光学显微平台采集网织红细胞图像,并将所述网织红细胞图像进行标注和格式转换后,作为数据集对yolov5网络模型进行训练;利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证,直至达到识别要求,对所述yolov5网络模型进行封装打包,得到识别计数网络模型;利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数,提高对网织红细胞的检测效果。
Description
技术领域
本发明涉及细胞分析技术领域,尤其涉及一种网织红细胞识别方法和系统。
背景技术
网织红细胞简称网织红,其计数统计是评价骨髓造血功能的重要指标,对网织红细胞进行计数是临床血检工作中评估骨髓造血功能的基础性实验,是临床检验中一项重要的指标,因此,对网织红细胞进行识别、计数以及RDW-SD和RDW-CV评价有着十分重要的意义。
目前,在现有技术中,网织红细胞的检测方法主要有流式细胞仪检测法和人工镜检法。流式细胞仪检测易受血液中的白细胞、血小板以及其他物质干扰,准确性较低;人工镜检则是在显微镜下直接目测计数1000个红细胞中网织红细胞数,统计网织红的比例,这种方法的缺点是效率低,操作繁琐,易受主观人为因素的影响,且不能提供RDW-SD和RDW-CV评价参数,两种方法均导致对网织红细胞的检测效果降低。
发明内容
本发明的目的在于提供一种网织红细胞识别方法和系统,提高对网织红细胞的检测效果。
为实现上述目的,第一方面,本发明提供了一种网织红细胞识别方法,包括以下步骤:
采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练;
利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证,直至达到识别要求,对所述yolov5网络模型进行封装打包,得到识别计数网络模型;
利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数。
其中,采集网织红细胞,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练,包括:
利用光学显微平台采集多个网织红细胞图像作为数据集,并利用图像标注软件对所述网织红细胞图像进行标定,生成第一文件;
将所述第一文件进行格式转换,并将所述数据集划分出的训练集输入yolov5网络模型进行训练。
其中,将所述第一文件进行格式转换,并将所述数据集划分出的训练集输入yolov5网络模型进行训练后,所述方法还包括:
将格式转换后的所述第一文件中的标注信息进行提取,并写入第三文件中进行保存。
其中,利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数,包括:
利用光学显微平台重新采集多个所述网织红细胞图像,并输入所述识别计数网络模型,得到对应的网织红细胞个数;
对单个网织红细胞进行分割和单个所述网织红细胞图像进行预处理,得到网织红细胞体积;
对所有的所述网织红细胞体积进行统计分析,得到两种评价参数。
其中,对单个网织红细胞进行分割和单个所述网织红细胞图像进行预处理,得到网织红细胞体积,包括:
对单个所述网织红细胞进行分割,并对单个所述网织红细胞图像进行灰度转换、高斯滤波;
利用OTSU法对滤波后的所述网织红细胞图像进行分割和边缘检测,获取单细胞轮廓;
对所述单细胞轮廓进行等效处理,得到对应的网织红细胞体积。
第二方面,本发明提供了一种网织红细胞识别系统,如第一方面所述的一种网织红细胞识别方法应用于一种网织红细胞识别系统,
所述网织红细胞识别系统包括识别计数网络模型建立模块和评价参数计算模块,所述评价参数计算模块与所述识别计数网络模型建立模块连接;
所述识别计数网络模型建立模块,用于采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练和验证,直至达到识别要求,得到识别计数网络模型;
所述评价参数计算模型,用于利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数。
其中,所述识别计数网络模型建立模块包括训练单元和建立单元,所述建立单元与所述训练单元连接;
所述训练单元,用于采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练;
所述建立单元,用于利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证,直至达到识别要求,对所述yolov5网络模型进行封装打包,得到识别计数网络模型。
本发明的一种网织红细胞识别方法和系统,利用光学显微平台采集网织红细胞图像,并将所述网织红细胞图像进行标注和格式转换后,作为数据集对yolov5网络模型进行训练;利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证,直至达到识别要求,对所述yolov5网络模型进行封装打包,得到识别计数网络模型;利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数,提高对网织红细胞的检测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种网织红细胞识别方法的步骤示意图。
图2是本发明提供的网织红细胞识别计数网络模型的构建流程示意图。
图3是本发明提供的网织红细胞RDW-SD和RDW-CV评价参数计算流程示意图。
图4是本发明提供的网络模型识别网织红细胞结果图。
图5是本发明提供的对单个网织红细胞的分割和边缘检测图。
图6是本发明提供的对RDW-SD参数计算原理图。
图7是本发明提供的对RDW-CV参数计算原理图。
图8是本发明提供的一种网织红细胞识别系统的结构示意图。
1-识别计数网络模型建立模块、2-评价参数计算模块、11-训练单元、12-建立单元。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,本发明提供一种网织红细胞识别方法,包括以下步骤:
S101、采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练。
具体的,如图2所示,首先用光学显微平台采集大量网织红细胞图像作为数据集,用图像标注软件对所述网织红细胞图像进行标定,生成与样本图像文件名相同的.json文件即第一文件;将所述第一文件进行格式转换,并将所述数据集划分出的训练集输入yolov5网络模型进行训练,具体为:将所述第一文件(.json文件)转换成第二文件(.xml文件),并按一定比例将数据集分成训练数据集train.txt和测试数据集test.txt,第三文件(.txt文件)保存训练数据集和测试数据集的图像路径。然后通过计算机GPU,利用所述训练数据集对yolov5网络模型进行训练。
将格式转换后的所述第一文件(即得到的第二文件)中的标注信息进行提取,并写入第三文件(.txt文件)中进行保存。
在采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练之前,所述方法还包括:
对yolov5网络模型中的第四文件(train.py文件)中的参数进行设置,并修改迭代参数,其中,为解决网织红细胞中分类不均衡问题,将超参数中的焦点损失参数设置为1.5,利用所述焦点损失参数进行标签平滑,解决网织红细胞类别分类不平衡问题。
S102、利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证,直至达到识别要求,对所述yolov5网络模型进行封装打包,得到识别计数网络模型。
具体的,利用划分出的测试数据集对训练后的所述yolov5网络模型进行验证,直至满足网织红细胞的识别要求或者达到设定的迭代次数,生成对应的模型文件,然后对所述模型文件进行封装打包,得到对应的识别计数网络模型。
S103、利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数。
具体的,如图3所示,利用光学显微平台重新采集多个所述网织红细胞图像,并输入所述识别计数网络模型,得到对应的网织红细胞个数,其中,所述网织红细胞个数包括成熟网织红细胞个数和未成熟网织红细胞个数,如图4所示。
如图5所示,对单个网织红细胞进行分割和单个所述网织红细胞图像进行预处理,得到网织红细胞体积,具体为:对单个所述网织红细胞进行分割,并对单个所述网织红细胞图像进行灰度转换、高斯滤波;利用OTSU法对滤波后的所述网织红细胞图像进行分割和边缘检测,获取单细胞轮廓;对所述单细胞轮廓进行等效处理,得到对应的网织红细胞体积,包括:
基于所述单细胞轮廓计算出对应的面积,并将所述单细胞轮廓等效成圆,计算出对应的半径,公式为:
将所述网织红细胞等效成球体,根据所述半径计算出每个所述网织红细胞体积,计算公式为:
对所有的所述网织红细胞体积进行统计分析,得到两种评价参数,分别为RDW-SD参数和RDW-CV参数。
如图6所示,RDW-SD的计算是以红细胞分布的峰值相当于100%时的20%界限的分布宽度,用fl表示。
如图7所示,L1~L2在总分布区域中的出现频数为68.26%,那么RDW-CV的计算公式如下:
L1表示总分布区域中的出现频数为68.26%界限的左值,L2表示界限的右值,RDW-CV的单位为%。
有益效果
(1)本发明通过训练好的yolov5网络模型,能自动高效的对网织红细胞进行分类识别和计数,与人工统计相比,得到质的提高,排除了人为主观因素的干扰。
(2)本发明基于yolov5深度学习网络模型,随着训练集图像质量的提升,以及训练次数的增加,可对网络模型进行不断优化;
(3)本发明可提供网织红的RDW-SD和RDW-CV评价参数,可对网织红细胞样本做进一步评价。
请参阅图8,本发明提供了一种网织红细胞识别系统,如第一方面所述的一种网织红细胞识别方法应用于一种网织红细胞识别系统,
所述网织红细胞识别系统包括识别计数网络模型建立模块1和评价参数计算模块2,所述评价参数计算模块2与所述识别计数网络模型建立模块1连接;
所述识别计数网络模型建立模块1,用于采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练和验证,直至达到识别要求,得到识别计数网络模型
所述评价参数计算模型,用于利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数。
所述识别计数网络模型建立模块1包括训练单元11和建立单元12,所述建立单元12与所述训练单元11连接;
所述训练单元11,用于采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练;
所述建立单元12,用于利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证,直至达到识别要求,对所述yolov5网络模型进行封装打包,得到识别计数网络模型。
在本实施方式中,关于一种网织红细胞识别系统的具体限定可以参见上文中对于一种网织红细胞识别方法的限定,在此不再赘述。上述一种网织红细胞识别系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明的一种网织红细胞识别方法和系统,利用光学显微平台采集网织红细胞图像,并将所述网织红细胞图像进行标注和格式转换后,作为数据集对yolov5网络模型进行训练;利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证,直至达到识别要求,对所述yolov5网络模型进行封装打包,得到识别计数网络模型;利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数,提高对网织红细胞的检测效果。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种网织红细胞识别方法,其特征在于,包括以下步骤:
采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练;
利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证,直至达到识别要求,对所述yolov5网络模型进行封装打包,得到识别计数网络模型;
利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数。
2.如权利要求1所述的网织红细胞识别方法,其特征在于,采集网织红细胞,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练,包括:
利用光学显微平台采集多个网织红细胞图像作为数据集,并利用图像标注软件对所述网织红细胞图像进行标定,生成第一文件;
将所述第一文件进行格式转换,并将所述数据集划分出的训练集输入yolov5网络模型进行训练。
3.如权利要求2所述的网织红细胞识别方法,其特征在于,将所述第一文件进行格式转换,并将所述数据集划分出的训练集输入yolov5网络模型进行训练后,所述方法还包括:
将格式转换后的所述第一文件中的标注信息进行提取,并写入第三文件中进行保存。
4.如权利要求1所述的网织红细胞识别方法,其特征在于,利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数,包括:
利用光学显微平台重新采集多个所述网织红细胞图像,并输入所述识别计数网络模型,得到对应的网织红细胞个数;
对单个网织红细胞进行分割和单个所述网织红细胞图像进行预处理,得到网织红细胞体积;
对所有的所述网织红细胞体积进行统计分析,得到两种评价参数。
5.如权利要求4所述的网织红细胞识别方法,其特征在于,对单个网织红细胞进行分割和单个所述网织红细胞图像进行预处理,得到网织红细胞体积,包括:
对单个所述网织红细胞进行分割,并对单个所述网织红细胞图像进行灰度转换、高斯滤波;
利用OTSU法对滤波后的所述网织红细胞图像进行分割和边缘检测,获取单细胞轮廓;
对所述单细胞轮廓进行等效处理,得到对应的网织红细胞体积。
6.一种网织红细胞识别系统,如权利要求1-权利要求5任一项所述的一种网织红细胞识别方法应用于一种网织红细胞识别系统,其特征在于,
所述网织红细胞识别系统包括识别计数网络模型建立模块和评价参数计算模块,所述评价参数计算模块与所述识别计数网络模型建立模块连接;
所述识别计数网络模型建立模块,用于采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练和验证,直至达到识别要求,得到识别计数网络模型;
所述评价参数计算模型,用于利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数,得到对应的评价参数。
7.如权利要求6所述的网织红细胞识别系统,其特征在于,
所述识别计数网络模型建立模块包括训练单元和建立单元,所述建立单元与所述训练单元连接;
所述训练单元,用于采集网织红细胞图像,并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练;
所述建立单元,用于利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证,直至达到识别要求,对所述yolov5网络模型进行封装打包,得到识别计数网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062824.1A CN112767349B (zh) | 2021-01-18 | 2021-01-18 | 一种网织红细胞识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062824.1A CN112767349B (zh) | 2021-01-18 | 2021-01-18 | 一种网织红细胞识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767349A true CN112767349A (zh) | 2021-05-07 |
CN112767349B CN112767349B (zh) | 2024-05-03 |
Family
ID=75702576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110062824.1A Active CN112767349B (zh) | 2021-01-18 | 2021-01-18 | 一种网织红细胞识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767349B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552126A (zh) * | 2021-07-23 | 2021-10-26 | 福州金域医学检验实验室有限公司 | 一种网织红细胞检测方法及其系统 |
CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01167664A (ja) * | 1987-12-23 | 1989-07-03 | Hitachi Ltd | 網赤血球計数装置 |
CN108052984A (zh) * | 2017-10-30 | 2018-05-18 | 中国科学院计算技术研究所 | 计数方法及装置 |
CN109975196A (zh) * | 2019-03-01 | 2019-07-05 | 深圳大学 | 一种网织红细胞检测方法及其系统 |
CN110501278A (zh) * | 2019-07-10 | 2019-11-26 | 同济大学 | 一种基于YOLOv3和密度估计的细胞计数方法 |
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 |
CN111105422A (zh) * | 2019-12-10 | 2020-05-05 | 北京小蝇科技有限责任公司 | 一种网织红细胞分类计数模型构建方法及应用 |
CN112132796A (zh) * | 2020-09-15 | 2020-12-25 | 佛山读图科技有限公司 | 以反馈数据自主学习提升检测精度的视觉检测方法和系统 |
-
2021
- 2021-01-18 CN CN202110062824.1A patent/CN112767349B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01167664A (ja) * | 1987-12-23 | 1989-07-03 | Hitachi Ltd | 網赤血球計数装置 |
CN108052984A (zh) * | 2017-10-30 | 2018-05-18 | 中国科学院计算技术研究所 | 计数方法及装置 |
CN109975196A (zh) * | 2019-03-01 | 2019-07-05 | 深圳大学 | 一种网织红细胞检测方法及其系统 |
CN110501278A (zh) * | 2019-07-10 | 2019-11-26 | 同济大学 | 一种基于YOLOv3和密度估计的细胞计数方法 |
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 |
CN111105422A (zh) * | 2019-12-10 | 2020-05-05 | 北京小蝇科技有限责任公司 | 一种网织红细胞分类计数模型构建方法及应用 |
CN112132796A (zh) * | 2020-09-15 | 2020-12-25 | 佛山读图科技有限公司 | 以反馈数据自主学习提升检测精度的视觉检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
GAN FANG等人: "Detection of white blood cells using YOLOV3 network", 2019 14TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS, pages 1683 - 1688 * |
MOHAMED HASSAN HAMZA: "Chromosome Classification using Machine Learning to enable Genetic Disorder Diag", DEGREE PROJECT IN COMPUTER SCIENCE AND ENGINEERING, SECOND CYCLE, 30 CREDITS * |
SALEH ALBAHLI等人: "Melanoma Lesion Detection and Segmentation Using YOLOv4-DarkNet and Active Contour", IEEE ACCESS, vol. 8, pages 198403 - 198414, XP011819582, DOI: 10.1109/ACCESS.2020.3035345 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552126A (zh) * | 2021-07-23 | 2021-10-26 | 福州金域医学检验实验室有限公司 | 一种网织红细胞检测方法及其系统 |
CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112767349B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11900598B2 (en) | System and method of classification of biological particles | |
CN111325103B (zh) | 一种细胞标注系统和方法 | |
CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
CN111476754B (zh) | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 | |
CN111079620B (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN112634243B (zh) | 一种强干扰因素下基于深度学习的图像分类识别系统 | |
CN112767349B (zh) | 一种网织红细胞识别方法和系统 | |
CN112365471B (zh) | 基于深度学习的宫颈癌细胞智能检测方法 | |
CN108257124A (zh) | 一种基于图像的白细胞计数方法和系统 | |
CN113658174B (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
CN112001315B (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
CN114419397A (zh) | 基于数据清洗和数据生成的数据集构建方法及装置 | |
CN111886630A (zh) | 用于细胞和亚细胞形态学建模和分类的三维细胞和组织图像分析 | |
CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
CN113378831B (zh) | 一种小鼠胚胎器官识别与评分方法与系统 | |
CN111274949B (zh) | 一种基于结构分析的血液病白细胞散点图相似度分析方法 | |
CN113408480A (zh) | 基于骨髓细胞形态学的血液疾病人工智能辅助诊断系统 | |
CN112183459A (zh) | 一种基于进化多目标优化的遥感水质图像分类方法 | |
CN112036334A (zh) | 待测样本中的有形成分分类方法、系统及终端 | |
CN114742803A (zh) | 一种结合深度学习与数字图像处理算法的血小板聚集检测方法 | |
CN113380318B (zh) | 人工智能辅助流式细胞术40cd免疫表型检测方法及系统 | |
CN113869124A (zh) | 基于深度学习的血细胞形态学分类方法及系统 | |
CN114496196A (zh) | 医疗实验室临床生化检验自动审核系统 | |
CN111833297B (zh) | 一种骨髓细胞形态学自动检测系统的疾病联想方法 | |
CN114152557A (zh) | 基于图像分析的血细胞计数方法和系统 |
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 |