CN112801967B - 一种精子形态分析方法和装置 - Google Patents

一种精子形态分析方法和装置 Download PDF

Info

Publication number
CN112801967B
CN112801967B CN202110083620.6A CN202110083620A CN112801967B CN 112801967 B CN112801967 B CN 112801967B CN 202110083620 A CN202110083620 A CN 202110083620A CN 112801967 B CN112801967 B CN 112801967B
Authority
CN
China
Prior art keywords
sperm
morphology
image
head
connected domains
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
Application number
CN202110083620.6A
Other languages
English (en)
Other versions
CN112801967A (zh
Inventor
苏敬勇
彭博濠
李克洲
姜东志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110083620.6A priority Critical patent/CN112801967B/zh
Publication of CN112801967A publication Critical patent/CN112801967A/zh
Application granted granted Critical
Publication of CN112801967B publication Critical patent/CN112801967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明实施例提供了一种精子形态分析方法及装置，采用斑点检测算法检测出原始精子形态图像中的斑点位置，并用预设尺寸的框标记斑点位置，作为精子头部区域；利用预训练好的残差神经网络模型对精子头部区域进行质量识别分类；利用预训练好的UNET全卷积神经网络对精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；计算第一标记图像中被标记为顶体和中段的所有像素的连通域，在面积最大的两个目标连通域中利用像素数比值进行重新标记，得到第二标记图像；并输入到预设评价模型中得到第二分类结果。通过对多样的精子形态学参数进行分析，得到准确的分析结果，减少评测错误概率，提高分析效率。

Description

一种精子形态分析方法和装置
技术领域
本发明涉及图像识别技术领域，特别是涉及一种精子形态分析方法和一种精子形态分析装置。
背景技术
精子的形态分析是检查和评价男性生育力的重要手段，是通过测量正常精子与生理及病理范围内的变异精子所占的比例，以反映男性生育能力的重要指标。将采样得到的精子样本通过染色等操作制成标本，在医学显微镜下观察，随机选择多个合适的视野，统计视野下正常精子以及变异精子的数量，对患者的生育能力进行最终评定。
在现有的医院体系中，首先医生会对患者精液进行采样，经过稀释、染色等步骤之后制成玻片标本。将玻片标本放置于载物台上，调节医学显微镜到合适的倍率，在目镜中观察成像的标本视野，并对对视野下的医生认为正常的精子和异常的精子的个数进行统计。移动视野，随机选取多个不同的视野，重复刚才的步骤，最后记录下多个视野下的正常精子及变异精子的总数。通过统计得到的正常精子和变异精子的比例生成最终的报告，对患者的生育能力进行评估。
目前对于精子的正常还是异常的评定完全依照医生的个人经验和主观评定，缺乏真正的公信力，受检查评估医生的个人水平影响严重。即使是同一精子，不同医生的评判结果也可能不同。特别对于缺乏经验的新医生和实习生来说，出现评测错误的概率大大上升。医生在显微镜下面计数的时候，并不会真正的一个一个的对于精子的数量进行计数，而是在出现一个新的视野以后，大概浏览视野中出现的精子分布，然后根据自己的经验对视野中总的精子数目进行一个大概的估计。导致最终统计的结果只是接近真实结果的一个模糊估计值，而并不能真正反映最为准确的实际情况。对于一些具体的参数，例如精子头部的长度、宽度、面积、周长等，人工肉眼的方法不能进行具体的数值测量。人工测量的方式只能对精子的形状参数进行一个大概的估计，不能进行定量的实际测量。人工统计的方法对医生造成了大量的工作负担，医生需要花费大量时间完成重复的机械统计任务，造成了不必要的资源浪费。且长时间的重复机械工作可能使得医生的工作效率及对于正常精子的判断标准出现偏差，导致最终的结果失真。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种精子形态分析方法和相应的一种精子形态分析装置。
为了解决上述问题，本发明实施例公开了一种精子形态分析方法，包括：
获取待分析的原始精子形态图像；
采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；
利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；
利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；
计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，利用被划分为中段的像素个数与所述目标连通域像素总数的比值重新标记，将比值大的目标连通域重新标记为中段，将比值小的目标连通域重新标记为顶体，并得到第二标记图像；
利用所述第二标记图像计算出精子形态学参数；
将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；
基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。
进一步的，所述获取待分析的原始精子形态图像的步骤包括：
从显微镜CCD拍摄系统读入所述待分析的原始精子形态图像；
或，
从预设上传路径载入所述待分析的原始精子形态图像。
进一步的，所述采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域的步骤之前，包括：
利用历史精子形态图像中的精子特征数据设定所述斑点检测算法中的阈值。
进一步的，所述精子形态学参数包括精子尺寸数据和精子性能数据，所述利用所述第二标记图像计算出精子形态学参数的步骤，包括：
利用所述第二标记图像直接计算得到所述精子尺寸数据，其中，所述精子尺寸数据包括精子头部长度、精子头部宽度、精子头部面积、精子头部周长、精子头部圆周率、精子顶体占头部比例、精子中段与头部所成角度、精子中段宽度、精子头部长宽比例；
或，
将所述精子尺寸数据输入至预设的评价模型中得到所述精子性能数据，其中，所述精子性能数据包括精子头部伸展性、精子头部褶皱度、精子头部对称性和精子头部气泡数。
进一步的，所述精子形态学参数的单位为像素，所述将所述精子形态学参数输入到预设的评价模型中得到第二分类结果的步骤之前，还包括：
根据CCD的硬件参数和/或显微镜的放大倍率，将所述精子形态学参数的单位转化为微米，得到目标精子形态学参数。
进一步的，所述利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果的步骤之前，包括：
收集不同精子形态图像的所述精子形态学参数与所述分析结果；
对所述精子形态学参数进行分析、并结合预存的专家经验信息，选取与所述分析结果相关的数据作为所述精子形态学参数；
将所述分析结果、以及选取的所述精子形态学参数构成的数据对，作为样本数据。
进一步的，所述利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果的步骤之前，还包括：
选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述精子形态学参数输入到所述残差神经网络模型，通过所述残差神经网络模型的损失函数，核函数和模型参数进行训练，得到实际训练结果；
确定所述实际训练结果与所述训练样本中的相应分析结果之间的实际训练误差是否满足预设训练误差；
当所述实际训练误差满足所述预设训练误差时，确定对所述残差神经网络模型和模型参数的训练完成；
和/或，
选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述精子形态学参数输入到所述训练完成的所述残差神经网络模型中，以所述损失函数，核函数和所述训练完成的模型参数进行测试，得到实际测试结果；
确定所述实际测试结果与所述测试样本中的相应分析结果之间的实际测试误差是否满足设定测试误差；
当所述实际测试误差满足所述设定测试误差时，确定对所述残差神经网络模型和模型参数的测试完成。
本发明实施例公开了一种精子形态分析装置，包括：
获取模块，用于获取待分析的原始精子形态图像；
第一检测模块，用于采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；
第一分类模块，用于利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；
第一标记模块，用于利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；
第二标记模块，用于计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，利用被划分为中段的像素个数与所述目标连通域像素总数的比值重新标记，将比值大的目标连通域重新标记为中段，将比值小的目标连通域重新标记为顶体，并得到第二标记图像；
计算模块，用于利用所述第二标记图像计算出精子形态学参数；
第二分类模块，用于将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；
评价模块，用于基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。
本发明实施例公开了电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的精子形态分析的方法的步骤。
本发明实施例公开了计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述的精子形态分析的方法的步骤。
本发明实施例包括以下优点：采用神经网络智能区分精子质量，并利用UNET全卷积神经网络获取准确的精子形态学参数，通过对多样的精子形态学参数进行分析，得到准确的分析结果，减少评测错误概率，提高分析效率。
附图说明
图1是本发明的一种精子形态分析方法实施例的步骤流程图；
图2是本发明的一种精子形态分析装置实施例的结构框图；
图3是本发明的一种精子形态分析计算机设备。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例的核心构思之一在于，提供了一种精子形态分析方法及装置，通过获取待分析的原始精子形态图像；采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，将两个目标连通域中面积比例大的重新标记为中段，面积比例小重新标记为顶体，并得到第二标记图像；利用所述第二标记图像计算出精子形态学参数；将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。采用神经网络智能区分精子质量，并利用UNET全卷积神经网络获取准确的精子形态学参数，通过对多样的精子形态学参数进行分析，得到准确的分析结果，减少评测错误概率，提高分析效率。
参照图1，示出了本发明的一种精子形态分析方法实施例的步骤流程图，具体可以包括如下步骤：
S100，获取待分析的原始精子形态图像；
S200，采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；
S300，利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；
S400，利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；
S500，计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，利用被划分为中段的像素个数与所述目标连通域像素总数的比值重新标记，将比值大的目标连通域重新标记为中段，将比值小的目标连通域重新标记为顶体，并得到第二标记图像；
S600，利用所述第二标记图像计算出精子形态学参数；
S700，将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；
S800，基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。
参照上述步骤S100所述，获取待分析的原始精子形态图像；通过采集待检测的患者精液，经过稀释和染色步骤之后制成玻片样本，将上述玻瓶片样本放置在载物台上，并将医学显微镜调到适当的倍率，通过显微镜CCD拍摄上述成像图片，并上传至系统，其中，CCD(Charge-coupled Device，电荷耦合元件)，又称为CCD图像传感器。CCD是一种半导体器件，能够把光学影像转化为数字信号。CCD上植入的微小光敏物质称作像素(Pixel)。一块CCD上包含的像素数越多，其提供的画面分辨率也就越高。CCD的作用就像胶片一样，但它是把图像像素转换成数字信号。CCD上有许多排列整齐的电容，能感应光线，并将影像转变成数字信号。经由外部电路的控制，每个小电容能将其所带的电荷转给它相邻的电容。作为一种光数转化元件。显微镜CCD，也可以称为显微镜成像系统或显微镜摄像头。
参照上述步骤S200所述，采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；上述斑点指的是与周围有着颜色和灰度差别的区域，通过历史的精子形态特征数据设定斑点检测算法中的阈值，利用斑点检测算法筛选出图像中精子头部，在一具体实施例中，根据检测出的斑点位置用128*128(像素*像素)的正方形方框选出精子的头部区域。
参照上述步骤S300所述，利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；通过预建立的精子形态学参数与分析结果之间的对应关系，确定与所述历史精子形态学参数，以及所述当前精子形态学参数对应的所述当前第一分类结果；具体地，确定与所述历史精子形态学参数，以及所述当前精子形态学参数对应的当前第一分类结果，包括：将所述对应关系中与所述历史精子形态学参数，以及所述当前精子形态学参数相同的精子形态学参数所对应的分析结果，确定为所述当前第一分类结果。
参照上述步骤S400所述，利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；具体的，采用预先训练好的UNET全卷积神经网络，将获得的含有精子头部的128*128(像素*像素)的图像分割为4类，包括有顶体、细胞核、中段及背景。并对上述四个部分分别标记以示区分。
参照上述步骤S500所述，计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，利用被划分为中段的像素个数与所述目标连通域像素总数的比值重新标记，将比值大的目标连通域重新标记为中段，将比值小的目标连通域重新标记为顶体，并得到第二标记图像；
具体的，步骤S400中所区分出来的顶体和中段的标记会存在一定的误差，具体标记中顶体中可能存在中段标记，中段中可能存在顶体标记，因此采用步骤S500中的二次优化的方式，筛选出第一标记图像中被标记的初始顶体和初始中段的像素区域，计算出上述两个区域的连通域，筛选出连通域中面积最大的两个连通域作为目标连通域，计算出两个目标连通域中的被划分为中段的像素个数，分别求两个连通域中段像素个数与目标连通域像素总数的比值，对两个比值进行比较，比值大的目标连通域被重新标记为中段，比值小的目标连通域被重新标记为顶体，通过采用上述方法对每个细胞依次进行二次标记，经过上述二次标记后，能够将掺杂在顶体中的中段标记去除，将掺杂在中段中的顶体像素去除，使得标记的图像更加准确，保证分析结果的准确性。
参照上述步骤S600所述，利用所述第二标记图像计算出精子形态学参数；通过第二标记图像能够得到准确的精子顶体、细胞核及中段三个部分的位置信息，通过上述位置信息能够直接得到精子的尺寸信息，根据相关的公式能够得到相应的精子性能信息。
参照上述步骤S700所述，将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；上述评价模型是利用世界卫生组织相关的精子质量评定标准来训练得到。通过将检测到的精子形态学参数输入至标准中，能够准确的恒定上述精子形态学参数在标准中的评判界限，明确的得到判断的依据和支持，分析结果更加客观准确。
参照上述步骤S800所述，基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。本申请通过将两个结果综合评判精子的质量，其结果更加准确。第一分类结果是利用人工智能训练出来的残差神经网络模型直接对得到的图像数据进行分析，可以快速的得到分析的结果，第二分类结果是根据预训练好的UNET全卷积神经网络进行图像识别，得到精子形态学参数，对精子形态学参数进行评定。通过对第一分类结果和第二分类结果的综合评定，当第一分类结果和第二分类结果中得到的精子质量均为优质精子时，该精子才能被认定为优质精子，其他情况均会被认定为劣质精子。
在本实施例中，所述获取待分析的原始精子形态图像的步骤S100包括：
从显微镜CCD拍摄系统读入所述待分析的原始精子形态图像；
或，
从预设上传路径载入所述待分析的原始精子形态图像。
在本实施例中，上述原始精子形态图像可以通过显微镜CCD直接拍摄获得，也可通过网络上传其他途径拍摄得到的精子形态图像。
在本实施例中，所述采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域的步骤之前，包括：
利用历史精子形态图像中的精子特征数据设定所述斑点检测算法中的阈值。具体的，通过斑点检测算法，并采用根据精子图像的特征提前设定的阈值，获得斑点位置，即每个精子所在位置，根据检测出的斑点位置用一个128*128(像素*像素)的正方形方框选出精子的头部区域。
在本实施例中，所述精子形态学参数包括精子尺寸数据和精子性能数据，所述利用所述第二标记图像计算出精子形态学参数的步骤S600，包括：
利用所述第二标记图像直接计算得到所述精子尺寸数据，其中，所述精子尺寸数据包括精子头部长度、精子头部宽度、精子头部面积、精子头部周长、精子头部圆周率、精子顶体占头部比例、精子中段与头部所成角度、精子中段宽度、精子头部长宽比例；
或，
将所述精子尺寸数据输入至预设的评价模型中得到所述精子性能数据，其中，所述精子性能数据包括精子头部伸展性、精子头部褶皱度、精子头部对称性和精子头部气泡数。
精子头部气泡数是使用局部自适应阈值算法分离出气泡，然后检测连通域的个数作为气泡的个数，需要说明的是，此处的连通域和步骤S500中的连通域无关。
在本实施例中，所述精子形态学参数的单位为像素，所述将所述精子形态学参数输入到预设的评价模型中得到第二分类结果的步骤S700之前，还包括：
根据CCD的硬件参数和/或显微镜的放大倍率，将所述精子形态学参数的单位转化为微米，得到目标精子形态学参数。利用所述第二标记图像计算出精子形态学参数计算出的参数均以像素为单位，在获得CCD的硬件参数及显微镜的放大倍率以后，将计算出的像素单位的单位换算为微米，得到具体的形态学参数。
在本实施例中，所述利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果的步骤S300之前，包括：
收集不同精子形态图像的所述精子形态学参数与所述分析结果；
对所述精子形态学参数进行分析、并结合预存的专家经验信息，选取与所述分析结果相关的数据作为所述精子形态学参数；
将所述分析结果、以及选取的所述精子形态学参数构成的数据对，作为样本数据。
在本实施例中，所述利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果的步骤S300之前，还包括：
选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述精子形态学参数输入到所述残差神经网络模型，通过所述残差神经网络模型的损失函数，核函数和模型参数进行训练，得到实际训练结果；
确定所述实际训练结果与所述训练样本中的相应分析结果之间的实际训练误差是否满足预设训练误差；
当所述实际训练误差满足所述预设训练误差时，确定对所述残差神经网络模型和模型参数的训练完成；
和/或，
选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述精子形态学参数输入到所述训练完成的所述残差神经网络模型中，以所述损失函数，核函数和所述训练完成的模型参数进行测试，得到实际测试结果；
确定所述实际测试结果与所述测试样本中的相应分析结果之间的实际测试误差是否满足设定测试误差；
当所述实际测试误差满足所述设定测试误差时，确定对所述残差神经网络模型和模型参数的测试完成。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图2，示出了本发明的一种精子形态分析装置实施例的结构框图，具体可以包括如下模块：
获取模块100，用于获取待分析的原始精子形态图像；
第一检测模块200，用于采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；
第一分类模块300，用于利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；
第一标记模块400，用于利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；
第二标记模块500，用于计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，利用被划分为中段的像素个数与所述目标连通域像素总数的比值重新标记，将比值大的目标连通域重新标记为中段，将比值小的目标连通域重新标记为顶体，并得到第二标记图像；
计算模块600，用于利用所述第二标记图像计算出精子形态学参数；
第二分类模块700，用于将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；
评价模块800，用于基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。
在本实施例中，所述精子形态学参数包括精子尺寸数据和精子性能数据，所述计算模块600，包括：
第一计算单元，用于利用所述第二标记图像直接计算得到所述精子尺寸数据，其中，所述精子尺寸数据包括精子头部长度、精子头部宽度、精子头部面积、精子头部周长、精子头部圆周率、精子顶体占头部比例、精子中段与头部所成角度、精子中段宽度、精子头部长宽比例；
或，
第二计算单元，用于将所述精子尺寸数据输入至预设的评价模型中得到所述精子性能数据，其中，所述精子性能数据包括精子头部伸展性、精子头部褶皱度、精子头部对称性和精子头部气泡数。
在本实施例中，所述精子形态学参数的单位为像素，还包括：
换算模块，用于根据CCD的硬件参数和/或显微镜的放大倍率，将所述精子形态学参数的单位转化为微米，得到目标精子形态学参数。
在本实施例中，所述第一分类模块300包括：
收集单元，用于收集不同精子形态图像的所述精子形态学参数与所述分析结果；
分析单元，用于对所述精子形态学参数进行分析、并结合预存的专家经验信息，选取与所述分析结果相关的数据作为所述精子形态学参数；
样本获取单元，用于将所述分析结果、以及选取的所述精子形态学参数构成的数据对，作为样本数据。
在本实施例中，还包括：
训练模块，用于选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述精子形态学参数输入到所述残差神经网络模型，通过所述残差神经网络模型的损失函数，核函数和模型参数进行训练，得到实际训练结果；
误差分析模块，用于确定所述实际训练结果与所述训练样本中的相应分析结果之间的实际训练误差是否满足预设训练误差；
训练完成模块，用于当所述实际训练误差满足所述预设训练误差时，确定对所述残差神经网络模型和模型参数的训练完成；
和/或，
测试模块，用于选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述精子形态学参数输入到所述训练完成的所述残差神经网络模型中，以所述损失函数，核函数和所述训练完成的模型参数进行测试，得到实际测试结果；
测试分析模块，用于确定所述实际测试结果与所述测试样本中的相应分析结果之间的实际测试误差是否满足设定测试误差；
测试完成模块，用于当所述实际测试误差满足所述设定测试误差时，确定对所述残差神经网络模型和模型参数的测试完成。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本发明实施例公开了电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的精子形态分析的方法的步骤。
本发明实施例公开了计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述的精子形态分析的方法的步骤。
参照图3，示出了本发明的一种精子形态分析方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图3中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的精子形态分析方法。
也即，上述处理单元16执行上述程序时实现：，包括：
获取待分析的原始精子形态图像；采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，将两个目标连通域中面积比例大的重新标记为中段，面积比例小重新标记为顶体，并得到第二标记图像；利用所述第二标记图像计算出精子形态学参数；将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的精子形态分析方法：
也即，给程序被处理器执行时实现：获取待分析的原始精子形态图像；采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，将两个目标连通域中面积比例大的重新标记为中段，面积比例小重新标记为顶体，并得到第二标记图像；利用所述第二标记图像计算出精子形态学参数；将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的精子形态分析方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (8)

1.一种精子形态分析方法，其特征在于，包括：
获取待分析的原始精子形态图像；
采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；所述斑点指的是与周围有着颜色和灰度差别的区域，通过历史的精子形态特征数据设定斑点检测算法中的阈值，利用斑点检测算法筛选出图像中精子头部；
收集不同精子形态图像的精子形态学参数与分析结果；对所述精子形态学参数进行分析、并结合预存的专家经验信息，选取与所述分析结果相关的数据作为所述精子形态学参数；将所述分析结果、以及选取的所述精子形态学参数构成的数据对，作为样本数据；
利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；
利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；
计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，利用被划分为中段的像素个数与所述目标连通域像素总数的比值重新标记，将比值大的目标连通域重新标记为中段，将比值小的目标连通域重新标记为顶体，并得到第二标记图像；具体的，筛选出第一标记图像中被标记的初始顶体和初始中段的像素区域，计算出上述两个区域的连通域，筛选出连通域中面积最大的两个连通域作为目标连通域，计算出两个目标连通域中的被划分为中段的像素个数，分别求两个连通域中段像素个数与目标连通域像素总数的比值，对两个比值进行比较，比值大的目标连通域被重新标记为中段，比值小的目标连通域被重新标记为顶体；
利用所述第二标记图像计算出精子形态学参数；
将精子尺寸数据输入至预设的评价模型中得到精子性能数据，其中，所述精子性能数据包括精子头部伸展性、精子头部褶皱度、精子头部对称性和精子头部气泡数；其中，所述精子头部气泡数是使用局部自适应阈值算法分离出气泡，然后检测连通域的个数作为气泡的个数；
将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；
基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。
2.根据权利要求1所述的方法，其特征在于，所述获取待分析的原始精子形态图像的步骤包括：
从显微镜CCD拍摄系统读入所述待分析的原始精子形态图像；
或，
从预设上传路径载入所述待分析的原始精子形态图像。
3.根据权利要求1所述的方法，其特征在于，所述精子形态学参数包括精子尺寸数据和精子性能数据，所述利用所述第二标记图像计算出精子形态学参数的步骤，包括：
利用所述第二标记图像直接计算得到所述精子尺寸数据，其中，所述精子尺寸数据包括精子头部长度、精子头部宽度、精子头部面积、精子头部周长、精子头部圆周率、精子顶体占头部比例、精子中段与头部所成角度、精子中段宽度、精子头部长宽比例；
或，
将所述精子尺寸数据输入至预设的评价模型中得到所述精子性能数据，其中，所述精子性能数据包括精子头部伸展性、精子头部褶皱度、精子头部对称性和精子头部气泡数。
4.根据权利要求2所述的方法，其特征在于，所述精子形态学参数的单位为像素，所述将所述精子形态学参数输入到预设的评价模型中得到第二分类结果的步骤之前，还包括：
根据CCD的硬件参数和/或显微镜的放大倍率，将所述精子形态学参数的单位转化为微米，得到目标精子形态学参数。
5.根据权利要求1所述的方法，其特征在于，所述利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果的步骤之前，还包括：
选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述精子形态学参数输入到所述残差神经网络模型，通过所述残差神经网络模型的损失函数，核函数和模型参数进行训练，得到实际训练结果；
确定所述实际训练结果与所述训练样本中的相应分析结果之间的实际训练误差是否满足预设训练误差；
当所述实际训练误差满足所述预设训练误差时，确定对所述残差神经网络模型和模型参数的训练完成；
和/或，
选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述精子形态学参数输入到所述训练完成的所述残差神经网络模型中，以所述损失函数，核函数和所述训练完成的模型参数进行测试，得到实际测试结果；
确定所述实际测试结果与所述测试样本中的相应分析结果之间的实际测试误差是否满足设定测试误差；
当所述实际测试误差满足所述设定测试误差时，确定对所述残差神经网络模型和模型参数的测试完成。
6.一种精子形态分析装置，其特征在于，包括：
获取模块，用于获取待分析的原始精子形态图像；
第一检测模块，用于采用斑点检测算法检测出所述原始精子形态图像中的斑点位置，并用预设尺寸的框标记所述斑点位置，作为精子头部区域；所述斑点指的是与周围有着颜色和灰度差别的区域，通过历史的精子形态特征数据设定斑点检测算法中的阈值，利用斑点检测算法筛选出图像中精子头部；
收集不同精子形态图像的精子形态学参数与分析结果；对所述精子形态学参数进行分析、并结合预存的专家经验信息，选取与所述分析结果相关的数据作为所述精子形态学参数；将所述分析结果、以及选取的所述精子形态学参数构成的数据对，作为样本数据；
第一分类模块，用于利用预训练好的残差神经网络模型对所述精子头部区域进行质量识别，得到第一分类结果；
第一标记模块，用于利用预训练好的UNET全卷积神经网络对所述精子头部区域进行图像分割，得到标记有顶体、细胞核、中段和背景四部分的第一标记图像；
第二标记模块，用于计算所述第一标记图像中被标记为顶体和中段的所有像素的连通域，筛选出面积最大的两个连通域作为目标连通域，利用被划分为中段的像素个数与所述目标连通域像素总数的比值重新标记，将比值大的目标连通域重新标记为中段，将比值小的目标连通域重新标记为顶体，并得到第二标记图像；
计算模块，用于利用所述第二标记图像计算出精子形态学参数；
将精子尺寸数据输入至预设的评价模型中得到精子性能数据，其中，所述精子性能数据包括精子头部伸展性、精子头部褶皱度、精子头部对称性和精子头部气泡数；其中，所述精子头部气泡数是使用局部自适应阈值算法分离出气泡，然后检测连通域的个数作为气泡的个数；
第二分类模块，用于将所述精子形态学参数输入到预设的评价模型中得到第二分类结果；
评价模块，用于基于所述第一分类结果和所述第二分类结果进行评价，得到分析结果。
7.电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的精子形态分析方法的步骤。
8.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的精子形态分析方法的步骤。
CN202110083620.6A 2021-01-21 2021-01-21 一种精子形态分析方法和装置 Active CN112801967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110083620.6A CN112801967B (zh) 2021-01-21 2021-01-21 一种精子形态分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110083620.6A CN112801967B (zh) 2021-01-21 2021-01-21 一种精子形态分析方法和装置

Publications (2)

Publication Number Publication Date
CN112801967A CN112801967A (zh) 2021-05-14
CN112801967B true CN112801967B (zh) 2023-08-11

Family

ID=75811074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110083620.6A Active CN112801967B (zh) 2021-01-21 2021-01-21 一种精子形态分析方法和装置

Country Status (1)

Country Link
CN (1) CN112801967B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313678A (zh) * 2021-05-20 2021-08-27 上海北昂医药科技股份有限公司 一种基于多尺度特征融合的精子形态学自动分析方法
CN113780145A (zh) * 2021-09-06 2021-12-10 苏州贝康智能制造有限公司 精子形态检测方法、装置、计算机设备和存储介质
CN116912155A (zh) * 2022-11-28 2023-10-20 苏州博致医疗科技有限公司 一种准确测量活精子形态的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458821A (zh) * 2019-08-07 2019-11-15 屈晨 一种基于深度神经网络模型的精子形态分析方法
CN111080624A (zh) * 2019-12-17 2020-04-28 北京推想科技有限公司 精子运动状态的分类方法、装置、介质及电子设备
CN111783864A (zh) * 2020-06-24 2020-10-16 盐城吉大智能终端产业研究院有限公司 一种多形态的医学精子图像分类方法
CN112036384A (zh) * 2020-11-04 2020-12-04 成都朴华科技有限公司 精子头部形态识别方法、装置及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200209221A1 (en) * 2016-12-08 2020-07-02 Sigtuple Technologies Private Limited A method and system for evaluating quality of semen sample
US10255693B2 (en) * 2017-05-02 2019-04-09 Techcyte, Inc. Machine learning classification and training for digital microscopy images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458821A (zh) * 2019-08-07 2019-11-15 屈晨 一种基于深度神经网络模型的精子形态分析方法
CN111080624A (zh) * 2019-12-17 2020-04-28 北京推想科技有限公司 精子运动状态的分类方法、装置、介质及电子设备
CN111783864A (zh) * 2020-06-24 2020-10-16 盐城吉大智能终端产业研究院有限公司 一种多形态的医学精子图像分类方法
CN112036384A (zh) * 2020-11-04 2020-12-04 成都朴华科技有限公司 精子头部形态识别方法、装置及设备

Also Published As

Publication number Publication date
CN112801967A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112801967B (zh) 一种精子形态分析方法和装置
JP6900581B1 (ja) 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測
DK2973397T3 (en) Tissue-object-based machine learning system for automated assessment of digital whole-slide glass
WO2021139258A1 (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN102096917B (zh) 胶囊内窥镜冗余图像数据的自动剔除方法
US5671288A (en) Method and apparatus for assessing slide and specimen preparation quality
CN112380900A (zh) 基于深度学习的子宫颈液基细胞数字图像分类方法及系统
CN110974306B (zh) 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统
CN111369523A (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN114581432A (zh) 一种基于深度学习的舌象仪舌象分割方法
JP2024520354A (ja) 病理組織画像におけるアーチファクトの自動セグメンテーション
CN113576508A (zh) 一种基于神经网络的脑出血辅助诊断系统
CN113237881B (zh) 一种特定细胞的检测方法、装置和病理切片检测系统
Avanaki et al. Automatic image quality assessment for digital pathology
CN106682604B (zh) 一种基于深度学习的模糊图像检测方法
CN117310962A (zh) 显微成像的对焦控制方法及装置
CN111160238A (zh) 显微图像质量分析方法、训练方法、系统、设备及介质
CN116342505A (zh) 一种好氧颗粒污泥颗粒化程度的检测方法及检测系统
CN114419401B (zh) 白细胞检测识别方法、装置、计算机存储介质及电子设备
Yu et al. Illumination compensation for microscope images based on illumination difference estimation
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
Totu et al. An objective scoring framework for histology slide image mosaics applicable for the reliable benchmarking of image quality assessment algorithms
CN111134735A (zh) 一种肺部细胞病理快速现场评估系统、方法及计算机可读存储介质
JP2021174201A (ja) プログラム、情報処理装置、情報処理方法及び学習モデルの生成方法
CN109545375A (zh) 一种用于临检细胞骨髓专业的多功能试验平台

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