CN112884663A - 一种针对组织质谱成像结果识别并划分细胞边界的方法 - Google Patents
一种针对组织质谱成像结果识别并划分细胞边界的方法 Download PDFInfo
- Publication number
- CN112884663A CN112884663A CN202110063054.2A CN202110063054A CN112884663A CN 112884663 A CN112884663 A CN 112884663A CN 202110063054 A CN202110063054 A CN 202110063054A CN 112884663 A CN112884663 A CN 112884663A
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- file
- identifying
- antibody
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003384 imaging method Methods 0.000 title claims abstract description 22
- 238000001819 mass spectrum Methods 0.000 title claims abstract description 14
- 210000004027 cell Anatomy 0.000 claims description 48
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 210000001519 tissue Anatomy 0.000 claims description 17
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000004949 mass spectrometry Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 210000003855 cell nucleus Anatomy 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 210000000170 cell membrane Anatomy 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 102100033072 DNA replication ATP-dependent helicase DNA2 Human genes 0.000 claims description 3
- 101000927313 Homo sapiens DNA replication ATP-dependent helicase DNA2 Proteins 0.000 claims description 3
- 101000581981 Homo sapiens Neural cell adhesion molecule 1 Proteins 0.000 claims description 3
- 101000738771 Homo sapiens Receptor-type tyrosine-protein phosphatase C Proteins 0.000 claims description 3
- 101000617738 Homo sapiens Survival motor neuron protein Proteins 0.000 claims description 3
- 101000716102 Homo sapiens T-cell surface glycoprotein CD4 Proteins 0.000 claims description 3
- 101000946843 Homo sapiens T-cell surface glycoprotein CD8 alpha chain Proteins 0.000 claims description 3
- 102100027347 Neural cell adhesion molecule 1 Human genes 0.000 claims description 3
- 102100037422 Receptor-type tyrosine-protein phosphatase C Human genes 0.000 claims description 3
- 102100021947 Survival motor neuron protein Human genes 0.000 claims description 3
- 102100036011 T-cell surface glycoprotein CD4 Human genes 0.000 claims description 3
- 102100034922 T-cell surface glycoprotein CD8 alpha chain Human genes 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 6
- 239000000090 biomarker Substances 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 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
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010856 establishment of protein localization Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000010166 immunofluorescence Methods 0.000 description 1
- 238000003364 immunohistochemistry Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000001871 ion mobility spectroscopy Methods 0.000 description 1
- 238000010329 laser etching Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20024—Filtering details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种针对组织质谱成像结果识别并划分细胞边界的方法，属于质谱成像技术领域，本发明所述技术方案能够对组织质谱成像数据进行细胞边界的识别及划分，该方法基于生物学上细胞抗体的分布特征，首先对不同抗体的结果拆分为不同的图层，然后对特异性的细胞核抗体进行识别，确定细胞核的位置，再对分布于细胞膜上的多种抗体进行融合，确定细胞边界的位置，然后将DNA图层文件与细胞边界图层文件融合后，即可得到细胞所处的位置，最终得到细胞边界的预测结果文件。
Description
技术领域
本发明属于质谱成像技术领域，具体为一种针对组织质谱成像结果识别并划分细胞边界的方法。
背景技术
组织质谱成像系统自2017年年底正式推出以来，被广泛用于肿瘤、免疫、体外诊断、生物标志物筛选和形态学等众多领域。在细胞类型识别、不同细胞在空间组织机构中的相互关系，蛋白定位、蛋白表达和相互作用等研究中发挥着重要作用。组织质谱成像系统的研发基于先进创新的成像质谱流式技术，这一技术由成熟的质谱流式技术发展而来，进一步与激光刻蚀等成熟技术相结合，特别是金属标签标记抗体的专利技术，彻底避免了传统免疫荧光检测中自发荧光对结果的信号干扰，突破性地将单张组织切片参数检测范围从几个提升至几十个，大幅拓展了单样本的数据产出量和检测范围，使数据更全面，结果更可靠，也能更加有效地识别、鉴定特定环境中的生物标志物。与传统免疫组化相比较，组织质谱成像技术具有通道多、无串色、背景低、节约样本、数据质量高等优势。
但是组织质谱成像的扫描结果，仍然需要人眼对细胞进行识别，并且估算细胞数量，无法对数据进行整体的量化分析，在大样本量的情况下，分析仍然十分困难，且由于人主观因素的影响，不同人员的分析结果可能千差万别，不利于分析的规范化。
发明内容
(一)解决的技术问题
为了克服现有技术的上述缺陷，本发明提供了一种针对组织质谱成像结果识别并划分细胞边界的方法，解决了组织质谱成像的扫描结果，仍然需要人眼对细胞进行识别，并且估算细胞数量，无法对数据进行整体的量化分析，在大样本量的情况下，分析仍然十分困难，且由于人主观因素的影响，不同人员的分析结果可能千差万别，不利于分析的规范化的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种针对组织质谱成像结果识别并划分细胞边界的方法，基于MCD文件作为输入文件，首先对样本切片，然后采用质谱成像系统对样本进行扫描，检测不同样本的单细胞层面的多种抗体信息，包括以下步骤：
S1、对得到的MCD原始文件进行拆分，针对不同种类抗体拆分为不同的图层文件，然后得到抗体图层文件，同时将抗体图层文件保存为tiff格式；
S2、用得到的原始文件作为参数，调用卷积神经网络模型进行识别，识别出该样本切片图像中的特殊点；
S3、针对每种抗体的图层文件，使用Gaussian Filter的方法进行锐化处理，然后对图层文件进行灰度处理、滤波处理和边缘化检测提取，生成处理后的tiff格式文件。
S4、对DNA1和DNA2的抗体图层文件进行融合处理，合并为DNA图层文件，作为每个细胞的细胞核的位置进行识别；
S5、将CD45，CD8，CD4，CD56和SMA等细胞膜上的抗体图层文件进行融合处理，合并为细胞边界图层文件，使用Gradient图片分割算法和Otsu过滤算法，对图片进行处理，作为每个细胞的细胞边界位置进行识别；
S6、将上述步骤4和步骤5中得到的细胞图层进行融合，得到细胞边界的图层文件。
作为本发明的进一步方案：所述边缘检测提取图像中不连续部分的特征，根据闭合连续边缘来确定具体区域，将具有相同特征的区域划分在一起，区域之间由边缘进行分界，边缘检测的边缘定义为图像中灰度值发生急剧变化的区域边界；图像灰度变化情况用图像灰度分布梯度反应，通过对原始图像微分技术构造边缘检测算子来进行边缘检测，具体包括图像滤波和图像锐化，然后进行Canny边缘识别算法。
作为本发明的进一步方案：所述步骤3中图像灰度化采用平均值法进行，即计算R、G、B三个分量的平均值，然后将平均值作为灰度图像的灰度值，公式如下：Gray＝(B+G+R)/3。
作为本发明的进一步方案：所述卷积神经网络模型包括正常样本切片数据库、具有异常的样本切片数据库，卷积神经网络模型采用卷积神经网络，卷积神经网络对图像微观结构的特征提取、分类计算、卷积计算、深化学习过程和迭代检测。
(三)有益效果
与现有技术相比，本发明的有益效果在于：
1、本发明所述技术方案能够对组织质谱成像数据进行细胞边界的识别及划分，该方法基于生物学上细胞抗体的分布特征，首先对不同抗体的结果拆分为不同的图层，然后对特异性的细胞核抗体进行识别，确定细胞核的位置，再对分布于细胞膜上的多种抗体进行融合，确定细胞边界的位置，然后将DNA图层文件与细胞边界图层文件融合后，即可得到细胞所处的位置，最终得到细胞边界的预测结果文件。
2、本发明采用卷积神经网络模型对扫描得到的数据进行分析处理，方便判断和匹配异常数据，采用对原始文件进行拆分的方式，实现多种抗体的分层，可以在分层后直观的了解抗体的种类，可以为判断疾病提供一定的数据支持。
3、本发明中采用滤板和锐化处理，可以对各抗体图层中的离群点进行去除，避免部分飘散离群点对各图层融合过程中的观察和判断造成影响，同时可补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰。
附图说明
图1为本发明结构示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
如图1所示，本发明提供一种技术方案：
一种针对组织质谱成像结果识别并划分细胞边界的方法，基于MCD文件作为输入文件，首先对样本切片，然后采用质谱成像系统对样本进行扫描，检测不同样本的单细胞层面的多种抗体信息，包括以下步骤：
S1、对得到的MCD原始文件进行拆分，针对不同种类抗体拆分为不同的图层文件，然后得到抗体图层文件，同时将抗体图层文件保存为tiff格式；
S2、用得到的原始文件作为参数，调用卷积神经网络模型进行识别，识别出该样本切片图像中的特殊点；
S3、针对每种抗体的图层文件，使用Gaussian Filter的方法进行锐化处理，然后对图层文件进行灰度处理、滤波处理和边缘化检测提取，生成处理后的tiff格式文件。
S4、对DNA1和DNA2的抗体图层文件进行融合处理，合并为DNA图层文件，作为每个细胞的细胞核的位置进行识别；
S5、将CD45，CD8，CD4，CD56和SMA等细胞膜上的抗体图层文件进行融合处理，合并为细胞边界图层文件，使用Gradient图片分割算法和Otsu过滤算法，对图片进行处理，作为每个细胞的细胞边界位置进行识别；
S6、将上述步骤4和步骤5中得到的细胞图层进行融合，得到细胞边界的图层文件。
边缘检测提取图像中不连续部分的特征，根据闭合连续边缘来确定具体区域，将具有相同特征的区域划分在一起，区域之间由边缘进行分界，边缘检测的边缘定义为图像中灰度值发生急剧变化的区域边界；图像灰度变化情况用图像灰度分布梯度反应，通过对原始图像微分技术构造边缘检测算子来进行边缘检测，具体包括图像滤波和图像锐化，然后进行Canny边缘识别算法。
步骤3中图像灰度化采用平均值法进行，即计算R、G、B三个分量的平均值，然后将平均值作为灰度图像的灰度值，公式如下：Gray＝(B+G+R)/3。
卷积神经网络模型包括正常样本切片数据库、具有异常的样本切片数据库，卷积神经网络模型采用卷积神经网络，卷积神经网络对图像微观结构的特征提取、分类计算、卷积计算、深化学习过程和迭代检测。
综上可得：
本发明能够对组织质谱成像数据进行细胞边界的识别及划分，该方法基于生物学上细胞抗体的分布特征，首先对不同抗体的结果拆分为不同的图层，然后对特异性的细胞核抗体进行识别，确定细胞核的位置，再对分布于细胞膜上的多种抗体进行融合，确定细胞边界的位置，然后将DNA图层文件与细胞边界图层文件融合后，即可得到细胞所处的位置，最终得到细胞边界的预测结果文件。
本发明采用卷积神经网络模型对扫描得到的数据进行分析处理，方便判断和匹配异常数据，采用对原始文件进行拆分的方式，实现多种抗体的分层，可以在分层后直观的了解抗体的种类，可以为判断疾病提供一定的数据支持。
本发明中采用滤板和锐化处理，可以对各抗体图层中的离群点进行去除，避免部分飘散离群点对各图层融合过程中的观察和判断造成影响，同时可补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。
Claims (4)
1.一种针对组织质谱成像结果识别并划分细胞边界的方法，基于MCD文件作为输入文件，首先对样本切片，然后采用质谱成像系统对样本进行扫描，检测不同样本的单细胞层面的多种抗体信息，其特征在于，包括以下步骤：
S1、对得到的MCD原始文件进行拆分，针对不同种类抗体拆分为不同的图层文件，然后得到抗体图层文件，同时将抗体图层文件保存为tiff格式；
S2、用得到的原始文件作为参数，调用卷积神经网络模型进行识别，识别出该样本切片图像中的特殊点；
S3、针对每种抗体的图层文件，使用Gaussian Filter的方法进行锐化处理，然后对图层文件进行灰度处理、滤波处理和边缘化检测提取，生成处理后的tiff格式文件。
S4、对DNA1和DNA2的抗体图层文件进行融合处理，合并为DNA图层文件，作为每个细胞的细胞核的位置进行识别；
S5、将CD45，CD8，CD4，CD56和SMA等细胞膜上的抗体图层文件进行融合处理，合并为细胞边界图层文件，使用Gradient图片分割算法和Otsu过滤算法，对图片进行处理，作为每个细胞的细胞边界位置进行识别；
S6、将上述步骤4和步骤5中得到的细胞图层进行融合，得到细胞边界的图层文件。
2.根据权利要求1所述的一种针对组织质谱成像结果识别并划分细胞边界的方法，其特征在于：所述边缘检测提取图像中不连续部分的特征，根据闭合连续边缘来确定具体区域，将具有相同特征的区域划分在一起，区域之间由边缘进行分界，边缘检测的边缘定义为图像中灰度值发生急剧变化的区域边界；图像灰度变化情况用图像灰度分布梯度反应，通过对原始图像微分技术构造边缘检测算子来进行边缘检测，具体包括图像滤波和图像锐化，然后进行Canny边缘识别算法。
3.根据权利要求2所述的一种针对组织质谱成像结果识别并划分细胞边界的方法，其特征在于：所述步骤3中图像灰度化采用平均值法进行，即计算R、G、B三个分量的平均值，然后将平均值作为灰度图像的灰度值，公式如下：Gray＝(B+G+R)/3。
4.根据权利要求1所述的一种针对组织质谱成像结果识别并划分细胞边界的方法，其特征在于：所述卷积神经网络模型包括正常样本切片数据库、具有异常的样本切片数据库，卷积神经网络模型采用卷积神经网络，卷积神经网络对图像微观结构的特征提取、分类计算、卷积计算、深化学习过程和迭代检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063054.2A CN112884663B (zh) | 2021-01-18 | 2021-01-18 | 一种针对组织质谱成像结果识别并划分细胞边界的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063054.2A CN112884663B (zh) | 2021-01-18 | 2021-01-18 | 一种针对组织质谱成像结果识别并划分细胞边界的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112884663A true CN112884663A (zh) | 2021-06-01 |
| CN112884663B CN112884663B (zh) | 2023-11-21 |
Family
ID=76049019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110063054.2A Active CN112884663B (zh) | 2021-01-18 | 2021-01-18 | 一种针对组织质谱成像结果识别并划分细胞边界的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112884663B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013080169A1 (fr) * | 2011-12-02 | 2013-06-06 | BIOMéRIEUX, INC. | Procede d'identification de microorganismes par spectrometrie de masse et normalisation de scores |
| CN107274386A (zh) * | 2017-05-18 | 2017-10-20 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞液基涂片人工智能辅助阅片系统 |
-
2021
- 2021-01-18 CN CN202110063054.2A patent/CN112884663B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013080169A1 (fr) * | 2011-12-02 | 2013-06-06 | BIOMéRIEUX, INC. | Procede d'identification de microorganismes par spectrometrie de masse et normalisation de scores |
| CN107274386A (zh) * | 2017-05-18 | 2017-10-20 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞液基涂片人工智能辅助阅片系统 |
Non-Patent Citations (1)
| Title |
|---|
| 周猛;李俊;: "基于知识的纤维支气管镜刷检细胞图片边缘检测算法的研究", 安徽医科大学学报, no. 01 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112884663B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3486836B1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| JP7076698B2 (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
| CN110376198B (zh) | 一种宫颈液基细胞切片质量检测系统 | |
| EP2927311B1 (en) | Cell observation device, cell observation method and program thereof | |
| US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
| JP4948647B2 (ja) | 尿中粒子画像の領域分割方法及び装置 | |
| US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
| CN110504032B (zh) | 基于苏木精-伊红染片的图像处理来预测肿瘤突变负荷的方法 | |
| WO2005076197A2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
| Ravindran et al. | Determination and classification of blood types using image processing techniques | |
| Ganapathy et al. | CometQ: An automated tool for the detection and quantification of DNA damage using comet assay image analysis | |
| CN111461068A (zh) | 一种染色体中期图识别和分割方法 | |
| CN109117703A (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
| CN111863118A (zh) | 基于tct制片进行tct和dna倍体分析的方法 | |
| CN112037853B (zh) | 筛选能够表达期望产物细胞株的方法 | |
| CN113658174A (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 | |
| CN112750118B (zh) | 一种基于自动视觉检测的单细胞孔板测序中鉴定细胞个数的新方法及系统 | |
| Liu et al. | Adaptive and automatic red blood cell counting method based on microscopic hyperspectral imaging technology | |
| CN111368669A (zh) | 一种基于深度学习和特征增强的非线性光学图像识别方法 | |
| EP1163502A1 (en) | System and method for identifying and analyzing rare cell types in a mixed population of cells | |
| CN112884663A (zh) | 一种针对组织质谱成像结果识别并划分细胞边界的方法 | |
| CN115036011B (zh) | 基于数字病理图像进行实体肿瘤预后评估的系统 | |
| US20220383629A1 (en) | Label-free cell classification and screening system based on hybrid transfer learning | |
| CN114627308A (zh) | 一种骨髓细胞形态学特征的提取方法与系统 | |
| DK201570249A1 (en) | Method and system for detection of fluid inclusion |
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 |