CN113096096A - 一种融合形态特征的显微图像骨髓细胞计数方法与系统 - Google Patents
一种融合形态特征的显微图像骨髓细胞计数方法与系统 Download PDFInfo
- Publication number
- CN113096096A CN113096096A CN202110392146.5A CN202110392146A CN113096096A CN 113096096 A CN113096096 A CN 113096096A CN 202110392146 A CN202110392146 A CN 202110392146A CN 113096096 A CN113096096 A CN 113096096A
- Authority
- CN
- China
- Prior art keywords
- bone marrow
- image
- marrow cell
- cell
- microscopic image
- 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
- 210000002798 bone marrow cell Anatomy 0.000 title claims abstract description 156
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 73
- 210000004027 cell Anatomy 0.000 claims abstract description 82
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 210000003855 cell nucleus Anatomy 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 31
- 210000004940 nucleus Anatomy 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 210000003714 granulocyte Anatomy 0.000 description 6
- 230000007935 neutral effect Effects 0.000 description 6
- 210000004765 promyelocyte Anatomy 0.000 description 6
- 210000001616 monocyte Anatomy 0.000 description 5
- 206010025323 Lymphomas Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000003743 erythrocyte Anatomy 0.000 description 3
- 210000005056 cell body Anatomy 0.000 description 2
- 230000001086 cytosolic effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 108010077544 Chromatin Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000005087 mononuclear cell Anatomy 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000001131 transforming 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- 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
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合形态特征的显微图像骨髓细胞计数方法与系统,该方法包括:1)获取带标签和无标签的骨髓细胞显微图像,均进行图像预处理;2)分别根据细胞分割标记和分水岭算法,将带标签的/无标签的骨髓细胞显微图像分割为若干带标签的/无标签的单一骨髓细胞显微图像,均进行图像预处理;3)利用改进的最大类间方差法和N距边缘扩充方法对带标签和无标签的单一骨髓细胞显微图像进行细胞核、细胞质分割,并提取形态特征;4)构建混合卷积神经网络模型,将带标签的单一骨髓细胞显微图像输入模型训练;5)用训练好的混合卷积神经网络模型预测无标签的单一骨髓细胞显微图像的细胞类别,对各个细胞类别进行计数。本发明对骨髓细胞计数具有较高的精度。
Description
技术领域
本发明涉及骨髓细胞计数的技术领域,尤其是指一种融合形态特征的显微图像骨髓细胞计数方法与系统。
背景技术
目前,在骨髓细胞计数领域对骨髓细胞精准识别和计数有着十分迫切的需求,传统的骨髓细胞识别计数主要从骨髓细胞的形态学角度出发,如综合考虑骨髓细胞的形状特征、颜色特征和纹理特征等,给出一个粗略的判断。在这种情况下,诊断结果高度依赖于医师的水平,且诊断效率较低;基于骨髓细胞形态特征提取的辅助诊断工具,在一定程度上提高了细胞识别计数的准确率。人工智能技术的发展推动骨髓细胞计数领域不断走向成熟,但如何结合传统的形态特征方法和深度学习技术来提高骨髓细胞计数精度仍然具有挑战。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种融合形态特征的显微图像骨髓细胞计数方法与系统,将细胞形态特征融合到骨髓细胞的深度学习方法分类识别方法中,构建融合形态特征的混合卷积神经网络模型,提高显微图像骨髓细胞各个细胞类别的计数精度。
为实现上述目的,本发明所提供的技术方案如下:
一种融合形态特征的显微图像骨髓细胞计数方法,包括以下步骤:
1)获取带标签和无标签的骨髓细胞显微图像,均进行图像预处理,其中,所述标签为细胞分割标记及细胞类别;
2)根据分割标记将带标签的骨髓细胞显微图像分割为若干带标签的单一骨髓细胞显微图像,利用分水岭算法将无标签的骨髓细胞显微图像分割为若干无标签的单一骨髓细胞显微图像,带标签和无标签的单一骨髓细胞显微图像均进行图像预处理;
3)对最大类间方差法仅适用于分割图像前景和背景两部分的局限性进行改进,扩充至适用于骨髓细胞显微图像中细胞核、细胞质和背景的三部分分割任务,利用改进的最大类间方差法和N距边缘扩充方法对带标签和无标签的单一骨髓细胞显微图像进行细胞核、细胞质分割,得到对应的细胞核和细胞质图像,提取细胞核、细胞质及细胞的形态特征;
4)构建用于骨髓细胞显微图像分类的融合形态特征的混合卷积神经网络模型,所述混合卷积神经网络模型由卷积神经网络部分和融合形态特征的全连接神经网络部分组成,将从步骤2)获得的带标签的单一骨髓细胞显微图像和步骤3)获得的该单一骨髓细胞显微图像的形态特征作为混合卷积神经网络模型的输入数据,进行模型训练,不断调整混合卷积神经网络模型的超参数,使得模型在训练结束时取得高的精度和低的损失;
5)依据步骤4)训练好的混合卷积神经网络模型,预测无标签的单一骨髓细胞显微图像的细胞类别,对无标签骨髓细胞显微图像中的各个骨髓细胞进行计数。
在步骤1)中,所述图像预处理包括直方图均衡化、污点归一化、平滑滤波和转换彩色空间。
在步骤2)中,所述图像预处理包括:①图像裁剪:将细胞图像进行中心裁剪和边缘零填充,统一到大小一致的像素值,以便于进行统一分析;②图像增强:采用限制对比度自适应直方图均衡算法对图像进行增强,扩大局部对比度,显示平滑区域的细节部分;③数据增强:通过将翻转、平移和旋转数据增强方法组合,对样本少的类别进行数据增强,使得各个类别的样本数量保持均衡。
在步骤3)中,细胞核、细胞质分割的步骤如下:
3.1)利用RGB色彩空间模型将彩色图像转为灰度图像;
3.2)选择G分量,将图像像素等比反转,目的是提高染色深的细胞核的像素值,便于获取细胞核图像;
3.3)根据细胞包括细胞核和细胞质的特点,对最大类间方差法进行改进,将其从原先仅适用于两目标的分割任务上,推广到适用于三目标分割问题中,以适应细胞图像中细胞核和细胞质的分割任务,做法是:除划分背景类和目标类外,将中间强度像素单独划分为一类;将分割后得到的单一骨髓细胞显微图像中细胞大小范围设定为[m,n],其中m,n分别对应最小细胞直径和最大细胞直径,m,n均为正整数,利用改进的最大类间方差法获得单一骨髓细胞的细胞核图像;
3.4)利用N距边缘扩充方法获得细胞质图像,N距边缘扩充方法依照单一骨髓细胞显微图像,对获得的细胞核图像进行边缘扩展指定的范围d,其中0<d≤(细胞直径—细胞核直径)/2,d为整数,从而得到对应的细胞质图像。
在步骤3)中,所述形态特征包括形状特征、颜色特征和纹理特征;其中,形状特征和颜色特征直接通过计算得到,纹理特征则需首先使用等价模式的LBP算子进行描述表示,LBP算子的数学公式描述如下:
式中,xc表示中心像素点的横坐标,yc表示中心像素点的纵坐标,I(q)表示窗口中除了中心像素之外的第q个像素的灰度值,I(c)表示中心像素点的灰度,s(·)为门限函数,数学公式描述如下:
等价模式的将含有Q个采样点的2Q种LBP算子进行降维,然后计算均值、标准差、偏度、峰度和熵值,作为纹理特征的表征值。
在步骤4)中,所述卷积神经网络部分是指包含若干卷积块的卷积神经网络,卷积块中包括两个或三个卷积层和一个最大池化层;其中第一个卷积层的输入为步骤2)获得的带标签的单一骨髓细胞显微图像,第二个卷积层的输入为第一个卷积层的输出,依次类推;其中第一卷积块的两个卷积层的卷积核数量均为2k,k为正整数,卷积核大小为θ×θ,θ为正整数;第二卷积块的两个卷积层的卷积核数量均为2k+1,卷积核大小为θ×θ;第三卷积块的三个卷积层的卷积核数量均为2k+2,卷积核大小为θ×θ;第四卷积块的三个卷积层的卷积核数量均为2k+3,卷积核大小为θ×θ;第五卷积块的三个卷积层的卷积核数量均为2k+4,卷积核大小为θ×θ;每个卷积层均采用LeakyReLU函数作为激活函数;每个池化层均采用最大池化操作,池化窗口大小为(θ-1)×(θ-1);将第五个卷积块的最后一个卷积层的输出,以及步骤3)得到的该单一骨髓细胞显微图像的形态特征拼接成一维特征作为全连接层的输入,最后输出预测每种分类标签的概率值。
在步骤4)中,所述融合形态特征的全连接神经网络部分是指结合形态特征输入的全连接神经网络,依次包括第一全连接层、第一规范层、第一Dropout层、第二全连接层、第二规范层、第二Dropout层和第三全连接层;其中第一、二全连接层的神经元数量均为22n,n为正整数;第三全连接层的神经元数量为CN,即骨髓细胞类别数;第一、二全连接层均采用LeakyReLU函数作为激活函数;第三全连接层采用SoftMax函数作为激活函数;规范层均将上一层的传递结果进行重新规范化,使其结果的均值接近0,标准差接近1;Dropout层均以p>0的概率保留上一层传递的结果;将第二Dropout层输出的一维向量和形态特征通过融合层拼接成一维特征,输入到第三全连接层;全连接神经网络的输出为CN个概率值,表示预测结果为每种分类标签的概率值。
一种融合形态特征的显微图像骨髓细胞计数系统,包括:
图像预处理模块,用于对图像进行预处理,输入对象包括:①导入系统的带标签和无标签的骨髓细胞显微图像,②图像分割模块输出的带标签和无标签的单一骨髓细胞显微图像;对象①的预处理包括直方图均衡化、污点归一化、平滑滤波和转换彩色空间;对象②的预处理包括图像裁剪、图像增强和数据增强;
图像分割模块,用于对骨髓细胞显微图像进行细胞分割,分割对象包括:①带标签的骨髓细胞显微图像,②无标签的骨髓细胞显微图像;所述图像分割模块根据分割标记将带标签的骨髓细胞显微图像分割为若干带标签的单一骨髓细胞显微图像,利用分水岭算法将无标签的骨髓细胞显微图像分割为若干无标签的单一骨髓细胞显微图像;
形态特征提取模块,用于提取单一骨髓细胞的细胞、细胞核、细胞质形态特征;输入对象包括:①带标签的单一骨髓细胞显微图像,②无标签的单一骨髓细胞显微图像;所述形态特征提取模块包括细胞核质分割、细胞形态特征提取、细胞核形态特征提取和细胞质形态特征提取步骤;在细胞核质分割步骤中,利用改进的最大类间方差法获得细胞核图像,利用N距边缘扩充方法获得细胞质图像,其中改进的最大类间方差法是对最大类间方差法仅适用于分割图像前景和背景两部分的局限性进行改进,扩充至适用于骨髓细胞显微图像中细胞核、细胞质和背景的三部分分割任务,做法是:除划分背景类和目标类外,将中间强度像素单独划分为一类;在细胞形态特征提取、细胞核形态特征提取和细胞质形态特征提取步骤中,均提取形状特征、颜色特征和纹理特征,其中纹理特征需使用等价模式的LBP算子进行描述表示;
模型训练模块,用于将构建的融合形态特征的混合卷积神经网络模型进行模型训练,输入对象包括:①图像预处理模块输出的带标签的单一骨髓细胞图像,②形态特征提取模块输出的带标签的单一骨髓细胞显微图像的细胞、细胞核和细胞质的形态特征;所述模型训练模块评估目前的计算资源,分配闲置的计算资源用于模型训练,可视化模型训练过程,并保存模型训练结果;
细胞类别计数模块,用于对无标签的骨髓细胞显微图像中的单一骨髓细胞进行计数,输入对象包括:①图像预处理模块输出的无标签的单一骨髓细胞显微图像,②形态特征提取模块输出的无标签的单一骨髓细胞显微图像的细胞、细胞核和细胞质的形态特征,③模型训练模块中保存的模型训练结果;所述细胞类别计数模块载入模型训练结果③对①和②进行预测,得到无标签的单一骨髓细胞显微图像的预测标签,即所属类别;将预测标签对应到原始无标签的骨髓细胞显微图像中,完成无标签的骨髓细胞显微图像的细胞类别计数。
本发明与现有技术相比,具有如下优点与有益效果:
本发明将传统的形态特征分析方法和目前流行的深度学习方法进行结合,提出一种融合形态特征的混合卷积神经网络模型,用于对标签未知的骨髓细胞显微图像进行准确识别计数,具有较高的精度。本发明对传统的最大类间方差法进行改进,以适用于细胞图像中细胞核和细胞质的分割任务。
附图说明
图1为本发明的逻辑流程示意图。
图2为本发明使用的混合卷积神经网络模型结构图。
图3为本发明系统的架构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
在本实施例中,对骨髓细胞中的早幼粒细胞、单核细胞、淋巴瘤细胞、晚幼红细胞、原始单核细胞、原始粒细胞、原幼淋巴细胞、早幼红细胞、中性分叶核粒细胞、中性杆状核粒细胞、中性晚幼粒细胞、中性中幼粒细胞、中幼红细胞进行13类别识别计数。
如图1所示,本实施例所提供的融合形态特征的显微图像骨髓细胞计数方法,具体步骤如下:
1)获取带标签和无标签的骨髓细胞显微图像,均进行图像预处理,所述标签为细胞分割标记及细胞类别;
所述图像预处理包括直方图均衡化、污点归一化、平滑滤波和转换彩色空间。
所述标签为包含标签的骨髓细胞显微图像中的图像标注属性,分别为早幼粒细胞、单核细胞、淋巴瘤细胞、晚幼红细胞等13种类别属性;以及骨髓细胞显微图像中各个类别细胞的分割标记,如细胞边界。
2)根据分割标记将带标签的骨髓细胞显微图像分割为若干带标签的单一骨髓细胞显微图像,利用分水岭算法将无标签的骨髓细胞显微图像分割为若干无标签的单一骨髓细胞显微图像,带标签和无标签的单一骨髓细胞显微图像均进行图像预处理;
在本实施例中,根据分割标记,使用抠图方法对带标签的骨髓细胞显微图像进行图像分割,得到单一骨髓细胞显微图像及其类别标签。
在本实施例中,所述图像预处理包括:①图片裁剪:将细胞图像进行中心裁剪和边缘零填充,统一到大小一致的像素值,为224*224;②图像增强:采用限制对比度自适应直方图均衡算法对细胞图像进行增强;③数据增强:通过组合翻转、平移和旋转数据增强方法,对淋巴瘤细胞、原始单核细胞以及早幼粒细胞等数量较少的类别进行数据增强,使得各个类别的样本数保持均衡。本实例中仅对分割后得到的早幼粒细胞、单核细胞、淋巴瘤细胞、晚幼红细胞、原始单核细胞、原始粒细胞、原幼淋巴细胞、早幼红细胞、中性分叶核粒细胞、中性杆状核粒细胞、中性晚幼粒细胞、中性中幼粒细胞、中幼红细胞这13类进行图像预处理,其它类别暂不考虑。
3)对最大类间方差法仅适用于分割图像前景和背景两部分的局限性进行改进,扩充至适用于骨髓细胞显微图像中细胞核、细胞质和背景的三部分分割任务,做法是:除划分背景类和目标类外,将中间强度像素单独划分为一类;利用改进的最大类间方差法和N距边缘扩充方法对带标签和无标签的单一骨髓细胞显微图像进行细胞核、细胞质分割,得到对应的细胞核和细胞质图像,提取细胞核、细胞质及细胞的形态特征。
在本实施例中,对上述13类细胞进行细胞核、细胞质分割。细胞核、细胞质分割的步骤如下:第一步,利用RGB色彩空间模型将彩色图像转为灰度图像;第二步,选择G分量,将图像像素等比反转,目的是提高染色较深的细胞核的像素值,便于获取细胞核图像;第三步,对最大类间方差法进行改进,将分割后得到的单一骨髓细胞大小范围设定为[25,80],采用全局阈值的最大类间方差法进行三分类,指定中间强度像素归类到“背景”类,利用改进后的最大类间方差法从单一骨髓细胞显微图像中提取细胞核;第四步,利用N距边缘扩充方法获得细胞质图像,N距边缘扩充方法依照单一骨髓细胞显微图像,对获得的细胞核图像进行边缘扩展10个像素点,从而得到对应的细胞质图像。
在本实施例中,形态特征由形状特征、颜色特征、纹理特征组成。其中,形状特征中包含胞体直径范围、胞体/胞核形状及大小、染色质形状、核仁形状、胞质面积及核质面积比等;颜色特征包含胞质颜色、胞质灰度均值、标准差等,这些可以直接通过计算得到。纹理特征则需首先使用等价模式的LBP算子进行描述表示,LBP算子的数学公式描述如下:
其中,xc表示中心像素点的横坐标,yc表示中心像素点的纵坐标,I(q)表示窗口中除了中心像素之外的第q个像素的灰度值,I(c)表示中心像素点的灰度,s(·)为门限函数,数学公式描述如下:
等价模式的将含有Q个采样点的2Q种LBP算子进行降维,然后计算均值、标准差、偏度、峰度和熵值,作为纹理特征的表征值。
4)构建用于骨髓细胞显微图像分类的融合形态特征的混合卷积神经网络模型,如图2所示。混合卷积神经网络模型由卷积神经网络部分和融合形态特征的全连接神经网络部分组成,将从步骤2)获得的带标签的单一骨髓细胞显微图像和步骤3)获得的该单一骨髓细胞显微图像的形态特征作为混合卷积神经网络模型的输入数据,进行模型训练,不断调整混合卷积神经网络模型的超参数,使得模型在训练结束时取得高的精度和低的损失;
在本实施例中,所述卷积神经网络部分是指包含5个卷积块的卷积神经网络,卷积块中包括两个或三个卷积层和一个最大池化层。其中第一个卷积层的输入为步骤2)获得的带标签的单一骨髓细胞显微图像,第二个卷积层的输入为第一个卷积层的输出,依次类推。所述卷积神经网络依次包括输入层(Input_1),第一卷积块(Conv2d_1,Conv2d_2),第一池化层(MaxPooling2d_1),第二卷积块(Conv2d_3,Conv2d_4),第二池化层(MaxPooling2d_2),第三卷积块(Conv2d_5,Conv2d_6,Conv2d_7),第三池化层(MaxPooling2d_3),第四卷积块(Conv2d_8,Conv2d_9,Conv2d_10),第四池化层(MaxPooling2d_4),第五卷积块(Conv2d_11,Conv2d_12,Conv2d_13),第五池化层(MaxPooling2d_5),以及展平层(Flatten)。其中第一卷积块的两个卷积层的卷积核数量均为64,卷积核大小为3*3;第二卷积块的两个卷积层的卷积核数量均为128,卷积核大小为3*3;第三卷积块的三个卷积层的卷积核数量均为256,卷积核大小为3*3;第四卷积块的三个卷积层的卷积核数量均为512,卷积核大小为3*3;第五卷积块的三个卷积层的卷积核数量均为1024,卷积核大小为3*3;所述每个卷积层均采用LeakyReLU函数作为激活函数;所述每一个池化层均采用最大池化操作,池化窗口大小为2*2。
所述融合形态特征的全连接神经网络部分是指结合形态特征输入的全连接神经网络,所述全连接神经网络依次包括第一全连接层(Dense_1)、第一规范层(BatchNormalization_1)、第一Dropout层、第二全连接层(Dense_2)、第二规范层(BatchNormalization_2)、第二Dropout层、第三全连接层(Dense_3);其中第一、二全连接层的神经元数量均为4096;第三全连接层的神经元数量为1000;第一、二全连接层均采用LeakyReLU函数作为激活函数;第三全连接层采用SoftMax函数作为激活函数;规范层均将上一层的传递结果进行重新规范化,使其结果的均值接近0,标准差接近1;Dropout层均以0.5的概率保留上一层传递的结果;将第二Dropout层输出的一维向量和形态特征(Input_2)通过融合层(Merge)拼接成一维特征,输入到第三全连接层。全连接神经网络的输出(Output)为多个概率值,表示预测结果为每种分类标签的概率值。
5)依据步骤4)训练好的混合卷积神经网络模型,预测无标签的单一骨髓细胞显微图像的细胞类别,对无标签骨髓细胞显微图像中的各个骨髓细胞进行计数。
如图3所示,本实施例也提供了一种融合形态特征的显微图像骨髓细胞计数系统,包括:
图像预处理模块,用于对图像进行预处理,输入对象包括:①导入系统的带标签和无标签的骨髓细胞显微图像,②图像分割模块输出的带标签和无标签的单一骨髓细胞显微图像;对象①的预处理包括直方图均衡化、污点归一化、平滑滤波和转换彩色空间;对象②的预处理包括图像裁剪、图像增强和数据增强;
图像分割模块,用于对骨髓细胞显微图像进行细胞分割,分割对象包括:①带标签的骨髓细胞显微图像,②无标签的骨髓细胞显微图像;所述图像分割模块根据分割标记将带标签的骨髓细胞显微图像分割为若干带标签的单一骨髓细胞显微图像,利用分水岭算法将无标签的骨髓细胞显微图像分割为若干无标签的单一骨髓细胞显微图像;
形态特征提取模块,用于提取单一骨髓细胞的细胞、细胞核、细胞质形态特征;输入对象包括:①带标签的单一骨髓细胞显微图像,②无标签的单一骨髓细胞显微图像;所述形态特征提取模块包括细胞核质分割、细胞形态特征提取、细胞核形态特征提取和细胞质形态特征提取步骤;在细胞核质分割步骤中,利用改进的最大类间方差法获得细胞核图像,利用N距边缘扩充方法获得细胞质图像,其中改进的最大类间方差法是对最大类间方差法仅适用于分割图像前景和背景两部分的局限性进行改进,扩充至适用于骨髓细胞显微图像中细胞核、细胞质和背景的三部分分割任务,做法是:除划分背景类和目标类外,将中间强度像素单独划分为一类;在细胞形态特征提取、细胞核形态特征提取和细胞质形态特征提取步骤中,均提取形状特征、颜色特征和纹理特征,其中纹理特征需使用等价模式的LBP算子进行描述表示;
模型训练模块,用于将构建的融合形态特征的混合卷积神经网络模型进行模型训练,输入对象包括:①图像预处理模块输出的带标签的单一骨髓细胞图像,②形态特征提取模块输出的带标签的单一骨髓细胞显微图像的细胞、细胞核和细胞质的形态特征;所述模型训练模块评估目前的CPU、GPU、内存等计算资源的使用情况,分配闲置的计算资源用于模型训练,可视化模型训练过程,并保存模型训练结果;
细胞类别计数模块,用于对无标签的骨髓细胞显微图像中的单一骨髓细胞进行计数,输入对象包括:①图像预处理模块输出的无标签的单一骨髓细胞显微图像,②形态特征提取模块输出的无标签的单一骨髓细胞显微图像的细胞、细胞核和细胞质的形态特征,③模型训练模块中保存的模型训练结果;所述细胞类别计数模块载入模型训练结果③对①和②进行预测,得到无标签的单一骨髓细胞显微图像的预测标签,即所属类别;将预测标签对应到原始无标签的骨髓细胞显微图像中,完成无标签的骨髓细胞显微图像的细胞类别计数。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种融合形态特征的显微图像骨髓细胞计数方法,其特征在于,包括以下步骤:
1)获取带标签和无标签的骨髓细胞显微图像,均进行图像预处理,其中,所述标签为细胞分割标记及细胞类别;
2)根据分割标记将带标签的骨髓细胞显微图像分割为若干带标签的单一骨髓细胞显微图像,利用分水岭算法将无标签的骨髓细胞显微图像分割为若干无标签的单一骨髓细胞显微图像,带标签和无标签的单一骨髓细胞显微图像均进行图像预处理;
3)对最大类间方差法仅适用于分割图像前景和背景两部分的局限性进行改进,扩充至适用于骨髓细胞显微图像中细胞核、细胞质和背景的三部分分割任务,利用改进的最大类间方差法和N距边缘扩充方法对带标签和无标签的单一骨髓细胞显微图像进行细胞核、细胞质分割,得到对应的细胞核和细胞质图像,提取细胞核、细胞质及细胞的形态特征;
4)构建用于骨髓细胞显微图像分类的融合形态特征的混合卷积神经网络模型,所述混合卷积神经网络模型由卷积神经网络部分和融合形态特征的全连接神经网络部分组成,将从步骤2)获得的带标签的单一骨髓细胞显微图像和步骤3)获得的该单一骨髓细胞显微图像的形态特征作为混合卷积神经网络模型的输入数据,进行模型训练,不断调整混合卷积神经网络模型的超参数,使得模型在训练结束时取得高的精度和低的损失;
5)依据步骤4)训练好的混合卷积神经网络模型,预测无标签的单一骨髓细胞显微图像的细胞类别,对无标签骨髓细胞显微图像中的各个骨髓细胞进行计数。
2.根据权利要求1所述的一种融合形态特征的显微图像骨髓细胞计数方法,其特征在于,在步骤1)中,所述图像预处理包括直方图均衡化、污点归一化、平滑滤波和转换彩色空间。
3.根据权利要求1所述的一种融合形态特征的显微图像骨髓细胞计数方法,其特征在于,在步骤2)中,所述图像预处理包括:①图像裁剪:将细胞图像进行中心裁剪和边缘零填充,统一到大小一致的像素值,以便于进行统一分析;②图像增强:采用限制对比度自适应直方图均衡算法对图像进行增强,扩大局部对比度,显示平滑区域的细节部分;③数据增强:通过将翻转、平移和旋转数据增强方法组合,对样本少的类别进行数据增强,使得各个类别的样本数量保持均衡。
4.根据权利要求1所述的一种融合形态特征的显微图像骨髓细胞计数方法,其特征在于,在步骤3)中,细胞核、细胞质分割的步骤如下:
3.1)利用RGB色彩空间模型将彩色图像转为灰度图像;
3.2)选择G分量,将图像像素等比反转,目的是提高染色深的细胞核的像素值,便于获取细胞核图像;
3.3)根据细胞包括细胞核和细胞质的特点,对最大类间方差法进行改进,将其从原先仅适用于两目标的分割任务上,推广到适用于三目标分割问题中,以适应细胞图像中细胞核和细胞质的分割任务,做法是:除划分背景类和目标类外,将中间强度像素单独划分为一类;将分割后得到的单一骨髓细胞显微图像中细胞大小范围设定为[m,n],其中m,n分别对应最小细胞直径和最大细胞直径,m,n均为正整数,利用改进的最大类间方差法获得单一骨髓细胞的细胞核图像;
3.4)利用N距边缘扩充方法获得细胞质图像,N距边缘扩充方法依照单一骨髓细胞显微图像,对获得的细胞核图像进行边缘扩展指定的范围d,其中0<d≤(细胞直径—细胞核直径)/2,d为整数,从而得到对应的细胞质图像。
6.根据权利要求1所述的一种融合形态特征的显微图像骨髓细胞计数方法,其特征在于,在步骤4)中,所述卷积神经网络部分是指包含若干卷积块的卷积神经网络,卷积块中包括两个或三个卷积层和一个最大池化层;其中第一个卷积层的输入为步骤2)获得的带标签的单一骨髓细胞显微图像,第二个卷积层的输入为第一个卷积层的输出,依次类推;其中第一卷积块的两个卷积层的卷积核数量均为2k,k为正整数,卷积核大小为θ×θ,θ为正整数;第二卷积块的两个卷积层的卷积核数量均为2k+1,卷积核大小为θ×θ;第三卷积块的三个卷积层的卷积核数量均为2k+2,卷积核大小为θ×θ;第四卷积块的三个卷积层的卷积核数量均为2k+3,卷积核大小为θ×θ;第五卷积块的三个卷积层的卷积核数量均为2k+4,卷积核大小为θ×θ;每个卷积层均采用LeakyReLU函数作为激活函数;每个池化层均采用最大池化操作,池化窗口大小为(θ-1)×(θ-1);将第五个卷积块的最后一个卷积层的输出,以及步骤3)得到的该单一骨髓细胞显微图像的形态特征拼接成一维特征作为全连接层的输入,最后输出预测每种分类标签的概率值。
7.根据权利要求1所述的一种融合形态特征的显微图像骨髓细胞计数方法,其特征在于,在步骤4)中,所述融合形态特征的全连接神经网络部分是指结合形态特征输入的全连接神经网络,依次包括第一全连接层、第一规范层、第一Dropout层、第二全连接层、第二规范层、第二Dropout层和第三全连接层;其中第一、二全连接层的神经元数量均为22n,n为正整数;第三全连接层的神经元数量为CN,即骨髓细胞类别数;第一、二全连接层均采用LeakyReLU函数作为激活函数;第三全连接层采用SoftMax函数作为激活函数;规范层均将上一层的传递结果进行重新规范化,使其结果的均值接近0,标准差接近1;Dropout层均以p>0的概率保留上一层传递的结果;将第二Dropout层输出的一维向量和形态特征通过融合层拼接成一维特征,输入到第三全连接层;全连接神经网络的输出为CN个概率值,表示预测结果为每种分类标签的概率值。
8.一种融合形态特征的显微图像骨髓细胞计数系统,其特征在于,包括:
图像预处理模块,用于对图像进行预处理,输入对象包括:①导入系统的带标签和无标签的骨髓细胞显微图像,②图像分割模块输出的带标签和无标签的单一骨髓细胞显微图像;对象①的预处理包括直方图均衡化、污点归一化、平滑滤波和转换彩色空间;对象②的预处理包括图像裁剪、图像增强和数据增强;
图像分割模块,用于对骨髓细胞显微图像进行细胞分割,分割对象包括:①带标签的骨髓细胞显微图像,②无标签的骨髓细胞显微图像;所述图像分割模块根据分割标记将带标签的骨髓细胞显微图像分割为若干带标签的单一骨髓细胞显微图像,利用分水岭算法将无标签的骨髓细胞显微图像分割为若干无标签的单一骨髓细胞显微图像;
形态特征提取模块,用于提取单一骨髓细胞的细胞、细胞核、细胞质形态特征;输入对象包括:①带标签的单一骨髓细胞显微图像,②无标签的单一骨髓细胞显微图像;所述形态特征提取模块包括细胞核质分割、细胞形态特征提取、细胞核形态特征提取和细胞质形态特征提取步骤;在细胞核质分割步骤中,利用改进的最大类间方差法获得细胞核图像,利用N距边缘扩充方法获得细胞质图像,其中改进的最大类间方差法是对最大类间方差法仅适用于分割图像前景和背景两部分的局限性进行改进,扩充至适用于骨髓细胞显微图像中细胞核、细胞质和背景的三部分分割任务,做法是:除划分背景类和目标类外,将中间强度像素单独划分为一类;在细胞形态特征提取、细胞核形态特征提取和细胞质形态特征提取步骤中,均提取形状特征、颜色特征和纹理特征,其中纹理特征需使用等价模式的LBP算子进行描述表示;
模型训练模块,用于将构建的融合形态特征的混合卷积神经网络模型进行模型训练,输入对象包括:①图像预处理模块输出的带标签的单一骨髓细胞图像,②形态特征提取模块输出的带标签的单一骨髓细胞显微图像的细胞、细胞核和细胞质的形态特征;所述模型训练模块评估目前的计算资源,分配闲置的计算资源用于模型训练,可视化模型训练过程,并保存模型训练结果;
细胞类别计数模块,用于对无标签的骨髓细胞显微图像中的单一骨髓细胞进行计数,输入对象包括:①图像预处理模块输出的无标签的单一骨髓细胞显微图像,②形态特征提取模块输出的无标签的单一骨髓细胞显微图像的细胞、细胞核和细胞质的形态特征,③模型训练模块中保存的模型训练结果;所述细胞类别计数模块载入模型训练结果③对①和②进行预测,得到无标签的单一骨髓细胞显微图像的预测标签,即所属类别;将预测标签对应到原始无标签的骨髓细胞显微图像中,完成无标签的骨髓细胞显微图像的细胞类别计数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110392146.5A CN113096096B (zh) | 2021-04-13 | 2021-04-13 | 一种融合形态特征的显微图像骨髓细胞计数方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110392146.5A CN113096096B (zh) | 2021-04-13 | 2021-04-13 | 一种融合形态特征的显微图像骨髓细胞计数方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096096A true CN113096096A (zh) | 2021-07-09 |
CN113096096B CN113096096B (zh) | 2023-04-18 |
Family
ID=76677324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110392146.5A Active CN113096096B (zh) | 2021-04-13 | 2021-04-13 | 一种融合形态特征的显微图像骨髓细胞计数方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096096B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283353A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
CN115063797A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于弱监督学习和分水岭处理的荧光信号分割方法和装置 |
CN115578598A (zh) * | 2022-10-26 | 2023-01-06 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于卷积神经网络的骨髓细胞识别方法及其系统 |
CN116152806A (zh) * | 2022-02-15 | 2023-05-23 | 河南省儿童医院郑州儿童医院 | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
CN116309543A (zh) * | 2023-05-10 | 2023-06-23 | 北京航空航天大学杭州创新研究院 | 基于图像的循环肿瘤细胞检测设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
CN107729932A (zh) * | 2017-10-10 | 2018-02-23 | 李强 | 骨髓细胞标记方法和系统 |
CA2948499A1 (en) * | 2016-11-16 | 2018-05-16 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
CN108320289A (zh) * | 2018-02-12 | 2018-07-24 | 华南理工大学 | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 |
CN109222972A (zh) * | 2018-09-11 | 2019-01-18 | 华南理工大学 | 一种基于深度学习的fMRI全脑数据分类方法 |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN110033440A (zh) * | 2019-03-21 | 2019-07-19 | 中南大学 | 基于卷积神经网络与特征融合的生物细胞计数方法 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
CN112132843A (zh) * | 2020-09-30 | 2020-12-25 | 福建师范大学 | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 |
-
2021
- 2021-04-13 CN CN202110392146.5A patent/CN113096096B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2948499A1 (en) * | 2016-11-16 | 2018-05-16 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN107729932A (zh) * | 2017-10-10 | 2018-02-23 | 李强 | 骨髓细胞标记方法和系统 |
CN108320289A (zh) * | 2018-02-12 | 2018-07-24 | 华南理工大学 | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 |
CN109222972A (zh) * | 2018-09-11 | 2019-01-18 | 华南理工大学 | 一种基于深度学习的fMRI全脑数据分类方法 |
CN110033440A (zh) * | 2019-03-21 | 2019-07-19 | 中南大学 | 基于卷积神经网络与特征融合的生物细胞计数方法 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
CN112132843A (zh) * | 2020-09-30 | 2020-12-25 | 福建师范大学 | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 |
Non-Patent Citations (5)
Title |
---|
KHAMAEL AL-DULAIMI ET AL.: "Segmentation of White Blood Cell, Nucleus and Cytoplasm in Digital Haematology Microscope Images: A Review–Challenges, Current and Future Potential Techniques", 《IEEE》 * |
ZHI LU ET AL.: "Automated Nucleus and Cytoplasm Segmentation of Overlapping Cervical Cells", 《SPRINGER-VERLAG BERLIN HEIDELBERG 2013》 * |
程凯等: "基于生成对抗网络的自动细胞核分割半监督学习方法", 《计算机应用》 * |
胡恒阳等: "基于中心定位算法的细胞双光子显微图像分割", 《计算机应用》 * |
艾大萍等: "一种骨髓细胞识别分类算法的研究", 《中国生物医学工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283353A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
CN113283353B (zh) * | 2021-05-31 | 2022-04-01 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
CN116152806A (zh) * | 2022-02-15 | 2023-05-23 | 河南省儿童医院郑州儿童医院 | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
CN116152806B (zh) * | 2022-02-15 | 2024-03-15 | 河南省儿童医院郑州儿童医院 | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
CN115063797A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于弱监督学习和分水岭处理的荧光信号分割方法和装置 |
CN115578598A (zh) * | 2022-10-26 | 2023-01-06 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于卷积神经网络的骨髓细胞识别方法及其系统 |
CN115578598B (zh) * | 2022-10-26 | 2023-09-05 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于卷积神经网络的骨髓细胞识别方法及其系统 |
CN116309543A (zh) * | 2023-05-10 | 2023-06-23 | 北京航空航天大学杭州创新研究院 | 基于图像的循环肿瘤细胞检测设备 |
CN116309543B (zh) * | 2023-05-10 | 2023-08-11 | 北京航空航天大学杭州创新研究院 | 基于图像的循环肿瘤细胞检测设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113096096B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113096096B (zh) | 一种融合形态特征的显微图像骨髓细胞计数方法与系统 | |
CN108364288B (zh) | 用于乳腺癌病理图像的分割方法和装置 | |
CN108629367B (zh) | 一种基于深度网络增强服装属性识别精度的方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN111914797B (zh) | 基于多尺度轻量级卷积神经网络的交通标志识别方法 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN114067107B (zh) | 基于多粒度注意力的多尺度细粒度图像识别方法及系统 | |
CN111476266B (zh) | 一种基于迁移学习的非平衡类别白细胞分类方法 | |
CN110532946B (zh) | 一种基于卷积神经网络识别绿通车车辆轴型的方法 | |
WO2024021413A1 (zh) | 一种结合超像素和多尺度分层特征识别的图像分割方法 | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
CN108765449B (zh) | 一种基于卷积神经网络的图像背景分割和识别方法 | |
WO2024016812A1 (zh) | 显微图像的处理方法、装置、计算机设备及存储介质 | |
CN111259733A (zh) | 一种基于点云图像的船舶识别方法及装置 | |
CN111210447B (zh) | 一种苏木精-伊红染色病理图像层次分割的方法及终端 | |
CN111353987A (zh) | 一种细胞核分割方法及装置 | |
Khashman | Investigation of different neural models for blood cell type identification | |
CN108664968B (zh) | 一种基于文本选取模型的无监督文本定位方法 | |
CN111709911B (zh) | 一种基于神经网络的卵巢卵泡自动计数的方法 | |
CN112819832A (zh) | 基于激光点云的城市场景语义分割细粒度边界提取方法 | |
Lezoray | Supervised automatic histogram clustering and watershed segmentation. Application to microscopic medical color images | |
Jyothi et al. | Computational color naming for human-machine interaction | |
KR20210067709A (ko) | 인간 상피 세포 이미지 분류를 위한 동적 학습 장치 및 방법 | |
Ristic et al. | Image segmentation method based on self-organizing maps and K-means algorithm | |
CN117496512B (zh) | 宫颈tct切片的多类型细胞核标注及多任务处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |