CN113313675A - 一种人工智能血细胞分类及疾病辅助诊断方法及系统 - Google Patents
一种人工智能血细胞分类及疾病辅助诊断方法及系统 Download PDFInfo
- Publication number
- CN113313675A CN113313675A CN202110520982.7A CN202110520982A CN113313675A CN 113313675 A CN113313675 A CN 113313675A CN 202110520982 A CN202110520982 A CN 202110520982A CN 113313675 A CN113313675 A CN 113313675A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- cell
- erythrocyte
- gray value
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—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
-
- 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
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明涉及一种人工智能血细胞分类及疾病辅助诊断方法及系统,所述方法包括以下步骤:使用电子扫描镜对红细胞涂片进行扫描,得到扫描图像;对所述扫描图像进行图像预处理处理,得到待检测的细胞图像;将所述待检测的细胞图像输入到训练后的细胞检测模型中,得到所述待检测的细胞图像对应的分类结果;根据分类结果计算所述待检测的细胞图像中红细胞聚集指数,从而判断心脑血管病的几率;从而根据红细胞的扫描图像来判断心脑血管病的概率,进行临床大规模心脑血管病变筛查中效率高。
Description
技术领域
本发明涉及医疗辅助诊断技术领域,更具体地说,涉及一种人工智能血 细胞分类及疾病辅助诊断方法及系统。
背景技术
心脑血管疾病具有“发病率高、致残率高、死亡率高、复发率高、并发 症多”的特点,是人类死亡病因最高的头号杀手。动脉粥样硬化作为心脑血 管疾病病变的原因之一,指的是由于脂质代谢不正常,血液中的脂质沉着在 原本光滑的动脉内膜上,在动脉内膜一些类些粥样的脂类物质堆积而成的白 色斑块。
大部分心血管病人,在早期并没有明显的症状,并且在没有症状发作时 的心电图是正常的,或基本正常,但是如果没有在早期轻微疾病的时候进行 治疗,错失治疗的最好时机,容易造成心血管病恶化,同时在目前心脑血管 疾病日益增多的情况下,进行临床大规模心脑血管病变筛查中显得效率很低。
发明内容
本发明的目的在于提出一种人工智能血细胞分类及疾病辅助诊断方法及 系统,以解决现有技术中心脑血管病变筛查效率低的问题。
本发明的上述技术目的是通过以下技术方案得以实现的:
在第一方面,本申请实施例提供了一种人工智能血细胞分类及疾病辅助 诊断方法,所述方法包括以下步骤:
使用电子扫描镜对红细胞涂片进行扫描,得到扫描图像;
对所述扫描图像进行图像预处理处理,得到待检测的细胞图像;
将所述待检测的细胞图像输入到训练后的细胞检测模型中,得到所述待 检测的细胞图像对应的分类结果;
根据分类结果计算所述待检测的细胞图像中红细胞聚集指数,从而判断 心脑血管病的几率。
在其中一些实施例中,所述将所述待检测的细胞图像分别输入到训练后 的细胞检测模型中,得到所述待检测的细胞图像对应的分类结果,包括:
建立正常红细胞形态学标准和异常红细胞形态学标准;
获取人机交互操作系统设置的检测范围;
在检测范围内使用卷积神经网络法对待检测的细胞图像的红细胞形态进 行特征提取;
将提取的红细胞特征与正常红细胞形态学标准和异常红细胞形态学标准 对比并分类,得到所述待检测的细胞图像对应的分类结果。
在其中一些实施例中,所述对所述待检测图像进行图像预处理处理,得 到待检测的细胞图像,包括:
对所述待检测图像进行降噪和去干扰处理后,再进行图像灰度化处理, 得到待检测的细胞图像。
在其中一些实施例中,所述进行图像灰度化处理,包括:
将所述去干扰后的待检测图像进行灰度化,得到灰度图像;
根据所述灰度图像得到灰度值统计图;其中,所述灰度值统计图的横坐 标为灰度值,纵坐标为在所述灰度图像中,对应的灰度值出现的次数;
在所述灰度值统计图中,获取目标灰度值;其中,在第一灰度值和第二 灰度值之间,所述目标灰度值对应的纵坐标值最小,所述第一灰度值对应的 纵坐标和所述第二灰度值对应的纵坐标为所述灰度值统计图中的两个峰值;
根据所述目标灰度值,对所述去干扰后的待检测图像进行分割,得到待 检测的细胞图像。
在其中一些实施例中,所述将提取的红细胞特征与正常红细胞形态学标 准和异常红细胞形态学标准对比并分类,包括:
将为红细胞取经形态学处理后的待检测的细胞图像的边缘像素点,找到 红细胞上下左右的边缘像素点,提取红细胞特征;
将提取的红细胞特征作为训练细胞输入深度残差网络,训练网络;
通过分类器为训练细胞打分,若最大分数等于设定阈值,则归为正常红 细胞形态学标准;若最大分数大于设定阈值,则归入异常红细胞形态学标准。
在其中一些实施例中,所述根据分类结果计算所述待检测的细胞图像中 红细胞聚集指数,从而判断心脑血管病的几率,包括:
若分类结果为正常红细胞形态学标准,则待检测的细胞图像中红细胞聚 集指数为1,心脑血管病的几率低于50%;
若分类结果为异常红细胞形态学标准,则待检测的细胞图像中红细胞聚 集指数大于1,心脑血管病的几率高于50%。
在第二方面,本申请实施例提供了一种人工智能血细胞分类及疾病辅助 诊断系统,其特征在于:包括:
图像扫描模块,用于使用电子扫描镜对红细胞涂片进行扫描,得到扫描 图像;
图像处理模块,用于对所述扫描图像进行图像预处理处理,得到待检测 的细胞图像;
图像分类模块,用于将所述待检测的细胞图像输入到训练后的细胞检测 模型中,得到所述待检测的细胞图像对应的分类结果;
计算判断模块,用于根据分类结果计算所述待检测的细胞图像中红细胞 聚集指数,从而判断心脑血管病的几率。
在第三方面,本申请实施例提供了一种计算机设备,包括存储器以及一 个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或 多个处理器实现如第一方面所述的人工智能血细胞分类及疾病辅助诊断方 法。
在第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介 质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所 述的人工智能血细胞分类及疾病辅助诊断方法。
本发明的有益效果是:本发明使用电子扫描镜对红细胞涂片进行扫描, 得到扫描图像;对所述待检测图像进行图像预处理处理,得到待检测的细胞图 像;将所述待检测的细胞图像输入到训练后的细胞检测模型中,得到所述待 检测的细胞图像对应的分类结果;根据分类结果计算所述待检测的细胞图像 中红细胞聚集指数,从而判断心脑血管病的几率;从而根据红细胞的扫描图 像来判断心脑血管病的概率,进行临床大规模心脑血管病变筛查中效率高。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述 中将变得明显和容易理解,其中:
图1是一种人工智能血细胞分类及疾病辅助诊断方法的步骤示意图;
图2是一种人工智能血细胞分类及疾病辅助诊断系统的结构示意图;
图3是一种人工智能血细胞分类及疾病辅助诊断方法的计算机设备示意 图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明 的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可 以任意组合形成新的实施例。
请参照图1,示出了本发明的一种人工智能血细胞分类及疾病辅助诊断 方法,所述方法包括以下步骤:
100、使用电子扫描镜对红细胞涂片进行扫描,得到扫描图像;
200、对所述扫描图像进行图像预处理处理,得到待检测的细胞图像;
具体的,对所述待检测图像进行降噪和去干扰处理后,再进行图像灰度 化处理,得到待检测的细胞图像。
300、将所述待检测的细胞图像输入到训练后的细胞检测模型中,得到所 述待检测的细胞图像对应的分类结果;
具体的,通过将待检测的细胞图像输入到训练好的细胞检测模型中进行 训练,从而得到对应的分类结果;其中,细胞检测模型可以根据具体情况进 行建立,细胞检测模型的建立方法有多种,本申请实施例对此不作限定。
400、根据分类结果计算所述待检测的细胞图像中红细胞聚集指数,从而 判断心脑血管病的几率。
具体的,若分类结果为正常红细胞形态学标准,则待检测的细胞图像中 红细胞聚集指数为1,心脑血管病的几率低于50%;若分类结果为异常红细胞 形态学标准,则待检测的细胞图像中红细胞聚集指数大于1,心脑血管病的 几率高于50%;可以理解的是,本申请实施例中的红细胞聚集指数的指数范 围和数值可以根据具体情况进行设置。
以上,根据红细胞的扫描图像来判断心脑血管病的概率,进行临床大规 模心脑血管病变筛查中效率高。
在其中一些实施例中,所述进行图像灰度化处理,包括:
210、将所述去干扰后的待检测图像进行灰度化,得到灰度图像;
具体的,对待检测图像进行灰度化处理,从而使得图像的统计更为准备, 避免干扰。
220、根据所述灰度图像得到灰度值统计图;其中,所述灰度值统计图的 横坐标为灰度值,纵坐标为在所述灰度图像中,对应的灰度值出现的次数;
230、在所述灰度值统计图中,获取目标灰度值;其中,在第一灰度值和 第二灰度值之间,所述目标灰度值对应的纵坐标值最小,所述第一灰度值对 应的纵坐标和所述第二灰度值对应的纵坐标为所述灰度值统计图中的两个峰 值;
240、根据所述目标灰度值,对所述去干扰后的待检测图像进行分割,得 到待检测的细胞图像。
在其中一些实施例中,所述将所述待检测的细胞图像分别输入到训练后 的细胞检测模型中,得到所述待检测的细胞图像对应的分类结果,包括:
310、建立正常红细胞形态学标准和异常红细胞形态学标准;
320、获取人机交互操作系统设置的检测范围;
330、在检测范围内使用卷积神经网络法对待检测的细胞图像的红细胞形 态进行特征提取;
340、将提取的红细胞特征与正常红细胞形态学标准和异常红细胞形态学 标准对比并分类,得到所述待检测的细胞图像对应的分类结果。
在其中一些实施例中,所述将提取的红细胞特征与正常红细胞形态学标 准和异常红细胞形态学标准对比并分类,包括:
341、将为红细胞取经形态学处理后的待检测的细胞图像的边缘像素点, 找到红细胞上下左右的边缘像素点,提取红细胞特征;
342、将提取的红细胞特征作为训练细胞输入深度残差网络,训练网络;
343、通过分类器为训练细胞打分,若最大分数等于设定阈值,则归为正 常红细胞形态学标准;若最大分数大于设定阈值,则归入异常红细胞形态学 标准。
请参照图2,示出了本发明的一种人工智能血细胞分类及疾病辅助诊断 系统,其特征在于:包括:图像扫描模块10、图像处理模块20、图像分类模 块30和计算判断模块40。
所述图像扫描模块用于使用电子扫描镜对红细胞涂片进行扫描,得到扫 描图像;所述图像处理模块用于对所述扫描图像进行图像预处理处理,得到 待检测的细胞图像;所述图像分类模块用于将所述待检测的细胞图像输入到 训练后的细胞检测模型中,得到所述待检测的细胞图像对应的分类结果;所 述计算判断模块用于根据分类结果计算所述待检测的细胞图像中红细胞聚集 指数,从而判断心脑血管病的几率。
本申请实施例使用电子扫描镜对红细胞涂片进行扫描,得到扫描图像; 对所述待检测图像进行图像预处理处理,得到待检测的细胞图像;将所述待 检测的细胞图像输入到训练后的细胞检测模型中,得到所述待检测的细胞图 像对应的分类结果;根据分类结果计算所述待检测的细胞图像中红细胞聚集 指数,从而判断心脑血管病的几率;从而根据红细胞的扫描图像来判断心脑 血管病的概率,进行临床大规模心脑血管病变筛查中效率高。
本申请实施例还提供了一种计算机设备,该计算机设备可集成本申请实 施例提供的人工智能血细胞分类及疾病辅助诊断系统。图3是本申请实施例 提供的一种计算机设备的结构示意图。参考图3,该计算机设备包括:输入 装置43、输出装置44、存储器42以及一个或多个处理器41;所述存储器42, 用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器 41执行,使得所述一个或多个处理器41实现如上述实施例提供的人工智能 血细胞分类及疾病辅助诊断方法。其中输入装置43、输出装置44、存储器 42和处理器41可以通过总线或者其他方式连接,图3中以通过总线连接为 例。
处理器41通过运行存储在存储器42中的软件程序、指令以及模块,从 而执行设备的各种功能应用以及数据处理,即实现上述的人工智能血细胞分 类及疾病辅助诊断方法。
上述提供的计算机设备可用于执行上述实施例提供的人工智能血细胞分 类及疾病辅助诊断方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算 机可执行指令在由计算机处理器执行时用于执行一种人工智能血细胞分类及 疾病辅助诊断方法,该人工智能血细胞分类及疾病辅助诊断方法包括:使用 电子扫描镜对红细胞涂片进行扫描,得到扫描图像;对所述待检测图像进行图 像预处理处理,得到待检测的细胞图像;将所述待检测的细胞图像输入到训 练后的细胞检测模型中,得到所述待检测的细胞图像对应的分类结果;根据 分类结果计算所述待检测的细胞图像中红细胞聚集指数,从而判断心脑血管 病的几率。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介 质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机装置存储 器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM 等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其 它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组 合。另外,存储介质可以位于程序在其中被执行的第一计算机装置中,或者 可以位于不同的第二计算机装置中,第二计算机装置通过网络(诸如因特网) 连接到第一计算机装置。第二计算机装置可以提供程序指令给第一计算机用 于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络 连接的不同计算机装置中)的两个或更多存储介质。存储介质可以存储可由一 个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质, 其计算机可执行指令不限于如上所述的人工智能血细胞分类及疾病辅助诊断 方法,还可以执行本申请任意实施例所提供的人工智能血细胞分类及疾病辅 助诊断方法中的相关操作。
上述实施例中提供的人工智能血细胞分类及疾病辅助诊断系统、存储介 质及计算机设备可执行本申请任意实施例所提供的人工智能血细胞分类及疾 病辅助诊断方法,未在上述实施例中详尽描述的技术细节,可参见本申请任 意实施例所提供的人工智能血细胞分类及疾病辅助诊断方法。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护 的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及 替换均属于本发明所要求保护的范围。
Claims (9)
1.一种人工智能血细胞分类及疾病辅助诊断方法,其特征在于:所述方法包括以下步骤:
使用电子扫描镜对红细胞涂片进行扫描,得到扫描图像;
对所述扫描图像进行图像预处理处理,得到待检测的细胞图像;
将所述待检测的细胞图像输入到训练后的细胞检测模型中,得到所述待检测的细胞图像对应的分类结果;
根据分类结果计算所述待检测的细胞图像中红细胞聚集指数,从而判断心脑血管病的几率。
2.根据权利要求1所述的一种人工智能血细胞分类及疾病辅助诊断方法,其特征在于:所述将所述待检测的细胞图像分别输入到训练后的细胞检测模型中,得到所述待检测的细胞图像对应的分类结果,包括:
建立正常红细胞形态学标准和异常红细胞形态学标准;
获取人机交互操作系统设置的检测范围;
在检测范围内使用卷积神经网络法对待检测的细胞图像的红细胞形态进行特征提取;
将提取的红细胞特征与正常红细胞形态学标准和异常红细胞形态学标准对比并分类,得到所述待检测的细胞图像对应的分类结果。
3.根据权利要求1所述的一种人工智能血细胞分类及疾病辅助诊断方法,其特征在于:所述对所述待检测图像进行图像预处理处理,得到待检测的细胞图像,包括:
对所述待检测图像进行降噪和去干扰处理后,再进行图像灰度化处理,得到待检测的细胞图像。
4.根据权利要求3所述的一种人工智能血细胞分类及疾病辅助诊断方法,其特征在于:所述进行图像灰度化处理,包括:
将所述去干扰后的待检测图像进行灰度化,得到灰度图像;
根据所述灰度图像得到灰度值统计图;其中,所述灰度值统计图的横坐标为灰度值,纵坐标为在所述灰度图像中,对应的灰度值出现的次数;
在所述灰度值统计图中,获取目标灰度值;其中,在第一灰度值和第二灰度值之间,所述目标灰度值对应的纵坐标值最小,所述第一灰度值对应的纵坐标和所述第二灰度值对应的纵坐标为所述灰度值统计图中的两个峰值;
根据所述目标灰度值,对所述去干扰后的待检测图像进行分割,得到待检测的细胞图像。
5.根据权利要求2所述的一种人工智能血细胞分类及疾病辅助诊断方法,其特征在于:所述将提取的红细胞特征与正常红细胞形态学标准和异常红细胞形态学标准对比并分类,包括:
将为红细胞取经形态学处理后的待检测的细胞图像的边缘像素点,找到红细胞上下左右的边缘像素点,提取红细胞特征;
将提取的红细胞特征作为训练细胞输入深度残差网络,训练网络;
通过分类器为训练细胞打分,若最大分数等于设定阈值,则归为正常红细胞形态学标准;若最大分数大于设定阈值,则归入异常红细胞形态学标准。
6.根据权利要求5所述的一种人工智能血细胞分类及疾病辅助诊断方法,其特征在于:所述根据分类结果计算所述待检测的细胞图像中红细胞聚集指数,从而判断心脑血管病的几率,包括:
若分类结果为正常红细胞形态学标准,则待检测的细胞图像中红细胞聚集指数为1,心脑血管病的几率低于50%;
若分类结果为异常红细胞形态学标准,则待检测的细胞图像中红细胞聚集指数大于1,心脑血管病的几率高于50%。
7.一种人工智能血细胞分类及疾病辅助诊断系统,其特征在于:包括:
图像扫描模块,用于使用电子扫描镜对红细胞涂片进行扫描,得到扫描图像;
图像处理模块,用于对所述扫描图像进行图像预处理处理,得到待检测的细胞图像;
图像分类模块,用于将所述待检测的细胞图像输入到训练后的细胞检测模型中,得到所述待检测的细胞图像对应的分类结果;
计算判断模块,用于根据分类结果计算所述待检测的细胞图像中红细胞聚集指数,从而判断心脑血管病的几率。
8.一种计算机设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6任一所述的一种人工智能血细胞分类及疾病辅助诊断方法。
9.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6任一所述的一种人工智能血细胞分类及疾病辅助诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520982.7A CN113313675A (zh) | 2021-05-13 | 2021-05-13 | 一种人工智能血细胞分类及疾病辅助诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520982.7A CN113313675A (zh) | 2021-05-13 | 2021-05-13 | 一种人工智能血细胞分类及疾病辅助诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313675A true CN113313675A (zh) | 2021-08-27 |
Family
ID=77373177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110520982.7A Pending CN113313675A (zh) | 2021-05-13 | 2021-05-13 | 一种人工智能血细胞分类及疾病辅助诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313675A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419619A (zh) * | 2022-03-29 | 2022-04-29 | 北京小蝇科技有限责任公司 | 红细胞检测分类方法、装置、计算机存储介质及电子设备 |
-
2021
- 2021-05-13 CN CN202110520982.7A patent/CN113313675A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419619A (zh) * | 2022-03-29 | 2022-04-29 | 北京小蝇科技有限责任公司 | 红细胞检测分类方法、装置、计算机存储介质及电子设备 |
CN114419619B (zh) * | 2022-03-29 | 2022-06-10 | 北京小蝇科技有限责任公司 | 红细胞检测分类方法、装置、计算机存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110840402A (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
Usman et al. | Intelligent automated detection of microaneurysms in fundus images using feature-set tuning | |
CN117078671B (zh) | 一种甲状腺超声影像智能分析系统 | |
CN113313675A (zh) | 一种人工智能血细胞分类及疾病辅助诊断方法及系统 | |
Kusumaningtyas et al. | Auto cropping for application of heart abnormalities detection through Iris based on mobile devices | |
Wisudawati et al. | Benign and malignant breast tumors classification based on texture analysis and backpropagation neural network | |
Ali et al. | Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO). | |
Jung et al. | Feature Extraction of Non-proliferative Diabetic Retinopathy Using Faster R-CNN and Automatic Severity Classification System Using Random Forest Method. | |
CN114998274A (zh) | 对象的定位方法、装置、电子设备和可读存储介质 | |
Belhadi et al. | Automated retinal vessel segmentation using entropic thresholding based spatial correlation histogram of gray level images | |
Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
CN114140830A (zh) | 一种基于循环肿瘤细胞图像的重复识别抑制方法 | |
Schaefer et al. | Scleroderma capillary pattern identification using texture descriptors and ensemble classification | |
Santos et al. | Deep neural network model based on one-stage detector for identifying fundus lesions | |
Akyol et al. | Assessing the importance of features for detection of hard exudates in retinal images | |
Panicker et al. | CNN Based Image Descriptor for Polycystic Ovarian Morphology from Transvaginal Ultrasound | |
Van Asperen et al. | Automatic artery/vein classification in 2D-DSA images of stroke patients | |
Essaf et al. | Review on deep learning methods used for computer-aided lung cancer detection and diagnosis | |
Hassan et al. | Automated optic disc removal in fundus images using iterative heuristics and morphological operations | |
Cheng et al. | A fast localization and extraction of microaneurysm for early detection of diabetic Retionopathy | |
Zhao et al. | A survey of sperm detection techniques in microscopic videos | |
Ramesh et al. | Colon cancer detection using YOLOv5 architecture | |
Ion et al. | Breast Cancer Images Segmentation using Fuzzy Cellular Automaton | |
CN117257324B (zh) | 基于卷积神经网络和ecg信号的房颤检测方法 |
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 |