CN113706519A - 病理细胞检测训练样本的合成方法及其装置 - Google Patents
病理细胞检测训练样本的合成方法及其装置 Download PDFInfo
- Publication number
- CN113706519A CN113706519A CN202111021717.0A CN202111021717A CN113706519A CN 113706519 A CN113706519 A CN 113706519A CN 202111021717 A CN202111021717 A CN 202111021717A CN 113706519 A CN113706519 A CN 113706519A
- Authority
- CN
- China
- Prior art keywords
- cell
- foreground
- picture
- cells
- pathological
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 98
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 title claims abstract description 43
- 238000010189 synthetic method Methods 0.000 title abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 201000010099 disease Diseases 0.000 claims abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 abstract description 199
- 210000002443 helper t lymphocyte Anatomy 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 5
- 238000001308 synthesis method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/136—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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了病理细胞检测训练样本的合成方法及其装置，依次包括如下步骤：将病理细胞图片作为输入，并从输入病理细胞图片中提取出类别不同的前景细胞以及与每个类别的前景细胞所对应的前景细胞掩码。前景细胞包括用于疾病诊断的目标细胞以及附着在目标细胞周围的辅助细胞。从输入的病理细胞图片中提取出供前景细胞背景融合用的背景图片一。随机融合各类前景细胞至背景图片一中。根据融合进背景图片一中前景细胞的位置和类别，生成记录有目标细胞位置和类别的样本标记文件。本发明的病理细胞检测训练样本的合成方法，通过从病理细胞图片中提取出前景和背景进行融合，记录目标细胞在样本中的位置和类别，很容易就能构造出标注完全、标注准确的训练样本。
Description
技术领域
本发明涉及病理细胞检测技术领域，尤其涉及病理细胞检测训练样本的合成方法，还涉及应用于病理细胞检测训练样本的合成方法的病理细胞检测训练样本的合成装置。
背景技术
目前，病理细胞切片数字化极为普及，深度学习技术在数字病理图像分析处理上也得到了极大的应用，包括病变细胞/区域的检测、分割、分类，以及切片诊断等，极大地方便了病理医生对病变分析筛查。然而，有监督的深度学习模型依赖于大量的标注数据。就病理细胞图片中的病变细胞检测而言，检测训练样本的数量、多样化、是否标全、是否标得准等方面，很大程度上影响细胞检测模型的性能。
病理细胞检测，就是给定一张病理细胞图片(如图1)，然后输入图片到检测模型处理，得到目标细胞在图片中的位置以及类别(如图2)。而训练一个细胞检测模型，通常需要标注许多张样本来训练模型，一张样本即一张病理细胞图片和该张图片上目标细胞(病变细胞)的位置和类别。
由于标注是一件非常繁琐的事并且病理医生也非常稀缺，获取大量病理细胞检测训练样本数据就非常困难。当前，研究人员主要通过半监督的方式来获取大量的检测训练样本。具体做法大致如下：
首先，在图片中标注一部分目标细胞。然后，训练一个粗糙的病变细胞检测模型和一个粗糙的分类模型。接着，用粗糙的检测模型去检测新的图片，得到新的病变细胞。再然后，用分类模型分类一遍，再人工筛选一遍，得到干净的病变细胞。最后，根据这些病变细胞的类别和位置构建新的细胞检测训练样本，以此来增加大量的训练数据。然而，这种方式存在着诸多缺陷，比如过程繁琐冗长使得获取一批新的训练数据要花费很多时间、难以标全和标得准使得模型具有极低的召回率和准确率。
半监督方式难以获取大量标全标准的病理细胞检测训练样本，且半监督方式工序长，人工工作量大，周期也就会相应地拖长，想要获取大量的样本是很难的。如图3所示，是通过半监督方式构建的一个没有标全样本，样本中只标注了一个目标细胞，其实还有好多个目标细胞没有标注出来。如图4所示，是半监督方式构建的一个没有标全标准的样本，样本中只有一个目标细胞被标注出来，而且只是标注了该目标细胞的一部分，没有标准。这些没有标全标准的样本对于训练一个强壮的细胞检测模型是非常不利的。
发明内容
为解决了现有技术中的病理细胞检测训练样本难以大量获取、难以标注完全、标注准确的技术问题，本发明提供病理细胞检测训练样本的合成方法及其装置。
本发明采用以下技术方案实现：病理细胞检测训练样本的合成方法，依次包括如下步骤：
S1、将病理细胞图片作为输入，并从输入病理细胞图片中提取出类别不同的前景细胞以及与每个类别的前景细胞所对应的前景细胞掩码；前景细胞包括用于疾病诊断的目标细胞以及附着在目标细胞周围的辅助细胞；
S2、从输入的病理细胞图片中提取出供前景细胞背景融合用的背景图片一；
S3、随机融合各类前景细胞至背景图片一中；
S4、根据融合进背景图片一中前景细胞的位置和类别，生成记录有目标细胞位置和类别的样本标记文件。
进一步地，在所述的步骤S1中，从病理细胞图片中提取出前景细胞的提取方法包括如下步骤：
S11、利用labelme标注软件在病理细胞图片中描绘出各类前景细胞的轮廓，并生成各类前景细胞的轮廓信息；
S12、将各类前景细胞的轮廓信息提取出来作为各类细胞前景，并获得与各类细胞前景相对应的前景细胞掩码。
更进一步地，在所述的步骤S2中，从病理细胞图片中提取出背景图片一的提取方法包括如下步骤：
S21、利用全局阈值分割方法从病理细胞图片中割离出具有各类前景细胞的病理图片块，并在病理细胞图片上形成多个切割区域；
S22、利用opencv的填补函数填补各个切割区域，使填补后的病理细胞图片形成贴近现实的背景图片一。
更进一步地，在所述的步骤S3中，各类细胞前景在背景图片一中的融合方法包括如下步骤：
S31、创建一个纯黑色图片作为背景图片二，并将纯黑色图片表示为bgmask；融合前，设定纯黑色图片中所有元素之和为0，表示为sum bmask＝0；
S32、融合时，将sum bmask标记为bsum bmask；在纯黑色图片bgmask 中随机挑选一个位置，再随机将一个前景细胞掩码添加至上述挑选位置；
其中，前景细胞掩码表示为tmask；将添加后的纯黑色图片bgmask中的各元素之和表示为sum bmask＝sum bmask+sum tmask；
S33、若添加后的纯黑色图片中的各元素之和bsum bmask+sum tmask等于融合后的纯黑色图片中的各元素之和sum bmask，则利用opencv的函数将该细胞前景融合至背景图片一中，并记录该细胞前景在背景图片一中的位置和类别；
S34、重复执行步骤S32和步骤S33，以依次融合不同类别的细胞前景至背景图片一中；若融合在背景图片一中的与细胞前景相对应的各类前景细胞数量大于等于一预设的阀值时，停止融合，以获得融合有多种类别目标细胞的样本图片。
更进一步地，在所述的步骤S4中，基于样本图片中目标细胞的类别和位置生成样本标记文件。
病理细胞检测训练样本的合成装置，其应用于上述任意一种所述的病理细胞检测训练样本的合成方法，所述装置包括：
前景提取模块，其用于将病理细胞图片作为输入，并从输入病理细胞图片中提取出类别不同的前景细胞以及与每个类别的前景细胞相对应的前景细胞掩码；前景细胞包括用于疾病诊断的目标细胞以及附着在目标细胞周围的辅助细胞；
背景提取模块，其用于从输入的病理细胞图片中提取出供前景细胞背景融合用的背景图片一；
融合模块，其用于随机融合各类前景细胞至背景图片一中；
样本生成模块，其用于根据融合进背景图片一中前景细胞的位置和类别，生成记录有目标细胞位置和类别的样本标记文件。
本发明还提供一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一种所述的病理细胞检测训练样本的合成方法的步骤。
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，所述程序被处理器执行时，实现上述任意一种所述的病理细胞检测训练样本的合成方法的步骤。
本发明的有益效果为：
本发明的病理细胞检测训练样本的合成方法，通过从病理细胞图片中提取出前景和背景进行融合，记录目标细胞在样本中的位置和类别，很容易就能构造出标注完全、标注准确的训练样本。
本发明的病理细胞检测训练样本的合成方法，可以控制目标细胞的个数、类别、稠密程度、以及背景，从而增加训练样本的多样性，对训练一个强大的细胞检测模型非常有利。
附图说明
图1为现有技术中的病理细胞检测前的病理细胞分布的状态图；
图2为图1中的病理细胞图在被检测模型检测后的状态图；
图3为现有技术中病理细胞图通过半监督方式构建的没有标全目标细胞的样本图；
图4为现有技术中病理细胞图通过半监督方式构建的没有标准目标细胞的样本图；
图5为本发明实施例1中提供前景细胞的轮廓信息图；
图6为图5中的前景细胞图。
图7为图5中前景细胞的前景细胞掩码示意图；
图8为图5中病理图像块的分布示意图；
图9为图8中病理细胞图中的病理图像块经割离、填补后形成的细胞背景图；
图10为本发明实施例1中步骤S3的所创立的纯黑色图片的示意图；
图11为在图10中的纯黑色图片中添加前景细胞掩码的状态示意图；
图12为图11中融合多类细胞前景后所生成的样本示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
病理细胞检测训练样本的合成方法，依次包括如下步骤：
S1、将病理细胞图片作为输入，并从输入病理细胞图片中提取出类别不同的前景细胞以及与每个类别的前景细胞所对应的前景细胞掩码；前景细胞包括用于疾病诊断的目标细胞以及附着在目标细胞周围的辅助细胞。辅助细胞可为使得图片融合更自然更贴近现实情况的垃圾图片。
S2、从输入的病理细胞图片中提取出供前景细胞背景融合用的背景图片一；
S3、随机融合各类前景细胞至背景图片一中；
S4、根据融合进背景图片一中前景细胞的位置和类别，生成记录有目标细胞位置和类别的样本标记文件。
请结合图5至图7，在的步骤S1中，从病理细胞图片中提取出前景细胞的提取方法包括如下步骤：
S11、利用labelme标注软件在病理细胞图片中描绘出各类前景细胞的轮廓，并生成各类前景细胞的轮廓信息；前景细胞的轮廓如图5所示。
S12、将各类前景细胞的轮廓信息提取出来作为各类细胞前景，并获得与各类细胞前景相对应的前景细胞掩码。图6为前景细胞，图7为该前景细胞的前景细胞掩码。
请结合图8至图9，在的步骤S2中，由于光照、染色、杂质等条件的不同，病理细胞图片的背景并非纯粹的灰白色。为了模拟真实的背景，我们将从病理细胞图片中提取背景，即从病理细胞图片中提取出背景图片一的提取方法包括如下步骤：
S21、利用全局阈值分割方法(ostu)从病理细胞图片中割离出具有各类前景细胞的病理图片块，并在病理细胞图片上形成多个切割区域；病理图像块如图8所示。
S22、利用opencv的填补函数(cv2.inpaint)填补各个切割区域，使填补后的病理细胞图片形成贴近现实的背景图片一，如图9所示。
请结合图10至图12，在的步骤S3中，各类细胞前景在背景图片一中的融合方法包括如下步骤：
S31、创建一个纯黑色图片作为背景图片二，并将纯黑色图片表示为bgmask；融合前，设定纯黑色图片中所有元素之和为0，表示为sum bmask＝0；纯黑色图片如图10所示。
S32、融合时，将sum bmask标记为bsum bmask；在纯黑色图片bgmask 中随机挑选一个位置，再随机将一个前景细胞掩码添加至上述挑选位置；添加前景细胞掩码至挑选后位置的效果如图11所示。
其中，前景细胞掩码表示为tmask；将添加后的纯黑色图片bgmask中的各元素之和表示为sum bmask＝sum bmask+sum tmask；
S33、若添加后的纯黑色图片中的各元素之和bsum bmask+sum tmask等于融合后的纯黑色图片中的各元素之和sum bmask，则利用opencv的函数将该细胞前景融合至背景图片一中，并记录该细胞前景在背景图片一中的位置和类别。若相等，则表示加入的目标细胞(细胞前景)不和背景中的其他目标细胞(细胞前景)重合，那么就可以将该目标细胞融合到该背景图片一中。若不相等，那么表示加入的目标细胞和背景图片一中的其他目标细胞重合，不进行融合。
S34、重复执行步骤S32和步骤S33，以依次融合不同类别的细胞前景至背景图片一中；若融合在背景图片一中的与细胞前景相对应的各类前景细胞数量大于等于一预设的阀值时，停止融合，以获得融合有多种类别目标细胞的样本图片，并如图12所示。
在的步骤S4中，基于样本图片中目标细胞的类别和位置生成样本标记文件，从而实现对病理细胞检测训练样本的合成。
实施例2
本实施例2提供了一种病理细胞检测训练样本的合成装置，其应用于上述实施例1的病理细胞检测训练样本的合成方法，装置包括：
前景提取模块，其用于将病理细胞图片作为输入，并从输入病理细胞图片中提取出类别不同的前景细胞以及与每个类别的前景细胞相对应的前景细胞掩码；前景细胞包括用于疾病诊断的目标细胞以及附着在目标细胞周围的辅助细胞；
背景提取模块，其用于从输入的病理细胞图片中提取出供前景细胞背景融合用的背景图片一；
融合模块，其用于随机融合各类前景细胞至背景图片一中；
样本生成模块，其用于根据融合进背景图片一中前景细胞的位置和类别，生成记录有目标细胞位置和类别的样本标记文件。
实施例3
本实施例3提供了一种计算机终端，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述实施例1 的病理细胞检测训练样本的合成方法的步骤。
实施例4
本实施例4提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时，实现上述实施例1的病理细胞检测训练样本的合成方法的步骤。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.病理细胞检测训练样本的合成方法，其特征在于，依次包括如下步骤：
S1、将病理细胞图片作为输入，并从输入病理细胞图片中提取出类别不同的前景细胞以及与每个类别的前景细胞所对应的前景细胞掩码；前景细胞包括用于疾病诊断的目标细胞以及附着在目标细胞周围的辅助细胞；
S2、从输入的病理细胞图片中提取出供前景细胞背景融合用的背景图片一；
S3、随机融合各类前景细胞至背景图片一中；
S4、根据融合进背景图片一中前景细胞的位置和类别，生成记录有目标细胞位置和类别的样本标记文件。
2.如权利要求1所述的病理细胞检测训练样本的合成方法，其特征在于，在所述的步骤S1中，从病理细胞图片中提取出前景细胞的提取方法包括如下步骤：
S11、利用labelme标注软件在病理细胞图片中描绘出各类前景细胞的轮廓，并生成各类前景细胞的轮廓信息；
S12、将各类前景细胞的轮廓信息提取出来作为各类细胞前景，并获得与各类细胞前景相对应的前景细胞掩码。
3.如权利要求2所述的病理细胞检测训练样本的合成方法，其特征在于，在所述的步骤S2中，从病理细胞图片中提取出背景图片一的提取方法包括如下步骤：
S21、利用全局阈值分割方法从病理细胞图片中割离出具有各类前景细胞的病理图片块，并在病理细胞图片上形成多个切割区域；
S22、利用opencv的填补函数填补各个切割区域，使填补后的病理细胞图片形成贴近现实的背景图片一。
4.如权利要求3所述的病理细胞检测训练样本的合成方法，其特征在于，在所述的步骤S3中，各类细胞前景在背景图片一中的融合方法包括如下步骤：
S31、创建一个纯黑色图片作为背景图片二，并将纯黑色图片表示为bgmask；融合前，设定纯黑色图片中所有元素之和为0，表示为sum bmask＝0；
S32、融合时，将sum bmask标记为bsum bmask；在纯黑色图片bgmask中随机挑选一个位置，再随机将一个前景细胞掩码添加至上述挑选位置；
其中，前景细胞掩码表示为tmask；将添加后的纯黑色图片bgmask中的各元素之和表示为sum bmask＝sum bmask+sum tmask；
S33、若添加后的纯黑色图片中的各元素之和bsum bmask+sum tmask等于融合后的纯黑色图片中的各元素之和sum bmask，则利用opencv的函数将该细胞前景融合至背景图片一中，并记录该细胞前景在背景图片一中的位置和类别；
S34、重复执行步骤S32和步骤S33，以依次融合不同类别的细胞前景至背景图片一中；若融合在背景图片一中的与细胞前景相对应的各类前景细胞数量大于等于一预设的阀值时，停止融合，以获得融合有多种类别目标细胞的样本图片。
5.如权利要求4所述的病理细胞检测训练样本的合成方法，其特征在于，在所述的步骤S4中，基于样本图片中目标细胞的类别和位置生成样本标记文件。
6.病理细胞检测训练样本的合成装置，其应用于如权利要求1至5任意一项所述的病理细胞检测训练样本的合成方法，其特征在于，所述装置包括：
前景提取模块，其用于将病理细胞图片作为输入，并从输入病理细胞图片中提取出类别不同的前景细胞以及与每个类别的前景细胞相对应的前景细胞掩码；前景细胞包括用于疾病诊断的目标细胞以及附着在目标细胞周围的辅助细胞；
背景提取模块，其用于从输入的病理细胞图片中提取出供前景细胞背景融合用的背景图片一；
融合模块，其用于随机融合各类前景细胞至背景图片一中；
样本生成模块，其用于根据融合进背景图片一中前景细胞的位置和类别，生成记录有目标细胞位置和类别的样本标记文件。
7.一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任意一项所述的病理细胞检测训练样本的合成方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时，实现如权利要求1至5中任意一项所述的病理细胞检测训练样本的合成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111021717.0A CN113706519B (zh) | 2021-09-01 | 2021-09-01 | 病理细胞检测训练样本的合成方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111021717.0A CN113706519B (zh) | 2021-09-01 | 2021-09-01 | 病理细胞检测训练样本的合成方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706519A true CN113706519A (zh) | 2021-11-26 |
| CN113706519B CN113706519B (zh) | 2022-07-05 |
Family
ID=78658778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111021717.0A Active CN113706519B (zh) | 2021-09-01 | 2021-09-01 | 病理细胞检测训练样本的合成方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706519B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160239964A1 (en) * | 2015-02-13 | 2016-08-18 | Matthew Haugen | Dot Counting Service |
| CN110378336A (zh) * | 2019-06-24 | 2019-10-25 | 南方电网科学研究院有限责任公司 | 训练样本中目标物体的语义级标注方法、装置及存储介质 |
| CN110889824A (zh) * | 2019-10-12 | 2020-03-17 | 北京海益同展信息科技有限公司 | 一种样本生成方法、装置、电子设备及计算机可读存储介质 |
| CN111325103A (zh) * | 2020-01-21 | 2020-06-23 | 华南师范大学 | 一种细胞标注系统和方法 |
| CN111754414A (zh) * | 2019-03-29 | 2020-10-09 | 搜狗（杭州）智能科技有限公司 | 一种图像处理方法、装置和用于图像处理的装置 |
| CN112990205A (zh) * | 2021-05-11 | 2021-06-18 | 创新奇智(北京)科技有限公司 | 手写字符样本的生成方法及装置、电子设备、存储介质 |
-
2021
- 2021-09-01 CN CN202111021717.0A patent/CN113706519B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160239964A1 (en) * | 2015-02-13 | 2016-08-18 | Matthew Haugen | Dot Counting Service |
| CN111754414A (zh) * | 2019-03-29 | 2020-10-09 | 搜狗（杭州）智能科技有限公司 | 一种图像处理方法、装置和用于图像处理的装置 |
| CN110378336A (zh) * | 2019-06-24 | 2019-10-25 | 南方电网科学研究院有限责任公司 | 训练样本中目标物体的语义级标注方法、装置及存储介质 |
| CN110889824A (zh) * | 2019-10-12 | 2020-03-17 | 北京海益同展信息科技有限公司 | 一种样本生成方法、装置、电子设备及计算机可读存储介质 |
| CN111325103A (zh) * | 2020-01-21 | 2020-06-23 | 华南师范大学 | 一种细胞标注系统和方法 |
| CN112990205A (zh) * | 2021-05-11 | 2021-06-18 | 创新奇智(北京)科技有限公司 | 手写字符样本的生成方法及装置、电子设备、存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| JIANFEI LIU ET AL.: "Active Cell Appearance Model Induced Generative Adversarial Networks for Annotation-Efficient Cell Segmentation and Identification on Adaptive Optics Retinal Images", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| 王亚品: "基于深度卷积神经网络的人体外周血白细胞显微图像分类", 《光电子 激光》 * |
| 王宏雁: "医学图像三维重建及辅助诊断算法研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706519B (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110023994B (zh) | 组织病理学图像分析 | |
| KR101255865B1 (ko) | 개선된 이미지 분할 방법 | |
| CN108363951B (zh) | 遥感影像地类识别对应深度学习样本库的自动获取方法 | |
| CN108846828A (zh) | 一种基于深度学习的病理图像目标区域定位方法及系统 | |
| CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
| CN110838105A (zh) | 一种业务流程模型图像识别与再构方法 | |
| CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
| CN111340937A (zh) | 一种脑肿瘤医学影像三维重建显示交互方法及系统 | |
| CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
| CN106530290A (zh) | 医学图像分析方法和装置 | |
| CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法 | |
| Yan et al. | MSG-SR-Net: A weakly supervised network integrating multiscale generation and superpixel refinement for building extraction from high-resolution remotely sensed imageries | |
| CN115439398A (zh) | 用于在图像数据中检测显微检查对象的方法和装置 | |
| CN116779093B (zh) | 一种医学影像结构化报告的生成方法、装置和计算机设备 | |
| CN113706519B (zh) | 病理细胞检测训练样本的合成方法及其装置 | |
| CN113435456A (zh) | 基于机器学习的岩石薄片组分识别方法、装置及介质 | |
| CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及系统 | |
| CN116167910B (zh) | 文本编辑方法、装置、计算机设备及计算机可读存储介质 | |
| CN111401466A (zh) | 一种交通标志检测与识别标注方法、装置和计算机设备 | |
| CN115564750A (zh) | 术中冰冻切片图像识别方法及装置、设备、存储介质 | |
| Mahardika et al. | Implementation segmentation of color image with detection of color to detect object | |
| CN113642609B (zh) | 基于图像识别技术的共混聚合物中分散相形貌的表征方法 | |
| CN112703531A (zh) | 生成组织图像的注释数据 | |
| JP2004094427A (ja) | 帳票画像処理装置及び該装置を実現するためのプログラム | |
| KR102482573B1 (ko) | 딥러닝을 이용한 이미지 배경제거 및 수피 기반 수종 탐지 시스템 및 이를 이용한 수종 탐지 방법 |
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 |