CN113724294A - 精子活动能力特征提取方法及检测装置 - Google Patents
精子活动能力特征提取方法及检测装置 Download PDFInfo
- Publication number
- CN113724294A CN113724294A CN202111008472.8A CN202111008472A CN113724294A CN 113724294 A CN113724294 A CN 113724294A CN 202111008472 A CN202111008472 A CN 202111008472A CN 113724294 A CN113724294 A CN 113724294A
- Authority
- CN
- China
- Prior art keywords
- sperm
- moving
- axis
- elliptical
- motion
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (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)
- Multimedia (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种精子活动能力特征提取方法,包括:精液视频预处理;对每个序列图像的运动精子进行轨迹跟踪,得到运动精子的运动轨迹;运动精子特征提取,包括如下的步骤:第1步:遍历每个运动精子路径的连通域,提取连通域中的起始点和终点进行连线作为椭圆的一个轴,并计算此轴与水平方向的夹角,通过斜椭圆公式,将整个路径包含在椭圆内,即为精子的运动椭圆域;第2步:将所有精子的运动椭圆域画出并标号,且记录下所有运动椭圆域的运动总长度、a轴长度、b轴长度、ab轴比例、斜椭圆方向、椭圆面积六个特征;第3步:筛选显著性特征,最终选出a轴长度、b轴长度、ab轴比例三个特征作为最终应用特征。本发明同时给出一种精子活动能力检测装置。
Description
技术领域
本发明涉及精子活力检测技术,具体设计了一种通过运动椭圆域对精子轨迹进行特征提取,利用SVM对运动精子进行检测的装置。
背景技术
雄性生殖是一种医学领域,由于多项研究表明近几十年来全球精液质量下降以及地理差异引起了越来越多的关注。精液分析是不孕症研究的核心部分,但预测男性生育力的临床价值尚不确定。根据WHO的建议进行标准的精液分析,其中包括评估精液量,精子浓度,总精子数量,精子活力,精子形态和精子活力的方法。精子活动力分为进行性,非进行性和不运动性精子的百分比。世卫组织已根据可育男性的精液质量确定了各种精液参数的参考范围,这些男性伴侣的怀孕时间不超过12个月(包括12个月)。但是,这些范围不能用于区分可育和不育男性。手动精液分析需要训练有素的实验室人员,即使按照世界卫生组织的指南进行,也可能容易出现实验室内和实验室间的高变异性。从而CASA(计算机辅助精子分析)的产生一定程度上解决了实验室人员紧缺的压力,然而根据WHO第五版,各品牌CASA没有统一判定判定标准。并且WHO第五版中的样本不包含中国人的精液样本,所以其中的分类参数并不一定适用于中国人的精液评价。
发明内容
本发明提出了一种精子活动能力特征提取方法,并据此提供了精子活动能力检测装置。技术方案如下:
一种精子活动能力特征提取方法,包括如下的步骤:
第一步:精液视频预处理:将精液视频转换为序列图像,提取每个视频样本的序列图像;
第二步:对每个序列图像的运动精子进行轨迹跟踪,得到运动精子的运动轨迹;
第三步:运动精子特征提取,包括如下的步骤:
第1步:遍历每个运动精子路径的连通域,提取连通域中的起始点和终点进行连线作为椭圆的一个轴,并计算此轴与水平方向的夹角,通过斜椭圆公式,将整个路径包含在椭圆内,即为精子的运动椭圆域;
第2步:将所有精子的运动椭圆域画出并标号,且记录下所有运动椭圆域的运动总长度、a轴长度、b轴长度、ab轴比例、斜椭圆方向、椭圆面积六个特征;
第3步:筛选显著性特征,最终选出a轴长度、b轴长度、ab轴比例三个特征作为最终应用特征。
进一步地,基于图像金字塔的LK光流算法对每个序列图像的运动精子进行轨迹跟踪。
进一步地,第二步还包括:预设阈值,排除路径长度小于阈值的运动轨迹,获得各个运动精子路径的连通域。
进一步地,第三步的第3步,采用双侧t检验的方法筛选出显著性特征。
本发明还提供一种精子活动能力检测装置,其特征在于,包括:
精液样本视频采集模块,用于采集包含有活性精子的精液视频;
精液视频预处理模块,用于将精液视频转换为序列图像,提取每个视频样本的序列图像;
运动精子跟踪模块,对每个序列图像的运动精子进行轨迹跟踪,得到运动精子的运动轨迹;
运动精子特征提取模块,其作用如下:
遍历每个运动精子路径的连通域,提取连通域中的起始点和终点进行连线作为椭圆的一个轴,并计算此轴与水平方向的夹角,通过斜椭圆公式,将整个路径包含在椭圆内,即为精子的运动椭圆域;
将所有精子的运动椭圆域画出并标号,且记录下所有运动椭圆域的运动总长度、a轴长度、b轴长度、ab轴比例、斜椭圆方向、椭圆面积六个特征;
根据假设检验筛选出显著性特征,最终选出a轴长度、b轴长度、ab轴比例三个特征作为最终应用特征;
精子活力检测模块,用于根据精子活力特征对精子活力检测。
进一步地,精子活力检测模块,根据精子运动轨迹对每个运动精子做三分类的标签,活力好的精子标签置为0,活力为中的精子标签置为1,活力差的精子标签置为2;将精子数据划分为训练集和测试集,训练基于拓扑形态学的支持向量机(SVM)分类器,得到精子活力检测模型。
附图说明
图1:本发明流程图
图2:精子样本与分帧后序列图像
图3基于金字塔的LK光流法的精子路径图,(a)图和(b)图:分别基于原图背景与黑色背景
图4:椭圆运动域的绘制模拟图
图5:精子样本模拟椭圆域结果图
图6:基于精子路径的特征的SVM分类结果(取a轴和b轴长度作为x,y轴。标记点为测试集的点)
图7:本发明的精子活动能力检测装置的结构图。
具体实施方式
本发明首先对精液进行视频录制,得到精液视频样本;然后对精液视频进行分帧的预处理;通过基于金字塔的LK光流算法对运动精子进行跟踪并记录轨迹;接下来根据精子轨迹画出运动椭圆域并记录椭圆的六个特征,通过假设检验的方法选出三个最具有显著性的特征;最后构建SVM分类器对运动精子进行活力检测。
为了对本发明进行详细阐述,现结合实例和附图对本发明的具体实施过程作进一步的描述。具体包括:
精液样本视频采集模块和精液样本预处理模块
精液样本视频采集模块包括显微镜和摄像机,摄像机拍摄的视频被送入计算机。
所有样本均为受试者提供精液两小时之内获得图像,均为10μl精液放在载玻片上,盖上用22×22mm的盖玻片放置在200倍显微镜下。每份样本拍摄2s以上的记录精子活力评估视频,放大并储存为AVI文件。为了之后的精子路径跟踪与椭圆域的绘制将视频转换为序列图像,均提取视频前2s的序列图像,一共50帧,图像分辨率为1740×680(根据WHO第五版描述1s以上有效视频样本即可判断精子活力)。
运动精子跟踪模块
用于追踪运动精子的轨迹路线图并画出运动轨迹,采用基于图像金字塔的LK光流法跟踪精子路径。
图像金字塔的建立,大小为nx*ny的图像I的金字塔结构可通过下面方法建立:I0=I表示第0层的图像,此图像的分辨率最高(原始图像),其宽度和高度也和原始图像一致n0 x=nx,n0 y=ny。接着,金字塔结构以一种递归的方式建立:基于I0计算I1,接着基于I1计算I2…。令L=1,2…作为金字塔的其中一层,令IL-1表示在L-1层的图像。nL-1 x和nL-1 y分别为IL-1的宽度和高度。图像IL-1的灰度值可以由下式进行计算:
参考精子运动范围与图像分辨率,本方法采用了两层金字塔。
LK的三个假设条件:亮度恒定,小运动和空间一致。很符合精子运动的特点。假设两帧精子图片,第一帧时间为t,后一帧时间为t+δt。前一帧的像素点I(x,y,z,t)在后一帧的位置为I(x+δx,y+δy,z+δz,t+δt)。
1)根据亮度恒定假设:
I(x,y,z,t)=I(x+δx,y+δy,z+δz,t+δt) (2)
2)根据小运动假设,将上述右侧公式泰勒级数展开:
H.O.T是泰勒展开的高阶项,小运动情况下可以忽略为0.
3):根据上面两个公式可得:
或者
对于二维图像而言,只需要考虑x,y,t即可,其中Ix,Iy,It分别为(x,y,t)方向的差分写为如下形式:
IxVx+IyVy=-It (6)
4):现在有两个未知数,只有一个方程。需要用到第三个假设条件,即空间一致性,利用3×3窗口内的9个像素点建立9个方程,写为下列形式:
写成矩阵形式:
由于两个未知数,有9个方程,采用最小二乘法解决:
写成以下形式:
根据上式通过累加邻域像素点在三个维度的偏导数做矩阵运算,可算出该点的光流(Vx,Vy)。
以上的LK算法需要每个感兴趣点周围小范围的局部信息,而小范围的LK算法无法解决较大运动点,使算法无法找到这些点。基于金字塔的LK光流法可以解决这种问题,即从图像金字塔的最高层开始向金字塔的低层进行跟踪。
运动精子特征提取模块
对精子路径模拟椭圆运动域,将前面模块提取的将精子路径绘制在每份样本的第一帧图像中,得到每个样本所有精子的运动路径图,为了对精子运动特性进行挖掘,本发明提出了运动椭圆域的方法提取运动精子特征(其中由于精液是液体导致有些没有活力的精子也有一小部分的位移,此时将路径长度像素点小于10的路径排除掉)。椭圆运动域的绘图思想如图4所示,假设中间的弯曲细曲线为精子运动轨迹,A点为起点,B点为终点,连接AB作为椭圆的一个固定轴,称为x轴。y轴为椭圆另外一个轴,x与y轴垂直。然后根据两个轴画椭圆,不断增加y轴的长度,当椭圆可以将轨迹路线百分之80以上的点包含进去,将椭圆完成。根据公式:
其中x0,y0为AB中点的坐标,θ为x轴与水平轴的夹角,a为椭圆x轴上长度的一半,b为椭圆y轴上长度的一半。
判断轨迹上的点是否在椭圆内,只需要将点坐标带入公式(12)左边,若得出结果小于等于1,则点在椭圆内部。否则反之。
通过运动椭圆域对所有运动精子进行特征提取,遍历所有运动精子,并对其编号在包含运动轨迹的第一帧精子图像中绘制运动椭圆域。记录每一个精子运动总长度、椭圆a轴长度、b轴长度、ab轴比例、斜椭圆方向、椭圆面积六个特征,其中每个特征定义如下表所示。
表1:精子特征定义
精子特征 | 定义 |
运动总长度 | 运动精子的运动总轨迹的像素个数(2s) |
a轴长度 | 运动精子所在椭圆域的a轴的像素个数 |
b轴长度 | 运动精子所在椭圆域的b轴的像素个数 |
ab轴比例 | a轴长度/b轴长度 |
斜椭圆方向 | a轴与水平方向的夹角 |
椭圆面积 | 运动精子所在椭圆域的像素总个数 |
将上述六个特征向量分别进行假设检验筛选出显著性特征,采用两个正态总体双侧t检验法,取显著性检验水平α=0.,通过计算统计量其中和分别是两样本均值,和分别是两样本方差,n1和n2分别是两样本容量,确定a轴长度,b轴长度,ab轴比例这三个特征为显著性特征,所以选取a轴长度,b轴长度,ab轴比例这三个特征作为判定标准。
精子活力检测模块
采用SVM对所有运动精子进行分类,一共553例运动精子,每个精子分别有专业医生对它的活力打分,分为三个类别为好、中、差。特征分别为a轴长度,b轴长度,ab轴比例,制作出符合支持向量机格式的标签样本,将所有活力好的精子标签置为0,活力为中的精子标签置为1,活力差的精子标签置为2。其中按照3:2的比例将精子数据划分为训练集和测试集,设计并训练基于拓扑形态学特征的SVM分类器,给定超平面方程wTx+b=0,选取线性核(linear)作为核函数,采用网格搜索法调节正则化参数C和核函数参数gamma,根据每次模型的表现,选取合适的步长,当确定大致范围后,再细化搜索区间,为了提高分类结果,使用粒子群算法(PSO)对参数进行优化。在本申请实施例中,选定正则化参数C=40及核函数参数gamma=5,此时SVM的训练集正确率Accuracy=0.97测试集Accuracy=0.94得到最终的基于新的精子活动能力特征提取及检测装置。
Claims (7)
1.一种精子活动能力特征提取方法,包括如下的步骤:
第一步:精液视频预处理:将精液视频转换为序列图像,提取每个视频样本的序列图像。
第二步:对每个序列图像的运动精子进行轨迹跟踪,得到运动精子的运动轨迹;
第三步:运动精子特征提取,包括如下的步骤:
第1步:遍历每个运动精子路径的连通域,提取连通域中的起始点和终点进行连线作为椭圆的一个轴,并计算此轴与水平方向的夹角,通过斜椭圆公式,将整个路径包含在椭圆内,即为精子的运动椭圆域;
第2步:将所有精子的运动椭圆域画出并标号,且记录下所有运动椭圆域的运动总长度、a轴长度、b轴长度、ab轴比例、斜椭圆方向、椭圆面积六个特征;
第3步:筛选显著性特征,最终选出a轴长度、b轴长度、ab轴比例三个特征作为最终应用特征。
2.根据权利要求1所述的精子活动能力特征提取方法,其特征在于,基于图像金字塔的LK光流算法对每个序列图像的运动精子进行轨迹跟踪。
3.根据权利要求1所述的精子活动能力特征提取方法,其特征在于,第二步还包括:预设阈值,排除路径长度小于阈值的运动轨迹,获得各个运动精子路径的连通域。
4.根据权利要求1所述的精子活动能力特征提取方法,其特征在于,第三步的第3步,采用双侧t检验的方法筛选出显著性特征。
5.一种精子活动能力检测装置,其特征在于,包括:
精液样本视频采集模块,用于采集包含有活性精子的精液视频;
精液视频预处理模块,用于将精液视频转换为序列图像,提取每个视频样本的序列图像;
运动精子跟踪模块,对每个序列图像的运动精子进行轨迹跟踪,得到运动精子的运动轨迹;
运动精子特征提取模块,其作用如下:
遍历每个运动精子路径的连通域,提取连通域中的起始点和终点进行连线作为椭圆的一个轴,并计算此轴与水平方向的夹角,通过斜椭圆公式,将整个路径包含在椭圆内,即为精子的运动椭圆域;
将所有精子的运动椭圆域画出并标号,且记录下所有运动椭圆域的运动总长度、a轴长度、b轴长度、ab轴比例、斜椭圆方向、椭圆面积六个特征;
根据假设检验筛选出显著性特征,最终选出a轴长度、b轴长度、ab轴比例三个特征作为最终应用特征;
精子活力检测模块,用于根据精子活力特征对精子活力检测,方法为:根据精子运动轨迹对每个运动精子做三分类的标签,活力好的精子标签置为0,活力为中的精子标签置为1,活力差的精子标签置为2;将精子数据划分为训练集和测试集,设计并训练基于拓扑形态学的支持向量机(SVM)分类器,得到精子活力检测模型。
6.根据权利要求5所述的检测装置,其特征在于,运动精子特征提取模块,基于图像金字塔的LK光流算法对每个序列图像的运动精子进行轨迹跟踪。
7.根据权利要求6所述的检测装置,其特征在于,精子活力检测模块,根据精子运动轨迹对每个运动精子做三分类的标签,活力好的精子标签置为0,活力为中的精子标签置为1,活力差的精子标签置为2;将精子数据划分为训练集和测试集,训练基于拓扑形态学的支持向量机(SVM)分类器,得到精子活力检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008472.8A CN113724294B (zh) | 2021-08-31 | 2021-08-31 | 精子活动能力特征提取方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008472.8A CN113724294B (zh) | 2021-08-31 | 2021-08-31 | 精子活动能力特征提取方法及检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724294A true CN113724294A (zh) | 2021-11-30 |
CN113724294B CN113724294B (zh) | 2023-08-18 |
Family
ID=78679496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111008472.8A Active CN113724294B (zh) | 2021-08-31 | 2021-08-31 | 精子活动能力特征提取方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724294B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455958A (zh) * | 2023-12-22 | 2024-01-26 | 武汉以彼古罗咨询服务有限公司 | 一种面向精子识别的轨迹追踪方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237121A (zh) * | 2014-09-18 | 2014-12-24 | 山东大学 | 一种精子活力性能检测方法 |
CN105809682A (zh) * | 2016-03-07 | 2016-07-27 | 清华大学深圳研究生院 | 精子分析装置 |
US20170109879A1 (en) * | 2014-04-03 | 2017-04-20 | Drexel University | Computer-implemented methods, computer-readable media, and systems for tracking a plurality of spermatozoa |
CN110866937A (zh) * | 2019-10-25 | 2020-03-06 | 深圳市瑞图生物技术有限公司 | 精子运动轨迹重建及分类方法 |
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 |
CN112037250A (zh) * | 2020-07-27 | 2020-12-04 | 国网四川省电力公司 | 一种目标车辆矢量轨迹追踪和工程视图建模方法、装置 |
CN112150415A (zh) * | 2020-09-04 | 2020-12-29 | 清华大学 | 基于深度学习的多目标精子实时监测方法 |
-
2021
- 2021-08-31 CN CN202111008472.8A patent/CN113724294B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170109879A1 (en) * | 2014-04-03 | 2017-04-20 | Drexel University | Computer-implemented methods, computer-readable media, and systems for tracking a plurality of spermatozoa |
CN104237121A (zh) * | 2014-09-18 | 2014-12-24 | 山东大学 | 一种精子活力性能检测方法 |
CN105809682A (zh) * | 2016-03-07 | 2016-07-27 | 清华大学深圳研究生院 | 精子分析装置 |
CN110866937A (zh) * | 2019-10-25 | 2020-03-06 | 深圳市瑞图生物技术有限公司 | 精子运动轨迹重建及分类方法 |
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 |
CN112037250A (zh) * | 2020-07-27 | 2020-12-04 | 国网四川省电力公司 | 一种目标车辆矢量轨迹追踪和工程视图建模方法、装置 |
CN112150415A (zh) * | 2020-09-04 | 2020-12-29 | 清华大学 | 基于深度学习的多目标精子实时监测方法 |
Non-Patent Citations (1)
Title |
---|
冯汉港;张艳青;郑运平;: "精子多目标跟踪的抗遮挡算法的研究与实现", 计算机工程与设计, no. 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455958A (zh) * | 2023-12-22 | 2024-01-26 | 武汉以彼古罗咨询服务有限公司 | 一种面向精子识别的轨迹追踪方法和装置 |
CN117455958B (zh) * | 2023-12-22 | 2024-03-08 | 武汉以彼古罗咨询服务有限公司 | 一种面向精子识别的轨迹追踪方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113724294B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680678B (zh) | 基于多尺度卷积神经网络甲状腺超声图像结节诊断系统 | |
CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN108537269B (zh) | 一种弱交互式的物体检测深度学习方法及其系统 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN105427296A (zh) | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 | |
CN110795982A (zh) | 一种基于人体姿态分析的表观视线估计方法 | |
CN109670489B (zh) | 基于多实例学习的弱监督式早期老年性黄斑病变分类方法 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN112233061A (zh) | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 | |
Li et al. | A review of deep learning methods for pixel-level crack detection | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN114863348A (zh) | 基于自监督的视频目标分割方法 | |
CN113724294B (zh) | 精子活动能力特征提取方法及检测装置 | |
CN116630285A (zh) | 基于显著性特征分级蒸馏的光伏电池类增量缺陷检测方法 | |
CN112001922A (zh) | 带电设备的缺陷诊断方法及设备 | |
CN116486393A (zh) | 一种基于图像分割的场景文本检测方法 | |
CN115147644A (zh) | 图像描述模型的训练和描述方法、系统、设备及存储介质 | |
CN111507416A (zh) | 一种基于深度学习的吸烟行为实时检测方法 | |
Shi et al. | Adaptive threshold cascade faster RCNN for domain adaptive object detection | |
Mo et al. | Student behavior recognition based on multitask learning | |
CN113409255A (zh) | 一种基于Mask R-CNN的斑马鱼形态学分类方法 | |
CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
Lu et al. | Survey of weakly supervised semantic segmentation methods | |
CN111861916A (zh) | 病理图片的处理方法 |
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 |