CN113989229A - 一种基于随机森林和卷积神经网络的细胞计数方法 - Google Patents

一种基于随机森林和卷积神经网络的细胞计数方法 Download PDF

Info

Publication number
CN113989229A
CN113989229A CN202111260858.8A CN202111260858A CN113989229A CN 113989229 A CN113989229 A CN 113989229A CN 202111260858 A CN202111260858 A CN 202111260858A CN 113989229 A CN113989229 A CN 113989229A
Authority
CN
China
Prior art keywords
random forest
cell
convolutional neural
neural network
data
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
Application number
CN202111260858.8A
Other languages
English (en)
Inventor
蒋妮
周海洋
余飞鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Touptek Photoelectric Technology Co ltd
Original Assignee
Hangzhou Touptek Photoelectric Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Touptek Photoelectric Technology Co ltd filed Critical Hangzhou Touptek Photoelectric Technology Co ltd
Priority to CN202111260858.8A priority Critical patent/CN113989229A/zh
Publication of CN113989229A publication Critical patent/CN113989229A/zh
Pending legal-status Critical Current

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
    • G06F18/21—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/20081—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

Abstract

本发明一种基于随机森林和卷积神经网络的细胞计数方法：将细胞图像及其根据细胞的点标记生成真实的密度图作为数据集，并划分为训练集、验证集和测试集；将训练集输入到基于卷积神经网络的预训练模型，选择特定的特征图输出；选择合适大小的窗口，在特征图和密度图上提取结构化数据，共同组成数据‑标签训练数据；采用数据‑标签训练数据，使用交叉验证法确定合适的随机森林超参数，得到训练后的随机森林模型；将待测细胞图像输入预训练模型选择特定的特征图输出，作为提取的特征图，然后输入到训练后的随机森林模型，输出估计的密度图；对估计的密度图的值求和，得到待测细胞图像所包含的细胞数量。该细胞计数方法能有效解决粘连的计数问题。

Description

一种基于随机森林和卷积神经网络的细胞计数方法
技术领域
本发明涉及一种显微图像领域的细胞计数算法，尤其涉及一种基于随机森林和卷积神经网络的细胞计数方法。
背景技术
传统的细胞计数方法大多都是依赖于细胞检测的手段，对单个细胞进行定位，然后计数。但是细胞检测的方法还有许多待解决的问题，比如杂质的干扰、背景的复杂性、灰度阈值法中阈值选取的不确定性、区域生长法中种子点选取的多样性等等。除此之外，还有一个很重要的问题——粘连细胞的分割。至今为止，尚未有一种方法能很好的实现粘连细胞的分割计数，因此，基于细胞形态检测的计数方法还存在一定的缺陷。如公开号为CN109102515A和CN112465745A的中国专利公开文本均对细胞计数方法进行了改进。
但基于估计像素级数量分布的细胞计数方法则是通过学习图像特征到细胞数量的映射关系，对新的图像进行估计，得到每个像素所表示的细胞个数，进而对密度矩阵目标区域的元素值求和，统计出细胞数量。虽然这种学习估计的方法避免了粘连细胞的计数问题，但其学习的效果很大程度上取决于供其学习特征的样本好坏，样本特征的质量决定了学习效果的上限。在对数据了解不全面的情况下，一般很难设计出合适的特征。
当细胞由于成像条件或染色等原因导致边缘较模糊时，在估计密度时，容易将边缘估计为背景密度，导致区域的密度值之和变小，出现细胞漏计的情况。
因此，如何有效解决粘连细胞的计数问题是本领域亟需解决的技术问题。
发明内容
本发明的目的在于提供一种基于随机森林和卷积神经网络的细胞计数方法，该细胞计数方法能有效解决粘连的计数问题。
本发明通过以下技术方案来实现的：
一种基于随机森林和卷积神经网络的细胞计数方法，包括以下步骤：
(1)将细胞图像及其根据细胞的点标记生成真实的密度图作为数据集，并将数据集划分为训练集、验证集和测试集；
(2)将训练集输入到基于卷积神经网络的预训练模型，选择特定的特征图输出，作为提取的特征图；
(3)选择合适大小的窗口，在步骤(2)得到的特征图和步骤(1)得到的密度图上提取结构化数据，共同组成数据-标签训练数据；
(4)采用步骤(3)中的数据-标签训练数据，使用交叉验证法确定合适的随机森林超参数，得到训练后的随机森林模型；
(5)将待测细胞图像输入步骤(2)中的基于卷积神经网络的预训练模型选择特定的特征图输出，作为提取的特征图，然后输入到步骤(4)训练后的随机森林模型，输出估计的密度图；
(6)对步骤(5)估计的密度图的值求和，得到待测细胞图像所包含的细胞数量。
其中，训练集用于模型训练，验证集用于验证模型的性能，测试集用于测试模型在未知数据上的表现。
所述步骤(1)通过以下子步骤来实现：
(1.1)将每张细胞图像Ii的标记点集合记为
Figure BDA0003325669430000031
其中Ci是第i张图像的细胞数量，根据公式(1)计算真实的密度图标签：
Figure BDA0003325669430000032
其中Gσ是标准差为σ的高斯函数，*表示卷积运算。密度图上高斯函数重叠的部分，其值按照叠加后的结果计算。F(x)在整幅图像上的积分即为细胞计数结果；
(1.2)对数据集进行划分：一部分数据集固定为训练集，剩下的随机划分为测试集和验证集用于交叉验证。
优选的，所述步骤(2)中的预训练模型为VGG16，提取VGG16中第一个阶段的最后一组特征图输出，作为提取的特征图。根据权利要求1所述的基于随机森林和卷积神经网络的细胞计数方法，其特征在于，所述步骤二通过以下子步骤来实现：
这里选择第一阶段的最后一组特征图，因为第一阶段尚未经过池化操作，特征图与输入图像大小一致，方便提取每个像素的特征。相比第一组特征图，最后一组特征图具有更少的噪声。最后一组特征图的元素和输入图像像素具有一一对应的关系，每个位置上多通道值就是该位置像素的特征向量。
所述VGG16中第一个阶段包括：
卷积层1，卷积核尺寸为3，通道数为128；
卷积层2，卷积核尺寸为3，通道数为128。
所述步骤(3)通过以下步骤来实现：
假设窗口大小为P，该窗口内的特征记为Pin，对应的密度集合为Pout，随机森林的目的就是学习从Pin到Pout非线性映射：
F:Pin→Pout (6)
最终的预测值是重叠窗口的值求平均得到：
Figure BDA0003325669430000041
其中
Figure BDA0003325669430000042
是通过估计得到的密度图。
优选的，所述步骤(5)中的随机森林超参数包括树的数量、树的最大深度、最小分离样本数和叶子结点最小样本数。
所述步骤(6)中每张待测细胞图像所包含的细胞数量通过对估计的密度图积分得到：
Figure BDA0003325669430000043
优选的，所述细胞图像中含有粘连细胞。
本发明假定细胞数量在空间上的密度服从高斯分布，通过学习细胞的像素特征和密度值之间的映射关系，估计得到新的细胞图像在空间上的分布结果。具体为：首先在细胞中心处以一个点的形式对细胞进行标记。然后构建一个密度函数，作用在每个细胞的标记点上，以该点为中心得到对应的密度矩阵。密度矩阵中每个元素值的大小代表细胞以像素为单位的密度分布，对整个矩阵的元素求和，即得到细胞总数量。通过建立模型，学习原图像中每个像素点的特征向量和密度矩阵中对应元素值的关系，可以确定特征到密度的映射，因此，可由此映射关系，得到细胞数量的估计结果。该方法实现原理简单，能有效解决粘连的计数问题。
附图说明
图1为VGG16网络模型结构示意图；
图2为用于估计计数的细胞图像；
图3为对应标记细胞图像；
图4为经过高斯卷积之后的真实密度图；
图5为估计得到的密度图。
具体实施方式
下面根据附图详细说明本发明。
本发明基于随机森林和卷积神经网络的细胞计数方法，包括以下步骤：
步骤(1)：将细胞图像及其根据细胞的点标记生成真实的密度图作为数据集，将数据集划分为训练集、验证集和测试集，其中，训练集用于模型训练，验证集用于验证模型的性能，测试集用于测试模型在未知数据上的表现；
(1.1)将每张细胞图像Ii的标记点集合记为
Figure BDA0003325669430000051
其中Ci是第i张图像的细胞数量，根据公式(1)计算真实的密度图标签：
Figure BDA0003325669430000052
其中Gσ是标准差为σ的高斯函数，*表示卷积运算。密度图上高斯函数重叠的部分，其值按照叠加后的结果计算。F(x)在整幅图像上的积分即为细胞计数结果。
(1.2)对数据集进行划分：一部分数据固定为训练集，剩下的随机划分为测试集和验证集用于交叉验证。
在本实施例中，将图2中的细胞图像进行标记后的图像如图3所示，经步骤(1.1)得到如图4所示的真实密度图。
步骤(2)：将训练集输入到一个经典的卷积神经网络中，如图1中的VGG16，并加载预训练模型，选择特定的特征图输出，作为提取的特征。这里选择stage1的最后一组特征图，因为stage1尚未经过池化操作，特征图与输入图像大小一致，方便提取每个像素的特征。
(2.1)构建VGG16的网络模型，并加载VGG16预训练模型参数，提取stage1的最后一组特征图。相比第一组特征图，最后一组特征图具有更少的噪声。最后一组特征图的元素和输入图像像素具有一一对应的关系，每个位置上多通道值就是该位置像素的特征向量。
步骤(3)：选择合适大小的窗口，在特征图和密度图上提取结构化数据，共同组成数据-标签训练数据；
假设窗口大小为P，该窗口内的特征记为Pin，对应的密度集合为Pout，随机森林的目的就是学习从Pin到Pout非线性映射：
F:Pin→Pout (10)
最终的预测值是重叠窗口的值求平均得到：
Figure BDA0003325669430000061
其中
Figure BDA0003325669430000062
是通过估计得到的密度图。
步骤(4)：使用交叉验证法确定合适的随机森林超参数，，得到训练后的随机森林模型；本发明中可调的超参数为树的数量、树的最大深度、最小分离样本数和叶子结点最小样本数；
步骤(5)：对待测细胞图像执行步骤(2)提取特征，然后输入到训练好的随机森林模型，得到估计的密度图，如图5所示；
步骤(6)：对估计的密度图的值求和，得到该待测细胞图像内所包含的细胞数量。
其中，每张细胞图像所包含的细胞数量通过对估计的密度图积分得到：
Figure BDA0003325669430000071
经计算，图2表示的细胞图像，真实细胞数量为103，本发明估计数量为99，估计密度和真实密度的偏差为4。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于随机森林和卷积神经网络的细胞计数方法，其特征在于，包括以下步骤：
(1)将细胞图像及其根据细胞的点标记生成真实的密度图作为数据集，并将数据集划分为训练集、验证集和测试集；
(2)将训练集输入到基于卷积神经网络的预训练模型，选择特定的特征图输出，作为提取的特征图；
(3)选择合适大小的窗口，在步骤(2)得到的特征图和步骤(1)得到的密度图上提取结构化数据，共同组成数据-标签训练数据；
(4)采用步骤(3)中的数据-标签训练数据，使用交叉验证法确定合适的随机森林超参数，得到训练后的随机森林模型；
(5)将待测细胞图像输入步骤(2)中的基于卷积神经网络的预训练模型选择特定的特征图输出，作为提取的特征图，然后输入到步骤(4)训练后的随机森林模型，输出估计的密度图；
(6)对步骤(5)估计的密度图的值求和，得到待测细胞图像所包含的细胞数量。
2.根据权利要求1所述的基于随机森林和卷积神经网络的细胞计数方法，其特征在于，所述步骤(1)通过以下子步骤来实现：
(1.1)将每张细胞图像Ii的标记点集合记为Di＝{D1,D2,…,DCi}，其中Ci是第i张图像的细胞数量，根据公式(1)计算真实的密度图标签：
Figure FDA0003325669420000011
其中Gσ是标准差为σ的高斯函数，*表示卷积运算，F(x)为在整幅图像上的积分即为细胞计数结果；
(1.2)对数据集进行划分：一部分数据集固定为训练集，剩下的随机划分为测试集和验证集用于交叉验证。
3.根据权利要求1所述的基于随机森林和卷积神经网络的细胞计数方法，其特征在于，所述步骤(2)中的预训练模型为VGG16，提取VGG16中第一个阶段的最后一组特征图输出，作为提取的特征图。
4.根据权利要求3所述的基于随机森林和卷积神经网络的细胞计数方法，其特征在于，所述VGG16中第一个阶段包括：
卷积层1，卷积核尺寸为3，通道数为128；
卷积层2，卷积核尺寸为3，通道数为128。
5.根据权利要求1所述的基于随机森林和卷积神经网络的细胞计数方法，其特征在于，所述步骤(3)通过以下步骤来实现：
假设窗口大小为P，该窗口内的特征记为Pin，对应的密度集合为Pout，随机森林的目的就是学习从Pin到Pout的非线性映射：
F:Pin→Pout (2)
最终的预测值是重叠窗口的值求平均得到：
Figure FDA0003325669420000021
其中
Figure FDA0003325669420000022
是通过估计得到的密度图。
6.根据权利要求1所述的基于随机森林和卷积神经网络的细胞计数方法，其特征在于，所述步骤(5)中的随机森林超参数包括树的数量、树的最大深度、最小分离样本数和叶子结点最小样本数。
7.根据权利要求1所述的基于随机森林和卷积神经网络的细胞计数方法，其特征在于，所述步骤(6)中每张待测细胞图像所包含的细胞数量通过对估计的密度图积分得到：
Figure FDA0003325669420000031
8.根据权利要求1-7任一所述的基于随机森林和卷积神经网络的细胞计数方法，其特征在于，所述细胞图像中含有粘连细胞。
CN202111260858.8A 2021-10-28 2021-10-28 一种基于随机森林和卷积神经网络的细胞计数方法 Pending CN113989229A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111260858.8A CN113989229A (zh) 2021-10-28 2021-10-28 一种基于随机森林和卷积神经网络的细胞计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111260858.8A CN113989229A (zh) 2021-10-28 2021-10-28 一种基于随机森林和卷积神经网络的细胞计数方法

Publications (1)

Publication Number Publication Date
CN113989229A true CN113989229A (zh) 2022-01-28

Family

ID=79743125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111260858.8A Pending CN113989229A (zh) 2021-10-28 2021-10-28 一种基于随机森林和卷积神经网络的细胞计数方法

Country Status (1)

Country Link
CN (1) CN113989229A (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017123196A1 (en) * 2016-01-11 2017-07-20 Carl Zeiss X-Ray Microscopy Inc. Multimodality mineralogy segmentation system and method
CN107220664A (zh) * 2017-05-18 2017-09-29 南京大学 一种基于结构化随机森林的油瓶装箱清点方法
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法
CN109102515A (zh) * 2018-07-31 2018-12-28 浙江杭钢健康产业投资管理有限公司 一种基于多列深浅卷积神经网络的细胞计数方法
CN109344736A (zh) * 2018-09-12 2019-02-15 苏州大学 一种基于联合学习的静态图像人群计数方法
US20190147584A1 (en) * 2017-11-15 2019-05-16 NEC Laboratories Europe GmbH System and method for single image object density estimation
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
CN110189292A (zh) * 2019-04-15 2019-08-30 浙江工业大学 一种基于Faster R-CNN和密度估计的癌细胞检测方法
CN110516537A (zh) * 2019-07-15 2019-11-29 电子科技大学 一种基于自步学习的人脸年龄估计方法
CN110516584A (zh) * 2019-08-22 2019-11-29 杭州图谱光电科技有限公司 一种显微镜用的基于动态学习的细胞自动计数方法
CN110889360A (zh) * 2019-11-20 2020-03-17 山东师范大学 一种基于切换卷积网络的人群计数方法及系统
CN110967339A (zh) * 2018-09-29 2020-04-07 北京瑞智稷数科技有限公司 一种玉米果穗性状分析的方法及装置、玉米性状分析设备
CN112232140A (zh) * 2020-09-25 2021-01-15 浙江远传信息技术股份有限公司 人群计数方法、装置、电子设备及计算机存储介质
CN112396587A (zh) * 2020-11-20 2021-02-23 重庆大学 一种基于协同训练和密度图的公交车厢内拥挤度检测方法
CN113536972A (zh) * 2021-06-28 2021-10-22 华东师范大学 一种基于目标域伪标签的自监督跨域人群计数方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017123196A1 (en) * 2016-01-11 2017-07-20 Carl Zeiss X-Ray Microscopy Inc. Multimodality mineralogy segmentation system and method
CN107220664A (zh) * 2017-05-18 2017-09-29 南京大学 一种基于结构化随机森林的油瓶装箱清点方法
US20190147584A1 (en) * 2017-11-15 2019-05-16 NEC Laboratories Europe GmbH System and method for single image object density estimation
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法
CN109102515A (zh) * 2018-07-31 2018-12-28 浙江杭钢健康产业投资管理有限公司 一种基于多列深浅卷积神经网络的细胞计数方法
CN109344736A (zh) * 2018-09-12 2019-02-15 苏州大学 一种基于联合学习的静态图像人群计数方法
CN110967339A (zh) * 2018-09-29 2020-04-07 北京瑞智稷数科技有限公司 一种玉米果穗性状分析的方法及装置、玉米性状分析设备
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
CN110189292A (zh) * 2019-04-15 2019-08-30 浙江工业大学 一种基于Faster R-CNN和密度估计的癌细胞检测方法
CN110516537A (zh) * 2019-07-15 2019-11-29 电子科技大学 一种基于自步学习的人脸年龄估计方法
CN110516584A (zh) * 2019-08-22 2019-11-29 杭州图谱光电科技有限公司 一种显微镜用的基于动态学习的细胞自动计数方法
CN110889360A (zh) * 2019-11-20 2020-03-17 山东师范大学 一种基于切换卷积网络的人群计数方法及系统
CN112232140A (zh) * 2020-09-25 2021-01-15 浙江远传信息技术股份有限公司 人群计数方法、装置、电子设备及计算机存储介质
CN112396587A (zh) * 2020-11-20 2021-02-23 重庆大学 一种基于协同训练和密度图的公交车厢内拥挤度检测方法
CN113536972A (zh) * 2021-06-28 2021-10-22 华东师范大学 一种基于目标域伪标签的自监督跨域人群计数方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
NI JIANG 等: "A Cell Counting Framework Based on Random Forest and Density Map", 《APPLIED SCIENCE》, vol. 10, no. 23, pages 1 - 18 *
朱晨辉: "基于随机森林的细胞分析算法研究与软件实现", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 2021, pages 006 - 725 *
蒋妮 等: "基于计算机视觉的目标计数方法综述", 《激光与光电子学进展》, vol. 58, no. 14, pages 43 - 59 *
蒋妮: "基于密度估计的细胞计数方法及其在显微图像中的应用研究", 《中国博士学位论文全文数据库基础科学辑》, no. 2022, pages 006 - 12 *
裴子昂: "新辅助治疗后乳腺癌细胞密度估计研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 2019, pages 072 - 720 *

Similar Documents

Publication Publication Date Title
Funke et al. Efficient automatic 3D-reconstruction of branching neurons from EM data
CN107633226B (zh) 一种人体动作跟踪特征处理方法
CN107563999A (zh) 一种基于卷积神经网络的芯片缺陷识别方法
CN112800876B (zh) 一种用于重识别的超球面特征嵌入方法及系统
CN109087277B (zh) 一种空气细颗粒物pm2.5测量方法
CN102054270A (zh) 一种视频图像中提取前景的方法及装置
CN111489370B (zh) 基于深度学习的遥感图像的分割方法
CN107491793B (zh) 一种基于稀疏散射全卷积的极化sar图像分类方法
CN111241939A (zh) 一种基于无人机数码影像的水稻产量估测方法
CN111291818B (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN114663392A (zh) 一种基于知识蒸馏的工业图像缺陷检测方法
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN111414951A (zh) 用于图像的细分类方法及装置
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN113313169B (zh) 基于深度学习的训练素材智能识别方法、装置和设备
CN114119532A (zh) 一种基于遥感影像与孪生神经网络的建筑物变化检测方法
CN112270263B (zh) 基于差分密度星座图的调制识别方法
CN106204596B (zh) 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法
CN113591608A (zh) 一种基于深度学习的高分辨率遥感影像不透水面提取方法
CN113989229A (zh) 一种基于随机森林和卷积神经网络的细胞计数方法
CN109948571B (zh) 一种光学遥感图像船舶检测方法
CN114943869B (zh) 风格迁移增强的机场目标检测方法
CN116563205A (zh) 基于小目标检测和改进YOLOv5的麦穗计数检测方法
CN107230201B (zh) 基于样本自标定elm的在轨sar图像变化检测方法
CN115661443A (zh) 复杂环境的多尺度正向特征增益红外弱小目标检测方法

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