CN114240883A - 一种染色体图像处理方法及系统 - Google Patents

一种染色体图像处理方法及系统 Download PDF

Info

Publication number
CN114240883A
CN114240883A CN202111547780.8A CN202111547780A CN114240883A CN 114240883 A CN114240883 A CN 114240883A CN 202111547780 A CN202111547780 A CN 202111547780A CN 114240883 A CN114240883 A CN 114240883A
Authority
CN
China
Prior art keywords
chromosome
image
clear
original image
original
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
Application number
CN202111547780.8A
Other languages
English (en)
Other versions
CN114240883B (zh
Inventor
李卫鹭
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.)
Yigou Intelligent Technology Guangzhou Co ltd
Original Assignee
Yigou Intelligent Technology Guangzhou 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 Yigou Intelligent Technology Guangzhou Co ltd filed Critical Yigou Intelligent Technology Guangzhou Co ltd
Priority to CN202111547780.8A priority Critical patent/CN114240883B/zh
Publication of CN114240883A publication Critical patent/CN114240883A/zh
Application granted granted Critical
Publication of CN114240883B publication Critical patent/CN114240883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及染色体分析技术领域，提出一种染色体图像处理方法及系统，包括以下步骤：获取染色体原始图像和带纹清晰的染色体图像，得到原始图像集和清晰染色体图像集；对图像集进行预处理，并划分为训练集和测试集；构建基于循环对抗生成网络的染色体图像转换模型；将训练集和测试集分别输入染色体图像转换模型中进行训练及测试；获取目标设备或系统历史的染色体原始图像并加入原始图像集中，再对更新后的图像集进行预处理及训练集和测试集的划分；通过更新后的训练集和测试集对染色体图像转换模型进行训练及测试，再将经过训练的染色体图像转换模型搭载在目标设备或系统中，对目标设备或系统实时获取的染色体原始图像转换为带纹清晰的染色体图像。

Description

一种染色体图像处理方法及系统
技术领域
本发明涉及染色体分析技术领域，更具体地，涉及一种染色体图像处理方法及系统。
背景技术
染色体核型分析是染色体异常疾病诊断的重要标准。染色体核型分析的主要流程是采集羊水、外周血、骨髓，经过细胞培养、染色、制片得到染色体中期样本，再经数码拍照得到染色体中期图像，最后对染色体中期图像进行分析。在分析染色体中期图像的核型时，干净且带纹清晰的图像是得到准确分析结果的前提。
但是，染色体中期图像处理没有统一标准，目前商用的染色体核型分析系统或设备(徕卡、蔡司、ASI设备)均采用自主研发的专用处理算法，导致不同的染色体核型分析系统所产生的染色体中期图像具有一定的差异性。此外，在临床工作中，不同的医疗检测机构在培养、制片、拍照等环节中也存在差异性，多种因素导致不同中心的染色体中期图像存在较大差异。这些图像上的差异导致自动化算法对于多中心图像的普适性较差，进而影响染色体核型自动化分析的准确率。
发明内容
本发明为克服上述现有技术所述的不同的染色体核型分析系统所产生的染色体中期图像具有一定的差异性，导致影响染色体核型自动化分析的准确率的缺陷，提供一种染色体图像处理方法，以及一种染色体图像处理系统。
为解决上述技术问题，本发明的技术方案如下：
一种染色体图像处理方法，包括以下步骤：
从现有数据中获取染色体原始图像和带纹清晰的染色体图像，得到原始图像集X和清晰染色体图像集Y；
对所述原始图像集X和清晰染色体图像集Y进行预处理，并划分为训练集和测试集；其中训练集中包括染色体原始图像和带纹清晰的染色体图像，测试集中包括染色体原始图像；
构建基于循环对抗生成网络的染色体图像转换模型；
将所述训练集输入染色体图像转换模型中进行训练；将所述测试集输入完成训练的染色体图像转换模型中，输出得到与输入图像对应的带纹清晰的染色体图像；
获取目标设备或系统历史的染色体原始图像并加入原始图像集中，再对更新后的图像集进行预处理及训练集和测试集的划分；
通过更新后的训练集和测试集对所述染色体图像转换模型进行训练及测试，再将经过训练的染色体图像转换模型搭载在目标设备或系统中，对目标设备或系统实时获取的染色体原始图像转换为带纹清晰的染色体图像。
进一步的，本发明还提出了一种染色体图像处理系统，应用上述染色体图像处理方法。其中包括：
采集模块，用于采集染色体原始图像和带纹清晰的染色体图像；
预处理模块，用于对采集的染色体原始图像和带纹清晰的染色体图像进行归一化处理，得到经过预处理的原始图像集X和清晰染色体图像集Y；
染色体图像转换模块，包括染色体图像转换模型，所述染色体图像转换模型通过所述原始图像集X和清晰染色体图像集Y进行训练；
所述染色体图像转换模块用于对输入的染色体原始图像进行图像转换，输出对应的带纹清晰的染色体图像。
进一步的，本发明还提出了一种染色体图像处理系统，其中包括处理器和存储器，其中存储器上存储有计算机程序，所述处理器执行存储器中的计算机程序时实现上述任一技术方案提出的染色体图像处理方法的步骤。
与现有技术相比，本发明技术方案的有益效果是：本发明通过构建基于循环对抗生成网络的染色体图像转换模型用于对染色体图像进行清晰化转换，得到染色体核型分析流程所需的统一输入；经过本发明对不同设备、不同中心数据进行染色体图像处理后，用同一套核型分析流程便能够兼顾处理不同中心、不同设备的数据，具有泛化性能好，通用性强的特点。
附图说明
图1为实施例1的染色体图像处理方法的流程图。
图2为实施例1的染色体图像处理方法接入新的目标设备或系统的迭代示意图。
图3为接入ASI设备的图像转换对比图。
图4为接入蔡司设备的图像转换对比图。
图5为接入徕卡设备的图像转换对比图。
图6为实施例3的染色体图像处理系统的架构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
请参阅图1～2，本实施例提出一种染色体图像处理方法，其包括以下步骤：
步骤1：从现有数据中获取染色体原始图像和带纹清晰的染色体图像，得到原始图像集X和清晰染色体图像集Y。
步骤2：对原始图像集X和清晰染色体图像集Y进行预处理，并划分为训练集和测试集；其中训练集中包括染色体原始图像和带纹清晰的染色体图像，测试集中包括染色体原始图像。
在一具体实施过程中，对图像进行预处理的步骤包括：将图像进行边缘扩充为预设尺寸的图像，再对边缘扩充后的图像内容进行填充，得到统一尺寸的图像，实现图像的归一化处理，同时不改变染色体形状以及分辨率，便于后续的模型训练。
步骤3：构建基于循环对抗生成网络的染色体图像转换模型。
本实施例采用基于循环对抗生成网络的染色体图像转换模型对原始图像进行图像转换，得到带纹清晰的染色体图像。
本实施例提出的染色体图像转换模型中，包括第一生成器、第二生成器、第一判别器和第二判别器。
步骤4：将训练集输入染色体图像转换模型中进行训练；再将测试集输入完成训练的染色体图像转换模型中，输出得到与输入图像对应的带纹清晰的染色体图像。
在染色体图像转换模型的训练过程中，第一生成器根据输入的染色体原始图像x生成相应的带纹清晰的图像G(x)，其中x∈X；第一判别器将第一生成器生成的图像G(x)从清晰染色体图像集Y中判别，得到原始图像集X在清晰染色体图像集Y中的映射，且存在一个最佳的映射使图像G(x)与清晰染色体图像集Y 具有相同的分布。
第二生成器根据输入的带纹清晰的染色体图像y生成图像G(y)，其中y∈Y；第二判别器将第二生成器生成的图像G(y)从原始图像集X中判别，得到清晰染色体图像集Y在原始图像集X中的映射，且存在一个最佳的映射使图像G(y)与原始图像集X具有相同的分布。
本实施例中的染色体图像转换模型通过计算循环一致性损失和对抗损失，实现非成对图像到图像的转换。其中，生成器和判别器的组合用于生成映射X→Y 及映射Y→X，即学习带纹清晰的染色体图像与设备产生的染色体图像之间的映射，从而实现设备产生的染色体图像转换为带纹清晰的染色体图像。其中用于染色体图像转换模型学习的两组图像集不需要满足对应关系。
步骤5：获取目标设备或系统历史的染色体原始图像x′并加入原始图像集X 中，再对更新后的图像集进行预处理及训练集和测试集的划分。
步骤6：通过更新后的训练集和测试集对染色体图像转换模型进行训练及测试，再将经过训练的染色体图像转换模型搭载在目标设备或系统中，对目标设备或系统实时获取的染色体原始图像转换为带纹清晰的染色体图像。
在一具体实施过程中，每当接入新的目标设备或系统时，执行一次步骤5～6，即得到适用于新的目标设备或系统的染色体图像转换模型，同时旧设备或系统所使用的染色体核型分析方法仍然适用。如图2所示，为本实施例的接入新的目标设备或系统的迭代示意图。
将本实施例的染色体图像处理方法应用于处理新设备或系统的原始图像，目的在于处理得到的图像可以作为旧设备数据的核型分析流程的输入，即新设备或系统的数据无需重新训练核型分析流程，因此，经过该方法预处理不同设备、不同中心数据之后，用一套核型分析流程便能够兼顾处理不同中心、不同设备的数据，具有泛化性能好，通用性强的特点。
在一具体实施过程中，在完成染色体图像转换模型的训练后，从测试集中筛选图像质量较好的染色体原始图像作为参考染色体原图O，并将参考染色体原图输入染色体图像转换模型中进行转换，得到标准清晰图O′。进一步的，将参考染色体原图O加入原始图像集X中，将标准清晰图O′加入清晰染色体图像集Y 中，得到更新后的原始图像集X和清晰染色体图像集Y。
进一步的，在接入新的目标设备或系统时，获取目标设备或系统输出的等数量的新设备染色体原始图像x′并进行归一化，得到统一尺寸大小的染色体图像后加入原始图像集X中，再按一定的比例分为训练集和测试集。
在一具体实施过程中，将上述训练集用于对染色体图像转换模型进行训练，并在训练过程中加入误差函数，采用误差函数对所述染色体图像转换模型的输出进行误差计算，并根据所述误差函数值对所述染色体图像转换模型的参数进行调整，使得染色体原始图像进行转换后能够保持其包含的核心内容一致。
如图3～5所示，图3～5中的(a)为接入ASI、蔡司、徕卡等设备的原始图像，图3～5中的(b)为接入ASI、蔡司、徕卡等设备的经过图像转换的带纹清晰的染色体图像。由图可知，经过本实施例提出的染色体图像处理方法，能够在不同的设备、系统中得到统一的干净且带纹清晰、高质量的染色体图像，有效兼顾处理不同中心、不同设备的数据，具有泛化性能好，通用性强的特点。
实施例2
本实施例在实施例1提出的染色体图像处理方法的基础上，增设了图像去噪处理的步骤。
具体的，本实施例提出的染色体图像处理方法还包括以下步骤：对所述染色体图像转换模型输出的带纹清晰的染色体图像进行去噪处理，比如团块噪声、细胞碎片噪声、组织液留下形成的不规则絮状或颗粒状噪声，以及其他细胞染色体，溅过来的染色体，进而得到干净、带纹清晰的染色体图像。
在一具体实施过程中，构建基于语义分割网络的染色体去噪模型，用于对经所述染色体图像转换模型输出的带纹清晰的染色体图像进行去噪处理；其中，所述染色体去噪模型对输入的图像中每一个像素进行语义类别分配，对图像中的染色体实例像素标为1，将图像中的噪声和背景像素标为0，得到染色体图像对应的标注掩模，然后将掩模中标为1的掩模像素值设置为255，将掩模中标为0的掩模像素值设置为0。
在对染色体去噪模型训练过程中，将经过去噪处理的带纹清晰的染色体图像加入训练集中，通过训练集数据对染色体去噪模型进行训练。
如图3～5所示，图3～5中的(c)为接入ASI、蔡司、徕卡等设备去噪处理后的染色体图像。由图可知，本实施例通过增设的染色体去噪模型对染色体图像进行去噪处理，能够得到干净、带纹清晰的染色体图像。
在另一具体实施过程中，经过本实施例的染色体图像处理方法对染色体图像完成处理后，进一步应用于染色体核型分析。
在另一具体实施过程中，还包括对清晰染色体图像集Y的染色体图像进行染色体实例类别标注的步骤。
实施例3
请参阅图6，本实施例提出一种染色体图像处理系统，应用于实施例1或2 提出的染色体图像处理方法。
本实施例提出的染色体图像处理系统中，包括：
采集模块，用于采集染色体原始图像和带纹清晰的染色体图像；
预处理模块，用于对采集的染色体原始图像和带纹清晰的染色体图像进行归一化处理，得到经过预处理的原始图像集X和清晰染色体图像集Y；
染色体图像转换模块，包括染色体图像转换模型，染色体图像转换模型通过原始图像集X和清晰染色体图像集Y进行训练；
染色体图像转换模块用于对输入的染色体原始图像进行图像转换，输出对应的带纹清晰的染色体图像。
在具体实施过程中，采集模块从现有数据中获取染色体原始图像和带纹清晰的染色体图像，以及从接入的目标设备或系统中获取染色体原始图像和带纹清晰的染色体图像，得到原始图像集X和清晰染色体图像集Y。
预处理模块对采集模块获取的原始图像集X和清晰染色体图像集Y进行归一化处理，并将图像集划分为训练集和测试集，其中训练集中包括染色体原始图像和带纹清晰的染色体图像，测试集中包括染色体原始图像。
染色体图像转换模块中设置有基于循环对抗生成网络的染色体图像转换模型，所述染色体图像转换模型通过预处理模块输出的训练集和测试集进行训练及测试得到。本实施例的染色体图像转换模块接入目标设备或系统设置，目标设备或系统输出的染色体原始图像经过染色体图像转换模块的转换处理，得到带纹清晰的染色体图像。
在另一具体实施过程中，本实施例提出的染色体图像处理系统还包括去噪模块，去噪模块用于对染色体图像转换模块输出的带纹清晰的染色体图像进行染色体去噪处理。其中，去噪模块中设置有基于语义分割网络的染色体去噪模型，染色体去噪模型对输入的图像中每一个像素进行语义类别分配，对图像中的染色体实例像素标为1，将图像中的噪声和背景像素标为0，得到染色体图像对应的标注掩模，然后将掩模中标为1的掩模像素值设置为255，将掩模中标为0的掩模像素值设置为0。
在另一具体实施过程中，本实施例提出的染色体图像处理系统还包括类别标注模块，类别标注模块用于对染色体图像转换模块输出的带纹清晰的染色体图像进行染色体实例类别标注，进而应用于染色体核型分析中。
在另一实施例中，提出一种染色体图像处理系统，其中包括处理器和存储器，其中存储器上存储有计算机程序，所述处理器执行存储器中的计算机程序时实现上述实施例1或2提出的染色体图像处理方法的步骤。
相同或相似的标号对应相同或相似的部件；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种染色体图像处理方法，其特征在于，包括以下步骤：
从现有数据中获取染色体原始图像和带纹清晰的染色体图像，得到原始图像集X和清晰染色体图像集Y；
对所述原始图像集X和清晰染色体图像集Y进行预处理，并划分为训练集和测试集；其中训练集中包括染色体原始图像和带纹清晰的染色体图像，测试集中包括染色体原始图像；
构建基于循环对抗生成网络的染色体图像转换模型；
将所述训练集输入染色体图像转换模型中进行训练；将所述测试集输入完成训练的染色体图像转换模型中，输出得到与输入图像对应的带纹清晰的染色体图像；
获取目标设备或系统历史的染色体原始图像并加入原始图像集中，再对更新后的图像集进行预处理及训练集和测试集的划分；
通过更新后的训练集和测试集对所述染色体图像转换模型进行训练及测试，再将经过训练的染色体图像转换模型搭载在目标设备或系统中，对目标设备或系统实时获取的染色体原始图像转换为带纹清晰的染色体图像。
2.根据权利要求1所述的染色体图像处理方法，其特征在于，构建的基于循环对抗生成网络的染色体图像转换模型包括第一生成器、第二生成器、第一判别器和第二判别器；将所述训练集输入染色体图像转换模型中进行训练时，其步骤包括：
所述第一生成器根据输入的染色体原始图像x生成相应的带纹清晰的图像G(x)，其中x∈X；
所述第一判别器将第一生成器生成的图像G(x)从清晰染色体图像集Y中判别，得到原始图像集X在清晰染色体图像集Y中的映射，且存在一个最佳的映射使图像G(x)与清晰染色体图像集Y具有相同的分布；
所述第二生成器根据输入的带纹清晰的染色体图像y生成图像G(y)，其中y∈Y；
所述第二判别器将第二生成器生成的图像G(y)从原始图像集X中判别，得到清晰染色体图像集Y在原始图像集X中的映射，且存在一个最佳的映射使图像G(y)与原始图像集X具有相同的分布。
3.根据权利要求2所述的染色体图像处理方法，其特征在于，还包括以下步骤：采用误差函数对所述染色体图像转换模型的输出进行误差计算，并根据所述误差函数值对所述染色体图像转换模型的参数进行调整。
4.根据权利要求1所述的染色体图像处理方法，其特征在于，对所述原始图像集和清晰染色体图像集进行预处理的步骤包括：将图像进行边缘扩充为预设尺寸的图像，再对边缘扩充后的图像内容进行填充，得到统一尺寸的图像。
5.根据权利要求1～4任一项所述的染色体图像处理方法，其特征在于，还包括以下步骤：对所述染色体图像转换模型输出的带纹清晰的染色体图像进行去噪处理。
6.根据权利要求5所述的染色体图像处理方法，其特征在于，还包括以下步骤：构建基于语义分割网络的染色体去噪模型，用于对经所述染色体图像转换模型输出的带纹清晰的染色体图像进行去噪处理；其中，所述染色体去噪模型对输入的图像中每一个像素进行语义类别分配，对图像中的染色体实例像素标为1，将图像中的噪声和背景像素标为0，得到染色体图像对应的标注掩模，然后将掩模中标为1的掩模像素值设置为255，将掩模中标为0的掩模像素值设置为0。
7.根据权利要求1～4任一项所述的染色体图像处理方法，其特征在于，还包括以下步骤：对清晰染色体图像集Y的染色体图像进行染色体实例类别标注。
8.一种染色体图像处理系统，其特征在于，包括：
采集模块，用于采集染色体原始图像和带纹清晰的染色体图像；
预处理模块，用于对采集的染色体原始图像和带纹清晰的染色体图像进行归一化处理，得到经过预处理的原始图像集X和清晰染色体图像集Y；
染色体图像转换模块，包括染色体图像转换模型，所述染色体图像转换模型通过所述原始图像集X和清晰染色体图像集Y进行训练；
所述染色体图像转换模块用于对输入的染色体原始图像进行图像转换，输出对应的带纹清晰的染色体图像。
9.根据权利要求8所述的染色体图像处理系统，其特征在于，所述系统还包括去噪模块，所述去噪模块用于对染色体图像转换模块输出的带纹清晰的染色体图像进行染色体去噪处理。
10.一种染色体图像处理系统，其特征在于，包括处理器和存储器，其中存储器上存储有计算机程序，所述处理器执行存储器中的计算机程序时实现如权利要求1～7任一项所述的染色体图像处理方法的步骤。
CN202111547780.8A 2021-12-16 2021-12-16 一种染色体图像处理方法及系统 Active CN114240883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111547780.8A CN114240883B (zh) 2021-12-16 2021-12-16 一种染色体图像处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111547780.8A CN114240883B (zh) 2021-12-16 2021-12-16 一种染色体图像处理方法及系统

Publications (2)

Publication Number Publication Date
CN114240883A true CN114240883A (zh) 2022-03-25
CN114240883B CN114240883B (zh) 2022-06-07

Family

ID=80757566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111547780.8A Active CN114240883B (zh) 2021-12-16 2021-12-16 一种染色体图像处理方法及系统

Country Status (1)

Country Link
CN (1) CN114240883B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359073A (zh) * 2022-10-17 2022-11-18 湖南自兴智慧医疗科技有限公司 基于对抗生成网络的染色体拓扑结构分割方法及装置
CN115601360A (zh) * 2022-12-13 2023-01-13 湖南自兴智慧医疗科技有限公司（Cn） 染色体结构异常辅助识别方法、系统及计算机设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0430402A2 (en) * 1989-12-01 1991-06-05 The Regents Of The University Of California Methods and compositions for chromosome-specific staining
US20190333197A1 (en) * 2018-04-25 2019-10-31 Perkinelmer Cellular Technologies Germany Gmbh Systems and Methods for Segmentation and Analysis of 3D Images
CN110490247A (zh) * 2019-03-08 2019-11-22 腾讯科技（深圳）有限公司 图像处理模型生成方法、图像处理方法及装置、电子设备
CN111105032A (zh) * 2019-11-28 2020-05-05 华南师范大学 基于gan的染色体结构异常检测方法、系统及存储介质
CN111611889A (zh) * 2020-05-12 2020-09-01 安徽大学 基于改进卷积神经网络的农田微型虫害识别装置
WO2020225753A2 (en) * 2019-05-06 2020-11-12 Tesaro, Inc. Methods for characterizing and treating a cancer type using cancer images
CN112102424A (zh) * 2019-06-18 2020-12-18 顺丰科技有限公司 车牌图像生成模型构建方法、生成方法及装置
CN112785566A (zh) * 2021-01-15 2021-05-11 湖南自兴智慧医疗科技有限公司 染色体中期图像评分方法、装置、电子设备及存储介质
CN113435285A (zh) * 2021-06-18 2021-09-24 中山大学附属第三医院（中山大学肝脏病医院） 一种血液肿瘤染色体核型自动分析方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0430402A2 (en) * 1989-12-01 1991-06-05 The Regents Of The University Of California Methods and compositions for chromosome-specific staining
US20190333197A1 (en) * 2018-04-25 2019-10-31 Perkinelmer Cellular Technologies Germany Gmbh Systems and Methods for Segmentation and Analysis of 3D Images
CN110490247A (zh) * 2019-03-08 2019-11-22 腾讯科技（深圳）有限公司 图像处理模型生成方法、图像处理方法及装置、电子设备
WO2020225753A2 (en) * 2019-05-06 2020-11-12 Tesaro, Inc. Methods for characterizing and treating a cancer type using cancer images
CN112102424A (zh) * 2019-06-18 2020-12-18 顺丰科技有限公司 车牌图像生成模型构建方法、生成方法及装置
CN111105032A (zh) * 2019-11-28 2020-05-05 华南师范大学 基于gan的染色体结构异常检测方法、系统及存储介质
CN111611889A (zh) * 2020-05-12 2020-09-01 安徽大学 基于改进卷积神经网络的农田微型虫害识别装置
CN112785566A (zh) * 2021-01-15 2021-05-11 湖南自兴智慧医疗科技有限公司 染色体中期图像评分方法、装置、电子设备及存储介质
CN113435285A (zh) * 2021-06-18 2021-09-24 中山大学附属第三医院（中山大学肝脏病医院） 一种血液肿瘤染色体核型自动分析方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
叶志生等: "神经网络在染色体自动解析系统中的应用", 《国外医学.生物医学工程分册》 *
李康等: "基于卷积神经网络和几何优化的统计染色体核型分析方法", 《南京大学学报(自然科学)》 *
王秀珍等: "中华涡蛛(Octonoba sinensis)的核型", 《河北师范大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359073A (zh) * 2022-10-17 2022-11-18 湖南自兴智慧医疗科技有限公司 基于对抗生成网络的染色体拓扑结构分割方法及装置
CN115601360A (zh) * 2022-12-13 2023-01-13 湖南自兴智慧医疗科技有限公司（Cn） 染色体结构异常辅助识别方法、系统及计算机设备
CN115601360B (zh) * 2022-12-13 2023-03-28 湖南自兴智慧医疗科技有限公司 染色体结构异常辅助识别方法、系统及计算机设备

Also Published As

Publication number Publication date
CN114240883B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN110390351B (zh) 一种基于深度学习的致痫灶三维自动定位系统
CN114240883B (zh) 一种染色体图像处理方法及系统
CN107247971B (zh) 一种超声甲状腺结节风险指标的智能分析方法及系统
CN111161272B (zh) 一种基于生成对抗网络的胚胎组织分割方法
CN111524137A (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN110728666B (zh) 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统
CN110414607A (zh) 胶囊内窥镜图像的分类方法、装置、设备及介质
CN114240961A (zh) 一种U-Net++细胞分割网络系统、方法、设备及终端
CN112132827A (zh) 病理图像的处理方法、装置、电子设备及可读存储介质
CN109002831A (zh) 一种基于卷积神经网络的乳腺密度分类方法、系统及装置
CN116051382A (zh) 一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法
CN114005514B (zh) 医学影像诊断方法、系统及装置
CN113689441B (zh) 一种基于DeepLabV3网络的左心室超声动态分割方法
CN114693693A (zh) 一种基于卷积神经网络的胎儿胼胝体超声图像分割方法
CN109509541B (zh) 基于医学图像的报告签发方法及装置
CN113177957B (zh) 一种细胞图像的分割方法、装置、电子设备及存储介质
CN114638800A (zh) 一种基于改进Faster-RCNN的头影标记点定位方法
CN114283406A (zh) 细胞图像识别方法、装置、设备、介质及计算机程序产品
CN117522862A (zh) 一种基于ct影像肺炎识别的图像处理方法及处理系统
CN111127391B (zh) 一种基于甲状腺超声视频流动态识别结节良恶性的装置
CN115701868B (zh) 一种适用多种视觉任务的领域自适应增强方法
CN116071373A (zh) 一种基于融合PCA的U-net模型舌体自动分割方法
CN113763315B (zh) 玻片图像的信息获取方法、装置、设备及介质
CN113643263A (zh) 一种上肢骨定位与前臂骨融合畸形的识别方法及系统
CN113796850A (zh) 甲状旁腺mibi图像分析系统、计算机设备及存储介质

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