CN114694143A - 基于光学手段的细胞图像识别方法及装置 - Google Patents
基于光学手段的细胞图像识别方法及装置 Download PDFInfo
- Publication number
- CN114694143A CN114694143A CN202210610678.6A CN202210610678A CN114694143A CN 114694143 A CN114694143 A CN 114694143A CN 202210610678 A CN202210610678 A CN 202210610678A CN 114694143 A CN114694143 A CN 114694143A
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- detected
- gray
- skeleton
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003287 optical effect Effects 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 230000005859 cell recognition Effects 0.000 claims abstract description 42
- 238000010606 normalization Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 15
- 210000004027 cell Anatomy 0.000 claims description 224
- 230000001413 cellular effect Effects 0.000 claims description 38
- 210000004292 cytoskeleton Anatomy 0.000 claims description 18
- 230000003436 cytoskeletal effect Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000004154 testing of material Methods 0.000 abstract description 2
- KPKZJLCSROULON-QKGLWVMZSA-N Phalloidin Chemical compound N1C(=O)[C@@H]([C@@H](O)C)NC(=O)[C@H](C)NC(=O)[C@H](C[C@@](C)(O)CO)NC(=O)[C@H](C2)NC(=O)[C@H](C)NC(=O)[C@@H]3C[C@H](O)CN3C(=O)[C@@H]1CSC1=C2C2=CC=CC=C2N1 KPKZJLCSROULON-QKGLWVMZSA-N 0.000 description 10
- 108010009711 Phalloidine Proteins 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000003494 hepatocyte Anatomy 0.000 description 1
- 210000005229 liver cell Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及材料测试和分析技术领域，具体涉及一种基于光学手段的细胞图像识别方法及装置，该方法包括：通过光学手段，具体是利用可见光手段获取待测细胞荧光骨架图像，对待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像；从待测灰度归一化图像中筛选出满足筛选条件的像素点；确定细胞荧光骨架像素点对应的骨架密度、灰度增强系数和增强归一化灰度值，确定待测灰度归一化图像对应的增强图像和增强特征向量；根据增强图像、增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，以实现对待测细胞荧光骨架图像的识别。本发明利用可见光手段进行材料分析和测试，提高了细胞图像识别的准确度。
Description
技术领域
本发明涉及材料测试和分析技术领域，具体涉及基于光学手段的细胞图像识别方法及装置。
背景技术
随着现代医学的发展，对细胞的识别有助于对组织病理的分析，对细胞的识别、分析已成为检测医学的重要手段以及组成部分。因此，对细胞图像进行细胞识别至关重要。目前，在进行细胞图像识别时，通常采用的方式为：首先，对细胞图像进行边缘分割，得到细胞骨架结构。接着，通过人为设置的先验条件确定分类指标。最后，根据分类指标实现对细胞图像的分类。其中，细胞图像可以是利用荧光标记的鬼笔环肽标记的待检测的单个细胞的图像。
然而，当采用上述方式时，经常会存在如下技术问题：
由于先验条件的设置方式，由人为主观决定，使得细胞图像的分类指标受人为主观判断的影响较大，往往会导致细胞图像的分类结果不稳定并且不准确，从而，导致细胞图像识别的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本发明的一些实施例提出了基于光学手段的细胞图像识别方法，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本发明的一些实施例提供了一种基于光学手段的细胞图像识别的方法，该方法包括：
获取待测细胞荧光骨架图像，对上述待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像；
从上述待测灰度归一化图像中筛选出满足筛选条件的像素点，作为细胞荧光骨架像素点；
根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点的位置，确定上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度；
根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定上述细胞荧光骨架像素点对应的灰度增强系数；
根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定上述细胞荧光骨架像素点对应的增强归一化灰度值，得到上述待测灰度归一化图像对应的增强图像；
根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的灰度增强系数，确定上述待测灰度归一化图像对应的增强特征向量；
根据上述待测灰度归一化图像对应的增强图像、增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，以实现对上述待测细胞荧光骨架图像的识别。
进一步的，上述对上述待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像，包括：
对上述待测细胞荧光骨架图像进行灰度化，得到待测灰度图像；
对上述待测灰度图像进行归一化，得到上述待测灰度归一化图像。
进一步的，上述根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点，确定上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度对应的公式为：
其中，
是上述待测灰度归一化图像中的第
个细胞荧光骨架像素点对应的骨架
密度，
是上述待测灰度归一化图像中细胞荧光骨架像素点的数量，
是上述待测灰度归
一化图像中的第
个细胞荧光骨架像素点与上述待测灰度归一化图像中的第
个细胞荧光
骨架像素点之间的欧式距离，
是上述待测灰度归一化图像中的各个细胞荧光骨架像素点
的外包围框的对角线的长度。
进一步的，上述根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定上述细胞荧光骨架像素点对应的灰度增强系数对应的公式为：
其中，
是上述细胞荧光骨架像素点对应的灰度增强系数，
是上述细胞荧光骨架
像素点对应的骨架密度，
是上述细胞荧光骨架像素点对应的灰度值。
进一步的，上述根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定上述细胞荧光骨架像素点对应的增强归一化灰度值对应的公式为：
其中，
是上述细胞荧光骨架像素点对应的增强归一化灰度值，
是上述细胞荧
光骨架像素点对应的灰度值，
是上述细胞荧光骨架像素点对应的灰度增强系数。
进一步的，上述根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的灰度增强系数，确定上述待测灰度归一化图像对应的增强特征向量，包括：
将上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数，确定为上述细胞荧光骨架像素点对应的特征；
根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的特征，确定上述待测灰度归一化图像对应的荧光骨架增强特征图；
根据上述待测灰度归一化图像对应的荧光骨架增强特征图中的各个像素点对应的特征，对上述荧光骨架增强特征图进行分割，得到预设数目个目标区域；
根据上述预设数目个目标区域中的每个目标区域，确定上述目标区域对应的向量元素数值；
将上述预设数目个目标区域中的各个目标区域对应的向量元素数值，构成上述待测灰度归一化图像对应的增强特征向量。
进一步的，上述根据上述预设数目个目标区域中的每个目标区域，确定上述目标区域对应的向量元素数值对应的公式为：
其中，
是上述目标区域对应的向量元素数值，
是上述目标区域中像素点的数
目，
是从上述目标区域中的
个像素点中不放回抽取两个像素点的总抽取方法的个数，
是上述目标区域中第
个像素点和第
个像素点之间的欧式距离。
进一步的，上述细胞识别神经网络的训练过程，包括：
构建由卷积神经网络与全连接网络混合组成的细胞识别神经网络；
获取细胞荧光骨架灰度图像集；
确定上述细胞荧光骨架灰度图像集中的每个细胞荧光骨架灰度图像对应的增强图像和增强特征向量；
将上述细胞荧光骨架灰度图像集中的细胞荧光骨架灰度图像对应的增强图像输入到上述细胞识别神经网络包括的卷积神经网络；
将上述细胞荧光骨架灰度图像集中的细胞荧光骨架灰度图像对应的增强特征向量输入到上述细胞识别神经网络包括的全连接网络；
将交叉熵作为损失函数，对上述细胞识别神经网络进行训练从而得到训练好的细胞识别神经网络。
进一步的，上述根据上述待测灰度归一化图像对应的增强图像和增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，包括：
将上述待测灰度归一化图像对应的增强图像输入到上述预先训练完成的细胞识别神经网络包括的卷积神经网络；
将上述待测灰度归一化图像对应的增强特征向量输入到上述预先训练完成的细胞识别神经网络包括的全连接网络；
通过上述预先训练完成的细胞识别神经网络，生成上述类别标签结果。
第二方面，本发明提供了一种基于光学手段的细胞图像识别装置，包括处理器和存储器，上述处理器用于处理存储在上述存储器中的指令以实现上述的基于光学手段的细胞图像识别方法。
本发明的上述各个实施例中具有如下有益效果：通过本发明的一些实施例的基于光学手段的细胞图像识别方法，提高了细胞图像识别的准确度。具体来说，导致细胞图像识别的准确度低下的原因在于：由于先验条件的设置方式，由人为主观决定，使得细胞图像的分类指标受人为主观判断的影响较大，往往会导致细胞图像的分类结果不稳定并且不准确，从而，导致细胞图像识别的准确度低下。因此，当采用首先，对细胞图像进行边缘分割，得到细胞骨架结构。接着，通过人为设置的先验条件确定分类指标。最后，根据分类指标实现对细胞图像的分类时，往往会导致细胞图像识别的准确度低下。基于此，本发明的一些实施例的基于光学手段的细胞图像识别方法，通过光学手段，具体是利用可见光手段进行材料分析和测试，解决了细胞图像识别的准确度低下的问题，提高了细胞图像识别的准确度。首先，获取待测细胞荧光骨架图像，对上述待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像。可以方便后续识别出待测细胞荧光骨架图像对应的细胞类别。其次，从上述待测灰度归一化图像中筛选出满足筛选条件的像素点，作为细胞荧光骨架像素点。当待测细胞的种类不同时，待测灰度归一化图像上的细胞荧光骨架像素点的分布情况往往不同。因此，筛选出待测灰度归一化图像上的细胞荧光骨架像素点，可以便于后续分析待测灰度归一化图像上的细胞荧光骨架像素点的分布情况。然后，根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点的位置，确定上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度。细胞荧光骨架像素点对应的骨架密度可以表征该细胞荧光骨架像素点所在位置的骨架密度，从而可以体现待测灰度归一化图像上的骨架像素点的密度分布情况。接着，根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定上述细胞荧光骨架像素点对应的灰度增强系数。细胞荧光骨架像素点对应的灰度值是否要增强，不仅与细胞荧光骨架像素点对应的骨架密度有关，还与细胞荧光骨架像素点对应的增强前的灰度值有关。因此，通过骨架密度和灰度值，确定灰度增强系数，提高了灰度增强系数确定的准确性。从而可以防止由于细胞荧光骨架像素点对应的增强前的灰度值较低而造成的对细胞骨架分析的不准确。之后，根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定上述细胞荧光骨架像素点对应的增强归一化灰度值，得到上述待测灰度归一化图像对应的增强图像。由于待测灰度归一化图像中的细胞荧光骨架像素点存在明暗差异，往往会出现骨架密度大的区域对应的灰度值较小的情况，导致不能准确的识别细胞的骨架结构。所以对待测灰度归一化图像增强得到的增强图像可以避免这种情况。而后，根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的灰度增强系数，确定上述待测灰度归一化图像对应的增强特征向量。待测灰度归一化图像对应的增强特征向量在一定程度上可以体现细胞的骨架结构。最后，根据上述待测灰度归一化图像对应的增强图像、增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，以实现对上述待测细胞荧光骨架图像的识别。因此，本发明通过光学手段，具体是利用可见光手段进行材料分析和测试，解决了细胞图像识别的准确度低下的问题，提高了待测灰度图像识别的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为根据本发明的基于光学手段的细胞图像识别方法的一些实施例的流程图；
图2为根据本发明的细胞识别神经网络训练过程的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种基于光学手段的细胞图像识别方法，该方法包括以下步骤：
获取待测细胞荧光骨架图像，对上述待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像；
从上述待测灰度归一化图像中筛选出满足筛选条件的像素点，作为细胞荧光骨架像素点；
根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点的位置，确定上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度；
根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定上述细胞荧光骨架像素点对应的灰度增强系数；
根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定上述细胞荧光骨架像素点对应的增强归一化灰度值，得到上述待测灰度归一化图像对应的增强图像；
根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的灰度增强系数，确定上述待测灰度归一化图像对应的增强特征向量；
根据上述待测灰度归一化图像对应的增强图像、增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，以实现对上述待测细胞荧光骨架图像的识别。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的基于光学手段的细胞图像识别方法的一些实施例的流程。该基于光学手段的细胞图像识别方法，包括以下步骤：
步骤S1，获取待测细胞荧光骨架图像，对待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像。
在一些实施例中，基于光学手段的细胞图像识别方法的执行主体（例如计算设备）可以获取待测细胞荧光骨架图像，对上述待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
其中，上述待测细胞荧光骨架图像可以是利用荧光标记的鬼笔环肽标记的待检测的单个细胞的图像。
作为示例，本步骤可以包括以下步骤：
第一步，获取上述待测细胞荧光骨架图像。
例如，上述执行主体可以通过电子显微镜，获取上述待测细胞荧光骨架图像。
第二步，对上述待测细胞荧光骨架图像进行灰度归一化，得到上述待测灰度归一化图像。
例如，本步骤可以包括以下子步骤：
第一子步骤，对上述待测细胞荧光骨架图像进行灰度化，得到待测灰度图像。
第二子步骤，对上述待测灰度图像进行归一化，得到上述待测灰度归一化图像。
步骤S2，从待测灰度归一化图像中筛选出满足筛选条件的像素点，作为细胞荧光骨架像素点。
在一些实施例中，上述执行主体可以从上述待测灰度归一化图像中筛选出满足筛选条件的像素点，作为细胞荧光骨架像素点。
其中，上述筛选条件可以是上述待测灰度归一化图像中的像素点被荧光标记到。细胞荧光骨架像素点可以是上述待测灰度归一化图像中被荧光标记到的像素点。
作为示例，上述待测灰度归一化图像中的像素点主要可以分为两类。一类可以是未被荧光标记到的像素点，往往颜色比较暗，所以这些像素点对应的灰度值往往为0。一类可以是被荧光标记到的像素点，具有一定的亮度，所以这些像素点对应的灰度值往往不为0。上述执行主体可以将灰度值不为0的像素点筛选出来，作为细胞荧光骨架像素点。
步骤S3，根据待测灰度归一化图像中的各个细胞荧光骨架像素点的位置，确定待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度。
在一些实施例中，上述执行主体可以根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点的位置，确定上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度。
其中，细胞荧光骨架像素点对应的骨架密度可以表征该细胞荧光骨架像素点所在区域内的细胞荧光骨架像素点的密集程度。细胞荧光骨架像素点对应的骨架密度越大，该细胞荧光骨架像素点所在区域内的细胞荧光骨架像素点的密集程度越大。
作为示例，上述根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点的位置，确定上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度对应的公式可以为：
其中，
是上述待测灰度归一化图像中的第
个细胞荧光骨架像素点对应的骨架
密度。
是上述待测灰度归一化图像中细胞荧光骨架像素点的数量。
是上述待测灰度归
一化图像中的第
个细胞荧光骨架像素点与上述待测灰度归一化图像中的第
个细胞荧光
骨架像素点之间的欧式距离。
是上述待测灰度归一化图像中的各个细胞荧光骨架像素点
的外包围框的对角线的长度。比如，上述待测灰度归一化图像中的各个细胞荧光骨架像素
点的外包围框可以是框住上述各个细胞荧光骨架像素点的最小的矩形框。
对于每个细胞荧光骨架像素点对应的骨架密度，往往与该细胞荧光骨架像素点对应的灰度值无关，往往与该细胞荧光骨架像素点和该细胞荧光骨架像素点之外的细胞荧光骨架像素点之间的相对距离有关。如果该细胞荧光骨架像素点之外的细胞荧光骨架像素点均距离该细胞荧光骨架像素点较近，则该细胞荧光骨架像素点处于骨架密度较大的区域。因此，通过考虑该细胞荧光骨架像素点和该细胞荧光骨架像素点之外的细胞荧光骨架像素点之间的相对距离，确定该细胞荧光骨架像素点对应的骨架密度，提高了骨架密度确定的准确度。
步骤S4，根据待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定细胞荧光骨架像素点对应的灰度增强系数。
在一些实施例中，上述执行主体可以根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定上述细胞荧光骨架像素点对应的灰度增强系数。
作为示例，上述根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定上述细胞荧光骨架像素点对应的灰度增强系数对应的公式可以为：
其中，
是上述细胞荧光骨架像素点对应的灰度增强系数。
是上述细胞荧光骨架
像素点对应的骨架密度。
是上述细胞荧光骨架像素点对应的灰度值。
细胞荧光骨架像素点对应的灰度增强系数与细胞荧光骨架像素点对应的骨架密度和灰度值有关。对于骨架密度越大的细胞荧光骨架像素点，为了能更好的获得骨架结构特征，该细胞荧光骨架像素点对应的灰度值应该要越大。但是若一个骨架密度较大的细胞荧光骨架像素点原来的灰度值（在上述待测灰度归一化图像上的灰度值）已经较大了，那么该细胞荧光骨架像素点对应的灰度值增强的必要性就降低了。即灰度增强系数就应该较小。而若一个骨架密度很小的细胞荧光骨架像素点原来的灰度值较大，此时为了不让神经网络过度学习该处骨架结构特征，应对该细胞荧光骨架像素点对应的灰度值进行适当抑制，即增强系数应小于0。因此，通过细胞荧光骨架像素点对应的骨架密度和灰度值，确定该细胞荧光骨架像素点对应的灰度增强系数，提高了细胞荧光骨架像素点对应的灰度增强系数确定的准确度。
步骤S5，根据待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定细胞荧光骨架像素点对应的增强归一化灰度值，得到待测灰度归一化图像对应的增强图像。
在一些实施例中，上述执行主体可以根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定上述细胞荧光骨架像素点对应的增强归一化灰度值，得到上述待测灰度归一化图像对应的增强图像。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定上述细胞荧光骨架像素点对应的增强归一化灰度值。
例如，上述根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定上述细胞荧光骨架像素点对应的增强归一化灰度值对应的公式可以为：
其中，
是上述细胞荧光骨架像素点对应的增强归一化灰度值。
是上述细胞荧
光骨架像素点对应的灰度值。
是上述细胞荧光骨架像素点对应的灰度增强系数。
第二步，将上述待测灰度归一化图像中的细胞荧光骨架像素点对应的增强归一化灰度值，作为增强图像中的像素点对应的灰度值，得到上述待测灰度归一化图像对应的增强图像。
步骤S6，根据待测灰度归一化图像中的各个细胞荧光骨架像素点对应的灰度增强系数，确定待测灰度归一化图像对应的增强特征向量。
在一些实施例中，上述执行主体可以根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的灰度增强系数，确定上述待测灰度归一化图像对应的增强特征向量。
作为示例，本步骤可以包括以下步骤：
第一步，将上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数，确定为上述细胞荧光骨架像素点对应的特征。
第二步，根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的特征，确定上述待测灰度归一化图像对应的荧光骨架增强特征图。
例如，上述执行主体可以将待测灰度归一化图像中的细胞荧光骨架像素点对应的特征，作为荧光骨架增强特征图中的像素点对应的特征，得到上述待测灰度归一化图像对应的荧光骨架增强特征图。细胞荧光骨架像素点对应的特征可以是细胞荧光骨架像素点对应的特征值。
第三步，根据上述待测灰度归一化图像对应的荧光骨架增强特征图中的各个像素点对应的特征，对上述荧光骨架增强特征图进行分割，得到预设数目个目标区域。
其中，上述预设数目可以是预先设置的数目。目标区域中的像素点对应的特征在
预设特征范围内。预设特征范围可以有上述预设数目个。一个预设特征范围可以对应一个
目标区域。不同的目标区域对应的预设特征范围可以不同。预设特征范围可以是预先设置
的特征范围。如，一个预设特征范围可以是
。
例如，由于灰度增强系数的取值范围可以是
。所以荧光骨架增强特征图中
的像素点对应的特征的取值范围可以是
。上述预设数目可以是4。首先，上述执行主
体可以将
平均分成4个预设特征范围。其中，这4个预设特征范围可以分别是
、
、
和
。接着，上述执行主体可以将荧光骨架增强特征图中的像素点对应
的特征在
内的各个像素点所在的区域作为第一个目标区域。将荧光骨架增强特征
图中的像素点对应的特征在
内的各个像素点所在的区域作为第二个目标区域。将
荧光骨架增强特征图中的像素点对应的特征在
内的各个像素点所在的区域作为第三
个目标区域。将荧光骨架增强特征图中的像素点对应的特征在
内的各个像素点所在
的区域作为第四个目标区域。
第四步，根据上述预设数目个目标区域中的每个目标区域，确定上述目标区域对应的向量元素数值。
例如，上述根据上述预设数目个目标区域中的每个目标区域，确定上述目标区域对应的向量元素数值对应的公式可以为：
其中，
是上述目标区域对应的向量元素数值。
是上述目标区域中像素点的数
目。
是从上述目标区域中的
个像素点中不放回抽取两个像素点的总抽取方法的个数。
是上述目标区域中第
个像素点和第
个像素点之间的欧式距离。
第五步，将上述预设数目个目标区域中的各个目标区域对应的向量元素数值，构成上述待测灰度归一化图像对应的增强特征向量。
其中，增强特征向量中的元素的数目可以是上述预设数目。增强特征向量中的元素可以是目标区域对应的向量元素数值。
步骤S7，根据待测灰度归一化图像对应的增强图像、增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，以实现对待测细胞荧光骨架图像的识别。
在一些实施例中，上述执行主体可以根据上述待测灰度归一化图像对应的增强图像、增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，以实现对上述待测细胞荧光骨架图像的识别。
其中，上述细胞识别神经网络可以用于识别上述待测灰度归一化图像中的单个细胞对应的细胞类别。上述细胞识别神经网络的结构可以是由卷积神经网络与全连接网络组成的混合结构。上述卷积神经网络可以是CNN网络（Convolutional Neural Network，卷积神经网络）。上述全连接网络可以是FCN网络（Full Connected Network，全连接网络）。
作为示例，本步骤可以包括以下步骤：
第一步，将上述待测灰度归一化图像对应的增强图像输入到上述预先训练完成的细胞识别神经网络包括的卷积神经网络。
第二步，将上述待测灰度归一化图像对应的增强特征向量输入到上述预先训练完成的细胞识别神经网络包括的全连接网络。
第三步，通过上述预先训练完成的细胞识别神经网络，生成上述类别标签结果。
其中，上述类别标签结果可以表征上述待测灰度图像对应的细胞类别。上述待测灰度图像对应的细胞类别可以是待检测的单个细胞的细胞类别。
可选地，上述细胞识别神经网络的训练过程，可以包括以下步骤：
第一步，构建由卷积神经网络与全连接网络混合组成的细胞识别神经网络。
其中，细胞识别神经网络的结构可以是由卷积神经网络与全连接网络组成的混合结构。细胞识别神经网络的构建可以是现有的，在此不再赘述。
第二步，获取细胞荧光骨架灰度图像集。
其中，上述细胞荧光骨架灰度图像集中的细胞荧光骨架灰度图像可以是利用荧光标记的鬼笔环肽标记的单个细胞的灰度图像。上述细胞荧光骨架灰度图像集中的各个细胞荧光骨架灰度图像对应的细胞类别可以不同。一个细胞荧光骨架灰度图像可以对应一个细胞类别。细胞荧光骨架灰度图像对应的细胞类别已知。如细胞荧光骨架灰度图像可以是采集的利用鬼笔环肽标记的单个肝细胞的灰度图像。该细胞荧光骨架灰度图像对应的细胞类别已知，是肝细胞。
第三步，确定上述细胞荧光骨架灰度图像集中的每个细胞荧光骨架灰度图像对应的增强图像和增强特征向量。
本步骤的实现方式可以参考步骤S1包括的第二步中的第二子步骤至步骤S6确定待测灰度归一化图像对应的增强图像和增强特征向量的实现方式。
例如，上述执行主体可以将细胞荧光骨架灰度图像作为上述待测灰度图像，重复步骤S1包括的第二步中的第二子步骤至步骤S6，得到细胞荧光骨架灰度图像对应的增强图像和增强特征向量。
第四步，将上述细胞荧光骨架灰度图像集中的细胞荧光骨架灰度图像对应的增强图像输入到上述细胞识别神经网络包括的卷积神经网络。
第五步，将上述细胞荧光骨架灰度图像集中的细胞荧光骨架灰度图像对应的增强特征向量输入到上述细胞识别神经网络包括的全连接网络。
第六步，将交叉熵作为损失函数，对上述细胞识别神经网络进行训练，从而得到训练好的细胞识别神经网络。
其中，上述交叉熵可以是上述细胞识别神经网络推理出的分类向量与实际分类标签向量之间的交叉熵。分类向量可以是上述细胞识别神经网络推理出的用于表征细胞类别的向量。实际分类标签向量可以是用于表征细胞实际类别的向量。一张细胞荧光骨架灰度图像可以对应一个实际分类标签向量。
例如，上述细胞识别神经网络的训练过程可以如图2所示，上述执行主体可以将细胞荧光骨架灰度图像对应的增强图像201输入到上述细胞识别神经网络包括的CNN网络203，将细胞荧光骨架灰度图像对应的增强特征向量202输入到上述细胞识别神经网络包括的FCN网络204。通过上述细胞识别神经网络可以推测出细胞荧光骨架灰度图像对应的分类向量205。可以通过对细胞荧光骨架灰度图像对应的分类向量205与细胞荧光骨架灰度图像对应的实际分类标签向量206进行对比，以实现对上述细胞识别神经网络的训练。其中，可以将分类向量205与实际分类标签向量206之间的交叉熵作为上述细胞识别神经网络的损失函数。
细胞荧光骨架灰度图像中的单个细胞由于荧光标记的鬼笔环肽标记，往往导致细胞荧光骨架灰度图像中的细胞荧光骨架像素点存在明暗差异。因此，直接将细胞荧光骨架灰度图像输入到神经网络进行训练，往往会导致神经网络学习到错误的骨架特征，并最终导致神经网络往往仅适用于训练细胞荧光骨架灰度图像集，对待测灰度归一化图像的识别存在较大误差。所以通过增强图像和增强特征向量，训练神经网络，可以提高对待测灰度归一化图像的识别的准确度。
基于与上述方法实施例相同的发明构思，本实施例提供了一种基于光学手段的细胞图像识别装置，该装置包括存储器、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，上述计算机程序被处理器执行时实现一种基于光学手段的细胞图像识别方法的步骤。
本发明的上述各个实施例中具有如下有益效果：通过本发明的一些实施例的基于光学手段的细胞图像识别方法，提高了细胞图像识别的准确度。具体来说，导致细胞图像识别的准确度低下的原因在于：由于先验条件的设置方式，由人为主观决定，使得细胞图像的分类指标受人为主观判断的影响较大，往往会导致细胞图像的分类结果不稳定并且不准确，从而，导致细胞图像识别的准确度低下。因此，当采用首先，对细胞图像进行边缘分割，得到细胞骨架结构。接着，通过人为设置的先验条件确定分类指标。最后，根据分类指标实现对细胞图像的分类时，往往会导致细胞图像识别的准确度低下。基于此，本发明的一些实施例的基于光学手段的细胞图像识别方法，通过光学手段，具体是利用可见光手段进行材料分析和测试，解决了细胞图像识别的准确度低下的问题，提高了细胞图像识别的准确度。首先，获取待测细胞荧光骨架图像，对上述待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像。可以方便后续识别出待测细胞荧光骨架图像对应的细胞类别。其次，从上述待测灰度归一化图像中筛选出满足筛选条件的像素点，作为细胞荧光骨架像素点。当待测细胞的种类不同时，待测灰度归一化图像上的细胞荧光骨架像素点的分布情况往往不同。因此，筛选出待测灰度归一化图像上的细胞荧光骨架像素点，可以便于后续分析待测灰度归一化图像上的细胞荧光骨架像素点的分布情况。然后，根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点的位置，确定上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度。细胞荧光骨架像素点对应的骨架密度可以表征该细胞荧光骨架像素点所在位置的骨架密度，从而可以体现待测灰度归一化图像上的骨架像素点的密度分布情况。接着，根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定上述细胞荧光骨架像素点对应的灰度增强系数。细胞荧光骨架像素点对应的灰度值是否要增强，不仅与细胞荧光骨架像素点对应的骨架密度有关，还与细胞荧光骨架像素点对应的增强前的灰度值有关。因此，通过骨架密度和灰度值，确定灰度增强系数，提高了灰度增强系数确定的准确性。从而可以防止由于细胞荧光骨架像素点对应的增强前的灰度值较低而造成的对细胞骨架分析的不准确。之后，根据上述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定上述细胞荧光骨架像素点对应的增强归一化灰度值，得到上述待测灰度归一化图像对应的增强图像。由于待测灰度归一化图像中的细胞荧光骨架像素点存在明暗差异，往往会出现骨架密度大的区域对应的灰度值较小的情况，导致不能准确的识别细胞的骨架结构。所以对待测灰度归一化图像增强得到的增强图像可以避免这种情况。而后，根据上述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的灰度增强系数，确定上述待测灰度归一化图像对应的增强特征向量。待测灰度归一化图像对应的增强特征向量在一定程度上可以体现细胞的骨架结构。最后，根据上述待测灰度归一化图像对应的增强图像、增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，以实现对上述待测细胞荧光骨架图像的识别。因此，本发明通过光学手段，具体是利用可见光手段进行材料分析和测试，解决了细胞图像识别的准确度低下的问题，提高了待测灰度图像识别的准确度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于光学手段的细胞图像识别方法，其特征在于，包括以下步骤：
获取待测细胞荧光骨架图像，对所述待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像；
从所述待测灰度归一化图像中筛选出满足筛选条件的像素点，作为细胞荧光骨架像素点；
根据所述待测灰度归一化图像中的各个细胞荧光骨架像素点的位置，确定所述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度；
根据所述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定所述细胞荧光骨架像素点对应的灰度增强系数；
根据所述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定所述细胞荧光骨架像素点对应的增强归一化灰度值，得到所述待测灰度归一化图像对应的增强图像；
根据所述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的灰度增强系数，确定所述待测灰度归一化图像对应的增强特征向量；
根据所述待测灰度归一化图像对应的增强图像、增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，以实现对所述待测细胞荧光骨架图像的识别。
2.根据权利要求1所述的方法，其特征在于，所述对所述待测细胞荧光骨架图像进行灰度归一化，得到待测灰度归一化图像，包括：
对所述待测细胞荧光骨架图像进行灰度化，得到待测灰度图像；
对所述待测灰度图像进行归一化，得到所述待测灰度归一化图像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述待测灰度归一化图像中的各个细胞荧光骨架像素点的位置，确定所述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度对应的公式为：
其中，
是所述待测灰度归一化图像中的第
个细胞荧光骨架像素点对应的骨架密度，
是所述待测灰度归一化图像中细胞荧光骨架像素点的数量，
是所述待测灰度归一化
图像中的第
个细胞荧光骨架像素点与所述待测灰度归一化图像中的第
个细胞荧光骨架
像素点之间的欧式距离，
是所述待测灰度归一化图像中的各个细胞荧光骨架像素点的外
包围框的对角线的长度。
4.根据权利要求1所述的方法，其特征在于，所述根据所述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的骨架密度和灰度值，确定所述细胞荧光骨架像素点对应的灰度增强系数对应的公式为：
其中，
是所述细胞荧光骨架像素点对应的灰度增强系数，
是所述细胞荧光骨架像素
点对应的骨架密度，
是所述细胞荧光骨架像素点对应的灰度值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数和灰度值，确定所述细胞荧光骨架像素点对应的增强归一化灰度值对应的公式为：
其中，
是所述细胞荧光骨架像素点对应的增强归一化灰度值，
是所述细胞荧光骨
架像素点对应的灰度值，
是所述细胞荧光骨架像素点对应的灰度增强系数。
6.根据权利要求1所述的方法，其特征在于，所述根据所述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的灰度增强系数，确定所述待测灰度归一化图像对应的增强特征向量，包括：
将所述待测灰度归一化图像中的每个细胞荧光骨架像素点对应的灰度增强系数，确定为所述细胞荧光骨架像素点对应的特征；
根据所述待测灰度归一化图像中的各个细胞荧光骨架像素点对应的特征，确定所述待测灰度归一化图像对应的荧光骨架增强特征图；
根据所述待测灰度归一化图像对应的荧光骨架增强特征图中的各个像素点对应的特征，对所述荧光骨架增强特征图进行分割，得到预设数目个目标区域；
根据所述预设数目个目标区域中的每个目标区域，确定所述目标区域对应的向量元素数值；
将所述预设数目个目标区域中的各个目标区域对应的向量元素数值，构成所述待测灰度归一化图像对应的增强特征向量。
7.根据权利要求6所述的方法，其特征在于，所述根据所述预设数目个目标区域中的每个目标区域，确定所述目标区域对应的向量元素数值对应的公式为：
其中，
是所述目标区域对应的向量元素数值，
是所述目标区域中像素点的数目，
是从所述目标区域中的
个像素点中不放回抽取两个像素点的总抽取方法的个数，
是所述目标区域中第
个像素点和第
个像素点之间的欧式距离。
8.根据权利要求1所述的方法，其特征在于，所述细胞识别神经网络的训练过程，包括：
构建由卷积神经网络与全连接网络混合组成的细胞识别神经网络；
获取细胞荧光骨架灰度图像集；
确定所述细胞荧光骨架灰度图像集中的每个细胞荧光骨架灰度图像对应的增强图像和增强特征向量；
将所述细胞荧光骨架灰度图像集中的细胞荧光骨架灰度图像对应的增强图像输入到所述细胞识别神经网络包括的卷积神经网络；
将所述细胞荧光骨架灰度图像集中的细胞荧光骨架灰度图像对应的增强特征向量输入到所述细胞识别神经网络包括的全连接网络；
将交叉熵作为损失函数，对所述细胞识别神经网络进行训练，从而得到训练好的细胞识别神经网络。
9.根据权利要求1所述的方法，其特征在于，所述根据所述待测灰度归一化图像对应的增强图像和增强特征向量和预先训练完成的细胞识别神经网络，生成类别标签结果，包括：
将所述待测灰度归一化图像对应的增强图像输入到所述预先训练完成的细胞识别神经网络包括的卷积神经网络；
将所述待测灰度归一化图像对应的增强特征向量输入到所述预先训练完成的细胞识别神经网络包括的全连接网络；
通过所述预先训练完成的细胞识别神经网络，生成所述类别标签结果。
10.一种基于光学手段的细胞图像识别装置，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现所述权利要求1-9中任一项所述的基于光学手段的细胞图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210610678.6A CN114694143B (zh) | 2022-06-01 | 2022-06-01 | 基于光学手段的细胞图像识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210610678.6A CN114694143B (zh) | 2022-06-01 | 2022-06-01 | 基于光学手段的细胞图像识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114694143A true CN114694143A (zh) | 2022-07-01 |
| CN114694143B CN114694143B (zh) | 2022-08-09 |
Family
ID=82131347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210610678.6A Active CN114694143B (zh) | 2022-06-01 | 2022-06-01 | 基于光学手段的细胞图像识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114694143B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523912A (zh) * | 2023-07-03 | 2023-08-01 | 四川省医学科学院·四川省人民医院 | 一种基于图像识别的清洁度检测系统及方法 |
| CN117726581A (zh) * | 2023-11-17 | 2024-03-19 | 康龙化成(北京)新药技术股份有限公司 | 一种高通量的细胞周期检测方法、装置、介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070134690A1 (en) * | 2005-10-07 | 2007-06-14 | Baylor Research Institute | Diagnosis of systemic onset juvenile idiopathic arthritis through blood leukocyte microarray analysis |
| CN102663406A (zh) * | 2012-04-12 | 2012-09-12 | 中国海洋大学 | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 |
| CN109858386A (zh) * | 2019-01-09 | 2019-06-07 | 深圳市趣方科技有限公司 | 一种基于荧光显微图像的微藻细胞识别方法 |
| CN111598892A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
| CN111860459A (zh) * | 2020-08-05 | 2020-10-30 | 武汉理工大学 | 一种基于显微图像的禾本科植物叶片气孔指数测量方法 |
| WO2021035097A1 (en) * | 2019-08-21 | 2021-02-25 | Fountain Therapeutics, Inc. | Cell age classification and drug screening |
| CN112649403A (zh) * | 2019-10-11 | 2021-04-13 | 株式会社岛津制作所 | 细胞图像解析方法及细胞解析装置 |
| CN113673482A (zh) * | 2021-09-03 | 2021-11-19 | 四川大学 | 基于动态标签分配的细胞抗核抗体荧光识别方法及系统 |
-
2022
- 2022-06-01 CN CN202210610678.6A patent/CN114694143B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070134690A1 (en) * | 2005-10-07 | 2007-06-14 | Baylor Research Institute | Diagnosis of systemic onset juvenile idiopathic arthritis through blood leukocyte microarray analysis |
| CN102663406A (zh) * | 2012-04-12 | 2012-09-12 | 中国海洋大学 | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 |
| CN109858386A (zh) * | 2019-01-09 | 2019-06-07 | 深圳市趣方科技有限公司 | 一种基于荧光显微图像的微藻细胞识别方法 |
| WO2021035097A1 (en) * | 2019-08-21 | 2021-02-25 | Fountain Therapeutics, Inc. | Cell age classification and drug screening |
| CN112649403A (zh) * | 2019-10-11 | 2021-04-13 | 株式会社岛津制作所 | 细胞图像解析方法及细胞解析装置 |
| CN111598892A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
| CN111860459A (zh) * | 2020-08-05 | 2020-10-30 | 武汉理工大学 | 一种基于显微图像的禾本科植物叶片气孔指数测量方法 |
| CN113673482A (zh) * | 2021-09-03 | 2021-11-19 | 四川大学 | 基于动态标签分配的细胞抗核抗体荧光识别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| RALF RESKI ET.AL: "Automated and semi-automated enhancement, segmentation and tracing of cytoskeletal networks in microscopic images: A review", 《COMPUTATIONAL AND STRUCTURAL BIOTECHNOLOGY JOURNAL》 * |
| 唐思源 等: "利用支持向量机对癌细胞的识别", 《软件》 * |
| 时永刚 等: "基于显微图像序列的细胞形态变化分析", 《北京生物医学工程》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523912A (zh) * | 2023-07-03 | 2023-08-01 | 四川省医学科学院·四川省人民医院 | 一种基于图像识别的清洁度检测系统及方法 |
| CN116523912B (zh) * | 2023-07-03 | 2023-09-26 | 四川省医学科学院·四川省人民医院 | 一种基于图像识别的清洁度检测系统及方法 |
| CN117726581A (zh) * | 2023-11-17 | 2024-03-19 | 康龙化成(北京)新药技术股份有限公司 | 一种高通量的细胞周期检测方法、装置、介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114694143B (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114694143B (zh) | 基于光学手段的细胞图像识别方法及装置 | |
| CN109523520B (zh) | 一种基于深度学习的染色体自动计数方法 | |
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| US20200066407A1 (en) | Method and System for Assisting Pathologist Identification of Tumor Cells in Magnified Tissue Images | |
| CN110084150B (zh) | 一种基于深度学习的白细胞自动分类方法及系统 | |
| CN111931751B (zh) | 深度学习训练方法、目标物识别方法、系统和存储介质 | |
| Ismael et al. | Medical image classification using different machine learning algorithms | |
| CN109872335A (zh) | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 | |
| CN112819821B (zh) | 一种细胞核图像检测方法 | |
| CN112132206A (zh) | 图像识别方法及相关模型的训练方法及相关装置、设备 | |
| WO2024060416A1 (zh) | 一种病理图像的端到端弱监督语义分割标注方法 | |
| CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
| CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
| CN113344079B (zh) | 一种图像标签半自动标注方法、系统、终端及介质 | |
| CN111598849B (zh) | 一种基于目标检测的病理图像细胞计数方法、设备及介质 | |
| CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
| CN110838094A (zh) | 病理切片染色风格转换方法和电子设备 | |
| CN111105407B (zh) | 一种病理切片染色质量评价方法、装置、设备及存储介质 | |
| Paeng et al. | A unified framework for tumor proliferation score prediction in breast histopathology | |
| Cai et al. | An efficient method for electric meter readings automatic location and recognition | |
| CN111091163A (zh) | 一种最小距离分类方法、装置、计算机设备和存储介质 | |
| CN116205868A (zh) | 一种病理切片图像智能检测方法及其系统 | |
| CN115546157A (zh) | 卫星影像辐射质量评价的方法、装置、存储介质 | |
| CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
| CN111127393B (zh) | 雷达影像变化检测的样本制作方法及系统、存储介质、设备 |
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 |