CN115115591A - 细胞图像分析方法、装置、计算机设备和存储介质 - Google Patents
细胞图像分析方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115115591A CN115115591A CN202210718689.6A CN202210718689A CN115115591A CN 115115591 A CN115115591 A CN 115115591A CN 202210718689 A CN202210718689 A CN 202210718689A CN 115115591 A CN115115591 A CN 115115591A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- cell type
- abnormal
- type
- 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
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/30—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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种细胞图像分析方法、装置、计算机设备和存储介质。所述方法包括:从细胞图像中确定至少一种异常细胞类型对应的异常细胞区域,对至少一种异常细胞类型对应的异常细胞区域中的细胞进行统计,确定分别对应的异常细胞统计值,在至少一种异常细胞统计值符合对应的异常统计值要求的情况下,获取细胞图像中正常细胞类型对应的正常细胞区域,对细胞图像中正常细胞类型对应的正常细胞区域中的细胞进行统计,得到正常细胞类型的正常细胞统计值,在正常细胞统计值符合正常统计值要求的情况下,记录各种细胞统计值。采用本方法能够提高数据分析的准确度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种细胞图像分析方法、装置、计算机设备、存储介质。
背景技术
随着医疗科学技术的发展,为了获取所需要的细胞,例如获取能够表达特定产物的细胞,通常需要对细胞池的状态进行分析。例如,在生物制药领域,为了筛选单克隆细胞株,通常是先判断细胞池是否适用于单克隆细胞株筛选,若适合则从细胞池中筛选单克隆细胞株。
传统技术中,通常采用生物技术对细胞池的状态进行数据分析,由于生物技术依靠人工手段进行主观判断,受生物技术人员主观因素和外部观察条件的影响,导致数据分析的准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高数据分析的准确度的细胞图像分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种细胞图像分析方法。所述方法包括:从细胞图像中确定至少一种异常细胞类型对应的图像区域;基于所述至少一种异常细胞类型对应的图像区域,确定所述至少一种异常细胞类型分别对应的细胞统计值;在所述至少一种异常细胞类型分别对应的细胞统计值均符合对应的统计值要求的情况下,基于所述细胞图像中正常细胞类型对应的图像区域,确定所述正常细胞类型的细胞统计值;在所述正常细胞类型的细胞统计值符合对应的统计值要求的情况下,记录各种细胞统计值。
第二方面,本申请还提供了一种细胞图像分析装置。所述装置包括:图像处理模块,用于从细胞图像中确定至少一种异常细胞类型对应的图像区域;异常统计模块,用于基于所述至少一种异常细胞类型对应的图像区域,确定所述至少一种异常细胞类型分别对应的细胞统计值;统计确认模块,用于在所述至少一种异常细胞类型分别对应的细胞统计值均符合对应的统计值要求的情况下,基于所述细胞图像中正常细胞类型对应的图像区域,确定所述正常细胞类型的细胞统计值;信息记录模块,用于在所述正常细胞类型的细胞统计值符合对应的统计值要求的情况下,记录各种细胞统计值。
在一些实施例中,所述细胞统计值为细胞占比,所述统计值要求为细胞占比要求,所述装置还包括图像更新模块,所述图像更新模块用于:在所述至少一种异常细胞类型中的任一种异常细胞类型的细胞占比不符合对应的细胞占比要求的情况下,获取新的细胞图像;返回从细胞图像中确定至少一种异常细胞类型对应的图像区域的步骤。
在一些实施例中,所述细胞图像是对细胞池进行图像采集所得到的图像;所述至少一种异常细胞类型包括成团细胞类型,所述图像更新模块还用于:在所述成团细胞类型的细胞占比不符合对应的细胞占比要求的情况下,确定针对所述细胞池的第一处理方式;获取新的细胞图像;所述新的细胞图像,是对经过所述第一处理方式处理后的细胞池进行图像采集所得到的图像。
在一些实施例中,所述至少一种异常细胞类型还包括状态差细胞类型,所述图像更新模块还用于:在所述成团细胞类型的细胞占比符合对应的细胞占比要求的情况下,确定所述状态差细胞类型的细胞占比是否符合对应的细胞占比要求;若不符合,则获取新的细胞图像;所述新的细胞图像是对新的细胞池进行图像采集所得到的图像。
在一些实施例中,所述至少一种异常细胞类型还包括悬浮细胞类型,所述图像更新模块还用于:在所述状态差细胞类型的细胞占比符合对应的细胞占比要求的情况下,确定所述悬浮细胞类型的细胞占比是否符合对应的细胞占比要求;若不符合,则确定针对所述细胞池的第二处理方式;获取新的细胞图像;所述新的细胞图像,是对经过所述第二处理方式处理后的细胞池进行图像采集所得到的图像。
在一些实施例中,所述至少一种异常细胞类型包括成团细胞类型;所述细胞统计值为细胞占比,所述统计值要求为细胞占比要求;所述异常统计模块还用于:针对所述成团细胞类型,对所述成团细胞类型对应的各个图像区域的面积进行统计,得到所述成团细胞类型对应的细胞图像面积;基于所述成团细胞类型对应的细胞图像面积,确定所述成团细胞类型的细胞占比。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述细胞图像分析方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述细胞图像分析方法中的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述细胞图像分析方法中的步骤。
上述细胞图像分析方法、装置、计算机设备、存储介质和计算机程序产品,从细胞图像中确定至少一种异常细胞类型对应的图像区域;基于至少一种异常细胞类型对应的图像区域,确定至少一种异常细胞类型分别对应的细胞统计值;在至少一种异常细胞类型分别对应的细胞统计值符合对应的统计值要求的情况下,基于细胞图像中正常细胞类型对应的图像区域,确定正常细胞类型的细胞统计值;在正常细胞类型的细胞统计值符合对应的统计值要求的情况下,记录各种细胞统计值。本方案通过对细胞图像的图像区域得到了各个类型的细胞统计值,提高了数据分析的准确度。
附图说明
图1为一个实施例中细胞图像分析方法的应用环境图;
图2为一个实施例中细胞图像分析方法的流程示意图;
图3为一个实施例中细胞图像的示意图;
图4为另一个实施例中细胞图像分析方法的流程示意图;
图5为一个实施例中细胞图像分析装置的结构框图;
图6为一个实施例中计算机设备的内部结构图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的细胞图像分析方法,可以应用于如图1所示的应用环境中。该应用环境包括终端102和服务器104。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据,也可以存储其他设备所需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
具体地,终端102可以从细胞图像中确定至少一种异常细胞类型对应的图像区域,基于至少一种异常细胞类型对应的图像区域,确定至少一种异常细胞类型分别对应的细胞统计值,在至少一种异常细胞类型分别对应的细胞统计值均符合对应的统计值要求的情况下,基于细胞图像中正常细胞类型对应的图像区域,确定正常细胞类型的细胞统计值,在正常细胞类型的细胞统计值符合对应的统计值要求的情况下,记录各种细胞统计值,方便后期查阅和分析。各种细胞统计值可以作为细胞研究所参考的数据。终端102可以将记录的各种细胞统计值发送至服务器104,服务器104可以将接收到的各种细胞统计值进行存储,例如存储到数据存储系统中。
其中,终端102可以但不限于是台式终端或移动终端,移动终端具体可以是手机、平板电脑、笔记本电脑和智能手表等中的至少一种。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案相关的部分场景,并不构成对本申请方案应用环境的限定。
在一些实施例中,如图2所示,提供了一种细胞图像分析方法,该方法可以由终端或服务器执行,还可以由终端和服务器共同执行,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
步骤202,从细胞图像中确定至少一种异常细胞类型对应的图像区域。
其中,细胞图像是对细胞池进行图像采集所得到的图像,该细胞图像可以采取任意方式获取,例如,通过显微镜获得的细胞图像。细胞图像中的细胞包括正常细胞或异常细胞中的至少一种。正常细胞是指无破裂、完整、圆形且清晰的细胞。异常细胞是指与正常细胞相比具有明显区别的细胞,例如异常细胞的形状、大小、颜色或细胞膜状态等中至少一个与正常细胞相比具有明显区别。
细胞类型是指细胞的类型,细胞类型包括正常细胞类型和异常细胞类型,细胞类型包括但不限于是正常细胞、成团细胞、状态差细胞、濒死细胞、悬浮细胞或形状怪异细胞等中的至少一种。正常细胞也可以称为是优质细胞。异常细胞类型为至少一个,包括但不限于成团细胞、状态差细胞、濒死细胞、悬浮细胞或形状怪异细胞等中的至少一种。
图像区域具体可以是细胞所在的矩形框,也可以是细胞轮廓图形,同一个图像区域中包括的是同一类型的细胞。图像区域可以是任意形状的,包括但不限于是矩形区域或圆形区域,例如在采用矩形框定位不同类型的细胞对应的图像区域的情况下,每个图像区域可以呈现出矩形形状。异常细胞类型对应的图像区域为细胞图像中异常细胞类型所在的区域。对于每种细胞类型,可以对应有一个或多个图像区域,多个是指至少两个。如图3所示,展示了一个细胞图像,该细胞图像中包括多种类型的细胞,A区域中包括3个成团细胞,可以看出,成团细胞是指与至少一个细胞粘连在一起的细胞;B区域中为状态差细胞,可以看出,状态差细胞的细胞膜有明显破裂、出现小泡泡且出现小毛刺;C区域中为濒死细胞,可以看出,濒死细胞的整体呈现黑色,细胞膜和细胞质不能明显区分、且看不见细胞内部;D区域中为悬浮细胞,可以看出,悬浮细胞具有明显虚焦;E区域中为形状怪异细胞,可以看出,形状怪异细胞的形状不是圆形;F区域中为正常细胞。
具体地,终端中可以存储有图像处理模型,图像区域可以是通过图像处理模型检测得到的,图像处理模型具有从图像中定位出不同类型的细胞的功能,例如,可以从图像中检测出不同类型的细胞所处的区域。终端获取对细胞池进行图像采集所得到的细胞图像,将细胞图像输入图像处理模型中进行图像区域的检测,得到不同类型的细胞分别对应的图像区域,即得到不同的细胞类型所对应的图像区域。其中,各个不同的细胞类型所对应的图像区域,可以是同时确定的,也可以是先后确定的,这里不做过多的限定。
在一些实施例中,终端可以获取样本细胞图像,利用样本细胞图像对待训练的图像处理模型进行训练,得到训练好的图像处理模型,利用训练好的图像处理模型从细胞图像中确定不同类型的细胞分别对应的图像区域。具体地,终端可以获取样本细胞图像中不同类型的细胞真实所在的图像区域,得到各个真实图像区域,对于每种类型的细胞,真实图像区域是指该类型的细胞真实所处的区域。样本细胞图像可以为多个,例如为100个。在利用样本细胞图像训练图像处理模型的过程中,将样本细胞图像输入到图像处理模型中进行图像区域的检测,得到不同类型的细胞分别对应的预测图像区域,对应每种细胞类型,确定对应的预测图像区域与真实图像区域之间的差异,得到图像区域差异,基于图像区域差异生成模型损失值,模型损失值与图像区域差异成正相关关系,朝着使得模型损失值减小的方向调整图像处理模型的模型参数,直到模型收敛,得到训练好的图像处理模型。其中,正相关关系指的是:在其他条件不变的情况下,两个变量变动方向相同,一个变量由大到小变化时,另一个变量也由大到小变化。
在一些实施例中,图像处理模型可以是基于目标检测算法的。目标检测算法用于通过检测框定位出不同细胞类型所对应的图像区域。
在一些实施例中,图像处理模型可以是基于图像分割算法的,例如,当计算要求精确度为像素级时,图像处理模型可以是基于图像分割算法的。
步骤204,基于至少一种异常细胞类型对应的图像区域,确定至少一种异常细胞类型分别对应的细胞统计值。
其中,细胞统计值包括但不限于是细胞数量或细胞占比中的至少一种。
具体地,对于每种异常细胞类型,终端可以基于该异常细胞类型对应的图像区域,确定该异常细胞类型对应的细胞统计值。细胞图像中包括至少一种异常细胞类型和正常细胞类型,各个细胞类型分别对应的细胞统计值可以是同时计算得到的,也可以是先后计算的,例如在已计算出的细胞统计值符合对应的统计值要求的情况下,确定下一个需要计算细胞统计值的细胞类型。以图3为例进行说明,图3中的细胞图像中有成团细胞、状态差细胞、濒死细胞、悬浮细胞、形状怪异细胞和正常细胞,对其中异常细胞类型中任一种进行统计得到细胞统计值,并将细胞统计值与对应的统计值要求进行对比,符合的情况下继续计算另一种异常细胞类型,不符合的情况下停止统计。例如,可以计算成团细胞的细胞统计值,在成团细胞类型的细胞统计值符合对应的统计值要求的情况下,计算状态差细胞的细胞统计值。其中,统计值要求可以根据需要设置。
在一些实施例中,对于每种细胞类型,终端可以统计该细胞类型对应的图像区域中所包含的细胞的数量,得到该细胞类型对应的细胞数量,基于该细胞数量确定该细胞类型对应的细胞统计值。例如可以将该细胞数量确定为该细胞类型对应的细胞统计值。
在一些实施例中,对于每种细胞类型,可以对应有一个或多个图像区域,多个是指至少两个。终端可以基于细胞类型对应的图像区域的个数或面积计算得到细胞类型对应的细胞数量。有些细胞类型对应的图像区域中,一个图像区域只包括一个细胞,比如状态差细胞类型、濒死细胞、悬浮细胞、形状怪异细胞和正常细胞。对于这些细胞类型,统计该细胞类型的图像区域的个数即得到对应的细胞数量。而有些细胞类型对应的图像区域中,一个图像区域包括多个细胞,多个是指至少两个,比如成团细胞类型。对于成团细胞类型,终端可以基于成团细胞类型对应的细胞图像面积,确定成团细胞类型的细胞数量。成团细胞类型对应的细胞类型,是指成团细胞类型对应的各个图像区域的面积的总和。
在一些实施例中,终端基于成团细胞类型对应的细胞图像面积与单细胞平均面积,确定成团细胞类型的细胞数量。单细胞平均面积是指单个细胞所占的面积的平均值。例如,若成团细胞类型对应有5个图像区域,则将这5个图像区域的面积求和,得到成团细胞类型对应的细胞图像面积,计算成团细胞类型对应的细胞图像面积与单细胞平均面积的比值,得到成团细胞类型的细胞数量。
在一些实施例中,终端可以对各个非成团细胞类型的图像区域的面积进行均值计算,得到单细胞平均面积。具体地,终端可以对各个非成团细胞类型的图像区域的面积进行求和计算,得到非成团细胞类型对应的区域总面积,统计各个非成团细胞类型的图像区域的数量,得到图像区域总数量,计算区域总面积与图像区域总数量的比值,得到单细胞平均面积。非成团细胞类型对应的图像区域中仅包括一个细胞,非成团细胞类型包括但不限于是状态差细胞、濒死细胞、悬浮细胞、形状怪异细胞和正常细胞中的至少一种。
在一些实施例中,细胞统计值为细胞占比,在得到各种细胞类型分别对应的细胞数量的情况下,终端可以对各种细胞类型的细胞数量进行统计即进行求和,得到细胞总数,对于每种细胞类型,终端可以计算该细胞类型对应的细胞数量与细胞总数的比值,得到该细胞类型对应的细胞占比。以细胞类型为状态差细胞类型为例,终端可以统计状态差细胞类型对应的图像区域中所包括的细胞的数量,得到状态差细胞类型对应的细胞数量,计算状态差细胞类型对应的细胞数量与细胞总数的比值,得到状态差细胞类型的细胞占比。
步骤206,在至少一种异常细胞类型分别对应的细胞统计值均符合对应的统计值要求的情况下,基于细胞图像中正常细胞类型对应的图像区域,确定正常细胞类型的细胞统计值。
其中,统计值要求是预先设置的细胞统计值所需要满足的条件,统计值要求包括但不限于是细胞统计值属于预设的数值范围、细胞统计值小于预设的阈值或细胞统计值大于预设的阈值中的任意一个。每个细胞类型可以预先设置有统计值要求,细胞类型与统计值要求之间具有一一对应关系。各个细胞类型的统计值要求可以是预先存储在终端中的。
具体地,对于各个异常细胞类型,终端可以判断各个异常细胞类型的细胞统计值是否符合对应的统计值要求,若均符合,则基于细胞图像中正常细胞类型对应的图像区域进行统计,确定正常细胞类型的细胞统计值。计算细胞统计值的方式可以参考上述的计算细胞统计值的方法,这里不再赘述。
在一些实施例中,在异常细胞类型分别对应的细胞统计值中存在不符合对应的统计值要求的情况下,获取新的细胞图像,并对新的细胞图像进行分析。
步骤208,在正常细胞类型的细胞统计值符合对应的统计值要求的情况下,记录各种细胞统计值。
其中,正常细胞类型的统计值要求,用于限定正常细胞类型对应的细胞统计值所需要满足的条件,当细胞统计值为细胞占比时,统计值要求也可以称为细胞占比要求,正常细胞类型对应的细胞占比要求,用于限定正常细胞类型的细胞占比所需要满足的条件,例如,正常细胞类型的细胞占比要求为:细胞占比大于第一预设占比阈值。第一预设占比阈值可以根据经验设置,例如第一预设占比阈值可以为50%。
具体地,终端在确定正常细胞类型的细胞统计值符合对应的统计值要求的情况下,将各种细胞统计值进行记录,例如可以将成团细胞的细胞统计值、状态差细胞的细胞统计值以及悬浮细胞的细胞统计等进行记录。终端可以将各种细胞统计值存储在文档中或者数据库中,便于后期查阅和分析。
在一些实施例中,在至少一种异常细胞类型分别对应的细胞统计值均符合对应的统计值要求、且在正常细胞类型的细胞统计值符合对应的统计值要求的情况下,终端可以确定细胞池的状态良好,反之,则确定细胞池的状态不符合挑选条件。
上述细胞图像分析方法中,从细胞图像中确定至少一种异常细胞类型对应的图像区域;基于至少一种异常细胞类型对应的图像区域,确定至少一种异常细胞类型分别对应的细胞统计值;在至少一种异常细胞类型分别对应的细胞统计值符合对应的统计值要求的情况下,基于细胞图像中正常细胞类型对应的图像区域,确定正常细胞类型的细胞统计值;在正常细胞类型的细胞统计值符合对应的统计值要求的情况下,记录各种细胞统计值。本方案通过对细胞图像的图像区域得到了各个类型的细胞统计值,提高了数据分析的准确度。
本申请提供的细胞图像分析方法,可以应用于判断整个细胞池是否适用于单克隆细胞株筛选。在生物制药领域,为了筛选单克隆细胞株,通常是采用生物技术来判断整个细胞池是否适用于单克隆细胞株筛选,若适合则从细胞池中筛选单克隆细胞株。例如可以利用荧光蛋白标注的方法,利用荧光值来代替表达量筛选单克隆细胞株,或者可以利用显微镜图像构建算法模型,筛选高表达单克隆细胞株。本申请提供的细胞图像分析方法,可以应用于判断整个细胞池是否适用于单克隆细胞株筛选。具体地,终端在各种异常细胞类型分别对应的细胞统计值均符合对应的统计值要求、且正常细胞类型的细胞统计值符合对应的统计值要求的情况下,确定细胞池适用于单克隆细胞株筛选,反之,确定细胞池不适用于单克隆细胞株筛选。本申请提供的细胞图像分析方法,应用于判断整个细胞池是否适用于单克隆细胞株筛选,具有分析方式简洁、准确性高、鲁棒性强的优点,可以替代生物技术人员做出客观评价。
在一些实施例中,细胞统计值为细胞占比,统计值要求为细胞占比要求,细胞图像分析方法还包括:在至少一种异常细胞类型中的任一种异常细胞类型的细胞占比不符合对应的细胞占比要求的情况下,获取新的细胞图像;返回从细胞图像中确定至少一种异常细胞类型对应的图像区域的步骤。
其中,细胞占比要求用于限定细胞占比所需要满足的条件,异常细胞类型对应的细胞占比要求,用于限定异常细胞类型的细胞占比所需要满足的条件,例如,异常细胞类型的细胞占比要求为:细胞占比小于第二预设占比阈值。不同的异常细胞类型的细胞占比要求中的第二预设占比阈值可以不同也可以相同,例如,成团细胞的细胞占比要求中的第二预设占比阈值为30%,状态差细胞的细胞占比要求中的第二预设占比阈值为20%,悬浮细胞的细胞占比要求中的第二预设占比阈值为10%。第二预设占比阈值可以根据经验设置,第二预设占比阈值也可以根据需要调整。
新的细胞图像是对细胞池重新进行图像采集所得到的图像,也可以是对新的细胞池进行图像采集所得到的图像。
具体地,终端可以依次判断每种异常细胞类型的细胞占比是否符合对应的细胞占比要求,在不符合的情况下,获取新的细胞图像,返回执行步骤202。举例说明,在成团细胞类型的细胞占比不符合对应的细胞占比要求的情况下,获取新的细胞图像,返回执行步骤202。
在一些实施例中,终端可以将两种异常细胞类型的细胞占比的求和结果与一个第二预设占比阈值进行比较,在该求和结果小于该第二预设占比阈值的情况下,执行判断其他的异常细胞类型是否符合对应的细胞占比要求的步骤,或者基于细胞图像中正常细胞类型对应的图像区域,确定正常细胞类型的细胞统计值。例如,状态差细胞和濒死细胞对应的第二预设占比阈值为20%,在状态差细胞和濒死细胞的细胞占比的求和结果小于20%的情况下,执行确定悬浮细胞类型的细胞占比是否符合对应的细胞占比要求的步骤。
本实施例中,通过在至少一种异常细胞类型中任一种的细胞占比不符合占比要求的情况下,获取新的细胞图像,以便于获取满足要求的统计数据,提高了获取统计数据的效率。
在一些实施例中,细胞图像是对细胞池进行图像采集所得到的图像;至少一种异常细胞类型包括成团细胞类型,在至少一种异常细胞类型中的任一种异常细胞类型的细胞占比不符合对应的细胞占比要求的情况下,获取新的细胞图像包括:在成团细胞类型的细胞占比不符合对应的细胞占比要求的情况下,确定针对细胞池的第一处理方式;获取新的细胞图像;新的细胞图像,是对经过第一处理方式处理后的细胞池进行图像采集所得到的图像。
其中,成团细胞是指与至少一个细胞粘连在一起的细胞,成团细胞在细胞筛选的过程中无法用工具分开,故不能用于细胞筛选。第一处理方式是指在成团细胞的细胞占比不符合成团细胞的细胞占比要求的情况下针对细胞池的处理方式,第一处理方式例如可以为对细胞池采取打散操作的处理方式。
具体地,终端可以判断成团细胞类型的细胞占比是否符合成团细胞类型对应的细胞占比要求,若不符合,则终端显示针对细胞池的第一处理方式。终端可以获取对经过第一处理方式处理后的该细胞池进行图像采集所得到的图像,得到新的细胞图像,返回执行步骤202。
在一些实施例中,在成团细胞类型的细胞占比符合对应的细胞占比要求的情况下,终端可以执行判断其他的异常细胞类型是否符合对应的细胞占比要求的步骤。
本实施例中,在成团细胞类型的细胞占比不符合细胞占比要求的情况下,自动做出下一步执行操作的决策,提高了确定统计数据的效率。
在一些实施例中,至少一种异常细胞类型还包括状态差细胞类型,细胞图像分析方法还包括:在成团细胞类型的细胞占比符合对应的细胞占比要求的情况下,确定状态差细胞类型的细胞占比是否符合对应的细胞占比要求;若不符合,则获取新的细胞图像;新的细胞图像是对新的细胞池进行图像采集所得到的图像。
其中,状态差细胞是指细胞图像中出现细胞膜破裂、小泡泡或小毛刺中的至少一种情况的细胞。新的细胞池是指当前的细胞池不符合要求的情况下,重新选定的其他的细胞池。
具体地,终端在确定成团细胞类型的细胞占比符合对应的细胞占比要求的情况下,判断状态差细胞类型的细胞占比是否符合对应的细胞占比要求,若不符合,终端显示更新细胞图像的提示信息,该提示信息例如为“放弃当前的细胞池,请重新选取新的细胞池”。技术人员重新选取新的细胞池,并通过显微镜对新的细胞池进行图像采集,得到新的细胞图像,终端可以获取该新的细胞图像,返回执行步骤202。
在一些实施例中,在状态差细胞类型的细胞占比符合对应的细胞占比要求的情况下,终端可以执行判断其他的异常细胞类型是否符合对应的细胞占比要求的步骤。
本实施例中,在状态差细胞类型的细胞占比不符合对应的细胞占比要求的情况下,自动确认下一步所执行的操作,提高了确定统计数据的效率。
在一些实施例中,至少一种异常细胞类型还包括悬浮细胞类型,细胞图像分析方法还包括:在状态差细胞类型的细胞占比符合对应的细胞占比要求的情况下,确定悬浮细胞类型的细胞占比是否符合对应的细胞占比要求;若不符合,则确定针对细胞池的第二处理方式;获取新的细胞图像;新的细胞图像,是对经过第二处理方式处理后的细胞池进行图像采集所得到的图像。
其中,悬浮细胞是指细胞图像中明显虚焦的细胞。第二处理方式是指在悬浮细胞类型的细胞占比不符合对应的细胞占比要求的情况下针对细胞池的处理方式,第二处理方式例如可以为将细胞池静置的处理方式。
具体地,终端在确定状态差细胞类型的细胞占比符合对应的细胞占比要求的情况下,判断悬浮细胞类型的细胞占比是否符合对应的细胞占比要求,若不符合,则终端可以显示针对细胞池的第二处理方式。终端可以获取对经过第二处理方式处理后的该细胞池进行图像采集所得到的图像,得到新的细胞图像,返回执行步骤202。
本实施例中,在悬浮细胞类型的细胞占比不符合细胞占比要求的情况下,自动确认下一步所执行的操作,提高了确定统计数据的效率。
在一些实施例中,所述至少一种异常细胞类型包括成团细胞类型;细胞统计值为细胞占比,统计值要求为细胞占比要求;步骤204,具体包括:对成团细胞类型对应的各个图像区域的面积进行统计,得到成团细胞类型对应的细胞图像面积;基于成团细胞类型对应的细胞图像面积,确定成团细胞类型的细胞占比。
其中,成团细胞是指与至少一个细胞粘连在一起的细胞。
具体地,终端在细胞图像中统计成团细胞类型对应的图像区域的面积,成团细胞类型可以对应一个或多个图像区域,当成团细胞类型对应多个图像区域时,对多个图像区域面积进行求和,得到成团细胞类型对应的细胞图像面积。服务器计算成团细胞类型的细胞图像面积与细胞总面积的比值,将计算出的比值确定为成团细胞类型对应的细胞占比。其中,细胞总面积是指图像区域中包括的各个图像区域的面积的总和,终端可以将细胞图像中的各个图像区域的面积进行求和计算,得到细胞总面积。细胞总面积具体可以是细胞所在检测框的面积,也可以是细胞轮廓图形的面积。
在一些实施例中,终端基于成团细胞类型对应的细胞图像面积与单细胞平均面积,确定成团细胞类型的细胞数量。对于成团细胞类型,终端可以计算其对应的细胞数量与细胞总数的比值,得到对应的细胞占比。
本实施例中,通过对成团细胞类型对应的图像区域的面积进行统计,确认细胞占比,提高了获取统计数据的效率以及数据分析的准确度,降低了人工成本。
在一些实施例中,如图4所示,提供了一种细胞图像分析方法,该方法可以由终端或服务器执行,还可以由终端和服务器共同执行,以该方法应用于终端为例进行说明,包括以下步骤:
步骤402,从细胞图像中确定多个异常细胞类型分别对应的图像区域;多个异常细胞类型包括成团细胞类型、状态差细胞类型和悬浮细胞类型。
其中,细胞图像是对细胞池进行图像采集所得到的图像。
步骤404,对于每种异常细胞类型,基于该异常细胞类型对应的图像区域,确定异常细胞类型对应的细胞占比。
步骤406,判断成团细胞类型的细胞占比是否符合成团细胞类型对应的细胞占比要求,若不符合,则执行步骤408,若符合,则执行步骤410。
步骤408,确定针对细胞池的第一处理方式,获取新的细胞图像,新的细胞图像,是对经过第一处理方式处理后的细胞池进行图像采集所得到的图像,返回步骤402。
步骤410,判断状态差细胞类型的细胞占比是否符合状态差细胞类型对应的细胞占比要求,若不符合,则执行步骤412,若符合,则执行步骤414。
步骤412,获取新的细胞图像;新的细胞图像是对新的细胞池进行图像采集所得到的图像,返回步骤402。
步骤414,判断悬浮细胞类型的细胞占比是否符合悬浮细胞类型对应的细胞占比要求,若不符合,则执行步骤416,若符合,则执行步骤418。
步骤416,确定针对细胞池的第二处理方式,获取新的细胞图像;新的细胞图像是对经过第二处理方式处理后的细胞池进行图像采集所得到的图像,返回步骤402。
步骤418,基于细胞图像中正常细胞类型对应的图像区域,确定正常细胞类型的细胞占比。
步骤420,判断正常细胞类型的细胞占比是否符合正常细胞类型对应的细胞占比要求,若不符合,则执行步骤412,若符合,则执行步骤422。
步骤422,记录各种细胞占比。
其中,记录的各种细胞占比可以用于为细胞筛选领域中,例如用于筛选蛋白表达量满足设定条件的细胞,或者用于辅助单克隆细胞株筛选工作。
本实施例中,通过从细胞图像中确定多个异常细胞类型分别对应的图像区域,对于每种异常细胞类型,基于该异常细胞类型对应的图像区域,确定对应的细胞占比,判断该细胞占比是否符合对应的细胞占比要求,若不符合,则获取新的细胞图像,若符合,确定其他异常细胞类型对应的细胞占比,在至少一种异常细胞类型分别对应的细胞占比均符合对应的细胞占比要求的情况下,基于细胞图像中正常细胞类型对应的图像区域,确定正常细胞类型的细胞占比,在正常细胞类型的细胞占比符合对应的细胞占比要求的情况下,记录各种细胞占比。通过对至少一种异常细胞类型与正常细胞类型的图像区域进行统计,得到了各个类型的细胞占比,提高了数据分析的准确度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的细胞图像分析方法的细胞图像分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个细胞图像分析装置实施例中的具体限定可以参见上文中对于细胞图像分析方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种细胞图像分析装置,包括:图像处理模块502、异常统计模块504、统计确认模块506和信息记录模块508,其中:
图像处理模块502,用于从细胞图像中确定至少一种异常细胞类型对应的图像区域。
异常统计模块504,用于基于至少一种异常细胞类型对应的图像区域,确定至少一种异常细胞类型分别对应的细胞统计值。
统计确认模块506,用于在至少一种异常细胞类型分别对应的细胞统计值均符合对应的统计值要求的情况下,基于细胞图像中正常细胞类型对应的图像区域,确定正常细胞类型的细胞统计值。
信息记录模块508,用于在正常细胞类型的细胞统计值符合对应的统计值要求的情况下,记录各种细胞统计值。
在一些实施例中,细胞统计值为细胞占比,统计值要求为细胞占比要求,装置模块还包括图像更新模块,图像更新模块用于:在至少一种异常细胞类型中的任一种异常细胞类型的细胞占比不符合对应的细胞占比要求的情况下,获取新的细胞图像;返回从细胞图像中确定至少一种异常细胞类型对应的图像区域的步骤。
在一些实施例中,细胞图像是对细胞池进行图像采集所得到的图像;至少一种异常细胞类型包括成团细胞类型,图像更新模块,还用于在成团细胞类型的细胞占比不符合对应的细胞占比要求的情况下,确定针对细胞池的第一处理方式;获取新的细胞图像;新的细胞图像,是对经过第一处理方式处理后的细胞池进行图像采集所得到的图像。
在一些实施例中,至少一种异常细胞类型还包括状态差细胞类型,图像更新模块,还用于在成团细胞类型的细胞占比符合对应的细胞占比要求的情况下,确定状态差细胞类型的细胞占比是否符合对应的细胞占比要求;若不符合,则获取新的细胞图像;新的细胞图像是对新的细胞池进行图像采集所得到的图像。
在一些实施例中,至少一种异常细胞类型还包括悬浮细胞类型,图像更新模块,还用于在状态差细胞类型的细胞占比符合对应的细胞占比要求的情况下,确定悬浮细胞类型的细胞占比是否符合对应的细胞占比要求;若不符合,确定针对细胞池的第二处理方式;获取新的细胞图像;新的细胞图像,是对经过第二处理方式处理后的细胞池进行图像采集所得到的图像。
在一些实施例中,至少一种异常细胞类型包括成团细胞类型,细胞统计值为细胞占比,统计值要求为细胞占比要求;异常统计模块,还用于对成团细胞类型对应的各个图像区域的面积进行统计,得到成团细胞类型对应的细胞图像面积;基于成团细胞类型对应的细胞图像面积,确定成团细胞类型的细胞占比。
上述细胞图像分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储细胞图像分析方法涉及到的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种细胞图像分析方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种细胞图像分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述细胞图像分析方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述细胞图像分析方法中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述细胞图像分析方法中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种细胞图像分析方法,其特征在于,所述方法包括:
从细胞图像中确定至少一种异常细胞类型对应的图像区域;
基于所述至少一种异常细胞类型对应的图像区域,确定所述至少一种异常细胞类型分别对应的细胞统计值;
在所述至少一种异常细胞类型分别对应的细胞统计值均符合对应的统计值要求的情况下,基于所述细胞图像中正常细胞类型对应的图像区域,确定所述正常细胞类型的细胞统计值;
在所述正常细胞类型的细胞统计值符合对应的统计值要求的情况下,记录各种细胞统计值。
2.根据权利要求1所述的方法,其特征在于,所述细胞统计值为细胞占比,所述统计值要求为细胞占比要求,所述方法还包括:
在所述至少一种异常细胞类型中的任一种异常细胞类型的细胞占比不符合对应的细胞占比要求的情况下,获取新的细胞图像;
返回从细胞图像中确定至少一种异常细胞类型对应的图像区域的步骤。
3.根据权利要求2所述的方法,其特征在于,所述细胞图像是对细胞池进行图像采集所得到的图像;所述至少一种异常细胞类型包括成团细胞类型;
所述在所述至少一种异常细胞类型中的任一种异常细胞类型的细胞占比不符合对应的细胞占比要求的情况下,获取新的细胞图像包括:
在所述成团细胞类型的细胞占比不符合对应的细胞占比要求的情况下,确定针对所述细胞池的第一处理方式;
获取新的细胞图像;所述新的细胞图像,是对经过所述第一处理方式处理后的细胞池进行图像采集所得到的图像。
4.根据权利要求3所述的方法,其特征在于,所述至少一种异常细胞类型还包括状态差细胞类型,所述方法还包括:
在所述成团细胞类型的细胞占比符合对应的细胞占比要求的情况下,确定所述状态差细胞类型的细胞占比是否符合对应的细胞占比要求;
若不符合,则获取新的细胞图像;所述新的细胞图像是对新的细胞池进行图像采集所得到的图像。
5.根据权利要求4所述的方法,其特征在于,所述至少一种异常细胞类型还包括悬浮细胞类型,所述方法还包括:
在所述状态差细胞类型的细胞占比符合对应的细胞占比要求的情况下,确定所述悬浮细胞类型的细胞占比是否符合对应的细胞占比要求;
若不符合,则确定针对所述细胞池的第二处理方式;
获取新的细胞图像;所述新的细胞图像,是对经过所述第二处理方式处理后的细胞池进行图像采集所得到的图像。
6.根据权利要求1所述的方法,其特征在于,所述至少一种异常细胞类型包括成团细胞类型;所述细胞统计值为细胞占比,所述统计值要求为细胞占比要求;
所述基于所述至少一种异常细胞类型对应的图像区域,确定所述至少一种异常细胞类型分别对应的细胞统计值包括:
对所述成团细胞类型对应的各个图像区域的面积进行统计,得到所述成团细胞类型对应的细胞图像面积;
基于所述成团细胞类型对应的细胞图像面积,确定所述成团细胞类型的细胞占比。
7.一种细胞图像分析装置,其特征在于,所述装置包括:
图像处理模块,用于从细胞图像中确定至少一种异常细胞类型对应的图像区域;
异常统计模块,用于基于所述至少一种异常细胞类型对应的图像区域,确定所述至少一种异常细胞类型分别对应的细胞统计值;
统计确认模块,用于在所述至少一种异常细胞类型分别对应的细胞统计值均符合对应的统计值要求的情况下,基于所述细胞图像中正常细胞类型对应的图像区域,确定所述正常细胞类型的细胞统计值;
信息记录模块,用于在所述正常细胞类型的细胞统计值符合对应的统计值要求的情况下,记录各种细胞统计值。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210718689.6A CN115115591A (zh) | 2022-06-23 | 2022-06-23 | 细胞图像分析方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210718689.6A CN115115591A (zh) | 2022-06-23 | 2022-06-23 | 细胞图像分析方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115591A true CN115115591A (zh) | 2022-09-27 |
Family
ID=83328168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210718689.6A Pending CN115115591A (zh) | 2022-06-23 | 2022-06-23 | 细胞图像分析方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115591A (zh) |
-
2022
- 2022-06-23 CN CN202210718689.6A patent/CN115115591A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001329B (zh) | 蛋白表达量的预测方法、装置、计算机设备和存储介质 | |
CN111275546A (zh) | 金融客户欺诈风险识别方法及装置 | |
CN112132265A (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
CN113485988A (zh) | 一种数据质量监控方法、设备及计算机可读存储介质 | |
CN116414815A (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
CN115239705A (zh) | 子宫内膜浆细胞数量的统计方法、装置、设备和存储介质 | |
CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
CN116137061B (zh) | 数量统计模型的训练方法、装置、电子设备及存储介质 | |
CN115115591A (zh) | 细胞图像分析方法、装置、计算机设备和存储介质 | |
CN116933035A (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
CN116309470A (zh) | 灯珠平面故障监测方法、装置、计算机设备和存储介质 | |
CN110852384A (zh) | 医学影像质量检测方法、装置和存储介质 | |
FI130045B (en) | Analyzing the measurement results of the communication network or other target system | |
CN115907954A (zh) | 账户的识别方法、装置、计算机设备和存储介质 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN113657648A (zh) | 一种多维数据融合的设备健康评估方法、装置及运维系统 | |
CN115564702A (zh) | 模型训练方法、系统、设备、存储介质及缺陷检测方法 | |
CN111625720A (zh) | 数据决策项目执行策略的确定方法、装置、设备和介质 | |
Yeh et al. | Predicting failure of P2P lending platforms through machine learning: The case in China | |
CN116226775A (zh) | 识别异常数据方法、装置、计算机设备和存储介质 | |
CN117520743A (zh) | 用户用电风险的监测方法、装置、设备、存储介质和产品 | |
CN117056307A (zh) | 数据库管理方法、装置、设备、存储介质和程序产品 | |
CN114118619A (zh) | 一种存款利率确定方法、装置、设备及可读存储介质 | |
CN116204444A (zh) | 测试案例处理方法、装置、计算机设备和存储介质 | |
CN117557951A (zh) | 电网异常事件监控方法、装置、计算机设备和存储介质 |
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 |