CN115272342B - 基于明场图像的细胞分化程度评估方法、存储介质及系统 - Google Patents
基于明场图像的细胞分化程度评估方法、存储介质及系统 Download PDFInfo
- Publication number
- CN115272342B CN115272342B CN202211199153.4A CN202211199153A CN115272342B CN 115272342 B CN115272342 B CN 115272342B CN 202211199153 A CN202211199153 A CN 202211199153A CN 115272342 B CN115272342 B CN 115272342B
- Authority
- CN
- China
- Prior art keywords
- bright field
- field image
- cell
- image blocks
- equalized
- 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.)
- Active
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了基于明场图像的细胞分化程度评估方法、存储介质及系统,其中,方法包括步骤:对待评估的人类胚胎干细胞向神经干细胞分化的初始明场图像进行对比度限制的自适应直方图均衡化,得到均衡化明场图像;对初始明场图像和均衡化明场图像均进行滑动窗分割以及过滤处理,得到若干个细胞初始明场图像块和对应的若干个细胞均衡化明场图像块;将若干个细胞初始明场图像块和若干个细胞均衡化明场图像块均输入到训练好的神经干细胞评估模型中,输出初始明场图像中的细胞为神经干细胞的概率。本发明方法能够对分化过程进行客观量化评估,而非原本的主观评估,且本发明解决了现有基于神经分化研究需要对其进行染色评估这一耗时耗力的技术难题。
Description
技术领域
本发明涉及深度学习和医学图像处理技术领域,尤其涉及基于明场图像的细胞分化程度评估方法、存储介质及系统。
背景技术
干细胞具有自我更新和分化的能力,扩大了再生医学中基于细胞治疗的可能范围。例如,潜在的应用可能包括恢复受损的神经元和重组组织。神经干细胞(NSC)有可能在大脑解剖结构中产生几种细胞类型。因此,基于NSCs的策略被认为在治疗神经系统疾病(如阿尔茨海默病,中风和创伤性脑损伤)方面很有价值。NSC被认为是中枢神经系统(CNS)的“种子”细胞,能够在CNS发育过程中自我再生并产生神经元和神经胶质细胞。
hiPSCs(人诱导多能干细胞)已被证明是生成NSCs的强大来源,用于神经发育和神经退行性疾病的再生治疗,药物筛选和疾病建模。用于这些目的的hiPSCs的临床和临床前应用的一个主要挑战是需要为每个专门的神经元亚型开发特定的模式和维护方案。为了应用于临床治疗,药物筛选和疾病建模,分化方案必须以准确控制,高效和可重复的方式产生正确和真实的神经元亚型,并且批次间差异最小。NSCs的分化效果的好坏可以对培养好的细胞进行免疫荧光染色,观察其染色的程度即可以分辨。免疫荧光染色的过程费时费力,需要先将培养好的细胞从培养基移出后,使用PBS(phosphate buffered saline)清洗。移除PBS后加入阻断剂,静置1-3小时。接下来加入抗体对细胞进行染色后,移除抗体和阻塞溶液的混合物,将染色后的细胞在摇床中孵化过夜,第二天再使用PBS清洗细胞三次。为了有更好的染色效果,后续会加入其他抗体,重复上面的步骤,最后使用荧光显微镜分析免疫细胞化学染色细胞。此过程可以看出,染色步骤繁复枯燥,需要许多试剂辅助染色,并且染色一次时间成本较高,往往需要多次染色。尽管染色后能够有效地评估所培养的细胞,但所需的实验成本和时间成本都很高,这些都限制了生物医学地快速发展。
因此,现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种基于明场图像的细胞分化程度评估方法、存储介质及系统,旨在解决现有细胞分化程度评估方法效率低、成本高的问题。
本发明的技术方案如下:
一种基于明场图像的细胞分化程度评估方法,其中,包括步骤:
对待评估的人类胚胎干细胞向神经干细胞分化的初始明场图像进行对比度限制的自适应直方图均衡化,得到均衡化明场图像;
对所述初始明场图像和均衡化明场图像均进行滑动窗分割,得到若干个小分辨率初始明场图像块和对应的若干个小分辨率均衡化明场图像块;
对若干个所述小分辨率初始明场图像块和若干个所述小分辨率均衡化明场图像块均进行过滤处理,得到若干个细胞初始明场图像块和对应的若干个细胞均衡化明场图像块;
将若干个所述细胞初始明场图像块和若干个细胞均衡化明场图像块均输入到训练好的神经干细胞评估模型中,输出所述初始明场图像中的细胞为神经干细胞的概率。
所述基于明场图像的细胞分化程度评估方法,其中,对所述初始明场图像和均衡化明场图像均进行滑动窗分割的步骤中,所使用的窗口大小为128*128,滑动步幅为64。
所述基于明场图像的细胞分化程度评估方法,其中,对若干个所述小分辨率初始明场图像块和若干个所述小分辨率均衡化明场图像块均进行过滤处理,得到若干个细胞初始明场图像块和对应的若干个细胞均衡化明场图像块的步骤包括:
将若干个所述小分辨率初始明场图像块和若干个所述小分辨率均衡化明场图像块分别输入到已训练好的XGBoost模型中,将图像块分类为背景图像块和细胞图像块;
通过所述XGBoost模型滤除掉所述背景图像块,并输出若干个细胞初始明场图像块和对应的若干个细胞均衡化明场图像块。
所述基于明场图像的细胞分化程度评估方法,其中,将若干个所述细胞初始明场图像块和若干个细胞均衡化明场图像块均输入到训练好的神经干细胞评估模型中,输出所述初始明场图像中的细胞为神经干细胞的概率的步骤包括:
将若干个所述细胞初始明场图像块和若干个细胞均衡化明场图像块均输入到训练好的神经干细胞评估模型中,得到每个图像块中细胞为神经干细胞的预测概率;
对每个图像块中细胞为神经干细胞的预测概率进行集成,输出所述初始明场图像中的细胞为神经干细胞的概率。
所述基于明场图像的细胞分化程度评估方法,其中,将若干个所述细胞初始明场图像块和若干个细胞均衡化明场图像块均输入到训练好的神经干细胞评估模型中,得到每个图像块中细胞为神经干细胞的预测概率的步骤包括:
所述神经干细胞评估模型包括若干个基础分类模块以及一个集成模块,所述基础分类模块由两个相同的特征提取器和一个分类层组成,所述细胞初始明场图像块和细胞均衡化明场图像块分别输入到两个相同的特征提取器中,得到两个特征向量;
将所述两个特征向量进行拼接并输入到所述分类层中,输出每个图像块中细胞为神经干细胞的预测概率。
所述基于明场图像的细胞分化程度评估方法,其中,所述基础分类模块为VGG13、ResNet18、ResNet34、ResNet50和DenseNet121中的一种或多种。
所述基于明场图像的细胞分化程度评估方法,其中,对每个图像块中细胞为神经干细胞的预测概率进行集成的步骤中,集成公式如下:,其中M代表使用基础分类模块的数量;代表第个基础分类模块;代表输入到基础分类模块的图像块。
一种存储介质,其中,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明所述基于明场图像的细胞分化程度评估方法中的步骤。
一种基于明场图像的细胞分化程度评估系统,其中,包括:处理器、存储器及通信总线,所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如本发明所述基于明场图像的细胞分化程度评估中的步骤。
有益效果:本发明采用基于深度学习的分类方法对人类胚胎干细胞向神经干细胞分化过程进行了评估,本发明提供的方法能够减少现有细胞分化程度评估方法中的染色步骤,该染色步骤需要耗费科研人员的大量时间和经济成本,省去该步骤后可以加快科研人员的科研进度,提升评估效率;最后,该方法能够对分化过程进行客观量化评估,而非原本的主观评估。本发明解决了现有基于神经分化研究需要对其进行染色评估这一耗时耗力的技术难题,并提供一种高效速度快的方法实现,对加快神经疾病研究具有重要意义。
附图说明
图1为本发明提供的一种基于明场图像的细胞分化程度评估方法的流程图。
图2为本发明一种基于明场图像的细胞分化程度评估系统的原理图。
具体实施方式
本发明提供一种基于明场图像的细胞分化程度评估方法、存储介质及系统,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
尽管染色后能够有效地评估所培养的细胞分化程度,但所需的实验成本和时间成本都很高,这些都限制了生物医学地快速发展。得益于计算机技术在图像识别领域的快速发展,让不通过染色而判断细胞分化程度成为可能。
组织病理学图像作为医学图片领域的一个重要分支,也得到了研究人员的充分关注。越来越多的图像分析方法使用在组织病理学图像上。研究使用深度学习从流式细胞术或显微镜图像中识别细胞类型、细胞状态和细胞动态进展。研究表明,分化会改变造血干细胞的形态,深度学习能够从显微镜数据中识别这些变化,并通过在已知开发进展开始之前分离细胞来提前预测造血干细胞的发展。还有研究表明,机器学习可以区分多能干细胞和早期分化细胞。这些研究强调了深度学习在干细胞治疗领域可能进一步的应用,机器学习不仅可以用于识别细胞之间的生理变异,还可以用于判断分化诱导剂引起的生物学特征和变化。
基于此,本发明假设hiPSCs在诱导剂治疗下在分化后可能表现出类似的特征,这可以通过深度学习从高通量数据中提取,并对其分化程度进行快速判断,以减短实验的周期和实验策略的快速调整。
请参阅图1,图1为本发明提供的一种基于明场图像的细胞分化程度评估方法较佳实施例的流程图,如图所示,其包括步骤:
S10、对待评估的人类胚胎干细胞向神经干细胞分化的初始明场图像进行对比度限制的自适应直方图均衡化,得到均衡化明场图像;
S20、对所述初始明场图像和均衡化明场图像均进行滑动窗分割,得到若干个小分辨率初始明场图像块和对应的若干个小分辨率均衡化明场图像块;
S30、对若干个所述小分辨率初始明场图像块和若干个所述小分辨率均衡化明场图像块均进行过滤处理,得到若干个细胞初始明场图像块和对应的若干个细胞均衡化明场图像块;
S40、将若干个所述细胞初始明场图像块和若干个细胞均衡化明场图像块均输入到训练好的神经干细胞评估模型中,输出所述初始明场图像中的细胞为神经干细胞的概率。
本发明采用基于深度学习的分类方法对人类胚胎干细胞向神经干细胞分化过程进行了评估,本发明提供的方法能够减少现有细胞分化程度评估方法中的染色步骤,该染色步骤需要耗费科研人员的大量时间和经济成本,省去该步骤后可以加快科研人员的科研进度,提升评估效率;最后,该方法能够对分化过程进行客观量化评估,而非原本的主观评估。本发明解决了现有基于神经分化研究需要对其进行染色评估这一耗时耗力的技术难题,并提供一种高效速度快的方法实现,对加快神经疾病研究具有重要意义。
在一些实施方式中,由于受到不同拍摄设备的光线等因素影响,导致明场图像之间的对比度存在较大差异,因此本实施例对初始明场图像进行对比度限制的自适应直方图均衡化,使其对比度等分布在一个合适的范围内。
在一些实施方式中,由于初始明场图像的原始分辨率较大,对其进行直接分析会有较大误差,所以本实施例采用滑动窗裁切的方法将初始明场图像和均衡化明场图像均分解成分辨率较小的图像块,所使用的窗口大小为128*128,滑动步幅为64。
在一些实施方式中, 由于通过滑动窗裁切得到的小分辨率初始明场图像块和小分辨率均衡化明场图像块中均包含有较多的背景图像块,需要预先对其进行筛除,可以加快后续的评估流程。基于此,本实施例将若干个所述小分辨率初始明场图像块和若干个所述小分辨率均衡化明场图像块分别输入到已训练好的XGBoost模型中,将图像块分类为背景图像块和细胞图像块;通过所述XGBoost模型滤除掉所述背景图像块,并输出若干个细胞初始明场图像块和对应的若干个细胞均衡化明场图像块。
在一些实施方式中, 将若干个所述细胞初始明场图像块和若干个细胞均衡化明场图像块均输入到训练好的神经干细胞评估模型中,得到每个图像块中细胞为神经干细胞的预测概率;对每个图像块中细胞为神经干细胞的预测概率进行集成,输出所述初始明场图像中的细胞为神经干细胞的概率。
在一些实施方式中,将若干个所述细胞初始明场图像块和若干个细胞均衡化明场图像块均输入到训练好的神经干细胞评估模型中,得到每个图像块中细胞为神经干细胞的预测概率的步骤包括:所述神经干细胞评估模型包括若干个基础分类模块以及一个集成模块,所述基础分类模块由两个相同的特征提取器和一个分类层组成,所述细胞初始明场图像块和细胞均衡化明场图像块分别输入到两个相同的特征提取器中,得到两个特征向量;将所述两个特征向量进行拼接并输入到所述分类层中,输出每个图像块中细胞为神经干细胞的预测概率。
在本实施例中,所述基础分类模块为VGG13、ResNet18、ResNet34、ResNet50和DenseNet121中的一种或多种,但不限于此。
在一些实施方式中,通过所述集成模块对每个图像块中细胞为神经干细胞的预测概率进行集成,输出所述初始明场图像中的细胞为神经干细胞的概率。在本实施例中,集成公式如下:,其中M代表使用基础分类模块的数量;代表第个基础分类模块;代表输入到基础分类模块的图像块。本发明方法能够对分化过程进行客观量化评估,而非原本的主观评估,本发明解决了现有基于神经分化研究需要对其进行染色评估这一耗时耗力的技术难题,并提供一种高效速度快的方法实现,对加快神经疾病研究具有重要意义。
在一些实施方式中,还提供一种存储介质,其中,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明所述基于明场图像的细胞分化程度评估方法中的步骤。
在一些实施方式中,还提供一种基于明场图像的细胞分化程度评估系统,如图2所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种基于明场图像的细胞分化程度评估方法,其特征在于,包括步骤:
对待评估的人类胚胎干细胞向神经干细胞分化的初始明场图像进行对比度限制的自适应直方图均衡化,得到均衡化明场图像;
对所述初始明场图像和均衡化明场图像均进行滑动窗分割,得到若干个小分辨率初始明场图像块和对应的若干个小分辨率均衡化明场图像块,所使用的窗口大小为128*128,滑动步幅为64;
将若干个所述小分辨率初始明场图像块和若干个所述小分辨率均衡化明场图像块分别输入到已训练好的XGBoost模型中,将图像块分类为背景图像块和细胞图像块;
通过所述XGBoost模型滤除掉所述背景图像块,并输出若干个细胞初始明场图像块和对应的若干个细胞均衡化明场图像块;
将若干个所述细胞初始明场图像块和若干个细胞均衡化明场图像块均输入到训练好的神经干细胞评估模型中,所述神经干细胞评估模型包括若干个基础分类模块以及一个集成模块,所述基础分类模块由两个相同的特征提取器和一个分类层组成,所述细胞初始明场图像块和细胞均衡化明场图像块分别输入到两个相同的特征提取器中,得到两个特征向量;将所述两个特征向量进行拼接并输入到所述分类层中,得到每个图像块中细胞为神经干细胞的预测概率;
2.根据权利要求1所述基于明场图像的细胞分化程度评估方法,其特征在于,所述基础分类模块为VGG13、ResNet18、ResNet34、ResNet50和DenseNet121中的一种或多种。
3.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-2任意一项基于明场图像的细胞分化程度评估方法中的步骤。
4.一种基于明场图像的细胞分化程度评估系统,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-2任意一项所述基于明场图像的细胞分化程度评估中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211199153.4A CN115272342B (zh) | 2022-09-29 | 2022-09-29 | 基于明场图像的细胞分化程度评估方法、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211199153.4A CN115272342B (zh) | 2022-09-29 | 2022-09-29 | 基于明场图像的细胞分化程度评估方法、存储介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272342A CN115272342A (zh) | 2022-11-01 |
CN115272342B true CN115272342B (zh) | 2023-02-17 |
Family
ID=83756082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211199153.4A Active CN115272342B (zh) | 2022-09-29 | 2022-09-29 | 基于明场图像的细胞分化程度评估方法、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272342B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844143B (zh) * | 2023-09-01 | 2023-12-05 | 武汉互创联合科技有限公司 | 基于边缘增强的胚胎发育阶段预测与质量评估系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462052A (zh) * | 2020-03-16 | 2020-07-28 | 清华大学 | 基于图神经网络的医疗影像分析方法及系统 |
CN112347977A (zh) * | 2020-11-23 | 2021-02-09 | 深圳大学 | 一种诱导性多能干细胞的自动检测方法、存储介质及装置 |
CN114864075A (zh) * | 2022-04-21 | 2022-08-05 | 首都医科大学宣武医院 | 一种基于病理图像的胶质瘤级别分析方法及装置 |
CN114897779A (zh) * | 2022-04-12 | 2022-08-12 | 华南理工大学 | 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3766000A2 (en) * | 2018-03-16 | 2021-01-20 | The United States of America as represented by the Secretary of the Department of Health and Human Services | Using machine learning and/or neural networks to validate stem cells and their derivatives for use in cell therapy, drug discovery, and diagnostics |
US12039796B2 (en) * | 2019-02-01 | 2024-07-16 | Sartorius Bioanalytical Instruments, Inc. | Method for classifying cells |
-
2022
- 2022-09-29 CN CN202211199153.4A patent/CN115272342B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462052A (zh) * | 2020-03-16 | 2020-07-28 | 清华大学 | 基于图神经网络的医疗影像分析方法及系统 |
CN112347977A (zh) * | 2020-11-23 | 2021-02-09 | 深圳大学 | 一种诱导性多能干细胞的自动检测方法、存储介质及装置 |
CN114897779A (zh) * | 2022-04-12 | 2022-08-12 | 华南理工大学 | 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置 |
CN114864075A (zh) * | 2022-04-21 | 2022-08-05 | 首都医科大学宣武医院 | 一种基于病理图像的胶质瘤级别分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115272342A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kegeles et al. | Convolutional neural networks can predict retinal differentiation in retinal organoids | |
CN115639134A (zh) | 基于图像的细胞分选系统和方法 | |
Ghani et al. | Dendritic spine classification using shape and appearance features based on two-photon microscopy | |
CN115272342B (zh) | 基于明场图像的细胞分化程度评估方法、存储介质及系统 | |
CN111666895B (zh) | 基于深度学习的神经干细胞分化方向预测系统及方法 | |
US20230351587A1 (en) | Methods and systems for predicting neurodegenerative disease state | |
Chang et al. | Human induced pluripotent stem cell region recognition in microscopy images using convolutional neural networks | |
Jiang et al. | Convolutional neural networks in automatic recognition of trans-differentiated neural progenitor cells under bright-field microscopy | |
Ersoy et al. | Segmentation and classification of cell cycle phases in fluorescence imaging | |
CN112750118B (zh) | 一种基于自动视觉检测的单细胞孔板测序中鉴定细胞个数的新方法及系统 | |
CN112507821B (zh) | 基于高内涵成像的细胞耐药性检测方法、介质及电子设备 | |
Baker et al. | Exploiting GPUs to accelerate white blood cells segmentation in microscopic blood images | |
Niederlein et al. | Image analysis in high content screening | |
Chu et al. | Human induced pluripotent stem cell formation and morphology prediction during reprogramming with time-lapse bright-field microscopy images using deep learning methods | |
Long et al. | Effective automatic recognition of cultured cells in bright field images using fisher's linear discriminant preprocessing | |
CN113221761B (zh) | 基于集成式Yolo网络的iPSCs群落检测方法、存储介质及装置 | |
CN106874712A (zh) | 一种基于池化时间序列特征表示的细胞分裂事件识别方法 | |
Uka et al. | FASTER R-CNN for cell counting in low contrast microscopic images | |
Imashiro et al. | Direct cell counting using macro-scale smartphone images of cell aggregates | |
Barch et al. | A deep learning approach to neurite prediction in high throughput fluorescence imaging | |
Grüning et al. | Robust and Markerfree in vitro Axon Segmentation with CNNs | |
Lv et al. | Automated nanoparticle count via modified blendmask instance segmentation on sem images | |
Witmer et al. | Iterative pseudo balancing for stem cell microscopy image classification | |
CN113344868B (zh) | 一种基于混合转移学习的无标记细胞分类筛查系统 | |
Mousazadeh et al. | Stem cell sorting methods based on the Machine Learning algorithms |
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 |