CN115331219A - 一种用于生物剂量估算的双着丝粒体自动识别方法及系统 - Google Patents
一种用于生物剂量估算的双着丝粒体自动识别方法及系统 Download PDFInfo
- Publication number
- CN115331219A CN115331219A CN202210305750.4A CN202210305750A CN115331219A CN 115331219 A CN115331219 A CN 115331219A CN 202210305750 A CN202210305750 A CN 202210305750A CN 115331219 A CN115331219 A CN 115331219A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- image
- chromosomes
- centromere
- candidate
- 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
Images
Classifications
-
- 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
Abstract
Description
技术领域
本发明涉及生物技术领域,更具体涉及一种用于生物剂量估算的双着丝粒体自动识别方法。
背景技术
随着核电发展及核恐怖袭击可能性增加,核事故应急日益得到重视,大规模辐射事件发生时的快速、高通量剂量评估是核事故医学应急响应首要解决的问题之一。大量的实验研究和临床应用证明,外周血淋巴细胞是反映电离辐射损伤的良好指标,淋巴细胞的染色体畸变分析是辐射生物剂量估算的首选指标。用于生物剂量估算的染色体畸变主要有dic (双着丝粒体)、r(着丝粒环)和ace(无着丝粒畸变)。在正常个体受照的淋巴细胞中,dic的剂量反应几乎不受年龄和性别的影响,在活体和离体照射时,对dic的剂量反应无显著性差异,本底率又低(0.03%左右),在体内存留时间较长,其形态特殊易于识别,所以dic是估算生物剂量的最好指标。在生物剂量估算时,其可信程度取决于从标本中观察到的畸变数以及所分析的细胞数。为了增加剂量估算的可信度,在大剂量照射情况(人员受到2Gy以上照射)时,每例至少要分析100~200 个细胞;而在小剂量照射情况(一次受照0.5Gy以下)时,每例至少需要分析500个中期分裂细胞,人工分析约需要2~3天。可见,一旦发生突发性核事件,在短期内完成较大受照人群的染色体畸变分析是困难的,难以满足大规模核辐射事件中快速、高通量剂量评估的需求。
双着丝粒染色体分析作为生物剂量估算的金标准,目前分析方法主要有人工分析、半自动分析、以及自动分析等方法;但是人工分析以及半自动分析需要耗费大量的人力资源,估算效率低、可信度较差等;一
因此,需要新的方法和技术,以至少部分克服现有技术中存在的问题。
发明内容
为此,本发明旨在基于人工智能,提出一种用于生物剂量估算的双着丝粒体自动识别方法和系统,以期助力提高生物剂量估算效率、可信度等。
染色体的尺度不一,且存在弯曲、联结、交叉、断裂等多种变形,难以找到单一特征用来准确判断染色体是否为双着丝粒体,例如,双着丝粒染色体最主要的特征是必须包含两个自然收腰的着丝点,但是该特征没有特别精确的判别准则,难以用确定性函数描述。针对这种复杂目标检测的情况,本发明根据不同的目标特征,采用了模糊隶属度函数来描述每个染色体属于双着丝粒染色体的程度,并设定双着丝粒染色体的判定阈值。研究发现,组合染色体的多种图像特征联合检测,能够提高检测结果准确率。
根据本发明的一方面,提供一种用于生物剂量估算的双着丝粒染色体自动识别方法,包括
1)获取样本染色体的图像,并对图像进行预处理;
2)对图像进行阈值分割,并将图像转换为二值图像,以将图像中染色体与背景分离;
3)对图像中的染色体进行标记;
4)将标记的染色体图像输入卷积神经网络模型,以确定候选染色体,以及
5)基于以下模糊隶属度函数模型处理所述候选染色体,确定双着丝粒体的模糊隶属度函数F(x),以识别双着丝粒染色体:
其中,fi(x)为候选染色体的子特征模糊隶属度函数;x为子特征,包括着丝点的位置、宽度和染色体的尺度。
根据本发明的实施方案,步骤1)的预处理包括采用中值滤波法,消除椒盐噪声,并保护图像的边界信息。
根据本发明的实施方案,步骤2)中,采用自动阈值分割法OTSU进行阈值分割。
根据本发明的实施方案,步骤3)中,利用八连通区域标记法对二值图像进行标记处理。
根据本发明的实施方案,步骤3)还包括对每个连通区域进行尺度检测,删除尺寸少于400个像素以及尺寸超过1920个像素的连通区域。
根据本发明的实施方案,步骤4)包括训练识别仅包含一个染色体的连通区域的第一微型卷积神经网络以及训练识别包含多个或半个染色体的连通区域的第二微型卷积神经网络,被第一微型卷积神经网络识别且被第二微型卷积神经网络拒绝的连通区域被确定为候选染色体。
根据本发明的实施方案,步骤5)中,包括对候选染色体图像进行适度旋转预处理,以调整候选染色体均处于基本相同的角度。
根据本发明的实施方案,步骤5)中,模糊隶属度函数F(x)包括三个子特征模糊隶属度函数f1(x)、f2(x)和f3(x),分别定义着丝点的位置、宽度和染色体的尺度特征,其中:
其中,x是染色体的像素数。
根据本发明的另一方面,还提供一种用于生物剂量估算的双着丝粒染色体自动识别系统,包括:
一个或多个处理器;以及
存储器,所述存储器存储有可由所述一个或多个处理器执行的指令,所述指令使得所述自动识别系统执行根据本发明所述的自动识别方法。
针对本研究所用染色体图像的特点,首先对输入图像进行预处理,提高图像质量;然后对图像进行阈值分割,将图像变换为二值图像,将染色体与背景分离;接着采用八连通标识法对二值图像进行处理,对连通区域进行编号;通过卷积神经网络算法,确定候选染色体;最后基于模糊逻辑的双着丝点识别算法,实现双着丝粒染色体的自动识别,提高了识别效率和准确度,能够实现大于85%的识别率。
附图说明
图1为根据本发明的实施方案的用于生物剂量估算的双着丝粒染色体自动识别方法的流程示意图;
图2(a)和2(b)为根据本发明的实施方案的用于生物剂量估算的双着丝粒染色体自动识别方法的图像中值滤波处理结果图;
图3为根据本发明的实施方案的用于生物剂量估算的双着丝粒染色体自动识别方法的染色体图像二值化处理结果图;
图4为根据本发明的实施方案的用于生物剂量估算的双着丝粒染色体自动识别方法的连通区域标记处理结果图;
图5为根据本发明的实施方案的用于生物剂量估算的双着丝粒染色体自动识别方法的染色体图像旋转处理示意图;
图6为根据本发明的实施方案的用于生物剂量估算的双着丝粒染色体自动识别方法的染色体区域划分示意图;
图7为根据本发明的实施方案的用于生物剂量估算的双着丝粒染色体自动识别方法的双着丝粒染色体识别结果图。
具体实施方式
根据附图以及下述实施例,可以更好地理解本发明。然而,本领域的技术人员容易理解,实施例所描述的内容仅用于说明本发明,而不应当也不会限制本发明。
图1为根据本发明的一个实施方案的用于生物剂量估算的双着丝粒染色体自动识别方法的流程示意图。如图所示,所述方法首先可以包括获取样品染色体图像。例如样品可以是人体外周血,经过适当的处理,利用显微镜获得的淋巴细胞染色体中期分裂相显微图像。当然也可以是其他合适的图像,本领域普通技术人员熟知这样的染色体标准图片的制备,因此并不赘述。
接着,对获取的图像进行预处理。受染色体标准片制备过程中染料质量不稳定、分布不均匀,以及成像系统噪声被放大等因素的影响,可能导致染色体图像引入一定数量的噪声,使得图像变得模糊。这会直接影响双着丝粒染色体的自动识别精度,因此可以对图像进行预处理,尽量减少噪声对图像后续处理的干扰。
可以采用中值滤波算法,消除椒盐噪声,并保护图像的边界信息。本实施方案采用5×5模板的中值滤波器,逐次将模板中心对应到图像的每个像素上,将模板图像覆盖的像素的中值作为当前像素的输出值。根据该实施方案的中值滤波处理结果如图2所示。经过中值滤波处理后,提高了图像的清晰度,改善了图像质量。
然后对图像进行阈值分割与二值化处理。可以通过最大限度地提高明、暗像素的类间方差与类内方差比值的方式来选择明、暗像素的灰度分割阈值。OTSU算法作为一种自动的无参数无监督的分类算法,对图像有很强的自适应性。因此,实施方案利用自动阈值分割算法OTSU,对染色体图像进行进一步的处理。更具体地,采用自动阈值分割算法对随机选择50张图像分别求得分割阈值,取中值87作为图像集的分割阈值。然后将图像进行从上到下,从左到右的扫描;如果像素值大于或等于分割阈值,那么将该像素的灰度值设为255;否则,设为0。二值化处理可以将图像中染色体与背景分离,例如白色区域代表染色体,黑色区域代表背景,染色体图像二值化结果如图3所示。
对图像中的染色体进行标记。为了识别双着丝粒染色体,确定哪一条染色体有双着丝点,因此需要对图像中的染色体进行标记。本实施方案可以采用八连通区域标记算法或者其他合适的方法。
以八连通区域标记算法为例,在染色体二值图像中,相互连通的白像素(像素值为255)的集合成为一个区域。通过对每个区域进行标记操作,求得图像中区域的数目。首先按照图像扫描的原则,从左到右,从上到下,依次检测每个像素,如果发现某像素点像素值为255,则依次检测该点的左上、正上、右上及左前点共4个点的像素值,进行连通性判断,并进行标记。由于在图像的预处理程序之后,图像中仍可能存在部分的噪声,有些噪声可能被标记为区域,因此需要对被标记的噪声进行删除。更具体地,对每个连通区域进行尺度检测,当染色体尺寸少于400个像素时,无法形成可识别的双着丝粒体;而最大的染色体尺寸也不超过1920个像素。因此,根据上述原则,消除许多小尺度的噪声块和所有大尺度的噪声球。然后,按照上述算法,对图像重新区域标记。结果如图4所示。从结果中可以看出,图像中的连通区域都具有唯一且连续的标记值,标记值的最大值为图像连通区域的数目。
在标记之后,将标记的染色体图像输入卷积神经网络模型,以确定候选染色体。卷积神经网络是一种深度前馈人工神经网络,可以进行图像处理。
由于存在分离、交叉、粘连等现象,一个连通区域既可能是一个染色体,也可能是半个染色体,还可能是多个染色体。双着丝粒体检测只是针对包含一个染色体的连通区域,对于包含多或半个染色体的连通区域将会产生许多错检,应预先删除。本实施方案中选择训练两个微型的卷积神经网络来实现这个目的。首先,可以训练一个微型卷积神经网络识别仅包含一个染色体的连通区域,然后可以训练另一个微型卷积神经网络识别包含多个或半个染色体的连通区域。只有被第一个网络识别且被第二个网络拒绝的连通区域,才被认为是候选染色体。
因标记的训练数据集较少,而且用于训练和识别的图像块比较简单,所以这两个卷积神经网络的结构很小。另外,因为图像中染色体的分辨率差别不大,因此这两个神经网络的卷积层可以仅需10个尺度的卷积核,池化层采用最大值采样即可。由于网络规模很小,层间权值可以采用全连接,最后的Softmax层可以仅需2维。在训练数据较多的情况下,也可以直接采用随机初始化网络权值。针对训练数据较少的情况,实施方案可以先用其它的二分类图像对随机初始的网络权值进行预训练,再用训练数据集对其进行二次训练。
最后,基于模糊隶属度函数模型处理所述候选染色体,以识别双着丝粒染色体。
考虑到用确定性函数不适用于准确判断双着丝粒染色体,本实施方案基于模糊逻辑理论,定义了模糊隶属度函数来描述每个染色体属于双着丝粒染色体的程度。定义的双着丝粒染色体模糊隶属度函数是由多个特征的模糊隶属度函数组成,每个对应一个子特征,描述该染色体具备这个特征的程度,将所有子特征模糊隶属度值相乘得到该染色体的模糊隶属度值,如式(1)所示。实施方案中定义的三个模糊隶属度函数f1(x)、 f2(x)和f3(x)分别描述了着丝点的位置、宽度和染色体的尺度特征,并综合形成了双着丝粒体的模糊隶属度函数F(x)。
为方便双着丝点的识别,可以将候选染色体进行适度旋转预处理,调整候选染色体均处于几乎相同的角度,利于后续统一检测处理。具体实现过程为,首先测量每个候选染色体图像块的长度和宽度,计算出候选染色体的倾斜角度θ,然后采用最近邻插值将该图像块旋转-θ度,使得全体图像块中的候选染色体均处于近似水平的状态。染色体旋转示意图如图5所示。
对于每个候选染色体图像块,分别提取候选染色体的上背景和下背景,分别统计它们在每个坐标点的高度ht(n)和hb(n),其中n为像素横坐标值,ht(n)、hb(n)为像素纵坐标值。上部红色区域为候选染色体的上背景,下部蓝色区域为候选染色体的下背景,中部白色区域为候选染色体,中部黑色区域为候选染色体内的间隙,如图6所示。
按照下列公式2和公式3对高度值ht(n)和hb(n)进行加权模糊:
hb(i-2)+hb(i-1)×2+hb(i)×4+hb(i+1)×2+hb(i+2)=Hb(i) (2)
ht(i-2)+ht(i-1)×2+ht(i)×4+ht(i+1)×2+ht(i+2)=Ht(i) (3)
分别求Ht(i)和Hb(i)的极值点,作为染色体的候选着丝点。真实的染色体着丝点两侧必定存在着上、下背景的峰值点,必然存在着相互配对的Ht(i0)和Hb(i1)极值点与之对应,且两坐标i0和i1之间的距离非常小。本实施方案限定的染色体着丝点的模糊隶属度函数f1(x),如公式(4)所示:
Ht(i0)和Hb(i1)按照i的值顺序匹配,若遇1配多或者是多配多的情况,则能使模糊隶属度函数f1(x)取得极大值的i0和i1值,被认定为染色体着丝点的上、下背景极值点横坐标。例如,当|i0-i1|≥6时该收腰点模糊隶属度 f1(x)的值小于0.05;为简化计算,例如实施例中可以设定距离阈值为6,只把距离小于阈值的着丝点被认定为候选着丝点,其余候选着丝点直接淘汰。可见,模糊隶属度函数f1(x)约束了丝点在X方向上的位置。另外,判断染色体着丝点是否自然收腰,需确定Ht(i0)和Hb(i1)是否为递增式极值点。真实的双着丝粒体着丝点中的上、下背景极值点都是递增式极值点,突变式极值点一般是含噪声或变异的染色体。
为识别双着丝点,实施方案定义了模糊隶属度函数f2(x)来统一描述基于宽度(Y方向)特征的染色体收腰点属于着丝点的程度,如公式(5)、 (6)所示:
其中,K是染色体图像块的高度。例如,可以设定两极值点纵坐标 Ht(i0)和Hb(i1)的高度差上限是15,下限是5,此时f2(x)隶属度函数值近似为0.05。所有超出这个高度差范围的候选着丝点的f2(x)均小于0.05,可以直接排除这些候选着丝点。
在待检测图片中可能含有许多染色体粘连现象,两个单着丝粒染色体粘连一起容易被误认为是一个双着丝粒染色体。另外,包含两个或多个染色体的粘连体尺度相对较大。因此,通过定义尺度模糊隶属度函数 f3(x),来约束双着丝粒染色体的尺度大小,如式(7)所示:
其中x是染色体的像素数。例如,可以设定尺度上限是1882,下限是438,所有超出这个尺度范围的染色体的f3(x)隶属度函数值均小于 0.05。
因此,可以选择0.000125作为着丝点的隶属度函数的阈值,所有超过阈值的候选点均被认为是着丝点,所有包含2个着丝点的图像块均被认为是含有双着丝粒染色体的图像块。
为了验证本发明所提的双着丝粒体识别方法的实际效果,应用上述方法对三万余张染色体图像进行了测试。识别结果如图7所示。结果表明,与人工识别方法相比,该方法能够实现了超过85%的识别率,也即,本发明的方法在双着丝粒染色体自动识别方面具有良好的效果,为双着丝粒染色体自动识别提供了一种可靠、有效的方法。
本发明实施方案还提供了用于生物剂量估算的双着丝粒染色体自动识别系统,该系统可以包括一个或多个处理器;以及存储器,所述存储器存储有可由所述一个或多个处理器执行的指令,所述指令使得所述自动识别系统执行根据本发明所述的自动识别方法。
本发明的实施方案实现了双着丝粒染色体自动识别,可用于生物剂量估算,提高了双着丝粒染色体识别效率,节约了人工成本和时间成本,大大提高了生物剂量估算效率。
以上给出了具体的实施方式,但本发明不局限于以上所描述的实施方式。本发明的基本思路在于上述基本方案,对本领域普通技术人员而言,根据本发明的教导,设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变形仍落入本发明的保护范围内。
Claims (9)
2.根据权利要求1所述的用于生物剂量估算的双着丝粒染色体自动识别方法,其中,步骤1)的预处理包括采用中值滤波法,消除椒盐噪声,并保护图像的边界信息。
3.根据权利要求1所述的用于生物剂量估算的双着丝粒染色体自动识别方法,步骤2)中,采用自动阈值分割法OTSU进行阈值分割。
4.根据权利要求1所述的用于生物剂量估算的双着丝粒染色体自动识别方法,步骤3)中,利用八连通区域标记法对二值图像进行标记处理。
5.根据权利要求4所述的用于生物剂量估算的双着丝粒染色体自动识别方法,步骤3)还包括对每个连通区域进行尺度检测,删除尺寸少于400个像素以及尺寸超过1920个像素的连通区域。
6.根据权利要求4所述的用于生物剂量估算的双着丝粒染色体自动识别方法,步骤4)包括训练识别仅包含一个染色体的连通区域的第一微型卷积神经网络以及训练识别包含多个或半个染色体的连通区域的第二微型卷积神经网络,被第一微型卷积神经网络识别且被第二微型卷积神经网络拒绝的连通区域被确定为候选染色体。
7.根据权利要求1所述的用于生物剂量估算的双着丝粒染色体自动识别方法,步骤5)中,包括对候选染色体图像进行适度旋转预处理,以调整候选染色体均处于基本相同的角度。
9.一种用于生物剂量估算的双着丝粒染色体自动识别系统,包括:
一个或多个处理器;以及
存储器,所述存储器存储有可由所述一个或多个处理器执行的指令,所述指令使得所述自动识别系统执行根据权利要求1至8中任一项所述的自动识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305750.4A CN115331219B (zh) | 2022-03-24 | 2022-03-24 | 一种用于生物剂量估算的双着丝粒体自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305750.4A CN115331219B (zh) | 2022-03-24 | 2022-03-24 | 一种用于生物剂量估算的双着丝粒体自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115331219A true CN115331219A (zh) | 2022-11-11 |
CN115331219B CN115331219B (zh) | 2023-05-23 |
Family
ID=83915985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210305750.4A Active CN115331219B (zh) | 2022-03-24 | 2022-03-24 | 一种用于生物剂量估算的双着丝粒体自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115331219B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07222582A (ja) * | 1994-02-09 | 1995-08-22 | Nikon Corp | 染色体異常検出装置 |
US20200050831A1 (en) * | 2018-08-07 | 2020-02-13 | Peter Keith Rogan | Smart Microscope System for Radiation Biodosimetry |
CN111986183A (zh) * | 2020-08-25 | 2020-11-24 | 中国科学院长春光学精密机械与物理研究所 | 一种染色体散型图像自动分割识别系统及装置 |
CN113537182A (zh) * | 2021-09-17 | 2021-10-22 | 北京慧荣和科技有限公司 | 染色体中期分裂相显微图像的自动识别方法与系统 |
CN113658174A (zh) * | 2021-09-02 | 2021-11-16 | 北京航空航天大学 | 基于深度学习和图像处理算法的微核组学图像检测方法 |
-
2022
- 2022-03-24 CN CN202210305750.4A patent/CN115331219B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07222582A (ja) * | 1994-02-09 | 1995-08-22 | Nikon Corp | 染色体異常検出装置 |
US20200050831A1 (en) * | 2018-08-07 | 2020-02-13 | Peter Keith Rogan | Smart Microscope System for Radiation Biodosimetry |
CN111986183A (zh) * | 2020-08-25 | 2020-11-24 | 中国科学院长春光学精密机械与物理研究所 | 一种染色体散型图像自动分割识别系统及装置 |
CN113658174A (zh) * | 2021-09-02 | 2021-11-16 | 北京航空航天大学 | 基于深度学习和图像处理算法的微核组学图像检测方法 |
CN113537182A (zh) * | 2021-09-17 | 2021-10-22 | 北京慧荣和科技有限公司 | 染色体中期分裂相显微图像的自动识别方法与系统 |
Non-Patent Citations (1)
Title |
---|
XIANG SHEN ET AL.: "A dicentric chromosome identification method based on clustering and watershed algorithm" * |
Also Published As
Publication number | Publication date |
---|---|
CN115331219B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038476B (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
CN106910186B (zh) | 一种基于cnn深度学习的桥梁裂缝检测定位方法 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
CN106340016B (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
Chang et al. | Deep learning based Nucleus Classification in pancreas histological images | |
CN106980852B (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
CN111145176A (zh) | 一种基于深度神经网络的胃癌淋巴结染色病理图像自动识别方法和系统 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
CN111985536A (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN113537182B (zh) | 染色体中期分裂相显微图像的自动识别方法与系统 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN111079620A (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN110119695A (zh) | 一种基于特征融合和机器学习的虹膜活性检测方法 | |
Ge et al. | Coarse-to-fine foraminifera image segmentation through 3D and deep features | |
CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
CN110348320A (zh) | 一种基于多损失深度融合的人脸防伪方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN109191467B (zh) | 一种细胞自噬表型的预测方法及装置 | |
Malon et al. | Identifying histological elements with convolutional neural networks | |
CN113420793A (zh) | 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法 | |
CN115880266B (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
Wang et al. | White blood cell image segmentation based on color component combination and contour fitting |
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 |