CN116758068A - 一种基于人工智能的骨髓图片细胞形态分析方法 - Google Patents
一种基于人工智能的骨髓图片细胞形态分析方法 Download PDFInfo
- Publication number
- CN116758068A CN116758068A CN202311033728.XA CN202311033728A CN116758068A CN 116758068 A CN116758068 A CN 116758068A CN 202311033728 A CN202311033728 A CN 202311033728A CN 116758068 A CN116758068 A CN 116758068A
- Authority
- CN
- China
- Prior art keywords
- cell
- area
- bone marrow
- cells
- artificial intelligence
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 210000001185 bone marrow Anatomy 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 77
- 210000002798 bone marrow cell Anatomy 0.000 description 16
- 238000003745 diagnosis Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 210000003958 hematopoietic stem cell Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011206 morphological examination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 210000004976 peripheral blood cell Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于人工智能的骨髓图片细胞形态分析方法,涉及医学图像处理技术领域,使用能量函数对待骨髓图片中的细胞形态进行分割,对分割出的细胞进行阈值分割,将细胞区域分为亮、暗两个区域,分别对每个独立细胞区域的亮、暗两个区域进行比率计算,进行状态判断,根据细胞状态特征参数计算细胞显著性值,提高了骨髓图片细胞形态分析的准确性。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种基于人工智能的骨髓图片细胞形态分析方法。
背景技术
骨髓形态学检查是血液系统疾病诊断的必要依据,临床检验工作中通过显微镜观察骨髓细胞,对不同发育阶段的、形态正常或异常的各系造血细胞进行分类、计数及形态观察来确定血液系统疾病的诊断及疗效与预后评估。迄今,人工镜检仍是骨髓形态学检查的主要方法,检验过程耗时耗力,效率低下。近年来,人工智能技术在医学领域迅速发展,将人工智能技术与骨髓形态学诊断相结合,有望在血液系统疾病骨髓形态学AI辅助诊断系统的开发方面取得有益成果,提高诊断准确率与工作效率,减轻临床检验工作的压力。
在血液学疾病检测中,骨髓细胞和外周血细胞形态学检测及病理学诊断是其重要的组成部分。目前细胞形态学及病理学诊断,被医学界公认为疾病诊断的重要依据。然而,从医疗现状来看,现有医疗机构细胞形态学的病理学检测依赖于专家医生的主观意识,检测和诊断效率低,成本高。基层医生对骨髓细胞的识别存在较大差异,病人需要转诊或提供骨髓片会诊等方式提高骨髓细胞的判断。
申请号为CN201811168824.4的专利公开了一种基于深度学习的骨髓细胞分类方法及分类装置,其中该方法包括:对骨髓细胞样本图像中的骨髓细胞标注细胞位置以及其分类标签;从骨髓细胞样本图像中提取预设尺寸的具有单一分类标签的图像块样本;构建骨髓细胞分类任务的卷积神经网络,然后利用由图像块样本组成的训练集进行训练,得到骨髓细胞分类模型;将骨髓细胞待测图像切割成预设尺寸的多个测试图像块,将多个测试图像块遍历地输入骨髓细胞分类模型,检测出多个测试图像块中的骨髓细胞边缘,并输出骨髓细胞对应的分类标签以及分类置信概率。其不足之处在于,现有的关于骨髓细胞形态学的检测系统无法对数据是否具有参考性进行判断。
发明内容
为了解决上述技术问题,本发明提出了一种基于人工智能的骨髓图片细胞形态分析方法,包括如下步骤:
S1、使用能量函数对骨髓图片中的细胞形态进行分割,获取细胞轮廓;
S2、提取目标分割区域的所有细胞的灰度,计算阈值,对每个独立细胞区域分为亮、暗两个区域;
S3、分别对每个独立细胞区域的亮、暗两个区域进行比率计算,进行状态判断,并生成细胞状态特征参数;
S4、根据细胞状态特征参数计算细胞显著性值。
进一步地,步骤S1中:
能量函数如下:
;
其中,分别为各项加权系数,/>是常数,/>表示图像的目标分割区域,/>为狄拉克函数,/>为水平集函数;H为阶跃函数,g为图像的边缘检测器函数,x,y分别为目标分割区域像素点坐标,/>为能量梯度值。
进一步地,步骤S3中,
定义细胞区域中暗色区域占独立细胞面积的比率Ea为:
;
其中,Aa表示细胞内暗区域的面积,AC表示独立细胞面积,当Ea大于65%时,认为属于不成熟细胞;
定义细胞区域中亮色区域占独立细胞面积的比率Eg为:
;
其中,AD表示细胞内亮区域的面积,AC表示独立细胞面积,当Eg大于85%时,认为属于成熟细胞。
进一步地,步骤S4中,
根据下式对序列显著性进行计算:
;
其中,tanh为双曲正切函数,b为偏置,at为时刻t时细胞显著性值,为不成熟细胞特征参数,/>为成熟细胞特征参数,w1、w2为权重。
进一步地,基于Faster-RCNN网络深度学习算法识别目标细胞以提取细胞状态特征参数,并计算细胞显著性值。
进一步地,步骤S2中,采用阈值模型T(X,Y)进行阈值分割,方法如下所示:
;
公式中,X,Y为独立细胞区域的像素坐标,阈值模型T(X,Y)=g0(X,Y)+T0;图像g0(X,Y)是对灰度值g(X,Y)的局部补偿,常数T0是图像g0(X,Y)的分割阈值。
相比于现有技术,本发明具有如下有益技术效果:
使用能量函数对待骨髓图片中的细胞形态进行分割,对分割出的细胞进行阈值分割,将细胞区域分为亮、暗两个区域,分别对每个独立细胞区域的亮、暗两个区域进行比率计算,进行状态判断,根据细胞状态特征参数计算细胞显著性值,提高了骨髓图片细胞形态分析的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于人工智能的骨髓图片细胞形态分析方法流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本发明的具体实施例附图中,为了更好、更清楚的描述系统中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示,为本发明的基于人工智能的骨髓图片细胞形态分析方法流程图,包括如下步骤:
S1、使用能量函数对骨髓图片中的细胞形态进行分割,获取细胞轮廓。
使用能量函数来获取细胞轮廓,能量函数如下:
;
其中,分别为各项加权系数,/>是常数,/>表示图像的目标分割区域,/>为狄拉克函数,/>为水平集函数;H为阶跃函数,g为图像的边缘检测器函数,x,y分别为目标分割区域像素点坐标,/>为能量梯度值。
S2、提取目标分割区域的所有细胞的灰度,计算阈值,对每个独立细胞区域分为亮、暗两个区域。
采用阈值模型T(X,Y)进行阈值分割,方法如下所示:
;
公式中,X,Y为独立细胞区域的像素坐标,阈值模型T(X,Y)=g0(X,Y)+T0;图像g0(X,Y)是对灰度值g(X,Y)的局部补偿,常数T0是图像g0(X,Y)的分割阈值。
优选地采用迭代法确定最佳分割阈值T0。具体地,使用分割阈值T0分割独立细胞区域图像,独立细胞区域图像像素的灰度值大于等于T0的像素区域记作g1,小于T0的区域记作g2。
计算g1和g2区域内的灰度方差,分别对应记为u1和u2;
更新分割阈值T0,公式为:
T0=1/2×(u1-u2)2;
计算类间方差,公式为:
;
其中,,/>为区域g1的面积占图像的面积比,/>为区域g2的面积占降噪图像的面积比。
重复上述过程,直到连续迭代中T0的使得最小为止,得到最佳分割阈值,从而实现ROI区域分割。
S3、分别对每个独立细胞区域的亮、暗两个区域进行比率计算,进行状态判断,并生成细胞状态特征参数。
定义细胞区域中暗色区域占独立细胞面积的比率Ea为:
;
其中,Aa表示细胞内暗区域的面积,AC表示独立细胞面积。
当Ea大于65%时,认为属于不成熟细胞,并定义不成熟细胞特征参数为:
;
定义细胞区域中亮色区域占独立细胞面积的比率Eg为:
;
其中,AD表示细胞内暗区域的面积,AC表示独立细胞面积。
当Eg大于85%时,认为属于成熟细胞,并定义成熟细胞特征参数为:
。
需要强调的是,Ea不完全等于1-Eg,独立细胞区域内还存在中间亮度区域或模糊区域,该些区域难以识别,只能通过暗区域和亮区域来进行状态分辨。
S4、根据细胞状态特征参数计算细胞显著性值。
根据下式对细胞显著性进行计算:
;
其中,tanh为双曲正切函数,b为偏置,at为时刻t时细胞显著性值,为不成熟细胞特征参数,/>为成熟细胞特征参数,w1、w2为权重。
在优选实施例中,上述细胞形态分析方法可采用图像分析系统对采集到的不同类型的骨髓显微图像进行图像识别与数据处理,基于Faster-RCNN网络深度学习算法识别目标细胞以获得骨髓形态学相关参数,即细胞状态特征参数及细胞显著性值。
图像分析系统所使用的深度学习算法为Faster-RCNN网络,由四个模块组成。第一个模块是主干网络,优选采用VGG或者ResNet深度网络,去除最后面用于分类的全连接层,用于细胞状态特征参数提取。
第二个模块是候选框生成网络,用于生成细胞显著性值的目标候选框。
第三个模块是ROI池化,将前两个模块结合,将不同大小的目标候选框提取同一尺寸的特征图,并送入最后一个模块。
第四个模块是分类和回归网络。将输入的特征分别加入分类和回归网络,分类网络将预测目标的类别,回归网络将对候选框的位置做调整。
在进行判断时,构建基于Faster-RCNN的骨髓有核细胞人工智能识别模型,识别一个高倍镜视野面积中的有核细胞并计数,判断病例的骨髓增生程度。通过Faster-RCNN网络可以计算出细胞显著性值,并根据细胞显著性值判断骨髓图片状态及程度。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于人工智能的骨髓图片细胞形态分析方法,其特征在于,包括如下步骤:
S1、使用能量函数对骨髓图片中的细胞形态进行分割,获取细胞轮廓;
S2、提取目标分割区域的所有细胞的灰度,计算阈值,对每个独立细胞区域分为亮、暗两个区域;
S3、分别对每个独立细胞区域的亮、暗两个区域进行比率计算,进行状态判断,并生成细胞状态特征参数;
S4、根据细胞状态特征参数计算细胞显著性值。
2.根据权利要求1所述的基于人工智能的骨髓图片细胞形态分析方法,其特征在于,步骤S1中:
所述能量函数如下:
;
其中,分别为各项加权系数,/>是常数,/>表示图像的目标分割区域,/>为狄拉克函数,/>为水平集函数;H为阶跃函数,g为图像的边缘检测器函数,x,y分别为目标分割区域像素点坐标,/>为能量梯度值。
3.根据权利要求1所述的基于人工智能的骨髓图片细胞形态分析方法,其特征在于,步骤S3中,
定义独立细胞区域中暗色区域占独立细胞面积的比率Ea为:
;
其中,Aa表示细胞内暗区域的面积,AC表示独立细胞面积,当Ea大于65%时,认为属于不成熟细胞,并定义不成熟细胞特征参数为:
;
定义细胞区域中亮色区域占独立细胞面积的比率Eg为:
;
其中,AD表示细胞内亮区域的面积,AC表示独立细胞面积,当Eg大于85%时,认为属于成熟细胞,并定义成熟细胞特征参数为:
。
4.根据权利要求3所述的基于人工智能的骨髓图片细胞形态分析方法,其特征在于,步骤S4中,
根据下式对细胞显著性进行计算:
;
其中,tanh为双曲正切函数,b为偏置,at为时刻t时细胞显著性值,为不成熟细胞特征参数,/>为成熟细胞特征参数,w1、w2为权重。
5.根据权利要求1所述的基于人工智能的骨髓图片细胞形态分析方法,其特征在于,基于Faster-RCNN网络深度学习算法识别目标细胞以提取细胞状态特征参数,并计算细胞显著性值。
6.根据权利要求1所述的基于人工智能的骨髓图片细胞形态分析方法,其特征在于,步骤S2中,采用阈值模型T(X,Y)进行阈值分割,方法如下所示:
;
公式中,X,Y为独立细胞区域的像素坐标,阈值模型T(X,Y)=g0(X,Y)+T0;图像g0(X,Y)是对灰度值g(X,Y)的局部补偿,常数T0是图像g0(X,Y)的分割阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033728.XA CN116758068B (zh) | 2023-08-17 | 2023-08-17 | 一种基于人工智能的骨髓图片细胞形态分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033728.XA CN116758068B (zh) | 2023-08-17 | 2023-08-17 | 一种基于人工智能的骨髓图片细胞形态分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758068A true CN116758068A (zh) | 2023-09-15 |
CN116758068B CN116758068B (zh) | 2023-11-07 |
Family
ID=87948173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311033728.XA Active CN116758068B (zh) | 2023-08-17 | 2023-08-17 | 一种基于人工智能的骨髓图片细胞形态分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758068B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331892A (zh) * | 2014-11-05 | 2015-02-04 | 南京理工大学 | 一种基于形态学的神经元识别与分析方法 |
CN107730499A (zh) * | 2017-10-31 | 2018-02-23 | 河海大学 | 一种基于nu‑支持向量机的白细胞分类方法 |
CN108288032A (zh) * | 2018-01-08 | 2018-07-17 | 深圳市腾讯计算机系统有限公司 | 动作特征获取方法、装置及存储介质 |
CN108682008A (zh) * | 2018-05-07 | 2018-10-19 | 江苏康尚生物医疗科技有限公司 | 一种白细胞图像清晰度评价方法及装置 |
CN112292697A (zh) * | 2018-04-13 | 2021-01-29 | 弗里诺姆控股股份有限公司 | 用于生物样品的多分析物测定的机器学习实施方式 |
CN113408480A (zh) * | 2021-07-13 | 2021-09-17 | 上海交通大学医学院附属瑞金医院 | 基于骨髓细胞形态学的血液疾病人工智能辅助诊断系统 |
CN115144392A (zh) * | 2021-03-29 | 2022-10-04 | 深圳迈瑞生物医疗电子股份有限公司 | 细胞图像分析系统和计算机可读存储介质 |
CN115999467A (zh) * | 2022-12-13 | 2023-04-25 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种用于纳米药物制剂的制备装置及其使用方法 |
CN116472335A (zh) * | 2020-06-25 | 2023-07-21 | 克维拉公司 | 用于对微集落中生长的微生物细胞进行分类的系统和方法 |
-
2023
- 2023-08-17 CN CN202311033728.XA patent/CN116758068B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331892A (zh) * | 2014-11-05 | 2015-02-04 | 南京理工大学 | 一种基于形态学的神经元识别与分析方法 |
CN107730499A (zh) * | 2017-10-31 | 2018-02-23 | 河海大学 | 一种基于nu‑支持向量机的白细胞分类方法 |
CN108288032A (zh) * | 2018-01-08 | 2018-07-17 | 深圳市腾讯计算机系统有限公司 | 动作特征获取方法、装置及存储介质 |
CN112292697A (zh) * | 2018-04-13 | 2021-01-29 | 弗里诺姆控股股份有限公司 | 用于生物样品的多分析物测定的机器学习实施方式 |
CN108682008A (zh) * | 2018-05-07 | 2018-10-19 | 江苏康尚生物医疗科技有限公司 | 一种白细胞图像清晰度评价方法及装置 |
CN116472335A (zh) * | 2020-06-25 | 2023-07-21 | 克维拉公司 | 用于对微集落中生长的微生物细胞进行分类的系统和方法 |
CN115144392A (zh) * | 2021-03-29 | 2022-10-04 | 深圳迈瑞生物医疗电子股份有限公司 | 细胞图像分析系统和计算机可读存储介质 |
CN113408480A (zh) * | 2021-07-13 | 2021-09-17 | 上海交通大学医学院附属瑞金医院 | 基于骨髓细胞形态学的血液疾病人工智能辅助诊断系统 |
CN115999467A (zh) * | 2022-12-13 | 2023-04-25 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种用于纳米药物制剂的制备装置及其使用方法 |
Non-Patent Citations (1)
Title |
---|
张剑华 等: "相差显微图像下的癌细胞状态检测", 《计算机科学》, vol. 43, no. 5, pages 298 - 303 * |
Also Published As
Publication number | Publication date |
---|---|
CN116758068B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
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 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
Tosta et al. | Segmentation methods of H&E-stained histological images of lymphoma: A review | |
CN110021425B (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
EP1699016A2 (en) | Method and apparatus for automated analysis of biological specimen | |
CN111079620B (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 | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
WO2022109295A1 (en) | System and method for detecting and classifying abnormal cells | |
CA3196713A1 (en) | Critical component detection using deep learning and attention | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 | |
Chen et al. | A novel graphical model approach to segmenting cell images | |
CN116912240B (zh) | 基于半监督学习的突变tp53免疫学检测方法 | |
Taher et al. | Identification of lung cancer based on shape and color | |
Saxena et al. | Study of Computerized Segmentation & Classification Techniques: An Application to Histopathological Imagery | |
CN116758068B (zh) | 一种基于人工智能的骨髓图片细胞形态分析方法 | |
CN114170415A (zh) | 基于组织病理图像深度域适应的tmb分类方法及系统 | |
CN114742803A (zh) | 一种结合深度学习与数字图像处理算法的血小板聚集检测方法 | |
CN113139928A (zh) | 肺结节检测模型的训练方法和肺结节检测方法 | |
Kaoungku et al. | Colorectal Cancer Histology Image Classification Using Stacked Ensembles | |
CN115100187B (zh) | 一种基于联邦学习的青光眼图像检测方法 | |
CN117496276B (zh) | 肺癌细胞形态学分析、识别方法及计算机可读存储介质 |
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 |