CN117253228B - 一种基于核像距离内编码的细胞团簇空间约束方法及系统 - Google Patents
一种基于核像距离内编码的细胞团簇空间约束方法及系统 Download PDFInfo
- Publication number
- CN117253228B CN117253228B CN202311506465.XA CN202311506465A CN117253228B CN 117253228 B CN117253228 B CN 117253228B CN 202311506465 A CN202311506465 A CN 202311506465A CN 117253228 B CN117253228 B CN 117253228B
- Authority
- CN
- China
- Prior art keywords
- kernel
- cell clusters
- cell
- features
- space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 230000008689 nuclear function Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 83
- 230000008569 process Effects 0.000 claims description 48
- 238000005457 optimization Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 230000001413 cellular effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims 3
- 238000010191 image analysis Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
Abstract
本发明提供了一种基于核像距离内编码的细胞团簇空间约束方法及系统，属于细胞图像分析技术领域，对拥有组织病理学细胞团簇的细胞图像，利用至少两种不同的提取方法进行细胞特征提取；对提取的特征进行归一化处理，对归一化后的不同特征进行组合，得到综合的特征表示；使用局域核核函数计算每两个细胞特征在核空间中的核像距离；基于所述核像距离计算结果，利用核岭回归算法生成细胞团簇的内编码；利用空间约束方法对内编码进行约束，以保持细胞团簇的合理空间布局，并根据约束后的细胞团簇进行评估分析，确保细胞团簇之间的距离、方向或/和形状关系满足预定义的约束条件。本发明可以实现对细胞团簇进行精确分类，并保持细胞团簇的合理空间布局。
Description
技术领域
本发明属于细胞图像分析技术领域，涉及一种基于核像距离内编码的细胞团簇空间约束方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
细胞团簇空间约束是在细胞图像分析中的一种重要技术。在分析普通染色的细胞切片图像时，细胞团簇空间约束的目的是为了更准确、更有效地进行细胞分割和组织结构分析。
目前主要有以下相关技术：
基于图像分割的方法：这些方法主要基于图像分割算法，如区域生长、基于边缘的分割、基于阈值的分割等，通过考虑细胞的空间分布和像素相似性来实现细胞团簇的分割。
基于深度学习的方法：使用卷积神经网络（CNN）等深度学习模型，可以自动学习细胞的特征表示，并结合空间信息进行细胞团簇的分割和识别。
基于图论的方法：这些方法将细胞图像中的像素或区域看作图的节点，细胞之间的空间关系作为图的边，通过图论算法进行细胞团簇的分割和组织结构分析。
基于纹理特征的方法：纹理特征描述了图像中的局部空间结构，可以辅助细胞团簇的分割和组织结构分析。
上述方法面临以下问题：数据质量问题，如染色不均匀、图像模糊和伪影，可能导致分割和分析的不准确性；数据多样性带来了对算法适应性和泛化能力的要求，不同组织类型和病理状态下的细胞图像差异较大；细胞团簇的大小和密度可能因组织类型和病理状态而异，较小或较密集的细胞团簇可能更具挑战性；一些高级算法，尤其是深度学习方法，可能需要较大的计算资源和时间；对于一些方法，需要调整参数，不同参数可能会对结果产生影响，参数的选择需要经验和实验。
尽管目前有许多与细胞团簇空间约束相关的技术，但在实际应用中仍然需要综合考虑数据质量、数据多样性和计算复杂性等因素，并对算法进行适当的调优，以实现准确、高效的细胞图像分析。
发明内容
本发明为了解决上述问题，提出了一种基于核像距离内编码的细胞团簇空间约束方法及系统，本发明可以实现对细胞团簇进行精确分类，并保持细胞团簇的合理空间布局。
根据一些实施例，本发明采用如下技术方案：
一种基于核像距离内编码的细胞团簇空间约束方法，包括以下步骤：
对拥有组织病理学细胞团簇的细胞图像，利用至少两种不同的提取方法进行细胞特征提取；
对提取的特征进行归一化处理，对归一化后的不同特征进行组合，得到综合的特征表示；
使用局域核核函数计算每两个细胞特征在核空间中的核像距离；
基于所述核像距离计算结果，利用核岭回归算法生成细胞团簇的内编码；
利用空间约束方法对内编码进行约束，以保持细胞团簇的合理空间布局，并根据约束后的细胞团簇进行评估分析，确保细胞团簇之间的距离、方向或/和形状关系满足预定义的约束条件。
作为可选择的实施方式，所述两种不同的提取方法为分别通过用多尺度特征提取与纹理特征统计中的小波系数统计特征方法对细胞进行特征提取；
其中，所述多尺度特征提取方法对细胞进行特征提取的过程包括：
对获取的图像进行预处理，利用尺度空间分析方法，使用拉普拉斯金字塔对预处理后的图像进行尺度空间表示，在每个尺度下，利用Gabor滤波器从图像中提取细胞的纹理特征，将上述过程得到的多尺度特征和Gabor滤波器提取的纹理特征进行融合，形成细胞团簇的综合特征向量或特征矩阵；
利用小波系数统计特征方法对拥有组织病理学细胞团簇的细胞图像的具体过程包括：
对获取的图像进行预处理，应用小波变换对预处理后的图像进行频域分解，将图像分解成不同尺度和方向上的小波系数，对于每个尺度和方向上的小波系数，提取感兴趣的纹理特征，将所有小波系数统计特征进行融合，形成细胞团簇的综合特征向量或特征矩阵。
作为进一步的，所述预处理的过程包括灰度化、去噪处理和调整大小。
作为可选择的实施方式，利用均值-方差归一化或最大-最小归一化方法进行归一化处理。
作为可选择的实施方式，对归一化后的不同特征进行组合时，对不同特征进行加权求和或加权平均，得到综合的特征表示；
所述加权采用基于演化算法的特征加权方法，具体过程包括：
定义适应度函数；
随机或根据经验初始化特征权重的一组参数；
利用演化算法，根据适应度函数的评价结果，更新特征权重参数，对特征权重的参数进行迭代优化，直到满足终止条件判断。
作为可选择的实施方式，使用局域核核函数计算每两个细胞特征在核空间中的核像距离的过程中，使用局部邻域的距离度量作为核函数的输入，通过设置邻域大小或参数来控制相似度计算的范围，局部核函数包括局部高斯核和局部多项式核。
作为可选择的实施方式，利用核岭回归算法生成细胞团簇的内编码的具体过程包括：
基于特征，构建训练数据集；
利用局部高斯核和局部多项式核作为核岭回归的核函数；
根据选定的核函数，计算训练数据集的核矩阵；
选择合适的正则化参数；
使用核矩阵和正则化参数，进行核岭回归模型的训练，且在训练过程中，通过优化目标函数更新模型参数；
使用训练得到的模型，对新的特征进行预测，通过计算输入特征与训练数据之间的核函数值，并结合模型参数，得到对应的预测结果。
作为可选择的实施方式，利用几何形状约束方法，利用几何形状信息来约束细胞团簇的形态特征，具体包括：
从特征数据中提取几何形状特征；
定义几何形状约束，所述几何形状约束包括细胞团簇在空间中的期望位置、大小或/和形状的约束，将定义好的几何约束加入到核像距离内编码过程中，使得在高维特征空间中得到的内编码满足约束条件，在此过程中，引入优化目标函数，将细胞团簇的几何形状约束作为惩罚项加入到优化目标函数中，通过优化方法调整内编码的值，以最小化目标函数，在优化过程中，约束条件会对内编码的值产生约束，保持细胞团簇的合理空间布局。
一种基于核像距离内编码的细胞团簇空间约束系统，包括：
特征提取模块，被配置为对拥有组织病理学细胞团簇的细胞图像，利用至少两种不同的提取方法进行细胞特征提取；
特征组合模块，被配置为对提取的特征进行归一化处理，对归一化后的不同特征进行组合，得到综合的特征表示；
核像距离计算模块，被配置为使用局域核核函数计算每两个细胞特征在核空间中的核像距离；
内编码生成模块，被配置为基于所述核像距离计算结果，利用核岭回归算法生成细胞团簇的内编码；
空间约束模块，被配置为利用空间约束方法对内编码进行约束，以保持细胞团簇的合理空间布局，并根据约束后的细胞团簇进行评估分析，确保细胞团簇之间的距离、方向或/和形状关系满足预定义的约束条件。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述方法中的步骤。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明的核像距离计算模块使用局域核核函数计算细胞特征在核空间中的核像距离，可以将原始特征映射到高维空间，增加了特征的表达能力，更全面地描述细胞团簇的特征。
本发明的内编码生成模块利用核岭回归算法生成细胞团簇的内编码，通过学习核空间中的线性组合，得到更紧凑、区分性的特征表示，有助于减少特征冗余和增强分类效果。
本发明的空间约束模块根据核像距离计算结果对内编码进行约束，保持细胞团簇的合理空间布局。这有助于消除误分割和错误分类，提高细胞团簇的识别准确性和空间一致性。
本发明将特征提取模块和特征组合模块添加到基于核像距离内编码的细胞团簇空间约束系统中，可以提高细胞团簇识别的准确性、鲁棒性和处理速度，优化系统的性能和效率。
本发明将核像距离计算模块、内编码生成模块和空间约束模块整合到一体，形成完整的细胞团簇空间约束系统，能够在统一框架下实现细胞团簇的分割、特征提取、编码和空间约束，实现全流程的自动化分析。
本发明利用核像距离计算模块获得高维特征，内编码生成模块对特征进行学习和优化，空间约束模块保持合理的空间布局，将多维信息融合，有助于细胞图像的多角度分析和细粒度分类。
本发明的整合核像距离计算、内编码生成和空间约束，系统适用于多样化的细胞图像，特别是在组织病理学研究中，对细胞团簇的复杂空间结构分析具有优势。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，一种基于核像距离内编码的组织病理学细胞团簇空间约束方法，包括以下步骤：
步骤（1-1）：对拥有组织病理学细胞团簇的细胞图像进行细胞特征提取，分别用多尺度特征提取与纹理特征统计中的小波系数统计特征方法对细胞进行特征提取。
在本实施例中，首先使用小波变换对图像进行多尺度分解，得到不同尺度下的小波系数。对每个尺度下的小波系数进行统计特征提取，例如均值、方差、能量等。这些统计特征可以用来描述图像的纹理特征。对于每个统计特征，可以在不同尺度上进行聚合，计算每个统计特征在不同尺度上的均值、方差等，以得到综合的多尺度纹理特征。
从每个尺度下的小波系数中提取感兴趣的小波系数。对提取的小波系数进行统计分析，计算小波系数的统计特征，如均值、方差、能量、熵等。将计算得到的小波系数统计特征表示为特征向量或特征矩阵。
利用多尺度特征提取对拥有组织病理学细胞团簇的细胞图像的具体过程：
在对拥有组织病理学细胞团簇的细胞图像进行特征提取的过程中，首先需要对图像进行预处理，包括图像的灰度化、去噪处理、调整大小等，以确保图像具有一致的尺寸和灰度信息。
接下来，利用尺度空间分析方法，使用拉普拉斯金字塔对预处理后的图像进行尺度空间表示。拉普拉斯金字塔通过构建高斯金字塔，得到不同尺度下的模糊图像，然后通过差值操作，生成每个尺度下的细节和高频信息。这样可以获得不同尺度下的图像版本，用于细胞团簇的多尺度描述。
在每个尺度下，利用Gabor滤波器从图像中提取细胞的纹理特征。Gabor滤波器是一种带有方向和频率参数的复数滤波器，它在空间域和频率域中都有定义。通过应用不同方向和频率的Gabor滤波器，可以得到图像在不同纹理方向上的响应图像，用于提取纹理特征。对于每个尺度下的图像，使用Gabor滤波器得到多个纹理特征图像。
最后，将上述过程得到的多尺度特征和Gabor滤波器提取的纹理特征进行融合，形成细胞团簇的综合特征向量或特征矩阵。
利用小波系数统计特征方法对拥有组织病理学细胞团簇的细胞图像的具体过程：
首先，对细胞图像进行预处理，包括灰度化、去噪处理和调整大小，以保证图像质量和一致性。然后，应用小波变换对预处理后的图像进行频域分解，将图像分解成不同尺度和方向上的小波系数。
在选择Coiflets小波函数时，根据实际需求选择合适的阶数，以获得适当的支持长度和插值次数。对于每个尺度和方向上的小波系数，我们提取感兴趣的纹理特征。这些特征可以包括小波系数的均值、方差、能量、熵等统计特征，用于描述图像在不同尺度和方向上的纹理信息。
通过这一过程，可以获得多尺度和多方向上的细胞团簇纹理特征。接着，将这些小波系数统计特征进行融合，形成细胞团簇的综合特征向量或特征矩阵。
本实施例选择的Coiflets小波函数来进行小波变换，以获得更好的纹理特征表示。Coiflets小波函数相比其他常见的小波函数，具有紧支集和较短的支持长度，这使得它在捕捉图像局部特征和纹理信息方面具有一定优势。
预处理的主要步骤包括灰度化、去噪处理和调整大小。
首先，将彩色细胞图像转换为灰度图像，采用了灰度转换公式：灰度值 = 0.2989* 红色通道 + 0.5870 * 绿色通道 + 0.1140 * 蓝色通道，这种加权法能够有效保留图像的重要信息。
接着，为了去除图像中可能存在的噪声，使用双边滤波器进行滤波处理。双边滤波器是一种非线性滤波器，它考虑了像素点之间的空间距离和像素值差异，在去除噪声的同时能够保持图像的边缘信息。这使得双边滤波器在处理细胞图像这样的复杂图像时表现优异。
最后，为了确保图像具有一致的尺寸，使用双三次插值法对去噪后的灰度图像进行了调整大小操作。双三次插值法是一种基于插值的图像调整方法，它通过对目标像素周围的16个最近邻像素进行加权插值，来计算目标像素的值。这种插值方法能够较好地保持图像细节，避免了图像调整过程中出现的锯齿和失真现象。
经过上述预处理流程，可以得到去噪后、灰度一致且调整大小的细胞图像，这些预处理后的图像具备良好的质量和一致性，适合用于后续的特征提取、图像分析和其他计算机视觉任务。
步骤（1-2）：在组合特征之前，先对每个特征进行归一化处理，以消除不同特征之间的量纲差异，本实施例选择均值-方差归一化或最大-最小归一化方法，使用特征选择方法来确定权重，然后对不同特征进行加权求和或加权平均，得到综合的特征表示。
在加权过程中，采用基于演化算法的加权：利用演化算法，如遗传算法或粒子群优化算法，对特征权重进行优化。通过设计适当的适应度函数和优化目标，可以根据任务要求对特征进行加权。
归一化过程都是将得到的特征进行输入就可以，因为得到的特征是特征向量或者特征矩阵以此来进行特征融合等。在细胞团簇分析过程就是让得到的特征都有归一化然后好进行融合，都带入公式得到新的特征向量或者特征矩阵就是归一化过程。
本实施例中，可以选用以下归一化方法。
均值-方差归一化：均值-方差归一化是一种常见的数据标准化方法，也称为Z-Score归一化。它基于数据的均值和标准差进行变换，使数据的均值为0，标准差为1。
归一化公式为：
，其中x'是归一化后的数据，x是原始数据，mean是数据的均值，std是数据的标准差。均值-方差归一化使得数据的分布接近标准正态分布，有利于一些基于距离和分布的算法的应用。
最大-最小归一化：最大-最小归一化是一种线性变换方法，将数据线性地映射到指定的范围（通常是[0, 1]之间）。它基于数据的最大值和最小值进行变换，使得数据的最小值映射为0，最大值映射为1。
归一化公式为：
，其中x'是归一化后的数据，x是原始数据，min是数据的最小值，max是数据的最大值。最大-最小归一化保留了数据的相对顺序和线性关系，适用于数据分布比较集中的情况。
基于演化算法的特征加权方法是一种利用演化算法优化特征权重的技术。它可以通过优化相关参数来调整特征的贡献度，以提高特征在模型中的重要性和表达能力。
其过程为：
（1）定义适应度函数：首先需要定义一个适应度函数，它衡量了特征权重对于特定任务的性能。适应度函数可以基于任务的评价指标，如准确率、召回率或均方误差等；
（2）初始化参数：随机或根据经验初始化特征权重的一组参数；
（3）优化参数：使用演化算法（如遗传算法、粒子群优化等），对特征权重的参数进行迭代优化。演化算法根据适应度函数的评价结果，更新特征权重参数；
（4）终止条件判断：设定一个终止条件，如达到最大迭代次数或满足特定的性能要求。如果未满足终止条件，则返回第3步继续优化参数；返回结果：
（5）在算法终止时，根据最终优化的特征权重参数，得到最佳的特征权重组合作为结果。
步骤（2）：通过计算两个细胞特征在核空间中的距离来衡量它们之间的相似度。使用局域核核函数来计算核像距离。
核像距离（Kernel Metric）是一种用于度量数据相似性的方法，它基于核函数的概念。在传统的欧氏距离等度量方法中，通常是在原始数据空间中计算数据点之间的距离。而核像距离利用核函数的映射特性将原始数据映射到高维特征空间，然后在特征空间中计算数据点之间的距离。这种方法能够更好地处理非线性的数据结构，并能有效地捕捉数据之间的复杂相似性关系。
核像距离的计算过程可以用以下公式表示：
核像距离(Kernel Metric) = ||Φ(xi) - Φ(xj)||²
其中，xi和xj是原始数据空间中的两个数据点，Φ(xi)和Φ(xj)是它们在高维特征空间中通过核函数映射后的对应点。||·||表示向量的欧氏范数。
常用的核函数包括线性核、多项式核、高斯径向基核（RBF核）等。其中，高斯径向基核在实际应用中较为常见，它能够将数据映射到无穷维的特征空间，从而更好地捕捉复杂的数据结构。
局部核（Local Kernel）：局部核是一种根据数据的局部结构计算的核函数。它考虑每个样本的邻域信息，并根据样本之间的局部关系计算样本之间的相似度。局部核在处理非均匀数据分布或具有局部结构的数据时具有优势。局部核函数的具体计算方式可以根据具体的算法和任务而异。
本实施例使用局部邻域的距离度量作为核函数的输入，通过设置邻域大小或参数来控制相似度计算的范围。局部核函数包括局部高斯核（Local Gaussian Kernel）和局部多项式核（Local Polynomial Kernel）。
局部核函数是一种特殊类型的核函数，它在核函数的基础上引入了局部性的概念，使得核函数在数据点附近具有较高的权重，而在远离数据点的地方权重较低。局部核函数主要用于处理非线性数据或在数据分布不均匀的情况下，能够更好地捕捉数据之间的复杂关系。
局部高斯核（Local Gaussian Kernel）:
局部高斯核函数是通过高斯分布来建模数据点的局部性权重。对于给定的数据点x和x_i，局部高斯核函数的定义如下：
其中，||·||表示向量的欧氏范数，h是一个控制核函数带宽（bandwidth）的参数。该核函数在x和x_i的距离越近时，权重越大，而在距离较远时，权重越小。因此，局部高斯核函数可以使得核函数的权重局部集中在数据点附近，从而更好地描述数据的局部结构。
局部多项式核（Local Polynomial Kernel）:
局部多项式核函数是通过多项式函数来建模数据点的局部性权重。对于给定的数据点x和x_i，局部多项式核函数的定义如下：
其中，||·||表示向量的欧氏范数，h是控制核函数带宽的参数，c是一个常数，d是多项式的次数，I(·)是指示函数，表示当距离||x - x_i||小于等于h时为1，否则为0。
局部多项式核函数将数据点x和x_i的距离转换为一个多项式函数，当距离较小时，权重较大，反之，权重较小。这样的权重设置使得核函数在数据点附近有较高的权重，从而能够更好地捕捉数据的局部特性和非线性关系。
局部核函数在核方法中有广泛的应用，特别是在处理具有空间局部性的数据时，能够提高核方法的性能和鲁棒性。
步骤（3）：利用核像距离计算结果生成细胞团簇的内编码。
内编码操作是指在数据处理或深度学习过程中，将数据从原始的表示转换为一种更加抽象、有意义的表示形式的过程。这种转换能够捕捉数据的潜在特征和结构，从而提高数据的表达能力和模型的性能。 内编码在基于核像距离的细胞团簇空间约束方法中，是指将细胞团簇的原始数据通过核函数映射到高维特征空间，并在该特征空间中进行内编码操作。该方法旨在学习细胞团簇数据的更有意义的表示，以便更好地捕捉细胞团簇的内在特征和结构。
内编码：将提取的多尺度特征通过核函数映射到高维特征空间，并在该特征空间中进行内编码操作。内编码过程利用深度学习的技术，例如自动编码器、变分自动编码器等，对特征进行抽象和压缩，学习到更有意义的数据表示。
综上，内编码是对细胞团簇空间关系的表示，可以反映细胞团簇的相对位置和结构信息。核岭回归（Kernel Ridge Regression）：核岭回归是一种在回归问题中使用核函数的方法。它基于岭回归的思想，在优化目标中引入核函数，通过最小化损失函数来学习样本的表示和预测模型。
核岭回归方法流程：
数据准备：准备回归问题的训练数据集，包括输入特征和对应的目标值。将数据按照需要的格式进行处理，确保特征和目标值的对应关系正确。
核函数选择：选择合适的核函数作为核岭回归的基础，核函数的选择应根据数据的特点和任务需求进行合理的选取，此过程种选用步骤（2）过程中的局部高斯核和局部多项式核。
核矩阵计算：根据选定的核函数，计算训练数据集的核矩阵。核矩阵记录了每对样本之间的相似度或相关性，它是核岭回归中的关键计算结果。
正则化参数选择：选择合适的正则化参数（或称为岭参数），用于控制模型的复杂度和拟合效果。可以选用交叉验证、网格搜索等。
模型训练：使用核矩阵和正则化参数，进行核岭回归模型的训练。在训练过程中，通过优化目标函数（如平方损失函数）来更新模型参数，使得模型能够更好地拟合训练数据。
核岭回归通过引入核函数来学习非线性关系。
核岭回归模型的基本形式如下：
y(x) = Σ(α_i * K(x_i, x)) + b
其中，y(x)是预测的因变量值，x是输入的自变量，x_i是训练集中的样本点，α_i是对应的权重系数，K(·, ·)是核函数，b是偏置项。
核函数K(·, ·)用于将自变量x和训练集中的样本点映射到高维特征空间，从而能够在高维空间中进行线性回归。通过核函数的引入，使得模型在低维特征空间中表现为非线性的，但在高维特征空间中表现为线性的。因此，核岭回归可以灵活地处理非线性问题，从而提高了回归模型的预测能力。
预测：使用训练得到的模型，对新的输入特征进行预测。通过计算输入特征与训练数据之间的核函数值，并结合模型参数对特征进行学习，内编码它是一个包含多个元素的向量。每个元素对应着数据在特征空间中的一个维度，代表着对应维度上的抽象特征或表示。使用核岭回归模型学习得到内编码。
步骤（4）：应用空间约束方法对内编码进行约束，以保持细胞团簇的合理空间布局，并根据约束后的细胞团簇进行评估分析，确保细胞团簇之间的距离、方向或形状关系满足预定义的约束条件。取几何形状约束方法，利用几何形状信息来约束细胞团簇的形态特征。
几何形状约束方法流程：
特征提取：从数据中提取几何形状特征。这些特征可以包括形状描述符、几何参数、拓扑结构等。常用的特征提取方法包括边缘检测、曲线拟合、曲率计算等。
几何约束定义：根据任务需求，定义几何形状约束，可以是简单的几何形状限制，如圆形、矩形等，也可以是复杂的形状关系，如平行、垂直等。根据具体问题设定几何形状的约束条件。
约束条件设置：根据实际需求和预期结果，设置细胞团簇的几何形状约束条件。例如，确定细胞团簇在空间中的期望位置、大小、形状等方面的约束。这些约束条件可以是基于先验知识或者通过对已有样本进行分析得到。
约束应用：将定义好的几何约束应用于数据中，对数据进行约束和分析。可以根据约束条件筛选数据，或根据约束关系进行分组、匹配等操作。
内编码优化：将约束条件加入到核像距离内编码过程中，使得在高维特征空间中得到的内编码满足约束条件。本实施例中，可以引入一个优化目标函数，将细胞团簇的几何形状约束作为惩罚项加入到目标函数中，然后通过优化方法，如梯度下降等，调整内编码的值，以最小化目标函数。在优化过程中，约束条件会对内编码的值产生约束，从而保持细胞团簇的合理空间布局。
结果评估：对约束后的数据进行评估和分析。根据任务需求，可以计算约束后数据的拟合度、准确度等指标，或进行进一步的形状分析和建模。
评估条件设置：为了确保约束后的细胞团簇满足预定义的几何形状约束条件，设定评估条件。这些评估条件可以是细胞团簇之间的距离、方向、形状关系等。可以计算细胞团簇的几何形状信息，如面积、周长、形心等，并根据这些信息进行评估。如果评估结果不满足约束条件，则需要重新调整内编码并重新优化，直到得到满足约束条件的结果。
可选的优化和调整：根据结果评估的情况，对几何约束进行优化和调整。可以调整约束条件的参数，改进特征提取方法，或尝试不同的几何形状约束。
优化过程：在优化过程中，可以使用遗传算法、粒子群优化算法或其他进化算法来搜索最优的内编码。这些优化算法可以有效地搜索内编码的值，使得细胞团簇在满足几何形状约束条件的同时，保持其内在特征和结构。最后的约束是作用在内编码生成上的，最后结果是生成具有更好的内在特征、结构，排除其他外部因素影响的内编码来进行应用。
实施例二
一种基于核像距离内编码的细胞团簇空间约束系统，包括：
特征提取模块，被配置为对拥有组织病理学细胞团簇的细胞图像，利用至少两种不同的提取方法进行细胞特征提取；
特征组合模块，被配置为对提取的特征进行归一化处理，对归一化后的不同特征进行组合，得到综合的特征表示；
核像距离计算模块，被配置为使用局域核核函数计算每两个细胞特征在核空间中的核像距离；
内编码生成模块，被配置为基于所述核像距离计算结果，利用核岭回归算法生成细胞团簇的内编码；
空间约束模块，被配置为利用空间约束方法对内编码进行约束，以保持细胞团簇的合理空间布局，并根据约束后的细胞团簇进行评估分析，确保细胞团簇之间的距离、方向或/和形状关系满足预定义的约束条件。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于核像距离内编码的细胞团簇空间约束方法，其特征是，包括以下步骤：
对拥有组织病理学细胞团簇的细胞图像，利用至少两种不同的提取方法进行细胞特征提取；
对提取的特征进行归一化处理，对归一化后的不同特征进行组合，得到综合的特征表示；
使用局域核核函数计算每两个细胞特征在核空间中的核像距离；
基于所述核像距离计算结果，利用核岭回归算法生成细胞团簇的内编码；
利用空间约束方法对内编码进行约束，以保持细胞团簇的合理空间布局，并根据约束后的细胞团簇进行评估分析，确保细胞团簇之间的距离、方向或/和形状关系满足预定义的约束条件；
所述利用核岭回归算法生成细胞团簇的内编码的具体过程包括：
基于特征，构建训练数据集；
利用局部高斯核和局部多项式核作为核岭回归的核函数；
根据选定的核函数，计算训练数据集的核矩阵；
选择合适的正则化参数；
使用核矩阵和正则化参数，进行核岭回归模型的训练，且在训练过程中，通过优化目标函数更新模型参数；
使用训练得到的模型，对新的特征进行预测，通过计算输入特征与训练数据之间的核函数值，并结合模型参数，得到对应的预测结果；
所述空间约束方法为几何形状约束方法；利用几何形状信息来约束细胞团簇的形态特征，具体包括：
从特征数据中提取几何形状特征；
定义几何形状约束，所述几何形状约束包括细胞团簇在空间中的期望位置、大小或/和形状的约束，将定义好的几何约束加入到核像距离内编码过程中，使得在高维特征空间中得到的内编码满足约束条件，在此过程中，引入优化目标函数，将细胞团簇的几何形状约束作为惩罚项加入到优化目标函数中，通过优化方法调整内编码的值，以最小化目标函数，在优化过程中，约束条件会对内编码的值产生约束，保持细胞团簇的合理空间布局。
2.如权利要求1所述的一种基于核像距离内编码的细胞团簇空间约束方法，其特征是，所述两种不同的提取方法为分别通过用多尺度特征提取与纹理特征统计中的小波系数统计特征方法对细胞进行特征提取；
其中，所述多尺度特征提取方法对细胞进行特征提取的过程包括：
对获取的图像进行预处理，利用尺度空间分析方法，使用拉普拉斯金字塔对预处理后的图像进行尺度空间表示，在每个尺度下，利用Gabor滤波器从图像中提取细胞的纹理特征，将上述过程得到的多尺度特征和Gabor滤波器提取的纹理特征进行融合，形成细胞团簇的综合特征向量或特征矩阵；
利用小波系数统计特征方法对拥有组织病理学细胞团簇的细胞图像的具体过程包括：
对获取的图像进行预处理，应用小波变换对预处理后的图像进行频域分解，将图像分解成不同尺度和方向上的小波系数，对于每个尺度和方向上的小波系数，提取感兴趣的纹理特征，将所有小波系数统计特征进行融合，形成细胞团簇的综合特征向量或特征矩阵。
3.如权利要求1所述的一种基于核像距离内编码的细胞团簇空间约束方法，其特征是，利用均值-方差归一化或最大-最小归一化方法进行归一化处理。
4.如权利要求1所述的一种基于核像距离内编码的细胞团簇空间约束方法，其特征是，对归一化后的不同特征进行组合时，对不同特征进行加权求和或加权平均，得到综合的特征表示；
所述加权采用基于演化算法的特征加权方法，具体过程包括：
定义适应度函数；
随机或根据经验初始化特征权重的一组参数；
利用演化算法，根据适应度函数的评价结果，更新特征权重参数，对特征权重的参数进行迭代优化，直到满足终止条件判断。
5.如权利要求1所述的一种基于核像距离内编码的细胞团簇空间约束方法，其特征是，使用局域核核函数计算每两个细胞特征在核空间中的核像距离的过程中，使用局部邻域的距离度量作为核函数的输入，通过设置邻域大小或参数来控制相似度计算的范围，局部核函数包括局部高斯核和局部多项式核。
6.一种基于核像距离内编码的细胞团簇空间约束系统，其特征是，包括：
特征提取模块，被配置为对拥有组织病理学细胞团簇的细胞图像，利用至少两种不同的提取方法进行细胞特征提取；
特征组合模块，被配置为对提取的特征进行归一化处理，对归一化后的不同特征进行组合，得到综合的特征表示；
核像距离计算模块，被配置为使用局域核核函数计算每两个细胞特征在核空间中的核像距离；
内编码生成模块，被配置为基于所述核像距离计算结果，利用核岭回归算法生成细胞团簇的内编码；
空间约束模块，被配置为利用空间约束方法对内编码进行约束，以保持细胞团簇的合理空间布局，并根据约束后的细胞团簇进行评估分析，确保细胞团簇之间的距离、方向或/和形状关系满足预定义的约束条件；
所述利用核岭回归算法生成细胞团簇的内编码的具体过程包括：
基于特征，构建训练数据集；
利用局部高斯核和局部多项式核作为核岭回归的核函数；
根据选定的核函数，计算训练数据集的核矩阵；
选择合适的正则化参数；
使用核矩阵和正则化参数，进行核岭回归模型的训练，且在训练过程中，通过优化目标函数更新模型参数；
使用训练得到的模型，对新的特征进行预测，通过计算输入特征与训练数据之间的核函数值，并结合模型参数，得到对应的预测结果；
所述空间约束方法为几何形状约束方法；利用几何形状信息来约束细胞团簇的形态特征，具体包括：
从特征数据中提取几何形状特征；
定义几何形状约束，所述几何形状约束包括细胞团簇在空间中的期望位置、大小或/和形状的约束，将定义好的几何约束加入到核像距离内编码过程中，使得在高维特征空间中得到的内编码满足约束条件，在此过程中，引入优化目标函数，将细胞团簇的几何形状约束作为惩罚项加入到优化目标函数中，通过优化方法调整内编码的值，以最小化目标函数，在优化过程中，约束条件会对内编码的值产生约束，保持细胞团簇的合理空间布局。
7.一种计算机可读存储介质，其特征是，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的方法中的步骤。
8.一种终端设备，其特征是，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-5任一项所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311506465.XA CN117253228B (zh) | 2023-11-14 | 2023-11-14 | 一种基于核像距离内编码的细胞团簇空间约束方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311506465.XA CN117253228B (zh) | 2023-11-14 | 2023-11-14 | 一种基于核像距离内编码的细胞团簇空间约束方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117253228A CN117253228A (zh) | 2023-12-19 |
| CN117253228B true CN117253228B (zh) | 2024-02-09 |
Family
ID=89135387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311506465.XA Active CN117253228B (zh) | 2023-11-14 | 2023-11-14 | 一种基于核像距离内编码的细胞团簇空间约束方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117253228B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218831A (zh) * | 2013-04-21 | 2013-07-24 | 北京航空航天大学 | 一种基于轮廓约束的视频运动目标分类识别方法 |
| CN105408746A (zh) * | 2013-02-28 | 2016-03-16 | 普罗吉涅股份有限公司 | 基于图像的人胚胎细胞分类的装置、方法和系统 |
| CN106991673A (zh) * | 2017-05-18 | 2017-07-28 | 深思考人工智能机器人科技（北京）有限公司 | 一种可解释性的宫颈细胞图像快速分级识别方法及系统 |
| CN108334860A (zh) * | 2018-03-01 | 2018-07-27 | 北京航空航天大学 | 细胞图像的处理方法和装置 |
| CN110544262A (zh) * | 2019-08-07 | 2019-12-06 | 上海师范大学 | 一种基于机器视觉的子宫颈细胞图像分割方法 |
| CN111027570A (zh) * | 2019-11-20 | 2020-04-17 | 电子科技大学 | 一种基于细胞神经网络的图像多尺度特征提取方法 |
| CN112330698A (zh) * | 2020-11-04 | 2021-02-05 | 昆明理工大学 | 一种改进的几何活动轮廓的图像分割方法 |
| CN112424828A (zh) * | 2019-07-15 | 2021-02-26 | 广东工业大学 | 一种集成空间约束的核模糊c均值快速聚类算法 |
| CN112470166A (zh) * | 2019-06-18 | 2021-03-09 | 香港理工大学 | 用于分割医学图像中的重叠细胞质的方法及系统 |
| CN115115598A (zh) * | 2022-06-30 | 2022-09-27 | 南通大学 | 一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法 |
| CN115965785A (zh) * | 2023-01-05 | 2023-04-14 | 腾讯医疗健康(深圳)有限公司 | 图像分割方法、装置、设备、程序产品及介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070092917A1 (en) * | 1998-05-01 | 2007-04-26 | Isabelle Guyon | Biomarkers for screening, predicting, and monitoring prostate disease |
| TWI496112B (zh) * | 2013-09-13 | 2015-08-11 | Univ Nat Cheng Kung | 細胞影像分割方法以及核質比評估方法 |
| US9619881B2 (en) * | 2013-09-26 | 2017-04-11 | Cellogy, Inc. | Method and system for characterizing cell populations |
| US20190042826A1 (en) * | 2017-08-04 | 2019-02-07 | Oregon Health & Science University | Automatic nuclei segmentation in histopathology images |
-
2023
- 2023-11-14 CN CN202311506465.XA patent/CN117253228B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105408746A (zh) * | 2013-02-28 | 2016-03-16 | 普罗吉涅股份有限公司 | 基于图像的人胚胎细胞分类的装置、方法和系统 |
| CN103218831A (zh) * | 2013-04-21 | 2013-07-24 | 北京航空航天大学 | 一种基于轮廓约束的视频运动目标分类识别方法 |
| CN106991673A (zh) * | 2017-05-18 | 2017-07-28 | 深思考人工智能机器人科技（北京）有限公司 | 一种可解释性的宫颈细胞图像快速分级识别方法及系统 |
| CN108334860A (zh) * | 2018-03-01 | 2018-07-27 | 北京航空航天大学 | 细胞图像的处理方法和装置 |
| CN112470166A (zh) * | 2019-06-18 | 2021-03-09 | 香港理工大学 | 用于分割医学图像中的重叠细胞质的方法及系统 |
| CN112424828A (zh) * | 2019-07-15 | 2021-02-26 | 广东工业大学 | 一种集成空间约束的核模糊c均值快速聚类算法 |
| CN110544262A (zh) * | 2019-08-07 | 2019-12-06 | 上海师范大学 | 一种基于机器视觉的子宫颈细胞图像分割方法 |
| CN111027570A (zh) * | 2019-11-20 | 2020-04-17 | 电子科技大学 | 一种基于细胞神经网络的图像多尺度特征提取方法 |
| CN112330698A (zh) * | 2020-11-04 | 2021-02-05 | 昆明理工大学 | 一种改进的几何活动轮廓的图像分割方法 |
| CN115115598A (zh) * | 2022-06-30 | 2022-09-27 | 南通大学 | 一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法 |
| CN115965785A (zh) * | 2023-01-05 | 2023-04-14 | 腾讯医疗健康(深圳)有限公司 | 图像分割方法、装置、设备、程序产品及介质 |
Non-Patent Citations (8)
| Title |
|---|
| Cell Counting in Image Based on Ridge Regression;Ge Zhang 等;2018 IEEE 9th International Conference on Software Engineering and Service Science (ICSESS);1074-1078 * |
| Classification of White Blood Cells Using L-Moments Invariant Features of Nuclei Shape;Khamael Al-Dulaimi 等;2018 International Conference on Image and Vision Computing New Zealand (IVCNZ);1-6 * |
| FocusNetv2: Imbalanced large and small organ segmentation with adversarial shape constraint for head and neck CT images;Yunhe Gao 等;Medical Image Analysis;1-14 * |
| Preliminary Computed Tomography Radiomics Model for Predicting Pretreatment CD8+T-Cell Infiltration Status for Primary Head and Neck Squamous Cell Carcinoma;Wang, Colin Y 等;Journal of Computer Assisted Tomography;第45卷(第4期);629-636 * |
| 基于深度学习的医学图像分割方法研究;钱誉;中国优秀硕士学位论文全文数据库 基础科学辑;第2023年卷(第2期);A006-1528 * |
| 用于低质量医疗图像分割的表示学习;周思航;中国博士学位论文全文数据库 医药卫生科技辑;第2022年卷(第1期);E080-6 * |
| 约束参数Gabor滤波器及细胞分割;孙农亮 等;中国生物医学工程学报;第27卷(第03期);335-339、377 * |
| 结合空间邻域信息的核FCM图像分割算法;宗永胜;胡晓辉;屈应照;;计算机应用与软件;第34卷(第04期);221-225、333 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117253228A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mafi et al. | A comprehensive survey on impulse and Gaussian denoising filters for digital images | |
| Wadhwa et al. | Hyperrealistic image inpainting with hypergraphs | |
| Tian et al. | Vehicle license plate super-resolution using soft learning prior | |
| Xia et al. | Knowledge distillation based degradation estimation for blind super-resolution | |
| CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
| CN111563556A (zh) | 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统 | |
| Goyal et al. | Fuzzy similarity measure based spectral clustering framework for noisy image segmentation | |
| CN111126169A (zh) | 基于正交化的图正则非负矩阵分解的人脸识别方法及系统 | |
| Xu et al. | Affine non-local Bayesian image denoising algorithm | |
| CN107301652B (zh) | 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法 | |
| CN117253228B (zh) | 一种基于核像距离内编码的细胞团簇空间约束方法及系统 | |
| CN111488811A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
| Ahmadian et al. | Self-organized maps and high-frequency image detail for mri image enhancement | |
| Suryanarayana et al. | Deep Learned Singular Residual Network for Super Resolution Reconstruction. | |
| CN115965556A (zh) | 一种二值图像复原方法 | |
| CN114202694A (zh) | 基于流形混合插值和对比学习的小样本遥感场景图像分类方法 | |
| Du et al. | Expectation-maximization attention cross residual network for single image super-resolution | |
| Francis et al. | A joint sparse and correlation induced subspace clustering method for segmentation of natural images | |
| Shetty et al. | Skin cancer detection using image processing: A review | |
| Nair et al. | Hyperspectral image fusion using fast high-dimensional denoising | |
| Duraisamy et al. | CNN-based approach for segmentation of brain and lung MRI images | |
| CN114463574A (zh) | 一种遥感图像的场景分类方法及装置 | |
| CN110675372A (zh) | 细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统 | |
| Zhu et al. | Multi-kernel dictionary learning for classifying maize varieties | |
| Sang et al. | Image enhancement based on skin-colour segmentation and smoothness |
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 |