CN117593746B - 基于目标检测的细胞分裂均衡度评估系统及装置 - Google Patents
基于目标检测的细胞分裂均衡度评估系统及装置 Download PDFInfo
- Publication number
- CN117593746B CN117593746B CN202410075551.8A CN202410075551A CN117593746B CN 117593746 B CN117593746 B CN 117593746B CN 202410075551 A CN202410075551 A CN 202410075551A CN 117593746 B CN117593746 B CN 117593746B
- Authority
- CN
- China
- Prior art keywords
- cell
- detection
- balance
- cell division
- target detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 230000032823 cell division Effects 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 12
- 230000007717 exclusion Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000011160 research 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
-
- 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
- G06V10/77—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
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了基于目标检测的细胞分裂均衡度评估系统,包括检测框提取模块和均衡度评估模块;矩形检测框提取模块:用于通过旋转目标检测网络检测图像中细胞矩形检测框的位置信息,输出带有方向信息的细胞矩形检测框的坐标;均衡度评估模块:用于根据所述细胞矩形检测框的坐标拟合细胞,并根据拟合得到的细胞面积大小,对细胞分裂均衡度进行评估。本发明通过增加细胞方向的额外描述以及增强对重叠细胞的检测以提高细胞均衡度的评估准确率。
Description
技术领域
本发明涉及人工智能技术领域,具体地指一种基于目标检测的细胞分裂均衡度评估系统及装置。
背景技术
细胞面积是评估细胞分裂均衡度的一组基本但重要的评估指标。细胞面积往往能反映细胞大小,通过对比各细胞的面积能基本体现细胞大小的差距,实现对细胞均衡度的评估。培养箱不仅可为细胞提供稳定的体外培养环境,其同时具备周期性不断获取细胞分裂的全过程图像。结合培养箱中记录的细胞拍照时间,细胞学家需要根据自身的细胞评估经验对每一张细胞图像进行判别,获取细胞的分裂均衡度,大大地增加了细胞学家的工作量,因此,如何借助于计算机视觉方法,辅助细胞学家快速地检测细胞分裂过程中的均衡度具有十分重要的研究意义。目前,虽然存在一些图像分割的方法来计算细胞的面积以评估细胞分裂均衡度。然而,细胞分裂均衡度的智能预测在实际应用中仍存在以下问题:
(1)图像中的细胞形状大多为椭圆,但是各细胞的方向具有不确定性,如果不能很好的描述细胞的方向信息,会给细胞的识别带来一定误差,同时影响后续评估;
(2) 使用神经网络方法检测细胞图像,统计细胞面积,根据各细胞的面积比值可以量化细胞分裂的均衡度。但是由于细胞分裂过程中细胞之间往往会存在重叠现象,导致拍摄图像中的细胞暴露不完全,不能准确统计细胞面积,导致均衡度评估存在误差。
发明内容
本发明针对上述现有技术的不足之处,提出一种基于目标检测的细胞分裂均衡度评估系统及装置,通过增加细胞方向的额外描述以及增强对重叠细胞的检测以提高细胞均衡度的评估准确率。
为实现上述目的,本发明设计的基于目标检测的细胞分裂均衡度评估系统,其特殊之处在于,包括检测框提取模块和均衡度评估模块;
所述矩形检测框提取模块:用于通过旋转目标检测网络检测图像中细胞矩形检测框的位置信息,输出带有方向信息的细胞矩形检测框的坐标;
所述均衡度评估模块:用于根据所述细胞矩形检测框的坐标拟合细胞,并根据拟合得到的细胞面积大小,对细胞分裂均衡度进行评估。
进一步地,所述矩形检测框提取模块中的旋转目标检测网络包括特征提取模块、区域候选网络、区域池化网络和分类网络。
更进一步地,所述旋转目标检测网络的构建过程包括:
a. 收集细胞分裂全过程中的细胞图像,标注每一张图像中代表细胞的旋转矩形框坐标,将标注好的图像划分为训练集、验证集和测试集;
b. 采用标注的训练集对模型进行训练;
c. 根据模型在验证集上的准确率变化,调整模型的超参数,最终保存在测试集上表现最佳的网络模型;
d. 运用保存的模型检测拍摄的图像,输出对图像各细胞旋转矩形检测框的预测结果。
更进一步地,所述旋转目标检测网络在训练过程中引入互斥损失;对于检测到的两个重叠细胞/>和/>,所述旋转目标检测网络分别输出对应的检测框/>和/>,互斥损失/>使得检测框/>和检测框/>尽可能远离:
,/>
其中,i和j为检测框的序号,表示两个检测框/>和/>的交并比,/>为调整互斥损失敏感度的平滑参数,x表示检测框的交并比/>的值。
更进一步地,所述均衡度评估模块包括细胞面积计算模块和均衡度评估模块。
更进一步地,所述细胞面积计算模块根据矩形框的坐标,计算用于拟合细胞面积的长和宽,将矩形框的长和宽视为椭圆的长轴和短轴,按照椭圆面积公式拟合得到细胞面积。
更进一步地,所述细胞面积计算模块通过下式计算细胞面积:
式中,表示第i个细胞矩形框对应的细胞面积,/>和/>分别表示第i个细胞矩形框的长和宽。
更进一步地,所述均衡度评估模块通过下式计算细胞分裂均衡度指数B:
式中,n为细胞总数,为细胞面积的平均值。
更进一步地,所述均衡度评估模块根据细胞均衡度指数输出评估结果:当B大于阈值时,输出细胞分裂不均衡,否则输出细胞分裂均衡。
本发明还提出一种装置,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于目标检测的细胞分裂均衡度评估系统。
本发明的有益效果在于:
1)本发明通过运用能够输出带有方向信息的旋转目标检测网络,在检测细胞大小的同时检测细胞方向,更好的让矩形框贴合细胞,提升细胞面积统计的精确度;
2)本发明在旋转目标检测网络中额外引入互斥损失,降低重叠细胞对于彼此在检测中的影响,增加重叠细胞的检测框坐标精度,提升准确性;
3)本发明根据模型预测的细胞矩形框坐标拟合细胞面积的长和宽,以实现细胞面积的合理计算。
附图说明
图1为本发明基于目标检测的细胞分裂均衡度评估系统的结构框图;
图2为检测框提取模块检测结果示意图;
图3为旋转目标检测网络结构框图;
图4为互斥损失效果示意图;
图5为细胞检测框的尺寸计算示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
为了评估细胞大小,通常的方法是直接检测细胞面积,然而由于细胞之间存在遮挡的情况,直接检测的细胞面积往往不够准确。为了改善这种情况,先利用矩形检测框检测出包括遮挡区域的细胞区域,再通过矩形框的长和宽来拟合细胞面积。
本发明提出的基于目标检测的细胞分裂均衡度评估系统,如图1所示,包括检测框提取模块和均衡度评估模块。
由于细胞图像上细胞的方向具有一定任意性,需要让矩形检测框能够旋转才能更好的贴合细胞,所以需要使用旋转目标检测网络进行检测提取。矩形检测框提取模块用于通过旋转目标检测网络检测图像中细胞矩形检测框的位置信息,输出带有方向信息的细胞矩形检测框的坐标,如图2所示。
旋转目标检测网络的构建过程如下:
a. 收集细胞分裂全过程中的细胞图像,标注每一张图像中代表细胞的旋转矩形框坐标,将标注好的图像划分为训练集、验证集和测试集,对训练集中的细胞图像进行翻转、旋转、平移等预处理操作,扩充数据集;
b. 采用标注的训练集对模型进行训练;
c. 根据模型在验证集上的准确率变化,调整模型的超参数,最终保存在测试集上表现最佳的网络模型;
d. 运用保存的模型检测拍摄的图像,输出对图像各细胞旋转矩形检测框的预测结果。
旋转目标检测网络可以使用Gliding vertex、ROI-Transformer等网络,本实施例以Gliding vertex网络作为网络框架,检测图像中细胞旋转矩形检测框的位置信息。
旋转目标检测网络结构如图3所示,包括特征提取模块、区域候选网络、区域池化网络和分类网络。将细胞图像输入旋转目标检测网络中,由ResNet50提取图像中图像的高层次特征信息,生成特征图。将特征图输入区域候选网络生成细胞的候选框,通过判断候选框内有无细胞来粗分类并对候选框坐标修正。将生成的区域候选框输入区域池化网络,从之前生成的特征图中提取出对应局部区域的候选特征图。最终由分类网络进一步精确细胞在图像中对应的检测框坐标并输出。
为了让网络能够更好的检测细胞的遮挡部分,引入互斥损失。对于检测到的两个重叠细胞/>和/>,网络会分别输出对应的检测框/>和/>,互斥损失的目的是使得检测框/>和检测框/>尽可能远离,通过互斥损失避免重叠细胞相互影响各自的检测结果,实现对重叠细胞的精确检测:
,/>
其中,i和j为检测框的序号,表示两个检测框/>和/>的交并比,/>为调整互斥损失敏感度的平滑参数,x在上式中表示检测框的交并比/>的值。
图4描述了互斥损失效果,图4中左图为无互斥损失旋转目标检测网络输出的检测框,两个重叠细胞为识别为一个检测框;右图为添加互斥损失函数后旋转目标检测网络输出的检测框,两个重叠细胞被正确地识别为两个检测框。
本发明提出的均衡度评估模块包括细胞面积计算模块和均衡度评估模块。
细胞面积计算模块根据检测框提取模块预测的细胞矩形框坐标,计算用于拟合细胞面积的长和宽,将矩形框的长和宽视为椭圆的长轴和短轴,按照椭圆面积公式拟合得到细胞面积:
表示第i个细胞矩形框对应的细胞面积,/>和/>表示第i个细胞矩形框的长和宽。
如图5所示,检测框提取模块预测得到细胞矩形框的坐标信息,根据检测结果,左侧细胞1的矩形框长为125像素,宽为116像素,拟合椭圆面积为3625π像素;右侧细胞2的矩形框长为177像素,宽为144像素,拟合椭圆面积为6372π像素。
均衡度评估模块根据计算得到的所有细胞面积评估细胞分裂均衡度指数B:
式中,n为细胞总数,为细胞面积的平均值,当B大于阈值/>时,视为不均衡,否则视为均衡,根据经验设置/>。
当B大于阈值时,均衡度评估模块输出细胞分裂不均衡,否则输出细胞分裂均衡。
本实施例中,细胞的平均面积为4998.5π像素,则计算得均衡度,大于阈值/>,则输出该图像中的细胞分裂不均衡。
本发明还提出一种设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述的基于目标检测的细胞分裂均衡度评估系统。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
最后需要说明的是,以上具体实施方式仅用以说明本专利技术方案而非限制,尽管参照较佳实施例对本专利进行了详细说明,本领域的普通技术人员应当理解,可以对本专利的技术方案进行修改或者等同替换,而不脱离本专利技术方案的精神和范围,其均应涵盖在本专利的权利要求范围当中。
Claims (7)
1.一种基于目标检测的细胞分裂均衡度评估系统,其特征在于:包括矩形检测框提取模块和均衡度评估模块;
所述矩形检测框提取模块:用于通过旋转目标检测网络检测图像中细胞矩形检测框的位置信息,输出带有方向信息的细胞矩形检测框的坐标;
所述均衡度评估模块:用于根据所述细胞矩形检测框的坐标拟合细胞,并根据拟合得到的细胞面积大小,对细胞分裂均衡度进行评估;
所述矩形检测框提取模块中的旋转目标检测网络包括特征提取模块、区域候选网络、区域池化网络和分类网络;
所述旋转目标检测网络的构建过程包括:
a.收集细胞分裂全过程中的细胞图像,标注每一张图像中代表细胞的旋转矩形框坐标,将标注好的图像划分为训练集、验证集和测试集;
b.采用标注的训练集对模型进行训练;
c.根据模型在验证集上的准确率变化,调整模型的超参数,最终保存在测试集上表现最佳的网络模型;
d.运用保存的模型检测拍摄的图像,输出对图像各细胞旋转矩形检测框的预测结果;
所述旋转目标检测网络在训练过程中引入互斥损失LRepBox;对于检测到的两个重叠细胞Pi和Pj,所述旋转目标检测网络分别输出对应的检测框和/>互斥损失LRepBox使得检测框/>和检测框/>尽可能远离:
其中,i和j为检测框的序号,表示两个检测框/>和/>的交并比,δ为调整互斥损失敏感度的平滑参数,x表示检测框的交并比/>的值。
2.根据权利要求1所述的基于目标检测的细胞分裂均衡度评估系统,其特征在于:所述均衡度评估模块包括细胞面积计算模块和均衡度评估模块。
3.根据权利要求1所述的基于目标检测的细胞分裂均衡度评估系统,其特征在于:所述细胞面积计算模块根据矩形框的坐标,计算用于拟合细胞面积的长和宽,将矩形框的长和宽视为椭圆的长轴和短轴,按照椭圆面积公式拟合得到细胞面积。
4.根据权利要求3所述的基于目标检测的细胞分裂均衡度评估系统,其特征在于:所述细胞面积计算模块通过下式计算细胞面积:
式中,Si表示第i个细胞矩形框对应的细胞面积,Li和Wi分别表示第i个细胞矩形框的长和宽。
5.根据权利要求3所述的基于目标检测的细胞分裂均衡度评估系统,其特征在于:所述均衡度评估模块通过下式计算细胞分裂均衡度指数B:
式中,n为细胞总数,为细胞面积的平均值。
6.根据权利要求5所述的基于目标检测的细胞分裂均衡度评估系统,其特征在于:所述均衡度评估模块根据细胞均衡度指数输出评估结果:当B大于阈值ξ时,输出细胞分裂不均衡,否则输出细胞分裂均衡。
7.一种装置,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1~6中任一项所述的基于目标检测的细胞分裂均衡度评估系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410075551.8A CN117593746B (zh) | 2024-01-18 | 2024-01-18 | 基于目标检测的细胞分裂均衡度评估系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410075551.8A CN117593746B (zh) | 2024-01-18 | 2024-01-18 | 基于目标检测的细胞分裂均衡度评估系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593746A CN117593746A (zh) | 2024-02-23 |
CN117593746B true CN117593746B (zh) | 2024-04-19 |
Family
ID=89913747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410075551.8A Active CN117593746B (zh) | 2024-01-18 | 2024-01-18 | 基于目标检测的细胞分裂均衡度评估系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593746B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014066231A1 (en) * | 2012-10-26 | 2014-05-01 | Siemens Healthcare Diagnostics Inc. | Cell identification method and device, and urine analyzer |
US8824768B1 (en) * | 2011-11-10 | 2014-09-02 | Blair K. Simon | Fertilization test method and apparatus |
CN110263656A (zh) * | 2019-05-24 | 2019-09-20 | 南方科技大学 | 一种癌细胞识别方法、装置和系统 |
CN111612017A (zh) * | 2020-07-07 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种基于信息增强的目标检测方法 |
CN111967465A (zh) * | 2020-07-07 | 2020-11-20 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
CN112132827A (zh) * | 2020-10-13 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 病理图像的处理方法、装置、电子设备及可读存储介质 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN112651441A (zh) * | 2020-12-25 | 2021-04-13 | 深圳市信义科技有限公司 | 细粒度非机动车特征检测方法、存储介质及计算机设备 |
CN114067114A (zh) * | 2021-11-12 | 2022-02-18 | 燕山大学 | 一种基于藻类细胞形态的面积核分割计数方法 |
CN114742758A (zh) * | 2022-03-09 | 2022-07-12 | 上海交通大学 | 一种全视野数字切片组织病理图片中的细胞核分类方法 |
CN114998332A (zh) * | 2022-08-02 | 2022-09-02 | 珠海横琴圣澳云智科技有限公司 | 核型异常细胞的确定方法和装置 |
CN115249358A (zh) * | 2021-12-30 | 2022-10-28 | 青岛大学 | 一种巨噬细胞内碳颗粒定量检测方法及系统、计算机设备 |
CN115937082A (zh) * | 2022-09-30 | 2023-04-07 | 湘潭大学 | 基于深度学习的胚胎质量智能评估系统及评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019197890A1 (en) * | 2018-04-09 | 2019-10-17 | Sigtuple Technologies Private Limited | Method and system for determining total count of red blood cells in peripheral blood smear |
US20230245478A1 (en) * | 2020-07-30 | 2023-08-03 | Hamamatsu Photonics K.K. | Assessment device, assessment method, assessment program, and recording medium |
-
2024
- 2024-01-18 CN CN202410075551.8A patent/CN117593746B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8824768B1 (en) * | 2011-11-10 | 2014-09-02 | Blair K. Simon | Fertilization test method and apparatus |
WO2014066231A1 (en) * | 2012-10-26 | 2014-05-01 | Siemens Healthcare Diagnostics Inc. | Cell identification method and device, and urine analyzer |
CN110263656A (zh) * | 2019-05-24 | 2019-09-20 | 南方科技大学 | 一种癌细胞识别方法、装置和系统 |
CN111612017A (zh) * | 2020-07-07 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种基于信息增强的目标检测方法 |
CN111967465A (zh) * | 2020-07-07 | 2020-11-20 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
CN112132827A (zh) * | 2020-10-13 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 病理图像的处理方法、装置、电子设备及可读存储介质 |
CN112651441A (zh) * | 2020-12-25 | 2021-04-13 | 深圳市信义科技有限公司 | 细粒度非机动车特征检测方法、存储介质及计算机设备 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN114067114A (zh) * | 2021-11-12 | 2022-02-18 | 燕山大学 | 一种基于藻类细胞形态的面积核分割计数方法 |
CN115249358A (zh) * | 2021-12-30 | 2022-10-28 | 青岛大学 | 一种巨噬细胞内碳颗粒定量检测方法及系统、计算机设备 |
CN114742758A (zh) * | 2022-03-09 | 2022-07-12 | 上海交通大学 | 一种全视野数字切片组织病理图片中的细胞核分类方法 |
CN114998332A (zh) * | 2022-08-02 | 2022-09-02 | 珠海横琴圣澳云智科技有限公司 | 核型异常细胞的确定方法和装置 |
CN115937082A (zh) * | 2022-09-30 | 2023-04-07 | 湘潭大学 | 基于深度学习的胚胎质量智能评估系统及评估方法 |
Non-Patent Citations (2)
Title |
---|
"Gliding vertex on the horizontal bounding box for multi-oriented object detection;Yongchao Xu等;《arXiv:1911.09358v1》;20191121;第1-8页 * |
全自动细胞图像分析仪做喉鳞状细胞癌癌细胞核形态学定量分析;汪涛;黄红彦;崔永华;刘秋润;;临床耳鼻咽喉科杂志;20060228(第03期);第5-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117593746A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ukhwah et al. | Asphalt pavement pothole detection using deep learning method based on YOLO neural network | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及系统 | |
CN112906647B (zh) | 小跨径桥梁载重监测方法、装置、计算机设备及存储介质 | |
CN115980050B (zh) | 排水口的水质检测方法、装置、计算机设备及存储介质 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
Fang et al. | A mask RCNN based automatic reading method for pointer meter | |
CN117078927A (zh) | 一种联合目标标注方法、装置、设备及存储介质 | |
CN115937703A (zh) | 一种用于遥感图像目标检测的增强特征提取方法 | |
CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
CN115439654A (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
CN115100497A (zh) | 基于机器人的通道异常物体巡检方法、装置、设备及介质 | |
CN102201060B (zh) | 一种基于形状语义的非参数轮廓跟踪评价方法 | |
CN117593746B (zh) | 基于目标检测的细胞分裂均衡度评估系统及装置 | |
CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
CN112329893A (zh) | 基于数据驱动的异源多目标智能检测方法及系统 | |
CN113344905B (zh) | 一种带材跑偏量检测方法及系统 | |
CN115424000A (zh) | 一种指针式仪表识别方法、系统、设备及存储介质 | |
Sladojević et al. | Integer arithmetic approximation of the HoG algorithm used for pedestrian detection | |
CN114120097A (zh) | 一种基于机器视觉的配网工程现场变压器检测方法和系统 | |
Yuan et al. | Robust instruments position estimation using improved kernelized correlation filter for substation patrol robots | |
CN117576098B (zh) | 基于分割的细胞分裂均衡度评估方法及设备 | |
CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 | |
Zheng et al. | Pointer instrument recognition algorithm based on Haar-like feature and polar expansion | |
CN112229500B (zh) | 结构振动位移监测方法及终端设备 |
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 |