CN117671395A - 一种癌细胞种类识别装置 - Google Patents
一种癌细胞种类识别装置 Download PDFInfo
- Publication number
- CN117671395A CN117671395A CN202410146122.5A CN202410146122A CN117671395A CN 117671395 A CN117671395 A CN 117671395A CN 202410146122 A CN202410146122 A CN 202410146122A CN 117671395 A CN117671395 A CN 117671395A
- Authority
- CN
- China
- Prior art keywords
- cancer cell
- final
- sequence
- representing
- pixels
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 90
- 201000011510 cancer Diseases 0.000 title claims abstract description 90
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000002131 composite material Substances 0.000 claims description 10
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 68
- 230000011218 segmentation Effects 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108010077544 Chromatin Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种癌细胞种类识别装置,包括:用于获取包括初始癌细胞医疗图像的初始样本集,对其进行预处理后获取包括阶段癌细胞医疗图像的阶段样本集的处理模块;用于基于初始样本集及阶段样本集构建包括最终图像矩阵的最终样本集的融合模块;用于构建初始识别神经网络、DTW距离差异性损失函数及交叉熵损失函数的构建模块;用于获取最终识别神经网络的训练模块;用于通过最终识别神经网络获取种类识别结果的执行模块。通过最终识别神经网络进行癌细胞种类识别,其不依靠手工特征进行分类,直接提取图像的深层特征进行识别,提高了对癌细胞种类识别的准确度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种癌细胞种类识别装置。
背景技术
癌细胞具有类型多、细胞来源、分化程度复杂、组织形态多样的特点。分辨识别癌细胞种类是癌症诊断治疗过程中的重要环节,需要消耗医生大量的时间与精力的同时,也需要医疗从业者丰富的经验和知识。
对于不同癌细胞组织种类的诊断识别,不仅需要依靠医疗从业者自身素质等因素,还受到医疗资源供给的影响,对癌细胞组织种类的高质量的诊断对于患者的治疗起到重要的作用。传统的癌细胞种类识别一般通过阈值分割和边缘分割方法完成细胞分割,而后提取包括描述形态和染色质特征的手工特征,最后通过分类器进行特征分类,完成种类识别。
但分割算法难以对细胞进行精准分割,在完成分割后,手工特征以非监督的方式获取,容易忽略重要的特征信息,两者均易导致对癌细胞种类识别的准确性降低。
发明内容
本申请实施例提供了一种癌细胞种类识别装置,以解决现有技术中通过细胞分割、手工特征的提取及分类器分类识别的方式进行癌细胞的种类识别,对癌细胞种类识别的准确性较低的技术问题。
本申请实施例提供了一种癌细胞种类识别装置,包括处理模块、融合模块、构建模块、训练模块及执行模块;
所述处理模块用于获取包括若干个初始癌细胞医疗图像的初始样本集,对所述初始样本集进行预处理,以获取包括若干个阶段癌细胞医疗图像的阶段样本集;
所述融合模块用于构建与所述初始癌细胞医疗图像对应的第一图像矩阵,并构建与所述阶段癌细胞医疗图像对应的第二图像矩阵,所述第一图像矩阵包括若干个第一像素,所述第二图像矩阵包括若干个与所述第一像素对应的第二像素,基于所述第一像素及所述第二像素获取权重像素,若干个所述权重像素构成与最终癌细胞医疗图像对应的最终图像矩阵,若干个所述最终图像矩阵构成最终样本集,所述最终样本集与包括若干个癌细胞种类的类别集对应;
所述构建模块用于构建包括若干个卷积层的初始识别神经网络,通过所述最终样本集构建DTW距离差异性损失函数,并通过所述最终样本集及所述类别集构建交叉熵损失函数;
所述训练模块用于通过所述最终样本集、类别集、所述DTW距离差异性损失函数及所述交叉熵损失函数训练所述初始识别神经网络,以获取最终识别神经网络;
所述执行模块用于获取待分类癌细胞医疗图像,将所述待分类癌细胞医疗图像作为输入值输入所述最终识别神经网络,以获取所述待分类癌细胞医疗图像的种类识别结果。
进一步地,所述预处理包括高斯滤波降噪处理。
进一步地,所述权重像素的获取公式为:
,
其中,表示权重像素,/>表示第一像素,/>表示第二像素,/>表示权重值。
进一步地,所述构建包括若干个卷积层的初始识别神经网络的步骤具体为:
构建若干个卷积层,以形成卷积复合层,构建与所述卷积复合层连接的全局最大池化层,构建与所述全局最大池化层连接的全连接层,所述全连接层的输出维度等于所述类别集内所述癌细胞种类的数量,所述卷积复合层、所述最大池化层、所述全连接层构成初始识别神经网络。
进一步地,所述通过所述最终样本集构建DTW距离差异性损失函数的步骤包括:
对所述最终样本集内全部的所述最终图像矩阵进行展平处理,以获取若干个图像序列;
将某一所述图像序列选定为标准序列,并自所述类别集中将与所述标准序列对应的所述癌细胞种类选定为标准种类,将与所述标准种类对应的另一所述图像序列选定为正样本序列;
自所述类别集中选取某一所述癌细胞种类为对照种类,所述对照种类不同于所述标准种类,将与所述对照种类对应的某一所述图像序列选定为负样本序列;
计算所述标准序列与所述正样本序列之间的第一DTW距离,并计算所述标准序列与所述负样本序列之间的第二DTW距离;
基于所述第一DTW距离及所述第二DTW距离构建DTW距离差异性损失函数。
进一步地,所述标准序列的表达式为:
,
其中,表示标准序列,/>表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素;
所述正样本序列的表达式为:
,
其中,表示正样本序列,/>表示与正样本序列对应的最终图像矩阵中第m行第n列的权重像素;
所述第一DTW距离的计算公式为:
,
其中,表示第一DTW距离,/>表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n列的权重像素之间的欧式距离,/>表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n-1列的权重像素之间的DTW距离,/>表示与标准序列对应的最终图像矩阵中第m行第n-1列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n-1列的权重像素之间的DTW距离,/>表示与标准序列对应的最终图像矩阵中第m行第n-1列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n列的权重像素之间的DTW距离。
进一步地,所述DTW距离差异性损失函数为:
,
其中,表示DTW距离差异性损失函数,/>表示批处理大小,表示第一DTW距离,/>表示第二DTW距离,/>表示标准序列,表示正样本序列,/>表示负样本序列,/>表示预设超参数。
进一步地,所述交叉熵损失函数为:
,
其中,表示交叉熵损失函数,/>及/>均表示批处理大小,/>表示指数函数,/>表示模型输出为与第r个图像序列对应的真实癌细胞种类,/>表示模型输出为与第r个图像序列未对应的其他癌细胞种类。
相比于现有技术,本发明的有益效果在于:通过所述初始样本集及所述阶段样本集构建作为模型训练用的所述最终样本集,其有效的保持了图像的纹理特征,提高了所述最终识别神经网络的精度;通过设置包括若干个所述卷积层的所述最终识别神经网络进行癌细胞种类识别,其不依靠手工特征进行分类,直接提取图像的深层特征进行识别,提高了对癌细胞种类识别的准确度;通过DTW距离差异性损失函数,利用DTW算法的抗形变、抗干扰能力强的特点,克服了因癌细胞组织来源多样、细胞形态复杂、种类繁等特性带来的识别干扰,提高了所述最终识别神经网络的精确度和鲁棒性,减轻了医疗资源负担。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
图1为本发明实施例中癌细胞种类识别装置的结构框图;
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
请参阅图1,本发明实施例提供的癌细胞种类识别装置,包括处理模块10、融合模块20、构建模块30、训练模块40及执行模块50。
所述处理模块10用于获取包括若干个初始癌细胞医疗图像的初始样本集,对所述初始样本集进行预处理,以获取包括若干个阶段癌细胞医疗图像的阶段样本集;
若干个初始癌细胞医疗图像分别对应归属于某一癌细胞种类,全部的所述初始癌细胞医疗图像对应的若干个所述癌细胞种类组成类别集。在本实施例中,所述预处理包括高斯滤波降噪处理,对所述初始癌细胞医疗图像进行所述高斯滤波降噪处理的目的,是消除所述初始癌细胞医疗图像中的干扰因素,提高后续识别的准确性。可以理解地,若干个所述阶段癌细胞医疗图像与若干个初始癌细胞医疗图像一一对应。
所述融合模块20用于构建与所述初始癌细胞医疗图像对应的第一图像矩阵,并构建与所述阶段癌细胞医疗图像对应的第二图像矩阵,所述第一图像矩阵包括若干个第一像素,所述第二图像矩阵包括若干个与所述第一像素对应的第二像素,基于所述第一像素及所述第二像素获取权重像素,若干个所述权重像素构成与最终癌细胞医疗图像对应的最终图像矩阵,若干个所述最终图像矩阵构成最终样本集,所述最终样本集与包括若干个癌细胞种类的类别集对应;
所述第一图像矩阵表示为:
,
其中,表示第一图像矩阵,/>表示第一图像矩阵中任一第一像素。
所述第二图像矩阵与所述第一图像矩阵的表示相同,此处不再进行赘述。
所述权重像素的获取公式为:
,
其中,表示权重像素,/>表示第一像素,/>表示第二像素,/>表示权重值。
可以理解地,若干个所述第一像素及若干个所述第二像素融合后可形成若干个所述权重像素,所述最终图像矩阵与所述第一图像矩阵的表示相同,此处不再进行赘述。可以理解地,若干个所述第一像素、若干个所述第二像素及若干个所述权重像素均一一对应。且每个所述最终图像矩阵均对应为一最终癌细胞医疗图像。
所述构建模块30用于构建包括若干个卷积层的初始识别神经网络,通过所述最终样本集构建DTW距离差异性损失函数,并通过所述最终样本集及所述类别集构建交叉熵损失函数;
具体地,所述构建包括若干个卷积层的初始识别神经网络的步骤为:构建若干个卷积层,以形成卷积复合层,构建与所述卷积复合层连接的全局最大池化层,构建与所述全局最大池化层连接的全连接层,所述全连接层的输出维度等于所述类别集内所述癌细胞种类的数量,所述卷积复合层、所述最大池化层、所述全连接层构成初始识别神经网络;
在本实施例中,所述卷积复合层包括5个所述卷积层。
所述通过所述最终样本集构建DTW距离差异性损失函数的步骤包括:
对所述最终样本集内全部的所述最终图像矩阵进行展平处理,以获取若干个图像序列;
将某一所述图像序列选定为标准序列,并自所述类别集中将与所述标准序列对应的所述癌细胞种类选定为标准种类,将与所述标准种类对应的另一所述图像序列选定为正样本序列;
自所述类别集中选取某一所述癌细胞种类为对照种类,所述对照种类不同于所述标准种类,将与所述对照种类对应的某一所述图像序列选定为负样本序列;
所述标准序列的表达式为:
,
其中,表示标准序列,/>表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素;
所述正样本序列的表达式为:
,
其中,表示正样本序列,/>表示与正样本序列对应的最终图像矩阵中第m行第n列的权重像素;
可以理解地,所述标准种类与所述对照种类为所述类别集内两个不同的所述癌细胞种类。所述负样本序列的表达式与所述标准序列及所述正样本序列的表达式相同,此处不再进行赘述,进行所述展平处理,即将所述最终图像矩阵转变为一维序列。需要说明的是,任一所述图像序列均可作为所述标准序列。
计算所述标准序列与所述正样本序列之间的第一DTW距离,并计算所述标准序列与所述负样本序列之间的第二DTW距离;
所述第一DTW距离的计算公式为:
,
其中,表示第一DTW距离,/>表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n列的权重像素之间的欧式距离,/>表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n-1列的权重像素之间的DTW距离,/>表示与标准序列对应的最终图像矩阵中第m行第n-1列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n-1列的权重像素之间的DTW距离,/>表示与标准序列对应的最终图像矩阵中第m行第n-1列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n列的权重像素之间的DTW距离。
所述第二DTW距离的计算方式与所述第一DTW距离的计算方式相同,此处不再进行赘述。
基于所述第一DTW距离及所述第二DTW距离构建DTW距离差异性损失函数。
所述DTW距离差异性损失函数为:
,
其中,表示DTW距离差异性损失函数,/>表示批处理大小,表示第一DTW距离,/>表示第二DTW距离,/>表示标准序列,表示正样本序列,/>表示负样本序列,/>表示预设超参数。
所述交叉熵损失函数为:
,
其中,表示交叉熵损失函数,/>及/>均表示批处理大小,/>表示指数函数,/>表示模型输出为与第r个图像序列对应的真实癌细胞种类,/>表示模型输出为与第r个图像序列未对应的其他癌细胞种类。
所述训练模块40用于通过所述最终样本集、类别集、所述DTW距离差异性损失函数及所述交叉熵损失函数训练所述初始识别神经网络,以获取最终识别神经网络。
将所述最终样本集拆分为训练集及验证集,所述训练集及所述验证集均包括若干个所述最终图像矩阵,将所述训练集作为所述初始识别神经网络的输入值,并将与所述训练集中的所述最终图像矩阵对应的所述癌细胞种类作为所述初始识别神经网络的输出值,以通过所述DTW距离差异性损失函数及所述交叉熵损失函数训练所述初始识别神经网络,而后,通过将所述验证集作为所述初始识别神经网络的输入值,并将与所述验证集对应的所述癌细胞种类作为所述初始识别神经网络的输出值,以确保所述初始识别神经网络达到最大迭代次数或模型收敛,可以理解地,与所述验证集对应的所述癌细胞种类包含于与所述训练集对应的所述癌细胞种类中。
所述执行模块50用于获取待分类癌细胞医疗图像,将所述待分类癌细胞医疗图像作为输入值输入所述最终识别神经网络,以获取所述待分类癌细胞医疗图像的种类识别结果;
通过所述初始样本集及所述阶段样本集构建作为模型训练用的所述最终样本集,其有效的保持了图像的纹理特征,提高了所述最终识别神经网络的精度;通过设置包括若干个所述卷积层的所述最终识别神经网络进行癌细胞种类识别,其不依靠手工特征进行分类,直接提取图像的深层特征进行识别,提高了对癌细胞种类识别的准确度;通过DTW距离差异性损失函数,利用DTW算法的抗形变、抗干扰能力强的特点,克服了因癌细胞组织来源多样、细胞形态复杂、种类繁等特性带来的识别干扰,提高了所述最终识别神经网络的精确度和鲁棒性,减轻了医疗资源负担。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种癌细胞种类识别装置,其特征在于,包括处理模块、融合模块、构建模块、训练模块及执行模块;
所述处理模块用于获取包括若干个初始癌细胞医疗图像的初始样本集,对所述初始样本集进行预处理,以获取包括若干个阶段癌细胞医疗图像的阶段样本集;
所述融合模块用于构建与所述初始癌细胞医疗图像对应的第一图像矩阵,并构建与所述阶段癌细胞医疗图像对应的第二图像矩阵,所述第一图像矩阵包括若干个第一像素,所述第二图像矩阵包括若干个与所述第一像素对应的第二像素,基于所述第一像素及所述第二像素获取权重像素,若干个所述权重像素构成与最终癌细胞医疗图像对应的最终图像矩阵,若干个所述最终图像矩阵构成最终样本集,所述最终样本集与包括若干个癌细胞种类的类别集对应;
所述构建模块用于构建包括若干个卷积层的初始识别神经网络,通过所述最终样本集构建DTW距离差异性损失函数,并通过所述最终样本集及所述类别集构建交叉熵损失函数;
所述训练模块用于通过所述最终样本集、类别集、所述DTW距离差异性损失函数及所述交叉熵损失函数训练所述初始识别神经网络,以获取最终识别神经网络;
所述执行模块用于获取待分类癌细胞医疗图像,将所述待分类癌细胞医疗图像作为输入值输入所述最终识别神经网络,以获取所述待分类癌细胞医疗图像的种类识别结果。
2.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述预处理包括高斯滤波降噪处理。
3.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述权重像素的获取公式为:
,
其中,表示权重像素,/>表示第一像素,/>表示第二像素,/>表示权重值。
4.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述构建包括若干个卷积层的初始识别神经网络的步骤具体为:
构建若干个卷积层,以形成卷积复合层,构建与所述卷积复合层连接的全局最大池化层,构建与所述全局最大池化层连接的全连接层,所述全连接层的输出维度等于所述类别集内所述癌细胞种类的数量,所述卷积复合层、所述最大池化层、所述全连接层构成初始识别神经网络。
5.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述通过所述最终样本集构建DTW距离差异性损失函数的步骤包括:
对所述最终样本集内全部的所述最终图像矩阵进行展平处理,以获取若干个图像序列;
将某一所述图像序列选定为标准序列,并自所述类别集中将与所述标准序列对应的所述癌细胞种类选定为标准种类,将与所述标准种类对应的另一所述图像序列选定为正样本序列;
自所述类别集中选取某一所述癌细胞种类为对照种类,所述对照种类不同于所述标准种类,将与所述对照种类对应的某一所述图像序列选定为负样本序列;
计算所述标准序列与所述正样本序列之间的第一DTW距离,并计算所述标准序列与所述负样本序列之间的第二DTW距离;
基于所述第一DTW距离及所述第二DTW距离构建DTW距离差异性损失函数。
6.根据权利要求5所述的癌细胞种类识别装置,其特征在于,所述标准序列的表达式为:
,
其中,表示标准序列,/>表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素;
所述正样本序列的表达式为:
,
其中,表示正样本序列,/>表示与正样本序列对应的最终图像矩阵中第m行第n列的权重像素;
所述第一DTW距离的计算公式为:
,
其中,表示第一DTW距离,/>表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n列的权重像素之间的欧式距离,/>表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n-1列的权重像素之间的DTW距离,/>表示与标准序列对应的最终图像矩阵中第m行第n-1列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n-1列的权重像素之间的DTW距离,/>表示与标准序列对应的最终图像矩阵中第m行第n-1列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n列的权重像素之间的DTW距离。
7.根据权利要求5所述的癌细胞种类识别装置,其特征在于,所述DTW距离差异性损失函数为:
,
其中,表示DTW距离差异性损失函数,/>表示批处理大小,/>表示第一DTW距离,/>表示第二DTW距离,/>表示标准序列,/>表示正样本序列,表示负样本序列,/>表示预设超参数。
8.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述交叉熵损失函数为:
,
其中,表示交叉熵损失函数,/>及/>均表示批处理大小,/>表示指数函数,表示模型输出为与第r个图像序列对应的真实癌细胞种类,/>表示模型输出为与第r个图像序列未对应的其他癌细胞种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146122.5A CN117671395B (zh) | 2024-02-02 | 2024-02-02 | 一种癌细胞种类识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146122.5A CN117671395B (zh) | 2024-02-02 | 2024-02-02 | 一种癌细胞种类识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117671395A true CN117671395A (zh) | 2024-03-08 |
CN117671395B CN117671395B (zh) | 2024-04-26 |
Family
ID=90086703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410146122.5A Active CN117671395B (zh) | 2024-02-02 | 2024-02-02 | 一种癌细胞种类识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671395B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685126A (zh) * | 2018-12-17 | 2019-04-26 | 北斗航天卫星应用科技集团有限公司 | 基于深度卷积神经网络的图像分类方法及图像分类系统 |
US20190220746A1 (en) * | 2017-08-29 | 2019-07-18 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, and training method of neural network |
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 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
CN112381264A (zh) * | 2020-10-20 | 2021-02-19 | 昆明理工大学 | 一种基于改进图卷积神经网络的用电负荷辨识方法 |
CN113362295A (zh) * | 2021-05-28 | 2021-09-07 | 西安医学院第二附属医院 | 基于自监督密集卷积神经网络的肝脏肿瘤识别方法 |
CN113838558A (zh) * | 2021-08-16 | 2021-12-24 | 电子科技大学 | 基于卷积神经网络的乳腺癌病理图像分析方法及装置 |
WO2022213465A1 (zh) * | 2021-04-08 | 2022-10-13 | 平安科技(深圳)有限公司 | 基于神经网络的图像识别方法、装置、电子设备及介质 |
CN115205300A (zh) * | 2022-09-19 | 2022-10-18 | 华东交通大学 | 基于空洞卷积和语义融合的眼底血管图像分割方法与系统 |
-
2024
- 2024-02-02 CN CN202410146122.5A patent/CN117671395B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190220746A1 (en) * | 2017-08-29 | 2019-07-18 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, and training method of neural network |
CN109685126A (zh) * | 2018-12-17 | 2019-04-26 | 北斗航天卫星应用科技集团有限公司 | 基于深度卷积神经网络的图像分类方法及图像分类系统 |
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 |
CN112381264A (zh) * | 2020-10-20 | 2021-02-19 | 昆明理工大学 | 一种基于改进图卷积神经网络的用电负荷辨识方法 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
WO2022213465A1 (zh) * | 2021-04-08 | 2022-10-13 | 平安科技(深圳)有限公司 | 基于神经网络的图像识别方法、装置、电子设备及介质 |
CN113362295A (zh) * | 2021-05-28 | 2021-09-07 | 西安医学院第二附属医院 | 基于自监督密集卷积神经网络的肝脏肿瘤识别方法 |
CN113838558A (zh) * | 2021-08-16 | 2021-12-24 | 电子科技大学 | 基于卷积神经网络的乳腺癌病理图像分析方法及装置 |
CN115205300A (zh) * | 2022-09-19 | 2022-10-18 | 华东交通大学 | 基于空洞卷积和语义融合的眼底血管图像分割方法与系统 |
Non-Patent Citations (2)
Title |
---|
B. SCHNEIDER等: "Neural network for blood cell classification in a holographic microscopy system", 《 2015 17TH INTERNATIONAL CONFERENCE ON TRANSPARENT OPTICAL NETWORKS (ICTON)》, 13 August 2015 (2015-08-13) * |
邢波涛;李锵;关欣;: "改进的全卷积神经网络的脑肿瘤图像分割", 信号处理, no. 08, 25 August 2018 (2018-08-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117671395B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN110084318B (zh) | 一种结合卷积神经网络和梯度提升树的图像识别方法 | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN111832416A (zh) | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN111738302A (zh) | 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统 | |
WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
CN113610859B (zh) | 一种基于超声图像的甲状腺结节自动分割方法 | |
CN114038037B (zh) | 基于可分离残差注意力网络的表情标签修正和识别方法 | |
CN111598894B (zh) | 基于全局信息卷积神经网络的视网膜血管图像分割系统 | |
CN111461201A (zh) | 基于相空间重构的传感器数据分类方法 | |
CN112085745A (zh) | 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法 | |
CN113284136A (zh) | 一种双损失函数训练的残差网络和XGBoost的医学图像分类方法 | |
CN115294075A (zh) | 一种基于注意力机制的octa图像视网膜血管分割方法 | |
CN110136113B (zh) | 一种基于卷积神经网络的阴道病理图像分类方法 | |
CN113705670A (zh) | 基于磁共振成像和深度学习的脑部图像分类方法及设备 | |
CN113129310A (zh) | 一种基于注意力路由的医学图像分割系统 | |
CN117671395B (zh) | 一种癌细胞种类识别装置 | |
CN116993639A (zh) | 基于结构重参数化的可见光与红外图像融合方法 | |
CN115937590A (zh) | 一种并联融合CNN和Transformer的皮肤病图像分类方法 | |
CN116797817A (zh) | 基于自监督图卷积模型的自闭症疾病预测技术 | |
CN116310335A (zh) | 一种基于Vision Transformer的翼状胬肉病灶区域的分割方法 | |
CN115147303A (zh) | 一种基于掩膜引导的二维超声医学图像修复方法 | |
CN115035339A (zh) | 一种基于人工智能的膀胱镜图像分类方法 | |
CN113435488B (zh) | 一种图像采样概率提升方法及其应用 |
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 |