TWI755176B - 細胞密度分類方法及裝置、電子裝置及存儲介質 - Google Patents
細胞密度分類方法及裝置、電子裝置及存儲介質 Download PDFInfo
- Publication number
- TWI755176B TWI755176B TW109141667A TW109141667A TWI755176B TW I755176 B TWI755176 B TW I755176B TW 109141667 A TW109141667 A TW 109141667A TW 109141667 A TW109141667 A TW 109141667A TW I755176 B TWI755176 B TW I755176B
- Authority
- TW
- Taiwan
- Prior art keywords
- biological cell
- cell image
- image
- tested
- density
- Prior art date
Links
Images
Abstract
一種細胞密度分類方法,所述方法包括:將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應;確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍。本申請還提供一種細胞密度分類裝置、一種電子裝置及一種電腦可讀存儲介質,可提高細胞計數之速度。
Description
本發明涉及電腦學習技術領域,具體涉及一種細胞密度分類方法及裝置、電子裝置及電腦可讀存儲介質。
目前,在對生物細胞,例如生物幹細胞,進行研究時,往往不需要知道圖像中之幹細胞之準確數量,而只需要知道圖像中之幹細胞之密度範圍。但是,現有之生物細胞計數方法為計算圖像中之細胞之數量,並根據所述細胞之數量計算圖像中之幹細胞之密度範圍,如此,將會導致細胞之計數費時。
鑒於此,有必要提供一種細胞密度分類方法及裝置、電子裝置及電腦可讀存儲介質,可提高細胞計數之速度。
本申請之第一方面提供一種細胞密度分類方法,所述方法包括:將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應;確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍。
較佳地,在所述將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配之前,所述方法還包括:
獲取被分為多個不同密度範圍之多個訓練生物細胞圖像;將各密度範圍之多個訓練生物細胞圖像輸入至不同之卷積神經網路模型中得到多個訓練卷積神經網路模型。
較佳地,多個不同之所述密度範圍形成之密度範圍為0~100%。
較佳地,所述獲取被分為多個不同密度範圍之多個訓練生物細胞圖像包括:獲取多個訓練生物細胞圖像;將多個所述訓練生物細胞圖像分為多個不同密度範圍之多個訓練生物細胞圖像。
較佳地,所述將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配包括:將所述將待測試生物細胞圖像輸入所述訓練卷積神經網路模型中得到重構生物細胞圖像;判斷所述重構生物細胞圖像是否與所述待測試生物細胞圖像相似;若所述重構生物細胞圖像與所述待測試生物細胞圖像相似,確定所述重構生物細胞圖像與所述待測試生物細胞圖像匹配。
較佳地,所述方法還包括:若所述重構生物細胞圖像與所述待測試生物細胞圖像不相似,將所述將待測試生物細胞圖像輸入下一個所述訓練卷積神經網路模型中得到重構生物細胞圖像;判斷所述重構生物細胞圖像是否與所述待測試生物細胞圖像相似;
若所述重構生物細胞圖像與所述待測試生物細胞圖像不相似,繼續得到重構生物細胞圖像及判斷直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配。
較佳地,所述重構生物細胞圖像之細胞密度範圍與所述訓練卷積神經網路模型對應之生物細胞圖像之細胞密度所處之密度範圍相同。
本申請之第二方面提供一種細胞密度分類裝置,所述裝置包括:輸入模組,用於將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應;確定模組,用於確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍。
本申請之第三方面提供一種電子裝置,所述電子裝置包括處理器及記憶體,所述處理器用於執行所述記憶體中存儲之至少一個指令時實現如上任意一項所述之細胞密度分類方法。
本申請之第四方面提供一種電腦可讀存儲介質,所述電腦可讀存儲介質存儲有至少一個指令,所述至少一個指令被處理器執行以實現如上任意一項所述之細胞密度分類方法。
本案利用訓練卷積神經網路模型確定待測試生物細胞圖像之細胞密度,無需計算所述細胞之數量就可確定所述細胞密度範圍,提高所述細胞計數之速度。
10,20:細胞密度分類裝置
101,203:輸入模組
102,204:確定模組
201:獲取模組
202:訓練模組
S31:將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應
S32:確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍
S41:將所述將待測試生物細胞圖像輸入所述訓練卷積神經網路模型中得到重構生物細胞圖像
S42:判斷所述重構生物細胞圖像是否與所述待測試生物細胞圖像相似
S43:若所述重構生物細胞圖像與所述待測試生物細胞圖像相似,確定所述重構生物細胞圖像與所述待測試生物細胞圖像匹配
S44:若所述重構生物細胞圖像與所述待測試生物細胞圖像不相似,將所述將待測試生物細胞圖像輸入下一個所述訓練卷積神經網路模型中得到重構生物細胞圖像
S45:判斷所述重構生物細胞圖像是否與所述待測試生物細胞圖像相似
S46:若所述重構生物細胞圖像與所述待測試生物細胞圖像不相似,繼續得到重構生物細胞圖像及判斷直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配
S61:獲取被分為多個不同密度範圍之多個訓練生物細胞圖像
S62:將各密度範圍之多個訓練生物細胞圖像輸入至不同之卷積神經網路模型中得到多個訓練卷積神經網路模型
S63:將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應
S64:確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍
8:電子裝置
81:記憶體
82:處理器
83:電腦程式
圖1係本發明實施例一提供之細胞密度分類裝置之方框圖。
圖2係本發明實施例二提供之細胞密度分類裝置之方框圖。
圖3係本發明實施例三提供之細胞密度分類方法之流程圖。
圖4係圖3中將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配之一實施例之流程圖。
圖5係圖3中將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配之另一實施例之示意圖。
圖6係本發明實施例四提供之細胞密度分類方法之流程圖。
圖7係將各密度範圍之多個訓練生物細胞圖像輸入至不同之卷積神經網路模型中得到多個訓練卷積神經網路模型之示意圖。
圖8係本發明實施例五提供之電子裝置之方框圖。
為了能夠更清楚地理解本發明之上述目的、特徵和優點,下面結合附圖和具體實施例對本發明進行詳細描述。需要說明之是,在不衝突之情況下,本申請之實施例及實施例中之特徵可以相互組合。
在下面之描述中闡述了很多具體細節以便於充分理解本發明,所描述之實施例僅是本發明一部分實施例,而不是全部之實施例。基於本發明中之實施例,本領域具有通常技藝者在沒有做出創造性勞動前提下所獲得之所有其他實施例,都屬於本發明保護之範圍。
除非另有定義,本文所使用之所有之技術和科學術語與屬於本發明之技術領域之技術人員通常理解之含義相同。本文中在本發明之說明書中所使用之術語只是為了描述具體之實施例之目的,不是旨在於限制本發明。
圖1是本發明實施例一提供之細胞密度分類裝置之方框圖。所述細胞密度分類裝置10應用於電子裝置上。所述電子裝置可為智慧手機、桌上電腦、平板電腦等。所述細胞密度分類裝置10包括輸入模組101及確定模組102。
所述輸入模組101用於將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應。所述確定模組102用於確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍。
圖2是本發明實施例二提供之細胞密度分類裝置之方框圖。所述細胞密度分類裝置20應用於電子裝置上。所述電子裝置可為智慧手機、桌上電腦、平板電腦等。所述細胞密度分類裝置20包括獲取模組201、訓練模組202、輸入模組203及確定模組204。所述獲取模組201用於獲取被分為多個不同密度範圍之多個訓練生物細胞圖像。所述訓練模組202用於將各密度範圍之多個訓練生物細胞圖像輸入至不同之卷積神經網路模型中得到多個訓練卷積神經網路模型。所述輸入模組203用於將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應。所述確定模組204用於確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍。
以下將結合一種細胞密度分類方法之流程圖來詳細描述模組101~102及模組201~204之具體功能。
圖3是本發明實施例三提供之細胞密度分類方法之流程圖。所述細胞密度分類方法可包括以下步驟:
S31:將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應。
所述生物細胞圖像可為,例如,生物幹細胞圖像。所述生物幹細
胞圖像包括幹細胞及其他物質。所述其他物質可為雜質或其他細胞。所述重構生物細胞圖像之細胞密度範圍與所述訓練卷積神經網路模型對應之生物細胞圖像之細胞密度所處之密度範圍相同。
請參考圖4,為所述將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配之一實施例之流程圖。所述流程圖可包括如下步驟:
S41:將所述將待測試生物細胞圖像輸入所述訓練卷積神經網路模型中得到重構生物細胞圖像。
S42:判斷所述重構生物細胞圖像是否與所述待測試生物細胞圖像相似。
S43:若所述重構生物細胞圖像與所述待測試生物細胞圖像相似,確定所述重構生物細胞圖像與所述待測試生物細胞圖像匹配。
S44:若所述重構生物細胞圖像與所述待測試生物細胞圖像不相似,將所述將待測試生物細胞圖像輸入下一個所述訓練卷積神經網路模型中得到重構生物細胞圖像。
S45:判斷所述重構生物細胞圖像是否與所述待測試生物細胞圖像相似。
S46:若所述重構生物細胞圖像與所述待測試生物細胞圖像不相似,繼續得到重構生物細胞圖像及判斷直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配。
例如,將所述將待測試生物細胞圖像1輸入訓練卷積神經網路模型1中得到重構生物細胞圖像1,判斷所述重構生物細胞圖像1與所述待測試生物細胞圖像1是否相似,確定所述重構生物細胞圖像1與所述待測試生物細胞圖像1不相似。此時,將待測試生物細胞圖像1輸入訓練卷積神經網路模型2中得
到重構生物細胞圖像2,判斷所述重構生物細胞圖像2與所述待測試生物細胞圖像1是否相似,確定所述重構生物細胞圖像2與所述待測試生物細胞圖像1相似,此時,確定所述重構生物細胞圖像2與所述待測試生物細胞圖像1匹配。
請參考圖5,為將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配之另一實施例之示意圖。在所述另一實施例中,所述待測試生物細胞圖像輸入所有之訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配。在圖5中,待測試生物細胞圖像3輸入訓練卷積神經網路模型1、訓練卷積神經網路模型2、訓練卷積神經網路模型3及訓練卷積神經網路模型4中分別得到重構生物細胞圖像1、重構生物細胞圖像2、重構生物細胞圖像3及重構生物細胞圖像4,其中得到之重構生物細胞圖像3與所述待測試生物細胞圖像3匹配。
S32:確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍。
所述確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍可為,例如,在圖5中,由訓練卷積神經網路模型3所得到之重構生物細胞圖像3與所述待測試生物細胞圖像3匹配,確定所述待測試生物細胞圖像3之細胞密度為訓練卷積神經網路模型3對應之密度範圍40%~60%。
實施例三將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍,從而,本案利用訓練卷積神經網路模型確定待測試生物細胞圖像之細胞密度,無需計算所述細胞之數量就可確定所述細胞密度範圍,
提高所述細胞計數之速度。
圖6是本發明實施例四提供之細胞密度分類方法之流程圖。所述細胞密度分類方法可包括以下步驟:
S61:獲取被分為多個不同密度範圍之多個訓練生物細胞圖像。
多個不同之所述密度範圍形成之密度範圍為0~100%。所述密度範圍之大小可完全相同或不完全相同。
所述獲取被分為多個不同密度範圍之多個訓練生物細胞圖像包括:獲取多個訓練生物細胞圖像,及將多個所述訓練生物細胞圖像分為多個不同密度範圍之多個訓練生物細胞圖像。
所述將多個所述訓練生物細胞圖像分為多個不同密度範圍之多個訓練生物細胞圖像可為按照預設規則或隨機將多個所述訓練生物細胞圖像分為多個不同密度範圍之多個訓練生物細胞圖像。
S62:將各密度範圍之多個訓練生物細胞圖像輸入至不同之卷積神經網路模型中得到多個訓練卷積神經網路模型。
所述將各密度範圍之多個訓練生物細胞圖像輸入至不同之卷積神經網路模型中得到多個訓練卷積神經網路模型可為,例如,如圖7所示,將密度範圍0~40%之多個訓練生物細胞圖像輸入至卷積神經網路模型1中,將密度範圍40%~60%之多個訓練生物細胞圖像輸入至卷積神經網路模型2中,將密度範圍60%~80%之多個訓練生物細胞圖像輸入至卷積神經網路模型3中,將密度範圍80%~100%之多個訓練生物細胞圖像輸入至卷積神經網路模型4中,得到訓練卷積神經網路模型1、訓練卷積神經網路模型2、訓練卷積神經網路模型3及訓練卷積神經網路模型4。
S63:將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得
到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應。
所述實施例四中之所述步驟S63與所述實施例三中之所述步驟S31相似,所述實施例四中之所述步驟S63之具體描述可參考所述實施例三中之所述步驟S31,在此不進行贅述。
S64:確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍。
所述實施例四中之所述步驟S64與所述實施例三中之所述步驟S32相似,所述實施例四中之所述步驟S63之具體描述可參考所述實施例三中之所述步驟S32,在此不進行贅述。
實施例四獲取被分為多個不同密度範圍之多個訓練生物細胞圖像,將各密度範圍之多個訓練生物細胞圖像輸入至不同之卷積神經網路模型中得到多個訓練卷積神經網路模型,將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍。從而,本案藉由先訓練卷積神經網路模型,再根據訓練卷積神經網路模型確定待測試生物細胞圖像之細胞密度,無需計算所述細胞之數量就可確定所述細胞密度範圍,提高所述細胞計數之速度。
圖8是本發明實施例三提供之電子裝置之方框圖。所述電子裝置8包括:記憶體81、至少一個處理器82、及存儲在所述記憶體81中並可在所述至少一個處理器82上運行之電腦程式83。所述至少一個處理器82執行所述電腦程式83時實現上述方法實施例中之步驟。或者,所述至少一個處理器82執行所述電腦程式83時實現上述裝置實施例中之各模組之功能。
示例性之,所述電腦程式83可以被分割成一個或多個模組/單元,
所述一個或者多個模組/單元被存儲在所述記憶體81中,並由所述至少一個處理器82執行,以完成本發明。所述一個或多個模組/單元可以是能夠完成特定功能之一系列電腦程式指令段,該指令段用於描述所述電腦程式83在所述電子裝置8中之執行過程。例如,所述電腦程式83可以被分割成圖1所示之模組,各模組具體功能參見實施例一。
所述電子裝置8可以為任何一種電子產品,例如,個人電腦、平板電腦、智慧手機、個人數位助理(Personal Digital Assistant,PDA)等。本領域具有通常技藝者可以理解,所述示意圖8僅是電子裝置8之示例,並不構成對電子裝置8之限定,可以包括比圖示更多或更少之部件,或者組合某些部件,或者不同之部件,例如所述電子裝置8還可以包括匯流排等。
所述至少一個處理器82可以是中央處理單元(Central Processing Unit,CPU),還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor,DSP)、專用積體電路(Application Specific Integrated Circuit,ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array,FPGA)或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。該處理器82可以是微處理器或者該處理器82也可以是任何常規之處理器等,所述處理器82是所述電子裝置8之控制中心,利用各種介面和線路連接整個電子裝置8之各個部分。
所述記憶體81可用於存儲所述電腦程式83和/或模組/單元,所述處理器82藉由運行或執行存儲在所述記憶體81內之電腦可讀指令和/或模組/單元,以及調用存儲在記憶體81內之資料,實現所述電子裝置8之各種功能。所述記憶體81可主要包括存儲程式區和存儲資料區,其中,存儲程式區可存儲作業系統、至少一個功能所需之應用程式(比如聲音播放功能、圖像播放功能等)等;存儲資料區可存儲根據電子裝置8之使用所創建之資料(比如音訊資料等)等。此外,記憶體81可以包括非易失性電腦可讀記憶體,例如硬碟、記憶體、
插接式硬碟,智慧存儲卡(Smart Media Card,SMC),安全數位(Secure Digital,SD)卡,快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他非易失性固態記憶體件。
所述電子裝置8集成之模組/單元如果以軟體功能單元之形式實現並作為獨立之產品銷售或使用時,可以存儲在一個電腦可讀存儲介質中。基於這樣之理解,本發明實現上述實施例方法中之全部或部分流程,也可以藉由電腦程式來指令相關之硬體來完成,所述之電腦程式可存儲於一電腦可讀存儲介質中,該電腦程式在被處理器執行時,可實現上述各個方法實施例之步驟。其中,所述電腦程式包括電腦程式代碼,所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括:能夠攜帶所述電腦程式代碼之任何實體或裝置、記錄介質、隨身碟、移動硬碟、磁碟、光碟、電腦記憶體、唯讀記憶體(ROM,Read-Only Memory)等。
最後應說明之是,以上實施例僅用以說明本發明之技術方案而非限制,儘管參照較佳實施例對本發明進行了詳細說明,本領域具有通常技藝者應當理解,可以對本發明之技術方案進行修改或等同替換,而不脫離本發明技術方案之精神範圍。
S31:將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應
S32:確定所述待測試生物細胞圖像之細胞密度為與所述重構生物細胞圖像匹配時之訓練卷積神經網路模型對應之密度範圍
Claims (10)
- 一種細胞密度分類方法,其中,所述方法包括:將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應,不同訓練卷積神經網路模型由不同密度範圍之多個訓練生物細胞圖像訓練得到,不同訓練卷積神經網路模型對應不同生物細胞圖像之細胞密度所處之密度範圍;確定所述待測試生物細胞圖像之細胞密度為多個訓練卷積神經網路模型中與所述重構生物細胞圖像匹配時之一訓練卷積神經網路模型對應之密度範圍。
- 如請求項1所述之細胞密度分類方法,其中,在所述將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配之前,所述方法還包括:獲取被分為多個不同密度範圍之多個訓練生物細胞圖像;將各密度範圍之多個訓練生物細胞圖像輸入至不同之卷積神經網路模型中得到多個訓練卷積神經網路模型。
- 如請求項2所述之細胞密度分類方法,其中:多個不同之所述密度範圍形成之密度範圍為0~100%。
- 如請求項2所述之細胞密度分類方法,其中,所述獲取被分為多個不同密度範圍之多個訓練生物細胞圖像包括:獲取多個訓練生物細胞圖像;將多個所述訓練生物細胞圖像分為多個不同密度範圍之多個訓練生物細胞圖像。
- 如請求項1所述之細胞密度分類方法,其中,所述將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配包括: 將所述將待測試生物細胞圖像輸入所述訓練卷積神經網路模型中得到重構生物細胞圖像;判斷所述重構生物細胞圖像是否與所述待測試生物細胞圖像相似;若所述重構生物細胞圖像與所述待測試生物細胞圖像相似,確定所述重構生物細胞圖像與所述待測試生物細胞圖像匹配。
- 如請求項5所述之細胞密度分類方法,其中,所述方法還包括:若所述重構生物細胞圖像與所述待測試生物細胞圖像不相似,將所述將待測試生物細胞圖像輸入下一個所述訓練卷積神經網路模型中得到重構生物細胞圖像;判斷所述重構生物細胞圖像是否與所述待測試生物細胞圖像相似;若所述重構生物細胞圖像與所述待測試生物細胞圖像不相似,繼續得到重構生物細胞圖像及判斷直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配。
- 如請求項1所述之細胞密度分類方法,其中:所述重構生物細胞圖像之細胞密度範圍與所述訓練卷積神經網路模型對應之生物細胞圖像之細胞密度所處之密度範圍相同。
- 一種細胞密度分類裝置,其中,所述裝置包括:輸入模組,用於將待測試生物細胞圖像輸入訓練卷積神經網路模型中直至得到之重構生物細胞圖像與所述待測試生物細胞圖像匹配,所述訓練卷積神經網路模型與生物細胞圖像之細胞密度所處之密度範圍對應,不同訓練卷積神經網路模型由不同密度範圍之多個訓練生物細胞圖像訓練得到,不同訓練卷積神經網路模型對應不同生物細胞圖像之細胞密度所處之密度範圍;確定模組,用於確定所述待測試生物細胞圖像之細胞密度為多個訓練卷積神經網路模型中與所述重構生物細胞圖像匹配時之一訓練卷積神經網路模型對應之密度範圍。
- 一種電子裝置,其中,所述電子裝置包括處理器及記憶體,所述處理器用於執行所述記憶體中存儲之至少一個指令時實現如請求項1至7中任意一項所述之細胞密度分類方法。
- 一種電腦可讀存儲介質,其中,所述電腦可讀存儲介質存儲有至少一個指令,所述至少一個指令被處理器執行以實現如請求項1至7中任意一項所述之細胞密度分類方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109141667A TWI755176B (zh) | 2020-11-26 | 2020-11-26 | 細胞密度分類方法及裝置、電子裝置及存儲介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109141667A TWI755176B (zh) | 2020-11-26 | 2020-11-26 | 細胞密度分類方法及裝置、電子裝置及存儲介質 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI755176B true TWI755176B (zh) | 2022-02-11 |
TW202220620A TW202220620A (zh) | 2022-06-01 |
Family
ID=81329559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109141667A TWI755176B (zh) | 2020-11-26 | 2020-11-26 | 細胞密度分類方法及裝置、電子裝置及存儲介質 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI755176B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033440A (zh) * | 2019-03-21 | 2019-07-19 | 中南大学 | 基于卷积神经网络与特征融合的生物细胞计数方法 |
CN110659718A (zh) * | 2019-09-12 | 2020-01-07 | 中南大学 | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 |
-
2020
- 2020-11-26 TW TW109141667A patent/TWI755176B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033440A (zh) * | 2019-03-21 | 2019-07-19 | 中南大学 | 基于卷积神经网络与特征融合的生物细胞计数方法 |
CN110659718A (zh) * | 2019-09-12 | 2020-01-07 | 中南大学 | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202220620A (zh) | 2022-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840589B (zh) | 一种在fpga上运行卷积神经网络的方法和装置 | |
CN106855952B (zh) | 基于神经网络的计算方法及装置 | |
WO2022042123A1 (zh) | 图像识别模型生成方法、装置、计算机设备和存储介质 | |
CN114764768A (zh) | 缺陷检测分类方法、装置、电子设备及存储介质 | |
CN110672323B (zh) | 一种基于神经网络的轴承健康状态评估方法及装置 | |
US20230214989A1 (en) | Defect detection method, electronic device and readable storage medium | |
CN111461168A (zh) | 训练样本扩充方法、装置、电子设备及存储介质 | |
WO2022027913A1 (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
TW201911230A (zh) | 監控方法、計算裝置及電腦可讀存儲介質 | |
CN112149708A (zh) | 数据模型选择优化方法、装置、计算机装置及存储介质 | |
TWI755176B (zh) | 細胞密度分類方法及裝置、電子裝置及存儲介質 | |
CN116628600A (zh) | 基于随机森林的不平衡数据采样方法及装置 | |
US20220207892A1 (en) | Method and device for classifing densities of cells, electronic device using method, and storage medium | |
CN109696614B (zh) | 电路测试优化方法及装置 | |
TWI777319B (zh) | 幹細胞密度確定方法、裝置、電腦裝置及儲存介質 | |
CN114549889A (zh) | 细胞密度分类方法及装置、电子装置及存储介质 | |
TW202226065A (zh) | 細胞密度分類方法及裝置、電子裝置及存儲介質 | |
TWI770817B (zh) | 瑕疵檢測方法、電子裝置及存儲介質 | |
TWI775084B (zh) | 圖像識別方法、裝置、電腦裝置及存儲介質 | |
TWI738066B (zh) | 基於神經網路之資料處理裝置、方法及電腦可讀取存儲介質 | |
TWI762193B (zh) | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 | |
US20220215247A1 (en) | Method and device for processing multiple modes of data, electronic device using method, and non-transitory storage medium | |
TWI775087B (zh) | 圖像標識方法、裝置、電腦裝置及存儲介質 |