TWI793865B - Ai自動輔助標記之系統及方法 - Google Patents
Ai自動輔助標記之系統及方法 Download PDFInfo
- Publication number
- TWI793865B TWI793865B TW110142875A TW110142875A TWI793865B TW I793865 B TWI793865 B TW I793865B TW 110142875 A TW110142875 A TW 110142875A TW 110142875 A TW110142875 A TW 110142875A TW I793865 B TWI793865 B TW I793865B
- Authority
- TW
- Taiwan
- Prior art keywords
- labeling
- automatic
- model
- verification
- module
- Prior art date
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
一種AI自動輔助標記之系統及方法,從複數顯微鏡拍攝影像中選擇部分做為候選影像,利用一預標記模組從候選影像中自動標記出複數細胞,並將已標記出細胞之複數標記影像分成複數訓練資料和複數驗證資料;,利用一訓練模組對訓練資料訓練出一基本模型;對驗證資料利用一驗證模組及基本模型進行驗證,並調整基本模型,且驗證模組對驗證資料中的至少一細胞區域及至少一背景區域分別進行驗證,以收斂基本模型形成一自動標記模型;利用自動標記模型對顯微鏡拍攝影像中的剩餘影像自動標記出細胞。藉由本發明所訓練出之基本模型,可從少量的標記影像中進行遞歸訓練和驗證,並自動標記剩餘影像,省時又精確。
Description
本發明係有關一種影像處理的技術,特別是指一種AI自動輔助標記之系統及方法。
細胞標記是指在多細胞系統中,為了追蹤調查某特定細胞的作用和行為,把作為對象的細胞加以標記。將檢體標本放置在顯微鏡下,利用高倍數放大後擷取影像,再於電腦上顯示出拍攝圖像、圈選出需要的細胞,即為細胞標記。
在用於細胞分類的小活檢標本或細胞學標本中,例如對癌細胞進行分類標記時,在成千上萬的細胞中手動標記顯然是密集的勞動,且需要專業的醫學知識才能正確標記出需要的細胞,更難提供一致的標記質量。不僅是在一張圖像中標記細胞很費時間,一片載玻片上拍攝的總圖像可能從900到1600張不等,具體取決於載玻片上標本的大小,而每一張都要進行手動標記,既花人力、時間,也傷眼力,更難以保證大量標記的精確度。
有鑑於此,本發明針對上述習知技術之缺失及未來之需求,提出一種AI自動輔助標記之系統及方法,以有效解決上述該等問題,具體架構及其實施方式將詳述於下:
本發明之主要目的在提供一種AI自動輔助標記之系統及方法,其利用預先標記的標記影像訓練出用於自動標記的基本模型後,透過驗證使基本模型收斂,便可將基本模型應用於自動細胞標記,解決人工標記效率和精確度低的問題。
本發明之另一目的在提供一種AI自動輔助標記之系統及方法,其先對驗證資料中確定是細胞的部分進行驗證,以提升標記的正確率,接著利用驗證資料中確定不是細胞的部分再驗證一次,以降低誤判率,提升基本模型的精準度。
本發明之再一目的在提供一種AI自動輔助標記之系統及方法,其在自動標記時給予每個標記出來的細胞一相似度分數,判斷其標記結果的正確度,以決定標記影像可直接輸出,或需要更多的訓練資料來重新訓練基本模型。
為達上述目的,本發明提供一種AI自動輔助標記之系統,包括:一預標記模組,從複數顯微鏡拍攝影像中選擇部分做為候選影像,其餘為剩餘影像,並從候選影像中自動標記出複數細胞,並將已標記出細胞之複數標記影像分成複數訓練資料和複數驗證資料;至少一第一資料庫,連接預標記模組,儲存訓練資料及驗證資料;一訓練模組,連接第一資料庫,利用訓練資料訓練出一基本模型;一驗證模組,連接第一資料庫及訓練模組,取得基本模型,並利用驗證資料驗證並調整基本模型,且驗證模組對驗證資料中的至少一細胞區域及至少一背景區域分別進行驗證,以收斂基本模型形成一自動標記模型;以及一自動標記模組,連接驗證模組,利用自動標記模型對剩餘影像自動標記出細胞。
依據本發明之實施例,預標記模組標記細胞之方法係利用影像處理演算法找出細胞的邊界。
依據本發明之實施例,顯微鏡拍攝影像係儲存於一第二資料庫中,第二資料庫連接預標記模組及自動標記模組。
依據本發明之實施例,預標記模組更在標記影像上產生至少一遮蔽區域,使訓練模組在訓練基本模型時不學習遮蔽區域。
依據本發明之實施例,驗證模組係在基本模型的訓練期間,間隔一訓練次數時進行驗證。
依據本發明之實施例,驗證模組係在訓練出基本模型後再對驗證資料進行驗證。
依據本發明之實施例,自動標記模組更對標記出的每一細胞給予一相似度分數,以判斷細胞之標記影像可直接輸出或需重新訓練基本模型。
本發明更提供一種AI自動輔助標記之方法,包括下列步驟:從複數顯微鏡拍攝影像中選擇部分做為候選影像,其餘為剩餘影像,並從候選影像中自動標記出複數細胞;將已標記出細胞之複數標記影像分成複數訓練資料和複數驗證資料;利用訓練資料訓練出一基本模型;利用驗證資料驗證並調整基本模型,且對驗證資料中的至少一細胞區域及至少一背景區域分別進行驗證,以收斂基本模型形成一自動標記模型;以及利用自動標記模型對剩餘影像自動標記出細胞。
依據本發明之實施例,利用驗證資料驗證並調整基本模型之步驟中更包括下列步驟:利用基本模型對驗證資料之一者的細胞區域進行驗證,判斷一第一模型分數;若第一模型分數低於一第一預設值,則將驗證資料加入到訓練資料中,重新訓練基本模型;利用基本模型對驗證資料之一者的背景區域進行驗證,判斷一第二模型分數;若第二模型分數低於一第二預設值,則將驗證資料加入到訓練資料中,重新訓練基本模型;以及若第一模型分數高於第一預設值,且第二模型分數高於第二預設值,則驗證通過。
依據本發明之實施例,第一模型分數低於第一預設值時,驗證資料加入到等訓練資料中,且驗證資料中的背景區域被遮蔽。
依據本發明之實施例,第二模型分數低於第二預設值時,驗證資料加入到訓練資料中,且驗證資料中的細胞區域被遮蔽。
本發明提供一種AI自動輔助標記之系統及方法,利用少量標記出的訓練資料訓練出一基本模型後,再利用標記的驗證資料對基本模型進行驗證及調整,產生自動標記模型後,便可對新的顯微鏡拍攝影像進行細胞自動標記,免去人工標記作業的困難度,節省時間並提升精準度。
請參考第1圖,其為本發明AI自動輔助標記之系統之方塊圖。本發明之AI自動輔助標記之系統10包括一第二資料庫12、一預標記模組14、一第一資料庫16、一訓練模組18、一驗證模組20及一自動標記模組22。預標記模組14連接第二資料庫12和第一資料庫16,第一資料庫16又連接訓練模組18,驗證模組20連接第一資料庫16、訓練模組18和自動標記模組22,自動標記模組22更連接第二資料庫12。
當顯微鏡拍攝一片載玻片的樣本,得到100~2000張不等的顯微鏡拍攝影像後,這些顯微鏡拍攝影像儲存在第二資料庫12中。預標記模組14用以從顯微鏡拍攝影像中選擇部分做為候選影像,其餘沒被選擇的是剩餘影像。預標記模組14從候選影像中自動標記出複數細胞,並將已標記出細胞之複數標記影像分成複數訓練資料162和複數驗證資料164,儲存在第一資料庫16中。第一資料庫16可包含兩個資料庫,分別儲存訓練資料162及驗證資料164,或是將訓練資料162及驗證資料164儲存在同一個第一資料庫16中。訓練模組18中包含一人工智慧模型,利用訓練資料162將人工智慧模型訓練成一基本模型。驗證模組20利用驗證資料驗證基本模型,且驗證模組20對驗證資料中的至少一細胞區域及至少一背景區域分別進行驗證,以調整、收斂基本模型,形成一自動標記模型。當自動標記模型訓練完成後,會儲存在自動標記模組22中,第二資料庫12的剩餘影像和其它新的顯微鏡拍攝影像便可直接傳送到自動標記模組22,利用自動標記模型對剩餘影像和其它新的顯微鏡拍攝影像進行細胞自動標記。
請同時參考第2圖,其為本發明AI自動輔助標記之方法之流程圖。步驟S10中,預標記模組14從複數顯微鏡拍攝影像中選擇部分做為候選影像,其餘為剩餘影像,並從候選影像中自動標記出複數細胞。接著如步驟S12所述,預標記模組14將已標記出細胞之複數標記影像分成複數訓練資料和複數驗證資料,儲存在第一資料庫16中。步驟S14中,訓練模組18從第一資料庫16中取得訓練資料162,利用訓練資料162訓練出一基本模型。步驟S16中,驗證模組20利用驗證資料驗證並調整基本模型,且驗證模組20的驗證步驟包括對驗證資料中的至少一細胞區域及至少一背景區域分別進行驗證,以收斂基本模型形成一自動標記模型。最後如步驟S18所述,自動標記模型儲存在自動標記模組22中,自動標記模組22利用自動標記模型對剩餘影像自動標記出細胞,此外,其它新的顯微鏡拍攝影像同樣可直接輸入到自動標記模組22中,直接自動標記細胞。
在上述步驟S10中,對候選影像進行標記除了利用影像處理演算法找出細胞的邊界,以標記出細胞之外,亦可由醫師先選出細胞區域後,再利用影像處理演算法標記細胞區域中的細胞。細胞區域為確定是細胞的區域,而沒有被選出的區域還包含背景區域和遮蔽區域,訓練模組18在訓練基本模型時不需學習遮蔽區域,但背景區域需要做為驗證之用。因此,每一候選影像皆被區分成細胞區域、背景區域和遮蔽區域三個部分。
上述步驟S16中更包括下列步驟,如第3圖所示,其為本發明AI自動輔助標記之方法中驗證步驟之細部流程圖。將驗證資料164輸入到驗證模組20後,驗證模組20會對驗證資料中的細胞區域和背景區域分別進行驗證。首先如步驟S162所述,利用基本模型對細胞區域進行驗證,判斷一第一模型分數,此第一模型分數代表標記正確率,若有基本模型沒有標記到的細胞、或是有被標記但標記錯誤的細胞,則愈多標記錯誤就會使第一模型分數愈低。步驟S164中判斷第一模型分數是否低於一第一預設值,若是,代表第一模型分數偏低,則如步驟S166所述,需要將此筆驗證資料加入到訓練資料中,強迫基本模型去學習此驗證資料的細胞區域,而此驗證資料的其它區域(包含背景區域和遮蔽區域)則被遮蔽。若第一模型分數高於第一預設值,則代表驗證通過,如步驟S165所述。當細胞區域驗證完成後,已提升了標記的正確率,接著進行步驟S168,利用基本模型對背景區域進行驗證,判斷一第二模型分數,此步驟是為了降低誤判率。第二模型分數代表基本模型的誤判率,若基本模型標記了不該標記的區域,使第二模型分數低於一第二預設值,則如步驟S166所述,同樣會將此筆驗證資料加入到訓練資料中,強迫基本模型去學習此驗證資料中不是細胞區域的區域,亦即背景區域,而此驗證資料的其它區域(包含細胞區域和遮蔽區域)則被遮蔽。若第二模型分數高於預設值,則代表驗證通過,如步驟S165所述。
第3圖的驗證步驟會重複進行,直到基本模型被訓練到收斂,形成自動標記模型為止。驗證模組20係在基本模型的訓練期間,間隔一固定的訓練次數時進行驗證,例如基本模型每訓練5代,驗證模組20才會驗證一次。或是在訓練出基本模型後再對驗證資料進行驗證。
當自動標記模型訓練完成後,未被標記的剩餘影像或其它新的顯微鏡拍攝影像輸入到AI自動輔助標記之系統10後,自動標記模組22會自動進行標記,並對標記出的每一細胞給予一相似度分數,以判斷細胞之標記影像可直接輸出或需重新訓練基本模型。舉例而言,若相似度分數偏高,代表訓練資料中標記的是正確且明顯的細胞,其自動標記的結果會如預期般的相似度高,此時可直接輸出標記影像以供醫生診斷之用。若相似度分數偏低,則代表訓練資料的數量太少,或是這次標記的影像中包含很多自動標記模型沒有學習到部分。自動標記模型雖然有基本標記能力,但標記不夠準確,需要利用影像處理演算法自動標記細胞區域,再將這些剩餘影像或其它新的顯微鏡拍攝影像做為訓練資料,去重新訓練基本模型,使之後的自動標記模型更趨完善。
綜上所述,本發明所提供之一種AI自動輔助標記之系統及方法係以影像處理演算法預先將候選影像進行標記,並將標記過的影像分成訓練資料和驗證資料兩部分,利用訓練資料訓練出基本模型,再用驗證資料中的細胞區域和背景區域對基本模型進行驗證及調整,如此一來可提升標記的正確率,並降低誤判率。當基本模型收斂後產生自動標記模型,便可對未標記的細胞影像進行自動標記,並得到各細胞的相似度分數,以判斷可直接輸出標記影像、需重新訓練基本模型或是需要醫生標記區域。藉由本發明之系統及方法,只需要標記少量的影像進行訓練,便可產生自動標記的模型,解決人工標記效率和精確度低的問題。
唯以上所述者,僅為本發明之較佳實施例而已,並非用來限定本發明實施之範圍。故即凡依本發明申請範圍所述之特徵及精神所為之均等變化或修飾,均應包括於本發明之申請專利範圍內。
10:AI自動輔助標記之系統
12:第二資料庫
14:預標記模組
16:第一資料庫
162:訓練資料
164:驗證資料
18:訓練模組
20:驗證模組
22:自動標記模組
第1圖為本發明AI自動輔助標記之系統之方塊圖。
第2圖為本發明AI自動輔助標記之方法之流程圖。
第3圖為本發明AI自動輔助標記之方法中驗證步驟之細部流程圖。
10:AI自動輔助標記之系統
12:第二資料庫
14:預標記模組
16:第一資料庫
162:訓練資料
164:驗證資料
18:訓練模組
20:驗證模組
22:自動標記模組
Claims (14)
- 一種AI自動輔助標記之系統,包括:一預標記模組,從複數顯微鏡拍攝影像中選擇部分做為候選影像,其餘為剩餘影像,並從該等候選影像中自動標記出複數細胞,並將已標記出該等細胞之複數標記影像分成複數訓練資料和複數驗證資料;至少一第一資料庫,連接該預標記模組,儲存該等訓練資料及該等驗證資料;一訓練模組,連接該第一資料庫,利用該等訓練資料訓練出一基本模型,且該等標記影像上包括至少一遮蔽區域,使該訓練模組在訓練該基本模型時不學習該至少一遮蔽區域;一驗證模組,連接該第一資料庫及該訓練模組,取得該基本模型,並利用該等驗證資料驗證並調整該基本模型,且該驗證模組對該等驗證資料中的至少一細胞區域及至少一背景區域分別進行驗證,以收斂該基本模型形成一自動標記模型;以及一自動標記模組,連接該驗證模組,利用該自動標記模型對該等剩餘影像自動標記出細胞。
- 如請求項1所述之AI自動輔助標記之系統,其中該預標記模組標記該等細胞之方法係利用影像處理演算法找出該等細胞的邊界。
- 如請求項1所述之AI自動輔助標記之系統,其中該等顯微鏡拍攝影像係儲存於一第二資料庫中,該第二資料庫連接該預標記模組及該自動標記模組。
- 如請求項1所述之AI自動輔助標記之系統,其中該驗證模組係在該基本模型的訓練期間,間隔一訓練次數時進行驗證。
- 如請求項1所述之AI自動輔助標記之系統,其中該驗證模組係在訓練出該基本模型後再對該驗證資料進行驗證。
- 如請求項1所述之AI自動輔助標記之系統,其中該自動標記模組更對標記出的每一細胞給予一相似度分數,以判斷該等細胞之標記影像可直接輸出或需重新訓練該基本模型。
- 一種AI自動輔助標記之方法,適用於一AI自動輔助標記之系統,該AI自動輔助標記之方法包括下列步驟:利用一預標記模組從複數顯微鏡拍攝影像中選擇部分做為候選影像,其餘為剩餘影像,並從該等候選影像中自動標記出複數細胞;將已標記出該等細胞之複數標記影像分成複數訓練資料和複數驗證資料;利用一訓練模組將該等訓練資料訓練出一基本模型,且該等標記影像上包括至少一遮蔽區域,使該訓練模組在訓練該基本模型時不學習該至少一遮蔽區域;利用一驗證模組透過該等驗證資料驗證並調整該基本模型,且對該等驗證資料中的至少一細胞區域及至少一背景區域分別進行驗證,以收斂該基本模型形成一自動標記模型;以及利用一自動標記模組使該自動標記模型對該等剩餘影像自動標記出細胞。
- 如請求項8所述之AI自動輔助標記之方法,其中從該等候選影像中自動標記出該等細胞之步驟係利用影像處理演算法找出該等細胞的邊界。
- 如請求項7所述之AI自動輔助標記之方法,其中該驗證資料之驗證步驟係實施在該基本模型的訓練期間,間隔一訓練次數時進行驗證。
- 如請求項7所述之AI自動輔助標記之方法,其中該驗證資料之驗證步驟係實施在訓練出該基本模型後。
- 如請求項7所述之AI自動輔助標記之方法,其中該基本模型對該等剩餘影像自動標記出細胞之步驟後,更包括對標記出的每一細胞給予一相似度分數,以判斷該等細胞之標記影像可直接輸出或需重新訓練該基本模型。
- 如請求項7所述之AI自動輔助標記之方法,其中該利用該等驗證資料驗證並調整該基本模型之步驟中更包括下列步驟:利用該基本模型對該等驗證資料之一者的該至少一細胞區域進行驗證,判斷一第一模型分數;若該第一模型分數低於一第一預設值,則將該驗證資料加入到該等訓練資料中,重新訓練該基本模型;利用該基本模型對該等驗證資料之一者的該至少一背景區域進行驗證,判斷一第二模型分數;若該第二模型分數低於一第二預設值,則將該驗證資料加入到該等訓練資料中,重新訓練該基本模型;以及 若該第一模型分數高於該第一預設值,且該第二模型分數高於該第二預設值,則驗證通過。
- 如請求項12所述之AI自動輔助標記之方法,其中該第一模型分數低於該第一預設值時,該驗證資料加入到該等訓練資料中,且該驗證資料中的該至少一背景區域被遮蔽。
- 如請求項12所述之AI自動輔助標記之方法,其中該第二模型分數低於該第二預設值時,該驗證資料加入到該等訓練資料中,且該驗證資料中的該至少一細胞區域被遮蔽。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110142875A TWI793865B (zh) | 2021-11-18 | 2021-11-18 | Ai自動輔助標記之系統及方法 |
CN202111449615.9A CN114140788A (zh) | 2021-11-18 | 2021-11-30 | Ai自动辅助标记的系统及方法 |
US17/550,427 US11978270B2 (en) | 2021-11-18 | 2021-12-14 | AI-assisted automatic labeling system and method |
JP2021209598A JP2023074997A (ja) | 2021-11-18 | 2021-12-23 | Ai自動支援型マーキングシステム及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110142875A TWI793865B (zh) | 2021-11-18 | 2021-11-18 | Ai自動輔助標記之系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI793865B true TWI793865B (zh) | 2023-02-21 |
TW202322142A TW202322142A (zh) | 2023-06-01 |
Family
ID=80386282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110142875A TWI793865B (zh) | 2021-11-18 | 2021-11-18 | Ai自動輔助標記之系統及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11978270B2 (zh) |
JP (1) | JP2023074997A (zh) |
CN (1) | CN114140788A (zh) |
TW (1) | TWI793865B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102165489A (zh) * | 2008-09-16 | 2011-08-24 | 赫斯托克斯公司 | 生物标志物表达的可再现量化 |
CN105264358A (zh) * | 2013-02-18 | 2016-01-20 | 赛拉诺斯股份有限公司 | 生物样品的图像分析及测量 |
CN108596046A (zh) * | 2018-04-02 | 2018-09-28 | 上海交通大学 | 一种基于深度学习的细胞检测计数方法及系统 |
TW202014202A (zh) * | 2018-06-01 | 2020-04-16 | 美商格瑞爾公司 | 用於資料分類之卷積神經網路系統及方法 |
CN111221118A (zh) * | 2020-02-26 | 2020-06-02 | 南京理工大学 | 一种基于相位编码单透镜的显微成像方法 |
TW202115675A (zh) * | 2019-06-26 | 2021-04-16 | 長佳智能股份有限公司 | 根據仿真分離重疊染色體之分離模型的訓練方法及利用該分離模型分離重疊染色體的方法及系統 |
TW202131352A (zh) * | 2020-02-07 | 2021-08-16 | 台達電子工業股份有限公司 | 透過問答生成訓練資料的系統及其方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103601B (zh) | 2017-04-14 | 2020-04-24 | 成都知识视觉科技有限公司 | 一种乳腺癌评分系统中的细胞有丝分裂检测方法 |
CN107330263B (zh) | 2017-06-26 | 2020-07-28 | 成都知识视觉科技有限公司 | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 |
CN107729932B (zh) | 2017-10-10 | 2019-07-26 | 杭州智微信息科技有限公司 | 骨髓细胞标记方法和系统 |
JP6933164B2 (ja) | 2018-03-08 | 2021-09-08 | 株式会社Jvcケンウッド | 学習用データ作成装置、学習用モデル作成システム、学習用データ作成方法、及びプログラム |
EP4361947A3 (en) | 2018-03-23 | 2024-06-19 | Memorial Sloan-Kettering Cancer Center | Systems and methods for multiple instance learning for classification and localization in biomedical imagining |
CN108764329A (zh) * | 2018-05-24 | 2018-11-06 | 复旦大学附属华山医院北院 | 一种肺癌病理图像数据集的构建方法 |
US11830195B2 (en) | 2018-08-06 | 2023-11-28 | Shimadzu Corporation | Training label image correction method, trained model creation method, and image analysis device |
CN109102018B (zh) | 2018-08-10 | 2019-11-29 | 深圳大学 | 妇科分泌物图像的多标签分类方法 |
US20200065706A1 (en) | 2018-08-24 | 2020-02-27 | Htc Corporation | Method for verifying training data, training system, and computer program product |
CN109754879A (zh) * | 2019-01-04 | 2019-05-14 | 湖南兰茜生物科技有限公司 | 一种基于深度学习的肺癌计算机辅助检测方法及系统 |
US11424021B2 (en) | 2019-05-10 | 2022-08-23 | National Taiwan University | Medical image analyzing system and method thereof |
JP2021018766A (ja) | 2019-07-24 | 2021-02-15 | 日本放送協会 | 学習モデル更新支援装置及びプログラム |
JP7464903B2 (ja) | 2020-02-19 | 2024-04-10 | 京セラドキュメントソリューションズ株式会社 | 学習用データセット生成システム、学習用データセット生成サーバーおよび学習用データセット生成プログラム |
CN113450306B (zh) | 2020-03-09 | 2024-04-30 | 长庚医疗财团法人林口长庚纪念医院 | 提供骨折检测工具的方法 |
CN111551117B (zh) | 2020-04-29 | 2021-07-20 | 湖南国科智瞳科技有限公司 | 显微图像焦点漂移距离的测量方法及系统、计算机设备 |
JP7473389B2 (ja) * | 2020-05-14 | 2024-04-23 | 株式会社日立製作所 | 学習モデル生成システム、及び学習モデル生成方法 |
CN111754536B (zh) * | 2020-06-29 | 2024-04-16 | 上海商汤智能科技有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN112001882A (zh) * | 2020-07-08 | 2020-11-27 | 徐州云联医疗科技有限公司 | 一种基于影像组学小样本学习的肺癌诊断方法 |
CN111986802A (zh) * | 2020-08-14 | 2020-11-24 | 上海市肺科医院 | 一种肺腺癌病理分化等级的辅助判定系统及方法 |
CN113034429A (zh) | 2020-12-01 | 2021-06-25 | 郑州大学 | 一种脑切片标记神经细胞检测方法及装置 |
CN113222887A (zh) | 2021-03-03 | 2021-08-06 | 复旦大学附属华山医院 | 基于深度学习的纳米铁标记神经干细胞示踪的方法 |
CN112967253A (zh) * | 2021-03-08 | 2021-06-15 | 中国计量大学 | 一种基于深度学习的宫颈癌细胞检测方法 |
EP4367628A1 (en) * | 2021-11-12 | 2024-05-15 | Samsung Electronics Co., Ltd. | Image processing method and related device |
-
2021
- 2021-11-18 TW TW110142875A patent/TWI793865B/zh active
- 2021-11-30 CN CN202111449615.9A patent/CN114140788A/zh active Pending
- 2021-12-14 US US17/550,427 patent/US11978270B2/en active Active
- 2021-12-23 JP JP2021209598A patent/JP2023074997A/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102165489A (zh) * | 2008-09-16 | 2011-08-24 | 赫斯托克斯公司 | 生物标志物表达的可再现量化 |
CN105264358A (zh) * | 2013-02-18 | 2016-01-20 | 赛拉诺斯股份有限公司 | 生物样品的图像分析及测量 |
CN108596046A (zh) * | 2018-04-02 | 2018-09-28 | 上海交通大学 | 一种基于深度学习的细胞检测计数方法及系统 |
TW202014202A (zh) * | 2018-06-01 | 2020-04-16 | 美商格瑞爾公司 | 用於資料分類之卷積神經網路系統及方法 |
TW202115675A (zh) * | 2019-06-26 | 2021-04-16 | 長佳智能股份有限公司 | 根據仿真分離重疊染色體之分離模型的訓練方法及利用該分離模型分離重疊染色體的方法及系統 |
TW202131352A (zh) * | 2020-02-07 | 2021-08-16 | 台達電子工業股份有限公司 | 透過問答生成訓練資料的系統及其方法 |
CN111221118A (zh) * | 2020-02-26 | 2020-06-02 | 南京理工大学 | 一种基于相位编码单透镜的显微成像方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202322142A (zh) | 2023-06-01 |
US11978270B2 (en) | 2024-05-07 |
US20230154216A1 (en) | 2023-05-18 |
CN114140788A (zh) | 2022-03-04 |
JP2023074997A (ja) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325103B (zh) | 一种细胞标注系统和方法 | |
CN108830332A (zh) | 一种视觉车辆检测方法及系统 | |
CN110232406B (zh) | 一种基于统计学习的液晶面板cf图片识别方法 | |
CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
JP6472621B2 (ja) | 分類器構築方法、画像分類方法および画像分類装置 | |
CN110543912B (zh) | 自动获取胎儿关键切面超声视频中心动周期视频的方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN113763312A (zh) | 使用弱标记检测半导体试样中的缺陷 | |
CN111522951A (zh) | 一种基于图像识别的敏感数据识别与分类的技术方法 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN110400287B (zh) | 结直肠癌ihc染色图像肿瘤侵袭边缘和中心的检测系统及方法 | |
CN110175519B (zh) | 一种变电站的分合标识仪表识别方法、装置与存储介质 | |
US20200005084A1 (en) | Training method of, and inspection system based on, iterative deep learning system | |
CN110929795A (zh) | 高速焊线机焊点快速识别与定位方法 | |
CN115205727A (zh) | 一种基于无监督学习的实验智能评分方法和系统 | |
CN115641345A (zh) | 一种基于深度学习的多发性骨髓瘤细胞形态精细分割方法 | |
CN116385374A (zh) | 基于卷积神经网络的细胞计数方法 | |
CN115359264A (zh) | 一种密集型分布的粘连细胞深度学习识别方法 | |
CN110135407A (zh) | 样本标注方法及计算机存储介质 | |
CN110728269A (zh) | 一种高铁接触网支柱杆号牌识别方法 | |
CN114882204A (zh) | 船名自动识别方法 | |
TWI793865B (zh) | Ai自動輔助標記之系統及方法 | |
CN113344079A (zh) | 一种图像标签半自动标注方法、系统、终端及介质 | |
CN117576038A (zh) | 基于YOLOv8网络的织物瑕疵检测方法及系统 |