CN109191434A - 一种细胞分化中的图像检测***及检测方法 - Google Patents
一种细胞分化中的图像检测***及检测方法 Download PDFInfo
- Publication number
- CN109191434A CN109191434A CN201810913993.XA CN201810913993A CN109191434A CN 109191434 A CN109191434 A CN 109191434A CN 201810913993 A CN201810913993 A CN 201810913993A CN 109191434 A CN109191434 A CN 109191434A
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- module
- coefficient
- scattering
- 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.)
- Pending
Links
- 230000024245 cell differentiation Effects 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 33
- 238000003709 image segmentation Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 230000004069 differentiation Effects 0.000 claims abstract description 18
- 239000003550 marker Substances 0.000 claims abstract description 17
- 230000008676 import Effects 0.000 claims abstract description 13
- 230000006698 induction Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000014509 gene expression Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 238000010521 absorption reaction Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 210000004209 hair Anatomy 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 239000007787 solid Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 229910052704 radon Inorganic materials 0.000 claims description 6
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000005859 cell recognition Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000000527 sonication Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000000149 penetrating effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 4
- 230000003862 health status Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 25
- 230000000694 effects Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 108700039691 Genetic Promoter Regions Proteins 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000032459 dedifferentiation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
Abstract
本发明属于细胞分化技术领域,公开了一种细胞分化中的图像检测***及检测方法,细胞分化中的图像检测***包括:标记基因导入模块、诱导分化模块、图像采集模块、主控模块、图像识别模块、图像分割模块、数据存储模块、显示模块。本发明通过图像识别模块提高了细胞图像识别的精确度与识别速度,可以实现智能化操作和判断,能快速的识别细胞的类别状态,可以帮助医生快速地诊断细胞是否处于健康状态;同时通过图像分割模块对分块门限阈值分割后得到的结果进行筛选,不完整的细胞核送入自适应分割进行二次分割,完整的细胞核图像直接输出,然后把利用自适应分割的结果和分块阈值分割的结果合并成最终的理想输出图像。
Description
技术领域
本发明属于细胞分化技术领域,尤其涉及一种细胞分化中的图像检测***及检测方法。
背景技术
细胞分化(celldifferentiation)是指同一来源的细胞逐渐产生出形态结构、功能特征各不相同的细胞类群的过程,其结果是在空间上细胞产生差异,在时间上同一细胞与其从前的状态有所不同。细胞分化的本质是基因组在时间和空间上的选择性表达,通过不同基因表达的开启或关闭,最终产生标志性蛋白质。一般情况下,细胞分化过程是不可逆的。然而,在某些条件下,分化了的细胞也不稳定,其基因表达模式也可以发生可逆性变化,又回到其未分化状态,这一过程称为去分化(dedifferentiation)。然而,现有细胞分化图像识别精度误差大、速度慢;同时采集的图像细胞间重叠;细胞边缘界限模糊;细胞图像参入杂质;细胞核大小形状纹理不一致,影响医生诊断判断。
综上所述,现有技术存在的问题是:
现有细胞分化图像识别精度误差大、速度慢;同时采集的图像细胞间重叠;细胞边缘界限模糊;细胞图像参入杂质;细胞核大小形状纹理不一致,影响医生诊断判断。
现有技术中细胞的图像检测***的拍摄的图像不够清晰,给实验的进一步研究带来不便;图形分割效果不佳,不能有效地提高图像的分割效果;细胞图像的显示中,不能有效的去除离散噪声图像,使得观看到细胞图像十分不清楚,影响研究结果的归纳和总结。
OPT成像由于生物样品未经透明化处理,因此存在光子散射问题。常规的OPT成像算法只考虑生物组织对光子的吸收特性,也只能重建光子的吸收系数不能重建光子的散射系数。当采用OPT技术进行成像时,散射的影响不可忽略,并且会和光子的吸收特性混合在一起,从而导致传统的OPT成像空间分辨率的降低以及重建结果的不准确。
发明内容
针对现有技术存在的问题,本发明提供了一种细胞分化中的图像检测***。
本发明是这样实现的,一种细胞分化中的图像检测方法,包括:
通过图像采集模块对细胞中由发光蛋白基因的表达所产生的发光图像进行拍摄;
通过图像识别模块采集产生的发光图像,识别细胞类别状态信息;
图像采集中,利用灰度图像十字线区域清晰度理论模型算法进行改进采集的图像,用于细胞分化中的图像检测***的拍摄的图像由m×n个像素构成,像素灰度值矩阵B(I,J),其中0≤I≤m-1,0≤J≤n-1;
十字线灰度图像最大灰度值Bmax,最小灰度值Bmin,灰度差值的1/2用Bdif表示,如下式:
根据十字线灰度图像清晰度计算理论模型,设灰度图像的清晰度为C,得到的十字线灰度图像清晰度改进模型,如下式:
通过图像分割模块对采集的图像进行分割筛选出细胞核图;图像进行分割中,采用FCM图像分割算法,具体有:
初始化的确定:根据图像分割的要求,需要对图像进行初始化的确定,并对需要的参数进行初始化,并将直方图的聚类中心;
因子的自适应性的确定,适应度,根据构造的适应函数:
f=a/(b+J);
其中,a,b是可调整的参数;J为的目标函数;
变异操作:个体前后的变化量为0.5r(t/T),数据r是在规定的区间内产生的随机数,T为计算的最大代数;
迭代计算:将通过新的切割数据得出新的模糊隶属度矩阵,产生新的切割参数,返回迭代计算,直到完成条件的终止,完成图像的分割;
通过数据存储模块存储采集的图像数据信息;通过显示模块显示采集的细胞图像数据信息;显示采集的细胞图像数据信息中,采用非局部均值滤波算法去除离散噪声图像,离散噪声图像v={v(i)|i∈I}对一个像素i的估计值NL[v](i),计算图像中的所有像素的加权平均值,w(i,j)为权重,0≤w(i,j)≤1且
灰度向量v(Ni)和v(Nj)的相似性表示像素i和像素j之间的相似性,为i、j区域的加权欧式距离的平方,a表示高斯核标准差,a>0,h为控制虑波程度的系数,Z(i)图像搜索范围内所有区域相似度总和。
进一步,通过图像识别模块采集产生的发光图像,识别细胞类别状态信息中,需进行:重建生物组织衰减系数;重建生物组织散射系数;计算细胞的吸收系数;
重建生物组织衰减系数前,需进行光子弱散射生物组织传输建模,包括:
表示Γ-上入射的光子到位置且方向为时所传播的距离,则:
其中为处的辐射度,表示单位立体角内、单位时间内、通过垂直于单位方向矢量的单位面积上的平均功率通量密度,量纲是W/(m2.Sr);K0为引入的光子弹道传播算子,表示生物组织在处的总的衰减系数,表示生物组织的吸收系数,表示散射系数;
再定义:
其中K为引入的光子散射传播算子,为归一化的散射相位函数,表示光子从方向v'散射到方向的概率,满足dΩ′表示单位方向矢量对应的立体角微元;定义m0=K0gin,则有nn+1=Kmn(n≥0),从而在处的总的辐射率为:
其中mn表示经n次散射到达的辐射度分量;当光子在扩散区域传播时,K的谱半径ρ(K)值接近1,当光子在弱散射区域传播时,ρ(K)>>1,在此种情况下,当n→∞时,快速收敛;
然后,在输出边界Γ+上描述探测器接收到的数据总量gout,即从而:
其中A是描述光子传输的矩阵,A0、A1和A2分别描述弹道传输、一次散射传输和多次散射传输部分,定义g0=A0gin,g1=A1gin分别表示测量数值中的弹道传输分量和一次散射分量,则知:
入射光方向为经一次散射后其方向为则上式中关于的积分仅在一特定角度上有值,取系数k的取值由相位函数确定,同时定义 分别表示光子发生散射后和散射前的衰减量,则有:
进一步,计算重建衰减系数包括:
在成像中采用空间均匀分布的平行光对细胞gin进行照射,通过图像识别模块集成的CCD相机采集无细胞遮挡的照射光测得入射光强度;对 左右两边同除以gin并取负对数,则:
采集到360度的测量数据G0后,采用精确高效的滤波反投影重建算法实现逆Radon变换即计算出衰减系数,即μt=FBP(G0);
所述重建散射系数由公式g1包含了OPT成像中散射的影响,当从某一确定的角度采集数据g1时,和的散射夹角确定,系数k为一个确定的常数;两边同除以kgin,则有:
由上式知为散射系数延方向的加权Radon变换,所加权值ω1(t)和ω2(t)均是与衰减系数有关的函数,将离散化并以矩阵的形式表示如下:
Wμs=G1;
其中W表示离散化后的权值矩阵,μs和G1分别表示散射系数矢量和不同角度测量得到的归一化测量矢量,利用带罚函数的加权最小二乘准则建立如下的目标函数:
其中表达式的第一项是似然函数的近似表达形式,第二项R(μs)为正则项,通常根据图像的先验信息构造而成,β为正则化因子,矩阵C为协方差矩阵;以ni表示CCD探测器检测到的散射光子数,对应的协方差矩阵表示为:
利用最优化方法对Φ(μs)的目标函数求解,即求出散射系数:
μs=argminΦ(μs);
计算吸收系数利用计算结果,计算细胞的吸收系数,利用关系式μt=μa+μs计算细胞的吸收系数μa。
进一步,图像识别方法包括:
1)对所述细胞图像预处理,采用对细胞图像灰度化处理、图像去噪声处理、图像灰度直方图均衡化处理、图像分割处理;
2)采用压缩感知技术对预处理后的细胞图像建立稀疏系数:
首先对细胞图像按列提取构成细胞图像样本列向量;
将数据库中的训练样本细胞图像构成的感知矩阵A∈Rm×n作为压缩感知的测量矩阵,其中m为样本特征维数,n为样本数量;
根据压缩感知理论,对实时采集到的细胞图像样本y∈Rm,通过求解最优l1范数来构造稀疏系数x,求解方式为
3)细胞识别,计算待识别细胞与每一类训练样本细胞的线性加权的差值ri(y),选择差值最小的一类训练样本的所属类别作为测试样本的类别,具体计算公式为;
式中,表示提取的待识别细胞稀疏系数x与第i类细胞图像对应的系数。
进一步,图像分割方法进一步包括:
(1)输入一幅细胞TCT图像,对图像进行灰度转换、中值滤波去噪以及对比度增强等预处理;
(2)对所有图像进行分块阈值分割处理,采用OTSU方法进行阈值分割,分割出前景与背景;
(3)进行图像形状测试,前后背景图像鲜明的直接放入待检测结果输出集合,未通过检测的再次进行自适应阈值分割;
(4)把两次分割的结果进行合并,就得到最终理想的分割图像集合。
本发明另一目的在于提供一种计算机程序,所述计算机程序运行所述的细胞分化中的图像检测方法。
本发明另一目的在于提供一种终端,所述终端至少搭载实现所述细胞分化中的图像检测方法的控制器。
本发明另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的细胞分化中的图像检测方法。
本发明另一目的在于提供一种实现所述细胞分化中的图像检测方法的细胞分化中的图像检测***,所述细胞分化中的图像检测***包括:
标记基因导入模块,与主控模块连接,用于对导入有分化状态检测标记基因的启动子区域与发光蛋白基因的融合基因的细胞进行培养工序;
诱导分化模块,与主控模块连接,用于对于标记基因导入模块1工序后的细胞,在诱导分化的条件下进行培养;
图像采集模块,与主控模块连接,用于对细胞中由发光蛋白基因的表达所产生的发光图像进行拍摄;
主控模块,与标记基因导入模块、诱导分化模块、图像采集模块、图像识别模块、图像分割模块、数据存储模块、显示模块连接,用于控制各个模块正常工作;
图像识别模块,与主控模块连接,用于对采集的图像识别细胞类别状态等信息;
图像分割模块,与主控模块连接,用于对采集的图像进行分割筛选出细胞核图;
数据存储模块,与主控模块连接,用于存储采集的图像数据信息;
显示模块,与主控模块连接,用于显示采集的细胞图像数据信息。
本发明另一目的在于提供一种细胞分化图像检测平台,所述细胞分化图像检测平台至少搭载所述的细胞分化中的图像检测***。
本发明的优点及积极效果为:
本发明通过图像识别模块提高了细胞图像识别的精确度与识别速度,可以实现智能化操作和判断,能快速的识别细胞的类别状态,可以帮助医生快速地诊断细胞是否处于健康状态,对疾病的预防与治疗有较好的应用价值;同时通过图像分割模块先利用改进的分块门限阈值分割算法得到比较粗糙的分割结果,而后利用细胞核特征形态测试方法,对分块门限阈值分割后得到的结果进行筛选,不完整的细胞核送入自适应分割进行二次分割,完整的细胞核图像直接输出,然后把利用自适应分割的结果和分块阈值分割的结果合并成最终的理想输出图像。
本发明所利用灰度图像十字线区域清晰度理论模型算法进行改进,使得细胞分化中的图像检测***的拍摄的图像更为清晰,准确;图形分割模块采用FCM图像分割算法分析,使得图像分割准确,有效地提高图像的分割效果;显示模块,为了去除离散噪声图像,采用非局部均值滤波算法对其进行处理,使得细胞图像更为清楚。
本发明在透射式OPT成像方面,提出了同时重建吸收系数和散射系数的有效方法。针对OPT成像存在弱散射的问题,结合OPT成像数据采集的自身特点,构建相应的数学模型,并通过额外测量一组与入射光保持一定倾斜角度的数据的方法,对弹道传输分量和一次散射传输分量进行分离,进而实现样品吸收系数和散射系数的三维重建,从而既可以有效解决OPT成像存在的散射问题;提高了OPT成像质量,同时更丰富了OPT技术提供的信息量,使得OPT技术可以从吸收系数和散射系数两个角度描述生物的组织结构特性。
附图说明
图1是本发明实施例提供的细胞分化中的图像检测***结构框图。
图中:1、标记基因导入模块;2、诱导分化模块;3、图像采集模块;4、主控模块;5、图像识别模块;6、图像分割模块;7、数据存储模块;8、显示模块。
图2是本发明实施例提供的本发明实施例提供的图像分割模块分割方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的细胞分化中的图像检测***,包括:标记基因导入模块1、诱导分化模块2、图像采集模块3、主控模块4、图像识别模块5、图像分割模块6、数据存储模块7、显示模块8。
标记基因导入模块1,与主控模块4连接,用于对导入有分化状态检测标记基因(现有技术中已公开或类似功能的基因)的启动子区域(现有技术中已公开或类似功能的基因)与发光蛋白基因的融合基因(现有技术中已公开或类似功能的基因)的细胞进行培养工序;
诱导分化模块2,与主控模块4连接,用于对于标记基因导入模块1工序后的细胞,在诱导分化的条件下进行培养;
图像采集模块3,与主控模块4连接,用于对细胞中由发光蛋白基因的表达所产生的发光图像进行拍摄;
主控模块4,与标记基因导入模块1、诱导分化模块2、图像采集模块3、图像识别模块5、图像分割模块6、数据存储模块7、显示模块8连接,用于控制各个模块正常工作;
图像识别模块5,与主控模块4连接,用于对采集的图像识别细胞类别状态等信息;
图像分割模块6,与主控模块4连接,用于对采集的图像进行分割筛选出细胞核图;
数据存储模块7,与主控模块4连接,用于存储采集的图像数据信息;
显示模块8,与主控模块4连接,用于显示采集的细胞图像数据信息。
本发明提供的图像识别模块5识别方法如下:
A)对所述细胞图像预处理,具体包括对细胞图像灰度化处理、图像去噪声处理、图像灰度直方图均衡化处理、图像分割处理过程;
B)采用压缩感知技术对预处理后的所述细胞图像建立稀疏系数表示,此步骤包括以下过程:
1)首先对细胞图像按列提取构成细胞图像样本列向量;
2):将数据库中的训练样本细胞图像构成的感知矩阵A∈Rm×n作为压缩感知的测量矩阵,其中m为样本特征维数,n为样本数量;
3):根据压缩感知理论,对实时采集到的细胞图像样本y∈Rm,通过求解最优l1范数来构造稀疏系数x,求解方式为
C):细胞识别,计算待识别细胞与每一类训练样本细胞的线性加权的差值ri(y),选择差值最小的一类训练样本的所属类别作为测试样本的类别,具体计算公式为;
式中,表示提取的待识别细胞稀疏系数x与第i类细胞图像对应的系数。
如2所示,本发明实施例提供的图像分割模块分割方法,包括:
S101:输入一幅细胞TCT图像,对图像进行灰度转换、中值滤波去噪以及对比度增强等预处理;
S102:对所有图像进行分块阈值分割处理,采用OTSU方法进行阈值分割,分割出前景与背景;
S103:进行图像形状测试,前后背景图像鲜明的直接放入待检测结果输出集合,未通过检测的再次进行自适应阈值分割;
S104:把两次分割的结果进行合并,就得到最终理想的分割图像集合。
本发明检测时,通过标记基因导入模块1对导入有分化状态检测标记基因的启动子区域与发光蛋白基因的融合基因的细胞进行培养工序;通过诱导分化模块2对于标记基因导入模块1工序后的细胞,在诱导分化的条件下进行培养;通过图像采集模块3对细胞中由发光蛋白基因的表达所产生的发光图像进行拍摄;主控模块4调度图像识别模块5对采集的图像识别细胞类别状态等信息;通过图像分割模块6对采集的图像进行分割筛选出细胞核图;通过数据存储模块7存储采集的图像数据信息;通过显示模块8显示采集的细胞图像数据信息。
结合具体分析对发明作进一步描述。
本发明实施例提供的细胞分化中的图像检测方法,包括:
通过图像采集模块对细胞中由发光蛋白基因的表达所产生的发光图像进行拍摄;
通过图像识别模块采集产生的发光图像,识别细胞类别状态信息;
图像采集中,利用灰度图像十字线区域清晰度理论模型算法进行改进采集的图像,用于细胞分化中的图像检测***的拍摄的图像由m×n个像素构成,像素灰度值矩阵B(I,J),其中0≤I≤m-1,0≤J≤n-1;
十字线灰度图像最大灰度值Bmax,最小灰度值Bmin,灰度差值的1/2用Bdif表示,如下式:
根据十字线灰度图像清晰度计算理论模型,设灰度图像的清晰度为C,得到的十字线灰度图像清晰度改进模型,如下式:
通过图像分割模块对采集的图像进行分割筛选出细胞核图;图像进行分割中,采用FCM图像分割算法,具体有:
初始化的确定:根据图像分割的要求,需要对图像进行初始化的确定,并对需要的参数进行初始化,并将直方图的聚类中心;
因子的自适应性的确定,适应度,根据构造的适应函数:
f=a/(b+J);
其中,a,b是可调整的参数;J为的目标函数;
变异操作:个体前后的变化量为0.5r(t/T),数据r是在规定的区间内产生的随机数,T为计算的最大代数;
迭代计算:将通过新的切割数据得出新的模糊隶属度矩阵,产生新的切割参数,返回迭代计算,直到完成条件的终止,完成图像的分割;
通过数据存储模块存储采集的图像数据信息;通过显示模块显示采集的细胞图像数据信息;显示采集的细胞图像数据信息中,采用非局部均值滤波算法去除离散噪声图像,离散噪声图像对一个像素i的估计值NL[v](i),计算图像中的所有像素的加权平均值,w(i,j)为权重,0≤w(i,j)≤1且
灰度向量v(Ni)和v(Nj)的相似性表示像素i和像素j之间的相似性,为i、j区域的加权欧式距离的平方,a表示高斯核标准差,a>0,h为控制虑波程度的系数,Z(i)图像搜索范围内所有区域相似度总和。
通过图像识别模块采集产生的发光图像,识别细胞类别状态信息中,需进行:重建生物组织衰减系数;重建生物组织散射系数;计算细胞的吸收系数;
重建生物组织衰减系数前,需进行光子弱散射生物组织传输建模,包括:
表示Γ-上入射的光子到位置且方向为时所传播的距离,则:
其中为处的辐射度,表示单位立体角内、单位时间内、通过垂直于单位方向矢量的单位面积上的平均功率通量密度,量纲是W/(m2.Sr);K0为引入的光子弹道传播算子,表示生物组织在处的总的衰减系数,表示生物组织的吸收系数,表示散射系数;
再定义:
其中K为引入的光子散射传播算子,为归一化的散射相位函数,表示光子从方向v'散射到方向的概率,满足dΩ′表示单位方向矢量对应的立体角微元;定义m0=K0gin,则有nn+1=Kmn(n≥0),从而在处的总的辐射率为:
其中mn表示经n次散射到达的辐射度分量;当光子在扩散区域传播时,K的谱半径ρ(K)值接近1,当光子在弱散射区域传播时,ρ(K)>>1,在此种情况下,当n→∞时,快速收敛;
然后,在输出边界Γ+上描述探测器接收到的数据总量gout,即从而:
其中A是描述光子传输的矩阵,A0、A1和A2分别描述弹道传输、一次散射传输和多次散射传输部分,定义g0=A0gin,g1=A1gin分别表示测量数值中的弹道传输分量和一次散射分量,则知:
入射光方向为经一次散射后其方向为则上式中关于的积分仅在一特定角度上有值,取系数k的取值由相位函数确定,同时定义 分别表示光子发生散射后和散射前的衰减量,则有:
计算重建衰减系数包括:
在成像中采用空间均匀分布的平行光对细胞gin进行照射,通过图像识别模块集成的CCD相机采集无细胞遮挡的照射光测得入射光强度;对 左右两边同除以gin并取负对数,则:
采集到360度的测量数据G0后,采用精确高效的滤波反投影重建算法实现逆Radon变换即计算出衰减系数,即μt=FBP(G0);
所述重建散射系数由公式g1包含了OPT成像中散射的影响,当从某一确定的角度采集数据g1时,和的散射夹角确定,系数k为一个确定的常数;两边同除以kgin,则有:
由上式知为散射系数延方向的加权Radon变换,所加权值ω1(t)和ω2(t)均是与衰减系数有关的函数,将离散化并以矩阵的形式表示如下:
Wμs=G1;
其中W表示离散化后的权值矩阵,μs和G1分别表示散射系数矢量和不同角度测量得到的归一化测量矢量,利用带罚函数的加权最小二乘准则建立如下的目标函数:
其中表达式的第一项是似然函数的近似表达形式,第二项R(μs)为正则项,通常根据图像的先验信息构造而成,β为正则化因子,矩阵C为协方差矩阵;以ni表示CCD探测器检测到的散射光子数,对应的协方差矩阵表示为:
利用最优化方法对Φ(μs)的目标函数求解,即求出散射系数:
μs=argminΦ(μs);
计算吸收系数利用计算结果,计算细胞的吸收系数,利用关系式μt=μa+μs计算细胞的吸收系数μa。
图像识别方法包括:
1)对所述细胞图像预处理,采用对细胞图像灰度化处理、图像去噪声处理、图像灰度直方图均衡化处理、图像分割处理;
2)采用压缩感知技术对预处理后的细胞图像建立稀疏系数:
首先对细胞图像按列提取构成细胞图像样本列向量;
将数据库中的训练样本细胞图像构成的感知矩阵A∈Rm×n作为压缩感知的测量矩阵,其中m为样本特征维数,n为样本数量;
根据压缩感知理论,对实时采集到的细胞图像样本y∈Rm,通过求解最优l1范数来构造稀疏系数x,求解方式为
3)细胞识别,计算待识别细胞与每一类训练样本细胞的线性加权的差值ri(y),选择差值最小的一类训练样本的所属类别作为测试样本的类别,具体计算公式为;
式中,表示提取的待识别细胞稀疏系数x与第i类细胞图像对应的系数。
图像分割方法进一步包括:
(1)输入一幅细胞TCT图像,对图像进行灰度转换、中值滤波去噪以及对比度增强等预处理;
(2)对所有图像进行分块阈值分割处理,采用OTSU方法进行阈值分割,分割出前景与背景;
(3)进行图像形状测试,前后背景图像鲜明的直接放入待检测结果输出集合,未通过检测的再次进行自适应阈值分割;
(4)把两次分割的结果进行合并,就得到最终理想的分割图像集合。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种细胞分化中的图像检测方法,其特征在于,所述细胞分化中的图像检测方法包括:
通过图像采集模块对细胞中由发光蛋白基因的表达所产生的发光图像进行拍摄;
通过图像识别模块采集产生的发光图像,识别细胞类别状态信息;
图像采集中,利用灰度图像十字线区域清晰度理论模型算法进行改进采集的图像,用于细胞分化中的图像检测***的拍摄的图像由m×n个像素构成,像素灰度值矩阵B(I,J),其中0≤I≤m-1,0≤J≤n-1;
十字线灰度图像最大灰度值Bmax,最小灰度值Bmin,灰度差值的1/2用Bdif表示,如下式:
根据十字线灰度图像清晰度计算理论模型,设灰度图像的清晰度为C,得到的十字线灰度图像清晰度改进模型,如下式:
通过图像分割模块对采集的图像进行分割筛选出细胞核图;图像进行分割中,采用FCM图像分割算法,具体有:
初始化的确定:根据图像分割的要求,需要对图像进行初始化的确定,并对需要的参数进行初始化,并将直方图的聚类中心;
因子的自适应性的确定,适应度,根据构造的适应函数:
f=a/(b+J);
其中,a,b是可调整的参数;J为的目标函数;
变异操作:个体前后的变化量为0.5r(t/T),数据r是在规定的区间内产生的随机数,T为计算的最大代数;
迭代计算:将通过新的切割数据得出新的模糊隶属度矩阵,产生新的切割参数,返回迭代计算,直到完成条件的终止,完成图像的分割;
通过数据存储模块存储采集的图像数据信息;通过显示模块显示采集的细胞图像数据信息;显示采集的细胞图像数据信息中,采用非局部均值滤波算法去除离散噪声图像,离散噪声图像v={v(i)|i∈I}对一个像素i的估计值NL[v](i),计算图像中的所有像素的加权平均值,w(i,j)为权重,0≤w(i,j)≤1且
灰度向量v(Ni)和v(Nj)的相似性表示像素i和像素j之间的相似性,为i、j区域的加权欧式距离的平方,a表示高斯核标准差,a>0,h为控制虑波程度的系数,Z(i)图像搜索范围内所有区域相似度总和。
2.如权利要求1所述细胞分化中的图像检测方法,其特征在于,
通过图像识别模块采集产生的发光图像,识别细胞类别状态信息中,需进行:重建生物组织衰减系数;重建生物组织散射系数;计算细胞的吸收系数;
重建生物组织衰减系数前,需进行光子弱散射生物组织传输建模,包括:
表示Γ-上入射的光子到位置且方向为时所传播的距离,则:
其中为处的辐射度,表示单位立体角内、单位时间内、通过垂直于单位方向矢量的单位面积上的平均功率通量密度,量纲是W/(m2.Sr);K0为引入的光子弹道传播算子,表示生物组织在处的总的衰减系数,表示生物组织的吸收系数,表示散射系数;
再定义:
其中K为引入的光子散射传播算子,为归一化的散射相位函数,表示光子从方向v'散射到方向的概率,满足dΩ′表示单位方向矢量对应的立体角微元;定义m0=K0gin,则有nn+1=Kmn(n≥0),从而在处的总的辐射率为:
其中mn表示经n次散射到达的辐射度分量;当光子在扩散区域传播时,K的谱半径ρ(K)值接近1,当光子在弱散射区域传播时,ρ(K)>>1,在此种情况下,当n→∞时,快速收敛;
然后,在输出边界Γ+上描述探测器接收到的数据总量gout,即从而:
其中A是描述光子传输的矩阵,A0、A1和A2分别描述弹道传输、一次散射传输和多次散射传输部分,定义g0=A0gin,g1=A1gin分别表示测量数值中的弹道传输分量和一次散射分量,则知:
入射光方向为经一次散射后其方向为则上式中关于的积分仅在一特定角度上有值,取系数k的取值由相位函数确定,同时定义 分别表示光子发生散射后和散射前的衰减量,则有:
3.如权利要求2所述细胞分化中的图像检测方法,其特征在于,
计算重建衰减系数包括:
在成像中采用空间均匀分布的平行光对细胞gin进行照射,通过图像识别模块集成的CCD相机采集无细胞遮挡的照射光测得入射光强度;对左右两边同除以gin并取负对数,则:
采集到360度的测量数据G0后,采用精确高效的滤波反投影重建算法实现逆Radon变换即计算出衰减系数,即μt=FBP(G0);
所述重建散射系数由公式g1包含了OPT成像中散射的影响,当从某一确定的角度采集数据g1时,和的散射夹角确定,系数k为一个确定的常数;两边同除以kgin,则有:
由上式知为散射系数延方向的加权Radon变换,所加权值ω1(t)和ω2(t)均是与衰减系数有关的函数,将离散化并以矩阵的形式表示如下:
Wμs=G1;
其中W表示离散化后的权值矩阵,μs和G1分别表示散射系数矢量和不同角度测量得到的归一化测量矢量,利用带罚函数的加权最小二乘准则建立如下的目标函数:
其中表达式的第一项是似然函数的近似表达形式,第二项R(μs)为正则项,通常根据图像的先验信息构造而成,β为正则化因子,矩阵C为协方差矩阵;以ni表示CCD探测器检测到的散射光子数,对应的协方差矩阵表示为:
利用最优化方法对Φ(μs)的目标函数求解,即求出散射系数:
μs=argminΦ(μs);
计算吸收系数利用计算结果,计算细胞的吸收系数,利用关系式μt=μa+μs计算细胞的吸收系数μa。
4.如权利要求1所述细胞分化中的图像检测方法,其特征在于,图像识别方法包括:
1)对所述细胞图像预处理,采用对细胞图像灰度化处理、图像去噪声处理、图像灰度直方图均衡化处理、图像分割处理;
2)采用压缩感知技术对预处理后的细胞图像建立稀疏系数:
首先对细胞图像按列提取构成细胞图像样本列向量;
将数据库中的训练样本细胞图像构成的感知矩阵A∈Rm×n作为压缩感知的测量矩阵,其中m为样本特征维数,n为样本数量;
根据压缩感知理论,对实时采集到的细胞图像样本y∈Rm,通过求解最优l1范数来构造稀疏系数x,求解方式为
3)细胞识别,计算待识别细胞与每一类训练样本细胞的线性加权的差值ri(y),选择差值最小的一类训练样本的所属类别作为测试样本的类别,具体计算公式为;
式中,表示提取的待识别细胞稀疏系数x与第i类细胞图像对应的系数。
5.如权利要求1所述细胞分化中的图像检测方法,其特征在于,图像分割分割方法进一步包括:
(1)输入一幅细胞TCT图像,对图像进行灰度转换、中值滤波去噪以及对比度增强等预处理;
(2)对所有图像进行分块阈值分割处理,采用OTSU方法进行阈值分割,分割出前景与背景;
(3)进行图像形状测试,前后背景图像鲜明的直接放入待检测结果输出集合,未通过检测的再次进行自适应阈值分割;
(4)把两次分割的结果进行合并,就得到最终理想的分割图像集合。
6.一种计算机程序,其特征在于,所述计算机程序运行权利要求1~5任意一项所述的细胞分化中的图像检测方法。
7.一种终端,其特征在于,所述终端至少搭载实现权利要求1~5任意一项所述细胞分化中的图像检测方法的控制器。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的细胞分化中的图像检测方法。
9.一种实现权利要求1所述细胞分化中的图像检测方法的细胞分化中的图像检测***,其特征在于,所述细胞分化中的图像检测***包括:
标记基因导入模块,与主控模块连接,用于对导入有分化状态检测标记基因的启动子区域与发光蛋白基因的融合基因的细胞进行培养工序;
诱导分化模块,与主控模块连接,用于对于标记基因导入模块1工序后的细胞,在诱导分化的条件下进行培养;
图像采集模块,与主控模块连接,用于对细胞中由发光蛋白基因的表达所产生的发光图像进行拍摄;
主控模块,与标记基因导入模块、诱导分化模块、图像采集模块、图像识别模块、图像分割模块、数据存储模块、显示模块连接,用于控制各个模块正常工作;
图像识别模块,与主控模块连接,用于对采集的图像识别细胞类别状态等信息;
图像分割模块,与主控模块连接,用于对采集的图像进行分割筛选出细胞核图;
数据存储模块,与主控模块连接,用于存储采集的图像数据信息;
显示模块,与主控模块连接,用于显示采集的细胞图像数据信息。
10.一种细胞分化图像检测平台,其特征在于,所述细胞分化图像检测平台至少搭载权利要求9所述的细胞分化中的图像检测***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913993.XA CN109191434A (zh) | 2018-08-13 | 2018-08-13 | 一种细胞分化中的图像检测***及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913993.XA CN109191434A (zh) | 2018-08-13 | 2018-08-13 | 一种细胞分化中的图像检测***及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109191434A true CN109191434A (zh) | 2019-01-11 |
Family
ID=64921558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810913993.XA Pending CN109191434A (zh) | 2018-08-13 | 2018-08-13 | 一种细胞分化中的图像检测***及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191434A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109568047A (zh) * | 2018-11-26 | 2019-04-05 | 焦建洪 | 一种心内科智能专用床、控制***及控制方法 |
CN109948429A (zh) * | 2019-01-28 | 2019-06-28 | 上海依智医疗技术有限公司 | 图像分析方法、装置、电子设备及计算机可读介质 |
CN110211117A (zh) * | 2019-05-31 | 2019-09-06 | 广东世纪晟科技有限公司 | 医学影像中识别线管状物的处理***及优化分割的方法 |
CN111855509A (zh) * | 2020-07-27 | 2020-10-30 | 淄博市中心医院 | 一种基于骨髓细胞分化的细胞监测*** |
CN113263149A (zh) * | 2021-05-12 | 2021-08-17 | 燕山大学 | 一种双辊薄带振动铸轧检测及控制熔池液位的装置及方法 |
CN113580160A (zh) * | 2021-08-05 | 2021-11-02 | 中南大学 | 一种基于大数据的家用智能护理机器人 |
CN116703909A (zh) * | 2023-08-07 | 2023-09-05 | 威海海泰电子有限公司 | 一种电源适配器生产质量智能检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
CN102822333A (zh) * | 2010-03-23 | 2012-12-12 | 奥林巴斯株式会社 | 监控干细胞的分化状态的方法 |
CN104850860A (zh) * | 2015-05-25 | 2015-08-19 | 广西师范大学 | 细胞图像识别方法及细胞图像识别装置 |
CN105894562A (zh) * | 2016-04-01 | 2016-08-24 | 西安电子科技大学 | 一种光学投影断层成像中的吸收和散射系数重建方法 |
CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学(威海) | 基于图像处理的微生物数量估算方法 |
CN107808381A (zh) * | 2017-09-25 | 2018-03-16 | 哈尔滨理工大学 | 一种单细胞图像分割方法 |
WO2018122932A1 (ja) * | 2016-12-26 | 2018-07-05 | オリンパス株式会社 | 細胞の選別方法、純化された細胞集団の製造方法、及び発光イメージングシステム |
-
2018
- 2018-08-13 CN CN201810913993.XA patent/CN109191434A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
CN102822333A (zh) * | 2010-03-23 | 2012-12-12 | 奥林巴斯株式会社 | 监控干细胞的分化状态的方法 |
US20130017570A1 (en) * | 2010-03-23 | 2013-01-17 | Olympus Corporation | Method for monitoring state of differentiation in stem cell |
CN104850860A (zh) * | 2015-05-25 | 2015-08-19 | 广西师范大学 | 细胞图像识别方法及细胞图像识别装置 |
CN105894562A (zh) * | 2016-04-01 | 2016-08-24 | 西安电子科技大学 | 一种光学投影断层成像中的吸收和散射系数重建方法 |
WO2018122932A1 (ja) * | 2016-12-26 | 2018-07-05 | オリンパス株式会社 | 細胞の選別方法、純化された細胞集団の製造方法、及び発光イメージングシステム |
CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学(威海) | 基于图像处理的微生物数量估算方法 |
CN107808381A (zh) * | 2017-09-25 | 2018-03-16 | 哈尔滨理工大学 | 一种单细胞图像分割方法 |
Non-Patent Citations (3)
Title |
---|
周颖等: "基于X射线的小麦三维精准模型的构建", 《中国粮油学报》 * |
杜飞明等: "基于十字线灰度图像清晰度模型的构建与应用", 《计算技术与自动化》 * |
范瑜: "论优化遗传算法的模糊聚类在图像分割算法应用", 《电子测试》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109568047A (zh) * | 2018-11-26 | 2019-04-05 | 焦建洪 | 一种心内科智能专用床、控制***及控制方法 |
CN109948429A (zh) * | 2019-01-28 | 2019-06-28 | 上海依智医疗技术有限公司 | 图像分析方法、装置、电子设备及计算机可读介质 |
CN110211117A (zh) * | 2019-05-31 | 2019-09-06 | 广东世纪晟科技有限公司 | 医学影像中识别线管状物的处理***及优化分割的方法 |
CN111855509A (zh) * | 2020-07-27 | 2020-10-30 | 淄博市中心医院 | 一种基于骨髓细胞分化的细胞监测*** |
CN113263149A (zh) * | 2021-05-12 | 2021-08-17 | 燕山大学 | 一种双辊薄带振动铸轧检测及控制熔池液位的装置及方法 |
CN113580160A (zh) * | 2021-08-05 | 2021-11-02 | 中南大学 | 一种基于大数据的家用智能护理机器人 |
CN116703909A (zh) * | 2023-08-07 | 2023-09-05 | 威海海泰电子有限公司 | 一种电源适配器生产质量智能检测方法 |
CN116703909B (zh) * | 2023-08-07 | 2023-10-27 | 威海海泰电子有限公司 | 一种电源适配器生产质量智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191434A (zh) | 一种细胞分化中的图像检测***及检测方法 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
CN113344849B (zh) | 一种基于YOLOv5的微***检测*** | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
Versari et al. | Long-term tracking of budding yeast cells in brightfield microscopy: CellStar and the Evaluation Platform | |
CN111028327B (zh) | 一种三维点云的处理方法、装置及设备 | |
US11080830B2 (en) | Systems and methods for segmentation and analysis of 3D images | |
CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
CN108426994A (zh) | 分析数字全息显微术数据以用于血液学应用 | |
JP6882329B2 (ja) | Ihc画像解析のための空間インデックス作成 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN109344917A (zh) | 一种毒蛾属昆虫的物种鉴别方法及鉴别*** | |
US11804029B2 (en) | Hierarchical constraint (HC)-based method and system for classifying fine-grained graptolite images | |
CN112819821A (zh) | 一种细胞核图像检测方法 | |
KR102624956B1 (ko) | 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법 | |
CN115295154A (zh) | 肿瘤免疫治疗疗效预测方法、装置、电子设备及存储介质 | |
CN103279944A (zh) | 一种基于生物地理优化的图像分割方法 | |
CN113298007B (zh) | 一种小样本sar图像目标识别方法 | |
CN108154513A (zh) | 基于双光子成像数据的细胞自动探测和分割方法 | |
CN113096080B (zh) | 图像分析方法及*** | |
CN110490159A (zh) | 识别显微图像中的细胞的方法、装置、设备及存储介质 | |
Wang et al. | Classification and extent determination of rock slope using deep learning | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
CN112071423B (zh) | 一种基于机器学习的免疫层析浓度检测方法及*** |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190111 |