CN109359569A - 一种基于cnn的红细胞图像亚分类方法 - Google Patents
一种基于cnn的红细胞图像亚分类方法 Download PDFInfo
- Publication number
- CN109359569A CN109359569A CN201811154965.0A CN201811154965A CN109359569A CN 109359569 A CN109359569 A CN 109359569A CN 201811154965 A CN201811154965 A CN 201811154965A CN 109359569 A CN109359569 A CN 109359569A
- Authority
- CN
- China
- Prior art keywords
- red blood
- blood cell
- image
- feature extraction
- extraction unit
- 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
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
- G06V20/698—Matching; Classification
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于CNN的红细胞图像亚分类方法,该方法包括:该方法包括:步骤1.建立红细胞亚分类图像数据集,将数据集中每一幅图像所属的红细胞亚分类标注,获得红细胞亚分类图像弱监督训练集;步骤2.将弱监督训练集转强监督训练集;步骤3.构建深度卷积神经网络;步骤4.红细胞亚分类模型训练;步骤5.将任意一张经过步骤1预处理的红细胞图像输入到训练好的模型中,即可识别出该红细胞所属的红细胞亚分类。本发明中模型所用红细胞训练集采样自医院真实病患尿液样本,每张图像先人工标记出亚分类形成弱分类训练集,再通过图像处理手段标记细胞位置形成强分类训练集,节省了大量人工成本。
Description
技术领域
本发明属于医学诊断领域,涉及一种基于CNN的红细胞图像亚分类方法。
背景技术
尿常规是医学临床检验中三大常规项目之一,根据尿液中红细胞形态可以判断血尿的来源,可以为医生提供疾病诊断的依据,是判断人体泌尿***健康情况的重要依据。早在1982年Birch和Fairly就提出了根据尿红细胞形态的两种变异来确定血尿来源的方法,在之后的医学发展中,尿红细胞的形态被进一步细分,为更多的病理诊断提供了依据。
传统尿红细胞的临床检验主要靠人工对尿液的显微图像进行挑选,筛查出血细胞的数目。这种方式下检验人员工作强度大,检测效率低,加之专业人员不足,因此传统的尿液镜检越来越难以满足日渐增长的医学检验需求。近年来,计算机技术与机器视觉技术得到了长足发展,相关应用也日益增多。为了克服传统检验手段的诸多不足,图像的程序自动化处理技术也被引入到细胞图像的处理与检测之中。
然而,目前在红细胞分类方法的研究中,大部分工作都停留在对红细胞的粗粒度识别上,现有的一些异常形态红细胞细粒度亚分类识别方法仍有许多不足。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于CNN的红细胞图像亚分类方法。
为实现上述目的及其他相关目的,本发明提供一种基于CNN的红细胞图像亚分类方法,该方法包括:
步骤1.建立红细胞亚分类图像数据集,将数据集中每一幅图像所属的红细胞亚分类标注,获得红细胞亚分类图像弱监督训练集;
步骤2.将弱监督训练集转强监督训练集;
步骤3.构建深度卷积神经网络;
步骤4.红细胞亚分类模型训练;
步骤5.将任意一张经过步骤1预处理的红细胞图像输入到训练好的模型中,即可识别出该红细胞所属的红细胞亚分类。
优选地,所述将弱监督训练集转强监督训练集,具体包括:
对原始细胞图像I执行一次高斯高斯滤波得到滤波后图像G;
使用Sobel算子计算所述图像G的梯度图Gc;
用最大类间方差法对所述梯度图像Gc进行二值化得到二值化图像T;
对所述二值图像T执行一次形态学闭运算,再执行一次膨胀运算;
运算完成后得到红细胞的轮廓区域,去除内部孔洞后得到红细胞区域ROIrbc;
根据所述红细胞区域ROIrbc将红细胞图像的尺寸进行扩充得到图像N,将到所述图像N的像素值进行正规化得到图像N';
随机调整所述图像N'的对比度,进行随机的线性变换,随机的旋转后得到扩充的样本图像。
优选地,深度卷积神经网络包括依次连接的第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元、第五特征提取单元、两个全连接层和一个输出单元;
所述第一特征提取单元由两个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为64,步长为1,池化层过滤器大小均为2×2,步长为2;
所述第二特征提取单元由两个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为128,步长为1,池化层过滤器大小均为2×2,步长为2;
所述第三特征提取单元由四个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为256,步长为1,池化层过滤器大小均为2×2,步长为2。
所述第四特征提取单元由四个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为512,步长为1,池化层过滤器大小均为2×2,步长为2;
所述第五特征提取单元由四个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为512,步长为1,池化层过滤器大小均为2×2,步长为2;
各特征提取单元中,3×3卷积核两两级联。
优选地,所述模型训练包括:
使用ImageNet对网络的特征提取单元进行预训练,使该网络达到拟合;
将拟合的特征提取单元与红细胞亚分类模型的识别输出单元连接,使用所述红细胞亚分类图像数据集对网络进行重训练。
优选地,所述模型训练步骤还包括微调与剪枝,具体包括
步骤a.设置学习率LR为0.0001,损失函数使用“cross entropy loss”,设置终止误差e,以及最大迭代次数K,通过最速下降法循环更新各权重使损失函数达到最小值;若迭代次数超过K或损失函数小于终止误差e,则停止微调;
步骤b.微调完成后,对全连接层的n个参数执行权重排序,舍弃权重最小的m个参数,其中m等于1%×n;之后重新训练剪枝后网络;
计算新的损失函数值,若损失函数增长未超过1%或剪去的参数未达到原始参数总数的99%时,重复执行步骤b;
步骤c.对后两个特征提取单元剪枝,根据公式计算每个卷积单元fi,j的权重sj,舍弃权重最小的卷积单元,式中kl为每个激活函数的输出值;
计算新的损失函数值,若损失函数增长未超过1%或舍弃的卷积单元fi,j在原始总数的50%以内时,重复执行步骤c。
如上所述,本发明的一种基于CNN的红细胞图像亚分类方法,具有以下有益效果:
本发明中模型所用红细胞训练集采样自医院真实病患尿液样本,每张图像先人工标记出亚分类形成弱分类训练集,再通过图像处理手段标记细胞位置形成强分类训练集,节省了大量人工成本。
附图说明
为了进一步阐述本发明所描述的内容,下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解,这些附图仅作为典型示例,而不应看作是对本发明的范围的限定。
图1为实施的方案流程示意图;
图2为尿液分析仪拍摄到的原始红细胞图像;
图3为图2的滤波图像;
图4为图3的灰度梯度图;
图5为图4经二值化得到的二值图像;
图6为图1中红细胞区域的分割图像;
图7为图1经过尺寸正规化后的图像;
图8为CNN网络示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本发明提供一种基于CNN的红细胞图像来分类方法,该方法包括以下步骤:
步骤1.建立红细胞亚分类图像数据集,将数据集中每一幅图像所属的红细胞亚分类标注,获得红细胞亚分类图像弱监督训练集;其中,红细胞归为正常红细胞、影形红细胞、褶皱红细胞等多个亚类。
本实施基于实际检测中获取到的尿液中血细胞真实图像,图像通过40倍显微镜配合CCD相机获取。共收集了正常红细胞图像31241幅,影形红细胞图像17025幅,面包圈样红细胞图像15277幅,褶皱红细胞红细胞图像18219幅,G1红细胞图像16013幅,古币形红细胞14837幅,月形红细胞图像17786幅,总计130398幅。训练样本数量较少,一般的模型训练方法较难提取出红细胞各亚分类之间的细粒度特征。本实施中的方法在此条件下能够有效训练出CNN模型,达到较好的分类效果。
具体分类结果如表1所示。
表1
红细胞亚分类 | 图像数量 |
正常红细胞 | 31241 |
影形红细胞 | 17025 |
面包圈样红细胞 | 15277 |
褶皱红细胞 | 18219 |
G1红细胞 | 16013 |
古币形红细胞 | 14837 |
月形红细胞 | 17786 |
步骤2.将弱监督训练集转强监督训练集;具体地,包括以下步骤:
步骤21.对如图2所示的原始细胞图像I,,执行一次高斯核大小为3×3,标准差为σ=0.8的高斯滤波,滤波公式为G=I*Gσ,得到滤波后图像G,如图3所示。
步骤22.使用Sobel算子计算图像G的x方向、y方向梯度Gx与Gy,二者综合得到最终的梯度图Gc,如图4所示,其中Gx(x,y)为G(x,y)在x方向的灰度梯度值,Gy(x,y)为G(x,y)在y方向的灰度梯度值。
步骤23.用最大类间方差法对梯度图像Gc进行二值化得到图像T,如图5所示。
步骤24.对二值图像T执行一次形态学闭运算,再执行一次膨胀运算,两次形态学运算的结构元素S均为正方形,大小为3×3。其中形态学运算公式如下:
腐蚀运算:
膨胀运算:
闭运算:
上式中,S为锚点在中心的3×3结构元素。
步骤25.运算完成后得到红细胞的轮廓区域,去除内部孔洞后得到红细胞区域ROIrbc,如图6所示。
步骤26.根据ROIrbc将红细胞图像的尺寸扩充至128px×128px,得到图像N,图像扩充公式如下:
其中
步骤27.接着根据公式N'(x,y)=N(x,y)/255将到图像N的像素值正规化至0-1,得到N',如图7所示。
步骤28.随机调整N'(x,y)的对比度,进行随机的线性变换,随机的旋转后得到扩充的样本图像,这些样本图像保留原有红细胞亚分类标签与原图一起组成红细胞亚分类训练集。
处理完成的同时,红细胞在图像中的位置信息也被标注出来,训练集由仅包含标签的弱监督训练集转变为带细胞位置标注的强监督训练集。
步骤3.构建深度卷积神经网络;具体地,考虑到尿沉渣图像中正常红细胞与异常红细胞在粗粒度特征上相似度较高,对红细胞分类时需提取细胞图像深层次、细粒度的特征。为提取红细胞的关键特征,本发明设计了5个深度较深的特征提取单元,和一个输出单元,构建结构如图8所示,激活函数使用ReLU,具体如下:
第一特征提取单元由两个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为64,步长为1,池化层过滤器大小均为2×2,步长为2。
第二特征提取单元由两个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为128,步长为1,池化层过滤器大小均为2×2,步长为2。
第三特征提取单元由四个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为256,步长为1,池化层过滤器大小均为2×2,步长为2。
第四、第五特征提取单元由四个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为512,步长为1,池化层过滤器大小均为2×2,步长为2。
各特征提取单元中,3×3卷积核两两级联,以替代5×5卷积核,以降低特征提取计算的复杂度,同时使网络深度进一步加深,增加特征的提取效果。
最后接入两个长度为4096的全连接层和一个红细胞亚分类输出层,完成网络的构建。
步骤4.红细胞亚分类模型训练;具体地,
使用ImageNet对网络的特征提取单元进行预训练,使该网络达到拟合。将拟合网络的特征提取单元与红细胞亚分类模型识别输出单元连接,使用步骤1中得到的训练集对网络进行重训练。训练时锁定特征提取层的参数,以对两个全连接层参数进行调整。
由于红细胞各个亚分类之间类间距离较小,网络提取的绝大部分特征在用于红细胞亚分类识别时应当是被抑制的,这些特征占据了网络权重参数的90%以上,因此本发明设计了模型的剪枝方法以减少网络内存开销,压缩模型文件体积,使分类模型能够被用于性能更低的计算机中。
在模型训练步骤后,还包括微调与剪枝步骤,具体包括:
步骤a.设置学习率LR为0.0001,损失函数使用“cross entropy loss”,设置终止误差e,以及最大迭代次数K,通过最速下降法循环更新各权重使损失函数达到最小值。一旦迭代次数超过K或损失函数小于终止误差e,则停止微调。
步骤b.微调完成后,对全连接层总共n个参数执行权重排序,舍弃权重最小的m个参数,其中m等于1%×n。之后重新训练剪枝后网络。计算新的损失函数值,若损失函数增长未超过1%或剪去的参数未达到原始参数总数的99%时,重复执行步骤b。
步骤c.对后两个特征提取单元剪枝,根据公式计算每个卷积单元fi,j的权重sj,舍弃权重最小的卷积单元,式中kl为每个激活函数的输出值。计算新的损失函数值,若损失函数增长未超过1%或舍弃的卷积单元在原始总数的50%以内时,重复执行步骤c。
步骤5.将任意一张经过步骤1预处理的红细胞图像输入到训练好的模型中,即可识别出该红细胞所属的红细胞亚分类。
本发明中模型所用红细胞训练集采样自医院真实病患尿液样本,每张图像先人工标记出亚分类形成弱分类训练集,再通过图像处理手段标记细胞位置形成强分类训练集,节省了大量人工成本。使用图像处理手段替代B-CNN模型中特征提取器A的物***置检测功能,实现了用单层网络模型取代双网络模型实现细粒度分类的效果,减少了计算量获得了更快的模型训练收敛速度。
本发明初始构建了5层特征提取单元,通过不断递增的模型深度提取红细胞亚分类图像类间精细特征,以区分各形态相似的红细胞亚分类图像。各特征提取单元中,使用多个级联3×3卷积核代替一个传统的大尺寸卷积核,在保证特征提取效果相同的情况下,降低了计算量,有利于模型在性能较弱的计算机中部署。
本发明采用ImageNet预训练配合实际红细胞亚分类样本,对全连接层重训练,对第四、第五特征提取模块参数进行微调。相比直接用红细胞亚分类样本训练,模型的收敛速度提升70%,模型识别精度提升12.6%。本发明中采用的剪枝方式能够有效减少卷积单元以及参数数量,最终模型经处理后由551MB压缩至12.7MB,模型运行时间减少至1/3,同时模型识别精度仅损失0.53%。
最终,本发明在1000张红细胞亚分类测试图像上的识别结果如表2所示:
表1
SVM方法 | 本发明方法 | |
正常红细胞识别精度 | 85.6% | 97.5% |
影形红细胞识别精度 | 73.8% | 91.3% |
面包圈样红细胞识别精度 | 63.2% | 90.1% |
褶皱红细胞识别精度 | 81.5% | 96.6% |
G1红细胞识别精度 | 81.2% | 94.1% |
古币形红细胞识别精度 | 68.4% | 90.2% |
月形红细胞识别精度 | 53.9% | 95.7% |
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种基于CNN的红细胞图像亚分类方法,其特征在于,该方法包括:
步骤1.建立红细胞亚分类图像数据集,将数据集中每一幅图像所属的红细胞亚分类标注,获得红细胞亚分类图像弱监督训练集;
步骤2.将弱监督训练集转强监督训练集;
步骤3.构建深度卷积神经网络;
步骤4.红细胞亚分类模型训练;
步骤5.将任意一张经过步骤1预处理的红细胞图像输入到训练好的模型中,即可识别出该红细胞所属的红细胞亚分类。
2.根据权利要求1所述的一种基于CNN的红细胞图像亚分类方法,其特征在于,所述将弱监督训练集转强监督训练集,具体包括:
对原始细胞图像I执行一次高斯高斯滤波得到滤波后图像G;
使用Sobel算子计算所述图像G的梯度图Gc;
用最大类间方差法对所述梯度图像Gc进行二值化得到二值化图像T;
对所述二值图像T执行一次形态学闭运算,再执行一次膨胀运算;
运算完成后得到红细胞的轮廓区域,去除内部孔洞后得到红细胞区域ROIrbc;
根据所述红细胞区域ROIrbc将红细胞图像的尺寸进行扩充得到图像N,将到所述图像N的像素值进行正规化得到图像N';
随机调整所述图像N'的对比度,进行随机的线性变换,随机的旋转后得到扩充的样本图像。
3.根据权利要求1所述的一种基于CNN的红细胞图像亚分类方法,其特征在于,深度卷积神经网络包括依次连接的第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元、第五特征提取单元、两个全连接层和一个输出单元;
所述第一特征提取单元由两个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为64,步长为1,池化层过滤器大小均为2×2,步长为2;
所述第二特征提取单元由两个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为128,步长为1,池化层过滤器大小均为2×2,步长为2;
所述第三特征提取单元由四个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为256,步长为1,池化层过滤器大小均为2×2,步长为2。
所述第四特征提取单元由四个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为512,步长为1,池化层过滤器大小均为2×2,步长为2;
所述第五特征提取单元由四个卷积层与一个最大池化层构成,卷积层卷积核为3×3大小,深度为512,步长为1,池化层过滤器大小均为2×2,步长为2;
各特征提取单元中,3×3卷积核两两级联。
4.根据权利要求1所述的一种基于CNN的红细胞图像亚分类方法,其特征在于,所述模型训练包括:
使用ImageNet对网络的特征提取单元进行预训练,使该网络达到拟合;
将拟合的特征提取单元与红细胞亚分类模型的识别输出单元连接,使用所述红细胞亚分类图像数据集对网络进行重训练。
5.根据权利要求1所述的一种基于CNN的红细胞图像亚分类方法,其特征在于,所述模型训练步骤还包括微调与剪枝,具体包括
步骤a.设置学习率LR为0.0001,损失函数使用“cross entropy loss”,设置终止误差e,以及最大迭代次数K,通过最速下降法循环更新各权重使损失函数达到最小值;若迭代次数超过K或损失函数小于终止误差e,则停止微调;
步骤b.微调完成后,对全连接层的n个参数执行权重排序,舍弃权重最小的m个参数,其中m等于1%×n;之后重新训练剪枝后网络;
计算新的损失函数值,若损失函数增长未超过1%或剪去的参数未达到原始参数总数的99%时,重复执行步骤b;
步骤c.对后两个特征提取单元剪枝,根据公式计算每个卷积单元fi,j的权重sj,舍弃权重最小的卷积单元,式中kl为每个激活函数的输出值;
计算新的损失函数值,若损失函数增长未超过1%或舍弃的卷积单元fi,j在原始总数的50%以内时,重复执行步骤c。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811154965.0A CN109359569B (zh) | 2018-09-30 | 2018-09-30 | 一种基于cnn的红细胞图像亚分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811154965.0A CN109359569B (zh) | 2018-09-30 | 2018-09-30 | 一种基于cnn的红细胞图像亚分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359569A true CN109359569A (zh) | 2019-02-19 |
CN109359569B CN109359569B (zh) | 2022-05-13 |
Family
ID=65348608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811154965.0A Active CN109359569B (zh) | 2018-09-30 | 2018-09-30 | 一种基于cnn的红细胞图像亚分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359569B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815945A (zh) * | 2019-04-01 | 2019-05-28 | 上海徒数科技有限公司 | 一种基于图像识别的呼吸道检查结果判读***和方法 |
CN109924990A (zh) * | 2019-03-27 | 2019-06-25 | 兰州大学 | 一种基于emd算法的脑电信号抑郁症识别*** |
CN110473192A (zh) * | 2019-04-10 | 2019-11-19 | 腾讯医疗健康(深圳)有限公司 | 消化道内镜图像识别模型训练及识别方法、装置及*** |
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及*** |
CN111046883A (zh) * | 2019-12-05 | 2020-04-21 | 吉林大学 | 一种基于古钱币图像的智能评估方法及*** |
CN111105422A (zh) * | 2019-12-10 | 2020-05-05 | 北京小蝇科技有限责任公司 | 一种网织红细胞分类计数模型构建方法及应用 |
CN113092395A (zh) * | 2021-03-31 | 2021-07-09 | 四川大学 | 一种基于咖啡环的细胞快速分类与定量方法 |
CN113689376A (zh) * | 2021-06-02 | 2021-11-23 | 北京信息职业技术学院 | 基于计算机视觉的病理图像识别方法 |
CN114419619A (zh) * | 2022-03-29 | 2022-04-29 | 北京小蝇科技有限责任公司 | 红细胞检测分类方法、装置、计算机存储介质及电子设备 |
CN114495097A (zh) * | 2022-01-28 | 2022-05-13 | 陆建 | 一种基于多模型的尿液的细胞识别方法和*** |
TWI826338B (zh) * | 2023-07-12 | 2023-12-11 | 沛智生醫科技股份有限公司 | 細胞辨識模型建立方法及其裝置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020186882A1 (en) * | 2001-04-25 | 2002-12-12 | Cotman Carl W. | Method and apparatus for generating special-purpose image analysis algorithms |
CN106327490A (zh) * | 2016-08-22 | 2017-01-11 | 中国计量大学 | 一种基于白细胞检测的细胞核分割方法 |
CN107527028A (zh) * | 2017-08-18 | 2017-12-29 | 深圳乐普智能医疗器械有限公司 | 目标细胞识别方法、装置及终端 |
CN107610224A (zh) * | 2017-09-25 | 2018-01-19 | 重庆邮电大学 | 一种基于弱监督与明确闭塞建模的3d汽车对象类表示算法 |
CN108596038A (zh) * | 2018-03-28 | 2018-09-28 | 电子科技大学 | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 |
-
2018
- 2018-09-30 CN CN201811154965.0A patent/CN109359569B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020186882A1 (en) * | 2001-04-25 | 2002-12-12 | Cotman Carl W. | Method and apparatus for generating special-purpose image analysis algorithms |
CN106327490A (zh) * | 2016-08-22 | 2017-01-11 | 中国计量大学 | 一种基于白细胞检测的细胞核分割方法 |
CN107527028A (zh) * | 2017-08-18 | 2017-12-29 | 深圳乐普智能医疗器械有限公司 | 目标细胞识别方法、装置及终端 |
CN107610224A (zh) * | 2017-09-25 | 2018-01-19 | 重庆邮电大学 | 一种基于弱监督与明确闭塞建模的3d汽车对象类表示算法 |
CN108596038A (zh) * | 2018-03-28 | 2018-09-28 | 电子科技大学 | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109924990A (zh) * | 2019-03-27 | 2019-06-25 | 兰州大学 | 一种基于emd算法的脑电信号抑郁症识别*** |
CN109815945A (zh) * | 2019-04-01 | 2019-05-28 | 上海徒数科技有限公司 | 一种基于图像识别的呼吸道检查结果判读***和方法 |
CN109815945B (zh) * | 2019-04-01 | 2024-04-30 | 上海徒数科技有限公司 | 一种基于图像识别的呼吸道检查结果判读***和方法 |
CN110473192A (zh) * | 2019-04-10 | 2019-11-19 | 腾讯医疗健康(深圳)有限公司 | 消化道内镜图像识别模型训练及识别方法、装置及*** |
CN110473192B (zh) * | 2019-04-10 | 2021-05-14 | 腾讯医疗健康(深圳)有限公司 | 消化道内镜图像识别模型训练及识别方法、装置及*** |
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及*** |
CN110765855B (zh) * | 2019-09-12 | 2023-04-18 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及*** |
CN111046883B (zh) * | 2019-12-05 | 2022-08-23 | 吉林大学 | 一种基于古钱币图像的智能评估方法及*** |
CN111046883A (zh) * | 2019-12-05 | 2020-04-21 | 吉林大学 | 一种基于古钱币图像的智能评估方法及*** |
CN111105422A (zh) * | 2019-12-10 | 2020-05-05 | 北京小蝇科技有限责任公司 | 一种网织红细胞分类计数模型构建方法及应用 |
CN111105422B (zh) * | 2019-12-10 | 2024-03-08 | 北京小蝇科技有限责任公司 | 一种网织红细胞分类计数模型构建方法及应用 |
CN113092395A (zh) * | 2021-03-31 | 2021-07-09 | 四川大学 | 一种基于咖啡环的细胞快速分类与定量方法 |
CN113689376A (zh) * | 2021-06-02 | 2021-11-23 | 北京信息职业技术学院 | 基于计算机视觉的病理图像识别方法 |
CN114495097A (zh) * | 2022-01-28 | 2022-05-13 | 陆建 | 一种基于多模型的尿液的细胞识别方法和*** |
CN114419619A (zh) * | 2022-03-29 | 2022-04-29 | 北京小蝇科技有限责任公司 | 红细胞检测分类方法、装置、计算机存储介质及电子设备 |
CN114419619B (zh) * | 2022-03-29 | 2022-06-10 | 北京小蝇科技有限责任公司 | 红细胞检测分类方法、装置、计算机存储介质及电子设备 |
TWI826338B (zh) * | 2023-07-12 | 2023-12-11 | 沛智生醫科技股份有限公司 | 細胞辨識模型建立方法及其裝置 |
Also Published As
Publication number | Publication date |
---|---|
CN109359569B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359569A (zh) | 一种基于cnn的红细胞图像亚分类方法 | |
CN109670510A (zh) | 一种基于深度学习的胃镜活检病理数据筛查***和方法 | |
CN109886273A (zh) | 一种cmr图像分割分类*** | |
CN109086836A (zh) | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 | |
CN107368670A (zh) | 基于大数据深度学习的胃癌病理诊断支持***和方法 | |
CN108717554A (zh) | 一种甲状腺肿瘤病理组织切片图像分类方法及其装置 | |
CN112396621B (zh) | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 | |
CN108961208A (zh) | 一种聚集白细胞分割计数***及方法 | |
CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类*** | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
CN107368671A (zh) | 基于大数据深度学习的良性胃炎病理诊断支持***和方法 | |
CN107507197A (zh) | 一种基于聚类算法和卷积神经网络的肺实质提取方法 | |
CN110021425A (zh) | 一种比较检测器及其构建方法与***细胞检测方法 | |
CN112950614B (zh) | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 | |
CN110473166A (zh) | 一种基于改进Alexnet模型的尿液有形成分识别方法 | |
CN112561863B (zh) | 一种基于改进ResNet的医学图像多分类识别*** | |
CN110473167A (zh) | 一种基于深度学习的尿沉渣图像识别***及方法 | |
CN111079620A (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
CN114972254A (zh) | 一种基于卷积神经网络的宫颈细胞图像分割方法 | |
CN106709421A (zh) | 一种基于变换域特征和cnn的细胞图像识别分类方法 | |
CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及*** | |
CN102636656B (zh) | 一种全自动尿有形成分分析仪的校准方法 | |
CN110288613A (zh) | 一种超高像素的组织病理图像分割方法 | |
CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 |
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 |