CN109493330A - 一种基于多任务学习的细胞核实例分割方法 - Google Patents

一种基于多任务学习的细胞核实例分割方法 Download PDF

Info

Publication number
CN109493330A
CN109493330A CN201811310537.2A CN201811310537A CN109493330A CN 109493330 A CN109493330 A CN 109493330A CN 201811310537 A CN201811310537 A CN 201811310537A CN 109493330 A CN109493330 A CN 109493330A
Authority
CN
China
Prior art keywords
frame
mask
branch
pixel
network
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
Application number
CN201811310537.2A
Other languages
English (en)
Inventor
漆进
张通
史鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811310537.2A priority Critical patent/CN109493330A/zh
Publication of CN109493330A publication Critical patent/CN109493330A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)

Abstract

本发明属于计算机视觉、医学图像处理领域，具体为一种基于多任务学习的细胞核实例分割方法。该方法包括：构建多分支神经网络；多任务联合训练；多分支联合预测。本发明有效地解决了细胞核实例分割中的错漏问题，提高了细胞核实例分割的准确率。

Description

一种基于多任务学习的细胞核实例分割方法
技术领域
本发明属于计算机视觉，深度学习，医学图像处理领域，具体为一种基于多任务学习的细胞核实例分割方法。
背景技术
细胞实例分割是细胞跟踪、细胞***检测的基础，在医学图像处理、分析领域占据重要的地位。与细胞分割不同，细胞实例分割不仅要求识别图像中每个像素点的类别，还要求不同细胞之间不能有重叠。细胞图像中，细胞经常发生粘连，如何将粘连在一起的不同细胞实例区分开来是极具挑战性的课题。
近年来，深度学习在图像处理领域发挥着日益重要的作用。细胞核实例分割的一种方法是，利用全卷积网络(FCN)等语义分割网络生成二进制掩码，再利用分水岭算法等后处理方法将重叠的掩码分开，这种方法往往准确率较低。另外一种典型的实例分割方法是Mask-RCNN，这种方法把目标检测任务和语义分割任务结合到一起，能够高效地解决实例重叠问题。Mask-RCNN在自然图像领域取得了很大的成功，但是应用在细胞实例分割中往往会漏掉部分细胞。这是因为Mask-RCNN在测试阶段，先生成目标检测框，再对检测框里的每一个实例进行分割，一些比较小或者比较模糊的细胞实例在目标检测过程中就被漏掉了。我们提出了一种基于多任务学习的细胞核实例分割方法，能够有效地解决实例分割中的错漏问题，提高了细胞核实例分割的准确率。
发明内容
针对上述存在问题或不足，为了减少细胞实例分割中的错漏问题，本发明提出了一种基于多任务学习的细胞核实例分割方法。
本发明采用的技术方案是：
(1)构建多分支神经网络，包括特征提取网络、区域提议网络(RPN)、感兴趣区域层(ROI)、边框分支、掩码分支、全局掩码分支。
(2)包括区域提议网络(RPN)、边框分支、掩码分支、全局掩码分支的多任务联合训练。
(3)利用多分支进行联合预测，在全局掩码分支的分割结果上对重叠实例进行二次预测。
所述步骤(1)中的多分支神经网络具体包括：
(11)所述特征提取网络为去掉全连接层的ResNet50，特征提取网络最后一层的输出作为feature-map。
(12)所述区域提议网络(RPN)包括两条分支，边框回归分支和边框分类分支，输入为(11)中特征提取网络生成的feature-map，输出为边框的偏移量和边框所属类别的概率，利用边框的偏移量修正初始边框的坐标，利用边框所属类别的概率筛选出概率较大的边框，删除超出原图边界的边框，通过非极大值抑制删除重叠度较大的边框后按边框所属类别的概率由大到小排序，取前N个边框得到候选边框。
(13)所述感兴趣区域层(ROI)，输入为(11)中特征提取网络生成的feature-map和(12)中区域提议网络(RPN)生成的候选边框，输出为固定长宽为7*7的采样特征。
(14)所述边框分支包括边框回归和边框分类，输入为(13)中感兴趣区域层(ROI)生成的固定长宽的采样特征，输出为边框的偏移量和边框所属类别的概率，利用边框的偏移量进一步修正初始边框的坐标，利用边框所属类别的概率筛选出概率较大的边框，删除超出原图边界的边框，通过非极大值抑制删除重叠度较大的边框后按边框所属类别的概率由大到小排序，取前n个边框得到前景边框。
(15)所述掩码分支，是对(13)中感兴趣区域层(ROI)生成的固定长宽的采样特征进行逐像素分类，得到语义分割掩码。
(16)所述全局掩码分支，是对(11)中特征提取网络生成的feature-map进行两倍上采样，与(11)中ResNet50的第四个block的输出相加，其和经过两倍上采样与第三个block的输出相加，其和经过两倍上采样与第二个block的输出相加，最后再上采样到特征提取网络的输入尺寸，通过逐像素分类得到整张输入图片的语义分割掩码。
所述步骤(2)中的多任务联合训练具体包括：
(21)按不同长宽比和不同尺寸在每个像素点上生成k种初始化边框。
(22)使用随机梯度下降法进行训练，Lrpn_cls为区域提议网络的边框分类损失，Lrpn_reg为区域提议网络的边框回归损失，Lbox_cls为边框分支的分类损失，Lbox_reg为边框分支的回归损失，Lmask为掩码分支的逐像素分类损失，Lglobal_mask为全局掩码分支的逐像素分类损失，Ltotal为总损失，采用的损失函数计算公式如下：
Ltotal＝Lrpn_cls+Lrpn_reg+Lbox_cls+Lbox_reg+Lmask+Lglobal_mask
Lglobal_mask＝cross_entropy-log(jaccard_approximation)
cross_entropy＝-∑(ytruelogypred+(1-ytrue)log(1-ypred))
所述步骤(3)中的多分支进行联合预测具体包括：
(31)将待测试图片输入网络，全局掩码分支输出的逐像素分类结果记为掩码A，边框分支输出的一组前景边框记为B，掩码分支输出的一组掩码记为C。
(32)提取掩码A中的连通区域，删除掉面积较小的部分，遍历剩下的连通区域，若B中与当前连通区域相交的前景边框不只一个，则删掉当前连通区域，用C中对应区域的掩码替代。
本发明的有益效果是：
本发明提出了一种基于多任务学习的细胞核实例分割方法，先利用全局掩码分支进行预测，预测结果中重叠的细胞核再利用边框分支和掩码分支进行修正，这样就避免了Mask-RCNN方法中一些比较小或者比较模糊的细胞实例在目标检测过程中就被漏掉了的问题，有效地解决了实例分割中的错漏问题，提高了细胞核实例分割的准确率。
附图说明
图1是待预测的细胞图像
图2是多分支联合预测的实例分割结果
具体实施方式
以下将结合附图对本发明进行详细描述。
本发明公开了一种基于多任务学习的细胞核实例分割方法，具体实施步骤包括：
(1)构建多分支神经网络，包括特征提取网络、区域提议网络(RPN)、感兴趣区域层(ROI)、边框分支、掩码分支、全局掩码分支。
(2)包括区域提议网络(RPN)、边框分支、掩码分支、全局掩码分支的多任务联合训练。
(3)利用多分支进行联合预测，在全局掩码分支的分割结果上对重叠实例进行二次预测。
所述步骤(1)中的多分支神经网络具体包括：
(11)所述特征提取网络为去掉全连接层的ResNet50，特征提取网络最后一层的输出作为feature-map。
(12)所述区域提议网络(RPN)包括两条分支，边框回归分支和边框分类分支，输入为(11)中特征提取网络生成的feature-map，输出为边框的偏移量和边框所属类别的概率，利用边框的偏移量修正初始边框的坐标，利用边框所属类别的概率筛选出概率较大的边框，删除超出原图边界的边框，通过非极大值抑制删除重叠度较大的边框后按边框所属类别的概率由大到小排序，取前N个边框得到候选边框。
(13)所述感兴趣区域层(ROI)，输入为(11)中特征提取网络生成的feature-map和(12)中区域提议网络(RPN)生成的候选边框，输出为固定长宽为7*7的采样特征。
(14)所述边框分支包括边框回归和边框分类，输入为(13)中感兴趣区域层(ROI)生成的固定长宽的采样特征，输出为边框的偏移量和边框所属类别的概率，利用边框的偏移量进一步修正初始边框的坐标，利用边框所属类别的概率筛选出概率较大的边框，删除超出原图边界的边框，通过非极大值抑制删除重叠度较大的边框后按边框所属类别的概率由大到小排序，取前n个边框得到前景边框。
(15)所述掩码分支，是对(13)中感兴趣区域层(ROI)生成的固定长宽的采样特征进行逐像素分类，得到语义分割掩码。
(16)所述全局掩码分支，是对(11)中特征提取网络生成的feature-map进行两倍上采样，与(11)中ResNet50的第四个block的输出相加，其和经过两倍上采样与第三个block的输出相加，其和经过两倍上采样与第二个block的输出相加，最后再上采样到特征提取网络的输入尺寸，通过逐像素分类得到整张输入图片的语义分割掩码。
所述步骤(2)中的多任务联合训练具体包括：
(21)按不同长宽比和不同尺寸在每个像素点上生成k种初始化边框。
(22)使用随机梯度下降法进行训练，Lrpn_cls为区域提议网络的边框分类损失，Lrpn_reg为区域提议网络的边框回归损失，Lbox_cls为边框分支的分类损失，Lbox_reg为边框分支的回归损失，Lmask为掩码分支的逐像素分类损失，Lglobal_mask为全局掩码分支的逐像素分类损失，Ltotal为总损失，采用的损失函数计算公式如下：
Ltotal＝Lrpn_cls+Lrpn_reg+Lbox_cls+Lbox_reg+Lmask+Lglobal_mask
Lglobal_mask＝cross_entropy-log(jaccard_approximation)
cross_entropy＝-∑(ytruelogypred+(1-ytrue)log(1-ypred))
所述步骤(3)中的多分支进行联合预测具体包括：
(31)将待测试图片输入网络，全局掩码分支输出的逐像素分类结果记为掩码A，边框分支输出的一组前景边框记为B，掩码分支输出的一组掩码记为C。
(32)提取掩码A中的连通区域，删除掉面积较小的部分，遍历剩下的连通区域，若B中与当前连通区域相交的前景边框不只一个，则删掉当前连通区域，用C中对应区域的掩码替代。
待预测的细胞图像如图1所示，多分支联合预测的实例分割结果如图2所示。实验结果表明，本发明能有效地解决细胞核实例分割中的错漏问题，提高细胞核实例分割的准确率。

Claims (4)

1.一种基于多任务学习的细胞核实例分割方法，其特征在于，所述方法包括：
(1)构建多分支神经网络，包括特征提取网络、区域提议网络(RPN)、感兴趣区域层(ROI)、边框分支、掩码分支、全局掩码分支；
(2)包括区域提议网络(RPN)、边框分支、掩码分支、全局掩码分支的多任务联合训练；
(3)利用多分支进行联合预测，在全局掩码分支的分割结果上对重叠实例进行二次预测。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：
(11)所述特征提取网络为去掉全连接层的ResNet50，特征提取网络最后一层的输出作为feature-map；
(12)所述区域提议网络(RPN)包括两条分支，边框回归分支和边框分类分支，输入为(11)中特征提取网络生成的feature-map，输出为边框的偏移量和边框所属类别的概率，利用边框的偏移量修正初始边框的坐标，利用边框所属类别的概率筛选出概率较大的边框，删除超出原图边界的边框，通过非极大值抑制删除重叠度较大的边框后按边框所属类别的概率由大到小排序，取前N个边框得到候选边框；
(13)所述感兴趣区域层(ROI)，输入为(11)中特征提取网络生成的feature-map和(12)中区域提议网络(RPN)生成的候选边框，输出为固定长宽为7*7的采样特征；
(14)所述边框分支包括边框回归和边框分类，输入为(13)中感兴趣区域层(ROI)生成的固定长宽的采样特征，输出为边框的偏移量和边框所属类别的概率，利用边框的偏移量进一步修正初始边框的坐标，利用边框所属类别的概率筛选出概率较大的边框，删除超出原图边界的边框，通过非极大值抑制删除重叠度较大的边框后按边框所属类别的概率由大到小排序，取前n个边框得到前景边框；
(15)所述掩码分支，是对(13)中感兴趣区域层(ROI)生成的固定长宽的采样特征进行逐像素分类，得到语义分割掩码；
(16)所述全局掩码分支，是对(11)中特征提取网络生成的feature-map进行两倍上采样，与(11)中ResNet50的第四个block的输出相加，其和经过两倍上采样与第三个block的输出相加，其和经过两倍上采样与第二个block的输出相加，最后再上采样到特征提取网络的输入尺寸，通过逐像素分类得到整张输入图片的语义分割掩码。
3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：
(21)按不同长宽比和不同尺寸在每个像素点上生成k种初始化边框；
(22)使用随机梯度下降法进行训练，Lrpn_cls为区域提议网络的边框分类损失，Lrpn_reg为区域提议网络的边框回归损失，Lbox_cls为边框分支的分类损失，Lbox_reg为边框分支的回归损失，Lmask为掩码分支的逐像素分类损失，Lglobal_mask为全局掩码分支的逐像素分类损失，Ltotal为总损失，采用的损失函数计算公式如下：
Ltotal＝Lrpn_cls+Lrpn_reg+Lbox_cls+Lbox_reg+Lmask+Lglobal_mask
Lglobal_mask＝cross_entropy-log(jaccard_approximation)
cross_entropy＝-∑(ytruelogypred+(1-ytrue)log(1-ypred))
4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中具体包括：
(31)将待测试图片输入网络，全局掩码分支输出的逐像素分类结果记为掩码A，边框分支输出的一组前景边框记为B，掩码分支输出的一组掩码记为C；
(32)提取掩码A中的连通区域，删除掉面积较小的部分，遍历剩下的连通区域，若B中与当前连通区域相交的前景边框不只一个，则删掉当前连通区域，用C中对应区域的掩码替代。
CN201811310537.2A 2018-11-06 2018-11-06 一种基于多任务学习的细胞核实例分割方法 Pending CN109493330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811310537.2A CN109493330A (zh) 2018-11-06 2018-11-06 一种基于多任务学习的细胞核实例分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811310537.2A CN109493330A (zh) 2018-11-06 2018-11-06 一种基于多任务学习的细胞核实例分割方法

Publications (1)

Publication Number Publication Date
CN109493330A true CN109493330A (zh) 2019-03-19

Family

ID=65694966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811310537.2A Pending CN109493330A (zh) 2018-11-06 2018-11-06 一种基于多任务学习的细胞核实例分割方法

Country Status (1)

Country Link
CN (1) CN109493330A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784424A (zh) * 2019-03-26 2019-05-21 腾讯科技（深圳）有限公司 一种图像分类模型训练的方法、图像处理的方法及装置
CN109993757A (zh) * 2019-04-17 2019-07-09 山东师范大学 一种视网膜图像病变区域自动分割方法及***
CN110276765A (zh) * 2019-06-21 2019-09-24 北京交通大学 基于多任务学习深度神经网络的图像全景分割方法
CN110378278A (zh) * 2019-07-16 2019-10-25 北京地平线机器人技术研发有限公司 神经网络的训练方法、对象搜索方法、装置以及电子设备
CN111369615A (zh) * 2020-02-21 2020-07-03 苏州优纳医疗器械有限公司 一种基于多任务卷积神经网络的细胞核中心点检测方法
CN111524138A (zh) * 2020-07-06 2020-08-11 湖南国科智瞳科技有限公司 一种基于多任务学习的显微图像细胞识别方法及装置
WO2021027152A1 (zh) * 2019-08-12 2021-02-18 平安科技（深圳）有限公司 基于条件生成对抗网络合成图像的方法及相关设备
WO2021057148A1 (zh) * 2019-09-25 2021-04-01 平安科技（深圳）有限公司 基于神经网络的脑组织分层方法、装置、计算机设备
US11120307B2 (en) * 2019-08-23 2021-09-14 Memorial Sloan Kettering Cancer Center Multi-task learning for dense object detection
CN113450363A (zh) * 2021-06-10 2021-09-28 西安交通大学 一种基于标签校正的元学习细胞核分割***及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107492084A (zh) * 2017-07-06 2017-12-19 哈尔滨理工大学 基于随机性的典型成团细胞核图像合成方法
CN107644419A (zh) * 2017-09-30 2018-01-30 百度在线网络技术（北京）有限公司 用于分析医学影像的方法和装置
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
CN108229290A (zh) * 2017-07-26 2018-06-29 北京市商汤科技开发有限公司 视频物体分割方法和装置、电子设备、存储介质和程序
CN108334860A (zh) * 2018-03-01 2018-07-27 北京航空航天大学 细胞图像的处理方法和装置
CN108346154A (zh) * 2018-01-30 2018-07-31 浙江大学 基于Mask-RCNN神经网络的肺结节分割装置的建立方法
CN108364006A (zh) * 2018-01-17 2018-08-03 超凡影像科技股份有限公司 基于多模式深度学习的医学图像分类装置及其构建方法
CN108399361A (zh) * 2018-01-23 2018-08-14 南京邮电大学 一种基于卷积神经网络cnn和语义分割的行人检测方法
CN108648053A (zh) * 2018-05-10 2018-10-12 南京衣谷互联网科技有限公司 一种用于虚拟试衣的成像方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107492084A (zh) * 2017-07-06 2017-12-19 哈尔滨理工大学 基于随机性的典型成团细胞核图像合成方法
CN108229290A (zh) * 2017-07-26 2018-06-29 北京市商汤科技开发有限公司 视频物体分割方法和装置、电子设备、存储介质和程序
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
CN107644419A (zh) * 2017-09-30 2018-01-30 百度在线网络技术（北京）有限公司 用于分析医学影像的方法和装置
CN108364006A (zh) * 2018-01-17 2018-08-03 超凡影像科技股份有限公司 基于多模式深度学习的医学图像分类装置及其构建方法
CN108399361A (zh) * 2018-01-23 2018-08-14 南京邮电大学 一种基于卷积神经网络cnn和语义分割的行人检测方法
CN108346154A (zh) * 2018-01-30 2018-07-31 浙江大学 基于Mask-RCNN神经网络的肺结节分割装置的建立方法
CN108334860A (zh) * 2018-03-01 2018-07-27 北京航空航天大学 细胞图像的处理方法和装置
CN108648053A (zh) * 2018-05-10 2018-10-12 南京衣谷互联网科技有限公司 一种用于虚拟试衣的成像方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ALY A. MOHAMED等: "A deep learning method for classifying mammographic breast density categories", 《2017 AMERICAN ASSOCIATION OF PHYSICISTS IN MEDICINE》 *
JEREMIAH W. JOHNSON: "ADAPTING MASK-RCNN FOR AUTOMATIC NUCLEUS SEGMENTATION", 《ARXIV:1805.00500V1 [CS.CV]》 *
KAIMING HE等: "Mask R-CNN", 《ARXIV:1703.06870V3 [CS.CV]》 *
MOOYU"S BLOG: "MXNet/Gluon 深度学习笔记 (六) —— 物体检测结", 《HTTP://GUOXS.GITHUB.IO/BLOG/2018/02/03/DEEP-LEARNING-LIMU-NOTE06/》 *
宋有义: "显微医学图像重叠目标分割方法研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》 *
田锦等: "基于mask R-CNN的地面标识检测", 《计算机科学》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020192471A1 (zh) * 2019-03-26 2020-10-01 腾讯科技（深圳）有限公司 一种图像分类模型训练的方法、图像处理的方法及装置
CN109784424A (zh) * 2019-03-26 2019-05-21 腾讯科技（深圳）有限公司 一种图像分类模型训练的方法、图像处理的方法及装置
CN109993757A (zh) * 2019-04-17 2019-07-09 山东师范大学 一种视网膜图像病变区域自动分割方法及***
CN109993757B (zh) * 2019-04-17 2021-01-08 山东师范大学 一种视网膜图像病变区域自动分割方法及***
CN110276765A (zh) * 2019-06-21 2019-09-24 北京交通大学 基于多任务学习深度神经网络的图像全景分割方法
CN110378278A (zh) * 2019-07-16 2019-10-25 北京地平线机器人技术研发有限公司 神经网络的训练方法、对象搜索方法、装置以及电子设备
CN110378278B (zh) * 2019-07-16 2021-11-02 北京地平线机器人技术研发有限公司 神经网络的训练方法、对象搜索方法、装置以及电子设备
WO2021027152A1 (zh) * 2019-08-12 2021-02-18 平安科技（深圳）有限公司 基于条件生成对抗网络合成图像的方法及相关设备
US11636695B2 (en) 2019-08-12 2023-04-25 Ping An Technology (Shenzhen) Co., Ltd. Method for synthesizing image based on conditional generative adversarial network and related device
US11120307B2 (en) * 2019-08-23 2021-09-14 Memorial Sloan Kettering Cancer Center Multi-task learning for dense object detection
WO2021057148A1 (zh) * 2019-09-25 2021-04-01 平安科技（深圳）有限公司 基于神经网络的脑组织分层方法、装置、计算机设备
CN111369615A (zh) * 2020-02-21 2020-07-03 苏州优纳医疗器械有限公司 一种基于多任务卷积神经网络的细胞核中心点检测方法
CN111524138A (zh) * 2020-07-06 2020-08-11 湖南国科智瞳科技有限公司 一种基于多任务学习的显微图像细胞识别方法及装置
CN113450363A (zh) * 2021-06-10 2021-09-28 西安交通大学 一种基于标签校正的元学习细胞核分割***及方法

Similar Documents

Publication Publication Date Title
CN109493330A (zh) 一种基于多任务学习的细胞核实例分割方法
WO2020224424A1 (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN108830855B (zh) 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN109376681B (zh) 一种多人姿态估计方法及***
WO2019192397A1 (zh) 一种任意形状的场景文本端到端识别方法
Giakoumis et al. Digital image processing techniques for the detection and removal of cracks in digitized paintings
US9305359B2 (en) Image processing method, image processing apparatus, and computer program product
CN112487848B (zh) 文字识别方法和终端设备
Arai et al. Method for automatic e-comic scene frame extraction for reading comic on mobile devices
US20230252786A1 (en) Video processing
CN113591719A (zh) 一种自然场景任意形状文本检测方法、装置和训练方法
CN111652140A (zh) 基于深度学习的题目精准分割方法、装置、设备和介质
CN111462090A (zh) 一种多尺度图像目标检测方法
WO2020022329A1 (ja) 物体検出認識装置、方法、及びプログラム
CN108764233B (zh) 一种基于连续卷积激活的场景字符识别方法
CN113901924A (zh) 一种文档表格的检测方法及装置
CN113191235A (zh) 杂物检测方法、装置、设备及存储介质
CN113657196B (zh) Sar图像目标检测方法、装置、电子设备和存储介质
Lei et al. Noise-robust wagon text extraction based on defect-restore generative adversarial network
Chu et al. Text detection in manga by deep region proposal, classification, and regression
Aoki et al. Accuracy improvement of fashion style estimation with attention control of a classifier
Saudagar et al. Efficient Arabic text extraction and recognition using thinning and dataset comparison technique
Hou et al. Multi-scale residual network for building extraction from satellite remote sensing images
Ghorbel et al. Text extraction from comic books
Modi et al. Translation of Sign Language Finger-Spelling to Text using Image Processing

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: 20190319