CN109856015B - 一种癌细胞自动诊断的快速处理方法及其*** - Google Patents
一种癌细胞自动诊断的快速处理方法及其*** Download PDFInfo
- Publication number
- CN109856015B CN109856015B CN201811418072.2A CN201811418072A CN109856015B CN 109856015 B CN109856015 B CN 109856015B CN 201811418072 A CN201811418072 A CN 201811418072A CN 109856015 B CN109856015 B CN 109856015B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- definition
- module
- focal length
- scanning
- 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.)
- Active
Links
Images
Abstract
本发明提供一种癌细胞自动诊断的快速处理方法及其***,自动化程度高,从细胞扫描到诊断确诊最终生成诊断报告,全部自动化完成;在智能诊断模块中生成与患者历史病症信息对比的大量图表信息,通过人工神经网络替代医师进行准确确诊;通过多个位置对比判定清晰度来选择拍照,速度可以达到五分钟800张图片;采用直接快速的USB加密计数方式,相比传统的IC卡加密方式,只需要远程授权而不是寄回方式,所有操作都可以通过网络完成,节约了时间,提升了效率。
Description
技术领域
本发明属于计算机视觉领域,尤其涉及一种癌细胞自动诊断的快速处理方法及其***。
背景技术
目前在进行显微镜扫描时候,扫描获取样本图像可能需要扫描上千个视野才能获得有意义的结果。但是目前市场上的各种综合解决方案存在聚焦精度不准确、***不稳定以及扫描速度不能满足大型医院需求的问题。同时,后续在自动诊断过程中也是非常慢,效率低下。
为了解决整体效率低下的问题,我们在此基础之上,采用了提高平台的移动速度,镜头的快速聚焦以及算法的快速处理图像多个方面提升***性能,通过***对每一幅视野的每一个可以区域进行图像分割、特征提取和细胞分类,最后通过神经网络确认诊断结果,实现对从扫描到诊断确诊整个流程的加速。
发明内容
鉴于上述现有技术的不足之处,本发明的目的在于提供一种癌细胞自动诊断的快速处理方法及其***,旨在解决细胞扫描到细胞诊断确诊一整套流程效率低下的问题。
为了达到上述目的,本发明采取了以下技术方案:
一种癌细胞自动诊断的快速处理方法,包括如下步骤:
S1、获得精确测量整片样本的厚度,确定所述厚度的变化范围,对不同的照片手动调节焦距至肉眼清晰,然后观察在z轴的焦距变化,记录其变化范围;
S2、通过涂片厚度的变化范围,确定显微镜焦距每一步的调节步长;
S3、对扫描区域进行清晰度判断;
S4、对清晰度最高的位置进行拍照;
S5、通过清晰度判别边界;
S6、读取拍照得到的图片数据;
S7、读取患者历史信息,若数据库中存在历史记录,则将图片数据保存在相应档案库,否则新建患者的档案库;
S8、对视野中的每一个区域进行图像分割、特征提取和筛选,得出诊断数据;
S9、基于诊断数据,递交至医师确认诊断结果,将诊断结果作为数据训练人工神经网络;
S10、输出保存诊断结果并打印报告单;所述样本的区域为圆形,扫描的视野重叠部分等于13微米;所述清晰度判断是显微镜镜头在Z轴上上移3步、下移3步来调节焦距,对包括原始位置在内的7个位置进行清晰度对比;所述清晰度对比得出清晰度最高的位置,并对清晰度最高的位置进行拍照。所述通过清晰度判别边界是通过测试设定阈值,当低于该阈值时判定视野中没有有效的细胞图像;扫描过程为先进行上半圆区域扫描,上半圆区域扫描结束后,镜头自动恢复到初始记录的圆心位置,进行对称的下半圆区域扫描。
进一步的,所述S7通过就诊卡序列号或者病例本序列号检测数据库中是否存在该患者的历史记录。
进一步的,所述S9是经实例反复训练神经网络可使得其识别输入和输出信息,从而建立特定模式,实现计算机神经网络确认诊断结果。
进一步的,所述快速处理方法采用USB加密计数方式,只需要远程授权而不是寄回方式,实现了快速计数和授权方式。
一种癌细胞自动诊断的快速处理方法的处理***,包括:
厚度测量模块,用于精确测量整片样本的厚度,确定所述厚度的变化范围,对不同的照片手动调节焦距至肉眼清晰,然后观察在z轴的焦距变化,记录其变化范围;
总控模块,用于通过涂片厚度的变化范围,确定显微镜焦距每一步的调节步长和控制显微镜镜头移动;
清晰度检测模块,用于检测和对比扫描区域的清晰度;
图片获取模块,用于对清晰度最高的位置进行拍照;
边界判别模块,用于判别扫描的边界;
图片数据读取模块,用于读取拍照得到的图片数据;
患者历史信息读取模块,用于读取患者历史信息,若数据库中存在历史记录,则将图片数据保存在相应档案库,否则新建患者的档案库;
智能诊断模块,用于对视野中的每一个区域进行图像分割、特征提取和筛选,得出诊断数据;
确诊模块,用于基于诊断数据,递交至医师确认诊断结果,将诊断结果作为数据训练人工神经网络;
结果输出保存与打印模块,用于输出保存诊断结果并打印报告单;所述样本的区域为圆形,扫描的视野重叠部分等于13微米;所述清晰度判断是显微镜镜头在Z轴上上移3步、下移3步来调节焦距,对包括原始位置在内的7个位置进行清晰度对比;所述清晰度对比得出清晰度最高的位置,并对清晰度最高的位置进行拍照。所述通过清晰度判别边界是通过测试设定阈值,当低于该阈值时判定视野中没有有效的细胞图像;扫描过程为先进行上半圆区域扫描,上半圆区域扫描结束后,镜头自动恢复到初始记录的圆心位置,进行对称的下半圆区域扫描。
与现有技术相比,本发明的有益效果:
(1)自动化程度高,从细胞扫描到诊断确诊最终生成诊断报告,全部自动化完成;
(2)在智能诊断模块中生成与患者历史病症信息对比的大量图表信息,通过人工神经网络替代医师进行准确确诊;
(3)通过多个位置对比判定清晰度来选择拍照,速度可以达到五分钟800张图片;
(4)采用直接快速的USB加密计数方式,相比传统的IC卡加密方式,只需要远程授权而不是寄回方式,所有操作都可以通过网络完成,节约了时间,提升了效率。
附图说明
图1为本发明提供的一种癌细胞自动诊断的快速处理方法的流程示意图。
图2为本发明提供的一种癌细胞自动诊断的快速处理方法的扫描视野重叠示意图。
图3为本发明提供的一种癌细胞自动诊断的快速处理方法的处理***模块框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1-3所示,本发明提供的一种癌细胞自动诊断的快速处理方法,该方法包括如下步骤:
S1、获得精确测量整片样本的厚度,确定所述厚度的变化范围;
具体的,按照一定的排列规律对不同的位置进行拍照,定义出初始位置的z轴位置,然后在之后的焦距判断中以此为参考点。对不同的照片手动调节焦距至肉眼清晰,然后观察在z轴的焦距变化,记录其变化范围,焦距调节越大则说明此处厚度变化大,就可以对样本的厚度进行判断。
S2、确定显微镜每一步的调节步长;
通过涂片厚度的变化范围来确定焦距调节的步长,通过调节焦距实现多个位置捕捉,并将所有视野涵盖。
S3、对扫描区域进行清晰度判断;
具体的,自动进行清晰度判断,图像从RGB空间经过算法处理分别变换到HSV和Lab颜色模型,然后采用Tenengrad梯度方法利用Sobel算子分别计算水平和垂直方向的梯度,同一场景下梯度值越高,图像越清晰,衡量的指标是经过Sobel算子处理后的图像的平均灰度值,值越大,代表图像越清晰。
S4、对清晰度最高的位置进行拍照;
通过S3判断出清晰度高的位置,工业相机对清晰度最高的位置进行自动拍照,并将图片传送至后台处理中心处理并保存。
S5、通过清晰度判别边界。
S6、读取拍照得到的图片数据;
S7、读取患者历史信息,若数据库中存在历史记录,则将图片数据保存在相应档案库,否则新建患者的档案库;
S8、对视野中的每一个区域进行图像分割、特征提取和筛选,得出诊断结果;
首先判断可疑区域是否为细胞。若可疑区域是细胞,则对细胞进行特征提取,并保存该特征数据;若不是细胞,则不做分析。当对所有细胞特征提取完毕后,用分类器对细胞进行分类,筛选出其中的癌细胞。将所有的癌细胞输出保存,作为诊断结果①。结合历史病情,将癌细胞个数、细胞平均面积、细胞平均灰度值等数据分别与历史检查数据进行对比,生成相应的变化趋势图表,作为诊断结果②。将***诊断过程中的部分特征值,生成相应的图表,作为辅助诊断结果③(如细胞面积对应细胞数量的柱状图,其他图表可根据医师要求生成)。
需要说明的是,图像分割:采用Otsu算法分割并经行黑白反色;再进行边缘检测,采用Canny和findContours寻找对应ROI区域外轮廓。特征提取:提取灰度、圆度、面积、周长、主轴长、次轴长、紧凑度、偏心率等等特征。分类器采用python决策树,分别计算出各个特征的影响因子,得到癌细胞的计算公式。
S9、确认诊断结果
将诊断结果①②③递交至医师诊断,由医师对诊断结果进行确诊。将大量确证结果作为数据训练人工神经网络。经实例反复训练神经网络可使得其识别输入和输出信息,从而建立特定模式,实现计算机病理诊断即神经网络进行确诊。
S10、输出保存诊断结果并打印报告单。
要说明的是,事先将所需要的焦距调节参数编辑成pst文件,后台通过读取pst文件来对焦距进行调节,需要更换其他参数调节时,只需要编辑pst文件重新输入所要参数即可。
扫描原则为扫描过程中,载物台在X、Y两个维度自动步进,然后工业相机将采集的图像发送至自动对焦模块,通过Z轴(物镜)垂直方向的进给得到焦平面。为了使***硬件平台满足实际的工作需要,在该平台的设计时,应遵循细胞的全覆盖原则,即为避免漏检癌细胞,在控制载物台X、Y轴进给时,应遵循细胞全部覆盖原则。
在本实施例中,所述样本的区域为圆形,如图2所示关于扫描的视野,视野1与视野2重叠部分等于13微米。因为针对宫颈脱落细胞涂片,当重叠部分小于13微米时,图像边缘的细胞核图像有可能被破坏,不能纳入正常的处理对象,造成不完整的细胞库;而当重叠部分超过13微米,则可能导致细胞库中出现重复细胞过多,增加计算量同时,影响最终判决精度。同时需要在生物显微镜的基础上,通过对载物台添加步进电机及相应的传动机构,实现涂片的自动化扫描。
在本实施例中,所述清晰度判断是显微镜镜头在Z轴上上移3步、下移3步来调节焦距,对包括原始位置在内的7个位置进行清晰度对比。
在本实施例中,所述清晰度对比得出清晰度最高的位置,并对清晰度最高的位置进行拍照。
在本实施例中,所述通过清晰度判别边界是通过测试设定阈值,当低于该阈值时判定视野中没有有效的细胞图像,则判定为边界。
在本实施例中,所述扫描方法是先进行上半圆区域扫描,上半圆区域扫描结束后,镜头自动恢复到初始记录的圆心位置,进行对称的下半圆区域扫描,对称式扫描使得扫描路径更加稳定,扫描更准确。
在本实施例中,所述S7通过就诊卡序列号或者病例本序列号检测数据库中是否存在该患者的历史记录,如果存在,将此次检查的最终结果保存在相应档案库;否则新建患者的档案库,并保存诊断记录。
在本实施例中,所述S9是经实例反复训练神经网络可使得其识别输入和输出信息,从而建立特定模式,实现计算机神经网络确认诊断结果。
在本实施例中,所述快速处理方法采用USB加密计数方式,只需要远程授权而不是寄回方式,实现了快速计数和授权方式。
需要说明的是,本发明采用平行甩片技术快速制作涂片,从效率上大幅提升了制片速度,设置了平行的多路离心机对细胞样本进行快速处理,用于妇科标本、胸腹水标本和痰、尿体液标本,包括以下步骤:
a、标本预处理把妇科标本连同保存瓶放在振荡器上震荡2~10分钟,吸取保存瓶里的中底层细胞作样本;混匀后取40~50毫升以2000转/分离心10分钟,取离心管底部1/3液体加入保存瓶作样本;或者痰标本加粘液分解液5~10毫升后放在振荡器上震荡2~10分钟,取分解后的液体痰加入保存瓶作样本;
b、取普通离心管加入5毫升粘附分离液,沿离心管壁缓慢加入经步骤a标本预处理后的上述等量样本;
c、将步骤b的样本混和物置于离心机中以1200~2000转/分离心5~10分钟,根据离心后沉淀物量弃离心管中上清液,然后混匀待用;
d、将写有编号的玻璃片放入制片配套设备自然沉降装置固定座的长槽中,玻璃片紧贴于固定座的长槽底边,固定后离心分离视作样本,之后再恒温烘干台干燥处理,并压制得到需要的样本。速度更快、强度更大的离心***使得细胞在快速的基础上实现了更为有效的分离,从而在后续的显示效果和速度两方面均得到了性能的提升。
自动对焦采用如下方式,细胞样本的区域为圆形,通过对样本边界的判断实现对细胞不重不漏的扫描。每一类生物样本的材质和玻片厚度不一,首先获得精确测量整片样本的厚度,确定厚度大致的变化范围。然后计算确定每一步显微镜的调节步长。在每一次扫描之前,人工手动把显微镜视野在圆心位置调节清晰,然后显微镜自动开始扫描。对每一扫描区域都进行清晰度判断,镜头设置上移3步、下移3步和对包括原始位置在内的7个位置进行判断,比较对清晰度最大的位置进行调用工业相机进行拍照。对于焦距的调节做成了pst文件进行方便的修改编辑,从而可以实现速度与清晰度兼顾的目标。对于边界的判断同样使用清晰度来判别边界,通过测试设定阈值,当低于该阈值时判定视野中没有有效的细胞图像,从而可以实现边界的判断。扫描采用上下半圆区分别扫描的模式,上半圆区域结束扫描后,镜头可以自动恢复到初始记录的圆心位置,进行对称的下半圆扫描进程。在扫描过程中,对于二倍体等多倍体和细胞数量进行同步计数,通过后来的逻辑算法实现对整体流程的控制,达到目标计数后就停止扫描。该扫描方式可以实现到五分钟800张图片,效率高。
需要说明的是,显微镜镜头的移动是靠后台总控对步进电机进行控制,步进电机再控制镜头移动。
另一方面本发明还提供一种癌细胞自动诊断的快速处理方法的处理***,该***包括:
厚度测量模块,用于精确测量整片样本的厚度,确定所述厚度的变化范围;
总控模块,用于确定显微镜每一步的调节步长和控制显微镜镜头移动;
清晰度检测模块,用于检测和对比扫描区域的清晰度;
图片获取模块,用于对清晰度最高的位置进行拍照;
边界判别模块,用于判别扫描的边界;
图片数据读取模块,用于读取拍照得到的图片数据;
患者历史信息读取模块,用于读取患者历史信息,若数据库中存在历史记录,则将图片数据保存在相应档案库,否则新建患者的档案库;
智能诊断模块,用于对视野中的每一个区域进行图像分割、特征提取和筛选,得出诊断结果;
确诊模块,用于确认诊断结果;
结果输出保存与打印模块,用于输出保存诊断结果并打印报告单;所述总控模块控制所有整个***的模块并与所述整个***的模块电性连接。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (1)
1.一种癌细胞自动诊断的快速处理方法的处理***,其特征在于,包括:
厚度测量模块,用于精确测量整片样本的厚度,确定所述厚度的变化范围,具体的,按照一定的排列规律对不同的位置进行拍照,定义出初始位置的z轴位置,然后在之后的焦距判断中以此为参考点;对不同的位置手动调节焦距至肉眼清晰,然后观察在z轴的焦距变化,记录其变化范围;
总控模块,用于通过涂片厚度的变化范围,确定显微镜焦距每一步的调节步长和控制显微镜镜头移动;通过涂片厚度的变化范围来确定焦距调节的步长,通过调节焦距实现多个位置捕捉;
清晰度检测模块,用于检测和对比扫描区域的清晰度;清晰度判断是显微镜镜头在Z轴上上移3步、下移3步来调节焦距,对包括原始位置在内的7个位置进行清晰度对比;具体的,自动进行清晰度判断,图像从RGB空间经过算法处理分别变换到HSV和Lab颜色模型,然后采用Tenengrad梯度方法利用Sobel算子分别计算水平和垂直方向的梯度,同一场景下梯度值越高,图像越清晰;所述样本的区域为圆形,扫描方法是先进行上半圆区域扫描,上半圆区域扫描结束后,镜头自动恢复到初始记录的圆心位置,进行对称的下半圆区域扫描;
图片获取模块,用于在清晰度最高的位置进行拍照;通过清晰度检测模块判断出清晰度高的位置,工业相机在清晰度最高的位置进行自动拍照,并将图片传送至后台处理中心处理并保存;
边界判别模块,用于判别扫描的边界;
图片数据读取模块,用于读取拍照得到的图片数据;
患者历史信息读取模块,用于读取患者历史信息,若数据库中存在历史记录,则将图片数据保存在相应档案库,否则新建患者的档案库;
智能诊断模块,用于对视野中的每一个区域进行图像分割、特征提取和筛选,得出诊断数据;
确诊模块,用于基于诊断数据,递交至医师确认诊断结果,将诊断结果作为数据训练人工神经网络;
结果输出保存与打印模块,用于输出保存诊断结果并打印报告单。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418072.2A CN109856015B (zh) | 2018-11-26 | 2018-11-26 | 一种癌细胞自动诊断的快速处理方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418072.2A CN109856015B (zh) | 2018-11-26 | 2018-11-26 | 一种癌细胞自动诊断的快速处理方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109856015A CN109856015A (zh) | 2019-06-07 |
CN109856015B true CN109856015B (zh) | 2021-08-17 |
Family
ID=66890307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811418072.2A Active CN109856015B (zh) | 2018-11-26 | 2018-11-26 | 一种癌细胞自动诊断的快速处理方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856015B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112992336A (zh) * | 2021-02-05 | 2021-06-18 | 山西医科大学 | 一种病理智能诊断*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1462884A (zh) * | 2003-06-24 | 2003-12-24 | 南京大学 | 一种高精度、低假阴性率的肺癌细胞图像识别方法 |
CN101788709A (zh) * | 2010-03-10 | 2010-07-28 | 广西大学 | 一种数字共焦显微仪光学切片采集驱动器 |
CN102175625A (zh) * | 2010-11-29 | 2011-09-07 | 樊潮 | 一种癌细胞识别方法 |
CN107257934A (zh) * | 2015-03-10 | 2017-10-17 | 高通股份有限公司 | 用于深度辅助式自动聚焦的搜索范围扩展 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007079278A (ja) * | 2005-09-15 | 2007-03-29 | Univ Of Tokyo | 物質状態測定装置 |
JP2008116526A (ja) * | 2006-11-01 | 2008-05-22 | Matsushita Electric Ind Co Ltd | 顕微鏡画像の処理装置及び処理方法 |
CN101615289B (zh) * | 2009-08-05 | 2012-10-03 | 北京优纳科技有限公司 | 切片组织的三维采集及多层图像融合方法 |
JP6069825B2 (ja) * | 2011-11-18 | 2017-02-01 | ソニー株式会社 | 画像取得装置、画像取得方法及び画像取得プログラム |
WO2016030897A1 (en) * | 2014-08-27 | 2016-03-03 | S.D. Sight Diagnostics Ltd | System and method for calculating focus variation for a digital microscope |
US9910258B2 (en) * | 2014-12-22 | 2018-03-06 | Koninklijke Philips N.V. | Method for simultaneous capture of image data at multiple depths of a sample |
EP3108653A1 (en) * | 2015-03-16 | 2016-12-28 | SZ DJI Technology Co., Ltd. | Apparatus and method for focal length adjustment and depth map determination |
CN107561075B (zh) * | 2017-07-26 | 2020-03-06 | 山东颐泽天泰医疗科技有限公司 | 细胞dna倍体分析三维运动平台的快速扫描成像方法 |
-
2018
- 2018-11-26 CN CN201811418072.2A patent/CN109856015B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1462884A (zh) * | 2003-06-24 | 2003-12-24 | 南京大学 | 一种高精度、低假阴性率的肺癌细胞图像识别方法 |
CN101788709A (zh) * | 2010-03-10 | 2010-07-28 | 广西大学 | 一种数字共焦显微仪光学切片采集驱动器 |
CN102175625A (zh) * | 2010-11-29 | 2011-09-07 | 樊潮 | 一种癌细胞识别方法 |
CN107257934A (zh) * | 2015-03-10 | 2017-10-17 | 高通股份有限公司 | 用于深度辅助式自动聚焦的搜索范围扩展 |
Also Published As
Publication number | Publication date |
---|---|
CN109856015A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220004738A1 (en) | Laser Capture Microdissection Systems and Method for Image Analysis | |
US6327377B1 (en) | Automated cytological specimen classification system and method | |
JP6453298B2 (ja) | 細胞診標本を観察および解析するためのシステムおよび方法 | |
US8116543B2 (en) | System for and method of intelligently directed segmentation analysis for automated microscope systems | |
US5287272A (en) | Automated cytological specimen classification system and method | |
CN102460115B (zh) | 流式粒子图像分析方法和装置 | |
CA2064571C (en) | Automated cytological specimen classification system and method | |
US11226280B2 (en) | Automated slide assessments and tracking in digital microscopy | |
US20210264595A1 (en) | System and Method for Detection and Classification of Objects of Interest in Microscope Images by Supervised Machine Learning | |
US10991098B1 (en) | Methods for automated chromosome analysis | |
KR102122068B1 (ko) | 이미지 분석 시스템 및 분석 방법 | |
CN110987886A (zh) | 一种全自动显微影像荧光扫描*** | |
Caya et al. | Detection and counting of red blood cells in human urine using canny edge detection and circle hough transform algorithms | |
CN112001315A (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
CN114387596A (zh) | 细胞病理涂片自动判读*** | |
CN109856015B (zh) | 一种癌细胞自动诊断的快速处理方法及其*** | |
WO2022183078A1 (en) | Computational refocusing-assisted deep learning | |
CN112213503A (zh) | 样本分析***、图像分析***及其处理样本图像的方法 | |
US20220383629A1 (en) | Label-free cell classification and screening system based on hybrid transfer learning | |
WO2023031622A1 (en) | System and method for identifying and counting biological species | |
Murali et al. | Continuous stacking computational approach based automated microscope slide scanner | |
N. Manuel et al. | Discrete Cosine Transform-based Microscope Focal Adjustment with RBC Classification Using Support Vector Machine | |
CN113420653A (zh) | 一种细菌细胞形态学综合检测分析方法、装置及可读介质 | |
CN116402796A (zh) | 一种融合全局和局部对比信息的宫颈细胞识别方法 | |
CN115601380A (zh) | 基于虚拟数字切片扫描***和图像识别的球形荧光微塑料计数方法及其应用 |
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 |