CN109858428B - 基于机器学习和深度学习的ana荧光片自动识别方法 - Google Patents
基于机器学习和深度学习的ana荧光片自动识别方法 Download PDFInfo
- Publication number
- CN109858428B CN109858428B CN201910078013.3A CN201910078013A CN109858428B CN 109858428 B CN109858428 B CN 109858428B CN 201910078013 A CN201910078013 A CN 201910078013A CN 109858428 B CN109858428 B CN 109858428B
- Authority
- CN
- China
- Prior art keywords
- ana
- karyotype
- data set
- titer
- texture
- 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
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习和深度学习的ANA荧光片自动识别方法,属于机器学习与深度学习技术领域,解决现有技术中通过人工判断ANA荧光片,对人员要求高,容易出现误判的问题。本发明基于机器学习模型,通过数据集计算得到滴度模型;基于深度学习模型,通过数据集计算得到核型模型;读取待识别的ANA荧光片,即待识别的图片,将待识别的图片进行特征提取,得到提取的多个特征值;将多个特征输入滴度模型,得到预测的滴度;将待识别的图片输入核型模型,得到预测的核型;根据预测的滴度与预测的核型得到识别结果。本发明用于识别ANA荧光片的滴度和核型。
Description
技术领域
一种基于机器学习和深度学习的ANA荧光片自动识别方法,用于识别ANA荧光片的滴度和核型,属于机器学习与深度学习技术领域。
背景技术
抗核抗体(anti-nuclear antibody,ANA)是抗所有核酸和核蛋白抗体的总称,包括细胞核、细胞浆、细胞骨架、细胞***周期中产生的某些成分等。ANA可作为血清学标志物。目前国内外公认生物薄片间接免疫荧光法(indirect immunofluorescence,IIF)为检测ANA的金标准方法,其具有敏感性高、半定量的特点。
虽然IIF在检测ANA中有不可替代的优势,但其自动化和标准化却落后于其他免疫学技术。目前传统ANA荧光片识别方法是人工判断。但此种方法对检验师要求较高,且耗时耗力,可能出现偏差。甚至不同的检验师可能对同一张图片出具不同的检验结果。
发明内容
针对上述研究的问题,本发明的目的在于提供一种基于机器学习和深度学习的ANA荧光片自动识别方法,解决现有技术中通过人工判断ANA荧光片,对人员要求高,容易出现误判的问题。
为了达到上述目的,本发明采用如下技术方案:
一种基于机器学习和深度学习的ANA荧光片自动识别方法,其特征在于,如下步骤:
S1、基于机器学习模型,通过数据集计算得到滴度模型;
S2、基于深度学习模型,通过数据集计算得到核型模型;
S3、读取待识别的ANA荧光片,即待识别的图片,将待识别的图片进行特征提取,得到提取的多个特征值;
S4、将多个特征值输入滴度模型,得到预测的滴度;
S5、将待识别的图片输入核型模型,得到预测的核型;
S6、根据预测的滴度与预测的核型得到识别结果。
进一步,所述步骤S1的具体步骤为:
S1.1、对获取的ANA荧光片构成的原始数据集进行清洗后,提取清洗后的原始数据集中各ANA荧光片的滴度标注;
S1.2、提取滴度标注后的ANA荧光片的特征值,作为数据集;
S1.3、根据数据集训练支持向量机,得到滴度模型。
进一步,所述步骤S1.2的具体步骤为:
S1.2.1、将每一张ANA荧光片转换为灰度图片,灰度图片为一个大小为X*Y的二维矩阵M,计算二维矩阵M的所有元素平均值,得到第一个特征值f1;
S1.2.2、二维矩阵M的具体某一个元素代表该像素点的灰度值,值的大小在0-255之间,将矩阵所有元素按照灰度强度等级进行计数,即分别统计灰度值在0-10、11-20、21-30直到241-250之间的像素点数量,依次将统计得到的数量作为特征值f2-f26,而大小在251-255之间的像素点数量作为特征值f27;
S1.2.3、将所有灰度图片的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性和纹理熵分别作为特征值f28-f33;
S1.2.4、将得到的特征值f1-f33作为数据集。
进一步,所述步骤S1.2.3中的计算公式如下:
纹理均值的计算公式为:
其中,L是灰度级总数,zk表示第k个灰度级,p(zk)是归一化直方图灰度级分布中灰度为zk的概率;
纹理方差的计算公式为:
纹理平滑度的计算公式为:
纹理三阶矩的计算公式为:
纹理一致性的计算公式为:
纹理熵的计算公式为:
进一步,所述步骤S1.3的具体步骤为:
S1.3.1、将数据集中的特征值f1-f33提取成为一个二维矩阵M2,二维矩阵M2形状为X*33,其中X代表数据集中图片的数量,33代表特征值共有33个;
S1.3.2、将所有图片的滴度和滴度标注提取出来,作为矩阵M3,矩阵M3的形状为X*1;
S1.3.3、根据二维矩阵M2和矩阵M3的数据训练支持向量机,得到滴度模型。
进一步,所述步骤S2的具体步骤为;
S2.1、对获取的ANA荧光片构成的原始数据集进行清洗,即删除原始数据集中不具有核型信息的ANA荧光片;
S2.2、根据步骤2.1得到的处理后的原始数据集,提取ANA荧光片的RGB三维矩阵,并根据神经网络的输入大小要求,对提取出来的RGB三维矩阵的形状进行放大或缩小;
S2.3将放大或缩小后得到的三维矩阵作为训练数据集对基于图卷积方法的深度神经网络进行训练,得到核型模型;
进一步,所述步骤S2.1中删除原始数据集中不具有核型信息的ANA荧光片的具体步骤为:
先选择17个核型,再判断清洗后的原始数据集中的ANA荧光片的核型是否包含了17种的一种或多种,若有保留,否则删除该ANA荧光片。
进一步,所述步骤S2.3中基于图卷积方法的深度神经网络的最后一层,使用Sigmoid方法输出ANA荧光片属于某一个核型的概率,其公式如下:
其中,深度神经网络的最后一层有17个神经元,分别代表17种核型,x为某一个神经元的输入,S代表输出某一个核型的概率。
进一步,还采用了LSTM网络,辅助基于图卷积方法的深度神经网络进行核型判断。
本发明同现有技术相比,其有益效果表现在:
一、本发明基于机器学习和深度学习可自动识别ANA荧光片,对人员无技术要求,对同一张图片(ANA荧光片)出具的检验结果具有唯一性,预测速度快(大概4-5s可以识别一张图片)且稳定;
二、本发明滴度与核型预测都能达到较高的精度,且能在核型预测中能识别出部分人工难以识别的罕见型别,在512张图片的测试中,至少命中一个核型的概率是96.7%;在滴度测试中,取得的精度是98.4%,其中,得到的核型模型只需要经过细微的调整,即可利用到其他类似的细胞识别,比如:在Human Protein Atlas(HPA)数据库中,对具有混合模式的人类蛋白质图片进行分类,取得了较好的效果;
三、本发明所得到的核型预测网络结构(即核型模型)只要利用其他设备下得到的数据集进行短时间的重新训练学习,得到新的模型,即可适用于不同设备得到的ANA荧光片核型预测,适应设备广。
附图说明
图1为本发明中ANA荧光片的滴度标注示意图;
图2为本发明中得到特征值f1的示意图;
图3为本发明中得到特征值f4到特征值f27的示意图;
图4为本发明中得到特征值f8到特征值f23的示意图;
图5为本发明中的得到的数据集示意图;
图6为本发明中得到判别了核型进行标注后的示意图;
图7为本发明中得到了RGB通道的三维矩阵示意图;
图8是本发明的流程示意图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
本发明基于稳定高效的机器学习模型与深度学习模型,利用机器学习技术预测ANA荧光片的滴度(滴度分为阴性、1∶100、1∶320、1∶1000、1∶3200、1∶10000等),利用深度学习技术预测ANA荧光片的核型(ANA核型有:均质型,斑点型、核仁型、核膜型、着丝点型、核点型、胞浆型等近三十种,且单个阳性ANA荧光片可能具有一个或多个核型)。本方法预测快速且稳定,对相同图片出具相同的预测结果。具体如下:
一种基于机器学习和深度学习的ANA荧光片自动识别方法,如下步骤:
S1、基于机器学习模型,通过数据集计算得到滴度模型;具体步骤为:
S1.1、对获取的ANA荧光片构成的原始数据集进行清洗后(清洗是指数据挖掘里面,原始数据到投入模型的数据需要大量的处理工作),提取清洗后的原始数据集中各ANA荧光片的滴度标注;如:人工标注的滴度共六个等级,分别设置为0-5等六个数字,原始数据集是一个ANA荧光片文件夹,ANA荧光片文件的名字包含人工判断的结果,标准格式为:+1∶1000斑点型核仁型_ANA_HEp2.jpg,其中,1∶1000代表图片标注的滴度,斑点型和核仁型代表ANA荧光片的核型。以此构造训练数据集,如图1所示。其中,标注的滴度与数字(数字指滴度标注,即六个等级)对应的关系是:“阴性”对应0,“1∶100”对应1,“1∶320”对应2,“1∶1000”对应3,“1∶3200”对应4,“1∶10000”对应5。
S1.2、提取滴度标注后的ANA荧光片的特征值,作为数据集;具体步骤为:
S1.2.1、将每一张ANA荧光片转换为灰度图片,灰度图片为一个大小为X*Y的二维矩阵M,计算二维矩阵M的所有元素平均值,得到第一个特征值f1,如图2所示;
S1.2.2、二维矩阵M的具体某一个元素代表该像素点的灰度值,值的大小在0-255之间,将矩阵所有元素按照灰度强度等级进行计数,即分别统计灰度值在0-10、11-20、21-30直到241-250之间的像素点数量,依次将统计得到的数量作为特征值f2-f26,而大小在251-255之间的像素点数量作为特征值f27,如图3所示;
S1.2.3、将所有灰度图片的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性和纹理熵,分别作为特征值f28-f33,即所有纹理均值作为特征值f28、所有纹理方差作为特征值f29、所有纹理平滑度作为特征值f30、所有纹理三阶矩作为特征值f31、所有纹理一致性作为特征值f32和所有纹理熵作为特征值f32;计算公式如下:
纹理均值的计算公式为:
其中,L是灰度级总数,zk表示第k个灰度级,p(zk)是归一化直方图灰度级分布中灰度为zk的概率;
纹理方差的计算公式为:
纹理平滑度的计算公式为:
纹理三阶矩的计算公式为:
纹理一致性的计算公式为:
纹理熵的计算公式为:
S1.2.4、将得到的特征值f1-f33作为数据集,如图5所示;其中,一张ANA荧光片得到的特征值如图4所示。
S1.3、根据数据集训练支持向量机,得到滴度模型。具体步骤为:
S1.3.1、将数据集中的特征值f1-f33提取成为一个二维矩阵M2,二维矩阵M2形状为X*33,其中,X代表数据集中图片的数量,33代表特征值共有33个;
S1.3.2、将所有图片的滴度和滴度标注提取出来,作为矩阵M3,矩阵M3的形状为X*1,其中,M3即为所有图片的滴度标注对应的one-hot矩阵;
S1.3.3、根据二维矩阵M2和矩阵M3的数据训练支持向量机,得到滴度模型。
S2、基于深度学习模型,通过数据集计算得到核型模型;具体步骤为;
S2.1、对获取的ANA荧光片构成的原始数据集进行清洗,即删除原始数据集中不具有核型信息的ANA荧光片;比如对于阴性样本,其ANA荧光片名示例为:阴性(-)ANA_HEp2.jpg,并没有核型,所以并不是所有图片都有核型结果。而实际中清洗后的原始数据集中核型近30个,因部分核型对应样本数据量太小,无法有效判别,故最终选取了17种常见核型,如斑点型,核膜型等,ANA荧光片对应核型是17种核型中的一种或多种,对应的核型就用“1“标注,否则标注”0“,如ANA荧光片对应的一种核型为斑点型,则用“1“标注,否则标注”0“,如图6所示。
删除原始数据集中不具有核型信息的ANA荧光片的具体步骤为:
先选择17个核型,再判断清洗后的原始数据集中的ANA荧光片的核型是否包含了17种的一种或多种,若有保留,否则删除该ANA荧光片。
S2.2、深度神经网络学习不需要特征值,只需要投入图片对应的RGB通道的三维矩阵即可,如图7所示;深度神经网络的输入大小是固定大小的,如256*256*3,需要将原始图片放缩到该大小,然后再得到RGB矩阵;因此根据步骤2.1得到的处理后的原始数据集,提取ANA荧光片的RGB三维矩阵,并根据神经网络的输入大小要求,对提取的RGB三维矩阵进行放大或缩小,即得到放大或缩小的RGB矩阵;
S2.3、将放大或缩小后得到的三维矩阵作为训练数据集对基于图卷积方法的深度神经网络(是自定义的神经网络模型)进行训练,得到核型模型;对基于图卷积方法的深度神经网络进行训练中的识别称为“多标签学习”,即单张ANA荧光片的输入,可能输出零个核型结果、一个核型结果或多个核型结果,因此基于图卷积方法的深度神经网络的最后一层,使用Sigmoid方法输出ANA荧光片属于某一个核型的概率,其公式如下:
其中,深度神经网络的最后一层有17个神经元,分别代表17种核型,x为某一个神经元的输入,S代表输出某一个核型的概率,根据S的大小可以判断该ANA样本图片是否属于某一种核型。
本发明还采用了LSTM网络,辅助基于图卷积方法的深度神经网络进行核型判断,LSTM网络常用于视频,语音等具有前后相关性的样本中。极少用于本发明所述的图片的识别。针对ANA荧光片特别具有的部分核型比较相似或隐蔽、难以识别和分辨,LSTM可以充分利用细胞核型的周边图像信息,进一步提高识别效果。
S3、读取待识别的ANA荧光片,即待识别的图片,将待识别的图片进行特征提取,得到提取的多个特征值,特征值的提取与得到数据集中的特征值提取方式相同;
S4、将多个特征值输入滴度模型,得到预测的滴度;
S5、将待识别的图片输入核型模型,得到预测的核型;
S6、根据预测的滴度与预测的核型得到识别结果。如:对于每一个待预测ANA荧光片,通过步骤S4可以得到其预测滴度,即阴性,1∶100,1∶320,1∶1000,1∶3200,1∶10000中的某一个。而通过步骤S5可以得到其核型,例如“斑点型核膜型”,“染色体型”等等。对于预测结果是阴性的ANA样本,无需核型结果,直接返回结果“阴性”即可。对于其他滴度情况,则需要拼接滴度与核型结果,一起返回给用户。如“1∶320染色体型”,“1∶1000斑点型核膜型”等等。
本发明与现有技术中“单一核型荧光模式的符合率为93.46%,复合核型荧光模式主核型的符合率为91.78%;单一核型荧光模式抗体滴度的符合率为90.95%,复合核型荧光模式主核型抗体滴度的符合率为94.03%”相比,本发明的精度更高,且通过高精度的滴度和核型预测组合,可提供更全面的信息。另外在核型的预测上,这一套模型可以用作教学等。
以上仅是本发明众多具体应用范围中的代表性实施例,对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (1)
1.一种基于机器学习和深度学习的ANA荧光片自动识别方法,其特征在于,如下步骤:
S1、基于机器学习模型,通过数据集计算得到滴度模型;
S2、基于深度学习模型,通过数据集计算得到核型模型;
S3、读取待识别的ANA荧光片,即待识别的图片,将待识别的图片进行特征提取,得到提取的多个特征值;
S4、将多个特征值输入滴度模型,得到预测的滴度;
S5、将待识别的图片输入核型模型,得到预测的核型;
S6、根据预测的滴度与预测的核型得到识别结果;
所述步骤S1的具体步骤为:
S1.1、对获取的ANA荧光片构成的原始数据集进行清洗后,提取清洗后的原始数据集中各ANA荧光片的滴度标注;
S1.2、提取滴度标注后的ANA荧光片的特征值,作为数据集;
S1.3、根据数据集训练支持向量机,得到滴度模型;
所述步骤S1.2的具体步骤为:
S1.2.1、将每一张ANA荧光片转换为灰度图片,灰度图片为一个大小为X*Y的二维矩阵M,计算二维矩阵M的所有元素平均值,得到第一个特征值f1;
S1.2.2、二维矩阵M的具体某一个元素代表像素点的灰度值,值的大小在0-255之间,将矩阵所有元素按照灰度强度等级进行计数,即分别统计灰度值在0-10、11-20、21-30直到241-250之间的像素点数量,依次将统计得到的数量作为特征值f2-f26,而大小在251-255之间的像素点数量作为特征值f27;
S1.2.3、将所有灰度图片的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性和纹理熵分别作为特征值f28-f33;
S1.2.4、将得到的特征值f1-f33作为数据集;
所述步骤S1.2.3中的计算公式如下:
纹理均值的计算公式为:
其中,L是灰度级总数,zk表示第k个灰度级,p(zk)是归一化直方图灰度级分布中灰度为zk的概率;
纹理方差的计算公式为:
纹理平滑度的计算公式为:
纹理三阶矩的计算公式为:
纹理一致性的计算公式为:
纹理熵的计算公式为:
所述步骤S1.3的具体步骤为:
S1.3.1、将数据集中的特征值f1-f33提取成为一个二维矩阵M2,二维矩阵M2形状为X*33,其中,X代表数据集中图片的数量,33代表特征值共有33个;
S1.3.2、将所有图片的滴度和滴度标注提取出来,作为矩阵M3,矩阵M3的形状为X*1;
S1.3.3、根据二维矩阵M2和矩阵M3的数据训练支持向量机,得到滴度模型;
所述步骤S2的具体步骤为;
S2.1、对获取的ANA荧光片构成的原始数据集进行清洗,即删除原始数据集中不具有核型信息的ANA荧光片;
S2.2、根据步骤2.1得到的处理后的原始数据集,提取ANA荧光片的RGB三维矩阵,并根据神经网络的输入大小要求,对提取出来的RGB三维矩阵的形状进行放大或缩小;
S2.3将放大或缩小后得到的三维矩阵作为训练数据集对基于图卷积方法的深度神经网络进行训练,得到核型模型;
所述步骤S2.1中删除原始数据集中不具有核型信息的ANA荧光片的具体步骤为:
先选择17个核型,再判断清洗后的原始数据集中的ANA荧光片的核型是否包含了17种的一种或多种,若有保留,否则删除该ANA荧光片;
所述步骤S2.3中基于图卷积方法的深度神经网络的最后一层,使用Sigmoid方法输出ANA荧光片属于某一个核型的概率,其公式如下:
其中,深度神经网络的最后一层有17个神经元,分别代表17种核型,x为某一个神经元的输入,S代表输出某一个核型的概率;
还采用了LSTM网络,辅助基于图卷积方法的深度神经网络进行核型判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078013.3A CN109858428B (zh) | 2019-01-28 | 2019-01-28 | 基于机器学习和深度学习的ana荧光片自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078013.3A CN109858428B (zh) | 2019-01-28 | 2019-01-28 | 基于机器学习和深度学习的ana荧光片自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858428A CN109858428A (zh) | 2019-06-07 |
CN109858428B true CN109858428B (zh) | 2021-08-17 |
Family
ID=66896306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910078013.3A Active CN109858428B (zh) | 2019-01-28 | 2019-01-28 | 基于机器学习和深度学习的ana荧光片自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858428B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111403004A (zh) * | 2020-02-26 | 2020-07-10 | 广州和硕信息技术有限公司 | 一种人工智能ana检测图文报告*** |
CN113837255B (zh) * | 2021-09-15 | 2023-06-13 | 中国科学院心理研究所 | 预测以细胞为基质的抗体核型类别的方法、设备和介质 |
CN114018789A (zh) * | 2021-10-08 | 2022-02-08 | 武汉大学 | 基于成像流式细胞检测和机器学习的急性白血病分型方法 |
CN116883325B (zh) * | 2023-06-21 | 2024-04-30 | 杭州医策科技有限公司 | 一种免疫荧光图像分析方法和装置 |
CN117575993B (zh) * | 2023-10-20 | 2024-05-21 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于深度学习的滴度值的处理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122356A (zh) * | 2011-03-16 | 2011-07-13 | 中国人民解放军第二军医大学 | 计算机辅助判别胰腺癌超声内镜图像的方法 |
CN102667483A (zh) * | 2010-02-22 | 2012-09-12 | Medipan有限公司 | 通过对结合合成底物和细胞底物的抗体同时检测而用于疾病诊断的方法和*** |
WO2014177700A1 (en) * | 2013-05-02 | 2014-11-06 | Universite D'aix-Marseille | Indirect immunofluorescence method for detecting antinuclear autoantibodies. |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
WO2018025130A2 (en) * | 2016-08-02 | 2018-02-08 | Universita' Del Piemonte Orientale | Method for inducing and differentiating pluripotent stem cells and uses thereof |
CN107727869A (zh) * | 2017-10-12 | 2018-02-23 | 上海川至生物技术有限公司 | 一种测定血清中抗核抗体的试剂盒及其制备方法 |
CN109117701A (zh) * | 2018-06-05 | 2019-01-01 | 东南大学 | 基于图卷积的行人意图识别方法 |
-
2019
- 2019-01-28 CN CN201910078013.3A patent/CN109858428B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102667483A (zh) * | 2010-02-22 | 2012-09-12 | Medipan有限公司 | 通过对结合合成底物和细胞底物的抗体同时检测而用于疾病诊断的方法和*** |
CN102122356A (zh) * | 2011-03-16 | 2011-07-13 | 中国人民解放军第二军医大学 | 计算机辅助判别胰腺癌超声内镜图像的方法 |
WO2014177700A1 (en) * | 2013-05-02 | 2014-11-06 | Universite D'aix-Marseille | Indirect immunofluorescence method for detecting antinuclear autoantibodies. |
WO2018025130A2 (en) * | 2016-08-02 | 2018-02-08 | Universita' Del Piemonte Orientale | Method for inducing and differentiating pluripotent stem cells and uses thereof |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN107727869A (zh) * | 2017-10-12 | 2018-02-23 | 上海川至生物技术有限公司 | 一种测定血清中抗核抗体的试剂盒及其制备方法 |
CN109117701A (zh) * | 2018-06-05 | 2019-01-01 | 东南大学 | 基于图卷积的行人意图识别方法 |
Non-Patent Citations (4)
Title |
---|
Aggregation of Classifiers for Staining Pattern Recognition in Antinuclear Autoantibodies Analysis;Paolo Soda 等;《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE,》;20090531;第13卷(第3期);第322-329页 * |
An Automatic HEp-2 Specimen Analysis System;Donato Cascio 等;《MDPI》;20190116;第2.3、2.4、2.5节 * |
ANA滴度、抗ds-DNA滴度检测与自身免疫性疾病相关性及临床应用价值探讨;马荣 等;《大连医科大学学报》;20061231;第492-493页 * |
HEp-2 Cell Image classification With Deep Convolutional Neural Networks;Zhimin Gao 等;《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》;20170331;第21卷(第2期);第III部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN109858428A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858428B (zh) | 基于机器学习和深度学习的ana荧光片自动识别方法 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
CN108009567B (zh) | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 | |
CN112528997B (zh) | 一种基于文本中心区域扩增的藏汉双语场景文本检测方法 | |
CN111027443B (zh) | 一种基于多任务深度学习的票据文本检测方法 | |
CN113128335B (zh) | 微体古生物化石图像检测、分类及发现方法、***及应用 | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN113936195B (zh) | 敏感图像识别模型的训练方法、训练装置和电子设备 | |
CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
CN113591866A (zh) | 基于db与crnn的特种作业证件检测方法及*** | |
CN112613505A (zh) | 一种基于深度学习的细胞微核识别、定位和计数方法 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN111539456A (zh) | 一种目标识别方法及设备 | |
CN114882204A (zh) | 船名自动识别方法 | |
CN109191467B (zh) | 一种细胞自噬表型的预测方法及装置 | |
CN113962980A (zh) | 基于改进yolov5x的玻璃容器瑕疵检测方法及*** | |
CN116091818B (zh) | 基于多神经网络级联模型的指针式仪表读数识别方法 | |
CN113065556B (zh) | 一种数字式仪表定位和数字识别方法、装置和计算机设备 | |
CN113240640B (zh) | 菌落计数方法、装置及计算机可读存储介质 | |
CN111553440B (zh) | 样本图像生成方法、装置和设备 | |
CN113673631A (zh) | 异常图像检测方法及装置 |
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 |