CN110059656B - 基于卷积对抗生成神经网络的白细胞分类方法及*** - Google Patents
基于卷积对抗生成神经网络的白细胞分类方法及*** Download PDFInfo
- Publication number
- CN110059656B CN110059656B CN201910340486.6A CN201910340486A CN110059656B CN 110059656 B CN110059656 B CN 110059656B CN 201910340486 A CN201910340486 A CN 201910340486A CN 110059656 B CN110059656 B CN 110059656B
- Authority
- CN
- China
- Prior art keywords
- network
- cell
- initialized
- generator
- module
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于卷积对抗生成神经网络的白细胞分类方法及***。其中,基于卷积对抗生成神经网络的白细胞分类方法,包括:将白细胞图像输入生成器网络,选取分类的感兴趣区,并归一化处理,产生初始化细胞轮廓;将初始化细胞轮廓图像输入初始化判别网络,得到初始化像素级的细胞分类结果;将初始化像素级的细胞分类结果作为深度对抗生成分类网络的初始值提取轮廓和边缘信息作为边缘特征值;在生成器网络中增加注意力机制模块,再对边缘特征值分类,得到像素级的细胞再分类结果;将像素级的细胞再分类结果输入生成器网络级联的支持向量机分类器中,得到精确图像分类结果。
Description
技术领域
本公开属于图像分类领域,尤其涉及一种基于卷积对抗生成神经网络的白细胞分类方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
白血病是一种会损害骨髓健康和感染整体血液的致命性疾病,白细胞图像的分类是计算机辅助诊断的重要组成部分。白细胞的检测与分类对急性白血病的诊断具有重要意义。传统的人工镜检方法高度依赖病理医生的主观判断,长期效率低下而且缺乏客观性。在急性白血病治疗前,准确分类患者血液中白细胞对病情的控制等方面具有重要意义。手动分类有很多限制:(1)病理医生的专业背景和丰富经验难以继承或创新,以至于初级医院和诊所缺乏经验丰富的病理医生;(2)繁琐的任务很耗时;(3)人工分类细胞显微图像会因为疲劳造成较大的主观误差,耗时费力。
因此,使用计算机实现白细胞的自动分类是非常紧迫和重要的。基于卷积神经网络的医学图像分类主要框架包括基于CNN的框架。发明人发现,CNN网络主要有两大缺点:1)冗余太大,由于每个像素点都需要取一个patch,那么相邻的两个像素点的patch相似度非常高,这就导致了非常多的冗余,导致网络训练很慢。2)感受野和定位精度不可兼得,当感受野选取比较大的时候,后面对应的池化层的降维倍数就会增大,这样就会导致定位精度降低,但是如果感受野比较小,那么分类精度就会降低。
发明内容
为了解决上述问题,本公开的第一个方面提供一种基于卷积对抗生成神经网络的白细胞分类方法,具有较高的精确度,不受工作量和工作时间的影响,且对硬件的要求较低。
为了实现上述目的,本公开采用如下技术方案:
一种基于卷积对抗生成神经网络的白细胞分类方法,所述卷积对抗生成神经网络基于生成器网络和判别器网络的卷积神经网络;白细胞分类方法包括:
将白细胞图像输入生成器网络,选取分类的感兴趣区,并归一化处理,产生初始化细胞轮廓;
将初始化细胞轮廓图像输入初始化判别网络,得到初始化像素级的细胞分类结果;
将初始化像素级的细胞分类结果作为深度对抗生成分类网络的初始值提取轮廓和边缘信息作为边缘特征值;
在生成器网络中增加注意力机制模块,再对边缘特征值分类,得到像素级的细胞再分类结果;
将像素级的细胞再分类结果输入生成器网络级联的支持向量机分类器中,得到精确图像分类结果。
为了解决上述问题,本公开的第二个方面提供一种基于卷积对抗生成神经网络的白细胞分类***,具有较高的精确度,不受工作量和工作时间的影响,且对硬件的要求较低,***成本低。
为了实现上述目的,本公开采用如下技术方案:
一种基于卷积对抗生成神经网络的白细胞分类***,包括:
细胞轮廓初始化模块,其用于将白细胞图像输入生成器网络,选取分类的感兴趣区,并归一化处理,产生初始化细胞轮廓;
像素级的细胞分类结果模块,其用于将初始化细胞轮廓图像输入初始化判别网络,得到初始化像素级的细胞分类结果;
边缘特征值提取模块,其用于将初始化像素级的细胞分类结果作为深度对抗生成分类网络的初始值提取轮廓和边缘信息作为边缘特征值;
像素级的细胞再分类结果模块,其用于在生成器网络中增加注意力机制模块,再对边缘特征值分类,得到像素级的细胞再分类结果;
精确图像分类模块,其用于将像素级的细胞再分类结果输入生成器网络级联的支持向量机分类器中,得到精确图像分类结果。
为了解决上述问题,本公开的第三个方面提供一种计算机可读存储介质,具有较高的精确度,不受工作量和工作时间的影响,且对硬件的要求较低,***成本低。
为了实现上述目的,本公开采用如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述的基于卷积对抗生成神经网络的白细胞分类方法中的步骤。
为了解决上述问题,本公开的第四个方面提供一种计算机设备,具有较高的精确度,不受工作量和工作时间的影响,且对硬件的要求较低,***成本低。
为了实现上述目的,本公开采用如下技术方案:
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述所述的基于卷积对抗生成神经网络的白细胞分类方法中的步骤。
本公开的有益效果是:
(1)本公开采用深度学习神经网络,有效减少计算机耗时实现了自动检测、定位、分类急性白血病患者血液内的白细胞。
(2)本公开在生成器网络中采用了注意力机制,利用注意力机制配合卷积神经网络提取有效图像特征,并对细胞核区域提前定位,更有利于提取所属类别的细胞质信息,自动选取有效信息更多的感兴趣区,提高了分类精度。
(3)本公开将生成的图像作为精确分类的初始值,获取更多细胞核与边缘信息,有效提高了分类结果。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例提供的生成器网络示意图。
图2是本公开实施例提供的残差模块示意图。
图3是本公开实施例提供的增加注意力机制模块的生成器网络原理图。
图4是本公开实施例提供的注意力机制模块为权重系数模块时的生成器网络示意图。
图5是本公开实施例提供的基于卷积对抗生成神经网络的白细胞分类方法流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释:
基于注意力机制的卷积对抗生成白细胞分类网络是基于生成器网络和判别器网络的卷积神经网络,存在上采样和下采样的U型网络结构。基于注意力机制的卷积对抗生成白细胞分类网络的下采样过程,是从高分辨率(浅层特征)到低分辨率(深层特征)的过程。
基于注意力机制的卷积对抗生成白细胞分类网络的特点就是通过生成器和判别器的训练博弈达到纳什均衡,使得浅层特征和深层特征结合起来。对于医学图像来说,基于注意力机制的卷积对抗生成白细胞分类网络能用深层特征用于定位,浅层特征用于精确分割。
实施例一
图5提供了本实施例的基于卷积对抗生成神经网络的白细胞分类方法流程图。
其具体实施过程为:
第一步:搭建硬件平台。配置一台带GPU的计算机,连接到病理医生的病情计划***和CellaVision设备。
第二步:配置运行环境。安装Visual Studio 2015和CUDA 8.0,配置Tensorflow、Python和Matlab。
第三步:图像采集。在医院血液科获取患者白细胞显微图像。
第四步:数据预处理。利用程序代码将DICM格式数据转换为PNG格式数据。
第五步:自动生成数据区。将PNG格式图像输入生成器网络,选取分类的感兴趣区,并归一化处理,产生初始化细胞轮廓。
在初始生成细胞图像时,利用输入生成器网络的图像特征,生成模拟的图像分布,生成器网络目标函数如下所示:
其中,fG为生成器网络在最后的分类层之前学习到的图像特征,z(i)代表生成器网络的初始化高斯噪声,x(i)为输入的图像语义特征。
生成器网络如图1所示:由四个残差模块组成,其中每个残差模块由两个3×3的卷积层和LReLU构成,如图2所示生成器网络采用改进的残差神经网络构成,其中所用残差模块构成的网络结构如图1所示,在传统的残差学习单元中,使用了LReLu激活函数,如下式所示:
使用参数λ控制调节输入的图像特征xi,更好的避免了过拟合风险。提高了识别准确率。
利用通过生成器网络模拟输入图像的分布生成细胞粗略轮廓。
可以理解的是,在其他实施例中,生成器网络所包含的残差模块的数量以及每个残差模块所包含的卷积层数量以及卷积层的形式,本领域技术人员均可根据实际情况来具体选择。
第六步:精准判别。将自动生成的细胞图像输入初始化判别网络,推断出与原图像更相似的轮廓。
判别器网络通过惩罚生成器网络生成的图像和原始图像,使生成器生成的模拟数据与真实数据分布更相似。
判别器网络损失函数如下所示:
其中,D(x(i))为判别器网络特征,G(z(i))为生成器网络生成的数据特征,k为像素总数。
通过生成器网络的目标函数与判别器网络的损失函数博弈,达到纳什均衡。使得对像素点的分类更精确。
第七步:精确图片分类。将初始化像素级的细胞分类结果作为深度对抗生成分类网络的初始值提取轮廓和边缘信息。
利用注意力机制模块对生成器网络进行改进,如图3和图4所示,本实施例的注意力机制模块为权重系数连接模块。通过对生成器网络中边缘特征值的再分类,提高分类精度。最后将像素级的白细胞再分类结果输入生成器网络级联的支持向量机分类器中得到精确图像分类结果。
其中,利用支持向量机对生成器网络输出的像素级分类点计算属于不同种类的概率,P为图像判别种类的概率,X代表每幅图像,i为图像中的分类像素点。由此得到最终图像的正确分类结果。
本实施例经过深度生成式对抗网络实现白细胞的初始化粗分类,推断出属于不同种类的白细胞区域作为精确分类的初始值。精确分割网络判别器提取更多细胞质和细胞核边缘信息以得到更加精确的分类结果。该方法具有较高的精确度,不受工作量和工作时间的影响,且对硬件的要求较低,***成本低。
实施例二
本实施例提供了一种基于卷积对抗生成神经网络的白细胞分类***,其包括:
(1)细胞轮廓初始化模块,其用于将白细胞图像输入生成器网络,选取分类的感兴趣区,并归一化处理,产生初始化细胞轮廓;
其中,所述生成器网络由若干个残差模块组成,每个残差模块由卷积层和激活函数构成。
本实施例的生成器网络如图1所示:由四个残差模块组成,其中每个残差模块由两个3×3的卷积层和LReLU构成,如图2所示生成器网络采用改进的残差神经网络构成,其中所用残差模块构成的网络结构如图1所示,在传统的残差学习单元中,使用了LReLu激活函数,如下式所示:
使用参数λ控制调节输入的图像特征xi,更好的避免了过拟合风险。提高了识别准确率。
利用通过生成器网络模拟输入图像的分布生成细胞粗略轮廓。
可以理解的是,在其他实施例中,生成器网络所包含的残差模块的数量以及每个残差模块所包含的卷积层数量以及卷积层的形式,本领域技术人员均可根据实际情况来具体选择。
(2)像素级的细胞分类结果模块,其用于将初始化细胞轮廓图像输入初始化判别网络,得到初始化像素级的细胞分类结果;
判别器网络通过惩罚生成器网络生成的图像和原始图像,使生成器生成的模拟数据与真实数据分布更相似。
判别器网络损失函数如下所示:
其中,D(x(i))为判别器网络特征,G(z(i))为生成器网络生成的数据特征,k为像素总数。
通过生成器网络的目标函数与判别器网络的损失函数博弈,达到纳什均衡。使得对像素点的分类更精确。
(3)边缘特征值提取模块,其用于将初始化像素级的细胞分类结果作为深度对抗生成分类网络的初始值提取轮廓和边缘信息作为边缘特征值;
(4)像素级的细胞再分类结果模块,其用于在生成器网络中增加注意力机制模块,再对边缘特征值分类,得到像素级的细胞再分类结果;
本实施例的注意力机制模块为权重系数连接模块。
所述像素级的细胞再分类结果模块,还用于:
将生成器网络生成的边缘特征值分别与权重系数连接模块中相应权重系数相乘,得到修改后的边缘特征值;
将修改后的边缘特征值再输入至生成器网络,得到像素级的再分类结果。
利用注意力机制模块对生成器网络进行改进,如图3和图4所示,通过对生成器网络中边缘特征值的再分类,提高分类精度。最后将像素级的白细胞再分类结果输入生成器网络级联的支持向量机分类器中得到精确图像分类结果。
其中,利用支持向量机对生成器网络输出的像素级分类点计算属于不同种类的概率,P为图像判别种类的概率,X代表每幅图像,i为图像中的分类像素点。由此得到最终图像的正确分类结果。
(5)精确图像分类模块,其用于将像素级的细胞再分类结果输入生成器网络级联的支持向量机分类器中,得到精确图像分类结果。
本实施例提供的一种基于卷积对抗生成神经网络的白细胞分类***,属于多尺度白细胞自动分类***,该***利用生成器网络在急性白血病患者的白血病图像序列中进行自动检测与分类,并转换数据格式,以准确分别不同种类的细胞。然后进行归一化处理,获得尺度一致的感兴趣区图像。经过深度生成式对抗网络实现白细胞的初始化粗分类,推断出属于不同种类的白细胞区域作为精确分类的初始值。精确分割网络判别器提取更多细胞质和细胞核边缘信息以得到更加精确的分类结果。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述的基于卷积对抗生成神经网络的白细胞分类方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于卷积对抗生成神经网络的白细胞分类方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于卷积对抗生成神经网络的白细胞分类方法,所述卷积对抗生成神经网络基于生成器网络和判别器网络的卷积神经网络;其特征在于,白细胞分类方法包括:
将白细胞图像输入生成器网络,选取分类的感兴趣区,并归一化处理,产生初始化细胞轮廓;
将初始化细胞轮廓图像输入初始化判别网络,得到初始化像素级的细胞分类结果;
将初始化像素级的细胞分类结果作为深度对抗生成分类网络的初始值提取轮廓和边缘信息作为边缘特征值;
在生成器网络中增加注意力机制模块,再对边缘特征值分类,得到像素级的细胞再分类结果;
将像素级的细胞再分类结果输入生成器网络级联的支持向量机分类器中,得到精确图像分类结果。
2.如权利要求1所述的一种基于卷积对抗生成神经网络的白细胞分类方法,其特征在于,所述生成器网络由若干个残差模块组成,每个残差模块由卷积层和激活函数构成。
3.如权利要求1所述的一种基于卷积对抗生成神经网络的白细胞分类方法,其特征在于,注意力机制模块为权重系数连接模块。
4.如权利要求3所述的一种基于卷积对抗生成神经网络的白细胞分类方法,其特征在于,在生成器网络中增加注意力机制模块,对边缘特征值进行再分类的过程为:
将生成器网络生成的边缘特征值分别与权重系数连接模块中相应权重系数相乘,得到修改后的边缘特征值;
将修改后的边缘特征值再输入至生成器网络,得到像素级的再分类结果。
5.一种基于卷积对抗生成神经网络的白细胞分类***,其特征在于,包括:
细胞轮廓初始化模块,其用于将白细胞图像输入生成器网络,选取分类的感兴趣区,并归一化处理,产生初始化细胞轮廓;
像素级的细胞分类结果模块,其用于将初始化细胞轮廓图像输入初始化判别网络,得到初始化像素级的细胞分类结果;
边缘特征值提取模块,其用于将初始化像素级的细胞分类结果作为深度对抗生成分类网络的初始值提取轮廓和边缘信息作为边缘特征值;
像素级的细胞再分类结果模块,其用于在生成器网络中增加注意力机制模块,再对边缘特征值分类,得到像素级的细胞再分类结果;
精确图像分类模块,其用于将像素级的细胞再分类结果输入生成器网络级联的支持向量机分类器中,得到精确图像分类结果。
6.如权利要求5所述的一种基于卷积对抗生成神经网络的白细胞分类***,其特征在于,所述生成器网络由若干个残差模块组成,每个残差模块由卷积层和激活函数构成。
7.如权利要求5所述的一种基于卷积对抗生成神经网络的白细胞分类***,其特征在于,注意力机制模块为权重系数连接模块。
8.如权利要求7所述的一种基于卷积对抗生成神经网络的白细胞分类***,其特征在于,所述像素级的细胞再分类结果模块,还用于:
将生成器网络生成的边缘特征值分别与权重系数连接模块中相应权重系数相乘,得到修改后的边缘特征值;
将修改后的边缘特征值再输入至生成器网络,得到像素级的再分类结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的基于卷积对抗生成神经网络的白细胞分类方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于卷积对抗生成神经网络的白细胞分类方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910340486.6A CN110059656B (zh) | 2019-04-25 | 2019-04-25 | 基于卷积对抗生成神经网络的白细胞分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910340486.6A CN110059656B (zh) | 2019-04-25 | 2019-04-25 | 基于卷积对抗生成神经网络的白细胞分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059656A CN110059656A (zh) | 2019-07-26 |
CN110059656B true CN110059656B (zh) | 2021-05-11 |
Family
ID=67320870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910340486.6A Expired - Fee Related CN110059656B (zh) | 2019-04-25 | 2019-04-25 | 基于卷积对抗生成神经网络的白细胞分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059656B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530779A (zh) * | 2019-08-09 | 2019-12-03 | 上海依智医疗技术有限公司 | 一种白细胞检测方法及装置 |
CN110633676B (zh) * | 2019-09-18 | 2023-04-18 | 东北大学 | 一种自动识别脑脊液细胞图像信息方法 |
CN110924340B (zh) * | 2019-11-25 | 2021-03-05 | 武汉思睿博特自动化***有限公司 | 一种用于智能捡垃圾的移动机器人***与实现方法 |
CN112579808B (zh) * | 2020-12-29 | 2023-07-18 | 上海赛图默飞医疗科技有限公司 | 数据标注处理方法及装置、*** |
CN113343799A (zh) * | 2021-05-25 | 2021-09-03 | 山东师范大学 | 基于混合注意力残差网络实现白细胞自动分类方法及*** |
CN113887503B (zh) * | 2021-10-22 | 2022-06-14 | 大连工业大学 | 一种基于改进的注意力卷积神经网络白细胞五分类方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679184A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于相关向量机的白细胞自动识别方法 |
EP2985719A1 (en) * | 2014-08-15 | 2016-02-17 | IMEC vzw | A system and method for cell recognition |
CN105404887B (zh) * | 2015-07-05 | 2019-04-09 | 中国计量大学 | 一种基于随机森林的白细胞五分类方法 |
CN105654107B (zh) * | 2015-09-21 | 2020-01-17 | 迪瑞医疗科技股份有限公司 | 一种基于svm的有形成分分类方法 |
CN105913434B (zh) * | 2016-04-13 | 2018-07-17 | 中国计量大学 | 一种白细胞定位和迭代分割方法 |
CN106248559B (zh) * | 2016-07-14 | 2018-10-23 | 中国计量大学 | 一种基于深度学习的白细胞五分类方法 |
CN107358626B (zh) * | 2017-07-17 | 2020-05-15 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
CN108021903B (zh) * | 2017-12-19 | 2021-11-16 | 南京大学 | 基于神经网络的人工标注白细胞的误差校准方法及装置 |
CN108665463A (zh) * | 2018-03-30 | 2018-10-16 | 哈尔滨理工大学 | 一种基于对抗式生成网络的宫颈细胞图像分割方法 |
CN108564119B (zh) * | 2018-04-04 | 2020-06-05 | 华中科技大学 | 一种任意姿态行人图片生成方法 |
CN109272492B (zh) * | 2018-08-24 | 2022-02-15 | 深思考人工智能机器人科技(北京)有限公司 | 一种细胞病理涂片的处理方法及*** |
CN109447918A (zh) * | 2018-11-02 | 2019-03-08 | 北京交通大学 | 基于注意力机制的单幅图像去雨方法 |
-
2019
- 2019-04-25 CN CN201910340486.6A patent/CN110059656B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN110059656A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059656B (zh) | 基于卷积对抗生成神经网络的白细胞分类方法及*** | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
Wang et al. | A multi-view deep convolutional neural networks for lung nodule segmentation | |
Oztel et al. | Mitochondria segmentation in electron microscopy volumes using deep convolutional neural network | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
EP3252671A1 (en) | Method of training a deep neural network | |
CN106815481A (zh) | 一种基于影像组学的生存期预测方法及装置 | |
CN111079620B (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 | |
CN101551855B (zh) | 自适应核匹配追踪辅助诊断***及其辅助诊断方法 | |
CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
Pan et al. | Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks | |
Chen et al. | Cell nuclei detection and segmentation for computational pathology using deep learning | |
CN112581450A (zh) | 基于膨胀卷积金字塔与多尺度金字塔的花粉检测方法 | |
CN113343799A (zh) | 基于混合注意力残差网络实现白细胞自动分类方法及*** | |
CN114600155A (zh) | 用于细胞检测和分割的弱监督多任务学习 | |
CN115393351B (zh) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 | |
Cao et al. | An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features | |
Elsalamony | Detection of anaemia disease in human red blood cells using cell signature, neural networks and SVM | |
Milletari et al. | Robust segmentation of various anatomies in 3d ultrasound using hough forests and learned data representations | |
CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
Shovon et al. | Addressing uncertainty in imbalanced histopathology image classification of her2 breast cancer: An interpretable ensemble approach with threshold filtered single instance evaluation (sie) | |
CN113516097A (zh) | 一种基于改进EfficentNet-V2的植物叶片疾病识别方法 | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
CN112990367A (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
Hossain et al. | Renal cell cancer nuclei segmentation from histopathology image using synthetic data |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |