CN110363057A - 一种形态学图像中的***识别及分类方法 - Google Patents
一种形态学图像中的***识别及分类方法 Download PDFInfo
- Publication number
- CN110363057A CN110363057A CN201811635602.9A CN201811635602A CN110363057A CN 110363057 A CN110363057 A CN 110363057A CN 201811635602 A CN201811635602 A CN 201811635602A CN 110363057 A CN110363057 A CN 110363057A
- Authority
- CN
- China
- Prior art keywords
- sperm
- image
- morphological image
- identification
- classification method
- 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
Links
Classifications
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种形态学图像中的***识别及分类方法,其步骤包含有:采集***的形态图像、对形态图像进行图像二值化处理,使得经由图像二值化处理后的形态图像中的***定义为可能属于真正***的候选***、计算在形态图像中的各候选***的特征值、提供预设的固定阈值、判断各候选***的特征值是否满足预设的固定阈值的范围内,若是,则将候选***定义为真正的***;若否,则将***由候选***中予以排除以及对各真正的***通过神经网络方式与预先存储于神经网络中的各种***形态进行比对,而将真正的***进行分类。
Description
技术领域
本发明是涉及一种***识别领域,特别是有关于利用形态学图像中的精 子识别及分类方法。
背景技术
在现有技术中,对于***形态学分析均采用在高倍数显微镜下,用人工 镜检的方式进行分析。但是采用人工镜检方式存在有许多弊端,例如主观性 强,不同的操作者所判断出来的结论不一致,另外同一个操作者在不同的时 段所得出来的结果也存在不一致的问题,这主要的原因在于无法对染色后的 ***图像进行定量分析,导致于利用传统人工的方式来判断,其判断结果会 有不一致的问题。
发明内容
本发明的主要目的在于提供一种使用人工智能的方法,在高倍数显微镜 下采集***图像,并对***图像进行识别和分类,以解决现有技术中,采用 人工识别所产生结果不一致的问题。
本发明的另一目的在于提供一种形态学图像中的***识别及分类方法, 通过对检体样本在高倍数显微镜下进行数字成像,对于获取的数字图像进行 图像前处理,提取***图像,分析图像中的***的特征,然后使用神经网络 的方法对图像中的***分类以找出正常的***。
根据上述目的,本发明公开一种形态学图像中的***识别及分类方法, 包含步骤有采集***的形态图像、对形态图像进行图像二值化处理,使得经 由图像二值化处理后的形态图像中的***定义为可能属于真正***的候选 ***、计算在形态图像中的各候选***的特征值、提供预设的固定阈值、判 断各候选***的特征值是否满足预设的固定阈值的范围内,若是,则将候选 ***定义为真正的***;若否,则将***由候选***中予以排除以及对各真 正的***通过神经网络方式与预先储存于神经网络中的各种***形态进行 比对,而将真正的***进行分类。
据此,藉由事先针对正常的***计算相关的特征值(即固定阈值),在采 集到检体样本的形态图像之后,判断形态图像中的***是否满足正常***的 特征值(固定阈值),藉此,逐一的将真正的***识别出来,并且再透过与神 经网络中所事先预存储的各种***形态进行比对,将经过识别之后的***再 进行分类,可以准确的找到真正的***而可以减少人工判断上的误差和不一 致性。
附图说明
图1为根据本发明所揭露的技术,表示形态学图像中的***识别及分类方法 的步骤流程图。
图2为根据本发明所揭露的技术,表示采集***的形态图像示意图。
图3为根据本发明所揭露的技术,表示利用图像二值化法对***的形态图像 进行图像化处理以预先筛选出多个候选***的示意图。
图4为根据本发明所揭露的技术,表示针对筛选出来的每一个候选***进行 特征值的计算并利用固定阈值予以识别的示意图。
图5A-图5E为根据本发明所揭露的技术,表示对于符合预设的固定阈值的候 选***根据神经网络进行分类的示意图。
具体实施方式
为了使本发明的目的、技术特征及优点,能更为相关技术领域人员所了 解,并得以实施本发明,在此配合所附的图式、具体阐明本发明的技术特征 与实施方式,并列举较佳实施例进一步说明。以下文中所对照的图式,为表 达与本发明特征有关的示意,并未亦不需要依据实际情形完整绘制。而关于 本案实施方式的说明中涉及本领域技术人员所熟知的技术内容,亦不再加以 陈述。
首先请参考图1,并同时配合图2-图4及图5A-图5B一并来说明。图 1为根据本发明所揭露的技术,表示形态学图像中的***识别及分类方法的 步骤流程图。图2为根据本发明所揭露的技术,表示采集***的形态图像示 意图。图3为根据本发明所揭露的技术,表示利用图像二值化法对***的形 态图像进行图像化处理以预先筛选出多个候选***的示意图。图4为根据本 发明所揭露的技术,表示针对筛选出来的每一个候选***进行特征值的计算 并利用固定阈值予以识别的示意图。图5A-图5E为根据本发明所揭露的技 术,表示对于符合预设的固定阈值的候选***根据神经网络进行分类的示意 图。
在图1中,步骤10:采集***静态的形态图像。在此步骤中,采集*** 的静态的形态图像主要是利用显微摄像***来达成,其中显微摄像***主要 是藉由显微镜,特别是高倍数的显微镜例如100倍物镜及摄像单元所组成, 其主要的功能是将显微镜的物镜观察到的检体样本的图像信号放大之后,由 摄像单元将检体样本进行抓拍而形成静态图像。在此步骤中,进行图像采集 的检体样本为***,因此,在对***进行形态图像的抓拍时,最好是针对具 有较多***的检体样本来进行抓拍,因为***数多,也较容易进行判断。因 此藉由显微摄像***所拍摄得到的***的形态图像,如图2所示。在图2中, 预先将可能是正常(真正)***的***予以标示,即如图2中的数字1-18。
接着,步骤12:针对形态图像利用图像二值化法进行图像预处理,由图 像中筛选出多个候选***。在此步骤中,根据形态图像的特点,利用高斯平 滑,去除噪声,并且使用固定阈值化方法对形态图像进行二值化 (thresholding)处理,藉此使得形态图像中的数据量减少,从而可以凸显出 目标(正常的***)的轮廓,如图2所示,而这些凸显出来的***则可视为可 能属于真正的***的候选***。于此步骤中,所采用的固定阈值为正常***的特征值,其中,正常***的特征值是藉由找一个在视野中有一个正常的精 子图像,提取图像中的***,获取正常***的轮廓面积、长度、圆度、长轴、 短轴及/或矩形度,使用这些值作为正常***的阈值(特征值)。在此,要说明 的是,在本发明中采用二值化的目的在于将灰度图像转换成二值图像,其目 地是把大于某个临界灰度值的像素灰度设为灰度极大值,把小于这个临界值 的像素灰度值设为灰度极小值,也就是将整个视频图像呈现出明显的黑白效 果,去除形态图像中不必要的数据。而二值化法为一般对于图像处理的惯用 手段,在此不做详细陈述。
接着步骤14:针对形态图像中的每一个候选***进行特征值的计算。这 些特征值包括有轮廓面积、长度、圆度、长轴、短轴及/或矩形度。于此步 骤中,每个***的轮廓面积是藉由各相连轮廓点向量的叉乘的和的一半来计 算得到、每个***的圆度的计算公式为4π*面积/长度、及每个***的矩形 度为***轮廓面积/拟合轮廓面积。而在此步骤中,根据上述公式计算出每 一个***的轮廓面积、长度、圆度、长轴、短轴及/或矩形度等特征值。
步骤16:判断每一个候选***的特征值是否满足预设的固定阈值。在此 步骤中,将形态图像中的每一个候选***的轮廓面积与前述所预设的固定阈 值来的轮廓面积及长度来比较,若是候选***的轮廓面积及长度满足预设的 固定阈值来的轮廓面积及长度,则可以判断该候选***为真正(或称正常)的 ***,即进行步骤18:由形态图像中筛选出来并识别为真正的***,如图3 所示,在图3中,计算每一个被标示有***数字的候选***的***的头部 轮廓面积;若在步骤16中,候选***的轮廓面积及长度不能满足预设的固 定阈值来的轮廓面积及长度,则可以判断该候选***不是真正(或称正常)的 ***,则从形态图像的候选***中予以排除,如步骤20。
接着,进行步骤22:对于每一个被识别为真正的***通过神经网络的方 法,将每一个真正的***的特征值输入到神经网络中对这些真正的***进行 分类。在此步骤中,将前述步骤18中所筛选出来的真正(或称正常)***所 具有的特征值如轮廓面积、长度、圆度、长轴、短轴及/或矩形度输入至神 经网络中,与神经网络中原本已经预先储存各种***型态,如图5A所表示 的正常***、图5B所表示的过量残留胞浆(ERC)***、图5C所表示的梨形 ***、图5D所表示的圆头***及图5E所表示的不定型***进行比对,将真 正(或称正常)的***进行分类。如图4所示,在图4中,由方块所围成的每 一个***头部的区域的形状都不同,因此可以与神经网络中原本已经预先储 存各种***型态进行比对,以准确的将每一个候选***予以分类。
在此将神经网络的步骤进行说明,神经网络的步骤包括:
首先,进行网络的初始化步骤,设定输入层的节点个数为n,隐 含层的节点个数为1,输出层的节点个数为m,且输入层到隐含层的 权重为wij,隐含层到输出层的权重为Wjk,输入层到隐含层的偏置为 aj,隐含层到输出层的偏置为bk,学习速率为η,激励函数为g(x),其中激励函数g(x)为sigmoid函数,表示为
所述隐含层的输出由式(2)计算得到, 其中i=1…n,j=1…1;
输出层的输出由式(3)计算得到,其中j=1..l,k=1…m;
进行误差计算,由式(4)计算误差其 中Yk为期望输出,并使得Yk+Ok=ek式(5),其中Ok为,ek为,则 式(4)可表示为
對上述权值进行更新,由式(7)对权值进行更新,
對上述偏值进行更新,由式(8)对偏置进行更新,
其中隐含层到输出层的偏置更新为其 中bk=bk+ηek式(10),输入层到隐含层的偏置更新为式
(11),其中则偏置 的更新公式为以及
判断相邻的两次误差之间的差别是否小于设定的值来判断迭代是否结 束。
要说明的是,输入层表示***特征值及***类别做为输入值、隐含层表 示对输入的***特征值及***类别进行处理、输出层表示将进行处理后的精 子特征及***类别进行输出、节点个数为***特征值的个数、权重值表示精 子特征值在所有特征值中对应的重要程度、偏置表示对推理结果进行推理的 一个误差补偿量以及学习速率表示迭代过程中推理的变量的移动步长。
根据本发明所揭露的形态学图像中的***识别及分类算法的步骤,事先 针对正常的***计算相关的特征值(即固定阈值),使得在采集到检体样本的 形态图像之后,判断形态图像中的***是否满足正常***的特征值(固定阈 值),藉此,逐一的将真正的***识别出来,并且再透过与神经网络中所事 先预存储的各种***形态进行比对,将经过识别之后的***再进行分类,可 以准确的找到真正的***而可以减少人工判断上的误差和不一致性。
以上所述仅为本发明之较佳实施例,并非用以限定本发明之权利范围; 同时以上的描述,对于相关技术领域之专门人士应可明了及实施,因此其他 未脱离本发明所揭示之精神下所完成的等效改变或修饰,均应包含在申请专 利范围中。
Claims (10)
1.一种形态图像中的***识别及分类方法,其特征在于,所述形态图像中***的识别及分类方法包含以下步骤:
采集***的形态图像;
对所述形态图像进行图像二值化处理,使得经由所述图像二值化处理后的所述形态图像中的***定义为可能属于真正***的候选***;
计算在所述形态图像中的各所述候选***的特征值;
提供预设的固定阈值;
判断各所述候选***的所述特征值是否满足预设的所述固定阈值的范围内,若是,则将所述候选***定义为真正的***;若否,则将所述***由所述候选***中予以排除;以及
对各所述真正的***通过神经网络与预先储存于所述神经网络中的各种***形态进行比对,而将各所述真正的***进行分类。
2.如权利要求1所述的形态图像中的***识别及分类方法,其特征在于,所述采集***的形态图像的步骤是通过高倍数显微镜达成。
3.如权利要求2所述的形态图像中的***识别及分类方法,其特征在于,所述高倍数显微镜为100倍物镜。
4.如权利要求1所述的形态图像中的***识别及分类方法,其特征在于,所述固定阈值为正常***的特征值。
5.如权利要求4所述的形态图像中的***识别及分类方法,其特征在于,取得所述正常***的所述特征值的步骤包含:
找一个在视野中有一个正常的***图像,提取所述***图像;及
获取所述***的轮廓面积、长度、圆度、长轴、短轴及/或矩形度并作为所述***的所述特征值。
6.如权利要求4所述的形态图像中的***识别及分类方法,其特征在于,所述预先储存于所述神经网络中的各所述***形态包括正常***形态、过量残留胞浆(ERC)***形态、梨形***、圆头***及不定型***。
7.如权利要求1所述的形态图像中的***识别及分类方法,其特征在于,所述特征值包括轮廓面积、长度、圆度、长轴、短轴及/或矩形度。
8.如权利要求1所述的形态图像中的***识别及分类方法,其特征在于,所述神经网络的步骤包括:
网络的初始化步骤,设定输入层的节点个数为n,隐含层的节点个数为l,输出层的节点个数为m,且所述输入层到所述隐含层的权重为wij,所述隐含层到所述输出层的权重为wjk,所述输入层到所述隐含层的偏置为aj,所述隐含层到所述输出层的偏置为bk,学习速率为η,激励函数为g(x),其中所述激励函数g(x)为sigmoid函数,表示为
所述隐含层的输出由式(2)计算得到, 其中i=1…n,j=1…l;
所述输出层的输出由式(3)计算得到, 其中j=1..l,k=1…m;
进行误差计算,由式(4)计算所述误差 其中Yk为期望输出,并使得Yk+Ok=ek 式(5),其中Ok为,ek为,则所述式(4)可表示为
所述权值进行更新,由式(7)对所述权值进行更新,
所述偏值进行更新,由式(8)对所述偏置进行更新,
其中所述隐含层到所述输出层的偏置更新为 其中
bk=bk+ηek 式(10),所述输入层到所述隐含层的偏置更新为
其中 则所述偏置的更新公式为以及
判断相邻的两次所述误差之间的差别是否小于设定的值来判断迭代是否结束。
9.如权利要求8所述的形态图像中的***识别及分类方法,其特征在于,所述输入层表示所述***特征值及***类别做为输入值、所述隐含层表示对输入的所述***特征值及所述***类别进行处理以及所述输出层表示将进行处理后的所述***特征及所述***类别进行输出。
10.如权利要求8所述的形态图像中的***识别及分类方法,其特征在于,所述节点个数为所述***特征值的个数、所述权重值表示所述***特征值在所有特征值中对应的重要程度、所述偏置表示对推理结果进行推理的一个误差补偿量以及所述学习速率表示迭代过程中推理的变量的移动步长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811635602.9A CN110363057A (zh) | 2018-12-29 | 2018-12-29 | 一种形态学图像中的***识别及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811635602.9A CN110363057A (zh) | 2018-12-29 | 2018-12-29 | 一种形态学图像中的***识别及分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363057A true CN110363057A (zh) | 2019-10-22 |
Family
ID=68215058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811635602.9A Pending CN110363057A (zh) | 2018-12-29 | 2018-12-29 | 一种形态学图像中的***识别及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363057A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104894A (zh) * | 2019-12-17 | 2020-05-05 | 北京推想科技有限公司 | 一种***标注方法、装置、电子设备及存储介质 |
CN112036384A (zh) * | 2020-11-04 | 2020-12-04 | 成都朴华科技有限公司 | ***头部形态识别方法、装置及设备 |
WO2022108436A1 (es) * | 2020-11-17 | 2022-05-27 | Chavez Badiola Alejandro | Un sistema de evaluación cuantitativa automática en tiempo real, evaluación y / o clasificación de esperma individual, destinado a la inyección intracitoplásmica de esperma (icsi), y otros procedimientos de fertilización, que permite la selección de un solo esperma |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1475804A (zh) * | 2003-07-18 | 2004-02-18 | 北京航天瑞祺科技发展有限公司 | 一种神经网识别荧光染色***的方法 |
WO2009053981A2 (en) * | 2007-10-23 | 2009-04-30 | Technion Research And Development Foundation Ltd. | Electronic nose device with sensors composed of nanowires of columnar discotic liquid crystals with low sensitivity to humidity |
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
CN104268515A (zh) * | 2014-09-18 | 2015-01-07 | 山东大学 | 一种***形态异常检测方法 |
CN105408746A (zh) * | 2013-02-28 | 2016-03-16 | 普罗吉涅股份有限公司 | 基于图像的人胚胎细胞分类的装置、方法和*** |
CN105809682A (zh) * | 2016-03-07 | 2016-07-27 | 清华大学深圳研究生院 | ***分析装置 |
CN106295715A (zh) * | 2016-08-22 | 2017-01-04 | 电子科技大学 | 一种基于bp神经网络分类器的白带清洁度自动分类方法 |
CN107833210A (zh) * | 2017-10-30 | 2018-03-23 | 俊杰机械(深圳)有限公司 | 一种基于神经网络的外观检测方法和*** |
CA3045333A1 (en) * | 2016-12-01 | 2018-06-07 | Berkeley Lights, Inc. | Automated detection and repositioning of micro-objects in microfluidic devices |
-
2018
- 2018-12-29 CN CN201811635602.9A patent/CN110363057A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1475804A (zh) * | 2003-07-18 | 2004-02-18 | 北京航天瑞祺科技发展有限公司 | 一种神经网识别荧光染色***的方法 |
WO2009053981A2 (en) * | 2007-10-23 | 2009-04-30 | Technion Research And Development Foundation Ltd. | Electronic nose device with sensors composed of nanowires of columnar discotic liquid crystals with low sensitivity to humidity |
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
CN105408746A (zh) * | 2013-02-28 | 2016-03-16 | 普罗吉涅股份有限公司 | 基于图像的人胚胎细胞分类的装置、方法和*** |
CN104268515A (zh) * | 2014-09-18 | 2015-01-07 | 山东大学 | 一种***形态异常检测方法 |
CN105809682A (zh) * | 2016-03-07 | 2016-07-27 | 清华大学深圳研究生院 | ***分析装置 |
CN106295715A (zh) * | 2016-08-22 | 2017-01-04 | 电子科技大学 | 一种基于bp神经网络分类器的白带清洁度自动分类方法 |
CA3045333A1 (en) * | 2016-12-01 | 2018-06-07 | Berkeley Lights, Inc. | Automated detection and repositioning of micro-objects in microfluidic devices |
CN107833210A (zh) * | 2017-10-30 | 2018-03-23 | 俊杰机械(深圳)有限公司 | 一种基于神经网络的外观检测方法和*** |
Non-Patent Citations (2)
Title |
---|
ZHAOYUXIA517: "BP神经网络,BP推导过程,反向传播算法,误差反向传播,梯度下降,权值阈值更新推导,隐含层权重更新公式", 《CSDN:HTTPS://BLOG.CSDN.NET/ZHAOYUXIA517/ARTICLE/DETAILS/78116683》 * |
任明响: "***序列图像超长时间跟踪方法研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104894A (zh) * | 2019-12-17 | 2020-05-05 | 北京推想科技有限公司 | 一种***标注方法、装置、电子设备及存储介质 |
CN112036384A (zh) * | 2020-11-04 | 2020-12-04 | 成都朴华科技有限公司 | ***头部形态识别方法、装置及设备 |
CN112036384B (zh) * | 2020-11-04 | 2021-02-05 | 成都朴华科技有限公司 | ***头部形态识别方法、装置及设备 |
WO2022108436A1 (es) * | 2020-11-17 | 2022-05-27 | Chavez Badiola Alejandro | Un sistema de evaluación cuantitativa automática en tiempo real, evaluación y / o clasificación de esperma individual, destinado a la inyección intracitoplásmica de esperma (icsi), y otros procedimientos de fertilización, que permite la selección de un solo esperma |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El-kenawy et al. | Automatic identification from noisy microscopic images | |
Zanjani et al. | Stain normalization of histopathology images using generative adversarial networks | |
CN110363057A (zh) | 一种形态学图像中的***识别及分类方法 | |
US10453195B2 (en) | Method of detecting tissue area of interest in digital pathology imaging by executing computer-executable instructions stored on a non-transitory computer-readable medium | |
US8200013B2 (en) | Method and device for segmenting a digital cell image | |
CN113537182B (zh) | 染色体中期***相显微图像的自动识别方法与*** | |
CN109359554A (zh) | 一种基于多合成图像处理技术的森林火灾识别方法 | |
WO2006113979A1 (en) | Method for identifying guignardia citricarpa | |
Abdelsamea | An automatic seeded region growing for 2d biomedical image segmentation | |
CN109949294A (zh) | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 | |
Sazzad et al. | An automated detection process to detect ovarian tissues using type P63 digitized color images | |
Masdiyasa et al. | Modified background subtraction statistic models for improvement detection and counting of active spermatozoa motility | |
Hramm et al. | Configurable Cell Segmentation Solution Using Hough Circles Transform and Watershed Algorithm | |
CN116524269A (zh) | 一种视觉识别检测*** | |
Dannemiller et al. | A new method for the segmentation of algae images using retinex and support vector machine | |
Sugirtha et al. | Detection of tuberculosis bacilli from microscopic sputum smear images | |
CN111784636A (zh) | 一种基于纹理生长的皮肤图像纹理定量评估方法 | |
CN113344868B (zh) | 一种基于混合转移学习的无标记细胞分类筛查*** | |
Kumari et al. | INCITING EXPLICIT FEATURES USING GENETIC PROGRAMMING FOR MELANOMA DETECTION | |
Mukti et al. | Analysis of ZNStained Sputum Smear enhanced images for identification of Mycobacterium Tuberculosis Bacilli cells | |
Mosorov et al. | The development of component tree structure for grayscale image segmentation | |
Christian et al. | Classification and Generation of Microscopy Images with Plasmodium Falciparum via Artificial Neural Networks Using Low Cost Settings | |
Kongratbayev et al. | Computer Vision Based Pre-processing of Microscopic Images | |
Wang et al. | Superpixel-level Structural Similarity Metric for Image Fusion Quality Assessment | |
Rizvandi et al. | Machine vision detection of isolated and overlapped nematode worms using skeleton analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |