CN110598724B - 一种基于卷积神经网络的细胞低分辨率图像融合方法 - Google Patents

一种基于卷积神经网络的细胞低分辨率图像融合方法 Download PDF

Info

Publication number
CN110598724B
CN110598724B CN201910044863.1A CN201910044863A CN110598724B CN 110598724 B CN110598724 B CN 110598724B CN 201910044863 A CN201910044863 A CN 201910044863A CN 110598724 B CN110598724 B CN 110598724B
Authority
CN
China
Prior art keywords
neural network
convolutional neural
cell
target cell
resolution image
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
Application number
CN201910044863.1A
Other languages
English (en)
Other versions
CN110598724A (zh
Inventor
余宁梅
马祥
方元
张雪
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201910044863.1A priority Critical patent/CN110598724B/zh
Publication of CN110598724A publication Critical patent/CN110598724A/zh
Application granted granted Critical
Publication of CN110598724B publication Critical patent/CN110598724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (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

本发明公开了一种基于卷积神经网络的细胞低分辨率图像融合方法，包括以下步骤：步骤1)采集并分割得到目标细胞高分辨率图像；步骤2)提取卷积神经网络训练集label标签和测试集的label标签；步骤3)得到目标细胞低分辨率图像；步骤4)选取训练集、测试集和验证集；步骤5)搭建CFFnet卷积神经网络，对训练集中的数据进行训练和测试直到CFFnet卷积神经网络达到收敛，收敛的CFFnet卷积神经网络即为细胞融合模型，CFFnet卷积神经网络的输出层输出融合图像，细胞低分辨率图像融合完成。本发明使同类细胞共同的的直观形貌及结构特征能够得到融合并反应；可以实现细胞病变的检测，为疾病自动诊断提供依据。

Description

一种基于卷积神经网络的细胞低分辨率图像融合方法
技术领域
本发明属于无透镜细胞检测技术与医学图像处理相结合领域，具体涉及一种基于卷积神经网络的细胞低分辨率图像融合方法。
背景技术
细胞计数对疾病的诊断及疗效评估都有重要意义，在未来面向个人化的生物医疗诊断中，细胞的实时检测有着重要需求。传统的细胞检测及计数方法是将测试样品制备在载片上，通过显微镜观测，人工进行分析及计数，这种方法存在设备体积大、对操作人员专业知识要求高、检查结果因人而异等许多问题，难以在边远诊所、远程医疗等场合应用。2006年，受人类眼睛飞蚊现象的启发，美国加州理工大学的Yang Changhuei研究小组首先提出了基于CMOS图像传感器及微流控技术的无透镜光流体显微芯片的概念，当人眼玻璃体中的悬浮物靠近眼底时，虽然悬浮物很小，但人眼依然可以分辨出其细节特征。
受到Yang Changhuei等人的启发，课题研究组对无透镜细胞采集***做了大量的研究。在研究过程中，由于采集的细胞图像是通过把细胞直接放置在图像传感器上方的方法进行成像，没有经过凸透镜的放大，细胞图像分辨率会受到图像传感器像素尺寸的影响，最后所采集的细胞图像与光学显微镜相比为低分辨率图像，所包含的细胞特征信息量少。针对这一问题，采用插值预放大算法，增强细胞的细节信息显得很有必要。但对于一个细胞进行插值预放大，得到的只是一个细胞的信息，要将细胞都跟踪放大，运算量大，较难实时完成。因此，对同类相似细胞群进行特征融合得到“虚拟细胞”，即可解决此问题。这个“虚拟细胞”并不是传统意义上的细胞，而是同类细胞统计的结果，它包含了该类细胞的总体形状、细胞平均大小、细胞核质比等细胞的统计信息。
发明内容
本发明的目的是提供一种基于卷积神经网络的细胞低分辨率图像融合方法，使同类细胞共同的直观形貌及结构特征能够得到融合并反应。
本发明所采用的技术方案是，一种基于卷积神经网络的细胞低分辨率图像融合方法，包括以下步骤：
步骤1)通过光学显微镜采集细胞的高分辨率图像，运用图像分割算法分割细胞的高分辨率图像得到目标细胞高分辨率图像；
步骤2)在目标细胞高分辨率图像中随机选择两幅，提取该两幅目标细胞高分辨率图像亮度通道上的图像分别作为卷积神经网络训练集label标签和测试集的label标签；
步骤3)将步骤2中剩余的目标细胞高分辨率图像运用Bicubic算法进行下采样，得到目标细胞低分辨率图像；
步骤4)在目标细胞低分辨率图像中，选取3/5的目标细胞低分辨率图像作为卷积神经网络训练数据，提取所有训练数据亮度通道上的图像组成训练集，1/5的目标细胞低分辨率图像作为卷积神经网络测试数据，提取所有测试数据亮度通道上的图像组成测试集，1/5的目标细胞低分辨率图像作为卷积神经网络模型验证数据，提取所有验证数据亮度通道上的图像组成验证集；
步骤5)在深度学习框架caffe上搭建CFFnet卷积神经网络，CFFnet卷积神经网络包括数据输入层、卷积层、反卷积层和输出层，设置训练参数，数据输入层包括训练集的label标签、测试集的label标签、训练集和测试集， CFFnet卷积神经网络对训练集中的数据进行训练和测试，训练的过程中通过不断迭代直到CFFnet卷积神经网络达到收敛，收敛的CFFnet卷积神经网络即为细胞融合模型，CFFnet卷积神经网络的输出层输出融合图像，细胞低分辨率图像融合完成。
本发明的特点还在于，
步骤1)中运用图像分割算法分割细胞的高分辨率图像得到目标细胞高分辨率图像具体为，利用matlab软件采集到的细胞的高分辨率图像求灰度值统计图，即灰度直方图，根据灰度直方图中灰度值的分布情况确定目标细胞灰度分割阈值，然后采用阈值分割，将目标细胞与背景分开，最后根据每个目标细胞的中心点的像素位置，截取出单个目标细胞，得到目标细胞高分辨率图像。
步骤3)具体为，对于每幅步骤2中剩余的目标细胞高分辨率图像，通过寻找距离每个目标像素点周围最近的16个像素点，利用基函数求出对应的每个像素的权值，最终获的目标点的像素值，求出的所有目标点的像素值组成目标细胞低分辨率图像。
步骤5)中的训练参数包括基础学习率、训练动量、学习策略模式及power 值、权重衰减项和最大迭代次数。
步骤5)中CFFnet卷积神经网络的激活函数为PRelu激活函数。
本发明的有益效果是：
本发明一种基于卷积神经网络的细胞低分辨率图像融合方法，使用同类相似细胞群进行细胞拟合，再现的并不是一个细胞的放大，而是利用同类细胞低分辨图像体现出的不同特征细节，得到的融合图像，该融合图像可以看作“虚拟细胞”，“虚拟细胞”不仅反应了细胞的直观形貌及结构特征，更重要的是这个“虚拟细胞”反应的是一个统计的结果。当细胞群中所有的细胞都有共同的特征，在融合“虚拟细胞”时，这个特征会被强调；而个别细胞的个性特征，在合成过程中会被弱化，根据持有共同特征细胞的数量，“虚拟细胞”对某一特征的体现会呈现某种分布，对于同类细胞中的某些细胞的个性特征在融合的过程中将会舍弃，这样可以实现细胞病变的检测，为疾病自动诊断提供依据。
附图说明
图1是正常白细胞高分辨率图像；
图2是有空泡的病变白细胞高分辨率图像；
图3是CFFnet卷积神经网络结构示意图；
图4是实施例中CFFnet卷积神经网络训练时的学习率与迭代次数的变化曲线；
图5是实施例中正常白细胞融合图像；
图6是第一组测试图像，其中，图6(a)、图6(b)、图6(c)、图6(d)、图6(e)、图6(f)、图6(g)、图6(h)、图6(i)、图6(j)、图6(k)均为病变的白细胞低分辨率图像；
图7是第二组测试图像，其中，图7(a)、图7(b)、图7(c)、图7(d)、图7(g)、图7(k)为正常白细胞低分辨率图像，图7(e)、图7(f)、图7 (h)、图7(i)、图7(j)为病变的白细胞低分辨率图像；
图8是第三组测试图像，其中，图8(a)、图8(b)、图8(c)、图8(d)、图8(e)、图8(f)、图8(g)、图8(h)、图8(k)为病变的白细胞低分辨率图像，图8(i)、图8(j)为正常白细胞低分辨率图像；
图9是第一组测试图像融合后的融合图像；
图10是第二组测试图像融合后的融合图像；
图11是第三组测试图像融合后的融合图像；
图12是无透镜细胞采集***采集的细胞低分辨率图像组，其中，图12 (a)、图12(b)、图12(c)、图12(d)、图12(e)、图12(f)、图12(g)、图12(h)、图12(i)、图12(j)、图12(k)均为无透镜细胞采集***采集的细胞低分辨率图像；
图13是图12的无透镜细胞采集***采集的细胞低分辨率图像组融合后的融合图像。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明一种基于卷积神经网络的细胞低分辨率图像融合方法，包括以下步骤：
步骤1)通过光学显微镜采集细胞的高分辨率图像，运用图像分割算法分割细胞的高分辨率图像得到目标细胞高分辨率图像；
步骤2)在目标细胞高分辨率图像中随机选择两幅，提取该两幅目标细胞高分辨率图像亮度通道上的图像分别作为卷积神经网络训练集label标签和测试集的label标签；
步骤3)将步骤2中剩余的目标细胞高分辨率图像运用Bicubic算法进行下采样，得到目标细胞低分辨率图像；
步骤4)在目标细胞低分辨率图像中，选取3/5的目标细胞低分辨率图像作为卷积神经网络训练数据，提取所有训练数据亮度通道上的图像组成训练集，1/5的目标细胞低分辨率图像作为卷积神经网络测试数据，提取所有测试数据亮度通道上的图像组成测试集，1/5的目标细胞低分辨率图像作为卷积神经网络模型验证数据，提取所有验证数据亮度通道上的图像组成验证集；
步骤5)在深度学习框架caffe上搭建CFFnet卷积神经网络，CFFnet卷积神经网络的激活函数为PRelu激活函数，CFFnet卷积神经网络包括数据输入层、卷积层、反卷积层和输出层，设置训练参数，训练参数包括基础学习率、训练动量、学习策略模式及power值、权重衰减项和最大迭代次数，数据输入层包括训练集的label标签、测试集的label标签、训练集和测试集， CFFnet卷积神经网络对训练集中的数据进行训练和测试，训练的过程中通过不断迭代直到CFFnet卷积神经网络达到收敛，收敛的CFFnet卷积神经网络即为细胞融合模型，CFFnet卷积神经网络的输出层输出融合图像，细胞低分辨率图像融合完成。
步骤1)中运用图像分割算法分割细胞的高分辨率图像得到目标细胞高分辨率图像具体为，利用matlab软件采集到的细胞的高分辨率图像求灰度值统计图，即灰度直方图，根据灰度直方图中灰度值的分布情况确定目标细胞灰度分割阈值，然后采用阈值分割，将目标细胞与背景分开，最后根据每个目标细胞的中心点的像素位置，截取出单个目标细胞，得到目标细胞高分辨率图像。
步骤3)具体为，对于每幅步骤2中剩余的目标细胞高分辨率图像，通过寻找距离每个目标像素点周围最近的16个像素点，利用基函数求出对应的每个像素的权值，最终获的目标点的像素值，求出的所有目标点的像素值组成目标细胞低分辨率图像。
通过上述方式，本发明一种基于卷积神经网络的细胞低分辨率图像融合方法，使用同类相似细胞群进行细胞拟合，再现的并不是一个细胞的放大，而是利用同类细胞低分辨图像体现出的不同特征细节，得到的融合图像，该融合图像可以看作“虚拟细胞”，“虚拟细胞”不仅反应了细胞的直观形貌及结构特征，更重要的是这个“虚拟细胞”反应的是一个统计的结果。当细胞群中所有的细胞都有共同的特征，在融合“虚拟细胞”时，这个特征会被强调；而个别细胞的个性特征，在合成过程中会被弱化，根据持有共同特征细胞的数量，“虚拟细胞”对某一特征的体现会呈现某种分布，对于同类细胞中的某些细胞的个性特征在融合的过程中将会舍弃，这样可以实现细胞病变的检测，为疾病自动诊断提供依据。
实施例
本实施例提供一种基于卷积神经网络的正常白细胞低分辨率图像融合方法，该方法包括以下步骤：
步骤1)通过光学显微镜采集细胞的高分辨率图像，运用图像分割算法分割细胞的高分辨率图像得到正常白细胞高分辨率图像，正常白细胞高分辨率图像如图1所示。
步骤2)在正常白细胞高分辨率图像中随机选择两幅，提取该两幅正常白细胞高分辨率图像亮度通道上的图像分别作为卷积神经网络训练集label 标签和测试集的label标签。
步骤3)将步骤2中剩余的正常白细胞高分辨率图像随机分为两部分，包括A部分正常白细胞高分辨率图像和B部分正常白细胞高分辨率图像，A 部分正常白细胞高分辨率图像用图像处理相关软件制作有空泡的病变白细胞高分辨率图像，有空泡的病变白细胞高分辨率图像如图2所示，将病变白细胞高分辨率图像和B部分正常白细胞高分辨率图像分别运用Bicubic算法进行下采样，分别对应得到病变白细胞低分辨率图像和正常白细胞低分辨率图像；
步骤3)中A部分正常白细胞高分辨率图像用图像处理相关软件制作有空泡的病变白细胞高分辨率图像具体为，将A部分正常白细胞高分辨率图像读入到Photoshop软件或matlab软件或opencv软件中，参考含有白细胞空泡的细胞形貌，在其细胞质与细胞核周围中制作出白色的的空泡，空泡数为一个或多个。
步骤4)在正常白细胞低分辨率图像中，选取3/5的正常白细胞低分辨率图像作为卷积神经网络训练数据，提取所有训练数据亮度通道上的图像组成训练集，1/5的正常白细胞低分辨率图像作为卷积神经网络测试数据，提取所有测试数据亮度通道上的图像组成测试集，1/5的正常白细胞低分辨率图像作为卷积神经网络模型验证数据，提取所有验证数据亮度通道上的图像组成验证集。
步骤5)在深度学习框架caffe上搭建CFFnet卷积神经网络，CFFnet卷积神经网络的激活函数为PRelu激活函数，如图3所示，CFFnet卷积神经网络包括数据输入层、卷积层、反卷积层和输出层，设置训练参数，训练参数包括基础学习率base lr设置为0.01、训练动量momentum设置为0.9、学习策略采用不断迭代减小的inv模式且power值设置为0.75、权重衰减项display 设置为100防止过拟合，和最大迭代次数Max_iter设置为3×105，数据输入层包括训练集的label标签、测试集的label标签、训练集和测试集，CFFnet 卷积神经网络对训练集中的数据进行训练和测试，训练时的学习率与迭代次数的变化曲线如图4所示，训练的过程中通过不断迭代直到CFFnet卷积神经网络达到收敛，收敛的CFFnet卷积神经网络即为细胞融合模型，CFFnet 卷积神经网络的输出层输出正常白细胞融合图像，正常白细胞融合图像如图5所示，正常白细胞低分辨率图像融合完成。
对输出的正常白细胞融合图像用二值化等图像处理算法，计算细胞核面积即等于1581μm2、细胞质面积2033μm2、核质比1/1.3、灰度密度77.8333 和信息熵7.6075，即可得到正常白细胞的上述参数。
本发明一种基于卷积神经网络的细胞低分辨率图像融合方法将占比较多的类型细胞进行融合，得到该类细胞的融合图像，从而达到细胞的病变检测功能。为验证这一功能的准确性，将本实施例步骤3)制作的病变白细胞低分辨率图像和正常白细胞低分辨率图像共33幅混合后进行测试：
将所有图像分为三组测试图像，如图6所示，第一组测试图像为11幅病变的白细胞低分辨率图像，如图7所示，第二组测试图像为病变的白细胞低分辨率图像5幅和正常白细胞低分辨率图像6幅，图8所示，第三组测试图像为病变的白细胞低分辨率图像9幅和正常白细胞低分辨率图像2幅，第一组测试图像融合后的融合图像如图9所示，第二组测试图像融合后的融合图像如图10所示，第三组测试图像融合后的融合图像如图11所示。从三幅融合图像可以看出，如果输入全为病变的白细胞，融合后的结果仍然是病变的白细胞，如果病变的白细胞与正常的白细胞按照一定的比例混合，融合结果则呈现出占比大的细胞形貌，可以证明，其融合细胞图像的结果基本服从统计学规律。
本发明一种基于卷积神经网络的细胞低分辨率图像融合方法最终得到的融合图像具有该类细胞共同的的直观形貌及结构特征，为验证这一特点，进行如下测试：
用无透镜细胞采集***采集如图12所示的11幅正常白细胞低分辨率图像，并将其输入到训练好的融合模型中进行融合，得到的融合图像如图13 所示，显然，图13的细胞融合图像结合了图12中的11幅细胞低分辨率图像的特征，有效的验证了细胞融合模型应用到实际***的正确性。

Claims (5)

1.一种基于卷积神经网络的细胞低分辨率图像融合方法，其特征在于，包括以下步骤：
步骤1)通过光学显微镜采集细胞的高分辨率图像，运用图像分割算法分割所述细胞的高分辨率图像得到目标细胞高分辨率图像；
步骤2)在所述目标细胞高分辨率图像中随机选择两幅，提取该两幅目标细胞高分辨率图像亮度通道上的图像分别作为卷积神经网络训练集label标签和测试集的label标签；
步骤3)将步骤2中剩余的所述目标细胞高分辨率图像运用Bicubic算法进行下采样，得到目标细胞低分辨率图像；
步骤4)在所述目标细胞低分辨率图像中，选取3/5的所述目标细胞低分辨率图像作为卷积神经网络训练数据，提取所有训练数据亮度通道上的图像组成训练集，1/5的所述目标细胞低分辨率图像作为卷积神经网络测试数据，提取所有测试数据亮度通道上的图像组成测试集，1/5的所述目标细胞低分辨率图像作为卷积神经网络模型验证数据，提取所有验证数据亮度通道上的图像组成验证集；
步骤5)在深度学习框架caffe上搭建CFFnet卷积神经网络，所述CFFnet卷积神经网络包括数据输入层、卷积层、反卷积层和输出层，设置训练参数，所述数据输入层包括训练集的label标签、测试集的label标签、训练集和测试集，所述CFFnet卷积神经网络对训练集中的数据进行训练和测试，训练的过程中通过不断迭代直到所述CFFnet卷积神经网络达到收敛，收敛的所述CFFnet卷积神经网络即为细胞融合模型，所述CFFnet卷积神经网络的输出层输出融合图像，细胞低分辨率图像融合完成。
2.根据权利要求1所述的一种基于卷积神经网络的细胞低分辨率图像融合方法，其特征在于，所述步骤1)中运用图像分割算法分割细胞的高分辨率图像得到目标细胞高分辨率图像具体为，利用matlab软件采集到的所述细胞的高分辨率图像求灰度值统计图，即灰度直方图，根据所述灰度直方图中灰度值的分布情况确定目标细胞灰度分割阈值，然后采用阈值分割，将目标细胞与背景分开，最后根据每个目标细胞的中心点的像素位置，截取出单个目标细胞，得到所述目标细胞高分辨率图像。
3.根据权利要求1所述的一种基于卷积神经网络的细胞低分辨率图像融合方法，其特征在于，所述步骤3)具体为，对于每幅步骤2中剩余的所述目标细胞高分辨率图像，通过寻找距离每个目标像素点周围最近的16个像素点，利用基函数求出对应的每个像素的权值，最终获的目标点的像素值，求出的所有目标点的像素值组成目标细胞低分辨率图像。
4.根据权利要求1所述的一种基于卷积神经网络的细胞低分辨率图像融合方法，其特征在于，所述步骤5)中的训练参数包括基础学习率、训练动量、学习策略模式及power值、权重衰减项和最大迭代次数。
5.根据权利要求1所述的一种基于卷积神经网络的细胞低分辨率图像融合方法，其特征在于，所述步骤5)中CFFnet卷积神经网络的激活函数为PRelu激活函数。
CN201910044863.1A 2019-01-17 2019-01-17 一种基于卷积神经网络的细胞低分辨率图像融合方法 Active CN110598724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910044863.1A CN110598724B (zh) 2019-01-17 2019-01-17 一种基于卷积神经网络的细胞低分辨率图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910044863.1A CN110598724B (zh) 2019-01-17 2019-01-17 一种基于卷积神经网络的细胞低分辨率图像融合方法

Publications (2)

Publication Number Publication Date
CN110598724A CN110598724A (zh) 2019-12-20
CN110598724B true CN110598724B (zh) 2022-09-23

Family

ID=68852447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910044863.1A Active CN110598724B (zh) 2019-01-17 2019-01-17 一种基于卷积神经网络的细胞低分辨率图像融合方法

Country Status (1)

Country Link
CN (1) CN110598724B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111458269A (zh) * 2020-05-07 2020-07-28 厦门汉舒捷医疗科技有限公司 一种外周血淋巴微核细胞图像人工智能识别方法
CN113435384B (zh) * 2021-07-07 2023-05-23 中国人民解放军国防科技大学 中低分辨率光学遥感图像的目标检测方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017219263A1 (zh) * 2016-06-22 2017-12-28 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
CN107610194A (zh) * 2017-08-14 2018-01-19 成都大学 基于多尺度融合cnn的磁共振图像超分辨率重建方法
CN108062744A (zh) * 2017-12-13 2018-05-22 中国科学院大连化学物理研究所 一种基于深度学习的质谱图像超分辨率重建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017219263A1 (zh) * 2016-06-22 2017-12-28 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
CN107610194A (zh) * 2017-08-14 2018-01-19 成都大学 基于多尺度融合cnn的磁共振图像超分辨率重建方法
CN108062744A (zh) * 2017-12-13 2018-05-22 中国科学院大连化学物理研究所 一种基于深度学习的质谱图像超分辨率重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的图像超分辨率重建;刘鹏飞等;《计算机工程与应用》;20180622(第09期);全文 *
基于深度学习的图像超分辨率重建技术的研究;刘永信等;《科技与创新》;20181205(第23期);全文 *

Also Published As

Publication number Publication date
CN110598724A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN113011485B (zh) 多模态多病种长尾分布眼科疾病分类模型训练方法和装置
CN107437092B (zh) 基于三维卷积神经网络的视网膜oct图像的分类方法
CN109190540B (zh) 活检区域预测方法、图像识别方法、装置和存储介质
CN109376636B (zh) 基于胶囊网络的眼底视网膜图像分类方法
CN106934798B (zh) 基于深度学习的糖尿病视网膜病变分类分级方法
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断***
CN109543526B (zh) 基于深度差异性特征的真假面瘫识别***
Gouda et al. Skin cancer classification using ResNet
CN108268870A (zh) 基于对抗学习的多尺度特征融合超声图像语义分割方法
CN109670510A (zh) 一种基于深度学习的胃镜活检病理数据筛查***和方法
CN107767935A (zh) 基于人工智能的医学影像分类处理***及方法
CN109389129A (zh) 一种图像处理方法、电子设备及存储介质
CN109493342B (zh) 一种基于深度学习的皮肤病图片病变类型分类方法
CN107368671A (zh) 基于大数据深度学习的良性胃炎病理诊断支持***和方法
CN112101424B (zh) 一种视网膜病变识别模型的生成方法、识别装置及设备
CN104851123A (zh) 一种三维人脸变化模拟方法
KR20190105180A (ko) 합성곱 신경망 기반의 병변 진단 장치 및 방법
CN109063643B (zh) 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法
CN110781953B (zh) 基于多尺度金字塔卷积神经网络的肺癌病理切片分类方法
CN102567734A (zh) 基于比值的视网膜细小血管分割方法
CN110276763A (zh) 一种基于可信度和深度学习的视网膜血管分割图生成方法
CN110598724B (zh) 一种基于卷积神经网络的细胞低分辨率图像融合方法
KR20190087681A (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법
Cai et al. Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning
CN113946217B (zh) 一种肠镜操作技能智能辅助评估***

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