CN111062296B - 一种基于计算机的白细胞自动识别分类方法 - Google Patents
一种基于计算机的白细胞自动识别分类方法 Download PDFInfo
- Publication number
- CN111062296B CN111062296B CN201911265104.4A CN201911265104A CN111062296B CN 111062296 B CN111062296 B CN 111062296B CN 201911265104 A CN201911265104 A CN 201911265104A CN 111062296 B CN111062296 B CN 111062296B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- loss function
- cell
- loss
- 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
- 210000000265 leukocyte Anatomy 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 20
- 210000004027 cell Anatomy 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 45
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 210000004698 lymphocyte Anatomy 0.000 claims description 21
- 210000000440 neutrophil Anatomy 0.000 claims description 19
- 210000003651 basophil Anatomy 0.000 claims description 18
- 210000003979 eosinophil Anatomy 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 210000005087 mononuclear cell Anatomy 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims 1
- 210000001616 monocyte Anatomy 0.000 description 6
- 210000004940 nucleus Anatomy 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 210000000805 cytoplasm Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 108010077544 Chromatin Proteins 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000003483 chromatin Anatomy 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000011164 primary particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000021164 cell adhesion Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000002865 immune cell Anatomy 0.000 description 1
- 230000036737 immune function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于计算机的白细胞自动识别分类方法及方法,首先利用卷积神经网络识别出单核细胞,接着使用卷积神经网络自动提取剩下细胞的特征,最后利用分类器实现剩余细胞的四分类,能够达到较高的精度和准确率,从而有效地完成对白细胞的识别分类任务。
Description
技术领域
本发明涉及医学图像处理领域,特别是一种基于计算机的白细胞自动识别分类方法。
背景技术
血液中的白细胞是人体最主要的免疫细胞,对维持人体的免疫功能发挥着至关重要的作用。血液中的白细胞共有五种,即中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞,各类白细胞数量的相对值变化成为了医生判断疾病的重要依据。传统的医学诊断需要医生在显微镜下观察标本玻片,该方法不但耗时耗力,效率低下,而且在一定程度上依赖于医生的经验。随着数字化,信息化时代的到来,人工智能在计算机视觉领域取得了飞速的发展,将人工智能技术应用到医学图像分析方面成为了当今的热点话题。
当前的白细胞分类研究中大多数需要先对白细胞进行细胞分割,获取细胞和细胞核等ROI区域,再对分割得到的ROI区域进行特征提取,最后识别分类。这种思路过于依赖细胞分割得到的ROI区域,但是在目前的研究中,白细胞的分割算法仍然存在一定的不足,白细胞图像中常常会出现细胞粘连,重叠,背景模糊等现象,并且不同染色方法,图像扫描设备得到的细胞图像在形态纹理等方面有较大的差异,因此分割算法的普适性和鲁棒性不能得到很好的保证。
近些年来,得益于计算能力的飞速提升,卷积神经网络在图像处理方面取得了不错的成就,LeNet,AlexNet等神经网络模型在图像分类领域大放异彩,利用卷积操作自动提取图像特征代替了传统的手动提取特征。中国专利CN106248559B“一种基于深度学习的白细胞五分类方法”利用简单的颜色分量关系及形态学操作将白细胞从显微镜图片中检测出来,然后利用颗粒特征及SVM识别出嗜碱性粒细胞与嗜酸性粒细胞,接着利用卷积神经网络自动提取剩下细胞图片的特征,最后利用随机森林实现剩下的三分类,但是用卷积神经网络处理白细胞时会出现特征维数过大以及过拟合等问题。
发明内容
本发明所要解决的技术问题是提供一种基于计算机的白细胞自动识别分类方法,具体实现的步骤为:
S1.读取细胞文件信息,得到细胞图像数据;
S2.将图像输入训练好的二分类模型,识别出单核细胞;
S3.用卷积神经网络分别提取中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞和淋巴细胞的特征,输出特征向量;
S4.使用分类器对上述特征向量进行判别分析,区分出淋巴细胞,嗜酸粒细胞,嗜碱粒细胞和中性粒细胞。
优选的方案中,步骤S2的具体实现步骤为:
S21.读取细胞文件信息,得到细胞图像数据及其对应的标签,调整图像尺寸,并对标签进行独热编码;
S22.将上述的细胞图像数据划分成训练集和验证集;
S23.构建卷积神经网络二分类模型;
S24.将focal loss与交叉熵两者相加之和设置为损失函数;
S25.基于梯度下降算法最小化损失函数,迭代更新网络参数,得到训练好的二分类模型。
优选的方案中,步骤S23中的卷积神经网络,包含4个block结构,每个block结构中卷积层的数量分别为2,2,3,3,输出的feature map的维度分别为32,32,64,64,block之间通过步长卷积操作进行连接,最后经过全连接层和softmax激励函数得到长度为2的预测矩阵。
优选的方案中,步骤S3具体的实现步骤为:
S31.读取细胞文件信息,得到细胞图像数据及其对应的标签,对细胞图像进行尺寸调整,并对标签进行独热编码;
S32.将上述的细胞图像数据划分成训练集和验证集;
S33.构建卷积神经网络模型;
S34.将focal loss设置为损失函数;
S35.在训练过程中使用mixup数据增强方式;
S36.基于梯度下降算法最小化损失函数,迭代更新网络参数,得到训练好的卷积神经网络模型。
优选的方案中,步骤S33中卷积神经网络模型,包含4个block结构,每个block结构中卷积层的数量分别为2,2,3,3,输出的feature map的维度分别为32,32,64,64,block之间通过步长卷积操作进行连接,输出一个长度为512维的特征向量。
优选的方案中,步骤S4中分类器为SVM分类器或SVM-NN分类器。
优选的方案中,构建卷积神经网络时使用步长卷积操作代替池化操作,
用于提高淋巴细胞,嗜酸粒细胞,嗜碱粒细胞和中性粒细胞检测的检测速度。
优选的方案中,步骤S34中使用阶跃函数对预测框是否框中目标进行判断,只有当预测框和真实标签交并比大于阈值时,检测损失函数才进行误差传递。
优选的方案中,步骤S35在训练过程中使用mixup数据增强方式的具体实现步骤为:
S351.输入训练集中的一张图片,并随机与另一张图片进行融合,按照融合比例得到混合张量;
S352.两张图片融合时按照融合比例进行像素相加;
S353.将得到的混合张量传递给卷积神经网络模型得到输出张量,随后计算损失函数将两个图片的标签分别计算损失函数,按照融合比例进行损失函数的加权求和;
S354.得到混合图样,扩充数据样本容量。
优选的方案中,步骤S1中使用非极大抑制算法将框选目标较差的边界框从边界框集合中剔除。
本发明提供了一种用于细胞检测识别***的方法,通过采用以上的方案,具有以下有益效果:
1、本发明在构建二分类模型时采用focal loss和交叉熵相加之和作为损失函数,既直观地反映了实际输出与期望输出的距离,又有效地避免了样本不平衡的问题;
2、本发明在构建二分类和模型和四分类卷积神经网络时均使用步长卷积操作代替池化操作,在达到下采样目的的同时,卷积核还能提取到特征图更多的信息,减少信息的丢失;
3、本发明使用了mixup数据增强方式,在模型训练的过程中构建了虚拟的数据样本,使得模型能够线性地处理样本与样本之间的区域差异,有助于消除模型对错误标签的记忆,增强了模型的泛化性。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1是本发明的工作流程图;
图2是本发明使用的卷积神经网络结构图;
图3是本发明中使用mixup的部分效果图;
图4是五类白细胞特征图。
具体实施方式
实施例1:
如图1、如图4所示,一种基于计算机的白细胞自动识别分类方法,具体实现的步骤为:
S1.读取细胞文件信息,得到细胞图像数据,白细胞的尺寸和形态是分类的重要因素,图4中,由左往右、由上到下分别是中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞和淋巴细胞,中性粒细胞具有嗜中性颗粒及分叶核的结构,嗜碱性细胞和嗜酸性粒细胞核形呈杆状,含有特异性颗粒,单核细胞体积较大,淋巴细胞细胞核较小,染色质聚集,呈大块状,淋巴细胞细胞体积较小、形态规则、胞浆内没有颗粒。
S2.将图像输入训练好的二分类模型,识别出单核细胞,较之其他四种细胞,单核细胞体积较大、肾状核、胞浆内有初级颗粒,易被识别,因而,先构建二分类模型识别单核细胞,再对其他四类细胞进行识别。
S3.用卷积神经网络分别提取中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞和淋巴细胞的特征,输出一个长度为512的特征向量,对细胞图像的数据进行局部特征提取,用权职共享在整张图像中作滑动卷积操作。
S4.使用SVM分类器对上述特征向量进行判别分析,区分出淋巴细胞,嗜酸粒细胞,嗜碱粒细胞和中性粒细胞,将提取的特征向量与特征标签进行匹配,得到细胞图像中不同细胞的分类。
实施例2:
一种基于计算机的白细胞自动识别分类方法,具体实现的步骤为:
S1.读取细胞文件信息,得到细胞图像数据,白细胞的尺寸和形态是分类的重要因素,图4中,由左往右、由上到下分别是中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞和淋巴细胞,中性粒细胞具有嗜中性颗粒及分叶核的结构,嗜碱性细胞和嗜酸性粒细胞核形呈杆状,含有特异性颗粒,单核细胞体积较大,淋巴细胞细胞核较小,染色质聚集,呈大块状,淋巴细胞细胞体积较小、形态规则、胞浆内没有颗粒。
S2.将图像输入训练好的二分类模型,识别出单核细胞,较之其他四种细胞,单核细胞体积较大、肾状核、胞浆内有初级颗粒,易被识别,因而,先构建二分类模型识别单核细胞,再对其他四类细胞进行识别。
S3.用卷积神经网络分别提取中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞和淋巴细胞的特征,输出一个长度为512的特征向量,对细胞图像的数据进行局部特征提取,用全职共享在整张图像中作滑动卷积操作。
S4.使用SVM-NN分类器对上述特征向量进行判别分析,区分出淋巴细胞,嗜酸粒细胞,嗜碱粒细胞和中性粒细胞。SVM-NN分类器是对SVM分类器的优化,在图像中找出每一个点的最近邻,然后对每一个点的最近邻进行判断,属于同类则保留,不属于则删除,使得不同细胞图形的掺杂程度降低,提高了分类的准确度,避免了决策面过于复杂而降低泛化能力。
实施例3:
优选的方案如图2所示,步骤S2的具体实现步骤为:
S21.读取细胞文件信息,得到细胞图像数据及其对应的标签,调整图像尺寸,并对标签进行独热编码,细胞图像尺寸统一调整为224*224,标签编码为单核细胞和其他细胞2类标签中的一种。
S22.将上述的细胞图像数据以8:2的比例划分成训练集和验证集;
S23.构建卷积神经网络二分类模型,网络共包含4个block结构,每个block结构中卷积层的数量分别为2,2,3,3,输出的feature map的维度分别为32,32,64,64,block之间通过步长卷积操作进行连接,最后经过全连接层和softmax激励函数得到长度为2的预测矩阵,使用步长卷积操作代替池化操作,在达到下采样目的的同时,卷积核还能提取到特征图更多的信息,减少信息的丢失。
所述的softmax激励函数的表达式如下:
其中,i表示的是k中的某一个类别,P(Si)是该类别对应的概率值,gi是该类别对应的值,k表示分类的个数。
S24.将focal loss与交叉熵两者相加之和设置为损失函数,所述的focal loss的表达式如下:
其中,L是损失函数,y'是激活函数后的输出,α和λ是超参数。优选地,本发明中α取值为0.25,λ取值为2。
所述的交叉熵的表达式如下:
L=-[ylogy'+(1-y)log(1-y')]
其中,L是损失函数,y是样本的标签,y'是激活函数后的输出。
S25.基于梯度下降算法最小化损失函数,迭代更新网络参数,得到训练好的二分类模型。
实施例4:
如图2所示,用卷积神经网络分别提取中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞和淋巴细胞的特征,输出一个长度为512的特征向量,具体的实现步骤为:
S31.读取细胞文件信息,得到细胞图像数据及其对应的标签,对细胞图像进行尺寸调整,并对标签进行独热编码,细胞图像尺寸统一调整为224*224,标签编码为中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞和淋巴细胞4类标签中的一种。
S32.将上述的细胞图像数据以8:2的比例划分成训练集和验证集;
S33.构建卷积神经网络模型,包含4个block结构,每个block结构中卷积层的数量分别为2,2,3,3,输出的feature map的维度分别为32,32,64,64,block之间通过步长卷积操作进行连接,输出一个长度为512维的特征向量,使用步长卷积操作代替池化操作,在达到下采样目的的同时,卷积核还能提取到特征图更多的信息,减少信息的丢失。
S34.将focal loss设置为损失函数;
S35.在训练过程中使用mixup数据增强方式,mixup数据增强方式的表达式如下:
其中,是生成的新样本,(xi,yi)和(xj,yj)是从训练集中随机选取的两个样本,λ满足Beta(α,α)的分布,α的取值范围为(0,∞)。优选地,本发明中α的取值为0.2。使用mixup数据增强方式的具体实现步骤为:
S351.输入训练集中的一张图片,并随机与另一张图片进行融合,按照融合比例得到混合张量;
S352.两张图片融合时按照融合比例进行像素相加;
S353.将得到的混合张量传递给卷积神经网络模型得到输出张量,随后计算损失函数将两个图片的标签分别计算损失函数,按照融合比例进行损失函数的加权求和;
S354.得到混合图样,扩充数据样本容量。
S36.基于梯度下降算法最小化损失函数,迭代更新网络参数,得到训练好的卷积神经网络模型。
实施例5:
本发明中,将focal loss与交叉熵两者相加之和设置为损失函数,为了进一步提高检测的速率,使用阶跃函数对预测框是否框中目标进行判断,只有当预测框和真实标签交并比大于阈值时,检测损失函数才进行误差传递,置信度损失函数中的中内含了阶跃函数,在框中目标的情况下才进行误差传递,置信度损失函数用来判断框选的物体是目标物体的可靠程度,同时也避免损失函数产生欠拟合,使检测更精准。
实施例6:
选取特征框时使用非极大抑制算法将框选目标较差的边界框从边界框集合中剔除,卷积神经网络在进行特征框选择时,容易检测出多个边界框,为了使边界框更贴近目标选择框,引入非极大抑制算法,首先分别计算边界框与边界框的交并比,当两者的交并比大于阈值时,则剔除边界框,反之,保留边界框;然后在剩下的边界框集合中再次选择置信度最大的边界框作为标准,计算与其他边界框的交并比,大于阈值则舍弃,反之保留,反复多次得到最佳的特征选择框。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本申请中的实施例及实施例中的特征在不冲突的情况下,可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (2)
1.一种基于计算机的白细胞自动识别分类方法,其特征是:具体实现的步骤为:
S1.读取细胞文件信息,得到细胞图像数据;
使用非极大抑制算法将框选目标较差的边界框从边界框集合中剔除;
S2.将图像输入训练好的二分类模型,识别出单核细胞;
步骤S2的具体实现步骤为:
S21.读取细胞文件信息,得到细胞图像数据及其对应的标签,调整图像尺寸,并对标签进行独热编码;
S22.将上述的细胞图像数据划分成训练集和验证集;
S23.构建卷积神经网络二分类模型;
卷积神经网络,包含4个block结构,每个block结构中卷积层的数量分别为2,2,3,3,输出的feature map的维度分别为32,32,64,64,block之间通过步长卷积操作进行连接,最后经过全连接层和softmax激励函数得到长度为2的预测矩阵;
S24.将focal loss与交叉熵两者相加之和设置为损失函数;
所述的focalloss的表达式如下:
其中,L是损失函数,y'是激活函数后的输出,α和λ是超参数,α取值为0.25,λ取值为2;
交叉熵的表达式如下:
L=-[ylog y'+(1-y)log(1-y')]
其中,L是损失函数,y是样本的标签,y'是激活函数后的输出;
S25.基于梯度下降算法最小化损失函数,迭代更新网络参数,得到训练好的二分类模型;
S3.用卷积神经网络分别提取中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞和淋巴细胞的特征,输出特征向量,对细胞图像的数据进行局部特征提取,用权职共享在整张图像中作滑动卷积操作;
具体的实现步骤为:
S31.读取细胞文件信息,得到细胞图像数据及其对应的标签,对细胞图像进行尺寸调整,并对标签进行独热编码;
S32.将上述的细胞图像数据划分成训练集和验证集;
S33.构建卷积神经网络模型;
构建卷积神经网络时使用步长卷积操作代替池化操作,
用于提高淋巴细胞,嗜酸粒细胞,嗜碱粒细胞和中性粒细胞检测的检测速度;卷积神经网络模型,包含4个block结构,每个block结构中卷积层的数量分别为2,2,3,3,输出的feature map的维度分别为32,32,64,64,block之间通过步长卷积操作进行连接,输出一个长度为512维的特征向量;
S34.将focal loss设置为损失函数;步骤S34中,使用阶跃函数对预测框是否框中目标进行判断,只有当预测框和真实标签交并比大于阈值时,检测损失函数才进行误差传递;
S35.在训练过程中使用mixup数据增强方式;
S36.基于梯度下降算法最小化损失函数,迭代更新网络参数,得到训练好的卷积神经网络模型;
S4.使用分类器对上述特征向量进行判别分析,区分出淋巴细胞,嗜酸粒细胞,嗜碱粒细胞和中性粒细胞;
步骤S4中分类器为SVM分类器或SVM-NN分类器。
2.根据权利要求1所述的一种基于计算机的白细胞自动识别分类方法,其特征是:步骤S35在训练过程中使用mixup数据增强方式的具体实现步骤为:
S351.输入训练集中的一张图片,并随机与另一张图片进行融合,按照融合比例得到混合张量;
S352.两张图片融合时按照融合比例进行像素相加;
S353.将得到的混合张量传递给卷积神经网络模型得到输出张量,随后计算损失函数将两个图片的标签分别计算损失函数,按照融合比例进行损失函数的加权求和;
S354.得到混合图样,扩充数据样本容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911265104.4A CN111062296B (zh) | 2019-12-11 | 2019-12-11 | 一种基于计算机的白细胞自动识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911265104.4A CN111062296B (zh) | 2019-12-11 | 2019-12-11 | 一种基于计算机的白细胞自动识别分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062296A CN111062296A (zh) | 2020-04-24 |
CN111062296B true CN111062296B (zh) | 2023-07-18 |
Family
ID=70298771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911265104.4A Active CN111062296B (zh) | 2019-12-11 | 2019-12-11 | 一种基于计算机的白细胞自动识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062296B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163636B (zh) * | 2020-10-15 | 2023-09-26 | 电子科技大学 | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 |
CN112595654A (zh) * | 2020-10-28 | 2021-04-02 | 宁夏医科大学总医院 | 脑脊液细胞图像特征库及其建立方法 |
CN112446427B (zh) * | 2020-11-27 | 2021-07-27 | 王伟佳 | 一种髓系血细胞识别方法、装置、存储介质和电子设备 |
CN114300099B (zh) * | 2021-11-24 | 2022-07-05 | 大连工业大学 | 一种基于YOLOv5和显微高光谱图像的异型淋巴细胞分型方法 |
CN116433588B (zh) * | 2023-02-21 | 2023-10-03 | 广东劢智医疗科技有限公司 | 一种基于宫颈细胞的多类别分类与置信判别方法 |
CN116665210B (zh) * | 2023-07-28 | 2023-10-17 | 珠海横琴圣澳云智科技有限公司 | 基于多通道信息融合的细胞分类方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654107A (zh) * | 2015-09-21 | 2016-06-08 | 长春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 |
CN109685801A (zh) * | 2018-12-10 | 2019-04-26 | 杭州帝视科技有限公司 | 结合纹理特征和深度神经网络信息的皮肤镜图像处理方法 |
CN110136149A (zh) * | 2019-05-21 | 2019-08-16 | 闽江学院 | 基于深度神经网络的白细胞定位与分割方法 |
KR20190114241A (ko) * | 2018-03-29 | 2019-10-10 | 울산과학기술원 | 딥러닝 기반의 독성조류 판별 및 셀카운팅 장치 및 그 방법 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10074006B2 (en) * | 2014-03-17 | 2018-09-11 | Carnegie Mellon University | Methods and systems for disease classification |
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 |
US10282589B2 (en) * | 2017-08-29 | 2019-05-07 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
CN110084150B (zh) * | 2019-04-09 | 2021-05-11 | 山东师范大学 | 一种基于深度学习的白细胞自动分类方法及*** |
-
2019
- 2019-12-11 CN CN201911265104.4A patent/CN111062296B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654107A (zh) * | 2015-09-21 | 2016-06-08 | 长春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 |
KR20190114241A (ko) * | 2018-03-29 | 2019-10-10 | 울산과학기술원 | 딥러닝 기반의 독성조류 판별 및 셀카운팅 장치 및 그 방법 |
CN109685801A (zh) * | 2018-12-10 | 2019-04-26 | 杭州帝视科技有限公司 | 结合纹理特征和深度神经网络信息的皮肤镜图像处理方法 |
CN110136149A (zh) * | 2019-05-21 | 2019-08-16 | 闽江学院 | 基于深度神经网络的白细胞定位与分割方法 |
Non-Patent Citations (2)
Title |
---|
一种骨髓细胞识别分类算法的研究;艾大萍;尹晓红;刘伯强;刘忠国;袁清伟;李晓梅;;中国生物医学工程学报(04);71-75 * |
基于卷积神经网络的外周血白细胞分类;陈畅;程少杰;李卫滨;陈敏;;中国生物医学工程学报(01);20-27 * |
Also Published As
Publication number | Publication date |
---|---|
CN111062296A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062296B (zh) | 一种基于计算机的白细胞自动识别分类方法 | |
CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN109034210B (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN109859190B (zh) | 一种基于深度学习的目标区域检测方法 | |
CN108846446B (zh) | 基于多路径密集特征融合全卷积网络的目标检测方法 | |
CN111178208B (zh) | 基于深度学习的行人检测方法、装置及介质 | |
CN111797683A (zh) | 一种基于深度残差注意力网络的视频表情识别方法 | |
CN111476266B (zh) | 一种基于迁移学***衡类别白细胞分类方法 | |
EP3500964A1 (en) | System and method of classification of biological particles | |
CN109615014A (zh) | 一种基于kl散度优化的数据分类***与方法 | |
CN103679187B (zh) | 图像识别方法和*** | |
CN113762138B (zh) | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 | |
JP2015137857A (ja) | 検出制御装置、プログラム及び検出システム | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN103077399A (zh) | 基于集成级联架构的生物显微图像分类方法 | |
Nateghi et al. | Automatic detection of mitosis cell in breast cancer histopathology images using genetic algorithm | |
CN108154172B (zh) | 基于三支决策的图像识别方法 | |
CN109711442A (zh) | 无监督逐层生成对抗特征表示学习方法 | |
CN114821022A (zh) | 融合主观逻辑和不确定性分布建模的可信目标检测方法 | |
CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
CN117011274A (zh) | 自动化玻璃瓶检测***及其方法 | |
CN115471838A (zh) | 基于深度自适应特征提取的宫颈鳞状病变细胞检测方法 | |
Lakshmi et al. | Feature extraction and feature set selection for cervical cancer diagnosis | |
CN114358279A (zh) | 图像识别网络模型剪枝方法、装置、设备及存储介质 | |
CN113065430A (zh) | 基于深度学习特征与人工提取特征融合的白细胞分类方法 |
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 | ||
CB02 | Change of applicant information |
Address after: Floor 1 and 2, unit B, C and D, building B7, medical instrument Park, 818 Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Applicant after: Wuhan Lanting intelligent Medicine Co.,Ltd. Address before: 430073 floor 1 and 2, unit B, C and D, building B7, medical instrument Park, 818 Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province Applicant before: WUHAN LANDING MEDICAL HI-TECH Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |