CN111311600A - 一种基于语义分割的染色体图像增强方法 - Google Patents
一种基于语义分割的染色体图像增强方法 Download PDFInfo
- Publication number
- CN111311600A CN111311600A CN202010061810.3A CN202010061810A CN111311600A CN 111311600 A CN111311600 A CN 111311600A CN 202010061810 A CN202010061810 A CN 202010061810A CN 111311600 A CN111311600 A CN 111311600A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- image
- chromosome image
- semantic segmentation
- method based
- 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
- 210000000349 chromosome Anatomy 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims 1
- 239000012535 impurity Substances 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30072—Microarray; Biochip, DNA array; Well plate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于语义分割的染色体图像增强方法，属于染色体图像处理技术领域。本发明通过语义分割卷积神经网络，对染色体图像中像素点的类别进行识别，进而能够指出像素点具体属于染色体还是属于背景，进而能够对染色体图像进行精确区分，实现染色体图像背景以及杂质的去除，对不同类型的染色体图像去背景具有较强的鲁棒性，特别适用于染色体图像。进一步，本发明基于语义分割的全卷积神经网络，能够学习到染色体一些的抽象特征，比如染色体的相对长度、清晰度、离散程度等特征，并且对染色体的大小、位置和方向等敏感性更低，从而有助于区分性能的提高。
Description
技术领域
本发明涉及一种基于语义分割的染色体图像增强方法，属于染色体图像处理技术领域。
背景技术
染色体核型分析***有助于快速判定一个人是否具有遗传障碍，而染色体图像去背景是实现全自动染色体核型分析***中重要的一环。
传统全局以及局部阈值化方法用于染色体去背景保留了图像中的大部分杂质，杂质的存在严重干扰染色体图像增强，且传统全局以及局部阈值化方法应用于背景较为复杂的染色体图像上，往往会得到更糟糕的效果，图像增强效果不好。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种适用于染色体图像的语义分割卷积神经网络，对染色体图像中像素点的类别进行识别，进而能够指出像素点具体属于染色体还是属于背景，进而能够对染色体图像进行精确区分，实现染色体图像背景以及杂质的去除和染色体图像增强，对不同类型的染色体图像去背景具有较强的鲁棒性的染色体图像增强方法。
为实现上述目的，本发明的技术方案为：
一种基于语义分割的染色体图像增强方法，
包括以下步骤：
第一步，得到染色体图像；
第二步，对染色体进行基本的图像处理；
使得染色体图像输入尽可能标准一致，后续网络训练更容易收敛；
第三步，对染色体图像进行语义分割；
判断图像中像素点的类别，即识别出相应像素点是否属于染色体或背景，
进而得出染色体的具体轮廓，实现染色体以及背景的精准区分；
第四步，根据区分结果，对染色体图像进行增强。
本发明通过语义分割卷积神经网络，对染色体图像中像素点的类别进行识别，进而能够指出像素点具体属于染色体还是属于背景，进而能够对染色体图像进行精确区分，实现染色体图像背景以及杂质的去除和染色体图像增强，对不同类型的染色体图像去背景具有较强的鲁棒性，特别适用于染色体图像。
进一步，本发明基于语义分割的全卷积神经网络，能够学习到染色体一些的抽象特征，比如染色体的相对长度、清晰度、离散程度等特征，并且对染色体的大小、位置和方向等敏感性更低，从而有助于区分性能的提高。
本发明改变了以往染色体图像处理方法，能够对染色体图像中的染色体以及背景进行精准区分，进而实现染色体图像的增强，图像增强效果好，最大程度上减少了去背景以及杂质带来的误差，工序简洁、合理，可向外大规模推广应用，部署简单。
作为优选技术措施：
所述第二步，具体包括以下步骤：
a)将染色体图像与mask图像保持比例缩小；
b)对放缩小的图像填充黑色像素；
c)训练深度网络前，对图像进行随机伽马、平移、旋转数据增强操作。
由于染色体图像的质量与样本的染色质量有关，同时受光照影响严重，图像中存在较多杂质，对比度较差，且染色体内明暗相间的带纹使得目标内部灰度分布不均匀。因此必须对染色体图像进行预处理，为后期分析处理做准备。
本发明的形态学操作，主要目的是减少图像由于染色体带纹引起的目标内部灰度差异；用于改善图像的灰度分布。
作为优选技术措施：
第三步，具体包括以下步骤：
S1，建立模型结构；
S2，通过使用Dense Block能够提高模型抽取特征的有效性；
S3，模型的损失函数Loss Function设置为Focal Loss，其定义的数学表达式如下：
其中，α和γ均为能够调节的超参数；y’为模型预测，其值介于(0-1)之间，FocalLoss能够有效解决训练样本的前景与背景极度不平衡的问题；
S4，深度学习模型的训练时，使用ADAM优化器。
作为优选技术措施：
a)模型结构的卷积模块的输出通道分别为32，64，128，256，128，64，32，1，
模型结构的Dense Block的输出通道分别为32，64，64，160；
b)数据增强为在线增强，数据伽马、平移、旋转的概率各为0.3，伽马变换的范围为(0.5，1.5)，上下平移的范围为(0，图像高度/2)，左右平移的范围为(0，图像宽度/2)，图像旋转的角度范围为(0，360)；
c)模型损失函数Focal Loss的α为0.25，γ为2；
d)ADAM优化器的参数分别设置为：β1＝0.9，β2＝0.99；β1系数为指数衰减率，控制权重分配(动量与当前梯度)，通常取接近于1的值；β2系数为指数衰减率，控制之前的梯度平方的影响情况；训练的学习率初始设置为0.01，随着迭代次数增加而递减；训练总迭代次数为250，批量训练的样本大小Batchsize设置为3，样本形状大小为640x480。
作为优选技术措施：
第四步，具体包括以下步骤：
a)将染色体图像使用插值进行去噪；
b)将去除背景与噪声的染色体图像进行直方图匹配；
c)对匹配后的染色体图像进行锐化。
作为优选技术措施：
a)染色体去噪的插值方式为双线性插值；
b)图像匹配只针对染色体图像部分进行匹配；
c)图像锐化方式为USM锐化。
作为优选技术措施：
还包括，对语义分割的染色体图像建立评价***，评价指标选取为：IoU(intersection over union)，
其定义的数学表达式如下：
其中target表示染色体所占的真实面积，prediction表示实际预测的染色体面积，IOU分数越接近于1，代表预测效果越好。
建立合理的指标评价***，能够及时了解本发明的图像增强效果，进而能够及时对本发明设置参数进行调整。
与现有技术相比，本发明具有以下有益效果：
本发明通过语义分割卷积神经网络，对染色体图像中像素点的类别进行识别，进而能够指出像素点具体属于染色体还是属于背景，进而能够对染色体图像进行精确区分，实现染色体图像背景以及杂质的去除，对不同类型的染色体图像去背景具有较强的鲁棒性，特别适用于染色体图像。
进一步，本发明基于语义分割的全卷积神经网络，能够学习到染色体一些的抽象特征，比如染色体的相对长度、清晰度、离散程度等特征，并且对染色体的大小、位置和方向等敏感性更低，从而有助于区分性能的提高。
本发明改变了以往染色体图像处理方法，能够对染色体图像中的染色体以及背景进行精准区分，进而实现染色体图像的增强，图像增强效果好，最大程度上减少了去背景以及杂质带来的误差，工序简洁、合理，可向外大规模推广应用，部署简单。
附图说明
图1为本发明模型结构示图；
图2为待处理的染色体图像；
图3为应用本发明对图2进行去背景的效果图；
图4为应用本发明对图3进行增强的效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案；进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分，对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
一种基于语义分割的染色体图像增强方法，
包括以下步骤：
第一步，得到染色体图像；
第二步，对染色体进行基本的图像处理；
使得染色体图像输入尽可能标准一致，后续网络训练更容易收敛；
第三步，对染色体图像进行语义分割；
判断图像中像素点的类别，即识别出相应像素点是否属于染色体或背景，
进而得出染色体的具体轮廓，实现染色体以及背景的精准区分；
第四步，根据区分结果，对染色体图像进行增强。
本发明通过语义分割卷积神经网络，对染色体图像中像素点的类别进行识别，进而能够指出像素点具体属于染色体还是属于背景，进而能够对染色体图像进行精确区分，实现染色体图像背景以及杂质的去除，对不同类型的染色体图像去背景具有较强的鲁棒性，特别适用于染色体图像。
进一步，本发明基于语义分割的全卷积神经网络，能够学习到染色体一些的抽象特征，比如染色体的相对长度、清晰度、离散程度等特征，并且对染色体的大小、位置和方向等敏感性更低，从而有助于区分性能的提高。
本发明第二步一种具体实施例：
所述第二步，具体包括以下步骤：
a)将染色体图像与mask图像保持比例缩小；
b)对放缩小的图像填充黑色像素；
c)训练深度网络前，对图像进行随机伽马、平移、旋转数据增强操作。
由于染色体图像的质量与样本的染色质量有关，同时受光照影响严重，图像中存在较多杂质，对比度较差，且染色体内明暗相间的带纹使得目标内部灰度分布不均匀。因此必须对染色体图像进行预处理，为后期分析处理做准备。
本发明的形态学操作，主要目的是减少图像由于染色体带纹引起的目标内部灰度差异；用于改善图像的灰度分布。
本发明第三步一种具体实施例：
第三步，具体包括以下步骤：
S1，建立模型结构：模型结构如图1所示；
S2，通过使用Dense Block能够提高模型抽取特征的有效性；
S3，模型的损失函数Loss Function设置为Focal Loss，其定义的数学表达式如下：
其中，α和γ均为可以调节的超参数；y’为模型预测，其值介于(0-1)之间，FocalLoss可以有效解决训练样本的前景与背景极度不平衡的问题；
S4，深度学习模型的训练时，使用ADAM优化器。
a)图1模型结构的卷积模块的输出通道分别为32，64，128，256，128，64，32，1，
图1模型结构的Dense Block的输出通道分别为32，64，64，160；
b)数据增强为在线增强，数据伽马、平移、旋转的概率各为0.3，伽马变换的范围为(0.5，1.5)，上下平移的范围为(0，图像高度/2)，左右平移的范围为(0，图像宽度/2)，图像旋转的角度范围为(0，360)；
c)模型损失函数Focal Loss的α为0.25，γ为2；
d)ADAM优化器的参数分别设置为：β1＝0.9，β2＝0.99；β1系数为指数衰减率，控制权重分配(动量与当前梯度)，通常取接近于1的值；β2系数为指数衰减率，控制之前的梯度平方的影响情况；训练的学习率初始设置为0.01，随着迭代次数增加而递减；训练总迭代次数为250，批量训练的样本大小Batchsize设置为3，样本形状大小为640x480。
本发明第四步一种具体实施例：
第四步，具体包括以下步骤：
a)将染色体图像使用插值进行去噪；
b)将去除背景与噪声的染色体图像进行直方图匹配；
c)对匹配后的染色体图像进行锐化。
a)染色体去噪的插值方式为双线性插值；
b)图像匹配只针对染色体图像部分进行匹配；
c)图像锐化方式为USM锐化。
本发明增设评价***的一种具体实施例：
还包括，对语义分割的染色体图像建立评价***，评价指标选取为：IoU(intersection overunion)，
其定义的数学表达式如下：
其中target表示染色体所占的真实面积，prediction表示实际预测的染色体面积，IOU分数越接近于1，代表预测效果越好。
建立合理的指标评价***，能够及时了解本发明的图像增强效果，进而能够及时对本发明设置参数进行调整。
如图2-4所示，应用本发明对染色体图像进行处理的实施例：
本发明对染色体图像中的染色体以及背景进行精准区分，进而实现染色体图像的增强，图像增强效果好，最大程度上减少了去背景以及杂质带来的误差。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于语义分割的染色体图像增强方法，其特征在于，
包括以下步骤：
第一步，得到染色体图像；
第二步，对染色体进行基本的图像处理；
使得染色体图像输入尽可能标准一致；
第三步，对染色体图像进行语义分割；
判断图像中像素点的类别，即识别出相应像素点是否属于染色体或背景，
进而得出染色体的具体轮廓，实现染色体以及背景的精准区分；
第四步，根据区分结果，对染色体图像进行增强。
2.如权利要求1所述的一种基于语义分割的染色体图像增强方法，其特征在于，
所述第二步，具体包括以下步骤：
a)将染色体图像与mask图像保持比例缩小；
b)对放缩小的图像填充黑色像素；
c)训练深度网络前，对图像进行随机伽马、平移、旋转数据增强操作。
3.如权利要求1所述的一种基于语义分割的染色体图像增强方法，其特征在于，
第三步，具体包括以下步骤：
S1，建立模型结构；
S2，通过使用Dense Block能够提高模型抽取特征的有效性；
S3，模型的损失函数Loss Function设置为Focal Loss，其定义的数学表达式如下：
其中，α和γ均为能够调节的超参数；y’为模型预测，其值介于(0-1)之间，Focal Loss能够有效解决训练样本的前景与背景极度不平衡的问题；
S4，深度学习模型的训练时，使用ADAM优化器。
4.如权利要求3所述的一种基于语义分割的染色体图像增强方法，其特征在于，
a)模型结构的卷积模块的输出通道分别为32，64，128，256，128，64，32，1，模型结构的Dense Block的输出通道分别为32，64，64，160；
b)数据增强为在线增强，数据伽马、平移、旋转的概率各为0.3，伽马变换的范围为(0.5，1.5)，上下平移的范围为(0，图像高度/2)，左右平移的范围为(0，图像宽度/2)，图像旋转的角度范围为(0，360)；
c)模型损失函数Focal Loss的α为0.25，γ为2；
d)ADAM优化器的参数分别设置为：β1＝0.9，β2＝0.99；β1系数为指数衰减率，控制权重分配，通常取接近于1的值；β2系数为指数衰减率，控制之前的梯度平方的影响情况；训练的学习率初始设置为0.01，随着迭代次数增加而递减；训练总迭代次数为250，批量训练的样本大小Batchsize设置为3，样本形状大小为640x480。
5.如权利要求1-4任一所述的一种基于语义分割的染色体图像增强方法，其特征在于，
第四步，具体包括以下步骤：
a)将染色体图像使用插值进行去噪；
b)将去除背景与噪声的染色体图像进行直方图匹配；
c)对匹配后的染色体图像进行锐化。
6.如权利要求5所述的一种基于语义分割的染色体图像增强方法，其特征在于，
a)染色体去噪的插值方式为双线性插值；
b)图像匹配只针对染色体图像部分进行匹配；
c)图像锐化方式为USM锐化。
7.如权利要求6所述的一种基于语义分割的染色体图像增强方法，其特征在于，
还包括，对语义分割的染色体图像建立评价***，评价指标选取为：IoU，其定义的数学表达式如下：
其中target表示染色体所占的真实面积，prediction表示实际预测的染色体面积，IOU分数越接近于1，代表预测效果越好。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010061810.3A CN111311600A (zh) | 2020-01-16 | 2020-01-16 | 一种基于语义分割的染色体图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010061810.3A CN111311600A (zh) | 2020-01-16 | 2020-01-16 | 一种基于语义分割的染色体图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111311600A true CN111311600A (zh) | 2020-06-19 |
Family
ID=71154546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010061810.3A Pending CN111311600A (zh) | 2020-01-16 | 2020-01-16 | 一种基于语义分割的染色体图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311600A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734211A (zh) * | 2018-05-17 | 2018-11-02 | 腾讯科技（深圳）有限公司 | 图像处理的方法和装置 |
| US20190105009A1 (en) * | 2017-10-10 | 2019-04-11 | Holo Surgical Inc. | Automated segmentation of three dimensional bony structure images |
| CN110009556A (zh) * | 2018-01-05 | 2019-07-12 | 广东欧珀移动通信有限公司 | 图像背景虚化方法、装置、存储介质及电子设备 |
| CN110390312A (zh) * | 2019-07-29 | 2019-10-29 | 北京航空航天大学 | 基于卷积神经网络的染色体自动分类方法和分类器 |
| CN110689525A (zh) * | 2019-09-09 | 2020-01-14 | 上海中医药大学附属龙华医院 | 基于神经网络识别***的方法及装置 |
-
2020
- 2020-01-16 CN CN202010061810.3A patent/CN111311600A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190105009A1 (en) * | 2017-10-10 | 2019-04-11 | Holo Surgical Inc. | Automated segmentation of three dimensional bony structure images |
| CN110009556A (zh) * | 2018-01-05 | 2019-07-12 | 广东欧珀移动通信有限公司 | 图像背景虚化方法、装置、存储介质及电子设备 |
| CN108734211A (zh) * | 2018-05-17 | 2018-11-02 | 腾讯科技（深圳）有限公司 | 图像处理的方法和装置 |
| CN110390312A (zh) * | 2019-07-29 | 2019-10-29 | 北京航空航天大学 | 基于卷积神经网络的染色体自动分类方法和分类器 |
| CN110689525A (zh) * | 2019-09-09 | 2020-01-14 | 上海中医药大学附属龙华医院 | 基于神经网络识别***的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533684B (zh) | 一种染色体核型图像切割方法 | |
| CN111507994B (zh) | 一种人像提取方法、人像提取装置及移动终端 | |
| CN112750106B (zh) | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 | |
| CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
| CN111325711A (zh) | 一种基于深度学习的染色体***相图像质量评价方法 | |
| CN115661144A (zh) | 基于可变形U-Net的自适应医学图像分割方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
| CN116310845B (zh) | 一种用于污水处理的智能监测*** | |
| CN113537037A (zh) | 路面病害识别方法、***、电子设备及存储介质 | |
| CN113052215A (zh) | 基于神经网络可视化的声呐图像自动目标识别方法 | |
| CN113505702A (zh) | 基于双神经网络优化的路面病害识别方法及*** | |
| CN115601330A (zh) | 一种基于多尺度空间反向注意力机制的结肠息肉分割方法 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN117173201A (zh) | 二阶微分图像分割方法、***、介质和设备 | |
| CN115223032A (zh) | 一种基于图像处理和神经网络融合的水生物识别与匹配方法 | |
| CN111310754A (zh) | 一种分割车牌字符的方法 | |
| CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
| CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
| CN111881748A (zh) | 一种基于vbai平台建模的车道线视觉识别方法和*** | |
| CN112288765A (zh) | 一种用于车载红外行人检测跟踪的图像处理方法 | |
| CN111311600A (zh) | 一种基于语义分割的染色体图像增强方法 | |
| CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
| CN111612802A (zh) | 一种基于现有图像语义分割模型的再优化训练方法及应用 | |
| CN113936133A (zh) | 一种面向目标检测的自适应数据增强方法 | |
| CN111325706A (zh) | 一种晶界提取、晶界提取模型生成方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
| RJ01 | Rejection of invention patent application after publication |