CN109190567A - 基于深度卷积神经网络的异常宫颈细胞自动检测方法 - Google Patents
基于深度卷积神经网络的异常宫颈细胞自动检测方法 Download PDFInfo
- Publication number
- CN109190567A CN109190567A CN201811048234.8A CN201811048234A CN109190567A CN 109190567 A CN109190567 A CN 109190567A CN 201811048234 A CN201811048234 A CN 201811048234A CN 109190567 A CN109190567 A CN 109190567A
- Authority
- CN
- China
- Prior art keywords
- cell
- cervical
- cells
- abnormal
- convolutional neural
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 title abstract 3
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013526 transfer learning Methods 0.000 claims abstract description 5
- 210000004027 cell Anatomy 0.000 claims description 147
- 238000000034 method Methods 0.000 claims description 24
- 210000000270 basal cell Anatomy 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 4
- 210000000440 neutrophil Anatomy 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000002035 prolonged effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010827 pathological analysis Methods 0.000 abstract description 3
- 230000002380 cytological effect Effects 0.000 abstract 1
- 238000013508 migration Methods 0.000 abstract 1
- 230000005012 migration Effects 0.000 abstract 1
- 210000003855 cell nucleus Anatomy 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 2
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 2
- 201000010881 cervical cancer Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000009595 pap smear Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- 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 Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度卷积神经网络的异常宫颈细胞自动检测方法，主要包括以下步骤：（1）TCT宫颈细胞图片的人工标注；（2）已标注细胞图片的分割；（3）分割后细胞的多分类；（4）各类别细胞图片在迁移模型中的训练；（5）对待检测细胞图片的分割、识别、定位；（6）对于异常细胞团的再分割处理和识别。本发明所述的异常宫颈细胞自动检测方法将分割后的细胞分为9类，采用迁移学习方式进行训练，得到拟合较好的多分类模型。该模型可以对未标记的源宫颈细胞图片进行识别、筛选和准确定位，并对检测到的异常细胞做再次分割处理和识别，提升了检测的准确率。本发明在宫颈细胞病理诊断领域具有较好的辅助效果。
Description
技术领域
本发明属于宫颈细胞病理诊断领域，具体涉及到一种基于深度卷积神经网络的异常宫颈细胞自动检测方法。
背景技术
近年来宫颈癌高发，已经成为威胁女性生命的社会问题。目前有效的宫颈癌诊断方法是宫颈涂片病理检查，该方法需要病理医生通过显微镜观察发现病变细胞后作出诊断。这一方面需要耗费大量的人力物力，另一方面诊断的准确性容易受到医生主观因素或视觉疲劳的影响。因此自动化的宫颈细胞病理诊断技术变得越来越重要。
现有的宫颈细胞识别技术通常以精细分割和特征提取为主，然而由于显微镜中采集的细胞图像的重叠、不规则、染色不均等问题的存在，给细胞的精细分割带来了很大的困难，同时特征提取的过程中会存在无法提取有效特征或过多引入无效特征的问题，无法取得很好的效果。
对于现有的异常宫颈细胞自动检测技术，大多采用阴性、阳性二分类去做识别检测，由于异常宫颈细胞和基底细胞的相似性以及细胞团的难以辨别性，导致分类效果不理想。且当前的细胞分类主要都针对于单个细胞，对于细胞团没有做过多的处理，导致细胞团的检测效果不理想。同时，现存的异常宫颈细胞自动识别方法主要都以分类为主，要求输入是分割处理后的图片，对于宫颈细胞的初始采集样本不能直接进行处理，不能达到异常宫颈细胞的识别与定位的直接目的。
发明内容
本发明针对现有技术的不足，提出一种基于深度卷积神经网络的异常宫颈细胞自动检测方法。
本发明解决其技术问题所采用的技术方案主要包括如下步骤：
步骤1：对获取的源宫颈细胞图像进行人工标注，获得包含异常宫颈细胞标注位置信息的文件。
步骤2：根据标注所得文件和源宫颈细胞图像进行分割处理；
1）采用阈值法首先分割细胞团：根据分割的位置信息和标注文件中的位置信息进行对比，判断是否属于异常宫颈细胞团，后以该位置信息分割出299´299的宫颈细胞团，阈值分割公式如下所示：
， （1）
其中，表示目标图像中像素的灰度值，表示源图像中像素的灰度值，表示所取的阈值。
2）采用自适应阈值法分割出离散细胞：首先确定细胞核的位置，将细胞核位置信息和标注文件中的位置信息进行对比，判断是否属于异常细胞，然后以细胞核为中心分割出299´299大小的细胞图片。
步骤3：结合细胞病理学和计算机技术相关知识，对分割后的细胞做分类处理，细胞团主要包括阴性宫颈细胞团和阳性宫颈细胞团两部分；离散细胞主要分为阴性单个鳞状细胞、阴性单个基底细胞、中性粒、阴性重叠鳞状细胞、阴性重叠基底细胞、杂质和阳性宫颈细胞。
步骤4：对上述得到的各类细胞图片做翻转、对比度变换等处理，扩大数据的样本量，平衡各个不同类别中的细胞图像数量。
步骤5：将在ImageNet上预先训练过的卷积神经网络模型进行更改，保留模型中所有卷积层的参数，修改最后的全连接层，采用交叉熵损失函数，公式表示如下所示
， （2）
其中，表示样本数量，表示参数集合，表示所求的损失函数， 表示样本的标签， 表示样本的假设函数。
采用随机梯度下降优化算法，具体公式表示如下：
， （3）
其中，表示所求参数， 表示损失函数的梯度，表示学习率，神经网络采用dropout方式，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，能够有效防止过拟合。同时采用迁移学习方式，将上述步骤得到的各类细胞图片输入修改后的卷积神经网络模型进行训练，并对最终拟合较好的深度卷积神经网络模型进行存储。
步骤6：将任意一张未标注的源宫颈细胞图片输入微调后的卷积神经网络模型中，可以正确的识别出阳性宫颈细胞的位置并加以标记，接下来对标记出的阳性宫颈细胞区域根据位置信息进行比对筛选，对于有重复覆盖的细胞进行过滤处理，保证源宫颈细胞图片中阳性宫颈细胞定位的准确性。
步骤7：对于卷积网络模型识别到的异常细胞或异常细胞团，作进一步处理。首先确定是否为细胞团，若为离散细胞则当前不做任何处理；若为细胞团则采用自适应阈值法做处理，首先确定细胞团中细胞核的位置，然后以细胞核为中心采用分水岭算法进行单细胞的分割。根据得到的单细胞，进行细胞核大小、形状、颜色以及核浆比等参数的计算，进一步确定细胞所属类别。
本发明的有益效果：
本发明摒弃了传统的阴性、阳性二分类方法，结合细胞病理学和计算机技术相关知识，将分割细胞后的细胞做多分类处理，相较于二分类方法有较高的识别率。由于医学数据本身难以获取，而训练深层次的神经网络框架需要大量的带标签数据，所以本发明采用迁移学习方式，将经过ImageNet预先训练后的模型修改为一个可以满足宫颈细胞多分类的网络模型，并且依此网络模型根据现有数据可以训练出拟合度较好的多分类模型。该多分类模型可直接对未标注的源宫颈细胞图片进行识别，检测出其中阳性细胞并予以定位。对于卷积网络检测到的异常细胞团，作进一步的分割处理，并计算相关参数进行识别，进一步提升了检测结果的准确性。本发明在宫颈细胞病理诊断领域具有较好的辅助效果。
附图说明
图1是源宫颈细胞图像标注分割过程图；
图2是细胞分类图像，总共分为9类，分别是：阴性宫颈细胞团，阳性宫颈细胞团，阴性单个鳞状细胞，阴性单个基底细胞，阴性重叠鳞状细胞，阴性重叠基底细胞，中性粒细胞，杂质，阳性宫颈细胞；
图3是深度卷积神经网络模型的训练检测示意图。
具体实施方式
以下结合附图对本发明进一步说明。
如图所示，基于深度卷积神经网络的宫颈细胞自动检测方法，具体实现步骤如下：
步骤1：如图1所示，对获取的源宫颈细胞图像进行人工标注异常宫颈细胞，获得包含异常细胞标注位置信息的文件。
步骤2：如图1所示，根据标注所得文件和源宫颈细胞图像进行分割处理；
1）采用阈值法首先分割细胞团，根据分割的位置信息和标注文件中的位置信息进行对比，判断是否属于异常细胞，后以该位置信息分割出299´299的宫颈细胞团，阈值分割公式如下所示：
， （4）
其中，表示目标图像中像素的灰度值，表示源图像中像素的灰度值，表示所取的阈值。
2）采用自适应阈值法分割离散细胞，首先确定细胞核的位置信息，将细胞核位置信息和标注文件中的位置信息进行对比，判断是否属于异常细胞，然后以细胞核为中心分割出299´299大小的细胞图片。
步骤3：对分割后的细胞做分类处理，细胞团主要包括阴性宫颈细胞团和阳性宫颈细胞团两部分；离散细胞主要分为阴性单个鳞状细胞、阴性单个基底细胞、中性粒、阴性重叠鳞状细胞、阴性重叠基底细胞、杂质和阳性宫颈细胞。细胞分类图像如图2所示。
步骤4：对上述得到的各类细胞图片做翻转、对比度变换等处理，扩大数据的样本量，平衡各个不同类别中的细胞图像数量。
步骤5：如图3的预训练过程所示，将在ImageNet上预先训练过的卷积神经网络模型进行更改，保留模型中所有卷积层的参数，修改最后的全连接层，采用交叉熵损失函数，公式表示如下所示
， （5）
其中，表示样本数量，表示参数集合，表示所求的损失函数， 表示样本的标签， 表示样本的假设函数。
采用随机梯度下降优化算法，具体公式表示如下：
， （6）
其中，表示所求参数， 表示损失函数的梯度，表示学习率，神经网络采用dropout方式，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，能够有效防止过拟合。如图3的训练过程所示，同时采用迁移学习方式，将上述步骤得到的各类宫颈细胞图片输入修改后的卷积神经网络模型进行训练，并对最终拟合较好的卷积神经网络模型进行存储。
步骤6：如图3检测过程所示，将任意一张待检测的源宫颈细胞图片输入微调后的卷积神经网络模型中，可以正确的识别出异常宫颈细胞的位置并加以标记，接下来对标记出的异常宫颈细胞区域根据位置信息进行比对筛选，对于有重复覆盖的细胞进行过滤，保证源宫颈细胞图片中异常宫颈细胞定位的准确性。
步骤7：对于卷积网络模型识别到的异常细胞或异常细胞团，作进一步处理。首先确定是否为细胞团，若为离散细胞则当前不做任何处理；若为细胞团则采用自适应阈值法做处理，首先确定细胞团中细胞核的位置，然后以细胞核为中心采用分水岭算法进行单细胞的分割。根据分割得到的单细胞，进行细胞核大小、形状、颜色以及核浆比等参数的计算，进一步确定细胞所属类别。
Claims (6)
1.基于深度卷积神经网络的异常宫颈细胞自动检测方法，其特征在于包括如下步骤：
步骤1：对获取的源宫颈细胞图像进行人工标注；
步骤2：根据标注所得信息对源宫颈细胞图像进行分割；
步骤3：对分割后的细胞进行分类；
步骤4：对上述得到的各类细胞图片进行预处理；
步骤5：采用迁移学习方式，将上述处理后的细胞输入更改后的预训练模型进行训练；
步骤6：将一张待检测的源宫颈细胞图片输入模型可以正确地检测出异常细胞位置；
步骤7：对异常细胞团作进一步的分割处理，对分割得到的单细胞进行细胞核大小、形状、颜色以及核浆比等参数的计算，进一步确定细胞所属类别。
2.根据权利要求1所述的基于深度卷积神经网络的异常宫颈细胞自动检测方法，其特征在于：对于源宫颈细胞图片，采用阈值分割获取细胞团，自适应阈值法获取离散细胞，具体公式如下所示：
， （1）
其中，表示目标图像中像素的灰度值，表示源图像中像素的灰度值，表示所取的阈值。
3.根据权利要求1所述的基于深度卷积神经网络的异常宫颈细胞自动检测方法，其特征在于：结合细胞病理学和计算机技术相关知识，对分割后的细胞图像做多分类处理，细胞团主要为宫颈细胞团，其中包括阴性和阳性两部分；离散细胞主要分为阴性单个鳞状细胞、阴性单个基底细胞、中性粒、阴性重叠鳞状细胞、阴性重叠基底细胞、杂质和阳性宫颈细胞。
4.根据权利要求1所述的基于深度卷积神经网络的异常宫颈细胞自动检测方法，其特征在于：在卷积神经网络的训练过程中，采用dropout方法，虽然训练时间有一定的延长，但有效的防止了过拟合。
5.根据权利要求1所述的基于深度卷积神经网络的异常宫颈细胞自动检测方法，其特征在于：通过输入任意一张未标记的源宫颈细胞图片，该多分类模型可以正确的识别出异常宫颈细胞的位置区域并加以标记，并对于有重复覆盖的细胞区域进行过滤，保证异常宫颈细胞的正确识别和准确定位。
6.根据权利要求1所述的基于深度卷积神经网络的异常宫颈细胞自动检测方法，其特征在于：对于检测得到的异常宫颈细胞团，做进一步的分割处理，通过对得到的单细胞做参数计算，进一步提升了检测结果的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811048234.8A CN109190567A (zh) | 2018-09-10 | 2018-09-10 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811048234.8A CN109190567A (zh) | 2018-09-10 | 2018-09-10 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109190567A true CN109190567A (zh) | 2019-01-11 |
Family
ID=64915532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811048234.8A Pending CN109190567A (zh) | 2018-09-10 | 2018-09-10 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190567A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815945A (zh) * | 2019-04-01 | 2019-05-28 | 上海徒数科技有限公司 | 一种基于图像识别的呼吸道检查结果判读系统和方法 |
| CN109948429A (zh) * | 2019-01-28 | 2019-06-28 | 上海依智医疗技术有限公司 | 图像分析方法、装置、电子设备及计算机可读介质 |
| CN110009050A (zh) * | 2019-04-10 | 2019-07-12 | 杭州智团信息技术有限公司 | 一种细胞的分类方法及装置 |
| CN110060244A (zh) * | 2019-04-15 | 2019-07-26 | 深圳市麦迪普科技有限公司 | 基于深度学习神经网络的细胞检测与分割的系统和方法 |
| CN110378313A (zh) * | 2019-07-26 | 2019-10-25 | 玖壹叁陆零医学科技南京有限公司 | 细胞团识别方法、装置及电子设备 |
| CN110415212A (zh) * | 2019-06-18 | 2019-11-05 | 平安科技（深圳）有限公司 | 异常细胞检测方法、装置及计算机可读存储介质 |
| CN110598561A (zh) * | 2019-08-15 | 2019-12-20 | 平安科技（深圳）有限公司 | 基于机器学习的细胞玻片分析方法、装置及存储介质 |
| CN110675411A (zh) * | 2019-09-26 | 2020-01-10 | 重庆大学 | 基于深度学习的宫颈鳞状上皮内病变识别算法 |
| CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
| CN111126162A (zh) * | 2019-11-28 | 2020-05-08 | 东软集团股份有限公司 | 一种识别图像中炎症细胞的方法、装置及存储介质 |
| CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
| CN111612027A (zh) * | 2019-02-26 | 2020-09-01 | 沛智生医科技股份有限公司 | 细胞分类方法、系统与医疗分析平台 |
| CN111783571A (zh) * | 2020-06-17 | 2020-10-16 | 陕西中医药大学 | 一种宫颈细胞自动分类模型建立及宫颈细胞自动分类方法 |
| CN111833354A (zh) * | 2020-07-21 | 2020-10-27 | 哈尔滨理工大学 | 一种基于深度学习的宫颈细胞图像分割系统 |
| CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
| CN112365471A (zh) * | 2020-11-12 | 2021-02-12 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
| CN112884725A (zh) * | 2021-02-02 | 2021-06-01 | 杭州迪英加科技有限公司 | 针对用于细胞判别的神经网络模型输出结果的修正方法 |
| CN113111926A (zh) * | 2021-03-31 | 2021-07-13 | 南京华晟医学检验实验室有限公司 | 基于tct制片的异常宫颈血细胞筛选方法 |
| CN113178228A (zh) * | 2021-05-25 | 2021-07-27 | 郑州中普医疗器械有限公司 | 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质 |
| CN113295692A (zh) * | 2021-05-25 | 2021-08-24 | 郑州中普医疗器械有限公司 | 基于细胞核dna和tbs双分析法的细胞分析方法、计算机设备、存储介质 |
| CN113378967A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
| WO2021227708A1 (zh) * | 2020-05-09 | 2021-11-18 | 腾讯科技（深圳）有限公司 | 识别待检测样本中异常细胞的方法、设备和存储介质 |
| CN114037868A (zh) * | 2021-11-04 | 2022-02-11 | 杭州医策科技有限公司 | 图像识别模型的生成方法及装置 |
| CN115100646A (zh) * | 2022-06-27 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 细胞图像高清晰快速拼接识别标记方法 |
| CN116309280A (zh) * | 2022-12-16 | 2023-06-23 | 上海药明康德新药开发有限公司 | 一种淋巴细胞标注方法和系统 |
-
2018
- 2018-09-10 CN CN201811048234.8A patent/CN109190567A/zh active Pending
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948429A (zh) * | 2019-01-28 | 2019-06-28 | 上海依智医疗技术有限公司 | 图像分析方法、装置、电子设备及计算机可读介质 |
| CN111612027A (zh) * | 2019-02-26 | 2020-09-01 | 沛智生医科技股份有限公司 | 细胞分类方法、系统与医疗分析平台 |
| CN109815945B (zh) * | 2019-04-01 | 2024-04-30 | 上海徒数科技有限公司 | 一种基于图像识别的呼吸道检查结果判读系统和方法 |
| CN109815945A (zh) * | 2019-04-01 | 2019-05-28 | 上海徒数科技有限公司 | 一种基于图像识别的呼吸道检查结果判读系统和方法 |
| CN110009050A (zh) * | 2019-04-10 | 2019-07-12 | 杭州智团信息技术有限公司 | 一种细胞的分类方法及装置 |
| CN110060244A (zh) * | 2019-04-15 | 2019-07-26 | 深圳市麦迪普科技有限公司 | 基于深度学习神经网络的细胞检测与分割的系统和方法 |
| CN110060244B (zh) * | 2019-04-15 | 2023-07-14 | 深圳市麦迪普科技有限公司 | 基于深度学习神经网络的细胞检测与分割的系统和方法 |
| CN110415212A (zh) * | 2019-06-18 | 2019-11-05 | 平安科技（深圳）有限公司 | 异常细胞检测方法、装置及计算机可读存储介质 |
| CN110378313A (zh) * | 2019-07-26 | 2019-10-25 | 玖壹叁陆零医学科技南京有限公司 | 细胞团识别方法、装置及电子设备 |
| CN110378313B (zh) * | 2019-07-26 | 2021-05-18 | 玖壹叁陆零医学科技南京有限公司 | 细胞团识别方法、装置及电子设备 |
| CN110598561A (zh) * | 2019-08-15 | 2019-12-20 | 平安科技（深圳）有限公司 | 基于机器学习的细胞玻片分析方法、装置及存储介质 |
| CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
| CN110675411A (zh) * | 2019-09-26 | 2020-01-10 | 重庆大学 | 基于深度学习的宫颈鳞状上皮内病变识别算法 |
| CN110675411B (zh) * | 2019-09-26 | 2023-05-16 | 重庆大学 | 基于深度学习的宫颈鳞状上皮内病变识别算法 |
| CN111126162A (zh) * | 2019-11-28 | 2020-05-08 | 东软集团股份有限公司 | 一种识别图像中炎症细胞的方法、装置及存储介质 |
| CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
| WO2021227708A1 (zh) * | 2020-05-09 | 2021-11-18 | 腾讯科技（深圳）有限公司 | 识别待检测样本中异常细胞的方法、设备和存储介质 |
| CN111783571A (zh) * | 2020-06-17 | 2020-10-16 | 陕西中医药大学 | 一种宫颈细胞自动分类模型建立及宫颈细胞自动分类方法 |
| CN111833354A (zh) * | 2020-07-21 | 2020-10-27 | 哈尔滨理工大学 | 一种基于深度学习的宫颈细胞图像分割系统 |
| CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
| CN112365471A (zh) * | 2020-11-12 | 2021-02-12 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
| CN112365471B (zh) * | 2020-11-12 | 2022-06-24 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
| CN112884725A (zh) * | 2021-02-02 | 2021-06-01 | 杭州迪英加科技有限公司 | 针对用于细胞判别的神经网络模型输出结果的修正方法 |
| CN113111926A (zh) * | 2021-03-31 | 2021-07-13 | 南京华晟医学检验实验室有限公司 | 基于tct制片的异常宫颈血细胞筛选方法 |
| CN113295692A (zh) * | 2021-05-25 | 2021-08-24 | 郑州中普医疗器械有限公司 | 基于细胞核dna和tbs双分析法的细胞分析方法、计算机设备、存储介质 |
| CN113178228A (zh) * | 2021-05-25 | 2021-07-27 | 郑州中普医疗器械有限公司 | 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质 |
| CN113295692B (zh) * | 2021-05-25 | 2024-06-21 | 郑州中普医疗器械有限公司 | 基于细胞核dna和tbs双分析法的细胞分析方法、计算机设备、存储介质 |
| CN113378967A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
| CN113378967B (zh) * | 2021-06-28 | 2022-11-08 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
| CN114037868A (zh) * | 2021-11-04 | 2022-02-11 | 杭州医策科技有限公司 | 图像识别模型的生成方法及装置 |
| CN115100646A (zh) * | 2022-06-27 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 细胞图像高清晰快速拼接识别标记方法 |
| CN115100646B (zh) * | 2022-06-27 | 2023-01-31 | 武汉兰丁智能医学股份有限公司 | 细胞图像高清晰快速拼接识别标记方法 |
| CN116309280A (zh) * | 2022-12-16 | 2023-06-23 | 上海药明康德新药开发有限公司 | 一种淋巴细胞标注方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190567A (zh) | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 | |
| CN110334706B (zh) | 一种图像目标识别方法及装置 | |
| William et al. | Cervical cancer classification from Pap-smears using an enhanced fuzzy C-means algorithm | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
| CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
| CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
| 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 | |
| CN109492706B (zh) | 一种基于循环神经网络的染色体分类预测装置 | |
| JP2011527055A (ja) | 有糸分裂像検出装置および計数システム、および有糸分裂像を検出して計数する方法 | |
| US10769432B2 (en) | Automated parameterization image pattern recognition method | |
| CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
| CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
| CN112508889B (zh) | 一种染色体核型分析系统 | |
| CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
| CN107730499A (zh) | 一种基于nu‑支持向量机的白细胞分类方法 | |
| CN108961301B (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
| CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
| CN114283407A (zh) | 一种自适应的白细胞自动分割、亚类检测方法及系统 | |
| JP7326316B2 (ja) | 細胞学的試料中の少なくとも１つの異常を有する細胞を検出するための方法 | |
| CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
| CN112036384A (zh) | 精子头部形态识别方法、装置及设备 | |
| Ding et al. | Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model | |
| CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
| CN111429461A (zh) | 一种新型的重叠脱落上皮细胞分割方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190111 |
|
| WD01 | Invention patent application deemed withdrawn after publication |