【技术实现步骤摘要】
本专利技术涉及基于全局上下文感知双流深度学习的类器官自动标注方法，属于计算机视觉、深度学习。
技术介绍
1、近年来，类器官(organoid)由于其能够最大程度地模拟体内组织结构及功能并能够长期稳定传代培养，已经成为研究热点。类器官是体外分化培养的细胞培养物，可以通过与对应器官的类似的空间组织重现对应器官的部分功能，从而提供一个高度生理相关系统。类器官技术在诸多方面有着巨大的潜力，包括发育生物学、疾病病理学、细胞生物学、再生机制、精准医疗以及药物毒性和药效试验。其中，在类器官明场图像中标注出类器官是质量控制检测中相当重要的一步。然而现存的方法一般采用人工标注，费时费力，且存在主观性，很难保证类器官的高效精准标注。
2、最近，深度学习算法在医学图像标注中取得了巨大的成功，大量的研究致力于病灶标注、细胞标注和器官标注等任务中。然而，面向明场图像的类器官标注算法亟需开发。同时，由于类器官明场图像的对比度低，且类器官的大小、形状、密度差异巨大，现存的深度学习算法缺乏提取全局先验信息的能力，缺乏从多任务辅助学习优化提取特征的能力，故限...
【技术保护点】
1.一种类器官自动标注方法，其特征在于，所述方法包括：
2.根据权利要求1所述的类器官自动标注方法，其特征在于，所述类器官标注模型的训练过程包括：
3.根据权利要求1所述的类器官自动标注方法，其特征在于，所述Whole-image特征编码器和Patch特征编码器均包括四个子模块，每个子模块包括依次连接的两个卷积层、一个ReLU激活函数、一个批标准化层、一个最大池化层和一个残差连接层。
4.根据权利要求1所述的类器官自动标注方法，其特征在于，所述关系图卷积神经网络包括：两个图卷积层，定义图节点个数为N，提取的块特征向量为x，则第i块和...
【技术特征摘要】
1.一种类器官自动标注方法，其特征在于，所述方法包括：
2.根据权利要求1所述的类器官自动标注方法，其特征在于，所述类器官标注模型的训练过程包括：
3.根据权利要求1所述的类器官自动标注方法，其特征在于，所述whole-image特征编码器和patch特征编码器均包括四个子模块，每个子模块包括依次连接的两个卷积层、一个relu激活函数、一个批标准化层、一个最大池化层和一个残差连接层。
4.根据权利要求1所述的类器官自动标注方法，其特征在于，所述关系图卷积神经网络包括：两个图卷积层，定义图节点个数为n，提取的块特征向量为x，则第i块和第j块之间的关系度量可以表示为：
5.根据权利要求1所述的类器官自动标注方法，其特征在于，所述特征融合模块包括：concatenation操作、三个卷积层、一个批标准化层、一个relu激活函数和一个残差...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。