CN102239402A - 用于颗粒分析的非线性的直方图分割 - Google Patents
用于颗粒分析的非线性的直方图分割 Download PDFInfo
- Publication number
- CN102239402A CN102239402A CN2009801490274A CN200980149027A CN102239402A CN 102239402 A CN102239402 A CN 102239402A CN 2009801490274 A CN2009801490274 A CN 2009801490274A CN 200980149027 A CN200980149027 A CN 200980149027A CN 102239402 A CN102239402 A CN 102239402A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- dimensional image
- module
- seed population
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 title abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 81
- 238000001514 detection method Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 28
- 230000009977 dual effect Effects 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 18
- 239000000523 sample Substances 0.000 claims description 17
- 238000000926 separation method Methods 0.000 claims description 15
- 239000012472 biological sample Substances 0.000 claims description 13
- 210000004369 blood Anatomy 0.000 claims description 11
- 239000008280 blood Substances 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 9
- 238000012797 qualification Methods 0.000 claims description 7
- 238000000149 argon plasma sintering Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 16
- 210000001616 monocyte Anatomy 0.000 description 12
- 210000000440 neutrophil Anatomy 0.000 description 12
- 238000002360 preparation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 210000004698 lymphocyte Anatomy 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 210000000222 eosinocyte Anatomy 0.000 description 8
- 230000004069 differentiation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 210000000265 leukocyte Anatomy 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects thereof, e.g. conductivity or capacity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N15/1429—Electro-optical investigation, e.g. flow cytometers using an analyser being characterised by its signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
-
- G01N2015/1019—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N2015/1477—Multiparameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N2015/1488—Methods for deciding
Abstract
提供了用于颗粒分析的非线性的直方图分割的系统和方法。在一个实施例中,一种用于分析颗粒的方法包括:基于颗粒的两个选择的参数建立初始的二维直方图,过滤初始的二维直方图以产生过滤的二维图像,检测过滤的二维图像中的多个种子种群,产生一个以上的线性轮廓线以分离检测的种子种群,每个线性轮廓线具有多个轮廓点,和调整至少一个线性轮廓线中的轮廓点以分离检测的种子种群。
Description
技术领域
本发明的实施例概括地涉及颗粒分析和分组的系统和方法。更特别地,本发明的实施例涉及用于使用二维直方图对颗粒进行分类的系统和方法,该二维直方图由来自与颗粒的物理特性有关的数据建立。
背景技术
诸如血液学分析器或流式细胞仪的粒子分析器处理生物样品用于颗粒分析。它们测量生物样品中的生物颗粒的物理特性用于分析。示范性的物理特性测量是电光学测量。测量的物理特性可以被视为多维空间。多维空间中的每个维对应于测量的物理特性。共有类似物理特性的颗粒在多维空间中集合成群集。每个群集对应于特定的颗粒种群。归因于颗粒的统计分布和包括的多个维,通过自动的方法或算法识别这种群集的处理通常是复杂的任务。
减低这种复杂性的一个方式是使用多维空间的二维(2D)投影以执行颗粒的分类或区分。例如,图1A和1B图示了用于正常的全血样品中包含的白细胞亚群的血液学数据的两个常规的2D投影。例如,2D投影可以是从多维颗粒分析数据获得的2D直方图。2D直方图包含一组二维二进制数据(two-dimensional bins)。每个二进制数据积聚在二进制数据的位置处出现的颗粒事件。该积聚值表示在该位置处投射的颗粒密度或计数。例如,这个计数可以是具有与该二进制数据位置相对应的数据值的颗粒数的计数。
在图1A中,图像110是RLS(旋转光散射)-DC(直流电)维上的血液学数据的正交投影。在图像110中,像素分组(或群集)112、114和116对应于白血球种群,并且特别是分别对应于单核白细胞、嗜中性白细胞和嗜曙红细胞。群集118对应于淋巴细胞和嗜碱细胞种群。在图1B中,图像120是OP(不透明性)-DC维上的相同血液学数据的正交投影。不透明性是作为DC和RF(射频)的函数获得的参数。在图像120中,群集122对应于单核白细胞种群,群集124对应于嗜中性白细胞、嗜曙红细胞和嗜碱细胞种群,以及群集128对应于淋巴细胞种群。
常规算法基于多个一维(1D)直方图的分析,应用分割方法以使2D投影中的群集分离。1D直方图包含一组一维二进制数据,该一组一维二进制数据在沿着那个维的二进制数据的位置处积聚颗粒事件。积聚值表示那个维中的颗粒密度或计数。例如,在一个常规技术中,在多个1D直方图上执行振幅分析。分析结果被结合以产生2D分割。如图1A和1B所示,白细胞亚群之中的形态和关系是对正常样品的很好的限定。
然而,在生物颗粒的形态、内部结构和成熟处理中的变化可以改变群集在2D直方图中的位置、大小和形状。这些改变对常规的分割处理带来了额外的复杂性。当颗粒种群之中的移位和重叠发生时,这个尤其地真实。例如,图2A、2B、3A和3B图示了来自两个具有大量重叠的单核白细胞和嗜中性细胞种群的异常血液样品的数据的正交投影。在这些图中,图像210和310是在RLS-DC维上的正交投影,以及图像220和320是在OP-DC维上的正交投影。在图像210中,群集212对应于单核白细胞和嗜中性白细胞种群。群集216对应于嗜曙红细胞种群。群集218对应于淋巴细胞和嗜碱细胞种群。在图像220中,群集222对应于单核白细胞、嗜中性白细胞、嗜曙红细胞和嗜碱细胞种群,以及群集228对应于淋巴细胞种群。在图像310中,群集312对应于单核白细胞和嗜中性白细胞种群。群集316对应于嗜曙红细胞种群。群集318对应于淋巴细胞和嗜碱细胞种群。在图像320中,群集322对应于单核白细胞、嗜中性白细胞、嗜曙红细胞和嗜碱细胞种群,以及群集328对应于淋巴细胞种群。在这个实例中,通常与单核白细胞和嗜中性白细胞种群有关的群集落入过渡区域。因此,这些种群不能一贯地被识别。
对于事件可能落入诸如图2A中的区域212、图2B中的区域222、图3A中的区域312和图3B中的区域322的过渡区域,有两个一般的理由。第一,如图2A和2B所示,事件可以对应于在区域212和222处的大量重叠的嗜中性白细胞和单核白细胞种群。第二,如图3A和3B所示,单个单核白细胞或嗜中性白细胞群集可以从它的期望位置移位到区域312和322。
虽然常规的分割方法适用于正常样品和一些异常样品,但是它们对于诸如与图2A、2B、3A和3B相类似的那些产生结果的样品表现不一致。对于这个不一致的表现,主要理由是常规算法仅仅依赖于对从2D直方图的行和列获得的多个1D直方图中的峰值和谷值的搜索。结果,常规算法遇到了问题,例如峰值和谷值因为种群移位而已经合并在一起。
发明内容
本发明的实施例提供了一种用于分割2D直方图的系统和方法,该系统和方法改进了重叠的颗粒种群的区分和分割。该方法使用2D数字图像处理技术以代替常规的多个1D直方图的峰值和谷值分析。本发明的一个特征是使用非线性的图像分割技术直接分割2D直方图,非线性的图像分割技术可以提供2D直方图的更一致和精确的分割以及重叠或移位的颗粒种群的更好的区分。
在一个实施例中,本发明贯注于一种用于分析诸如血细胞的生物颗粒的方法。使来自生物样品的生物颗粒经过颗粒分析器的测量区域。用至少两个参数探询经过测量区域的每个颗粒。用一个以上检测器检测至少两个参数,并将该至少两个参数存储作为数据。
然后,选择对应于第一和第二参数的数据。选择的数据被用于建立初始的二维直方图,其中二维直方图的第一维对应于第一参数,以及二维直方图的第二维对应于第二参数。初始的二维直方图被过滤以产生过滤的二维图像。过滤之后,在过滤的二维图像中检测多个种子种群。产生一个以上线性轮廓线以分离检测的种子种群,每个线性轮廓线具有多个轮廓点。通过调整至少一个线性轮廓线中的轮廓点调整产生的轮廓线,以分离检测的种子种群。
本发明的另一个实施例贯注于用于分析颗粒的装置。该装置包括传感器模块和分析系统,该传感器模块具有多个探询源以提供至少一个颗粒的电光探询并且具有至少一个检测器以检测与至少一个颗粒相对应的至少两个参数的。分析系统包括存储器、选择模块、直方图建立模块、过滤器、种子检测模块、调整模块和分离模块。存储器存储与从颗粒检测到的参数相对应的数据。选择模块选择与第一存储参数相对应的第一数据和与第二存储参数相对应的第二数据。直方图建立模块使用与第一和第二参数相对应的数据,建立初始的二维直方图,其中二维直方图的第一维对应于第一参数,以及二维直方图的第二维对应于第二参数。过滤器过滤初始的二维直方图以产生过滤的二维图像。种子检测模块检测过滤的二维图像中的多个种子种群。分离模块产生使检测的种子种群分离的一个以上的线性轮廓线,每个轮廓线具有多个轮廓点。调整模块调整至少一个线性轮廓线的轮廓点以分离检测的种子种群。
下面参考附图详细描述本发明的进一步的实施例、特征和优点,以及本发明的各种实施例的结构和操作。
附图说明
合并在此并形成说明书的一部分的附图图示了本发明,并且与说明书一起进一步用来说明本发明的原理,并使相关技术领域的技术人员能够做出和使用本发明。
参考附图描述本发明。其中元件首次出现的图代表性地用相应参考标号中最左边的数字表示。
图1A和1B显示了分别在RLS-DC和OP-DC上通过正常血液样品数据的正交投影获得的2D直方图。
图2A和2B显示了在RLS-DC和OP-DC维上通过第一异常血液样品数据的正交投影获得的2D直方图。
图3A和3B显示了在RLS-DC和OP-DC维上通过对于第二异常血液样品数据的VCS数据的正交投影获得的2D直方图。
图4A-C是根据本发明的实施例的颗粒分析系统的示意图。
图5是根据本发明的实施例的颗粒分析方法的示范性的过程的流程图。
图6显示根据本发明的实施例的使RLS-DC直方图平滑的结果。
图7显示根据本发明的实施例的将水平、垂直、对角线LxR和对角线RxL方向的过滤器应用到图6中的平滑的RLS-DC图像的结果。
图8显示根据本发明的实施例的阈值处理二值图像并对应二值图像的方向图像。
图9A和9B显示根据本发明的实施例的在分别进行阈值处理和标记之后的最终的RLS-DC种子(seed)图像。
图10A显示在来自图9B的标记的RLS-DC种子图像中设定的定位点,以及图10B显示根据本发明的实施例的基于定位点的线性分割。
图11显示根据本发明的实施例的基于轮廓点的地带图像(band image)。
图12显示根据本发明的实施例的输入到双重灰度级重建方法的掩模图像和标识图像。
图13A和13B显示根据本发明的实施例的使用来自图12的输入的双重灰度级重建图像的不同视图。
图14A显示根据本发明的实施例的分水岭(watershed)变换的2D图像。
图14B显示根据本发明的实施例的RLS-DC直方图分割的最终结果。
图15是根据本发明的实施例的用于分割二维直方图的示范性的计算机系统的图。
具体实施方式
本发明的实施例提供了一种用于分割2D直方图的系统和方法,该系统和方法改进了重叠的颗粒种群的区分和分割。该方法仅仅使用2D数字图像处理技术以代替常规的多个单独的1D直方图的峰值和谷值分析。
大体上,根据本发明的特征,2D直方图被处理为图像,在该图像中,每个像素具有与对应的直方图二进制数据(histogram bin)的幅度成比例的强度值。
相对于血液学分析器,描述本发明的实施例。血液学分析器试图区分血细胞种群。本发明的实施例应用一系列用于分割2D直方图的步骤以优化该区分。本领域的技术人员将认识到揭示的实施例不局限于血液学分析器或血细胞的分析,并且可以被应用在许多环境中以分析多种类型的颗粒。
系统概述
通常,为了分割颗粒种群,本发明的实施例执行种子(seed)检测、定位点布置、动态轮廓和形态微调。在本发明的一个实施例中,例如,颗粒是血细胞。在另一个实施例中,颗粒是DNA碎片。
种子检测指的是2D直方图中的局部最大值的检测区域。定位点布置指的是用于分离颗粒种群的参考点并且限定了线性分割之间的连接点的布置。动态轮廓和形态微调指的是微调线性分割,并且对线性分割提供柔韧性以更好地分离颗粒种群。
这些步骤的应用导致了成为分离数据群集的2D直方图的最佳的非线性的分割。结果,本发明的实施例提高了检测2D直方图中的重叠的种群的能力。
图4A-C图示了根据本发明的实施例的用于基于非线性的2D直方图分割的颗粒分析的示范性系统的示意图。图4A是根据本发明的实施例的用于分析颗粒的系统400的示意图。系统400包括制备系统410、传感器模块420、分析系统430和容器450。
制备系统410制备包含用于分析的颗粒的生物样品。在一个实施例中,制备系统410将血液样品与溶解试剂混合以溶解红细胞,并形成包含白细胞的血液样品混合物。在另一个实施例中,制备系统410制备组织样品,组织样品从结缔组织中分离并悬浮在不毁坏细胞的生物学上兼容的液体介质。这些实例是说明性的并且不意欲限制本发明。在替换的实施例中,可以制备其他类型的生物样品和生物颗粒。容器450存储从制备系统410经过传感器模块420的样品。
传感器模块420提供与要被分析的颗粒相对应的数据。在一个实施例中,传感器模块420包括几个探询源422a-m、几个检测器424a-n、以及测量区域426。制备系统410使来自生物样品的制备的颗粒428经过测量区域426。探询源422a-m提供颗粒428的电光探询,以便可以分别通过检测器424a-n检测与颗粒有关的一个或多个参数。在一个实施例中,例如,探询源422a-m可以包括一个或多个激光和/或电源。在替换的实施例中,可以使用其他类型和/或数量的探询源。检测器424a-n检测生物样品中与探询的颗粒相对应的参数。然后检测器424a-n将参数发送到分析系统430用于分析。在一个实施例中,检测器424a-n包括一个或多个光电二极管感测器。检测器424a-n还可以包括DC接收器。在替换的实施例中,可以使用其他类型的检测器。
在一个实施例中,参数来源于电光测量,包括DC(直流电)、RF(射频)、一个或多个类型的光散射(处于一个或多个角度)、荧光性、以及例如在美国专利号5,125,737及其他已知技术中描述的轴向光损失。这些参数的实例是说明性的并且不意欲限制本发明。
图4B是根据本发明的一个实施例的示范性的分析系统430的示意图。分析系统430包括存储器431、选择模块432、直方图建立模块433、过滤器434、种子检测模块435、分离模块436和调整模块437。分析系统430可以被实现为计算装置上的软件、固件、硬件或它们的任何组合。实例计算装置包括但不局限于计算机、工作站、分布式计算系统、嵌入系统、独立的电子装置、网络装置、机架式服务器、具有至少一个处理器和存储器的装置、或者其他类型的计算机系统。
存储器431存储由检测器424a-n发送的参数作为数据。选择模块432选择与第一存储参数相对应的第一数据和与第二存储参数相对应的第二数据。
直方图建立模块433使用选择的与第一和第二参数相对应的数据,建立初始的二维(2D)直方图。2D直方图的第一维对应于第一参数,以及2D直方图的第二维对应于第二参数。
过滤器434过滤初始的2D直方图,以使2D直方图中的颗粒种群可以被检测。图4C是根据本发明的一个实施例的示范性的过滤器434的示意图。在一个实施例中,过滤器434包括平滑过滤器460、一个或多个边缘检测过滤器470a-470m、以及组合器480。
平滑过滤器460使用平滑过滤器使2D直方图平滑。在一个实施例中,平滑过滤器460使用高斯卷积以使2D直方图平滑。其他平滑技术在本领域中是已知的。平滑的结果可以被视为与2D直方图相对应的2D图像。
边缘检测过滤器470a-470m被应用于平滑的2D图像以检测图像中的边缘。一个实施例使用基于高斯—拉普拉斯算子(LoG)过滤器的边缘检测过滤器,以产生边缘检测的2D图像。当然,可以理解的是,LoG过滤器仅仅是这种边缘检测过滤器的示例,并且对它们的参考并不意欲限制本发明。
组合器480组合边缘检测的图像以形成最终的过滤结果。在一个实施例中,组合器480包括阈值模块482和逻辑与运算符484。阈值模块482在每个边缘检测的2D图像上使用阈值过滤器以产生相应的阈值2D图像。逻辑与运算符以逐个像素(pixel-by-pixel)为基础使用逻辑与运算来组合阈值2D图像,以产生组合的阈值2D图像。在一个实施例中,组合器480通过组合逻辑来实现。
种子检测模块435检测过滤的2D图像中的种子种群。分离模块436产生一个或多个使检测的种子种群分离的线性轮廓线。每个轮廓线具有一组轮廓点。
在一个实施例中,分离模块436包括种子种群分离器模块438、种子界标识别器模块439、种子种群删除模块440、定位点模块441和分割产生器442。
种子种群分离器模块438将检测的种子种群分离成分组。种子界标识别器模块439识别每个分组中的界标种子种群。种子种群删除模块440删除每个分组中不是界标种子种群的那些种子种群。定位点模块441确定用于限定轮廓线的一个或多个定位点。分割产生器442产生轮廓线的线性分割以分离种子种群。
调整模块437调整线性轮廓线的轮廓点以分离检测的种子种群。在一个实施例中,调整模块437包括轮廓点调整模块443、地带限定模块444和地带膨胀模块445。
轮廓点调整模块443调整轮廓点以使能量函数最小化。在一个实施例中,能量函数是基于活动轮廓的能量最小化。在替换的实施例中,可以使用其他的能量函数。地带限定模块444限定了每个轮廓点周围的地带。然后地带膨胀模块445膨胀了每个轮廓点周围的每个限定的地带。
在一个实施例中,地带膨胀模块445包括双重灰度级重建模块446和分水岭变换模块447。双重灰度级重建模块446在2D图像上执行双重灰度级重建。然后分水岭变换模块447在作为结果的2D图像上应用分水岭变换以分割图像。
2D直方图产生
为了基于2D直方图分割分析颗粒,首先提供包含颗粒的样品。在一个实施例中,制备系统410提供包含颗粒的样品。然后传感器模块420使用诸如探询源422a-422m的一个或多个探询源,在样品中提供颗粒的电光探询。检测器424a-n检测和测量样品中颗粒的参数,并将参数发送到分析系统430。分析系统430将参数作为数据存储在存储器431中。为了建立与数据相对应的2D直方图,选择模块432选择与参数中的两个参数相对应的数据。然后直方图建立模块433使用选择的数据建立2D直方图,其中直方图中的两个维分别对应于两个参数。
一旦产生2D直方图,它们可以通过分析系统430被分割。图5显示了根据本发明的一个实施例的用于使用非线性的2D直方图来进行颗粒分析的示范性的过程500的流程图(步骤501-510)。
种子检测
用于分割2D直方图的第一个步骤是种子检测(图5中的步骤501到504)。种子检测试图检测2D直方图中的局部最大幅度的区域。每个检测的局部最大幅度被称为“种子”。在本发明的一个实施例中,种子检测通过种子检测模块435被执行,并且包括三个阶段:平滑、过滤和标记。
平滑
在平滑阶段中,2D直方图中的单个像素噪声首先在步骤501中被去除。单个像素噪声指的是可以被单独地归因于像素的噪声。单个像素噪声的一个实例是椒盐噪声。术语“椒盐噪声”指的是单个像素噪声统计量。
在一个实施例中,“椒盐”噪声在两个步骤中被去除。
在第一步骤中,分析每个像素的最接近的近邻。通过聚集所有邻近的非零像素来建立群集。如果像素不具有非零像素近邻,则像素形成单个像素群集。
在第二步骤中,对于每个群集,计算群集中的像素的数量以及群集内的像素之中的事件的最大数量。如果群集不具有至少规定数量的像素并且它的事件的最大数量小于规定值,则群集中的像素被去除。在一个实施例中,通过将像素值设定为零来去除像素。在一个实施例中,像素的规定数量是三个。像素的规定数量可以是预定的或者用户规定的。类似地,用于群集的事件的最大数量的规定值也可以是预定的或者用户规定的。在一个实例中的,用于事件的最大数量的规定值是十分低的。例如,这可以是1个或2个事件、小于10个事件、或者是取决于特殊应用的其他值。
在另一个实施例中,通过首先分析每个像素的最接近的近邻来去除“椒盐”噪声。不具有至少规定数量的具有非零值的最接近的近邻的像素被去除。在一个实施例中,通过将像素值设定为零来去除像素。在一个实施例中,最接近非零值的近邻的数量是四个。最接近的近邻的数量可以是预定的或者用户规定的。其次,检查每个像素中的事件的数量。不具有至少特定数量的事件的像素被认为是噪声并且被去除。每个像素必须具有的事件的数量可以是预定或者用户规定的。
在一个实施例中,在2D直方图中的边缘上的像素不会被去除,并且被保留用于其他分析。
在替换的实施例中,其他技术,例如,中间值过滤器,可被用于去除单个像素噪声。以上实例确实是说明性的并且不意欲限制本发明。
在去除单个像素噪声之后,在步骤502中,作为结果的2D图像通过系统400的过滤器434中的平滑过滤器460被进一步地平滑。在一个实施例中,平滑过滤器460是基于高斯卷积,该高斯卷积使用由公式(1)限定的高斯核:
如在此使用的,术语“核”指的是通常包含数字过滤器的参数的矩阵数据结构类型(或加窗)。可以通过应用图像的每个像素上的核矩阵来过滤图像。在公式(1)中,x和y表示图像中的像素坐标,σ表示核的宽度,σ确定了邻近像素对核的中心的局部影响。较大值的σ可以导致较低的种子图像的分辨率。换句话说,较大值的σ将在图像中产生较少的种子。类似地,较小值的σ将在图像中产生更多的种子。例如,σ=9可以在图像中产生比σ=3更少的种子。
核可以连续地与作为结果的2D图像卷积几次。核与图像卷积的次数决定了图像看上去如何“平滑”。图6显示了在使用高斯卷积的RLS-DC测量上的平滑的2D图像的实例610。在图像610中,群集612、614和616分别对应于单核白细胞、嗜中性白细胞和嗜曙红细胞种群。群集618对应于淋巴细胞和嗜碱细胞种群。
取决于特定的应用,使用核的平滑可以被执行许多次。例如,为了识别高级特征,利用核执行更多次的平滑,例如,经过五次或六次。另一方面,为了维持较高的分辨率,执行较少的平滑。
过滤
在步骤503中,种子检测的下一个阶段是通过边缘检测过滤器470a到470m来进行用于边缘检测的过滤。步骤503中的过滤器检测图像在特定方向上的梯度变化,以便可以检测图像中的边缘。对于2D直方图,边缘可以表示不同种群的边界。
在一个实施例中,平滑之后作为结果的图像与四个方向的2D高斯—拉普拉斯算子(LoG)过滤器在水平、垂直和两个对角线方向被卷积:
例如,图7显示了将每个方向过滤器应用到图6中的平滑图像的结果。在图7中,图表710、720、730和740是分别与(2)、(3)、(4)和(5)中的方向过滤器相对应的结果。在替换的实施例中,可以使用其他类型的边缘检测过滤器。
阈值处理和标记
在步骤504中,边缘检测的2D图像被阈值处理并被标记以产生最终的种子图像。在一个实施例中,阈值处理通过组合器480来执行。如图8所示,最终的种子图像是使用阈值模块482对图像进行阈值处理并且将逻辑与运算符484应用到作为结果的二值图像以产生单个图像的结果。在图8中,矩阵802、804、806和808图示了阈值处理之后的边缘检测图像的分段中的示范性的样品像素值,并且图表812、814、816和818图示了阈值处理的2D图像。图表810和820分别是逻辑与运算之后的组合的样品像素值和作为结果的单个图像。
通过选出阈值并舍弃作为结果的图像中具有低于该阈值的值的所有像素来执行阈值处理。例如,在一个实施例中,在2D图像中,超过阈值的像素的幅值被设定为一,并且其余的被设定为零。该阈值可以是预定的或者用户规定的。例如,在一个实施例中,该阈值被选为0。
阈值处理之后,阈值处理的图像在4个卷积之后通过作为结果的图像中每个对应像素的逻辑与运算被组合(图9A和9B)。例如,在图9A中,910图示了通过阈值处理和组合图7中的图像710、720、730和740的图像。执行以上步骤导致获得种群912、914、916和918。
如图9B所示,通过用唯一的标记对每个连接区域加标签,组合图像910随后被标记作为标记图像920。例如,在本发明的一个实施例中,对于标记图像920中的种子种群922、924、926和928,不同的数值可以被用作标记,诸如1、2、3和4。
设定定位点
一旦种子被检测,下一个步骤就是使用定位点模块441设定定位点。定位点提供了用于2D图像的线性分割的限定的基础。在一个实施例中,使用在种子检测部中通过上述方法检测的种子来限定定位点。
在一个实施例中,定位点模块441设定定位点。在步骤505中,首先通过种子种群分离器模块438将检测的种子种群分离成分组来识别一组种子。每个种子被分类成期待在分析的情况下在2D投影中被找到的分组(例如,白细胞种群的类型)。2D图像的预定分隔用作将每个种子分配到分组中的准则。然后种子界标识别器模块439识别每个分组中的界标种子种群。标准,诸如种子位置或密度,可以被用于选择分组中最相关的种子种群作为界标种子种群。每个分组中除了界标种子种群之外的种子种群通过种子种群删除模块440被删除。在步骤506中,定位点模块441对于每个界标种子种群计算统计量,并且使用该界标种子种群确定定位点。
取决于不同颗粒种群的期望位置,对每个图像自定义定位点设定。在一个实施例中,定位点被设定为连接任何一对选择的种子种群的质心的假想线的中点。种子种群的质心在阈值图像中可以通过计算种群中的像素的平均坐标来获得。可以增加额外的定位点,以便依靠图像中期望的特定图案来限定图像的区域。基于图9中的标记的2D图像920设定的定位点1012在图10A中被显示。在图10A的图像1010中,点1012是根据本发明的一个实施例的通过以上过程设定的定位点的实例。
在步骤507中,分割产生器442基于定位点1012(图10)限定线性分割。在图10B的图像1020中,例如,线段1022是经过定位点1012的分割线,定位点1012如上所述相对于图像1010被设定。在一个实施例中,线段是分离种子种群的轮廓线。每个轮廓线具有作为轮廓线上样品点的一组轮廓点。
基于能量最小化的非线性分割
在一些实施例中,线性分割的实际的线可以贯穿种群。为了避免贯穿种群,在步骤508中,可以基于能量最小化技术,通过轮廓点调整模块443,移动线上的轮廓点。还制约轮廓点的移动,以避免异常的事件,异常的事件包括较高强度点的不适当的影响以及可以形成环路的点交换。例如,在实施例中,水平线中的轮廓点只能在垂直方向上移动+/-5个像素,以及垂直线中的轮廓点只能在水平方向上移动+/-5个像素。
在一个实施例中,限定线段的轮廓点被输入到称为活动轮廓的基于第一非线性能量的分割步骤。例如,在一个实施例中,活动轮廓是基于由卡斯(Kass)等人在计算机视觉1(1988)321-331的国际性刊物(International Journal of Computer Vision1(1988)321-331)中提出的“斑点:活动轮廓模型(Snakes:active contour models)”中限定的任何模型。
被最小化的能量函数E在该方法中通过用(11)中限定的平滑的2D图像(x,y)来代替梯度图像条件而变化:
在公式(11)限定的能量函数中,v(s)限定活动轮廓,并且α(s)、β(s)和γ(s)是加权函数。公式(11)的条件对应于作为距离、曲率和强度的函数的能量E。根据公式(11),具有高强度值的2D图像I(x,y)中的像素可以增大能量函数E的值。这种像素表示具有高事件数量,即高的直方图幅度的直方图二进制数据。类似地,具有低强度值的像素可以降低能量函数E的值。当具有最小2D直方图幅度的定位点使用具有控制曲率的能量最小化技术的时候,活动轮廓上的邻近点被保持成尽可能靠近以缩短距离。可以通过迭代处理来实现公式(11)的最小化。在一个实施例中,在预定的迭代次数之后,停止迭代的最小化处理。在另一个实施例中,当两个连续迭代之间的能量函数中的最小比率或者绝对变化低于预定阈值时,停止迭代的最小化处理。在替换的实施例中,使用两个停止条件。这个活动轮廓步骤产生2D直方图的初始的非线性分割。
细化非线性分割
在一些实施例中,上述非线性分割可以平滑地将2D直方图分割成群集。然而,在其他实施例中,例如,如果群集没有被较好地分割,则需要非线性分割的另外的细化。通过使用地带限定模块444在每个轮廓点周围首先建立地带,使细化阶段在步骤509中开始。“地带”被限定为当前分割线周围的窗口(例如,+/-5个像素)。地带的大小是视情况而定的,并且依据将被给予细化步骤的自由度的多少而变化。图11图示了在每个轮廓点周围建立的示范性的地带(例如,地带1130),以及图像1110中的作为结果的隔离区域(例如,区域1112、1114、1116、1118和1120)。
作为结果的地带建立随后被地带膨胀模块445膨胀的隔离区域。膨胀意味着合并一些区域。膨胀地带图像包括两个主要的步骤:双重灰度级重建和分水岭变换。
双重灰度级重建
在建立地带之后,步骤509通过双重灰度级重建模块446继续对2D地带图像的双重灰度级重建。双重灰度级重建是图像形态操作,该图像形态操作在图像上重复灰度级测地腐蚀直到没有更多的变化或者该变化小于预定量。双重灰度级重建的输入包括平滑的2D图像的反转版本以及对应的地带图像的反转版本。第一个是已知的掩模图像,以及第二个是已知的标识图像。例如,在图12中,图像1210是掩模图像1220的三维(3D)视图,其中强度值在第三维中被表示为高度函数。图像1230是标示图像1240的3D视图。
图13A和13B显示了这个双重灰度级重建过程的示范性的结果。在图13A中,图像1310是重建的3D图像。在图13B中,图像1320是使用图像1220和1240的重建图像。
分水岭变换
一旦双重灰度级重建图像是可用的,就转到步骤510中的分水岭变换。分水岭变换的实例在由S.Beucher(S.伯谢)在Acoustics,Speech,and Signal Processing,IEEEInternational Conference on ICASSP(声学、报告和信号处理,ICASSP上的IEEE国际会议),第7卷,1982年5月,第1928-1931页中公开的“Watersheds of functions and picturesegmentation(函数和图片分割的分水岭)”中描述。在一个实施例中,分水岭变换通过分水岭变换模块447被执行。分水岭变换是基于形态的图像处理方法,该方法基于图像的不同的振幅值将图像的分割进一步细化成区域。分水岭变换的基本说明是将该处理视为溢流处理(flooding process)。参照图13A和13B,分水岭变换起源于将水“倾倒”到每个独立的“孔”中,直到水边界一旦到达表面就开始彼此接触。可以在图14A和14B看到应用这个分割方法的结果。在图14中,通过分水岭变换,示范性的图像1410被分割成区域1412、1414、1416、1418和1420。在图14B中,用白细胞种群1432、1434、1436和1438相应地分割RLS-DC图像1430。在图像1430中,群集1432、1434和1436分别对应于单核白细胞、嗜中性白细胞和嗜曙红细胞种群。群集1438对应于淋巴细胞和嗜碱细胞种群,淋巴细胞和嗜碱细胞种群现在更容易区别于其他种群。
在一个实施例中,分割的结果被显示在诸如监视器、投影仪屏幕等等的显示器上。在另一个实施例中,分割的结果被存储在诸如硬盘、软盘、闪速驱动器等等的存储装置上。分割的结果还可以被用于提高颗粒在区分的种群中的计数。这些实例是说明性的并且不意欲限制本发明。
本发明的实施例提供了一种用于分割2D直方图的方法,2D直方图用于颗粒分析。直接在2D直方图上完成分割,而不必参考1D直方图分析。在一个实施例中,分割包括三个步骤:借助于数字图像过滤技术的群集检测;使用在前一步骤中检测到的群集作为信息主源以配置初始模型的基于活动轮廓的初始的非线性2D区域分割;以及借助于基于诸如双重灰度级重建和分水岭变换的图像处理方法的形态的活动轮廓分割的细化。当在颗粒种群之中发生重叠和移位时,这个方法可以提高颗粒区分。在一个实施例中,颗粒可以是白细胞,其中细胞种群由于细胞的形态或内部结构中的异常而被重叠和移位。基于提出的方法,本发明的实施例可以处理复杂的异常血液样品,并且在这种情况下更精确地报告白细胞百分比。
示范性的计算机系统
在一些实施例中,分析系统430及其部件可以通过使用硬件、固件、软件或它们的组合来被实现,并且可以在诸如计算机系统的计算装置中被实现。在实施例中,示范性的计算机系统1500被显示在图15中。计算机系统1500包括一个或多个处理器,诸如处理器1504。处理器1504被连接到通信基础设施1506(诸如总线)。
计算机系统1500还包括主存储器1508,较佳的是随机存取存储器(RAM),并且还可以包括辅助存储器1510。辅助存储器1510可以包括例如硬盘驱动器1512和/或表示软盘驱动器、光盘驱动器等等的可拆卸的存储驱动器1514。可拆卸的存储驱动器1514以众所周知的方式从可拆卸的存储单元1518读取和/或写入可拆卸的存储单元1518。可拆卸的存储单元1518表示通过可拆卸的存储驱动器1514被读取和写入的软盘、光盘、存储器卡等等。如将领会的,可拆卸的存储单元1518包括计算机可用存储介质,该计算机可用存储介质具有存储在其中的计算机软件和/或数据。
在替换的实施例中,为了允许计算机程序或其他指令被装载到计算机系统1500中,辅助存储器1510可以包括其他类似的设备,诸如可拆卸的存储单元1522和接口1520。这种实例可以包括程序盒和盒接口(诸如在视频游戏装置中所找到的)、可拆卸的存储器芯片(诸如EPROM或PROM)和相关的插口、以及其他的可拆卸的存储单元和接口。
计算机系统1500还可以包括通信接口1524。通信接口1524使计算机1500能够与外部和/或远程装置通信。通信接口1524的实例可以包括调制解调器、网络接口(诸如以太网卡)、通信端口、PCMCIA槽和卡等等。计算机系统1500经由通信网络1524接收数据和/或计算机程序产品。软件和数据可以经由通信接口1524被传送。
计算机程序(也称为计算机控制逻辑)被存储在主存储器1508和/或辅助存储器1510中。计算机程序还可以经由通信接口1524和/或信号器1528被接收。这种计算机程序在运行时能够使计算机系统1500执行在此论述的本发明的特征。尤其是,计算机程序在运行时能够使处理器1504执行本发明的实施例的特征。因此,这种计算机程序表示计算机系统1500的控制器。
在使用软件来实现本发明的实施例中,软件可以被存储在具有实体的计算机可读介质的计算机程序产品中,并且使用可拆卸的存储驱动器1514、硬盘驱动器1512或通信接口1524被装载到计算机系统1500中。控制逻辑(软件)在被处理器1504运行时使得处理器1504执行在此描述的本发明的实施例的功能。
计算机1500还包括输入/输出/显示装置1532,诸如一个或多个监视器、键盘、指向装置等等。
当本发明的各种实施例已经如上所述时,应该理解它们已经通过实例的方式被呈现,而不是限制。对于相关计算机领域的技术人员而言,将显而易见的是,可以在没有背离本发明的精神和范围的情况下,在其中做出形式和细节上的各种变化。此外,应该领会,在此提供的本发明的详细说明被意欲用于解释权利要求书,而不是概要和摘要部分。概要和摘要部分可以阐明一个或多个本发明的示范性的实施例,而不是所有的本发明的示范性的实施例,作为发明人的设想。实施例可以与此处描述的以外的软件、硬件和操作系统装备一起工作。可以使用适用于执行此处描述的功能的任何软件、硬件和操作系统装备。将理解,此处的措辞或用辞是为了说明的目的而并非限制的目的,因此本领域的技术人员将按照教导和引导解释本说明书的用辞或措辞。
本发明的外延和范围将不会受到任何上述示范性的实施例的限制,但是应该只能按照以下权利要求书及其相等物被限定。
Claims (41)
1.一种用于确定生物样品中包含的颗粒的种群的方法,其特征在于,所述方法包括:
(a)使来自所述生物样品的颗粒经过颗粒分析器的测量区域;
(b)用至少两个参数探询经过所述测量区域的每个颗粒;
(c)用一个以上的检测器检测所述至少两个参数;
(d)将检测到的至少两个参数存储作为数据;
(e)选择为第一参数存储的第一数据和为第二参数存储的第二数据;
(f)使用为所述第一参数和所述第二参数选择的数据,建立初始的二维直方图,其中所述二维直方图的第一维对应于所述第一参数,以及所述二维直方图的第二维对应于所述第二参数;
(g)过滤所述初始的二维直方图以产生经过滤的二维图像;
(h)检测所述经过滤的二维图像中的多个种子种群;(i)产生一个以上的线性轮廓线以分离经检测的种子种群,每个所述线性轮廓线具有多个轮廓点;和
(j)调整至少一个所述线性轮廓线中的所述轮廓点以分离所述经检测的种子种群。
2.如权利要求1所述的方法,其特征在于,所述生物样品是血液样品,并且步骤(a)包括使来自所述血液样品的血细胞经过。
3.如权利要求1所述的方法,其特征在于,步骤(a)包括使来自所述生物样品的所述颗粒经过流式细胞仪或血液学分析器的测量区域。
4.如权利要求1所述的方法,其特征在于,步骤(g)包括去除所述二维直方图中的每个像素噪声。
5.如权利要求4所述的方法,其特征在于,步骤(g)包括:
(a)选择所述二维直方图中的一组一个以上的像素;和
(b)对于所选择的组中的每个像素:
(c)如果所述像素不具有预定数量的具有非零值的邻近像素,并且不具有与至少预定数量的事件相对应的值,则舍弃所述像素。
6.如权利要求4所述的方法,其特征在于,步骤(g)包括:
(a)选择所述二维直方图中的一组一个以上的像素;和
(b)对于所选择的组中的每个像素:
(i)如果所述像素不具有预定数量的具有非零值的邻近像素,则舍弃所述像素;或者
(ii)如果所述像素不具有与至少预定数量的事件相对应的值,则舍弃所述像素。
7.如权利要求1所述的方法,其特征在于,步骤(g)包括应用平滑过滤器至少一次。
8.如权利要求1所述的方法,其特征在于,步骤(g)包括将至少一个边缘检测过滤器应用到所述经过滤的二维图像,以产生最终的经边缘检测的二维图像。
9.如权利要求1所述的方法,其特征在于,步骤(g)包括:
(a)将多个边缘检测过滤器应用到所述经过滤的二维图像,以产生多个中间的经边缘检测的二维图像;和
(b)组合所述多个中间的经边缘检测的二维图像,以产生所述最终的经边缘检测的二维图像。
10.如权利要求9所述的方法,其特征在于,组合所述多个中间的经边缘检测的二维图像包括:
(a)对每个所述中间的经边缘检测的二维图像进行阈值处理;和
(b)逐个像素地执行逻辑与运算,以产生所述经边缘检测的二维图像。
11.如权利要求1所述的方法,其特征在于,步骤(h)进一步包括:
(a)将所述经检测的种子种群分离成具有一个以上的经检测的种子种群的分组;
(b)在每个分组中识别界标种子种群;和
(c)删除每个分组中不是所述界标种子种群的每个种子种群。
12.如权利要求1所述的方法,其特征在于,步骤(i)进一步包括确定用于限定所述轮廓线的一个以上的定位点,所述轮廓线用于分离所述经检测的种子种群。
13.如权利要求12所述的方法,其特征在于,确定所述定位点包括:
(a)将预定分割应用到所述种子种群;
(b)在由应用的分割所限定的至少一个区域中,确定界标种子种群;
(c)为每个界标种子种群计算至少一个统计量;和
(d)使用所述界标种子种群来确定所述定位点。
14.如权利要求1所述的方法,其特征在于,步骤(j)包括调整所述轮廓点,以使能量函数最小化。
15.如权利要求1所述的方法,其特征在于,步骤(j)进一步包括限定每个轮廓点周围的地带。
16.如权利要求15所述的方法,其特征在于,步骤(j)进一步包括膨胀每个轮廓点周围的每个限定的地带。
17.如权利要求16所述的方法,其特征在于,所述膨胀包括:
(a)在所述经过滤的二维图像上执行双重灰度级重建;和
(b)在双重灰度级重建图像上应用分水岭变换。
18.如权利要求17所述的方法,其特征在于,执行所述双重灰度级重建包括:
(a)反转所述经过滤的二维图像;
(b)使用与所述地带相对应的一部分所述经过滤的二维图像,建立地带图像;和
(c)在所述地带图像上执行测地腐蚀,以获得双重灰度级重建图像。
19.如权利要求18所述的方法,其特征在于,应用所述分水岭变换包括:
(a)将所述双重灰度级重建图像与所述地带图像组合,以获得组合的结果二维图像;和
(b)将所述组合的结果二维图像输入到分水岭变换函数,以进一步细化分割。
20.如权利要求1所述的方法,其特征在于,进一步包括显示具有所述经调整的轮廓点的所述轮廓线。
21.如权利要求1所述的方法,其特征在于,进一步包括存储具有所述经调整的轮廓点的所述轮廓线。
22.如权利要求1所述的方法,其特征在于,进一步包括对由具有所述经调整的轮廓点的所述轮廓线分离的每个种子种群中的颗粒进行计数。
23.如权利要求1所述的方法,其特征在于,步骤(c)包括检测从以下参数组中选择的至少两个参数:直流电、体积、射频、不透明性、一个以上类型的光散射、轴向光损失和荧光性。
24.一种用于分析来自生物样品的颗粒的装置,其特征在于,所述装置包括:
(a)传感器模块,具有探询来自生物样品的至少一个颗粒的多个探询源,并且具有检测与所述颗粒相对应的至少两个参数的至少一个检测器;和
(b)连接到所述传感器模块的分析系统,所述分析系统包括:
(i)存储器,存储与所述参数相对应的数据;
(ii)选择模块,配置成选择与第一存储参数相对应的第一数据和与第二存储参数相对应的第二数据;
(iii)直方图建立模块,配置成使用与所述第一参数和所述第二参数相对应的数据,建立初始的二维直方图,其中所述二维直方图的第一维对应于所述第一参数,以及所述二维直方图的第二维对应于所述第二参数;
(iv)过滤器,配置成过滤所述初始的二维直方图以产生经过滤的二维图像;
(v)种子检测模块,配置成检测所述经过滤的二维图像中的多个种子种群;
(vi)分离模块,配置成产生使经检测的种子种群分离的一个以上的线性轮廓线,每个轮廓线具有多个轮廓点;和
(vii)调整模块,配置成调整至少一个所述线性轮廓线的所述轮廓点,以分离所述经检测的种子种群。
25.如权利要求24所述的装置,其特征在于,所述过滤器被配置成过滤所述初始的二维直方图中的像素,以减少所述二维直方图中的每个像素噪声。
26.如权利要求25所述的装置,其特征在于,所述过滤器被进一步配置成:
(a)选择所述二维直方图中的一组像素;和
(b)对于所述组中的每个像素:
(i)如果选择的像素不具有多个具有非零值的邻近像素,并且所述选择的像素不具有与至少特定数量的事件相对应的值,则舍弃所述像素。
27.如权利要求25所述的装置,其特征在于,所述过滤器被进一步配置成:
(a)选择所述二维直方图中的一组像素;和
(b)对于所述组中的每个像素:
(i)如果选择的像素不具有多个具有非零值的邻近像素,则舍弃所述像素;或者
(ii)如果选择的像素不具有与至少特定数量的事件相对应的值,则舍弃所述像素。
28.如权利要求24所述的装置,其特征在于,所述过滤器包括平滑过滤器,所述平滑过滤器被应用到所述二维直方图至少一次。
29.如权利要求24所述的装置,其特征在于,所述过滤器包括至少一个边缘检测过滤器,所述边缘检测过滤器被应用到所述经过滤的二维图像,以产生最终的经边缘检测的二维图像。
30.如权利要求24所述的装置,其特征在于,进一步包括:
(a)多个边缘检测过滤器,被应用到所述经过滤的二维图像,以产生多个中间的经边缘检测的二维图像;和
(b)组合器,配置成组合所述多个中间的经边缘检测的二维图像,以形成所述最终的经边缘检测的二维图像。
31.如权利要求30所述的装置,其特征在于,所述组合器,包括:
(a)阈值模块,配置成对每个所述中间的经边缘检测的二维图像进行阈值处理,以产生多个经阈值处理的二维图像;和
(b)逻辑与运算符,在逐个像素的基础上,与产生的经阈值处理的二维图像进行逻辑与运算。
32.如权利要求24所述的装置,其特征在于,进一步包括:
(a)种子种群分离器模块,配置成将所述经检测的种子种群分离成具有一个以上的经检测的种子种群的分组;
(b)种子界标识别器模块,配置成识别每个分组中的界标种子种群;和
(c)种子种群删除模块,配置成删除每个分组中不是所述界标种子种群的每个种子种群。
33.如权利要求24所述的装置,其特征在于,进一步包括定位点模块,配置成确定用于限定所述轮廓线的一个以上的定位点。
34.如权利要求33所述的装置,其特征在于,所述定位点模块被进一步配置成:
(a)将预定分割应用到所述种子种群;
(b)在由应用的分割所限定的至少一个区域中,确定界标种子种群;
(c)为每个界标种子种群计算至少一个统计量;和
(d)使用所述界标种子种群来确定所述定位点。
35.如权利要求24所述的装置,其特征在于,进一步包括:
(a)分割产生器,配置成产生包括多个轮廓点的至少一个线性分割;和
(b)轮廓点调整模块,配置成调整所述轮廓点,以使能量函数最小化。
36.如权利要求24所述的装置,其特征在于,进一步包括地带限定模块,配置成限定每个轮廓点周围的地带。
37.如权利要求36所述的装置,其特征在于,进一步包括地带膨胀模块,配置成膨胀每个轮廓点周围的每个限定的地带。
38.如权利要求37所述的装置,其特征在于,所述膨胀模块进一步包括:
(a)双重灰度级重建模块,配置成在所述经边缘检测的图像上执行双重灰度级重建;和
(b)分水岭变换模块,配置成在所述双重灰度级重建图像上应用分水岭变换。
39.如权利要求38所述的装置,其特征在于,所述双重灰度级重建模块被配置成:
(a)反转所述经边缘检测的二维图像;
(b)使用与所述地带相对应的一部分所述经边缘检测的二维图像,建立地带图像;和
(c)在所述地带图像上执行测地腐蚀,以获得双重灰度级重建图像。
40.如权利要求39所述的装置,其特征在于,所述分水岭变换模块被配置成:
(a)将所述双重灰度级重建图像与所述地带图像组合,以获得组合的结果二维图像;和
(b)将所述组合的结果二维图像输入到分水岭变换函数,以进一步细化分割。
41.如权利要求24所述的装置,其特征在于,所述至少两个参数包括从以下参数组中选择的至少两个参数:用于颗粒样品的直流电、体积、射频、不透明性、一个以上类型的光散射、轴向光损失和荧光性。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11109108P | 2008-11-04 | 2008-11-04 | |
US61/111,091 | 2008-11-04 | ||
US12/608,756 | 2009-10-29 | ||
US12/608,756 US8417012B2 (en) | 2008-11-04 | 2009-10-29 | Non-linear histogram segmentation for particle analysis |
PCT/US2009/062992 WO2010053874A1 (en) | 2008-11-04 | 2009-11-02 | Non-linear histogram segmentation for particle analysis |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102239402A true CN102239402A (zh) | 2011-11-09 |
CN102239402B CN102239402B (zh) | 2014-07-09 |
Family
ID=42131468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200980149027.4A Active CN102239402B (zh) | 2008-11-04 | 2009-11-02 | 用于颗粒分析的非线性的直方图分割 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8417012B2 (zh) |
EP (1) | EP2352985B1 (zh) |
CN (1) | CN102239402B (zh) |
WO (1) | WO2010053874A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364324A (zh) * | 2012-03-27 | 2013-10-23 | 嘉善加斯戴克医疗器械有限公司 | 一种用于血液细胞分析仪的自适应分类计算方法 |
CN103517413A (zh) * | 2013-10-09 | 2014-01-15 | 江西理工大学 | 基于异质双种群粒子群优化的wsn节点定位方法 |
CN103776751A (zh) * | 2012-10-23 | 2014-05-07 | 深圳市蓝韵实业有限公司 | 用于粒子检测仪中散点图的粒子分类方法 |
CN104729961A (zh) * | 2015-03-27 | 2015-06-24 | 电子科技大学 | 一种各向异性导电膜中粒子的检测方法 |
CN105758772A (zh) * | 2016-03-10 | 2016-07-13 | 安徽省全椒未来饲料有限责任公司 | 一种用于饲料造粒的粒度大小的检测和控制系统 |
CN106157271A (zh) * | 2016-03-01 | 2016-11-23 | 闽南师范大学 | 一种基于图像处理技术的含碳颗粒物纳米结构分析的方法 |
CN106501160A (zh) * | 2016-09-08 | 2017-03-15 | 长春迪瑞医疗科技股份有限公司 | 一种粒子分类方法及粒子分类装置 |
CN111932498A (zh) * | 2020-07-09 | 2020-11-13 | 西南交通大学 | 无规则形状颗粒堆积体系中接触数定量表征方法 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10380506B2 (en) * | 2011-04-12 | 2019-08-13 | Autodesk, Inc. | Generation of occupant activities based on recorded occupant behavior |
US9117263B2 (en) | 2012-05-03 | 2015-08-25 | Qualcomm Incorporated | Noise removal from images containing text |
US9096885B2 (en) | 2012-07-05 | 2015-08-04 | Beckman Coulter, Inc. | Method and apparatus for determining white blood cell counts |
US9729965B2 (en) | 2012-08-01 | 2017-08-08 | Dolby Laboratories Licensing Corporation | Percentile filtering of noise reduction gains |
WO2014078741A1 (en) | 2012-11-16 | 2014-05-22 | Beckman Coulter, Inc. | Flow cytometry data segmentation result evaluation systems and methods |
EP2939000A1 (en) | 2012-12-31 | 2015-11-04 | Beckman Coulter, Inc. | Immature platelet enumeration systems and methods |
CN104755905B (zh) | 2012-12-31 | 2018-07-03 | 贝克曼考尔特公司 | 具有凝集块校准的血小板计数的系统和方法 |
US20140307930A1 (en) * | 2013-04-15 | 2014-10-16 | Drvision Technologies Llc | Teachable object contour mapping for biology image region partition |
US20140307939A1 (en) * | 2013-04-15 | 2014-10-16 | Drvision Technologies Llc | Teachable object contour mapping for biology image region partition |
US9934577B2 (en) * | 2014-01-17 | 2018-04-03 | Microsoft Technology Licensing, Llc | Digital image edge detection |
US9678999B1 (en) * | 2014-12-31 | 2017-06-13 | Teradata Us, Inc. | Histogram generation on multiple dimensions |
US9846937B1 (en) | 2015-03-06 | 2017-12-19 | Aseem Sharma | Method for medical image analysis and manipulation |
US9483834B1 (en) * | 2015-05-20 | 2016-11-01 | Adobe Systems Incorporated | Object boundary detection in an image |
US10387744B2 (en) * | 2016-06-22 | 2019-08-20 | Abbyy Production Llc | Method and system for identifying extended contours within digital images |
US10366469B2 (en) | 2016-06-28 | 2019-07-30 | Abbyy Production Llc | Method and system that efficiently prepares text images for optical-character recognition |
RU2628266C1 (ru) | 2016-07-15 | 2017-08-15 | Общество с ограниченной ответственностью "Аби Девелопмент" | Способ и система подготовки содержащих текст изображений к оптическому распознаванию символов |
CN107798681B (zh) * | 2016-09-02 | 2021-01-15 | 天津工业大学 | 基于数学形态学的小目标图像快速阈值分割方法 |
JP6926838B2 (ja) * | 2017-08-31 | 2021-08-25 | 富士通株式会社 | 情報処理装置、情報処理方法、及びプログラム |
US10719937B2 (en) | 2017-12-22 | 2020-07-21 | ABYY Production LLC | Automated detection and trimming of an ambiguous contour of a document in an image |
CN108734731B (zh) * | 2018-05-29 | 2021-09-28 | 中科院广州电子技术有限公司 | 一种基于机器视觉的类圆颗粒目标计数方法 |
CN111951291B (zh) * | 2020-08-13 | 2024-02-06 | 哈尔滨商业大学 | 基于多结构形态学与fodpso混合处理红外图像边缘检测方法 |
CN114720681A (zh) * | 2022-05-11 | 2022-07-08 | 深圳市帝迈生物技术有限公司 | 一种样本分析仪及其多联检滤波的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010008562A1 (en) * | 1997-08-28 | 2001-07-19 | Qualia Computing, Inc | Joint optimization of parameters for the detection of clustered microcalcifications in digital mammograms |
US20020029235A1 (en) * | 2000-05-11 | 2002-03-07 | Becton Dickinson And Company | System for identifying clusters in scatter plots using smoothed polygons with optimal boundaries |
US20030086608A1 (en) * | 2001-07-17 | 2003-05-08 | Amnis Corporation | Computational methods for the segmentation of images of objects from background in a flow imaging instrument |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4661913A (en) * | 1984-09-11 | 1987-04-28 | Becton, Dickinson And Company | Apparatus and method for the detection and classification of articles using flow cytometry techniques |
US4907156A (en) * | 1987-06-30 | 1990-03-06 | University Of Chicago | Method and system for enhancement and detection of abnormal anatomic regions in a digital image |
AU2003225508A1 (en) | 2002-05-17 | 2003-12-02 | Pfizer Products Inc. | Apparatus and method for statistical image analysis |
ES2609412T3 (es) * | 2005-02-18 | 2017-04-20 | Hematologics, Inc. | Sistema para detectar células anómalas empleando un análisis multidimensional |
-
2009
- 2009-10-29 US US12/608,756 patent/US8417012B2/en active Active
- 2009-11-02 WO PCT/US2009/062992 patent/WO2010053874A1/en active Application Filing
- 2009-11-02 EP EP09747993.5A patent/EP2352985B1/en active Active
- 2009-11-02 CN CN200980149027.4A patent/CN102239402B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010008562A1 (en) * | 1997-08-28 | 2001-07-19 | Qualia Computing, Inc | Joint optimization of parameters for the detection of clustered microcalcifications in digital mammograms |
US20020029235A1 (en) * | 2000-05-11 | 2002-03-07 | Becton Dickinson And Company | System for identifying clusters in scatter plots using smoothed polygons with optimal boundaries |
US20030086608A1 (en) * | 2001-07-17 | 2003-05-08 | Amnis Corporation | Computational methods for the segmentation of images of objects from background in a flow imaging instrument |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364324A (zh) * | 2012-03-27 | 2013-10-23 | 嘉善加斯戴克医疗器械有限公司 | 一种用于血液细胞分析仪的自适应分类计算方法 |
CN103776751A (zh) * | 2012-10-23 | 2014-05-07 | 深圳市蓝韵实业有限公司 | 用于粒子检测仪中散点图的粒子分类方法 |
CN103776751B (zh) * | 2012-10-23 | 2016-06-01 | 深圳市蓝韵实业有限公司 | 用于粒子检测仪中散点图的粒子分类方法 |
CN103517413A (zh) * | 2013-10-09 | 2014-01-15 | 江西理工大学 | 基于异质双种群粒子群优化的wsn节点定位方法 |
CN103517413B (zh) * | 2013-10-09 | 2016-05-25 | 江西理工大学 | 基于异质双种群粒子群优化的wsn节点定位方法 |
CN104729961A (zh) * | 2015-03-27 | 2015-06-24 | 电子科技大学 | 一种各向异性导电膜中粒子的检测方法 |
CN106157271A (zh) * | 2016-03-01 | 2016-11-23 | 闽南师范大学 | 一种基于图像处理技术的含碳颗粒物纳米结构分析的方法 |
CN105758772A (zh) * | 2016-03-10 | 2016-07-13 | 安徽省全椒未来饲料有限责任公司 | 一种用于饲料造粒的粒度大小的检测和控制系统 |
CN106501160A (zh) * | 2016-09-08 | 2017-03-15 | 长春迪瑞医疗科技股份有限公司 | 一种粒子分类方法及粒子分类装置 |
CN111932498A (zh) * | 2020-07-09 | 2020-11-13 | 西南交通大学 | 无规则形状颗粒堆积体系中接触数定量表征方法 |
CN111932498B (zh) * | 2020-07-09 | 2022-06-24 | 西南交通大学 | 无规则形状颗粒堆积体系中接触数定量表征方法 |
Also Published As
Publication number | Publication date |
---|---|
US20100111400A1 (en) | 2010-05-06 |
EP2352985A1 (en) | 2011-08-10 |
US8417012B2 (en) | 2013-04-09 |
WO2010053874A1 (en) | 2010-05-14 |
CN102239402B (zh) | 2014-07-09 |
EP2352985B1 (en) | 2022-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102239402B (zh) | 用于颗粒分析的非线性的直方图分割 | |
US10810723B2 (en) | System and method for single image object density estimation | |
CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
KR100772506B1 (ko) | 영상처리를 이용한 지질재료 분류 방법 및 그 장치 | |
US8581927B2 (en) | Multidimensional particle analysis data cluster reconstruction | |
US20080172185A1 (en) | Automatic classifying method, device and system for flow cytometry | |
WO2018151680A1 (en) | Methods and devices for identifying population clusters in data | |
CN110632069A (zh) | 循环肿瘤细胞检测方法、装置、设备及介质 | |
US20200125894A1 (en) | Imaging Device and Morphological Feature Data Display Method | |
CN112313702B (zh) | 显示控制设备、显示控制方法以及显示控制程序 | |
US20100112627A1 (en) | System and Method for Displaying Three-Dimensional Object Scattergrams | |
EP2332073B1 (en) | Shape parameter for hematology instruments | |
Terwisscha van Scheltinga et al. | Sand particle velocities over a subaqueous dune slope using high‐frequency image capturing | |
Abinaya et al. | Jasmine flower segmentation: A superpixel based approach | |
CN114419619B (zh) | 红细胞检测分类方法、装置、计算机存储介质及电子设备 | |
Wang et al. | Topological skeletonization and tree-summarization of neurons using Discrete Morse theory | |
CN103345727A (zh) | 一种二元光学图像光谱的重建方法 | |
US10274412B2 (en) | Flow cytometry data segmentation result evaluation systems and methods | |
US7193196B2 (en) | Methods and systems for evaluating optical systems | |
Yang et al. | Topological classification of tumour-immune interactions and dynamics | |
Arumugam et al. | Restoration of Noisy Microarray Images using Filtering Techniques | |
CN108169105B (zh) | 应用于血细胞分析仪的白细胞分类处理方法 | |
CN115856894A (zh) | 基于超音速设备探测器的目标识别方法及装置 | |
CN116958599A (zh) | 一种振槽连杆振动异常自动化检测方法与系统、可读介质及应用 | |
Wang et al. | Motion field discontinuity classification for tensor-based optical flow estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |