CN102297873A - 利用软x射线显微成像进行癌细胞图形识别的方法 - Google Patents
利用软x射线显微成像进行癌细胞图形识别的方法 Download PDFInfo
- Publication number
- CN102297873A CN102297873A CN2011101121777A CN201110112177A CN102297873A CN 102297873 A CN102297873 A CN 102297873A CN 2011101121777 A CN2011101121777 A CN 2011101121777A CN 201110112177 A CN201110112177 A CN 201110112177A CN 102297873 A CN102297873 A CN 102297873A
- Authority
- CN
- China
- Prior art keywords
- cell
- cancer cell
- ray
- soft
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- 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
Abstract
本发明公开了一种利用软X射线显微成像进行癌细胞图形识别的方法,包括下列步骤:1)标本制作;2)病理检查;3)软X射线成像;4)分析识别。本发明将软X射线显微成像技术应用于癌细胞图形识别,利用同步辐射软X射线显微成像术对癌细胞进行扫描,成功获得癌细胞的软X射线显微成像图,并给出识别步骤和实验数据,建立利用软X射线显微成像进行癌细胞图形识别的方法;创建一种软X射线显微图像分析方法;为癌症诊断提供了一种新颖的同步辐射软X射线病理诊断的方法,为21世纪创立软X射线病理学及临床应用提供极具价值的参考依据。
Description
技术领域
本发明涉及一种利用软X射线显微成像术对癌细胞图形识别的方法。
背景技术
Roentgen在1895年发现的X射线具有强烈穿透物质的特性,适用于人体组织器官成像。其波长较短,为0.1~1.0nm。但X射线与物质作用很复杂,加之难以制造出类似可见光应用中的光学元件,所以很难实现X线显微镜。随着电子对撞同步辐射光源的诞生,发射出专用软X射线,其波长在1~10nm,通过光学衍射聚光和光学元件把软X射线会聚投射到样品上,再成像到像平面上。
软X射线显微成像术的分辨率已达10nm,其原理是:
将样品紧贴着放在软X射线灵敏的探测器(光刻胶)上,经过软X射线曝光及“显影”,显示出光刻胶辐射的图形,它与样品原物形态有着相对应的关系。然后用光学或电子显微镜观察此图形,就可读出样品的软X射线显微图像。
软X射线显微术是一种主要利用“水窗口”波段(2.3~4.4nm)的软X射线作为光源的显微成像技术。相对于光学显微镜,它具有更高的成像分辨率;相对于电子显微镜,其样品制备简单,仅需超薄切片标本,无须对样品进行冰冻、封蜡、脱水、染色等传统的病理检查工作程序。概括地说,软X射线显微成像技术可以不用传统病理方法,就可实现观察细胞组织的亚微结构形态学特征。
近几年来,软X射线显微术的应用研究取得了飞速的发展,尤其是在生命科学研究中。除有类似病理学诊断价值外,软X射线显微成像技术具有以下特点:①不用染色可清晰分辨,其分辨率(70.0nm)比光镜高,并接近电镜;②组织标本可以在活体状态下进行病理学检查分析;③可以对自然状态下活体组织细胞亚显微结构进行鉴别诊断及应用于临床诊断。软X射线显微镜可以观察自然状态下的生物样品,目前可以观察细胞的超微结构和内部动态变化,还可以在细胞水平的样品上研究蛋白质、DNA等生物大分子的分布。
软X射线显微技术已为生物医学的研究开拓了一条新途径,受到各国科学家的关注。该技术最适合于自然状态下生物样品的高分辨率成像,在世界范围内得到迅速发展。当今,许多国家重视积极开发研制各种形式的软X射线显微镜并应用于生物医学样品的研究,取得了显著进展。
美、俄、德、日、英、法等国掌握了此项技术,并对软X射线生物医学样品进行了研究。Kirz和Rarback在Brookhaven(1981)、(1983)召开的会议上,发表了软X射线综述的相关报道。1985年Feder等人使用软X射线显微成像方法已成功得到分辨率约10nm的活体状态下的血小板软X射线显微成像图;1990年Shinohara等拍摄了HeLa细胞核仁清晰的软X射线显微图像,并对染色质、酶原颗粒结构进行了观察分析。尽管如此,国外目前对软X射显微技术应用于临床医学还未见报道,更没有对癌细胞亚微结构进行软X射线显微成像技术和计算机神经网络智能化软X射线病理学诊断技术方面的报道。
国内对软X射线显微成像图技术虽然起步稍晚些,但起点较高,对软X射线显微成像图技术的研究和应用也给予了高度重视。1991年中国科技大学(合肥)国家同步辐射实验站建成,1992年开始对国内外开放。我国科研人员和学者在合肥同步辐射光源上开展软X射线显微术研究,在软X射线显微术的理论和实践上做出了突出贡献,也取得很多的成果,中国科技大学谢行恕教授在软X射线显微术的理论和实践上做出了突出的贡献;也有学者将软X射线成像应用于大肠杆菌、男性精子、昆虫翅膀等方面的研究。
在国内,目前用软X射线显微成像技术多半应用于微生物学、植物和动物的生物样品标本之中,但国内外均未见利用软X射线显微成像应用于临床医学实践并进行癌细胞图形识别的相关报道。
发明内容
本发明需要解决的技术问题就在于提供一种利用软X射线显微成像术进行癌细胞图形识别的方法。本发明将软X射线显微成像技术应用于癌细胞图形识别,利用同步辐射软X射线显微成像术对癌细胞进行扫描,成功获得癌细胞的软X射线显微成像图,并给出识别步骤和实验数据,建立利用软X射线显微成像进行癌细胞图形识别的方法;创建一种软X射线显微图像分析方法;为癌症诊断提供了一种新颖的同步辐射软X射线病理诊断的方法,为21世纪创立软X射线病理学及临床应用提供极具价值的参考依据。
为解决上述问题,本发明采用如下技术方案:
本发明提供了一种利用软X射线显微成像进行癌细胞图形识别的方法,所述方法包括下列步骤:1)标本制作;2)病理检查;3)软X射线成像;4)分析识别。
所述病理标本制作步骤为:
第一步:将病理组织细胞标本切成超薄切片标本,超薄切片标本厚度为2~3nm;
第二步:将已切好的超薄切片标本放置在38℃-40℃水槽的水面上,使标本漂浮于水面迅速均匀展开呈平面状;
第三步:使用电镜铜网捞取已在水槽漂浮展平的超薄切片标本,然后,再将该电镜铜网放在吸水纸上控尽水分并晾干。
所述病理检查步骤为:将电镜铜网超薄切片标本送病理检验部门,置于光学显微镜下进行病理学检查,发现癌细胞后,选择并固定好癌细胞观察视野,在光学显微镜下拍摄癌细胞放大100倍的光镜照片。
所述软X射线成像制作步骤为:
将电镜铜网超薄切片标本送至同步辐射实验站,应用同步辐射软X射线显微光束线扫描衍射,显影在光刻胶上,再用显微透射进行观察并拍摄出软X射线显微成像的图像。
软X射线显微光束波长范围为1.0~10.0nm;软X射线显微对生物样品曝光的水窗材料为氮化硅,做成各种厚度,最薄为20nm厚。
所述计算机智能分析识别制作步骤为:
同步辐射软X射线癌细胞显微成像后,首先进行图像信号调理,然后进入图像信号采集进行数字采样,最终将数字信号以串口或并口的形式送入计算机系统进行处理和智能识别。
同步辐射软X射线显微图像信号是模拟信号;在变换为数字信号之前必须进行调理,即放大、缓冲或定标模拟信号,使其适合于后续信号采集单元输入。
图像信号采集包括图像预处理、图像分割分析、重叠细胞重构、细胞特征提取、细胞特征分类和诊断结果输出。
图像预处理包括灰度变换、直方图调整、细胞前置处理、细胞核前置处理及去除淋巴球;
所述灰度变换为将细胞影像转为灰度格式,便于后续的处理工作,利用彩色影像与灰度影像之间的转换公式进行转换;
所述直方图调整为采用直方图拉伸或直方图均衡化方法间接增强对比度;
所述细胞前置处理包括对比调整、二值化、边缘检测;
所述去除淋巴球包括侵蚀、扩张及逻辑处理,目的是要取得去除淋巴球后的细胞影像;
图像分割分析包括基于阈值的分割、细胞组织结构形态学的图像处理,以及边缘检测;
所述基于阈值的分割为将细胞轮廓切割出来;
所述细胞组织结构形态学的图像处理为轮廓追踪、腐蚀、膨胀;
所述边缘检测,由于细胞和细胞之间相邻过于紧密,将这些噪声去除,以免影响后续细胞特征值的提取;
重叠细胞重构为,由于细胞间的相互连接,相邻边界紧密重叠,分割易造成伪边界和伪轮廓,致使细胞发生信息提取产生误差,必须要将这些因素消除。
细胞特征提取方法采用细胞核质比方法或色度学方法;
所述细胞核质比方法为,通过逐步选择连通区域面积的阈值,利用bwareaopen函数除去小面积轮廓;清晰地展现细胞核和细胞质的轮廓区别;计算细胞核与细胞质面积比;正常细胞的细胞核和细胞质的比例为1∶4或1∶6;癌细胞的细胞核和细胞质的比例为1∶1;
所述色度学方法为,由于癌细胞核通常比正常细胞核颜色更深,且其彩色分量在彩色空间中具有不同的聚类,利用其色度学特征对可疑癌细胞核进行进一步的分类识别;
细胞特征分类和诊断结果输出方法为包括BP神经网络方法、支持向量机方法或决策树方法;
所述BP神经网络方法为利用三层BP网络来诊断癌细胞,根据癌细胞的临床特征提取特征参数,从而采集大量样本来训练神经网络,再利用训练好的网络来诊断癌细胞。
本发明所述癌细胞是人的食管癌细胞或肺癌细胞。
本发明将软X射线显微成像技术应用于癌细胞图形识别,利用同步辐射软X射线显微成像术对癌细胞进行扫描,成功获得癌细胞的软X射线显微成像图,并给出识别步骤和实验数据,建立利用软X射线显微成像进行癌细胞图形识别的方法;创建一种软X射线显微图像分析方法;为癌症诊断提供了一种新颖的同步辐射软X射线病理诊断的方法,为21世纪创立软X射线病理学及临床应用提供极具价值的参考依据。
附图说明
图1为食管鳞癌细胞软X射线显微成像的原始数据。
图2为食管鳞癌细胞软X射线显微成像的灰度直方图。
图3为食管鳞癌细胞软X射线显微成像的原图像灰度图。
图4为图3的对应直方图。
图5为图3的灰度变换图。
图6为图4的直方图调整图。
图7为进行阈值的分割的图像处理。
图8为细胞形态学的图像处理。
图9-1为采用Laplacian算子进行边缘检测图。
图9-2为采用Roberts算子进行边缘检测图。
图9-3为采用Sobel算子进行边缘检测图。
图9-4为采用Prewit算子进行边缘检测图。
图10为阈值100的切割。
图11为阈值250的切割。
具体实施方式
实施例1利用软X射线显微成像进行食管鳞癌细胞图形识别的方法
选6例住院的食管癌患者(其中男4例,女2例),年龄在51~64岁(平均57.3岁)。
术前均做纤维胃镜检查,病理证实为食管鳞癌后再行手术。
切除食管鳞癌标本送病理科做常规组织学、细胞学检查,发现食管鳞癌细胞时,在光学显微镜下拍摄食管鳞癌细胞放大100倍的光镜照片。同时又送食管鳞癌细胞标本至同步辐射实验室应用软X线显微光束线扫描衍射,显影在光刻胶上,并拍摄出软X线显微成像照片。
本实施例使用的仪器设备为:
利用中国科技大学国家同步辐射实验室软X线显微成像光束线站;选用软X射线显微光束波长范围为1.0~10.0nm;主要利用“水窗口”波段(2.3~4.4nm)的软X射线作为光源的显微成像技术。
还包括有真空干燥箱,CJ-3A甩胶机(北京半导体设备厂生产);Olympus微分干涉差显微镜(日本)及扫描电镜KYKY-1000B型(中国科学院科学仪器厂制造);151II型超薄切片机(西德SEIXY厂制造)。
标本制作步骤为:
第一步:将已知的食管鳞癌细胞组织标本放置在德国生产的病理超薄切片机上,切成超薄切片病理组织细胞标本,超薄切片厚度为2~3nm。
第二步:把已切好的超薄切片病理组织细胞标本放置在38℃至40℃水槽的水面上,让标本漂浮在水面迅速均匀展开呈平面。
第三步:用上海产的电镜带把柄铜网捞取已在水槽漂浮展平的超薄切片病理组织细胞标本,然后,再将电镜铜网放在吸水纸上控尽水分并晾干。
分析识别步骤为:同步辐射软X射线癌细胞显微成像后,首先进行图像信号调理,然后进入图像信号采集进行数字采样,最终将数字信号以串口或并口的形式送入计算机系统进行处理和智能识别。
同步辐射软X射线显微图像信号是模拟信号;在变换为数字信号之前必须进行调理,即放大、缓冲或定标模拟信号,使其适合于后续信号采集单元输入。
图像信号采集包括图像预处理、图像分割分析、重叠细胞重构、细胞特征提取、细胞特征分类和诊断结果输出。
图像预处理模块包括灰度变换、直方图调整等;图像分割模块包括图像分割包括基于阈值的分割、细胞组织结构形态学的图像处理以及边缘检测等;细胞特征模块提取采用提取连通区域的方法;细胞特征识别模块采用细胞核与细胞质面积比判定。
Stevens和Lowe归纳出细胞形态在细胞学上的主要特征为核质比、细胞核大小、细胞核外形的多变异、细胞大小、细胞外形的多变异及细胞核深染,这些在细胞学上的特性为研究的主要依据。本文以核仁(质)比为手段,即在一个细胞中,细胞核和细胞质所占的比例。正常情况下,细胞核和细胞质会有一定的比例为1∶4或1∶6。若为癌细胞,则细胞核和细胞质比值可接近1∶1。
相对应食管鳞癌细胞的特征,探索了一种细胞面积阈值的癌细胞识别方法,研究鉴别正常细胞与癌细胞的方法。
食管鳞癌细胞软X射线显微成像的原始数据及灰度直方图如图1和图2所示,从图1和图2可以得到,食管鳞癌细胞的核仁呈圆形,边界清楚,核密度均匀一致。核仁周围为细胞染色质,呈粗大颗粒或粗短索条状。染色质分布为椭圆、长方形或不规则形,边界清楚。细胞膜边界清晰,并可见微裂隙。细胞核与细胞膜之间为细胞质,密度较均匀,呈细小颗粒状。
图像预处理包括灰度变换及直方图调整等,如图3、图4、图5和图6所示。
图像分割先进行阈值的分割、细胞形态学的图像处理,如图7和图8所示。
再依次采用四种常用算子Laplacian算子、Roberts算子、Sobel算子和Prewit算子进行边缘检测,如图9-1、图9-2、图9-3和图9-4所示。
细胞特征提取采用提取连通区域的方法。首先将对应理想算子Laplacian算子的图像挑出,进行连通区域的面积计算。结果发现连通区域过多,不利于进行辨识。于是通过逐步选择连通区域面积的阈值,利用bwareaopen函数除去小面积轮廓。最终阈值选取100和250,分别对应图10和图11。这样做的好处是清晰地展现了细胞核和细胞质的轮廓区别。
图10切割的结果是形成左边1个细胞核和右边1个完整细胞,图11切割的结果是右边1个完整细胞。
细胞特征识别采用细胞核、质面积比判定。
图10对应的2个区域面积经过计算,图11对应的1个区域面积经过计算,显示如下结果:
图10中左边的细胞核面积为124,右边的细胞总面积为271(即细胞核和细胞质面积之和)。根据邻近细胞面积大致相等的原则,将右边细胞面积271拆分成细胞核面积124与细胞质面积147之和。由此,得出S细胞核/S细胞质≈0.8435。根据Stevens和Lowe的理论,正常细胞的S细胞核/S细胞质在1∶6~1∶4之间,而癌症细胞的S细胞核/S细胞质接近于1,所以说,该样本来自疑似癌症患者。
利用软X射线显微成像进行癌细胞图形识别的方法具有优越性:
软X射线显微术分辨率取决于所使用软X线的波长以及所用的光刻胶材料,同时也受后继观察显微镜的影响。由于软X射线透过较厚的生物物质,改变波长即可增强图像衬度。本发明取波长范围在2.3~4.4nm(称为“水窗口”)的软X射线,它对水具有“透明”效应。因此,可以在这个波长范围内观察较厚的含水且无染色的生物样品,如活体状态下的完整细胞及细胞内亚显微结构,而光镜或电镜则没有该功能。
本发明相对应食管鳞癌细胞的特征,基于面积阈值的癌细胞识别方法快捷简单。
实施例2利用软X射线显微成像进行肺癌细胞图形识别的方法
选择肺癌患者,男女不限。入选受试者需要询问病史、体格检查和实验室检查如血常规、肝肾功能、X线胸部平片、痰找肿瘤细胞、血清肿瘤标志物五项检查及同时进行软X射线影像学检查,并及时记录和整理。
纤维支气管镜检查:对选择肺肿瘤患者术前均做纤维支气管镜检查,提取肺肿瘤标本,送病理科做常规组织学、细胞学检查,最终以病理诊断证实为肺癌,明确病理诊断结果,及时记录和整理。将明确的肺癌标本作为研究对象,送中国科技大学国家同步辐射实验室制作软X射线显微成像标本进行研究。
仪器设备等实验手段:
软X射线显微成像光束线站(中国科技大学国家同步辐射实验室);
真空干燥箱,CJ-3A甩胶机(北京半导体设备厂生产);
Olympus微分干涉差显微镜(日本)
扫描电镜KYKY-1000B型(中国科学院科学仪器厂制造);
151II型超薄切片机(西德SEIXY厂制造)。
软X射线肺癌显微图标本制作:
第一步:将已知的肺癌组织标本放置在德国生产的病理超薄切片机上,将该组织标本切成超薄切片病理组织细胞标本,超薄切片厚度为2~3nm。
第二步:把已切好的超薄切片肺癌组织细胞标本放置在38℃至40℃水槽的水面上,让标本漂浮在水面迅速均匀展开呈平面。
第三步:用上海产的电镜带把柄铜网捞取已在水槽漂浮展平的肺癌组织细胞超薄切片标本,然后,再将该电镜铜网放在吸水纸上控尽水分并晾干。
第四步:将此电镜超薄切片标本送病理检验部门,置于光学显微镜下进行病理学检查,发现肺癌细胞后,选择并固定好肺癌细胞观察视野,在光学显微镜下拍摄肺癌细胞放大100倍的光镜照片。同时又送肺癌细胞标本至同步辐射实验站,应用同步辐射软X射线。显微光束线扫描,显影在光刻胶上,再用显微透射进行观察并拍摄出软X射线显微成像的照片。
在进行软X射线影像学检查前,要求未接受任何治疗,如抗结核或抗感染或抗肿瘤治疗。所有入选受试者均需要病理的组织学、细胞学检查,以病理诊断结果为金标准。
同步辐射软X射线肺癌显微成像后,图像模拟信号经过调理单元经过前置放大、降噪和定标等处理,进入图像采集通道进行数字采样,最终将数字信号以串口或并口的形式送入计算机系统进行处理和智能识别。
本实施例采用了合肥国家同步辐射实验室光源(储存环能量800Mev)激发的光束线U12B,专门用于软X射线显微成像研究。
同步辐射软X射线肺癌显微图像信号是模拟信号。然而,由于该信号是一定量级的电压、电流或电阻变化。因此,在变换为数字信号之前必须进行调理,即放大、缓冲或定标模拟信号等,使其适合于后续信号采集单元输入。简单地说,图像信号调理单元就是将软X射线肺癌显微图像的模拟信号通过放大、滤波等操作转换成采集设备能够识别的标准信号。
同步辐射软X射线肺癌显微成像的图像采集单元将图像模拟信号变换为用于数据采集、控制过程、执行计算显示读出或其他目的的数字信号,相当于一个模拟/数字转换器(ADC)。而且,图像要满足一定速率的抽样率和控制条件,方可送入计算机进行数字化处理。
同步辐射软X射线肺癌显微图像分析识别由图像预处理、图像分割分析、重叠细胞重构、细胞特征提取、细胞特征分类(神经网络识别等)、诊断结果输出组成。
同步辐射软X射线肺癌显微图像计算机智能诊断处理部分的优点是能对细胞图像进行自动识别,其准确率能达到或接近病理专家对肺癌细胞的诊断水平。本部分主要研究肺癌诊断系统的设计与实现,其原理就是对细胞图像进行分割,提取出细胞所在的区域,分离与重构重叠的细胞。然后对分割出来的独立细胞进行特征提取,利用神经网络等工具,根据提取特征进行智能识别,给出客观的病理诊断。
对采集到的原始肺癌彩色图像,应用投影算法将其从三维的RGB色彩空间投影到一维线性的256级灰度空间;再利用双阈值快速分割方法对灰度图像作阈值分割,进而得到效果较好的二值图像。即对数字化的软X射线肺癌显微图像进行预处理。
在图像预处理基础上,对二值化图像进行形态学滤波,改善切片图像内细胞区域的几何形状。由于形态滤波可以在一定程度上消除图像采集及转换过程中可能产生的毛刺及小孔状噪音。因此,分割细胞区域的准确性得到了保证。
细胞间的相互连接,相邻边界紧密重叠,分割易造成伪边界和伪轮廓,致使细胞发生信息提取产生误差,必须要将这些因素消除。
使用细胞区域的链码表示对二值图像进行边缘跟踪计算,得到细胞区域的一系列几何形状和纹理特征,包括细胞区域的周长、面积、似圆度和矩形度等;然后,利用彩色切片图像数据对细胞区域的颜色直方图进行统计分析,获取其颜色特征。即对分割出来的细胞区域,利用形态、密度和质地特征进行图像识别,标识癌细胞区域。
分别以细胞区域的形态特征和颜色特征作为单个神经网络的输入向量,送入集成的神经网络进行肺癌细胞的分类识别。系统根据各级神经网络的输出进行集成,利用规则判别或神经网络判别,可以快速精确地判别出肺癌,最终得出诊断结果。
最终系统采用GUI的界面,用软件平台实现对生物样品的分析和识别。比较方便地对软X射线肺癌显微图像进行各种操作,并给出分类等结论。
最后应说明的是:显然,上述实施例仅仅是为清楚地说明本发明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (10)
1.一种利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,所述方法包括下列步骤:1)标本制作;2)病理检查;3)软X射线成像;4)分析识别。
2.如权利要求1所述的利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,所述标本制作步骤为:
第一步:将病理组织细胞标本切成超薄切片标本,超薄切片标本厚度为2~3nm;
第二步:将已切好的超薄切片标本放置在38℃~40℃水槽的水面上,使标本漂浮于水面迅速均匀展开呈平面状;
第三步:使用电镜铜网捞取已在水槽漂浮展平的超薄切片标本,然后,再将该电镜铜网放在吸水纸上控尽水分并晾干。
3.如权利要求2所述的利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,所述病理检查步骤为:将电镜铜网超薄切片标本送病理检验部门,置于光学显微镜下进行病理学检查,发现癌细胞后,选择并固定好观察视野,在光学显微镜下拍摄癌细胞放大100倍的光镜照片。
4.如权利要求3所述的利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,所述软X射线成像步骤为:
将电镜铜网超薄切片标本送至同步辐射实验站,应用同步辐射软X射线显微光束线扫描,显影在光刻胶上,再用显微透射进行观察并拍摄出软X射线显微成像的图像。
5.如权利要求4所述的利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,软X射线显微光束波长范围为1.0~10.0nm;软X射线显微对生物样品曝光的水窗材料为氮化硅,做成各种厚度,最薄为20nm厚。
6.如权利要求5所述的利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,所述分析识别步骤为:同步辐射软X射线癌细胞显微成像后,首先进行图像信号调理,然后进入图像信号采集进行数字采样,最终将数字信号以串口或并口的形式送入计算机系统进行处理和智能识别。
7.如权利要求6所述的利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,同步辐射软X射线显微图像信号是模拟信号;在变换为数字信号之前必须进行调理,即放大、缓冲或定标模拟信号,使其适合于后续信号采集单元输入。
8.如权利要求7所述的利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,图像信号采集包括图像预处理、图像分割分析、重叠细胞重构、细胞特征提取、细胞特征分类和诊断结果输出。
9.如权利要求7所述的利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,
图像预处理包括灰度变换、直方图调整、细胞前置处理、细胞核前置处理及去除淋巴球;
所述灰度变换为将细胞影像转为灰度格式,便于后续的处理工作,利用彩色影像与灰度影像之间的转换公式进行转换;
所述直方图调整为采用直方图拉伸或直方图均衡化方法间接增强对比度;
所述细胞前置处理包括对比调整、二值化、边缘检测;
所述去除淋巴球包括侵蚀、扩张及逻辑处理,目的是要取得去除淋巴球后的细胞影像;
图像分割分析包括基于阈值的分割、细胞组织结构形态学的图像处理,以及边缘检测;
所述基于阈值的分割为将细胞轮廓切割出来;
所述细胞组织结构形态学的图像处理为轮廓追踪、腐蚀、膨胀;
所述边缘检测,由于细胞和细胞之间相邻过于紧密,将这些噪声去除,以免影响后续细胞特征值的提取;
重叠细胞重构为,由于细胞间的相互连接,相邻边界紧密重叠,分割易造成伪边界和伪轮廓,致使细胞发生信息提取产生误差,必须要将这些因素消除。
细胞特征提取方法采用细胞核质比方法或色度学方法;
所述细胞核质比方法为,通过逐步选择连通区域面积的阈值,利用bwareaopen函数除去小面积轮廓;清晰地展现细胞核和细胞质的轮廓区别;计算细胞核与细胞质面积比;正常细胞的细胞核和细胞质的比例为1∶4或1∶6;癌细胞的细胞核和细胞质的比例为1∶1;
所述色度学方法为,由于癌细胞核通常比正常细胞核颜色更深,且其彩色分量在彩色空间中具有不同的聚类,利用其色度学特征对可疑癌细胞核进行进一步的分类识别;
细胞特征分类和诊断结果输出方法为包括BP神经网络方法、支持向量机方法或决策树方法;
所述BP神经网络方法为利用三层BP网络来诊断癌细胞,根据癌细胞的临床特征提取特征参数,从而采集大量样本来训练神经网络,再利用训练好的网络来诊断癌细胞。
10.如权利要求1-9之任一所述的利用软X射线显微成像进行癌细胞图形识别的方法,其特征在于,所述癌细胞为肺癌细胞或食管癌细胞。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101121777A CN102297873A (zh) | 2011-05-03 | 2011-05-03 | 利用软x射线显微成像进行癌细胞图形识别的方法 |
US13/699,116 US9081998B2 (en) | 2011-05-03 | 2011-05-09 | Method for utilizing soft X-ray microimaging for cancer cell image recognition |
PCT/CN2011/073800 WO2012139313A1 (zh) | 2011-05-03 | 2011-05-09 | 利用软x射线显微成像进行癌细胞图形识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101121777A CN102297873A (zh) | 2011-05-03 | 2011-05-03 | 利用软x射线显微成像进行癌细胞图形识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102297873A true CN102297873A (zh) | 2011-12-28 |
Family
ID=45358437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101121777A Pending CN102297873A (zh) | 2011-05-03 | 2011-05-03 | 利用软x射线显微成像进行癌细胞图形识别的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9081998B2 (zh) |
CN (1) | CN102297873A (zh) |
WO (1) | WO2012139313A1 (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102742977A (zh) * | 2012-07-02 | 2012-10-24 | 东莞职业技术学院 | 基于图像处理的涂胶路径控制方法 |
CN102944567A (zh) * | 2012-11-29 | 2013-02-27 | 中国航空综合技术研究所 | 塑封电子元器件x射线造影检测方法 |
CN103760179A (zh) * | 2014-01-22 | 2014-04-30 | 杭州一二八医院 | 细胞显微成像方法、图像处理方法以及成像分析系统 |
CN103776836A (zh) * | 2012-10-26 | 2014-05-07 | 蔡志明 | 基于尿液的早期膀胱癌检查方法及系统 |
CN104103061A (zh) * | 2013-04-07 | 2014-10-15 | 深圳市蓝韵实业有限公司 | 医学x线图像的分割方法及系统 |
CN106202956A (zh) * | 2016-07-20 | 2016-12-07 | 宁波江丰生物信息技术有限公司 | 一种适用于肾内科的病理信息系统的流程方法 |
CN107192598A (zh) * | 2017-04-10 | 2017-09-22 | 中国科学技术大学 | 一种软x射线冷冻成像样品的制备方法 |
CN104838248B (zh) * | 2012-12-11 | 2017-12-12 | 日本樱花检验仪器株式会社 | 自动薄切装置、参数生成装置、自动薄切方法 |
CN107515187A (zh) * | 2017-08-23 | 2017-12-26 | 中国林业科学研究院木材工业研究所 | 一种快速检测木质纤维材料中导管细胞形态特征的方法 |
CN107909589A (zh) * | 2017-11-01 | 2018-04-13 | 浙江工业大学 | 一种结合C‑V水平集和GrabCut算法的牙齿图像分割方法 |
CN108140240A (zh) * | 2015-08-12 | 2018-06-08 | 分子装置有限公司 | 用于自动分析细胞的表型反应的系统和方法 |
CN108352062A (zh) * | 2015-09-23 | 2018-07-31 | 皇家飞利浦有限公司 | 用于组织识别的方法和设备 |
CN108601555A (zh) * | 2015-08-31 | 2018-09-28 | 医药生命融合研究团 | 一种获取活体内肺组织显微影像的基于微量吸入的肺窗装置及利用其获取影像的方法 |
CN108765371A (zh) * | 2018-04-25 | 2018-11-06 | 浙江大学 | 一种病理切片中非常规细胞的分割方法 |
CN109124669A (zh) * | 2018-08-30 | 2019-01-04 | 沈阳柏敖生信生物科技有限公司 | 一种整形前ct数据测量方法 |
CN109360187A (zh) * | 2018-09-10 | 2019-02-19 | 天津大学 | 淋巴细胞切片癌细胞检测器 |
CN109816623A (zh) * | 2017-11-17 | 2019-05-28 | 国立癌症研究中心 | 图像解析方法、装置和程序及学习完了深层学习算法及其制造方法 |
CN110568471A (zh) * | 2018-06-06 | 2019-12-13 | 西门子医疗有限公司 | 确定能带的阈值的方法、计算单元和医学成像设备 |
CN111458269A (zh) * | 2020-05-07 | 2020-07-28 | 厦门汉舒捷医疗科技有限公司 | 一种外周血淋巴微核细胞图像人工智能识别方法 |
CN112037853A (zh) * | 2019-10-30 | 2020-12-04 | 东莞太力生物工程有限公司 | 筛选能够表达期望产物细胞株的方法 |
CN112766048A (zh) * | 2020-12-28 | 2021-05-07 | 宁波江丰生物信息技术有限公司 | 一种用于dna倍体分析的svm细胞核分类器训练方法 |
WO2023019555A1 (zh) * | 2021-08-20 | 2023-02-23 | 深圳先进技术研究院 | 细胞荧光图像阈值化方法、系统、终端及存储介质 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9466009B2 (en) | 2013-12-09 | 2016-10-11 | Nant Holdings Ip. Llc | Feature density object classification, systems and methods |
US10304188B1 (en) | 2015-03-27 | 2019-05-28 | Caleb J. Kumar | Apparatus and method for automated cell analysis |
CN106323707A (zh) * | 2015-07-09 | 2017-01-11 | 衢州职业技术学院 | 一种血小板环境扫描电镜观察样本的改良制备方法 |
US9739783B1 (en) * | 2016-03-15 | 2017-08-22 | Anixa Diagnostics Corporation | Convolutional neural networks for cancer diagnosis |
US9934364B1 (en) | 2017-02-28 | 2018-04-03 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
US10360499B2 (en) | 2017-02-28 | 2019-07-23 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
US11164082B2 (en) | 2017-02-28 | 2021-11-02 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
JPWO2018207361A1 (ja) * | 2017-05-12 | 2020-03-12 | オリンパス株式会社 | 細胞画像取得装置 |
US10803984B2 (en) * | 2017-10-06 | 2020-10-13 | Canon Medical Systems Corporation | Medical image processing apparatus and medical image processing system |
US11517197B2 (en) * | 2017-10-06 | 2022-12-06 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction |
CN108345871A (zh) * | 2018-03-20 | 2018-07-31 | 宁波江丰生物信息技术有限公司 | 一种宫颈癌切片识别方法 |
CN109272492B (zh) * | 2018-08-24 | 2022-02-15 | 深思考人工智能机器人科技(北京)有限公司 | 一种细胞病理涂片的处理方法及系统 |
US11386636B2 (en) | 2019-04-04 | 2022-07-12 | Datalogic Usa, Inc. | Image preprocessing for optical character recognition |
CN110619318B (zh) * | 2019-09-27 | 2021-03-02 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法、显微镜、系统和介质 |
CN113241154A (zh) * | 2020-12-28 | 2021-08-10 | 中国人民解放军陆军军医大学第二附属医院 | 一种人工智能血液涂片细胞标注系统及方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4979203A (en) * | 1989-06-19 | 1990-12-18 | Princeton X-Ray Laser | X-ray laser microscope apparatus |
US6287790B1 (en) * | 1998-11-30 | 2001-09-11 | The Regents Of The University Of California | Utilization of nuclear structural proteins for targeted therapy and detection of proliferative and differentiation disorders |
CN1462884A (zh) * | 2003-06-24 | 2003-12-24 | 南京大学 | 一种高精度、低假阴性率的肺癌细胞图像识别方法 |
US7419680B2 (en) * | 2003-10-01 | 2008-09-02 | New York University | Calcium phosphate-based materials containing zinc, magnesium, fluoride and carbonate |
CN1243269C (zh) * | 2004-03-19 | 2006-02-22 | 中国科学院上海光学精密机械研究所 | 高次谐波软x射线相衬显微镜 |
US7907769B2 (en) * | 2004-05-13 | 2011-03-15 | The Charles Stark Draper Laboratory, Inc. | Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation |
CN1624475A (zh) * | 2004-12-20 | 2005-06-08 | 华中科技大学 | 宫颈癌细胞辅助检测方法 |
CN1746901A (zh) * | 2005-09-19 | 2006-03-15 | 南京大学 | 肺癌早期细胞涂片彩色图像信息的计算机智能化处理的方法及其处理设备 |
CN101164551B (zh) * | 2006-10-16 | 2010-05-26 | 三峡大学 | 抗肝癌中药有效组分优选配方 |
US8506558B2 (en) * | 2008-01-11 | 2013-08-13 | Oraya Therapeutics, Inc. | System and method for performing an ocular irradiation procedure |
CA2688145C (en) * | 2007-06-19 | 2016-10-04 | Emory University | A method of treating abnormal angiogenesis via the bai family of proteins and their protein fragments |
-
2011
- 2011-05-03 CN CN2011101121777A patent/CN102297873A/zh active Pending
- 2011-05-09 US US13/699,116 patent/US9081998B2/en not_active Expired - Fee Related
- 2011-05-09 WO PCT/CN2011/073800 patent/WO2012139313A1/zh active Application Filing
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102742977A (zh) * | 2012-07-02 | 2012-10-24 | 东莞职业技术学院 | 基于图像处理的涂胶路径控制方法 |
CN103776836A (zh) * | 2012-10-26 | 2014-05-07 | 蔡志明 | 基于尿液的早期膀胱癌检查方法及系统 |
CN102944567B (zh) * | 2012-11-29 | 2014-09-17 | 中国航空综合技术研究所 | 塑封电子元器件x射线造影检测方法 |
CN102944567A (zh) * | 2012-11-29 | 2013-02-27 | 中国航空综合技术研究所 | 塑封电子元器件x射线造影检测方法 |
CN104838248B (zh) * | 2012-12-11 | 2017-12-12 | 日本樱花检验仪器株式会社 | 自动薄切装置、参数生成装置、自动薄切方法 |
US10175678B2 (en) | 2012-12-11 | 2019-01-08 | Sakura Finetek Japan Co., Ltd. | Automatic thin-cutting device, parameter generation device, automatic thin-cutting method, and program |
CN104103061A (zh) * | 2013-04-07 | 2014-10-15 | 深圳市蓝韵实业有限公司 | 医学x线图像的分割方法及系统 |
CN103760179B (zh) * | 2014-01-22 | 2016-05-11 | 杭州一二八医院 | 细胞显微成像方法、图像处理方法以及成像分析系统 |
CN103760179A (zh) * | 2014-01-22 | 2014-04-30 | 杭州一二八医院 | 细胞显微成像方法、图像处理方法以及成像分析系统 |
CN108140240A (zh) * | 2015-08-12 | 2018-06-08 | 分子装置有限公司 | 用于自动分析细胞的表型反应的系统和方法 |
CN108601555B (zh) * | 2015-08-31 | 2021-01-29 | 医药生命融合研究团 | 一种获取活体内肺组织显微影像的基于微量吸入的肺窗装置及利用其获取影像的方法 |
CN108601555A (zh) * | 2015-08-31 | 2018-09-28 | 医药生命融合研究团 | 一种获取活体内肺组织显微影像的基于微量吸入的肺窗装置及利用其获取影像的方法 |
CN108352062A (zh) * | 2015-09-23 | 2018-07-31 | 皇家飞利浦有限公司 | 用于组织识别的方法和设备 |
CN106202956A (zh) * | 2016-07-20 | 2016-12-07 | 宁波江丰生物信息技术有限公司 | 一种适用于肾内科的病理信息系统的流程方法 |
CN107192598B (zh) * | 2017-04-10 | 2019-10-25 | 中国科学技术大学 | 一种软x射线冷冻成像样品的制备方法 |
CN107192598A (zh) * | 2017-04-10 | 2017-09-22 | 中国科学技术大学 | 一种软x射线冷冻成像样品的制备方法 |
CN107515187A (zh) * | 2017-08-23 | 2017-12-26 | 中国林业科学研究院木材工业研究所 | 一种快速检测木质纤维材料中导管细胞形态特征的方法 |
CN107515187B (zh) * | 2017-08-23 | 2020-01-10 | 中国林业科学研究院木材工业研究所 | 一种快速检测木质纤维材料中导管细胞形态特征的方法 |
CN107909589B (zh) * | 2017-11-01 | 2020-10-09 | 浙江工业大学 | 一种结合C-V水平集和GrabCut算法的牙齿图像分割方法 |
CN107909589A (zh) * | 2017-11-01 | 2018-04-13 | 浙江工业大学 | 一种结合C‑V水平集和GrabCut算法的牙齿图像分割方法 |
CN109816623A (zh) * | 2017-11-17 | 2019-05-28 | 国立癌症研究中心 | 图像解析方法、装置和程序及学习完了深层学习算法及其制造方法 |
CN108765371A (zh) * | 2018-04-25 | 2018-11-06 | 浙江大学 | 一种病理切片中非常规细胞的分割方法 |
CN108765371B (zh) * | 2018-04-25 | 2020-07-07 | 浙江大学 | 一种病理切片中非常规细胞的分割方法 |
CN110568471A (zh) * | 2018-06-06 | 2019-12-13 | 西门子医疗有限公司 | 确定能带的阈值的方法、计算单元和医学成像设备 |
CN109124669A (zh) * | 2018-08-30 | 2019-01-04 | 沈阳柏敖生信生物科技有限公司 | 一种整形前ct数据测量方法 |
CN109360187A (zh) * | 2018-09-10 | 2019-02-19 | 天津大学 | 淋巴细胞切片癌细胞检测器 |
CN112037853A (zh) * | 2019-10-30 | 2020-12-04 | 东莞太力生物工程有限公司 | 筛选能够表达期望产物细胞株的方法 |
CN112037853B (zh) * | 2019-10-30 | 2021-12-10 | 深圳太力生物技术有限责任公司 | 筛选能够表达期望产物细胞株的方法 |
CN111458269A (zh) * | 2020-05-07 | 2020-07-28 | 厦门汉舒捷医疗科技有限公司 | 一种外周血淋巴微核细胞图像人工智能识别方法 |
CN112766048A (zh) * | 2020-12-28 | 2021-05-07 | 宁波江丰生物信息技术有限公司 | 一种用于dna倍体分析的svm细胞核分类器训练方法 |
WO2023019555A1 (zh) * | 2021-08-20 | 2023-02-23 | 深圳先进技术研究院 | 细胞荧光图像阈值化方法、系统、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2012139313A1 (zh) | 2012-10-18 |
US20130071876A1 (en) | 2013-03-21 |
US9081998B2 (en) | 2015-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102297873A (zh) | 利用软x射线显微成像进行癌细胞图形识别的方法 | |
CN109272492B (zh) | 一种细胞病理涂片的处理方法及系统 | |
Wang et al. | Using deep convolutional neural networks for multi-classification of thyroid tumor by histopathology: a large-scale pilot study | |
Belsare et al. | Histopathological image analysis using image processing techniques: An overview | |
CN103907023B (zh) | 检测生物学样品中的异常的系统和方法 | |
Dey et al. | Digital analysis of microscopic images in medicine | |
Win et al. | Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding | |
Naghdy et al. | Cervical cancer classification using Gabor filters | |
Meyer et al. | Automated cell analysis in 2D and 3D: A comparative study | |
Abuared et al. | Skin cancer classification model based on VGG 19 and transfer learning | |
AU2009251310A1 (en) | Method of reconstituting cellular spectra useful for detecting cellular disorders | |
Collier et al. | Real-time reflectance confocal microscopy: comparison of two-dimensional images and three-dimensional image stacks for detection of cervical precancer | |
CN108961222A (zh) | 一种基于阴道镜图像的宫颈癌早期筛查识别方法 | |
Lu et al. | Rapid assessment of breast tumor margins using deep ultraviolet fluorescence scanning microscopy | |
Tsafas et al. | Application of a deep-learning technique to non-linear images from human tissue biopsies for shedding new light on breast cancer diagnosis | |
CN103760179B (zh) | 细胞显微成像方法、图像处理方法以及成像分析系统 | |
CN109214433A (zh) | 一种卷积神经网络区分肝癌分化等级的方法 | |
Wang et al. | Automated ovarian cancer identification using end-to-end deep learning and second harmonic generation imaging | |
Jeftic et al. | Optomagnetic imaging spectroscopy application in cervical dysplasia and cancer detection: comparation of stained and unstained papanicolaou smears | |
CN113674839A (zh) | 无创成像筛查与微创取样核酸分型的联合检测系统 | |
Cao et al. | Deep learning based lesion detection for mammograms | |
WO2023283091A1 (en) | Biopsy-free in vivo virtual histology of tissue using deep learning | |
Thouvenin et al. | Automatic diagnosis and biopsy classification with dynamic full-field OCT and machine learning | |
Mandache et al. | Leveraging global diagnosis for tumor localization in dynamic cell imaging of breast cancer tissue towards fast biopsying | |
Pławiak-Mowna et al. | On effectiveness of human cell nuclei detection depending on digital image color representation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20111228 |