CN102354398A - 基于密度中心与自适应的基因芯片处理方法 - Google Patents

基于密度中心与自适应的基因芯片处理方法 Download PDF

Info

Publication number
CN102354398A
CN102354398A CN2011102837638A CN201110283763A CN102354398A CN 102354398 A CN102354398 A CN 102354398A CN 2011102837638 A CN2011102837638 A CN 2011102837638A CN 201110283763 A CN201110283763 A CN 201110283763A CN 102354398 A CN102354398 A CN 102354398A
Authority
CN
China
Prior art keywords
image
genetic chip
target spot
area
adaptive
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
Application number
CN2011102837638A
Other languages
English (en)
Inventor
翁桂荣
李靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN2011102837638A priority Critical patent/CN102354398A/zh
Publication of CN102354398A publication Critical patent/CN102354398A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种基于密度中心与自适应的基因芯片处理方法，其特征在于，包括下列步骤：(1)对基因芯片图像进行滤波处理、网格化及图像增强；(2)用自适应阈值算法对每个网格内的图像进行分割，并区分出基因芯片图像的靶点前景与背景；(3)利用密度中心算法确定每个靶点的中心点，计算出靶点面积，折算出同面积圆的半径，构建一个自适应圆形模版，将该自适应圆形模版作为分割的边界；(4)提取所述靶点前景图像与自适应圆形模版的交集，并分离提取靶点目标。本发明方法对样点形状没有任何限制，可以提高检测的精确度和效率，自动完成并对靶点间隔小或粘连的图像特别有效，使快速分析和处理海量芯片图像数据成为可能。

Description

基于密度中心与自适应的基因芯片处理方法
技术领域
本发明涉及一种图像处理方法，具体涉及一种基因芯片的图像处理方法。
背景技术
cDNA微阵列，也称基因芯片，是由大量DNA或寡核苷酸探针密集排列所形成的探针阵列。利用基因芯片，可以对生物细胞或组织中大量的基因信息进行分析，实现基因信息的大规模检测。cDNA微阵列已经在毒物学的研究、基因和药物发现和疾病诊断等方面发挥重要作用。
靶点图像强度代表了相应基因表达的测量信息，要正确识别图像中的靶点，区分靶点像素和背景像素，提取靶点区数据，还需进行图像滤波、网格化等工作；滤波去除杂散光等造成的噪声；网格化使每个靶点被一个方格包围，通过对图像上靶点的网格划分及分割实现靶点光斑与背景的分离，网格化及分割的结果直接决定了靶点数据提取、分析的准确性。
现有技术中，已经出现了一些能够用来对微阵列芯片靶点图像进行处理与分析的商业软件，如ScanAlyze，GenePix。这些软件对芯片图像的处理与分析或者采用手工或者半自动的样点定位方法，或者将样点的形状假定为圆形，而实际的样点图像很少完全是圆形，有的呈现椭圆形，有的呈现花生形，因此必然会对分析结果造成影响。
本发明提出基于密度中心与自适应的基因芯片处理方法，该方法对样点形状没有任何限制，可以提高检测的精确度和效率，自动完成并对靶点间隔小或粘连的图像特别有效。
发明内容
本发明的发明目的是提供一种基于密度中心与自适应的基因芯片处理方法，能够不受样点图像形状的影响，快速、稳定及高精度地对基因芯片图像进行处理。
为达到上述发明目的，本发明采用的技术方案是：一种基于密度中心与自适应的基因芯片处理方法，包括下列步骤：(1)将待处理的基因芯片图像输入计算机，进行数字化处理，对数字化后的基因芯片图像进行滤波处理、网格化及图像增强；(2)用自适应阈值算法对每个网格内的图像进行分割，并区分出基因芯片图像的靶点前景与背景；(3)利用密度中心算法确定每个靶点的中心点，计算出靶点面积，折算出同面积圆的半径，构建一个自适应圆形模版，将该自适应圆形模版作为分割的边界；(4)提取所述靶点前景图像与自适应圆形模版的交集，并分离提取靶点目标，最后输出处理后的图像。
上述技术方案中，利用数学形态学的原理对基因芯片图像进行滤波（开、闭运算及面积滤波）、网格化及图像增强（                                               
Figure 2011102837638100002DEST_PATH_IMAGE002
运算），并用自适应阈值算法进行预分割，进而区别基因芯片图像的前景与背景。
数学形态学是一种非线性滤波方法，它的基本思想是用一定形态的结构元素去度量和提取图像中的对应形状，去除不相干的结构，以达到图像分析和识别。
实际图像往往存在微小的噪声干扰，处理对象上还存在一些干扰区域，为了方便对图像的识别处理，这些干扰区域也应该加以清除。这些干扰区域有些是高亮度的，有些是低灰度的噪声。为了滤除这些噪声，可选用一组逐渐增加宽度的结构元素交替进行开、闭滤波运算。
上述技术方案中，所述步骤(1)中，滤波、图像增强方法为，
设数字图像
Figure 2011102837638100002DEST_PATH_IMAGE004
为图像
Figure 2011102837638100002DEST_PATH_IMAGE006
在
Figure 2011102837638100002DEST_PATH_IMAGE008
处的灰度值，
Figure 2011102837638100002DEST_PATH_IMAGE010
为结构元素，
Figure 2011102837638100002DEST_PATH_IMAGE012
为它在
Figure 2011102837638100002DEST_PATH_IMAGE014
处的值，
Figure 2011102837638100002DEST_PATH_IMAGE016
、
Figure 2011102837638100002DEST_PATH_IMAGE018
分别为灰度形态开、闭运算, E为连通结构元素，m、n及i、j分别为图像的行、列，M、N为图像像素的大小；
1）面积滤波：其功能是消除灰度图像面积小于阈值a的孤立图像块，但不影响其它图像块，定义为：
Figure 2011102837638100002DEST_PATH_IMAGE020
                                     (1)
其中，
Figure 2011102837638100002DEST_PATH_IMAGE022
为连通元素，E为连通结构元素,面积阈值为
Figure 2011102837638100002DEST_PATH_IMAGE024
。
2）变换算子
Figure 2011102837638100002DEST_PATH_IMAGE026
                         (2)。
可见
Figure 860832DEST_PATH_IMAGE002
运算是原始图像与其开(闭)运算后的信号运算，所以经
Figure 677479DEST_PATH_IMAGE002
变换处理后的图像能抑制平缓变化的背景和不相关结构信息，提取出形状类似于结构元素的孤立目标和噪声，
Figure 945649DEST_PATH_IMAGE002
变换具有滤波及图像增强作用。
上述技术方案中，所述密度中心算法为，
若
Figure 2011102837638100002DEST_PATH_IMAGE028
为标号区域的密度中心坐标，通过下述公式得到：
Figure 2011102837638100002DEST_PATH_IMAGE030
                                            (3)
Figure 2011102837638100002DEST_PATH_IMAGE032
                                            (4)
C为该区域以像素数目计算的面积，
Figure 2011102837638100002DEST_PATH_IMAGE034
为标记块图像。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
本发明提出基于密度中心与自适应的基因芯片处理方法，该方法克服圆形分割法及自适应圆形分割法的不足，对样点形状没有任何限制，可以提高检测的精确度和效率，自动完成并对靶点间隔小或粘连的图像特别有效，使快速分析和处理海量芯片图像数据成为可能。
附图说明
图1是实施例一中基因芯片图像示意图；
图2是图1中靶点网格化后的示意图；
图3是对图1中的图像降噪、增强处理的示意图；
图4是对图3中的图像进行自适应阈值分割后的示意图；
图5是对图4进行数学形态学处理结果；
图6是图5进行靶点图像自适应圆形分割后的示意图；
图7是实施例一中基于密度中心与自适应分割的结果示意图；
图8是实施例二中基因芯片图像示意图；
图9是对图8进行基于密度中心与自适应分割的结果示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述：
实施例一：一种基于密度中心与自适应的基因芯片处理方法，包括如下步骤：
1、图像网格化处理
R. Hirata [2001] 提出了自动网格化方法对基因芯片图像网格化，每个格子中的图像称为靶点图像。原理是利用基因芯片图像（参见图1）在水平方向和垂直方向投影信号来对图像进行阵列划分。该算法简单，快速，分割准确，可以满足基因芯片图像阵列分割的要求，如图2所示。
具体步骤如下:
1)水平方向和垂直方向的投影信号计算。
Figure 2011102837638100002DEST_PATH_IMAGE036
                          (5)
Figure 2011102837638100002DEST_PATH_IMAGE038
                               (6)
其中
Figure 2011102837638100002DEST_PATH_IMAGE040
、
Figure 2011102837638100002DEST_PATH_IMAGE042
分别为图像
Figure 2011102837638100002DEST_PATH_IMAGE044
在水平方向和垂直方向的投影，
Figure 2011102837638100002DEST_PATH_IMAGE046
分别为图像的大小。
2)计算水平投影信号的均值，其中N为水平方向的网格数，用水平信号与其均值的差作为标记信号。
Figure 2011102837638100002DEST_PATH_IMAGE048
                             (7)
Figure 2011102837638100002DEST_PATH_IMAGE050
                             (8)
2、数学形态学的原理对基因芯片图像滤波方法
基因芯片在制作过程中产生大量噪声，要正确识别图像中的靶点，必需进行图像滤波处理，本发明提出利用数学形态学进行图像滤波。通过灰度变换，将RGB格式的彩色荧光图像转化为单色灰度图像，利用形态学面积滤波方法滤除面积大于a的孤立图像块，并利用变换算子进行图像降噪、增强处理，结果如图3所示。
3、自适应阈值分割
在网格内逐个进行自适应阈值分割而不是在全图形内，结果如图4所示。并进行填洞处理、形态学面积滤波及形态学开运算，滤除孤立的小面积图像块并平滑靶点边缘，结果如图5所示。
4、基于密度中心靶点图像分割
在上述网格化的基础上，利用密度中心算法确定网格内每个靶点（图5）中心点，并计算出靶点面积，同时折算出同面积圆的半径，构建一个自适应圆形模版，将该自适应圆形模版作为分割的边界，如图6所示。
5、基于密度中心与自适应的基因芯片处理方法
提取上述数学形态学处理结果（图5）与自适应圆形模版（图6）的交集，并分离提取靶点目标，如图7所示。
实施例二：本实施例的处理方法与实施例一相同，图8是基因芯片图像，经采用本发明的方法处理后，获得的图像如图9所示。

Claims (3)

1.一种基于密度中心与自适应的基因芯片处理方法，其特征在于，包括下列步骤：(1)将待处理的基因芯片图像输入计算机，进行数字化处理，对数字化后的基因芯片图像进行滤波处理、网格化及图像增强；(2)用自适应阈值算法对每个网格内的图像进行分割，并区分出基因芯片图像的靶点前景与背景；(3)利用密度中心算法确定每个靶点的中心点，计算出靶点面积，折算出同面积圆的半径，构建一个自适应圆形模版，将该自适应圆形模版作为分割的边界；(4)提取所述靶点前景图像与自适应圆形模版的交集，并分离提取靶点目标，最后输出处理后的图像。
2.根据权利要求1所述的基于密度中心与自适应的基因芯片处理方法，其特征在于：所述步骤(1)中，滤波、图像增强方法为，
设数字图像                                                
Figure 2011102837638100001DEST_PATH_IMAGE001
为图像
Figure 662640DEST_PATH_IMAGE002
在
Figure 2011102837638100001DEST_PATH_IMAGE003
处的灰度值，
Figure 297889DEST_PATH_IMAGE004
为结构元素，
Figure 2011102837638100001DEST_PATH_IMAGE005
为它在
Figure 202260DEST_PATH_IMAGE006
处的值，
Figure 2011102837638100001DEST_PATH_IMAGE007
、
Figure 784420DEST_PATH_IMAGE008
分别为灰度形态开、闭运算，m、n及i、j分别为图像的行、列，M、N为图像像素的大小；
1）面积滤波：其功能是消除灰度图像面积小于阈值a的孤立图像块，但不影响其它图像块，定义为：
Figure 2011102837638100001DEST_PATH_IMAGE009
                                       (1)
其中，
Figure 723426DEST_PATH_IMAGE010
为连通元素，E为连通结构元素,面积阈值为
Figure 2011102837638100001DEST_PATH_IMAGE011
；
2）
Figure 806875DEST_PATH_IMAGE012
变换算子
                              (2)。
3.根据权利要求1所述的基于密度中心与自适应的基因芯片处理方法，其特征在于：所述密度中心算法为，
若
Figure 667384DEST_PATH_IMAGE014
为标号区域的密度中心坐标，通过下述公式得到：
Figure 2011102837638100001DEST_PATH_IMAGE015
                                                      (3)
Figure 584393DEST_PATH_IMAGE016
                                                       (4)
C为该区域以像素数目计算的面积，
Figure 2011102837638100001DEST_PATH_IMAGE017
为标记块图像。
CN2011102837638A 2011-09-22 2011-09-22 基于密度中心与自适应的基因芯片处理方法 Pending CN102354398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011102837638A CN102354398A (zh) 2011-09-22 2011-09-22 基于密度中心与自适应的基因芯片处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011102837638A CN102354398A (zh) 2011-09-22 2011-09-22 基于密度中心与自适应的基因芯片处理方法

Publications (1)

Publication Number Publication Date
CN102354398A true CN102354398A (zh) 2012-02-15

Family

ID=45577959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011102837638A Pending CN102354398A (zh) 2011-09-22 2011-09-22 基于密度中心与自适应的基因芯片处理方法

Country Status (1)

Country Link
CN (1) CN102354398A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616264A (zh) * 2015-02-12 2015-05-13 厦门大学 基因芯片图像的自动对比度增强方法
CN107918931A (zh) * 2016-10-10 2018-04-17 深圳市瀚海基因生物科技有限公司 图像处理方法及系统
CN110136775A (zh) * 2019-05-08 2019-08-16 赵壮志 一种细胞分裂及抗干扰检测系统及方法
CN110276348A (zh) * 2019-06-20 2019-09-24 腾讯科技（深圳）有限公司 一种图像定位方法、装置、服务器及存储介质
US10467749B2 (en) 2016-10-10 2019-11-05 Genemind Biosciences Company Limited Method and system for processing an image comprising spots in nucleic acid sequencing
CN110490836A (zh) * 2019-07-04 2019-11-22 中国科学院苏州生物医学工程技术研究所 dPCR微阵列图像信息处理方法
CN113140257A (zh) * 2020-01-20 2021-07-20 赛纳生物科技(北京)有限公司 一种基因测序信号去除串扰的方法
US11170506B2 (en) 2018-08-22 2021-11-09 Genemind Biosciences Company Limited Method for constructing sequencing template based on image, and base recognition method and device
CN114463389A (zh) * 2022-04-14 2022-05-10 广州联客信息科技有限公司 一种运动目标检测方法以及检测系统
US11847766B2 (en) 2018-08-22 2023-12-19 Genemind Biosciences Company Limited Method and device for detecting bright spots on image, and computer program product

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930531A (zh) * 2010-08-09 2010-12-29 亚能生物技术（深圳）有限公司 基因芯片阅读仪及基因芯片判读方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930531A (zh) * 2010-08-09 2010-12-29 亚能生物技术（深圳）有限公司 基因芯片阅读仪及基因芯片判读方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WENG GUIRONG,ET AL: "cDNA Microarray Image Processing Using Spot Centroid of Intensity", 《2008 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SECURITY》, vol. 2, 22 December 2008 (2008-12-22), pages 25 - 29, XP031379188 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616264A (zh) * 2015-02-12 2015-05-13 厦门大学 基因芯片图像的自动对比度增强方法
CN104616264B (zh) * 2015-02-12 2017-12-19 厦门大学 基因芯片图像的自动对比度增强方法
CN107945150B (zh) * 2016-10-10 2021-11-09 深圳市真迈生物科技有限公司 基因测序的图像处理方法及系统及计算机可读存储介质
CN107945150A (zh) * 2016-10-10 2018-04-20 深圳市瀚海基因生物科技有限公司 基因测序的图像处理方法及系统
WO2018068600A1 (zh) * 2016-10-10 2018-04-19 深圳市瀚海基因生物科技有限公司 图像处理方法及系统
US10467749B2 (en) 2016-10-10 2019-11-05 Genemind Biosciences Company Limited Method and system for processing an image comprising spots in nucleic acid sequencing
CN107918931A (zh) * 2016-10-10 2018-04-17 深圳市瀚海基因生物科技有限公司 图像处理方法及系统
CN107918931B (zh) * 2016-10-10 2021-11-09 深圳市真迈生物科技有限公司 图像处理方法及系统及计算机可读存储介质
US11170506B2 (en) 2018-08-22 2021-11-09 Genemind Biosciences Company Limited Method for constructing sequencing template based on image, and base recognition method and device
US11847766B2 (en) 2018-08-22 2023-12-19 Genemind Biosciences Company Limited Method and device for detecting bright spots on image, and computer program product
CN110136775A (zh) * 2019-05-08 2019-08-16 赵壮志 一种细胞分裂及抗干扰检测系统及方法
CN110276348A (zh) * 2019-06-20 2019-09-24 腾讯科技（深圳）有限公司 一种图像定位方法、装置、服务器及存储介质
CN110276348B (zh) * 2019-06-20 2022-11-25 腾讯科技（深圳）有限公司 一种图像定位方法、装置、服务器及存储介质
CN110490836A (zh) * 2019-07-04 2019-11-22 中国科学院苏州生物医学工程技术研究所 dPCR微阵列图像信息处理方法
CN113140257A (zh) * 2020-01-20 2021-07-20 赛纳生物科技(北京)有限公司 一种基因测序信号去除串扰的方法
CN114463389A (zh) * 2022-04-14 2022-05-10 广州联客信息科技有限公司 一种运动目标检测方法以及检测系统

Similar Documents

Publication Publication Date Title
CN102354398A (zh) 基于密度中心与自适应的基因芯片处理方法
Bao et al. Field-based architectural traits characterisation of maize plant using time-of-flight 3D imaging
JP5355275B2 (ja) 細胞画像解析装置
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN102663406A (zh) 一种基于显微图像的角毛藻和非角毛藻自动分类方法
CN109117703B (zh) 一种基于细粒度识别的混杂细胞种类鉴定方法
JP6733983B2 (ja) 画像解析装置
EP2199776B1 (en) Cell image analysis apparatus, cell image analysis method, and program
Osterloff et al. A computer vision approach for monitoring the spatial and temporal shrimp distribution at the LoVe observatory
JP2012522312A (ja) 生体物質を識別するシステム及び方法
CN109147932B (zh) 癌细胞her2基因扩增分析方法及系统
CN108776823A (zh) 基于细胞图像识别的宫颈癌病灶分析方法
CN116596921B (zh) 一种焚烧炉渣分选方法及系统
CN110807754A (zh) 基于深度语义分割的真菌显微图像分割检测方法及系统
Ahmad et al. A study on microarray image gridding techniques for DNA analysis
CN115496716A (zh) 基于深度学习的单双微核细胞图像检测方法及相关设备
Sigdel et al. Automatic classification of protein crystal images
Harikiran et al. Edge detection using mathematical morphology for gridding of microarray image
CN110276260B (zh) 一种基于深度摄像头的商品检测方法
CN113506242A (zh) 基于yolo的玉米黄曲霉素检测方法
EP2776974B1 (en) Methods and apparatus for image analysis using threshold compactness features
Mabrouk et al. Automated statistical and morphological based gridding methods for noisy microarray image processing
CN110619273A (zh) 一种高效的虹膜识别方法以及识别装置
CN117314908B (zh) 一种烤烟病毒溯源方法、介质及系统
Attari et al. An Efficient Preprocessing Algorithm for Image-based Plant Phenotyping

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120215