CN102834846A - 用于分割图像中的对象的方法 - Google Patents
用于分割图像中的对象的方法 Download PDFInfo
- Publication number
- CN102834846A CN102834846A CN2011800179707A CN201180017970A CN102834846A CN 102834846 A CN102834846 A CN 102834846A CN 2011800179707 A CN2011800179707 A CN 2011800179707A CN 201180017970 A CN201180017970 A CN 201180017970A CN 102834846 A CN102834846 A CN 102834846A
- Authority
- CN
- China
- Prior art keywords
- image
- probability
- segmentation
- nuclear
- classification device
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种用于将数字图像分割成多个目标对象的方法包括:生成图像的多个概率图,其中,各个概率图源自不同的分割分类器;基于该多个概率图来生成联合概率图;基于一个或多个局部对象最大值来映射多个图像点;至少部分地基于映射点来应用一个或多个对象约束,以识别局部对象信息;在给定局部对象信息和背景掩模的情况下,对联合概率图应用一个或多个区域阈值,以将图像分割成区域;至少部分地通过合并分割区域与对应的局部对象最大值来创建分割图像;以及至少暂时将分割图像存储或显示在数字装置上。
Description
技术领域
本发明大体涉及数字图像,并且更具体而言,涉及分割数字图像中的对象,以从图像中提取内容。
背景技术
将复杂的三维材料的图像分割成离散且可识别的对象或目标供分析是有挑战性的问题,因为与材料相关联的可变性非常高,而且成像系统本身之间有不一致性,以及成像系统本身会引入异常。
例如,由于与沾污生物材料和基于荧光的显微成像相关联的额外引入的可变性的原因,将生物组织样本的图像分割或刻划成其组成部分(诸如细胞和细胞核)会引起特定重大问题。薄的组织切片的三维性质会引入扩大了超过10倍的失焦假象。作为示例,处于子细胞级别的蛋白质表达的量化在用于量化组织样本的蛋白质表达的图像分析过程中是必要步骤。这个类型的定量分析使得生物学家和病理学家能够以高的细节级别来分析给定的癌瘤内的成千上万的细胞的分子图。它还提供关于蛋白质表达的复杂路径的新见解。随着自动化图像获取平台(诸如通用电气的InCell 2000分析器)的出现,越来越多地需要呈自动化方法的形式的多内容图像分析,用于从组织样本中提取这种内容和分析该内容。
尤其关于生物样本分析,存在许多与检测和刻划细胞核相关联的问题。细胞是三维对象,而且这样的细胞的图像捕捉对应于组织的给定的薄片的二维投影。通常观察到在聚焦面之外的部分细胞体积。核的形状和尺寸还会在不同的组织类型上有很大的变化,而且甚至在同一组织类型内也会有很大的变化。例如,肺组织中的上皮细胞的形状不同于肺组织中的基质细胞核的形状。给定的癌症的级别也可显著地影响核的形状和尺寸。例如,乳癌中的细胞核的尺寸是诊断指标。
除了细胞变化之外,着色质量和组织处理还随样本的不同而变化;虽然能降低非特定粘合和组织自身荧光,但是典型地不能消除它们;图像获取系统进一步引入噪声,特别地,例如,如果图像获取摄像机未被主动地冷却的话;而且大多数显微镜被制造成能容忍照明的高达20%的不均匀性。
发明内容
本发明的方法提供一种鲁棒性得到高度提升的方法,其中,技术效果在于将图像分割成离散的或目标对象。该方法根据多个大体较弱或较不一致的分割结果来建立强的或可靠地一致的分割结果。各个较弱的分割方法生成捕捉不同的但又互补的信息的概率图。基于各种参数或预先限定的规则,诸如例如加权平均值或总和,强分割结合了来自较弱的分割方法的概率结果。对结合的但较强的联合分割应用分水岭方法以及一个或多个形态学约束,以识别和分割图像的核区域。首先使用较一般的工作流来描述方法,在该工作流中,将弱分割算法联合起来生成强分割算法,可出于多种目的而将该算法应用于多种图像。然后对其中生物样本的图像被分割成细胞的特定的但非限制性的示例应用一般方法。虽然特定的示例使用对生物材料的图像特别有用的分割算法的子集(其包括基于曲率的分割、图像梯度、加伯(Gabor)滤波器和强度),但是,本发明的方法可应用于其它类型的主题,并且所以可包括备选的算法子集。
用于将数字图像分割成多个目标对象的本发明的方法的实施例包括:生成图像的多个概率图,其中,各个概率图源自不同的分割分类器;基于该多个概率图来生成联合概率图;基于一个或多个局部对象最大值来映射多个图像点;至少部分地基于映射点来应用一个或多个对象约束,以识别局部对象信息;在给定局部对象信息和背景掩模的情况下,对联合概率图应用一个或多个区域阈值,以将图像分割成区域;至少部分地通过合并分割区域与对应的局部对象最大值来创建分割图像;以及至少暂时将分割图像存储或显示在数字装置上。
附图说明
当参照附图来阅读以下详细描述时,本发明的这些和其它特征、方面与优点将变得更好理解,在附图中,相同符号在所有图中表示相同部件,其中:
图1是用于分割图像的本发明的方法和系统的示例的流程图。
图2是用于分割图像的本发明的方法和系统的特定示例的流程图。
图3A至图3D是基于概率图的四个弱分类器的示例。使用基于曲率的分类器来生成图3A,使用加伯滤波器组来生成图3B,使用梯度分类器来生成图3C,以及使用强度分类器来生成图3D。
图4A是使用强分割分类器的示例而生成的概率图的示例,图4B是显示了检测到的对象中心的图的示例,图4C是使用形态学约束的加权图像的示例,图4D是分割图像的示例,以及图4E是与映射核合并的最终分割图像的示例。
图5A是有一部分用红色正方形描出轮廓的原来的未经分割的图像的示例,图5B是同一对应的部分用红色描出轮廓的、使用本发明的方法的示例而生成的最终分割图像的示例,图5C是图5A的描出轮廓的部分的放大视图,以及图5D是图5B的对应的描出轮廓的部分的放大视图。
图6A是一部分用红色正方形描出轮廓的异种移植模型的原来的未经分割的图像的另一个示例,图6B是同一对应的部分用红色描出轮廓的、使用本发明的方法的示例而生成的最终分割图像的示例,图6C是图5的描出轮廓的部分的放大视图,以及图6D是图5B的对应的描出轮廓的部分的放大视图。
具体实施方式
方法和系统对用于分割数字图像的以前的方法提供显著的改进。方法以许多(N个)弱分类器来部分地构建强分类器。术语弱分类器在此描述中仅用来表示分类器,当单独使用时,弱分类器不像本发明的较强的分类器那样提供可再现的一致的强分割图像,因为较强的分类器包括多个单独的较弱的分类器的组合。在描述的实施例中的一个或多个中使用的各个较弱的分类器提供呈关于给定的像素是否属于目标对象(诸如细胞的核)的概率估计的形式的独特且不同的信息。本发明的联合分类器联合了较弱的单独的分类器结果的结果。较强的分类器结合了源自较弱的分割的全局信息和局部信息,以生成在精确性上较一致的分割图像。在实施例中的一个或多个中,分水岭算法与一个或多个局部约束一起应用于较强的数据,以识别和映射诸如细胞核的单独的目标对象。
为了更清楚和简明地描述和指出声明的本发明的主题,针对在以下描述和所附权利要求中使用的特定术语来提供以下定义。在整个说明书中,特定术语的范例应视为非限制性示例。
如本文所用,术语“目标对象”指的是为了从分割的数字图像中提取内容而对其应用多个不同的分类器或定义的关注的任何项目。
如本文所用,术语“分类器”指的是能表达为算法的数字图像中的一个或多个参数。
如本文所用,术语“概率图”指的是数字图像中的像素或图像点的全部或一部分的图,该图基于之前对数字图像应用的分类器来指示给定的像素落在一类内的可能性。取决于给定的应用或系统,图可为虚拟的、真实的、被存储或暂时的。
如本文所用,术语“局部对象最大值”指的是由给定的分类器限定的、在与数字图像中的离散目标对象相关联的像素或图像点之中的最高值或最高程度。
如本文所用,术语“对象约束”指的是可应用于对象的一个或多个算法语句或规则,其可包括(但不限于)限定或限制对象的内容或情形、对象的属性、品质或特性以及条件或表达限定词的那些。
如本文所用,术语“局部对象信息”指的是与给定的对象相关联的任何信息,其包括(但不必限于)与对象相关联的事实、数据、结论、估计、统计数字、转换和条件。
如本文所用,术语“区域阈值”指的是应用于图像以将图像分割成区域的规则或语句,诸如例如分水岭算法或基于分水岭的算法。
如本文所用,术语“数字装置”指的是能至少暂时存储、显示、生成、操纵、修改或打印数字图像的任何装置。
方法和系统可用来分割数字图像中的广泛种类的对象。方法和系统可用来例如分割具有椭圆形状的对象,诸如与工业检查以及医学和生物成像相关联的图像中发现的那些。
方法的一个或多个实施例使用新颖的提高方法来构建概率图,对该方法应用具有至少一个对象约束的分水岭算法。基于多个较弱的分类器,与一个或多个形态学约束一起构建强分类器,该多个较弱的分类器提供补充信息,诸如(但不限于)形状、强度和纹理信息。
在一个示例中,检测细胞核包括对各种核属性(诸如细胞中的形状、强度和纹理)建模。例如,虽然许多类型的细胞核的整体形状为圆形或椭圆形,但是在尺寸和形状上存在相当多的变化,这取决于组织类型和形态学。关于纹理,当使细胞成像时,核纹理可部分地有所改变,因为对细胞材料或组织样本应用的荧光染料的粘合和分布不均匀。图像强度也在图像之间以及在单个图像上有所改变,并且图像强度可由许多因素导致,其中的一些与显微系统本身相关联。
在一个示例中,从三维组织切片中获得的二维细胞核的检测包括对各种核属性(诸如细胞中的形状、强度和纹理)建模。例如,虽然许多类型的细胞核的整体形状为圆形或椭圆形,但是在尺寸和形状上存在相当多的变化,这取决于组织类型和形态学。关于纹理,当使细胞成像时,核纹理可部分地有所改变,因为对细胞材料或组织样本应用的荧光染料的粘合和分布不均匀。图像强度也在图像之间以及在单个图像上有所改变,并且图像强度可由许多因素导致,其中的一些与显微系统本身相关联。
可容易地应用于许多形态和目的的本发明的方法的实施例大体在图1的流程图中显示和称为方法10。在这个实施例中,在步骤14中对图像16应用三个分割分类器12A、12B和12C。作为示例,这种分类器可包括形状、强度和纹理基元。使用三个较弱的分割分类器12A-12N生成的最终概率图P1…PN来生成较强的分割分类器18,较强的分割分类器18是基于较弱的分类器的加权联合的。方法不限于使用特定数量的较弱的分类器(例如S1…SN)或特定数量的形态学约束(例如M1…MN),并且可用任何适当类型和数量的单独的分类器和约束来扩展或提高该方法。单独的较弱的分类器可包括(但不限于)形状特征(诸如规则的和不规则的椭圆形、圆形、半圆形形状)、强度特征(诸如同质性、基于直方图的方法)、纹理特征(诸如分形、小波、二阶或高阶统计)。在步骤22中,然后使用一个或多个区域阈值算法以及一个或多个局部约束来对图像16应用联合分类器18以及联合形态学约束20A、20B和20C,以生成至少部分地分割成目标对象(例如细胞核)的最终图像24。
以下是用来示出方法和系统的各种实施例的非限制性示例。
示例
以下是用于分割图像32的本发明的方法的示例,其在图2中大体显示和称为方法30。这个示例将组织样本的图像分割成具有标识的细胞核的细胞。该示例将四个不同的弱分割34A-34D(分类器)的结果联合成较强的分割36(联合分类器)(图4A)。第一个步骤包括使用多个较弱的分割算法来生成强分割分类器。在这个示例中,使用基于曲率的分割算法、基于两个不同的梯度的分割算法和基于强度的算法来生成强分类器,其可表达如下:
其中,P CBS 表示使用基于曲率的分割算法而计算出的概念图,P Gabor 表示使用基于加伯滤波器的分割算法而计算出的概率图,P Gradient 表示使用梯度分割而计算出的概率图,并且P I 表示使用基于强度的分割而计算出的概率图。最终概率图是单独的弱分割算法所生成的单独的概率图的加权平均值。可按经验为依据或者使用监督分类算法来确定权重。
并且以下两个曲率特征由以下估计:
其中,。
在这个示例中,由于细胞核具有亮的滴状形态,则该特征值是负的,并且具有小于的角。以迭代的方式估计概率图P CBS ,其中,当像素在滴状结构的中心处时,像素将属于滴状结构的概率处于最大值。然后通过选择阈值,估计二元掩模的距离转换来估计二元掩模,其中距离转换的响应在滴状结构的中心中处于最大值,并且在这个示例中,朝细胞或核的边界或膜向外减小。
接下来,在这个示例中,使用加伯滤波器组34B来结合与细胞核的结构有关的几何信息(图3B),加伯滤波器组34B是通过以下示出的高斯函数和调和函数的乘积而得出的一组数字滤波器:
,并且,
其中,是波长,是定向角,是偏移量,是高斯内核的宽度,并且是空间纵横比,其限定滤波器的椭圆率。用三个滤波器G L ={G 1,G 2,G 3}来构建滤波器组,其中,各个滤波器在三个不同的定向处类似于各向异性高斯内核:0度、45度和90度,其中,各向异性高斯比为4:1,并且将波长设定成1。图像捕捉几何信息源自限定的滤波器组,并且适合于在不同的定向处检测椭圆结构。最终的图像I Gabor 是各个滤波器的最大响应,并且可限定为:
其中*表示卷积算子。图像I Gabor 捕捉源自限定的滤波器组的几何信息,并且适合于在不同的定向处检测椭圆结构,诸如细胞和细胞核。
滤波器组的响应能解释为给定的像素是核的最大可能性。该响应在中心中为最大,并且在边界附近接近零。然后,根据滤波器组I Gabor 的响应来限定映射函数。映射函数I Gabor 构建成使其能解释为从给定的滤波器组中捕捉相关的形态信息的似然函数。
基于细胞的组织中的DAPI通道的图像包括丰富的形态学核信息。由于不同的噪声源和可变性的原因,DAPI图像的简单的阈值独自将不会引起分割的核区域。但是,DAPI图像提供的形态学信息能用于其它图像转换。在这个示例中,将DAPI通道用作形态学信息源。通过对图像应用形态学操作来处理DAPI图像,诸如侵蚀和扩张。然后限定函数34D,,其将强度值映射到概率(图3D)。为了实现这种功能,限定参数∑函数,以将图像强度值映射到概率值。参数∑函数可限定为:
其中,根据图像强度值来估计参数m I 、b I 。
在这个示例中,还基于梯度分割算法34C来生成估计(图3C)。梯度分割是基于梯度的幅度的,并且在对象的边界处具有最大响应(例如,在这个示例中,核的膜),以及在对象的内部具有最小响应(例如,核)。这是用来分开核的惩罚或区别要素。梯度的信息与概率图互补。
除了生成概率图之外,还确定了种子点(图4B),种子点I Seeds 位于局部最大值概率处,在这个示例中,局部最大值概率通常在核的中心处,并且它们限定为
其中, (38A)是滴状对象的中心点,并且 (38B)是源自加伯滤波器组的核中心点。包括由具有局部最大值的那些区域标识的单独的核的形心点,并且它们限定为,其中,c i 是表示核细胞的单个连接区域。根据概率图I CBS ,通过对源自二元体积B CBS 的距离转换图像应用分水岭转换来估计单个连接区域c i 。包括对应于区域最大值(其对应于加伯滤波器组的响应)的点,并且它们限定为:,其中,regMax是局部最大值操作。
一旦确定了种子点,就从种子点中获得形态学约束40,以确保核被有效地分开。图4B显示了检测到的核中心点I Seedsr 。将这些用作设置42,以在分水岭算法中施加局部最小值的区域。也排除了背景,所以仅在前景中施加对应于局部最小值的区域。根据从单独的较弱的分割中生成的较强的联合概率图来估计背景。
如图2中显示的那样,在给定确定的种子点和背景掩模的情况下,然后通过对加权图像应用形态学约束(图4C)来执行分水岭步骤44,如下面示出的那样:
图4C是局部约束图像,注意到核中心是黑色的,因为它对应于局部最小值,并且细胞边界更亮,因为它们对应于局部最大值。图4D呈现了检测到的核区域,并且图4E呈现了在合并对应于相同的核的那些区域之后的最终分割。
示例
当应用于异种移植模型时,本方法提供类似于图5A-5D中显示的结果。图5A-5D显示了对应于异种移植模型的DAPI图像。图5A和图5B分别是原始图像和分割图像。图6C和图6D分别显示了原始图像和分割。所显示的形状、尺寸和外形的变化是因为荧光染料的不均匀。本方法的分割结果相当精确和一致,即使在其中细胞核密集、交迭且常常接触的图像。如图6中显示的那样,细胞50、36和37是清晰可辩的。
虽然已经在本文中示出和描述了本发明的仅某些特征,但是本领域技术人员将想到许多修改和改变。因为,要理解的是,所附权利要求意于覆盖落在本发明的真实精神内的所有这样的修改和改变。
Claims (11)
1. 一种用于将数字图像分割成多个目标对象的方法,包括,
生成所述图像的多个概率图,其中,各个概率图源自不同的分割分类器;
基于所述多个概率图来生成联合概率图;
基于一个或多个局部对象最大值来映射多个图像点;
至少部分地基于所述映射点来应用一个或多个对象约束,以识别局部对象信息;
在给定所述局部对象信息和背景掩模的情况下,对所述联合概率图应用一个或多个区域阈值,以将所述图像分割成区域;
至少部分地通过合并所述分割区域与对应的局部对象最大值来创建分割图像;以及
至少暂时将所述分割图像存储或显示在数字装置上。
2. 根据权利要求1所述的方法,其中,所述对象约束中的至少一个是形态学约束。
3. 根据权利要求2所述的方法,其中,所述形态学约束是基于细胞核的。
4. 根据权利要求1所述的方法,其中,所述目标对象是生物细胞。
5. 根据权利要求1所述的方法,其中,分割分类器选自由尺寸、形状、强度、纹理、小波和分形组成的组。
6. 根据权利要求1所述的方法,其中,所述联合概率图是基于所述多个概率图的加权平均值的。
7. 根据权利要求6所述的方法,其中,以经验为根据来限定所述加权平均值。
8. 根据权利要求6所述的方法,其中,预先限定所述加权平均值。
9. 根据权利要求1所述的方法,其中,所述分割分类器中的至少一个是基于对象曲率的。
10. 根据权利要求9所述的方法,其中,所述分割分类器中的至少一个是至少部分地源自高斯函数和调和函数的一组数字滤波器。
11. 根据权利要求9所述的方法,其中,所述分割分类器中的一个或多个是基于梯度、强度、小波或分形的。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/757668 | 2010-04-09 | ||
US12/757,668 US8300938B2 (en) | 2010-04-09 | 2010-04-09 | Methods for segmenting objects in images |
PCT/SE2011/050407 WO2011126442A2 (en) | 2010-04-09 | 2011-04-06 | Methods for segmenting objects in images |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102834846A true CN102834846A (zh) | 2012-12-19 |
Family
ID=44760963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011800179707A Pending CN102834846A (zh) | 2010-04-09 | 2011-04-06 | 用于分割图像中的对象的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8300938B2 (zh) |
EP (1) | EP2556491B1 (zh) |
JP (1) | JP5744177B2 (zh) |
CN (1) | CN102834846A (zh) |
WO (1) | WO2011126442A2 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868580A (zh) * | 2016-04-05 | 2016-08-17 | 西安交通大学 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
CN109310320A (zh) * | 2016-03-23 | 2019-02-05 | 宝洁公司 | 用于确定杂散纤维的成像方法 |
CN109717722A (zh) * | 2018-11-14 | 2019-05-07 | 宁波旭磊电子科技有限公司 | 多功能监控型电锅 |
CN110543837A (zh) * | 2019-08-16 | 2019-12-06 | 北京航空航天大学 | 一种基于潜在目标点的可见光机场飞机检测方法 |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9628722B2 (en) | 2010-03-30 | 2017-04-18 | Personify, Inc. | Systems and methods for embedding a foreground video into a background feed based on a control input |
DE102010024859B3 (de) * | 2010-06-24 | 2011-12-22 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zur Segmentierung von biologischen Zellen in einer Aufnahme |
US8649592B2 (en) | 2010-08-30 | 2014-02-11 | University Of Illinois At Urbana-Champaign | System for background subtraction with 3D camera |
US8521418B2 (en) | 2011-09-26 | 2013-08-27 | Honeywell International Inc. | Generic surface feature extraction from a set of range data |
JP5804194B2 (ja) * | 2012-03-30 | 2015-11-04 | コニカミノルタ株式会社 | 医用画像処理装置及びプログラム |
JP5892238B2 (ja) * | 2012-03-30 | 2016-03-23 | コニカミノルタ株式会社 | 医用画像処理装置及びプログラム |
US9589360B2 (en) | 2012-07-23 | 2017-03-07 | General Electric Company | Biological unit segmentation with ranking based on similarity applying a geometric shape and scale model |
US9123165B2 (en) | 2013-01-21 | 2015-09-01 | Honeywell International Inc. | Systems and methods for 3D data based navigation using a watershed method |
US9153067B2 (en) | 2013-01-21 | 2015-10-06 | Honeywell International Inc. | Systems and methods for 3D data based navigation using descriptor vectors |
JP6192747B2 (ja) * | 2013-03-15 | 2017-09-06 | ベンタナ メディカル システムズ, インコーポレイテッド | デジタル・ホール・スライドの自動採点のための組織物体に基づく機械学習システム |
US20140307939A1 (en) * | 2013-04-15 | 2014-10-16 | Drvision Technologies Llc | Teachable object contour mapping for biology image region partition |
US20140307930A1 (en) * | 2013-04-15 | 2014-10-16 | Drvision Technologies Llc | Teachable object contour mapping for biology image region partition |
US8995740B2 (en) | 2013-04-17 | 2015-03-31 | General Electric Company | System and method for multiplexed biomarker quantitation using single cell segmentation on sequentially stained tissue |
CN104427291B (zh) * | 2013-08-19 | 2018-09-28 | 华为技术有限公司 | 一种图像处理方法及设备 |
US9940709B2 (en) * | 2013-10-12 | 2018-04-10 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image |
US9778263B2 (en) | 2013-11-13 | 2017-10-03 | General Electric Company | Quantitative in situ characterization of biological samples |
US9858469B2 (en) | 2013-12-30 | 2018-01-02 | Ge Healthcare Bio-Sciences Corp. | Modular image analysis system and method |
US9414016B2 (en) * | 2013-12-31 | 2016-08-09 | Personify, Inc. | System and methods for persona identification using combined probability maps |
US9485433B2 (en) | 2013-12-31 | 2016-11-01 | Personify, Inc. | Systems and methods for iterative adjustment of video-capture settings based on identified persona |
JP5768948B1 (ja) * | 2014-03-27 | 2015-08-26 | コニカミノルタ株式会社 | 画像処理装置および画像処理プログラム |
CA2944829C (en) | 2014-05-23 | 2022-10-25 | Ting Chen | Systems and methods for detection of biological structures and/or patterns in images |
US9916668B2 (en) | 2015-05-19 | 2018-03-13 | Personify, Inc. | Methods and systems for identifying background in video data using geometric primitives |
US9563962B2 (en) | 2015-05-19 | 2017-02-07 | Personify, Inc. | Methods and systems for assigning pixels distance-cost values using a flood fill technique |
US9607397B2 (en) | 2015-09-01 | 2017-03-28 | Personify, Inc. | Methods and systems for generating a user-hair-color model |
US10019796B2 (en) | 2015-10-16 | 2018-07-10 | General Electric Company | System and method for blood vessel analysis and quantification in highly multiplexed fluorescence imaging |
US9883155B2 (en) | 2016-06-14 | 2018-01-30 | Personify, Inc. | Methods and systems for combining foreground video and background video using chromatic matching |
US9881207B1 (en) | 2016-10-25 | 2018-01-30 | Personify, Inc. | Methods and systems for real-time user extraction using deep learning networks |
WO2018091486A1 (en) | 2016-11-16 | 2018-05-24 | Ventana Medical Systems, Inc. | Convolutional neural networks for locating objects of interest in images of biological samples |
WO2018200715A1 (en) * | 2017-04-25 | 2018-11-01 | The University Of Chicago | Cellular analysis |
CN107123102A (zh) * | 2017-05-24 | 2017-09-01 | 天津工业大学 | 一种贴壁细胞生长融合度自动分析方法 |
CN110709749B (zh) * | 2017-06-09 | 2021-10-26 | 电子慕泽雷帕里公司 | 组合式明视场和相衬显微镜系统及配备其的图像处理设备 |
WO2019043162A1 (en) * | 2017-09-01 | 2019-03-07 | Ludwigs-Maximilians-Universität München | DETECTION OF BIOLOGICAL CELLS AND CELL LINE TRACING |
US10915606B2 (en) | 2018-07-17 | 2021-02-09 | Grupiks Llc | Audiovisual media composition system and method |
CN110322465B (zh) * | 2019-06-29 | 2020-12-25 | 东南大学苏州医疗器械研究院 | 肿瘤微球的轮廓检测方法及装置 |
KR102330263B1 (ko) * | 2019-11-22 | 2021-11-23 | 재단법인대구경북과학기술원 | 인공신경망을 이용한 핵 영역 검출 방법 및 그 장치 |
US11800056B2 (en) | 2021-02-11 | 2023-10-24 | Logitech Europe S.A. | Smart webcam system |
US11800048B2 (en) | 2021-02-24 | 2023-10-24 | Logitech Europe S.A. | Image generating system with background replacement or modification capabilities |
CN113139950B (zh) * | 2021-05-08 | 2024-04-16 | 佳都科技集团股份有限公司 | 一种目标对象识别的方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000331143A (ja) * | 1999-05-14 | 2000-11-30 | Mitsubishi Electric Corp | 画像処理方法 |
EP1488229B1 (en) * | 2002-03-13 | 2012-10-24 | Q3Dm, Llc | System and method for automatic color segmentation and minimum significant response for measurement of fractional localized intensity of cellular compartments |
AU2003230069B2 (en) * | 2002-05-14 | 2008-11-13 | Molecular Devices, Llc | System and methods for rapid and automated screening of cells |
US7035461B2 (en) * | 2002-08-22 | 2006-04-25 | Eastman Kodak Company | Method for detecting objects in digital images |
US7039222B2 (en) * | 2003-02-28 | 2006-05-02 | Eastman Kodak Company | Method and system for enhancing portrait images that are processed in a batch mode |
US7263220B2 (en) * | 2003-02-28 | 2007-08-28 | Eastman Kodak Company | Method for detecting color objects in digital images |
JP4500138B2 (ja) * | 2004-09-07 | 2010-07-14 | オリンパス株式会社 | 細胞画像解析方法 |
JP5822425B2 (ja) | 2005-05-13 | 2015-11-24 | トリパス イメージング インコーポレイテッド | 顕微鏡像用に試料を染色する方法 |
US7664328B2 (en) * | 2005-06-24 | 2010-02-16 | Siemens Corporation | Joint classification and subtype discovery in tumor diagnosis by gene expression profiling |
GB2435093A (en) * | 2006-02-14 | 2007-08-15 | Cytokinetics Inc | Assay for distinguishing live and dead cells |
US8060348B2 (en) * | 2006-08-07 | 2011-11-15 | General Electric Company | Systems for analyzing tissue samples |
-
2010
- 2010-04-09 US US12/757,668 patent/US8300938B2/en active Active
-
2011
- 2011-04-06 WO PCT/SE2011/050407 patent/WO2011126442A2/en active Application Filing
- 2011-04-06 CN CN2011800179707A patent/CN102834846A/zh active Pending
- 2011-04-06 JP JP2013503713A patent/JP5744177B2/ja not_active Expired - Fee Related
- 2011-04-06 EP EP11766245.2A patent/EP2556491B1/en active Active
Non-Patent Citations (1)
Title |
---|
ILYA LEVNER 等: "Classification-Driven Watershed Segmentation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109310320A (zh) * | 2016-03-23 | 2019-02-05 | 宝洁公司 | 用于确定杂散纤维的成像方法 |
CN105868580A (zh) * | 2016-04-05 | 2016-08-17 | 西安交通大学 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
CN105868580B (zh) * | 2016-04-05 | 2018-12-07 | 西安交通大学 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
CN109717722A (zh) * | 2018-11-14 | 2019-05-07 | 宁波旭磊电子科技有限公司 | 多功能监控型电锅 |
CN109717722B (zh) * | 2018-11-14 | 2021-01-26 | 中画高新技术产业发展(重庆)有限公司 | 多功能监控型电锅 |
CN110543837A (zh) * | 2019-08-16 | 2019-12-06 | 北京航空航天大学 | 一种基于潜在目标点的可见光机场飞机检测方法 |
CN110543837B (zh) * | 2019-08-16 | 2022-03-15 | 北京航空航天大学 | 一种基于潜在目标点的可见光机场飞机检测方法 |
Also Published As
Publication number | Publication date |
---|---|
EP2556491A2 (en) | 2013-02-13 |
EP2556491B1 (en) | 2020-07-29 |
US20110249883A1 (en) | 2011-10-13 |
WO2011126442A3 (en) | 2011-11-24 |
US8300938B2 (en) | 2012-10-30 |
WO2011126442A2 (en) | 2011-10-13 |
JP2013524361A (ja) | 2013-06-17 |
EP2556491A4 (en) | 2017-07-05 |
JP5744177B2 (ja) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102834846A (zh) | 用于分割图像中的对象的方法 | |
EP3271894B1 (en) | System and method for image segmentation | |
JP6660313B2 (ja) | 画像解析を用いた核のエッジの検出 | |
Sommer et al. | Learning-based mitotic cell detection in histopathological images | |
CN111448569B (zh) | 存储和检索数字病理学分析结果的方法 | |
Tulsani et al. | Segmentation using morphological watershed transformation for counting blood cells | |
JP2013524361A5 (zh) | ||
CN112219221B (zh) | 用于3d图像分割和分析的系统和方法 | |
US11501446B2 (en) | Segmenting 3D intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions | |
Sbalzarini | Seeing is believing: quantifying is convincing: computational image analysis in biology | |
US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
US11176412B2 (en) | Systems and methods for encoding image features of high-resolution digital images of biological specimens | |
Singh et al. | Breast cancer detection and classification of histopathological images | |
CN110517273B (zh) | 基于动态梯度阈值的细胞学图像分割方法 | |
Lopez et al. | Exploration of efficacy of gland morphology and architectural features in prostate cancer gleason grading | |
Pourakpour et al. | Automated mitosis detection based on combination of effective textural and morphological features from breast cancer histology slide images | |
Delpiano et al. | Automated detection of fluorescent cells in in‐resin fluorescence sections for integrated light and electron microscopy | |
Madhloom et al. | Computer-aided acute leukemia blast cells segmentation in peripheral blood images | |
Ishikawa et al. | Automatic segmentation of hepatocellular structure from HE-stained liver tissue | |
Dach et al. | Evaluation of an interactive cell segmentation for fluorescence microscopy based on the graph cut algorithm | |
Sato et al. | Automation and acceleration of graph cut based image segmentation utilizing U-net | |
Restif | Segmentation and evaluation of fluorescence microscopy images | |
GB2478133A (en) | A method of Image classification based on duct and nuclei parameters | |
Sandhu et al. | Survey of microscopic image segmentation techniques and image quality measures | |
Qian et al. | Coarse-to-fine particle segmentation in microscopic urinary images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20170531 |