CN103018247A - 一种尿液细胞图像分类识别系统及分类识别的方法 - Google Patents
一种尿液细胞图像分类识别系统及分类识别的方法 Download PDFInfo
- Publication number
- CN103018247A CN103018247A CN2012105062895A CN201210506289A CN103018247A CN 103018247 A CN103018247 A CN 103018247A CN 2012105062895 A CN2012105062895 A CN 2012105062895A CN 201210506289 A CN201210506289 A CN 201210506289A CN 103018247 A CN103018247 A CN 103018247A
- Authority
- CN
- China
- Prior art keywords
- cell
- urine
- image
- sieve
- classification
- 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
Abstract
一种尿液细胞图像分类识别系统及分类识别的方法。该系统主要由细胞筛、通路转换控制器、图像识别分类器和计算机组成。分类识别方法的步骤是:先将尿液细胞进行稀释,使用细胞筛进行细胞筛选,旋转细胞筛中的筛选盘到规格最小的分子筛上,再通过计算机控制旋转筛选盘,旋转到下一个分子筛上,达到增大所筛选细胞大小的要求,重复此步骤,从而将尿液中不同大小的细胞分离开来,再由计算机控制通路转换控制器的开关,将所筛选的不同大小的细胞传输给显微镜进行图像观察和采集,然后传输给计算机,再由图像识别分类器利用图像预处理以及分割技术对待检测图像进行处理,最后完成分类识别。
Description
技术领域
本发明属于临床医学技术应用领域,特别是对疾病诊断、治疗监测及健康普查具有重要的临床意义。
背景技术
近年来,随着计算机技术的发展,数字图像处理技术得到了迅速的发展,在航空航天、工业生产、资源环境、气象及交通监测、文化教育等各个领域有着广泛的应用需求,创造了巨额的社会价值。在生物医学工程方面,如显微图像的处理与识别在血细胞自动计数和结构自动分析及细胞的智能化诊断等方面已有了较好的应用。借助显微镜,人们可以观察到细胞的显微和超显微结构,通过分析其形态,获得疾病诊断所需的大量信息。但是,通过人眼的显微观察不仅容易使观察者眼睛产生疲劳,进而造成误判的误差,而且人眼主观观察受主观因素影响较大,缺少客观的评价标准,科学严谨性较差。
随着技术的不断发展,人们对医学检测客观性的要求越来越高,于是血细胞分析和自动识别系统便应运而生。近年来,人们研制了许多细胞分析和识别系统,用于对血细胞图像进行自动分析,定量计算出我们所需要的诊断信息,这些细胞分析和自动识别系统提高了诊断的客观性,同时也减轻了医务人员的工作负担,提高了分析的准确性。如何提高基于细胞图像信息的病例诊断精度、速度和重复性是本发明的主要目的。
发明内容
本发明目的是研究尿液细胞图像识别分类,用于对尿液细胞图像进行自动分析,定量计算出我们所需要的诊断信息,这些细胞分析和自动识别系统提高了诊断的客观性,同时也减轻了医务人员的工作负担,提高了分析的准确性。
本发明提供的尿液细胞图像分类识别系统,包括细胞筛、通路转换控制器、显微镜、图像识别分类器和计算机组成;
细胞筛,是由不同规格的分子筛构成的,把不同规格的分子筛放在筛选盘上,通过计算机的旋转控制对待测尿液进行细胞筛选。而分子筛是一种具有立方晶格的硅铝酸盐化合物,含有电价较低而离子半径较大的金属离子和化合态的水。由于水分子在加热后连续地失去,但晶体骨架结构不变,形成了许多大小相同的空腔,空腔又有许多直径相同的微孔相连,这些微小的孔穴直径大小均匀,能把比孔道直径小的分子吸附到孔穴的内部中来,而把比孔道大得分子排斥在外,因而能把形状直径大小不同的分子分离开来。
通路转换控制器,其作用相当于一个开关,细胞筛将不同大小的细胞筛选出来,通过计算机控制开与关,将先后筛选的不同大小的细胞按顺序传输到显微镜中;
图像识别分类器,采用支持向量机分类器对待检测的细胞图片所有像素点进行预测分类,最终达到识别分类的目的。
本发明同时提供了一种使用以上所述系统进行尿液细胞图像分类识别的方法,该方法是一种快速、精确的尿液潜血细胞分类方法,包括:
使用细胞筛进行细胞筛选,主要运用物理方法对尿液样本进行初步分类,先将尿液细胞进行稀释,再通过管道内的活塞提供压力来控制尿液的速度,通过计算机控制,旋转细胞筛中的筛选盘到规格最小的分子筛上,然后尿液以0.1mm/s的速度流入细胞筛进行筛选,然后再通过计算机控制旋转筛选盘,旋转到下一个分子筛上,达到了增大所筛选细胞大小的要求,重复此步骤,从而将尿液中不同大小的细胞分离开来,再由计算机控制通路转换控制器的开关,将所筛选的不同大小的细胞传输给显微镜进行图像观察和采集,然后传输给计算机;
计算机再将所获取的图片传输给图像识别分类器,利用图像预处理以及分割技术对待检测图像进行处理,分割细胞图像结构,提取细胞特征参数以及形态特征参数以及纹理特征参数,在此基础上根据各种不同细胞自身的特点筛选出多个重要的形态特征构成用于识别的特征向量,最后根据这些特征向量用图像识别的相应方法进行细胞分类,输出统计信息供医学临床判断。
本发明的优点和有益效果:
本发明将生物医学技术与计算机图像处理技术以及一定的机器视觉技术联系起来,发挥其优势,得出效果明显的预期目标。同时也减轻了医务人员的工作负担,提高了分析的准确性。
附图说明:
图1是本发明尿液细胞分类识别系统工作流程图;
图2是细胞筛的结构图;
图3是本发明中涉及的尿液细胞原始图像;
图4是本发明方法对图2中图像进行实验的识别分类结果图。
具体实施方式:
实施例1、尿液细胞图像分类识别系统
尿液细胞图像分类识别系统包括细胞筛、通路转换控制器、显微镜、图像识别分类器和计算机组成;
细胞筛(如图2所示),是由不同规格的分子筛放在筛选盘上构成的,具体包括3A型、4A型、5A型、10X型、13X型,孔径分别约为然后通过计算机的旋转控制对待测尿液进行细胞筛选。
通路转换控制器,其作用相当于一个开关,细胞筛将不同大小的细胞筛选出来,通过计算机控制开与关,将先后筛选的不同大小的细胞按顺序传输到显微镜中;
图像识别分类器,采用支持向量机分类器对待检测的细胞图片所有像素点进行预测分类,最终达到识别分类的目的。
实施例2、尿液细胞图像分类识别的方法
本发明提供尿液细胞图像分类识别方法的具体步骤如图1所示,该方法是一种快速、精确的尿液潜血细胞分类方法,包括:
使用细胞筛进行细胞筛选,主要运用物理方法对尿液样本进行初步分类,先将尿液细胞进行稀释,再通过管道内的活塞提供压力来控制尿液的速度,通过计算机控制,旋转细胞筛中的筛选盘到规格最小的分子筛上,然后尿液以0.1mm/s的速度流入细胞筛进行筛选,然后再通过计算机控制旋转筛选盘,旋转到下一个分子筛上,达到了增大所筛选细胞大小的要求,重复此步骤,从而将尿液中不同大小的细胞分离开来,再由计算机控制通路转换控制器的开关,将所筛选的不同大小的细胞传输给显微镜进行图像观察和采集,然后传输给计算机;
首先通过显微镜对细胞图像进行放大,由彩色摄像机和图像采集卡构成细胞的真彩色样本图像采集系统。然后计算机再将所获取的图片传输给图像识别分类器,图像识别采用支持向相机算法进行分析,在尿液细胞切片的数字化图像采集基础上,利用图像预处理以及分割技术对待检测图像进行处理,分割细胞图像结构,运用图像处理算法,获得细胞图像的各种定量描述参数。提取细胞特征参数以及形态特征参数以及纹理特征参数,在此基础上根据各种不同细胞自身的特点筛选出多个重要的形态特征构成用于识别的特征向量,然后将细胞的分割图像及相应的特征数据,存放在数据库中,实现了数据的良好组织。最后根据这些特征向量及核函数用图像识别的相应方法进行细胞分类,输出统计信息供医学临床判断。
所述的支持向量机是近几年出现的一种统计模式识别方法。它是建立在统计学习理论的VC理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。
所述的图像预处理以及分割技术是指在生化分析仪中用显微镜截取原始的图像图片,再对原始图像进行分割,得到闭合,光滑的细胞目标区域。从而进一步获得单个细胞的区域坐标以及边界坐标。然后从中提取它们的特征参数,选取相应合适的特征参数输入到本系统的分类器进行分类,最终确定各个细胞等成份的有效分类问题。
所述的核函数主要有四类,(1)线性核函数:(2)多项式核函数:(3)RBF核函数:K(Xi,Xj)=exp(-γ||Xi-Xj‖2),γ>0;(4)Sigmoid核函数:在以上四种核函数中,线性核函数可以看作RBF核函数的特例。RBF核函数只有一个参数,相比之下,多项式核函数的参数比较多,会使选择模型时变得更复杂,且RBF核函数在实际使用中效果良好,因而本文采用RBF核函数作为SVM核函数。
简单对图3、4说明:
首先通过显微镜对细胞图像进行放大,由彩色摄像机和图像采集卡构成细胞的真彩色样本图像采集系统。对原始图像进行去噪、增强、平滑和锐化等等一系列处理以提高图像质量,采用阈值方法进行图像分割获得要识别的图像。运用图像处理算法,获得细胞图像的各种定量描述参数。主要是完成训练,寻找相应分类准则,从而实现细胞的自动识别。细胞的分割图像及相应的特征数据,存放在数据库中,实现了数据的良好组织。再进行预测并判断类别,最后用不同符号将细胞分类识别得出计数结果。
以上所述,仅为本发明较佳实施例而已,故不能以此限定本发明实施的范围,即依本发明申请专利范围及说明书内容所作的等效变化与修饰,皆应仍属本发明专利涵盖的范围内。
Claims (2)
1.一种尿液细胞图像识别分类系统,其特征在于该系统包括细胞筛、通路转换控制器、显微镜、图像识别分类器和计算机组成;
细胞筛,是由不同规格的分子筛构成的,把不同规格的分子筛放在筛选盘上,通过计算机的旋转控制对待测尿液进行细胞筛选;
通路转换控制器,其作用相当于一个开关,细胞筛将不同大小的细胞筛选出来,通过计算机控制开与关,将先后筛选的不同大小的细胞按顺序传输到显微镜中;
图像识别分类器,采用支持向量机分类器对待检测的细胞图片所有像素点进行预测分类,最终达到识别分类的目的。
2.一种使用权利要求1所述系统进行尿液细胞图像分类识别的方法,其特征在于包括:
使用细胞筛进行细胞筛选,主要运用物理方法对尿液样本进行初步分类,先将尿液细胞进行稀释,再通过管道内的活塞提供压力来控制尿液的速度,通过计算机控制,旋转细胞筛中的筛选盘到规格最小的分子筛上,尿液以0.1mm/s的速度流入细胞筛进行筛选,然后再通过计算机控制旋转筛选盘,旋转到下一个分子筛上,达到了增大所筛选细胞大小的要求,重复此步骤,从而将尿液中不同大小的细胞分离开来,再由计算机控制通路转换控制器的开关,将所筛选的不同大小的细胞传输给显微镜进行图像观察和采集,然后传输给计算机;
计算机再将所获取的图片传输给图像识别分类器,利用图像预处理以及分割技术对待检测图像进行处理,分割细胞图像结构,提取细胞特征参数以及形态特征参数以及纹理特征参数,在此基础上根据各种不同细胞自身的特点筛选出多个重要的形态特征构成用于识别的特征向量,最后根据这些特征向量用图像识别的相应方法进行细胞分类,输出统计信息供医学临床判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105062895A CN103018247A (zh) | 2012-11-29 | 2012-11-29 | 一种尿液细胞图像分类识别系统及分类识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105062895A CN103018247A (zh) | 2012-11-29 | 2012-11-29 | 一种尿液细胞图像分类识别系统及分类识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103018247A true CN103018247A (zh) | 2013-04-03 |
Family
ID=47967095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105062895A Pending CN103018247A (zh) | 2012-11-29 | 2012-11-29 | 一种尿液细胞图像分类识别系统及分类识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103018247A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751188A (zh) * | 2015-04-15 | 2015-07-01 | 爱威科技股份有限公司 | 一种图片处理方法及系统 |
CN106599902A (zh) * | 2016-11-04 | 2017-04-26 | 浙江大学 | 一种基于图像的糖晶体分类识别及结晶质量控制方法 |
CN110738217A (zh) * | 2019-10-14 | 2020-01-31 | 电子科技大学 | 一种基于多尺度卷积稀疏编码的藏医尿液特征分类方法 |
CN112179831A (zh) * | 2020-09-26 | 2021-01-05 | 宁波大学 | 缺陷细胞的检测装置及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009183150A (ja) * | 2008-02-01 | 2009-08-20 | Olympus Corp | 生体組織処理装置 |
CN201741196U (zh) * | 2010-05-25 | 2011-02-09 | 陕西科技大学 | 硬币清分机的多功能分币盘 |
-
2012
- 2012-11-29 CN CN2012105062895A patent/CN103018247A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009183150A (ja) * | 2008-02-01 | 2009-08-20 | Olympus Corp | 生体組織処理装置 |
CN201741196U (zh) * | 2010-05-25 | 2011-02-09 | 陕西科技大学 | 硬币清分机的多功能分币盘 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751188A (zh) * | 2015-04-15 | 2015-07-01 | 爱威科技股份有限公司 | 一种图片处理方法及系统 |
CN104751188B (zh) * | 2015-04-15 | 2020-04-28 | 爱威科技股份有限公司 | 一种图片处理方法及系统 |
CN106599902A (zh) * | 2016-11-04 | 2017-04-26 | 浙江大学 | 一种基于图像的糖晶体分类识别及结晶质量控制方法 |
CN106599902B (zh) * | 2016-11-04 | 2019-09-24 | 浙江大学 | 一种基于图像的糖晶体分类识别及结晶质量控制方法 |
CN110738217A (zh) * | 2019-10-14 | 2020-01-31 | 电子科技大学 | 一种基于多尺度卷积稀疏编码的藏医尿液特征分类方法 |
CN112179831A (zh) * | 2020-09-26 | 2021-01-05 | 宁波大学 | 缺陷细胞的检测装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jayakody et al. | Microscope image based fully automated stomata detection and pore measurement method for grapevines | |
CN106682633B (zh) | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 | |
US9904842B2 (en) | System and method for classification of particles in a fluid sample | |
US6947586B2 (en) | Multi-neural net imaging apparatus and method | |
CN110473167B (zh) | 一种基于深度学习的尿沉渣图像识别系统及方法 | |
US20220215548A1 (en) | Method and device for identifying abnormal cell in to-be-detected sample, and storage medium | |
CN110135271A (zh) | 一种细胞分类方法及装置 | |
CN106709421B (zh) | 一种基于变换域特征和cnn的细胞图像识别分类方法 | |
Molina et al. | Automatic identification of malaria and other red blood cell inclusions using convolutional neural networks | |
EP4290451A1 (en) | Deep neural network-based method for detecting living cell morphology, and related product | |
CN112365471B (zh) | 基于深度学习的宫颈癌细胞智能检测方法 | |
D'Orazio et al. | Electro-optical classification of pollen grains via microfluidics and machine learning | |
CN103018247A (zh) | 一种尿液细胞图像分类识别系统及分类识别的方法 | |
CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
CN113658174A (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
Simon et al. | Shallow cnn with lstm layer for tuberculosis detection in microscopic images | |
Sapna et al. | Techniques for segmentation and classification of leukocytes in blood smear images-a review | |
Aliyu et al. | Red blood cells abnormality classification: Deep learning architecture versus support vector machine | |
CN110119739B (zh) | 一种冰晶图片的自动分类方法 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
Salami et al. | Building confidence in deep Learning-based image analytics for characterization of pharmaceutical samples | |
Krappe et al. | Automated classification of bone marrow cells in microscopic images for diagnosis of leukemia: a comparison of two classification schemes with respect to the segmentation quality | |
WO2020120039A1 (en) | Classification of cell nuclei | |
NAKAGAWA et al. | Human oriented intelligence image processing system for integrated visual inspection | |
Marquez et al. | Automatic image segmentation of monocytes and index computation using deep learning |
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: 20130403 |