CN104484877A - 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 - Google Patents
一种基于Meanshift聚类和形态学操作的AML细胞分割方法 Download PDFInfo
- Publication number
- CN104484877A CN104484877A CN201410772520.4A CN201410772520A CN104484877A CN 104484877 A CN104484877 A CN 104484877A CN 201410772520 A CN201410772520 A CN 201410772520A CN 104484877 A CN104484877 A CN 104484877A
- Authority
- CN
- China
- Prior art keywords
- image
- cluster
- bianry image
- bianry
- leucocyte
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/30—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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Meanshift聚类和形态学操作的AML细胞分割方法,该算法从空间距离和颜色距离两方面对骨髓细胞和细胞核进行聚类,并结合一系列的形态学操作和改进的分水岭变换技术,解决了粘连骨髓细胞、骨髓细胞核的精确分割问题。该算法稳定性强,对不同的光照不同AML类型的粘连骨髓细胞分割具有很好的鲁棒性。
Description
技术领域
本发明属于生物医学工程领域,特别涉及一种基于Meanshift聚类和形态学操作的AML细胞分割方法。
背景技术
白血病是一类造血干细胞恶性克隆性疾病。临床上常将白血病分为急性淋巴细胞白血病(ALL)、急性髓细胞白血病(AML,以往称为急性非淋巴细胞白血病)、慢性粒细胞白血病、慢性淋巴细胞白血病等。在临床中,急性骨髓系白血病AML可分为M0~M7一共8种,AML的年发生率约是每10万人中有2.3人,男性比女性略多,而且年纪越大发生的机会越高,大于65岁的人得到AML的机会约为小于65岁的人之10倍,AML严重威胁着人类的健康与幸福。随着医学科学的迅速发展,其诊断和治疗有了长足的进步。
目前,常用的白血病临床诊断方法主要依赖于骨髓穿刺,需要医学专家在显微镜下对骨髓细胞进行计数分类。人工方法费时费力且需要专业的医学知识。依靠计算机技术发展一种自动分割识别系统成为当下的趋势。而骨髓细胞的分割是白血病自动识别系统中至关重要的一步。
在图像处理领域,白细胞分割与细胞核分割通常是分开进行的。目前常用的白细胞分割方法即面临的问题有:snake算法耗时长,区域生长算法分割精度低,CMYK颜色空间分割白细胞对光照要求高,传统分水岭变换处理细胞粘连问题过分割严重等。而细胞核分割主要通过增强细胞核与其他成分的对比度然后阈值分割来实现的,常用的方法有HSI空间的S分量阈值分割;HSI颜色空间S分量与RGB空间G分量做矩阵点除达到细胞增强的目的;施密特正交化算法增强细胞核区域然后阈值分割出细胞核等。在目前细胞核分割的算法中,处理的对象多是正常外周血白细胞,面临的问题主要是阈值的选取不能适应细胞核分割的多种环境,或骨髓中细胞质颜色与细胞核颜色太接近时,细胞核分割精度低等。
总的来说,现有的主要的粘连骨髓白细胞分割算法的不足有:
1、分割的图像受光照影响大
2、二值分割中的阈值不能适应细胞环境的变化
3、骨髓细胞核分割精度低
4、白细胞分割精确度低
5、不能有效的解决复杂的骨髓细胞粘连问题
发明内容
本发明的目的是为克服上述现有技术的不足,提供一种基于meanshift聚类和形态学操作的急性髓细胞白血病AML粘连骨髓白细胞分割的方法,该算法从空间距离和颜色距离两方面对骨髓细胞和细胞核进行聚类,并结合一系列的形态学操作和改进的分水岭变换技术,解决了粘连骨髓细胞、骨髓细胞核的精确分割问题。该算法稳定性强,对不同的光照不同AML类型的粘连骨髓细胞分割具有很好的鲁棒性。
为实现上述目的,本发明采用下述技术方案:
一种基于Meanshift聚类和形态学操作的AML细胞分割方法,包括以下步骤:
(1)将原始RGB图像进行处理,得到包含有完整骨髓白细胞轮廓的二值图A4和骨髓细胞核团二值图像B1;
(2)判断二值图像B1中是否存在分叶核,若存在,则对分叶核进行质心相连操作,得新细胞核二值图,作为内部种子二值图像B2,反之,则直接判定二值图像B1为内部种子二值图像B2;
(3)将内部种子图像B2作为标记图像,二值图像B1作为掩模,对两者做逻辑与和形态学重构操作,得到骨髓白细胞的二值图像C1;
(4)判断粘连条件,对二值图像C1作相应的两步分水岭变换,分别得到二值图像C2和C3;
(5)对内部种子B2和二值图像C3做逻辑与操作,得精确的分离开的白细胞核团二值图像;并将其作为标记图像,二值图像C3作为掩模,对两者做形态学重构操作,得到分离开的精确的骨髓白细胞二值图像D1;
(6)对二值图像D1进行处理,得到骨髓白细胞在原始图像中的坐标位置,根据坐标信息提取出单个骨髓白细胞的RGB图像E1;
(7)对E1进行聚类操作,得到聚类后的RGB图像E2;
(8)将图像E2映射到灰度空间,得灰度图像E3,对灰度图E3做自适应阈值分割操作,即到白细胞核图像E4。
进一步地,步骤(1)的具体方法为,对原始彩色血细胞图像进行聚类操作,得到聚类后的RGB图像A1;对A1进行灰度空间转换得到灰度图像A2;对灰度图像A2进行基于ostu的自适应全局阈值分割得到二值图像A3,对A3进行形态学去噪处理,得到包含有完整骨髓白细胞轮廓的二值图A4;同时对原始RGB图像进行颜色空间转换和空间分量提取,得到骨髓细胞核团二值图像B1。
优选的是,上述的步骤(1)的具体方法中,所述聚类操作的具体方法为:首先,将原始RGB图像转换到LUV空间,在LUV空间图像1进行基于空间距离和颜色距离的Meanshift聚类,其中空间距离hs=1,颜色距离hr=0.3,得到聚类后的LUV空间图像2,再将LUV空间图像2转换到RGB颜色空间,得到聚类后的RGB图像A1。
优选的是,上述的步骤(1)的具体方法中,所述形态学去噪处理的具体方法为:去除A3中面积小于100的目标杂质,其中,面积用白细胞区域所占像素个数和表示,得到包含有完整骨髓白细胞的二值图像A4;
优选的是,上述的步骤(1)的具体方法中,所述颜色空间转换和空间分量提取的具体方法为:
(i)增强胞核区域,将原始RGB图像转换到HSI颜色空间,分别对RGB颜色空间的G分量和HSI颜色空间的S分量进行归一化处理,分别得到归一化后的矩阵Ig和Is;让Ig和Is做点除,得到增强后的图像N1;
(ii)对N1中像素点值做处理,使小于76.5的像素值为0,大于76.5的像素值为1,得到二值图N2,去除N2中面积小于50的目标,得到细胞核团二值图像B1。
进一步地,所述步骤(2)的具体方法为:若B1中存在两目标胞核的质心距离小于5且面积小于150时,则判断目标细胞核为分叶核,对两目标进形行质心连接操作,使分叶核成一个团状核,作为内部种子二值图像B2,反之,则直接判定二值图像B1为内部种子二值图像B2。
进一步地,所述步骤(4)的具体方法为:
(i)判断目标细胞粘连条件:
当二值图像C1中含有目标细胞面积大于2000或圆度值大于2的情况时,则判断二值图像C1中含有目标粘连细胞;其中,周长用白细胞边界像素点个数和表示;此时,将二值化图像B2作为内部标记,对B2做基于距离的分水岭变换,得到的分水岭脊线显示在二值图像C1上,得到的图像记为C2,此过程记为第一次分水岭分割过程;
(ii)继续判断细胞粘连条件,若二值图C2中含有粘连细胞,则对目标粘连细胞做自适应腐蚀操作,至目标细胞数量增多或消失时为止;
(iii)若目标消失,此细胞不作处理;若目标数量增多,将腐蚀后的多个目标作为新的内部种子点做基于距离变换的分水岭变换,分水岭脊线显示在目标粘连细胞上,粘连细胞即可分开;
(iv)继续判断细胞粘连条件,直至循环结束,得到含有分水岭脊线的白细胞二值图像C3,(ii)~(iv)过程记为第二次分水岭分割过程,在胞核粘连的情况下用来解决胞质也粘连的问题。
进一步地,所属步骤(7)的具体方法为:首先将RGB图像E1转换到LUV空间,得LUV空间图像,对其进行基于空间距离和颜色距离的Meanshift聚类,其中空间距离hs=7,hr=0.3,得到聚类后的LUV空间图像,再将聚类后的LUV空间图像转换到RGB颜色空间,得聚类后的RGB图像E2。
进一步地,步骤(8)中,所述自适应阈值分割操作的具体方法为:分析图像E3的灰度直方图,黑色背景的灰度为0,选取除黑色背景外频数最高的两个灰度值value和value2,选取value和value2的平均值为分割胞质和胞核的自适应阈值T,对灰度图E3做阈值为T的阈值分割操作,最终得到白细胞核图像E4。
本发明由于采取以上技术方案,其具有以下优点:
1、提出了改进的分水岭变换,避免了过分割问题的出现,对复杂条件下的的细胞粘连情况亦有很好的分割效果。
2、提出了一种细胞核数来标记白细胞数量与形态学重构相结合的思想,避免了分割过程中产生错误而出现红细胞,降低了误割率,提高了分割的准确性。
3、提出了一种对位置和颜色聚类的方法分割白血病中骨髓白细胞核,解决了血细胞中胞质与胞核颜色太接近难分割的问题,分割精度优于传统的算法。
4、方法简单操作,稳定性强,对不同光照下不同类型白血病图像分割的鲁棒性强。
附图说明
图1为急性非淋巴性白血病骨髓白细胞分割系统流程图
图2显示来自不同光照下不同类型的血细胞图像(从左到右以此为光照1M3涂片,光照2M3涂片,光照1M5涂片)
图3显示转换到LUV空间血细胞图像
图4显示经聚类后的血细胞RGB图像A1
图5显示经聚类后的血细胞灰度图像A2
图6显示外部种子二值图A4
图7显示细胞核增强后的图像N1
图8显示细胞核团二值图B1
图9显示内部种子二值图B2
图10显示骨髓细胞C1二值图
图11显示第一次分水岭变换结果骨髓细胞C2二值图
图12显示第二次分水岭变换结果骨髓细胞C3二值图
图13显示精确的骨髓白细胞二值图D1
图14分割出的骨髓白细胞分割效果显示在原始RGB图像上
图15以M5涂片为例,显示单个的骨髓细胞RGB图像E1
图16显示分割的骨髓细胞核二值图E4
图17分割出的白细胞核的分割效果显示在裁剪后的原始RGB图像上
具体实施方式
以下通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。下列实施例中未注明具体条件的实验方法,按照常规的方法和条件进行选择。
实施例1:
如图1所示,本发明所涉及的一种基于meanshift聚类和形态学操作的AML骨髓白细胞图像分割算法的具体实施过程如下:
输入原始RGB图像如图2所示。观察白细胞的形态结构可发现,白细胞含有细胞核,白细胞核团的数目能唯一确定白细胞数量。本发明采用图像增强方法获取白细胞核团二值图即内部种子,采用聚类和形态学方法获取完整的白细胞区域二值图即外部种子。当白细胞核即内部种子点不粘连时,对其进行分水岭变换,可分离粘连的白细胞;当白细胞核发生粘连或存在红细胞与白细胞粘连时,自适应腐蚀的分水岭变换和形态学操作可获取精确的分离开的白细胞图像。在病理骨髓细胞中,白细胞质与白细胞核颜色特别接近难区分,对分离开的白细胞图像做自适应裁剪单个白细胞,对单个白细胞做基于位置和距离的聚类操作和形态学操作,可获取精确的白细胞核区域。此算法适用于不同的光照条件,不同类型的ANLL白血病,稳定性强,有较好的鲁棒性。
(1)外部种子即完整白细胞区域的获取方法为:图像在LUV空间具有视觉统一性,在此空间的聚类效果优于RGB空间。首先输入原始的RGB图像,将其转换到LUV空间,得到的图像如图3所示。对图3所示的图像进行基于位置和颜色的meanshift聚类操作,其中位置距离hs=1,颜色距离hr=0.3,将聚类后的图像再次转换到RGB颜色空间得图像A1如图4所示,对比原始RGB图像,可发现在图4中,不同目标间的对比度变大,同时像素点的大小呈区域化分布。将聚类后的RGB图像A1转换到灰度空间,得其灰度图像A2如图5所示。对A2做基于ostu的自适应阈值分割,可得到包含有完整白细胞区域的二值图A3。特别说明,此处基于ostu的自适应阈值大小与前景图像的概率密度有关,当原始图像中白细胞数量比较多时,此阈值分割方法得到的二值图像A3仅包含白细胞区域;当原始图像中白细胞数量比较小少时,此阈值分割方法得到的二值图像A3中含有大量的血小板或红细胞区域,整体来讲此方法对得到外部种子没有影响。去除A3中面积小于100的杂质,可得到外部种子A4,如图6所示。
(2)内部种子即细胞核团的获取。将原始RGB图像转换到HSI空间,在两个颜色空间分别提取出G分量和S分量,观察G分量可发现,白细胞核对比其他成分有较小的像素值,观察S分量可发现,白细胞核对比其他成分有较大的像素值,分别对两个通道分量做归一下处理,得到归一化矩阵Ig和Is,对Is和Ig做矩阵点除处理,可得到增强细胞核后的图像N1,如图7所示。对N1做基于自适应阈值分割并去除二值图中面积小于50的血小板等杂质,可得到细胞核团区域B1如图8所示,一般情况下可作为内部种子。在骨髓粒细胞系统中,有一类白细胞叫分叶核,即一个白细胞中存在多个细胞核。采用此细胞增强方法分割出的细胞核团中一般不会出现分叶核状况,如若出现,则需判断分叶核条件,对分叶核进行质心相连操作,得到新的细胞核即及内部种子B2。内部种子B2如图9所示。
(3)骨髓白细胞的获取方法为:将外部种子A4和内部种子B2做逻辑与操作得到新的内部种子B2,此操作可保证内部种子在外部种子内;将内部种子B2作为标记图像,外部种子A4做掩膜,对B2做形态学重构操作,可初步得到骨髓白细胞C1,如图10所示。
(4)粘连白细胞的分割的获取方法为:判断粘连条件,对内部种子B2做基于距离的分水岭变换,将分水岭脊线显示在C1,可得第一次分水岭变换分割粘连白细胞的结果C2,如图11所示,此步骤主要是依据细胞核不粘连解决白细胞粘连的问题。继续判断粘连条件,对C2做自适应腐蚀操作,对腐蚀的结果做基于距离的分水岭变换,将变换得到的分水岭脊线显示在C2上,可得第二次分水岭变换分割粘连细胞的结果图C3,如图12所示,此过程在细胞核粘连或白细胞与红细胞粘连的情况下解决白细胞粘连问题。
(5)精确骨髓白细胞分割。少数情况下,会出现白细胞与红细胞粘连,为去除分离开的红细胞,将二值图C3与二值图C1进行逻辑与操作,对逻辑与得到的图像进行八连通去噪处理,即可得到精确的分离开的骨髓白细胞D1,如图13所示。提取分割白细胞的边缘,以红线显示在原始RGB图像上,得分割效果图如图14所示。
(6)骨髓细胞核的分割。从三种类型图像各取一个白细胞作为例子进行细胞核。根据二值图D1获取各个白细胞的坐标位置信息,依据坐标位置信息从原始RGB图像中自适应裁剪出单个的白细胞RGB图像E1,如图15所示。使空间距离hs=7,颜色距离hr=0.3对E1执行聚类操作再将其转换到灰度空间,因经聚类后的灰度图胞核区域像素值近似均匀分布,此处对灰度图E3进行步骤(10)所述的自适应阈值分割,得到精确分割的骨髓细胞核二值图E4,如图16所示。提取E4的边缘信息,以红线形式显示在D1上,得分割效果图,如图17所示。
(7)上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于Meanshift聚类和形态学操作的AML细胞分割方法,其特征在于,包括以下步骤:
(1)将原始RGB图像进行处理,得到包含有完整骨髓白细胞轮廓的二值图A4和骨髓细胞核团二值图像B1;
(2)判断二值图像B1中是否存在分叶核,若存在,则对分叶核进行质心相连操作,得新细胞核二值图,作为内部种子二值图像B2,反之,则直接判定二值图像B1为内部种子二值图像B2;
(3)将内部种子图像B2作为标记图像,二值图像B1作为掩模,对两者做逻辑与和形态学重构操作,得到骨髓白细胞的二值图像C1;
(4)判断粘连条件,对二值图像C1作相应的两步分水岭变换,分别得到二值图像C2和C3;
(5)对内部种子B2和二值图像C3做逻辑与操作,得精确的分离开的白细胞核团二值图像;并将其作为标记图像,二值图像C3作为掩模,对两者做形态学重构操作,得到分离开的精确的骨髓白细胞二值图像D1;
(6)对二值图像D1进行处理,得到骨髓白细胞在原始图像中的坐标位置,根据坐标信息提取出单个骨髓白细胞的RGB图像E1;
(7)对E1进行聚类操作,得到聚类后的RGB图像E2;
(8)将图像E2映射到灰度空间,得灰度图像E3,对灰度图E3做自适应阈值分割操作,即到白细胞核图像E4。
2.如权利要求1所述的方法,其特征在于,步骤(1)的具体方法为,对原始彩色血细胞图像进行聚类操作,得到聚类后的RGB图像A1;对A1进行灰度空间转换得到灰度图像A2;对灰度图像A2进行基于ostu的自适应全局阈值分割得到二值图像A3,对A3进行形态学去噪处理,得到包含有完整骨髓白细胞轮廓的二值图A4;同时对原始RGB图像进行颜色空间转换和空间分量提取,得到骨髓细胞核团二值图像B1。
3.如权利要求2所述的方法,其特征在于,所述聚类操作的具体方法为:首先,将原始RGB图像转换到LUV空间,在LUV空间图像1进行基于空间距离和颜色距离的Meanshift聚类,其中空间距离hs=1,颜色距离hr=0.3,得到聚类后的LUV空间图像2,再将LUV空间图像2转换到RGB颜色空间,得到聚类后的RGB图像A1。
4.如权利要求2所述的方法,其特征在于,所述形态学去噪处理的具体方法为:去除A3中面积小于100的目标杂质,其中,面积用白细胞区域所占像素个数和表示,得到包含有完整骨髓白细胞的二值图像A4。
5.如权利要求2所述的方法,其特征在于,所述颜色空间转换和空间分量提取的具体方法为:
(i)增强胞核区域,将原始RGB图像转换到HSI颜色空间,分别对RGB颜色空间的G分量和HSI颜色空间的S分量进行归一化处理,分别得到归一化后的矩阵Ig和Is;让Ig和Is做点除,得到增强后的图像N1;
(ii)对N1中像素点值做处理,使小于76.5的像素值为0,大于76.5的像素值为1,得到二值图N2,去除N2中面积小于50的目标,得到细胞核团二值图像B1。
6.如权利要求1所述的方法,其特征在于,所述步骤(2)的具体方法为:若B1中存在两目标胞核的质心距离小于5且面积小于150时,则判断目标细胞核为分叶核,对两目标进形行质心连接操作,使分叶核成一个团状核,作为内部种子二值图像B2,反之,则直接判定二值图像B1为内部种子二值图像B2。
7.如权利要求1所述的方法,其特征在于,所述步骤(4)的具体方法为:
(i)判断目标细胞粘连条件:
当二值图像C1中含有目标细胞面积大于2000或圆度值大于2的情况时,则判断二值图像C1中含有目标粘连细胞;其中,周长用白细胞边界像素点个数和表示;此时,将二值化图像B2作为内部标记,对B2做基于距离的分水岭变换,得到的分水岭脊线显示在二值图像C1上,得到的图像记为C2,此过程记为第一次分水岭分割过程;
(ii)继续判断细胞粘连条件,若二值图C2中含有粘连细胞,则对目标粘连细胞做自适应腐蚀操作,至目标细胞数量增多或消失时为止;
(iii)若目标消失,此细胞不作处理;若目标数量增多,将腐蚀后的多个目标作为新的内部种子点做基于距离变换的分水岭变换,分水岭脊线显示在目标粘连细胞上,粘连细胞即可分开;
(iv)继续判断细胞粘连条件,直至循环结束,得到含有分水岭脊线的白细胞二值图像C3,(ii)~(iv)过程记为第二次分水岭分割过程。
8.如权利要求1所述的方法,其特征在于,所属步骤(7)的具体方法为:首先将RGB图像E1转换到LUV空间,得LUV空间图像,对其进行基于空间距离和颜色距离的Meanshift聚类,其中空间距离hs=7,hr=0.3,得到聚类后的LUV空间图像,再将聚类后的LUV空间图像转换到RGB颜色空间,得聚类后的RGB图像E2。
9.如权利要求1所述的方法,其特征在于,步骤(8)中,所述自适应阈值分割操作的具体方法为:分析图像E3的灰度直方图,黑色背景的灰度为0,选取除黑色背景外频数最高的两个灰度值value和value2,选取value和value2的平均值为分割胞质和胞核的自适应阈值T,对灰度图E3做阈值为T的阈值分割操作,最终得到白细胞核图像E4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410772520.4A CN104484877B (zh) | 2014-12-12 | 2014-12-12 | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410772520.4A CN104484877B (zh) | 2014-12-12 | 2014-12-12 | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104484877A true CN104484877A (zh) | 2015-04-01 |
CN104484877B CN104484877B (zh) | 2017-08-15 |
Family
ID=52759417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410772520.4A Active CN104484877B (zh) | 2014-12-12 | 2014-12-12 | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484877B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992435A (zh) * | 2015-06-24 | 2015-10-21 | 广西师范大学 | 一种宫颈单细胞图像分割算法 |
CN105160675A (zh) * | 2015-08-31 | 2015-12-16 | 北京工业大学 | 白粉病菌孢子图像的自动分割方法 |
CN106940889A (zh) * | 2017-03-30 | 2017-07-11 | 福建师范大学 | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 |
CN107220647A (zh) * | 2017-06-05 | 2017-09-29 | 中国农业大学 | 一种叶片交叉条件下作物中心点定位方法及系统 |
CN108805865A (zh) * | 2018-05-22 | 2018-11-13 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
CN108958231A (zh) * | 2017-05-17 | 2018-12-07 | 北京雷动云合智能技术有限公司 | 一种移动机器人地图的多分辨率区域划分方法 |
CN109389139A (zh) * | 2017-08-11 | 2019-02-26 | 中国农业大学 | 一种蝗虫计数方法及装置 |
CN109741336A (zh) * | 2018-12-06 | 2019-05-10 | 东南大学 | 一种基于像素聚类与分割阈值的白癜风区域分割方法 |
CN110060229A (zh) * | 2019-05-29 | 2019-07-26 | 武汉兰丁医学高科技有限公司 | 一种骨髓白细胞的细胞自动定位分割方法 |
CN110400318A (zh) * | 2019-06-14 | 2019-11-01 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd4阳性细胞核分割方法及系统 |
CN110415255A (zh) * | 2019-06-14 | 2019-11-05 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
CN109410181B (zh) * | 2018-09-30 | 2020-08-28 | 神州数码医疗科技股份有限公司 | 一种心脏图像分割方法及装置 |
CN111667462A (zh) * | 2020-05-12 | 2020-09-15 | 常熟理工学院 | 一种焊接缺陷中弱小目标的自动检测方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040276A1 (en) * | 2007-03-23 | 2010-02-18 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewan Dten Forschung E.V. | Method and apparatus for determining a cell contour of a cell |
CN103473739A (zh) * | 2013-08-15 | 2013-12-25 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与系统 |
CN103985119A (zh) * | 2014-05-08 | 2014-08-13 | 山东大学 | 一种彩色血细胞图像中白细胞的细胞质和细胞核分割方法 |
-
2014
- 2014-12-12 CN CN201410772520.4A patent/CN104484877B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040276A1 (en) * | 2007-03-23 | 2010-02-18 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewan Dten Forschung E.V. | Method and apparatus for determining a cell contour of a cell |
CN103473739A (zh) * | 2013-08-15 | 2013-12-25 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与系统 |
CN103985119A (zh) * | 2014-05-08 | 2014-08-13 | 山东大学 | 一种彩色血细胞图像中白细胞的细胞质和细胞核分割方法 |
Non-Patent Citations (4)
Title |
---|
BYOUNG CHUL KO 等: "Automatic white blood cell segmentation using stepwise merging rules and gradient vector flow snake", 《MICRON》 * |
C.BERGMEIRA 等: "Segmentation of Cervical Cell Images using Mean-shift Filtering and Morphological Operators", 《SPIE》 * |
侯振杰: "动物骨髓细胞图像分割方法的研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
沙盛中 等: "基于数学形态学的白细胞分割及提取", 《第二十六届中国控制会议论文集》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992435A (zh) * | 2015-06-24 | 2015-10-21 | 广西师范大学 | 一种宫颈单细胞图像分割算法 |
CN105160675A (zh) * | 2015-08-31 | 2015-12-16 | 北京工业大学 | 白粉病菌孢子图像的自动分割方法 |
CN106940889A (zh) * | 2017-03-30 | 2017-07-11 | 福建师范大学 | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 |
CN108958231A (zh) * | 2017-05-17 | 2018-12-07 | 北京雷动云合智能技术有限公司 | 一种移动机器人地图的多分辨率区域划分方法 |
CN107220647A (zh) * | 2017-06-05 | 2017-09-29 | 中国农业大学 | 一种叶片交叉条件下作物中心点定位方法及系统 |
CN107220647B (zh) * | 2017-06-05 | 2020-03-31 | 中国农业大学 | 一种叶片交叉条件下作物中心点定位方法及系统 |
CN109389139A (zh) * | 2017-08-11 | 2019-02-26 | 中国农业大学 | 一种蝗虫计数方法及装置 |
CN108805865B (zh) * | 2018-05-22 | 2019-12-10 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
JP6994275B2 (ja) | 2018-05-22 | 2022-02-04 | 杭州智微信息科技有限公司 | 飽和度クラスタリングに基づく骨髄白血球の位置特定方法 |
WO2019223706A1 (zh) * | 2018-05-22 | 2019-11-28 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
CN108805865A (zh) * | 2018-05-22 | 2018-11-13 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
RU2755553C1 (ru) * | 2018-05-22 | 2021-09-17 | Ханчжоу Чживэй Информэйшн Текнолоджи Ко., Лтд. | Способ определения местонахождения лейкоцитов костного мозга на основе агрегации насыщения |
JP2021510831A (ja) * | 2018-05-22 | 2021-04-30 | 杭州智微信息科技有限公司Hangzhou Zhiwei Information Technology Co., Ltd. | 飽和度クラスタリングに基づく骨髄白血球の位置特定方法 |
CN109410181B (zh) * | 2018-09-30 | 2020-08-28 | 神州数码医疗科技股份有限公司 | 一种心脏图像分割方法及装置 |
CN109741336A (zh) * | 2018-12-06 | 2019-05-10 | 东南大学 | 一种基于像素聚类与分割阈值的白癜风区域分割方法 |
CN109741336B (zh) * | 2018-12-06 | 2021-06-01 | 东南大学 | 一种基于像素聚类与分割阈值的白癜风区域分割方法 |
CN110060229A (zh) * | 2019-05-29 | 2019-07-26 | 武汉兰丁医学高科技有限公司 | 一种骨髓白细胞的细胞自动定位分割方法 |
CN110415255A (zh) * | 2019-06-14 | 2019-11-05 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
CN110415255B (zh) * | 2019-06-14 | 2021-08-20 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
CN110400318B (zh) * | 2019-06-14 | 2021-08-20 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd4阳性细胞核分割方法及系统 |
CN110400318A (zh) * | 2019-06-14 | 2019-11-01 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd4阳性细胞核分割方法及系统 |
CN111667462A (zh) * | 2020-05-12 | 2020-09-15 | 常熟理工学院 | 一种焊接缺陷中弱小目标的自动检测方法与系统 |
CN111667462B (zh) * | 2020-05-12 | 2021-12-28 | 常熟理工学院 | 一种焊接缺陷中弱小目标的自动检测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104484877B (zh) | 2017-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484877B (zh) | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 | |
CN104392460B (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
Song et al. | A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei | |
CN105139383B (zh) | 基于定义圆hsv颜色空间的医学图像分割方法 | |
Miao et al. | Simultaneous segmentation of leukocyte and erythrocyte in microscopic images using a marker-controlled watershed algorithm | |
CN108320289B (zh) | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 | |
Duan et al. | A WBC segmentation methord based on HSI color space | |
TWI711008B (zh) | 一種基於飽和度聚類的骨髓白血球細胞定位方法 | |
CN104545792A (zh) | 眼底图像的动静脉视网膜血管视盘定位方法 | |
CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN107705358A (zh) | 脑部ct图像的三维重建方法 | |
CN111179298B (zh) | 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 | |
CN110544262B (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
Kaaviya et al. | PAP smear image analysis for cervical cancer detection | |
Mehena et al. | Brain tumor segmentation and extraction of MR images based on improved watershed transform | |
CN111210452B (zh) | 一种基于图割和均值偏移的证件照人像分割方法 | |
CN111429461B (zh) | 一种新型的重叠脱落上皮细胞分割方法 | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
Tosun et al. | Unsupervised tissue image segmentation through object-oriented texture | |
CN114842030A (zh) | 一种多尺度语义匹配的膀胱肿瘤图像分割方法 | |
CN110610490A (zh) | 一种病变细胞图像中白细胞的定位方法 | |
JP7254283B2 (ja) | 閾値決定方法、画像処理方法、標本画像の評価方法、コンピュータプログラムおよび記録媒体 | |
Kromp et al. | Machine learning framework incorporating expert knowledge in tissue image annotation | |
Umadi et al. | Automated Segmentation of Overlapping Cells in Cervical Cytology Images Using Deep Learning | |
Ruan et al. | Feature Extraction and Research Based on MRI Image of Cerebral Hemorrhage |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |