CN104881679A - 一种基于改进模糊识别的白带中红细胞自动检测方法 - Google Patents
一种基于改进模糊识别的白带中红细胞自动检测方法 Download PDFInfo
- Publication number
- CN104881679A CN104881679A CN201510263467.XA CN201510263467A CN104881679A CN 104881679 A CN104881679 A CN 104881679A CN 201510263467 A CN201510263467 A CN 201510263467A CN 104881679 A CN104881679 A CN 104881679A
- Authority
- CN
- China
- Prior art keywords
- pattern
- red blood
- cell
- blood cell
- leukorrhea
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
该发明公开了一种基于改进模糊识别的白带中红细胞自动检测方法,属于图像处理技术领域,具体指的是一种基于改进模糊识别算法的白带红细胞自动检测方法。该发明通过人工寻找出的红细胞对建立的神经网络进行训练,然后最所要检测的样本图像进行灰度、二值化等一系列处理,根据红细胞的部分特征,进行部分筛除,在通过训练的神经网络判断剩余的可疑区域是否为红细胞。从而该发明具有高精度、高效率、成本的优点。
Description
技术领域
本发明属于图像处理技术领域,具体指的是一种基于改进模糊识别算法的白带红细胞自动检测方法。
背景技术
妇女生殖系统炎症是妇科的常见病、多发病,直接影响女性的身心健康。阴道分泌物为女性生殖系统不同部位的不同物质成分,如巴多林氏腺、子宫颈腺体、子宫内膜的分泌物和阴道粘膜的渗出液、脱落的阴道上皮细胞等组成的混合物,俗称“白带”,具有湿润阴道、排泄废物、杀灭细菌的作用。白带检查是妇科最简单最常用的一种检查手段,对阴道清洁度、生殖系统炎症、肿瘤及其诊断治疗具有重要意义。白带中若出现红细胞,则可能存在炎症刺激阴道壁或者宫颈壁的毛细血管出现出血症状。白带红细胞检测可以作为人机体是否存在疾病的先行判决条件,而且可以给医生进一步检测提供方向和线索,具有极大的研究价值。
发明内容
本发明提出了一种对白带显微图像中的红细胞进行自动检测的方法;所述方法能高效且精准的检测出白带样本中的红细胞,大大减少医生阅片的劳动强度,提高诊断精度。
本发明采取的技术方案是一种基于改进模糊识别算法的检测方法,包括训练步骤和实际检测步骤,训练步骤如下:
步骤A,在现有的白带显微图像中人工提取多个训练用标准红细胞和偏转红细胞小图样;
步骤B,提取训练用的细胞图像的圆形度、连通区域个数等特征;
步骤C,将这训练用的红细胞图样进行模糊C均值聚类,分别获得标准红细胞和偏移红细胞的隶属中心及每个图样分别对每类的隶属度值;
步骤D,构建标准红细胞和偏移红细胞的两个神经网络来拟合两类细胞的隶属度函数,将训练用的两类红细胞分别输入对应的两个神经网络进行训练;红细胞的特征值作为输入,该红细胞样本对当前群集的隶属度值作为理想输出;训练结束获得两个判断红细胞样本对当前群集的隶属度值的神经网络;
检测步骤如下:
步骤A,采集多张不同焦距的白带显微图像数据;
步骤B,对步骤A得到的显微图像数据进行形态学低帽运算,并采用阈值分割得到二值化图像;
步骤C,将步骤B中的二值化图像进行连通区域标定;
步骤D,计算步骤C中的连通区域的面积,根据连通区域面积大小判定可能的红细胞区域;
步骤E,将判定完毕的可能为红细胞的连通区域进行提取,抽取具体细胞小图样;
步骤F,提取细胞图样的特征,将其分别输入两个神经网络,得到两个隶属度值;
步骤H,比较两个隶属度值大小,提取较大值;较大值对应的群集为该细胞所属群集;但若较大值比较小,则认为此图样为杂质;
步骤I,若检测的细胞图样属于偏移红细胞群集,则继续步骤J,若属于标准红细胞或杂质,则跳转至步骤M;
步骤J,记录此细胞图样坐标,截取其余不同焦距的图像的同一位置;
步骤K,分别检测其余不同焦距图像中提取出的细胞图样,计算其灰度平均值和中心区域灰度平均值的比例,若比例较大,则认定原细胞图样为杂质,跳转至步骤M;否则继续步骤L;
步骤L,将其余不同焦距图像中提取出的细胞图样二值化并取反,计算其面积和填充后的面积比例,若比例较大,则认定原细胞图样为杂质;
步骤M,依据上述检测结果对细胞图样所属类别进行记录;
重复步骤E到步骤M,直至判断处理完成显微图像中所有的细胞小图样。
进一步的所述检测步骤中的步骤D中将面积在200到3000之间的连通区域视为红细胞区域。
进一步的所述检测步骤中的步骤H中两个隶属度值中较大值仍小于0.5,则认为此图样为杂质。
进一步的所述检测步骤中的步骤K中灰度平均值和中心区域灰度平均值的比例大于0.7则认定原细胞图样为杂质。
进一步的所述检测步骤中的步骤L中细胞图样面积和填充后的面积比例大于0.8则认定原细胞图样为杂质。
本发明的有益效果是:本发明基于白带中红细胞在显微镜下图像的形态特征使用形态学低帽运算对其进行分割,并提出了一种改进的模糊识别算法。该方法效果良好,且检测效果清晰,误检率极低。
附图说明
图1是本发明白带红细胞自动检测算法的总体流程图。
图2是形态学低帽运算分割的流程图。
图3是模糊识别算法流程图。
具体实施方式
下面结合附图,对本发明提出的白带红细胞自动检测方法进行详细说明:
如图1所示,本发明的白带中红细胞的自动检测方法,其步骤如下:
步骤1,输入待检测图像
步骤2,对图像进行灰度化,对灰度图像进行形态学低帽变换,进而对图像进行二值化。
步骤3,对二值化图像标定连通区域,对每个连通区域进行面积筛选,将面积小于200和面积大于3000的删除。
步骤4,提取单个细胞图样。
步骤5,计算细胞图像特征,将其作为神经网络的输入。将细胞图样分别输入两个神经网络,得到该细胞图样对于两类红细胞群集的隶属度值。
步骤6,提取较大的隶属度值,其对应的群集则为该细胞图样所属群集。若较大的隶属度值仍小于0.5,则认为该细胞图像为杂质。
步骤7,若该细胞图样属于标准红细胞或杂质,跳转至步骤10。若该细胞图样属于偏转红细胞,继续步骤8。
步骤8,记录该细胞图样坐标,提取另外4幅不同焦距下的图片,截取相同位置的图样。
步骤9,计算该细胞图样的灰度平均值,截取该细胞图像中心部分(宽、高分别为原宽高的1/2)并计算中心部分灰度平均值。计算原图灰度平均值与中心部分灰度平均值的比例。若比例大于0.7,则认定此细胞图样为杂质。跳转至步骤10。若比例符合要求,继续步骤9.
步骤9,将该细胞图样二值化并取反,计算该细胞图样的面积和填充之后的面积,若填充前的面积和填充后的面积比例大于0.8,则认定此细胞图样为杂质,跳转至步骤10,若比例符合要求,则继续;
步骤10,记录该细胞图样的检测结果。
循环步骤4至步骤10,直到该检测图像中所有细胞图样均检测完毕。
本发明对图像使用基于形态学低帽变换的分割方法提取图像中的红细胞,低帽变换是是闭运算之后的图像与原始图像之差,主要用于检测亮背景上的暗物体。数学表达式为:
B=f·B-f(x,y)
其中f·B为闭运算,f(x,y)为原图,B为低帽变换后的图像。
如图2所示,本发明使用的形态学低帽运算步骤如下:
步骤1,输入原图像。
步骤2,对原图像进行灰度化。
步骤3,对图像进行膨胀处理,使用半径为5的圆盘模板。
步骤4,对膨胀后的图像进行腐蚀处理,使用半径为5的圆盘模板。
步骤5,使用膨胀腐蚀处理后的图像减去原图像,得到低帽变换的图像。
本发明对白带中红细胞的自动识别提出了改进的模糊识别算法。使用BP神经网路来拟合模糊识别算法的关键的隶属度函数。
如图3所示,改进的模糊识别算法分别训练过程和检测过程两部分,具体的步骤如下:
训练过程:
步骤1,在现有的白带显微图像中人工提取标准红细胞和偏转红细胞小图样共100个。
步骤2,提取100个细胞图像的面积、填充后的面积、周长、偏心率、长短轴比例、中心与重心距离、平均灰度值、连通区域个数、外圈圆形度、外圈与中心凹陷之间部分的圆形度10个特征。
步骤3,将这100个训练用红细胞图样进行模糊C均值聚类,将其分为两类即标准红细胞和偏移红细胞,得到两类的隶属中心和每个图样分别对每类的隶属度值。
步骤4,构建两个神经网络(分别代表标准红细胞和偏移红细胞)来拟合两类细胞的隶属度函数,将这100个训练红细胞分别输入两个神经网络进行训练。红细胞的特征值作为输入,该红细胞样本对当前类别的隶属度值作为理想输出。训练结束。
检测过程:
步骤1:提取待检测样本的特征值。
步骤2:将该样本分别输入两个神经网络,得到该样本分别对应神经网络的隶属度值。
步骤3:比较隶属度值的大小,提取较大的隶属度值,若较大的隶属度值小于0.5,则认定该样本为杂质。反之,则该检测样本隶属于求出较大隶属度值的群集。
通过以上实施方式,可见本发明具有以下优点:
(1)本方法创新的采用了形态学低帽运算对红细胞进行分割提取,并引入模糊识别算法对红细胞进行识别,并在其基础上使用BP神经网络对模糊识别算法进行改进,多种检测手法结合检测,效果良好,且检测效率高。
(2)本方法参数设定严密,有效降低了误检率和漏检率,减少了后续医生复诊的工作量。
Claims (5)
1.一种基于改进模糊识别的白带中红细胞自动检测方法,包括训练步骤和实际检测步骤,训练步骤如下:
步骤A,在现有的白带显微图像中人工提取多个训练用标准红细胞和偏转红细胞小图样;
步骤B,提取训练用的细胞图像的圆形度、连通区域个数等特征;
步骤C,将这训练用的红细胞图样进行模糊C均值聚类,分别获得标准红细胞和偏移红细胞的隶属中心及每个图样分别对每类的隶属度值;
步骤D,构建标准红细胞和偏移红细胞的两个神经网络来拟合两类细胞的隶属度函数,将训练用的两类红细胞分别输入对应的两个神经网络进行训练;红细胞的特征值作为输入,该红细胞样本对当前群集的隶属度值作为理想输出;训练结束获得两个判断红细胞样本对当前群集的隶属度值的神经网络;
检测步骤如下:
步骤A,采集多张不同焦距的白带显微图像数据;
步骤B,对步骤A得到的显微图像数据进行形态学低帽运算,并采用阈值分割得到二值化图像;
步骤C,将步骤B中的二值化图像进行连通区域标定;
步骤D,计算步骤C中的连通区域的面积,根据连通区域面积大小判定可能的红细胞区域;
步骤E,将判定完毕的可能为红细胞的连通区域进行提取,抽取具体细胞小图样;
步骤F,提取细胞图样的特征,将其分别输入两个神经网络,得到两个隶属度值;
步骤H,比较两个隶属度值大小,提取较大值;较大值对应的群集为该细胞所属群集;但若较大值比较小,则认为此图样为杂质;
步骤I,若检测的细胞图样属于偏移红细胞群集,则继续步骤J,若属于标准红细胞或杂质,则跳转至步骤M;
步骤J,记录此细胞图样坐标,截取其余不同焦距的图像的同一位置;
步骤K,分别检测其余不同焦距图像中提取出的细胞图样,计算其灰度平均值和中心区域灰度平均值的比例,若比例较大,则认定原细胞图样为杂质,跳转至步骤M;否则继续步骤L;
步骤L,将其余不同焦距图像中提取出的细胞图样二值化并取反,计算其面积和填充后的面积比例,若比例较大,则认定原细胞图样为杂质;
步骤M,依据上述检测结果对细胞图样所属类别进行记录;
重复步骤E到步骤M,直至判断处理完成显微图像中所有的细胞小图样。
2.如权利要求1所述的一种基于改进模糊识别的白带中红细胞自动检测方法,其特征在于所述检测步骤中的步骤D中将面积在200到3000之间的连通区域视为红细胞区域。
3.如权利要求1所述的一种基于改进模糊识别的白带中红细胞自动检测方法,其特征在于所述检测步骤中的步骤H中两个隶属度值中较大值仍小于0.5,则认为此图样为杂质。
4.如权利要求1所述的一种基于改进模糊识别的白带中红细胞自动检测方法,其特征在于所述检测步骤中的步骤K中灰度平均值和中心区域灰度平均值的比例大于0.7则认定原细胞图样为杂质。
5.如权利要求1所述的一种基于改进模糊识别的白带中红细胞自动检测方法,其特征在于所述检测步骤中的步骤L中细胞图样面积和填充后的面积比例大于0.8则认定原细胞图样为杂质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510263467.XA CN104881679B (zh) | 2015-05-22 | 2015-05-22 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510263467.XA CN104881679B (zh) | 2015-05-22 | 2015-05-22 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104881679A true CN104881679A (zh) | 2015-09-02 |
CN104881679B CN104881679B (zh) | 2018-02-13 |
Family
ID=53949166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510263467.XA Expired - Fee Related CN104881679B (zh) | 2015-05-22 | 2015-05-22 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881679B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485700A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于卷积神经网络的肾小管上皮细胞的自动检测方法 |
CN106960444A (zh) * | 2017-03-31 | 2017-07-18 | 宁波摩视光电科技有限公司 | 一种基于Hopfield神经网络的白带中球菌的自动检测方法 |
CN107543788A (zh) * | 2017-08-15 | 2018-01-05 | 焦作市人民医院 | 一种尿红细胞畸形率检测方法及系统 |
CN108596038A (zh) * | 2018-03-28 | 2018-09-28 | 电子科技大学 | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 |
CN108876752A (zh) * | 2018-07-06 | 2018-11-23 | 武汉兰丁医学高科技有限公司 | 血液细胞的图像识别计数方法 |
CN109472761A (zh) * | 2018-11-23 | 2019-03-15 | 军事科学院系统工程研究院卫勤保障技术研究所 | 一种基于荧光图像的细胞计数方法及系统 |
CN109977888A (zh) * | 2019-03-29 | 2019-07-05 | 上海健康医学院 | 一种外周血中红细胞识别标记系统和方法 |
CN110458808A (zh) * | 2019-07-10 | 2019-11-15 | 山东仕达思生物产业有限公司 | 基于形态学与yolo算法的女性生殖道病原体识别方法 |
CN111504885A (zh) * | 2020-04-04 | 2020-08-07 | 电子科技大学 | 一种基于机器视觉的全自动血涂片形态分析装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997026617A1 (en) * | 1996-01-19 | 1997-07-24 | Oncor, Inc. | Classifying red blood cells using imaging techniques to analyze color and shape |
CN104198355A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种粪便中红细胞自动检测方法 |
-
2015
- 2015-05-22 CN CN201510263467.XA patent/CN104881679B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997026617A1 (en) * | 1996-01-19 | 1997-07-24 | Oncor, Inc. | Classifying red blood cells using imaging techniques to analyze color and shape |
CN104198355A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种粪便中红细胞自动检测方法 |
Non-Patent Citations (2)
Title |
---|
张宝菊,雷晴,李刚,林凌,王慧泉,JEAN GAO: "基于BP神经网络的人体血液中红细胞浓度无创检测", 《光谱学与光谱分析》 * |
颜华,胡谋: "基于模糊识别的神经网络分类器", 《上海铁道大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485700A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于卷积神经网络的肾小管上皮细胞的自动检测方法 |
CN106960444A (zh) * | 2017-03-31 | 2017-07-18 | 宁波摩视光电科技有限公司 | 一种基于Hopfield神经网络的白带中球菌的自动检测方法 |
CN107543788A (zh) * | 2017-08-15 | 2018-01-05 | 焦作市人民医院 | 一种尿红细胞畸形率检测方法及系统 |
CN108596038A (zh) * | 2018-03-28 | 2018-09-28 | 电子科技大学 | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 |
CN108596038B (zh) * | 2018-03-28 | 2022-03-15 | 电子科技大学 | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 |
CN108876752A (zh) * | 2018-07-06 | 2018-11-23 | 武汉兰丁医学高科技有限公司 | 血液细胞的图像识别计数方法 |
CN109472761B (zh) * | 2018-11-23 | 2020-11-17 | 军事科学院系统工程研究院卫勤保障技术研究所 | 一种基于荧光图像的细胞计数方法及系统 |
CN109472761A (zh) * | 2018-11-23 | 2019-03-15 | 军事科学院系统工程研究院卫勤保障技术研究所 | 一种基于荧光图像的细胞计数方法及系统 |
CN109977888A (zh) * | 2019-03-29 | 2019-07-05 | 上海健康医学院 | 一种外周血中红细胞识别标记系统和方法 |
CN110458808A (zh) * | 2019-07-10 | 2019-11-15 | 山东仕达思生物产业有限公司 | 基于形态学与yolo算法的女性生殖道病原体识别方法 |
CN110458808B (zh) * | 2019-07-10 | 2021-06-15 | 山东仕达思生物产业有限公司 | 基于形态学与yolo算法的女性生殖道病原体识别方法 |
CN111504885A (zh) * | 2020-04-04 | 2020-08-07 | 电子科技大学 | 一种基于机器视觉的全自动血涂片形态分析装置 |
CN111504885B (zh) * | 2020-04-04 | 2022-03-15 | 电子科技大学 | 一种基于机器视觉的全自动血涂片形态分析装置的分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104881679B (zh) | 2018-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104881679A (zh) | 一种基于改进模糊识别的白带中红细胞自动检测方法 | |
WO2019196268A1 (zh) | 基于深度学习的糖尿病视网膜图像分类方法及系统 | |
CN112070772B (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
WO2016091016A1 (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
Song et al. | A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei | |
CN107122597B (zh) | 一种角膜受损智能诊断系统 | |
CN106778005A (zh) | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 | |
CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
CN109636805A (zh) | 一种基于分类先验的宫颈图像病变区域分割装置及方法 | |
CN104766316B (zh) | 中医望诊中新型嘴唇分割算法 | |
CN104299242A (zh) | 基于ngc-acm的荧光造影眼底图像提取方法 | |
CN108961242A (zh) | 一种荧光染色图像ctc智能识别方法 | |
CN112102332A (zh) | 基于局部分类神经网络的癌症wsi的分割方法 | |
CN110390678B (zh) | 一种结直肠癌ihc染色图像的组织类型分割方法 | |
CN112862783A (zh) | 一种基于神经网络的甲状腺ct图像结节自动诊断系统 | |
CN105678758A (zh) | 一种图像特征自动识别提取方法 | |
CN105869151B (zh) | 舌分割及舌苔舌质分离方法 | |
CN104835155A (zh) | 基于分形的早期乳腺癌钙化点计算机辅助检测方法 | |
CN112508860B (zh) | 一种免疫组化图像核阳性的人工智能判读方法及系统 | |
CN116228767B (zh) | 基于计算机视觉的x光肺部肿块图像处理方法 | |
CN110415246B (zh) | 一种腹部脂肪成分的分析方法 | |
Lim et al. | Cell image processing methods for automatic cell pattern recognition and morphological analysis of mesenchymal stem cells-An algorithm for cell classification and adaptive brightness correction | |
CN103985113A (zh) | 舌像分割方法 | |
CN110598724A (zh) | 一种基于卷积神经网络的细胞低分辨率图像融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180213 |