CN105205804A - 血细胞图像中白细胞的核浆分离方法、分类方法及装置 - Google Patents
血细胞图像中白细胞的核浆分离方法、分类方法及装置 Download PDFInfo
- Publication number
- CN105205804A CN105205804A CN201510508236.0A CN201510508236A CN105205804A CN 105205804 A CN105205804 A CN 105205804A CN 201510508236 A CN201510508236 A CN 201510508236A CN 105205804 A CN105205804 A CN 105205804A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- leukocytic
- blood cells
- component image
- 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
- 210000000601 blood cell Anatomy 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000000926 separation method Methods 0.000 title claims abstract description 59
- 210000000265 leukocyte Anatomy 0.000 title claims abstract description 18
- 238000010186 staining Methods 0.000 claims abstract description 184
- 210000004027 cell Anatomy 0.000 claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000004043 dyeing Methods 0.000 claims description 84
- 239000002002 slurry Substances 0.000 claims description 71
- 230000001413 cellular effect Effects 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 27
- 239000000284 extract Substances 0.000 claims description 19
- 230000000877 morphologic effect Effects 0.000 claims description 18
- 230000002708 enhancing effect Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000009955 starching Methods 0.000 claims description 6
- 229920002472 Starch Polymers 0.000 claims description 3
- 235000019698 starch Nutrition 0.000 claims description 3
- 239000008107 starch Substances 0.000 claims description 3
- 108010001267 Protein Subunits Proteins 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 abstract description 18
- 239000008280 blood Substances 0.000 abstract description 18
- 230000004927 fusion Effects 0.000 abstract description 2
- 210000000805 cytoplasm Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 210000003743 erythrocyte Anatomy 0.000 description 6
- 210000003979 eosinophil Anatomy 0.000 description 4
- 210000003714 granulocyte Anatomy 0.000 description 4
- 210000004698 lymphocyte Anatomy 0.000 description 4
- 210000001616 monocyte Anatomy 0.000 description 4
- 210000001167 myeloblast Anatomy 0.000 description 4
- 210000000440 neutrophil Anatomy 0.000 description 4
- 238000004064 recycling Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 206010059484 Haemodilution Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
Classifications
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10056—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种血细胞图像中白细胞的核浆分离方法及装置,所述方法包括:采集染色血细胞图像;分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像;将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割出来,以确定出所述染色血细胞图像中每个白细胞的核图像区域;将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生成处理,得到所述染色血细胞图像中每个白细胞的浆图像区域;基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图。
Description
技术领域
本申请涉及生物图像处理技术领域,更具体的说是涉及一种血细胞图像中白细胞的核浆分离方法、分类方法及装置。
背景技术
在临床诊断中,对患者白细胞的显微图像进行识别具有重要意义。医生基于白细胞显微图像确认患者症状。
在现有技术中,通常由人眼对血液的细胞切片图像进行观察,以识别出白细胞的细胞核和细胞浆的显微图像,从而对白细胞进行分类。
但这一方案中,存在识别效率低准确率差的问题。
发明内容
有鉴于此,本申请提供了一种血细胞图像中白细胞的核浆分离方法、分类方法及装置,用以解决现有技术中对白细胞核浆的识别效率较低准确率较差的技术问题。
为实现上述目的,本申请提供如下技术方案:
一种血细胞图像中白细胞的核浆分离方法,包括:
采集染色血细胞图像;
分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像;
将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域;
将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域;
基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图。
上述方法,优选的,所述分别提取所述染色血细胞图像的饱和度分量图像、强度分量图像及色调分量图像,包括:
获取所述染色血细胞图像的红绿蓝通道颜色RGB分量参数;
基于所述RGB分量参数,获取所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像。
上述方法,优选的,所述将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中所有白细胞的核图像区域,包括:
将所述饱和度分量图像与所述强度分量图像利用IMG1=S/I进行增强,得到增强图像;
对所述增强图像进行阈值分割,得到所述染色血细胞图像中每个白细胞的核图像区域;
其中,S为所述饱和度分量图像的饱和度参数,I为所述强度分量图像的强度参数,IMG1为所述增强图像的图像参数。
上述方法,优选的,所述将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域,包括:
基于每个所述白细胞的核图像区域,对所述染色血细胞图像进行图像分割,得到每个所述白细胞的染色子图像,其中,每个所述染色子图像中包含有一个白细胞的核图像区域;
对每个所述染色子图像分别执行以下方案,以得到每个所述染色子图像中的白细胞的浆图像区域:
在所述饱和度分量图像和所述强度分量图像增强所得到的图像中,提取出第一二值图像,所述第一二值图像包括其对应的白细胞的核图像区域及细胞图像边缘;
从所述染色子图像的强度分量图像中,提取出所述白细胞的细胞背景区域的第二二值图像;
将所述染色子图像的色调分量图像、第一二值图像与第二二值图像利用temp=H×BWI及IMG2=temp×BWSI进行融合,得到所述染色子图像的融合图像;
其中,BWI为所述第二二值图像,H为所述色调分量图像,temp为中间变量,BWSI为所述第一二值图像,IMG2为所述融合图像;
以所述第一二值图像中的核图像区域及核图像边缘的像素点集合为种子点集合,以所述第二二值图像中细胞背景区域边缘为生长边界,对所述融合图像执行区域生长算法,得到所述白细胞的浆图像区域。
上述方法,优选的,对所述融合图像执行区域生长算法,得到所述白细胞的浆图像区域,包括:
确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点;
判断所述当前像素点的色调值与所述种子点集合的当前平均色调值之间的差值是否小于或等于预设的阈值,如果是,将所述当前像素点加入所述种子点集合并更新所述种子点集合的当前平均色调值,重新执行所述确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点,直到所述细胞背景区域中不再有色调值与所述种子点集合的当前平均色调值之间的差值小于或等于预设的阈值的像素点。
本申请还提供了一种血细胞图像中白细胞的分类方法,包括:
采集染色血细胞图像;
分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像;
将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域;
将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域;
基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图;
提取所述染色血细胞图像中每个所述白细胞的核浆分离图中核图像区域、浆图像区域及白细胞图像区域的形态学特征参数;
利用预先设置的神经网络分类器,对每个所述白细胞的形态学特征参数进行分类,以得到每个所述白细胞的细胞类型。
本申请还提供了一种血细胞图像中白细胞的核浆分离装置,包括:
图像采集单元,用于采集染色血细胞图像;
分量提取单元,用于分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像;
核区域确定单元,用于将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域;
浆区域确定单元,用于将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域;
分离图获取单元,用于基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图。
上述装置,优选的,所述分量提取单元包括:
RGB获取子单元,用于获取所述染色血细胞图像的红绿蓝通道颜色RGB分量参数;
HSI分量获取子单元,用于基于所述RGB分量参数,获取所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像。
上述装置,优选的,所述核区域确定单元包括:
图像增强子单元,用于将所述饱和度分量图像与所述强度分量图像利用IMG1=S/I进行增强,得到增强图像;
阈值分割子单元,用于对所述增强图像进行阈值分割,得到所述染色血细胞图像中每个白细胞的核图像区域;
其中,S为所述饱和度分量图像的饱和度参数,I为所述强度分量图像的强度参数,IMG1为所述增强图像的图像参数。
上述装置,优选的,所述浆区域确定单元包括:
图像分割子单元,用于基于每个所述白细胞的核图像区域,对所述染色血细胞图像进行图像分割,得到每个所述白细胞的染色子图像,其中,每个所述染色子图像中包含有一个白细胞的核图像区域;
图像处理子单元,用于对每个所述染色子图像进行处理,以得到每个所述染色子图像中白细胞的浆图像区域,其中:
所述图像处理子单元包括:
第一提取模块,用于在所述饱和度分量图像和所述强度分量图像增强所得到的图像中,提取出第一二值图像,所述第一二值图像包括其对应的白细胞的核图像区域及细胞图像边缘;
第二提取模块,用于从所述染色子图像的强度分量图像中,提取出所述白细胞的细胞背景区域的第二二值图像;
图像融合模块,用于将所述染色子图像的色调分量图像、第一二值图像与第二二值图像利用temp=H×BWI及IMG2=temp×BWSI进行融合,得到所述染色子图像的融合图像;
其中,BWI为所述第二二值图像,H为所述色调分量图像,temp为中间变量,BWSI为所述第一二值图像,IMG2为所述融合图像;
区域生成模块,用于以所述第一二值图像中的核图像区域及核图像边缘的像素点集合为种子点集合,以所述第二二值图像中细胞背景区域边缘为生长边界,对所述融合图像执行区域生长算法,得到所述白细胞的浆图像区域。
上述装置,优选的,所述区域生成模块包括:
当前确定子模块,用于确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点;
色调判断子模块,用于判断所述当前像素点的色调值与所述种子点集合的当前平均色调值之间的差值是否小于或等于预设的阈值,如果是,触发像素点处理子模块;
像素点处理子模块,用于将所述当前像素点加入所述种子点集合并更新所述种子点集合的当前平均色调值,重新触发所述当前确定子模块确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点,直到所述细胞背景区域中不再有色调值与所述种子点集合的当前平均色调值之间的差值小于或等于预设的阈值的像素点。
本申请还提供了一种血细胞图像中白细胞的分类装置,包括:
图像采集单元,用于采集染色血细胞图像;
分量提取单元,用于分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像;
核区域确定单元,用于将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域;
浆区域确定单元,用于将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域;
分离图获取单元,用于基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图;
参数提取单元,用于提取所述染色血细胞图像中每个所述白细胞的核浆分离图中核图像区域、浆图像区域及白细胞图像区域的形态学特征参数;
细胞分类单元,用于利用预先设置的神经网络分类器,对每个所述白细胞的形态学特征参数进行分类,以得到每个所述白细胞的细胞类型。
由上述方案可知,本申请公开提供的一种血细胞图像中白细胞的核浆分离方法及装置,在采集到血涂片的染色血细胞图像之后,利用图像的饱和度及强度两个通道的分量图像确定整个染色血细胞图像中的所有白细胞的细胞核图像区域之后,定位划分出每个白细胞所在位置,进而再利用染色血细胞图像饱和度、强度及色调三个通道的分量图像确定每个白细胞的浆图像区域,实现对染色血细胞图像中的白细胞的细胞核和细胞浆各自所在图像区域的识别,与现有技术中人眼识别的技术方案相比,本申请无需人眼对血液的染色血细胞图像进行观察,能够有效提高识别效率及识别准确率,而相对于现有技术中诸如边缘链码参数分割或测地线活动轮廓模型等方案,本申请中的图像处理方案无需较大的参数敏感度,计算量较小,效率较高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种血细胞图像中白细胞的核浆分离方法实施例一的流程图;
图2a~图2h及图2j~图2s分别为本申请实施例的应用示例图;
图3为本申请提供的一种血细胞图像中白细胞的核浆分离方法实施例二的部分流程图;
图4为本申请提供的一种血细胞图像中白细胞的核浆分离方法实施例三的部分流程图;
图5为本申请提供的一种血细胞图像中白细胞的核浆分离方法实施例四的部分流程图;
图6为本申请实施例四的另一部分流程图;
图7为本申请提供的一种血细胞图像中白细胞的分类实施例五的流程图;
图8为本申请提供的一种血细胞图像中白细胞的核浆分离装置实施例六的结构示意图;
图9为本申请提供的一种血细胞图像中白细胞的核浆分离装置实施例七的部分结构示意图;
图10为本申请提供的一种血细胞图像中白细胞的核浆分离装置实施例八的部分结构示意图;
图11为本申请提供的一种血细胞图像中白细胞的核浆分离装置实施例九的部分结构示意图;
图12为本申请实施例九的另一部分结构示意图;
图13为本申请提供的一种血细胞图像中白细胞的分类装置实施例十的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参考图1,为本申请提供的一种血细胞图像中白细胞的核浆分离方法实施例一的流程图,其中,所述方法适用于对血液细胞切片图像中白细胞的识别如核浆分离应用中。
本实施例中,所述方法可以包括以下步骤:
步骤101:采集染色血细胞图像。
其中,所述染色血细胞图像是指血涂片的图像,也可以为对血液稀释后充满计数池时所采集到的图像,本实施例中可以利用高倍摄像头对所述染色细胞图像进行采集。
需要说明的是,所述染色血细胞图像中可能存在至少一个红细胞A的图像、至少一个白细胞B的图像及细胞背景图像C,而白细胞的图像B中包括有白细胞的核图像B1及白细胞的浆图像B2,如图2a中所示,这些细胞的边缘具有不规则特征。
步骤102:分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像。
在本实施例中,以S表示饱和度分量(通道),以H表示色调分量,以I表示强度分量,根据人眼的视觉特点,可以用这三个参数来描述颜色,任何彩色图像都可以用一组HIS特征进表征,在本实施例中,对所采集到的彩色的染色血细胞图像进行颜色特征提取等处理,进而得到该染色血细胞图像的饱和度分量图像、强度分量图像及色调分量图像,因此,所述饱和度分量图像、所述强度分量图像及所述色调分量图像中的各个特征分量能够共同表征所述染色血细胞图像。
步骤103:将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域。
在本实施例中,所述饱和度分量图像能够表征所述染色血细胞图像的颜色浓度,但由于染色不均匀和细胞内颗粒的影响,白细胞内部会出现空洞,因此,不能直接采用现有技术中利用该饱和度分量图像进行灰度直方图进行核图像分割等方案,实现白细胞的核图像分割。
有鉴于此,本实施例区别于现有技术的技术方案,利用所述染色血细胞图像的饱和度分量图像及强度分量图像进行组合,以分割出所述染色血细胞图像中的各个白细胞的核图像区域B1,如图2b中所示,在这一实现方案中,由于所述强度分量图像中的强度分量参数(通道)与颜色特征不相关,受染色的浓度的影响较小,且与所述饱和度分量图像中的饱和度分量参数能够更好的突出白细胞的核区域,因此,本实施例中所确定的核图像区域的清晰度较强,准确率较高。
具体的,本实施例中在对所述饱和度分量图像及所述强度分量图像进行图像增强后的图像进行阈值分割时,可以采用自适应阈值分割方案实现,也可以采用固定阈值分割方案实现。
步骤104:将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域。
其中,所述步骤104中是指,同时对所述染色血细胞中的所有白细胞进行浆图像区域的确定,具体的,基于该染色血细胞图像的饱和度分量图像、强度分量图像及色调分量图像,确定该染色血细胞图像中白细胞的浆图像区域,如图2c中所示的浆图像区域B2。
步骤105:基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图。
具体的,所述步骤105可以通过以下方式实现:
对所述染色血细胞图像中所有白细胞,将其核图像区域及其浆图像区域基于其各自在所述染色血细胞图像上的位置坐标进行合并,并对合并之后的图像中的核图像区域、浆图像区域及细胞背景区域进行二值标记,以得到核浆分离图,例如,将所述核图像区域B1标记为0,将所述浆图像区域B2标记为128,将该染色子图像上的其他区域即细胞背景区域C标记为255,如图2d中所示,黑色区域为核图像区域,灰度区域为浆图像区域,白色区域为细胞背景区域。
例如,在医学应用中,首先采集血细胞图像(染色血细胞图像,该血细胞图片可以为血涂片对应的图片,也可以为稀释后血液充满计数池时对应的图片),之后,对血细胞图像,利用本实施例中的核浆分离方案中提取细胞核的方法来初步定位白细胞及其关注区域图像(大小为280*280图片),进而对关注区域图像中的白细胞进行核浆分离。
由上述方案可知,本申请公开提供的一种血细胞图像中白细胞的核浆分离方法实施例一,在采集到血涂片的染色血细胞图像之后,利用图像的饱和度及强度两个通道的分量图像确定整个染色血细胞图像中的所有白细胞的细胞核图像区域之后,定位划分出每个白细胞所在位置,进而再利用染色血细胞图像饱和度、强度及色调三个通道的分量图像确定每个白细胞的浆图像区域,实现对染色血细胞图像中的白细胞的细胞核和细胞浆各自所在图像区域的识别,与现有技术中人眼识别的技术方案相比,本实施例无需人眼对血液的染色血细胞图像进行观察,能够有效提高识别效率及识别准确率,而相对于现有技术中诸如边缘链码参数分割或测地线活动轮廓模型等方案,本实施例中的图像处理方案无需较大的参数敏感度,计算量较小,效率较高。
参考图3,为本申请提供的一种血细胞图像中白细胞的核浆分离方法实施例二中所述步骤102的实现流程图,其中,所述步骤102可以通过以下步骤实现:
步骤121:获取所述染色血细胞图像的红绿蓝通道颜色RGB分量参数。
也就是说,所述步骤121中是对血液在切片中经过染色之后的染色细胞图像进行颜色特征提取,得到该染色细胞图像的RGB分量参数。
步骤122:基于所述RGB分量参数,获取所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像。
其中,每张彩色图像的HIS分量均可以以HIS彩色空间模型来表征:如图2e中所示,为倒置圆锥体模型,其中,垂直轴线代表彩色强度I;离中心轴线的径向距离代表色彩饱和度S;色调H由色点矢量绕中轴旋转的角度表示,将图2e所示的HSI彩色空间倒置圆锥体模型移植到RGB直角坐标系中,构成统一的体系,如图2f中所示。而HIS与RGB分量参数之间的转换关系参考以下公式(1)~(4):
I=(R+G+B)/3(1)
因此,本实施例中可以利用上述公式基于所述染色细胞图像的RGB分量参数,获取到所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像。
基于前述各实现方案,参考图4,为本申请提供的一种血细胞图像中白细胞的核浆分离方法实施例三中所述步骤103的实现流程图,其中,所述步骤103可以通过以下步骤实现:
步骤131:将所述饱和度分量图像与所述强度分量图像利用IMG1=S/I进行增强,得到增强图像。
其中,S为所述饱和度分量图像的饱和度参数,I为所述强度分量图像的强度参数,IMG1为所述增强图像的图像参数。
以如图2g为含有一个白细胞的细胞原图为例,其饱和度分量图像如图2j中所示,其强度分量图像如图2k中所示,所述步骤131中将所述饱和度分量图像与所述强度分量图像利用公式IMG1=S/I进行图像增强,得到增强图像,如图2l所示。而该增强图像的直方图如图2m中所示,由直方图中可以看出,白细胞的细胞浆图像区域、细胞背景图像区域及红细胞图像区域的灰度值与细胞核的区域形成明显的双峰。
步骤132:对所述增强图像进行阈值分割,得到所述染色血细胞图像中每个白细胞的核图像区域。
其中,所述步骤132中可以采用OTSU大津算法对所述增强图像进行阈值分割等处理,进而得到所述染色血细胞图像中的每个白细胞的核图像区域,如图2n中所示的含有一个白细胞的染色细胞区域中的核图像区域的二值图。
在具体实现中,由于白细胞的细胞浆在染色后与红细胞染色后的灰度值相近,常用的阈值分割很难分割出来,又由于白细胞经常与红细胞粘连在一起,使得边缘不明显,识别的准确率较低;而且对整张图像进行处理会造成较大的计算量。由此,基于前述各实施例,参考图5,为本申请提供的一种血细胞图像中白细胞的核浆分离方法实施例四中所述步骤104的实现流程图,其中,所述步骤104可以通过以下步骤实现:
步骤141:基于每个所述白细胞的核图像区域,对所述染色血细胞图像进行图像分割,得到每个所述白细胞的染色子图像。
其中,每个所述染色子图像中包含有一个白细胞的核图像区域,如图2h中所示的染色子图像X和Y。
也就是说,为了降低计算量,在本实施例中确定出所述染色细胞图像中的各个白细胞的核图像区域之后,对每个核图像区域对应的白细胞进行定位,以预设大小的图像框架对所述染色细胞图像中的各个白细胞所在的图像区域进行划分,如图2h中所示,以280*280(像素)的图像框架对所述染色细胞图像中的白细胞的核图像区域进行框选划分,以划分出所述染色细胞图像中的各个白细胞所在的染色子图像。
需要说明的是,由于前文中本实施例已经获取到所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像,因此,所述步骤141中划分出的染色子图像同样具有其各自的饱和度分量图像、强度分量图像及色调分量图像,具体的,本实施例中可以直接对所述染色细胞图像中的各个分量图像基于各个白细胞所在的染色子图像的大小及位置进行划分,以得到每个所述染色子图像各自的饱和度分量图像、强度分量图像及色调分量图像。
之后,对每个所述染色子图像分别执行以下步骤,以得到每个所述染色子图像中的白细胞的浆图像区域:
步骤142:在所述饱和度分量图像和所述强度分量图像增强所得到的图像中,提取出第一二值图像。
其中,所述第一二值图像包括其对应的白细胞的核图像区域及细胞图像边缘,所述细胞图像边缘可以理解为:所述白细胞的细胞图像的边缘。
以如图2g为含有一个核图像区域的染色子图像为例,图2l即为该染色子图像的饱和度分量图像和所述强度分量图像进行增强所得到的图像,所述步骤142对该图像进行二值提取,得到该染色子图像对应的第一二值图像,如图2o中所示。
步骤143:从所述染色子图像的强度分量图像中,提取出所述白细胞的细胞背景区域的第二二值图像。
以如图2g为含有一个核图像区域的染色子图像为例,图2p为该染色子图像的强度分量图像,所述步骤143对该强度分量图像进行二值提取,得到该染色子图像对应的第二二值图像,如图2q中所示。其中,本实施例中所提取的细胞背景图像的第二二值图像可以理解为:所述染色子图像中除白细胞的细胞核及细胞浆各自区域之外的区域的二值图像。
步骤144:将所述染色子图像的色调分量图像、第一二值图像与第二二值图像利用temp=H×BWI及IMG2=temp×BWSI进行融合,得到所述染色子图像的融合图像。
其中,BWI为所述第二二值图像,H为所述色调分量图像,temp为中间变量,BWSI为所述第一二值图像,IMG2为所述融合图像。需要说明的是,这些标号均为相应图像的图像向量。
以如图2g为含有一个核图像区域的染色子图像为例,图2r为该染色子图像的色调分量图像,所述步骤144对该染色子图像的色调分量图像、第一二值图像与第二二值图像进行融合,得到该染色子图像对应的融合图像,标记为所述融合图像,如图2s中所示。
步骤145:以所述第一二值图像中的核图像区域及核图像边缘的像素点集合为种子点集合,以所述第二二值图像中细胞背景区域边缘为生长边界,对所述融合图像执行区域生长算法,得到所述白细胞的浆图像区域。
其中,所述区域生成算法是指将组成的像素或区域发展成更大区域的过程。从种子点的集合开始,从这些点的区域增长是通过将每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。
具体的,参考图6,为本实施例中所述步骤145的实现流程图,其中,所述步骤145可以通过以下步骤实现:
步骤601:确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点。
步骤602:判断所述当前像素点的色调值与所述种子点集合的当前平均色调值之间的差值是否小于或等于预设的阈值,如果是,执行步骤603。
步骤603:将所述当前像素点加入所述种子点集合并更新所述种子点集合的当前平均色调值,返回执行所述步骤601,确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点,直到所述细胞背景区域中不再有色调值与所述种子点集合的当前平均色调值之间的差值小于或等于预设的阈值的像素点,结束本流程。
例如,以在色调分量图像H的区域生长为例:定义图像空间上两点P1(H1,S1,I1),P2(H2,S2,I2)。两点间色度差可用如下公式表达:
DH(P1,P2)=|H1-H2|(5)
区域生长准则为:设图像上某种子区域R的平均色调值为HR,图像上区域R相邻一像素点P的色调值为Hp,若D(HR,PR)=|HP-HR|≤T,则将点P加入区域R中,T是一固定的阈值。随着区域R不断更新,需要重新计算区域R平均色调值H0:
若按上述准则找不到更多符合的像素点,则停止生长。
本实施例利用上述方案对所述融合图像执行上述区域生长算法,得到各个染色子图像中相应白细胞的浆图像区域,避免出现由于粘连红细胞而导致的过分割现象,提高识别的准确率。
参考图7,为本申请提供的一种血细胞图像中白细胞的分类方法实施例五的实现流程图,其中,所述方法可以包括以下步骤,以实现对血细胞图像中白细胞的核浆分离及细胞分类:
步骤701:采集染色血细胞图像。
步骤702:分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像。
步骤703:将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域。
步骤704:将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域。
步骤705:基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图。
其中,所述步骤701~所述步骤705的实现可以参考本申请文件中前述各个血细胞图像中白细胞的核浆分离方法实施例中步骤101~步骤105的实现,此处不再详述。
步骤706:提取所述染色血细胞图像中每个所述白细胞的核浆分离图中核图像区域、浆图像区域及白细胞图像区域的形态学特征参数。
步骤707:利用预先设置的神经网络分类器,对每个所述白细胞的形态学特征参数进行分类,以得到每个所述白细胞的细胞类型。
也就是说,本实施例中在得到白细胞的核浆分离图后,对该白细胞的核浆分离图像中核图像区域、浆图像区域及细胞图像区域,进行形态学特征参数提取,将提取到的形态学特征参数进行归一化,并将归一化后的形态学特征参数置入经过训练的神经网络分类器,以识别出该白细胞的细胞类型,如嗜酸性粒细胞、嗜碱性粒细胞、嗜中性粒细胞、淋巴细胞、单核细胞或原始粒细胞等,进而对所述染色细胞图像即血液切片中所有白细胞进行识别及种类统计,得到所述嗜酸性粒细胞、嗜碱性粒细胞、嗜中性粒细胞、淋巴细胞、单核细胞或原始粒细胞等的数目及占总白细胞数的百分比,应用于具体实例中,例如医疗诊断。
其中,所述神经网络的训练具体为,选取大量已确定类别的白细胞图像,通过上述实施例中的白细胞核浆分离方案进行核浆分离,提取细胞核,细胞浆和整个白细胞图像的特征参数送入神经网络分类器进行训练,并调整参数得到识别效果最好的模版,作为神经网络分类器的识别模版。
参考图8,为本申请提供的一种血细胞图像中白细胞的核浆分离装置实施例六的结构示意图,其中,所述装置适用于对血液细胞切片图像中白细胞的识别如核浆分离应用中。
本实施例中,所述装置可以包括以下结构:
图像采集单元801,用于采集染色血细胞图像。
其中,所述染色血细胞图像是指血涂片的图像,也可以为对血液稀释后充满计数池时所采集到的图像,本实施例中可以利用高倍摄像头对所述染色细胞图像进行采集。
需要说明的是,所述染色血细胞图像中可能存在至少一个红细胞A的图像、至少一个白细胞B的图像及细胞背景图像C,而白细胞的图像B中包括有白细胞的核图像B1及白细胞的浆图像B2,如图2a中所示,这些细胞的边缘具有不规则特征。
分量提取单元802,用于分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像。
在本实施例中,以S表示饱和度分量(通道),以H表示色调分量,以I表示强度分量,根据人眼的视觉特点,可以用这三个参数来描述颜色,任何彩色图像都可以用一组HIS特征进表征,在本实施例中,对所采集到的彩色的染色血细胞图像进行颜色特征提取等处理,进而得到该染色血细胞图像的饱和度分量图像、强度分量图像及色调分量图像,因此,所述饱和度分量图像、所述强度分量图像及所述色调分量图像中的各个特征分量能够共同表征所述染色血细胞图像。
核区域确定单元803,用于将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域。
在本实施例中,所述饱和度分量图像能够表征所述染色血细胞图像的颜色浓度,但由于染色不均匀和细胞内颗粒的影响,白细胞内部会出现空洞,因此,不能直接采用现有技术中利用该饱和度分量图像进行灰度直方图进行核图像分割等方案,实现白细胞的核图像分割。
有鉴于此,本实施例区别于现有技术的技术方案,利用所述染色血细胞图像的饱和度分量图像及强度分量图像进行组合,以分割出所述染色血细胞图像中的各个白细胞的核图像区域B1,如图2b中所示,在这一实现方案中,由于所述强度分量图像中的强度分量参数(通道)与颜色特征不相关,受染色的浓度的影响较小,且与所述饱和度分量图像中的饱和度分量参数能够更好的突出白细胞的核区域,因此,本实施例中所确定的核图像区域的清晰度较强,准确率较高。
具体的,本实施例中在对所述饱和度分量图像及所述强度分量图像进行图像增强后的图像进行阈值分割时,可以采用自适应阈值分割方案实现,也可以采用固定阈值分割方案实现。
浆区域确定单元804,用于将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域。
其中,所述浆区域确定单元804是指,同时对所述染色血细胞中的所有白细胞进行浆图像区域的确定,具体的,基于该染色血细胞图像的饱和度分量图像、强度分量图像及色调分量图像,确定该染色血细胞图像中白细胞的浆图像区域,如图2c中所示的浆图像区域B2。
分离图获取单元805,用于基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图。
具体的,所述分离图获取单元805可以通过以下方式实现:
对所述染色血细胞图像中所有白细胞,将其核图像区域及其浆图像区域基于其各自在所述染色血细胞图像上的位置坐标进行合并,并对合并之后的图像中的核图像区域、浆图像区域及细胞背景区域进行二值标记,以得到核浆分离图,例如,将所述核图像区域B1标记为0,将所述浆图像区域B2标记为128,将该染色子图像上的其他区域即细胞背景区域C标记为255,如图2d中所示,黑色区域为核图像区域,灰度区域为浆图像区域,白色区域为细胞背景区域。
例如,在医学应用中,首先采集血细胞图像(染色血细胞图像,该血细胞图片可以为血涂片对应的图片,也可以为稀释后血液充满计数池时对应的图片),之后,对血细胞图像,利用本实施例中的核浆分离方案中提取细胞核的方法来初步定位白细胞及其关注区域图像(大小为280*280图片),进而对关注区域图像中的白细胞进行核浆分离。
由上述方案可知,本申请公开提供的一种血细胞图像中白细胞的核浆分离装置实施例六,在采集到血涂片的染色血细胞图像之后,利用图像的饱和度及强度两个通道的分量图像确定整个染色血细胞图像中的所有白细胞的细胞核图像区域之后,定位划分出每个白细胞所在位置,进而再利用染色血细胞图像饱和度、强度及色调三个通道的分量图像确定每个白细胞的浆图像区域,实现对染色血细胞图像中的白细胞的细胞核和细胞浆各自所在图像区域的识别,与现有技术中人眼识别的技术方案相比,本实施例无需人眼对血液的染色血细胞图像进行观察,能够有效提高识别效率及识别准确率,而相对于现有技术中诸如边缘链码参数分割或测地线活动轮廓模型等方案,本实施例中的图像处理方案无需较大的参数敏感度,计算量较小,效率较高
参考图9,为本申请提供的一种血细胞图像中白细胞的核浆分离装置实施例七中所述分量提取单元802的结构示意图,其中,所述分量提取单元802可以包括以下结构:
RGB获取子单元821,用于获取所述染色血细胞图像的红绿蓝通道颜色RGB分量参数。
也就是说,所述RGB获取子单元821是对血液在切片中经过染色之后的染色细胞图像进行颜色特征提取,得到该染色细胞图像的RGB分量参数。
HSI分量获取子单元822,用于基于所述RGB分量参数,获取所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像。
其中,每张彩色图像的HIS分量均可以以HIS彩色空间模型来表征:如图2e中所示,为倒置圆锥体模型,其中,垂直轴线代表彩色强度I;离中心轴线的径向距离代表色彩饱和度S;色调H由色点矢量绕中轴旋转的角度表示,将图2e所示的HSI彩色空间倒置圆锥体模型移植到RGB直角坐标系中,构成统一的体系,如图2f中所示。而HIS与RGB分量参数之间的转换关系参考以下公式(1)~(4):
I=(R+G+B)/3(1)
因此,本实施例中可以利用上述公式基于所述染色细胞图像的RGB分量参数,获取到所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像。
基于上述各种实现方案,参考图10,为本申请提供的一种血细胞图像中白细胞的核浆分离装置实施例八中所述核区域确定单元803的结构示意图,其中,所述核区域确定单元803可以包括以下结构:
图像增强子单元831,用于将所述饱和度分量图像与所述强度分量图像利用IMG1=S/I进行增强,得到增强图像。
其中,S为所述饱和度分量图像的饱和度参数,I为所述强度分量图像的强度参数,IMG1为所述增强图像的图像参数。
以如图2g为含有一个白细胞的细胞原图为例,其饱和度分量图像如图2j中所示,其强度分量图像如图2k中所示,所述步骤131中将所述饱和度分量图像与所述强度分量图像利用公式IMG1=S/I进行图像增强,得到增强图像,如图2l所示。而该增强图像的直方图如图2m中所示,由直方图中可以看出,白细胞的细胞浆图像区域、细胞背景图像区域及红细胞图像区域的灰度值与细胞核的区域形成明显的双峰。
阈值分割子单元832,用于对所述增强图像进行阈值分割,得到所述染色血细胞图像中每个白细胞的核图像区域。
其中,所述阈值分割子单元832可以采用OTSU大津算法对所述增强图像进行阈值分割等处理,进而得到所述染色血细胞图像中的每个白细胞的核图像区域,如图2n中所示的含有一个白细胞的染色细胞区域中的核图像区域的二值图。
在具体实现中,由于白细胞的细胞浆在染色后与红细胞染色后的灰度值相近,常用的阈值分割很难分割出来,又由于白细胞经常与红细胞粘连在一起,使得边缘不明显,识别的准确率较低;而且对整张图像进行处理会造成较大的计算量。由此,基于前述各实施例,参考图11,为本申请提供的一种血细胞图像中白细胞的核浆分离装置实施例九中所述浆区域确定单元804的结构示意图,其中,所述浆区域确定单元804可以包括以下结构:
图像分割子单元841,用于基于每个所述白细胞的核图像区域,对所述染色血细胞图像进行图像分割,得到每个所述白细胞的染色子图像。
其中,每个所述染色子图像中包含有一个白细胞的核图像区域,如图2h中所示的染色子图像X和Y。
也就是说,为了降低计算量,在本实施例中确定出所述染色细胞图像中的各个白细胞的核图像区域之后,对每个核图像区域对应的白细胞进行定位,以预设大小的图像框架对所述染色细胞图像中的各个白细胞所在的图像区域进行划分,如图2h中所示,以280*280(像素)的图像框架对所述染色细胞图像中的白细胞的核图像区域进行框选划分,以划分出所述染色细胞图像中的各个白细胞所在的染色子图像。
需要说明的是,由于前文中本实施例已经获取到所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像,因此,所述步骤141中划分出的染色子图像同样具有其各自的饱和度分量图像、强度分量图像及色调分量图像,具体的,本实施例中可以直接对所述染色细胞图像中的各个分量图像基于各个白细胞所在的染色子图像的大小及位置进行划分,以得到每个所述染色子图像各自的饱和度分量图像、强度分量图像及色调分量图像。
图像处理子单元842,用于对每个所述染色子图像进行处理,以得到每个所述染色子图像中白细胞的浆图像区域,其中:
所述图像处理子单元842包括:
第一提取模块1101,用于在所述饱和度分量图像和所述强度分量图像增强所得到的图像中,提取出第一二值图像。
其中,所述第一二值图像包括其对应的白细胞的核图像区域及细胞图像边缘,所述细胞图像边缘可以理解为:所述白细胞的细胞图像的边缘。
以如图2g为含有一个核图像区域的染色子图像为例,图2l即为该染色子图像的饱和度分量图像和所述强度分量图像进行增强所得到的图像,所述第一提取模块1101对该图像进行二值提取,得到该染色子图像对应的第一二值图像,如图2o中所示。
第二提取模块1102,用于从所述染色子图像的强度分量图像中,提取出所述白细胞的细胞背景区域的第二二值图像。
以如图2g为含有一个核图像区域的染色子图像为例,图2p为该染色子图像的强度分量图像,所述第二提取模块1102对该强度分量图像进行二值提取,得到该染色子图像对应的第二二值图像,如图2q中所示。其中,本实施例中所提取的细胞背景图像的第二二值图像可以理解为:所述染色子图像中除白细胞的细胞核及细胞浆各自区域之外的区域的二值图像。
图像融合模块1103,用于将所述染色子图像的色调分量图像、第一二值图像与第二二值图像利用temp=H×BWI及IMG2=temp×BWSI进行融合,得到所述染色子图像的融合图像。
其中,BWI为所述第二二值图像,H为所述色调分量图像,temp为中间变量,BWSI为所述第一二值图像,IMG2为所述融合图像。需要说明的是,这些标号均为相应图像的图像向量。
以如图2g为含有一个核图像区域的染色子图像为例,图2r为该染色子图像的色调分量图像,所述第二融合模块1103对该染色子图像的色调分量图像、第一二值图像与第二二值图像进行融合,得到该染色子图像对应的融合图像,标记为所述融合图像,如图2s中所示。
区域生成模块1104,用于以所述第一二值图像中的核图像区域及核图像边缘的像素点集合为种子点集合,以所述第二二值图像中细胞背景区域边缘为生长边界,对所述融合图像执行区域生长算法,得到所述白细胞的浆图像区域。
其中,所述区域生成算法是指将组成的像素或区域发展成更大区域的过程。从种子点的集合开始,从这些点的区域增长是通过将每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。
具体的,参考图12,为本申请实施例中所述区域生成模块1104的结构示意图,其中,所述区域生成模块1104可以包括以下结构:
当前确定子模块1141,用于确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点。
色调判断子模块1142,用于判断所述当前像素点的色调值与所述种子点集合的当前平均色调值之间的差值是否小于或等于预设的阈值,如果是,触发像素点处理子模块1143。
像素点处理子模块1143,用于将所述当前像素点加入所述种子点集合并更新所述种子点集合的当前平均色调值,返回触发所述当前确定子模块1141确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点,直到所述细胞背景区域中不再有色调值与所述种子点集合的当前平均色调值之间的差值小于或等于预设的阈值的像素点。
例如,以在色调分量图像H的区域生长为例:定义图像空间上两点P1(H1,S1,I1),P2(H2,S2,I2)。两点间色度差可用如下公式表达:
DH(P1,P2)=|H1-H2|(5)
区域生长准则为:设图像上某种子区域R的平均色调值为HR,图像上区域R相邻一像素点P的色调值为Hp,若D(HR,PR)=|HP-HR|≤T,则将点P加入区域R中,T是一固定的阈值。随着区域R不断更新,需要重新计算区域R平均色调值H0:
若按上述准则找不到更多符合的像素点,则停止生长。
本实施例利用上述方案对所述融合图像执行上述区域生长算法,得到各个染色子图像中相应白细胞的浆图像区域,避免出现由于粘连红细胞而导致的过分割现象,提高识别的准确率。
参考图13,为本申请提供的一种血细胞图像中白细胞的分类装置实施例十的结构示意图,其中,所述装置可以包括以下结构,以实现对血细胞图像中白细胞的核浆分离及细胞分类:
图像采集单元1301,用于采集染色血细胞图像。
分量提取单元1302,用于分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像。
核区域确定单元1303,用于将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域。
浆区域确定单元1304,用于将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域。
分离图获取单元1305,用于基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图。
其中,所述图像采集单元1301~所述分离图获取单元1305的实现可以参考本申请文件中前述各个血细胞图像中白细胞的核浆分离装置实施例中所述图像采集单元801~所述分离图获取单元805的实现,此处不再详述。
参数提取单元1306,用于提取所述染色血细胞图像中每个所述白细胞的核浆分离图中核图像区域、浆图像区域及白细胞图像区域的形态学特征参数。
细胞分类单元1307,用于利用预先设置的神经网络分类器,对每个所述白细胞的形态学特征参数进行分类,以得到每个所述白细胞的细胞类型。
也就是说,本实施例中在得到白细胞的核浆分离图后,对该白细胞的核浆分离图像中核图像区域、浆图像区域及细胞图像区域,进行形态学特征参数提取,将提取到的形态学特征参数进行归一化,并将归一化后的形态学特征参数置入经过训练的神经网络分类器,以识别出该白细胞的细胞类型,如嗜酸性粒细胞、嗜碱性粒细胞、嗜中性粒细胞、淋巴细胞、单核细胞或原始粒细胞等,进而对所述染色细胞图像即血液切片中所有白细胞进行识别及种类统计,得到所述嗜酸性粒细胞、嗜碱性粒细胞、嗜中性粒细胞、淋巴细胞、单核细胞或原始粒细胞等的数目及占总白细胞数的百分比,应用于具体实例中,例如医疗诊断。
其中,所述神经网络的训练具体为,选取大量已确定类别的白细胞图像,通过上述实施例中的白细胞核浆分离方案进行核浆分离,提取细胞核,细胞浆和整个白细胞图像的特征参数送入神经网络分类器进行训练,并调整参数得到识别效果最好的模版,作为神经网络分类器的识别模版。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种血细胞图像中白细胞的核浆分离方法,其特征在于,包括:
采集染色血细胞图像;
分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像;
将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域;
将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域;
基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图。
2.根据权利要求1所述的方法,其特征在于,所述分别提取所述染色血细胞图像的饱和度分量图像、强度分量图像及色调分量图像,包括:
获取所述染色血细胞图像的红绿蓝通道颜色RGB分量参数;
基于所述RGB分量参数,获取所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像。
3.根据权利要求1或2所述的方法,其特征在于,所述将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中所有白细胞的核图像区域,包括:
将所述饱和度分量图像与所述强度分量图像利用IMG1=S/I进行增强,得到增强图像;
对所述增强图像进行阈值分割,得到所述染色血细胞图像中每个白细胞的核图像区域;
其中,S为所述饱和度分量图像的饱和度参数,I为所述强度分量图像的强度参数,IMG1为所述增强图像的图像参数。
4.根据权利要求1所述的方法,其特征在于,所述将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域,包括:
基于每个所述白细胞的核图像区域,对所述染色血细胞图像进行图像分割,得到每个所述白细胞的染色子图像,其中,每个所述染色子图像中包含有一个白细胞的核图像区域;
对每个所述染色子图像分别执行以下方案,以得到每个所述染色子图像中的白细胞的浆图像区域:
在所述饱和度分量图像和所述强度分量图像增强所得到的图像中,提取出第一二值图像,所述第一二值图像包括其对应的白细胞的核图像区域及细胞图像边缘;
从所述染色子图像的强度分量图像中,提取出所述白细胞的细胞背景区域的第二二值图像;
将所述染色子图像的色调分量图像、第一二值图像与第二二值图像利用temp=H×BWI及IMG2=temp×BWSI进行融合,得到所述染色子图像的融合图像;
其中,BWI为所述第二二值图像,H为所述色调分量图像,temp为中间变量,BWSI为所述第一二值图像,IMG2为所述融合图像;
以所述第一二值图像中的核图像区域及核图像边缘的像素点集合为种子点集合,以所述第二二值图像中细胞背景区域边缘为生长边界,对所述融合图像执行区域生长算法,得到所述白细胞的浆图像区域。
5.根据权利要求4所述的方法,其特征在于,对所述融合图像执行区域生长算法,得到所述白细胞的浆图像区域,包括:
确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点;
判断所述当前像素点的色调值与所述种子点集合的当前平均色调值之间的差值是否小于或等于预设的阈值,如果是,将所述当前像素点加入所述种子点集合并更新所述种子点集合的当前平均色调值,重新执行所述确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点,直到所述细胞背景区域中不再有色调值与所述种子点集合的当前平均色调值之间的差值小于或等于预设的阈值的像素点。
6.一种血细胞图像中白细胞的分类方法,其特征在于,包括:
采集染色血细胞图像;
分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像;
将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域;
将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域;
基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图;
提取所述染色血细胞图像中每个所述白细胞的核浆分离图中核图像区域、浆图像区域及白细胞图像区域的形态学特征参数;
利用预先设置的神经网络分类器,对每个所述白细胞的形态学特征参数进行分类,以得到每个所述白细胞的细胞类型。
7.一种血细胞图像中白细胞的核浆分离装置,其特征在于,包括:
图像采集单元,用于采集染色血细胞图像;
分量提取单元,用于分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像;
核区域确定单元,用于将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域;
浆区域确定单元,用于将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域;
分离图获取单元,用于基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图。
8.根据权利要求7所述的装置,其特征在于,所述分量提取单元包括:
RGB获取子单元,用于获取所述染色血细胞图像的红绿蓝通道颜色RGB分量参数;
HSI分量获取子单元,用于基于所述RGB分量参数,获取所述染色细胞图像的饱和度分量图像、强度分量图像及色调分量图像。
9.根据权利要求7或8所述的装置,其特征在于,所述核区域确定单元包括:
图像增强子单元,用于将所述饱和度分量图像与所述强度分量图像利用IMG1=S/I进行增强,得到增强图像;
阈值分割子单元,用于对所述增强图像进行阈值分割,得到所述染色血细胞图像中每个白细胞的核图像区域;
其中,S为所述饱和度分量图像的饱和度参数,I为所述强度分量图像的强度参数,IMG1为所述增强图像的图像参数。
10.根据权利要求9所述的装置,其特征在于,所述浆区域确定单元包括:
图像分割子单元,用于基于每个所述白细胞的核图像区域,对所述染色血细胞图像进行图像分割,得到每个所述白细胞的染色子图像,其中,每个所述染色子图像中包含有一个白细胞的核图像区域;
图像处理子单元,用于对每个所述染色子图像进行处理,以得到每个所述染色子图像中白细胞的浆图像区域,其中:
所述图像处理子单元包括:
第一提取模块,用于在所述饱和度分量图像和所述强度分量图像增强所得到的图像中,提取出第一二值图像,所述第一二值图像包括其对应的白细胞的核图像区域及细胞图像边缘;
第二提取模块,用于从所述染色子图像的强度分量图像中,提取出所述白细胞的细胞背景区域的第二二值图像;
图像融合模块,用于将所述染色子图像的色调分量图像、第一二值图像与第二二值图像利用temp=H×BWI及IMG2=temp×BWSI进行融合,得到所述染色子图像的融合图像;
其中,BWI为所述第二二值图像,H为所述色调分量图像,temp为中间变量,BWSI为所述第一二值图像,IMG2为所述融合图像;
区域生成模块,用于以所述第一二值图像中的核图像区域及核图像边缘的像素点集合为种子点集合,以所述第二二值图像中细胞背景区域边缘为生长边界,对所述融合图像执行区域生长算法,得到所述白细胞的浆图像区域。
11.根据权利要求10所述的装置,其特征在于,所述区域生成模块包括:
当前确定子模块,用于确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点;
色调判断子模块,用于判断所述当前像素点的色调值与所述种子点集合的当前平均色调值之间的差值是否小于或等于预设的阈值,如果是,触发像素点处理子模块;
像素点处理子模块,用于将所述当前像素点加入所述种子点集合并更新所述种子点集合的当前平均色调值,重新触发所述当前确定子模块确定相邻于所述种子点集合的所述细胞背景区域中的当前像素点,直到所述细胞背景区域中不再有色调值与所述种子点集合的当前平均色调值之间的差值小于或等于预设的阈值的像素点。
12.一种血细胞图像中白细胞的分类装置,其特征在于,包括:
图像采集单元,用于采集染色血细胞图像;
分量提取单元,用于分别获取所述染色血细胞图像对应的饱和度分量图像、强度分量图像及色调分量图像;
核区域确定单元,用于将所述饱和度分量图像及所述强度分量图像进行图像增强及阈值分割处理,以确定出所述染色血细胞图像中每个白细胞的核图像区域;
浆区域确定单元,用于将所述饱和度分量图像、强度分量图像和色调分量图像进行图像融合及区域生长处理,得到所述染色血细胞图像中每个白细胞的浆图像区域;
分离图获取单元,用于基于所述染色血细胞图像中每个白细胞的核图像区域和浆图像区域,获取所述染色血细胞图像中每个白细胞的核浆分离图;
参数提取单元,用于提取所述染色血细胞图像中每个所述白细胞的核浆分离图中核图像区域、浆图像区域及白细胞图像区域的形态学特征参数;
细胞分类单元,用于利用预先设置的神经网络分类器,对每个所述白细胞的形态学特征参数进行分类,以得到每个所述白细胞的细胞类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510508236.0A CN105205804B (zh) | 2015-08-18 | 2015-08-18 | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510508236.0A CN105205804B (zh) | 2015-08-18 | 2015-08-18 | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105205804A true CN105205804A (zh) | 2015-12-30 |
CN105205804B CN105205804B (zh) | 2018-10-30 |
Family
ID=54953466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510508236.0A Active CN105205804B (zh) | 2015-08-18 | 2015-08-18 | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205804B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107871112A (zh) * | 2016-09-27 | 2018-04-03 | 广州康昕瑞基因健康科技有限公司 | 获取磁珠识别阈值的方法和系统、识别磁珠的方法和系统 |
CN107886492A (zh) * | 2016-09-27 | 2018-04-06 | 广州康昕瑞基因健康科技有限公司 | 获取磁珠识别阈值的方法和系统、识别磁珠的方法和系统 |
CN108629761A (zh) * | 2018-03-12 | 2018-10-09 | 中山大学 | 一种乳腺癌图像识别方法、装置和用户终端 |
CN108711160A (zh) * | 2018-05-18 | 2018-10-26 | 西南石油大学 | 一种基于hsi增强性模型的目标分割方法 |
CN108805860A (zh) * | 2017-04-27 | 2018-11-13 | 希森美康株式会社 | 图像解析方法、装置、程序及深度学习算法的生成方法 |
CN109636782A (zh) * | 2018-11-30 | 2019-04-16 | 苏州深析智能科技有限公司 | 一种细胞类型分析模型训练方法、装置及分析方法 |
CN109978771A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 基于内容分析的细胞图像快速融合方法 |
CN110223305A (zh) * | 2019-06-12 | 2019-09-10 | 志诺维思(北京)基因科技有限公司 | 细胞分割方法、装置及可读存储介质 |
CN110503648A (zh) * | 2019-08-30 | 2019-11-26 | 中国人民解放军陆军军医大学第二附属医院 | 一种细胞图像调整方法及装置 |
CN111223110A (zh) * | 2020-01-06 | 2020-06-02 | 陈根生 | 一种显微图像增强方法、装置及计算机设备 |
TWI715877B (zh) * | 2017-10-10 | 2021-01-11 | 大陸商杭州智微信息科技有限公司 | 骨髓細胞標記方法和系統 |
WO2022000220A1 (zh) * | 2020-06-30 | 2022-01-06 | 杭州筹图科技有限公司 | 一种区域划分方法及相关设备 |
US11989857B2 (en) | 2019-03-01 | 2024-05-21 | Faurecia Clarion Electronics Co., Ltd. | Image processing device |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080212868A1 (en) * | 2005-06-15 | 2008-09-04 | Tissue Gnostics Gmbh | Process for Segmenting Leukocytes |
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 |
-
2015
- 2015-08-18 CN CN201510508236.0A patent/CN105205804B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080212868A1 (en) * | 2005-06-15 | 2008-09-04 | Tissue Gnostics Gmbh | Process for Segmenting Leukocytes |
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 (1)
Title |
---|
姚少波: "基于颜色空间的白细胞显微图像分析与算法", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871112A (zh) * | 2016-09-27 | 2018-04-03 | 广州康昕瑞基因健康科技有限公司 | 获取磁珠识别阈值的方法和系统、识别磁珠的方法和系统 |
CN107886492A (zh) * | 2016-09-27 | 2018-04-06 | 广州康昕瑞基因健康科技有限公司 | 获取磁珠识别阈值的方法和系统、识别磁珠的方法和系统 |
CN108805860B (zh) * | 2017-04-27 | 2022-05-27 | 希森美康株式会社 | 图像解析方法、装置、程序及深度学习算法的生成方法 |
CN108805860A (zh) * | 2017-04-27 | 2018-11-13 | 希森美康株式会社 | 图像解析方法、装置、程序及深度学习算法的生成方法 |
US12056869B2 (en) | 2017-04-27 | 2024-08-06 | Sysmex Corporation | Image analysis method, image analysis apparatus, and image analysis program for analyzing cell with deep learning algorithm |
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 |
TWI715877B (zh) * | 2017-10-10 | 2021-01-11 | 大陸商杭州智微信息科技有限公司 | 骨髓細胞標記方法和系統 |
CN108629761A (zh) * | 2018-03-12 | 2018-10-09 | 中山大学 | 一种乳腺癌图像识别方法、装置和用户终端 |
CN108711160A (zh) * | 2018-05-18 | 2018-10-26 | 西南石油大学 | 一种基于hsi增强性模型的目标分割方法 |
CN109636782A (zh) * | 2018-11-30 | 2019-04-16 | 苏州深析智能科技有限公司 | 一种细胞类型分析模型训练方法、装置及分析方法 |
US11989857B2 (en) | 2019-03-01 | 2024-05-21 | Faurecia Clarion Electronics Co., Ltd. | Image processing device |
CN109978771A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 基于内容分析的细胞图像快速融合方法 |
CN110223305A (zh) * | 2019-06-12 | 2019-09-10 | 志诺维思(北京)基因科技有限公司 | 细胞分割方法、装置及可读存储介质 |
CN110503648A (zh) * | 2019-08-30 | 2019-11-26 | 中国人民解放军陆军军医大学第二附属医院 | 一种细胞图像调整方法及装置 |
CN111223110B (zh) * | 2020-01-06 | 2023-07-18 | 陈根生 | 一种显微图像增强方法、装置及计算机设备 |
CN111223110A (zh) * | 2020-01-06 | 2020-06-02 | 陈根生 | 一种显微图像增强方法、装置及计算机设备 |
WO2022000220A1 (zh) * | 2020-06-30 | 2022-01-06 | 杭州筹图科技有限公司 | 一种区域划分方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105205804B (zh) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105205804A (zh) | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 | |
WO2021022970A1 (zh) | 一种基于多层随机森林的零部件识别方法及系统 | |
CN112818862B (zh) | 基于多源线索与混合注意力的人脸篡改检测方法与系统 | |
Jumb et al. | Color image segmentation using K-means clustering and Otsu’s adaptive thresholding | |
CN100573523C (zh) | 一种基于显著区域的图像查询方法 | |
CN104268583B (zh) | 基于颜色区域特征的行人重识别方法及系统 | |
CN107945179A (zh) | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 | |
CN109447169A (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
CN109858466A (zh) | 一种基于卷积神经网络的人脸关键点检测方法及装置 | |
Tavallali et al. | Robust cascaded skin detector based on AdaBoost | |
CN108108761A (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN107665324A (zh) | 一种图像识别方法及终端 | |
CN104346801B (zh) | 图像构图评估装置、信息处理装置及其方法 | |
CN106407917A (zh) | 基于动态尺度分配的视网膜血管提取方法及系统 | |
CN103714181B (zh) | 一种层级化的特定人物检索方法 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN103984953A (zh) | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 | |
CN109558825A (zh) | 一种基于数字视频图像处理的瞳孔中心定位方法 | |
CN108288033A (zh) | 一种基于随机蕨融合多特征的安全帽检测方法 | |
CN108710916A (zh) | 图片分类的方法及装置 | |
CN107346413A (zh) | 一种街景影像中的交通标志识别方法和系统 | |
CN107845085A (zh) | 一种心肌细胞核粘连区域分离与分组的方法及系统 | |
CN107527054A (zh) | 基于多视角融合的前景自动提取方法 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及系统 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 410000 Aiwei medical science and Technology Park, No.26 Fuling Road, bachelor street, Yuelu District, Changsha City, Hunan Province Patentee after: AVE SCIENCE & TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 410013 B6, 27 Yuan Lu Yuan Yuan, Wen Xuan Road, Changsha hi tech Development Zone, Hunan. Patentee before: AVE SCIENCE & TECHNOLOGY Co.,Ltd. Country or region before: China |