CN107240093B - 一种癌变细胞的自动诊断方法 - Google Patents
一种癌变细胞的自动诊断方法 Download PDFInfo
- Publication number
- CN107240093B CN107240093B CN201710334874.4A CN201710334874A CN107240093B CN 107240093 B CN107240093 B CN 107240093B CN 201710334874 A CN201710334874 A CN 201710334874A CN 107240093 B CN107240093 B CN 107240093B
- Authority
- CN
- China
- Prior art keywords
- tissue image
- cells
- image
- tissue
- boundaries
- 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.)
- Active
Links
Images
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种癌变细胞的自动诊断方法,包括:S1:对待测组织图像在电子显微镜下通过不同焦距下聚焦得到第一组织图像和第二组织图像;S2:对所述第一组织图像进行边缘检测,以得到所述第一组织图像中所有细胞的细胞核边界;S3:根据所述第二组织图像辅助标定所述第一组织图像中所有细胞的中心点;S4:对所述第一组织图像相邻细胞之间的细胞膜进行统计,以根据统计结果确定所述第一组织图像中的组织是否发生癌变。本发明具有如下优点:利用癌细胞与健康细胞之间存在的差别,用计算机视觉方法自动提取特征,对细胞特征进行判别、判别效率高、准确率高。
Description
技术领域
本发明涉及生物医学领域,具体涉及一种癌变细胞的自动诊断方法。
背景技术
癌症是危害人类健康的一大疾病。在临床医学中,如何对癌细胞进行诊断也是一项非常重要的课题。现阶段对癌症组织的诊断方式还是停留在人工对组织切片进行观察,然后根据癌细胞的特征依据经验做出判断。在生命科学上,癌细胞的形态特征有:1、细胞外形改变:包括细胞增大、大小不一和多形性;2、细胞核改变:包括核大,核浆比例增大,核大小不一,形态异常,核仁肥大,数目增多,核膜增厚和核分裂活跃;3、细胞浆改变;4、变性坏死:癌细胞变性坏死,胞浆破坏形成裸核。
相关技术中,缺少一种通过癌细胞的细胞膜的差异,通过计算机视觉处理方法将癌细胞与健康细胞区别出来的手段。
发明内容
本发明旨在至少解决上述技术问题之一。
为此,本发明的目的在于提出一种癌变细胞的自动诊断方法,用计算机视觉方法自动提取特征,对细胞特征进行判别。
为了实现上述目的,本发明的实施例公开了一种癌变细胞的自动诊断方法,包括以下步骤:S1:对待测组织图像在电子显微镜下通过不同焦距下聚焦得到第一组织图像和第二组织图像;S2:对所述第一组织图像进行边缘检测,以得到所述第一组织图像中所有细胞的细胞核边界;S3:根据所述第二组织图像辅助标定所述第一组织图像中所有细胞的中心点;S4:对所述第一组织图像相邻细胞之间的细胞膜进行统计,以根据统计结果确定所述第一组织图像中的组织是否发生癌变。
进一步地,步骤S1进一步包括:S101:对所述待测组织图像在电子显微镜下通过不同焦距下聚焦得到初始第一组织图像和初始第二组织图像;S102:对所述初始第一组织图像和所述初始第二组织图像进行直方图均衡化处理得到所述第一组织图像和所述第二组织图像。
进一步地,步骤S2进一步包括:S201:对所述第一组织图像进行图像降噪处理,以突出所述第一组织图像中所述细胞的边界特征;S202:采用边缘检测算法得到所述第一组织图像中所有相邻对比度高于预设对比度阈值的位置作为细胞核边界;S203:对检测到边界不连续的位置,进行空间滤波处理,膨胀所检测到的细胞核边界。
进一步地,步骤S3进一步包括:S301:将所述第二组织图像根据灰度值进行分割,找到所述第二组织图像的最优分割灰度值;S302:将所述第二组织图像进行二值化分割得到二值化第二组织图像;S303:使用所述二值化第二组织图像对所述第一组织图像进行修剪,以辅助确定所述第一组织图像的所有细胞的细胞核边界。
进一步地,在步骤S303之后还包括:S304:对除所述第一组织图像的所有边界进行遍历,去除相应边界内包含像素点少于像素点阈值的点。
进一步地,步骤S4进一步包括:S401:识别所述二值化第二组织图像中所有细胞核区域,并将所有细胞核区域的像素坐标的中心点位置作为相应细胞核区域的位置;S402:对每个细胞核区域,统计与周围细胞之间中心连线上的边界数目,进而确定每个细胞核区域与周围细胞之间的细胞膜总数;S403:将各个细胞的细胞膜判别结果进行统计,如果预设数量的细胞是被检测为癌细胞,则认为该组织发生癌变。
根据本发明实施例的癌变细胞的自动诊断方法,利用癌细胞与健康细胞之间存在的差别,用计算机视觉方法自动提取特征,对细胞特征进行判别、判别效率高、准确率高。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明实施例的癌变细胞的自动诊断方法的流程图;
图2是本发明一个实施例的癌变细胞的自动诊断过程的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
以下结合附图描述本发明。
图1是本发明实施例的癌变细胞的自动诊断方法的流程图。如图1所示,本发明实施例的癌变细胞的自动诊断方法,包括以下步骤:
S1:对待测组织图像在电子显微镜下通过不同焦距下聚焦得到第一组织图像和第二组织图像。
在本发明的一个实施例中,步骤S1进一步包括:
S101:对待测组织图像在电子显微镜下通过不同焦距下聚焦得到初始第一组织图像和初始第二组织图像,此时初始第一组织图像和初始第二组织图像的像素对比度较低;
S102:为提升像素对比度,对初始第一组织图像和初始第二组织图像进行直方图均衡化处理得到第一组织图像和第二组织图像,为后续步骤处理做好准备。
S2:对第一组织图像进行边缘检测,以得到第一组织图像中所有细胞的细胞核边界。
在本发明的一个实施例中,步骤S2进一步包括:
S201:对第一组织图像进行图像降噪处理,以突出第一组织图像中细胞的边界特征。其中,可以采用中值滤波器进行图像降噪。
S202:采用边缘检测算法得到第一组织图像中所有相邻对比度高于预设对比度阈值的位置作为细胞核边界。其中,可以采用Canny边缘检测算法得到对比度高于预设对比度阈值的位置,Canny边缘检测算法可以显著减少图像数据规模。
S203:对检测到边界不连续的位置,进行空间滤波处理,膨胀所检测到的细胞核边界。其中,可以采用Wiener滤波器进行空间滤波处理,膨胀所检测到的边界,Wiener滤波器的输出与期望输出的均方误差非常小。
S3:根据第二组织图像辅助标定第一组织图像中所有细胞的中心点。
在本发明的一个实施例中,步骤S3进一步包括:
S301:将第二组织图像根据灰度值进行分割,找到第二组织图像的最优分割灰度值;
S302:将第二组织图像进行二值化分割得到二值化第二组织图像;
S303:使用二值化第二组织图像对第一组织图像进行修剪,以辅助确定第一组织图像的所有细胞的细胞核边界,除去对误检的细胞核边界,减少统计的误差。
在本发明的一个实施例中,在步骤S303之后还包括:S304:对第一组织图像的所有边界进行遍历,去除相应边界内包含像素点少于像素点阈值的点。
S4:对第一组织图像相邻细胞之间的细胞膜进行统计,以根据统计结果确定第一组织图像中的组织是否发生癌变。
在本发明的一个实施例中,步骤S4进一步包括:
S401:识别二值化第二组织图像中所有细胞核区域,并将所有细胞核区域的像素坐标的中心点位置作为相应细胞核区域的位置。
S402:对每个细胞核区域,统计与周围细胞之间中心连线上的边界数目,进而确定每个细胞核区域与周围细胞之间的细胞膜总数。
S403:将各个细胞的细胞膜判别结果进行统计,如果预设数量的细胞是被检测为癌细胞,则认为该组织发生癌变。
为使本领域人员进一步理解本发明,将通过以下实施例进行详细说明。
图2是本发明一个实施例的癌变细胞的自动诊断过程的示意图。如图2所示,本实施例中,输入图片为电子显微镜下不同焦距的两组图像,综合利用已有的每组两张图片进行处理,进行判别。处理过程根据电镜下图像的特征来进行处理,首先,针对电镜图片对比度低的问题,采用直方图均衡化的方法,增强对比,为接下来进一步处理做好准备。
之后,在两组图像中,对第一组织图像,首先采用中值滤波器,降低图像的噪声水平,突出细胞的边界特征。之后采用Canny边缘检测算法,找出图像中所有相邻对比度较高的位置;之后针对所检测到边界不连续的问题,采用Wiener滤波器进行空间滤波处理,膨胀所检测到的边界。
对于第二组织图像,可以用此图像来辅助标定细胞的中心点。首先,对图像根据灰度值进行分割,找到图像的最优分割灰度值,然后进行二值化分割,得到二值化后的细胞核图像。该图像进一步去辅助第一组织图像除去对误检的细胞核边界,减少统计的误差。之后,识别出每一个细胞核区域,并进行标记,然后对于标记的每个区域,统计每个像素的坐标,将坐标的中位数作为该标记所对应区域的位置。
对于第一组织图像,在通过第二组织图像进行修剪之后,在对图中所有边界进行遍历,除去那些包含像素非常少的点。
边界统计过程:对相邻细胞之间的细胞膜进行统计,进而去确定该组织的整体类型。统计过程包括两个过程,首先基于距离识别出相邻的标记中心,接下来去检测两个中心连线上的边界数目。对同一个中心点的所有相邻点进行相同的操作,统计与周围细胞之间的细胞膜总数。对组织中所有的细胞进行相同的统计结果,然后将各个细胞的细胞膜判别结果进行统计,如果大部分的细胞是被检测为癌细胞,则认为该组织发生癌变。
根据本发明实施例的癌变细胞的自动诊断方法,利用癌细胞与健康细胞之间存在的差别,用计算机视觉方法自动提取特征,对细胞特征进行判别、判别效率高、准确率高。
另外,本发明实施例的癌变细胞的自动诊断方法的其它构成以及作用对于本领域的技术人员而言都是已知的,为了减少冗余,不做赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同限定。
Claims (3)
1.一种图像处理方法,其特征在于,包括以下步骤:
S1:对待测组织图像在电子显微镜下通过不同焦距下聚焦得到第一组织图像和第二组织图像;
S2:对所述第一组织图像进行边缘检测,以得到所述第一组织图像中所有细胞的细胞核边界;
S3:根据所述第二组织图像辅助标定所述第一组织图像中所有细胞的中心点;
S301:将所述第二组织图像根据灰度值进行分割,找到所述第二组织图像的最优分割灰度值;
S302:将所述第二组织图像进行二值化分割得到二值化第二组织图像;
S303:使用所述二值化第二组织图像对所述第一组织图像进行修剪,以辅助确定所述第一组织图像的所有细胞的细胞核边界;
S304:对所述第一组织图像的所有边界进行遍历,去除相应边界内包含像素点少于像素点阈值的点;
S4:对所述第一组织图像相邻细胞之间的细胞膜进行统计,以根据统计结果确定所述第一组织图像中的组织是否发生癌变;
S401:识别所述二值化第二组织图像中所有细胞核区域,并将所有细胞核区域的像素坐标的中心点位置作为相应细胞核区域的位置;
S402:对每个细胞核区域,统计与周围细胞之间中心连线上的边界数目,进而确定每个细胞核区域与周围细胞之间的细胞膜总数;
S403:将各个细胞的细胞膜判别结果进行统计,如果预设数量的细胞是被检测为癌细胞,则认为该组织发生癌变。
2.根据权利要求1所述的图像处理方法,其特征在于,步骤S1进一步包括:
S101:对所述待测组织图像在电子显微镜下通过不同焦距下聚焦得到初始第一组织图像和初始第二组织图像;
S102:对所述初始第一组织图像和所述初始第二组织图像进行直方图均衡化处理得到所述第一组织图像和所述第二组织图像。
3.根据权利要求1所述的图像处理方法,其特征在于,步骤S2进一步包括:
S201:对所述第一组织图像进行图像降噪处理,以突出所述第一组织图像中所述细胞的边界特征;
S202:采用边缘检测算法得到所述第一组织图像中所有相邻对比度高于预设对比度阈值的位置作为细胞核边界;
S203:对检测到边界不连续的位置,进行空间滤波处理,膨胀所检测到的细胞核边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334874.4A CN107240093B (zh) | 2017-05-12 | 2017-05-12 | 一种癌变细胞的自动诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334874.4A CN107240093B (zh) | 2017-05-12 | 2017-05-12 | 一种癌变细胞的自动诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107240093A CN107240093A (zh) | 2017-10-10 |
CN107240093B true CN107240093B (zh) | 2020-11-27 |
Family
ID=59984491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710334874.4A Active CN107240093B (zh) | 2017-05-12 | 2017-05-12 | 一种癌变细胞的自动诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107240093B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697450B (zh) * | 2017-10-20 | 2023-04-07 | 曦医生技股份有限公司 | 细胞分类方法 |
CN110363762B (zh) * | 2019-07-23 | 2023-03-14 | 腾讯医疗健康(深圳)有限公司 | 细胞检测方法、装置、智能显微镜系统和可读存储介质 |
CN116758107B (zh) * | 2023-08-07 | 2024-03-12 | 深圳市瑞沃德生命科技有限公司 | 一种细胞边界修补方法及其装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322644A (zh) * | 2008-06-13 | 2008-12-17 | 曾堃 | 便携式子宫颈癌癌前病变诊断装置 |
CN103776832A (zh) * | 2012-10-26 | 2014-05-07 | 香港智能医学有限公司 | 早期癌细胞无漏检测系统 |
CN105122308A (zh) * | 2013-04-17 | 2015-12-02 | 通用电气公司 | 用于使用连续染色组织上的单细胞划分的多路生物标志定量的系统和方法 |
CN105139383A (zh) * | 2015-08-11 | 2015-12-09 | 北京理工大学 | 基于定义圆hsv颜色空间的医学图像分割方法及癌细胞识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7760927B2 (en) * | 2003-09-10 | 2010-07-20 | Bioimagene, Inc. | Method and system for digital image based tissue independent simultaneous nucleus cytoplasm and membrane quantitation |
-
2017
- 2017-05-12 CN CN201710334874.4A patent/CN107240093B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322644A (zh) * | 2008-06-13 | 2008-12-17 | 曾堃 | 便携式子宫颈癌癌前病变诊断装置 |
CN103776832A (zh) * | 2012-10-26 | 2014-05-07 | 香港智能医学有限公司 | 早期癌细胞无漏检测系统 |
CN105122308A (zh) * | 2013-04-17 | 2015-12-02 | 通用电气公司 | 用于使用连续染色组织上的单细胞划分的多路生物标志定量的系统和方法 |
CN105139383A (zh) * | 2015-08-11 | 2015-12-09 | 北京理工大学 | 基于定义圆hsv颜色空间的医学图像分割方法及癌细胞识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107240093A (zh) | 2017-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
CN104751178B (zh) | 基于形状模板匹配结合分类器的肺结节检测装置及方法 | |
US9567651B2 (en) | System and method for the detection of abnormalities in a biological sample | |
US5796861A (en) | Mosaic construction, processing, and review of very large electronic micrograph composites | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
KR101894212B1 (ko) | 간 경계 식별방법 및 시스템 | |
CN104363815B (zh) | 图像处理装置以及图像处理方法 | |
CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
CN107240093B (zh) | 一种癌变细胞的自动诊断方法 | |
JP4948647B2 (ja) | 尿中粒子画像の領域分割方法及び装置 | |
CN111325739A (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN107316311B (zh) | 细胞核图像轮廓捕获设备及其方法 | |
CN105979847A (zh) | 内窥镜图像诊断辅助系统 | |
WO2009142601A1 (en) | An automatic opacity detection system for cortical cataract diagnosis | |
WO2005076197A2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN110517273B (zh) | 基于动态梯度阈值的细胞学图像分割方法 | |
US20220156927A1 (en) | Image analysis method, storage medium, image analysis device, and image analysis system | |
CN105513036A (zh) | 三维ct图像的分割方法及装置 | |
CN106483130A (zh) | 一种水稻病害的检测方法及其自动检测装置 | |
CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
JP2016195755A (ja) | 医用画像処理装置、医用画像処理方法及び医用イメージング装置 | |
JP7359163B2 (ja) | 判別装置、細胞塊の判別方法、及びコンピュータプログラム | |
CN109671095B (zh) | 一种x光照片中金属物分离方法和相关装置 | |
CN114219702A (zh) | 不同染色病理切片图像匹配及显示方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |