CN107316311B - 细胞核图像轮廓捕获设备及其方法 - Google Patents
细胞核图像轮廓捕获设备及其方法 Download PDFInfo
- Publication number
- CN107316311B CN107316311B CN201610914518.5A CN201610914518A CN107316311B CN 107316311 B CN107316311 B CN 107316311B CN 201610914518 A CN201610914518 A CN 201610914518A CN 107316311 B CN107316311 B CN 107316311B
- Authority
- CN
- China
- Prior art keywords
- cell
- contour
- cytoplasm
- gravity
- center
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 210000003855 cell nucleus Anatomy 0.000 title claims abstract description 34
- 210000004027 cell Anatomy 0.000 claims abstract description 177
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 110
- 230000005484 gravity Effects 0.000 claims abstract description 110
- 210000004940 nucleus Anatomy 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 28
- 210000004969 inflammatory cell Anatomy 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000001086 cytosolic effect Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 12
- 230000010339 dilation Effects 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 241000270295 Serpentes Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001413 cellular effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 206010008342 Cervix carcinoma Diseases 0.000 description 7
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 7
- 201000010881 cervical cancer Diseases 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000009595 pap smear Methods 0.000 description 5
- 241000701806 Human papillomavirus Species 0.000 description 4
- 230000002146 bilateral effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000007170 pathology Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 241001631646 Papillomaviridae Species 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011551 log transformation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000009608 Papillomavirus Infections Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- 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
- G06V20/693—Acquisition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
- G01N15/1433—Signal processing using image recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/755—Deformable models or variational models, e.g. snakes or active contours
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Dispersion Chemistry (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
Abstract
本发明为一种于细胞图像中找出目标细胞的细胞核的方法,其中细胞图像包括目标细胞及至少一变异细胞,且目标细胞包含细胞质及细胞核,该方法包括:(a)处理细胞图像,以使细胞质、细胞核及变异细胞具不同色彩深浅;(b)分别标定细胞质、细胞核及变异细胞之轮廓;(c)分别计算各轮廓之重心;(d)分别计算细胞质轮廓重心与细胞核轮廓重心及变异细胞轮廓重心的距离;以及(e)自细胞核轮廓重心及变异细胞轮廓重心找出与细胞质轮廓重心之间具有最短距离的特定重心,并定义具特定重心之对应轮廓为细胞核。
Description
技术领域
本发明关于一种细胞核图像轮廓捕获设备及其方法,特别是能够自细胞图像中排除发炎细胞并撷取细胞核图像轮廓之装置及其方法。
背景技术
人类乳突病毒(HPV)是一种乳头瘤病毒科乳头瘤病毒属的DNA病毒。该类病毒主要感染人体的表皮与黏膜组织。目前约有170种类型的HPV被鉴定出来,其中有些类型的HPV入侵人体后会引起疣或癌症,但其他则没有任何症状。经研究,99.7%的子宫颈癌都是因感染HPV所造成。
根据世界卫生组织(WHO)的报告,子宫颈癌是全球妇女第二常见的癌症。中国台湾妇女子宫颈癌的年发生率约为每十万名女性中有27例,年龄标准化死亡率为每十万例9.18人,每年平均1000余名女性死于子宫颈癌,即每天有3人因子宫颈癌而死亡。因此,需要子宫颈癌的病理检测来得知子宫颈细胞是否有病变。
2012年全球病理检测市场约有19.8亿美元,预估2020年将达57亿美元,复合增长率高达14.3%,其中亚太市场复合增长率22.2%,跃居全球市场之冠,成为最具市场发展潜力之地区。而北美+欧洲占79%,仍为全球最普遍使用数字病理检测与辨识的区域。全球病理检测市场分类为全视野切片成像(Whole Slide Imaging,WSI)、图像分析信息储存(Image Analysis-Informatics&Storage)及通讯整合平台(Communication andIntegrated Platforms)等产品,其中WSI市场需求最大。由此看出,全球数字病理筛检诊断系统比预期增长更为快速,正因过去病理筛检完全是靠人力来一片片分析与观察,跟不上现在抹片增长率与数量,故对于能辅助病理师特征分析与辨识比对的系统,完全是符合临床需求与市场预期,可解决病理师与医师人力不足与过劳等问题。
一般子宫颈癌化细胞会变形且细胞核会变大,故在子宫颈细胞是否癌化的判断上,会利用细胞特征参数来进行分析,细胞特征参数包括细胞核质半径比、细胞核质面积比、细胞核形态、细胞膜形态、细胞染色密度等。例如,癌化细胞的细胞核会变大,造成细胞核与细胞质的面积或半径比例(核质比)较正常细胞的核质比大,故在判断是否为癌化细胞时,核质比变大的细胞就会是癌化细胞。现有的病理筛检系统是如何对子宫颈细胞影像图像进行切割、特征计算与癌化分类之方法,但实际的抹片影像图像中存在有许多噪声,其中发炎细胞的大小与颜色与子宫颈细胞的细胞核最为相似,很容易造成细胞核轮廓撷取时将发炎细胞误判为细胞核,近而导致细胞切割与特征计算错误,使得后续的细胞癌化分类辨识效果不佳。例如,理想的细胞切片影像图像中,是没有发炎细胞的,使其细胞核明显可辨(如图1a所示),但女性阴道口一定存在有或多或少的发炎细胞,故子宫颈抹片在采样的过程中,会将女性阴道口附近的发炎细胞一并采样,这些发炎细胞的大小及颜色与子宫颈细胞的细胞核有着高相似度的影像图像特征,这些发炎细胞会散落于细胞质外(如图1b所示)或细胞质内(如图1c所示)。因此,对数字影像图像软件辨识系统而言,容易将散落在子宫颈细胞质中的发炎细胞误判为子宫颈细胞的细胞核。此外,若未排除发炎细胞,系统会将所有发炎细胞皆定义为细胞核来进行细胞特征参数分析(如核质比),使后来在计算核质比时会把所有发炎细胞的面积或半径皆列入计算,造成核质比变大,因而误判细胞为癌化细胞或是有异常。因此,为避免错误判的之情形发生,需要更进一步的排除影像图像中的噪声(如发炎细胞),使系统在筛检子宫颈细胞影像图像时准确率更高。
发明内容
本案申请人鉴于已知技术中的不足,经过悉心试验与研究,并一本锲而不舍之精神,终于构思出本案,能够克服先前技术之不足,以下为本案之简要说明。
为了避免发炎细胞对细胞核轮廓撷取时的误判影响,本发明通过轮廓撷取区域的位置与色彩分析,使撷取方法可以自动排除发炎细胞,使整个软件辨识系统可以撷取到正确的细胞核位置,让后续的细胞特征计算与癌化分类辨识正确性可以进一步提高。
因此,本发明提供一种于细胞图像中确定细胞的细胞核的装置,该细胞包括细胞核及细胞质,该装置包括:细胞质轮廓撷取单元,用于撷取细胞图像中细胞质的细胞质轮廓;深色区域轮廓撷取单元,耦接于细胞质轮廓撷取单元,用于撷取细胞图像中多个深色区域的多个深色区域轮廓;图像处理单元,耦接于细胞质轮廓撷取单元及深色区域轮廓撷取单元,用于分别对细胞质轮廓及多个深色区域轮廓进行图像处理;重心计算单元,耦接于图像处理单元,用于计算细胞质轮廓的细胞质轮廓重心及多个深色区域轮廓各自的深色区域轮廓重心;距离计算单元,耦接于重心计算单元,用于从该距离中找出一最短距离,并判断出具有该最短距离的一特定深色区域轮廓重心,及定义特定深色区域轮廓重心所对应的特定深色区域为细胞核。
本发明还提出一种于细胞图像中确定细胞的细胞核的方法,该细胞包括细胞核及细胞质,该方法包括:(a)撷取细胞图像中细胞质的细胞质轮廓;(b)撷取细胞图像中多个深色区域的多个深色区域轮廓;(c)分别对该细胞质轮廓及多个深色区域轮廓进行图像处理;(d)计算细胞质轮廓的细胞质轮廓重心及多个深色区域轮廓各自的深色区域轮廓重心;(e)计算细胞质轮廓重心与各自的深色区域轮廓重心的距离;以及(f)从该距离中找出一最短距离,并判断出具有该最短距离的一特定深色区域轮廓重心,及定义特定深色区域轮廓中心所对应的特定深色区域为细胞核。
本发明还提出一种于细胞图像中找出目标细胞的细胞核的方法,其中细胞图像包括目标细胞及至少一变异细胞,且目标细胞包含细胞质及细胞核,该方法包括:(a)处理细胞图像,以使细胞质、细胞核及变异细胞具不同色彩深浅;(b)分别标定细胞质、细胞核及变异细胞之轮廓;(c)分别计算各轮廓之重心;(d)分别计算细胞质轮廓重心与细胞核轮廓重心及变异细胞轮廓重心的距离;以及(e)自细胞核轮廓重心及变异细胞轮廓重心找出与细胞质轮廓重心之间具有一最短距离的特定重心,并定义具特定重心之对应轮廓为细胞核。
本发明还提出一种于细胞图像中找出目标细胞的细胞核的方法,其中细胞图像包括目标细胞及至少一变异细胞,且目标细胞包含细胞质及细胞核,该方法包括:(a)处理细胞图像,以使细胞质、细胞核及变异细胞具不同色彩深浅;(b)分别标定细胞质、细胞核及变异细胞之轮廓;(c)分别计算各轮廓之几何参考点;(d)分别计算细胞质轮廓几何参考点与细胞核轮廓几何参考点及变异细胞轮廓几何参考点的距离;以及(e)自细胞核轮廓几何参考点及变异细胞轮廓几何参考点找出与细胞质轮廓几何参考点之间具有最短距离的特定几何参考点,并定义具特定几何参考点之对应轮廓为细胞核。
为使本发明能更明显易懂,下文特举实施例,并配合所附附图作详细说明如下,但并不用以限制本发明之实施例范围。
附图说明
图1a为没有发炎细胞的子宫颈抹片图像。
图1b为发炎细胞散落于细胞质外的子宫颈抹片图像。
图1c为发炎细胞散落于细胞质内的子宫颈抹片图像。
图2为本发明的细胞核辨识系统的示意图;
图3为本发明的细胞核辨识方法的示意图;
图4为本发明的撷取细胞质轮廓的方法示意图;
图5为本发明的撷取深色区域轮廓的方法示意图;
图6a为本发明的细胞图像经处理后的细胞质轮廓的示意图;
图6b为本发明的细胞图像经处理后的深色区域轮廓的示意图;
图7a为本发明的一实施例的子宫颈细胞图像;
图7b为本发明的一实施例的子宫颈细胞图像的细胞质轮廓及深色区域轮廓经计算出各自重心后的示意图;以及
图7c为本发明的一实施例的子宫颈细胞图像经辨识系统判断出的细胞核位置。
具体实施方式
以下在实施方式中详细叙述本发明之详细特征以及优点,其内容足以使任何熟习相关技术者了解本发明之技术内容并据以实施,且根据本说明书所揭露之内容、权利要求书及附图,任何熟习相关技术者可轻易地理解本发明相关之目的及优点。以下之实施例进一步详细说明本发明之观点,但并不以任何观点限制本发明之范围。
本发明的各种实施例中,提出一种于细胞图像中确定细胞的细胞核位置的方法及装置。本发明利用辨识系统来撷取区域的位置与色彩分析,并经由各区域的重心及距离计算,可以找到细胞核位置,并排除发炎细胞,以提高后续细胞特征计算与癌化分类辨识正确性。
本发明的细胞图像是细胞检体经采样后(如子宫颈抹片),利用一般已知常规方式进行处理,再利用显微成像装置成像经处理之细胞检体,而得到单颗的细胞图像。一般细胞图像中包含发炎细胞及该单颗细胞的细胞质与细胞核,由于发炎细胞与细胞核在细胞图像中的大小与颜色相似,且颜色通常较深,故同时定义为深色区域,而细胞质则定义为细胞质区域。任何会造成图像中深色区域的变异细胞(如发炎细胞)皆是本发明的细胞核图像轮廓捕获设备要排除的对象。
请参阅图2及图3,其分别为本发明之细胞核辨识系统及方法之示意图。本发明的细胞核辨识系统200包括细胞质轮廓撷取单元210、深色区域轮廓撷取单元220、图像处理单元230、重心计算单元240、距离计算单元250及判断单元260。
得到细胞图像后,分别利用细胞质轮廓撷取单元210及深色区域轮廓撷取单元220分别对细胞质及发炎细胞与细胞核等深色区域进行轮廓的截取(图3之步骤301与步骤302)。细胞质轮廓与深色区域轮廓的撷取方法如图4及图5所示。
请参阅图4,其为本发明之撷取细胞质轮廓的方法示意图。当得到细胞图像后(步骤401),会利用色彩改善滤波器处理细胞图像(步骤402),以强化细胞边缘,增加图像色彩与对比度,并弱化深色区域的图像。接着利用边缘检测方法撷取细胞质轮廓(步骤403),图像处理单元230对撷取出的初步细胞质轮廓进行一次或一次以上的侵蚀与膨胀图像处理方法(步骤404-405),使细胞质轮廓撷取更加完整。在一实施例中,含发炎细胞之细胞图像经细胞质轮廓截取方法后得到细胞质轮廓601,如图6a所示。最后对撷取出的区域进行面积计算,并取大于一阈值(T)的面积,以取出面积够大的细胞质区域(步骤406)。在图6a中,较小面积轮廓602经由步骤406排除。
色彩改善滤波器及边缘检测方法为本领域常用的技术,任何可用于增强图像色彩与对比度及检测边缘的方法,皆在本发明的范围中。在另一实施例中,色彩改善滤波器包括双向滤波器(Bilateral Filter)、均值滤波器(Mean Filter)及高斯平滑滤波器(Gaussiansmoothing filter),边缘检测方法包括索伯方法(Sobel operator)、分水岭算法及蛇型算法,亦可利用拉普拉斯滤波器(Laplacian Filter)、索伯滤波器(Sobel Filter)、布里威特滤波器(Prewitt Filter)及罗伯特滤波器(Roberts Filter)进行边缘检测,且阈值(T)为500个像素。
请参阅图5,其为本发明之撷取深色区域轮廓的方法示意图。当得到细胞图像后(步骤501),会利用直方图均化(Histogram Equalization)或对数转换(LogTransformations)之图像处理方法对图像对比度进行调整(步骤502),再利用色彩改善滤波器处理细胞图像(步骤503),以凸显出可能为细胞核的深色区域图像,增加图像色彩与对比度,并弱化浅色区域的图像。接着利用边缘检测方法撷取深色区域轮廓(步骤504),图像处理单元230对撷取出的初步深色区域轮廓进行一次或一次以上的侵蚀与膨胀图像处理方法(步骤505-506),使深色区域轮廓撷取更加完整。在一实施例中,含发炎细胞之细胞图像经深色区域轮廓截取方法后得到深色区域轮廓603,如图6b所示。
利用细胞质轮廓撷取单元210及深色区域轮廓撷取单元220撷取出细胞质轮廓及深色区域轮廓后,重心计算单元240计算细胞质轮廓及深色区域轮廓内所有像素的重心坐标,分别得到细胞质重心(Ac)及多个可能为细胞核的深色区域重心(AN1、AN2、AN3…ANn)(图3之步骤303与步骤304)。本发明的重心计算方法为本技术领域已知之计算方法。在一实施例中,子宫颈细胞图像如图7a所示。子宫颈细胞图像经由细胞质轮廓撷取单元210及深色区域轮廓撷取单元220得到细胞质轮廓710及深色区域轮廓726,针对细胞质轮廓710及深色区域轮廓726中像素计算重心,得到细胞质重心711及深色区域重心720-725,如图7b所示。在另一实施例中,细胞质与深色区域的其他几何参考点(如轴心、中心等)亦可用于找出细胞中细胞核的位置。
计算出细胞质重心与深色区域重心后,距离计算单元250计算每个深色区域重心与细胞质重心之间的距离(图3之步骤305),得到细胞质重心(Ac)与深色区域重心AN1之间的距离为d1、细胞质重心(Ac)与深色区域重心AN2之间的距离为d2、细胞质重心(Ac)与深色区域重心AN3之间的距离为d3…细胞质重心(Ac)与深色区域重心ANn之间的距离为dn。本发明的距离计算方法为本技术领域已知之计算方法。在一实施例中,距离计算方法为欧基里德距离计算方法(Euclidean Distance)。在一实施例中,如图7b所示,距离计算单元250计算细胞质重心711与每个深色区域重心720-725的距离。例如,细胞质重心711与深色区域重心720之间的距离为d1,细胞质重心711与深色区域重心721之间的距离为d2,细胞质重心711与深色区域重心722之间的距离为d3,细胞质重心711与深色区域重心723之间的距离为d4,细胞质重心711与深色区域重心724之间的距离为d5,以及细胞质重心711与深色区域重心725之间的距离为d6。
最后判断单元260比较每个距离(d1、d2、d3…dn)的长短,取出与细胞质重心距离最短者Min[(d1、d2、d3…dn)](图3之步骤306),并判断具有最短距离之轮廓区域为细胞核(图3之步骤307)。在一实施例中,如图7c所示,判断单元260从d1-d6中取出最短的距离d1,并判断d1所代表的深色区域重心720所对应的深色区域轮廓为细胞核。
实施例
1.一种于细胞图像中确定细胞的细胞核的装置,细胞包括细胞核及细胞质,该装置包括:细胞质轮廓撷取单元,用于撷取细胞图像中细胞质的细胞质轮廓;深色区域轮廓撷取单元,耦接于细胞质轮廓撷取单元,用于撷取细胞图像中多个深色区域的多个深色区域轮廓;图像处理单元,耦接于细胞质轮廓撷取单元及深色区域轮廓撷取单元,用于分别对细胞质轮廓及多个深色区域轮廓进行图像处理;重心计算单元,耦接于图像处理单元,用于计算细胞质轮廓的细胞质轮廓重心及多个深色区域轮廓各自的深色区域轮廓重心;距离计算单元,耦接于重心计算单元,用于计算细胞质轮廓重心与各自的深色区域轮廓重心的距离;以及判断单元,耦接于距离计算单元,用于从该距离中找出一最短距离,并判断出具有该最短距离的一特定深色区域轮廓重心,及定义特定深色区域轮廓重心所对应的特定深色区域为细胞核。
2.如实施例1所述的装置,其中细胞图像为单颗细胞的图像,且细胞图像为子宫颈细胞之图像。
3.如实施例1或2所述的装置,其中图像处理包括侵蚀及膨胀。
4.如实施例1~3中任一实施例所述的装置,其中细胞质轮廓撷取单元及深色区域轮廓撷取单元经由索伯方法(Sobel operator)、分水岭算法或蛇型算法撷取细胞质轮廓及这些深色区域轮廓,且距离计算单元经由欧基里德距离计算方法计算距离。
5.一种于细胞图像中确定细胞的细胞核的方法,该细胞包括细胞核及细胞质,该方法包括:(a)撷取细胞图像中细胞质的细胞质轮廓;(b)撷取细胞图像中多个深色区域的多个深色区域轮廓;(c)分别对该细胞质轮廓及多个深色区域轮廓进行图像处理;(d)计算细胞质轮廓的细胞质轮廓重心及多个深色区域轮廓各自的深色区域轮廓重心;(e)计算细胞质轮廓重心与各自的深色区域轮廓重心的距离;以及(f)从该距离中找出一最短距离,并判断出具有该最短距离的一特定深色区域轮廓重心,及定义特定深色区域轮廓重心所对应的特定深色区域为细胞核。
6.如实施例5所述的方法,其中细胞图像是经由显微成像方式撷取。
7.如实施例5或6所述的方法,其中图像处理包括侵蚀及膨胀。
8.如实施例5~7任一实施例所述的方法,其中步骤(a)还包括:(a1)该细胞图像经由双向滤波器来增加该细胞图像的对比度。
9.如实施例5~8任一实施例所述的方法,其中步骤(b)还包括:(b1)细胞图像经由双向滤波器来增加细胞图像的对比度;以及(b2)利用直方图均化或对数转换方法来强化多个深色区域。
10.如实施例5~9任一实施例所述的方法,其中步骤(d)中,细胞质轮廓重心及各自的深色区域轮廓重心是基于细胞质轮廓及这些深色区域轮廓内的像素而计算。
11.一种于细胞图像中找出目标细胞的细胞核的方法,其中细胞图像包括目标细胞及至少一变异细胞,且目标细胞包含细胞质及细胞核,该方法包括:(a)处理细胞图像,以使细胞质、细胞核及变异细胞具不同色彩深浅;(b)分别标定细胞质、细胞核及变异细胞之轮廓;(c)分别计算各轮廓之重心;(d)分别计算细胞质轮廓重心与细胞核轮廓重心及变异细胞轮廓重心的距离;以及(e)自细胞核轮廓重心及变异细胞轮廓重心找出与细胞质轮廓重心之间具有一最短距离的特定重心,并定义具特定重心之对应轮廓为细胞核。
12.如实施例11所述的方法,其中细胞图像经处理,而使得细胞质具第一色彩深浅,且细胞核及变异细胞具第二色彩深浅。
13.一种于细胞图像中找出目标细胞的细胞核的方法,其中细胞图像包括目标细胞及至少一变异细胞,且目标细胞包含细胞质及细胞核,该方法包括:(a)处理细胞图像,以使细胞质、细胞核及变异细胞具不同色彩深浅;(b)分别标定细胞质、细胞核及变异细胞之轮廓;(c)分别计算各轮廓之几何参考点;(d)分别计算细胞质轮廓几何参考点与细胞核轮廓几何参考点及变异细胞轮廓几何参考点的距离;以及(e)自细胞核轮廓几何参考点及变异细胞轮廓几何参考点找出与细胞质轮廓几何参考点之间具有最短距离的特定几何参考点,并定义具特定几何参考点之对应轮廓为细胞核。
本发明时属难能的创新发明,深具产业价值,援依法提出申请。此外,本发明可以由本领域技术人员做任何修改,但不脱离如所附权利要求书所要保护的范围。
符号说明
200 细胞核辨识系统
210 细胞质轮廓撷取单元
220 深色区域轮廓撷取单元
230 图像处理单元
240 重心计算单元
250 距离计算单元
260 判断单元
S301-S307 步骤
S401-S406 步骤
S501-S506 步骤
601 细胞质轮廓
602 较小面积轮廓
603 深色区域轮廓
710 细胞质轮廓
711 细胞质重心
720-725 深色区域重心
726 深色区域轮廓
Claims (13)
1.一种子宫颈细胞的细胞核图像轮廓撷取装置,该装置包括:
一细胞质轮廓撷取单元,其用于撷取细胞图像中的细胞质轮廓;
一深色区域轮廓撷取单元,其耦接于该细胞质轮廓撷取单元,用于撷取该细胞图像中的多个深色区域轮廓;
一图像处理单元,其耦接于该细胞质轮廓撷取单元及该深色区域轮廓撷取单元,用于分别对该细胞质轮廓及这些深色区域轮廓进行图像处理;
一重心计算单元,其耦接于该图像处理单元,用于计算该细胞质轮廓的一细胞质轮廓重心及这些深色区域轮廓各自的深色区域轮廓重心;
一距离计算单元,其耦接于该重心计算单元,用于计算该细胞质轮廓重心与该各自的深色区域轮廓重心的一距离;以及
一判断单元,其耦接于该距离计算单元,用于从该距离中找出一最短距离,并判断出具有该最短距离的一深色区域轮廓重心,及定义该深色区域轮廓重心所对应的一深色区域为细胞核。
2.如权利要求1所述的子宫颈细胞的细胞核图像轮廓撷取装置,其中该细胞图像为一单颗细胞的图像。
3.如权利要求1所述的子宫颈细胞的细胞核图像轮廓撷取装置,其中该图像处理包括侵蚀及膨胀。
4.如权利要求1所述的子宫颈细胞的细胞核图像轮廓撷取装置,其中该细胞质轮廓撷取单元及该深色区域轮廓撷取单元经由索伯方法、分水岭演算法或蛇型演算法撷取该细胞质轮廓及这些深色区域轮廓,且该距离计算单元经由欧基里德距离计算方法计算该距离。
5.一种子宫颈细胞的细胞核图像轮廓撷取方法,该方法包括:
(a)撷取细胞图像中的一细胞质轮廓;
(b)撷取该细胞图像中多个深色区域的多个深色区域轮廓;
(c)分别对该细胞质轮廓及这些深色区域轮廓进行图像处理;
(d)计算该细胞质轮廓的一细胞质轮廓重心及这些深色区域轮廓各自的深色区域轮廓重心;
(e)计算该细胞质轮廓重心与该各自的深色区域轮廓重心的一距离;以及
(f)从该距离中找出一最短距离,并判断出具有该最短距离的一深色区域轮廓重心,及定义该深色区域轮廓重心所对应的一深色区域为细胞核。
6.如权利要求5所述的子宫颈细胞的细胞核图像轮廓撷取方法,其中该细胞图像是经由显微成像方式撷取。
7.如权利要求5所述的子宫颈细胞的细胞核图像轮廓撷取方法,其中该图像处理包括侵蚀及膨胀。
8.如权利要求5所述的子宫颈细胞的细胞核图像轮廓撷取方法,其中步骤(a)还包括:
(a1)该细胞图像经由一双向滤波器来增加该细胞图像的对比度。
9.如权利要求5所述的子宫颈细胞的细胞核图像轮廓撷取方法,其中步骤(b)还包括:
(b1)该细胞图像经由一双向滤波器来增加该细胞图像的对比度;以及
(b2)利用直方图均化或对数转换方法来强化这些深色区域。
10.如权利要求5所述的子宫颈细胞的细胞核图像轮廓撷取方法,其中步骤(d)中,该细胞质轮廓重心及该各自的深色区域轮廓重心是基于该细胞质轮廓及这些深色区域轮廓内的像素而计算。
11.一种于子宫颈细胞的一细胞图像中找出一目标细胞的一细胞核的方法,其中该细胞图像包括该目标细胞及至少一发炎细胞,且该目标细胞包含一细胞质及该细胞核,该方法包括:
(a)处理该细胞图像,以使该细胞质、该细胞核及该发炎细胞具不同色彩深浅;
(b)分别标定该细胞质、该细胞核及该发炎细胞之轮廓;
(c)分别计算各该轮廓之重心;
(d)分别计算细胞质轮廓重心与细胞核轮廓重心及发炎细胞轮廓重心的一距离;以及
(e)自该细胞核轮廓重心及该发炎细胞轮廓重心找出与该细胞质轮廓重心之间具有最短距离的重心,并定义该具有最短距离的重心的一对应轮廓为该细胞核。
12.如权利要求11所述的方法,该细胞图像经处理,而使得该细胞质具一第一色彩深浅,且该细胞核及该发炎细胞具一第二色彩深浅。
13.一种于子宫颈细胞的一细胞图像中找出一目标细胞的一细胞核的方法,其中该细胞图像包括该目标细胞及至少一发炎细胞,且该目标细胞包含一细胞质及该细胞核,该方法包括:
(a)处理该细胞图像,以使该细胞质、该细胞核及该发炎细胞具不同色彩深浅;
(b)分别标定该细胞质、该细胞核及该发炎细胞之轮廓;
(c)分别计算各该轮廓之几何参考点;
(d)分别计算细胞质轮廓几何参考点与细胞核轮廓几何参考点及发炎细胞轮廓几何参考点的一距离;以及
(e)自该细胞核轮廓几何参考点及该发炎细胞轮廓几何参考点找出与该细胞质轮廓几何参考点之间具有最短距离的一几何参考点,并定义该几何参考点的一对应轮廓为该细胞核。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105112999 | 2016-04-26 | ||
TW105112999A TWI594207B (zh) | 2016-04-26 | 2016-04-26 | 細胞核影像輪廓擷取裝置及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316311A CN107316311A (zh) | 2017-11-03 |
CN107316311B true CN107316311B (zh) | 2020-08-14 |
Family
ID=60089705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610914518.5A Active CN107316311B (zh) | 2016-04-26 | 2016-10-20 | 细胞核图像轮廓捕获设备及其方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10234442B2 (zh) |
CN (1) | CN107316311B (zh) |
TW (1) | TWI594207B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI652627B (zh) | 2017-11-16 | 2019-03-01 | 財團法人金屬工業研究發展中心 | 大尺度細胞影像分析方法及其系統 |
TWI683283B (zh) * | 2018-04-03 | 2020-01-21 | 薩摩亞商銳準醫光股份有限公司 | 一種生物樣本之影像合成方法及採用該方法之光學系統 |
US20210033599A1 (en) * | 2018-04-26 | 2021-02-04 | Nec Corporation | Information processing apparatus, control method, and program |
CN109034208B (zh) * | 2018-07-03 | 2020-10-23 | 怀光智能科技(武汉)有限公司 | 一种高低分辨率组合的宫颈细胞切片图像分类系统 |
US10769784B2 (en) | 2018-12-21 | 2020-09-08 | Metal Industries Research & Development Centre | Image analyzing method and electrical device |
CN110148455B (zh) * | 2019-05-22 | 2023-09-26 | 柯晶 | 宫颈液基薄片图像之炎性细胞消除方法 |
EP3836020A1 (en) * | 2019-12-12 | 2021-06-16 | National Cheng Kung University | A method for determining cellular nuclear-to-cytoplasmic ratio |
CN112396583B (zh) * | 2020-11-18 | 2024-01-26 | 深思考人工智能机器人科技(北京)有限公司 | 一种基于巴氏染色方式的dna倍体定量分析的方法及系统 |
CN116645390B (zh) * | 2023-07-27 | 2023-10-03 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1624475A (zh) * | 2004-12-20 | 2005-06-08 | 华中科技大学 | 宫颈癌细胞辅助检测方法 |
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
US7907769B2 (en) * | 2004-05-13 | 2011-03-15 | The Charles Stark Draper Laboratory, Inc. | Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation |
CN102831607A (zh) * | 2012-08-08 | 2012-12-19 | 深圳市迈科龙生物技术有限公司 | 宫颈液基细胞图像分割方法 |
CN103489188A (zh) * | 2013-09-23 | 2014-01-01 | 华南理工大学 | 一种宫颈lct图像的异常细胞核定位方法 |
TW201510936A (zh) * | 2013-09-13 | 2015-03-16 | Univ Nat Cheng Kung | 細胞影像分割方法以及核質比評估方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050136509A1 (en) * | 2003-09-10 | 2005-06-23 | Bioimagene, Inc. | Method and system for quantitatively analyzing biological samples |
US8280139B2 (en) * | 2007-02-13 | 2012-10-02 | Nec Corporation | Cell feature amount calculating apparatus and cell feature amount calculating method |
JP5365011B2 (ja) * | 2008-01-29 | 2013-12-11 | 日本電気株式会社 | 病理診断支援装置、病理診断支援方法、およびプログラム |
WO2013038331A1 (en) * | 2011-09-13 | 2013-03-21 | Koninklijke Philips Electronics N.V. | System and method for the detection of abnormalities in a biological sample |
-
2016
- 2016-04-26 TW TW105112999A patent/TWI594207B/zh active
- 2016-10-20 CN CN201610914518.5A patent/CN107316311B/zh active Active
- 2016-11-29 US US15/363,543 patent/US10234442B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7907769B2 (en) * | 2004-05-13 | 2011-03-15 | The Charles Stark Draper Laboratory, Inc. | Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation |
CN1624475A (zh) * | 2004-12-20 | 2005-06-08 | 华中科技大学 | 宫颈癌细胞辅助检测方法 |
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
CN102831607A (zh) * | 2012-08-08 | 2012-12-19 | 深圳市迈科龙生物技术有限公司 | 宫颈液基细胞图像分割方法 |
TW201510936A (zh) * | 2013-09-13 | 2015-03-16 | Univ Nat Cheng Kung | 細胞影像分割方法以及核質比評估方法 |
CN103489188A (zh) * | 2013-09-23 | 2014-01-01 | 华南理工大学 | 一种宫颈lct图像的异常细胞核定位方法 |
Also Published As
Publication number | Publication date |
---|---|
US10234442B2 (en) | 2019-03-19 |
TW201738843A (zh) | 2017-11-01 |
CN107316311A (zh) | 2017-11-03 |
US20170309017A1 (en) | 2017-10-26 |
TWI594207B (zh) | 2017-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316311B (zh) | 细胞核图像轮廓捕获设备及其方法 | |
CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
EP2948897B1 (en) | Method and systems for cell-level fish dot counting | |
Win et al. | Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding | |
CN107492088B (zh) | 一种妇科显微图像中白细胞自动识别与统计方法 | |
CN110120056A (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
Sarwar et al. | Segmentation of cervical cells for automated screening of cervical cancer: a review | |
Kumar et al. | An unsupervised approach for overlapping cervical cell cytoplasm segmentation | |
CN106447686A (zh) | 一种基于快速有限剪切波变换的图像边缘检测方法 | |
Hashim et al. | Optic disc boundary detection from digital fundus images | |
Oprisescu et al. | Automatic pap smear nuclei detection using mean-shift and region growing | |
Padmanaban et al. | Localization of optic disc using Fuzzy C Means clustering | |
CN103815926B (zh) | 乳腺癌检测方法和装置 | |
KR101489163B1 (ko) | 자궁 경부암 자동 진단 방법 및 시스템 | |
Aramesh et al. | A new method for segmentation of retinal blood vessels using Morphological image processing technique | |
Pavithra et al. | White blood cell analysis using watershed and circular hough transform technique | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
Das et al. | Entropy thresholding based microaneurysm detection in fundus images | |
Safa'a et al. | Histopathological prostate tissue glands segmentation for automated diagnosis | |
Shivamurthy et al. | A foreground marker based centroid initialized Geodesic active contours for histopathological image segmentation | |
Alslatie et al. | Nucleus segmentation in pap smear images using image processing techniques | |
Eltoukhy et al. | Automatic detection of breast masses in digital mammograms using pattern matching | |
Sawarkar et al. | Automated Skin Lesion Preprocessing Model of Dermoscopic Images Towards Melanoma Detection | |
Sharma et al. | Efficient Segmentation Techniques for the Automated Detection of Acute Lymphoblastic Leukemia (ALL) in Microscopic Images | |
Ajemba et al. | Iterative approach to joint segmentation of cellular structures |
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 |