CN107543788A - 一种尿红细胞畸形率检测方法及系统 - Google Patents
一种尿红细胞畸形率检测方法及系统 Download PDFInfo
- Publication number
- CN107543788A CN107543788A CN201710696726.7A CN201710696726A CN107543788A CN 107543788 A CN107543788 A CN 107543788A CN 201710696726 A CN201710696726 A CN 201710696726A CN 107543788 A CN107543788 A CN 107543788A
- Authority
- CN
- China
- Prior art keywords
- image
- urine
- abnormal rate
- urine erythrocyte
- cell
- 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.)
- Pending
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于医学技术领域,公开了一种尿红细胞畸形率检测方法及系统,尿红细胞畸形率检测方法首先进行样本图像采集和图像处理;然后执行图像读入,分割;消除杂质;标记;定位;诊断及报告,实现尿液红细胞的畸形形态分类和畸形率计算。本发明的系统稳定,可连续无差错运行≥200小时;本发明对尿畸形红细胞识别准确率高,错报误差率<5%;本发明的系统能够处理一些特殊情况,比如比较严重的细胞粘连(多个细胞重叠在一起),或者有多个细胞处于采集图片的边缘或者细胞呈现不全;本发明从图像采集开始到分析报告结束,最大耗时不超过60秒;本发明的系统界面简单,操作容易,人性化良好。
Description
技术领域
本发明属于医学技术领域,尤其涉及一种尿红细胞畸形率检测方法及系统。
背景技术
尿液红细胞形态学检查有“体外肾活检”之称,是一种极有价值的实验室 检测。在较早的研究中,Kurt报道以尿液红细胞形态畸形特点及畸形率的大小 为鉴别点,应用于肾小球疾病的临床诊断,其准确率在90%以上。近年来,中国 肾病学者李普庆等人统计结果显示,尿液红细胞畸形分析在肾小球疾病诊断中, 特异度高达96.7%。早在1992年,我国中华内科杂志编委会肾病专业组就根据 尿液红细胞的畸形率,将原发性肾小球疾病分为急性肾小球肾炎等5个类型。
肾小球性血尿红细胞形态变化的机制,目前认为是由于红细胞通过有病理 改变的肾小球滤过膜时,受到了挤压损伤,然后在通过各段肾小管的过程中受 到尿PH、渗透压及尿酶、尿素等化学因素的影响,造成了红细胞大小、形态和 血红蛋白含量等的的改变。
鉴于尿红细胞形态学检查在肾病诊断中的特殊重要性,自九十年代后期, 国内多数三甲医院的检验科或肾脏病实验室逐渐开展了应用相差显微镜观察尿 红细胞形态的检查,检验技师经过系统培训和一段时间的实习,多数能准确辨 认尿红细胞畸形的不同形态,能准确报告标本的畸形率。近年来,国外一些检 验设备制造公司开始提供具有分析尿红细胞畸形形态的尿液自动分析仪,如日 本sysmx公司生产地UF1000i尿液沉渣自动分析仪,在对尿液各种有形成份(红 细胞、白细胞、上皮细胞、管型和结晶等)分析的同时,可提供尿红细胞畸形 率这一研究参数,其原理是基于流式细胞技术,判读标准为“红细胞前向散射 强度≤126ch”,经临床验证,其特异性低于80%,而人工相差显微镜观察特异 性高达94%。
综上所述,现有技术存在的问题是:
人工相差显微镜观察虽然特异性高,但其在临床应用中存在较多问题:首 先,人工显微镜观察费时费力、观察范围小、误差大、测定结果因人而异,难 以统一的缺点;其次,从业人员的培训时间长,需要1-2年时间及反复观察几 万次以上,才能熟练掌握;第三,手工观察效率低下,耗时长,每个样本从观 察开始,到手工书写报告需要5-10分钟。所以,自动化尿红细胞畸形率检测程 序的发明能较好改善这一状况,可提高检测效率十几倍,且检测重现性、再现 性均好于人工检测。
以日本sysmx公司UF1000i尿液沉渣自动分析仪为代表的自动分析系统, 在临床应用中也存在较多问题:首先,是特异性低于80%,不能有效满足临床诊 断和治疗的需要;其次,存在仪器昂贵,检验成本过高,加重患者经济负担的 问题;第三,该检测技术不够成熟,检测原理存在缺陷,只能作为筛查工具, 不能代替人工相差显微镜检测。分析其原因如下:①检验对象包括内容太多, 除红细胞外还有白细胞、管型等,造成检验特异度下降;②因受原理和方法限 制,较难排除尿液其它物质(尿细菌、结晶、酵母菌等)干扰;③仪器昂贵, 造成检验成本过高,加重患者经济负担,所以较多用于科研。
发明内容
针对现有技术存在的问题,本发明提供了一种尿红细胞畸形率检测方法及 系统。
本发明是这样实现的,一种尿红细胞畸形率检测方法,所述尿红细胞畸形 率检测方法首先进行样本图像采集;
然后执行图像读入,
分割;
消除杂质;
标记;
定位;
诊断,实现畸形率计算。
进一步,所述的尿红细胞畸形率检测方法还需进行:诊断结果的填写、保 存和打印。
本发明另一目的在于提供一种述尿红细胞畸形率检测系统,包括:
图像获取模块,通过数据线接口连接的图像获取模块,用于读取尿样本细 胞图像,并在显示区域进行显示;
选取检测图像模块,用于选择相应的待检测细胞图像。
进一步,所述尿红细胞畸形率检测系统进一步划分为:
尿液红细胞图像采集模块,由相差显微镜、CCD摄像头和图像采集卡为基 本硬件,对图像采集卡进行二次编程,实现尿红细胞图像的采集,为后面的图 像基于PC平台处理、优化建立基础;
尿红细胞图像处理模块,基于PC主机的程序编写,用于将采集的图像进行 处理和优化,为进一步的尿液红细胞形态、畸形率的分析建立基础;
尿红细胞畸形率检测程序模块,是尿液红细胞畸形率分析、检测和报告模 块,通过一系列算法实现的,包括对已获取和完成处理的尿红细胞图像的自动 识别;对图像的预处理和分割;尿红细胞的提取;尿红细胞的定位;尿红细胞 畸形率的计算;结果报告的生成;
被检测标本经相差显微镜观察,经CCD摄像头摄像,采集图像后,图像信 号转变为数字信号传输至PC主机,经程序处理和分析,得到分析结果,并在显 示屏上显示图像。
进一步,所述尿红细胞畸形率检测系统还包括:
图像分割模块,用于分割待检测细胞图像和显示分割结果;
消除杂质模块,用于消除分割后的待检测细胞图像杂质。
进一步,所述尿红细胞畸形率检测系统还包括:
标记分割模块,用于标记消除杂质后分割的待检测细胞图像和显示有效细 胞的标记结果;
进一步,所述尿红细胞畸形率检测系统还包括:
细胞定位模块;用于显示有效细胞的轮廓标记结果以及粘连的位置标记;
诊断结果模块,用于显示畸形率诊断的结果,自动生成样本编号、有效细 胞数量、畸形率数值、诊断时间信息。
进一步,所述尿红细胞畸形率检测系统还包括:诊断结果保存打印模块, 用于将病例信息补充完整,填写患者姓名,性别,年龄,科室,医生,诊断结 果信息并保存和进行打印。
本发明的优点及积极效果为:
本发明的系统稳定,能够至少连续无差错运行200小时;本发明对尿红细 胞识别错报误差小于5%;本发明的系统能够处理一些特殊情况,比如比较严重 的细胞粘连(多个细胞重叠在一起),或者有多个细胞处于采集图片的边缘或者 细胞呈现不全;本发明从图像采集开始到分析报告结束,最大耗时不能超过60 秒;本发明的系统界面要简单,操作容易,人性化良好。
本发明以主动轮廓模型理论为基础,综合利用信号处理、流体力学等相关 技术,针对尿液红细胞形态特点,提出新的形态识别、分析技术,开发“尿液 红细胞自动分析”软件平台,建立了敏感度高、特异性好的肾病诊断系统。
本发明既保证检测的特异性又兼顾仪器价格和检测成本,同时又要提高工 作效率并解放人工操作。所以,建立起以相差显微镜为基本工具、以计算机和 图像采集系统为辅助设备的尿红细胞图像处理软件,定能够大大提高诊断的准 确度和工作效率,同时也降低了患者检查费用,减少了检测工作者的劳动强度, 还能避免因不同检测者的经验和习惯差异而引起的人为误差。
附图说明
图1是本发明实施例提供的尿红细胞畸形率检测方法流程图。
图2是本发明实施例提供的尿红细胞畸形率检测系统示意图。
图3是本发明实施例提供的尿红细胞畸形率检测系统的硬件架构示意图。
图4是本发明实施例提供的尿红细胞畸形率检测系统的软件方法流程图。
图中:1、图像获取模块;2、选取检测图像模块;3、图像分割模块; 4、消除杂质模块;5、标记分割模块;6、细胞定位模块;7、诊断结果模 块;8、诊断结果保存打印模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例, 对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以 解释本发明,并不用于限定本发明。
以下结合附图和具体实施例对本发明进行说明。
本发明提供的尿红细胞畸形率检测系统包括两个模块:尿红细胞图像采集 系统和处理系统模块;尿红细胞畸形率检测和报告程序模块。
第一个图像采集和处理模块,是以加拿大Matrox公司产品Meteor2/digital 数字图像采集卡为开发工具,利用该卡配套的开发库Matrox Imaging Library(MIL)进行程序编写,以Olympus BX53相差显微镜和Olympus DP73CCD 摄像机为采集设备,实现尿红细胞图像的采集及可用于基于PC平台的Win XP、 Win7、Vista等系统的实时显示和实时处理。
本发明采用Meteor2/digital数字图像采集卡,该采集卡具有良好的兼容 性和较高的数据传输速度,可用于基于PC平台的多种系统,可把CCD输出的图 像数据重新组织后直接传输到内存中,并实时显示图像。采用的Olympus DP73 CCD数字摄像机,具有较好的明场成像表现力,实时成像速度高,具有UHD-5K (1600×1200)超高分辨率及0.116mm超精细点距,且易于聚焦和构图,性能 卓越。采用Olympus BX53相差显微镜观察尿红细胞,该相差显微镜具有高对比 度和高分辨率成像,其物镜采用UW多层镀膜技术,保证了采集图像的锐度、清 晰度和色彩还原性,可观察到细胞内部结构和活细菌,较其它光学显微镜,更 适合用于尿红细胞形态的观察和成像。
本发明的程序利用图像采集卡配套的开发库Matrox Imaging Library(MIL) 具有二次开发的功能,选择VC++6.0为开发环境,调用MIL-Lite8.0库函数进 行编程,编程包括调制度计算算法和实时计算调制度两种代码程序的编写,完 成了复杂的图像数据处理,实现了图像实时显示和实时处理。其实现过程如下: 将MIL-Lite8.0库解压安装至C盘后在文档界面完成命名,随后添加命令执行 文件,并将其全名写入菜单中;编写初始化命令和数字化转换器在CUser.doc 文件中的对MilImage进行初始化;定义变量stop为采集系统的开始和停止命 令符,stop的初始值为ture,若stop为false表示开始采集,stop为true表示停止,同时设置图像的存储路径,图像采集的同时完成图像的储存。
本发明的图像处理程序是一系列数学形态学算法,包括对采集图像进行平 滑、锐化、边缘增强、边缘检测、图像去噪声、正交变换等。详细过程如下: ⑴图像的平滑:为实现图像平缓渐变、优化图像质量,同时避免图像中像素值 的突变被平均值所代替,导致视觉效果变得模糊,发明中采用一低通滤波器进 行滤波,即用低通滤波器作为卷积核来对图像进行卷积处理,在定义了卷积操 作函数后,进一步定义合适的滤波器,实现不同的平滑处理算法,并选择适合 图像处理的算法。
⑵图像的锐化:为现实图像醒目和视觉上的清晰,采用突出图像中的高频 成份,消弱图像中低频成份,在避免锐化同时放大图像的噪声,本发明中,采 用高通滤波器作为卷积核来对图像进行卷积处理,先定义卷积操作函数,再定 义合适的滤波器,选择适合图像处理的算法。
⑶边缘增强:采用突出图像的边缘和轮廓,消弱边缘以外图像区域,实现 图像边缘增强。处理后边界的亮度与原图中的边缘周围的亮度变化率成正比。 所有边缘增强方法都消弱了图像的低频部分,处理后图像的亮度保持不变,像 素值变化缓慢的区域变黑,而像素变化剧烈的区域被突出。
⑷边缘检测:发明引用了Hough边缘检测和Sobel边缘检测两种非线性边 缘检测算法,以多个卷积核的“扩展卷积”为基础,对图像进行二值化处理, 实现图像强化特征,便于图像的处理。
⑸中值滤波去除随机噪声:发明采用将图像区域中所有值按大小进行排序, 并将排序后位于中间的像素值赋予中心像素,这种非线性的滤波方法可通过清 除排序位于两端的像素值,实现去除发生随机突变的像素,得到较好的视觉效 果。
⑹正交变换:本发明采用线性正交变换来进行图像的频域变换,将图像变 换到频域后,实现提高图像处理速度。图像处理方式有:图像特征提取、图像 增强、图像复原、图像压缩和图像识别等。
第二个是尿红细胞畸形率检测和报告程序模块,本程序是通过一系列算法 实现的,包括对已获取和完成处理的尿红细胞图像的自动识别;对图像的预处 理和分割;尿红细胞的提取;尿红细胞的定位;尿红细胞畸形率的计算;结果 报告的生成。详细过程如下:⑴尿红细胞图像的自动识别是通过编写程序代码 实现的。待检测尿液样本经预处理后,置于Olympus BX53相差显微镜高倍镜下 进行成像(10*40倍),图像信号经过连接设备映射到成像窗口,所显示的图像 被识别程序即时识别,并弹出对话窗口,询问是否对图像进行分析,点击“是” 将执行分析命令。
⑵图像中的尿红细胞图像分割程序,本发明采取自适应阈值分割的方法来 进行目标细胞的分割。程序代码编写时,兼顾了三方面的内容,包括采用阈值 确定目标细胞的边界;最佳阈值的确定;细胞间分类阈值的确定。在整个图像 中将灰度阈值的值设置为常数,如果背景的灰度值在整个图像中可合理地看做 恒定,而且所有物体与背景都具有几乎相同的对比度。那么,只要选择正确的 阈值,使用一个固定的全局阈值即可得到较好的效果。当图像直方图出现明显 双峰时,最佳阈值则采用选择全局阈值法,即选择两个峰值的中点作为最佳阈 值,一般情况下,选择直方图的谷底为分割阈值,在实际应用中,如果图像受 到噪声等的影响而使其直方图上原本分离的峰之间的谷底被填充,或者目标和 背景的峰很近或者大小接近,则采用常数灰度阈值进行分割。当图中细胞灰度 值有较大差异,影响到细胞间的分割时,我们采用最大化类间方差法的处理方 式。在前面的基础上,在细胞图像直方图中选取最佳分类阈值实现分割,并利 用膨胀腐蚀方法进一步改善细胞分割的完整性和准确性。
⑶图像中尿红细胞图像的提取,细胞提取主要依靠杂志消除来实现,对于 非细胞区域和异质结果进行剔除。该过程主要依赖细胞尺寸来甄别真正的有效 细胞,根据样本采样的比例估计细胞的直径范围,来定义可能的细胞区域面积 用于分类分割区域是否属于有效细胞。
⑷细胞定位利用Hough检测技术和分割区域面积大小来定位单个细胞并进 行筛选,利用直径范围来检查每个分割区域,选取有效的分割区域定义为有效 细胞,并统计细胞的个数。
⑸畸形率计算是软件的核心部分,程序编码的主要工作是将细胞轮廓的形 态特征进行计算,并根据实际的正常和畸形细胞的平均特征值进行分类得到阈 值,并以此来判定样本图像中的畸形细胞个数,并依据有效细胞数量此计算畸 形率。
其中畸形判定涉及到细胞轮廓属性有链码差分(Cd),累计曲率(Ac),圆 形度(Rc),面积Ar,和纵横比五类属性。其中圆形度和面积以及如前面的叙述 的方法进行计算,纵横比是细胞外接矩形的水平宽度除以垂直高度所得比例值。 链码差分和曲率特征对于提取图像的多种特征(拐点、直线及曲线等),对于拟 合曲线边界有更加准确的结果。链码差分采用相邻链码的差进行计算并用4链 码的模来调整负值链码的出现。累计曲率的计算方法如下:
其中C表示被定位的细胞轮廓,设轮廓中任意两点之间的曲线对应弧度为 Δα,Δl表示Δα弧对应的曲线长度。有了链码差分,累计曲率,圆形度, 面积,和纵横比组成的五维特征F(Cd,Ac,Rc,Ar),即可测试畸形阈值T用 于分类正常细胞和畸形细胞。
⑹尿红细胞畸形率报告单的自动生成,尿红细胞畸形率检测程序执行完成, 将自动生成报告格式。
下面结合附图对本发明的应用原理作详细描述。
如图1所示,本发明实施例提供的尿红细胞畸形率检测方法,所述尿红细 胞畸形率检测方法首先进行样本图像采集;
然后执行图像读入,
分割;
消除杂质;
标记;
定位;
诊断,实现畸形率计算。
所述的尿红细胞畸形率检测方法还需进行:诊断结果的填写、保存和打 印。
如图2所示,本发明实施例提供提供的述尿红细胞畸形率检测系统,包括:
图像获取模块1,通过数据线接口连接的图像获取模块,用于读取尿样本 细胞图像,并在显示区域进行显示;
选取检测图像模块2,用于选择相应的待检测细胞图像。
图像分割模块3,用于分割待检测细胞图像和显示分割结果;
消除杂质模块4,用于消除分割后的待检测细胞图像杂质。
标记分割模块5,用于标记消除杂质后分割的待检测细胞图像和显示有效 细胞的标记结果;
细胞定位模块6;用于显示有效细胞的轮廓标记结果以及粘连的位置标 记;
诊断结果模块7,用于显示畸形率诊断的结果,自动生成样本编号、有效 细胞数量、畸形率数值、诊断时间信息。
诊断结果保存打印模块8,用于将病例信息补充完整,填写患者姓名,性别, 年龄,科室,医生,诊断结果信息并保存和进行打印。
本发明以主动轮廓模型理论为基础,综合利用信号处理、流体力学等相关 技术,针对尿液红细胞形态特点,提出新的形态识别、分析技术,开发“尿液 红细胞自动分析”软件平台,建立了敏感度高、特异性好的肾病诊断系统。
下面结合操作方法对本发明的应用原理作进一步描述。
1、图像获取:
显示外接设备的图像采集窗口,通过数据线接口连接的显微图像获取设备 读取尿样本图像,并在显示区域进行显示;
在输入患者编号后面的文本框内输入患者编号,编号是按照日期进行排 序,由操作人员输入,点击‘读入图像‘,系统将调整好的样本图片自动保 存到设定的文件夹当中,并将获取的图像按照编号进行命名;
2、选取检测图像:
进入细胞畸形检测窗口,点击‘读入’按钮,会弹出打开文件的提示窗 口,显示图像保存文件夹、
从中选择相应的待检测图像,点击打开,,待测图像即在左侧显示窗口中 显示;
3、图像分割:
点击分割“分割”按钮:点击之后在右侧显示窗口显示分割结果;
4、消除杂质:
点击分割“分割”按钮:点击之后在右侧显示窗口显示分割结果;
5、标记分割细胞:
点击分割“标记”按钮:点击之后在右侧显示窗口显示有效细胞的标记结 果;
6、细胞定位:
点击分割“定位”按钮:点击之后弹出窗口显示有效细胞的轮廓标记结果 以及粘连的位置蓝色‘+’标记;
7、诊断结果:
点击“诊断结果”按钮:点击之后弹出窗口显示畸形率诊断的结果,以及 病例显示窗口,其中自动生成了样本编号,有效细胞数量,畸形率数值,诊断 时间等信息;
8、诊断结果填写、保存和打印:
操作人员需要将病例信息补充完整,填写患者姓名,性别,年龄,科室, 医生,诊断结果等信息,点击“保存”按钮:点击之后弹出窗口提示保存成功, 点击‘打印’按钮会自动生成病例记录进行打印,并进入打印设置界面。
本发明提供的基于Meteor2/digital图像采集卡和Olympus BX53相差显 微镜的尿红细胞图像采集和处理系统的建立方法为:
1、尿液红细胞图像采集系统
1.1尿红细胞图像采集系统的简介和硬件说明
1.1.1简介:使用加拿大Matrox公司产品Meteor2/digital数字图像采集 卡为开发工具,利用该采集卡配套的开发库Matrox Imaging Library(MIL)进行 程序编写,开发出一款适合Olympus BX53相差显微镜使用,适用于尿红细胞图 像采集设备实时显示,具有较强通用性和较好稳定性的显微图像采集软件。
1.1.2本发明采用加拿大Meteor2/digital数字图像采集卡,该采集卡具有 良好的兼容性,可用于基于PC平台的Win XP、Win7、Vista等系统。采用的Olympus DP73CCD数字摄像机,具有较好的明场成像表现力,实时成像速度高,具有 UHD-5K(1600×1200)超高分辨率及0.116mm超精细点距,且易于聚焦和构图, 性能卓越。采用Olympus BX53相差显微镜观察尿红细胞,该相差显微镜具有高 对比度和高分辨率成像,其物镜采用UW多层镀膜技术,保证了采集图像的锐度、 清晰度和色彩还原性,可观察到细胞内部结构和活细菌,较其它光学显微镜, 更适合用于尿红细胞形态的观察和成像。
Meteor2/digital数字图像采集卡,具有较高的数据传输速度,与CCD数字 摄像机配合使用,可把CCD输出的并行图像数据重新组织后直接传输到内存中, 并实时显示图像,但是缺少对图像的处理功能。然而在实际应用中,图像的处 理功能显得尤为重要,它是进一步完成图像分析的基础。因此,开发使图像显 示和处理同时完成的工具软件,并能根据处理结果调整图像采集过程,显得具 有重要意义
1.2尿红细胞图像采集系统的开发过程
本发明的程序利用图像采集卡配套的开发库Matrox Imaging Library(MIL) 具有二次开发的功能,选择VC++6.0为开发环境,调用MIL-Lite8.0库函数进 行编程,编程包括调制度计算算法和实时计算调制度两种代码程序的编写,完 成了复杂的图像数据处理,实现了图像实时显示和实时处理。其实现过程如下:
1.2.1调用MIL-Lite8.0库函数
MIL-Lite8.0库解压安装路径为C:\Program Files\Matrox Imaging。在文 档界面将本程序命
名为User。以VC++6.0开发界面为菜单,在CUser.h中添加Tools-> Options->Directories添加包含文件:C:\Program Files\Matrox Imaging\Mil\Include和库文件:C:\Program Files\Matrox Imaging\Mil\LIB, 然后将所有的mil.lib文件完全名称写入在菜单Project->Settings->Link 下的Object/Library modules下的编辑框,点击“OK”。
1.2.3系统的初始化
在CUser.cpp源文件中对系统进行初始化。
MappAlloc(M_DEFAULT,&MilApplication);//初始化application对象
MsysAlloc(M_SYSTEM_SETUP,M_DEF_SYSTEM_NUM,M_SETUP,&MilSystem);
//初始化系统对象
MdispAloc(MilSystem,M_DEFAULT,M_DEF_DISPLAY_FORMAT,M_WINDOWED, &MilDisplay);//初始化显示对象
if(m_numberOfDigitizer),//如果系统中没有初始化数字转换器
{
MdigAlloc(MilSystem,M_D,EV0,MIL_TEXT(DCF_FILE),M_DEFAULT, &MilDigitizer);
//初始化数字转换器对象
}
在CUser.doc文件中的对MilImage进行初始化:
1.2.4设置图像采集的开始和停止
定义变量stop,初值为false(stop用来控制图像的采集和停止,stop的 初始值为ture,
若stop为false表示开始采集,stop为true表示停止采集)。设置图像存 储路径及名称后,调用下面线程:
线程函数的核心实现是通过一个for循环来实现,定义for(;;),循环结束 事件为stop=
true。实现如下:
1.2.5软件的测试与运行效果
在安装有Olympus DP73CCD镜头的Olympus BX53相差显微镜上,利用高 速USB2.0标准接口连接一台有Meteor2/digital图像采集卡、操作系统为 Windows XP的台式机进行测试,结果显示,编写的图像采集系统可以实现在图 像采集窗口实时显示图像,并可以完成图像及其他设置功能。
2尿红细胞图像处理系统
2.1尿红细胞图像采集系统的简介
简介:Olympus BX53相差显微镜通过和PC机结合,在图像采集卡的和CCD 摄像机协同下,完成显微镜图像的采集、存储、处理、分析等多种功能。数字 显微镜图像采集系统由显微镜、CCD摄像机、图像采集卡和windows操作系统下 的驱动程序和应用程序等主要模块组成。
2.2尿红细胞图像处理过程概述:包括对采集图像进行平滑、锐化、边缘增 强;对图像的边缘检测算法中,用到了Hough边缘检测和Sobel边缘检测两种 算法;在图像去噪声中,考虑显微图像本身所引入的噪声主要为摄像头带来的 不规则的随机噪声,利用中值滤波算法,可以有效地消除随机噪声;图像的翻 转;快速傅立叶变换,余弦变换,沃尔什-哈达玛变换;对图像的水平方向和垂 直方向的腐蚀、膨胀、开操作、闭操作、边缘提取和细化。详细过程如下:
2.2.1平滑:采用保留图像空间频率的低频成份,减少图像的高频成份,实 现降低图像中的视觉噪声,实现图像平缓渐变、优化图像质量。但是,因高频 成份减少,图像中像素值的突变被平均值所代替,导致视觉效果变得模糊。发 明中采用一低通滤波器进行滤波,即用低通滤波器作为卷积核来对图像进行卷 积处理,在定义了卷积操作函数后,进一步定义合适的滤波器,实现不同的平 滑处理算法,并选择适合图像处理的算法。
2.2.2锐化:采用突出图像中的高频成份,消弱图像中低频成份,现实图像 醒目和视觉上的清晰。但是,锐化同时也放大了图像的噪声。本发明中,是采 用高通滤波器作为卷积核来对图像进行卷积处理,先定义卷积操作函数,再定 义合适的滤波器,选择适合图像处理的算法。
2.2.3边缘增强:采用突出图像的边缘和轮廓,消弱边缘以外图像区域,实 现图像边缘增强。处理后边界的亮度与原图中的边缘周围的亮度变化率成正比。 所有边缘增强方法都消弱了图像的低频部分,处理后图像的亮度保持不变,像 素值变化缓慢的区域变黑,而像素变化剧烈的区域被突出。
2.2.4边缘检测:发明引用了Hough边缘检测和Sobel边缘检测两种非线性 边缘检测算法,以多个卷积核的“扩展卷积”为基础,对图像进行二值化处理, 实现图像强化特征,便于图像的处理。
2.2.5中值滤波去除随机噪声:发明采用将图像区域中所有值按大小进行排 序,并将排序后位于中间的像素值赋予中心像素,这种非线性的滤波方法可通 过清除排序位于两端的像素值,实现去除发生随机突变的像素,得到较好的视 觉效果。
2.2.6正交变换:本发明采用线性正交变换来进行图像的频域变换,将图像 变换到频域后,实现提高图像处理速度。图像处理方式有:图像特征提取、图 像增强、图像复原、图像压缩和图像识别等。
2.2.7图像描述的形态学方法:图像处理的形态学方法是一种“数字形态学” 方法,用来提取图像成份,并据此来对图像区域的形状进行表示和描述。本发 明中图像处理中数学形态学方法包括腐蚀、膨胀、开操作、闭操作、边缘提取 和细化。
3尿红细胞畸形率检测程序的设计和实现
简介:本程序是通过一系列算法实现的,包括对已获取和完成处理的尿红 细胞图像的自动识别;对图像的预处理和分割;尿红细胞的提取;尿红细胞的 定位;尿红细胞畸形率的计算;结果报告的生成。
3.1尿红细胞图像的自动识别
首先登陆系统,会自动弹出图像采集窗口,将待检测尿液样本置于Olympus BX53相差显微镜高倍镜下进行成像(10*40倍),图像信号经过连接设备映射到 成像窗口。关键处理代码如下:
vid=videoinput('winvideo',1,'YUY2_640x480');
assignin('base','vid',vid);
set(vid,'ReturnedColorSpace','rgb');
vidRes=get(vid,'VideoResolution');
width=vidRes(1);
height=vidRes(2);
nBands=get(vid,'NumberOfBands');
FigWin1=figure('ToolBar','None','MenuBar','None');
hImage=image(zeros(vidRes(2),vidRes(1),nBands));
himg=preview(vid,hImage);
3.2尿红细胞图像的预处理和分割
3.2.1尿红细胞图像中的分割
尿红细胞图像是一类特殊的图像,它里面包含了众多目标,而且细胞目标 的颜色深浅和亮度差异不是非常大,边缘处的特征显著。因此我们考虑结合显 著性特征计算方法和自适应滤波来增强图像,并和频域变换的结果相结合,得 到最终的细胞图像增强结果。
关键代码如下:
⑴自适应滤波
⑵频域变换
sigma=lambda/pi*sqrt(log(2)/2)*(2^bw+1)/(2^bw-1);
sigma_x=sigma;
sigma_y=sigma/gamma;
sz=fix(8*max(sigma_y,sigma_x));
if mod(sz,2)==0,sz=sz+1;end
%alternatively,use a fixed size
%sz=60;
[x y]=meshgrid(-fix(sz/2):fix(sz/2),fix(sz/2):-1:fix(-sz/2));
%x(right+)
%y(up+)
%Rotation
x_theta=x*cos(theta)+y*sin(theta);
y_theta=-x*sin(theta)+y*cos(theta);
gb=exp(-0.5*(x_theta.^2/sigma_x^2+y_theta.^2/sigma_y^2)).*cos(2*pi/lambda*x_theta+psi);
si);
3.2.2尿红细胞图像中的分割
对于细胞图像来说,增强后的结果是尽可能的将细胞区域与背景之间的差 异扩大,为后续的分割和提取提供良好的前期准备。有了细胞增强的结果,本 课题采取自适应阈值分割的方法来进行细胞的分割。采用阈值确定边界的最简 单方法就是在整个图像中将灰度阈值的值设置为常数。如果背景的灰度值在整 个图像中可合理地看做恒定,而且所有物体与背景都具有几乎相同的对比度。 那么,只要选择正确的阈值,使用一个固定的全局阈值一般会有好的效果。最 佳阈值法是采用全局阈值法时用的最多的一种方法,而最佳阈值的选择需要根 据具体问题来确定,如直方图明显呈双峰的情况时,可以选择两个峰值的中点 作为最佳阈值。从理论上说,直方图的谷底是非常理想的分割阈值,然而在实 际应用中,图像常常受到噪声等的影响而使其直方图上原本分离的峰之间的谷 底被填充,或者目标和背景的峰很近或者大小差不多,要检测它们的谷底就很 难了。最大化类间方差方法是针对前背景分类较为有效的处理方式。在前面的 基础上,在细胞图像直方图中选取最佳分类阈值实现分割,并利用膨胀腐蚀方 法进一步改善细胞分割的完整性和准确性。
关键代码如下:
3.3图像中尿红细胞的提取
细胞提取主要依靠杂志消除来实现,对于非细胞区域和异质结果进行剔除。 该过程主要依赖细胞尺寸来甄别真正的有效细胞,根据样本采样的比例估计细 胞的直径范围,来定义可能的细胞区域面积用于分类分割区域是否属于有效细 胞。
3.4图像中尿红细胞的定位
细胞定位利用Hough检测技术和分割区域面积大小来定位单个细胞并进行 筛选,利用直径范围来检查每个分割区域,选取有效的分割区域定义为有效细 胞,并统计细胞的个数。
3.5尿红细胞畸形率的计算
畸形率计算是软件的核心部分,它的主要工作是将细胞轮廓的形态特征进 行计算,并根据实际的正常和畸形细胞的平均特征值进行分类得到阈值,并以 此来判定样本图像中的畸形细胞个数,并依据有效细胞数量此计算畸形率。
其中畸形判定涉及到细胞轮廓属性有链码差分(Cd),累计曲率(Ac),圆形 度(Rc),面积Ar,和纵横比五类属性。其中圆形度和面积以及如前面的叙述的 方法进行计算,纵横比是细胞外接矩形的水平宽度除以垂直高度所得比例值。 链码差分和曲率特征对于提取图像的多种特征(拐点、直线及曲线等),对于拟 合曲线边界有更加准确的结果。链码差分采用相邻链码的差进行计算并用4链 码的模来调整负值链码的出现。累计曲率的计算方法如下:
其中C表示被定位的细胞轮廓,设轮廓中任意两点之间的曲线对应弧度为 Δα,Δl表示Δα弧对应的曲线长度。有了链码差分,累计曲率,圆形度, 面积,和纵横比组成的五维特征F(Cd,Ac,Rc,Ar),即可测试畸形阈值T用 于分类正常细胞和畸形细胞。关键代码如下:
3.6尿红细胞畸形率报告单的自动生成
尿红细胞畸形率检测程序执行完成,将自动生成报告格式,报告单如下表示,
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明 的保护范围之内。
Claims (10)
1.一种尿红细胞畸形率检测方法,其特征在于,所述尿红细胞畸形率检测方法首先进行样本图像捕获和采集;
然后执行图像读入,分割;
消除杂质;
标记;
定位;
诊断,实现畸形率计算。
2.如权利要求1所述的尿红细胞畸形率检测方法,其特征在于,所述尿红细胞畸形率检测方法包括对采集图像进行平滑、锐化、边缘增强、边缘检测、图像去噪声、正交变换;
详细过程如下:
图像的平滑:为实现图像平缓渐变、优化图像质量,同时避免图像中像素值的突变被平均值所代替,导致视觉效果变得模糊,用低通滤波器作为卷积核来对图像进行卷积处理,在定义了卷积操作函数后,进一步定义合适的滤波器;
图像的锐化:为现实图像醒目和视觉上的清晰,采用突出图像中的高频成份,消弱图像中低频成份,采用高通滤波器作为卷积核来对图像进行卷积处理,先定义卷积操作函数,再定义合适的滤波器,选择适合图像处理的算法;
边缘增强:采用突出图像的边缘和轮廓,消弱边缘以外图像区域,实现图像边缘增强;处理后边界的亮度与原图中的边缘周围的亮度变化率成正比;
边缘检测:引用了Hough边缘检测和Sobel边缘检测两种非线性边缘检测算法,以多个卷积核的“扩展卷积”为基础,对图像进行二值化处理;
中值滤波去除随机噪声:采用将图像区域中所有值按大小进行排序,并将排序后位于中间的像素值赋予中心像素;
正交变换:采用线性正交变换来进行图像的频域变换,将图像变换到频域后,实现提高图像处理速度。图像处理方式有:图像特征提取、图像增强、图像复原、图像压缩和图像识别。
3.如权利要求1所述的尿红细胞畸形率检测方法,其特征在于,所述尿红细胞畸形率检测方法包括对已获取和完成处理的尿红细胞图像的自动识别;对图像的预处理和分割;尿红细胞的提取;尿红细胞的定位;尿红细胞畸形率的计算;结果报告的生成;
详细过程如下:
尿红细胞图像的自动识别是通过编写程序代码实现的;待检测尿液样本经预处理后,置于Olympus BX53相差显微镜高倍镜下进行成像,图像信号经过连接设备映射到成像窗口,所显示的图像被识别程序即时识别,并弹出对话窗口,询问是否对图像进行分析,点击“是”将执行分析命令;
图像中的尿红细胞图像分割程序;采取自适应阈值分割的方法来进行目标细胞的分割;
图像中尿红细胞图像的提取,细胞提取主要依靠杂志消除来实现,对于非细胞区域和异质结果进行剔除;该过程主要依赖细胞尺寸来甄别真正的有效细胞,根据样本采样的比例估计细胞的直径范围,来定义可能的细胞区域面积用于分类分割区域是否属于有效细胞;
细胞定位利用Hough检测技术和分割区域面积大小来定位单个细胞并进行筛选,利用直径范围来检查每个分割区域,选取有效的分割区域定义为有效细胞,并统计细胞的个数;
畸形率计算将细胞轮廓的形态特征进行计算,并根据实际的正常和畸形细胞的平均特征值进行分类得到阈值,并以此来判定样本图像中的畸形细胞个数,并依据有效细胞数量计算畸形率;
其中畸形判定涉及到细胞轮廓属性有链码差分(Cd),累计曲率(Ac),圆形度(Rc),面积Ar,和纵横比五类属性。其中圆形度和面积以及如前面的叙述的方法进行计算,纵横比是细胞外接矩形的水平宽度除以垂直高度所得比例值。链码差分和曲率特征对于提取图像的多种特征,对于拟合曲线边界有更加准确的结果;链码差分采用相邻链码的差进行计算并用4链码的模来调整负值链码的出现;累计曲率的计算方法如下:
其中C表示被定位的细胞轮廓,设轮廓中任意两点之间的曲线对应弧度为Δα,Δl表示Δα弧对应的曲线长度。有了链码差分,累计曲率,圆形度,面积,和纵横比组成的五维特征F(Cd,Ac,Rc,Ar),即可测试畸形阈值T用于分类正常细胞和畸形细胞;
尿红细胞畸形率报告单的自动生成,尿红细胞畸形率检测程序执行完成,将自动生成报告格式。
4.如权利要求1所述的尿红细胞畸形率检测方法,其特征在于,所述的尿红细胞畸形率检测方法还需进行:诊断结果的填写、保存和打印。
5.一种如权利要求1所述尿红细胞畸形率检测方法的尿红细胞畸形率检测系统,其特征在于,所述尿红细胞畸形率检测系统包括:
图像获取模块,用于读取尿样本细胞图像,并在显示区域进行显示;
选取检测图像模块,用于选择相应的待检测细胞图像。
6.如权利要求5所述的尿红细胞畸形率检测系统,其特征在于,所述尿红细胞畸形率检测系统进一步划分为:
尿液红细胞图像采集模块,由相差显微镜、CCD摄像头和图像采集卡为基本硬件,对图像采集卡进行二次编程,实现尿红细胞图像的采集,为后面的图像基于PC平台处理、优化建立基础;
尿红细胞图像处理模块,基于PC主机的程序编写,用于将采集的图像进行处理和优化,为进一步的尿液红细胞形态、畸形率的分析建立基础;
尿红细胞畸形率检测程序模块,是尿液红细胞畸形率分析、检测和报告模块,通过一系列算法实现的,包括对已获取和完成处理的尿红细胞图像的自动识别;对图像的预处理和分割;尿红细胞的提取;尿红细胞的定位;尿红细胞畸形率的计算;结果报告的生成;
被检测标本经相差显微镜观察,经CCD摄像头摄像,采集图像后,图像信号转变为数字信号传输至PC主机,经程序处理和分析,得到分析结果,并在显示屏上显示图像。
7.如权利要求5所述的尿红细胞畸形率检测系统,其特征在于,所述尿红细胞畸形率检测系统还包括:
图像分割模块,用于分割待检测细胞图像和显示分割结果;
消除杂质模块,用于消除分割后的待检测细胞图像杂质。
8.如权利要求5所述的尿红细胞畸形率检测系统,其特征在于,所述尿红细胞畸形率检测系统还包括:
标记分割模块,用于标记消除杂质后分割的待检测细胞图像和显示有效细胞的标记结果。
9.如权利要求5所述的尿红细胞畸形率检测系统,其特征在于,所述尿红细胞畸形率检测系统还包括:
细胞定位模块;用于显示有效细胞的轮廓标记结果以及粘连的位置标记;
诊断结果模块,用于显示畸形率诊断的结果,自动生成样本编号、有效细胞数量、畸形率数值、诊断时间信息。
10.如权利要求5所述的尿红细胞畸形率检测系统,其特征在于,所述尿红细胞畸形率检测系统还包括:诊断结果保存打印模块,用于将病例信息补充完整,填写患者姓名,性别,年龄,科室,医生,诊断结果信息并保存和进行打印。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710696726.7A CN107543788A (zh) | 2017-08-15 | 2017-08-15 | 一种尿红细胞畸形率检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710696726.7A CN107543788A (zh) | 2017-08-15 | 2017-08-15 | 一种尿红细胞畸形率检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107543788A true CN107543788A (zh) | 2018-01-05 |
Family
ID=60970800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710696726.7A Pending CN107543788A (zh) | 2017-08-15 | 2017-08-15 | 一种尿红细胞畸形率检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107543788A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110265140A (zh) * | 2019-01-17 | 2019-09-20 | 中国医药大学附设医院 | 足畸形检测模型、足畸形检测系统及足畸形检测方法 |
CN111047577A (zh) * | 2019-12-12 | 2020-04-21 | 太原理工大学 | 一种畸形尿红细胞分类统计方法与系统 |
CN111160135A (zh) * | 2019-12-12 | 2020-05-15 | 太原理工大学 | 基于改进的Faster R-cnn的尿红细胞病变识别与统计方法和系统 |
CN111795967A (zh) * | 2020-05-25 | 2020-10-20 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的涂片自检方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11118793A (ja) * | 1997-10-14 | 1999-04-30 | Hitachi Ltd | 尿中赤血球分類装置 |
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 |
CN1645139A (zh) * | 2004-12-27 | 2005-07-27 | 长春迪瑞实业有限公司 | 使用图像识别系统分析不离心尿液的方法 |
CN102359938A (zh) * | 2011-09-16 | 2012-02-22 | 长沙高新技术产业开发区爱威科技实业有限公司 | 红细胞形态学分析装置及其方法 |
CN103582697A (zh) * | 2011-06-09 | 2014-02-12 | 富士施乐株式会社 | 图像处理装置、图像处理方法和图像处理系统 |
CN104881679A (zh) * | 2015-05-22 | 2015-09-02 | 电子科技大学 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
-
2017
- 2017-08-15 CN CN201710696726.7A patent/CN107543788A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11118793A (ja) * | 1997-10-14 | 1999-04-30 | Hitachi Ltd | 尿中赤血球分類装置 |
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 |
CN1645139A (zh) * | 2004-12-27 | 2005-07-27 | 长春迪瑞实业有限公司 | 使用图像识别系统分析不离心尿液的方法 |
CN103582697A (zh) * | 2011-06-09 | 2014-02-12 | 富士施乐株式会社 | 图像处理装置、图像处理方法和图像处理系统 |
CN102359938A (zh) * | 2011-09-16 | 2012-02-22 | 长沙高新技术产业开发区爱威科技实业有限公司 | 红细胞形态学分析装置及其方法 |
CN104881679A (zh) * | 2015-05-22 | 2015-09-02 | 电子科技大学 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
Non-Patent Citations (3)
Title |
---|
查悦明: "基于Vision Builder AI的生物医学图像智能化自动处理分析", 《实验室研究与探索》 * |
梁超香 等: "基于改进Hough圆变换的尿液图像中红细胞的定位", 《广西工学院学报》 * |
邓继忠 等: "《数字图像处理技术》", 30 September 2005 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110265140A (zh) * | 2019-01-17 | 2019-09-20 | 中国医药大学附设医院 | 足畸形检测模型、足畸形检测系统及足畸形检测方法 |
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 |
CN111047577A (zh) * | 2019-12-12 | 2020-04-21 | 太原理工大学 | 一种畸形尿红细胞分类统计方法与系统 |
CN111160135A (zh) * | 2019-12-12 | 2020-05-15 | 太原理工大学 | 基于改进的Faster R-cnn的尿红细胞病变识别与统计方法和系统 |
CN111795967A (zh) * | 2020-05-25 | 2020-10-20 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的涂片自检方法 |
CN111795967B (zh) * | 2020-05-25 | 2023-07-21 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的涂片自检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107543788A (zh) | 一种尿红细胞畸形率检测方法及系统 | |
DK2973397T3 (en) | Tissue-object-based machine learning system for automated assessment of digital whole-slide glass | |
US6246785B1 (en) | Automated, microscope-assisted examination process of tissue or bodily fluid samples | |
CA2130340C (en) | Method for identifying objects using data processing techniques | |
JP5469070B2 (ja) | 生物検体を処理するための複数の波長を用いる方法およびシステム | |
CN110084150A (zh) | 一种基于深度学习的白细胞自动分类方法及系统 | |
Hortinela et al. | Identification of abnormal red blood cells and diagnosing specific types of anemia using image processing and support vector machine | |
CN111986150A (zh) | 一种数字病理图像的交互式标注精细化方法 | |
JPH07504283A (ja) | 正常な生物医学検体を確認する方法 | |
US20110057946A1 (en) | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program | |
CN111504885B (zh) | 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 | |
CN102982542A (zh) | 一种基于相位一致性的眼底图像血管分割方法 | |
Kavitha et al. | Hierarchical classifier for soft and hard exudates detection of retinal fundus images | |
Razzak | Automatic detection and classification of malarial parasite | |
KR20010017092A (ko) | 혈구세포의 형태 자동 분석 및 카운트 방법 | |
KR20200136004A (ko) | 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법 | |
Sulaiman et al. | Semi-automated pseudo colour features extraction technique for cervical cancer's pap smear images | |
CN114152557A (zh) | 基于图像分析的血细胞计数方法和系统 | |
CN113869124A (zh) | 基于深度学习的血细胞形态学分类方法及系统 | |
Niranjana et al. | Blood Cell Counting and Malaria Pathogen Detection using Convolutional Neural Network | |
CN113313685B (zh) | 一种基于深度学习的肾小管萎缩区域识别方法与系统 | |
CN108387553A (zh) | 针对白细胞与血小板共存全息图的分块重建与分类计数方法 | |
CN112950550B (zh) | 一种基于深度学习的2型糖尿病肾脏病变图像分类方法 | |
Tiwari et al. | Malaria Diagnosis Using Image Processing | |
Habibnezhad | Image Processing Algorithms for Elastin Lamellae Inside Cardiovascular Arteries |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180105 |
|
RJ01 | Rejection of invention patent application after publication |