CN107622238A - 一种免疫细胞状态图像采集监控装置、方法 - Google Patents
一种免疫细胞状态图像采集监控装置、方法 Download PDFInfo
- Publication number
- CN107622238A CN107622238A CN201710852075.6A CN201710852075A CN107622238A CN 107622238 A CN107622238 A CN 107622238A CN 201710852075 A CN201710852075 A CN 201710852075A CN 107622238 A CN107622238 A CN 107622238A
- Authority
- CN
- China
- Prior art keywords
- image
- immunocyte
- monitored
- image acquisition
- status
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种免疫细胞状态图像采集监控装置、方法,装置包括:图像采集单元,用以获取免疫细胞的电子图像,图像识别单元,用以识别并分割出待监测图像,监控单元,用以根据所述待监测图像返回测量结果并对该免疫细胞进行监控。能够获取免疫细胞的电子图像、识别并分割出待监测图像并且据所述待监测图像返回测量结果并对该免疫细胞进行监控,从而降低了人工耗时和成本。同时判断更加客观,监控的结果实时更新。本发明检测的准确度高,且复性好、稳定性较强,误差范围在临床应用可接收的范围内。此外,本发明具有较高的鲁棒性,图像分割准确性、可重复性以及稳定性都较为满意。
Description
技术领域
本发明涉及计算机视觉处理领域、生物医疗领域,特别涉及一种免疫细胞状态图像采集监控装置、方法。
背景技术
免疫细胞(immune cell)是指参与免疫应答或与免疫应答相关的细胞,其包括淋巴细胞、树突状细胞、单核/巨噬细胞、粒细胞、肥大细胞等。免疫细胞可以分为多种,在人体中各种免疫细胞担任着重要的角色。免疫器官主要包括了:扁桃体、淋巴结、胸腺、脾、骨髓等,其功能在于:免疫细胞生成、成熟、或集中分布的场所。免疫细胞主要包括,吞噬细胞和淋巴细胞(T细胞、B细胞)。
对免疫细胞状态的监控对于临床医疗领域有着较为重要的意义,包括但不限于:临床诊断、病情动态监测、鉴别诊断以及治疗效果评估等。比如,当癌细胞在体内时,体内发生的病理生化过程能够在免疫机能上被表现出来。又比如,在血液中的淋巴细胞的生物活性物质能够直接反映体内癌变进展程度与免疫状态的相互关系。再比如,细胞核仁组成银染程度能够反映细胞中的rDNA转录活性,是蛋白质合成功能的重要标志之一。此外,除了癌细胞,在人体中其它疾病也可以通过化学染色根据病变细胞与正常细胞的不同抗原性进行病情诊断,而且在人们的日常体检中也需要通过免疫检查来进行健康状态的诊断。
目前较为常见的方法是医务工作者用眼镜直接观察免疫细胞并进行分析定义,此过程不仅耗时,而且具有主观性容易出现误诊。
发明内容
本发明要解决的技术问题是,提供一种免疫细胞状态图像采集监控装置,能够降低人工操作,并且能够借用计算机图像识别技术自主采集并监控免疫细胞状态。
解决上述技术问题,本发明提供了一种免疫细胞状态图像采集监控装置,包括:
图像采集单元,用以获取免疫细胞的电子图像,
图像识别单元,用以识别并分割出待监测图像,
监控单元,用以根据所述待监测图像返回测量结果并对该免疫细胞进行监控。
更进一步,所述图像识别单元还用以,采用卷积神经网络分割出所述待监测图像。
更进一步,所述图像识别单元还用以,采用基于CANNY算子边缘检测的方法割出所述待监测图像。
更进一步,图像采集单元还包括:显微镜、CCD摄像机、图像采集装置,所述显微镜与CCD摄像机连接,用以实时采集所述显微镜下的免疫细胞状态的光学图像,所述CCD摄像机与图像采集装置连接,用以将所述光学图像输入至所述图像采集装置进行图像采集。
更进一步,图像采集单元还包括:电子图像数据库,用以提供本地或云端的历史光学图像,并从硬盘加载至内存中。
更进一步,所述监控单元包括:交互式分割单元和非监督分割单元,
所述交互式分割单元,用以基于GPU进行有监督的图像分割,
所述非监督分割单元,用以基于GPU进行无监督的图像分割。
更进一步,装置还包括:打印装置和图像显示器,
所述打印装置,用以打印出受检免疫细胞的图像、测量数据以及受检者信息,
所述图像显示器,用以实时显示所述受检免疫细胞的图像、测量数据或者受检者信息的一种或者多种信息。
基于上述,本发明还提供了一种免疫细胞状态图像采集监控方法,包括如下步骤:
获取免疫细胞的电子图像,
识别并分割出待监测图像,
根据所述待监测图像返回测量结果并对该免疫细胞进行监控。
更进一步,所述识别并分割出待监测图像时采用CNN卷积神经网络算法。
本发明提出了一种用于所述的免疫细胞状态图像采集监控装置的客户端,所述客户端用以执行下述操作:
Web服务器接收免疫细胞的电子图像,
Web服务器发出识别并分割出待监测图像的请求,
Web服务器接收根据所述待监测图像返回测量结果的响应。
本发明的有益效果:
1)通过本发明中的免疫细胞状态图像采集监控装置,能够获取免疫细胞的电子图像、识别并分割出待监测图像并且据所述待监测图像返回测量结果并对该免疫细胞进行监控,从而降低了人工耗时和成本。同时判断更加客观,监控的结果实时更新。
2)更进一步,本发明中的免疫细胞状态图像采集监控装置,检测的准确度高,超过90%的细胞分割结果与人工观察的结果一致。
3)更进一步,本发明中的免疫细胞状态图像采集监控装置,复性好、整个装置稳定性较强,误差范围在临床应用可接收的范围内。
4)更进一步,本发明中的免疫细胞状态图像采集监控装置具有较高的鲁棒性,图像分割准确性、可重复性以及稳定性都较为满意。
附图说明
图1是本发明一实施例中的免疫细胞状态图像采集监控装置结构示意图;
图2是图1中一优选实施方式示意图;
图3是图1中另一优选实施方式示意图;
图4是包括电子图像数据库的结构示意图;
图5是监控单元结构示意图;
图6是本发明一实施例中的装置结构示意图;
图7是本发明一实施例中的免疫细胞状态图像采集监控方法流程示意图;
图8是本发明一实施例中的客户端交互过程示意图。
具体实施方式
现在将参考一些示例实施例描述本公开的原理。可以理解,这些实施例仅出于说明并且帮助本领域的技术人员理解和实施例本公开的目的而描述,而非建议对本公开的范围的任何限制。在此描述的本公开的内容可以以下文描述的方式之外的各种方式实施。
如本文中所述,术语“包括”及其各种变体可以被理解为开放式术语,其意味着“包括但不限于”。术语“基于”可以被理解为“至少部分地基于”。术语“一个实施例”可以被理解为“至少一个实施例”。术语“另一实施例”可以被理解为“至少一个其它实施例”。
本申请中的T淋巴细胞,按免疫应答中的功能不同,可将T细胞分成若干亚群,一致公认的有:辅助性T细胞(TH),具有协助体液免疫和细胞免疫的功能;抑制性T细胞(TS),具有抑制细胞免疫及体液免疫的功能;效应T细胞(TE),具有释放淋巴因子的功能;细胞毒T细胞(TC),具有杀伤靶细胞的功能;迟发性变态反应T细胞(TD),有参与Ⅳ型变态反应的作用;放大T细胞(TA),可作用于TH和TS,有扩大免疫效果的作用;记忆T细胞(TM),有记忆特异性抗原刺激的作用。T细胞在体内存活的时间可数月至数年。其记忆细胞存活的时间则更长。
本申请中的B细胞。来源于骨髓的多能干细胞。在禽类是在法氏囊内发育生成,故又称囊依赖淋巴细胞(bursa dependent lymphocyte)/骨髓依赖性淋巴细胞简称B细胞,是由骨髓中的淋巴干细胞分化而来。与T淋巴细胞相比,它的体积略大。这种淋巴细胞受抗原刺激后,会增殖分化出大量浆细胞。B细胞在骨髓和集合淋巴结中的数量较T细胞多,在血液和淋巴结中的数量比T细胞少,在胸导管中则更少,仅少数参加再循环。B细胞的细胞膜上有许多不同的标志,主要是表面抗原及表面受体。这些表面标志都是结合在细胞膜上的巨蛋白分子。B1细胞为T细胞非依赖性细胞。B2为T细胞依赖性细胞。B细胞在体内存活的时间较短,仅数天至数周,但其记忆细胞在体内可长期存在。
本申请中还包括了树突状细胞(dendriticcells,DC),是机体功能最强的专职抗原递呈细胞,它能通过高效的摄取、加工处理和递呈抗原来调节宿主的免疫反应,处于启动、调控,并维持免疫应答的中心环节。
本申请中的免疫细胞图还包括了杀伤细胞(cytokin induced killer cells,CIK细胞),细胞因子诱导的杀伤细胞(CIK细胞)是近年发展起来的肿瘤过继性免疫治疗技术,在国内的临床应用中也存在上述问题。细胞因子诱导的杀伤细胞(cytokin inducedkiller cells,CIK细胞)因具有体外增殖倍数高、抗瘤谱广、杀瘤活性强、副作用极小等特点而受到关注。研究表明,CIK细胞对肿瘤细胞的杀伤作用是LAK细胞的100倍。CIK细胞过继性免疫治疗是肿瘤治疗中的一项新技术,目前已逐步在临床上应用。CIK细胞培养条件,其培养场地需要符合国家GMP标准实验室,采用彩纲板框架,自流平地面,保持符合实验室要求的恒定温度和湿度。细胞培养场地应定期清洁和消毒。主要材料与试剂中细胞培养应该用无血清培养基,其他细胞活化因子采用国内外正式厂家生产的产品,药品应有国药准字文号。每批新的试剂都应该进行无菌试验及活性测定。一次性使用的物品不得重复使用。同种异体细胞:细胞来源必须是当地中心血站采集的符合献血条件的健康献血员细胞。一些中、晚期肿瘤患者或接受放、化疗后的患者,由于机体免疫功能低下,外周血中的单个核细胞无法进行扩增,因此可用同种异体细胞进行培养。有些学者认为,肿瘤患者存在免疫耐受,自体来源的CIK细胞无法打破免疫耐受,发挥有效杀瘤功能,建议应用异体来源的CIK细胞进行治疗。
本申请中的免疫细胞图还包括了自然杀伤细胞(natural killer cell,NK)是机体重要的免疫细胞,不仅与抗肿瘤、抗病毒感染和免疫调节有关,而且在某些情况下参与超敏反应和自身免疫性疾病的发生,能够识别靶细胞、杀伤介质。
在本身申请的淋巴细胞的分离是指,取肝素抗凝血1ml加Hanks液1m1稀释后,沿管壁徐徐滴流叠加盛有2ml淋巴细胞分离液的试管内(注意勿与分离液混合,然后2000r/min水平离心20min,管内分为4层,自上而下依次为血浆,单个核细胞,颗粒白细胞、红细胞。用毛细管伸至单个核细胞层中(位于细胞分离液与血浆的界面上),沿管壁轻轻吸出全部细胞。然后用Hanks液洗两次,每次2000r/min离心10min,最后用RPMI l640培养液将细胞配成2×106/m1的细胞悬液备用。
本申请中的卷积神经网络(Convolutional Neural Network,CNN)的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。此外,CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习,所以在使用CNN时,避免了显示的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
本申请的水域分割又称Watershed变换,是模仿地图浸没过程的一种形态学分割算法,其本质是利用图像的区域特性来分割图像,它将边缘检测与区域生长的优点结合起来,能够得到单像素宽、连通、封闭确位置准确的轮廓,因此是应用比较广泛的一种图像分割方法。将水域的概念应用到图像分割中,假设待分割的图像由目标和背景组成,对图像进行梯度变换,则图像的背景和目标的内部区域将对应梯度图中灰度较低的位置,而目标边缘则对应了梯度图中的亮带,这样,图像的梯度图即对应了Watershed变换中的地形图。将梯度图像中具有均匀低灰度值的区域称为极小值区域(一般分布在目标内部及背景处)。水面从这些极小区域开始上涨,当不同流域中的水面不断升高到将要汇合在一起时(目标边界处),便筑起一道堤坝,最后得到由这些坝组成的分水线,图像也就完成了分割。
本申请中的GPU具有强大的计算能力和内存带宽,同时,GPU的thousands ofcores的并行计算能力也是一大优势。其过程包括:1)从主机内存将需要处理的数据copy到GPU的内存,2)CPU发送数据处理执行给GPU,3)GPU执行并行数据处理,4)将结果从GPU内存copy到主机内存。由于CUDA提供了对于一般性通用需求的大规模并发编程模型,使用户可以对NVIDIA GPU方便的对于GPU进行并发性编程。如果进行编译优化会在特定操作系统里面把计算并行化分配到GPU的多个core里面,由于GPU有多个core(上千个),所以并发度大大提高,运算效率会比CPU高。
本申请中的银染区域具体是指,核仁组织者区(NOR)的银染显示法,能够显示细胞的位置、数目以及形态。银染的方法包括但不限于AG-AS法、AG-I法等。
本申请中的光密度即OD是optical density(光密度)的缩写,表示被检测物吸收掉的光密度,是检测方法里的专有名词,检测单位用OD值表示,OD=lg(1/trans),其中trans为检测物的透光值。因此又叫通光率。
图1是本发明一实施例中的免疫细胞状态图像采集监控装置结构示意图,在本实施例中包括:图像采集单元100,用以获取免疫细胞的电子图像,图像识别单元200,用以识别并分割出待监测图像,监控单元300,用以根据所述待监测图像返回测量结果并对该免疫细胞进行监控。通过图像采集单元100能够自动的获取电子图像,所述的电子图像为免疫细胞在显微镜下的图像。所述图像识别单元200主要通过计算机软件实现,并通过在计算机的CPU或者GPU运行分割出图像,所述监控单元300中包括但不限于对免疫细胞的状态的自动分析,并且能够与人体免疫细胞的检测理论相互结合起来完成对用户健康状态的诊断。在所述图像识别单元200中为了提高识别算法的适应性需要积累大量的临床试验病例,确定出准确的辅助诊断的参考值。同时,图像识别单元200中接收到的从图像采集单元100获取的电子图像的像素质量直接决定了整个装置的性能。
请参考图2,作为本实施例中的优选,图像采集单元100还包括:显微镜1001、CCD摄像机1002、图像采集装置1003,所述显微镜1001与CCD摄像机1002连接,用以实时采集所述显微镜下的免疫细胞状态的光学图像,所述CCD摄像机1002与图像采集装置1003连接,用以将所述光学图像输入至所述图像采集装置进行图像采集。所述CCD摄像机1002能够采集到所述显微镜1001下的图像。或者,优选地,可以采用所述显微镜1001可以采用电子显微镜。所述图像采集装置1003其包含有图像处理芯片,能够采集到所述CCD摄像机1002的图像。图像输入后经过图像采集装置1003采集后输入到所述图像识别单元200进行下一步图像识别。
在一些实施例中,所述显微镜1001还用以,与细胞电泳结合,观察细胞电泳状态下的光学图像。本领域技术人员能够理解,细胞电泳就是讲细胞制成悬浮溶液,使其单个游离的细胞分数于等渗的介质中。在外电场的作用下,细胞在特殊的装置内发生的运动。
请参考图3,作为本实施例中的优选,所述图像识别单元200还用以,采用卷积神经网络分割出所述待监测图像,所述卷积神经网络至少包括了卷积层(Convolution Layer),下采样层(MAXPooling Layer),全连接层以及softmax分类层。优选地,在神经卷积网络中的卷积层与所述下采样层交底作用,同时每个神经元上的转移函数采用sigmiod函数作为激励函数。在训练所述神经卷积网络时应用随机梯度下降法最小化所述损失函数(LossFunction),最后反向逐层地调节求解出网络的权重参数,进而通过训练好的卷积神经网络进行图像分割。
具体地,所述卷积层的作用是对于一副输入图像经过多个卷积核的卷积运算,得到多个卷积特征图,每个特征图通过一种卷积和提取输入的一种特征,得到下一层神经元就是上层多个特征图的组合,进而提取图像的局部特征。所述下采样层即最大池化下采样层,对卷积得到的特征进行降维处理,同时能够保证图像特征保持不变。所述全连接层的作用是将每个神经元与下一层的每个节点都有连接。所述softmax分类层用以解决多分类的问题,采用sigmiod函数作为转移函数时能够节约整个计算时间。最小化所述损失函数(Loss Function)主要用来度量整个训练模型的误差。以图像中每个像素点为中心点提取二维图像数据块作为训练的数据,然后将提取的数据块以细胞核和细胞核仁的标签分别划分为正负样本,正样本对应细胞核仁,负样板对应细胞核及背景,同时采用随机采样的方法使得正负样本相等。在本实施例中对于免疫细胞,在所述卷积层通过卷积计算,得到图像特征,包括但不限于免疫细胞边缘、纹理特等特征,所述下采样层则对得到的特征图像进行子抽象,减少数据处理量的同时保持有用的特征信息,所述全连接层捕捉输出特征之间的关系,softmax分类器进行分类,胞核仁和细胞核及背景,在所述softmax分类器中将图像每个像素点进行两类分类,得到属于胞核仁和细胞核的概率,根据所属类别概率值的大小分类。
请参考图3,作为本实施例中的优选,所述图像识别单元200还用以,采用基于CANNY算子边缘检测的方法割出所述待监测图像。首先,基于Watershed变换对细胞图像进行分割,将CANNY算子边缘检测作为梯度算子得到进行水域分割的结果,最后采用先验知识对水域分割的结果进行标记,提取出标记。从而分割出:背景、核仁以及核。
作为本实施例中的优选,采用图像极值、平坦区域或纹理作为先验知识。
作为本实施例中的优选,采用《基于直方图势函数做标记和纹理特征合并的分水岭算法》,倪崇嘉,张爱英,刘文奇,首先对形态梯度图进行滤波处理,以获得较好的参考图像,然后又利用图像的直方图势函数对图像做标记.最后,为了获得整体的目标,对上面所得到的分割结果进行了区域一致性、纹理一致性和对比度的检验,来合并用水域算法获得的分割结果,以获得更好的分割效果。
所述监控单元300还需要对图像分割后的免疫细胞图像进行测量。在进行图像分割时可以使用多种分割方法完成图像的分割,通过分割将要测量的细胞核、核仁从背景中分离出来并进行不同的标注。所述监控单元300通过测量分割后的细胞核、核仁的面积,能够进一步得到面积比例。具体而言,核仁面积与细胞核面积比、核仁与细胞核银染区域光密度比两个参数的测量结果来表达受检人的免疫状况。对于本领域技术人员而言,核仁面积与细胞核面积比是公知能够得到的。而银染区域光密度比通过入射光强度值和透射光强度值,能够计算出核仁和细胞核的光密度比。采用细胞核银染区域是由于对于肿瘤患者的外周为淋巴细胞,采用特殊的培养液进行培养后,采用本实施例中的装置能够测量出核仁银染面积的相对值和积分光密度相对有很有的协同性,从而反映免疫状态。
作为本实施例中的优选,图像采集单元100还包括:电子图像数据库1004,用以提供本地或云端的历史光学图像,并从硬盘加载至内存中。作为一种图像输入方式,直接从硬盘上加载到内存中的数据,即已经预先存放的历史数据。通过电子图像数据库1004能够减少整个监控过程的耗时,从而能够提高效率。
作为本实施例中的优选,所述监控单元包括:交互式分割单元3001和非监督分割单元3002,所述交互式分割单元3001,用以基于GPU进行有监督的图像分割,所述非监督分割单元3002,用以基于GPU进行无监督的图像分割。由于每台服务器有多个CPU,多个GPU,同时为了进一步提高并行机器学习效率的目标是为了多台服务器(每台服务器包含多块GPU卡)采取分布式计算的形式进行,那么要完成目标,在硬件层面需要进行服务器集群的构建,同时需要在深度学习框架层面也支持分布式。所以不论是有监督的图像分割还是无监督的图像分割,都可以使用到GPU的并行计算能力。数据并行是指不同的GPU计算不同的训练数据,即把训练数据划分给不同的GPU进行分别计算,由于训练是逐步训练的,后一个训练数据的计算需要前一个训练数据更新的W(W通常是指模型训练变化了的数据),数据并行改变了这个计算顺序,多GPU计算需要进行W的互相通信,满足训练的特点,使训练可以收敛。数据并行如上图所示,多GPU训练不同的数据,每训练一次需要同步W,使得后面的训练始终为最新的W。该模型的缺点是当模型较大时,GPU内存无法满足存储要求,无法完成计算。
请参考图6,作为本实施例中的优选,所述免疫细胞状态图像采集监控装置,还包括:打印装置1006和图像显示器1005,所述打印装置1006,用以打印出受检免疫细胞的图像、测量数据以及受检者信息,所述图像显示器1005,用以实时显示所述受检免疫细胞的图像、测量数据或者受检者信息的一种或者多种信息。所述打印装置1006能够将测量的结果以图文报告的形式进行输出,另外所述图像显示器1005能够显示、打印测量的数据以及受检测人信息数据、测量的免疫细胞图像等内容,实现过程的可视化。
在本申请另一实施例中,请参考图7,在本实施例中提供了一种免疫细胞状态图像采集监控方法,包括如下步骤:
步骤S1获取免疫细胞的电子图像,
步骤S2识别并分割出待监测图像,
步骤S3根据所述待监测图像返回测量结果并对该免疫细胞进行监控。
作为本实施例中的优选,所述步骤S2中识别并分割出待监测图像时采用CNN卷积神经网络算法。
在一些实施例中,采用卷积神经网络分割出所述待监测图像。
在一些实施例中,采用基于CANNY算子边缘检测的方法割出所述待监测图像。
在一些实施例中,实现上述方法的装置中还包括:显微镜、CCD摄像机、图像采集装置,所述显微镜与CCD摄像机连接,用以实时采集所述显微镜下的免疫细胞状态的光学图像,所述CCD摄像机与图像采集装置连接,用以将所述光学图像输入至所述图像采集装置进行图像采集。
在一些实施例中,实现上述方法的装置中,还包括电子图像数据库,用以提供本地或云端的历史光学图像,并从硬盘加载至内存中。
在一些实施例中,实现上述方法的装置中,还包括:交互式分割单元和非监督分割单元,
所述交互式分割单元,用以基于GPU进行有监督的图像分割,
所述非监督分割单元,用以基于GPU进行无监督的图像分割。
在一些实施例中,实现上述方法的装置中,还包括:打印装置和图像显示器,所述打印装置,用以打印出受检免疫细胞的图像、测量数据以及受检者信息,所述图像显示器,用以实时显示所述受检免疫细胞的图像、测量数据或者受检者信息的一种或者多种信息。
在本申请另一实施例中,还提供了一种客户端,其用于免疫细胞状态图像采集监控装置,包括:Web服务器接收免疫细胞的电子图像,Web服务器发出识别并分割出待监测图像的请求,Web服务器接收根据所述待监测图像返回测量结果的响应。
作为本实施例中的优选,所述客户端还用以分割将要测量的细胞核、核仁从背景中分离出来并进行不同的标注。
作为本实施例中的优选,所述客户端还用以完成核仁面积与细胞核面积比的计算。
作为本实施例中的优选,所述客户端还用以完成核仁与细胞核银染区域光密度比的计算。
作为本实施例中的优选,所述客户端还用以请求访问所述电子图像数据库中的数据。
作为本实施例中的优选,所述客户端还用以建立一封装的卷积神经网络模型用以分割出所述待监测图像。
作为本实施例中的优选,所述客户端还用以基于CANNY算子边缘检测的方法割出所述待监测图像。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
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。
总体而言,本公开的各种实施例可以以硬件或专用电路、软件、逻辑或其任意组合实施。一些方面可以以硬件实施,而其它一些方面可以以固件或软件实施,该固件或软件可以由控制器、微处理器或其它计算设备执行。虽然本公开的各种方面被示出和描述为框图、流程图或使用其它一些绘图表示,但是可以理解本文描述的框、设备、系统、技术或方法可以以非限制性的方式以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其它计算设备或其一些组合实施。
此外,虽然操作以特定顺序描述,但是这不应被理解为要求这类操作以所示的顺序执行或是以顺序序列执行,或是要求所有所示的操作被执行以实现期望结果。在一些情形下,多任务或并行处理可以是有利的。类似地,虽然若干具体实现方式的细节在上面的讨论中被包含,但是这些不应被解释为对本公开的范围的任何限制,而是特征的描述仅是针对具体实施例。在分离的一些实施例中描述的某些特征也可以在单个实施例中组合地执行。相反对,在单个实施例中描述的各种特征也可以在多个实施例中分离地实施或是以任何合适的子组合的方式实施。
Claims (10)
1.一种免疫细胞状态图像采集监控装置,其特征在于,包括:
图像采集单元,用以获取免疫细胞的电子图像,
图像识别单元,用以识别并分割出待监测图像,
监控单元,用以根据所述待监测图像返回测量结果并对该免疫细胞进行监控。
2.根据权利要求1所述的免疫细胞状态图像采集监控装置,其特征在于,所述图像识别单元还用以,采用卷积神经网络分割出所述待监测图像。
3.根据权利要求1所述的免疫细胞状态图像采集监控装置,其特征在于,所述图像识别单元还用以,采用基于CANNY算子边缘检测的方法割出所述待监测图像。
4.根据权利要求1所述的免疫细胞状态图像采集监控装置,其特征在于,图像采集单元还包括:显微镜、CCD摄像机、图像采集装置,所述显微镜与CCD摄像机连接,用以实时采集所述显微镜下的免疫细胞状态的光学图像,所述CCD摄像机与图像采集装置连接,用以将所述光学图像输入至所述图像采集装置进行图像采集。
5.根据权利要求1所述的免疫细胞状态图像采集监控装置,其特征在于,图像采集单元还包括:电子图像数据库,用以提供本地或云端的历史光学图像,并从硬盘加载至内存中。
6.根据权利要求1所述的免疫细胞状态图像采集监控装置,其特征在于,所述监控单元包括:交互式分割单元和非监督分割单元,
所述交互式分割单元,用以基于GPU进行有监督的图像分割,
所述非监督分割单元,用以基于GPU进行无监督的图像分割。
7.根据权利要求1所述的免疫细胞状态图像采集监控装置,还包括:打印装置和图像显示器,
所述打印装置,用以打印出受检免疫细胞的图像、测量数据以及受检者信息,
所述图像显示器,用以实时显示所述受检免疫细胞的图像、测量数据或者受检者信息的一种或者多种信息。
8.一种免疫细胞状态图像采集监控方法,其特征在于,包括如下步骤:
获取免疫细胞的电子图像,
识别并分割出待监测图像,
根据所述待监测图像返回测量结果并对该免疫细胞进行监控。
9.根据权利要求8所述的免疫细胞状态图像采集监控方法,其特征在于,所述识别并分割出待监测图像时采用CNN卷积神经网络算法。
10.一种用于如权利要求1-7任一项所述的免疫细胞状态图像采集监控装置的客户端,其特征在于,包括:
Web服务器接收免疫细胞的电子图像,
Web服务器发出识别并分割出待监测图像的请求,
Web服务器接收根据所述待监测图像返回测量结果的响应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852075.6A CN107622238A (zh) | 2017-09-19 | 2017-09-19 | 一种免疫细胞状态图像采集监控装置、方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852075.6A CN107622238A (zh) | 2017-09-19 | 2017-09-19 | 一种免疫细胞状态图像采集监控装置、方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107622238A true CN107622238A (zh) | 2018-01-23 |
Family
ID=61090406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710852075.6A Pending CN107622238A (zh) | 2017-09-19 | 2017-09-19 | 一种免疫细胞状态图像采集监控装置、方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107622238A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
CN111339904A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
CN111837157A (zh) * | 2018-03-08 | 2020-10-27 | 株式会社岛津制作所 | 细胞图像解析方法、细胞图像解析装置、及学习模型创建方法 |
CN116386038A (zh) * | 2023-04-11 | 2023-07-04 | 沃森克里克(北京)生物科技有限公司 | 一种dc细胞检测方法及系统 |
-
2017
- 2017-09-19 CN CN201710852075.6A patent/CN107622238A/zh active Pending
Non-Patent Citations (4)
Title |
---|
于世林: "《新世纪少年百科知识博览 科技传承》", 30 April 2009 * |
杨杰 等: "《医学影像分析和三维重建及其应用》", 30 January 2015 * |
林强 等: "《行为识别与智能计算》", 30 November 2016 * |
王爱民 等: "《基于模糊信息的应用技术研究》", 30 October 2016 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111837157A (zh) * | 2018-03-08 | 2020-10-27 | 株式会社岛津制作所 | 细胞图像解析方法、细胞图像解析装置、及学习模型创建方法 |
US11978211B2 (en) | 2018-03-08 | 2024-05-07 | Shimadzu Corporation | Cellular image analysis method, cellular image analysis device, and learning model creation method |
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
CN111339904A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
CN111339904B (zh) * | 2020-02-21 | 2023-11-03 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
CN116386038A (zh) * | 2023-04-11 | 2023-07-04 | 沃森克里克(北京)生物科技有限公司 | 一种dc细胞检测方法及系统 |
CN116386038B (zh) * | 2023-04-11 | 2023-10-24 | 沃森克里克(北京)生物科技有限公司 | 一种dc细胞检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | CVM-Cervix: A hybrid cervical Pap-smear image classification framework using CNN, visual transformer and multilayer perceptron | |
CN107622238A (zh) | 一种免疫细胞状态图像采集监控装置、方法 | |
WO2020151536A1 (zh) | 一种脑部图像分割方法、装置、网络设备和存储介质 | |
CN107368670A (zh) | 基于大数据深度学习的胃癌病理诊断支持系统和方法 | |
Li et al. | DeepRetina: layer segmentation of retina in OCT images using deep learning | |
Chen et al. | Automated evaluation of tumor spheroid behavior in 3D culture using deep learning-based recognition | |
CN109325942A (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
CN107369151A (zh) | 基于大数据深度学习的胃肠间质瘤病理诊断支持系统和方法 | |
CN110136829A (zh) | 乳腺钼靶图像的辅助诊断方法、装置、系统及介质 | |
CN104200428B (zh) | 基于非负矩阵分解的显微图像彩色去卷积方法及分割方法 | |
CN109063747A (zh) | 基于深度学习的肠道病理切片图像识别分析系统及方法 | |
Li et al. | FecalNet: Automated detection of visible components in human feces using deep learning | |
CN102636656B (zh) | 一种全自动尿有形成分分析仪的校准方法 | |
CN115810004A (zh) | 一种光学相干断层扫描脉络膜血管分层造影方法 | |
CN110033861A (zh) | 适用于octa图像的血管及黄斑无血管区定量分析方法及系统 | |
JPH0227977A (ja) | 動物細胞の培養装置、培養方法及び活性診断装置 | |
CN113539476A (zh) | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 | |
Ahmed et al. | Thyroid cancer detection using deep neural network | |
Birry | Automated classification in digital images of osteogenic differentiated stem cells | |
Li et al. | An accurate urine erythrocytes detection model coupled faster rcnn with vggnet | |
CN108346471A (zh) | 一种病理数据的分析方法及装置 | |
Jagiella | Parameterization of Lattice-Based Tumor Models from Data. | |
Santarelli et al. | A new method for quantitative cellular imaging on 3-D scaffolds using fluorescence microscopy | |
CN109633143A (zh) | 一种测定造血干细胞移植后患者骨髓微循环环境检测的系统和方法 | |
US20230128966A1 (en) | System, method, and computer readable storage medium for accurate and rapid early diagnosis of covid-19 from chest x ray |
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 |