CN107833235B - 一种构建心肌细胞图像灰度层级结构信息的方法及系统 - Google Patents

一种构建心肌细胞图像灰度层级结构信息的方法及系统 Download PDF

Info

Publication number
CN107833235B
CN107833235B CN201710843667.1A CN201710843667A CN107833235B CN 107833235 B CN107833235 B CN 107833235B CN 201710843667 A CN201710843667 A CN 201710843667A CN 107833235 B CN107833235 B CN 107833235B
Authority
CN
China
Prior art keywords
image
information
layer
gray level
gray
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
Application number
CN201710843667.1A
Other languages
English (en)
Other versions
CN107833235A (zh
Inventor
陈磊
方陆明
唐丽华
楼雄伟
徐爱俊
董晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang A&F University ZAFU
Original Assignee
Zhejiang A&F University ZAFU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang A&F University ZAFU filed Critical Zhejiang A&F University ZAFU
Priority to CN201710843667.1A priority Critical patent/CN107833235B/zh
Publication of CN107833235A publication Critical patent/CN107833235A/zh
Application granted granted Critical
Publication of CN107833235B publication Critical patent/CN107833235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种构建心肌细胞图像灰度层级结构信息的方法及系统，用以解决现有技术不能很好地检测与分析心肌细胞染色图像中细胞核独立情况与粘连情况的问题。该方法包括：S1、将心肌细胞区域染色为具有不同颜色的响应位点和响应强度；S2、采用多阈值最大类间方差算法，依据不同参数构建针对不同染色信息的不同灰度层级结构信息；S3、采用最佳参数选取方法确定最佳参数，并将其所对应的响应位点和响应强度的评估结果作为最佳灰度层级结构信息。本发明通过构建染色图像灰度层级结构信息，并基于层级结构信息关系检测和分析心肌细胞核粘连情况与独立情况，从而理解心肌细胞免疫组化图像内部的场景信息，有利于心肌细胞免疫组化图像的后处理。

Description

一种构建心肌细胞图像灰度层级结构信息的方法及系统
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种构建心肌细胞图像灰度层级结构信息的方法及系统。
背景技术
心肌细胞又称心肌纤维，有横纹，受植物性神经支配，属于有横纹的不随意肌，具有兴奋收缩的能力。呈短圆柱形，有分支，其细胞核位于细胞中央，一般只有一个。各心肌纤维分支的末端可相互连接构成肌纤维网。广义的心肌细胞包括组成窦房结、房内束、房室交界部、房室束(即希斯束)和浦肯野纤维等的特殊分化了的心肌细胞，以及一般的心房肌和心室肌工作细胞。
细胞运动的研究一直是细胞学和生物学研究的重要组成部分，但是传统的研究方法在技术日益革新的现在已经渐渐变得不这么适用了，传统的在显微镜下利用细胞计数板用人眼进行染色、分类、计数、跟踪等这类不但需要大量繁琐的人为操作而且容易使得操作者变得疲劳从而影响结果的正确性，且其可重用性比较低。国内外的医学专家经过长期地实践与研究取得一致共识认为应该在细胞运动研究中引入数字视频技术和数字图像处理技术，从而极大地提高研究效率，减轻研究人员负担。用计算机来跟踪细胞运动，部分代替人类始终盯着显微镜来观察细胞的眼睛，尽量地把人从繁重的重复劳动中解脱出来进行更有创造性的工作。
因此，如何利用计算机图像处理、视频分析等相关技术手段来提高生物研究过程中的自动化程度已成为当前急需解决的非常有意义的难题。
公开号为CN103559724A的专利提供了一种高粘连度细胞环境下的多细胞同步跟踪方法。细胞序列图像中，多细胞的分割和同步跟踪是一个尚未解决的难题，尤其在高粘连度情况下多细胞检测与分割，更加迫切需要解决。该发明首先提出了一种改进的基于分水岭和多特征匹配的分割算法实现细胞分割，然后，建立适用于卡尔曼滤波的运动模型并加入多特征匹配实现细胞的预测和跟踪。该发明不能很好地处理心肌细胞核粘连情况与独立情况的分析。
发明内容
本发明要解决的技术问题目的在于提供一种构建心肌细胞图像灰度层级结构信息的方法及系统，用以检测心肌细胞核染色响应位点与响应强度，从而用以解决现有技术不能很好地检测与分析心肌细胞免疫组化染色图像中细胞核独立情况与粘连情况等问题。
为了实现上述目的，本发明采用的技术方案为：
一种构建心肌细胞图像灰度层级结构信息的方法，包括步骤：
S1、将心肌细胞区域染色为具有不同颜色的响应位点和响应强度；
S2、采用多阈值最大类间方差算法，依据不同参数构建针对不同染色信息的不同灰度层级结构信息；
S3、确定多阈值最大类间方差算法的最佳参数C，并将其所对应的响应位点和响应强度的评估结果作为最佳灰度层级结构信息。
进一步地，其特征在于，所述步骤S1具体包括：
基于不同特异性蛋白的结合特性，将具有不同蛋白表达的所述心肌细胞区域染色为红色、绿色以及蓝色，且心肌细胞核区域主要呈现为红色与蓝色。
进一步地，其特征在于，所述步骤S2具体包括：
针对任意一种颜色的染色信息图像，视为是灰度信息图像。此时假设一幅灰度信息图像I中存在灰度级别在0到L之间的N个像素，且处于灰度级别i的像素个数标记为ni，那么灰度级别i的像素在此图片中的概率为：
pi＝ni/N；
假设图像中存在C-1个阈值，记为{t1,t2,...,tC-1}；第一个集合G1由灰度范围为[0,t1]的像素确定；第i个集合由灰度范围为(ti-1,ti]的像素确定，标记为Gi；最后一个集合由灰度范围为(tC-1,L]的像素确定，标记为GC；
假设μT是此幅图像的灰度均值，则多阈值最大类间方差算法的目标函数定义为：
Figure GDA0002391822740000021
其中，
0≤t1≤...≤tC-1＜L；
Figure GDA0002391822740000022
Figure GDA0002391822740000023
Figure GDA0002391822740000024
假设此时存在两个相邻集合，记为Gi与Gj，且|i-j|＝1；那么此两集合的局部区域能直接融合为一个局部连通区域，且融合边界无间隙；
那么，调整参数C的值便能获得不同的图像灰度层级结构信息结果。
进一步地，所述最佳参数C的确定方法为：
假设图像I已被划分为m个集合，则第k个集合中的像素个数记为
Figure GDA0002391822740000025
其中1≤k≤m；随着值m的变化，相应地也会得到关于像素个数的数值集合，那么将图像划分为p个集合的信息都称为p层信息；如此，便能形成层间数值关系，即处于p层的第q个数值记录仅与p+1层的第q个数值与第q+1个数值相互关联；
假设p层的第q个集合中的像素个数，记为
Figure GDA0002391822740000026
是由
Figure GDA0002391822740000027
与
Figure GDA0002391822740000028
中的一部分像素构成的，那么此时存在连续两层，即p层与p+1层，的数值集合信息，即
Figure GDA0002391822740000029
与
Figure GDA00023918227400000210
在p+1层内部，存在如下的p-1个数值等式关系：
Figure GDA00023918227400000211
Figure GDA00023918227400000212
…
Figure GDA0002391822740000031
…
Figure GDA0002391822740000032
其中，需要保证
Figure GDA0002391822740000033
其中k＝{2,...,p}；
如此，便能得到如下p个层间等式关系：
Figure GDA0002391822740000034
Figure GDA0002391822740000035
…
Figure GDA0002391822740000036
…
Figure GDA0002391822740000037
Figure GDA0002391822740000038
为了简化等式求解与判别，随着类别个数m的增加，为了满足
Figure GDA0002391822740000039
条件，存在符合如下标准的数值关系：
Figure GDA00023918227400000310
判别时，除了需要满足如公式(2)所示的数值关系，也需要考虑集合灰度均值；此时，假设针对
Figure GDA00023918227400000311
存在其所对应的灰度均值
Figure GDA00023918227400000312
此时需要满足如下的数值不等式关系：
Figure GDA00023918227400000313
从第1层一直不断地拓展，直至当p层存在不满足(2)或者(3)的时候，将参数p作为标准参数数值，赋值给多阈值最大类间方差算法的参数C，并将其对应的结果作为最佳多层级结构信息结果。
一种构建心肌细胞图像灰度层级结构信息的系统，具体包括：
染色模块，用于将心肌细胞区域染色为具有不同颜色的响应位点和响应强度；
算法模块，用于采用多阈值最大类间方差算法，依据不同参数构建针对不同染色信息的不同灰度层级结构信息；
评估模块，用于确定多阈值最大类间方差算法的最佳参数C，并将其所对应的响应位点和响应强度的评估结果作为最佳灰度层级结构信息。
进一步地，其特征在于，所述染色模块具体用于基于不同特异性蛋白的结合特性，将具有不同蛋白表达的所述心肌细胞区域染色为红色、绿色以及蓝色，且心肌细胞核区域主要呈现为红色与蓝色。
进一步地，其特征在于，所述算法模块具体包括：
针对任意一种颜色的染色信息图像，视为是灰度信息图像。此时假设一幅灰度信息图像I中存在灰度级别在0到L之间的N个像素，且处于灰度级别i的像素个数标记为ni，那么灰度级别i的像素在此图片中的概率为：
pi＝ni/N；
假设图像中存在C-1个阈值，记为{t1,t2,...,tC-1}；第一个集合G1由灰度范围为[0,t1]的像素确定；第i个集合由灰度范围为(ti-1,ti]的像素确定，标记为Gi；最后一个集合由灰度范围为(tC-1,L]的像素确定，标记为GC；
假设μT是此幅图像的灰度均值，则多阈值最大类间方差算法的目标函数定义为：
Figure GDA0002391822740000041
其中，
0≤t1≤...≤tC-1＜L；
Figure GDA0002391822740000042
Figure GDA0002391822740000043
Figure GDA0002391822740000044
假设此时存在两个相邻集合，记为Gi与Gj，且|i-j|＝1；那么此两集合的局部区域能直接融合为一个局部连通区域，且融合边界无间隙；
那么，调整参数C的值便能获得不同的图像灰度层级结构信息结果；但是，并不是任意参数都能得到较好的图像划分结果，需要确定最佳算法参数进一步地，所述算法模块包括确定最佳参数C单元，具体用于：
假设图像I已被划分为m个集合，则第k个集合中的像素个数记为
Figure GDA0002391822740000045
其中1≤k≤m；随着值m的变化，相应地也会得到关于像素个数的数值集合，那么将图像划分为p个集合的信息都称为p层信息；如此，便能形成层间数值关系，即处于p层的第q个数值记录仅与p+1层的第q个数值与第q+1个数值相互关联；
假设p层的第q个集合中的像素个数,记为
Figure GDA0002391822740000046
是由
Figure GDA0002391822740000047
与
Figure GDA0002391822740000048
中的一部分像素构成的，那么此时存在连续两层,即p层与p+1层,的数值集合信息，即
Figure GDA0002391822740000049
与
Figure GDA00023918227400000410
在p+1层内部，存在如下的p-1个数值等式关系：
Figure GDA0002391822740000051
Figure GDA0002391822740000052
…
Figure GDA0002391822740000053
…
Figure GDA0002391822740000054
其中，需要保证
Figure GDA0002391822740000055
其中k＝{2,...,p}；
如此，便能得到如下p个层间等式关系：
Figure GDA0002391822740000056
Figure GDA0002391822740000057
…
Figure GDA0002391822740000058
…
Figure GDA0002391822740000059
Figure GDA00023918227400000510
为了简化等式求解与判别，随着类别个数m的增加，为了满足
Figure GDA00023918227400000511
条件，存在符合如下标准的数值关系：
Figure GDA00023918227400000512
判别时，除了需要满足如公式(2)所示的数值关系，也需要考虑集合灰度均值；此时，假设针对
Figure GDA00023918227400000513
存在其所对应的灰度均值
Figure GDA00023918227400000514
此时需要满足如下的数值不等式关系：
Figure GDA00023918227400000515
从第1层一直不断地拓展，直至当p层存在不满足(2)或者(3)的时候，将参数p作为标准参数数值，赋值给多阈值最大类间方差算法的参数C，并将其对应的结果作为最佳多层级结构信息结果。
本发明与传统的技术相比，有如下优点：
本发明通过构建染色图像灰度层级结构信息，并基于层级结构信息关系检测和分析心肌细胞核粘连情况与独立情况，从而理解心肌细胞免疫组化图像内部的场景信息，有利于心肌细胞免疫组化图像的后处理。
附图说明
图1是本发明实施例提供的一种构建心肌细胞图像灰度层级结构信息的方法流程图；
图2是本发明实施例提供的一种构建心肌细胞图像灰度层级结构信息的系统结构图；
图3是本发明实施例提供的三幅心肌细胞染色图像；
图4是图3中每幅心肌细胞染色图像对应的红色、绿色以及蓝色染色信息；
图5是本发明实施例提供的数值整体关系；
图6是本发明实施例提供的数值局部关系；
图7是图3中每幅心肌细胞染色图像中蓝色染色信息的最佳灰度层级结构信息。
图8是图3中Pos_0001和Pos_0002的红色染色信息的最佳灰度层级结构信息。
具体实施方式
以下是本发明的具体实施例，并结合附图对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
本发明实施例提供了一种构建心肌细胞图像灰度层级结构信息的方法，如图1所示，包括步骤：
S11：将心肌细胞区域染色为具有不同颜色的响应位点和响应强度；
S12：采用多阈值最大类间方差算法依据不同参数构建针对不同染色信息的不同灰度层级结构信息；
S13：确定多阈值最大类间方差算法的最佳参数C以及最佳灰度层级结构信息。
现有技术不能很好地检测和分析心肌细胞核粘连情况与独立情况，为了更好地基于层级结构信息关系检测心肌细胞核粘连情况与独立情况，需要构建心肌细胞染色图像的灰度层级结构信息。
本实施例中，步骤S11具体包括：
基于不同特异性蛋白的结合特性，将具有不同蛋白表达的所述心肌细胞区域染色为红色、绿色以及蓝色，且心肌细胞核区域主要呈现为红色与蓝色。
具体的，基于不同特异性蛋白的结合特性，将具有不同蛋白表达的所述心肌细胞区域染色为红色、绿色以及蓝色，用于定位不同蛋白的表达位点和表达强度。
如图3所示，步骤S11具体为大多数心肌细胞核内部被染成蓝色，但由于某些细胞核内部同时存在不同特异性的蛋白，这些心肌细胞核区域内包含了两种颜色，即红色与蓝色。通过区分红色、绿色以及蓝色的染色信息，能将三幅原图分别分为对应的三幅具有不同颜色的染色信息图像，如图4所示。
此时假设x＝{1,2,3}。其中，图4(ax)为原图的红色染色信息，图4(bx)为原图的绿色染色信息，图4(cx)为原图的蓝色染色信息。针对每一幅图像，因其仅反映某一种特异性蛋白在心肌细胞组织上的分布情况，其也能单独地被看作是一幅灰度图像。由于绿色染色信息响应区域较大且不是需要被重点关注研究的细胞核区域，所以在之后的处理过程中不考虑。那么仅需要针对原图中的红色与蓝色的染色响应信息进行处理。由于Neg_0001中不存在红色染色信息，所以之后处理中仅考虑Neg_0001_B的蓝色染色信息。
首先，需要构建针对待处理染色信息的灰度层级结构信息，对不同的响应位点与响应强度进行一定地评估。此处，步骤S12采用多阈值最大类间方差算法构建图像灰度层级结构信息。
本实施例中，步骤S12具体包括：
针对任意一种颜色的染色信息图像，视为是灰度信息图像。此时假设一幅灰度信息图像I中存在灰度级别在0到L之间的N个像素，且处于灰度级别i的像素个数标记为ni，那么灰度级别i的像素在此图片中的概率为：
pi＝ni/N；
假设图像中存在C-1个阈值，记为{t1,t2,...,tC-1}；第一个集合G1由灰度范围为[0,t1]的像素确定；第i个集合由灰度范围为(ti-1,ti]的像素确定，标记为Gi；最后一个集合由灰度范围为(tC-1,L]的像素确定，标记为GC；
假设μT是此幅图像的灰度均值，则多阈值最大类间方差算法的目标函数定义为：
Figure GDA0002391822740000071
其中，
0≤t1≤...≤tC-1＜L；
Figure GDA0002391822740000072
Figure GDA0002391822740000073
Figure GDA0002391822740000074
假设此时存在两个相邻集合，记为Gi与Gj，且|i-j|＝1；那么此两集合的局部区域能直接融合为一个局部连通区域，且融合边界无间隙。
具体的，假设一幅灰度信息图像I中存在灰度级别在0到L之间的N个像素，且处于灰度级别i的像素个数标记为ni，那么灰度级别i的像素在此图片中的概率为：
pi＝ni/N；
假设图像中存在C-1个阈值，记为{t1,t2,...,tC-1}；第一个集合G1由灰度范围为[0,t1]的像素确定；第i个集合由灰度范围为(ti-1,ti]的像素确定，标记为Gi；最后一个集合由灰度范围为(tC-1,L]的像素确定，标记为GC；
假设μT是此幅图像的灰度均值，则多阈值最大类间方差算法的目标函数定义为：
Figure GDA0002391822740000075
其中，
0≤t1≤…≤tC-1＜L；
Figure GDA0002391822740000076
Figure GDA0002391822740000077
Figure GDA0002391822740000081
那么，此时便能得到C个灰度集合，且这些集合之间存在包含与被包含的关系。假设此时存在两个相邻集合，记为Gi与Gj，且|i-j|＝1；那么此两集合的某些局部区域能直接融合为一个局部连通区域，且融合边界无间隙。
通常，多阈值最大类间方差算法的参数C都是针对特定的图像通过人为设置的。为了能够更为自动化地设定最佳的参数C，针对蓝色染色信息和红色染色信息评价了在[1,r)区间内的最佳数值，通常r＝10。当C数值过大的时候，相当于对灰度图像细节进行了过度地划分，而当C数值过小的时候，图片中的结构信息不是非常突出，不利于之后的处理。以下阐述了确定多阈值最大类间方差算法最佳参数C的评价方法。
本实施例中，步骤S13中所述最佳参数C的确定方法为：
假设图像I已被划分为m个集合，则第k个集合中的像素个数记为
Figure GDA0002391822740000082
其中1≤k≤m；随着值m的变化，相应地也会得到关于像素个数的数值集合，那么将图像划分为p个集合的信息都称为p层信息；如此，便能形成层间数值关系，即处于p层的第q个数值记录仅与p+1层的第q个数值与第q+1个数值相互关联；
假设p层的第q个集合中的像素个数(记为
Figure GDA0002391822740000083
)是由
Figure GDA0002391822740000084
与
Figure GDA0002391822740000085
中的一部分像素构成的，那么此时存在连续两层(即p层与p+1层)的数值集合信息，即
Figure GDA0002391822740000086
与
Figure GDA0002391822740000087
在p+1层内部，存在如下的p-1个数值等式关系：
Figure GDA0002391822740000088
Figure GDA0002391822740000089
…
Figure GDA00023918227400000810
…
Figure GDA00023918227400000811
其中，需要保证
Figure GDA00023918227400000812
其中k＝{2,...,p}；
如此，便能得到如下p个层间等式关系：
Figure GDA00023918227400000813
Figure GDA00023918227400000814
…
Figure GDA0002391822740000091
…
Figure GDA0002391822740000092
Figure GDA0002391822740000093
为了简化等式求解与判别，随着类别个数m的增加，为了满足
Figure GDA0002391822740000094
条件，存在符合如下标准的数值关系：
Figure GDA0002391822740000095
判别时，除了需要满足如公式(2)所示的数值关系，也需要考虑集合灰度均值。此时，假设针对
Figure GDA0002391822740000096
存在其所对应的灰度均值
Figure GDA0002391822740000097
此时需要满足如下的数值不等式关系：
Figure GDA0002391822740000098
从第1层一直不断地拓展，直至当p层存在不满足(2)或者(3)的时候，将参数p作为标准参数数值，赋值给多阈值最大类间方差算法的参数C，并将其对应的结果作为最佳多层级结构信息结果。
具体的，假设图像I已被划分为m个集合，则第k个集合中的像素个数记为
Figure GDA0002391822740000099
其中1≤k≤m；随着值m的变化，相应地也会得到关于像素个数的数值集合，那么将图像划分为p个集合的信息都称为p层信息；如此，便能形成层间数值关系，即处于p层的第q个数值记录仅与p+1层的第q个数值与第q+1个数值相互关联；
假设p层的第q个集合中的像素个数(记为
Figure GDA00023918227400000910
)是由
Figure GDA00023918227400000911
与
Figure GDA00023918227400000912
中的一部分像素构成的，那么此时存在连续两层(即p层与p+1层)的数值集合信息，即
Figure GDA00023918227400000913
与
Figure GDA00023918227400000914
在p+1层内部，存在如下的p-1个数值等式关系：
Figure GDA00023918227400000915
Figure GDA00023918227400000916
…
Figure GDA00023918227400000917
…
Figure GDA00023918227400000918
其中，需要保证
Figure GDA00023918227400000919
其中k＝{2,...,p}；
如此，便能得到如下p个层间等式关系：
Figure GDA0002391822740000101
Figure GDA0002391822740000102
…
Figure GDA0002391822740000103
…
Figure GDA0002391822740000104
Figure GDA0002391822740000105
为了检验
Figure GDA0002391822740000106
条件是否满足，需要求解此2p-1个等式，从而求得这2p-2个未知数。但是求解等式的方式确定2p-2个未知数的数值比较繁琐，且求得的2p-2个数值仅用于判定是否为正整数。
为了简化等式求解与判别，随着类别个数m的增加，为了满足
Figure GDA0002391822740000107
条件，存在符合如下标准的数值关系：
Figure GDA0002391822740000108
判别时，除了需要满足如公式(1)所示的数值关系，也需要考虑集合灰度均值。此时，假设针对
Figure GDA0002391822740000109
存在其所对应的灰度均值
Figure GDA00023918227400001010
此时需要满足如下的数值不等式关系：
Figure GDA00023918227400001011
那么，从第1层一直不断地拓展，直至当p层存在不满足(2)或者(3)的时候，将参数p作为标准参数数值，赋值给多阈值最大类间方差算法的参数C，并将其对应的结果作为最佳多层级结构信息结果。
本发明实施例还提供了一种构建心肌细胞图像灰度层级结构信息的系统，如图2所示，包括：
染色模块21，用于将心肌细胞区域染色为具有不同颜色的响应位点和响应强度；
算法模块22，用于采用多阈值最大类间方差算法，依据不同参数构建针对不同染色信息的不同灰度层级结构信息；
评估模块23，用于确定多阈值最大类间方差算法的最佳参数C，并将其所对应的响应位点和响应强度的评估结果作为最佳灰度层级结构信息。
具体的，基于不同特异性蛋白的结合特性，将具有不同蛋白表达的细胞核区域染色为具有不同颜色，用于定位不同蛋白的表达位点和表达强度。染色模块21中大多数细胞核内部被染成蓝色，但由于某些细胞核内部同时存在不同特异性的蛋白，这些细胞核区域内包含了两种颜色，即红色与蓝色。通过区分红色、绿色以及蓝色的染色信息，能将三幅原图分别分为对应的三幅不同染色信息图像。算法模块22采用多阈值最大类间方差算法，依据不同参数构建针对不同染色信息的不同灰度层级结构信息。评估模块23用于确定多阈值最大类间方差算法的最佳参数C，并将其所对应的响应位点和响应强度的评估结果作为最佳灰度层级结构信息。
本实施例中，染色模块21具体用于基于不同特异性蛋白的结合特性，将具有不同蛋白表达的所述心肌细胞区域染色为红色、绿色以及蓝色，且心肌细胞核区域主要呈现为红色与蓝色。
本实施例中，算法模块22具体包括：
针对任意一种颜色的染色信息图像，视为是灰度信息图像。此时假设一幅灰度信息图像I中存在灰度级别在0到L之间的N个像素，且处于灰度级别i的像素个数标记为ni，那么灰度级别i的像素在此图片中的概率为：
pi＝ni/N；
假设图像中存在C-1个阈值，记为{t1,t2,...,tC-1}；第一个集合G1由灰度范围为[0,t1]的像素确定；第i个集合由灰度范围为(ti-1,ti]的像素确定，标记为Gi；最后一个集合由灰度范围为(tC-1,L]的像素确定，标记为GC；
假设μT是此幅图像的灰度均值，则多阈值最大类间方差算法的目标函数定义为：
Figure GDA0002391822740000111
其中，
0≤t1≤...≤tC-1＜L；
Figure GDA0002391822740000112
Figure GDA0002391822740000113
Figure GDA0002391822740000114
假设此时存在两个相邻集合，记为Gi与Gj，且|i-j|＝1；那么此两集合的某些局部区域能直接融合为一个局部连通区域，且融合边界无间隙。
那么，调整参数C的值能获得不同的灰度图像层级结构信息结果。但是，并不是任意参数都能得到较好的图像划分结果，需要确定最佳算法参数。
本实施例中评估模块23包括确定最佳参数C单元，具体用于：
假设图像I已被划分为m个集合，则第k个集合中的像素个数记为
Figure GDA0002391822740000115
其中1≤k≤m；随着值m的变化，相应地也会得到关于像素个数的数值集合，那么将图像划分为p个集合相关的数值信息都称为p层信息；如此，便能形成层间数值关系，即处于p层的第q个数值记录仅与p+1层的第q个数值与第q+1个数值相互关联；
假设p层的第q个集合中的像素个数，记为
Figure GDA0002391822740000116
是由
Figure GDA0002391822740000117
与
Figure GDA0002391822740000118
中的一部分像素构成的，那么此时存在连续两层，即p层与p+1层，的数值集合信息，即
Figure GDA0002391822740000119
与
Figure GDA00023918227400001110
在p+1层内部，存在如下的p-1个数值等式关系：
Figure GDA0002391822740000121
Figure GDA0002391822740000122
…
Figure GDA0002391822740000123
…
Figure GDA0002391822740000124
其中，需要保证
Figure GDA0002391822740000125
其中k＝{2,...,p}；
如此，便能得到如下p个层间等式关系：
Figure GDA0002391822740000126
Figure GDA0002391822740000127
…
Figure GDA0002391822740000128
…
Figure GDA0002391822740000129
Figure GDA00023918227400001210
为了简化等式求解与判别，随着类别个数m的增加，为了满足
Figure GDA00023918227400001211
条件，存在符合如下标准的数值关系：
Figure GDA00023918227400001212
判别时，除了需要满足如公式(2)所示的数值关系，也需要考虑集合灰度均值。此时，假设针对
Figure GDA00023918227400001213
存在其所对应的灰度均值
Figure GDA00023918227400001214
此时需要满足如下的数值不等式关系：
Figure GDA00023918227400001215
从第1层一直不断地拓展，直至当p层存在不满足(2)或者(3)的时候，将参数p作为标准参数数值，赋值给多阈值最大类间方差算法的参数C，并将其对应的结果作为最佳多层级结构信息结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种构建心肌细胞图像灰度层级结构信息的方法，其特征在于，包括步骤：
S1、将心肌细胞区域染色为具有不同颜色的响应位点和响应强度；
S2、采用多阈值最大类间方差算法，依据不同参数构建针对不同染色信息的不同灰度层级结构信息；
S3、确定多阈值最大类间方差算法的最佳参数C，并将其所对应的响应位点和响应强度的评估结果作为最佳灰度层级结构信息；
步骤S3所述多阈值最大类间方差算法的最佳参数C的确定方法具体包括：
假设图像I已被划分为m个集合，则第k个集合中的像素个数记为
Figure FDA0002494699290000011
其中1≤k≤m；随着值m的变化，相应地也会得到关于像素个数的数值集合，那么将图像划分为p个集合相关的数值信息都称为p层信息；如此，便能形成层间数值关系，即处于p层的第q个数值记录仅与p+1层的第q个数值与第q+1个数值相互关联；
假设p层的第q个集合中的像素个数，记为
Figure FDA0002494699290000012
是由
Figure FDA0002494699290000013
与
Figure FDA0002494699290000014
中的一部分像素构成的，那么此时存在连续两层，即p层与p+1层的数值集合信息，即
Figure FDA0002494699290000015
与
Figure FDA0002494699290000016
在p+1层内部，存在如下的p-1个数值等式关系：
Figure FDA0002494699290000017
Figure FDA0002494699290000018
…
Figure FDA0002494699290000019
…
Figure FDA00024946992900000110
其中，需要保证
Figure FDA00024946992900000111
其中k＝{2,...,p}；
如此，便能得到如下p个层间等式关系：
Figure FDA00024946992900000112
Figure FDA00024946992900000113
…
Figure FDA00024946992900000114
…
Figure FDA00024946992900000115
Figure FDA0002494699290000021
为了简化等式求解与判别，随着类别个数m的增加，为了满足
Figure FDA0002494699290000022
条件，存在符合如下标准的数值关系：
Figure FDA0002494699290000023
判别时，除了需要满足如公式(2)所示的数值关系，也需要考虑集合灰度值；此时，假设针对
Figure FDA0002494699290000024
存在其所对应的灰度均值
Figure FDA0002494699290000025
此时需要满足如下的数值不等式关系：
Figure FDA0002494699290000026
从第1层一直不断地拓展，直至当p层存在不满足(2)或者(3)的时候，将参数p作为标准参数数值，赋值给多阈值最大类间方差算法的参数C，并将其对应的结果作为最佳多层级结构信息结果。
2.根据权利要求1所述的一种构建心肌细胞图像灰度层级结构信息的方法，其特征在于，所述步骤S1具体包括：
基于不同特异性蛋白的结合特性，将具有不同蛋白表达的所述心肌细胞区域染色为红色、绿色以及蓝色，且心肌细胞核区域主要呈现为红色与蓝色。
3.根据权利要求1所述的一种构建心肌细胞图像灰度层级结构信息的方法，其特征在于，所述步骤S2具体包括：
针对任意一种颜色的染色信息图像，视为是灰度信息图像；此时假设一幅灰度信息图像I中存在灰度级别在0到L之间的N个像素，且处于灰度级别i的像素个数标记为ni，那么灰度级别i的像素在此图片中的概率为：
pi＝ni/N；
假设图像中存在C-1个阈值，记为{t1,t2,...,tC-1}；第一个集合G1由灰度范围为[0,t1]的像素确定；第i个集合由灰度范围为(ti-1,ti]的像素确定，标记为Gi；最后一个集合由灰度范围为(tC-1,L]的像素确定，标记为GC；
假设μT是此幅图像的灰度均值，则多阈值最大类间方差算法的目标函数定义为：
Figure FDA0002494699290000027
其中，
0≤t1≤...≤tC-1＜L；
Figure FDA0002494699290000028
Figure FDA0002494699290000031
Figure FDA0002494699290000032
假设此时存在两个相邻集合，记为Gi与Gj，且|i-j|＝1；那么此两集合的局部区域能直接融合为一个局部连通区域，且融合边界无间隙。
4.一种构建心肌细胞图像灰度层级结构信息的系统，其特征在于，包括：
染色模块，用于将心肌细胞区域染色为具有不同颜色的响应位点和响应强度；
算法模块，用于采用多阈值最大类间方差算法，依据不同参数构建针对不同染色信息的不同灰度层级结构信息；
评估模块，用于确定多阈值最大类间方差算法的最佳参数C，并将其所对应的响应位点和响应强度的评估结果作为最佳灰度层级结构信息；
所述评估模块具体包括：
假设图像I已被划分为m个集合，则第k个集合中的像素个数记为
Figure FDA0002494699290000033
其中1≤k≤m；随着值m的变化，相应地也会得到关于像素个数的数值集合，那么将图像划分为p个集合的信息都称为p层信息；如此，便能形成层间数值关系，即处于p层的第q个数值记录仅与p+1层的第q个数值与第q+1个数值相互关联；
假设p层的第q个集合中的像素个数，记为
Figure FDA0002494699290000034
是由
Figure FDA0002494699290000035
与
Figure FDA0002494699290000036
中的一部分像素构成的，那么此时存在连续两层，即p层与p+1层的数值集合信息，即
Figure FDA0002494699290000037
与
Figure FDA0002494699290000038
在p+1层内部，存在如下的p-1个数值等式关系：
Figure FDA0002494699290000039
Figure FDA00024946992900000310
…
Figure FDA00024946992900000311
…
Figure FDA00024946992900000312
其中，需要保证
Figure FDA00024946992900000313
其中k＝{2,...,p}；
如此，便能得到如下p个层间等式关系：
Figure FDA00024946992900000314
Figure FDA0002494699290000041
…
Figure FDA0002494699290000042
…
Figure FDA0002494699290000043
Figure FDA0002494699290000044
为了简化等式求解与判别，随着类别个数m的增加，为了满足
Figure FDA0002494699290000045
条件，存在符合如下标准的数值关系：
Figure FDA0002494699290000046
判别时，除了需要满足如公式(2)所示的数值关系，也需要考虑集合灰度均值；此时，假设针对
Figure FDA0002494699290000047
存在其所对应的灰度均值
Figure FDA0002494699290000048
此时需要满足如下的数值不等式关系：
Figure FDA0002494699290000049
从第1层一直不断地拓展，直至当p层存在不满足(2)或者(3)的时候，将参数p作为标准参数数值，赋值给多阈值最大类间方差算法的参数C，并将其对应的结果作为最佳多层级结构信息结果。
5.根据权利要求4所述的一种构建心肌细胞图像灰度层级结构信息的系统，其特征在于，所述染色模块具体用于基于不同特异性蛋白的结合特性，将具有不同蛋白表达的所述心肌细胞区域染色为红色、绿色以及蓝色，且心肌细胞核区域主要呈现为红色与蓝色。
6.根据权利要求4所述的一种构建心肌细胞图像灰度层级结构信息的系统，其特征在于，所述算法模块具体包括：
针对任意一种颜色的染色信息图像，视为是灰度信息图像；此时假设一幅灰度信息图像I中存在灰度级别在0到L之间的N个像素，且处于灰度级别i的像素个数标记为ni，那么灰度级别i的像素在此图片中的概率为：
pi＝ni/N；
假设图像中存在C-1个阈值，记为{t1,t2,...,tC-1}；第一个集合G1由灰度范围为[0,t1]的像素确定；第i个集合由灰度范围为(ti-1,ti]的像素确定，标记为Gi；最后一个集合由灰度范围为(ti-1,L]的像素确定，标记为GC；
假设μT是此幅图像的灰度均值，则多阈值最大类间方差算法的目标函数定义为：
Figure FDA00024946992900000410
其中，
0≤t1≤...≤tC-1＜L；
Figure FDA0002494699290000051
Figure FDA0002494699290000052
Figure FDA0002494699290000053
假设此时存在两个相邻集合，记为Gi与Gj，且|i-j|＝1；那么此两集合的局部区域能直接融合为一个局部连通区域，且融合边界无间隙；
那么，调整参数C的值便能获得不同的图像灰度层级结构信息结果。
CN201710843667.1A 2017-09-19 2017-09-19 一种构建心肌细胞图像灰度层级结构信息的方法及系统 Active CN107833235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710843667.1A CN107833235B (zh) 2017-09-19 2017-09-19 一种构建心肌细胞图像灰度层级结构信息的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710843667.1A CN107833235B (zh) 2017-09-19 2017-09-19 一种构建心肌细胞图像灰度层级结构信息的方法及系统

Publications (2)

Publication Number Publication Date
CN107833235A CN107833235A (zh) 2018-03-23
CN107833235B true CN107833235B (zh) 2020-08-21

Family

ID=61643413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710843667.1A Active CN107833235B (zh) 2017-09-19 2017-09-19 一种构建心肌细胞图像灰度层级结构信息的方法及系统

Country Status (1)

Country Link
CN (1) CN107833235B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020585A (zh) * 2012-11-06 2013-04-03 华南师范大学 一种免疫组织阳性细胞和阴性细胞识别方法
CN104331893A (zh) * 2014-11-14 2015-02-04 东南大学 一种复杂图像多阈值分割方法
CN104835149A (zh) * 2015-04-20 2015-08-12 浙江工业大学 一种牛奶体细胞图像分割方法
CN106875394A (zh) * 2016-12-22 2017-06-20 浙江工业大学 适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170060348A1 (en) * 2015-08-26 2017-03-02 Sap Se Compact display of hierarchical structure on user interface

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020585A (zh) * 2012-11-06 2013-04-03 华南师范大学 一种免疫组织阳性细胞和阴性细胞识别方法
CN104331893A (zh) * 2014-11-14 2015-02-04 东南大学 一种复杂图像多阈值分割方法
CN104835149A (zh) * 2015-04-20 2015-08-12 浙江工业大学 一种牛奶体细胞图像分割方法
CN106875394A (zh) * 2016-12-22 2017-06-20 浙江工业大学 适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法

Also Published As

Publication number Publication date
CN107833235A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN106846344B (zh) 一种基于边缘完备度的图像分割最优识别方法
Sun et al. Fast linear feature detection using multiple directional non‐maximum suppression
CN106780522B (zh) 一种基于深度学习的骨髓液细胞分割方法
CN105844621A (zh) 一种印刷品质量检测方法
CN105894490A (zh) 基于模糊积分多分类器融合的宫颈细胞图像识别方法及装置
CN110490913A (zh) 基于角点与单线段编组的特征描述算子进行影像匹配方法
EP3053138A1 (en) Systems and methods for adaptive histopathology image unmixing
CN113569724B (zh) 基于注意力机制和扩张卷积的道路提取方法及系统
CN105701806A (zh) 基于深度图像的帕金森震颤运动特征检测方法及系统
CN109509196A (zh) 一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法
CN108364300A (zh) 蔬菜叶部病害图像分割方法、系统及计算机可读存储介质
EP1579366A1 (en) Histological assessment of nuclear pleomorphism
CN107833235B (zh) 一种构建心肌细胞图像灰度层级结构信息的方法及系统
CN107239761B (zh) 基于骨架角点检测的果树拉枝效果评价方法
Dubey et al. A review of image segmentation using clustering methods
CN105894501B (zh) 一种高分辨率遥感图像单木探测和树冠描绘方法
CN105844641A (zh) 一种动态环境下的自适应阈值分割方法
CN112734770B (zh) 一种基于多层级联的心脏核磁影像多序列融合分割方法
CN107833200B (zh) 一种检测独立与粘连心肌细胞核区域的方法及系统
CN107742284B (zh) 一种剔除心肌细胞图像冗余层级结构信息的方法及系统
CN114529488A (zh) 图像融合方法、装置及设备、存储介质
Spoorthy et al. Automatic identification of mixed retinal cells in time-lapse fluorescent microscopy images using high-dimensional dbscan
Cheng et al. Improving sampling criterion for alpha matting
Xue et al. Skin lesion classification using weakly-supervised fine-grained method
JP2020154952A (ja) 閾値決定方法、画像処理方法、標本画像の評価方法、コンピュータプログラムおよび記録媒体

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