CN107845085B - 一种心肌细胞核粘连区域分离与分组的方法及系统 - Google Patents

一种心肌细胞核粘连区域分离与分组的方法及系统 Download PDF

Info

Publication number
CN107845085B
CN107845085B CN201710843662.9A CN201710843662A CN107845085B CN 107845085 B CN107845085 B CN 107845085B CN 201710843662 A CN201710843662 A CN 201710843662A CN 107845085 B CN107845085 B CN 107845085B
Authority
CN
China
Prior art keywords
cell nucleus
independent
region
local
area
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
CN201710843662.9A
Other languages
English (en)
Other versions
CN107845085A (zh
Inventor
陈磊
方陆明
吴达胜
唐丽华
楼雄伟
任俊俊
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 CN201710843662.9A priority Critical patent/CN107845085B/zh
Publication of CN107845085A publication Critical patent/CN107845085A/zh
Application granted granted Critical
Publication of CN107845085B publication Critical patent/CN107845085B/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
    • G06T7/0002—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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种心肌细胞核粘连区域分离与分组的方法及系统，用以解决现有技术不能很好地针对心肌细胞免疫组化图像中存在的具有多种不同粘连情况的细胞核粘连区域进行有效地分离和分组的问题。该方法包括：S1、构建心肌细胞免疫组化图像灰度层级结构信息；S2、根据所述图像灰度层级结构信息检测并区分独立细胞核区域及粘连细胞核区域；S3、参照图像灰度层级结构信息对所述粘连细胞核区域进行局部结构标记；S4、根据所述局部结构标记信息对所述粘连细胞核区域进行分离与分组。采用本发明，能有效地分离和分组已检测出的具有多种不同粘连情况的细胞核粘连区域，并且构建出的分割结果能够表征每个单个细胞核的区域范围。

Description

一种心肌细胞核粘连区域分离与分组的方法及系统
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种心肌细胞核粘连区域分离与分组的方法及系统。
背景技术
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。本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。该发明不能有效地分离和分组已检测出的细胞核粘连区域。
发明内容
本发明要解决的技术问题目的在于提供一种心肌细胞核粘连区域分离与分组的方法及系统，用以解决现有技术不能很好地针对心肌细胞免疫组化图像中存在的具有多种不同粘连情况的细胞核粘连区域进行有效地分离和分组的问题。
为了实现上述目的，本发明采用的技术方案为：
一种心肌细胞核粘连区域分离与分组的方法，包括步骤：
S1、构建心肌细胞免疫组化图像灰度层级结构信息；
S2、根据所述图像灰度层级结构信息检测并区分独立细胞核区域及粘连细胞核区域；
S3、参照图像灰度层级结构信息对所述粘连细胞核区域进行局部结构标记；
S4、根据所述局部结构标记信息对所述粘连细胞核区域进行分离与分组；
S5、统计并分析细胞核区域个数与各细胞核区域类别。
进一步地，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；
通过多阈值最大类间方差算法以及剔除图像冗余层级结构信息的方法构建心肌细胞免疫组化图像灰度层级结构信息；
通过覆盖检测操作对各类细胞核进行初步划分。
进一步地，步骤S2具体包括：
假设在心肌细胞免疫组化图像灰度层级结构信息中存在某一个局部独立连通区域，其内部存在n个层次的层级结构信息，需要获得第n个层次的独立区域块的个数；
如若处于第n个层次的独立区域块的个数大于1，则将此整个局部独立连通区域初步判定为细胞核粘连区域；
如若处于第n个层次的独立区域块的个数等于1，则执行可分离检测方法；
此时，如果此独立区域块可以分离，则将此整个局部独立连通区域初步判定为细胞核粘连区域；
此时，如果此独立区域块不可分离，则需要再通过灰度层级结构信息包含关系进行区分；
如果通过灰度层级结构信息包含关系分析此局部独立连通区域内部的一个属于集合(k～n)的独立区域块内部包含多个属于集合(k+1～n)的独立区域块，其中1≤k＜n，则将这整个局部独立连通区域直接判定为粘连细胞核区域，否则，直接判定为独立细胞核区域。
进一步地，步骤S3具体包括步骤：
参照图像中每一个局部独立连通区域的灰度层级结构信息，对所述粘连细胞核区域进行局部结构标记。由于心肌细胞核区域较小，局部结构标记通常采用像素宽度为1的像素标记。
进一步地，步骤S4具体包括步骤：
根据所述局部结构标记，不断确定所述粘连细胞核区域内部属于集合(k～n)的独立连通区域块的最佳分离位置；
将集合(k～n)中所确定的最佳分离位置的像素数值变更为数值k-1，直至k＝1，即将集合(1～n)中所确定的最佳分离位置的像素变更为背景像素；
将完全分离与分组后得到的二值区域定义为各细胞核的分割区域。
一种心肌细胞核粘连区域分离与分组的系统，包括：
构建模块，用于构建心肌细胞免疫组化图像灰度层级结构信息；
区分模块，用于根据所述图像灰度层级结构信息检测并区分独立细胞核区域及粘连细胞核区域；
标记模块，用于参照图像灰度层级结构信息对所述粘连细胞核区域进行局部结构标记；
分离模块，用于根据所述局部结构标记信息对所述粘连细胞核区域进行分离与分组；
统计模块，用于统计并分析细胞核区域个数与各细胞核区域类别。
进一步地，所述构建模块具体包括：
染色单元，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；
构建单元，用于通过多阈值最大类间方差算法以及剔除图像冗余层级结构信息的方法构建心肌细胞免疫组化图像灰度层级结构信息。
划分单元，通过覆盖检测操作对各类细胞核进行初步划分。
进一步地，所述区分模块具体包括：
第一判断单元，用于假设在心肌细胞免疫组化图像灰度层级结构信息中存在某一个局部独立连通区域，其内部存在n个层次的层级结构信息，需要获得第n个层次的独立区域块的个数；
如若处于第n个层次的独立区域块的个数大于1，则将此整个局部独立连通区域初步判定为细胞核粘连区域；
如若处于第n个层次的独立区域块的个数等于1，则执行可分离检测方法；
第二判断单元，用于如果此独立区域块可以分离，则将此整个局部独立连通区域初步判定为细胞核粘连区域；
此时，如果此独立区域块不可分离，则需要再通过灰度层级结构信息包含关系进行区分；
第三判断单元，用于如果通过灰度层级结构信息包含关系分析此局部独立连通区域内部的一个属于集合(k～n)的独立区域块内部包含多个属于集合(k+1～n)的独立区域块，其中1≤k＜n，则将这整个局部独立连通区域直接判定为粘连细胞核区域，否则，直接判定为独立细胞核区域。
进一步地，所述标记模块具体包括：
用于参照图像中每一个局部独立连通区域的灰度层级结构信息，对所述粘连细胞核区域进行局部结构标记。由于心肌细胞核区域较小，局部结构标记通常采用像素宽度为1的像素标记。
进一步地，所述分离模块具体包括：
确定单元，用于根据所述局部结构标记，不断确定所述粘连细胞核区域内部属于集合(k～n)的独立连通区域块的最佳分离位置；
变更单元，用于将集合(k～n)中所确定的最佳分离位置的像素数值变更为数值k-1，直至k＝1，即将集合(1～n)中所确定的最佳分离位置的像素变更为背景像素；
分割单元，用于将完全分离与分组后得到的二值区域定义为各细胞核的分割区域。
本发明与传统的技术相比，有如下优点：
采用本发明，可以基于局部结构标记信息，有效地分离和分组已检测出的细胞核粘连区域，并且构建出的分割结果能够表征每个单个细胞核的区域范围。
附图说明
图1是本发明实施例提供的一种心肌细胞核粘连区域分离与分组的方法流程图；
图2是本发明实施例提供的一种心肌细胞核粘连区域分离与分组的系统结构图；
图3是本发明实施例提供的三幅心肌细胞免疫组化染色图像；
图4是图3中每幅图像对应的不同染色信息；
图5是本发明实施例提供的关于蓝色染色信息的灰度层级结构信息；
图6是本发明实施例提供的关于Pos_0001的灰度层级结构信息与覆盖检测结果；
图7是本发明实施例提供的初步检测为独立细胞核的区域；
图8是本发明实施例提供的初步检测为粘连细胞核的区域；
图9是本发明实施例提供的又一个A类细胞核粘连区域的分离与分组实例；
图10是本发明实施例提供的另一个A类细胞核粘连区域的分离与分组实例；
图11是本发明实施例提供的又一个A类多细胞核粘连区域的分离与分组实例；
图12是本发明实施例提供的又一个A类细胞核与B类细胞核粘连区域的分离与分组实例；
图13是本发明实施例提供的Neg_0001中A类细胞核区域汇总结果图；
图14是本发明实施例提供的Neg_0002中A类细胞核区域汇总结果图；
图15是本发明实施例提供的关于Pos_0001的汇总结果图。
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心肌细胞核粘连区域分离与分组的方法，如图1所示，包括步骤：
S11：构建心肌细胞免疫组化图像灰度层级结构信息；
S12：基于灰度层级结构信息检测并区分独立细胞核区域及粘连细胞核区域；
S13：参照灰度层级结构信息对粘连细胞核区域进行局部结构标记；
S14：根据局部结构标记信息对粘连细胞核区域进行分离与分组；
S15：统计并分析细胞核区域个数与各细胞核区域类别。
本发明实施例针对心肌细胞免疫组化图像中存在的具有多种不同粘连情况的细胞核粘连区域，提出了一种基于局部结构标记信息的心肌细胞核粘连区域分割方法，可以有效地分离和分组已检测出的细胞核粘连区域，并且构建出的分割结果能够表征每个单个细胞核的区域范围。
具体的，在步骤S11中，主要是构建心肌细胞免疫组化染色图像灰度层级结构信息，可直观地获得图片的结构信息。在步骤S12中，主要基于已获得的灰度层级结构信息，确定待分离区域，即粘连细胞核区域，以及无需再分离区域，即独立细胞核区域。在步骤S13中，需要为每个独立连通的粘连细胞核区域进行手动标记，此标记称为局部结构标记信息。在步骤S14中，基于粘连细胞核区域的灰度层级结构信息分布与人为给定的局部结构标记信息，对标记区域进行合理地分离与分组。在步骤S15中，基于已构建出的能表征各个细胞核的独立连通区域，即分割结果，统计并分析细胞核区域个数与各细胞核区域类别。
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；
通过多阈值最大类间方差算法以及剔除图像冗余层级结构信息的方法构建心肌细胞免疫组化图像灰度层级结构信息；
通过覆盖检测操作对各类细胞核进行初步划分。
具体的，如图3所示，其中展示了三幅心肌细胞免疫组化染色图像。其中，图3中的(a)和图3中的(b)中仅存在蓝色染色信息的细胞核区域，而在图3中的(c)中存在蓝色染色信息和红色染色信息的细胞核区域。在统计时，将仅存在蓝色染色信息的细胞核区域作为A类细胞核区域，将具有红色染色信息的细胞核区域作为B类细胞核区域。
图4中展示了对应于图3中原图的三种不同染色信息，由于Neg_0001和Neg_0002中不存在红色染色信息，所以图4中的(a1)和图4中的(a2)都为全黑色，内部没有任何灰度信息。此时假设x＝{1,2,3}，则图4中的(ax)为红色染色信息，图4中的(bx)为绿色染色信息，而图4中的(cx)为蓝色染色信息。
图5中，展示了针对Neg_0001和Neg_0002关于蓝色染色信息的灰度层级结构信息。
图6中，展示了关于Pos_0001的灰度层级结构信息以及覆盖检测操作结果图。图6中的(a)为其关于蓝色染色信息的灰度层级结构信息，图6中的(b)为其关于红色染色信息的灰度简层级结构信息，图6中的(c)是通过图6中的(a)与图6中的(b)二值图像的覆盖检测结果，能对A类细胞核区域和B类细胞核区域进行初步划分，图6中的(d)是融合了图6中的(a)与图6中的(b)的融合灰度层级结构信息。
本实施例中，步骤S12具体包括：
假设在心肌细胞免疫组化图像灰度层级结构信息中存在某一个局部独立连通区域，其内部存在n个层次的层级结构信息；获得第n个层次的独立区域块的个数；
如若处于第n个层次的独立区域块的个数大于1，则将此整个局部独立连通区域初步判定为细胞核粘连区域；
如若处于第n个层次的独立区域块的个数等于1，则执行可分离检测方法；
此时，如果此独立区域块可以分离，则将此整个局部独立连通区域初步判定为细胞核粘连区域；
此时，如果此独立区域块不可分离，则再通过灰度层级结构信息包含关系进行区分；
如果通过灰度层级结构信息包含关系分析此局部独立连通区域内部的一个属于集合(k～n)的独立连通区域块内部包含多个属于集合(k+1～n)的独立连通区域块，其中1≤k＜n，则将这整个局部独立连通区域直接判定为粘连细胞核区域，否则，直接判定为独立细胞核区域。
其中，可分离检测方法具体包括：
假设处于第n个层级的二值独立区域块为P，那么其对应的CityBlock与Euclidean距离变换结果分别为P'1与P'2。基于CityBlock距离变换操作的结果本身就是整数数值。由于基于Euclidean距离变换操作的结果为实数距离，可以通过向上或者向下取整数的方式获得整数数值距离。取整数是为了方便距离变换后索引。假设此时P'1与P'2中存在m1和m2个距离层次，那么当
Figure GDA0002471885240000091
存在由P'1≥k1和P'2≥k2定义的区域内部都存在大于等于2个局部独立区域块的时候，则称此二值独立区域块P为可分离的，并将与此区域块P相关联的整个外部独立区域块记为粘连细胞核区域块。
图7和图8中分别给出了通过灰度层级结构信息包含关系与可分离检测方法所确定的独立细胞核区域与粘连细胞核区域。通过检测，可得Neg_0001中存在103个独立细胞核区域以及13个粘连细胞核区域区域，Neg_0002中存在117个独立细胞核区域以及24个粘连细胞核区域，Pos_0001中存在157个独立细胞核区域以及30个粘连细胞核区域。从这几幅图中，可以看出每个区域的灰度层级结构信息的分布情况。
本实施例中，步骤S13具体包括步骤：
参照图像中每一个局部独立连通区域的灰度层级结构信息，对所述粘连细胞核区域进行局部结构标记。由于心肌细胞核区域较小，局部结构标记通常采用像素宽度为1的像素标记。
本实施例中，步骤S14具体包括步骤：
根据所述局部结构标记，不断确定所述粘连细胞核区域内部属于集合(k～n)的独立连通区域块的最佳分离位置；
将集合(k～n)中所确定的最佳分离位置的像素数值变更为数值k-1，直至k＝1，即将集合(1～n)中所确定的最佳分离位置的像素变更为背景像素；
将完全分离与分组后得到的二值区域定义为各细胞核的分割区域。
其中，局部结构标记的作用包括：
(1)用于指示处于某层次的多个独立连通区域块是否需要相互连通；
(2)用于指示处于某层次的独立连通区域是否需要被分离；
具体的，手动标记以及分离与分组操作步骤：
(1)参照每个局部独立连通区域的灰度层级结构信息，给出结构信息标记；
(2)不断确定整个局部独立连通区域内部属于集合(k～n)的独立连通区域块的最佳分离位置；
(3)整个局部独立连通区域完全分离后，最终确定的二值区域便可以用于定义各细胞核的分割区域；
(4)如若需要在对已分离出的区域块进行进一步地分离操作，则回到步骤(1)。
如果当前局部独立连通区域不存在结构信息标记或者仅有一个结构信息标记，则此整个区域直接记为独立细胞核区域，并且更新此局部独立连通区域的灰度层级结构信息；此方法也可用于处理并修正误检情况，即初检为粘连的情况可能却是独立的情况。
具体的，相比较于相似度标记信息，局部结构标记信息也是适用于局部区域的标记，但是它指示的是局部层级结构特性。相似度标记信息通常基于像素之间灰度、彩色或者高维特征来进行关联。但是在心肌细胞免疫组化图像中，细胞核粘连情况才是关注的重点问题，而且局部结构信息也不是高维特征可以描述的。鉴于难以判断是否需要融合或分离当前局部区域块，引入局部结构标记，引导算法构建心肌细胞核分割区域。
图9中，给出了又一个A类细胞核粘连区域的分离与分组实例，并给出了具体的区域块分离与分组过程。其中，图9中的(a)为局部原图区域。图9中的(b)为最初灰度层级结构信息。图9中的(c)是局部结构标记信息。图9中的(d)是当前独立区域块的最佳分离位置。图9中的(e)为当前更新后的灰度层级结构信息。图9中的(f)是当前独立区域块的最佳分离位置。图9中的(g)为当前更新后的灰度层级结构信息。图9中的(h)为最终的分离与分组的结果。
图10中，给出了另一个A类细胞核粘连区域的分离与分组实例，并给出了具体的区域块分离与分组过程。其中，图10中的(a)为局部原图区域。图10中的(b)是局部结构标记信息。图10中的(c)是当前整个区域的最佳分离位置。图10中的(d)为最终更新后的灰度层级结构信息。图10中的(e)是最终区域分离与分组结果。
图11中，给出了又一个A类多细胞核粘连区域的分离与分组实例，并给出了具体的区域块分离与分组过程。其中,图11中的(a)是局部原图区域。图11中的(b)是最初灰度层级结构信息。图11中的(c)是局部结构标记信息。图11中的(d)、图11中的(f)、图11中的(g)以及图11中的(h)展示了当前独立区域块的最佳分离位置。以及当前更新后的灰度层级结构信息，如图11中的(e)与图11中的(i)所示。图11中的(j)是最终区域分离与分组结果。
图12中，给出了又一个A类细胞核与B类细胞核粘连区域的分离与分组实例，并给出了具体的区域块分离与分组过程。其中，图12中的(a)为局部原图区域。图12中的(b)是局部结构标记信息。图12中的(c)为最佳分离位置。图12中的(d)是最终分离与分组结果。
以上的丰富实例，印证了针对心肌细胞免疫荧光染色图像的分析算法流程的有效性和鲁棒性，接下去将统计这些已检测、分割和分类好的结果。
图13中给出了关于Neg_0001的A类细胞核区域汇总结果图。图13中的(a)给出了图8中的(a)中13个细胞核粘连区域的区域分割二值结果。图13中的(b)是Neg_0001中其它独立细胞核区域汇总结果。图中每个独立二值区域都能且仅能表征一个细胞核区域。
图14中给出了关于Neg_0002的A类细胞核区域汇总结果图。图14中的(a)给出了图8中的(b)中24个细胞核粘连区域的区域分割二值结果。图14中的(b)是Neg_0002中其它独立细胞核区域汇总结果。图中每个独立二值区域都能且仅能表征一个细胞核区域。
图15中给出了关于Pos_0001的细胞核区域汇总结果。图15中的(a)给出了图8中的(c)中30个细胞核粘连区域的区域分割二值结果。图15中的(b)是Pos_0001中其它独立细胞核区域汇总结果。图中每个独立二值区域都能且仅能表征一个细胞核区域。图15中的(c)是最终修正后的灰度层级结构信息图。图15中的(d)是覆盖检测结果，用于确定A类还是B类细胞核区域。图15中的(e)是Pos_0001中的A类细胞核独立二值区域集合。图15中的(f)是Pos_0001中的B类细胞核独立二值区域集合。
本发明实施例还提供了一种心肌细胞核粘连区域分离与分组的系统，如图2所示，包括：
构建模块21，用于构建心肌细胞免疫组化图像灰度层级结构信息；
区分模块22，用于基于灰度层级结构信息检测并区分独立细胞核区域及粘连细胞核区域；
标记模块23，用于参照灰度层级结构信息对粘连细胞核区域进行局部结构标记；
分离模块24，用于根据局部结构标记信息对粘连细胞核区域进行分离与分组。
统计模块25，用于统计并分析细胞核区域个数与各细胞核区域类别。
本实施例中，构建模块21具体包括：
染色单元，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；
构建单元，用于通过多阈值最大类间方差算法以及剔除图像冗余层级结构信息的方法构建心肌细胞免疫组化图像灰度层级结构信息；
划分单元，用于通过覆盖检测操作对各类细胞核进行初步划分。
具体的，如图3所示，其中展示了三幅心肌细胞免疫组化染色图像。其中，图2中的(a)和图2中的(b)中仅存在蓝色染色信息的细胞核区域，而在图2中的(c)中存在蓝色染色信息和红色染色信息的细胞核区域。在统计时，将仅存在蓝色染色信息的细胞核区域作为A类细胞核，将具有红色染色信息的细胞核区域作为B类细胞核。
图4中展示了对应于图3中原图的三种不同染色信息，由于Neg_0001和Neg_0002中不存在红色染色信息，所以图4中的(a1)和图4中的(a2)都为全黑色，内部没有任何灰度信息。此时假设x＝{1,2,3}，则图4中的(ax)为红色染色信息，图4中的(bx)为绿色染色信息，而图4中的(cx)为蓝色染色信息。
图5中，展示了针对Neg_0001和Neg_0002关于蓝色染色信息的灰度层级结构信息。
图6中，展示了关于Pos_0001的相关灰度层级结构信息以及覆盖检测操作结果图。图6中的(a)为其关于蓝色染色信息的灰度层级结构信息，图6中的(b)为其关于红色染色信息的灰度简层级结构信息，图6中的(c)是通过图6中的(a)与图6中的(b)二值图像的覆盖检测结果，可对A类细胞核区域和B类细胞核区域进行初步划分，图6中的(d)是融合了图6中的(a)与图6中的(b)的融合灰度层级结构信息。
本实施例中，区分模块22具体包括：
第一判断单元，假设在心肌细胞免疫组化图像灰度层级结构信息中存在某一个局部独立连通区域，其内部存在n个层次的层级结构信息；获得第n个层次的独立区域块的个数；
如若处于第n个层次的独立区域块的个数大于1，则将此整个局部独立连通区域初步判定为细胞核粘连区域；
如若处于第n个层次的独立区域块的个数等于1，则执行可分离检测方法；
第二判断单元，如果此独立区域块可以分离，则将此整个局部独立连通区域初步判定为细胞核粘连区域；
此时，如果此独立区域块不可分离，则再通过灰度层级结构信息包含关系进行区分；
第三判断单元，如果通过灰度层级结构信息包含关系分析此局部独立连通区域内部的一个属于集合(k～n)的独立连通区域块内部包含多个属于集合(k+1～n)的独立连通区域块，其中1≤k＜n，则将这整个局部独立连通区域直接判定为粘连细胞核区域，否则，直接判定为独立细胞核区域。
其中，可分离检测方法具体包括：
假设处于第n个层级的二值独立区域块为P，那么其对应的CityBlock与Euclidean距离变换结果分别为P'1与P'2。基于CityBlock距离变换操作的结果本身就是整数数值。由于基于Euclidean距离变换操作的结果为实数距离，可以通过向上或者向下取整数的方式获得整数数值距离。取整数是为了方便距离变换后索引。假设此时P'1与P'2中存在m1和m2个距离层次，那么当
Figure GDA0002471885240000151
存在由P'1≥k1和P'2≥k2定义的区域内部都存在大于等于2个局部独立区域块的时候，则称此二值独立区域块P为可分离的，并将与此区域块P相关联的整个外部独立区域块记为粘连细胞核区域块。
图7和图8中分别给出了通过灰度层级结构信息包含关系与可分离检测方法所确定的独立细胞核区域与粘连细胞核区域。通过检测，可得Neg_0001中存在103个独立细胞核区域以及13个粘连细胞核区域区域，Neg_0002中存在117个独立细胞核区域以及24个粘连细胞核区域，Pos_0001中存在157个独立细胞核区域以及30个粘连细胞核区域。从这几幅图中，可以看出每个区域的灰度层级结构信息的分布情况。
本实施例中，标记模块23具体包括：
用于参照图像中每一个局部独立连通区域的灰度层级结构信息，对所述粘连细胞核区域进行局部结构标记。由于心肌细胞核区域较小，局部结构标记通常采用像素宽度为1的像素标记。
本实施例中，分离模块24具体包括：
确定单元，用于根据所述局部结构标记，不断确定所述粘连细胞核区域内部属于集合(k～n)的独立连通区域块的最佳分离位置；
变更单元，将集合(k～n)中所确定的最佳分离位置的像素数值变更为数值k-1，直至k＝1，即将集合(1～n)中所确定的最佳分离位置的像素变更为背景像素；
分割单元，将完全分离与分组后得到的二值区域定义为各细胞核的分割区域。
其中，局部结构标记的作用包括：
(1)用于指示处于某层次的多个独立连通区域块是否需要相互连通；
(2)用于指示处于某层次的独立连通区域是否需要被分离；
具体的，手动标记以及分离与分组操作步骤：
(1)参照每个局部独立连通区域的灰度层级结构信息，给出结构信息标记；
(2)不断确定整个局部独立连通区域内部属于集合(k～n)的独立连通区域块的最佳分离位置；
(3)整个局部独立连通区域完全分离后，最终确定的二值区域便可以用于定义各细胞核的分割区域；
(4)如若需要在对已分离出的区域块进行进一步地分离操作，则回到步骤(1)。
如果当前局部独立连通区域不存在结构信息标记或者仅有一个结构信息标记，则此整个区域直接记为独立细胞核区域，并且更新此局部独立连通区域的灰度层级结构信息；此方法也可用于处理并修正误检情况，即初检为粘连的情况可能却是独立的情况。
最后，统计模块25将统计并分析细胞核区域个数与各细胞核区域类别。
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 (4)

1.一种心肌细胞核粘连区域分离与分组的方法，其特征在于，包括步骤：
S1、构建心肌细胞免疫组化图像灰度层级结构信息；
S2、根据图像灰度层级结构信息检测并区分独立细胞核区域及粘连细胞核区域；
S3、参照图像灰度层级结构信息对所述粘连细胞核区域进行局部结构标记；
S4、根据所述局部结构标记信息对所述粘连细胞核区域进行分离与分组；
S5、统计并分析细胞核区域个数与各细胞核区域类别；
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；通过多阈值最大类间方差算法以及剔除图像冗余层级结构信息的方法构建心肌细胞免疫组化图像灰度层级结构信息；通过覆盖检测操作对各类细胞核进行初步划分；
步骤S2具体包括步骤：假设在心肌细胞免疫组化图像灰度层级结构信息中存在某一个局部独立连通区域，其内部存在n个层次的层级结构信息，需要获得第n个层次的独立区域块的个数；如若处于第n个层次的独立区域块的个数大于1，则将此整个局部独立连通区域初步判定为细胞核粘连区域；如若处于第n个层次的独立区域块的个数等于1，则执行可分离检测方法；此时，如果此独立区域块可以分离，则将此整个局部独立连通区域初步判定为细胞核粘连区域；此时，如果此独立区域块不可分离，则需要再通过灰度层级结构信息包含关系进行区分；如果通过灰度层级结构信息包含关系分析此局部独立连通区域内部的一个属于集合(k～n)的独立区域块内部包含多个属于集合(k+1～n)的独立区域块，其中1≤k＜n，则将这整个局部独立连通区域直接判定为粘连细胞核区域，否则，直接判定为独立细胞核区域；
步骤S4具体包括步骤：根据所述局部结构标记，不断确定所述粘连细胞核区域内部属于集合(k～n)的独立连通区域块的最佳分离位置；将集合(k～n)中所确定的最佳分离位置的像素数值变更为数值k-1，直至k＝1，即将集合(1～n)中所确定的最佳分离位置的像素变更为背景像素；将完全分离与分组后得到的二值区域定义为各细胞核的分割区域。
2.根据权利要求1所述的一种心肌细胞核粘连区域分离与分组的方法，其特征在于，步骤S3具体包括：
参照图像中每一个局部独立连通区域的灰度层级结构信息，对所述粘连细胞核区域进行局部结构标记；由于心肌细胞核区域较小，局部结构标记通常采用像素宽度为1的像素标记。
3.一种心肌细胞核粘连区域分离与分组的系统，其特征在于，包括：
构建模块，用于构建心肌细胞免疫组化图像灰度层级结构信息；
区分模块，用于根据图像灰度层级结构信息检测并区分独立细胞核区域及粘连细胞核区域；
标记模块，用于参照图像灰度层级结构信息对所述粘连细胞核区域进行局部结构标记；
分离模块，用于根据局部结构标记信息对所述粘连细胞核区域进行分离与分组；
统计模块，用于统计并分析细胞核区域个数与各细胞核区域类别；
所述构建模块具体包括：染色单元，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；构建单元，用于通过多阈值最大类间方差算法以及剔除图像冗余层级结构信息的方法构建心肌细胞免疫组化图像灰度层级结构信息；划分单元，用于通过覆盖检测操作对各类细胞核进行初步划分；
所述区分模块具体包括：第一判断单元，用于假设在心肌细胞免疫组化图像灰度层级结构信息中存在某一个局部独立连通区域，其内部存在n个层次的层级结构信息，需要获得第n个层次的独立区域块的个数；如若处于第n个层次的独立区域块的个数大于1，则将此整个局部独立连通区域初步判定为细胞核粘连区域；如若处于第n个层次的独立区域块的个数等于1，则执行可分离检测方法；第二判断单元，用于如果此独立区域块可以分离，则将此整个局部独立连通区域初步判定为细胞核粘连区域；此时，如果此独立区域块不可分离，则需要再通过灰度层级结构信息包含关系进行区分；第三判断单元，用于如果通过灰度层级结构信息包含关系分析此局部独立连通区域内部的一个属于集合(k～n)的独立区域块内部包含多个属于集合(k+1～n)的独立区域块，其中1≤k＜n，则将这整个局部独立连通区域直接判定为粘连细胞核区域，否则，直接判定为独立细胞核区域；
所述分离模块具体包括：确定单元，用于根据所述局部结构标记，不断确定所述粘连细胞核区域内部属于集合(k～n)的独立连通区域块的最佳分离位置；变更单元，用于将集合(k～n)中所确定的最佳分离位置的像素数值变更为数值k-1，直至k＝1，即将集合(1～n)中所确定的最佳分离位置的像素变更为背景像素；分割单元，用于将完全分离与分组后得到的二值区域定义为各细胞核的分割区域。
4.根据权利要求3所述的一种心肌细胞核粘连区域分离与分组的系统，其特征在于，所述标记模块具体包括：
用于参照图像中每一个局部独立连通区域的灰度层级结构信息，对所述粘连细胞核区域进行局部结构标记；由于心肌细胞核区域较小，局部结构标记通常采用像素宽度为1的像素标记。
CN201710843662.9A 2017-09-19 2017-09-19 一种心肌细胞核粘连区域分离与分组的方法及系统 Active CN107845085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710843662.9A CN107845085B (zh) 2017-09-19 2017-09-19 一种心肌细胞核粘连区域分离与分组的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710843662.9A CN107845085B (zh) 2017-09-19 2017-09-19 一种心肌细胞核粘连区域分离与分组的方法及系统

Publications (2)

Publication Number Publication Date
CN107845085A CN107845085A (zh) 2018-03-27
CN107845085B true CN107845085B (zh) 2020-08-18

Family

ID=61683294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710843662.9A Active CN107845085B (zh) 2017-09-19 2017-09-19 一种心肌细胞核粘连区域分离与分组的方法及系统

Country Status (1)

Country Link
CN (1) CN107845085B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022131450A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131444A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren zum Identifizieren von Analyten in einer Bildfolge
DE102022131447A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131451A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Bestimmen einer Signal-Zusammensetzung von Signalfolgen einer Bildfolge
DE102022131448A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131449A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131445A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131446A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Hierarchical Mergence Approach to Cell Detection in Phase Contrast Microscopy Images;Lei Chen;《Computational and Mathematical Methods in Medicine》;20141231(第2014期);全文 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022131450A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131444A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren zum Identifizieren von Analyten in einer Bildfolge
DE102022131447A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131451A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Bestimmen einer Signal-Zusammensetzung von Signalfolgen einer Bildfolge
DE102022131448A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131449A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131445A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten
DE102022131446A1 (de) 2022-11-28 2024-05-29 Carl Zeiss Microscopy Gmbh Verfahren und Vorrichtung zum Aufbereiten von Daten zum Identifizieren von Analyten

Also Published As

Publication number Publication date
CN107845085A (zh) 2018-03-27

Similar Documents

Publication Publication Date Title
CN107845085B (zh) 一种心肌细胞核粘连区域分离与分组的方法及系统
CN106157319B (zh) 基于卷积神经网络的区域和像素级融合的显著性检测方法
Gamarra et al. Split and merge watershed: A two-step method for cell segmentation in fluorescence microscopy images
CN104217225B (zh) 一种视觉目标检测与标注方法
CN105354599B (zh) 一种基于改进的slic超像素分割算法的颜色识别方法
CN106897681B (zh) 一种遥感图像对比分析方法及系统
CN109522900B (zh) 自然场景文字识别方法及装置
CN106875394B (zh) 相差显微镜细胞主要信息粘连情况的分离与分组方法
CN109145964B (zh) 一种实现图像颜色聚类的方法和系统
CN104766324B (zh) 基于超像素和异常检测的彩色血细胞图像白细胞分割方法
CN108090928B (zh) 一种检测与筛选类圆形细胞区域的方法及系统
Hafiane et al. Fuzzy clustering and active contours for histopathology image segmentation and nuclei detection
CN109460735A (zh) 基于图半监督学习的文档二值化处理方法、系统、装置
EP3624053A1 (en) Image analysis device
CN107146233B (zh) 基于岩石薄片偏光序列图的颗粒分割方法
CN114419323A (zh) 基于跨模态学习与领域自适应rgbd图像语义分割方法
CN113673541A (zh) 一种用于目标检测的图像样本生成方法及应用
CN114241226A (zh) 一种基于混合模型多邻域特征的三维点云语义分割方法
CN109272522B (zh) 一种基于局部特征的图像细化分割方法
CN112381730B (zh) 一种遥感影像数据扩增方法
CN111489369B (zh) 幽门螺杆菌的定位方法、装置和电子设备
Chang et al. Batch-invariant nuclear segmentation in whole mount histology sections
Jiang et al. Feature extraction and grain segmentation of sandstone images based on convolutional neural networks
CN109427068A (zh) 基于超像素自动标注的深度学习共分割方法
CN107977978B (zh) 一种基于椭圆轴关系确定细胞粘连方式的方法及系统

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