CN108074245A - 一种微观细胞图像分割与检测的方法和装置 - Google Patents
一种微观细胞图像分割与检测的方法和装置 Download PDFInfo
- Publication number
- CN108074245A CN108074245A CN201810009219.6A CN201810009219A CN108074245A CN 108074245 A CN108074245 A CN 108074245A CN 201810009219 A CN201810009219 A CN 201810009219A CN 108074245 A CN108074245 A CN 108074245A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- micro
- layer structure
- segmentation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000003709 image segmentation Methods 0.000 title claims description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000010008 shearing Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000004040 coloring Methods 0.000 description 4
- 230000006854 communication Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001902 propagating effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000635 electron micrograph Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种微观细胞图像分割与检测的方法和装置,能够在细胞分布密集的区域仍然取得较高的检测效果,还能够避免因为细胞的大小的变化而带来的误检测与漏检测的问题。该方法包括:对微观细胞图像进行数据增强与预处理,生成图像块;构建第一层结构与第二层结构;通过所述第一层结构,根据所述图像块,得到细胞的结构特征与所述图像块的上下文信息;根据所述细胞的结构特征与所述上下文信息,通过所述第二层结构将微观细胞从背景中分割出来,得到分割结果,将每个分割结果的中心点作为检测结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种微观细胞图像分割与检测的方法和装置。
背景技术
图像分割是按照一定的规则把图像划分成若干个互不相交、具有一定性质的区域,把人们关注的部分从图像中提取出来,进一步加以研究分析和处理。传统的图像分割算法分为如下几类:基于边缘的图像分割方法、阈值分割方法、区域分割方法、遗传算法分割方法。在基于机器学习的分割方法中,现有技术有基于支持向量机、随机森林、马可洛夫随机场以及条件随机场的算法。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:传统的分割方法中,由于目标边缘模糊,图像噪声大以及目标重叠遮挡,所以易出现漏分割或者过分割的情况。Markov随机场(MRF)和条件随机场(CRF)已被广泛用于建模结构化标签的相关性。然而,由于训练和测试(推理)阶段的计算负担很重,MRF和CRF通常仅限于捕获几个邻域交互,从而限制了其建模能力。结构支持向量机(SVM)以与CRF相似的方式建模,但特别试图使预测余量最大化。然而,上下文的范围会给其带来大量的计算负担。
发明内容
有鉴于此,本发明实施例提供一种微观细胞图像分割与检测的方法和装置,能够解决因为细胞的大小的变化与细胞间的重叠带来的误检测与漏检测的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种微观细胞图像分割与检测的方法。
本发明实施例一种微观细胞图像分割与检测的方法包括:对显微镜下经过着色的细胞进行预处理,生成图像块;将生成的图像块输入算法模型的第一层结构。第一层结构由条件随机场算法构建而来。这使得模型可以充分采集细胞的结构特征与图片的上下文信息,即像素点邻域内的其他像素点的分布情况;第二层结构由随机跳跃扩散算法构建而来,将第一层采集的特征进行知识抽象与传播,将细胞从背景中精确的分割出来,相互重叠的细胞也能得到较好的检测结果。
可选地,数据增强和预处理包括:为提高训练效果,采取的一系列数据增强方法,包括旋转、缩放、平移、裁切、剪切、镜像、弹性变形其中至少一项。
可选地,网络的第一层通过条件随机场算法构建而来。条件随机场是一种判别式概率模型,是随机场的一种,用于标注或分析序列资料。条件随机场为具有无向的图模型,图中的顶点代表随机变量,顶点间的连线代表随机变量间的相依关系,在条件随机场中,随机变量Y的分布为条件机率,给定的观察值则为随机变量X。条件随机场的图模型布局是可以任意给定的,一般常用的布局是链结式的架构,不论在训练、推论、或是解码上,都存在效率较高的算法可供演算。
可选地,网络的第二层通过随机跳跃扩散算法构建而来。跳跃过程是一种拥有离散变化的随机过程,扩散过程是随机抽样算法的一种形式。该方法将电子显微图像科学的模拟为包含多个形状的科学,每个形状具有一些固定的尺寸表示,显微图像集合填充对应于多个有限维空间的联合的样本空间。跳跃扩散过程具有遍历性质,以便在最初离开其初始条件后,从后验概率模型生成样本。
可选地,算法的第一层可以充分的提取细胞的尺度不变特征、哈尔特征、方向梯度直方图或LUV色彩空间的结构特征,图片的上下文信息,即像素点邻域内的其他像素点的分布情况,可由上述特征组合而成。第一层网络将提取出的特征与图片的上下文信息作为输出的结果,得到的结果与原图融合之后整体作为第二层的输入。
可选的,网络的第二层以第一层的输出作为输入,使用了随机跳跃扩散的算法对输出的结果进行优化,将微观细胞从背景中分割出来,得到分割结果,同时将每个分割出的细胞的中心点作为检测的结果。
为实现上述目的,根据本发明实施例的一个方面,提供了一种微观细胞图像分割与检测的装置。
本发明实施例一种微观细胞图像分割与检测的装置包括:图像预处理模块,用于对显微镜下经过着色的细胞进行数据增强与预处理,生成图像块;网络构建模块,用于构建算法框架的第一层结构与第二层结构;特征提取模块,用于将生成的图像块输入算法模型的第一层结构,使得模型可以充分采集细胞的结构特征与图片的上下文信息;推理与优化模块,用于根据所述细胞的结构特征与所述上下文信息,通过所述第二层结构将微观细胞从背景中分割出来,得到分割结果,将每个分割结果的中心点作为检测结果。
可选地,图像预处理模块将1020×1390的大图像中随机剪裁200幅102×139的小图像,将图块进行数据增强,包括以下至少一种:旋转、缩放、平移、裁切、剪切、镜像、弹性变形,以便于细胞分割,提高分割的速度。
可选的,特征提取模块,将生成的图像块输入算法模型的第一层结构,第一层结构中采用了条件随机场算法,充分采集细胞的结构特征(S I FT,HAAR,HOG,LUV)与图片的上下文信息。得到的结果与原图融合之后整体作为第二层的输入。
可选的,推理与优化模块,第二层结构采用了两种可选的算法,置信传播或者跳跃扩散的算法,将第一层采集的特征进行知识抽象与传播,将细胞从背景中精确的分割出来。
为实现上述目的,根据本发明实施例的再一方面,提供了一种实现显微镜细胞检测的电子设备。
本发明实施例的一种电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的微观细胞图像分割与检测的方法。
为实现上述目的,根据本发明实施例的又一方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时用于实现使所述计算机执行本发明实施例的微观细胞图像分割与检测的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为将图像切分成了图像块,而并非输入整张图像,所以解决了计算量过大的问题;因为采用基于上下文的特征提取的技术手段,所以克服了细胞密集区域分割精度不高,细胞重叠区域的细胞无法分割的技术问题,进而达到提高细胞检测与分割精度,降低分割重叠率的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的微观细胞图像分割与检测的方法的主要步骤的示意图;
图2是根据本发明实施例的微观细胞图像分割与检测的方法的流程示意图;
图3是根据本发明实施例的微观细胞图像分割与检测的装置的主要模块的示意图;
图4是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本发明实施例的技术方案首先输入一系列的医学图像,图像预处理模块将图像随机剪切为固定大小的图像块,然后将图像输入到第一层网络结构中,通过条件随机场算法来提取图像的特征,之后将提取出来的特征送入到第二层网络中,通过置信传播或者跳跃扩散的算法对提取出的特征进行知识抽象与传播,将每个分割结果的中心点作为检测结果。
图1是根据本发明实施例的微观细胞图像分割与检测的方法的主要步骤的示意图;
如图1所示,本发明实施例的微观细胞图像分割与检测的方法主要包括如下步骤:
步骤S11:对微观细胞图像进行数据增强与预处理,生成图像块。本步骤中,为了增强训练效果与减少分割时间,可以对图像数据进行数据扩增与切分成图像块,即从1020×1390的大图像中随机剪裁200幅102×139的图块,还可以对图块进行数据增强,其方式可以包括以下至少一种:旋转、缩放、平移、裁切、剪切、镜像、弹性变形。
步骤S12:构建第一层结构与第二层结构。本步骤中,可以分别使用条件随机场算法与随机跳跃扩散算法构建网络的第一层与第二层结构。
步骤S13:通过所述第一层结构,根据所述图像块,得到细胞的结构特征与所述图像块的上下文信息。本步骤中,可以将第一步生成的图像块输入到第一层网络模型中,对输入的图像进行条件随机场算法,提取其S I FT(尺度不变特征变换),HAAR(哈尔特征),HOG(方向梯度直方图),LUV(LUV色彩空间)特征,以及图片的上下文信息。
步骤S14:根据所述细胞的结构特征与所述上下文信息,通过所述第二层结构将微观细胞从背景中分割出来,得到分割结果,将每个分割结果的中心点作为检测结果。本步骤中,可以将第一层生成的结果传入到第二层中,使用置信传播或随机跳跃扩散算法,对上一层提取的特征进行知识的抽象与传播,得到精细的检测结果。
图2是根据本发明实施例的微观细胞图像分割与检测的方法的流程示意图;
具体微观细胞图像分割与检测的实现方案具体如下:
首先对图像进行预处理,将1020×1390的大图像中随机剪裁200幅102×139的小图像。其中100幅图像作为训练集,另外100幅作为测试集,之后在如下几个方向进行图像增强:旋转:以15度为间隔对每张训练图像与对应标签进行旋转,图像旋转产生的空隙由图像的均值进行填充,标签旋转产生的空隙由8位整型的最大值255进行填充。缩放:分别对每张训练图像缩小0.8倍和0.9倍,放大1.1倍和1.2倍。镜像:对训练图形进行左右翻转。尽管上下翻转也是有效的变换,但由于上下翻转相当于左右翻转后再旋转180度,故只进行左右翻转。
接下来构建第一层网络。第一层网络中,本发明实施例致力于训练一个判别函数,以尽量的缩小训练误差:
其中1(·)为指示函数,Fi(x)为标签yi的预测,具体的考虑到图像有丰富的纹理信息,基于上下文的算法会学得一个递归的函数:
其中p(t-1)为分类图。自动上下文算法隐含地融合了大量的结构信息,但结果是不令人满意的,因为细胞中心检测的问题不仅是分割任务,而且自动对象几乎只使用隐式信息。
随后是构建第二层网络的步骤。在第二层中,我们使用作为增强信息并应用显式模型以使(1)式中的误差函数最小化:
其中y*亦可表达为:
其中Z(x,p)为标准化函数:
且:
其中θ={θ1,θ2}为模型的参数,且和为两个状态函数,和为两个传递函数。以及分别为其对应的状态函数和传递函数的参数。
之后进行模型训练和参数估计:
第一层的训练过程使用了与自动上下文类似的构造标签,目的是最小化等式(1),因此得到如下递归构造的训练集:
S(t)={(yi,(x,p(t-1))),i=1,...,m} (8)
其中p(t-1)是自动上下文算法的每一轮的分类图,通过将误差最小化为方程(1)。上述公式(8)的参数是中的系数。例如,如果采用SVM(支持向量机),则参数是SVM权重;否则,它们是弱分类器中提升的权重和阈值和随机森林的分裂节点。我们从训练过程中得到的分类器被用来计算每个训练图像x的p(t-1),产生一系列的分类概率作为输出。由于图像的分割问题可以看作是像素级别的分类问题,即某个像素点属于或者不属于要分割出来的细胞的像素。对于图像的每一个像素都会对应有一个概率,所以输出的结果也可以被称为是概率图。
在第二层,参数值是从符合公式(1)的正则化对数似然特征中获得的:
其中是高斯先验的方差,n是细胞图像的数量。θ={θ1,θ2}可由偏导数推导出来:
之后将数据放入构建好的模型,即得到细胞的分割图像,并将每个分割出的细胞的中心点作为检测结果。
根据本发明实施例的微观细胞图像分割与检测的方法可以看出,因为采用基于上下文的特征提取的技术手段,所以克服了细胞密集区域分割精度不高,细胞重叠区域的细胞无法分割的技术问题,进而达到提高细胞检测与分割精度,降低分割重叠率的技术效果。
图3是根据本发明实施例的微观细胞图像分割与检测的装置的主要模块的示意图;
如图3所示,本发明实施例的微观细胞图像分割与检测的装置300主要包括:图像预处理模块301、网络构建模块302、特征提取模块303、推理与优化模块304。其中:
图像预处理模块301,对显微镜下经过着色的细胞进行数据增强与预处理,生成图像块;网络构建模块302,使用条件随机场以及随机跳跃扩散算法构建第一层与第二层网络;特征提取模块303,将生成的图像块输入算法模型的第一层结构,使得模型可以充分采集细胞的结构特征与图片的上下文信息;推理与优化模块304,第二层结构将第一层采集的特征进行知识抽象与传播,将细胞从背景中精确的分割出来。
图像预处理模块301可用于将显微镜细胞图像生成图像块,便于后续的检测以及分割;网络构建模块302可用于构建处理数据的网络结构;特征提取模块303可用于提取图像的上下文以及特征;推理与优化模块304可用于对特征的知识抽象与传播。
从以上描述可以看出,因为采用基于上下文的特征提取的技术手段,所以克服了细胞密集区域分割精度不高,细胞重叠区域的细胞无法分割的技术问题,进而达到提高细胞检测与分割精度,降低分割重叠率的技术效果。
根据本发明的实施例,本发明还提供了一种电子设备和一种可读介质。
本发明的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的微观细胞图像分割与检测的方法。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时用于实现使所述计算机执行本发明实施例的微观细胞图像分割与检测的方法。
图4是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
如图4所示,其示出了适于用来实现本申请实施例的终端设备的计算机系统400的结构示意图。图4示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括图像预处理模块、网络构建模块、特征提取模块、推理与优化模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,特征提取模块还可以被描述为“医学图像中自动提取特征模块”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:对显微镜下经过着色的细胞进行数据增强与预处理,生成图像块,将其输入算法模型的第一层结构,使得模型可以使用条件随机场算法充分采集细胞的结构特征与图片的上下文信息,第二层结构将第一层采集的特征进行知识抽象与传播,将细胞从背景中精确的分割出来,使相互重叠的细胞也能得到较好的检测结果。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
根据本发明实施例的技术方案,因为采用基于上下文的特征提取的技术手段,所以克服了细胞密集区域分割精度不高,细胞重叠区域的细胞无法分割的技术问题,进而达到提高细胞检测与分割精度,降低分割重叠率的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种微观细胞图像分割与检测的方法,其特征在于,包括:
对微观细胞图像进行数据增强与预处理,生成图像块;
构建第一层结构与第二层结构;
通过所述第一层结构,根据所述图像块,得到细胞的结构特征与所述图像块的上下文信息;
根据所述细胞的结构特征与所述上下文信息,通过所述第二层结构将微观细胞从背景中分割出来,得到分割结果,将每个分割结果的中心点作为检测结果。
2.根据权利要求1所述的方法,其特征在于,所述数据增强和预处理包括以下至少一种:旋转、缩放、平移、裁切、剪切、镜像、弹性变形。
3.根据权利要求1所述的方法,其特征在于,通过条件随机场算法构建所述第一层结构。
4.根据权利要求3所述的方法,其特征在于,所述条件随机场算法所提取的特征包括以下一种:尺度不变特征变换、哈尔特征、方向梯度直方图或LUV色彩空间。
5.根据权利要求1所述的方法,其特征在于,所述第二层结构使用随机跳跃扩散算法对所述细胞的结构特征与所述上下文信息进行优化,以将所述微观细胞从背景中分割出来。
6.一种微观细胞图像分割与检测的装置,其特征在于,包括:
图像预处理模块,用于对微观细胞图像进行数据增强与预处理,生成图像块。
网络构建模块,用于构建第一层结构与第二层结构;
特征提取模块,用于通过所述第一层结构,根据所述图像块,得到细胞的结构特征与所述图像块的上下文信息;
推理与优化模块,用于根据所述细胞的结构特征与所述上下文信息,通过所述第二层结构将微观细胞从背景中分割出来,得到分割结果,将每个分割结果的中心点作为检测结果。
7.根据权利要求6所述的装置,其特征在于,所述图像预处理模块中的数据增强和预处理包括以下至少一种:旋转、缩放、平移、裁切、剪切、镜像、弹性变形。
8.根据权利要求6所述的装置,其特征在于,所述特征提取模块还用于:通过条件随机场算法构建所述第一层结构。
9.根据权利要求8所述的装置,其特征在于,所述条件随机场算法所提取的特征包括以下一种:尺度不变特征变换、哈尔特征、方向梯度直方图或LUV色彩空间。
10.根据权利要求6所述的装置,其特征在于,所述推理与优化模块还用于:
基于随机跳跃扩散算法对所述细胞的结构特征与所述上下文信息进行优化,以将所述微观细胞从背景中分割出来。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009219.6A CN108074245B (zh) | 2018-01-03 | 2018-01-03 | 一种微观细胞图像分割与检测的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009219.6A CN108074245B (zh) | 2018-01-03 | 2018-01-03 | 一种微观细胞图像分割与检测的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108074245A true CN108074245A (zh) | 2018-05-25 |
CN108074245B CN108074245B (zh) | 2022-03-25 |
Family
ID=62156409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810009219.6A Active CN108074245B (zh) | 2018-01-03 | 2018-01-03 | 一种微观细胞图像分割与检测的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108074245B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077597A (zh) * | 2014-06-25 | 2014-10-01 | 小米科技有限责任公司 | 图像分类方法及装置 |
CN104346617A (zh) * | 2014-04-18 | 2015-02-11 | 南京信息工程大学 | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 |
US20160239953A1 (en) * | 2015-02-17 | 2016-08-18 | MatrixSpec Solutions Inc. | Systems, devices, and methods for detecting fertility and gender of unhatched eggs |
CN106340016A (zh) * | 2016-08-31 | 2017-01-18 | 湖南品信生物工程有限公司 | 一种基于细胞显微镜图像的dna定量分析方法 |
CN106875403A (zh) * | 2017-01-12 | 2017-06-20 | 北京航空航天大学 | 一种用于空中加油的仿鹰眼视觉运动目标检测方法 |
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
CN107506725A (zh) * | 2017-08-22 | 2017-12-22 | 杭州远鉴信息科技有限公司 | 基于神经网络的高压隔离开关定位与状态图像识别算法 |
-
2018
- 2018-01-03 CN CN201810009219.6A patent/CN108074245B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346617A (zh) * | 2014-04-18 | 2015-02-11 | 南京信息工程大学 | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 |
CN104077597A (zh) * | 2014-06-25 | 2014-10-01 | 小米科技有限责任公司 | 图像分类方法及装置 |
US20160239953A1 (en) * | 2015-02-17 | 2016-08-18 | MatrixSpec Solutions Inc. | Systems, devices, and methods for detecting fertility and gender of unhatched eggs |
CN106340016A (zh) * | 2016-08-31 | 2017-01-18 | 湖南品信生物工程有限公司 | 一种基于细胞显微镜图像的dna定量分析方法 |
CN106875403A (zh) * | 2017-01-12 | 2017-06-20 | 北京航空航天大学 | 一种用于空中加油的仿鹰眼视觉运动目标检测方法 |
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
CN107506725A (zh) * | 2017-08-22 | 2017-12-22 | 杭州远鉴信息科技有限公司 | 基于神经网络的高压隔离开关定位与状态图像识别算法 |
Also Published As
Publication number | Publication date |
---|---|
CN108074245B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109152A (zh) | 医学图像分类和分割方法和装置 | |
CN106570505B (zh) | 对组织病理图像进行分析的方法和系统 | |
CN108229341A (zh) | 分类方法和装置、电子设备、计算机存储介质、程序 | |
CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
Qaiser et al. | Tumor segmentation in whole slide images using persistent homology and deep convolutional features | |
CN112215244A (zh) | 货物图像检测方法、装置、设备及存储介质 | |
Li et al. | Gated auxiliary edge detection task for road extraction with weight-balanced loss | |
CN109993749A (zh) | 提取目标图像的方法和装置 | |
Liu et al. | A mask R-CNN model with improved region proposal network for medical ultrasound image | |
Shen et al. | Fusing attention mechanism with Mask R-CNN for instance segmentation of grape cluster in the field | |
CN116486296A (zh) | 目标检测方法、装置及计算机可读存储介质 | |
Hajikarimi et al. | Optimum outlier detection in internet of things industries using autoencoder | |
Chen et al. | Application of clustering algorithm in complex landscape farmland synthetic aperture radar image segmentation | |
Bonechi | Isic_Wsm: Generating weak segmentation maps for the ISIC archive | |
Huang et al. | Automatic segmentation of cotton roots in high-resolution minirhizotron images based on improved OCRNet | |
Balmik et al. | A robust object recognition using modified YOLOv5 neural network | |
CN110807159B (zh) | 数据标记方法、装置、存储介质及电子设备 | |
Ruiz‐Munoz et al. | Super resolution for root imaging | |
Yan et al. | LocMix: local saliency-based data augmentation for image classification | |
Gong et al. | A superpixel segmentation algorithm based on differential evolution | |
CN108074245A (zh) | 一种微观细胞图像分割与检测的方法和装置 | |
Chavan et al. | Synthetic image generation for visual particle size distribution estimation based on U-NET convolutional networks | |
CN114742742A (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
Xiao et al. | Complex image classification by feature inference | |
CN115471714A (zh) | 数据处理方法、装置、计算设备和计算机可读存储介质 |
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 |