CN108074268A - 细胞学图像处理装置及细胞学影像特征量化方法 - Google Patents

细胞学图像处理装置及细胞学影像特征量化方法 Download PDF

Info

Publication number
CN108074268A
CN108074268A CN201711063044.9A CN201711063044A CN108074268A CN 108074268 A CN108074268 A CN 108074268A CN 201711063044 A CN201711063044 A CN 201711063044A CN 108074268 A CN108074268 A CN 108074268A
Authority
CN
China
Prior art keywords
pixel
line segment
edge
matrix
viewed
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
Application number
CN201711063044.9A
Other languages
English (en)
Inventor
陈正刚
萧逸娴
张天钧
詹秀
詹一秀
施翔蓉
王宣贸
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.)
Amcad Biomed Corp
Original Assignee
Amcad Biomed Corp
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 Amcad Biomed Corp filed Critical Amcad Biomed Corp
Publication of CN108074268A publication Critical patent/CN108074268A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/06—Means for illuminating specimens
    • 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
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T7/12—Edge-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
    • G02B21/365—Control or image processing arrangements for digital or video microscopes
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

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)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Optics & Photonics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Studio Devices (AREA)

Abstract

细胞学图像处理装置及细胞学影像特征量化方法。细胞学图像处理装置执行细胞学影像特征量化方法，其包含步骤：读取包含复数个像素的一细胞学影像；根据各像素在一色彩空间中的复数个色彩属性至少其中之一，去除该细胞学影像的一背景部分，以产生一去背影像；划分该去背影像为一细胞核部分及一细胞质部分；侦测该去背影像的复数边缘像素，以圈选该去背影像中的复数个细胞核区块；根据该等细胞核区块，产生一参数集；以及可视化该去背影像，以产生一输出影像。

Description

细胞学图像处理装置及细胞学影像特征量化方法
技术领域
本发明是关于一种细胞学图像处理装置及细胞学影像特征量化方法。具体而言，本发明的细胞学图像处理装置执行细胞学影像特征量化方法，以获得细胞学影像中的细胞核区块，根据细胞核区块，输出一参数集以及一可视化影像。
背景技术
随着科技的快速发展，将数据数字化及影像数字化的技术已逐步地成熟。因此，各行各业也相当依赖电子产品(例如：计算机、平板计算机、智能型手机)来储存数据及呈现影像。
熟知的临床细胞学检查方式是经由光学显微镜撷取患者的细胞染色玻片以产生细胞学影像。随后，医生可根据患者细胞学影像上细胞核及细胞质的分布情形，判断其相关可能的病变。然而，在仅单就细胞学影像，而无对细胞学影像进行进阶的处理而获得相关量化参数或分析影像的情况下，不同医师对于相同的细胞学影像将可能作出相当不同的诊断结果，而使得这样过于主观的诊断结果影响到对患者病情判断的准确性。
有鉴于此，如何对细胞学影像进行进阶的处理而获得相关量化参数或分析影像，以提供医生关于细胞学影像的进阶信息来辅助其作出诊断，降低不同医师对于相同的细胞学影像作出的诊断结果间的分歧，进而提高对患者病情判断的准确性，乃是业界亟待解决的问题。
发明内容
本发明的目的在于提供细胞学影像的相关量化参数及分析影像。本发明可将细胞学影像划分为细胞核部分及细胞质部分，并圈选出细胞核区块，藉以产生细胞学影像的相关量化参数，并提供可视化影像。如此一来，相较于习知技术，本发明可提供医生关于细胞学影像的进阶信息来辅助其作出诊断，降低不同医师对于相同的细胞学影像作出的诊断结果间的分歧，进而提高对患者病情判断的准确性。
为达上述目的，本发明揭露一种用于一细胞学图像处理装置的细胞学影像特征量化方法。该细胞学影像特征量化方法包含下列步骤：(a)读取一细胞学影像，该细胞学影像包含复数个像素；(b)根据各该像素在一色彩空间中的复数个色彩属性至少其中之一，去除该细胞学影像的一背景部分，以产生一去背影像；(c)划分该去背影像为一细胞核部分及一细胞质部分；(d)根据该细胞核部分及该细胞质部分，产生一核质颜色比。
此外，本发明更揭露一种用于一细胞学图像处理装置的细胞学影像特征量化方法。该细胞学影像特征量化方法包含下列步骤：(a)读取一细胞学影像，该细胞学影像包含复数个像素；(b)根据各该像素在一色彩空间中的复数个色彩属性至少其中之一，去除该细胞学影像的一背景部分，以产生一去背影像；(c)划分该去背影像为一细胞核部分及一细胞质部分；(d)侦测该去背影像的复数边缘像素，以圈选该去背影像中的复数个细胞核区块；(e)产生一参数集，该参数集包含下列至少其中之一：一细胞核排列方向变异度、一核内细胞质封入体指数及一细胞核重叠和紧贴指数，其中该细胞核排列方向变异度是根据该等细胞核区块而产生，该核内细胞质封入体指数是根据该细胞核部分而产生，该细胞核重叠和紧贴指数是根据该等细胞核区块及该细胞核部分而产生；(f)可视化该去背影像，以产生一输出影像。
此外，本发明更揭露一种细胞学图像处理装置，其包含一储存器及一处理器。该处理器电性连接至该储存器。该处理器执行下列步骤：(a)自该储存器，读取一细胞学影像，该细胞学影像包含复数个像素；(b)根据各该像素在一色彩空间中的复数个色彩属性至少其中之一，去除该细胞学影像的一背景部分，以产生一去背影像；(c)划分该去背影像为一细胞核部分及一细胞质部分；(d)侦测该去背影像的复数边缘像素，以圈选该去背影像中的复数个细胞核区块；(e)产生一参数集，该参数集包含下列至少其中之一：一细胞核排列方向变异度、一核内细胞质封入体指数、一核质颜色比及一细胞核重叠和紧贴指数，其中该核质颜色比是根据该细胞核部分及该细胞质部分而产生，该细胞核排列方向变异度是根据该等细胞核区块而产生，该核内细胞质封入体指数是根据该细胞核部分而产生，该细胞核重叠和紧贴指数是根据该等细胞核区块及该细胞核部分而产生；(f)可视化该去背影像，以产生一输出影像。
色彩属性在参阅附图及随后描述的实施方式后，此所属领域的技术人员便可了解本发明的其他目的，以及本发明的技术手段及实施态样。
附图说明
图1描绘本发明第一实施例的细胞学影像特征量化装置1的示意图；
图2A是描绘本发明第一实施例的细胞学影像特征量化方法的流程图；
图2B和图2C是分别描绘本发明其他实施例的细胞学影像特征量化方法的流程图；
图3、图4A、图4B和图4C是描绘本发明第二实施例进行边缘侦测阶段的方法的流程图；
图5、图6A、图6B和图6C是描绘本发明第四实施例进行边缘侦测阶段的方法的流程图；
图7A是描绘细胞学影像；
图7B是描绘去背影像；
图8A是描绘灰阶影像；
图8B是描绘去背影像的该等边缘像素；
图9是描绘细胞核长轴与水平线间的夹角；
图10是描绘量化参数集；
图11是描绘可视化呈现圈选的细胞核区块；
图12是描绘可视化呈现核质比；
图13是描绘可视化呈现细胞核区块的至少一偏长形细胞核区块；
图14是描绘可视化呈现细胞核部分中的重叠和紧贴细胞核；
图15是描绘可视化呈现核内细胞质封入体区块；
图16是描绘可视化呈现细胞核长轴分布；
符号说明
1：细胞学影像特征量化装置
11：输入接口
13：输出接口
15：处理器
17：储存器
101：细胞学影像
103：去背影像
105：输出影像
701：背景部分
703：细胞核
705：细胞质
1101：细胞核区块
1201：细胞核部分
1203：细胞质部分
1301：偏长型细胞核区块
1401：重叠细胞核部分
1501：核内细胞质封入体区块
1601：细胞核长轴
具体实施方式
以下将透过实施方式来解释本发明的内容。然而，该等实施方式并非用以限制本发明需在如该等实施方式所述的任何环境、应用或方式方能实施。因此，关于实施方式的说明仅为阐释本发明的目的，而非用以限制本发明的范围。应理解，在以下实施方式及附图中，与本发明非直接相关的组件已省略而未绘示。
本发明的第一实施例如图1及图2A所示。图1为本发明的一细胞学图像处理装置1的示意图。细胞学图像处理装置1包含输入接口11、输出接口13、处理器15及储存器17。处理器15电性连接至输入接口11、输出接口13及储存器17。
输入接口11用以接收由一光学显微镜(或任何具有高放大倍率的影像传感器)所产生的染色后的细胞学影像101(例如：放大倍率为400倍的细胞学影像，图7A所示，其包含例如：背景部分701、细胞核703、细胞质705)。输入接口11可为一有线接口(例如：USB传输接口，但不限于此)或一无线传输接口(例如：WIFI传输接口)，其可连接至光学显微镜，或连接至一储存装置其储存该细胞学影像。处理器15透过输入接口11接收细胞学影像101并将其储存于储存器17中。输出接口13可为一数据传输接口或一影像传输接口，用以输出处理器15所产生的细胞学影像的相关量化参数及可视化影像。
处理装置15用以执行本发明的细胞影像特征量化方法，以产生细胞学影像的相关量化参数及可视化影像。本发明的细胞影像特征量化方法可藉由一计算机程序产品实现。计算机程序产品，储存有包含复数个程序指令的一计算机程序，在所述计算机程序被加载并安装于一电子装置(例如：细胞学图像处理装置1)后，电子装置的处理器执行所述计算机程序所包含的该等程序指令，以执行本发明的细胞影像特征量化方法。计算机程序产品可为，例如：只读存储器(read only memory；ROM)、闪存、软盘、硬盘、光盘(compact disk；CD)、随身碟、磁带、可由网络存取的数据库或熟习此项技艺者所习知且具有相同功能的任何其它储存器。
本发明的细胞影像特征量化方法的流程图如图2A所示。首先，于步骤S201，处理器15自储存器17读取一细胞学影像101。细胞学影像101包含复数个像素(pixel)，以呈现一放大倍率的复数个细胞。各像素于细胞学影像101的位置由一水平方向的x值及一垂直方向的y值表示，故细胞学影像101中的该等像素形成一二维矩阵。
须说明者，细胞学影像101可由一RGB(Red,Green,Blue；RGB)色彩空间表示、一HSV(Hue,Saturation,Value；HSV)色彩空间表示或任一色彩空间表示，且任一色彩空间表示可以自由转换至以另一色彩空间表示。举例而言，若读取的细胞学影像101以RGB色彩空间表示时，处理器15可将以RGB色彩空间表示的细胞学影像101转换为以HSV色彩空间表示。由于色彩空间的转换方式属于本领域的公知常识，故在此不加以赘述。
接着，于步骤S203，处理器15根据细胞学影像101的该等像素在一色彩空间中的复数个色彩属性至少其中之一，将细胞学影像101的该等像素划分为一细胞部分及一背景部分，并去除细胞学影像101的背景部分，以产生一去背影像103，如图7B所示(例如：即将图7A中背景部分701去除)。须说明者，此处背景部分701是指细胞学影像101经染色后，影像中未经染色的部分(通常位于未存在细胞的区域)。随后，于步骤S205中，处理器15将去背影像103的该等像素划分为一细胞核部分1201及一细胞质部分1203，如图12所示。须说明者，划分细胞学影像101的该等像素及去背影像103的该等像素可采用一分群算法，以针对各个像素的特定一个、两个或三个属性(即色彩属性)以一比例组合，分别进行一维、二维或三维的分群，甚至是进行多回合的分群。此外，本发明所采用的分群算法可为K-means，但不限于此，故任何达到相同目的的分群算法皆属于本发明的保护范畴。
举例而言，当色彩空间为HSV色彩空间时(即由色相(Hue)、饱和度(Saturation)及明度(Value)三个属性所组成)，处理器15可针对色相、饱和度或明度三个属性至少其中之一进行三回合的K-means分群，其中前两回合分群目的为去除背景部分，而第三回合分群目的为区分细胞质部分及细胞核部分。详言之，于第一回合K-means分群中，采用色相作为标准，根据该等像素的色相的最高值及最低值间的差值，将差值均分为六等份，以决定六个初始参考点(references)。假设该等像素的色相最高值为80且最低值为30，则六个初始参考点的色相分别为30、40、50、60、70及80。据此，根据六个初始参考点进行该等像素的一维K-means分群，可将细胞学影像101的该等像素划分为六个群组，并根据该六个群组将该等像素划分为一细胞部分及一背景部分。如此一来，处理器15可将被分类为背景部分的像素除去，产生去背影像103。
接着，针对去背影像103执行第二回合K-means分群。于第二回合K-means分群中，采用以饱和度为标准来选择参考点，根据去背影像103的该等像素的饱和度的最高值及最低间的差值，决定六个参考点。据此，根据该六个参考点进行去背影像103的该等像素的一维K-means分群，可进一步地自去背影像103划分出于第一回合K-means分群中未被分类为背景部分的像素，并将其去除，以更新去背影像103。须说明者，根据分群结果将该等像素划分为细胞部分及背景部分的基准可由使用者决定，或预先设定一阈值来决定，以决定哪些分群中的像素属于细胞部分，剩余的群组中的像素为背景部分。
经过前述两回合的一维K-means分群后，处理器15针对去背影像103的该等像素进行第三回合的K-means分群，以将该等像素划分为细胞核部分1201及细胞质部分1203。不同于前两回合的K-means分群，于第三回合K-means分群中，处理器15同时针对饱和度与明度以一权重比例进行二维K-means分群，例如：以饱和度与明度间的比例为5：3来进行二维K-means分群。
假设该等像素的饱和度的最高值为80且最低值为30，则二维初始参考点的第一维度的值分别为饱和度30、40、50、60、70及80。另一方面，假设该等像素的明度的最高值为100且最低值为25，则二维初始参考点的第二维度的值分别为明度25、40、55、70、85及100。因此，六个二维初始参考点分别为(30,25)、(40,40)、(50,55)、(60,70)、(70,85)及(80,100)。因此，处理器15于进行二维K-means分群时，各像素与参考点间的距离是等于其中Δd1为饱和度差，Δd2为明度差。
又举例而言，当色彩空间为RGB色彩空间时(即由红色(red)、绿色(green)、蓝色(blue)三个属性组成)，处理器15可针对红色、绿色或蓝色三个属性至少其中之一进行三回合的K-means分群，其中前两回合分群目的为去除背景部分，而第三回合分群目的为区分细胞质部分及细胞核部分。详言之，于第一回合K-means分群中，采用绿色作为标准，根据该等像素的绿色的最高值及最低值间的差值，将差值均分为六等份，以决定六个初始参考点(references)。
假设该等像素的绿色最高值为95且最低值为10，则六个初始参考点的绿色分别为10、27、44、61、78及95。据此，根据六个初始参考点进行该等像素的一维K-means分群，可将细胞学影像101的该等像素划分为六个群组，并根据该六个群组将该等像素划分为一细胞部分及一背景部分。如此一来，处理器15可将被分类为背景部分的像素除去，产生去背影像103。接着，执行第二回合K-means分群，不同于第一回合，第二回合是采用蓝色作为标准，以执行相同操作，故可进一步地自去背影像103划分出于第一回合K-means分群中未被分类为背景部分的像素，并将其去除，以更新去背影像103。经过前述两回合的一维K-means分群后，处理器15针对去背影像103的该等像素进行第三回合的K-means分群，以将该等像素划分为细胞核部分1201及细胞质部分1203。类似地，第三回合则采用红色作为标准，执行前述相同操作。
于将去背影像103的该等像素划分为细胞核部分1201及细胞质部分1203后，处理器15执行步骤S207，以侦测去背影像103的复数边缘像素。如此一来，于侦测出去背影像103的该等边缘像素后，处理器15即可该等边缘像素连线，以圈选去背影像103中的复数个细胞核区块1101，如图11所示。
随后，于步骤S209中，处理器15根据该等细胞核区块1101、细胞核部分1201及细胞质部分1203，产生一参数集。参数集可包含下列至少其中之一：一细胞核排列方向变异度(nuclear polarity)、一核内细胞质封入体指数(index of inclusions)、一核质颜色比及一细胞核重叠和紧贴指数(index of overlapping and molding)，其中该核质颜色比是根据该细胞核部分及该细胞质部分而产生，该细胞核排列方向变异度是根据该等细胞核区块而产生，该核内细胞质封入体指数是根据该细胞核部分而产生，该细胞核重叠和紧贴指数是根据该等细胞核区块及该细胞核部分而产生。
举例而言，细胞核排列方向变异度可经由计算圈选的该等细胞核的一细胞核长轴与一水平线间的一夹角的标准偏差所产生(夹角计算方式如图9所示)。再举例而言，核内细胞质封入体指数可经由将复数核内细胞质封入体区块1501(如图15所示)的一总面积除以细胞核部分1201的一总面积产生。
再举例而言，核质颜色比可例如为核浓染指标(hyperchromasia index)，其可经由将细胞核部分的该等色彩属性的一函数值除以细胞质部分的该等色彩属性的一函数值产生，例如：当于HSV色彩空间时，核质颜色比可为核质饱和度-明度比或核质色相-明度比。核质饱和度-明度比可经由将细胞核部分的平均饱和度与其平均明度间的比值(即函数值)除以细胞质部分的平均饱和度与其平均明度间的比值(即函数值)而得到。核质色相-明度比可经由将细胞核部分的平均色相与其平均明度间的比值除以细胞质部分的平均色相与其平均明度间的比值而得到。此外，核质颜色比指标亦可为核质色相比或核质饱和度比。核质色相比可经由将细胞核部分的一平均色相值(即函数值)除以细胞质部分的一平均色相值(即函数值)而得到。核质饱和度比可经由将细胞核部分的一平均饱和度值(即函数值)除以细胞质部分的一平均饱和度值(即函数值)产生。
再举例而言，该细胞核重叠和紧贴指数可经由将细胞核部分中非属于细胞核区块1101的一剩余区块面积除以细胞核部分1201的总面积所产生。须说明者，如图10所示，该等相关量化参数可由使用者决定，或预先设定一标准，所属领域的技术人员应可轻易了解根据细胞特征信息量化的相关运作，兹不赘言。
如前述说明可知，核质颜色比可根据细胞核部分1201及细胞质部分1203而产生，细胞核排列方向变异度可根据该等细胞核区块1101而产生，核内细胞质封入体指数可根据该细胞核部分1201而产生，细胞核重叠和紧贴指数可根据该等细胞核区块1101及细胞核部分1201而产生。换言之，处理器15于执行步骤S205以将去背影像103的该等像素划分为细胞核部分1201及细胞质部分1203后，即可根据细胞核部分1201及细胞质部分1203计算核质颜色比，而无需等待执行完步骤S207以圈选出去背影像中的复数个细胞核区块1101后才计算。
须说明者，本发明的实施例例图为刘氏染色(Riu’s stain)后的细胞学影像。以核质颜色比举例而言，细胞核、细胞质染色色彩由蓝色、紫色(紫色由红色、蓝色组成)组成，细胞病变将影响刘氏染色染剂呈色结果，或浓或淡，造成细胞核与细胞质在色相与饱和度对比上的不同。另外，细胞核与细胞质明度同时提升，也会造成两者在红色成分与蓝色成分对比上的不同。虽然不同的染色方式可能造成染色的效果不同，所属技术中具有通常知识者应可理解根据不同染色方式去调整权重/参数比例的相关运作，故在此不加以赘述。
又举例而言，核内细胞质封入体指数可利用公式1来计算，将被判定为核内细胞质封入体区块1501的面积除以细胞核部分1201的总面积，以获得核内细胞质封入体区块1501的比例。
其中，areainclusions为核内细胞质封入体区块1501的总面积、areanuclei为细胞核部分1201的总面积。
另外，细胞核重叠和紧贴指数是利用公式2来计算，计算是经由将细胞核部分中非属于细胞核区块1101的一剩余区块面积除以细胞核部分的面积产生。换言之，细胞核重叠和紧贴指数是代表细胞核部分中重叠和紧贴的细胞核面积(包括细胞核边缘较破裂、不规则的细胞核及细胞核重叠的该些面积)所占的比例。
其中，areadiscrete nuclei为细胞核区块1101的总面积，areanuclei为细胞核部分1201的总面积。
于某些实施例中，该等参数集更包括面积、圆整度、椭圆度及一延伸度(Elongation)等参数。举例而言，一细胞核区块的延伸度可利用公式3来计算。
其中，d1为细胞核区块的一长轴长，d2为细胞核区块的一短轴长。
最后，处理器15执行步骤S211，可视化去背影像103，以产生一输出影像105，以呈现该等细胞核区块1101、细胞核部分1201及细胞质部分1203。举例而言，在图12中，细胞核部分1201及细胞质部分1203，输出影像105是用以可视化呈现一核质比(nuclei-to-cytoplasm ratio；NCR)；在图11中，输出影像105是用以可视化呈现被圈选出的该等细胞核区块1101；在图13中，输出影像105是用以可视化呈现细胞核区块的偏长形细胞核区块1301；在图14中，输出影像105是用以可视化呈现细胞核部分中的一重叠细胞核部分1401；在图15中，输出影像105是用以可视化呈现核内细胞质封入体区块1501；以及在图16中，输出影像105是用以可视化呈现一细胞核长轴分布(例如：细胞核长轴1601)。
如前述说明可知，本发明的细胞影像特征量化方法可分为三阶段的运算：第一阶段为分群阶段，第二阶段为边缘侦测阶段，以及第三阶段为细胞核型态相关参数计算与特征可视化阶段。于本实施例中，以透过范例说明分群阶段的运算，随后边缘侦测阶段及细胞核型态相关参数计算与特征可视化阶段将于后续实施例中详述。
须说明者，于产生核质颜色比后，处理器15即可将产生的核质颜色比信息透过影像显示或是藉由输出装置等方式提供给用户。因此，于其他实施例中，使用者可透过设定使得细胞学图像处理装置1仅产生核质颜色比，而无需进行后续进行细胞核区块圈选、基于圈选的细胞核区块产生其他参数及可视化去背影像等步骤。如图2B所示，处理器15于执行步骤S205以将去背影像103的该等像素划分为细胞核部分1201及细胞质部分1203后，可仅执行步骤S206，以根据该细胞核部分及该细胞质部分计算核质颜色比。换言之，使用者可视其需求选择需要所需输出的参数，使得处理器15执行相应的步骤，而无需执行完所有步骤。
另外，于其他实施例中，基于使用者所需求输出的参数，图2A中的步骤S209可替换为步骤S208，如图2C所示，即所产生的参数集可包含细胞核排列方向变异度、核内细胞质封入体指数及一细胞核重叠和紧贴指数至少其中之一，而无需包含核质颜色比。
本发明的第二实施例，请一并参考图3至图4C。第二实施例是第一实施例的延伸，其说明边缘侦测阶段的相关操作，即第一实施例的步骤S207更包含图3、图4A、图4B、图4C所示的步骤。首先，步骤S301中，处理器15根据去背影像103的该等像素的该等色彩属性至少其中之一，根据去背影像103产生一二维灰阶矩阵。举例而言，于HSV色彩空间中，处理器15以饱和度与明度间的5:-3权重比例，将去背影像103转成一灰阶影像105，如图8A所示。灰阶影像105的每个像素具有一灰阶值，故处理器可将该等像素的灰阶值以二维灰阶矩阵表示。须说明者，上述权重比例是用以举例说明并非用以限制本发明。此外，若于RGB色彩空间，所属技术中具有通常知识者亦可了解如何将将去背影像103转成灰阶影像105，故在此不加以赘述。
接着，于步骤S303中，处理器15将二维灰阶矩阵乘上一具有一第i个参数的德里切过滤(Deriche filter)矩阵，以得到一第i个二维梯度矩阵，其中i为1-3。第i个二维梯度矩阵记载各像素相对于其相邻该等像素的一水平方向梯度(Dx)与一垂直方向梯度(Dy)。第i参数为一高斯分布参数，故具有不同参数的德里切过滤矩阵是代表对灰阶影像105进行不同程度的模糊化，以抹除灰阶影像105中的噪声。
随后，于步骤S305中，处理器15套用一屏蔽至第i个二维梯度矩阵。举例而言，屏蔽的大小为一3x3矩阵，处理器15是藉由屏蔽对第i个二维梯度矩阵中的每个3x3子矩阵中该些像素的水平方向梯度及垂直方向梯度进行审视，以找出可能为边缘像素的像素。详言之，处理器15判断目前屏蔽中的一中间像素的一总梯度大小是否于该屏蔽内为一相对最大值，若否，将该将目前屏蔽中的中间像素的水平方向梯度与垂直方向梯度设为0(即非最大值压制)。举例而言，处理器15判断屏蔽中的中间像素和其梯度方向上前一点与后一点的强度，若该中间像素的总梯度大小大于两者则保留该中间像素的总梯度大小，反之将总梯度大小设为0，以更新第i个二维梯度矩阵。须说明者，当该梯度方向不位于该屏蔽中的像素点时(例如：非0度、45度、90度、135度、180度、…、360度时)，可藉由将经过路径的左右像素值内插而得一虚拟像素作为该梯度方向。又举例而言，于另一非最大值压制方法中，处理器15可判断目前屏蔽中的一中间像素的一总梯度大小是否皆小于邻近的该等像素的复数总梯度大小。若是，则代表此中间像素应不为边缘像素，故处理器15将目前屏蔽中的中间像素的水平方向梯度与垂直方向梯度设为0，以更新第i个二维梯度矩阵。各像素的总梯度大小是基于公式4计算。
于执行步骤S305后，于更新后的第i个二维梯度矩阵中，水平方向梯度与垂直方向梯度不等于0的像素是被初步判断为边缘像素。接着，处理器15对初步判断为边缘像素的这些像素进行一细线化(thinning)操作，即步骤S307，其目的在于更锐利化该等边缘像素。于步骤S307中，处理器15再次套用屏蔽至更新后的第i个二维梯度矩阵，以依序判断目前屏蔽中的中间像素的一邻近垂直像素与一邻近水平像素的该等总梯度大小是否皆不等于0。若是，处理器15将目前屏蔽中的中间像素的水平方向及垂直方向梯度设为0，以再次更新第i个二维梯度矩阵。如此一来，更新后的第i个二维梯度矩阵中，总梯度大小不等于0的像素是被判断为边缘像素，如图8B所示。
处理器15执行如图4A至4C所示的该些步骤，对上述第i个二维梯度矩阵中被判断为边缘像素的该等像素进行连线，以圈选出复数个细胞核区块1101。首先，于步骤S401中，处理器15以一八连通(8-connection connectivity)规则，连线该等边缘像素以形成复数线段。针对尚未连线的各边缘像素，处理器15判断一目前边缘像素所欲连线的一下一边缘像素的总梯度大小是否大于一第一阈值，且目前边缘像素的一总梯度方向与其所欲连线的下一边缘像素的总梯度方向间的一夹角是否小于一第二阈值。举例而言，总梯度方向可基于公式5计算。
当欲连线的一下一边缘像素的总梯度大小大于该第一阈值且夹角亦小于第二阈值时，处理器15将目前边缘像素与下一边缘像素连线，并将已连线的下一边缘像素作为目前边缘像素。随后，处理器15继续判断是否有下一边缘像素可以连线，并进行连线，直到判断无下一边缘像素可连线时，即形成一线段。随后，处理器15针对前述连线的各线段，进行如下述步骤的该等判断，来判断哪些线段上的该等边缘像素为细胞核边缘像素。
于步骤S403中，处理器15判断线段的长度是否小于第三阈值的四分之三倍或线段的该等像素的平均梯度是否小于第四阈值，以汰除过短或平均梯度过小的线段。当线段的长度小于第三阈值的四分之三倍或线段的该等像素的平均梯度小于第四阈值时，处理器15执行步骤S413，以消除此线段及其所对应的该等边缘像素。须说明者，上述第三阈值可为正常细胞核边缘周长。
随后，为确认线段是否大致上为封闭曲线，处理器15更执行步骤S405，判断线段的起始边缘像素与终点边缘像素的距离是否小于第五阈值。若线段的起始边缘像素与终点边缘像素小于第五阈值，则代表此线段大致上为封闭曲线且所围的区块可能为细胞核区块。随后，若线段的起始边缘像素与终点边缘像素的距离小于第五阈值，处理器15执行步骤S415。
此外，若线段的起始边缘像素与终点边缘像素的距离不小于第五阈值，处理器15执行步骤S407，判断线段的起始边缘像素与终点边缘像素间的距离是否小于第六阈值。若线段的起始边缘像素与终点边缘像素间的距离小于第六阈值，则代表此线段有机会经由边缘补点程序，使其起始边缘像素与终点边缘像素间的距离小于第五阈值，故处理器15执行步骤S409，对线段进行边缘补点程序。须说明者，该第六阈值可为该线段的长度乘以一定的比例，例如：0.25，意即该线段可容许最多不超过四分之一比例的起始边缘像素与终点边缘像素间的距离(即未连线的线段)。
举例而言，于边缘补点程序中，处理器15可根据计算起始边缘像素与终点边缘像素间的垂直距离及水平距离，判断水平距离是否大于垂直距离。若水平距离大于垂直距离，则由水平方向开始进行补点，水平方向每前进一单位像素，垂直方向依起始边缘像素与终点边缘像素间的连线的斜率前进。反之，若水平距离不大于垂直距离，则由垂直方向开始进行补点，垂直方向每前进一单位像素，水平方向依始边缘像素与终点边缘像素间的连线的斜率前进。
于进行边缘补点程序后，处理器15执行步骤S411，以判断经边缘补点程序后的线段的起始边缘像素与终点边缘像素的距离是否已小于第五阈值。若线段的起始边缘像素与终点边缘像素的距离仍不小于第五阈值，则代表无法将该未连线线段补上，故处理器15执行步骤S413，消除线段及其所对应的该等边缘像素。反之，若线段的起始边缘像素与终点边缘像素的距离已小于第五阈值，则处理器15执行步骤S415。
随后，接着，于步骤S415中，处理器15判断线段的该等边缘像素的总梯度方向是否朝向线段的圆心(即线段所围成区域的圆心)，以判断线段所围的区域内的该等像素是否为一核内细胞质封入体区块(inclusion)。一般而言，细胞质的明度较细胞核为亮，因此细胞质的边缘像素的总梯度方向将由圆心指向细胞核边缘像素，与细胞核的边缘像素的总梯度方向是指向圆心恰好相反。因此，当线段的该等边缘像素的总梯度方向不朝向线段的圆心时，处理器15执行步骤S425，将线段所围的区域内的该等像素划分为核内细胞质封入体区块，并执行步骤S413，消除此线段及其所对应的该等边缘像素。须说明者，核内细胞质封入体是指细胞核内包含一或多个由膜所包围的球状细胞质、内含细胞质胞器，通常被判断为一种恶性特征，因此藉由此方法可将此种细胞核标注，协助后续进一步的判断。因此，该等被划分为核内细胞质封入体区块可于后续用以可视化呈现核内细胞质封入体区块，如图15所示。
当线段的该等边缘像素的总梯度方向朝向线段的圆心时，处理器15执行步骤S417，判断线段的周长是否小于第三阈值。若小于第三阈值，处理器15执行步骤S413，将线段及其所对应的该等边缘像素消除。若不小于第三阈值，则处理器15执行步骤S419，进一步判断线段的圆整度是否大于等于第七阈值。详言之，处理器15是使用以下公式6计算线段的圆整度。
其中，A为线段所围的面积、P为线段的周长。
若线段的圆整度大于等于第七阈值时，处理器15执行步骤S423，将线段的该等边缘像素标注为一细胞核边缘，且判断为完整且偏圆形的细胞核边缘。另一方面，当若线段的圆整度小于第七阈值时，处理器15执行步骤S421，判断线段的椭圆度是否大于等于一第八阈值。详言之，处理器15是使用以下公式7计算线段的椭圆度。
其中，A为线段所围的面积、P为线段的周长、d1为线段所围区域的长轴长度以及d2为线段所围区域的短轴长度。
若线段的椭圆度大于等于第八阈值，则执行步骤S423，将线段的该等边缘像素标注为一细胞核边缘，且判断为完整且偏长型(椭圆形)的细胞核边缘，作为后续将该等偏长型的细胞核边缘可视化以呈现细胞核区块的至少一偏长形细胞核区块。反之，若线段的椭圆度小于第八阈值，则判断为不规则形状的细胞核边缘，并执行步骤S413，消除此线段及其所对应的该等边缘像素。
据此，经由图4B、图4C所示的操作，未消除的该等线段的该等边缘像素为细胞核边缘像素，故处理器15针对各第i个二维梯度矩阵，可获得第i个边缘矩阵及其该等边缘像素的第i个连线信息。随后，处理器15藉由整合第1个边缘矩阵、第2个边缘矩阵与第3个边缘矩阵以及第1个连线信息、第2个连线信息及第3个连线信息，以获得一整合边缘矩阵及其该等边缘像素的一整合连线信息。如此一来，于此边缘侦测阶段，处理器15可根据整合边缘矩阵及其该等边缘像素的整合连线信息，最大化圈选出去背影像中的细胞核区块，以避免遗漏的可能，并获得核内细胞质封入体区块。
此外，前述的整合第1个边缘矩阵、第2个边缘矩阵与第3个边缘矩阵以及第1个连线信息、第2个连线信息及第3个连线信息的方式可透过比较第1个边缘矩阵、第2个边缘矩阵与第3个边缘矩阵中的该些线段的重心来达到。举例而言，于得到第2个边缘矩阵后，处理器15判断第2个边缘矩阵中是否存在至少一新线段，其重心与第1个边缘矩阵中该等线段所围的每个范围的每个重心间的重心距离皆大于一细胞核平均短轴长。若重心距离皆大于一细胞核平均短轴长，则代表此至少一新线段未于第1边缘矩阵中出现，故将此至少一新线段的该等边缘像素加入该第一边缘矩阵，以产生该整合边缘矩阵，以及将与此至少一新线段相关连的连线信息加入至第1连线信息，以产生该整合连线信息。
类似地，于获得整合边缘矩阵及整合连线信息后，处理器15亦判断第3个边缘矩阵中是否存在至少一新线段，其重心与整合边缘矩阵中该等线段所围的每个区域的每个重心间的重心距离皆大于细胞核平均短轴长。若重心距离皆大于一细胞核平均短轴长，则代表此至少一新线段未于整合边缘矩阵中出现，故将此至少一新线段的该等边缘像素加入至整合边缘矩阵，以更新整合边缘矩阵，以及将与此至少一新线段相关连的连线信息加入至整合连线信息，以更新整合连线信息。如此一来，透过上述线段所围的范围的重心的比较，处理器15得以整合第1个边缘矩阵、第2个边缘矩阵与第3个边缘矩阵以及第1个连线信息、第2个连线信息及第3个连线信息。
须说明者，前述实施例是以产生3个边缘矩阵及其相对应的连线信息作为范例说明；然而，所属领域的技术人员，可基于前述说明了解，本发明亦可仅整合2个边缘矩阵及其相对应的连线信息即可，或者本发明亦可产生3个以上的边缘矩阵及其相对应的连线信息并将其整合。据此，任何数量的边缘矩阵及其连线信息的产生及整合皆属于本发明保护的范畴。
本发明的第三实施例为第二实施例进一步的延伸。于本实施例中，当获得多个边缘矩阵以及其连线信息后，而于整合这些边缘矩阵及其连线信息的前，针对各个边缘矩阵，处理器15可基于该些线段的边缘像素及去背影像103，再次确认是否仍有其他可能为细胞核边缘的线段。
具体而言，处理器15基于第i个边缘矩阵及其第i个连线信息，将去背影像103中该等线段所围的区域内的该等像素设成一背景像素，以产生一暂时去背影像103_temp。须说明者，本发明可先将暂时去背影像先进行适当的正规化(Normalization)处理，以更凸显暂时去背影像的该等像素。
随后，类似于步骤S301，处理器105根据将暂时去背影像103_temp转换一灰阶影像，以产生一二维灰阶矩阵，以及针对二维灰阶矩阵执行步骤S303至步骤S307以及步骤S401至S425，获得暂时去背影像103_temp的第i个边缘矩阵及第i个连线信息。
随后，处理器105判断暂时去背影像103_temp的第i个边缘矩阵及第i个连线信息是否存在边缘像素。若存在边缘像素，则表示边缘像素所连线的线段所围的区块为细胞核区块，故将暂时去背影像103_temp的第i个边缘矩阵及第i个连线信息并入至去背影像103的第i个边缘矩阵及第i个连线信息中。
随后，处理器15基于更新的去背影像103的第i个边缘矩阵及第i个连线信息中重新产生新的暂时去背影像103_temp。同样地，处理器15将新的暂时去背影像103_temp转为灰阶影像，以产生二维灰阶矩阵，并针对二维灰阶矩阵执行步骤S303至步骤S307以及步骤S401至S425，以将新的暂时去背影像103_temp的第i个边缘矩阵及第i个连线信息并入至去背影像103的第i个边缘矩阵及第i个连线信息中。如此一来，透过上述操作，处理器15可持续产生新的暂时去背影像103_temp，并将新的暂时去背影像103_temp的第i个边缘矩阵及第i个连线信息并入至去背影像103的第i个边缘矩阵及第i个连线信息中，直到新的暂时去背影像103_temp中不存在边缘像素，即代表暂时去背影像103_temp已无可圈选的细胞核区块。
本发明的第四实施例亦为第二实施例进一步的延伸。于本实施例中，当整合这些边缘矩阵及其连线信息后，处理器15可基于该些线段的边缘像素及去背影像103，再次确认是否仍有其他可能为细胞核边缘的线段。
详言之，处理器15执行步骤S501，基于整合边缘矩阵及其该等边缘像素的连线信息，将去背影像103中属于各线段的该等边缘像素及被各线段涵盖在内的该等像素设成背景像素，以产生一暂时去背影像103_temp。接着，处理器15根据暂时去背影像103_temp的该等像素的该等色彩属性至少其中之一，将暂时去背影像103_temp转为一黑白影像，以产生一二维二值化矩阵。举例而言，于HSV色彩空间中，处理器15根据暂时去背影像103_temp的该等像素的明度，将暂时去背影像103_temp转为一黑白影像，以产生一二维二值化矩阵。举例而言，处理器15可将暂时去背影像103_temp中属于细胞核部分的该等像素的明度调至最亮以及将属于细胞质部分的该等像素的明度调至最暗以产生该黑白影像。此外，若于RGB色彩空间，所属技术中具有通常知识者亦可了解如何将暂时去背影像103_temp转为一黑白影像，故在此不加以赘述。
随后，处理器15执行步骤S505，将二维二值化矩阵乘上具有一参数的一德里切过滤矩阵，以得到一二维梯度矩阵。如同先前所述，二维梯度矩阵记载各像素相对于其相邻该等像素的该水平方向梯度与该垂直方向梯度。接着，类似于步骤S305，处理器15执行步骤S507，套用屏蔽至二维梯度矩阵。当屏蔽中的中间像素的总梯度大小非为于该屏蔽内的一相对最大值时，将中间像素的水平方向梯度与垂直方向梯度设为0，以更新二维梯度矩阵。
之后，类似于步骤S307，处理器15执行步骤S509，套用屏蔽至更新后的二维梯度矩阵。当屏蔽中的中间像素的邻近垂直像素与邻近水平像素的该等总梯度大小皆不等于0时，将中间像素的水平方向及垂直方向梯度设为0，以更新二维梯度矩阵。更新后的二维梯度矩阵中水平方向及垂直方向梯度不等于0的该等像素为边缘像素。
然后，类似于步骤S401，处理器15执行步骤S601，以八连通规则，连线该等边缘像素以形成复数线段。不同于先前所述，目前边缘像素的总梯度方向与其所连线的下一边缘像素的总梯度方向间的一夹角需小于一第二阈值。
接着，处理器15针对各线段执行如图6B、图6C所示的该等步骤。于步骤S603中，处理器15判断线段是否长度小于第三阈值的四分之三倍。若小于第三阈值的四分之三倍时，处理器15执行步骤S613，消除线段及线段所对应的该等边缘像素。反之，若不小于第三阈值的四分之三倍时，处理器15执行步骤S605，判断线段的起始边缘像素与终点边缘像素间的距离是否小于第五阈值。当小于第五阈值时，处理器15执行步骤S615。
另一方面，当不小于第五阈值时，处理器15执行步骤S607，判断线段的起始边缘像素与终点边缘像素的距离是否小于第六阈值。当小于第六阈值，处理器15执行步骤S609，对线段进行边缘补点程序。随后，于步骤S611中，处理器15判断经边缘补点程序后的线段，其线段的起始边缘像素与终点边缘像素间的距离是否小于第五阈值。若不小于第五阈值，则处理器15执行步骤S613，消除线段及线段所对应的该等边缘像素。
若经边缘补点程序后，线段的起始边缘像素与终点边缘像素间的距离已小于第五阈值，则处理器15执行步骤S615。于步骤S615中，处理器15判断线段的该等边缘像素的总梯度方向是否朝向线段所围的区域的圆心。若不朝向圆心，则将线段所围的区域内的该等像素划分为核内细胞质封入体区块，并执行步骤S613，消除此线段及其所对应的该等边缘像素。
若线段的该等边缘像素的总梯度方向朝向线段的圆心，则处理器15执行步骤S617，判断线段的周长是否小于第三阈值。当小于第三阈值时，则执行步骤S613，消除此线段及其所对应的该等边缘像素。当大于第三阈值时，则处理器15执行步骤S619。于步骤S619中，则处理器15判断线段的圆整度是否大于等于第七阈值。当大于等于第七阈值，处理器15执行步骤S623，将线段的该等边缘像素标注为一细胞核边缘，且判断为完整且偏圆形的细胞核边缘。
另一方面，当线段的圆整度小于第七阈值时，处理器15执行步骤S621，判断线段的椭圆度是否大于等于第八阈值。若线段的椭圆度大于等于第八阈值，则执行步骤S623，将线段的该等边缘像素标注为一细胞核边缘，且判断为完整且偏长型(椭圆形)的细胞核边缘，作为后续将该等偏长型的细胞核边缘可视化以呈现细胞核区块的至少一偏长形细胞核区块。反之，若线段的椭圆度小于第八阈值，则判断为不规则形状的细胞核边缘，并执行步骤S613，消除此线段及其所对应的该等边缘像素。
经上述操作后未消除的该等线段的该等边缘像素是为细胞核边缘像素，故处理器15可获得一边缘矩阵及该边缘矩阵的该等边缘像素的一连线信息。如此一来，透过上述操作，处理器15可将基于暂时去背影像103_temp所获得的边缘矩阵及其连线信息并入至第二实施例所产生的整合边缘矩阵及整合边缘矩阵的该等边缘像素的整合连线信息中，以尽可能地准确地圈选出去背影像103中的该等细胞核区块1101。
此外，于上述实施例中，于圈选该等细胞核区块1101后，处理器15可进一步针对细胞质部分1203，判断细胞质部分中是否存在复数个像素，其位于圈选的该等细胞核区块1101内且不属于核内细胞质封入体区块1501，若是，则处理器15将位于圈选的该等细胞核区块1101内且不属于核内细胞质封入体区块1501的该等像素重新划分至细胞核部分1201。
综上所述，相较于习知技术，本发明藉由将细胞学影像划分为细胞核部分及细胞质部分，并圈选出细胞核区块，可提供细胞学影像的相关量化参数及分析影像。如此一来，本发明所提供的关于细胞学影像的进阶信息得以辅助医生对细胞学影像作出诊断，降低不同医师对于相同的细胞学影像作出的诊断结果间的分歧，进而提高对患者病情判断的准确性。
上述实施方式仅用来例举本发明的部分实施态样，以及阐释本发明的技术特征，而非用来限制本发明的保护范畴及范围。任何本发明所属领域的技术人员可轻易完成的改变或均等性的安排均属于本发明所主张的范围，而本发明的权利保护范围以权利要求书为准。

Claims (17)

1.一种细胞学影像特征量化方法，用于一细胞学图像处理装置，其特征在于，该细胞学影像特征量化方法包含下列步骤：
(a)读取一细胞学影像，该细胞学影像包含复数个像素(pixel)；
(b)根据各该像素在一色彩空间中的复数个色彩属性至少其中之一，去除该细胞学影像的一背景部分，以产生一去背影像；
(c)划分该去背影像为一细胞核部分及一细胞质部分；以及
(d)根据该细胞核部分及该细胞质部分，产生一核质颜色比。
2.根据权利要求1所述的细胞学影像特征量化方法，其特征在于，其中该步骤(b)更包含下列步骤：
(b1)根据该细胞学影像的该等像素的该等色彩属性至少其中之一，决定复数个第一初始参考点；
(b2)根据该等第一初始参考点，针对该细胞学影像的该等像素，进行一分群，去除该细胞学影像的该背景部分，以获得该去背影像；
(b3)根据该去背影像的该等像素的该等色彩属性至少其中之一，决定复数个第二初始参考点；
(b4)根据该等第二初始参考点，针对该去背影像的该等像素，进行该分群，去除该去背影像的该背景部分，以更新该去背影像；
其中，该步骤(c)更包含下列步骤：
(c1)根据该去背影像的该等像素的该等色彩属性至少其中之一及其一权重比例，决定复数个第三初始参考点，并根据该等第三初始参考点及该权重比例，针对该去背影像的该等像素进行一分群，以划分该去背影像为该细胞核部分及该细胞质部分。
3.根据权利要求1所述的细胞学影像特征量化方法，其特征在于，其中，该核质颜色比是经由将该细胞核部分的该等色彩属性的一函数值除以该细胞质部分的该等色彩属性的一函数值产生。
4.一种细胞学影像特征量化方法，用于一细胞学图像处理装置，其特征在于，该细胞学影像特征量化方法包含下列步骤：
(a)读取一细胞学影像，该细胞学影像包含复数个像素(pixel)；
(b)根据各该像素在一色彩空间中的复数个色彩属性至少其中之一，去除该细胞学影像的一背景部分，以产生一去背影像；
(c)划分该去背影像为一细胞核部分及一细胞质部分；
(d)侦测该去背影像的复数边缘像素，以圈选该去背影像中的复数个细胞核区块；
(e)产生一参数集，该参数集包含下列至少其中之一：一细胞核排列方向变异度(nuclear polarity)、一核内细胞质封入体指数(index of inclusions)及一细胞核重叠和紧贴指数(index of overlapping and molding)，其中该细胞核排列方向变异度是根据该等细胞核区块而产生，该核内细胞质封入体指数是根据该细胞核部分而产生，该细胞核重叠和紧贴指数是根据该等细胞核区块及该细胞核部分而产生；以及
(f)可视化该去背影像，以产生一输出影像。
5.根据权利要求4所述的细胞学影像特征量化方法，其特征在于，其中该步骤(b)更包含下列步骤：
(b1)根据该细胞学影像的该等像素的该等色彩属性至少其中之一，决定复数个第一初始参考点；
(b2)根据该等第一初始参考点，针对该细胞学影像的该等像素，进行一分群，去除该细胞学影像的该背景部分，以获得该去背影像；
(b3)根据该去背影像的该等像素的该等色彩属性至少其中之一，决定复数个第二初始参考点；
(b4)根据该等第二初始参考点，针对该去背影像的该等像素，进行该分群，去除该去背影像的该背景部分，以更新该去背影像；
其中，该步骤(c)更包含下列步骤：
(c1)根据该去背影像的该等像素的该等色彩属性至少其中之一及其一权重比例，决定复数个第三初始参考点，并根据该等第三初始参考点及该权重比例，针对该去背影像的该等像素进行一分群，以划分该去背影像为该细胞核部分及该细胞质部分。
6.根据权利要求4所述的细胞学影像特征量化方法，其特征在于，其中该步骤(d)更包含下列步骤：
(d1-1)根据该去背影像的该等像素的该等色彩属性至少其中之一，产生一二维灰阶矩阵；
(d1-2)将该二维灰阶矩阵乘上一具有一第i个参数的德里切过滤(Deriche filter)矩阵，以得到一第i个二维梯度矩阵，该第i个二维梯度矩阵记载各该像素相对于其相邻该等像素的一水平方向梯度与一垂直方向梯度，其中i的初始值为1；
(d1-3)套用一屏蔽至该第i个二维梯度矩阵，判断该屏蔽中的一中间像素的一总梯度大小是否于该屏蔽内为一相对最大值，若否，将该中间像素的该水平方向梯度与该垂直方向梯度设为0，以更新该第i个二维梯度矩阵；以及
(d1-4)套用该屏蔽至更新后的该第i个二维梯度矩阵，判断该屏蔽中的该中间像素的一邻近垂直像素与一邻近水平像素的该等总梯度大小是否皆不等于0，若是，将该中间像素的该水平方向及该垂直方向梯度设为0，以更新该第i个二维梯度矩阵，其中更新后的该第i个二维梯度矩阵中该总梯度大小不等于0的该等像素为该等边缘像素；
(d1-5)将i设为2，并执行上述步骤(d1-2)至步骤(d1-4)，以获得一第2个二维梯度矩阵；以及
(d1-6)将i设为3，并执行上述步骤(d1-2)至步骤(d1-4)，以获得一第3个二维梯度矩阵；
其中，针对该第i个二维梯度矩阵，i为1至3，该步骤(d)更包含下列步骤：
(d2-1)以一八连通(8-connection connectivity)规则，连线该等边缘像素以形成复数线段，其中一目前边缘像素所连线的一下一边缘像素的该总梯度大小大于一第一阈值，且该目前边缘像素的一总梯度方向与其所连线的该下一边缘像素的该总梯度方向间的一夹角小于一第二阈值；
(d2-2)消除一长度小于一第三阈值的四分之三倍或一平均梯度小于一第四阈值的该线段及该线段所对应的该等边缘像素；
(d2-3)判断该等线段的一起始边缘像素与一终点边缘像素间的一距离是否小于一第五阈值；
(d2-4)针对该起始边缘像素与该终点边缘像素间的该距离不小于该第五阈值的该线段，判断该线段的该起始边缘像素与该终点边缘像素间的该距离是否小于一第六阈值，当小于该第六阈值时，对该线段进行一边缘补点程序；
(d2-5)针对经由该边缘补点程序处理的该线段，判断该线段的该起始边缘像素与该终点边缘像素间的该距离是否小于该第五阈值，并消除该距离不小于该第五阈值的该线段及该线段所对应的该等边缘像素；
(d2-6)针对各该线段，判断该线段所对应的该等边缘像素的该总梯度方向是否朝向该线段所围的一区域的一圆心；
(d2-7)针对该等边缘像素的该总梯度方向不朝向该圆心的该线段，将该线段所围的该区域内的该等像素划分为一核内细胞质封入体区块，并消除该线段及该线段所对应的该等边缘像素；
(d2-8)针对该边缘像素的该总梯度方向朝向该圆心的该线段，判断该线段的一周长是否小于该第三阈值，并消除该周长小于该第三阈值的该线段及该线段所对应的该等边缘像素；
(d2-9)针对该周长不小于该第三阈值的该线段，判断该线段的一圆整度(circularity)是否小于一第七阈值；
(d2-10)针对该圆整度小于该第七阈值的该线段，判断该线段的一椭圆度(ellipticity)是否小于一第八阈值，并消除该椭圆度小于该第八阈值的该线段及该线段所对应的该等边缘像素；以及
(d2-11)根据未消除的该等线段及该等线段所对应的该等边缘像素，产生一第i个边缘矩阵及该第i个边缘矩阵的该等边缘像素的一第i个连线信息；
其中，该步骤(d)更包含下列步骤：
(d2-12)整合该第1个边缘矩阵、该第2个边缘矩阵与该第3个边缘矩阵以及该第1个连线信息、该第2个连线信息及该第3个连线信息，以获得一整合边缘矩阵及该整合边缘矩阵的该等边缘像素的一整合连线信息；以及
(d2-13)根据该整合边缘矩阵及该整合边缘矩阵的该等边缘像素的该整合连线信息，圈选该去背影像中的该等细胞核区块。
7.根据权利要求6所述的细胞学影像特征量化方法，其特征在于，其中步骤(d)更包含下列步骤：
(d3-1)基于该第i个边缘矩阵及该第i个边缘矩阵的该等边缘像素的该第i个连线信息，将该去背影像中被各该线段所围的一区域内的该等像素设成一背景像素，以产生一暂时去背影像；
(d3-2)根据该暂时去背影像的该等像素的该等色彩属性至少其中之一，产生一二维灰阶矩阵，并执行步骤(d1-2)至步骤(d1-4)以及步骤(d2-1)至(d2-11)，以获得该暂时去背影像的该第i个边缘矩阵及该第i个边缘矩阵的该等边缘像素的该第i个连线信息；
(d3-3)判断该暂时去背影像的该第i个边缘矩阵是否存在该等边缘像素；
(d3-4)若存在该等边缘像素，则将该暂时去背影像的该第i个边缘矩阵及该第i个边缘矩阵的该等边缘像素的该第i个连线信息并入至该去背影像的该第i个边缘矩阵及该第i个边缘矩阵的该等边缘像素的该第i个连线信息中；以及
(d3-5)重复上述步骤(d3-1)至步骤(d3-4)直到于步骤(d3-3)中判断该等边缘像素不存在。
8.根据权利要求6所述的细胞学影像特征量化方法，其特征在于，其中该步骤(d)更包含下列步骤：
(d4-1)基于该整合边缘矩阵及该整合边缘矩阵的该等边缘像素的该连线信息，将该去背影像中被各该线段所围的该区域内的该等像素设成该背景像素，以产生一暂时去背影像；
(d4-2)根据该暂时去背影像的该等像素的该等色彩属性至少其中之一，产生一二维二值化矩阵；
(d4-3)将该二维二值化矩阵乘上具有一参数的一德里切过滤(Derichefilter)矩阵，以得到一二维梯度矩阵，该二维梯度矩阵记载各该像素相对于其相邻该等像素的该水平方向梯度与该垂直方向梯度；
(d4-4)套用该屏蔽至该二维梯度矩阵，判断该屏蔽中的该中间像素的该总梯度大小是否于该屏蔽内为一相对最大值，若否，将该中间像素的该水平方向及该垂直方向梯度设为0，以更新该二维梯度矩阵；
(d4-5)套用该屏蔽至更新后的该二维梯度矩阵，判断该屏蔽中的该中间像素的该邻近垂直像素与该邻近水平像素的该等总梯度大小是否皆不等于0，若是，将该中间像素的该水平方向及该垂直方向梯度设为0，以更新该二维梯度矩阵，其中更新后的该二维梯度矩阵中该总梯度大小不等于0的该等像素为该等边缘像素；
其中，针对该二维梯度矩阵，该步骤(d)更包含下列步骤：
(d5-1)以该八连通规则，连线该等边缘像素以形成复数线段，其中该目前边缘像素的该总梯度方向与其所连线的该下一边缘像素的该总梯度方向间的该夹角小于该第二阈值；
(d5-2)消除该长度小于该第三阈值的四分之三倍的该线段及该线段所对应的该等边缘像素；
(d5-3)判断该等线段的该起始边缘像素与该终点边缘像素间的该距离是否小于该第五阈值；
(d5-4)针对该起始边缘像素与该终点边缘像素间的该距离不小于该第五阈值的该线段，判断该线段的该起始边缘像素与该终点边缘像素间的该距离是否小于该第六阈值，当小于该第六阈值时，对该线段进行该边缘补点程序；
(d5-5)针对经由该边缘补点程序处理的该线段，判断该线段的该起始边缘像素与该终点边缘像素间的该距离是否小于该第五阈值，并消除该距离大于该第五阈值的该线段及该线段所对应的该等边缘像素；
(d5-6)针对各该线段，判断该线段所对应的该等边缘像素的该总梯度方向是否朝向该线段所围的该区域的该圆心；
(d5-7)针对该等边缘像素的该总梯度方向不朝向该圆心的该线段，将该线段所围的该区域内的该等像素划分为该核内细胞质封入体区块，并消除该线段及该线段所对应的该等边缘像素；
(d5-8)针对该边缘像素的该总梯度方向朝向该圆心的该线段，判断该线段的该周长是否小于该第三阈值，并消除该周长小于该第三阈值的该线段及该线段所对应的该等边缘像素；
(d5-9)针对该周长不小于该第三阈值的该线段，判断该线段的该圆整度是否小于该第七阈值；
(d5-10)针对该圆整度小于该第七阈值的该线段，判断该线段的该椭圆度是否小于该第八阈值，并消除该椭圆度小于该第八阈值的该线段及该线段所对应的该等边缘像素；以及
(d5-11)根据未被消除的该等线段及该等线段所对应的该等边缘像素，产生一边缘矩阵及该边缘矩阵的该等边缘像素的一连线信息；以及
(d5-12)将该边缘矩阵及该边缘矩阵的该等边缘像素的该连线信息并入至该整合边缘矩阵及该整合边缘矩阵的该等边缘像素的该整合连线信息。
9.根据权利要求6所述的细胞学影像特征量化方法，其特征在于，其中该步骤(c)更包含下列步骤：
针对该细胞质部分，判断该细胞质部分中是否存在复数个像素，其位于圈选的该等细胞核区块内且不属于该核内细胞质封入体区块，若是，则将位于圈选的该等细胞核区块内且不属于该核内细胞质封入体区块的该等像素重新划分至该细胞核部分。
10.根据权利要求6所述的细胞学影像特征量化方法，其特征在于，其中该步骤(d2-12)更包含下列步骤：
判断该第2个边缘矩阵中该等线段中是否存在至少一第一新线段，它的一重心与该第1个边缘矩阵中该等线段所围的该等区域的复数个重心每一者间的复数重心距离皆大于一细胞核平均短轴长；
若存在该至少一第一新线段，将该至少一第一新线段的该等边缘像素加入至该第1个边缘矩阵，以产生该整合边缘矩阵，以及将与该至少一第一新线段相关连的一连线信息加入至该第1连线信息，以产生该整合连线信息；
判断该第3个边缘矩阵中该等线段中是否存在至少一第二新线段，其的一重心与该整合边缘矩阵中该等线段所围的该等区域的复数个重心每一者间的复数重心距离皆大于该细胞核平均短轴长；
若存在该至少一第二新线段，将该至少一第二新线段的该等边缘像素加入至该整合边缘矩阵，以更新该整合边缘矩阵，以及将与该至少一第二新线段相关连的一连线信息加入至该整合连线信息，以更新该整合连线信息。
11.根据权利要求6所述的细胞学影像特征量化方法，其特征在于，其中该边缘补点程序包含下列步骤：
根据该线段的该起始边缘像素与该终点边缘像素间的一斜率、一水平距离及一垂直距离，以一像素单位逐步地自该起始边缘像素往该终点边缘像素新增复数个该边缘像素。
12.根据权利要求4所述的细胞学影像特征量化方法，其特征在于，其中该输出影像是用以可视化呈现一核质比(nuclei-to-cytoplasm ratio；NCR)、该等细胞核区块、该等细胞核区块的至少一偏长形细胞核区块、该细胞核部分中的一重叠细胞核部分、至少一该核内细胞质封入体区块以及一细胞核长轴分布至少其中之一。
13.根据权利要求4所述的细胞学影像特征量化方法，其特征在于，其中，该细胞核排列方向变异度(nuclear polarity)是经由计算圈选的该等细胞核区块的一细胞核长轴与一水平线间的一夹角的标准偏差所产生；
其中，该核内细胞质封入体(index of inclusions)指数是经由将该细胞核部分内的复数封入体区块的一总面积除以该细胞核部分的一总面积产生；以及
其中，该细胞核重叠和紧贴(index of overlapping and molding)指数是经由将该细胞核部分中非属于该等细胞核区块的一剩余区块面积除以该细胞核部分的该总面积所产生。
14.一种细胞学图像处理装置，其特征在于，包含：
一储存器，用以储存一细胞学影像，该细胞学影像包含复数个像素；
一处理器，电性连接至该储存器，用以执行下列步骤：
(a)自该储存器，读取该细胞学影像；
(b)根据各该像素在一色彩空间中的复数个色彩属性至少其中之一，去除该细胞学影像的一背景部分，以产生一去背影像；
(c)划分该去背影像为一细胞核部分及一细胞质部分；
(d)侦测该去背影像的复数边缘像素，以圈选该去背影像中的复数个细胞核区块；
(e)产生一参数集，该参数集包含下列至少其中之一：一细胞核排列方向变异度、一核内细胞质封入体指数、一核质颜色比及一细胞核重叠和紧贴指数，其中该核质颜色比是根据该细胞核部分及该细胞质部分而产生，该细胞核排列方向变异度是根据该等细胞核区块而产生，该核内细胞质封入体指数是根据该细胞核部分而产生，该细胞核重叠和紧贴指数是根据该等细胞核区块及该细胞核部分而产生；以及
(f)可视化该去背影像，以产生一输出影像。
15.根据权利要求14所述的细胞学图像处理装置，其特征在于，更包含一输入接口以及一输出接口，其中该处理器更透过该输入接口读取该细胞学影像，并将该细胞学影像储存于储存器中，以及该处理器透过该输出接口传送该输出影像。
16.根据权利要求14所述的细胞学图像处理装置，其特征在于，其中该步骤(b)更包含下列步骤：
(b1)根据该细胞学影像的该等像素的该等色彩属性至少其中之一，决定复数个第一初始参考点；
(b2)根据该等第一初始参考点，针对该细胞学影像的该等像素，进行一分群，去除该细胞学影像的该背景部分，以获得该去背影像；
(b3)根据该去背影像的该等像素的该等色彩属性至少其中之一，决定复数个第二初始参考点；
(b4)根据该等第二初始参考点，针对该去背影像的该等像素，进行该分群，去除该去背影像的该背景部分，以更新该去背影像；
其中，该步骤(c)更包含下列步骤：
(c1)根据该去背影像的该等像素的该等色彩属性至少其中之一及其一权重比例，决定复数个第三初始参考点，并根据该等第三初始参考点及该权重比例，针对该去背影像的该等像素进行一分群，以划分该去背影像为该细胞核部分及该细胞质部分。
17.根据权利要求14所述的细胞学图像处理装置，其特征在于，其中该步骤(d)更包含下列步骤：
(d1-1)根据该去背影像的该等像素的该等色彩属性至少其中之一，产生一二维灰阶矩阵；
(d1-2)将该二维灰阶矩阵乘上一具有一第i个参数的德里切过滤(Deriche filter)矩阵，以得到一第i个二维梯度矩阵，该第i个二维梯度矩阵记载各该像素相对于其相邻该等像素的一水平方向梯度与一垂直方向梯度，其中i的初始值为1；
(d1-3)套用一屏蔽至该第i个二维梯度矩阵，判断该屏蔽中的一中间像素的一总梯度大小是否于该屏蔽内为一相对最大值，若否，将该中间像素的该水平方向梯度与该垂直方向梯度设为0，以更新该第i个二维梯度矩阵；以及
(d1-4)套用该屏蔽至更新后的该第i个二维梯度矩阵，判断该屏蔽中的该中间像素的一邻近垂直像素与一邻近水平像素的该等总梯度大小是否皆不等于0，若是，将该中间像素的该水平方向及该垂直方向梯度设为0，以更新该第i个二维梯度矩阵，其中更新后的该第i个二维梯度矩阵中该总梯度大小不等于0的该等像素为该等边缘像素；
(d1-5)将i设为2，并执行上述步骤(d1-2)至步骤(d1-4)，以获得一第2个二维梯度矩阵；以及
(d1-6)将i设为3，并执行上述步骤(d1-2)至步骤(d1-4)，以获得一第3个二维梯度矩阵；
其中，针对该第i个二维梯度矩阵，i为1至3，该步骤(d)更包含下列步骤：
(d2-1)以一八连通(8-connection connectivity)规则，连线该等边缘像素以形成复数线段，其中一目前边缘像素所连线的一下一边缘像素的该总梯度大小大于一第一阈值，且该目前边缘像素的一总梯度方向与其所连线的该下一边缘像素的该总梯度方向间的一夹角小于一第二阈值；
(d2-2)消除该等线段中一长度小于一第三阈值的四分之三倍或一平均梯度小于一第四阈值的该线段及该线段所对应的该等边缘像素；
(d2-3)判断该等线段的一起始边缘像素与一终点边缘像素间的一距离是否小于一第五阈值；
(d2-4)针对该起始边缘像素与该终点边缘像素间的该距离不小于该第五阈值的该线段，判断该线段的该起始边缘像素与该终点边缘像素间的该距离是否小于一第六阈值，当小于该第六阈值时，对该线段进行一边缘补点程序；
(d2-5)针对经由该边缘补点程序处理的该线段，判断该线段的该起始边缘像素与该终点边缘像素间的该距离是否小于该第五阈值，并消除该距离不小于该第五阈值的该线段及该线段所对应的该等边缘像素；
(d2-6)针对各该线段，判断该线段所对应的该等边缘像素的该总梯度方向是否朝向该线段所围的该区域的一圆心；
(d2-7)针对该等边缘像素的该总梯度方向不朝向该圆心的该线段，将该线段所围的一区域内的该等像素划分为一核内细胞质封入体区块，并消除该线段及该线段所对应的该等边缘像素；
(d2-8)针对该边缘像素的该总梯度方向朝向该圆心的该线段，判断该线段的一周长是否小于该第三阈值，并消除该周长小于该第三阈值的该线段及该线段所对应的该等边缘像素；
(d2-9)针对该周长不小于该第三阈值的该线段，判断该线段的一圆整度(circularity)是否小于一第七阈值；
(d2-10)针对该圆整度小于该第七阈值的该线段，判断该线段的一椭圆度(ellipticity)是否小于一第八阈值，并消除该椭圆度小于该第八阈值的该线段及该线段所对应的该等边缘像素；以及
(d2-11)根据未消除的该等线段及该等线段所对应的该等边缘像素，产生一第i个边缘矩阵及该第i个边缘矩阵的该等边缘像素的一第i个连线信息；
其中，该步骤(d)更包含下列步骤：
(d2-12)整合该第1个边缘矩阵、该第2个边缘矩阵与该第3个边缘矩阵以及该第1个连线信息、该第2个连线信息及该第3个连线信息，以获得一整合边缘矩阵及该整合边缘矩阵的该等边缘像素的一整合连线信息；以及
(d2-13)根据该整合边缘矩阵及该整合边缘矩阵的该等边缘像素的该整合连线信息，圈选该去背影像中的该等细胞核区块。
CN201711063044.9A 2016-11-09 2017-11-02 细胞学图像处理装置及细胞学影像特征量化方法 Pending CN108074268A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201662419928P 2016-11-09 2016-11-09
US62/419,928 2016-11-09

Publications (1)

Publication Number Publication Date
CN108074268A true CN108074268A (zh) 2018-05-25

Family

ID=60153049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711063044.9A Pending CN108074268A (zh) 2016-11-09 2017-11-02 细胞学图像处理装置及细胞学影像特征量化方法

Country Status (5)

Country Link
US (1) US10497116B2 (zh)
EP (1) EP3321851A3 (zh)
JP (1) JP6598838B2 (zh)
CN (1) CN108074268A (zh)
TW (1) TWI630581B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861900A (zh) * 2019-11-28 2021-05-28 财团法人资讯工业策进会 影像系统及检测方法
CN116912133A (zh) * 2023-09-12 2023-10-20 深圳市瑞沃德生命科技有限公司 一种梯度方向矫正方法及其装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805865B (zh) * 2018-05-22 2019-12-10 杭州智微信息科技有限公司 一种基于饱和度聚类的骨髓白细胞定位方法
TWI722297B (zh) * 2018-06-28 2021-03-21 國立高雄科技大學 醫學影像之體內邊緣偵測處理系統及其方法
AU2019363380A1 (en) * 2018-10-18 2021-05-20 Sravan Kumar PAYELI Monitoring follicular fluid flow using image processing
CN114764789B (zh) * 2022-03-30 2024-05-21 广州锟元方青医疗科技有限公司 病理细胞的量化方法、系统、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008539763A (ja) * 2005-05-13 2008-11-20 トリパス イメージング インコーポレイテッド 色原体分離に基づく画像解析の方法
CN102133109A (zh) * 2010-01-25 2011-07-27 安克生医股份有限公司 肿瘤特征的量化方法及影像化方法
US20150078648A1 (en) * 2013-09-13 2015-03-19 National Cheng Kung University Cell image segmentation method and a nuclear-to-cytoplasmic ratio evaluation method using the same

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2894113B2 (ja) * 1992-11-04 1999-05-24 松下電器産業株式会社 画像クラスタリング装置
US8288119B2 (en) * 2004-06-21 2012-10-16 Exelixis, Inc. PGDS as modifiers of the PTEN pathway and methods of use
JP4852890B2 (ja) * 2005-05-31 2012-01-11 株式会社ニコン 細胞の自動良否判定システム
WO2009072098A1 (en) * 2007-12-04 2009-06-11 University College Dublin, National University Of Ireland Method and system for image analysis
JP5426181B2 (ja) * 2009-01-21 2014-02-26 シスメックス株式会社 検体処理システム、細胞画像分類装置、及び検体処理方法
US20110256763A1 (en) * 2010-04-07 2011-10-20 Jan De Geest Mitigation of crosstalk resonances in interconnects
US9092850B2 (en) * 2011-01-21 2015-07-28 Carnegie Mellon University Identifying location biomarkers
US20140233826A1 (en) * 2011-09-27 2014-08-21 Board Of Regents Of The University Of Texas System Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
CN105139383B (zh) * 2015-08-11 2018-08-10 北京理工大学 基于定义圆hsv颜色空间的医学图像分割方法
EP3792825B1 (en) * 2015-12-18 2022-05-11 Abbott Laboratories Methods and systems for assessing histological stains

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008539763A (ja) * 2005-05-13 2008-11-20 トリパス イメージング インコーポレイテッド 色原体分離に基づく画像解析の方法
CN102133109A (zh) * 2010-01-25 2011-07-27 安克生医股份有限公司 肿瘤特征的量化方法及影像化方法
US20150078648A1 (en) * 2013-09-13 2015-03-19 National Cheng Kung University Cell image segmentation method and a nuclear-to-cytoplasmic ratio evaluation method using the same

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
H. RAMOSER: "Leukocyte segmentation and classification in blood-smear images", 《2005 IEEE ENGINEERING IN MEDICINE AND BIOLOGY 27TH ANNUAL CONFERENCE》 *
TOMASZLES: "Fusion of FISH image analysis methods of HER2 status determination in breast cancer", 《EXPERT SYSTEMS WITH APPLICATIONS》 *
WEI XIONG ET AL: "Cell Clumping Quantification and Automatic Area Classification in Peripheral Blood Smear Images", 《2009 2ND INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS》 *
WILLIAM A CHRISTENS-BARRY ET AL: "Quantitative Grading of Tissue and Nuclei in Prostate Cancer for Prognosis Prediction", 《JOHNS HOPKINS APL TECHNICAL DIGEST》 *
胡敏: "应用主动轮廓线生长模型的细胞核自动分割", 《计算机工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861900A (zh) * 2019-11-28 2021-05-28 财团法人资讯工业策进会 影像系统及检测方法
CN112861900B (zh) * 2019-11-28 2023-08-01 财团法人资讯工业策进会 影像系统及检测方法
CN116912133A (zh) * 2023-09-12 2023-10-20 深圳市瑞沃德生命科技有限公司 一种梯度方向矫正方法及其装置
CN116912133B (zh) * 2023-09-12 2023-12-19 深圳市瑞沃德生命科技有限公司 一种梯度方向矫正方法及其装置

Also Published As

Publication number Publication date
EP3321851A2 (en) 2018-05-16
US20180130205A1 (en) 2018-05-10
TW201818349A (zh) 2018-05-16
US10497116B2 (en) 2019-12-03
JP2018116685A (ja) 2018-07-26
JP6598838B2 (ja) 2019-10-30
TWI630581B (zh) 2018-07-21
EP3321851A3 (en) 2018-08-01

Similar Documents

Publication Publication Date Title
CN108074268A (zh) 细胞学图像处理装置及细胞学影像特征量化方法
Zhou et al. A survey of colormaps in visualization
US9002077B2 (en) Visualization of stained samples
EP3486835A1 (en) Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm
US9383347B2 (en) Pathological diagnosis results assessment system, pathological diagnosis results assessment method, and pathological diagnosis results assessment device
US8265362B2 (en) Pathological tissue image capturing system, method, and program
US7865000B2 (en) Medical image processing apparatus for analyzing properties of living body based on image data thereof
EP3035850B1 (en) Methods and systems for determining breast density
JP6168426B2 (ja) 疾患分析装置、制御方法、及びプログラム
Casanova et al. Texture analysis using fractal descriptors estimated by the mutual interference of color channels
CN108629761A (zh) 一种乳腺癌图像识别方法、装置和用户终端
CA2866258A1 (en) Method and apparatus for unsupervised segmentation of microscopic color image of unstained specimen and digital staining of segmented histological structures
JP6746310B2 (ja) 画像処理装置、撮像システム、画像処理方法
CN110837572A (zh) 图像检索方法、装置、可读存储介质及电子设备
CN112771510A (zh) 信息处理设备、信息处理方法和程序
CN116597985A (zh) 生存率预测模型训练方法、生存期预测方法及装置、设备
US20210279875A1 (en) Computer-implemented method for locating possible artifacts in a virtually stained histology image
CN113033287A (zh) 病理图像的显示方法及装置
CN113344928B (zh) 模型的训练及使用方法、装置、检测仪、存储介质
WO2023122418A1 (en) Systems and methods for processing digital images to adapt to color vision deficiency
JP2013134744A (ja) 画像処理装置、画像処理システム、画像処理方法、およびプログラム
EP3114994B1 (en) Image processing unit, magnetic resonance imaging device, image processing method, and recording medium
Nagaraju et al. Design of a novel panoptic segmentation using multi-scale pooling model for tooth segmentation
Samosir et al. Comparation Between Linear and Polynomial Kernel Function For Ovarium Cancer Classification
EP4276846A1 (en) Enhanced digital pathology platform

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180525

WD01 Invention patent application deemed withdrawn after publication