CN108288265A - 一种面向hcc病理图像细胞核的分割与分类方法 - Google Patents
一种面向hcc病理图像细胞核的分割与分类方法 Download PDFInfo
- Publication number
- CN108288265A CN108288265A CN201810017022.7A CN201810017022A CN108288265A CN 108288265 A CN108288265 A CN 108288265A CN 201810017022 A CN201810017022 A CN 201810017022A CN 108288265 A CN108288265 A CN 108288265A
- Authority
- CN
- China
- Prior art keywords
- nucleus
- nuclear
- segmentation
- boundary
- eigenmatrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (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
本发明涉及一种面向HCC病理图像细胞核的分割与分类方法，读取原始HCC图像；对图像进行k‑means聚类，得到分割后的细胞核；使用形态学操作对分割后的细胞核进行精炼，再进行三个方面的配准，然后与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵；根据配准后的细胞核计算细胞核边界特征得到细胞核边界特征矩阵；将细胞核形状特征矩阵和细胞核边界特征矩阵融合，放到随机森林分类器中分类得到结果。本发明使用k‑means聚类和形态学操作对细胞核进行分割，通过所提出的形状和边界两类特征对细胞核进行分类识别，从而使每类细胞核分类准确率得到提高，兼顾了更多细胞本身的情况，更有针对性。
Description
技术领域
本发明涉及一种图像处理技术，具体为一种面向HCC病理图像细胞核的分割与分类方法。
背景技术
图像的分割与分类是图像处理中基本的操作，传统的方法是通过Matlab的一系列图像分割函数对图像进行处理，从而达到分割的目的。随后对目标物体进行特征提取，利用特征的特异性对对象进行分类。虽然随着各方面研究的不断推进，图像分割和分类已经有了一个较大的进展，但是在医学方面病理图像分割的精确度依然存在很大的提升空间，尤其是对于癌细胞的分割和分类。肝癌是致死率全球第二的癌症，在临床诊断中，早期对于肝癌细胞的识别对于医生的诊断和患者的治疗都具有重大意义，对于降低肝癌的发病率和致死率也都有着极为关键的作用。且随着科技的发展，计算机辅助诊断(CAD)技术不断应用于各种领域，均得到了实质性的进展和效果。因此计算机技术与医疗诊断的结合迫在眉睫。
在细胞核分割方面，现有方法一方面使用的网络较复杂，实现起来时间复杂度较高且很困难。另一方面对于图像的分辨率和倍率要求较高，即对噪声特别敏感。且当细胞粘连程度不均匀时分割起来很困难。在HCC病理图像细胞核分割方面，现有的方法分割精度较低，分割后的细胞核无法用于后续的分割。而对于细胞核分类方面，存在多种多样的分类方式，但适用于肝癌细胞的特征较少，不具有针对性。
发明内容
针对现有技术中面向HCC病理图像中细胞核的分割存在分割困难、分类准确率低以及不具有针对性等不足，本发明要解决的问题是提供一种能够能实现对于病理图像的快速分割、提高细胞核分类准确率的面向HCC病理图像细胞核的分割与分类方法。
为解决上述技术问题，本发明采用的技术方案是：
本发明一种面向HCC病理图像细胞核的分割与分类方法，包括以下步骤：
1)读取原始HCC图像；
2)对原始HCC图像进行k-means聚类，得到分割后的细胞核；
3)使用形态学操作对分割后的细胞核进行精炼；
4)将精炼得到的细胞核进行三个方面的配准；
5)将配准后的细胞核与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵；
6)根据配准后的细胞核计算细胞核边界特征，得到细胞核边界特征矩阵；
7)将步骤5)得到的细胞核形状特征矩阵和步骤6)得到的细胞核边界特征矩阵进行融合后，放到随机森林(RF)分类器中进行分类得到结果。
步骤2)中，对原始HCC图像进行k-means聚类，得到分割后的细胞核，方法如下：
201)读取步骤1)中的图像，调用k-means.m函数，根据读取图像的尺寸，设定背景和前景初始凝聚点startdata；
202)进行k-means聚类，设定idClass＝1为背景，idClass＝2为前景，将所有像素点聚为两类，即背景和前景；
203)得到聚类后的初始细胞分割结果。
步骤3)中，使用形态学操作对分割后的细胞核进行精炼，方法为：
301)调用函数im2bw，将k-means聚类后结果转化为二值图像；
302)使用medfilt2函数对二值图像进行中值滤波；
303)将步骤301)和步骤302)中的图像进行或运算来优化图像；
304)使用bwfill填充细胞核的黑洞并去除噪声；
305)对细胞核进行开运算，设定结构元素为disk，阈值在4-6之间，进一步细化粘连细胞之间的边界。
步骤4)中，将精炼得到的细胞核进行三个方面的配准，方法为：
401)病理学家手动选取150～170张图像作为细胞核形状库；
402)将各图像块的中心和细胞核质心对齐，进行平移变换，使用公式如下：
(Δxi,Δyi)＝(xc,yc)-(xi,yi)
其中,(xc,yc)表示一个图像块的中心坐标，(xi,yi)表示图像块中每个细胞核中心坐标，(Δxi,Δyi)表示与图像块中心坐标和细胞核中心坐标之间相对应的坐标平移向量；
403)将细胞面积调整到以1000像素为基准，进行尺度变换，使用公式如下：
σi＝1000/areai
其中，σi是比例因子，areai是每个细胞核的面积，通过面积所占的像素数目表示；
404)将所有的细胞核长轴对齐到质心为原点的x轴，进行方向变换，使用公式如下：
其中，θ表示每个核的主轴与水平轴的正方向之间的角度。
步骤5)中，将配准后的细胞核与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵，方法为：
501)获取病理学家手动选择的细胞核形状库；
502)设定相似度参数分别为Jaccard，Dice_Ratio，precision和recall，中每个参数的公式如下：
其中，SR表示分割区域，TR表示真实细胞区域，Jaccard(SR,TR)用于度量分割结果和真实结果之间的差异，Dice_Ratio(SR,TR)表示描述相似性的Dice系数，precision(SR,TR)和recall(SR,TR)分别表示precision精确度和recall召回率；pixelSR表示分割结果的像素数，pixelTR表示真实结果的像素数，Num表示分割结果与真实结果取交集或者并集后得到的像素数目；
503)将需要分类的图像数据分为训练数据和测试数据，将训练数据与细胞核形状库进行相似度匹配，得到细胞核形状特征矩阵；
504)将得到的细胞核形状特征矩阵存到内存中。
步骤6)中，根据配准后的细胞核计算细胞核边界特征，得到细胞核边界特征矩阵，方法为：
601)通过步骤4)对每个细胞核进行变换，得到预处理后的细胞核；
602)调用edge函数，将参数设置为“canny”，提取每个预处理后的细胞核的边界；
603)计算预处理后的每个细胞核的长轴和短轴，并画出椭圆模板；
604)设定边界点的极角角度为θ＝π/15，并通过具有相同间隔的不同极角确定椭圆边界点，共12个；
605)计算细胞核边界点和椭圆边界点之间的欧氏距离，并根据距离最小值确定细胞核上的边界特征点，欧氏距离公式如下：
其中edgepoint为细胞核边界点，point为椭圆边界点，x，y为边界点坐标；
606)通过12个特征点确定每个细胞核所对应的三角形共个，将每个三角形中的任意两个角的余弦值的比作为特征，公式如下：
其中i,j,k分别代表三角形的三个顶点，BF为边界特征的缩略表示。
步骤7)中，将步骤5)得到的细胞核形状特征矩阵和步骤6)得到的细胞核边界特征矩阵进行融合后，放到随机森林(RF)分类器中进行分类得到结果，方法为：
701)将测试数据存入内存，创建可执行的函数调用；
702)调用步骤5)和步骤6)结合的特征，输入到随机森林(RF)分类器中进行分类；
703)输出HCC病理图像的识别分类准确率并保存。
本发明具有以下有益效果及优点：
1.本发明使用k-means聚类方法和形态学操作对细胞核进行分割，并通过所提出的两类特征对细胞核进行分类识别，从而使每类细胞核分类准确率得到提高。
2.本发明方法能实现对于病理图像的快速分割，得到分割结果后，可以对粘连细胞进行处理。分类方面，我们提出了新颖的细胞核形态特征，相对于传统的LBP,灰度共生矩阵等特征，兼顾了更多细胞本身的情况，也保留了更完整的细胞信息。且更有针对性，对于肝癌细胞的分类能达到一个很好的效果。
附图说明
图1为本发明明图像处理中的细胞核分割以及特征提取与分类的流程图；
图2A为原始病理图像的细胞核图像；
图2B为k-means分割后的细胞核图像；
图2C为形态学操作后得到的细胞核图像；
图3A为正常肝细胞图像；
图3B为肝癌细胞图像；
图4A为配准前的细胞核图像；
图4B为配准前的细胞核图像；
图4C为配准前的细胞核图像；
图4D为配准后的细胞核图像；
图4E为配准后的细胞核图像；
图4F为配准后的细胞核图像；
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图1所示，本发明一种面向HCC病理图像细胞核的分割与分类方法，其特征在于包括以下步骤：
1)读取原始HCC图像；
2)对原始HCC图像进行k-means聚类，得到分割后的细胞核；
3)使用形态学操作对分割后的细胞核进行精炼；
4)将精炼得到的细胞核进行三个方面的配准；
5)将配准后的细胞核与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵；
6)根据配准后的细胞核计算细胞核边界特征，得到细胞核边界特征矩阵；
7)将步骤5)得到的细胞核形状特征矩阵和步骤6)得到的细胞核边界特征矩阵进行融合后，放到随机森林(RF)分类器中进行分类得到结果。
本发明面向HCC病理图像中细胞核的分割和分类是对病理图像中的细胞核进行处理。首先通过k-means聚类方法分割细胞核，随后使用形态学操作处理图像中的噪点和黑洞。在分割得到的细胞核中，首先通过三个方面的调整将需要分类的细胞核配准到相同的维度下，病理学家手动选择标准的细胞核作为细胞核形状库，随后通过所提出的四个相似性度量参数与细胞核形状库进行匹配，将得到的参数作为特征进行细胞核的分类。其中四个相似度度量参数分别为Jaccard，Dice_Ratio，precision和recall。对于细胞核自身，提出椭圆边界点特征度量，通过边界点形成的三角形来度量细胞核的形状特征。最后将细胞核形状特征矩阵与细胞核边界特征矩阵结合后放入随机森林(RF)分类器中进行分类得到最终分类准确率。
本实施例中，选用2016版本的matlab作为方法实现的设备，使用k-means聚类将细胞聚合为两类，随后使用形态学处理细胞核周围的噪声和黑洞，保证细胞核的完整性。本发明中，提取了肝癌细胞两种特征，分别为形状特征和边界特征，并对细胞核进行正常和异常两种分类，如图3A～3B所示，从而更好地表征了肝癌细胞独有的特点，进一步提高了分类准确率。
本实施例中，步骤101)，将原始的HCC病理细胞图像(如图2A所示)读至内存中；
步骤2)，对图像进行k-means聚类，得到分割后的细胞核，(如图2B所示)，方法如下：
步骤201)，读取步骤1)中的图像，调用k-means.m函数，根据读取图像的尺寸，设定背景和前景初始凝聚点startdata；
步骤202)，进行k-means聚类，设定idClass＝1为背景，idClass＝2为前景，将所有像素点聚为两类，背景和前景；
步骤203)，得到聚类后的初始细胞分割结果。
步骤3)，使用形态学操作对细胞核进行精炼，得到形态学操作后的细胞核，图像如图2C所示，方法为：
步骤301)，调用函数im2bw，将k-means聚类后结果转化为二值图像，；
步骤302)，使用medfilt2函数对二值图像进行中值滤波；
步骤303)，将步骤301)和步骤302)中的图像进行或运算来优化图像；
步骤304)，使用bwfill填充细胞核的黑洞并去除噪声；
步骤305)，对细胞核进行开运算，设定结构元素为disk，阈值在4-6之间，进一步细化粘连细胞之间的边界。
步骤4)，将分割得到的细胞核进行三个方面的配准，配准前和配准后的细胞核图像如图4A～4F所示，方法为：
步骤401)，由病理学家手动选取150～170张(本实施例选取160张)图像作为细胞核形状库；
步骤402)，将各图像的块中心和细胞核质心对齐，进行平移变换，使用公式如下：
(Δxi,Δyi)＝(xc,yc)-(xi-yi)
其中,(xc,yc)表示一个图像块的中心坐标，(xi,yi)表示图像块中每个细胞核中心坐标，(Δxi,Δyi)表示与图像块中心坐标和细胞核中心坐标之间相对应的坐标平移向量；
步骤403)，将细胞面积调整到以1000像素为基准，进行尺度变换，使用公式如下：
σi＝1000/areai
其中，σi是比例因子，areai是每个细胞核的面积，通过面积所占的像素数目表示。
步骤404)，将所有的细胞核长轴对齐到质心为原点的x轴，进行方向变换，使用公式如下：
其中，θ表示每个核的主轴与水平轴的正方向之间的角度。
步骤5)，将配准后的细胞核与病理学家手动选择的细胞核形状库通过四个相似度参数进行比较得到特征矩阵，方法为：
501)获取病理学家手动选择的细胞核形状库；
502)设定相似度参数分别为Jaccard，Dice_Ratio，precision和recall，中每个参数的公式如下：
其中，SR表示分割区域，TR表示真实细胞区域，Jaccard(SR,TR)用于度量分割结果和真实结果之间的差异，Dice_Ratio(SR,TR)表示描述相似性的Dice系数，precision(SR,TR)和recall(SR,TR)分别表示precision精确度和recall召回率。pixelSR表示分割结果的像素数，pixelTR表示真实结果的像素数，Num表示分割结果与真实结果取交集或者并集后得到的像素数目。
503)将需要分割的图像数据分为训练数据和测试数据，将训练数据与细胞核形状库进行相似度匹配，得到特征矩阵；
504)将得到的特征矩阵存到内存中。
步骤6)中，根据配准后的细胞核计算细胞核边界特征，方法为：
601)通过步骤4)对每个细胞核进行变换，得到预处理后的细胞核；
602)调用edge函数，将参数设置为“canny”，提取每个预处理后的细胞核的边界；
603)计算预处理后的每个细胞核的长轴和短轴，并画出椭圆模板；
604)设定边界点的极角角度为θ＝π/15，并通过具有相同间隔的不同极角确定椭圆边界点，共12个；
605)计算细胞核边界点和椭圆边界点之间的欧氏距离，并根据距离最小值确定细胞核上的边界特征点，欧氏距离公式如下：
其中edgepoint为细胞核边界点，point为椭圆边界点，x，y为边界点坐标；
606)通过12个特征点确定每个细胞核所对应的三角形共个，将每个三角形中的任意两个角的余弦值的比作为特征，公式如下：
其中i,j,k分别代表三角形的三个顶点，BF为边界特征的缩略表示。
步骤7)中，将步骤5)得到的特征矩阵和步骤6)得到的细胞核边界特征进行融合后，放到随机森林(RF)分类器中进行分类得到结果，方法为：
701)将测试数据存入内存，创建可执行的函数调用；
702)调用步骤5和步骤6结合的特征，输入到随机森林(RF)分类器中进行分类。
703)输出HCC病理图像的识别分类准确率并保存。
通过以上实施例可知，本发明使用k-means聚类方法和形态学操作对细胞核进行分割，并通过所提出的两类特征对细胞核进行分类识别，从而使每类细胞核分类准确率得到提高。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，依然可以对前述实施例中的技术方案进行修改，或对部分技术进行等效替换，而这些修改或替换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种面向HCC病理图像细胞核的分割与分类方法，其特征在于包括以下步骤：
1)读取原始HCC图像；
2)对原始HCC图像进行k-means聚类，得到分割后的细胞核；
3)使用形态学操作对分割后的细胞核进行精炼；
4)将精炼得到的细胞核进行三个方面的配准；
5)将配准后的细胞核与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵；
6)根据配准后的细胞核计算细胞核边界特征，得到细胞核边界特征矩阵；
7)将步骤5)得到的细胞核形状特征矩阵和步骤6)得到的细胞核边界特征矩阵进行融合后，放到随机森林分类器中进行分类得到结果。
2.按权利要求1所述的面向HCC病理图像细胞核的分割与分类方法，其特征在于：步骤2)中，对原始HCC图像进行k-means聚类，得到分割后的细胞核，方法如下：
201)读取步骤1)中的图像，调用k-means.m函数，根据读取图像的尺寸，设定背景和前景初始凝聚点startdata；
202)进行k-means聚类，设定idClass＝1为背景，idClass＝2为前景，将所有像素点聚为两类，即背景和前景；
203)得到聚类后的初始细胞分割结果。
3.按权利要求1所述的面向HCC病理图像细胞核的分割与分类方法，其特征在于：步骤3)中，使用形态学操作对分割后的细胞核进行精炼，方法为：
301)调用函数im2bw，将k-means聚类后结果转化为二值图像；
302)使用medfilt2函数对二值图像进行中值滤波；
303)将步骤301)和步骤302)中的图像进行或运算来优化图像；
304)使用bwfill函数填充细胞核的黑洞并去除噪声；
305)对细胞核进行开运算，设定结构元素为disk，阈值在4-6之间，进一步细化粘连细胞之间的边界。
4.按权利要求1所述的面向HCC病理图像细胞核的分割与分类方法，其特征在于：步骤4)中，将精炼得到的细胞核进行三个方面的配准，方法为：
401)病理学家手动选取150～170张图像作为细胞核形状库；
402)将各图像块的中心和细胞核质心对齐，进行平移变换，使用公式如下：
(Δxi,Δyi)＝(xc,yc)-(xi,yi)
其中,(xc,yc)表示一个图像块的中心坐标，(xi,yi)表示图像块中每个细胞核中心坐标，(Δxi,Δyi)表示与图像块中心坐标和细胞核中心坐标之间相对应的坐标平移向量；
403)将细胞面积调整到以1000像素为基准，进行尺度变换，使用公式如下：
σi＝1000/areai
其中，σi是比例因子，areai是每个细胞核的面积，通过面积所占的像素数目表示；
404)将所有的细胞核长轴对齐到质心为原点的x轴，进行方向变换，使用公式如下：
其中，θ表示每个核的主轴与水平轴的正方向之间的角度。
5.按权利要求1所述的面向HCC病理图像细胞核的分割与分类方法，其特征在于：步骤5)中，将配准后的细胞核与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵，方法为：
501)获取病理学家手动选择的细胞核形状库；
502)设定相似度参数分别为Jaccard，Dice_Ratio，precision和recall，中每个参数的公式如下：
其中，SR表示分割区域，TR表示真实细胞区域，Jaccard(SR,TR)用于度量分割结果和真实结果之间的差异，Dice_Ratio(SR,TR)表示描述相似性的Dice系数，precision(SR,TR)和recall(SR,TR)分别表示precision精确度和recall召回率；pixelSR表示分割结果的像素数，pixelTR表示真实结果的像素数，Num表示分割结果与真实结果取交集或者并集后得到的像素数目；
503)将需要分类的图像数据分为训练数据和测试数据，将训练数据与细胞核形状库进行相似度匹配，得到细胞核形状特征矩阵；
504)将得到的特征矩阵存到内存中。
6.按权利要求1所述的面向HCC病理图像细胞核的分割与分类方法，其特征在于：步骤6)中，根据配准后的细胞核计算细胞核边界特征，得到细胞核边界特征矩阵，方法为：
601)通过步骤4)对每个细胞核进行变换，得到预处理后的细胞核；
602)调用edge函数，将参数设置为“canny”，提取每个预处理后的细胞核的边界；
603)计算预处理后的每个细胞核的长轴和短轴，并画出椭圆模板；
604)设定边界点的极角角度为θ＝π/15，并通过具有相同间隔的不同极角确定椭圆边界点，共12个；
605)计算细胞核边界点和椭圆边界点之间的欧氏距离，并根据距离最小值确定细胞核上的边界特征点，欧氏距离公式如下：
其中edgepoint为细胞核边界点，point为椭圆边界点，x，y为边界点坐标；
606)通过12个特征点确定每个细胞核所对应的三角形共个，将每个三角形中的任意两个角的余弦值的比作为特征，公式如下：
其中i,j,k分别代表三角形的三个顶点，BF为边界特征的缩略表示。
7.按权利要求1所述的面向HCC病理图像细胞核的分割与分类方法，其特征在于：步骤7)中，将步骤5)得到的细胞核形状特征矩阵和步骤6)得到的细胞核边界特征矩阵进行融合后，放到随机森林(RF)分类器中进行分类得到结果，方法为：
701)将测试数据存入内存，创建可执行的函数调用；
702)调用步骤5)和步骤6)结合的特征矩阵，输入到随机森林(RF)分类器中进行分类；
703)输出HCC病理图像的识别分类准确率并保存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810017022.7A CN108288265A (zh) | 2018-01-09 | 2018-01-09 | 一种面向hcc病理图像细胞核的分割与分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810017022.7A CN108288265A (zh) | 2018-01-09 | 2018-01-09 | 一种面向hcc病理图像细胞核的分割与分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108288265A true CN108288265A (zh) | 2018-07-17 |
Family
ID=62835133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810017022.7A Pending CN108288265A (zh) | 2018-01-09 | 2018-01-09 | 一种面向hcc病理图像细胞核的分割与分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108288265A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853047A (zh) * | 2019-10-12 | 2020-02-28 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
| CN111462086A (zh) * | 2020-03-31 | 2020-07-28 | 北京推想科技有限公司 | 图像分割方法及装置、神经网络模型的训练方法及装置 |
| CN113393443A (zh) * | 2021-06-17 | 2021-09-14 | 华南理工大学 | 一种he病理图像细胞核分割方法及系统 |
| CN114299044A (zh) * | 2021-12-31 | 2022-04-08 | 深圳裕泰抗原科技有限公司 | 一种判读淋巴细胞的方法及装置 |
| CN115526844A (zh) * | 2022-09-16 | 2022-12-27 | 杭州瑞普基因科技有限公司 | 一种基于显微镜图像的胰岛细胞统计计算方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473739A (zh) * | 2013-08-15 | 2013-12-25 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与系统 |
| CN105404887A (zh) * | 2015-07-05 | 2016-03-16 | 中国计量学院 | 一种基于随机森林的白细胞五分类方法 |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
| CN107480702A (zh) * | 2017-07-20 | 2017-12-15 | 东北大学 | 面向hcc病理图像识别的特征选择与特征融合方法 |
-
2018
- 2018-01-09 CN CN201810017022.7A patent/CN108288265A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473739A (zh) * | 2013-08-15 | 2013-12-25 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与系统 |
| CN105404887A (zh) * | 2015-07-05 | 2016-03-16 | 中国计量学院 | 一种基于随机森林的白细胞五分类方法 |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
| CN107480702A (zh) * | 2017-07-20 | 2017-12-15 | 东北大学 | 面向hcc病理图像识别的特征选择与特征融合方法 |
Non-Patent Citations (3)
| Title |
|---|
| XIAOYU DUAN 等: "Shape and Boundary Similarity Features for Accurate HCC Image Recognition", 《BIOMED RESEARCH INTERNATIONAL》 * |
| 李玲玉 等: "基于机器视觉下的皮肤老化分级研究", 《生物医学工程学杂志》 * |
| 梅林: "基于 K-均值聚类及数学形态学的细胞图像自动分割方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853047A (zh) * | 2019-10-12 | 2020-02-28 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
| WO2021068330A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
| CN110853047B (zh) * | 2019-10-12 | 2023-09-15 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
| CN111462086A (zh) * | 2020-03-31 | 2020-07-28 | 北京推想科技有限公司 | 图像分割方法及装置、神经网络模型的训练方法及装置 |
| CN111462086B (zh) * | 2020-03-31 | 2024-04-26 | 推想医疗科技股份有限公司 | 图像分割方法及装置、神经网络模型的训练方法及装置 |
| CN113393443A (zh) * | 2021-06-17 | 2021-09-14 | 华南理工大学 | 一种he病理图像细胞核分割方法及系统 |
| CN113393443B (zh) * | 2021-06-17 | 2023-02-14 | 华南理工大学 | 一种he病理图像细胞核分割方法及系统 |
| CN114299044A (zh) * | 2021-12-31 | 2022-04-08 | 深圳裕泰抗原科技有限公司 | 一种判读淋巴细胞的方法及装置 |
| CN115526844A (zh) * | 2022-09-16 | 2022-12-27 | 杭州瑞普基因科技有限公司 | 一种基于显微镜图像的胰岛细胞统计计算方法 |
| CN115526844B (zh) * | 2022-09-16 | 2023-06-27 | 杭州瑞普基因科技有限公司 | 一种基于显微镜图像的胰岛细胞统计计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Seens: Nuclei segmentation in pap smear images with selective edge enhancement | |
| Song et al. | A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei | |
| CN108288265A (zh) | 一种面向hcc病理图像细胞核的分割与分类方法 | |
| Gençtav et al. | Unsupervised segmentation and classification of cervical cell images | |
| Xu et al. | An efficient technique for nuclei segmentation based on ellipse descriptor analysis and improved seed detection algorithm | |
| Pan et al. | An accurate nuclei segmentation algorithm in pathological image based on deep semantic network | |
| Ong et al. | Image analysis of tissue sections | |
| Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
| Li et al. | Color space transformation and multi-class weighted loss for adhesive white blood cell segmentation | |
| Yang et al. | Cell image segmentation with kernel-based dynamic clustering and an ellipsoidal cell shape model | |
| Huang et al. | Nucleus segmentation of cervical cytology images based on multi-scale fuzzy clustering algorithm | |
| Mazo et al. | Classification of cardiovascular tissues using LBP based descriptors and a cascade SVM | |
| Hu et al. | Detection and recognition for life state of cell cancer using two-stage cascade CNNs | |
| Song et al. | Kidney segmentation in CT sequences using SKFCM and improved GrowCut algorithm | |
| Wang et al. | Nucleus segmentation of cervical cytology images based on depth information | |
| Alegro et al. | Automating cell detection and classification in human brain fluorescent microscopy images using dictionary learning and sparse coding | |
| Wu et al. | Natural scene text detection by multi-scale adaptive color clustering and non-text filtering | |
| CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| Hajdowska et al. | Graph based method for cell segmentation and detection in live-cell fluorescence microscope imaging | |
| Urdal et al. | Prognostic prediction of histopathological images by local binary patterns and RUSBoost | |
| Ma et al. | MACD R-CNN: an abnormal cell nucleus detection method | |
| Yang et al. | Ultrasound image classification of thyroid nodules based on deep learning | |
| Zhang et al. | Abnormal region detection in cervical smear images based on fully convolutional network | |
| Hassan et al. | A dilated residual hierarchically fashioned segmentation framework for extracting Gleason tissues and grading prostate cancer from whole slide images | |
| Jiang et al. | Channel spatial collaborative attention network for fine-grained classification of cervical cells |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180717 |
|
| RJ01 | Rejection of invention patent application after publication |