CN108320289B - 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 - Google Patents
一种基于稀疏表示和形态学操作的骨髓细胞分割方法 Download PDFInfo
- Publication number
- CN108320289B CN108320289B CN201810145025.9A CN201810145025A CN108320289B CN 108320289 B CN108320289 B CN 108320289B CN 201810145025 A CN201810145025 A CN 201810145025A CN 108320289 B CN108320289 B CN 108320289B
- Authority
- CN
- China
- Prior art keywords
- image
- crop1
- crop3
- map
- crop2
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—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
- G06T7/136—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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于稀疏表示和形态学操作的骨髓细胞分割方法,包括以下步骤:(1)基于饱和度的骨髓细胞预检测;(2)基于稀疏表示的骨髓细胞检测;(3)基于形态学的多角度骨髓细胞分割和计数。本发明可以得到精确的骨髓细胞检测位置,分割图像和计数结果,整个过程无需人工参与,真正实现了全自动骨髓细胞检测、分割与计数,有利于后续诸如细胞分类、急性白血病诊断等处理。
Description
技术领域
本发明涉及医学图像处理的技术领域,特别涉及一种基于稀疏表示和形态学操作的骨髓细胞分割方法。
背景技术
白血病是起源于造血系统的恶性肿瘤。其特点是骨髓中产生和积聚大量幼稚和异常的白细胞,并浸润其他器官,导致正常造血功能的抑制和衰竭。依据白血病细胞的分化程度和自然病程的长短,可分为急性和慢性两大类。我国白血病类型分布急性多于慢性,以髓细胞白血病多见,其发病率在各种肿瘤中占第六位。急性白血病(AL)患者常伴有贫血、出血、发热、感染以及浸润等临床症状,若不进行及时有效的特殊治疗,平均生存期只有三个月左右,短则甚至在诊断数天后死亡,严重威胁着患者的身体健康和日常生活。急性白血病诊断及分型的准确与否直接关系治疗方案的选择及预后提示。细胞形态学是急性白血病诊断中应用最多、最广泛、最直接和最经济的一种重要诊断手段,是形态学、免疫学、细胞遗传学、分子生物学(MICM)分型诊断的重要组成部分。形态学方法主要是将患者骨髓涂片和血涂片分别进行瑞氏-吉姆萨染色分析,并进一步予以其他细胞化学染色,按照FAB(French、American、Britain)标准对急性白血病类型进行判定。在实际操作中,该方法仍采用人工操作方法,检验工作量大,可重复性差,不仅耗时耗力,医师连续工作易因疲劳或粗心引发错误识别,影响病情诊断,而且对形态描述缺乏客观的定量标准。同时,其诊断水平一定程度上取决于医生的经验。因此,借助医学图像处理技术客观定量的提取和分析骨髓细胞,开发一个自动细胞分类及分析系统对提高白血病诊断的整体水平具有重要意义。其中,染色细胞的自动检测、分割和计数是其中关键的一步。
依靠图像处理和模式识别技术,对白细胞进行形态学分析及识别的研究比较多,但目前在市场上,尚没有自动化血细胞形态学分析与识别仪器应用于临床试验。这是由于目前存在的白细胞分割算法存在很多的不足,诸如不能很好的解决复杂的细胞粘连问题,细胞分割精度低或者算法鲁棒性尚不能满意等。
由于涂片制备、染色条件、图像获取设备等的差异,不同来源得到的细胞图像通常比较复杂;目标和背景的颜色、纹理等特征常常变化、特征缺失和特征混淆等情形普遍。现有研究中,几乎所有白细胞自动分割算法均假设图像采样、细胞染色条件良好,图像一致性能够得到保障;但是这样的假设在实际中并不能很好保证,相关算法存在很大的局限性,尚不能满足临床医学检验的实际应用需求。
同时,骨髓中包含不同生长阶段的各种细胞,细胞的形态、纹理和着色情况等随种类及核、浆的生长或病变程度而变化;胞浆颜色会受到背景光照的很大影响,有时同背景非常相似,但有时呈现颗粒性,细胞有单核与多核之分,同一个多核细胞的核区有时是相互分离的等等。骨髓涂片中还常常伴随各种细胞团聚现象,细胞间相互重叠、粘连。这些问题都成为了骨髓细胞分析中的主要难题。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于一种基于稀疏表示和形态学操作的骨髓细胞分割方法,能够检测、分割骨髓中不同阶段的细胞并对这些细胞进行计数,而且算法鲁棒,准确有效,适应于各种复杂细胞图片,满足实际应用需求。
本发明的目的通过以下技术方案实现:
一种基于稀疏表示和形态学操作的骨髓细胞分割方法,包括以下步骤:
(1)基于饱和度的骨髓细胞预检测:将原始图像由RGB彩色空间转为HSV 空间,利用otsu阈值对S通道进行二值化,同时,根据骨髓细胞饱和度先验知识,当阈值小于区间[70,75]的任意一值时,将其设为区域[80,87]中的一值,否则保持不变,得到骨髓细胞预检测位置的二值化图像;
(2)基于稀疏表示的骨髓细胞检测:
(2-1)超像素分割:用SLIC算法将步骤(1)得到的二值化图像进行超像素分割;用SLIC算法对原始图像进行超像素分割;
(2-2)超像素特征提取:用一个向量v来表示原始图像中的每个超像素,即 v={F1,F2,F3,F4},其中,F1是每个超像素的平均亮度、F2是每个超像素在洋红色至绿色色彩空间的均值、F3是每个超像素在黄色至蓝色色彩空间的均值和F4 代表每个超像素在S通道上的饱和度分布;
(2-3)构建背景字典:
(2-3-1)备选背景区域选择:遍历(2-1)得到的二值化图像超像素,找到当前超像素平均亮度为0且邻接超像素平均亮度也为0的超像素点,作为备选背景超像素;
(2-3-2)背景区域选择:根据(2-3-1)得到的备选背景超像素点的坐标得到(2-1)中原始图像对应的超像素点,当备选背景超像素区域覆盖原始图像中对应超像素区域的一半以上,则设原始图像对应的超像素点为背景区域,否则视为前景区域;以最终背景超像素的特征作为列向量组合成背景字典矩阵D,即 D=[v1,v2,…,vm],其中m为背景超像素个数;
(2-4)骨髓细胞检测:
(2-4-1)按照稀疏分解公式,计算原始图像中每个超像素在背景字典下的稀疏系数,如下式所示:
其中bj是求得的稀疏系数,j∈[1,2,…,n],n为原始图像中超像素个数;λ为正则系数;
(2-4-2)利用求得的稀疏系数对原超像素vj进行重建,得到稀疏重建后的残差εj为,如下式:
(2-4-3)将计算得到的残差作为原始图像超像素的显著度,得到骨髓细胞的检测图imagehuidu;
(3)基于形态学的多角度骨髓细胞分割和计数:
(3-1)分类简单细胞图像和复杂细胞图像:利用otsu阈值对(2-4-3)得到的检测图imagehuidu进行二值化,得到图像imageerzhi;当骨髓细胞的面积占总图像面积的40%~45%以上,即为复杂细胞图像;否则为简单细胞图像;
(3-2)细胞全局分割:
(3-2-1)遍历(3-1)中二值图像imageerzhi的连通区域,找到每个连通区域的最大最小坐标,以此为矩形框图的坐标,对原始图像、(2-4-3)得到的检测图 imagehuidu和(3-1)得到的二值图像imageerzhi分别进行裁剪,从而得到骨髓细胞对应的分割图crop1image、分割灰度图crop1huidu和分割二值图crop1erzhi;
(3-2-2)剔除(3-2-1)分割图中的不完整细胞和由于涂片制备、染色条件和手工操作导致的干扰背景;
定义areacrop1为分割图crop1image的面积;ratio0crop1为分割图 crop1image宽高比,ratio0crop1∈(0,1],ratio1crop1为分割图crop1image饱和度在区间[102,255]的占比;
1)分割图crop1image位于原始图像边界时,其满足areacrop1∈ (1000,3000]且ratio0crop1,ratio1crop1≥0.45,或者areacrop1∈(3000,∞) 且ratio1crop1≥0.45则保留;2)分割图crop1image位于原始图像非边界时,其满足ratio1crop1≥0.45则保留;
(3-3)细胞局部再分割:
(3-3-1)对(3-2-2)保留下来的分割灰度图crop1huidu进行阈值区间为[6,10]的二值化处理,经过边长区间为[2,4]的正方形结构体形态学变换后,定义 round_ratecrop1为细胞曲圆率;当分割图crop1image满足areacrop1>35000,或者areacrop1∈(17000,35000]且round_ratecrop1<0.46时,则判定为待分割的多细胞区域crop1multi,否则为单细胞区域crop1single;
(3-3-2)利用otsu阈值对(3-3-1)中待分割的多细胞区域crop1multi对应的分割灰度图crop1huidu进行二值化,当阈值大于区间[112,117]之间的值时,设阈值为[220,240]中的值;图像为简单图像时,设圆形结构体的半径为1;图像为复杂图像时,设圆形结构体的半径为3;经过形态学变换,遍历每个面积大于1200 且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此为矩形框图的坐标,对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop2image、分割灰度图crop2huidu和分割二值图 crop2erzhi;
(3-3-3)当(3-3-2)分割图crop2image位于对应的(3-3-1)多细胞区域 crop1multi的边界时,分割图crop2image面积低于区间[14000,16000]的值且宽高比低于区间[0.5,0.55]的值时剔除,否则保留该分割图crop2image;
(3-4)细胞S通道再分割:
(3-4-1)对(3-3-3)保留的分割图对应的灰度图crop2huidu进行阈值区间为 [6,10]的二值化处理,经过边长区间为[2,4]的正方形结构体形态学变换后,定义 areacrop2是分割图crop2image的面积;round_ratecrop2为细胞曲圆率; ratio0crop2为细胞所占面积比;
1)areacrop2>27500;2)areacrop2∈(19000,27500]且 round_ratecrop2<0.56,或者areacrop2∈(19000,27500]且 round_ratecrop2≥0.56但ratio0crop2<0.5,则判定为待分割的多细胞区域 crop2multi,否则为单细胞区域crop2single;并将(3-3-2)中单细胞区域的矩形框图扩大1.1~1.2倍重新对crop1multi裁剪得到crop2_newsingle;
(3-4-2)提取(3-4-1)的多细胞区域crop2multi的S通道图像,并进行再分割,得到分割图crop3image、分割灰度图crop3huidu和分割二值图crop3erzhi;
(3-5)细胞H通道再分割:
当图像为简单图像时,将(3-4-2)中的矩形框图扩大1.2~1.3倍,重新对crop2multi裁剪得到单细胞区域crop3_newimage;
当图像为复杂图像时,进行细胞H通道再分割:
(3-5-1)剔除(3-4-2)分割图中不完整细胞:当(3-4-2)分割图crop3image位于(3-4-1)待分割多细胞区域crop2multi的边界时,分割图crop3image面积低于区间 [14000,16000]的值且宽高比低于区间[0.5,0.55]的值时剔除,否则保留该分割图 crop3image;
(3-5-2)对(3-5-1)保留下来的分割图对应的灰度图crop3huidu进行阈值区间为[6,10]的二值化处理,经过边长区间为[2,4]的正方形结构体形态学变换后,定义areacrop3是分割图crop3image的面积;round_ratecrop3为细胞曲圆率; ratio0crop3为细胞所占面积比;
1)areacrop3>27500;2)areacrop3∈(19000,27500]且 round_ratecrop3<0.56,或者areacrop3∈(19000,27500]且round_ratecrop3≥ 0.56但ratio0crop3<0.5,则判定为待分割的多细胞区域crop3multi,否则为单细胞区域crop3single,并将(3-4-2)中的矩形框图扩大1.2~1.3倍,重新对crop2multi裁剪得到crop3_newsingle;
(3-5-3)提取(3-5-2)多细胞区域crop3multi的H通道图像,并进行再分割,得到分割图crop4image、分割灰度图crop4huidu和分割二值图crop4erzhi;
(3-5-4)剔除(3-5-3)分割图crop4image中不完整细胞;
(3-6)细胞计数:图像为简单图像时,汇总(3-3-1)单细胞区域crop1single、(3-4-1)单细胞区域crop2_newsingle和(3-5)单细胞区域crop3_newimage,并统计细胞总数;图像为复杂图像时,汇总(3-3-1)单细胞区域crop1single、(3-4-1)单细胞区域crop2_newsingle、(3-5-2)单细胞区域crop3_newsingle和(3-5-4)单细胞区域 crop4_newimage,并统计细胞总数。
步骤(3-2-2)中,areacrop1、ratio0crop1、ratio1crop1、signcrop1(i,j)的计算具体如下:
areacrop1=widthcrop1*heightcrop1
ratio0crop1=min(widthcrop1,heightcrop1)/max(widthcrop1,heightcrop1)
其中,widthcrop1,heightcrop1分别为分割图crop1image的宽度和高度,Scrop1是分割图crop1image提取其S通道的图像, i∈[1,2,…,widthcrop1],j∈[1,2,…,heightcrop1]。
步骤(3-3-1)中,round_ratecrop1的计算如下:
round_ratecrop1=4*π*S_roundcrop1/C_roundcrop1 2
其中,S_roundcrop1为分割图crop1image中细胞所占面积,C_roundcrop1为分割图crop1image中细胞的周长。
步骤(3-4-1)中,areacrop2、round_ratecrop2、ratio0crop2的计算如下:
areacrop2=widthcrop2*heightcrop2
round_ratecrop2=4*π*S_roundcrop2/C_roundcrop2 2
ratio0crop2=S_roundcrop2/areacrop2
其中,widthcrop2,heightcrop2分别为分割图crop2image的宽度和高度, S_roundcrop2为分割图crop2image中细胞所占面积,C_roundcrop2为分割图 crop2image中细胞周长。
步骤(3-4-2)所述提取(3-4-1)的多细胞区域crop2multi的S通道图像,并进行再分割,得到分割图crop3image、分割灰度图crop3huidu和分割二值图 crop3erzhi,具体为:
细胞为简单图像时,设阈值为区间[125,130]中的一值对S通道进行二值化;经过半径为1的圆形结构体形态学变换二次,遍历每个面积大于1200且小于 1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此作为矩形框图的坐标,对多细胞分割图crop2multi、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop3image、分割灰度图crop3huidu和分割二值图 crop3erzhi;
细胞为复杂图像时,阈值设置如下式:
其中,tcrop2是多细胞区域S通道饱和度的众数,t1crop2是多细胞区域S通道饱和度的otsu阈值;利用阈值thcrop2对多细胞区域S通道二值化;经过半径为3的圆形结构体形态学变换后,遍历每个面积大于1200且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此作为矩形框图的坐标,对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop3image、分割灰度图crop3huidu和分割二值图crop3erzhi。
步骤(3-5-2)中,areacrop3、round_ratecrop3、ratio0crop3计算具体如下:
areacrop3=widthcrop3*heightcrop3
round_ratecrop3=4*π*S_roundcrop3/C_roundcrop3 2
ratio0crop3=S_roundcrop3/areacrop3
其中,widthcrop3,heightcrop3分别为分割图crop3image的宽度和高度, S_roundcrop3为分割图crop3image中细胞所占面积,C_roundcrop3为分割图 crop3image中细胞周长。
步骤(3-5-3)所述提取(3-5-2)多细胞区域crop3multi的H通道图像,并进行再分割,得到分割图crop4image、分割灰度图crop4huidu和分割二值图crop4erzhi,具体为:
阈值设置如下式:
其中,阈值tcrop3是多细胞区域H通道饱和度的众数,利用阈值thcrop3对多细胞区域H通道二值化;经过半径为1的圆形结构体形态学变换后,再经过半径为3的圆形结构体腐蚀,半径为1的圆形结构体膨胀和半径为3的圆形结构体腐蚀后,遍历每个面积大于1200且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此作为矩形框图的坐标对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop4image、分割灰度图crop4huidu和分割二值图crop4erzhi。
步骤(3-5-4)所述剔除(3-5-3)分割图中不完整细胞,具体为:
定义areacrop4为分割图crop4image的面积;ratio0crop4为分割图crop4image宽高比,ratio0crop4∈(0,1];ratio1crop4为分割图crop4image饱和度在区间 [102,255]的占比;
1)分割图crop4image位于待分割多细胞区域crop3multi边界时,其满足 areacrop4∈(1000,3000],ratio0crop4≥0.5且ratio1crop4>0.45,或者 areacrop4∈(3000,∞)且ratio1crop4>0.45则保留;2)分割图crop4image位于非边界时,其满足ratio1crop4>0.45则保留,并将(3-5-3)中的矩形框图扩大 1.2~1.3倍,重新对crop3multi裁剪得到单细胞区域crop4_newimage。
areacrop4、ratio0crop4、ratio1crop4、signcrop4(i,j)的计算具体如下:
areacrop4=widthcrop4*heightcrop4
ratio0crop4=min(widthcrop4,heightcrop4)/max(widthcrop4,heightcrop4)
其中,widthcrop4,heightcrop4分别为分割图crop4image的宽度和高度,Scrop4是分割图crop4image提取其S通道的图像。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明创造性地提出了一种基于稀疏表示和形态学操作的骨髓细胞分割方法,整个过程完全实现自动骨髓细胞检测、分割和计数,无需人工参与,克服了现有方法需要手动操作,可重复性差、费时费力等缺陷。
(2)本发明创造性地提出了基于稀疏表示的骨髓细胞检测方法。由于涂片制备、染色条件、图像获取设备等的差异,不同来源得到的细胞图像通常比较复杂;目标和背景的颜色、纹理等特征常常变化、特征缺失和特征混淆等情形普遍。基于稀疏表示的骨髓细胞检测方法可以自动检测不同来源细胞图像的背景,并基于该背景建立稀疏字典,从而很好地消除上述因素导致的差异,从而避免误判。
(3)本发明针对不同复杂程度的细胞图像创造性得定制了不同的分割手段。急性白血病细胞图像随个体差异、病情程度等而呈现不同的状态,一般增生极度活跃,病情严重的图像多出现细胞团聚、粘连现象,因此,需要不同对待。
(4)本发明创造性地全方位利用细胞图像的不同特征进行多角度分割,分别从图像全局和局部、色彩空间和饱和度空间,结合形态学变换对不同细胞图像进行分割与计数,很好地解决了骨髓中不同生长阶段的各种细胞,单核与多核细胞,核区分离细胞以及粘连、重叠细胞的分割。
附图说明
图1为本发明的实施例的基于稀疏表示和形态学操作的骨髓细胞分割方法的工作流程图。
图2为本发明的实施例的基于饱和度的骨髓细胞预检测的流程图。
图3为本发明的实施例的基于稀疏表示的骨髓细胞检测的流程图。
图4为本发明的实施例的基于形态学的多角度骨髓细胞分割和计数的流程图。
具体实施方式
下面结合实施例,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例的基于稀疏表示和形态学操作的骨髓细胞分割方法,包括以下步骤:
(1)基于饱和度的骨髓细胞预检测:
在RGB彩色空间中,不同光谱也可能产生相同的颜色,因而对于同样的一张骨髓相图片颜色不变,却可能因为操作的不一致导致三个颜色分量产生很大变化。而在HSV空间中,一个物体的色度和饱和度通常只由物体原材料的光线吸收和反射特性决定。因此,在色度和饱和度空间,条件同色不会影响计算机的判断。因而,色度和饱和度对骨髓细胞分割至关重要。
骨髓细胞染色时是细胞核与细胞浆着色,在光照下细胞会呈现出较饱和的颜色,而背景的饱和度总体来说明显低于细胞核,比细胞胞浆略低。色调也会因细胞核和细胞浆着色而与背景出现差异,但是不同成长阶段的细胞着色会出现偏红或偏蓝等不同基色;因此,饱和度对于骨髓细胞的预检测更有效。
具体步骤如图2所示,将原始图像由RGB彩色空间转为HSV空间,利用 otsu阈值对S通道进行二值化,同时,根据骨髓细胞饱和度先验知识,当阈值小于区间[70,75]的任意一值时,将其设为区域[80,87]中的一值,否则保持不变,得到骨髓细胞预检测位置的二值化图像;
(2)如图3,基于稀疏表示的骨髓细胞检测:
由于涂片制备、染色条件、图像获取设备等的差异,不同来源得到的细胞图像通常比较复杂;目标和背景的颜色、纹理等特征常常变化、特征缺失和特征混淆等情形普遍。本发明的基于稀疏表示的骨髓细胞检测方法,它可以根据骨髓细胞预检测位置自动找到背景区域,并根据背景区域高效而准确地检测到骨髓细胞,具体步骤如下:
(2-1)超像素分割:用SLIC算法将步骤(1)得到的二值化图像进行超像素分割;用SLIC算法对原始图像进行超像素分割;
分别用半径为10和5的圆形结构体对(1)得到的二值化图像进行形态学变换,先膨胀后腐蚀,重复三次;然后采用简单的线性迭代聚类算法(Simple Liner IterativeClustering,SLIC)算法将图像分割成一个个大小相似并且边缘贴近图像边缘的超像素;以超像素为基本操作单元,不仅能极大地减少运算量,而且能很好地保留图像边缘信息和局部的结构信息,甚至能增加算法对噪声的鲁棒性。本实施例将超声图像分割为600个超像素;
(2-2)超像素特征提取:具体为使用一个23维的向量v来表示每个超像素,其中,v={F1,F2,F3,F4},F1是每个超像素的平均亮度、F2是每个超像素在洋红色至绿色色彩空间的均值、F3是每个超像素在黄色至蓝色色彩空间的均值和 F4代表每个超像素在S通道上的饱和度分布。其中,饱和度分布特征F4是一个 20维的向量,通过将图像的最小饱和度到最大饱和度范围之间均匀划分20个饱和度区间,统计每个超像素在这20个饱和度间隔的直方图作为其饱和度分布特征;
(2-3)构建背景字典:
(2-3-1)备选背景区域选择:遍历(2-1)得到的二值化图像超像素,找到当前超像素平均亮度为0且邻接超像素平均亮度也为0的超像素点,作为备选背景超像素;
(2-3-2)背景区域选择:根据(2-3-1)得到的备选背景超像素点的坐标得到(2-1)中原始图像对应的超像素点,当备选背景超像素区域覆盖原始图像中对应超像素区域的一半以上,则设原始图像对应的超像素点为背景区域,否则视为前景区域;以最终背景超像素的特征作为列向量组合成背景字典矩阵D,即 D=[v1,v2,…,vm],其中m为背景超像素个数;
(2-4)骨髓细胞检测:
(2-4-1)按照稀疏分解公式,计算原始图像中每个超像素在背景字典下的稀疏系数,如下式所示:
其中bj是求得的稀疏系数,j∈[1,2,…,n],n为原始图像中超像素个数;λ为正则系数;
(2-4-2)利用求得的稀疏系数对原超像素vj进行重建,得到稀疏重建后的残差εj为,如下式:
(2-4-3)将计算得到的残差作为原始图像超像素的显著度,得到骨髓细胞的检测图imagehuidu;
(3)如图4所示,基于形态学的多角度骨髓细胞分割和计数:
(3-1)分类简单细胞图像和复杂细胞图像:
急性白血病细胞图像随个体差异、病情程度等而呈现不同的状态,一般增生极度活跃,病情严重的图像多出现细胞团聚、粘连现象,分割难度较大,因此,需要挑出进行特殊分析。
具体为:利用otsu阈值对(2-4-3)得到的检测图imagehuidu进行二值化,得到图像imageerzhi;当骨髓细胞的面积占总图像面积的40%~45%以上,即为复杂细胞图像;否则为简单细胞图像;
(3-2)细胞全局分割:
(3-2-1)遍历(3-1)中二值图像imageerzhi的连通区域,找到每个连通区域的最大最小坐标,以此为矩形框图的坐标,对原始图像、(2-4-3)得到的检测图 imagehuidu和(3-1)得到的二值图像imageerzhi分别进行裁剪,从而得到骨髓细胞对应的分割图crop1image、分割灰度图crop1huidu和分割二值图crop1erzhi;
(3-2-2)剔除(3-2-1)分割图中的不完整细胞和由于涂片制备、染色条件和手工操作导致的干扰背景;
定义areacrop1为分割图crop1image的面积;ratio0crop1为分割图 crop1image宽高比,ratio0crop1∈(0,1],ratio1crop1为分割图crop1image饱和度在区间[102,255的占比;
areacrop1、ratio0crop1、ratio1crop1的计算具体如下:
areacrop1=widthcrop1*heightcrop1
ratio0crop1=min(widthcrop1,heightcrop1)/max(widthcrop1,heightcrop1)
其中,widthcrop1,heightcrop1分别为分割图crop1image的宽度和高度,Scrop1是分割图crop1image提取其S通道的图像, i∈[1,2,…,widthcrop1],j∈[1,2,…,heightcrop1];
1)分割图crop1image位于原始图像边界时,其满足areacrop1∈ (1000,3000]且ratio0crop1,ratio1crop1≥0.45,或者areacrop1∈(3000,∞) 且ratio1crop1≥0.45则保留;2)分割图crop1image位于原始图像非边界时,其满足ratio1crop1≥0.45则保留;
(3-3)细胞局部再分割:
骨髓细胞的多变性导致它不可能通过单一手法就实现很好的分割结果,因此,需要针对全局分割的结果找到包含多细胞的聚集区域,根据聚集区域局部特征进行二值化,并根据不同复杂程度的图像进行不同的形态学变换,从而得到更好的分割结果。
(3-3-1)对(3-2-2)保留下来的分割灰度图crop1huidu进行阈值区间为[6,10]的二值化处理,经过边长区间为[2,4]的正方形结构体形态学变换后,定义 round_ratecrop1为细胞曲圆率;当分割图crop1image满足areacrop1>35000,或者areacrop1∈(17000,35000]且round_ratecrop1<0.46时,则判定为待分割的多细胞区域crop1multi,否则为单细胞区域crop1single;
细胞曲圆率round_ratecrop1的计算如下:
round_ratecrop1=4*π*S_roundcrop1/C_roundcrop1 2
其中,S_roundcrop1为分割图crop1image中细胞所占面积,C_roundcrop1为分割图crop1image中细胞的周长
(3-3-2)利用otsu阈值对(3-3-1)中待分割的多细胞区域crop1multi对应的分割灰度图crop1huidu进行二值化,当阈值大于区间[112,117]之间的值时,设阈值为[220,240]中的值;图像为简单图像时,设圆形结构体的半径为1;图像为复杂图像时,设圆形结构体的半径为3;经过形态学变换,遍历每个面积大于1200 且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此为矩形框图的坐标,对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop2image、分割灰度图crop2huidu和分割二值图 crop2erzhi;
(3-3-3)剔除(3-3-2)分割图中不完整细胞
局部分割时,会产生一些不完整细胞,这些细胞要么本身是不完整细胞,位于原始图像的边界;要么是已经分割出去的单细胞区域但同时被部分框进了多细胞区域,因此,需要剔除;
当(3-3-2)分割图crop2image位于对应的(3-3-1)多细胞区域crop1multi的边界时,分割图crop2image面积低于区间[14000,16000]的值且宽高比低于区间 [0.5,0.55]的值时剔除,否则保留该分割图crop2image;
(3-4)细胞S通道再分割:
(3-4-1)对(3-3-3)保留的分割图对应的灰度图crop2huidu进行阈值区间为 [6,10]的二值化处理,经过边长区间为[2,4]的正方形结构体形态学变换后,定义 areacrop2是分割图crop2image的面积;round_ratecrop2为细胞曲圆率;ratio0crop2为细胞所占面积比;
areacrop2、round_ratecrop2、ratio0crop2的计算如下:
areacrop2=widthcrop2*heightcrop2
round_ratecrop2=4*π*S_roundcrop2/C_roundcrop2 2
ratio0crop2=S_roundcrop2/areacrop2
其中,widthcrop2,heightcrop2分别为分割图crop2image的宽度和高度, S_roundcrop2为分割图crop2image中细胞所占面积,C_roundcrop2为分割图 crop2image中细胞周长;
1)areacrop2>27500;2)areacrop2∈(19000,27500]且 round_ratecrop2<0.56,或者areacrop2∈(19000,27500]且 round_ratecrop2≥0.56但ratio0crop2<0.5,则判定为待分割的多细胞区域 crop2multi,否则为单细胞区域crop2single;并将(3-3-2)中单细胞区域的矩形框图扩大1.1~1.2倍重新对crop1multi裁剪得到crop2_newsingle;
(3-4-2)提取(3-4-1)的多细胞区域crop2multi的S通道图像,并进行再分割,得到分割图crop3image、分割灰度图crop3huidu和分割二值图crop3erzhi;
细胞为简单图像时,设阈值为区间[125,130]中的一值对S通道进行二值化;经过半径为1的圆形结构体形态学变换二次,遍历每个面积大于1200且小于 1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此作为矩形框图的坐标,对多细胞分割图crop2multi、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop3image、分割灰度图crop3huidu和分割二值图 crop3erzhi;
细胞为复杂图像时,阈值设置如下式:
其中,tcrop2是多细胞区域S通道饱和度的众数,t1crop2是多细胞区域S通道饱和度的otsu阈值;利用阈值thcrop2对多细胞区域S通道二值化;经过半径为3的圆形结构体形态学变换后,遍历每个面积大于1200且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此作为矩形框图的坐标,对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop3image、分割灰度图crop3huidu和分割二值图crop3erzhi;
(3-5)细胞H通道再分割:
一般情况下,经过三次分割的细胞图像已经可以分割得很好了,但是当其为复杂图像时,细胞往往粘连、重叠、堆积现象严重,需要对该现象进行大力度的形态学变换;同时,堆积、重叠严重的细胞在饱和度上不易区分,但是往往在色度上呈现可分割状态,即细胞核、胞浆之间色度有所差异,而内部色度又保持一致。
当图像为简单图像时,将(3-4-2)中的矩形框图扩大1.2~1.3倍,重新对crop2multi裁剪得到单细胞区域crop3_newimage;
当图像为复杂图像时,进行细胞H通道再分割:
(3-5-1)剔除(3-4-2)分割图中不完整细胞:当(3-4-2)分割图crop3image位于 (3-4-1)待分割多细胞区域crop2multi的边界时,分割图crop3image面积低于区间[14000,16000]的值且宽高比低于区间[0.5,0.55]的值时剔除,否则保留该分割图 crop3image;
(3-5-2)对(3-5-1)保留下来的分割图对应的灰度图crop3huidu进行阈值区间为[6,10]的二值化处理,经过边长区间为[2,4]的正方形结构体形态学变换后,定义areacrop3是分割图crop3image的面积;round_ratecrop3为细胞曲圆率; ratio0crop3为细胞所占面积比;
areacrop3、round_ratecrop3、ratio0crop3计算具体如下:
areacrop3=widthcrop3*heightcrop3
round_ratecrop3=4*π*S_roundcrop3/C_roundcrop3 2
ratio0crop3=S_roundcrop3/areacrop3
其中,widthcrop3,heightcrop3分别为分割图crop3image的宽度和高度, S_roundcrop3为分割图crop3image中细胞所占面积,C_roundcrop3为分割图 crop3image中细胞周长;
1)areacrop3>27500;2)areacrop3∈(19000,27500]且 round_ratecrop3<0.56,或者areacrop3∈(19000,27500]且round_ratecrop3≥ 0.56但ratio0crop3<0.5,则判定为待分割的多细胞区域crop3multi,否则为单细胞区域crop3single,并将(3-4-2)中的矩形框图扩大1.2~1.3倍,重新对crop2multi裁剪得到crop3_newsingle;
(3-5-3)提取(3-5-2)多细胞区域crop3multi的H通道图像,并进行再分割,得到分割图crop4image、分割灰度图crop4huidu和分割二值图crop4erzhi:
阈值设置如下式:
其中,阈值tcrop3是多细胞区域H通道饱和度的众数,利用阈值thcrop3对多细胞区域H通道二值化;经过半径为1的圆形结构体形态学变换后,再经过半径为3的圆形结构体腐蚀,半径为1的圆形结构体膨胀和半径为3的圆形结构体腐蚀后,遍历每个面积大于1200且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此作为矩形框图的坐标对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop4image、分割灰度图crop4huidu和分割二值图crop4erzhi
(3-5-4)剔除(3-5-3)分割图crop4image中不完整细胞:
定义areacrop4为分割图crop4image的面积;ratio0crop4为分割图crop4image宽高比,ratio0crop4∈(0,1];ratio1crop4为分割图crop4image饱和度在区间 [102,255]的占比;
areacrop4、ratio0crop4、ratio1crop4的计算具体如下:
areacrop4=widthcrop4*heightcrop4
ratio0crop4=min(widthcrop4,heightcrop4)/max(widthcrop4,heightcrop4)
其中,widthcrop4,heightcrop4分别为分割图crop4image的宽度和高度,Scrop4是分割图crop4image提取其S通道的图像;
1)分割图crop4image位于待分割多细胞区域crop3multi边界时,其满足 areacrop4∈(1000,3000],ratio0crop4≥0.5且ratio1crop4>0.45,或者 areacrop4∈(3000,∞)且ratio1crop4>0.45则保留;2)分割图crop4image位于非边界时,其满足ratio1crop4>0.45则保留,并将(3-5-3)中的矩形框图扩大 1.2~1.3倍,重新对crop3multi裁剪得到单细胞区域crop4_newimage;
(3-6)细胞计数:图像为简单图像时,汇总(3-3-1)单细胞区域crop1single、(3-4-1)单细胞区域crop2_newsingle和(3-5)单细胞区域crop3_newimage,并统计细胞总数;图像为复杂图像时,汇总(3-3-1)单细胞区域crop1single、(3-4-1)单细胞区域crop2_newsingle、(3-5-2)单细胞区域crop3_newsingle和(3-5-4)单细胞区域 crop4_newimage,并统计细胞总数。
利用本发明设计的基于稀疏表示和形态学操作的骨髓细胞分割模型,给定病人骨髓细胞染色图像后,系统检测到每个染色细胞,并进行准确分割,汇总记录细胞数量。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于稀疏表示和形态学操作的骨髓细胞分割方法,其特征在于,包括以下步骤:
(1)基于饱和度的骨髓细胞预检测:将原始图像由RGB彩色空间转为HSV空间,利用otsu阈值对S通道进行二值化,同时,根据骨髓细胞饱和度先验知识,当阈值小于区间[70,75]的任意一值时,将其设为区域[80,87]中的一值,否则保持不变,得到骨髓细胞预检测位置的二值化图像;
(2)基于稀疏表示的骨髓细胞检测:
(2-1)超像素分割:用SLIC算法将步骤(1)得到的二值化图像进行超像素分割;用SLIC算法对原始图像进行超像素分割;
(2-2)超像素特征提取:用一个向量v来表示原始图像中的每个超像素,即v={F1,F2,F3,F4},其中,F1是每个超像素的平均亮度、F2是每个超像素在洋红色至绿色色彩空间的均值、F3是每个超像素在黄色至蓝色色彩空间的均值和F4代表每个超像素在S通道上的饱和度分布;
(2-3)构建背景字典:
(2-3-1)备选背景区域选择:遍历(2-1)得到的二值化图像超像素,找到当前超像素平均亮度为0且邻接超像素平均亮度也为0的超像素点,作为备选背景超像素;
(2-3-2)背景区域选择:根据(2-3-1)得到的备选背景超像素点的坐标得到(2-1)中原始图像对应的超像素点,当备选背景超像素区域覆盖原始图像中对应超像素区域的一半以上,则设原始图像对应的超像素点为背景区域,否则视为前景区域;以最终背景超像素的特征作为列向量组合成背景字典矩阵D,即D=[v1,v2,...,vm],其中m为背景超像素个数;
(2-4)骨髓细胞检测:
(2-4-1)按照稀疏分解公式,计算原始图像中每个超像素在背景字典下的稀疏系数,如下式所示:
其中bj是求得的稀疏系数,j∈[1,2,...,n],n为原始图像中超像素个数;λ为正则系数;
(2-4-2)利用求得的稀疏系数对原超像素vj进行重建,得到稀疏重建后的残差εj为,如下式:
(2-4-3)将计算得到的残差作为原始图像超像素的显著度,得到骨髓细胞的检测图imagehuidu;
(3)基于形态学的多角度骨髓细胞分割和计数:
(3-1)分类简单细胞图像和复杂细胞图像:利用otsu阈值对(2-4-3)得到的检测图imagehuidu进行二值化,得到图像imageerzhi;当骨髓细胞的面积占总图像面积的40%~45%以上,即为复杂细胞图像;否则为简单细胞图像;
(3-2)细胞全局分割:
(3-2-1)遍历(3-1)中二值图像imageerzhi的连通区域,找到每个连通区域的最大最小坐标,以此为矩形框图的坐标,对原始图像、(2-4-3)得到的检测图imagehuidu和(3-1)得到的二值图像imageerzhi分别进行裁剪,从而得到骨髓细胞对应的分割图crop1image、分割灰度图crop1huidu和分割二值图crop1erzhi;
(3-2-2)剔除(3-2-1)分割图中的不完整细胞和由于涂片制备、染色条件和手工操作导致的干扰背景;
定义areacrop1为分割图crop1image的面积;ratio0crop1为分割图crop1image宽高比,ratio0crop1∈(0,1],ratio1crop1为分割图crop1image饱和度在区间[102,255]的占比;
1)分割图crop1image位于原始图像边界时,其满足areacrop1∈(1000,3000]且ratio0crop1,ratio1crop1≥0.45,或者areacrop1∈(3000,∞)且ratio1crop1≥0.45则保留;2)分割图crop1image位于原始图像非边界时,其满足ratio1crop1≥0.45则保留;
(3-3)细胞局部再分割:
(3-3-1)对(3-2-2)保留下来的分割灰度图crop1huidu进行阈值区间为[6,10]的二值化处理,经过边长区间为[2,4]的正方形结构体形态学变换后,定义round_ratecrop1为细胞曲圆率;当分割图crop1image满足areacrop1>35000,或者areacrop1∈(17000,35000]且round_ratecrop1<0.46时,则判定为待分割的多细胞区域crop1multi,否则为单细胞区域crop1single;
(3-3-2)利用otsu阈值对(3-3-1)中待分割的多细胞区域crop1multi对应的分割灰度图crop1huidu进行二值化,当阈值大于区间[112,117]之间的值时,设阈值为[220,240]中的值;图像为简单图像时,设圆形结构体的半径为1;图像为复杂图像时,设圆形结构体的半径为3;经过形态学变换,遍历每个面积大于1200且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此为矩形框图的坐标,对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop2image、分割灰度图crop2huidu和分割二值图crop2erzhi;
(3-3-3)当(3-3-2)分割图crop2image位于对应的(3-3-1)多细胞区域crop1multi的边界时,分割图crop2image面积低于区间[14000,16000]的值且宽高比低于区间[0.5,0.55]的值时剔除,否则保留该分割图crop2image;
(3-4)细胞S通道再分割:
(3-4-1)对(3-3-3)保留的分割图对应的灰度图crop2huidu进行阈值区间为[6,10]的二值化处理,经过边长区间为[2,4]的正方形结构体形态学变换后,定义areacrop2是分割图crop2image的面积;round_ratecrop2为细胞曲圆率;ratio0crop2为细胞所占面积比;
1)areacrop2>27500;2)areacrop2∈(19000,27500]且round_ratecrop2<0.56,或者areacrop2∈(19000,27500]且round_ratecrop2≥0.56但ratio0crop2<0.5,则判定为待分割的多细胞区域crop2multi,否则为单细胞区域crop2single;并将(3-3-2)中单细胞区域的矩形框图扩大1.1~1.2倍重新对crop1multi裁剪得到crop2_newsingle;
(3-4-2)提取(3-4-1)的多细胞区域crop2multi的S通道图像,并进行再分割,得到分割图crop3image、分割灰度图crop3huidu和分割二值图crop3erzhi;
(3-5)细胞H通道再分割:
当图像为简单图像时,将(3-4-2)中的矩形框图扩大1.2~1.3倍,重新对crop2multi裁剪得到单细胞区域crop3_newimage;
当图像为复杂图像时,进行细胞H通道再分割:
(3-5-1)剔除(3-4-2)分割图中不完整细胞:当(3-4-2)分割图crop3image位于(3-4-1)待分割多细胞区域crop2multi的边界时,分割图crop3image面积低于区间[14000,16000]的值且宽高比低于区间[0.5,0.55]的值时剔除,否则保留该分割图crop3image;
(3-5-2)对(3-5-1)保留下来的分割图对应的灰度图crop3huidu进行阈值区间为[6,10]的二值化处理,经过边长区间为[2,4]的正方形结构体形态学变换后,定义areacrop3是分割图crop3image的面积;round_ratecrop3为细胞曲圆率;ratio0crop3为细胞所占面积比;
1)areacrop3>27500;2)areacrop3∈(19000,27500]且round_ratecrop3<0.56,或者areacrop3∈(19000,27500]且round_ratecrop3≥0.56但ratio0crop3<0.5,则判定为待分割的多细胞区域crop3multi,否则为单细胞区域crop3single,并将(3-4-2)中的矩形框图扩大1.2~1.3倍,重新对crop2multi裁剪得到crop3_newsingle;
(3-5-3)提取(3-5-2)多细胞区域crop3multi的H通道图像,并进行再分割,得到分割图crop4image、分割灰度图crop4huidu和分割二值图crop4erzhi;
(3-5-4)剔除(3-5-3)分割图crop4image中不完整细胞;
(3-6)细胞计数:图像为简单图像时,汇总(3-3-1)单细胞区域crop1single、(3-4-1)单细胞区域crop2_newsingle和(3-5)单细胞区域crop3_newimage,并统计细胞总数;图像为复杂图像时,汇总(3-3-1)单细胞区域crop1single、(3-4-1)单细胞区域crop2_newsingle、(3-5-2)单细胞区域crop3_newsingle和(3-5-4)单细胞区域crop4_newimage,并统计细胞总数。
2.根据权利要求1所述的基于稀疏表示和形态学操作的骨髓细胞分割方法,其特征在于,步骤(3-2-2)中,areacrop1、ratio0crop1、ratio1crop1、signcrop1(i,j)的计算具体如下:
areacrop1=widthcrop1*heightcrop1
ratio0crop1=min(widthcrop1,heightcrop1)/max(widthcrop1,heightcrop1)
其中,widthcrop1,heightcrop1分别为分割图crop1image的宽度和高度,Scrop1是分割图crop1image提取其S通道的图像,i∈[1,2,...,widthcrop1],j∈[1,2,...,heightcrop1]。
3.根据权利要求1所述的基于稀疏表示和形态学操作的骨髓细胞分割方法,其特征在于,步骤(3-3-1)中,round_ratecrop1的计算如下:
round_ratecrop1=4*π*S_roundcrop1/C_roundcrop1 2
其中,S_roundcrop1为分割图crop1image中细胞所占面积,C_roundcrop1为分割图crop1image中细胞的周长。
4.根据权利要求1所述的基于稀疏表示和形态学操作的骨髓细胞分割方法,其特征在于,步骤(3-4-1)中,areacrop2、round_ratecrop2、ratio0crop2的计算如下:
areacrop2=widthcrop2*heightcrop2
round_ratecrop2=4*π*S_roundcrop2/C_roundcrop2 2
ratio0crop2=S_roundcrop2/areacrop2
其中,widthcrop2,heightcrop2分别为分割图crop2image的宽度和高度,S_roundcrop2为分割图crop2image中细胞所占面积,C_roundcrop2为分割图crop2image中细胞周长。
5.根据权利要求1所述的基于稀疏表示和形态学操作的骨髓细胞分割方法,其特征在于,步骤(3-4-2)所述提取(3-4-1)的多细胞区域crop2multi的S通道图像,并进行再分割,得到分割图crop3image、分割灰度图crop3huidu和分割二值图crop3erzhi,具体为:
细胞为简单图像时,设阈值为区间[125,130]中的一值对S通道进行二值化;经过半径为1的圆形结构体形态学变换二次,遍历每个面积大于1200且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此作为矩形框图的坐标,对多细胞分割图crop2multi、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop3image、分割灰度图crop3huidu和分割二值图crop3erzhi;
细胞为复杂图像时,阈值设置如下式:
其中,tcrop2是多细胞区域S通道饱和度的众数,t1crop2是多细胞区域S通道饱和度的otsu阈值;利用阈值thcrop2对多细胞区域S通道二值化;经过半径为3的圆形结构体形态学变换后,遍历每个面积大于1200且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此作为矩形框图的坐标,对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop3image、分割灰度图crop3huidu和分割二值图crop3erzhi。
6.根据权利要求1所述的基于稀疏表示和形态学操作的骨髓细胞分割方法,其特征在于,步骤(3-5-2)中,areacrop3、round_ratecrop3、ratio0crop3计算具体如下:
areacrop3=widthcrop3*heightcrop3
round_ratecrop3=4*π*S_roundcrop3/C_roundcrop3 2
ratio0crop3=S_roundcrop3/areacrop3
其中,widthcrop3,heightcrop3分别为分割图crop3image的宽度和高度,S_roundcrop3为分割图crop3image中细胞所占面积,C_roundcrop3为分割图crop3image中细胞周长。
7.根据权利要求1所述的基于稀疏表示和形态学操作的骨髓细胞分割方法,其特征在于,步骤(3-5-3)所述提取(3-5-2)多细胞区域crop3multi的H通道图像,并进行再分割,得到分割图crop4image、分割灰度图crop4huidu和分割二值图crop4erzhi,具体为:
阈值设置如下式:
其中,阈值tcrop3是多细胞区域H通道饱和度的众数,利用阈值thcrop3对多细胞区域H通道二值化;经过半径为1的圆形结构体形态学变换后,再经过半径为3的圆形结构体腐蚀,半径为1的圆形结构体膨胀和半径为3的圆形结构体腐蚀后,遍历每个面积大于1200且小于1500区间的连通区域,找到每个连通区域的最大最小坐标,并以此作为矩形框图的坐标对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪,从而得到对应的分割图crop4image、分割灰度图crop4huidu和分割二值图crop4erzhi。
8.根据权利要求1所述的基于稀疏表示和形态学操作的骨髓细胞分割方法,其特征在于,步骤(3-5-4)所述剔除(3-5-3)分割图中不完整细胞,具体为:
定义areacrop4为分割图crop4image的面积;ratio0crop4为分割图crop4image宽高比,ratio0crop4∈(0,1];ratio1crop4为分割图crop4image饱和度在区间[102,255]的占比;
1)分割图crop4image位于待分割多细胞区域crop3multi边界时,其满足areacrop4∈(1000,3000],ratio0crop4≥0.5且ratio1crop4>0.45,或者areacrop4∈(3000,∞)且ratio1crop4>0.45则保留;2)分割图crop4image位于非边界时,其满足ratio1crop4>0.45则保留,并将(3-5-3)中的矩形框图扩大1.2~1.3倍,重新对crop3multi裁剪得到单细胞区域crop4_newimage。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810145025.9A CN108320289B (zh) | 2018-02-12 | 2018-02-12 | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810145025.9A CN108320289B (zh) | 2018-02-12 | 2018-02-12 | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108320289A CN108320289A (zh) | 2018-07-24 |
CN108320289B true CN108320289B (zh) | 2021-11-23 |
Family
ID=62904026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810145025.9A Active CN108320289B (zh) | 2018-02-12 | 2018-02-12 | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320289B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109182081B (zh) * | 2018-08-22 | 2021-09-21 | 长春长光辰英生物科学仪器有限公司 | 一种基于图像处理模型的单细胞分选系统 |
CN109507406A (zh) * | 2018-11-30 | 2019-03-22 | 苏州深析智能科技有限公司 | 一种细胞形态智能提取方法、装置及分析方法 |
CN109685063A (zh) * | 2019-01-03 | 2019-04-26 | 成都泰盟软件有限公司 | 一种基于色调饱和度的实验动物图像标定方法 |
CN109978771A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 基于内容分析的细胞图像快速融合方法 |
CN112288760B (zh) * | 2020-10-30 | 2022-08-19 | 深圳太力生物技术有限责任公司 | 一种粘连细胞图像筛除方法、系统及细胞图像分析方法 |
CN113096096B (zh) * | 2021-04-13 | 2023-04-18 | 中山市华南理工大学现代产业技术研究院 | 一种融合形态特征的显微图像骨髓细胞计数方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112257A (zh) * | 2014-06-19 | 2014-10-22 | 中国科学院深圳先进技术研究院 | Rgb彩色图像的处理方法和系统 |
CN105956620A (zh) * | 2016-04-29 | 2016-09-21 | 华南理工大学 | 一种基于稀疏表示的肝脏超声图像识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130094750A1 (en) * | 2011-10-12 | 2013-04-18 | Tolga Tasdizen | Methods and systems for segmentation of cells for an automated differential counting system |
-
2018
- 2018-02-12 CN CN201810145025.9A patent/CN108320289B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112257A (zh) * | 2014-06-19 | 2014-10-22 | 中国科学院深圳先进技术研究院 | Rgb彩色图像的处理方法和系统 |
CN105956620A (zh) * | 2016-04-29 | 2016-09-21 | 华南理工大学 | 一种基于稀疏表示的肝脏超声图像识别方法 |
Non-Patent Citations (2)
Title |
---|
《A color and shape based algorithm for segmentation of white blood cells in peripheral blood and bone marrow images》;Salim Arslan等;《Cytometry》;20140312;全文 * |
《骨髓细胞分割与识别方法的研究》;侯振杰 等;《计算机工程与设计》;20060131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108320289A (zh) | 2018-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320289B (zh) | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 | |
CN108376400B (zh) | 一种骨髓细胞自动分类方法 | |
CN112070772B (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
CN104392460B (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
EP3286731B1 (en) | Colony contrast gathering | |
US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
CN105139383B (zh) | 基于定义圆hsv颜色空间的医学图像分割方法 | |
CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
Win et al. | Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
Duan et al. | A WBC segmentation methord based on HSI color space | |
John et al. | A novel approach for detection and delineation of cell nuclei using feature similarity index measure | |
Gautam et al. | White blood nucleus extraction using K-Mean clustering and mathematical morphing | |
Ferdosi et al. | White blood cell detection and segmentation from fluorescent images with an improved algorithm using k-means clustering and morphological operators | |
Anari et al. | Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma | |
Rosebrock et al. | Quantitative analysis of TDLUs using adaptive morphological shape techniques | |
CN101799920A (zh) | 基于颜色特征的舌象分析方法及其应用 | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
CN111986802A (zh) | 一种肺腺癌病理分化等级的辅助判定系统及方法 | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
Feng et al. | An advanced automated image analysis model for scoring of ER, PR, HER-2 and Ki-67 in breast carcinoma | |
Ao et al. | A hybrid watershed method for cell image segmentation | |
CN112951427B (zh) | 异常细胞的分级系统 | |
CN113450326B (zh) | 一种甲状腺结节的血管信息提取装置 |
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 |