CN108537092A - 变异红细胞识别方法及装置 - Google Patents

变异红细胞识别方法及装置 Download PDF

Info

Publication number
CN108537092A
CN108537092A CN201710121107.5A CN201710121107A CN108537092A CN 108537092 A CN108537092 A CN 108537092A CN 201710121107 A CN201710121107 A CN 201710121107A CN 108537092 A CN108537092 A CN 108537092A
Authority
CN
China
Prior art keywords
red blood
blood cell
identified
cell object
point
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
Application number
CN201710121107.5A
Other languages
English (en)
Other versions
CN108537092B (zh
Inventor
梁光明
丁建文
张晓光
于月娜
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.)
AVE Science and Technology Co Ltd
Original Assignee
AVE Science and Technology Co Ltd
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 AVE Science and Technology Co Ltd filed Critical AVE Science and Technology Co Ltd
Priority to CN201710121107.5A priority Critical patent/CN108537092B/zh
Publication of CN108537092A publication Critical patent/CN108537092A/zh
Application granted granted Critical
Publication of CN108537092B publication Critical patent/CN108537092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

一种变异红细胞识别方法及装置，一个实施例的方法包括：获取待处理图像；对所述待处理图像进行处理，获得各待识别红细胞对象；识别出各所述待识别红细胞对象的边界；基于各所述待识别红细胞对象的边界，确定出各所述待识别红细胞对象的形状参数，所述形状参数包括：细胞面积、边缘突起点数目、边缘凹点数目以及圆形度；根据各所述待识别红细胞对象的形状参数进行聚类分析，根据聚类分析结果确定变异红细胞类型。本实施例可以准确地对这些变异红细胞进行区分，提高了变异红细胞识别的准确性。

Description

变异红细胞识别方法及装置
技术领域
本发明涉及图像处理中的血细胞分类识别领域，特别是涉及一种变异红细胞识别方法及装置。
背景技术
随着医学图像处理技术的发展，通过计算机的图像处理手段对血细胞图像进行自动识别，以为各种医学诊断提供诊断依据，是医学图像处理中的一项重要内容，其中的一个重要应用方式，是对红细胞中的变异红细胞进行识别，进而为先天性无β脂蛋白血症、尿毒症、PK缺乏症、酒精中毒性肝脏疾病、胃溃疡出血、微血管病性溶血性贫血、丙酮酸激酶缺乏症、遗传性神经性疾病等各种诊断提供依据。然而，在红细胞的分类识别中，由于变异红细胞种类繁多且存在相似性，识别过程无法提取合适的特征进行区分，一般都要提取形状和纹理特征，但是提取的这些特征并没有针对性，从而造成分类识别困难，错判和误判情况严重。
发明内容
基于此，本发明实施例的目的在于提供一种变异红细胞识别方法及一种变异红细胞识别装置，以提高对变异红细胞识别的准确性。
为达到上述目的，本发明实施例采用以下技术方案：
一种变异红细胞识别方法，包括步骤：
获取待处理图像；
对所述待处理图像进行处理，获得各待识别红细胞对象；
识别出各所述待识别红细胞对象的边界；
基于各所述待识别红细胞对象的边界，确定出各所述待识别红细胞对象的形状参数，所述形状参数包括：细胞面积、边缘突起点数目、边缘凹点数目以及圆形度；
根据各所述待识别红细胞对象的形状参数进行聚类分析，根据聚类分析结果确定变异红细胞类型。
一种变异红细胞识别装置，包括：
图像获取模块，用于获取待处理图像；
红细胞对象识别模块，用于对所述待处理图像进行处理，获得各待识别红细胞对象；
边界识别模块，用于识别出各所述待识别红细胞对象的边界；
形状参数确定模块，用于基于各所述待识别红细胞对象的边界，确定出各所述待识别红细胞对象的形状参数，所述形状参数包括：细胞面积、边缘突起点数目、边缘凹点数目以及圆形度；
聚类分析模块，用于根据各所述待识别红细胞对象的形状参数进行聚类分析，根据聚类分析结果确定变异红细胞类型。
基于如上所述的实施例的方案，其在进行图像处理获得待识别红细胞对象后，通过识别出待识别红细胞对象的边界，并基于待识别红细胞对象的边界，确定出待识别红细胞对象的细胞面积、边缘突起点数目、边缘凹点数目以及圆形度等形状参数，并基于形状参数对各待识别红细胞对象进行聚类分析，确定出待识别红细胞对象的红细胞类型，由于对于不同的变异红细胞而言，其在形态特征上会有所不同，形状参数准确地表征该变异红细胞的形状特性，从而，基于形状参数对其进行表示并据此进行聚类分析，可以准确地对这些变异红细胞进行区分，提高了变异红细胞识别的准确性。
附图说明
图1是一个实施例中的变异红细胞识别方法的流程示意图；
图2为皱缩红细胞的示意图；
图3为棘形红细胞的示意图；
图4是一个具体示例中的红细胞的外接圆的示意图；
图5是一个实施例中的变异红细胞识别装置的结构示意图；
图6是一个具体示例中的形状参数确定模块的结构示意图；
图7是一个具体示例中的聚类分析模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
图1中示出了一个实施例中的变异红细胞识别方法的流程示意图，如图1所示，该实施例中的变异红细胞识别方法包括：
步骤S101：获取待处理图像；其中，这里的待处理图像可以是对需要处理的血涂片等进行图像识别后获得的图像；
步骤S102：对所述待处理图像进行处理，获得各待识别红细胞对象；其中，对图像进行图像处理从中获得红细胞的方式，可以采用目前已有的任何可能的方式进行，进行图像处理后识别出的红细胞，则可以认为是待识别红细胞对象；
步骤S103：识别出各所述待识别红细胞对象的边界；其中，识别出红细胞的边界的方式，可以采用目前已有的任何可能的方式进行；
步骤S104：基于各所述待识别红细胞对象的边界，确定出各所述待识别红细胞对象的形状参数，所述形状参数包括：细胞面积、边缘突起点数目、边缘凹点数目以及圆形度；
步骤S105：根据各所述待识别红细胞对象的形状参数进行聚类分析，根据聚类分析结果确定变异红细胞类型。
基于如上所述的实施例的方案，其在进行图像处理获得待识别红细胞对象后，通过识别出待识别红细胞对象的边界，并基于待识别红细胞对象的边界，确定出待识别红细胞对象的细胞面积、边缘突起点数目、边缘凹点数目以及圆形度等形状参数，并基于形状参数对各待识别红细胞对象进行聚类分析，确定出待识别红细胞对象的红细胞类型，由于对于不同的变异红细胞而言，其在形态特征上会有所不同，形状参数准确地表征该变异红细胞的形状特性，从而，基于形状参数对其进行表示并据此进行聚类分析，可以准确地对这些变异红细胞进行区分，提高了变异红细胞识别的准确性。
在上述步骤S104中基于各所述待识别红细胞对象的边界确定出各所述待识别红细胞对象的形状参数时，一个具体示例中的方式可以包括：
基于各所述待识别红细胞对象的边界，计算各待识别红细胞对象的所述细胞面积；
识别各所述待识别红细胞对象的边界上的边缘突起点，并确定各所述待识别红细胞对象的所述边缘突起点数目；
识别各所述待识别红细胞对象的边界上的边缘凹点，并确定各所述待识别红细胞对象的所述边缘凹点数目；
基于各所述待识别红细胞对象的边界，计算各所述待识别红细胞对象的所述圆形度。
其中，在上述识别各待识别红细胞对象的边界上的边缘突起点时，一个具体示例中可以采用下述方式进行：
基于待识别红细胞对象的边界，确定待识别红细胞对象的重心；
计算该待识别红细胞对象的边界上的各边界点与所述重心之间的距离，并将该距离确定为各边界点的重心距离；
在当前边界点的重心距离同时大于该当前边界点的两个相邻边界点的重心距离、或者该当前边界点的重心距离同时小于该当前边界点的两个相邻边界点的重心距离时，判定该当前边界点为边缘突起点。
其中，在上述识别各待识别红细胞对象的边界上的边缘凹点时，一个具体示例中可以采用下述方式进行：
基于待识别红细胞对象的边界，将该待识别红细胞对象的各边界点按逆时针方向排列；
在当前边界点的下一个相邻边界点位于自该当前边界点的上一个相邻边界点至当前边界点的方向的右侧时，判定该当前边界点为边缘凹点。
而上述待识别红细胞对象的圆形度，可以采用下述方式进行计算：
根据待识别红细胞对象的边界，计算该待识别红细胞对象的细胞面积；
计算该待识别红细胞对象的任意两个边界点之间的边界点间距离；
将最大的边界点间距离作为该待识别红细胞对象的外接圆直径，计算该待识别红细胞对象的外接圆面积；
计算该待识别红细胞对象的细胞面积与该待识别红细胞对象的外接圆面积的比值，并将该比值作为该待识别红细胞对象的圆形度。
以下结合一个具体应用示例进行举例说明。在该具体示例中的方案中，主要是基于变异红细胞中的皱缩红细胞和棘形红细胞的特殊的边缘形态特征，结合红细胞的边缘凸起点、边缘凹点、圆形度等特征，对变异红细胞进行区分和分类。皱缩红细胞和棘形红细胞的图像示意图分别如图2和图3所示。
结合图2、图3所示的皱缩红细胞和的棘形红细胞，本实施例中基于它们的边界上表现出的不同的边缘形态特征，通过对边缘凸起点、边缘凹点这两类特征，并结合圆形度对变异红细胞进行快速分类，并可以据此为进一步识别其他的各种变异红细胞提供了依据，并且可以据此提高运行效率。
在本示例中，在通过对需要处理的血涂片等进行图像识别后获得获取待处理图像后，对该待处理图像进行处理，获得各待识别红细胞对象，并识别出各待识别红细胞对象的边界，随后，确定出各待识别红细胞对象的细胞面积、边缘突起点数目、边缘凹点数目以及圆形度等形状参数。
针对边缘突起点数目，可先识别出待识别红细胞对象(下述示例的说明中也成为目标对象)的边缘突起点，然后统计出该待识别红细胞对象的边缘突起点数目。一个具体示例中识别边缘突起点的过程可以通过下述方式进行。
首先，计算出该待识别红细胞对象的重心，重心的确定可以采用目前已有的采用任何可能的方式进行，例如，由于待识别红细胞对象一般都是不规则形状，因此，对于某个目标对象而言，其重心的横、纵坐标可以分别表示为：纵坐标为
随后，计算出目标对象的边界上的各边界点mi跟重心之间距离di，该距离di可以并两点间距离公式求得，(x1,y1)和(x2,y2)分别表示边界点mi跟重心的坐标。
然后，在当前边界点的重心距离与该当前边界点的一个相邻边界点的重心距离之差，跟当前边界点的另一相邻边界点的重心距离与该当前边界点的重心距离之差的乘积小于0时，判定该当前边界点为边缘突起点。即在下式成立时，将距离di对应的边界点确定为是边缘突起点：
(di-di-1)×(di+1-di)＜0
在识别出各边缘突起点之后，可进一步统计出各待识别红细胞对象的边缘突起点数目。
针对边缘凹点数目，可先识别出待识别红细胞对象的边缘凹点，然后统计出该待识别红细胞对象的边缘凹点数目。一个具体示例中识别边缘凹点的过程可以通过下述方式进行。
首先基于待识别红细胞对象的边界，将该待识别红细胞对象的各边界点按逆时针方向排列，假设逆时针方向排列后的待识别红细胞对象的边界多边形P的顶点序列为p1,p2,…,pn。
随后，在当前边界点的下一个相邻边界点位于自该当前边界点的上一个相邻边界点至当前边界点的方向的右侧时，判定该当前边界点为边缘凹点。在一个具体示例中，假设在上述逆时针方向排列顺序上，相邻的三个点依次为pi-1(xi-1,yi-1)、pi(xi,yi)、pi+1(xi+1,yi+1)，那么，在下式成立时，则认为点pi+1(xi+1,yi+1)在的右侧，将点点pi确定为是凹点。
在识别出各边缘凹点之后，可进一步统计出各待识别红细胞对象的边缘凹点数目。
针对细胞面积，实际上是待识别红细胞对象的边界的区域面积特征，它描述了边界区域的大小。计算细胞面积的方式可以采用任何可能的方式进行。一种简单的确定细胞面积的方式，可以是对提取出来的待识别红细胞对象的像素进行计数。在本发明的一个具体示例中，通过采用链码表的方式来计算细胞面积，其将待识别红细胞对象的区域看成由多条水平线组成，每一条线段可以用该线段的2个端点表示，从而可以将待识别红细胞对象看成是由很多条紧密相邻的水平线段组成，待识别红细胞对象的区域内的所有水平线段的长度之和就是该待识别红细胞对象的细胞面积，具体的计算公式可以为：
式中：A为细胞面积；Xk1,Xk2分别为线段左、右端点的横坐标；k为线段的标示变量；m为线段的条数。
针对圆形度，圆形度特征是用以表示目标物体的形状接近圆形的程度，本示例中，通过待识别细胞对象的图形对其外接圆的填充程度来表示该待识别细胞对象的圆形度，即该待识别细胞对象的图形与圆形接近的程度。一个具体示例中可以采用下述方式进行。
首先，根据待识别红细胞对象的边界，计算该待识别红细胞对象的细胞面积。具体的计算该待识别红细胞对象的细胞面积的方式，可以采用与上述计算细胞面积的方式同样的方式进行。可以理解的是，在具体的技术应用中，此处也可以无需进行该计算过程，直接取用上述已经计算出的细胞面积即可。
随后，计算出该待识别红细胞对象的任意两个边界点之间的边界点间距离，并将最大的边界点间距离作为该待识别红细胞对象的外接圆直径，计算出该待识别红细胞对象的外接圆面积。
上述计算该待识别红细胞对象的任意两个边界点之间的边界点间距离，实际上是为了确定出该待识别红细胞对象的长轴长度特征，长轴长度特征是目标边界上任意两点之间距离的最大值，本实施例中将长轴长度特征作为外接圆直接。在具体计算时，通过对待识别红细胞对象的边界进行多次遍历，即可确定出该长轴长度特征，并据此确定出其外接圆。一个具体示例中的确定的外接圆如图4所示，图4所示中，外接圆的直径即为长轴BC的长度。
在确定出待识别目标对象的细胞面积和外接圆面积后，即可将该待识别红细胞对象的细胞面积与该待识别红细胞对象的外接圆面积的比值作为该待识别红细胞对象的圆形度，即待识别红细胞对象的圆形度可以表示为：
其中：A表示细胞面积，且W和L分别表示细胞外接矩阵的宽和长。
经过对上述公式化简整理后，其圆形度可以表示为：
在确定上述各形状参数后，即可根据各所述待识别红细胞对象的形状参数进行聚类分析，根据聚类分析结果确定变异红细胞类型。
在进行聚类分析时，首先根据各所述待识别红细胞对象的形状参数，建立各所述待识别红细胞对象的初始矩阵；
设识别出的待识别红细胞对象的集合为U＝{x1,x2,…,xn}，每个待识别红细胞对象有m(本示例中具体为4)个参数xi＝{xi1,xi2,…,xim}，则可以得到初始矩阵：
然后，对上述初始矩阵进行矩阵变换，获得所述初始矩阵对应的模糊等价矩阵。由于各形状参数量纲以及取值范围都有所差别，因此，对所述初始矩阵进行矩阵变换，获得所述初始矩阵对应的模糊等价矩阵时，具体的方式可以包括：
对所述初始矩阵进行平移标准差变换，获得标准差变换后矩阵；
对所述标准差变换后矩阵进行平移级差变换，将各所述形状参数压缩到[0,1]区间，获得模糊相似矩阵；
对所述模糊相似矩阵记性传递闭包处理，获得所述模糊等价矩阵。
在对初始矩阵进行平移标准差变换，获得标准差变换后矩阵时，一个具体示例中可以结合下式进行：
经过上述经过平移标准差变换后，消除了量纲的影响。但是，得到的xi′k还不一定在区间[0,1]上，因此还需要进行一次平移极差变换。
在对标准差变换后矩阵进行平移级差变换，将各所述形状参数压缩到[0,1]区间时，一个具体示例中可以结合下式进行：
经过上述平移极差变换后，就可以得到0≤x″ik≤1。
在压缩到[0,1]区间后，需要确定分类对象间的相似程度，以建立模糊相似矩阵，相似程度可以用相似系数rij(i＝1,2,…,n；j＝1,2,…,n)表示，建立相似矩阵的方法又称为标定，即标出衡量被分类的对象之间相似程度的统计量。确定系数rij＝R(xi,xj)的方式可以采用任何可能的方式进行，假设用相关系数法计算该相似程度，可以用如下公式表示：
其中，
在计算出各对象间的相似程度后，即可确定出模糊相似矩阵。
在获得模糊相似矩阵之后，为完成对样本对象的划分、实现样本对象的聚类，需要将模糊相似矩阵转换成模糊等价矩阵，通常可以采用传递闭包法确定模糊相似矩阵R的模糊等价矩阵t(R)，即对模糊相似矩阵记性传递闭包处理，获得模糊等价矩阵，具体的采用传递闭包法确定模糊相似矩阵R的模糊等价矩阵t(R)的方式可以采用目前已有的任何可能的方式进行。
在获得模糊等价矩阵后，即可基于设定的截距阈值，对模糊等价矩阵进行聚类，获得聚类分析结果，并基于聚类分析结果确定各待识别红细胞对象的变异红细胞类型。其中，这里的设定的截距阈值，可以是基于历史数据确定的一个固定值，也可以是基于当前处理的样本对象获得。一个具体示例中确定设定的截距阈值的方式可以包括。
根据设定的各初始截距阈值，分别根据各初始截距阈值对所述模糊等价矩阵截距处理，获得各初始截距矩阵；
计算各所述初始截距矩阵的F校验值；
将最大的F校验值对应的初始截距阈值确定为所述设定的截距阈值。
将初始截距阈值记为λ，对应于λ值的分类数为s，分类结果中的第j类分类样本中样本数目为nj，其中的样本记为则第j类的聚类中心向量为
式中，为第k个特征的平均值：
计算F-统计量(F校验值)：
式中，是到的距离；为第j类中样本到中心向量的距离。
F-统计量是服从自由度为s-1，n-s的F分布，其分母表示类内样本间的距离，其分子表示类与类之间的距离。由此可以看出，分子的值越大，分母的值越小，则F的值越大，说明类与类之间的距离很大，即表示类与类之间的差异很大，分类效果就越好。因此，可以根据给定的所有λ值的分类结果，分别计算各自的F值，最大F值对应的λ值即为最佳截距阈值，基于该最佳截距阈值确定的分类结果为最佳分类方案。
基于设定的截距阈值，对所述模糊等价矩阵进行聚类，获得聚类分析结果，并基于聚类分析结果确定各待识别红细胞对象的变异红细胞类型。
基于如上所述的具体示例，在一个具体实验仿真过程中，抽取了7组经过分割和去噪后的红细胞对象的形状参数进行模糊聚类分析。这7组个对象的细胞面积、圆形度、边缘突起点数目、边缘凹点数目的参数如下表1所示。
表1形状特征参数表
X1 X2 X3 X4 X5 X6 X7
面积 1149.87 1205.37 1090.68 1108.75 1180.22 1096.46 1067.72
圆形度 0.972 0.959 0.8236 0.7938 0.8566 0.6152 0.6096
突起点 0 1 13 15 18 8 7
凹点 2 3 39 46 53 22 23
在基于上述形状特征参数表创建原始矩阵并据此生成模糊相似矩阵、模糊等价矩阵(传递闭包矩阵)之后，取传递闭包矩阵中的所有值，作为上面的F检验量法的λ值(即初始截距阈值)，确定F-统计量，最后获得各λ值所对应的F-统计量值(F-校验值)如下表2所示。
表2各初始截距阈值λ对应的F校验值(F-统计量)
选取一个最大的F-统计量作为确定λ阈值的依据，因此在该仿真实验中选取λ＝0.658，并基于λ＝0.658对R*进行分类，即当rij≥0.658时，取rij＝1；否则取rij＝0。最后获得的传递包矩阵R*对应的截距矩阵为：
根据该截距矩阵可以将这7个对象分为3类，分别为：{X1,X2}，{X3,X4,X5}，{X6,X7}。基于这7组已知的成分可以确定：{X1,X2}为正常红细胞，{X3,X4,X5}为皱缩红细胞，{X6,X7}为棘形红细胞。上述仿真结果准确率达到了100％，可见基于形状特征聚类利用了红细胞在形状上的差异，可以准确地判断出各类红细胞的类别，提高了对变异红细胞的分类和识别的准确性。上述示例中是结合皱缩红细胞、棘形红细胞这两种变异红细胞进行举例说明，本领域技术人员可以理解，在此基础上也可以完成对其他各种变异红细胞的判定和识别。
基于与上述方法相同的思想，图5示出了一个实施例中的变异红细胞识别装置的结构示意图，如图5所示，该实施例中的变异红细胞识别装置包括：
图像获取模块501，用于获取待处理图像；
红细胞对象识别模块502，用于对所述待处理图像进行处理，获得各待识别红细胞对象；
边界识别模块503，用于识别出各所述待识别红细胞对象的边界；
形状参数确定模块504，用于基于各所述待识别红细胞对象的边界，确定出各所述待识别红细胞对象的形状参数，所述形状参数包括：细胞面积、边缘突起点数目、边缘凹点数目以及圆形度；
聚类分析模块505，用于根据各所述待识别红细胞对象的形状参数进行聚类分析，根据聚类分析结果确定变异红细胞类型。
基于如上所述的实施例的方案，其在进行图像处理获得待识别红细胞对象后，通过识别出待识别红细胞对象的边界，并基于待识别红细胞对象的边界，确定出待识别红细胞对象的细胞面积、边缘突起点数目、边缘凹点数目以及圆形度等形状参数，并基于形状参数对各待识别红细胞对象进行聚类分析，确定出待识别红细胞对象的红细胞类型，由于对于不同的变异红细胞而言，其在形态特征上会有所不同，形状参数准确地表征该变异红细胞的形状特性，从而，基于形状参数对其进行表示并据此进行聚类分析，可以准确地对这些变异红细胞进行区分，提高了变异红细胞识别的准确性。
图6示出了一个具体示例中的形状参数确定模块的结构示意图，如图6所示，该示例中的形状参数确定模块504可以包括：
细胞面积计算模块5041，用于基于各所述待识别红细胞对象的边界，计算各待识别红细胞对象的所述细胞面积；
边缘突起点识别模块5042，用于识别各所述待识别红细胞对象的边界上的边缘突起点，并确定各所述待识别红细胞对象的所述边缘突起点数目；
边缘凹点识别模块5043，用于识别各所述待识别红细胞对象的边界上的边缘凹点，并确定各所述待识别红细胞对象的所述边缘凹点数目；
圆形度确定模块5044，用于基于各所述待识别红细胞对象的边界，计算各所述待识别红细胞对象的所述圆形度。
在其中一个具体示例中，上述细胞面积计算模块5041，可以基于确定，其中，W和L分别表示待识别红细胞对象的外接矩阵的宽和长。
在其中一个具体示例中，上述边缘突起点识别模块5042，可以基于所述待识别红细胞对象的边界，确定待识别红细胞对象的重心，计算该待识别红细胞对象的边界上的各边界点与所述重心之间的距离，将该距离确定为各边界点的重心距离，并在当前边界点的重心距离同时大于该当前边界点的两个相邻边界点的重心距离、或者该当前边界点的重心距离同时小于该当前边界点的两个相邻边界点的重心距离时，判定该当前边界点为边缘突起点。
在其中一个具体示例中，上述边缘凹点识别模块5043，可以基于待识别红细胞对象的边界，将该待识别红细胞对象的各边界点按逆时针方向排列，并在当前边界点的下一个相邻边界点位于自该当前边界点的上一个相邻边界点至当前边界点的方向的右侧时，判定该当前边界点为边缘凹点。
而上述圆形度确定模块5044，根据待识别红细胞对象的边界，计算该待识别红细胞对象的细胞面积，计算该待识别红细胞对象的任意两个边界点之间的边界点间距离，将最大的边界点间距离作为该待识别红细胞对象的外接圆直径，计算该待识别红细胞对象的外接圆面积，并计算该待识别红细胞对象的细胞面积与该待识别红细胞对象的外接圆面积的比值，并将该比值作为该待识别红细胞对象的圆形度。其中，圆形度确定模块5044中用到的待识别红细胞对象的细胞面积，也可以直接使用上述细胞面积计算模块5041得到的细胞面积。
图7示出了一个具体示例中的聚类分析模块的结构示意图，如图7所示，该示例中的聚类分析模块505可以包括：
初始矩阵建立模块5051，用于根据各所述待识别红细胞对象的形状参数，建立各所述待识别红细胞对象的初始矩阵；
矩阵变换模块5052，用于对所述初始矩阵进行矩阵变换，获得所述初始矩阵对应的模糊等价矩阵；
类型确定模块5053，用于基于设定的截距阈值，对所述模糊等价矩阵进行聚类，获得聚类分析结果，并基于聚类分析结果确定各待识别红细胞对象的变异红细胞类型。
其中，上述矩阵变换模块5052具体可以包括：
标准差变换模块50521，用于对所述初始矩阵进行平移标准差变换，获得标准差变换后矩阵；
平移级差变换模块50522，用于对所述标准差变换后矩阵进行平移级差变换，将各所述形状参数压缩到[0,1]区间，获得模糊相似矩阵；
模糊矩阵转换模块50523，用于对所述模糊相似矩阵记性传递闭包处理，获得所述模糊等价矩阵。
如图7所示，该示例中的聚类分析模块505还可以包括：
截距阈值确定模块5054，用于根据设定的各初始截距阈值，分别根据各初始截距阈值对所述模糊等价矩阵截距处理，获得各初始截距矩阵，计算各所述初始截距矩阵的F校验值，并将最大的F校验值对应的初始截距阈值确定为所述设定的截距阈值。
本实施例中的变异红细胞识别装置中的其他技术特征可以与上述变异红细胞识别方法中的相关技术特征，因此在此不再详加赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种变异红细胞识别方法，其特征在于，包括步骤：
获取待处理图像；
对所述待处理图像进行处理，获得各待识别红细胞对象；
识别出各所述待识别红细胞对象的边界；
基于各所述待识别红细胞对象的边界，确定出各所述待识别红细胞对象的形状参数，所述形状参数包括：细胞面积、边缘突起点数目、边缘凹点数目以及圆形度；
根据各所述待识别红细胞对象的形状参数进行聚类分析，根据聚类分析结果确定变异红细胞类型。
2.根据权利要求1所述的变异红细胞识别方法，其特征在于，基于各所述待识别红细胞对象的边界确定出各所述待识别红细胞对象的形状参数的方式包括：
基于各所述待识别红细胞对象的边界，计算各待识别红细胞对象的所述细胞面积；
识别各所述待识别红细胞对象的边界上的边缘突起点，并确定各所述待识别红细胞对象的所述边缘突起点数目；
识别各所述待识别红细胞对象的边界上的边缘凹点，并确定各所述待识别红细胞对象的所述边缘凹点数目；
基于各所述待识别红细胞对象的边界，计算各所述待识别红细胞对象的所述圆形度。
3.根据权利要求2所述的变异红细胞识别方法，其特征在于，包括下述三项中的至少一项：
识别边缘突起点的方式包括：基于待识别红细胞对象的边界，确定待识别红细胞对象的重心；计算该待识别红细胞对象的边界上的各边界点与所述重心之间的距离，并将该距离确定为各边界点的重心距离；在当前边界点的重心距离同时大于该当前边界点的两个相邻边界点的重心距离、或者该当前边界点的重心距离同时小于该当前边界点的两个相邻边界点的重心距离时，判定该当前边界点为边缘突起点；
识别边缘凹点的方式包括：基于待识别红细胞对象的边界，将该待识别红细胞对象的各边界点按逆时针方向排列；在当前边界点的下一个相邻边界点位于自该当前边界点的上一个相邻边界点至当前边界点的方向的右侧时，判定该当前边界点为边缘凹点；
计算待识别红细胞对象的圆形度的方式包括：根据待识别红细胞对象的边界，计算该待识别红细胞对象的细胞面积；计算该待识别红细胞对象的任意两个边界点之间的边界点间距离；将最大的边界点间距离作为该待识别红细胞对象的外接圆直径，计算该待识别红细胞对象的外接圆面积；计算该待识别红细胞对象的细胞面积与该待识别红细胞对象的外接圆面积的比值，并将该比值作为该待识别红细胞对象的圆形度。
4.根据权利要求2或3所述的变异红细胞识别方法，其特征在于，根据各所述待识别红细胞对象的形状参数进行聚类分析，根据聚类分析结果确定变异红细胞类型的方式包括：
根据各所述待识别红细胞对象的形状参数，建立各所述待识别红细胞对象的初始矩阵；
对所述初始矩阵进行矩阵变换，获得所述初始矩阵对应的模糊等价矩阵；
基于设定的截距阈值，对所述模糊等价矩阵进行聚类，获得聚类分析结果，并基于聚类分析结果确定各待识别红细胞对象的变异红细胞类型。
5.根据权利要求4所述的变异红细胞识别方法，其特征在于，包括下述两项中的至少一项：
对所述初始矩阵进行矩阵变换，获得所述初始矩阵对应的模糊等价矩阵的方式包括：对所述初始矩阵进行平移标准差变换，获得标准差变换后矩阵；对所述标准差变换后矩阵进行平移级差变换，将各所述形状参数压缩到[0,1]区间，获得模糊相似矩阵；对所述模糊相似矩阵记性传递闭包处理，获得所述模糊等价矩阵；
所述设定的截距阈值通过下述方式确定：根据设定的各初始截距阈值，分别根据各初始截距阈值对所述模糊等价矩阵截距处理，获得各初始截距矩阵；计算各所述初始截距矩阵的F校验值；将最大的F校验值对应的初始截距阈值确定为所述设定的截距阈值。
6.一种变异红细胞识别装置，其特征在于，包括：
图像获取模块，用于获取待处理图像；
红细胞对象识别模块，用于对所述待处理图像进行处理，获得各待识别红细胞对象；
边界识别模块，用于识别出各所述待识别红细胞对象的边界；
形状参数确定模块，用于基于各所述待识别红细胞对象的边界，确定出各所述待识别红细胞对象的形状参数，所述形状参数包括：细胞面积、边缘突起点数目、边缘凹点数目以及圆形度；
聚类分析模块，用于根据各所述待识别红细胞对象的形状参数进行聚类分析，根据聚类分析结果确定变异红细胞类型。
7.根据权利要求6所述的变异红细胞识别装置，其特征在于，所述形状参数确定模块包括：
细胞面积计算模块，用于基于各所述待识别红细胞对象的边界，计算各待识别红细胞对象的所述细胞面积；
边缘突起点识别模块，用于识别各所述待识别红细胞对象的边界上的边缘突起点，并确定各所述待识别红细胞对象的所述边缘突起点数目；
边缘凹点识别模块，用于识别各所述待识别红细胞对象的边界上的边缘凹点，并确定各所述待识别红细胞对象的所述边缘凹点数目；
圆形度确定模块，用于基于各所述待识别红细胞对象的边界，计算各所述待识别红细胞对象的所述圆形度。
8.根据权利要求7所述的变异红细胞识别装置，其特征在于，包括下述三项中的至少一项：
所述边缘突起点识别模块，基于所述待识别红细胞对象的边界，确定待识别红细胞对象的重心，计算该待识别红细胞对象的边界上的各边界点与所述重心之间的距离，将该距离确定为各边界点的重心距离，并在当前边界点的重心距离同时大于该当前边界点的两个相邻边界点的重心距离、或者该当前边界点的重心距离同时小于该当前边界点的两个相邻边界点的重心距离时，判定该当前边界点为边缘突起点；
所述边缘凹点识别模块，基于待识别红细胞对象的边界，将该待识别红细胞对象的各边界点按逆时针方向排列，并在当前边界点的下一个相邻边界点位于自该当前边界点的上一个相邻边界点至当前边界点的方向的右侧时，判定该当前边界点为边缘凹点；
所述圆形度确定模块，根据待识别红细胞对象的边界，计算该待识别红细胞对象的细胞面积，计算该待识别红细胞对象的任意两个边界点之间的边界点间距离，将最大的边界点间距离作为该待识别红细胞对象的外接圆直径，计算该待识别红细胞对象的外接圆面积，并计算该待识别红细胞对象的细胞面积与该待识别红细胞对象的外接圆面积的比值，并将该比值作为该待识别红细胞对象的圆形度。
9.根据权利要求6至8任意一项所述的变异红细胞识别装置，所述聚类分析模块包括：
初始矩阵建立模块，用于根据各所述待识别红细胞对象的形状参数，建立各所述待识别红细胞对象的初始矩阵；
矩阵变换模块，用于对所述初始矩阵进行矩阵变换，获得所述初始矩阵对应的模糊等价矩阵；
类型确定模块，用于基于设定的截距阈值，对所述模糊等价矩阵进行聚类，获得聚类分析结果，并基于聚类分析结果确定各待识别红细胞对象的变异红细胞类型。
10.根据权利要求9所述的变异红细胞识别装置，其特征在于，包括下述两项中的至少一项：
所述矩阵变换模块包括：标准差变换模块，用于对所述初始矩阵进行平移标准差变换，获得标准差变换后矩阵；平移级差变换模块，用于对所述标准差变换后矩阵进行平移级差变换，将各所述形状参数压缩到[0,1]区间，获得模糊相似矩阵；模糊矩阵转换模块，用于对所述模糊相似矩阵记性传递闭包处理，获得所述模糊等价矩阵；
所述聚类分析模块还包括：截距阈值确定模块，用于根据设定的各初始截距阈值，分别根据各初始截距阈值对所述模糊等价矩阵截距处理，获得各初始截距矩阵，计算各所述初始截距矩阵的F校验值，并将最大的F校验值对应的初始截距阈值确定为所述设定的截距阈值。
CN201710121107.5A 2017-03-02 2017-03-02 变异红细胞识别方法及装置 Active CN108537092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710121107.5A CN108537092B (zh) 2017-03-02 2017-03-02 变异红细胞识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710121107.5A CN108537092B (zh) 2017-03-02 2017-03-02 变异红细胞识别方法及装置

Publications (2)

Publication Number Publication Date
CN108537092A true CN108537092A (zh) 2018-09-14
CN108537092B CN108537092B (zh) 2020-11-10

Family

ID=63489185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710121107.5A Active CN108537092B (zh) 2017-03-02 2017-03-02 变异红细胞识别方法及装置

Country Status (1)

Country Link
CN (1) CN108537092B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977888A (zh) * 2019-03-29 2019-07-05 上海健康医学院 一种外周血中红细胞识别标记系统和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100183216A1 (en) * 2009-01-21 2010-07-22 Sysmex Corporation Cell image processing apparatus, cell image processing method and computer program product
CN102359938A (zh) * 2011-09-16 2012-02-22 长沙高新技术产业开发区爱威科技实业有限公司 红细胞形态学分析装置及其方法
CN103499580A (zh) * 2013-10-22 2014-01-08 爱威科技股份有限公司 一种红细胞形态学分析结果表示方法
CN103827889A (zh) * 2011-07-19 2014-05-28 奥维茨奥成像系统公司 用于检测和/或分类细胞样品中的癌细胞的方法和系统
CN106462746A (zh) * 2014-06-16 2017-02-22 西门子医疗保健诊断公司 分析数字全息显微术数据以用于血液学应用

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100183216A1 (en) * 2009-01-21 2010-07-22 Sysmex Corporation Cell image processing apparatus, cell image processing method and computer program product
CN103827889A (zh) * 2011-07-19 2014-05-28 奥维茨奥成像系统公司 用于检测和/或分类细胞样品中的癌细胞的方法和系统
CN102359938A (zh) * 2011-09-16 2012-02-22 长沙高新技术产业开发区爱威科技实业有限公司 红细胞形态学分析装置及其方法
CN103499580A (zh) * 2013-10-22 2014-01-08 爱威科技股份有限公司 一种红细胞形态学分析结果表示方法
CN106462746A (zh) * 2014-06-16 2017-02-22 西门子医疗保健诊断公司 分析数字全息显微术数据以用于血液学应用

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DEVKUMAR DAS ET AL.: "Invariant Moment based Feature Analysis for Abnormal Erythrocyte Recognition", 《PROCEEDINGS OF 2010 INTERNATIONAL CONFERENCE ON SYSTEMS IN MEDICINE AND BIOLOGY》 *
RAMIN SOLTANZADEH ET AL.: "CLASSIFICATION OF THREE TYPES OF RED BLOOD CELLS IN PERIPHERAL BLOOD SMEAR BASED ON MORPHOLOGY", 《ICSP2010 PROCEEDINGS》 *
梁肖: "基于光学显微镜下的活体细胞图像识别技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王职军: "细胞特征提取及聚类算法研究与DSP实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
蔡朋杞: "红细胞识别系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977888A (zh) * 2019-03-29 2019-07-05 上海健康医学院 一种外周血中红细胞识别标记系统和方法

Also Published As

Publication number Publication date
CN108537092B (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN106248559B (zh) 一种基于深度学习的白细胞五分类方法
CN109952614B (zh) 生物粒子的分类系统和方法
CN109300111B (zh) 一种基于深度学习的染色体识别方法
CN108376400B (zh) 一种骨髓细胞自动分类方法
CN109359569B (zh) 一种基于cnn的红细胞图像亚分类方法
CN103984939B (zh) 一种样本有形成分分类方法及系统
CN107944283A (zh) 一种数据敏感性识别方法及装置
WO2013037119A1 (zh) 红细胞形态学分析装置及其方法
CN103984953A (zh) 基于多特征融合与Boosting决策森林的街景图像的语义分割方法
CN104182763A (zh) 一种基于花朵特征的植物种类识别系统
CN104809255A (zh) 一种负荷形态获取方法和系统
CN105404887B (zh) 一种基于随机森林的白细胞五分类方法
CN109858386A (zh) 一种基于荧光显微图像的微藻细胞识别方法
CN107657220A (zh) 一种基于hog特征和svm的白带霉菌自动检测方法
CN109003266A (zh) 一种基于模糊聚类统计图像质量主观评价结果的方法
CN113658174A (zh) 基于深度学习和图像处理算法的微核组学图像检测方法
CN104200134A (zh) 一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法
Rahman et al. Automatic identification of abnormal blood smear images using color and morphology variation of RBCS and central pallor
CN115270874A (zh) 一种基于密度估计的流式细胞分类和计数的方法和系统
Hao et al. Vp-detector: A 3d multi-scale dense convolutional neural network for macromolecule localization and classification in cryo-electron tomograms
CN109359680B (zh) 爆破岩块自动识别和块度特征提取方法及装置
CN102930291A (zh) 用于图形图像的k近邻局部搜索遗传自动聚类方法
CN106570514A (zh) 一种基于词袋模型和支持向量机的汽车轮毂分类方法
CN108537092A (zh) 变异红细胞识别方法及装置
Tran et al. Blood cell count using deep learning semantic segmentation

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