CN108876752A - 血液细胞的图像识别计数方法 - Google Patents
血液细胞的图像识别计数方法 Download PDFInfo
- Publication number
- CN108876752A CN108876752A CN201810733683.XA CN201810733683A CN108876752A CN 108876752 A CN108876752 A CN 108876752A CN 201810733683 A CN201810733683 A CN 201810733683A CN 108876752 A CN108876752 A CN 108876752A
- Authority
- CN
- China
- Prior art keywords
- cell
- counting
- image
- carries out
- picture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 210000000601 blood cell Anatomy 0.000 title claims abstract description 19
- 210000004027 cell Anatomy 0.000 claims abstract description 36
- 230000005859 cell recognition Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000004737 colorimetric analysis Methods 0.000 abstract description 2
- 238000012937 correction Methods 0.000 abstract description 2
- 230000007797 corrosion Effects 0.000 abstract description 2
- 238000005260 corrosion Methods 0.000 abstract description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 206010000830 Acute leukaemia Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种血液细胞的图像识别计数方法,考虑到血液细胞图像的特殊性,通过Matlab进行算法仿真,进行细胞识别并计数;通过形态学的方法提取细胞特征参数,并将这些特征参数作为BP神经网络的输入参数进行细胞识别,最后进行细胞计数;采用色度学的方法进行细胞计数的校正,提高细胞计数的准确性;采用中值滤波算法、灰度直方图算法、阈值处理算法、腐蚀和膨胀算法,实现细胞的识别和自动计数,准确度好,效率高。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种血液细胞的图像识别计数方法。
背景技术
在癌症发病率逐年上升的情况下,现在医院诊断癌症主要还是由医生人工去辨别医学显微图像,这就要求检测人员或医师具有丰富的临床经验,但这样的诊断方式存在着工作效率低,强度大,易疲劳和产生人为误差等诸多缺点。利用图像识别对血液显微细胞图像进行分类,以此来辅助医生进行分析和计数血液中病变微细胞,并且得到病理等方面的重要信息,这对于帮助医务人员进行血液疾病的诊断和治疗具有非常重要的临床意义。
发明内容
有鉴于此,本发明提出了一种效率高、准确率高的急性白血病的血液细胞的图像识别计数方法。
本发明的技术方案是这样实现的:本发明提供了一种血液细胞的图像识别计数方法,其包括以下步骤,
S1,采集血液显微图像样本;
S2,对图片进行灰度化处理;
S3,对图片进行滤波处理;
S4,对图片进行二值化和阈值分割处理;
S5,提取细胞形态学特征参数;
S6,采用BP神经网络对细胞特征参数进行识别;
S7,计算细胞个数N1;
S8,将原图片从RGB空间转到LAB空间;
S9,用K均值聚类对图片像素进行LAB颜色聚类;
S10,对连通区域进行细胞识别;
S11,计算细胞个数N2;
S12,选取N1和N2中较小者为计数细胞个数。
在以上技术方案的基础上,优选的,所述步骤S2中采用加权平均法对图片进行灰度化处理,即当R=G=B=0.3R+0.59G+0.11B时,得到最合理的灰度图像。
在以上技术方案的基础上,优选的,步骤S3中的滤波处理中,先读取各个像素灰度值,再选取方形结构,运用中值算法进行滤波。
在以上技术方案的基础上,优选的,步骤S4中对图片进行二值化和阈值分割处理中,先读取滤波后各个像素灰度值,再采用最佳阈值法进行迭代,得出最佳阈值,最后运用最佳阈值对图像进行二值化处理。
在以上技术方案的基础上,优选的,步骤S5中,采用矩形的结构元素,在Matlab中用imdilate函数进行图像膨胀,用imerode函数实现图像腐蚀,然后对细胞图像标记各个连通区域,再计算各个连通区域的圆度、矩度、面积和周长作为细胞形态学特征参数。
在以上技术方案的基础上,优选的,步骤S6中,采用BP神经网络对细胞特征参数进行识别,重新标记识别为1的连通区域,标记数即为细胞识别个数。
在以上技术方案的基础上,优选的,步骤S8中,先采用以下公式将原图片从RGB空间转到XYZ空间,
再采用以下公式将XYZ空间转换到Lab空间,
L=116(Y/Y0)1/3-16
a=500[(X/X0)1/3-(Y/Y0)1/3]
b=500[(X/X0)1/3-(Z/Z0)1/3]
其中,X0=95.045,Y0=100,Z0=108.255。
在以上技术方案的基础上,优选的,步骤S9包括以下步骤,
首先,根据血液中细胞的颜色特点,从样本中选出C个合适的颜色作为初始聚类中心,将全部颜色随机分成C类,计算每类的平均值,再讲每类平均值作为下次的聚类中心;
然后,通过计算将样本就近归入聚类中心所代表的类中,取其中一样本,将其归入与其最接近的聚类中心中,重新计算这类的均值,更新聚类中心;
最后,取出下一样本,重复以上操作,知道所有颜色样本归入到相应类中。
本发明的血液细胞的图像识别计数方法相对于现有技术具有以下有益效果:
(1)考虑到血液细胞图像的特殊性,通过Matlab进行算法仿真,进行细胞识别并计数;
(2)通过形态学的方法提取细胞特征参数,并将这些特征参数作为BP神经网络的输入参数进行细胞识别,最后进行细胞计数;
(3)采用色度学的方法进行细胞计数的校正,提高细胞计数的准确性;
(4)采用中值滤波算法、灰度直方图算法、阈值处理算法、腐蚀和膨胀算法,实现细胞的识别和自动计数,准确度好,效率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的血液细胞的图像识别计数方法的流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,本发明的血液细胞的图像识别计数方法,其包括以下步骤,
S1,采集血液显微图像样本。
S2,对图片进行灰度化处理。具体的,采用加权平均法对图片进行灰度化处理,即当R=G=B=0.3R+0.59G+0.11B时,得到最合理的灰度图像。
S3,对图片进行滤波处理。具体的,先读取各个像素灰度值,再选取方形结构,运用中值算法进行滤波。
S4,对图片进行二值化和阈值分割处理。具体的,先读取滤波后各个像素灰度值,再采用最佳阈值法进行迭代,得出最佳阈值,最后运用最佳阈值对图像进行二值化处理。
S5,提取细胞形态学特征参数。具体的,采用矩形的结构元素,在Matlab中用imdilate函数进行图像膨胀,用imerode函数实现图像腐蚀,然后对细胞图像标记各个连通区域,再计算各个连通区域的圆度、矩度、面积和周长作为细胞形态学特征参数。
S6,采用BP神经网络对细胞特征参数进行识别。具体的,采用BP神经网络对细胞特征参数进行识别,重新标记识别为1的连通区域,标记数即为细胞识别个数。
S7,计算细胞个数N1;
S8,将原图片从RGB空间转到LAB空间。具体的,先采用以下公式将原图片从RGB空间转到XYZ空间,
再采用以下公式将XYZ空间转换到Lab空间,
L=116(Y/Y0)1/3-16
a=500[(X/X0)1/3-(Y/Y0)1/3]
b=500[(X/X0)1/3-(Z/Z0)1/3]
其中,X0=95.045,Y0=100,Z0=108.255。
S9,用K均值聚类对图片像素进行LAB颜色聚类。具体的,
首先,根据血液中细胞的颜色特点,从样本中选出C个合适的颜色作为初始聚类中心,将全部颜色随机分成C类,计算每类的平均值,再讲每类平均值作为下次的聚类中心;
然后,通过计算将样本就近归入聚类中心所代表的类中,取其中一样本,将其归入与其最接近的聚类中心中,重新计算这类的均值,更新聚类中心;
最后,取出下一样本,重复以上操作,知道所有颜色样本归入到相应类中。
S10,对连通区域进行细胞识别。可采用与步骤S5和S6相同的方法。
S11,计算细胞个数N2;
S12,选取N1和N2中较小者为计数细胞个数。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种血液细胞的图像识别计数方法,其特征在于:其包括以下步骤,
S1,采集血液显微图像样本;
S2,对图片进行灰度化处理;
S3,对图片进行滤波处理;
S4,对图片进行二值化和阈值分割处理;
S5,提取细胞形态学特征参数;
S6,采用BP神经网络对细胞特征参数进行识别;
S7,计算细胞个数N1;
S8,将原图片从RGB空间转到LAB空间;
S9,用K均值聚类对图片像素进行LAB颜色聚类;
S10,对连通区域进行细胞识别;
S11,计算细胞个数N2;
S12,选取N1和N2中较小者为计数细胞个数。
2.如权利要求1所述的血液细胞的图像识别计数方法,其特征在于:所述步骤S2中采用加权平均法对图片进行灰度化处理,即当R=G=B=0.3R+0.59G+0.11B时,得到最合理的灰度图像。
3.如权利要求1所述的血液细胞的图像识别计数方法,其特征在于:步骤S3中的滤波处理中,先读取各个像素灰度值,再选取方形结构,运用中值算法进行滤波。
4.如权利要求1所述的血液细胞的图像识别计数方法,其特征在于:步骤S4中对图片进行二值化和阈值分割处理中,先读取滤波后各个像素灰度值,再采用最佳阈值法进行迭代,得出最佳阈值,最后运用最佳阈值对图像进行二值化处理。
5.如权利要求1所述的血液细胞的图像识别计数方法,其特征在于:步骤S5中,采用矩形的结构元素,在Matlab中用imdilate函数进行图像膨胀,用imerode函数实现图像腐蚀,然后对细胞图像标记各个连通区域,再计算各个连通区域的圆度、矩度、面积和周长作为细胞形态学特征参数。
6.如权利要求1所述的血液细胞的图像识别计数方法,其特征在于:步骤S6中,采用BP神经网络对细胞特征参数进行识别,重新标记识别为1的连通区域,标记数即为细胞识别个数。
7.如权利要求1所述的血液细胞的图像识别计数方法,其特征在于:步骤S8中,先采用以下公式将原图片从RGB空间转到XYZ空间,
再采用以下公式将XYZ空间转换到Lab空间,
L=116(Y/Y0)1/3-16
a=500[(X/X0)1/3-(Y/Y0)1/3]
b=500[(X/X0)1/3-(Z/Z0)1/3]
其中,X0=95.045,Y0=100,Z0=108.255。
8.如权利要求1所述的血液细胞的图像识别计数方法,其特征在于:步骤S9包括以下步骤,
首先,根据血液中细胞的颜色特点,从样本中选出C个合适的颜色作为初始聚类中心,将全部颜色随机分成C类,计算每类的平均值,再讲每类平均值作为下次的聚类中心;
然后,通过计算将样本就近归入聚类中心所代表的类中,取其中一样本,将其归入与其最接近的聚类中心中,重新计算这类的均值,更新聚类中心;
最后,取出下一样本,重复以上操作,知道所有颜色样本归入到相应类中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810733683.XA CN108876752A (zh) | 2018-07-06 | 2018-07-06 | 血液细胞的图像识别计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810733683.XA CN108876752A (zh) | 2018-07-06 | 2018-07-06 | 血液细胞的图像识别计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108876752A true CN108876752A (zh) | 2018-11-23 |
Family
ID=64299657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810733683.XA Pending CN108876752A (zh) | 2018-07-06 | 2018-07-06 | 血液细胞的图像识别计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876752A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685783A (zh) * | 2018-12-18 | 2019-04-26 | 东北大学 | 一种基于骨架提取的细胞计数方法 |
CN110264463A (zh) * | 2019-06-25 | 2019-09-20 | 北京实验工厂有限责任公司 | 一种基于matlab图像处理的物料清点方法 |
CN111833296A (zh) * | 2020-05-25 | 2020-10-27 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测审核系统及审核方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949819A (zh) * | 2010-09-16 | 2011-01-19 | 北京优纳科技有限公司 | 一种基于图像识别的细胞计数方法 |
CN103955937A (zh) * | 2014-05-15 | 2014-07-30 | 福州大学 | 基于数字图像处理微藻自动计数方法 |
CN104881679A (zh) * | 2015-05-22 | 2015-09-02 | 电子科技大学 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
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 |
US20180127823A1 (en) * | 2016-08-17 | 2018-05-10 | The Broad Institute, Inc. | Method for determination and identification of cell signatures and cell markers |
-
2018
- 2018-07-06 CN CN201810733683.XA patent/CN108876752A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949819A (zh) * | 2010-09-16 | 2011-01-19 | 北京优纳科技有限公司 | 一种基于图像识别的细胞计数方法 |
CN103955937A (zh) * | 2014-05-15 | 2014-07-30 | 福州大学 | 基于数字图像处理微藻自动计数方法 |
CN104881679A (zh) * | 2015-05-22 | 2015-09-02 | 电子科技大学 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
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 |
US20180127823A1 (en) * | 2016-08-17 | 2018-05-10 | The Broad Institute, Inc. | Method for determination and identification of cell signatures and cell markers |
Non-Patent Citations (1)
Title |
---|
黄松: "基于图像识别方法体细胞计数系统的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685783A (zh) * | 2018-12-18 | 2019-04-26 | 东北大学 | 一种基于骨架提取的细胞计数方法 |
CN110264463A (zh) * | 2019-06-25 | 2019-09-20 | 北京实验工厂有限责任公司 | 一种基于matlab图像处理的物料清点方法 |
CN111833296A (zh) * | 2020-05-25 | 2020-10-27 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测审核系统及审核方法 |
CN111833296B (zh) * | 2020-05-25 | 2023-03-10 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测审核系统及审核方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
JP4864857B2 (ja) | 有糸分裂活性の測定 | |
US20070019854A1 (en) | Method and system for automated digital image analysis of prostrate neoplasms using morphologic patterns | |
US7574304B2 (en) | Chromatin segmentation | |
CN108876752A (zh) | 血液细胞的图像识别计数方法 | |
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 | |
CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
CN113537182B (zh) | 染色体中期分裂相显微图像的自动识别方法与系统 | |
CN110232410A (zh) | 多层级的器官组织病理图像分析方法及分析装置 | |
CN115631350B (zh) | 罐印图像的颜色识别方法和装置 | |
Rachna et al. | Detection of Tuberculosis bacilli using image processing techniques | |
CN113724235B (zh) | 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法 | |
CN110766678A (zh) | 一种卵巢癌分子分型预测系统 | |
Huang et al. | HEp-2 cell images classification based on textural and statistic features using self-organizing map | |
CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
JP3020973B2 (ja) | 画像処理方法 | |
CN111311628A (zh) | 一种全自动高性能白细胞分割方法 | |
CN114511567B (zh) | 舌体与舌苔图像识别分离方法 | |
CN114240853A (zh) | 基于计算机视觉的细胞计数方法 | |
Sreejini et al. | M-FISH karyotyping-a new approach based on watershed transform | |
JP6329651B1 (ja) | 画像処理装置及び画像処理方法 | |
CN113053521B (zh) | 基于深度学习的头颈鳞癌淋巴结转移癌诊断辅助识别系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |