CN109360187A - 淋巴细胞切片癌细胞检测器 - Google Patents
淋巴细胞切片癌细胞检测器 Download PDFInfo
- Publication number
- CN109360187A CN109360187A CN201811051330.8A CN201811051330A CN109360187A CN 109360187 A CN109360187 A CN 109360187A CN 201811051330 A CN201811051330 A CN 201811051330A CN 109360187 A CN109360187 A CN 109360187A
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- cancer cell
- image processing
- sliced
- 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
- G06T7/10—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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computing Systems (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)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种淋巴细胞切片癌细胞检测器。本发明由图像输入模块和图像处理模块组成,所述图像输入模块由高倍显微镜加相机组成,使用高倍显微镜和相机对切片图像识别生成细胞图,生成细胞图像后进入图像处理模块;图像处理步骤如下:a.读取图像;b.对图像进行滤波去除杂质;c.创建纹理图像;d.显示图像不同部分的纹理;e.使用合适的滤波器进行分割;f.对比经验数据判断是否有癌细胞存在;g.输出数据结果。本发明能够快速地对切片癌细胞的存在进行检测,用于提高准确度,提高手术效率,有效地缩短手术时间减少病人负担。
Description
技术领域
本发明涉及病理检测技术领域,更具体地说,是涉及淋巴细胞切片癌细胞检测器。
背景技术
在现有的淋巴结清扫手术中,在对淋巴细胞切片之后一般通过送往病理科人工观察细胞有无病变。现有的检测方式效率低下且可能出现遗漏。
发明内容
本发明所要解决的技术问题是,克服现有技术中存在的不足,提供一种淋巴细胞切片癌细胞检测器。
本发明淋巴细胞切片癌细胞检测器,由图像输入模块和图像处理模块组成,所述图像输入模块由高倍显微镜加相机组成,使用高倍显微镜和相机对切片图像识别生成细胞图,生成细胞图像后进入图像处理模块;
所述图像处理模块使用纹理滤波器进行分割就是利用图像中不同区域的纹理来对图像的区域进行划分;纹理是指一个物体上的颜色模式或表面的光滑程度,癌细胞与正常细胞在外观上有很大的差别,癌细胞的细胞核巨大,在染色后与正常细胞在外观上能明显区分,所以可以利用图像纹理分割技术对其进行识别;
图像处理步骤如下:1.读取图像;2.对图像进行滤波去除杂质;3.创建纹理图像;4.显示图像不同部分的纹理;4.使用合适的滤波器进行分割;5.对比经验数据判断是否有癌细胞存在;6。输出数据结果。
所述图像处理模块由微型计算机来完成,附带键盘与显示屏对其进行操作。
所述使用纹理滤波器进行分割分为两步走:第一步是纹理图像特征的提取,使用灰度共生矩阵;第二步是纹理图像的分类,利用Hopfield神经网络。
与现有技术相比,本发明的有益效果是:
本发明能够快速地对切片癌细胞的存在进行检测,用于提高准确度,提高手术效率,有效地缩短手术时间减少病人负担。
本发明的优点在于用机器的操作代替了人工的观测,节省了人工,降低了成本,提高了检测效率和准确度。
附图说明
图1是本发明图像处理流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明淋巴细胞切片癌细胞检测器,由图像输入模块和图像处理模块组成,所述图像输入模块由高倍显微镜加相机组成,使用高倍显微镜和相机对切片图像识别生成细胞图,生成细胞图像后进入图像处理模块;
所述图像处理模块使用纹理滤波器进行分割就是利用图像中不同区域的纹理来对图像的区域进行划分;纹理是指一个物体上的颜色模式或表面的光滑程度,癌细胞与正常细胞在外观上有很大的差别,癌细胞的细胞核巨大,在染色后与正常细胞在外观上能明显区分,所以可以利用图像纹理分割技术对其进行识别;
如图1所示,图像处理步骤如下:1.读取图像;2.对图像进行滤波去除杂质;3.创建纹理图像;4.显示图像不同部分的纹理;4.使用合适的滤波器进行分割;5.对比经验数据判断是否有癌细胞存在;6。输出数据结果。
图像输入模块可以用高倍显微镜加相机组成,也可由其他录入设备代替。在图像处理模块中的纹理图像分割技术有很多实现方法。
所述使用纹理滤波器进行分割分为两步走:第一步是纹理图像特征的提取,使用灰度共生矩阵;第二步是纹理图像的分类,利用Hopfield神经网络。
纹理图像特征的提取可使用灰度共生矩阵,灰度共生矩阵描述方法是基于在纹理中某一灰度级结构重复出现的情况。这个结构在精细纹理中随着距离而快速地变化,而在粗糙纹理中则变化缓慢。基于灰度共生矩阵提取的特征非常适合于描述微小的纹理。一幅图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息,是分析图像的局部特征和排列规律的基础。对于粗纹理的区域,共生矩阵的元素值集中在对角线附近,而对于细纹理的区域,共生矩阵的元素值将离开主对角线向外散开。由此可以进一步描述图像纹理的一系列特征。根据共生矩阵,可以定义熵(Entropy)、对比度(Contrast)、能量(Energy)、相关(Correlation)、方差(Variance)等16种用于提取图像中纹理信息的特征统计量。
纹理图像的分类可利用Hopfield神经网络,Hopfield网络不需要学习训练,可根据输入的不同进行状态调整,并且,其能量函数始终是单调下降的,易于快速收敛。无监督Hopfield神经网络与其它网络的不同之处在于:首先,它融入了winner-takes-all学习机制,当某一神经元的输入状态满足一定条件时,就赋予它(winner)新的输出状态;其次,网络中任一神经元的状态与其邻域内各神经元状态的影响有关,这样对于纹理图像分割,我们不仅利用图像中某一像点的纹理特征,而且还将它的邻域相关信息融和进来,增强了抗噪性能;最后,任一神经元的当前状态还与它的前一状态有关,这样通过网络状态的不断自我刷新和自适应调整,就可获得一个稳定的网络状态,取得令人满意的纹理图像分割效果。
纹理图像分割可通过最小化类内特征矢量间的平均距离来实现,因此利用类内特征矢量间的平均距离构造能量函数,由Hopfield网络极小化该能量函数来实现纹理图像的分割。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种淋巴细胞切片癌细胞检测器,其特征是,由图像输入模块和图像处理模块组成,所述图像输入模块由高倍显微镜加相机组成,使用高倍显微镜和相机对切片图像识别生成细胞图,生成细胞图像后进入图像处理模块;
所述图像处理模块使用纹理滤波器进行分割就是利用图像中不同区域的纹理来对图像的区域进行划分;纹理是指一个物体上的颜色模式或表面的光滑程度,癌细胞与正常细胞在外观上有很大的差别,癌细胞的细胞核巨大,在染色后与正常细胞在外观上能明显区分,所以可以利用图像纹理分割技术对其进行识别;
图像处理步骤如下:a.读取图像;b.对图像进行滤波去除杂质;c.创建纹理图像;d.显示图像不同部分的纹理;e.使用合适的滤波器进行分割;f.对比经验数据判断是否有癌细胞存在;g.输出数据结果。
2.根据权利要求1所述的淋巴细胞切片癌细胞检测器,其特征是,所述图像处理模块由微型计算机来完成,附带键盘与显示屏对其进行操作。
3.根据权利要求1所述的淋巴细胞切片癌细胞检测器,其特征是,所述使用纹理滤波器进行分割分为两步走:第一步是纹理图像特征的提取,使用灰度共生矩阵;第二步是纹理图像的分类,利用Hopfield神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811051330.8A CN109360187A (zh) | 2018-09-10 | 2018-09-10 | 淋巴细胞切片癌细胞检测器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811051330.8A CN109360187A (zh) | 2018-09-10 | 2018-09-10 | 淋巴细胞切片癌细胞检测器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109360187A true CN109360187A (zh) | 2019-02-19 |
Family
ID=65350731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811051330.8A Pending CN109360187A (zh) | 2018-09-10 | 2018-09-10 | 淋巴细胞切片癌细胞检测器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109360187A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211108A (zh) * | 2019-05-29 | 2019-09-06 | 武汉兰丁医学高科技有限公司 | 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101756696A (zh) * | 2009-12-31 | 2010-06-30 | 中国人民解放军空军总医院 | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 |
CN102297873A (zh) * | 2011-05-03 | 2011-12-28 | 杭州一二八医院 | 利用软x射线显微成像进行癌细胞图形识别的方法 |
CN106108832A (zh) * | 2016-08-30 | 2016-11-16 | 孟玲 | 一种生物体内信息获取装置 |
-
2018
- 2018-09-10 CN CN201811051330.8A patent/CN109360187A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101756696A (zh) * | 2009-12-31 | 2010-06-30 | 中国人民解放军空军总医院 | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 |
CN102297873A (zh) * | 2011-05-03 | 2011-12-28 | 杭州一二八医院 | 利用软x射线显微成像进行癌细胞图形识别的方法 |
CN106108832A (zh) * | 2016-08-30 | 2016-11-16 | 孟玲 | 一种生物体内信息获取装置 |
Non-Patent Citations (4)
Title |
---|
GONZALO PAJARES等: "A Hopfield Neural Network for combining classifiers applied to textured images", 《NEURAL NETWORKS》 * |
刘仁金等: "基于树型小波变换和Hopfield神经网络的纹理图像分割", 《湖北民族学院学报(自然科学版)》 * |
江南春等: "纹理滤波器在分割肛管外病症图像中的应用", 《微型机与应用》 * |
郭立等: "基于Gabor多通道滤波和Hopfield神经网络的纹理图象分割", 《计算机工程与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211108A (zh) * | 2019-05-29 | 2019-09-06 | 武汉兰丁医学高科技有限公司 | 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmmed et al. | Classification of tumors and it stages in brain MRI using support vector machine and artificial neural network | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
Konishi et al. | Statistical edge detection: Learning and evaluating edge cues | |
Veta et al. | Detecting mitotic figures in breast cancer histopathology images | |
CN108038476A (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
CN111476266B (zh) | 一种基于迁移学习的非平衡类别白细胞分类方法 | |
CN107316013A (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN105261017A (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN103679187B (zh) | 图像识别方法和系统 | |
CN110264454B (zh) | 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法 | |
CN103679184A (zh) | 一种基于相关向量机的白细胞自动识别方法 | |
CN108389198A (zh) | 一种宫颈细胞涂片中非典型异常腺细胞的识别方法 | |
Niwas et al. | Log-gabor wavelets based breast carcinoma classification using least square support vector machine | |
Nateghi et al. | Automatic detection of mitosis cell in breast cancer histopathology images using genetic algorithm | |
CN109165658A (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
Plissiti et al. | Automated segmentation of cell nuclei in PAP smear images | |
Kumar et al. | Automatic image segmentation using wavelets | |
Sheela Shiney et al. | Deep auto encoder based extreme learning system for automatic segmentation of cervical cells | |
Zhang et al. | A novel spectral-spatial multi-scale network for hyperspectral image classification with the Res2Net block | |
CN109360187A (zh) | 淋巴细胞切片癌细胞检测器 | |
CN114970862B (zh) | 一种基于多实例知识蒸馏模型的pdl1表达水平预测方法 | |
Liu et al. | Salient object detection fusing global and local information based on nonsubsampled contourlet transform | |
Jumanov et al. | Detection of Distorted Points on Images of Micro-Objects Based on The Properties and Peculiarities of the Wavelet-Transformation | |
Xuru | A classification method of breast pathological image based on residual learning | |
Selvy et al. | A proficient clustering technique to detect CSF level in MRI brain images using PSO algorithm |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190219 |