CN109670472A - 脐带间充质干细胞体外培养和扩增的图像处理系统及方法 - Google Patents
脐带间充质干细胞体外培养和扩增的图像处理系统及方法 Download PDFInfo
- Publication number
- CN109670472A CN109670472A CN201811621466.8A CN201811621466A CN109670472A CN 109670472 A CN109670472 A CN 109670472A CN 201811621466 A CN201811621466 A CN 201811621466A CN 109670472 A CN109670472 A CN 109670472A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- umbilical cord
- stem cells
- mesenchymal stem
- 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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机软件技术领域,公开了一种脐带间充质干细胞体外培养和扩增的图像处理系统及方法,图像处理包括:显微成像模块、图像采集模块、图像压缩模块、图像增强模块、图像分割模块、图像描述模块、图像识别模块、存储模块、显示模块。本发明通过图像压缩模块将细胞图像压缩处理;通过图像增强模块提高细胞图像质量,去除噪声,提高细胞图像的清晰度;通过图像分割模块将细胞图像中有意义的特征部分提取出来;通过图像描述模块和图像识别模块进行图像的特征提取,从而进行判决分类;通过存储模块将细胞图像安全的存储起来;通过显示模块将经系统处理的图像显示,辅助医师对细胞的病变状态进行判别。
Description
技术领域
本发明属于计算机软件技术领域,尤其涉及一种脐带间充质干细胞体外培养和扩增的图像处理系统及方法。
背景技术
目前,业内常用的现有技术是这样的:
脐带间充质干细胞是指存在于新生儿脐带组织中的一种多功能干细胞,具有较高的分化潜能,可向多个方向进行分化,它在骨、软骨、肌肉、肌腱、韧带、神经、肝、内皮和心肌等组织工程方面具有广阔的临床应用前景。脐带组织培养5-7天后,可见有部分细胞从组织块周围爬出,形态呈细小的梭形,一周后,细胞开始迅速增殖,形成大小不等的细胞集落。
在脐带间充质干细胞体外培养和扩增过程中需要采集干细胞图像,术对光学显微镜细胞图像进行细胞参数的定量分析,可以辅助医师对细胞的病变状态进行判别,能够在一定程度上减轻医务人员的工作负担。传统的细胞图像分割算法多是基于灰度图像的分割,图像中的颜色信息利用得不充分。
综上所述,现有技术存在的问题是:
(1)传统的细胞图像分割算法多是基于灰度图像的分割,图像中的颜色信息利用得不充分。
(2)由于显微细胞图像在采集和传输过程存在各种因素的影响,使得在输出的图像中会含有一些噪声,如电子信号的干扰,噪声的存在不仅会破坏原有图像点像素信息分布,而且会对后续图像分割与特征提取造成一定的影响。
(3)识别时如果为了提高识别率而提取大量特征信息,这不仅会使特征维数增大而造成运算复杂程度加大,还会存在较大的相关性和冗余;如果有简单有效的特征,即使最基本的分类器都可以达到很好的效果,泛化能力表现良好。
发明内容
针对现有技术存在的问题,本发明提供了一种脐带间充质干细胞体外培养和扩增的图像处理系统及方法。
本发明是这样实现的,一种脐带间充质干细胞体外培养和扩增的图像处理方法,为:
步骤一:通过显微成像模块和图像采集模块将脐带间充质干细胞体外培养和扩增的图像放大并记录;
步骤二:通过图像压缩模块将脐带间充质干细胞体外培养和扩增的图像压缩处理;图像压缩模块由VHDL语言实现,其中MR编码为二维编码方式,所述MR编码第一行采用MH编码,所述MR编码第二行根据第一行数据进行压缩;
图像压缩模块产生的压缩数据由行标志位、黑白游程标志位、压缩码长度、压缩码构成;压缩完成后,压缩数据存储在寄存器中;根据压缩数据中的行标志位、黑白游程标志位、压缩码长度、压缩码,运用状态机的方法进行解压缩操作;
图像压缩模块将压缩图像数据解压缩完成后,存储在寄存器中;
步骤三:通过图像增强模块提高脐带间充质干细胞体外培养和扩增的图像的质量,去除噪声;
步骤四:通过图像分割模块将脐带间充质干细胞体外培养和扩增的图像中有意义的特征部分提取出来;
步骤五:通过图像描述模块和图像识别模块进行脐带间充质干细胞体外培养和扩增的图像的特征提取,进行判决分类;具体包括:
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器进行判别分类;
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,…,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;
所述的k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k个点中,两点之间有边相连;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,其具体步骤如下:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵可以按照此方法依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入表示为:
步骤六:通过存储模块将脐带间充质干细胞体外培养和扩增的图像安全的存储起来。
步骤七:通过显示模块将经系统处理的图像显示,辅助医师对细胞的病变状态进行判别;
进一步,分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类,具体步骤如下:
假设测试样本数为m个,样本集为(X1,X2,…,Xm),通过所得到的转换矩阵计算测试样本的嵌入:
在得到训练样本和测试样本的嵌入的基础上,利用基于张量距离的近邻分类器进行分类,得到每一个测试样本所属的类别。
进一步,所述寄存器包括第一寄存器、第二寄存器与第三寄存器,所述第一寄存器用于存储外界发送至原始图像数据,所述第二寄存器用于存储图像压缩模块生成的压缩图像数据,第三寄存器用于存储图像压缩模块生成的解压缩图像数据。
进一步,所述脐带间充质干细胞体外培养图像处理方法为:
图像增强模块需要对图像进行去噪处理,去噪模板为:
细胞图像中像素点个数一般为奇数,模板形状一般为方形、圆形以及十字型等中值滤波器n*n模板的数学表达式:
f(x,y)=mid{f(x±k,y±k),k≤(n-1)/2}
进一步,分割模块采用阈值分割的方法得到最终的分割结果fresult:
frefine=fmatch×Cs,
式中T2为阈值分割的门限,(i,j)表示图像中的像素点(i,j);
图像识别模块的识别方法为:
(1)面积A,目标区域所包含像素点的总数目,反映目标区域的几何形状特性;
式中,M和N分别代表目标区域的水平方向和垂直方向的最大值,而
式中,R代表目标区域;
(2)周长P,目标区域上相邻边缘点之间的距离之和,可以计数目标区域边界点得到,用来衡量目标区域形状的简单或复杂程度;
式中,B表示目标区域边界上所有的像素点。
(3)圆形度C衡量目标区域形状复杂程度的特征量;
式中,P和A分别为目标区域的周长及面积,C的取值范围为0<C≤1。
(4)矩形度R描述目标区域与矩形的偏离程度;
式中,W和H分别为目标区域的宽度和高度,当区域为矩形时,R为最大值1;
(5)伸长度E,表明区域的狭长程度;
式中H和W分别为区域的高度与宽度,区域越呈细长形,E越小。
本发明另一目的在于提供一种实现所述脐带间充质干细胞体外培养和扩增的图像处理方法的计算机程序。
本发明另一目的在于提供一种实现所述脐带间充质干细胞体外培养和扩增的图像处理方法的信息数据处理终端。
本发明另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的脐带间充质干细胞体外培养和扩增的图像处理方法。
本发明另一目的在于提供一种实现所述脐带间充质干细胞体外培养和扩增的图像处理方法的脐带间充质干细胞体外培养和扩增的图像处理系统,所述的脐带间充质干细胞体外培养和扩增的图像处理系统包括:
显微成像模块,与图像采集模块连接,将脐带间充质干细胞体外培养和扩增时的状态放大,图像采集模块将图像记录;
图像采集模块,与图像压缩模块连接,用于图像的记录和采集;
图像压缩模块,用于在不失真的前提下减少描述图像的数据量,用于节省图像传输、处理时间和减少所占用的存储器容量;
图像增强模块,与图像压缩模块连接,用于去除细胞图像噪声;
图像分割模块,与图像增强模块连接,用于将细胞图像中有意义的边缘、区域特征部分提取出来,进行图像描述、识别;
图像描述模块与图像分割模块连接,用于采用几何特性描述细胞的特性;
图像识别模块,与图像描述模块连接,用于进行细胞图像的特征提取,进行判决分类;
存储模块,与图像识别模块与连接,用于将脐带间充质干细胞体外培养和扩增的图像安全的存储起来;
显示模块,与存储模块连接,将处理的图像显示。
本发明另一目的在于提供一种医学脐带间充质干细胞图像处理设备,所述医学脐带间充质干细胞图像处理设备至少搭载所述的脐带间充质干细胞体外培养和扩增的图像处理系统。
本发明的优点及积极效果为:
(1)色差向量场方法,基于细胞图像的色差向量场,提出了一种循环匹配的分割方法,同时采用色差强度对分割结果进行了进一步的修正;通过对实际采集的彩色细胞图像样本的分割实验验证,该算法比传统算法的分割结果更可靠,准确率可以达到95.2%,而且能够实现不同颜色重叠细胞图像的分割。
(2)噪声通常可以采用滤波的方式来去除,这样可以降低计算机系统图像处理算法的复杂程度并提高其精确度,采用中值滤波去噪图像对图像整体影响微小,对于融入椒盐噪声的显微细胞图像去噪效果而言,中值滤波去噪效果最好,图像十分清晰。
(3)为了快速、准确的识别显微细胞图像有形成分,尽可能的减少整个自动识别系统的处理时间和错误识别率,选择了面积A、圆形度C、周长P、矩形度R、伸长度E进行显微细胞图像有形成分的识别实验,它们能够很好的表征显微细胞图像有形成分特征。
本发明利用基于张量距离的近邻分类器进行判别分类,对于一些高阶的数据,由于其特殊的几何和拓扑结构特性,传统的欧式距离并不能真正地反应两个张量之间的距离,因此采用此分类器,提高了识别分类的准确性。
本发明图像压缩模块由VHDL语言实现,其中MR编码为二维编码方式,所述MR编码第一行采用MH编码,所述MR编码第二行根据第一行数据进行压缩;
图像压缩模块产生的压缩数据由行标志位、黑白游程标志位、压缩码长度、压缩码构成;压缩完成后,压缩数据存储在寄存器中;根据压缩数据中的行标志位、黑白游程标志位、压缩码长度、压缩码,运用状态机的方法进行解压缩操作;
图像压缩模块将压缩图像数据解压缩完成后,存储在寄存器中;可获得准确的图像数据。相比于现有技术准确性提高很多,在医学的应用中,具有很重要的意义。
附图说明
图1是本发明实施例提供的脐带间充质干细胞体外培养和扩增的图像处理方法流程图。
图2是本发明实施例提供的脐带间充质干细胞体外培养和扩增的图像处理系统示意图。
图中:1、显微成像模块、2、图像采集模块;3、图像压缩模块;4、图像增强模块;5、图像分割模块;6、图像描述模块;7、图像识别模块;8、存储模块;9、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的脐带间充质干细胞体外培养图像处理方法包括以下步骤:
S101:通过显微成像模块和图像采集模块将脐带间充质干细胞体外培养和扩增的图像放大并记录。
S102:通过图像压缩模块将脐带间充质干细胞体外培养和扩增的图像压缩处理。
S103:通过图像增强模块提高脐带间充质干细胞体外培养和扩增的图像的质量,去除噪声,提高细胞图像的清晰度。
S104:通过图像分割模块将脐带间充质干细胞体外培养和扩增的图像中有意义的特征部分提取出来。
S105:通过图像描述模块和图像识别模块进行脐带间充质干细胞体外培养和扩增的图像的特征提取,从而进行判决分类。
S106:通过存储模块将脐带间充质干细胞体外培养和扩增的图像安全的存储起来。
S107:通过显示模块将经系统处理的图像显示,辅助医师对细胞的病变状态进行判别。
如图2所示,本发明实施例提供的脐带间充质干细胞体外培养和扩增的图像处理系统包括:
显微成像模块1、图像采集模块2、图像压缩模块3、图像增强模块4、图像分割模块5、图像描述模块6、图像识别模块7、存储模块8、显示模块9。
显微成像模块1与图像采集模块2连接,显微成像模块将脐带间充质干细胞体外培养和扩增时的状态放大,图像采集模块将图像记录。
图像采集模块与图像压缩模块3连接,图像压缩模块能够在不失真的前提下减少描述图像的数据量,以便节省图像传输、处理时间和减少所占用的存储器容量。
图像压缩模块与图像增强模块4连接,图像增强模块用于提高细胞图像的质量,去除噪声,提高细胞图像的清晰度等,可使图像中细胞轮廓清晰,细节明显,减少细胞图像中噪声影响。
图像增强模块与图像分割模块5连接,图像分割模块是将细胞图像中有意义的特征部分提取出来,其有意义的特征有图像中的边缘、区域等,这是进一步进行图像描述、识别的基础。
图像分割模块与图像描述模块6连接,图像描述模块是图像识别的必要前提,作为细胞图像可采用其几何特性描述物体的特性。
图像描述模块与图像识别模块7连接,进行细胞图像的特征提取,从而进行判决分类。
图像识别模块与存储模块8连接,将脐带间充质干细胞体外培养和扩增的图像安全的存储起来。
存储模块与显示模块9连接。
将经系统处理的图像显示,辅助医师对细胞的病变状态进行判别,在一定程度上减轻医务人员的工作负担。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的脐带间充质干细胞体外培养图像处理方法为:
步骤一:通过显微成像模块和图像采集模块将脐带间充质干细胞体外培养和扩增的图像放大并记录;
步骤二:通过图像压缩模块将脐带间充质干细胞体外培养和扩增的图像压缩处理;图像压缩模块由VHDL语言实现,其中MR编码为二维编码方式,所述MR编码第一行采用MH编码,所述MR编码第二行根据第一行数据进行压缩;
图像压缩模块产生的压缩数据由行标志位、黑白游程标志位、压缩码长度、压缩码构成;压缩完成后,压缩数据存储在寄存器中;根据压缩数据中的行标志位、黑白游程标志位、压缩码长度、压缩码,运用状态机的方法进行解压缩操作;
图像压缩模块将压缩图像数据解压缩完成后,存储在寄存器中;
步骤三:通过图像增强模块提高脐带间充质干细胞体外培养和扩增的图像的质量,去除噪声;
步骤四:通过图像分割模块将脐带间充质干细胞体外培养和扩增的图像中有意义的特征部分提取出来;
步骤五:通过图像描述模块和图像识别模块进行脐带间充质干细胞体外培养和扩增的图像的特征提取,进行判决分类;具体包括:
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器进行判别分类;
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;
所述的k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k个点中,两点之间有边相连;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,其具体步骤如下:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵可以按照此方法依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入表示为:
步骤六:通过存储模块将脐带间充质干细胞体外培养和扩增的图像安全的存储起来。
步骤七:通过显示模块将经系统处理的图像显示,辅助医师对细胞的病变状态进行判别;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类,具体步骤如下:
假设测试样本数为m个,样本集为(X1,X2,...,Xm),通过所得到的转换矩阵计算测试样本的嵌入:
在得到训练样本和测试样本的嵌入的基础上,利用基于张量距离的近邻分类器进行分类,得到每一个测试样本所属的类别。
进一步,所述寄存器包括第一寄存器、第二寄存器与第三寄存器,所述第一寄存器用于存储外界发送至原始图像数据,所述第二寄存器用于存储图像压缩模块生成的压缩图像数据,第三寄存器用于存储图像压缩模块生成的解压缩图像数据。
图像增强模块需要对图像进行去噪处理,去噪模板为:
细胞图像中像素点个数一般为奇数,模板形状一般为方形、圆形以及十字型等中值滤波器n*n模板的数学表达式:
f(x,y)=mid{f(x±k,y±k),k≤(n-1)/2}。
进一步,分割模块采用阈值分割的方法得到最终的分割结果fresult:
frefine=fmatch×Cs,
式中T2为阈值分割的门限,(i,j)表示图像中的像素点(i,j);
图像识别模块的识别方法为:
(1)面积A,目标区域所包含像素点的总数目,反映目标区域的几何形状特性;
式中,M和N分别代表目标区域的水平方向和垂直方向的最大值,而
式中,R代表目标区域;
(2)周长P,目标区域上相邻边缘点之间的距离之和,可以计数目标区域边界点得到,用来衡量目标区域形状的简单或复杂程度;
式中,B表示目标区域边界上所有的像素点。
(3)圆形度C衡量目标区域形状复杂程度的特征量;
式中,P和A分别为目标区域的周长及面积,C的取值范围为0<C≤1。
(4)矩形度R描述目标区域与矩形的偏离程度;
式中,W和H分别为目标区域的宽度和高度,当区域为矩形时,R为最大值1;
(5)伸长度E,表明区域的狭长程度;
式中H和W分别为区域的高度与宽度,区域越呈细长形,E越小。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种脐带间充质干细胞体外培养和扩增的图像处理方法,其特征在于,所述脐带间充质干细胞体外培养图像处理方法为:
步骤一:通过显微成像模块和图像采集模块将脐带间充质干细胞体外培养和扩增的图像放大并记录;
步骤二:通过图像压缩模块将脐带间充质干细胞体外培养和扩增的图像压缩处理;图像压缩模块由VHDL语言实现,其中MR编码为二维编码方式,所述MR编码第一行采用MH编码,所述MR编码第二行根据第一行数据进行压缩;
图像压缩模块产生的压缩数据由行标志位、黑白游程标志位、压缩码长度、压缩码构成;压缩完成后,压缩数据存储在寄存器中;根据压缩数据中的行标志位、黑白游程标志位、压缩码长度、压缩码,运用状态机的方法进行解压缩操作;
图像压缩模块将压缩图像数据解压缩完成后,存储在寄存器中;
步骤三:通过图像增强模块提高脐带间充质干细胞体外培养和扩增的图像的质量,去除噪声;
步骤四:通过图像分割模块将脐带间充质干细胞体外培养和扩增的图像中有意义的特征部分提取出来;
步骤五:通过图像描述模块和图像识别模块进行脐带间充质干细胞体外培养和扩增的图像的特征提取,进行判决分类;具体包括:
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器进行判别分类;
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;
所述的k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k个点中,两点之间有边相连;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,其具体步骤如下:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵可以按照此方法依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入表示为:
步骤六:通过存储模块将脐带间充质干细胞体外培养和扩增的图像安全的存储起来。
步骤七:通过显示模块将经系统处理的图像显示,辅助医师对细胞的病变状态进行判别;
2.如权利要求1所述的脐带间充质干细胞体外培养和扩增的图像处理方法,其特征在于,
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类,具体步骤如下:
假设测试样本数为m个,样本集为(X1,X2,…,Xm),通过所得到的转换矩阵计算测试样本的嵌入:
在得到训练样本和测试样本的嵌入的基础上,利用基于张量距离的近邻分类器进行分类,得到每一个测试样本所属的类别。
3.如权利要求1所述的脐带间充质干细胞体外培养和扩增的图像处理方法,其特征在于,
所述寄存器包括第一寄存器、第二寄存器与第三寄存器,所述第一寄存器用于存储外界发送至原始图像数据,所述第二寄存器用于存储图像压缩模块生成的压缩图像数据,第三寄存器用于存储图像压缩模块生成的解压缩图像数据。
4.如权利要求1所述的脐带间充质干细胞体外培养和扩增的图像处理方法,其特征在于,所述脐带间充质干细胞体外培养图像处理方法为:
图像增强模块需要对图像进行去噪处理,去噪模板为:
细胞图像中像素点个数一般为奇数,模板形状一般为方形、圆形以及十字型等中值滤波器n*n模板的数学表达式:
f《x,y)=mid{f(x±k,y±k),k≤(n-1)/2}。
5.如权利要求1所述的脐带间充质干细胞体外培养和扩增的图像处理方法,其特征在于,分割模块采用阈值分割的方法得到最终的分割结果fresult:
frefine=fmatch×Cs,
式中T2为阈值分割的门限,(i,j)表示图像中的像素点(i,j);
图像识别模块的识别方法为:
(1)面积A,目标区域所包含像素点的总数目,反映目标区域的几何形状特性;
式中,M和N分别代表目标区域的水平方向和垂直方向的最大值,而
式中,R代表目标区域;
(2)周长P,目标区域上相邻边缘点之间的距离之和,可以计数目标区域边界点得到,用来衡量目标区域形状的简单或复杂程度;
式中,B表示目标区域边界上所有的像素点。
(3)圆形度C衡量目标区域形状复杂程度的特征量;
式中,P和A分别为目标区域的周长及面积,C的取值范围为0<C≤1。
(4)矩形度R描述目标区域与矩形的偏离程度;
式中,W和H分别为目标区域的宽度和高度,当区域为矩形时,R为最大值1;
(5)伸长度E,表明区域的狭长程度;
式中H和W分别为区域的高度与宽度,区域越呈细长形,E越小。
6.一种实现权利要求1~5任意一项所述脐带间充质干细胞体外培养和扩增的图像处理方法的计算机程序。
7.一种实现权利要求1~5任意一项所述脐带间充质干细胞体外培养和扩增的图像处理方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的脐带间充质干细胞体外培养和扩增的图像处理方法。
9.一种实现权利要求1所述脐带间充质干细胞体外培养和扩增的图像处理方法的脐带间充质干细胞体外培养和扩增的图像处理系统,其特征在于,所述的脐带间充质干细胞体外培养和扩增的图像处理系统包括:
显微成像模块,与图像采集模块连接,将脐带间充质干细胞体外培养和扩增时的状态放大,图像采集模块将图像记录;
图像采集模块,与图像压缩模块连接,用于图像的记录和采集;
图像压缩模块,用于在不失真的前提下减少描述图像的数据量,用于节省图像传输、处理时间和减少所占用的存储器容量;
图像增强模块,与图像压缩模块连接,用于去除细胞图像噪声;
图像分割模块,与图像增强模块连接,用于将细胞图像中有意义的边缘、区域特征部分提取出来,进行图像描述、识别;
图像描述模块与图像分割模块连接,用于采用几何特性描述细胞的特性;
图像识别模块,与图像描述模块连接,用于进行细胞图像的特征提取,进行判决分类;
存储模块,与图像识别模块与连接,用于将脐带间充质干细胞体外培养和扩增的图像安全的存储起来;
显示模块,与存储模块连接,将处理的图像显示。
10.一种医学脐带间充质干细胞图像处理设备,其特征在于,所述医学脐带间充质干细胞图像处理设备至少搭载权利要求9所述的脐带间充质干细胞体外培养和扩增的图像处理系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621466.8A CN109670472A (zh) | 2018-12-28 | 2018-12-28 | 脐带间充质干细胞体外培养和扩增的图像处理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621466.8A CN109670472A (zh) | 2018-12-28 | 2018-12-28 | 脐带间充质干细胞体外培养和扩增的图像处理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670472A true CN109670472A (zh) | 2019-04-23 |
Family
ID=66147016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811621466.8A Pending CN109670472A (zh) | 2018-12-28 | 2018-12-28 | 脐带间充质干细胞体外培养和扩增的图像处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670472A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985292A (zh) * | 2019-05-24 | 2020-11-24 | 卡尔蔡司显微镜有限责任公司 | 用于图像处理结果的显微镜方法、显微镜和具有验证算法的计算机程序 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103795894A (zh) * | 2014-01-27 | 2014-05-14 | 西安电子科技大学 | 一种基于fpga的二值图像无损压缩与解压缩ip核及应用 |
CN104850860A (zh) * | 2015-05-25 | 2015-08-19 | 广西师范大学 | 细胞图像识别方法及细胞图像识别装置 |
CN108256467A (zh) * | 2018-01-15 | 2018-07-06 | 河北科技大学 | 一种基于视觉注意机制和几何特征的交通标志检测方法 |
CN109034259A (zh) * | 2018-07-30 | 2018-12-18 | 刘杭 | 肿瘤介入装置的图像控制系统、方法、终端、储存介质 |
-
2018
- 2018-12-28 CN CN201811621466.8A patent/CN109670472A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103795894A (zh) * | 2014-01-27 | 2014-05-14 | 西安电子科技大学 | 一种基于fpga的二值图像无损压缩与解压缩ip核及应用 |
CN104850860A (zh) * | 2015-05-25 | 2015-08-19 | 广西师范大学 | 细胞图像识别方法及细胞图像识别装置 |
CN108256467A (zh) * | 2018-01-15 | 2018-07-06 | 河北科技大学 | 一种基于视觉注意机制和几何特征的交通标志检测方法 |
CN109034259A (zh) * | 2018-07-30 | 2018-12-18 | 刘杭 | 肿瘤介入装置的图像控制系统、方法、终端、储存介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985292A (zh) * | 2019-05-24 | 2020-11-24 | 卡尔蔡司显微镜有限责任公司 | 用于图像处理结果的显微镜方法、显微镜和具有验证算法的计算机程序 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461495B (zh) | 一种医学图像的识别方法、模型训练的方法及服务器 | |
Sharma et al. | Application of edge detection for brain tumor detection | |
Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
CN109389585B (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
JP2009512528A (ja) | 診断画像の自動的処理および評価のための方法およびシステム | |
CN103249358A (zh) | 医用图像处理装置 | |
Tirpude et al. | Automated detection and extraction of brain tumor from MRI images | |
CN111798425A (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
Du et al. | An adaptive two-scale biomedical image fusion method with statistical comparisons | |
Khademi et al. | Whole volume brain extraction for multi-centre, multi-disease FLAIR MRI datasets | |
Wang et al. | An improved region growing method for medical image selection and evaluation based on Canny edge detection | |
CN115272647A (zh) | 一种肺部图像的识别处理方法及系统 | |
CN117764864A (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
Anandgaonkar et al. | Brain tumor detection and identification from T1 post contrast MR images using cluster based segmentation | |
CN109670472A (zh) | 脐带间充质干细胞体外培养和扩增的图像处理系统及方法 | |
Kurian et al. | Brain Tumour Detection by Gamma DeNoisedWavelet Segmented Entropy Classifier. | |
WO2022006917A1 (zh) | 基于人工智能的磁共振肺部影像识别装置及方法 | |
Shen et al. | Preprocessing and segmentation of brain magnetic resonance images | |
Bagaria et al. | A wavelet-based segmentation technique for medical images | |
CN115049850B (zh) | 一种用于肺部ct影像的纤维化区域的特征提取方法 | |
CN111476802A (zh) | 一种基于稠密卷积模型的医学图像分割与肿瘤检测方法,设备及可读存储介质 | |
CN113610071B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
Rajalakshmi et al. | Automated classification of brain MRI using color converted K-means clustering segmentation and application of different kernel functions with multi-class SVM | |
CN114792296A (zh) | 一种核磁共振图像与超声图像融合方法与系统 | |
Saad et al. | Automatic Brain Lesion Detection and Classification Based On Diffusion-Weighted Imaging Using Adaptive Thresholding and A Rule Based Classifier |
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 |