CN109685773A - 一种免疫细胞图像中突触位置点的确定方法 - Google Patents

一种免疫细胞图像中突触位置点的确定方法 Download PDF

Info

Publication number
CN109685773A
CN109685773A CN201811504408.7A CN201811504408A CN109685773A CN 109685773 A CN109685773 A CN 109685773A CN 201811504408 A CN201811504408 A CN 201811504408A CN 109685773 A CN109685773 A CN 109685773A
Authority
CN
China
Prior art keywords
cell
image
point
formula
area
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
CN201811504408.7A
Other languages
English (en)
Other versions
CN109685773B (zh
Inventor
刘龙
严子靖
敬丹阳
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.)
Weihai Jiansheng Biotechnology Co ltd
Xi'an Huaqi Zhongxin Technology Development Co ltd
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201811504408.7A priority Critical patent/CN109685773B/zh
Publication of CN109685773A publication Critical patent/CN109685773A/zh
Application granted granted Critical
Publication of CN109685773B publication Critical patent/CN109685773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/10—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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed 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
    • G06T2207/30—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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (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)

Abstract

本发明公开了一种免疫细胞图像中突触位置点的确定方法，首先，对免疫细胞图像进行预处理和初步分割，在对初步分割的T细胞图像中每个连通域进行处理，并确定每个连通域质心位置，之后对T细胞图像进行精确分割，并使用质心个数将重叠细胞进行了分割，并确定单张图像上T细胞对应的突触位置点，最后，求取连续时间点上每个T细胞突触位置点对于下一个时间点对应的T细胞突触位置点，并且记录连续时间点存在的T细胞突触位置，得到免疫细胞图像中的突触位置点。该方法能够减少人工标记突触位置建模消耗的成本，将机器视觉算法的优点发挥起来，减少错误率。

Description

一种免疫细胞图像中突触位置点的确定方法
技术领域
本发明属于机器视觉技术领域，涉及一种免疫细胞图像中突触位置点的确定方法。
背景技术
确定免疫细胞图像的突触位置点，生物学家可以进行建模，分析细胞免疫接触过程中那种蛋白质起重要作用，进行研究可对免疫药品的制作等有重要意义。目前，免疫细胞突触位置点确定主要采用人工标记的手段，标记连续时间点同一个免疫细胞的突触位置，进行建模分析。
采用人工标记细胞不仅浪费大量的财力和物力，而且人眼的疲劳会造成标记的错误，对于最终的分析结果造成偏离。因此，采用计算机视觉技术，建立一个自动分析图像，标记出所需要的突触点，并且在不同时间点将每个突触点进行对应具有重要意义。
发明内容
本发明的目的是提供一种免疫细胞图像中突触位置点的确定方法，能自动标记连续时间点在二维图像中的细胞突触位置，解决人工标记效率低下和错误率高的问题。
本发明所采用的技术方案是，一种免疫细胞图像中突触位置点的确定方法，具体步骤如下：
步骤1，对免疫细胞图像进行预处理和初步分割；
步骤2，对初步分割的T细胞图像中每个连通域进行处理，并确定每个连通域质心位置；
步骤3，对T细胞图像进行精确分割，并使用质心个数将重叠细胞进行了分割；
步骤4，确定单张图像上T细胞对应的突触位置点；
步骤5，求取连续时间点上每个T细胞突触位置点对于下一个时间点对应的T细胞突触位置点，并且记录连续时间点存在的T细胞突触位置，得到免疫细胞图像中突触位置点。
本发明的特点还在于，
步骤1，具体为：
步骤1.1，将T细胞图像转换为灰度图像，之后依次经高斯去噪、高帽滤波、对比度拉伸，得到预处理后的T细胞图像；
步骤1.2，将经预处理后的T细胞图像依次采用阈值分割、填充空洞、开运算和腐蚀的形态学处理，得到处理后的T细胞图像；
步骤1.3，将步骤1.1中得到的预处理后的T细胞图像的局部最小值与步骤1.2中得到的处理后的T细胞图像相乘，得到T细胞前景处的局部最小值图像；
步骤1.4，采用步骤1.3中T细胞前景处的局部最小值图像标记步骤1.1中的预处理后的T细胞图像，并采用分水岭分割方法对T细胞前景处的局部最小值图像进行分割，得到分割后的T细胞图像；
步骤1.5，利用步骤1.4中分割后的T细胞图像和步骤1.2中处理后的T细胞图像，得到分割后的T细胞图像的背景标签，其计算公式如式(1)所示：
background_label＝f(L_1(:).*(1-I_4_2(:))) (1)；
式(1)中，background_label为背景标签，L_1为分割后的T细胞图像，I_4_2为处理后的T细胞图像，f(L_1(:).*(1-I_4_2(:)))为求取L_1和(1-I_4_2)点乘后的矩阵中出现频率最多的数字；
步骤1.6，利用分割后的T细胞图像的背景标签将分割后的T细胞图像的背景变为黑色，之后对分割后的T细胞图像进行闭运算，得到初步分割的T细胞图像；
步骤1.7，计算初步分割的T细胞图像前景面积的平均值和标准差，如式(2)、(3)、(4)及式(5)所示；
prctile_low＝f(All_area,10) (2)；
prctile_high＝f(All_area,90) (3)；
式(2)、(3)中，All_area为T细胞前景所有前景面积的集合；mean_area＝g(All_area(All_area>prctile_low&All_area<prctile_high))(4)；std_area＝Φ(All_area(All_area>prctile_low&All_area<prctile_high))(5)；
式(4)、(5)中，mean_area为初步分割的T细胞图像前景面积的平均值，std_area为初步分割的T细胞图像前景面积的标准差；
步骤1.8，计算初步分割的T细胞图像前景主轴长度的平均值和标准差，如式(6)、(7)、(8)及式(9)所示；
major_low＝f(All_major,10) (6)；
major_high＝f(All_major,90) (7)；
式(6)、(7)中，All_major为T细胞前景所有主轴长度的集合；
mean_major＝g(All_major(All_major>major_low&All_major<major_high))(8)；
std_major＝Φ(All_major(All_major>major_low&All_major<major_high))(9)；
式(8)、(9)中，mean_major为初步分割的T细胞图像前景主轴长度的平均值，std_major为初步分割的T细胞图像前景主轴长度的标准差。
步骤2，具体为：
步骤2.1，求取每个连通域周围范围内的像素坐标，判断每个连通域是不是属于细胞，若满足公式(10)、(11)及公式(12)，则属于细胞，若不满足公式(10)、(11)及公式(12)，则不属于细胞，并将初步分割的T细胞图像中的该连通域设置为背景；
background＝I_2(I_2<＝0.5*thrsh) (10)；
BW_neighbor＝f(L_3_i)<3 (11)；
g(I_2(BW_neighbor＝＝1))>g(background)+2*Φ(background) (12)；
步骤2.2，判断经步骤2.1后得到每个连通域中细胞是否为粘连细胞，粘连细胞的判断公式采用公式(13)、公式(14)或者公式(15)；
公式(13)：
cur_stats.Area>mean_area+3*std_area
cur_stats.MajorAxisLength>mean_major+4*std_major (13)；
公式(14)：
cur_stats.Area>mean_area+2*std_area
cur_stats.MajorAxisLength>mean_major+5*std_major (14)；
公式(15)：
cur_stats.Area>mean_area+1*std_area
cur_stats.MajorAxisLength>mean_major+3*std_major (15)；
式(13)、公式(14)及公式(15)中，cur_stats.Area为每个连通域的面积；cur_stats.MajorAxisLength为每个连通域的长轴长度；
步骤2.3，经步骤2.2后，计算每个连通域的局部最小值，如式(16)及式(17)所示：
BW_min_i＝BW_min_1.*L_3_i (16)；
local_min_inds＝find(BW_min_i＝＝1) (17)；
式(16)及式(17)中，BW_min_1为T细胞前景处的局部最小值图像；L_3_i为每个连通域图像，local_min_inds为局部最小值；
步骤2.4，对所有的粘连细胞均进行分割处理，得到分割后的粘连细胞；
步骤2.5，经步骤2.4后，求取每个连通域的质心点。
步骤3，具体按照以下步骤实施：
步骤3.1，使用大津法阈值分割预处理后的T细胞图像，得到阈值分割后的T细胞图像a；
步骤3.2，分配一个和T细胞图像一样大的全零矩阵，将这个矩阵在步骤2中得到质心点的位置设为1，然后与图像a相乘，得到在阈值分割后的T细胞图像a中每个连通域中质心的位置及个数，质心个数大于1；
步骤3.3，判断每个质心之间的欧式距离，若每个质心点之间欧式距离小于15，则认为是同一个细胞，选择多个质心点的重心点作为最终的质心；
若每个质心之间的欧式距离大于15，则认为是重叠细胞，之后对该重叠的细胞进行分割。
步骤3.3中，若每个质心之间的欧式距离大于15，则认为是重叠细胞，之后对该重叠的细胞进行分割，具体步骤如下：
步骤3.3.1，提取重叠细胞的harrias角点特征，角点特征的个数为质心点个数乘以4，再提取重叠细胞的边界轮廓点；
步骤3.3.2，计算每个角点和所有轮廓点的欧式距离，选择每个角点对应最近的轮廓点即为匹配的轮廓点；
步骤3.3.3，计算步骤3.3.1每两个轮廓点之间的轮廓距离，选择任意一个初始轮廓点，计算每个轮廓点到这个初始轮廓点的轮廓距离，即从初始轮廓点位置，将每两个轮廓点的距离依次累加求和得到列向量b，求取每两个轮廓点之间的所有和，即为细胞边界周长；
步骤3.3.4，在列向量b中选择出步骤3.3.2匹配的轮廓点，得到匹配轮廓点到初始轮廓点之间的轮廓距离为列向量c，c减去cT即得到每个匹配轮廓点之间的轮廓距离矩阵A；细胞边界周长减去A的绝对值即为每个匹配轮廓点之间的反向轮廓距离矩阵B；
步骤3.3.5，计算所有匹配的轮廓点欧式距离矩阵C，C矩阵中的每个元素除以A和B对应位置的最小值得到比值矩阵Ratio，如式(18)所示，将Ratio进行从小到大排序，每次均可得到对应的两个轮廓点位置；
Ratio＝C./min(A,B) (18)；
步骤3.3.6，根据步骤3.3.5得到的两个轮廓点位置，其中一个作为起点，另一个作为终点，使用bresenham划线算法进行划线；
若当前连通域质心个数为2，则划线完分为两部分小连通域即停止，若没有分为两部分小连通域，继续用步骤3.3.5中的个两个轮廓点进行划线直到分为两部分；
若当前连通域质心个数大于2，将步骤3.3.5的两个轮廓点位置用划线算法进行划线，若能被划为两部分保存这两部分区域，判断每部分区域质心点个数，如果为1不作处理，如果不为1则继续在这部分选用步骤3.3.5中的两个轮廓点进行划线，直到当前连通域质心的个数等于被划分的小连通区域则结束；若不能被划为两部分，继续选用步骤3.3.5中的两个轮廓点进行划线。
步骤4，具体为：
步骤4.1，在步骤3中获得的分割图像中获得轮廓点并对应到荧光细胞图像中，采用最小二乘原则，根据轮廓点对T细胞进行椭圆拟合；
步骤4.2，在荧光细胞图像中，采用霍夫圆检测的方法，设定圆检测的最大半径和最小半径，将APC细胞检测成圆；
最大半径为28像素，最小半径为15像素；
步骤4.3、在荧光细胞图像中，以解方程的方式求取圆和椭圆的交点即为T细胞的突触位置点。
步骤5，具体步骤如下：
步骤5.1，读取T细胞图像序列中所有图像帧数，重复步骤1，步骤2，步骤3和步骤4，得到T细胞图像序列上每个T细胞的突触位置点；
步骤5.2，计算图像序列中每个T细胞图像所有突触位置的中间位置点，如式(19)所示：
Point_mean＝Point1+Point2 (19)；
式(19)中，Point1和Point2分别代表T细胞图像中其中一个突触的两个点坐标，Point_mean为中间点坐标；
步骤5.3，计算图像序列中相邻两帧之间所有突触中间位置点的欧氏距离，得到矩阵D，若矩阵D中的元素大于15个像素值，则设为10000，在矩阵D中依次选择每行对应欧氏距离最小的列，当欧式距离大于10000，此行对应的列设为0；当此列被选择后，下面的行不能选择此列，即选择次欧式距离最小的列，直到匹配完所有的行对应的列，得到总帧数-1个匹配数组；
步骤5.4，根据第一个匹配数组中的内容，作为下一个匹配数组的索引，如果为0，则直接在后面匹配0，找到其中的内容，然后和第一个匹配数组拼接，依次拼接完所有矩阵，组成拼接矩阵，当拼接矩阵中有连续6帧的非0结果，则找到对应的突触点，记录下这组数据，即为免疫细胞图像中突触位置点。
本发明的有益效果是：
该方法能够减少人工标记突触位置建模消耗的成本，将机器视觉算法的优点发挥起来，减少错误率；通过使用该方法，可以对细胞免疫过程中的蛋白质进行研究，进而为医学提供大量的样本数据。
附图说明
图1是本发明实施例中原始的免疫细胞图像；
图2是本发明实施例中初步分割的T细胞图像；
图3是本发明实施例中每个连通域的质心点图；
图4是本发明实施例中进行精确分割后的T细胞图像；
图5是本发明实施例中分割后的T细胞图像a；
图6是本发明实施例中单张图像上T细胞对应的突触位置点图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种免疫细胞图像中突触位置点的确定方法，具体步骤如下：
步骤1，对免疫细胞图像进行预处理和初步分割，具体为：
步骤1.1，将T细胞图像转换为灰度图像，之后依次经高斯去噪、高帽滤波、对比度拉伸，得到预处理后的T细胞图像；
步骤1.2，将经预处理后的T细胞图像依次采用阈值分割、填充空洞、开运算和腐蚀的形态学处理，得到处理后的T细胞图像；
步骤1.3，将步骤1.1中得到的预处理后的T细胞图像的局部最小值与步骤1.2中得到的处理后的T细胞图像相乘，得到T细胞前景处的局部最小值图像；
步骤1.4，采用步骤1.3中T细胞前景处的局部最小值图像标记步骤1.1中的预处理后的T细胞图像，并采用分水岭分割方法对T细胞前景处的局部最小值图像进行分割，得到分割后的T细胞图像；
步骤1.5，利用步骤1.4中分割后的T细胞图像和步骤1.2中处理后的T细胞图像，得到分割后的T细胞图像的背景标签，其计算公式如式(1)所示：
background_label＝f(L_1(:).*(1-I_4_2(:))) (1)；
式(1)中，background_label为背景标签，L_1为分割后的T细胞图像，I_4_2为处理后的T细胞图像，f(L_1(:).*(1-I_4_2(:)))为求取L_1和(1-I_4_2)点乘后的矩阵中出现频率最多的数字；
步骤1.6，利用分割后的T细胞图像的背景标签将分割后的T细胞图像的背景变为黑色，之后对分割后的T细胞图像进行闭运算，得到初步分割的T细胞图像；
步骤1.7，计算初步分割的T细胞图像前景面积的平均值和标准差，如式(2)、(3)、(4)及式(5)所示；
prctile_low＝f(All_area,10) (2)；
prctile_high＝f(All_area,90) (3)；
式(2)、(3)中，All_area为T细胞前景所有前景面积的集合，函数f(All_area，10)为计算T细胞前景面积的集合中有10％个前景面积小于这个值；函数f(All_area，90)为计算T细胞前景面积的集合中有90％个前景面积小于这个值；
mean_area＝g(All_area(All_area>prctile_low&All_area<prctile_high))(4)；
std_area＝Φ(All_area(All_area>prctile_low&All_area<prctile_high))(5)；
式(4)、(5)中，mean_area为初步分割的T细胞图像前景面积的平均值，std_area为初步分割的T细胞图像前景面积的标准差；函数g(x)为计算数组x的平均值函数，函数Φ(x)为计算数组x的标准差函数；
步骤1.8，计算初步分割的T细胞图像前景主轴长度的平均值和标准差，如式(6)、(7)、(8)及式(9)所示；
major_low＝f(All_major,10) (6)；
major_high＝f(All_major,90) (7)；
式(6)、(7)中，All_major为T细胞前景所有主轴长度的集合，函数f(All_major，10)为计算T细胞前景主轴长度的集合中有10％个前景主轴长度小于这个值；函数f(All_major，90)为计算T细胞前景主轴长度的集合中有90％个前景主轴长度小于这个值；
mean_major＝g(All_major(All_major>major_low&All_major<major_high))(8)；
std_major＝Φ(All_major(All_major>major_low&All_major<major_high))(9)；
式(8)、(9)中，mean_major为初步分割的T细胞图像前景主轴长度的平均值，std_major为初步分割的T细胞图像前景主轴长度的标准差；函数g(x)为计算数组x的平均值函数，函数Φ(x)为计算数组x的标准差函数；
步骤2，对初步分割的T细胞图像中每个连通域进行处理，并确定每个连通域质心位置，具体为：
步骤2.1，求取每个连通域周围范围内(即小于3个像素)的像素坐标，判断每个连通域是不是属于细胞，若满足公式(10)、(11)及公式(12)，则属于细胞，若不满足公式(10)、(11)及公式(12)，则不属于细胞，并将初步分割的T细胞图像中的该连通域设置为背景；
background＝I_2(I_2<＝0.5*thrsh) (10)；
BW_neighbor＝f(L_3_i)<3 (11)；
g(I_2(BW_neighbor＝＝1))>g(background)+2*Φ(background)(12)；
式(10)、(11)及式(12)中，I_2为预处理后的T细胞图像，thrsh为步骤1.2中采用类间方差得到的阈值，background为预处理后的T细胞图像的背景像素值的集合，L_3_i为当前连通域，函数f(L_3_i)为计算图像中的其他像素点到当前连通域的距离，连通域内部距离为0，BW_neighbor为图像中的其他像素点到当前连通域的距离小于3个像素的像素点位置，函数g(background)为计算背景像素值集合的平均值，函数Φ(background)为计算背景像素值集合的标准差，函数g(I_2(BW_neighbor＝＝1))为计算当前连通域在预处理图像中T细胞内部像素值和周围小于3个像素距离的平均像素值；
步骤2.2，判断经步骤2.1后得到每个连通域中细胞是否为粘连细胞，粘连细胞的判断公式采用公式(13)、公式(14)或者公式(15)；
公式(13)：
cur_stats.Area>mean_area+3*std_area
cur_stats.MajorAxisLength>mean_major+4*std_major (13)；
公式(14)：
cur_stats.Area>mean_area+2*std_area
cur_stats.MajorAxisLength>mean_major+5*std_major (14)；
公式(15)：
cur_stats.Area>mean_area+1*std_area
cur_stats.MajorAxisLength>mean_major+3*std_major (15)；
式(13)、公式(14)及公式(15)中，cur_stats.Area为每个连通域的面积；cur_stats.MajorAxisLength为每个连通域的长轴长度；
步骤2.3，经步骤2.2后，计算每个连通域的局部最小值，如式(16)及式(17)所示：
BW_min_i＝BW_min_1.*L_3_i (16)；
local_min_inds＝find(BW_min_i＝＝1) (17)；
式(16)及式(17)中，BW_min_1为T细胞前景处的局部最小值图像；L_3_i为每个连通域图像，local_min_inds为局部最小值；
步骤2.4，对所有的粘连细胞均进行分割处理，得到分割后的粘连细胞；
具体为：判断每个粘连细胞所在的连通域中局部最小值个数，若局部最小值个数小于5，计算每个局部最小值之间的欧氏距离得到局部最小值矩阵，在局部最小值矩阵中选择欧氏距离最远的两个点的局部最小值位置，根据步骤1.4中得到分割后的T细胞图像，不同的局部最小值分布在不同的小连通域中，保留上面选出来的局部最小值的小连通域，其余区域置为背景0，即将当前连通域分成了两部分；
若局部最小值个数多于5个，根据步骤1.4中得到分割后的T细胞图像，不同的局部最小值分布在不同的小连通域中，在当前连通域中依次循环每次只去除一个局部最小值所在的小区域膨胀后的结果，剩下的当前连通域如果被分为两部分则保存这两部分连通域，如果被分为大于两部分，对当前连通域中剩余的小连通域进行排序，选择面积最大的两部分连通域保存，若小于两部分则不作处理；
判断依次去除一个局部最小值所在的小区域膨胀后的保存结果，如果保存结果为空，则按照局部最小值个数小于5的方法处理，计算每个局部最小值之间的欧氏距离得到局部最小值矩阵，在局部最小值矩阵中选择欧氏距离最远的两个点的局部最小值位置，根据步骤1.4中得到分割后的T细胞图像，不同的局部最小值分布在不同的小连通域中，保留上面选出来的局部最小值的小连通域，其余区域置为背景0，即将当前连通域分成了两部分；如果保存结果不为空，则计算去除每一个局部最小值膨胀区域后保存两部分的面积差分值，选择差分值最小的两部分即为当前连通域的处理结果，即这两部分面积比较相似；
步骤2.5，经步骤2.4后，求取每个连通域的质心点；
步骤3，对T细胞图像进行精确分割，并使用质心个数将重叠细胞进行了分割，具体按照以下步骤实施：
步骤3.1，使用大津法阈值分割预处理后的T细胞图像，得到阈值分割后的T细胞图像a；
步骤3.2，分配一个和T细胞图像一样大的全零矩阵，将这个矩阵在步骤2中得到质心点的位置设为1，然后与图像a相乘，得到在阈值分割后的T细胞图像a中每个连通域中质心的位置及个数，质心个数大于1；
步骤3.3，判断每个质心之间的欧式距离，若每个质心点之间欧式距离小于15，则认为是同一个细胞，选择多个质心点的重心点作为最终的质心；
若每个质心之间的欧式距离大于15，则认为是重叠细胞，之后对该重叠的细胞进行分割，具体步骤如下：
步骤3.3.1，提取重叠细胞的harrias角点特征，角点特征的个数为质心点个数乘以4，再提取重叠细胞的边界轮廓点；
步骤3.3.2，计算每个角点和所有轮廓点的欧式距离，选择每个角点对应最近的轮廓点即为匹配的轮廓点；
步骤3.3.3，计算步骤3.3.1每两个轮廓点之间的轮廓距离，选择任意一个初始轮廓点，计算每个轮廓点到这个初始轮廓点的轮廓距离，即从初始轮廓点位置，将每两个轮廓点的距离依次累加求和得到列向量b，求取每两个轮廓点之间的所有和，即为细胞边界周长；
步骤3.3.4，在列向量b中选择出步骤3.3.2匹配的轮廓点，得到匹配轮廓点到初始轮廓点之间的轮廓距离为列向量c，c减去cT即得到每个匹配轮廓点之间的轮廓距离矩阵A；细胞边界周长减去A的绝对值即为每个匹配轮廓点之间的反向轮廓距离矩阵B；
步骤3.3.5，计算所有匹配的轮廓点欧式距离矩阵C，C矩阵中的每个元素除以A和B对应位置的最小值得到比值矩阵Ratio，如式(18)所示，将Ratio进行从小到大排序，每次均可得到对应的两个轮廓点位置；
Ratio＝C./min(A,B) (18)；
步骤3.3.6，根据步骤3.3.5得到的两个轮廓点位置，其中一个作为起点，另一个作为终点，使用bresenham划线算法进行划线；
若当前连通域质心个数为2，则划线完分为两部分小连通域即停止，若没有分为两部分小连通域，继续用步骤3.3.5中的个两个轮廓点进行划线直到分为两部分；
若当前连通域质心个数大于2，将步骤3.3.5的两个轮廓点位置用划线算法进行划线，若能被划为两部分保存这两部分区域，判断每部分区域质心点个数，如果为1不作处理，如果不为1则继续在这部分选用步骤3.3.5中的两个轮廓点进行划线，直到当前连通域质心的个数等于被划分的小连通区域则结束；若不能被划为两部分，继续选用步骤3.3.5中的两个轮廓点进行划线；
步骤4，确定单张图像上T细胞对应的突触位置点，具体按照以下步骤实施：
步骤4.1、在步骤3中获得的分割图像中获得轮廓点并对应到荧光细胞图像中，采用最小二乘原则，根据轮廓点对T细胞进行椭圆拟合。
步骤4.2、在荧光细胞图像中，采用霍夫圆检测的方法，设定圆检测的最大半径和最小半径，将APC细胞检测成圆；
最大半径为28像素，最小半径为15像素；
步骤4.3、在荧光细胞图像中，以解方程的方式求取圆和椭圆的交点即为T细胞的突触位置点；
步骤5，求取连续时间点上每个T细胞突触位置点对于下一个时间点对应的T细胞突触位置点，并且记录连续时间点存在的T细胞突触位置，具体步骤如下：
步骤5.1，读取T细胞图像序列中所有图像帧数，重复步骤1，步骤2，步骤3和步骤4，得到T细胞图像序列上每个T细胞的突触位置点；
步骤5.2，计算图像序列中每个T细胞图像所有突触位置的中间位置点，如式(19)所示：
Point_mean＝Point1+Point2 (19)；
式(19)中，Point1和Point2分别代表T细胞图像中其中一个突触的两个点坐标，Point_mean为中间点坐标；
步骤5.3，计算图像序列中相邻两帧之间所有突触中间位置点的欧氏距离，得到矩阵D，若矩阵D中的元素大于15个像素值，则设为10000，在矩阵D中依次选择每行对应欧氏距离最小的列，当欧式距离大于10000，此行对应的列设为0；当此列被选择后，下面的行不能选择此列，即选择次欧式距离最小的列，直到匹配完所有的行对应的列，得到总帧数-1个匹配数组；
步骤5.4，根据第一个匹配数组中的内容，作为下一个匹配数组的索引，如果为0，则直接在后面匹配0，找到其中的内容，然后和第一个匹配数组拼接，依次拼接完所有矩阵，组成拼接矩阵，当拼接矩阵中有连续6帧的非0结果，则找到对应的突触点，记录下这组数据，即为免疫细胞图像中突触位置点。
实施例
本发明一种免疫细胞图像中突触位置点的确定方法，具体步骤如下：
步骤1，对免疫细胞图像进行预处理和初步分割，如图1所示，白色为T细胞区域，黑色为背景，具体为：
步骤1.1，将T细胞图像转换为灰度图像，之后依次经高斯去噪、高帽滤波、对比度拉伸，得到预处理后的T细胞图像；
步骤1.2，将经预处理后的T细胞图像依次采用阈值分割、填充空洞、开运算和腐蚀的形态学处理，得到处理后的T细胞图像；
步骤1.3，将步骤1.1中得到的预处理后的T细胞图像的局部最小值与步骤1.2中得到的处理后的T细胞图像相乘，得到T细胞前景处的局部最小值图像；
步骤1.4，采用步骤1.3中T细胞前景处的局部最小值图像标记步骤1.1中的预处理后的T细胞图像，并采用分水岭分割方法对T细胞前景处的局部最小值图像进行分割，得到分割后的T细胞图像；
步骤1.5，利用步骤1.4中分割后的T细胞图像和步骤1.2中处理后的T细胞图像，得到分割后的T细胞图像的背景标签，其计算公式如式(1)所示：
background_label＝f(L_1(:).*(1-I_4_2(:))) (1)；
式(1)中，background_label为背景标签，L_1为分割后的T细胞图像，I_4_2为处理后的T细胞图像，f(L_1(:).*(1-I_4_2(:)))为求取L_1和(1-I_4_2)点乘后的矩阵中出现频率最多的数字；
步骤1.6，利用分割后的T细胞图像的背景标签将分割后的T细胞图像的背景变为黑色，之后对分割后的T细胞图像进行闭运算，得到初步分割的T细胞图像，如图2所示，白色区域为初步分割的T细胞，黑色区域为背景；
步骤1.7，计算初步分割的T细胞图像前景面积的平均值和标准差，如式(2)、(3)、(4)及式(5)所示；
prctile_low＝f(All_area,10) (2)；
prctile_high＝f(All_area,90) (3)；
式(2)、(3)中，All_area为T细胞前景所有前景面积的集合，函数f(All_area，10)为计算T细胞前景面积的集合中有10％个前景面积小于这个值；
mean_area＝g(All_area(All_area>prctile_low&All_area<prctile_high))(4)；
std_area＝Φ(All_area(All_area>prctile_low&All_area<prctile_high))(5)；
式(4)、(5)中，mean_area为初步分割的T细胞图像前景面积的平均值，std_area为初步分割的T细胞图像前景面积的标准差；
步骤1.8，计算初步分割的T细胞图像前景主轴长度的平均值和标准差，如式(6)、(7)、(8)及式(9)所示；
major_low＝f(All_major,10) (6)；
major_high＝f(All_major,90) (7)；
式(6)、(7)中，All_major为T细胞前景所有主轴长度的集合；
mean_major＝g(All_major(All_major>major_low&All_major<major_high))(8)；
std_major＝Φ(All_major(All_major>major_low&All_major<major_high))(9)；
式(8)、(9)中，mean_major为初步分割的T细胞图像前景主轴长度的平均值，std_major为初步分割的T细胞图像前景主轴长度的标准差；
步骤2，对初步分割的T细胞图像中每个连通域进行处理，并确定每个连通域质心位置，具体为：
步骤2.1，求取每个连通域周围范围内(即小于3个像素)的像素坐标，判断每个连通域是不是属于细胞，若满足公式(10)、(11)及公式(12)，则属于细胞，若不满足公式(10)、(11)及公式(12)，则不属于细胞，并将初步分割的T细胞图像中的该连通域设置为背景；
background＝I_2(I_2<＝0.5*thrsh) (10)；
BW_neighbor＝f(L_3_i)<3 (11)；
g(I_2(BW_neighbor＝＝1))>g(background)+2*Φ(background)(12)；
步骤2.2，判断经步骤2.1后得到每个连通域中细胞是否为粘连细胞，粘连细胞的判断公式采用公式(13)；
cur_stats.Area>mean_area+3*std_area
cur_stats.MajorAxisLength>mean_major+4*std_major (13)；
式(13)中，cur_stats.Area为每个连通域的面积；cur_stats.MajorAxisLength为每个连通域的长轴长度；
步骤2.3，经步骤2.2后，计算每个连通域的局部最小值，如式(16)及式(17)所示：
BW_min_i＝BW_min_1.*L_3_i (16)；
local_min_inds＝find(BW_min_i＝＝1) (17)；
式(16)及式(17)中，BW_min_1为T细胞前景处的局部最小值图像；L_3_i为每个连通域图像，local_min_inds为局部最小值；
步骤2.4，对所有的粘连细胞均进行分割处理，得到分割后的粘连细胞；
具体为：判断每个粘连细胞所在的连通域中局部最小值个数，若局部最小值个数小于5，计算每个局部最小值之间的欧氏距离得到局部最小值矩阵，在局部最小值矩阵中选择欧氏距离最远的两个点的局部最小值位置，根据步骤1.4中得到分割后的T细胞图像，不同的局部最小值分布在不同的小连通域中，保留上面选出来的局部最小值的小连通域，其余区域置为背景0，即将当前连通域分成了两部分；
若局部最小值个数多于5个，根据步骤1.4中得到分割后的T细胞图像，不同的局部最小值分布在不同的小连通域中，在当前连通域中依次循环每次只去除一个局部最小值所在的小区域膨胀后的结果，剩下的当前连通域如果被分为两部分则保存这两部分连通域，如果被分为大于两部分，对当前连通域中剩余的小连通域进行排序，选择面积最大的两部分连通域保存，若小于两部分则不作处理；
判断依次去除一个局部最小值所在的小区域膨胀后的保存结果，如果保存结果为空，则按照局部最小值个数小于5的方法处理，计算每个局部最小值之间的欧氏距离得到局部最小值矩阵，在局部最小值矩阵中选择欧氏距离最远的两个点的局部最小值位置，根据步骤1.4中得到分割后的T细胞图像，不同的局部最小值分布在不同的小连通域中，保留上面选出来的局部最小值的小连通域，其余区域置为背景0，即将当前连通域分成了两部分；如果保存结果不为空，则计算去除每一个局部最小值膨胀区域后保存两部分的面积差分值，选择差分值最小的两部分即为当前连通域的处理结果，即这两部分面积比较相似；
步骤2.5，经步骤2.4后，求取每个连通域的质心点，如图3所示，白色区域为T细胞前景连通域，黑色区域为背景，其中白色区域中的黑色星号为求取的质心点；
步骤3，对T细胞图像进行精确分割，如图4所示，其中白色区域为精准分割后的细胞区域，黑色星号为质心点，黑色区域为背景，并使用质心个数将重叠细胞进行了分割，具体按照以下步骤实施：
步骤3.1，使用大津法阈值分割预处理后的T细胞图像，得到阈值分割后的T细胞图像a，如图5所示，黑色为背景，白色为大津法分割T细胞前景区域；
步骤3.2，分配一个和T细胞图像一样大的全零矩阵，将这个矩阵在步骤2中得到质心点的位置设为1，然后与图像a相乘，得到在阈值分割后的T细胞图像a中每个连通域中质心的位置及个数，质心个数大于1；
步骤3.3，判断每个质心之间的欧式距离，若每个质心点之间欧式距离小于15，则认为是同一个细胞，选择多个质心点的重心点作为最终的质心；
若每个质心之间的欧式距离大于15，则认为是重叠细胞，之后对该重叠的细胞进行分割，具体步骤如下：
步骤3.3.1，提取重叠细胞的harrias角点特征，角点特征的个数为质心点个数乘以4，再提取重叠细胞的边界轮廓点；
步骤3.3.2，计算每个角点和所有轮廓点的欧式距离，选择每个角点对应最近的轮廓点即为匹配的轮廓点；
步骤3.3.3，计算步骤3.3.1每两个轮廓点之间的轮廓距离，选择任意一个初始轮廓点，计算每个轮廓点到这个初始轮廓点的轮廓距离，即从初始轮廓点位置，将每两个轮廓点的距离依次累加求和得到列向量b，求取每两个轮廓点之间的所有和，即为细胞边界周长；
步骤3.3.4，在列向量b中选择出步骤3.3.2匹配的轮廓点，得到匹配轮廓点到初始轮廓点之间的轮廓距离为列向量c，c减去cT即得到每个匹配轮廓点之间的轮廓距离矩阵A；细胞边界周长减去A的绝对值即为每个匹配轮廓点之间的反向轮廓距离矩阵B；
步骤3.3.5，计算所有匹配的轮廓点欧式距离矩阵C，C矩阵中的每个元素除以A和B对应位置的最小值得到比值矩阵Ratio，如式(18)所示，将Ratio进行从小到大排序，每次均可得到对应的两个轮廓点位置；
Ratio＝C./min(A,B) (18)；
步骤3.3.6，根据步骤3.3.5得到的两个轮廓点位置，其中一个作为起点，另一个作为终点，使用bresenham划线算法进行划线；
若当前连通域质心个数为2，则划线完分为两部分小连通域即停止，若没有分为两部分小连通域，继续用步骤3.3.5中的个两个轮廓点进行划线直到分为两部分；
若当前连通域质心个数大于2，将步骤3.3.5的两个轮廓点位置用划线算法进行划线，若能被划为两部分保存这两部分区域，判断每部分区域质心点个数，如果为1不作处理，如果不为1则继续在这部分选用步骤3.3.5中的两个轮廓点进行划线，直到当前连通域质心的个数等于被划分的小连通区域则结束；若不能被划为两部分，继续选用步骤3.3.5中的两个轮廓点进行划线；
步骤4，确定单张图像上T细胞对应的突触位置点，具体按照以下步骤实施：
步骤4.1、在步骤3中获得的分割图像中获得轮廓点并对应到荧光细胞图像中，采用最小二乘原则，根据轮廓点对T细胞进行椭圆拟合。
步骤4.2、在荧光细胞图像中，采用霍夫圆检测的方法，设定圆检测的最大半径和最小半径，将APC细胞检测成圆；
最大半径为28像素，最小半径为15像素；
步骤4.3、在荧光细胞图像中，以解方程的方式求取圆和椭圆的交点即为T细胞的突触位置点，如图6所示，其中圆拟合的为APC细胞，椭圆拟合的是只与APC细胞接触的T细胞轮廓点，白色点为突触位置，黑色星号为圆的中心和T细胞的质心；
步骤5，求取连续时间点上每个T细胞突触位置点对于下一个时间点对应的T细胞突触位置点，并且记录连续时间点存在的T细胞突触位置，具体步骤如下：
步骤5.1，读取T细胞图像序列中所有图像帧数，重复步骤1，步骤2，步骤3和步骤4，得到T细胞图像序列上每个T细胞的突触位置点；
步骤5.2，计算图像序列中每个T细胞图像所有突触位置的中间位置点，如式(19)所示：
Point_mean＝Point1+Point2 (19)；
式(19)中，Point1和Point2分别代表T细胞图像中其中一个突触的两个点坐标，Point_mean为中间点坐标；
步骤5.3，计算图像序列中相邻两帧之间所有突触中间位置点的欧氏距离，得到矩阵D，若矩阵D中的元素大于15个像素值，则设为10000，在矩阵D中依次选择每行对应欧氏距离最小的列，当欧式距离大于10000，此行对应的列设为0；当此列被选择后，下面的行不能选择此列，即选择次欧式距离最小的列，直到匹配完所有的行对应的列，得到总帧数-1个匹配数组；
步骤5.4，根据第一个匹配数组中的内容，作为下一个匹配数组的索引，如果为0，则直接在后面匹配0，找到其中的内容，然后和第一个匹配数组拼接，依次拼接完所有矩阵，组成拼接矩阵，当拼接矩阵中有连续6帧的非0结果，则找到对应的突触点，记录下这组数据，即为免疫细胞图像中突触位置点。

Claims (7)

1.一种免疫细胞图像中突触位置点的确定方法，其特征在于，具体步骤如下：
步骤1，对免疫细胞图像进行预处理和初步分割；
步骤2，对初步分割的T细胞图像中每个连通域进行处理，并确定每个连通域质心位置；
步骤3，对T细胞图像进行精确分割，并使用质心个数将重叠细胞进行了分割；
步骤4，确定单张图像上T细胞对应的突触位置点；
步骤5，求取连续时间点上每个T细胞突触位置点对于下一个时间点对应的T细胞突触位置点，并且记录连续时间点存在的T细胞突触位置，得到免疫细胞图像中突触位置点。
2.根据权利要求1所述的一种免疫细胞图像中突触位置点的确定方法，其特征在于，所述步骤1，具体为：
步骤1.1，将T细胞图像转换为灰度图像，之后依次经高斯去噪、高帽滤波、对比度拉伸，得到预处理后的T细胞图像；
步骤1.2，将经预处理后的T细胞图像依次采用阈值分割、填充空洞、开运算和腐蚀的形态学处理，得到处理后的T细胞图像；
步骤1.3，将步骤1.1中得到的预处理后的T细胞图像的局部最小值与步骤1.2中得到的处理后的T细胞图像相乘，得到T细胞前景处的局部最小值图像；
步骤1.4，采用步骤1.3中T细胞前景处的局部最小值图像标记步骤1.1中的预处理后的T细胞图像，并采用分水岭分割方法对T细胞前景处的局部最小值图像进行分割，得到分割后的T细胞图像；
步骤1.5，利用步骤1.4中分割后的T细胞图像和步骤1.2中处理后的T细胞图像，得到分割后的T细胞图像的背景标签，其计算公式如式(1)所示：
background_label＝f(L_1(:).*(1-I_4_2(:))) (1)；
式(1)中，background_label为背景标签，L_1为分割后的T细胞图像，I_4_2为处理后的T细胞图像，f(L_1(:).*(1-I_4_2(:)))为求取L_1和(1-I_4_2)点乘后的矩阵中出现频率最多的数字；
步骤1.6，利用分割后的T细胞图像的背景标签将分割后的T细胞图像的背景变为黑色，之后对分割后的T细胞图像进行闭运算，得到初步分割的T细胞图像；
步骤1.7，计算初步分割的T细胞图像前景面积的平均值和标准差，如式(2)、(3)、(4)及式(5)所示；
prctile_low＝f(All_area,10) (2)；
prctile_high＝f(All_area,90) (3)；
式(2)、(3)中，All_area为T细胞前景所有前景面积的集合；mean_area＝g(All_area(All_area>prctile_low&All_area<prctile_high))(4)；std_area＝Φ(All_area(All_area>prctile_low&All_area<prctile_high))(5)；
式(4)、(5)中，mean_area为初步分割的T细胞图像前景面积的平均值，std_area为初步分割的T细胞图像前景面积的标准差；
步骤1.8，计算初步分割的T细胞图像前景主轴长度的平均值和标准差，如式(6)、(7)、(8)及式(9)所示；
major_low＝f(All_major,10) (6)；
major_high＝f(All_major,90) (7)；
式(6)、(7)中，All_major为T细胞前景所有主轴长度的集合；
mean_major＝g(All_major(All_major>major_low&All_major<major_high))
(8)；
std_major＝Φ(All_major(All_major>major_low&All_major<major_high)) (9)；
式(8)、(9)中，mean_major为初步分割的T细胞图像前景主轴长度的平均值，std_major为初步分割的T细胞图像前景主轴长度的标准差。
3.根据权利要求1所述的一种免疫细胞图像中突触位置点的确定方法，其特征在于，所述步骤2，具体为：
步骤2.1，求取每个连通域周围范围内的像素坐标，判断每个连通域是不是属于细胞，若满足公式(10)、(11)及公式(12)，则属于细胞，若不满足公式(10)、(11)及公式(12)，则不属于细胞，并将初步分割的T细胞图像中的该连通域设置为背景；
background＝I_2(I_2<＝0.5*thrsh) (10)；
BW_neighbor＝f(L_3_i)<3 (11)；
g(I_2(BW_neighbor＝＝1))>g(background)+2*Φ(background) (12)；
式(10)、(11)及式(12)中，I_2为预处理后的T细胞图像，thrsh为步骤1.2中采用类间方差得到的阈值，background为预处理后的T细胞图像的背景像素值的集合，L_3_i为当前连通域，函数f(L_3_i)为计算图像中的其他像素点到当前连通域的距离，连通域内部距离为0，BW_neighbor为图像中的其他像素点到当前连通域的距离小于3个像素的像素点位置，函数g(background)为计算背景像素值集合的平均值，函数Φ(background)为计算背景像素值集合的标准差，函数g(I_2(BW_neighbor＝＝1))为计算当前连通域在预处理图像中T细胞内部像素值和周围小于3个像素距离的平均像素值；
步骤2.2，判断经步骤2.1后得到每个连通域中细胞是否为粘连细胞，粘连细胞的判断公式采用公式(13)、公式(14)或者公式(15)；
公式(13)：
cur_stats.Area>mean_area+3*std_area
cur_stats.MajorAxisLength>mean_major+4*std_major (13)；
公式(14)：
cur_stats.Area>mean_area+2*std_area
cur_stats.MajorAxisLength>mean_major+5*std_major (14)；
公式(15)：
cur_stats.Area>mean_area+1*std_area
cur_stats.MajorAxisLength>mean_major+3*std_major (15)；
式(13)、公式(14)及公式(15)中，cur_stats.Area为每个连通域的面积；cur_stats.MajorAxisLength为每个连通域的长轴长度；
步骤2.3，经步骤2.2后，计算每个连通域的局部最小值，如式(16)及式(17)所示：
BW_min_i＝BW_min_1.*L_3_i (16)；
local_min_inds＝find(BW_min_i＝＝1) (17)；
式(16)及式(17)中，BW_min_1为T细胞前景处的局部最小值图像；L_3_i为每个连通域图像，local_min_inds为局部最小值；
步骤2.4，对所有的粘连细胞均进行分割处理，得到分割后的粘连细胞；
具体为：判断每个粘连细胞所在的连通域中局部最小值个数，若局部最小值个数小于5，计算每个局部最小值之间的欧氏距离得到局部最小值矩阵，在局部最小值矩阵中选择欧氏距离最远的两个点的局部最小值位置，根据步骤1.4中得到分割后的T细胞图像，不同的局部最小值分布在不同的小连通域中，保留上面选出来的局部最小值的小连通域，其余区域置为背景0，即将当前连通域分成了两部分；
若局部最小值个数多于5个，根据步骤1.4中得到分割后的T细胞图像，不同的局部最小值分布在不同的小连通域中，在当前连通域中依次循环每次只去除一个局部最小值所在的小区域膨胀后的结果，剩下的当前连通域如果被分为两部分则保存这两部分连通域，如果被分为大于两部分，对当前连通域中剩余的小连通域进行排序，选择面积最大的两部分连通域保存，若小于两部分则不作处理；
判断依次去除一个局部最小值所在的小区域膨胀后的保存结果，如果保存结果为空，则按照局部最小值个数小于5的方法处理，计算每个局部最小值之间的欧氏距离得到局部最小值矩阵，在局部最小值矩阵中选择欧氏距离最远的两个点的局部最小值位置，根据步骤1.4中得到分割后的T细胞图像，不同的局部最小值分布在不同的小连通域中，保留上面选出来的局部最小值的小连通域，其余区域置为背景0，即将当前连通域分成了两部分；如果保存结果不为空，则计算去除每一个局部最小值膨胀区域后保存两部分的面积差分值，选择差分值最小的两部分即为当前连通域的处理结果，即这两部分面积比较相似；
步骤2.5，经步骤2.4后，求取每个连通域的质心点。
4.根据权利要求1所述的一种免疫细胞图像中突触位置点的确定方法，其特征在于，所述步骤3，具体按照以下步骤实施：
步骤3.1，使用大津法阈值分割预处理后的T细胞图像，得到阈值分割后的T细胞图像a；
步骤3.2，分配一个和T细胞图像一样大的全零矩阵，将这个矩阵在步骤2中得到质心点的位置设为1，然后与图像a相乘，得到在阈值分割后的T细胞图像a中每个连通域中质心的位置及个数，质心个数大于1；
步骤3.3，判断每个质心之间的欧式距离，若每个质心点之间欧式距离小于15，则认为是同一个细胞，选择多个质心点的重心点作为最终的质心；
若每个质心之间的欧式距离大于15，则认为是重叠细胞，之后对该重叠的细胞进行分割。
5.根据权利要求4所述的一种免疫细胞图像中突触位置点的确定方法，其特征在于，所述步骤3.3中，若每个质心之间的欧式距离大于15，则认为是重叠细胞，之后对该重叠的细胞进行分割，具体步骤如下：
步骤3.3.1，提取重叠细胞的harrias角点特征，角点特征的个数为质心点个数乘以4，再提取重叠细胞的边界轮廓点；
步骤3.3.2，计算每个角点和所有轮廓点的欧式距离，选择每个角点对应最近的轮廓点即为匹配的轮廓点；
步骤3.3.3，计算步骤3.3.1每两个轮廓点之间的轮廓距离，选择任意一个初始轮廓点，计算每个轮廓点到这个初始轮廓点的轮廓距离，即从初始轮廓点位置，将每两个轮廓点的距离依次累加求和得到列向量b，求取每两个轮廓点之间的所有和，即为细胞边界周长；
步骤3.3.4，在列向量b中选择出步骤3.3.2匹配的轮廓点，得到匹配轮廓点到初始轮廓点之间的轮廓距离为列向量c，c减去cT即得到每个匹配轮廓点之间的轮廓距离矩阵A；细胞边界周长减去A的绝对值即为每个匹配轮廓点之间的反向轮廓距离矩阵B；
步骤3.3.5，计算所有匹配的轮廓点欧式距离矩阵C，C矩阵中的每个元素除以A和B对应位置的最小值得到比值矩阵Ratio，如式(18)所示，将Ratio进行从小到大排序，每次均可得到对应的两个轮廓点位置；
Ratio＝C./min(A,B) (18)；
步骤3.3.6，根据步骤3.3.5得到的两个轮廓点位置，其中一个作为起点，另一个作为终点，使用bresenham划线算法进行划线；
若当前连通域质心个数为2，则划线完分为两部分小连通域即停止，若没有分为两部分小连通域，继续用步骤3.3.5中的个两个轮廓点进行划线直到分为两部分；
若当前连通域质心个数大于2，将步骤3.3.5的两个轮廓点位置用划线算法进行划线，若能被划为两部分保存这两部分区域，判断每部分区域质心点个数，如果为1不作处理，如果不为1则继续在这部分选用步骤3.3.5中的两个轮廓点进行划线，直到当前连通域质心的个数等于被划分的小连通区域则结束；若不能被划为两部分，继续选用步骤3.3.5中的两个轮廓点进行划线。
6.根据权利要求1所述的一种免疫细胞图像中突触位置点的确定方法，其特征在于，所述步骤4，具体为：
步骤4.1，在步骤3中获得的分割图像中获得轮廓点并对应到荧光细胞图像中，采用最小二乘原则，根据轮廓点对T细胞进行椭圆拟合；
步骤4.2，在荧光细胞图像中，采用霍夫圆检测的方法，设定圆检测的最大半径和最小半径，将APC细胞检测成圆；
最大半径为28像素，最小半径为15像素；
步骤4.3、在荧光细胞图像中，以解方程的方式求取圆和椭圆的交点即为T细胞的突触位置点。
7.根据权利要求1所述的一种免疫细胞图像中突触位置点的确定方法，其特征在于，所述步骤5，具体步骤如下：
步骤5.1，读取T细胞图像序列中所有图像帧数，重复步骤1，步骤2，步骤3和步骤4，得到T细胞图像序列上每个T细胞的突触位置点；
步骤5.2，计算图像序列中每个T细胞图像所有突触位置的中间位置点，如式(19)所示：
Point_mean＝Point1+Point2 (19)；
式(19)中，Point1和Point2分别代表T细胞图像中其中一个突触的两个点坐标，Point_mean为中间点坐标；
步骤5.3，计算图像序列中相邻两帧之间所有突触中间位置点的欧氏距离，得到矩阵D，若矩阵D中的元素大于15个像素值，则设为10000，在矩阵D中依次选择每行对应欧氏距离最小的列，当欧式距离大于10000，此行对应的列设为0；当此列被选择后，下面的行不能选择此列，即选择次欧式距离最小的列，直到匹配完所有的行对应的列，得到总帧数-1个匹配数组；
步骤5.4，根据第一个匹配数组中的内容，作为下一个匹配数组的索引，如果为0，则直接在后面匹配0，找到其中的内容，然后和第一个匹配数组拼接，依次拼接完所有矩阵，组成拼接矩阵，当拼接矩阵中有连续6帧的非0结果，则找到对应的突触点，记录下这组数据，即为免疫细胞图像中突触位置点。
CN201811504408.7A 2018-12-10 2018-12-10 一种免疫细胞图像中突触位置点的确定方法 Active CN109685773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811504408.7A CN109685773B (zh) 2018-12-10 2018-12-10 一种免疫细胞图像中突触位置点的确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811504408.7A CN109685773B (zh) 2018-12-10 2018-12-10 一种免疫细胞图像中突触位置点的确定方法

Publications (2)

Publication Number Publication Date
CN109685773A true CN109685773A (zh) 2019-04-26
CN109685773B CN109685773B (zh) 2022-12-06

Family

ID=66187465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811504408.7A Active CN109685773B (zh) 2018-12-10 2018-12-10 一种免疫细胞图像中突触位置点的确定方法

Country Status (1)

Country Link
CN (1) CN109685773B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132854A (zh) * 2020-09-22 2020-12-25 推想医疗科技股份有限公司 图像分割的方法及装置，以及电子设备
CN113743147A (zh) * 2021-07-16 2021-12-03 广东技术师范大学 一种基于模糊成像机理的抗模糊二维码图像及其盲复原方法
CN116596954A (zh) * 2023-07-12 2023-08-15 北京大学 病变细胞图像分割方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040126762A1 (en) * 2002-12-17 2004-07-01 Morris David W. Novel compositions and methods in cancer
CN107481225A (zh) * 2017-07-26 2017-12-15 山东颐泽天泰医疗科技有限公司 一种自动寻找最优参数分割粘连细胞的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040126762A1 (en) * 2002-12-17 2004-07-01 Morris David W. Novel compositions and methods in cancer
CN107481225A (zh) * 2017-07-26 2017-12-15 山东颐泽天泰医疗科技有限公司 一种自动寻找最优参数分割粘连细胞的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丛培盛等: "分水岭算法分割显微图像中重叠细胞", 《中国图象图形学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132854A (zh) * 2020-09-22 2020-12-25 推想医疗科技股份有限公司 图像分割的方法及装置，以及电子设备
WO2022062770A1 (zh) * 2020-09-22 2022-03-31 推想医疗科技股份有限公司 图像分割的方法及装置，以及电子设备
CN113743147A (zh) * 2021-07-16 2021-12-03 广东技术师范大学 一种基于模糊成像机理的抗模糊二维码图像及其盲复原方法
CN113743147B (zh) * 2021-07-16 2023-08-29 广东技术师范大学 一种基于模糊成像机理的抗模糊二维码图像及其盲复原方法
CN116596954A (zh) * 2023-07-12 2023-08-15 北京大学 病变细胞图像分割方法、装置、设备及存储介质
CN116596954B (zh) * 2023-07-12 2023-11-10 北京大学 病变细胞图像分割方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109685773B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN104268583B (zh) 基于颜色区域特征的行人重识别方法及系统
CN109902600B (zh) 一种道路区域检测方法
CN106056155B (zh) 基于边界信息融合的超像素分割方法
Kong et al. General road detection from a single image
CN108537239B (zh) 一种图像显著性目标检测的方法
CN109271960A (zh) 一种基于卷积神经网络的人数统计方法
CN104751187A (zh) 抄表图像自动识别方法
CN109685773A (zh) 一种免疫细胞图像中突触位置点的确定方法
CN108154502A (zh) 一种基于卷积神经网络的通孔焊点识别方法
CN103699900B (zh) 卫星影像中建筑物水平矢量轮廓自动批量提取方法
CN103839223A (zh) 图像处理方法及装置
CN102999916A (zh) 一种彩色图像的边缘提取方法
CN108537099A (zh) 一种复杂背景的车牌识别方法
CN105894503A (zh) 一种对Kinect植株彩色和深度检测图像的修复方法
CN104298996A (zh) 一种应用于仿生机器鱼的水下主动视觉跟踪方法
CN111461036B (zh) 一种利用背景建模增强数据的实时行人检测方法
CN110766016B (zh) 一种基于概率神经网络的喷码字符识别方法
CN108710916A (zh) 图片分类的方法及装置
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及系统
CN115147448A (zh) 面向自动化焊接的图像增强与特征提取方法
CN108021920A (zh) 一种图像对象协同发现的方法
Li et al. MTA-YOLACT: Multitask-aware network on fruit bunch identification for cherry tomato robotic harvesting
CN109101985A (zh) 一种基于自适应邻域测试的图像误匹配点对剔除方法
CN112446417B (zh) 基于多层超像素分割的纺锤形果实图像分割方法及系统
CN106530272A (zh) 基于凹点匹配的重叠蛋白质点分离方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20221116

Address after: 264203 12th floor, office building of Weihai Zhengsheng Biotechnology Co., Ltd., north of Huanghe street and east of Guangtai airport, Zhangcun Town, Huancui District, Weihai City, Shandong Province

Applicant after: Weihai Jiansheng Biotechnology Co.,Ltd.

Address before: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant before: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

Effective date of registration: 20221116

Address after: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant after: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

Address before: 710048 No. 5 Jinhua South Road, Shaanxi, Xi'an

Applicant before: XI'AN University OF TECHNOLOGY

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant