CN109697450A - 细胞分类方法 - Google Patents
细胞分类方法 Download PDFInfo
- Publication number
- CN109697450A CN109697450A CN201710986393.1A CN201710986393A CN109697450A CN 109697450 A CN109697450 A CN 109697450A CN 201710986393 A CN201710986393 A CN 201710986393A CN 109697450 A CN109697450 A CN 109697450A
- Authority
- CN
- China
- Prior art keywords
- cell
- candidate
- image
- candidate cell
- relevant
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 210000004027 cell Anatomy 0.000 claims abstract description 413
- 210000000170 cell membrane Anatomy 0.000 claims abstract description 92
- 230000002380 cytological effect Effects 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 6
- 210000004940 nucleus Anatomy 0.000 claims description 63
- 210000002309 caveolated cell Anatomy 0.000 claims description 31
- 238000012546 transfer Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 210000003855 cell nucleus Anatomy 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 210000000805 cytoplasm Anatomy 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 description 27
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003365 immunocytochemistry Methods 0.000 description 2
- 238000010166 immunofluorescence Methods 0.000 description 2
- 238000003364 immunohistochemistry Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 210000001082 somatic cell Anatomy 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种细胞分类方法，系统将多张相关于多个细胞的细胞图层图像合成为包括所述细胞的图像的细胞合成图像，再根据所述细胞合成图像及筛选条件，从该细胞合成图像中的所述细胞中筛选出多个候选细胞，并获得多笔候选细胞数据，接着利用所述候选细胞数据对该细胞图层图像进行特征撷取而获得多个分别相关于所述候选细胞的细胞膜的特征值，与多个分别相关于所述候选细胞的细胞核的特征值。最后所述系统至少根据多个分别对应所述细胞图层图像的上限值、所述细胞膜特征值，及所述细胞核特征值，决定出每一个候选细胞为目标细胞或是非目标细胞。
Description
技术领域
本发明涉及一种分类方法，特别是涉及一种细胞分类方法。
背景技术
细胞的表现在自然与病理现象上常被用来做为临床上的研究，针对临床研究需求，细胞显微图像分析的技术常应用于分析细胞计数、细胞面积大小、个别或群体细胞轨迹移动观察等细胞的表现，利用显微序列图像中活体细胞的运动，能协助临床诊断上图像特征采集，进而能对图像中的细胞的表现进行快速且客观地分类。
现有细胞显微图像分类的技术是先将细胞以荧光染剂染色，例如免疫荧光(Immunofluorescence,IF)、免疫细胞化学(Immunocytochemistry,ICC)、免疫组织化学染色法(immunohistochemistry,IHC)等染色法，当细胞暴露于激光束时，染色的细胞的荧光染剂受到激光的激发，释放一定波长的光，然后借由一分析系统拍摄出细胞的图像，最后该分析系统分析该图像以获得细胞的物理特性及生化特征，并根据细胞的物理特性及生化特征对细胞进行分类。
然而，仅根据细胞释放的光所获得的细胞的物理特性及生化特征进行分类的准确性不高。
发明内容
本发明的目的在于提供一种具有高准确度的细胞分类方法。
本发明的细胞分类方法，由系统来实施，所述系统存储有多张相关于多个细胞的细胞图层图像，每一细胞图层图像相关于所述细胞的细胞膜、细胞质，及细胞核其中至少一者，该细胞分类方法包含一个步骤(A)、一个步骤(B)、一个步骤(C)、一个步骤(D)，及一个步骤(E)：。
在步骤(A)中，所述系统将所述细胞图层图像合成为包括所述细胞的图像的细胞合成图像。
在步骤(B)中，所述系统根据所述细胞合成图像及相关于细胞大小的筛选条件，从所述细胞合成图像中的所述细胞中筛选出多个候选细胞，并获得多笔分别相关于所述候选细胞的图像位置及大小的候选细胞数据。
在步骤(C)中，所述系统对于每一张相关于所述细胞的细胞膜的细胞图层图像，利用所述候选细胞数据对该细胞图层图像进行特征撷取而获得多个分别相关于所述候选细胞的细胞膜的细胞膜特征。
在步骤(D)中，所述系统对于每一张相关于所述细胞的细胞核的细胞图层图像，利用所述候选细胞数据对该细胞图层图像进行特征撷取而获得多个分别相关于所述候选细胞的细胞核的细胞核特征值。
步骤(E)中，所述系统至少根据多个分别对应所述细胞图层图像的上限值、所述细胞图层图像的所述细胞膜特征值，及所述细胞图层图像的所述细胞核特征值，决定出每一个候选细胞为目标细胞或是非目标细胞。
较佳地，本发明的细胞分类方法，在步骤(B)中，所述筛选条件为：所述候选细胞的图像的像素数目大于默认值。
较佳地，本发明的细胞分类方法，步骤(B)包含以下子步骤：
(B-1)借由所述系统，根据所述细胞合成图像的背景的多个像素二值化所述细胞合成图像；及
(B-2)借由所述系统，根据二值化的所述细胞合成图像及默认值获得所述候选细胞与所述候选细胞数据，每一个候选细胞的像素数目大于所述默认值。
较佳地，本发明的细胞分类方法，在步骤(B)及(C)间还包含以下子步骤：
(F)借由所述系统，根据所述候选细胞数据，撷取相关于所述细胞的细胞膜的细胞图层图像中的候选细胞的细胞膜，并将所述候选细胞的细胞膜的图像合成为候选细胞膜合成图像；
(G)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，判定是否能以距离转换算法分离出候选丛细胞；及
(H)借由所述系统，当判定出该候选细胞能以距离转换算法分离出所述候选丛细胞时，根据所述候选细胞膜合成图像获得相关于所述候选丛细胞的图像位置及大小的候选丛细胞数据，并将所述候选丛细胞数据作为所述候选细胞数据。
较佳地，本发明的细胞分类方法，步骤(G)包含以下子步骤：
(G-1)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，根据所述候选细胞膜合成图像，以适应性算法计算出一个相关于像素值的细胞膜临界值；
(G-2)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，根据所述细胞膜临界值，二值化所述候选细胞膜合成图像；
(G-3)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，根据二值化的所述候选细胞膜合成图像及相关于该候选细胞的图像位置及大小的候选细胞数据，获得相关于该候选细胞的细胞膜的候选细胞膜图像轮廓；
(G-4)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，计算出相关于所述候选细胞膜图像轮廓的细胞膜轮廓平均长度；
(G-5)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，且对于所述候选细胞膜图像轮廓内的每一个像素，计算出相关于该像素与所述候选细胞膜图像轮廓最短距离的细胞膜轮廓最短距离，以获得相关于所述细胞膜轮廓最短距离与所述细胞膜轮廓平均长度的比值的细胞膜轮廓比值；
(G-6)借由所述系统，根据所述细胞膜轮廓比值，映射所述候选细胞膜图像轮廓的每一个像素值至像素的最大值；
(G-7)借由所述系统，正规化映像后的所述候选细胞膜图像轮廓，以获得细胞膜轮廓波峰数；及
(G-8)借由所述系统，根据所述细胞膜轮廓波峰数，判定能否分离出所述候选丛细胞。
较佳地，本发明的细胞分类方法，在步骤(B)及(C)间还包含以下子步骤：
(I)借由所述系统，根据所述候选细胞数据，撷取相关于所述细胞的细胞核的细胞图层图像中的候选细胞的细胞核，并将所述候选细胞的细胞核的图像合成为候选细胞核合成图像；
(J)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，判定是否能以距离转换算法分离出所述候选丛细胞；及
(K)借由所述系统，当判定出该候选细胞能以距离转换算法分离出所述候选丛细胞时，根据所述候选细胞核合成图像获得相关于所述候选丛细胞的图像位置及大小的候选丛细胞数据，并将所述候选丛细胞数据作为所述候选细胞数据。
较佳地，本发明的细胞分类方法，步骤(J)包含以下子步骤：
(J-1)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，根据所述候选细胞核合成图像，以适应性算法计算出相关于像素值的细胞核临界值；
(J-2)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，根据所述细胞核临界值，二值化所述候选细胞核合成图像；
(J-3)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，根据二值化的所述候选细胞核合成图像及相关于该候选细胞的图像位置及大小的候选细胞数据，获得相关于该候选细胞的细胞核的候选细胞核图像轮廓；
(J-4)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，计算出相关于所述候选细胞核图像轮廓的细胞核轮廓平均长度；
(J-5)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，且对于所述候选细胞核图像轮廓内的每一个像素，计算出相关于该像素与所述候选细胞核图像轮廓的最短距离的细胞核轮廓最短距离，以获得相关于所述细胞核轮廓最短距离与所述细胞核轮廓平均长度的比值的细胞核轮廓比值；
(J-6)借由所述系统，根据所述细胞核轮廓比值，映射所述候选细胞核图像轮廓的每一个像素值至像素的最大值；
(J-7)借由所述系统，正规化映像后的所述候选细胞核图像轮廓，以获得细胞核轮廓波峰数；及
(J-8)借由所述系统，根据所述细胞核轮廓波峰数，判定能否分离出所述候选丛细胞。
较佳地，本发明的细胞分类方法，在步骤(C)中，每一个细胞膜特征值为相关于该细胞图层图像的候选细胞的细胞膜的像素平均值、像素最高值、像素最低值、像素中间值、最大宽度，及最小宽度其中一者。
较佳地，本发明的细胞分类方法，在步骤(D)中，每一个细胞核特征值为相关于该细胞图层图像的候选细胞的细胞核的圆形度、纵横比、不对称率、椭圆圆度、饱和度、分散度、偏心度，及不变矩其中一者。
较佳地，本发明的细胞分类方法，在步骤(E)中，对于每一张细胞图层图像，每一个目标细胞的细胞膜特征值及细胞核特征值其中一者小于该细胞图层图像所对应的上限值。
较佳地，本发明的细胞分类方法，在步骤(E)中，根据所述上限值、所述细胞膜特征值与所述细胞核特征值，并根据所撷取的候选细胞的细胞膜的图像、所撷取的候选细胞的细胞核的图像与用于对所述图像进行分类的分类器，决定出每一个候选细胞为目标细胞或是非目标细胞。
本发明的有益效果在于：借由所述系统利用所述候选细胞数据对该细胞图层图像进行特征撷取，以获得所述细胞膜特征值及所述细胞核特征值，并至少根据所述上限值、所述细胞膜特征值，及所述细胞核特征值，将所述候选细胞分类成目标细胞及非目标细胞，借此，针对细胞特有的型态进行分类以提高细胞分类的准确性。
附图说明
本发明的其他的特征及功效，将于参照图式的实施方式中清楚地呈现，其中：
图1是一方块图，示例地绘示一用来实施本发明细胞分类方法的一实施例的系统；
图2是一示意图，说明多张相关于多个细胞的细胞图层图像；
图3是一流程图，说明该实施例的一候选细胞数据获得程序；
图4是一示意图，说明一包括所述细胞的图像的细胞合成图像；
图5是一流程图，说明步骤207所包含的子步骤；
图6是一示意图，说明一相关于该候选细胞的细胞膜的候选细胞膜图像轮廓；
图7是一流程图，说明步骤210所包含的子步骤；及
图8是一流程图，说明该实施例的一目标细胞决定程序。
具体实施方式
参阅图1，说明用来实施本发明细胞分类方法的一实施例的一系统1，该系统1包含一存储单元11及一电连接该存储单元11的处理单元12。
该存储单元11存储有多张相关于多个细胞的细胞图层图像、多个分别对应所述细胞图层图像的细胞膜上限值，及多个分别对应所述细胞图层图像的细胞核上限值，每一细胞图层图像相关于所述细胞的细胞膜、细胞质，及细胞核其中至少一者。在本实施例中，该存储单元11存储有3张细胞图层图像，每一细胞图层图像相关于所述细胞的细胞膜、细胞质，及细胞核其中一者(如图2)。
本发明细胞分类方法的一实施例包含一候选细胞数据获得程序及一目标细胞决定程序。
参阅图1及图3，以下说明该系统1实施该实施例的该候选细胞数据获得程序的步骤流程。
在步骤201中，该处理单元12将所述细胞图层图像作图像强化。
在步骤202中，该处理单元12将所述细胞图层图像作图像噪声消除。
值得注意的是，在步骤201及202中的图像强化及图像噪声消除为现有技术，故在此不多加赘述。
在步骤203中，该处理单元12将所述细胞图层图像合成为一包括所述细胞的图像的细胞合成图像(如图4)。要特别注意的是，在本实施例中，是以较亮为主的方式，亦即以像素值较高的像素为主的方式，合成图像。
在步骤204中，该处理单元12根据该细胞合成图像的背景的多个像素二值化该细胞合成图像。在本实施例中，该处理单元12以该细胞合成图像的背景的所述像素的像素值平均值再乘上一预定值以作为一临界值，并以该临界值二值化该细胞合成图像，其中该预定值大于1。举例来说，若像素值小于该临界值，则二值化后的像素值为像素的最小值；若像素值大于该临界值，则二值化后的像素值为像素的最大值。
在步骤205中，该处理单元12根据二值化的该细胞合成图像及一相关于细胞大小的筛选条件筛选出候选细胞，以获得多笔分别相关于所述候选细胞的图像位置及大小的候选细胞数据，并将所述候选细胞数据存储至该存储单元11。在本实施例中，该筛选条件为二值化的该细胞合成图像中的像素数目大于一默认值的细胞为候选细胞。
在步骤206中，该处理单元12根据该存储单元11存储的所述候选细胞数据，撷取相关于所述细胞的细胞膜的细胞图层图像中的候选细胞的细胞膜，并将所述候选细胞的细胞膜的图像合成为一候选细胞膜合成图像。
在步骤207中，该处理单元12判定是否能以距离转换(distance transform,DT)算法，对于该候选细胞膜合成图像中的候选细胞分离出一候选丛细胞。当该处理单元12判定出该候选细胞能以距离转换算法分离出该候选丛细胞时，进行步骤208，否则进行步骤209。
搭配参阅图5，以下说明步骤207所包含的子步骤2071～2078。
在步骤2071中，对于该候选细胞膜合成图像中的每一候选细胞，该处理单元12根据该候选细胞膜合成图像，以适应性算法计算出一相关于像素值的候选细胞的细胞膜临界值。值得注意的是，在本实施例中，该适应性算法是先以大津算法(Otsu algorithm)计算出一相关于该候选细胞膜合成图像的第一门坎值，再由该候选细胞膜合成图像的图像灰阶统计直方图(histogram)获得一第一平均值及一第一标准偏差，最后该细胞膜临界值即为该第一门坎值与一第一权重的积加上该第一平均值及该第一标准偏差的积，如下式
细胞膜临界值＝第一门坎值×第一权重+第一平均值×第一标准偏差。
在步骤2072中，对于该候选细胞膜合成图像中的每一候选细胞，该处理单元12根据该细胞膜临界值，二值化该候选细胞膜合成图像。
在步骤2073中，对于该候选细胞膜合成图像中的每一候选细胞，该处理单元12根据二值化的该候选细胞膜合成图像及相关于该候选细胞的图像位置及大小的候选细胞数据，获得一相关于该候选细胞的细胞膜的候选细胞膜图像轮廓。
在步骤2074中，对于该候选细胞膜合成图像中的每一候选细胞，该处理单元12计算出一相关于该候选细胞膜图像轮廓的细胞膜轮廓平均长度。值得注意的是，搭配参阅图6，在本实施例中，会先画出一最小能包围该候选细胞膜图像轮廓的圆，并获得一通过该圆的圆心且为该候选细胞膜图像轮廓两点最长距离的第一直线41，再获得一垂直于该第一直线41且为该候选细胞膜图像轮廓两点最长距离的第二直线42，最后根据该第一直线41与该第二直线42得到该细胞膜轮廓平均长度，其中该细胞膜轮廓平均长度为该第一直线41的长度平方加上该第二直线42的长度平方后开根号。
在步骤2075中，对于该候选细胞膜合成图像中的每一候选细胞，且对于该候选细胞膜图像轮廓内的每一像素，该处理单元12计算出一相关于该像素与该候选细胞膜图像轮廓的最短距离的细胞膜轮廓最短距离，以获得一相关于该细胞膜轮廓最短距离与该细胞膜轮廓平均长度的比值的细胞膜轮廓比值。
在步骤2076中，该处理单元12根据所述细胞膜轮廓比值，该处理单元12映像该候选细胞膜图像轮廓的每一像素值至像素的最大值。
在步骤2077中，该处理单元12正规化映像后的该候选细胞膜图像轮廓，以获得一细胞膜轮廓波峰数。
在步骤2078中，该处理单元12根据该细胞膜轮廓波峰数，判定能否分离出该候选丛细胞。在本实施例中，该细胞膜轮廓波峰数大于1，该处理单元12即判定能分离出该候选丛细胞。
在步骤208中，根据该候选细胞膜合成图像获得一笔相关于该候选丛细胞的图像位置及大小的候选丛细胞数据，并将该候选丛细胞数据作为该候选细胞数据存储至该存储单元11，并重复进行步骤206～207。
在步骤209中，该处理单元12根据该存储单元11存储的所述候选细胞数据，撷取相关于所述细胞的细胞核的细胞图层图像中的候选细胞的细胞核，并将所述候选细胞的细胞核的图像合成为一候选细胞核合成图像。
在步骤210中，对于该候选细胞核合成图像中的每一候选细胞，该处理单元12判定是否能以距离转换算法分离出该候选丛细胞。当该处理单元12判定出该候选细胞能以距离转换算法分离出该候选丛细胞时，进行步骤211，否则进行步骤212。
搭配参阅图7，以下说明步骤210所包含的子步骤2101～2108。
在步骤2101中，对于该候选细胞核合成图像中的每一候选细胞，该处理单元12根据该候选细胞核合成图像，以适应性算法计算出一相关于像素值的细胞核临界值。值得注意的是，在本实施例中，该适应性算法是先以三角法图像二值化法(triangle algorithm)计算出一相关于该候选细胞核合成图像的第二门坎值，再由该候选细胞核合成图像的图像灰阶统计直方图获得一第二平均值及一第二标准偏差，最后该细胞核临界值即为该第二门坎值与一第二权重的积加上该第二平均值及该第二标准偏差的积，如下式
细胞核临界值＝第二门坎值×第二权重+第二平均值×第二标准偏差。
在步骤2102中，对于该候选细胞核合成图像中的每一候选细胞，该处理单元12根据该细胞核临界值，二值化该候选细胞核合成图像。
在步骤2103中，对于该候选细胞核合成图像中的每一候选细胞，该处理单元12根据二值化的该候选细胞核合成图像及相关于该候选细胞的图像位置及大小的候选细胞数据，获得一相关于该候选细胞的细胞核的候选细胞核图像轮廓。
在步骤2104中，对于该候选细胞核合成图像中的每一候选细胞，该处理单元12计算出一相关于该候选细胞核图像轮廓的细胞核轮廓平均长度。值得注意的是，在本实施例中，类似于计算该细胞膜轮廓平均长度，先画出一最小能包围该候选细胞核图像轮廓的圆，并获得一通过该圆的圆心且为该候选细胞核图像轮廓两点最长距离的第一直线，再获得一垂直于该第一直线且为该候选细胞核图像轮廓两点最长距离的第二直线，最后根据该第一直线与该第二直线得到该细胞核轮廓平均长度，其中该细胞核轮廓平均长度为该第一直线的长度平方加上该第二直线的长度平方后开根号。
在步骤2105中，对于该候选细胞核合成图像中的每一候选细胞，且对于该候选细胞核图像轮廓内的每一像素，该处理单元12计算出一相关于该像素与该候选细胞核图像轮廓的最短距离的细胞核轮廓最短距离，以获得一相关于该细胞核轮廓最短距离与该细胞核轮廓平均长度的比值的细胞核轮廓比值。
在步骤2106中，该处理单元12根据所述细胞核轮廓比值，映像该候选细胞核图像轮廓的每一像素值至像素的最大值。
在步骤2107中，该处理单元12正规化映像后的该候选细胞核图像轮廓，以获得一细胞核轮廓波峰数。
在步骤2108中，该处理单元12根据该细胞核轮廓波峰数，判定能否分离出该候选丛细胞。在本实施例中，该细胞核轮廓波峰数大于1该处理单元12即判定能分离出该候选丛细胞。
在步骤211中，该处理单元12根据该候选细胞核合成图像获得一笔相关于该候选丛细胞的图像位置及大小的候选丛细胞数据，并将该候选丛细胞数据作为该候选细胞数据存储至该存储单元11，并重复进行步骤209～210。
在步骤212中，对于每一相关于所述细胞的细胞膜的细胞图层图像，该处理单元12利用所述候选细胞数据对该细胞图层图像进行特征撷取而获得多个分别相关于所述候选细胞的细胞膜的细胞膜特征值，并将所述细胞膜特征值存储至该存储单元11。在本实施例中，每一细胞膜特征值为相关于该细胞图层图像的候选细胞的细胞膜的一像素平均值、一像素最高值、一像素最低值、一像素中间值、一最大宽度，及一最小宽度的其中一者。
在步骤213中，对于每一相关于所述细胞的细胞核的细胞图层图像，该处理单元12利用所述候选细胞数据对该细胞图层图像进行特征撷取而获得多个分别相关于所述候选细胞的细胞核的细胞核特征值，并将所述细胞核特征值存储至该存储单元11。在本实施例中，每一细胞核特征值为相关于该细胞图层图像的候选细胞的细胞核的一圆形度、一纵横比、一不对称率、一椭圆圆度、一饱和度、一分散度、一偏心度，及一不变矩的其中一者。
要再特别注意的是，在本实施例中，步骤206～208是在步骤209～211前，且步骤212是在步骤213前，在其他实施例中，步骤206～208可在步骤209～211后或同时进行，且步骤212可在步骤213后或同时进行，不限于此。
参阅图1及图8，以下说明该系统1实施该实施例的该目标细胞决定程序的步骤流程。
在步骤301中，该处理单元12判定所述候选细胞的一者的每一细胞图层图像对应该候选细胞的细胞膜特征值是否皆小于所述细胞图层图像所对应的细胞膜上限值。当该处理单元12判定出所述细胞图层图像对应的细胞膜特征值皆小于所述细胞图层图像所对应的细胞膜上限值时，进行步骤302，否则表示该候选细胞为非目标细胞，进行步骤305。
在步骤302中，该处理单元12判定每一细胞图层图像对应该候选细胞的细胞核特征值是否皆小于所述细胞图层图像所对应的细胞核上限值。当该处理单元12判定出所述细胞图层图像对应的细胞核特征值皆小于所述细胞图层图像所对应的细胞核上限值时，进行步骤303，否则表示该候选细胞为非目标细胞，进行步骤305。
在步骤303中，该处理单元12根据所述上限值、所述细胞膜特征值与所述细胞核特征值，并根据所撷取的候选细胞的细胞膜的图像、所撷取的候选细胞的细胞核的图像与一用于对所述图像进行分类的分类器判定该候选细胞是否为目标细胞。当该处理单元12判定出该候选细胞为目标细胞时，进行步骤304，否则表示该候选细胞为非目标细胞，进行步骤305。在本实施例中，输入所述细胞图层图像中的候该选细胞的细胞膜及细胞核的图像至该分类器，该分类器根据已知数据判定该候选细胞是否为目标细胞，该分类器例如利用机器学习(Machine Learning)算法的类神经网络(neural network,NN)。
在步骤304中，该处理单元12存储该候选细胞的细胞膜特征值、细胞核特征值、所撷取的候选细胞的细胞膜的图像，及所撷取的候选细胞的细胞核的图像存储至该存储单元11的一第一存储区。
在步骤305中，该处理单元12存储该候选细胞的细胞膜特征值、细胞核特征值、所撷取的候选细胞的细胞膜的图像，及所撷取的候选细胞的细胞核的图像中至少一者存储至该存储单元11的一第二存储区，该第二存储区例如为标注无效的暂存区。
要特别注意的是，在其他实施例中，步骤301～303的顺序可相互交换，不以此为限。在其他另一实施例中，可仅执行步骤301～303的一者，若判定结果为肯定进行步骤304，否则进行步骤305，不以此为限。
要再特别注意的是，在本实施例中，该目标细胞决定程序会重复执行直到所有的候选细胞皆判定完。
综上所述，不同于先前技术仅仅是依据染色强度进行分类，本发明细胞分类方法，借由该处理单元12利用所述候选细胞数据对该细胞图层图像进行特征撷取，以获得所述细胞膜特征值及所述细胞核特征值，并至少根据所述上限值、所述细胞膜特征值，及所述细胞核特征值，将所述候选细胞分类成目标细胞及非目标细胞，借此，针对细胞特有的型态进行分类以提高细胞分类的准确性，故确实能达成本发明的目的。
以上所述者，仅为本发明的实施例而已，当不能以此限定本发明实施的范围，凡是依本发明申请权利要求书及说明书内容所作的简单的等效变化与修饰，皆仍属本发明涵盖的范围内。
Claims (11)
1.一种细胞分类方法，由系统来实施，所述系统存储有多张相关于多个细胞的细胞图层图像，每一张细胞图层图像相关于所述细胞的细胞膜、细胞质，及细胞核其中至少一者，其特征在于：该细胞分类方法包含以下步骤：
(A)借由所述系统，将所述细胞图层图像合成为包括所述细胞的图像的细胞合成图像；
(B)借由所述系统，根据所述细胞合成图像及相关于细胞大小的筛选条件，从所述细胞合成图像中的所述细胞中筛选出多个候选细胞，并获得多笔分别相关于所述候选细胞的图像位置及大小的候选细胞数据；
(C)借由所述系统，对于每一张相关于所述细胞的细胞膜的细胞图层图像，利用所述候选细胞数据对该细胞图层图像进行特征撷取而获得多个分别相关于所述候选细胞的细胞膜的细胞膜特征值；
(D)借由所述系统，对于每一张相关于所述细胞的细胞核的细胞图层图像，利用所述候选细胞数据对该细胞图层图像进行特征撷取而获得多个分别相关于所述候选细胞的细胞核的细胞核特征值；及
(E)借由所述系统，至少根据多个分别对应所述细胞图层图像的上限值、所述细胞图层图像的所述细胞膜特征值，及所述细胞图层图像的所述细胞核特征值，决定出每一个候选细胞为目标细胞或是非目标细胞。
2.根据权利要求1所述的细胞分类方法，其特征在于：在步骤(B)中，所述筛选条件为：所述候选细胞的图像的像素数目大于默认值。
3.根据权利要求1所述的细胞分类方法，其特征在于：步骤(B)包含以下子步骤：
(B-1)借由所述系统，根据所述细胞合成图像的背景的多个像素二值化所述细胞合成图像；及
(B-2)借由所述系统，根据二值化的所述细胞合成图像及默认值获得所述候选细胞与所述候选细胞数据，其中每一个候选细胞的像素数目大于所述默认值。
4.根据权利要求1所述的细胞分类方法，其特征在于：在步骤(B)及(C)间还包含以下子步骤：
(F)借由所述系统，根据所述候选细胞数据，撷取相关于所述细胞的细胞膜的细胞图层图像中的候选细胞的细胞膜，并将所述候选细胞的细胞膜的图像合成为候选细胞膜合成图像；
(G)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，判定是否能以距离转换算法分离出候选丛细胞；及
(H)借由所述系统，当判定出该候选细胞能以距离转换算法分离出所述候选丛细胞时，根据所述候选细胞膜合成图像获得相关于所述候选丛细胞的图像位置及大小的候选丛细胞数据，并将所述候选丛细胞数据作为所述候选细胞数据。
5.根据权利要求4所述的细胞分类方法，其特征在于：步骤(G)包含以下子步骤：
(G-1)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，根据所述候选细胞膜合成图像，以适应性算法计算出相关于像素值的细胞膜临界值；
(G-2)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，根据所述细胞膜临界值，二值化所述候选细胞膜合成图像；
(G-3)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，根据二值化的所述候选细胞膜合成图像及相关于该候选细胞的图像位置及大小的候选细胞数据，获得相关于该候选细胞的细胞膜的候选细胞膜图像轮廓；
(G-4)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，计算出相关于所述候选细胞膜图像轮廓的细胞膜轮廓平均长度；
(G-5)借由所述系统，对于所述候选细胞膜合成图像中的每一个候选细胞，且对于所述候选细胞膜图像轮廓内的每一个像素，计算出相关于该像素与所述候选细胞膜图像轮廓的最短距离的细胞膜轮廓最短距离，以获得相关于所述细胞膜轮廓最短距离与所述细胞膜轮廓平均长度的比值的细胞膜轮廓比值；
(G-6)借由所述系统，根据所述细胞膜轮廓比值，映射所述候选细胞膜图像轮廓的每一个像素值至像素的最大值；
(G-7)借由所述系统，正规化映像后的所述候选细胞膜图像轮廓，以获得细胞膜轮廓波峰数；及
(G-8)借由所述系统，根据所述细胞膜轮廓波峰数，判定能否分离出所述候选丛细胞。
6.根据权利要求1所述的细胞分类方法，其特征在于：在步骤(B)及(C)间还包含以下子步骤：
(I)借由所述系统，根据所述候选细胞数据，撷取相关于所述细胞的细胞核的细胞图层图像中的候选细胞的细胞核，并将所述候选细胞的细胞核的图像合成为候选细胞核合成图像；
(J)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，判定是否能以距离转换算法分离出候选丛细胞；及
(K)借由所述系统，当判定出该候选细胞能以距离转换算法分离出所述候选丛细胞时，根据所述候选细胞核合成图像获得相关于所述候选丛细胞的图像位置及大小的候选丛细胞数据，并将所述候选丛细胞数据作为所述候选细胞数据。
7.根据权利要求6所述的细胞分类方法，其特征在于：步骤(J)包含以下子步骤：
(J-1)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，根据所述候选细胞核合成图像，以适应性算法计算出相关于像素值的细胞核临界值；
(J-2)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，根据所述细胞核临界值，二值化所述候选细胞核合成图像；
(J-3)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，根据二值化的所述候选细胞核合成图像及相关于该候选细胞的图像位置及大小的候选细胞数据，获得相关于该候选细胞的细胞核的候选细胞核图像轮廓；
(J-4)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，计算出相关于所述候选细胞核图像轮廓的细胞核轮廓平均长度；
(J-5)借由所述系统，对于所述候选细胞核合成图像中的每一个候选细胞，且对于所述候选细胞核图像轮廓内的每一个像素，计算出相关于该像素与所述候选细胞核图像轮廓的最短距离的细胞核轮廓最短距离，以获得相关于所述细胞核轮廓最短距离与所述细胞核轮廓平均长度的比值的细胞核轮廓比值；
(J-6)借由所述系统，根据所述细胞核轮廓比值，映射所述候选细胞核图像轮廓的每一个像素值至像素的最大值；
(J-7)借由所述系统，正规化映像后的所述候选细胞核图像轮廓，以获得细胞核轮廓波峰数；及
(J-8)借由所述系统，根据所述细胞核轮廓波峰数，判定能否分离出候选丛细胞。
8.根据权利要求1所述的细胞分类方法，其特征在于：在步骤(C)中，每一个细胞膜特征值为相关于该细胞图层图像的候选细胞的细胞膜的像素平均值、像素最高值、像素最低值、像素中间值、最大宽度，及最小宽度其中一者。
9.根据权利要求1所述的细胞分类方法，其特征在于：在步骤(D)中，每一个细胞核特征值为相关于该细胞图层图像的候选细胞的细胞核的圆形度、纵横比、不对称率、椭圆圆度、饱和度、分散度、偏心度，及不变矩其中一者。
10.根据权利要求1所述的细胞分类方法，其特征在于：在步骤(E)中，对于每一张细胞图层图像，每一个目标细胞的细胞膜特征值及细胞核特征值其中一者小于该细胞图层图像所对应的上限值。
11.根据权利要求1所述的细胞分类方法，其特征在于：在步骤(E)中，根据所述上限值、所述细胞膜特征值与所述细胞核特征值，并根据所撷取的候选细胞的细胞膜的图像、所撷取的候选细胞的细胞核的图像与用于分类的分类器，决定出每一个候选细胞为目标细胞或是非目标细胞。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710986393.1A CN109697450B (zh) | 2017-10-20 | 2017-10-20 | 细胞分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710986393.1A CN109697450B (zh) | 2017-10-20 | 2017-10-20 | 细胞分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109697450A true CN109697450A (zh) | 2019-04-30 |
| CN109697450B CN109697450B (zh) | 2023-04-07 |
Family
ID=66225393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710986393.1A Active CN109697450B (zh) | 2017-10-20 | 2017-10-20 | 细胞分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109697450B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458835A (zh) * | 2019-08-16 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、设备及介质 |
| CN111575318A (zh) * | 2020-05-29 | 2020-08-25 | 台州市立医院 | 一种用于稳定表达nfat的细胞株、合成方法及其应用 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201025032A (en) * | 2008-12-31 | 2010-07-01 | Taichung Hospital Dept Of Health | Cervix cell analysis system and method |
| CN102722718A (zh) * | 2012-05-22 | 2012-10-10 | 天津大学 | 一种细胞分类方法 |
| TW201329433A (zh) * | 2012-01-12 | 2013-07-16 | Nat Univ Chung Cheng | 應用於癌細胞檢測的影像分析系統及方法 |
| TW201334526A (zh) * | 2012-02-10 | 2013-08-16 | Novatek Microelectronics Corp | 適應性影像處理方法及其相關裝置 |
| CN103353938A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于层次级特征的细胞膜分割方法 |
| CN104156951A (zh) * | 2014-07-30 | 2014-11-19 | 电子科技大学 | 一种针对支气管肺泡灌洗涂片的白细胞检测方法 |
| CN104769415A (zh) * | 2012-07-25 | 2015-07-08 | 赛拉诺斯股份有限公司 | 生物学样本的图像分析及测量 |
| CN105868580A (zh) * | 2016-04-05 | 2016-08-17 | 西安交通大学 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
| US20160236195A1 (en) * | 2000-06-27 | 2016-08-18 | Fluidigm Corporation | Microfluidic particle-analysis systems |
| CN106296599A (zh) * | 2016-07-29 | 2017-01-04 | 南京信息工程大学 | 一种自适应图像增强方法 |
| CN106568758A (zh) * | 2016-11-11 | 2017-04-19 | 西北师范大学 | 利用三维重组成像技术分析拟南芥根尖细胞结构的方法 |
| US20170261930A1 (en) * | 2011-07-19 | 2017-09-14 | Ovizio Imaging Systems NV/SA | Method and system for detecting and/or classifying cancerous cells in a cell sample |
| CN107169556A (zh) * | 2017-05-15 | 2017-09-15 | 电子科技大学 | 基于深度学习的干细胞自动计数方法 |
| CN107240093A (zh) * | 2017-05-12 | 2017-10-10 | 清华大学 | 一种癌变细胞的自动诊断方法 |
-
2017
- 2017-10-20 CN CN201710986393.1A patent/CN109697450B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160236195A1 (en) * | 2000-06-27 | 2016-08-18 | Fluidigm Corporation | Microfluidic particle-analysis systems |
| TW201025032A (en) * | 2008-12-31 | 2010-07-01 | Taichung Hospital Dept Of Health | Cervix cell analysis system and method |
| US20170261930A1 (en) * | 2011-07-19 | 2017-09-14 | Ovizio Imaging Systems NV/SA | Method and system for detecting and/or classifying cancerous cells in a cell sample |
| TW201329433A (zh) * | 2012-01-12 | 2013-07-16 | Nat Univ Chung Cheng | 應用於癌細胞檢測的影像分析系統及方法 |
| TW201334526A (zh) * | 2012-02-10 | 2013-08-16 | Novatek Microelectronics Corp | 適應性影像處理方法及其相關裝置 |
| CN102722718A (zh) * | 2012-05-22 | 2012-10-10 | 天津大学 | 一种细胞分类方法 |
| CN104769415A (zh) * | 2012-07-25 | 2015-07-08 | 赛拉诺斯股份有限公司 | 生物学样本的图像分析及测量 |
| CN103353938A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于层次级特征的细胞膜分割方法 |
| CN104156951A (zh) * | 2014-07-30 | 2014-11-19 | 电子科技大学 | 一种针对支气管肺泡灌洗涂片的白细胞检测方法 |
| CN105868580A (zh) * | 2016-04-05 | 2016-08-17 | 西安交通大学 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
| CN106296599A (zh) * | 2016-07-29 | 2017-01-04 | 南京信息工程大学 | 一种自适应图像增强方法 |
| CN106568758A (zh) * | 2016-11-11 | 2017-04-19 | 西北师范大学 | 利用三维重组成像技术分析拟南芥根尖细胞结构的方法 |
| CN107240093A (zh) * | 2017-05-12 | 2017-10-10 | 清华大学 | 一种癌变细胞的自动诊断方法 |
| CN107169556A (zh) * | 2017-05-15 | 2017-09-15 | 电子科技大学 | 基于深度学习的干细胞自动计数方法 |
Non-Patent Citations (4)
| Title |
|---|
| JAN LAMMERDING: "《Mechanics of the Nucleus》", 《COMPR PHYSIOL.》 * |
| 刘雁: "《细胞色素C氧化酶亚基1在结直肠癌中早期诊断与治疗的意义》", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
| 李若彤 等: "《Perifosine通过抑制PI3K/Akt途径调节人胶质瘤U251细胞增殖、凋亡与自噬》", 《中国病理生理杂志》 * |
| 蔡仁烨: "《细胞打印过程中的细胞受损分析》", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458835A (zh) * | 2019-08-16 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、设备及介质 |
| CN111575318A (zh) * | 2020-05-29 | 2020-08-25 | 台州市立医院 | 一种用于稳定表达nfat的细胞株、合成方法及其应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109697450B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334847B (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
| CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN109800736A (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
| CN117975453A (zh) | 图像解析方法、装置、程序及学习完了深层学习算法的制造方法 | |
| US20190220981A1 (en) | Systems and methods for adaptive histopathology image unmixing | |
| CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
| CN109284669A (zh) | 基于Mask RCNN的行人检测方法 | |
| CN110088804A (zh) | 基于原色和免疫组织化学图像的计算机评分 | |
| CN109241871A (zh) | 一种基于视频数据的公共区域人流跟踪方法 | |
| CN107563328A (zh) | 一种基于复杂环境下的人脸识别方法及系统 | |
| JPH11515097A (ja) | ニューラル・ネットワーク支援型のマルチスペクトル・セグメンテーション・システム | |
| CN108647695A (zh) | 基于协方差卷积神经网络的低对比度图像显著性检测方法 | |
| CN105894513B (zh) | 顾及影像对象时空变化的遥感影像变化检测方法及系统 | |
| CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
| CN107463954A (zh) | 一种模糊异谱图像的模板匹配识别方法 | |
| CN116612472B (zh) | 基于图像的单分子免疫阵列分析仪及其方法 | |
| CN109145846A (zh) | 材料微观结构智能识别分析系统及分析方法 | |
| Xiao et al. | Citrus greening disease recognition algorithm based on classification network using TRL-GAN | |
| CN109815870A (zh) | 细胞表型图像定量分析的高通量功能基因筛选方法及系统 | |
| CN110414336A (zh) | 一种三元组边缘中心损失的深度互补分类器行人搜索方法 | |
| CN107492084A (zh) | 基于随机性的典型成团细胞核图像合成方法 | |
| CN109671055A (zh) | 肺结节检测方法及装置 | |
| CN109697450A (zh) | 细胞分类方法 | |
| Zhang et al. | Research on application of classification model based on stack generalization in staging of cervical tissue pathological images |
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 |