CN110060229A - 一种骨髓白细胞的细胞自动定位分割方法 - Google Patents
一种骨髓白细胞的细胞自动定位分割方法 Download PDFInfo
- Publication number
- CN110060229A CN110060229A CN201910032063.8A CN201910032063A CN110060229A CN 110060229 A CN110060229 A CN 110060229A CN 201910032063 A CN201910032063 A CN 201910032063A CN 110060229 A CN110060229 A CN 110060229A
- Authority
- CN
- China
- Prior art keywords
- image
- leucocyte
- myeloplast
- formula
- value
- 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
- G06T7/0002—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20036—Morphological image processing
Abstract
本发明公开了一种骨髓白细胞的细胞自动定位分割方法,包括从输入的骨髓rgb图像中提取出骨髓白细胞图像WhiteCellGray,使用最大类间方差法(otsu)对骨髓白细胞图像WhiteCellGray进行二值化得到白细胞二值图像WhiteCellBW等。本发明通过颜色去卷积对标本图像进行骨髓白细胞通道图像提取;再经过二值化、孔洞填充、形态学平滑、分水岭等操作实现骨髓白细胞的分割定位;其中颜色去卷积可以从根本上消除成熟红细胞对于后期骨髓白细胞的分割识别的不良影响,从而提高骨髓白细胞的分割定位准确率;而分割使用的分水岭可以很好地分离开粘连细胞,减少细胞的漏检率。
Description
技术领域
本发明涉及医疗病理分析技术领域,具体为一种骨髓白细胞的细胞自动定位分割方法。
背景技术
白血病是造血干细胞在体内外多种病理因素作用下,引起白细胞发生表观遗传学和遗传学的异常改变,导致造血转化的恶性血液病;白血病病死率较高,我国白血病死亡率排在恶性肿瘤死亡顺位的第8位,在35岁以下人群中居首位,并且急性白血病比慢性白血病多见(约5.5:1),其中急性髓细胞白血病的发病率(约1.62/10万)远高于其他类型白血病。骨髓穿刺是白血病不可缺少的一项检查,典型的骨髓涂片图像由白细胞、红细胞、血小板和背景组成,病理医生通过人眼在显微镜下观察骨髓涂片中的白细胞种类和数量,为各类白血病提供诊断依据,是一个非常复杂、繁琐、耗时的任务,且容易受主观因素影响。
如今,随着计算机辅助方法的快速发展及相关计算硬件的更新迭代,使得计算机自动分析辅助诊断成为可能,计算机自动分析辅助诊断不仅可以模拟病理医生的诊断流程先从复杂的场景中提取定位里面的白细胞,而且可以对定位的白细胞进行识别。
然而,骨髓涂片图像中白细胞密集造成的细胞粘连问题给骨髓白细胞的定位分割增加了难度,同时由于骨髓白细胞的种类多样性及类别数量不平衡造成的识别的困难。现有研究关于骨髓白细胞的分割识别工作由于实际样本数量少、粘连细胞难分割定位、不同种类别细胞样本不均衡存在可供突破的瓶颈。
发明内容
本发明的目的在于提供一种骨髓白细胞的细胞自动定位分割方法,以解决上述技术背景中提出的问题。为实现上述目的,本发明提供如下技术方案:一种骨髓白细胞的细胞自动定位分割方法。
为实现上述目的,本发明提供如下技术方案:一种骨髓白细胞的细胞自动定位分割方法,所述包括如下步骤:
步骤一、颜色去卷积:从输入的骨髓rgb图像中提取出骨髓白细胞图像WhiteCellGray;
步骤二、使用最大类间方差法(otsu)对骨髓白细胞图像WhiteCellGray进行二值化得到白细胞二值图像WhiteCellBW;
步骤三、白细胞二值图像WhiteCellBW中存在两种孔洞,即核内孔洞和核间孔洞,根据孔洞的几何特性做填充处理,得到白细胞孔洞图像WhiteCellHole;
步骤四、对孔洞图像WhiteCellHole进行形态学开操作(公式10)来平滑细胞图像,得到白细胞形态学图像WhiteCellMorph;
所述的公式10中b表示结构元素,表示形态学腐蚀操作,边说形态学膨胀操作,表示形态学开操作;
步骤五、对白细胞形态学图像WhiteCellMorph做分水岭操作,得到骨髓白细胞分割图像CELLSEG,共包括以下步骤:
步骤六、提取骨髓白细胞分割图像CELLSEG中白细胞的坐标信息,记录白细胞所在区域质心的坐标(x,y)以及细胞最大外接圆半径R,按照每行(x,y,R)存储细胞位置信息,形成相应细胞文本信息文件。
进一步,所述的步骤一中颜色去卷积包括以下步骤:
a、先将样本图像由RGB值转换为OD(Optical Density)图像;
根据朗伯比尔定律,样本检测到的光强度和吸收系数X以及染色浓度(A)具有以下关系:
公式1中下标c表示检测得到颜色通道,包括R、G、B通道;表示样本图像c通道检测到的光强度;表示进入样本的光强度;A表示染色浓度;X表示吸收系数;
从公式1中可以发现标本图像每个通道的灰度值以非线性方式依赖于染色浓度;故从图像的RGB值不能直接用来分离不同染色分量,将标本图像按照公式2转换到OD空间后,每个通道的OD值于染色浓度线性相关,
每种染色的特征可以表示为在RGB三通道中一种特定的光密度,可以使用3×1的OD矢量表示,矢量长度和染色量成正比,矢量值表示检测通道的实际OD;
颜色系统可以表示为公式3中OD向量矩阵,每行表示一种特定的染色,每一列表示每个染色在RGB三通道中检测到的OD值,染色浓度值可以通过测量相对值获取,再根据公式1和公式2可以从RGB中转换到OD空间;
b、OD向量矩阵归一化;
将每个OD向量除以其总长度进行归一化(如公式4、5、6),是为了正确均衡每种独立染色中的吸收系数以便正确分离不同染色分量;
得到归一化OD向量矩阵M,用C表示特定像素处三种染色的3×1的矢量,那么在该像素处检测的OD水平矢量可以表示为公式7;
c、颜色反卷积;
从公式7可以变形得到公式8:
公式8说明了OD空间的图像y与OD向量矩阵的逆相乘可以形成图像中染色的正交表示,我们将定义为颜色反卷积,表示为D,得到公式9:
D中对角线元素值大于1,非对角线元素为负数,这意味着要想获取stain1的OD图像只需要增强红色OD再从中减去一部分绿色OD和蓝色OD就可以了,其他染色OD图像同理可得;
d、OD空间转RGB空间:
根据公式1可以将OD空间得到的不同染色分量OD图像转换成RGB图像方便后续图像处理。
进一步,所述的步骤四中形态学开操作的结构元素形状为圆形。
进一步,所述的步骤五中的分水岭操作包括以下步骤:
a)对白细胞形态学图像WhiteCellMorph做距离变换处理得到白细胞距离图像WhiteCellDist;
b)对白细胞距离图像WhiteCellDist减去adt_value得到形态学种子图像WhiteCellSeed;
c)形态学种子图像WhiteCellSeed作为种子,白细胞距离图像WhiteCellDist作为掩码进行形态学重建得到白细胞重建图像WhiteCellRec;
d)白细胞距离图像WhiteCellDist减去白细胞重建图像WhiteCellRec得到白细胞临时前景图像WhiteCellFgmTmp;
e)白细胞临时前景图像WhiteCellFgmTmp去除面积小于AREA_MIN的区域得到白细胞前景图像WhiteCellFgm;
f)对白细胞形态学图像WhiteCellMorph做形态学膨胀操作,得到白细胞背景图像WhiteCellBgm;
g)白细胞背景图像WhiteCellBgm减去白细胞前景图像WhiteCellFgm得到白细胞未知区域WhiteCellUnknown;
h)白细胞前景图像WhiteCellFgm中不同区域赋值整数1,2,3……,白细胞未知区域WhiteCellUnknown赋值0得到标记图像WatershedMarkers;
i)对骨髓白细胞图像WhiteCellGray做标记点为标记图像。WatershedMarkers的标记分水岭算法得到骨髓白细胞分割图像CELLSEG;
更进一步说,所述步骤b)adt_value的最佳取值范围为[5,25]。
本发明和以前的技术相比,具有如下优点和显著优势:
本发明方法包括:通过颜色去卷积对标本图像进行骨髓白细胞通道图像提取;再经过二值化、孔洞填充、形态学平滑、分水岭等操作实现骨髓白细胞的分割定位;然后将细胞图像输入预设分类模型中,得到细胞所述白细胞类别及其概率,最后汇总标本图像中细胞的结果多层次在阅片中进行可视化展示。本发明在对骨髓白细胞进行定位及识别的时候,能够通过颜色去卷积完全去除骨髓图像中成熟红细胞,其中颜色去卷积可以从根本上消除成熟红细胞对于后期骨髓白细胞的分割识别的不良影响,从而提高骨髓白细胞的分割定位准确率;而分割使用的分水岭可以很好地分离开粘连细胞,减少细胞的漏检率。
附图说明
图1 为本发明骨髓白细胞自动定位分割方法的流程图;
图2为本发明实施方式一中的骨髓rgb图像;
图3为本发明实施方式一中的骨髓白细胞图像;
图4为本发明实施方式一中的白细胞二值图像;
图5为本发明实施方式一中的白细胞孔洞图像;
图6为本发明实施方式一中的白细胞形态学图像;
图7为本发明实施方式一中的白细胞前景图像;
图8为本发明实施方式一中的骨髓白细胞分割伪彩色图像;
图9为本发明实施方式二中的骨髓rgb图像;
图10为本发明实施方式二中的骨髓白细胞图像;
图11为本发明实施方式二中的白细胞二值图像;
图12为本发明实施方式二中的白细胞孔洞图像;
图13为本发明实施方式二中的白细胞形态学图像;
图14为本发明实施方式二中的白细胞前景图像;
图15为本发明实施方式二中的骨髓白细胞分割伪彩色图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
请参阅图1-8,具体实施方式一:本发明提供如下技术方案:一种骨髓白细胞的细胞自动定位分割方法,包括如下步骤:
步骤一、颜色去卷积:从输入的骨髓rgb图像(如图2所示)中提取出骨髓白细胞图像WhiteCellGray(如图3所示),还包括以下步骤:
a、先将样本图像由RGB值转换为OD(Optical Density)图像;
根据朗伯比尔定律,样本检测到的光强度和吸收系数X以及染色浓度(A)具有以下关系:
公式1中下标c表示检测得到颜色通道,包括R、G、B通道;表示样本图像c通道检测到的光强度;表示进入样本的光强度;A表示染色浓度;X表示吸收系数;
从公式1中可以发现标本图像每个通道的灰度值以非线性方式依赖于染色浓度;故从图像的RGB值不能直接用来分离不同染色分量,将标本图像按照公式2转换到OD空间后,每个通道的OD值于染色浓度线性相关。
每种染色的特征可以表示为在RGB三通道中一种特定的光密度,可以使用3×1的OD矢量表示,矢量长度和染色量成正比,矢量值表示检测通道的实际OD;
颜色系统可以表示为公式3中OD向量矩阵,每行表示一种特定的染色,每一列表示每个染色在RGB三通道中检测到的OD值,染色浓度值可以通过测量相对值获取,再根据公式1和公式2可以从RGB中转换到OD空间;
b、OD向量矩阵归一化;
将每个OD向量除以其总长度进行归一化(如公式4、5、6),是为了正确均衡每种独立染色中的吸收系数以便正确分离不同染色分量;
得到归一化OD向量矩阵M,用C表示特定像素处三种染色的3×1的矢量,那么在该像素处检测的OD水平矢量可以表示为公式7;
c、颜色反卷积;
从公式7可以变形得到公式8:
公式8说明了OD空间的图像y与OD向量矩阵的逆相乘可以形成图像中染色的正交表示,我们将定义为颜色反卷积,表示为D,得到公式9:
D中对角线元素值大于1,非对角线元素为负数,这意味着要想获取stain1的OD图像只需要增强红色OD再从中减去一部分绿色OD和蓝色OD就可以了,其他染色OD图像同理可得。
d、OD空间转RGB空间:
根据公式1可以将OD空间得到的不同染色分量OD图像转换成RGB图像方便后续图像处理。
步骤二、使用最大类间方差法(otsu)对骨髓白细胞图像WhiteCellGray进行二值化得到白细胞二值图像WhiteCellBW(如图4所示);
步骤三、白细胞二值图像WhiteCellBW中存在两种孔洞,即核内孔洞和核间孔洞,根据孔洞的几何特性做填充处理,得到白细胞孔洞图像WhiteCellHole(如图5所示);
步骤四、对孔洞图像WhiteCellHole进行形态学开操作(公式10)来平滑细胞图像,得到白细胞形态学图像WhiteCellMorph(如图6所示);
所述公式10中b表示结构元素,表示形态学腐蚀操作,边说形态学膨胀操作,表示形态学开操作;
步骤五、对白细胞形态学图像WhiteCellMorph做分水岭操作,得到骨髓白细胞分割图像CELLSEG,还包括以下步骤:
a)对白细胞形态学图像WhiteCellMorph做距离变换处理得到白细胞距离图像WhiteCellDist;
b)对白细胞距离图像WhiteCellDist减去adt_value得到形态学种子图像WhiteCellSeed;
c)形态学种子图像WhiteCellSeed作为种子,白细胞距离图像WhiteCellDist作为掩码进行形态学重建得到白细胞重建图像WhiteCellRec;
d)白细胞距离图像WhiteCellDist减去白细胞重建图像WhiteCellRec得到白细胞临时前景图像WhiteCellFgmTmp;
e)白细胞临时前景图像WhiteCellFgmTmp去除面积小于AREA_MIN的区域得到白细胞前景图像WhiteCellFgm(如图7所示);
f)对白细胞形态学图像WhiteCellMorph做形态学膨胀操作,得到白细胞背景图像WhiteCellBgm;
g)白细胞背景图像WhiteCellBgm减去白细胞前景图像WhiteCellFgm得到白细胞未知区域WhiteCellUnknown;
h)白细胞前景图像WhiteCellFgm中不同区域赋值整数1,2,3……,白细胞未知区域WhiteCellUnknown赋值0得到标记图像WatershedMarkers;
i)对骨髓白细胞图像WhiteCellGray做标记点为标记图像WatershedMarkers的标记分水岭算法得到骨髓白细胞分割图像CELLSEG(如图8所示);
步骤六、提取骨髓白细胞分割图像CELLSEG中白细胞的坐标信息,记录白细胞所在区域质心的坐标(x,y)以及细胞最大外接圆半径R,按照每行(x,y,R)存储细胞位置信息,形成相应细胞文本信息文件。
步骤四中形态学开操作的结构元素形状为圆形。
其中,步骤一中骨髓rgb图像是物镜倍率为×100取出的图像,步骤一b)中OD向量矩阵取值为[0.65 0.704 0.286; 0.072 0.99 0.105; 0.268 0.57 0.776]; 步骤四中形态学开操作的结构元素形状为圆形,大小为10像素;所述步骤五b)中adt_value的取值为25。
结合附图9-15,具体实施方式二:与本实施方式一不同的是:所述的步骤一中骨髓rgb图像是物镜倍率为×100取出的图像下采样得到图像,放大物镜倍率大概在×25倍,步骤一b)中OD向量矩阵取值为[0.65 0.704 0.286; 0.072 0.99 0.105; 0.268 0.570.776];步骤四)中形态学开操作的结构元素形状为圆形,大小为6像素;所述步骤五b)中adt_value的取值为5。
其中,步骤一中输入的骨髓rgb图像(如图9所示),提取出的骨髓白细胞图像WhiteCellGray(如图10所示);步骤二中得到的白细胞二值图像WhiteCellBW(如图11所示);步骤三中得到的白细胞孔洞图像WhiteCellHole(如图12所示);步骤四中得到的白细胞形态学图像WhiteCellMorph(如图13所示);步骤五e)中得到的白细胞前景图像WhiteCellFgm(如图14所示);步骤五i)中得到的骨髓白细胞分割图像CELLSEG(如图15所示)。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (5)
1.一种骨髓白细胞的细胞自动定位分割方法,其特征在于:所述该方法包括如下步骤:
步骤一、颜色去卷积:从输入的骨髓rgb图像中提取出骨髓白细胞图像WhiteCellGray;
步骤二、使用最大类间方差法(otsu)对骨髓白细胞图像WhiteCellGray进行二值化得到白细胞二值图像WhiteCellBW;
步骤三、白细胞二值图像WhiteCellBW中存在两种孔洞,即核内孔洞和核间孔洞,根据孔洞的几何特性做填充处理,得到白细胞孔洞图像WhiteCellHole;
步骤四、对孔洞图像WhiteCellHole进行形态学开操作(公式10)来平滑细胞图像,得到白细胞形态学图像WhiteCellMorph;
所述公式10中b表示结构元素,⊙表示形态学腐蚀操作,边说形态学膨胀操作,о表示形态学开操作;
步骤五、对白细胞形态学图像WhiteCellMorph做分水岭操作,得到骨髓白细胞分割图像CELLSEG,共包括以下步骤:
步骤六、提取骨髓白细胞分割图像CELLSEG中白细胞的坐标信息,记录白细胞所在区域质心的坐标(x,y)以及细胞最大外接圆半径R,按照每行(x,y,R)存储细胞位置信息,形成相应细胞文本信息文件。
2.根据权利要求1所述的一种骨髓白细胞的细胞定位自动分割方法,其特殊在于:所述步骤一中颜色去卷积包括以下步骤:
a、先将样本图像由RGB值转换为OD(Optical Density)图像;
根据朗伯比尔定律,样本检测到的光强度和吸收系数X以及染色浓度(A)具有以下关系:
Ic=I0,cexp(A*Xc) (1)
公式1中下标c表示检测得到颜色通道,包括R、G、B通道;Ic表示样本图像c通道检测到的光强度;I0,c表示进入样本的光强度;A表示染色浓度;X表示吸收系数;
从公式1中可以发现标本图像每个通道的灰度值以非线性方式依赖于染色浓度;故从图像的RGB值不能直接用来分离不同染色分量,将标本图像按照公式2转换到OD空间后,每个通道的OD值于染色浓度线性相关,
每种染色的特征可以表示为在RGB三通道中一种特定的光密度,可以使用3×1的OD矢量表示,矢量长度和染色量成正比,矢量值表示检测通道的实际OD;
颜色系统可以表示为公式3中OD向量矩阵,每行表示一种特定的染色,每一列表示每个染色在RGB三通道中检测到的OD值,染色浓度值可以通过测量相对值获取,再根据公式1和公式2可以从RGB中转换到OD空间;
b、OD向量矩阵归一化;
将每个OD向量除以其总长度进行归一化(如公式4、5、6),是为了正确均衡每种独立染色中的吸收系数以便正确分离不同染色分量;
得到归一化OD向量矩阵M,用C表示特定像素处三种染色的3×1的矢量,那么在该像素处检测的OD水平矢量可以表示为公式7;
y=CM (7)
c、颜色反卷积;
从公式7可以变形得到公式8:
C=M-1[y] (8)
公式8说明了OD空间的图像y与OD向量矩阵的逆相乘可以形成图像中染色的正交表示,我们将M-1定义为颜色反卷积,表示为D,得到公式9:
C=D[y] (9)
D中对角线元素值大于1,非对角线元素为负数,这意味着要想获取stainl的OD图像只需要增强红色OD再从中减去一部分绿色OD和蓝色OD就可以了,其他染色OD图像同理可得;
d、OD空间转RGB空间:
根据公式1可以将OD空间得到的不同染色分量OD图像转换成RGB图像方便后续图像处理。
3.根据权利要求1所述的一种骨髓白细胞的细胞自动定位分割方法,其特殊在于:所述步骤四中形态学开操作的结构元素形状为圆形。
4.根据权利要求1所述的一种骨髓白细胞的细胞自动定位分割方法,其特殊在于:所述步骤五中的分水岭操作包括以下步骤:
a)对白细胞形态学图像WhiteCellMorph做距离变换处理得到白细胞距离图像WhiteCellDist;
b)对白细胞距离图像WhiteCellDist减去adt_value得到形态学种子图像WhiteCellSeed;
c)形态学种子图像WhiteCellSeed作为种子,白细胞距离图像WhiteCellDist作为掩码进行形态学重建得到白细胞重建图像WhiteCellRec;
d)白细胞距离图像WhiteCellDist减去白细胞重建图像WhiteCellRec得到白细胞临时前景图像WhiteCellFgmTmp;
e)白细胞临时前景图像WhiteCellFgmTmp去除面积小于AREA_MIN的区域得到白细胞前景图像WhiteCellFgm;
f)对白细胞形态学图像WhiteCellMorph做形态学膨胀操作,得到白细胞背景图像WhiteCellBgm;
g)白细胞背景图像WhiteCellBgm减去白细胞前景图像WhiteCellFgm得到白细胞未知区域WhiteCellUnknown;
h)白细胞前景图像WhiteCellFgm中不同区域赋值整数1,2,3……,白细胞未知区域WhiteCellUnknown赋值0得到标记图像WatershedMarkers;
i)对骨髓白细胞图像WhiteCellGray做标记点为标记图像。
WatershedMarkers的标记分水岭算法得到骨髓白细胞分割图像CELLSEG;
5.根据权利要求4所述的分水岭操作,其特殊在于:所述步骤b)adt_value的最佳取值范围为[5,25]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032063.8A CN110060229A (zh) | 2019-05-29 | 2019-05-29 | 一种骨髓白细胞的细胞自动定位分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032063.8A CN110060229A (zh) | 2019-05-29 | 2019-05-29 | 一种骨髓白细胞的细胞自动定位分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060229A true CN110060229A (zh) | 2019-07-26 |
Family
ID=67315970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910032063.8A Pending CN110060229A (zh) | 2019-05-29 | 2019-05-29 | 一种骨髓白细胞的细胞自动定位分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060229A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126329A (zh) * | 2019-12-30 | 2020-05-08 | 杭州原生生物科技有限公司 | 一种自动识别多能干细胞群的方法 |
CN111476754A (zh) * | 2020-02-28 | 2020-07-31 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 |
CN112084931A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种基于DenseNet的白血病细胞显微图像分类方法及系统 |
CN112365440A (zh) * | 2020-10-10 | 2021-02-12 | 天津大学 | 基于yolov3的乳腺病理学图像有丝分裂检测装置和方法 |
CN113284085A (zh) * | 2021-02-08 | 2021-08-20 | 上海衡道医学病理诊断中心有限公司 | 一种细胞膜识别及分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT501944A1 (de) * | 2005-06-15 | 2006-12-15 | Tissuegnostics Gmbh | Verfahren zum segmentieren von leukozyten |
WO2009009779A2 (en) * | 2007-07-11 | 2009-01-15 | Cualing Hernani D | Automated bone marrow cellularity determination |
CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN104408717A (zh) * | 2014-11-24 | 2015-03-11 | 北京航空航天大学 | 一种基于着色分离的病理图像颜色质量综合评价方法 |
CN104484877A (zh) * | 2014-12-12 | 2015-04-01 | 山东大学 | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 |
-
2019
- 2019-05-29 CN CN201910032063.8A patent/CN110060229A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT501944A1 (de) * | 2005-06-15 | 2006-12-15 | Tissuegnostics Gmbh | Verfahren zum segmentieren von leukozyten |
WO2009009779A2 (en) * | 2007-07-11 | 2009-01-15 | Cualing Hernani D | Automated bone marrow cellularity determination |
CN104408717A (zh) * | 2014-11-24 | 2015-03-11 | 北京航空航天大学 | 一种基于着色分离的病理图像颜色质量综合评价方法 |
CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN104484877A (zh) * | 2014-12-12 | 2015-04-01 | 山东大学 | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 |
Non-Patent Citations (6)
Title |
---|
IRACER: "OpenCV—图像分割中的分水岭算法原理与应用", 《CSDN》 * |
IRACER: "OpenCV—图像分割中的分水岭算法原理与应用", 《CSDN》, 18 October 2015 (2015-10-18), pages 1 - 16 * |
倪志强: ""基于分水岭变换的粘连颗粒图像分割方法"", 计算机系统应用, vol. 23, no. 6, pages 93 - 97 * |
倪志强: "基于分水岭变换的粘连颗粒图像分割方法", 《计算机系统应用》 * |
倪志强: "基于分水岭变换的粘连颗粒图像分割方法", 《计算机系统应用》, vol. 23, no. 6, 31 December 2014 (2014-12-31), pages 93 - 97 * |
王萌萌: "基于着色分离的免疫组化图像核分割研究", 计算机应用与软件, vol. 30, no. 4, pages 165 - 171 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126329A (zh) * | 2019-12-30 | 2020-05-08 | 杭州原生生物科技有限公司 | 一种自动识别多能干细胞群的方法 |
CN111476754A (zh) * | 2020-02-28 | 2020-07-31 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 |
CN111476754B (zh) * | 2020-02-28 | 2022-12-09 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 |
CN112084931A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种基于DenseNet的白血病细胞显微图像分类方法及系统 |
CN112365440A (zh) * | 2020-10-10 | 2021-02-12 | 天津大学 | 基于yolov3的乳腺病理学图像有丝分裂检测装置和方法 |
CN113284085A (zh) * | 2021-02-08 | 2021-08-20 | 上海衡道医学病理诊断中心有限公司 | 一种细胞膜识别及分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11669971B2 (en) | Colony contrast gathering | |
CN110060229A (zh) | 一种骨髓白细胞的细胞自动定位分割方法 | |
US20230127698A1 (en) | Automated stereology for determining tissue characteristics | |
KR101989202B1 (ko) | 미생물 성장을 분석하는 방법 및 소프트웨어 | |
Nee et al. | White blood cell segmentation for acute leukemia bone marrow images | |
US7796815B2 (en) | Image analysis of biological objects | |
JP5822425B2 (ja) | 顕微鏡像用に試料を染色する方法 | |
US7899624B2 (en) | Virtual flow cytometry on immunostained tissue-tissue cytometer | |
CA2975035A1 (en) | System and method for image segmentation | |
CN111448569A (zh) | 存储和检索数字病理学分析结果的方法 | |
Sbalzarini | Seeing is believing: quantifying is convincing: computational image analysis in biology | |
US11176412B2 (en) | Systems and methods for encoding image features of high-resolution digital images of biological specimens | |
US20200134831A1 (en) | Segmenting 3d intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions | |
WO2009009779A2 (en) | Automated bone marrow cellularity determination | |
Sunny et al. | Oral epithelial cell segmentation from fluorescent multichannel cytology images using deep learning | |
CN113470041A (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
JP7156361B2 (ja) | 画像処理方法、画像処理装置及びプログラム | |
US20190340415A1 (en) | Automated system and method for creating and executing a scoring guide to assist in the analysis of tissue specimen | |
ES2428215A1 (es) | Método implementado por ordenador para reconocimiento y clasificación de células sanguíneas anormales y programas informáticos para llevar a cabo el método | |
Meruvia-Pastor et al. | Estimating cell count and distribution in labeled histological samples using incremental cell search | |
US10540535B2 (en) | Automatically identifying regions of interest on images of biological cells | |
CN113469939B (zh) | 一种基于特性曲线的her-2免疫组化自动判读系统 | |
GB2478133A (en) | A method of Image classification based on duct and nuclei parameters | |
Santamaria-Pang et al. | Epithelial cell segmentation via shape ranking | |
Goclawski et al. | A segmentation method for microscope images of BY-2 tobacco cells in suspension cultures |
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 |