CN110232365A - 细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质 - Google Patents
细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质 Download PDFInfo
- Publication number
- CN110232365A CN110232365A CN201910532431.5A CN201910532431A CN110232365A CN 110232365 A CN110232365 A CN 110232365A CN 201910532431 A CN201910532431 A CN 201910532431A CN 110232365 A CN110232365 A CN 110232365A
- Authority
- CN
- China
- Prior art keywords
- cell
- profile
- outline
- bending degree
- profile point
- 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
Classifications
-
- 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
-
- 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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像分析技术领域,提供一种细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质。其中,方法包括:读取细胞分割掩膜图;对细胞分割掩膜图进行轮廓提取,得到初步的细胞轮廓图;对初步的细胞轮廓图中的轮廓点进行筛选处理,得到处理后的轮廓图;将处理后的轮廓图中的轮廓点坐标按序转存;将转存后的每个轮廓点坐标转化为极坐标,将半径进行归一化处理;计算半径方差和角度变化率方差,采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度。采用本发明能够解决现有技术中难以对细胞图像中细胞轮廓的弯曲程度进行表述的问题,且表示细胞轮廓弯曲程度的两个量具有旋转不变性和相似不变性。
Description
技术领域
本发明涉及图像分析技术领域,特别是涉及一种细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质。
背景技术
随着时代的发展,信息化程度的不断提高,以及机器学习与深度学习的快速发展,出现了一系列利用机器学习来进行医学影像分析的智能软件。然而,在细胞分割图的特征提取上,很难寻找一种合适的特征来表述一个细胞轮廓的弯曲程度。
在目前,与之相关的特征中,有弯曲能这一概念,但弯曲能仅适于对一段曲线中的某一片段的弯曲程度进行描述,常用于指纹识别相关方面,却对于细胞轮廓这种环形闭合曲线难以进行统一表述,不仅如此,弯曲能还受图像放大倍数等因素影响,不具有相似不变性。针对以上问题,本发明提出一种崭新的具有相似不变性和旋转不变性特征的算法,使用该算法可计算出两个与细胞轮廓相关的特征量,这两个特征量可以很好的表述细胞轮廓的弯曲特性。
发明内容
本发明的目的在于提供一种细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质,以解决现有技术中难以对细胞图像中细胞轮廓的弯曲程度进行表述的问题。
上述目的是通过以下技术方案实现的:
根据本发明一个方面,提供一种细胞图像中细胞轮廓弯曲程度的衡量方法,包括:读取细胞分割掩膜图;对细胞分割掩膜图进行轮廓提取,得到初步的细胞轮廓图;对初步的细胞轮廓图中的轮廓点进行筛选处理,得到处理后的轮廓图;将处理后的轮廓图中的轮廓点坐标按序转存;将转存后的每个轮廓点坐标转化为极坐标,将半径进行归一化处理;计算半径方差和角度变化率方差,采用所述半径方差和角度变化率方差表示细胞轮廓弯曲程度。
优选地,所述对细胞分割掩膜图进行轮廓提取得到初步的细胞轮廓图的步骤,采用四邻域方式判定细胞的轮廓点和内部点。
优选地,所述对初步的细胞轮廓图中的轮廓点进行筛选处理的步骤,包括删除与细胞内部点在四邻域上不相邻的轮廓点,使得每个轮廓点在八邻域上有且只有两个该细胞其他轮廓点。
优选地,所述将处理后的轮廓图中的轮廓点坐标按序转存的步骤,包括:从任意一个轮廓点出发,沿一个方向搜索其余点并储存其坐标,从而得到排列好的所有轮廓点坐标。
优选地,将转存后的每个轮廓点坐标以细胞中心为极点转化为极坐标形式,其中,所述细胞中心为该细胞所有点的图形重心。
优选地,所述半径方差的计算公式如下:
其中,i表示从1到n一共n个轮廓点,ri表示第i个轮廓点与其所属细胞中心的像素距离;rmax表示r1,r2……rn当中的最大值。
优选地,所述计算角度变化率方差的步骤,包括:
根据角度θi计算角度变化率Δθi=θi+1-θi(i=1,2,...,n-1),Δθn=θ1-θn,对于不在(-π/2,π/2]的Δθi,对其加减若干π使之落在该区间;
根据如下公式计算角度变化率方差:
其中,i表示从1到n一共n个轮廓点。
优选地,采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度时,半径方差和角度变化率方差两个值越小,越接近0,说明该细胞越接近圆;半径方差值越大,说明半径变化情况越大,细胞轮廓上沿半径方向的内陷和突出情况越多;角度变化率方差越大,说明细胞轮廓切线方向变化越大,细胞轮廓上沿切线方向的折叠情况越多。
根据本发明另一个方面,提供一种细胞图像中细胞轮廓弯曲程度的衡量系统,包括:输入读取单元,用于输入并读取细胞分割掩膜图;轮廓提取单元,对所述细胞分割掩膜图进行轮廓提取,得到初步细胞轮廓图;处理单元,用于筛选初步细胞轮廓图中的轮廓点,得到处理后的轮廓图;转存单元,用于按序转存所述处理后的细胞轮廓图中的轮廓点坐标;坐标转化单元,用于将转存后的每个轮廓点坐标转化为极坐标形式,并对半径归一化处理;计算表示单元,用于计算半径方差和角度变化率方差,并采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度。
根据本发明的还一个方面,提供一种计算机可读存储介质,所述计算机可读存储介质中包括计算机程序,所述计算机程序被处理器执行时,实现上述细胞图像中细胞轮廓弯曲程度的衡量方法的各步骤,实现上述细胞图像中细胞轮廓弯曲程度的衡量系统的各单元功能。
本发明细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质与现有技术相比,具有如下优点:
(1)本发明使用了两个量,分别从轮廓的半径方向和切线方向两个方向来表述刻画细胞轮廓的弯曲程度,在肝癌细胞与正常细胞的分类测试中,将这两个特征量引入后,训练集正确率与测试集正确率均有一定程度的提高。
(2)本发明通过将轮廓点坐标转化为极坐标,并对半径进行归一化处理,使得这两个特征量具有旋转不变性和相似不变性。
(3)这两个量可以较好的作为机器学习的特征量,用于细胞的分类和识别。在使用传统特征量进行机器学习来分辨正常细胞和癌细胞的工程中,使用的特征量多为普通的大小、形状、纹理方面的特征,并未考虑细胞轮廓的弯曲程度,而癌细胞与正常细胞相比,在细胞轮廓上有较大差异,引入半径方差和角度变化率方差这两个特征量后,能对细胞轮廓起到很好的描述作用,在一定程度上提高机器学习的正确率。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。附图中:
图1是本发明实施例细胞图像中细胞轮廓弯曲程度的衡量方法的流程示意图;
图2是本发明实施例细胞图像中细胞轮廓弯曲程度的衡量系统的结构示意图;
图3是本发明实施例细胞图像中细胞轮廓弯曲程度的衡量方法步骤中得到的细胞图像的示意图。
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:
图1示意性地示出了细胞图像中细胞轮廓弯曲程度的衡量方法的流程图,如图1所示,本发明提供的细胞图像中细胞轮廓弯曲程度的衡量方法包括:
步骤S10,读取细胞分割掩膜图。其中,所述细胞分割掩膜图是普通的病理影像经过细胞分割判断而得到二值图像,属于细胞的点判断为1,其余点判断为0。
步骤S20,对细胞分割掩膜图进行轮廓提取,得到初步的细胞轮廓图。
步骤S30,对初步的细胞轮廓图中的轮廓点进行筛选处理,得到处理后的轮廓图。
步骤S40,在处理后的轮廓图中,从任意一轮廓点开始,按照顺时针或逆时针的方向搜索轮廓点并转存其坐标。
步骤S50,将转存后的每个轮廓点坐标转化为极坐标,并对半径进行归一化处理。
步骤S60,计算半径方差和角度变化率方差,采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度。
本发明细胞图像中细胞轮廓弯曲程度的衡量方法通过对初步的细胞轮廓图中的轮廓点进一步地筛选(例如使每个轮廓点在其八邻域内有且只有两个其他轮廓点)便于后续的搜索和转存操作;通过极坐标转化并将半径归一化处理,使得该方法具有相似不变性和旋转不变性(其中,相似不变性又称尺度不变性,指的是对使用的图像进行放大或缩小的尺度变换,但最后由该方法计算出的特征量值不变;旋转不变性指的是对使用的图像进行旋转变换,但最后由该方法计算出的特征量值不变);通过采用半径方差和角度变化率来表述细胞轮廓的弯曲程度,在细胞层面有较高的表述准确率。另外,本发明细胞图像中的细胞轮廓弯曲程度采用半径方差和角度变化率来表示,有助于提高细胞分类和识别的精准度,其中,半径方差和角度变化率两个量可以较好的作为机器学习的特征量。
本发明提供的细胞图像中细胞轮廓弯曲程度的衡量方法利用的是细胞分割掩膜图,来计算各个细胞的轮廓弯曲程度,对于其他细胞图片,如病理影像、荧光染色图等,均可采用常用的水域分割或是深度学习的办法对图像进行分割处理,得到细胞分割掩膜图。下面以一个细胞为例,具体说明本发明方法中的各步骤,多个细胞同理。
首先,计算该细胞中心,中心(xc,yc)定义为该细胞在细胞分割掩膜图中所有属于该细胞区域的点的图形重心。
其次,进行细胞轮廓提取。对输入的细胞分割掩膜图作边界提取处理。优选地,提取方式使用四邻域判定,即如果一个点本身属于细胞,且上下左右四个点当中存在不属于该细胞的点,此点即判定为该细胞的轮廓点,否则该点属于细胞内部点,由此即得到了初步的细胞轮廓图。根据图形学的知识知该细胞的轮廓点在八邻域上是连通的,即该细胞轮廓点在其八邻域范围内至少有两个该细胞其他的轮廓点。
接着,对初步的细胞轮廓图进行筛选处理。经过上述的轮廓提取操作后,可能出现一个轮廓点在八邻域上拥有三个或四个该细胞其他的轮廓点。由于在后面我们需要求角度变化率方差,需要对轮廓点按顺时针或逆时针顺序进行搜索并转存,而一个轮廓点在八邻域上拥有两个以上的该细胞其他的轮廓点会导致搜索方向不唯一,基于此,本发明对初步的细胞轮廓图进行进一步处理,即删除与细胞内部点在四邻域上不相邻的轮廓点,从而得到处理后的轮廓图。处理后的轮廓图拥有每个轮廓点在八邻域上有且只有两个该细胞其他轮廓点的特性,从而方便了后续操作。虽然通过进一步处理会使轮廓形状略有改变,但只会发生在图形极小,弯曲程度极大的情况下,一般较大的图的情况下轮廓处理后形状基本无变化。图3示出了采用本发明方法处理过程中的得到的细胞图像,从左到右分别为细胞分割掩膜图,初步(提取)的细胞轮廓图,以及处理后的细胞轮廓图。
然后,将处理后的细胞轮廓图中的轮廓点坐标按序列转存。利用处理后每个轮廓点在八邻域上有且只有两个该细胞其他轮廓点的特性,将该细胞所有轮廓点的坐标转化为链式储存。即从一个点P1(x1,y1)出发,搜索其八邻域,共有两个其他轮廓点(每个轮廓点在八邻域上有且只有两个该细胞其他轮廓点的特性已由前面轮廓点筛选步骤保证成立),任意选择其中一点,记为P2(x2,y2)。然后搜索P2(x2,y2)八邻域,找到两个轮廓点,其中一点为P1(x1,y1),另外一个新搜索到的点记为P3(x3,y3),继续搜索P3(x3,y3)的八邻域……直到搜索Pn(xn,yn)八邻域,其中一个轮廓点为Pn-1(xn-1,yn-1),另外一点坐标为(x1,y1),说明搜索已经回到了P1(x1,y1),所有轮廓点已经搜索并按1到n进行了排序;从而得到排列好的所有轮廓点坐标Pi(xi,yi),i为从1到n一共n个轮廓点,Pi(xi,yi)与P(i+1)mod n(x(i+1)mod n,y(i+1)mod n)和P(i-1)mod n(x(i-1)mod n,y(i-1)mod n)相邻,此处P0(x0,y0)与Pn(xn,yn)等同,mod为求余函数。
再者,将每个点坐标Pi(xi,yi)转化为以细胞中心(xc,yc)为极点的极坐标形式Pi(θi,ri)。接着将坐标转化为Pi(θi,li),其中ri表示第i个轮廓点与其所属细胞中心的像素距离,即rmax表示r1,r2……rn当中的最大值,即rmax=max{ri}。角度θi为细胞中心与轮廓点Pi连线所形成的向量与极坐标系中极轴的夹角,坐标转化时,极轴方向可随意选取,极轴方向选取不同,得到的θi则不同,但这并不影响最后计算结果。原因在于:选择不同的极轴方向,可等效为对原细胞分割掩膜图进行了不同角度的旋转,而旋转并不会影响最终计算结果。
最后,计算轮廓弯曲程度。本发明采用两个量来表示细胞轮廓弯曲程度。
(1)半径方差其中,
(2)角度变化率方差。首先,由角度θi得到其角度变化率Δθi=θi+1-θi(i=1,2,...,n-1),Δθn=θ1-θn,由于存在幅角主值的问题,对于不在(-π/2,π/2]的Δθi,对其加减若干π使之落在该区间即可,计算其方差其中
则半径方差Dl和角度变化率方差DΔθ的值的大小即反映了该细胞轮廓的弯曲程度,这两个值越小,越接近0,说明该细胞越接近圆。Dl值越大,说明半径变化情况越大,细胞轮廓上沿半径方向的内陷和突出情况越多。DΔθ值越大,说明细胞轮廓切线方向变化越大。
下面考虑旋转和尺度放缩对这两个特征量的影响。如果进行尺度放缩,体现在坐标上即所有轮廓点Pi(θi,ri)的ri均乘以一个相同的系数,但的归一化处理,使得li的值无变化,因此具有相似不变性。如果进行旋转,每个轮廓点到其细胞中心的距离并不会改变,即ri不变,所有轮廓点Pi(θi,ri)的θi均会加上一个相同的角度(即旋转角度),但其角度变化率Δθi=θi+1-θi不会因此发生变化,因此具有旋转不变性。
同时,本发明在搜索转存轮廓点坐标的步骤中,方法是任选一个轮廓点记为P1(x1,y1),然后开始搜索。如果在一开始选取不同的轮廓点,即P1(x1,y1)的选取不同,会导致生成的轮廓点坐标序列Pi(xi,yi)不同,但由于每个轮廓点在图上的相邻位置关系并不会发生改变,选择不同的初始点P1′(x1′,y1′)生成序列Pi′(xi′,yi′)仅仅是原序列Pi(xi,yi)的一个轮换,即Pi′(xi′,yi′)=P(i+k)mod n(x(i+k)mod n,y(i+k)mod n),此处P0(x0,y0)与Pn(xn,yn)等同,mod为求余函数,其中k为由于起始点选择的不同导致的序列下标差值。代入的半径方差Dl和角度变化率方差DΔθ的计算,Dl与序列顺序无关,值不变;虽然序列顺序改变,但由于相邻关系不发生改变,Δθi=θi+1-θi得到的角度变化率再求其方差,也不会发生改变。即初始点P1(x1,y1)的任意选取并不会影响半径方差Dl和角度变化率方差DΔθ的值,这也是本发明中旋转不变性的体现。
图2示意性地示出了本发明实施例的细胞图像中细胞轮廓弯曲程度的衡量系统的结构。如图2所示,所述细胞图像中细胞轮廓弯曲程度的衡量系统包括:用于输入并读取细胞分割掩膜图的输入读取单元10,轮廓提取单元20,处理单元30,转存单元40,坐标转化单元50,以及计算表示单元60。
其中,所述轮廓提取单元20对所述细胞分割掩膜图进行轮廓提取,得到初步细胞轮廓图。具体地,采取四邻域判定:如果一个点本身属于细胞,且上下左右四个点当中存在不属于该细胞的点,此点即判定为该细胞的边界点,否则该点属于细胞内部点,由此得到了初步的细胞轮廓图。
所述处理单元30用于筛选初步细胞轮廓图中的轮廓点,得到处理后的轮廓图。具体筛选包括删除与细胞内部点在四邻域上不相邻的轮廓点,使得每个轮廓点在八邻域上有且只有两个该细胞其他轮廓点。
所述转存单元40用于按序转存所述处理后的细胞轮廓图中的轮廓点坐标。即将该细胞所有轮廓点的坐标转化为链式储存。
所述坐标转化单元50用于将转存后的每个轮廓点坐标以细胞中心为极点转化为极坐标形式,并进行半径归一化处理。
所述计算表示单元60用于计算半径方差和角度变化率方差,并采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度。
本发明中的电子装置可以是多种终端设备。所述电子装置包括:存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明细胞图像中细胞轮廓弯曲程度的衡量方法的步骤,实现上述细胞图像中细胞轮廓弯曲程度的衡量系统的各单元功能。
示例性的,计算机程序可被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本发明细胞轮廓弯曲程度的衡量方法。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在电子装置中的执行过程。例如,细胞图像中细胞轮廓弯曲程度的衡量程序可以被分割成细胞图像中细胞轮廓弯曲程度的衡量系统中的输入读取单元10,轮廓提取单元20,处理单元30,转存单元40,坐标转化单元50,计算表示单元60。其功能作用在上文中有详细描述,在此不一一赘述。
处理器执行计算机程序时实现本发明细胞图像中细胞轮廓弯曲程度的衡量方法的步骤与上文类似,此处不再详述,示例性地,例如执行如下步骤:首先,读取细胞分割掩膜图;然后,对细胞分割掩膜图进行轮廓提取,采用四邻域判定,得到初步的细胞轮廓图;再对删除初步的细胞轮廓图中与细胞内部点在四邻域上不相邻的轮廓点,得到处理后的轮廓图,该轮廓图中每个轮廓点在八邻域上有且只有两个该细胞其他轮廓点的特性;接着,将处理后的轮廓图中的轮廓点坐标按序列转存,将转存后的每个轮廓点坐标转化以细胞中心为极点的极坐标形式,并将半径进行归一化处理;最后,计算半径方差和角度变化率方差,并采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度。其中,所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是电子装置的内部存储单元,例如电子装置的硬盘或内存。存储器可以是电子装置的外部存储设备,例如电子装置上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括电子装置的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及电子设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
本发明提供的计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现本发明细胞图像中细胞轮廓弯曲程度的衡量方法的步骤,实现本发明细胞图像中细胞轮廓弯曲程度的衡量系统各单元/模块的功能,为避免重复,这里不再赘述。
计算机可读存储介质可以是任何包含或存储程序或指令的有形介质,其中的程序可以被执行,通过存储的程序指令相关的硬件实现相应的功能。例如,计算机可读存储介质可以是计算机磁盘、硬盘、随机存取存储器、只读存储器等。本发明并不限于此,可以是以非暂时性方式存储指令或软件以及任何相关数据文件或数据结构并且可提供给处理器以使处理器执行其中的程序或指令的任何装置。所述计算机可读存储介质中包括细胞图像中细胞轮廓弯曲程度的衡量程序,所述细胞图像中细胞轮廓弯曲程度的衡量程序被处理器执行时,实现上述的细胞图像中细胞轮廓弯曲程度的衡量方法,为避免重复,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种细胞图像中细胞轮廓弯曲程度的衡量方法,应用于电子装置,其特征在于,该方法包括:
读取细胞分割掩膜图;
对细胞分割掩膜图进行轮廓提取,得到初步的细胞轮廓图;
对初步的细胞轮廓图中的轮廓点进行筛选处理,得到处理后的轮廓图;
将处理后的轮廓图中的轮廓点坐标按序转存;
将转存后的每个轮廓点坐标转化为极坐标,将半径进行归一化处理;
计算半径方差和角度变化率方差,采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度。
2.根据权利要求1所述的细胞图像中细胞轮廓弯曲程度的衡量方法,其特征在于,所述对细胞分割掩膜图进行轮廓提取得到初步的细胞轮廓图的步骤,采用四邻域方式判定细胞的轮廓点和内部点。
3.根据权利要求2所述的细胞图像中细胞轮廓弯曲程度的衡量方法,其特征在于,所述对初步的细胞轮廓图中的轮廓点进行筛选处理的步骤,包括:删除与细胞内部点在四邻域上不相邻的轮廓点,使得每个轮廓点在八邻域上有且只有两个该细胞其他轮廓点。
4.根据权利要求3所述的细胞图像中细胞轮廓弯曲程度的衡量方法,其特征在于,所述将处理后的轮廓图中的轮廓点坐标按序列转存的步骤,包括:从任意一个轮廓点出发,沿一个方向搜索其余点并储存其坐标,从而得到排列好的所有轮廓点坐标。
5.根据权利要求4所述的细胞图像中细胞轮廓弯曲程度的衡量方法,其特征在于,将转存后的每个轮廓点坐标以细胞中心为极点转化为极坐标形式,其中,所述细胞中心为该细胞所有点的图形重心。
6.根据权利要求1~5任一项所述的细胞图像中细胞轮廓弯曲程度的衡量方法,其特征在于,所述半径方差的计算公式如下:
其中,i表示从1到n一共n个轮廓点,ri表示第i个轮廓点与其所属细胞中心的像素距离;rmax表示r1,r2……rn中的最大值。
7.根据权利要求1~5任一项所述的细胞图像中细胞轮廓弯曲程度的衡量方法,其特征在于,所述计算角度变化率方差的步骤,包括:
根据角度θi计算角度变化率Δθi=θi+1-θi,Δθn=θ1-θn,其中,i=1,2,…,n-1,对于不在(-π/2,π/2]的Δθi,对其加减若干π使其落在该区间;
根据如下公式计算角度变化率方差:
其中,i表示从1到n一共n个轮廓点。
8.根据权利要求1所述的细胞图像中细胞轮廓弯曲程度的衡量方法,其特征在于,采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度时,
半径方差和角度变化率方差两个值越小,越接近0,则该细胞越接近圆;
半径方差值越大,则半径变化情况越大,细胞轮廓上沿半径方向的内陷和突出情况越多;
角度变化率方差越大,则细胞轮廓切线方向变化越大,细胞轮廓上沿切线方向的折叠情况越多。
9.一种细胞图像中细胞轮廓弯曲程度的衡量系统,其特征在于,该系统包括:
输入读取单元,用于输入并读取细胞分割掩膜图;
轮廓提取单元,对细胞分割掩膜图进行轮廓提取,得到初步细胞轮廓图;
处理单元,用于筛选初步细胞轮廓图中的轮廓点,得到处理后的轮廓图;
转存单元,用于按序转存处理后的轮廓图中的轮廓点坐标;
坐标转化单元,用于将转存后的每个轮廓点坐标转化为极坐标形式,并对半径归一化处理;
计算表示单元,用于计算半径方差和角度变化率方差,并采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括计算机程序,所述计算机程序被处理器执行时,实现如权利要求1至8中任一项所述的细胞图像中细胞轮廓弯曲程度的衡量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532431.5A CN110232365B (zh) | 2019-06-19 | 2019-06-19 | 细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532431.5A CN110232365B (zh) | 2019-06-19 | 2019-06-19 | 细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232365A true CN110232365A (zh) | 2019-09-13 |
CN110232365B CN110232365B (zh) | 2021-08-24 |
Family
ID=67856860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910532431.5A Active CN110232365B (zh) | 2019-06-19 | 2019-06-19 | 细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232365B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910401A (zh) * | 2019-10-31 | 2020-03-24 | 五邑大学 | 半自动化图像分割数据标注方法、电子装置及存储介质 |
CN117649415A (zh) * | 2024-01-30 | 2024-03-05 | 武汉互创联合科技有限公司 | 基于光流图检测的细胞均衡度分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102032888A (zh) * | 2009-09-30 | 2011-04-27 | 红塔烟草(集团)有限责任公司 | 阿基米德螺旋凸轮轮廓曲线的等分度测量方法 |
CN103236065A (zh) * | 2013-05-09 | 2013-08-07 | 中南大学 | 基于主动轮廓模型和细胞神经网络的生物芯片分析方法 |
CN104834914A (zh) * | 2015-05-15 | 2015-08-12 | 广西师范大学 | 宫颈细胞图像特征识别方法及宫颈细胞特征识别装置 |
US20180192941A1 (en) * | 2017-01-11 | 2018-07-12 | Boston Scientific Neuromodulation Corporation | Pain management based on respiration-mediated heart rates |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN109002662A (zh) * | 2018-09-12 | 2018-12-14 | 华北水利水电大学 | 一种多尺度参数耦合的圆弧粗糙表面建模方法 |
CN109118508A (zh) * | 2018-08-31 | 2019-01-01 | 成都美律科技有限公司 | Ivoct图像血管壁内腔轮廓提取方法 |
CN109214093A (zh) * | 2018-09-11 | 2019-01-15 | 电子科技大学 | N叶非圆齿轮节曲线凹尖点设计缺陷的修复方法 |
CN109334708A (zh) * | 2018-10-11 | 2019-02-15 | 北京声科测声学技术有限公司 | 一种车轮多边形测试分析方法和系统 |
-
2019
- 2019-06-19 CN CN201910532431.5A patent/CN110232365B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102032888A (zh) * | 2009-09-30 | 2011-04-27 | 红塔烟草(集团)有限责任公司 | 阿基米德螺旋凸轮轮廓曲线的等分度测量方法 |
CN103236065A (zh) * | 2013-05-09 | 2013-08-07 | 中南大学 | 基于主动轮廓模型和细胞神经网络的生物芯片分析方法 |
CN104834914A (zh) * | 2015-05-15 | 2015-08-12 | 广西师范大学 | 宫颈细胞图像特征识别方法及宫颈细胞特征识别装置 |
US20180192941A1 (en) * | 2017-01-11 | 2018-07-12 | Boston Scientific Neuromodulation Corporation | Pain management based on respiration-mediated heart rates |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN109118508A (zh) * | 2018-08-31 | 2019-01-01 | 成都美律科技有限公司 | Ivoct图像血管壁内腔轮廓提取方法 |
CN109214093A (zh) * | 2018-09-11 | 2019-01-15 | 电子科技大学 | N叶非圆齿轮节曲线凹尖点设计缺陷的修复方法 |
CN109002662A (zh) * | 2018-09-12 | 2018-12-14 | 华北水利水电大学 | 一种多尺度参数耦合的圆弧粗糙表面建模方法 |
CN109334708A (zh) * | 2018-10-11 | 2019-02-15 | 北京声科测声学技术有限公司 | 一种车轮多边形测试分析方法和系统 |
Non-Patent Citations (2)
Title |
---|
王子然: "正常肝细胞统计形状建模技术的研究与实现", 《中国优秀硕士论文全文数据库医药卫生科技辑》 * |
胡敏: "基于Snake的图象分割与癌细胞识别方法研究", 《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910401A (zh) * | 2019-10-31 | 2020-03-24 | 五邑大学 | 半自动化图像分割数据标注方法、电子装置及存储介质 |
CN117649415A (zh) * | 2024-01-30 | 2024-03-05 | 武汉互创联合科技有限公司 | 基于光流图检测的细胞均衡度分析方法 |
CN117649415B (zh) * | 2024-01-30 | 2024-04-30 | 武汉互创联合科技有限公司 | 基于光流图检测的细胞均衡度分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110232365B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saxena et al. | Pre‐trained convolutional neural networks as feature extractors for diagnosis of breast cancer using histopathology | |
JP6402265B2 (ja) | 意思決定モデルを構築する方法、コンピュータデバイス及び記憶デバイス | |
US20210398287A1 (en) | Image processing method and image processing device | |
CN108334644B (zh) | 图像识别方法和装置 | |
CN110060237A (zh) | 一种故障检测方法、装置、设备及系统 | |
Cao et al. | Similarity based leaf image retrieval using multiscale R-angle description | |
Couturier et al. | Image denoising using a deep encoder-decoder network with skip connections | |
CN106096613A (zh) | 基于角点特征的图像多目标检测方法及装置 | |
CN110232365A (zh) | 细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
Chen et al. | Segmentation of overlapping cervical cells with mask region convolutional neural network | |
CN113158895A (zh) | 票据识别方法、装置、电子设备及存储介质 | |
Luo et al. | Kayak and sailboat detection based on the improved YOLO with Transformer | |
Qi et al. | Hep-2 cell classification: The role of gaussian scale space theory as a pre-processing approach | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
Jablons | Identifying humpback whale flukes by sequence matching of trailing edge curvature | |
Chauhan et al. | HDFCN: A robust hybrid deep network based on feature concatenation for cervical cancer diagnosis on WSI pap smear slides | |
WO2021041342A1 (en) | Semantic image retrieval for whole slide images | |
CN116628600A (zh) | 基于随机森林的不平衡数据采样方法及装置 | |
Bayat et al. | Automated end-to-end deep learning framework for classification and tumor localization from native non-stained pathology images | |
CN116884597A (zh) | 基于自监督预训练和多示例学习的病理图像乳腺癌分子分型方法及系统 | |
CN111753722B (zh) | 一种基于特征点类型的指纹识别方法及装置 | |
Wu et al. | Image Matching Algorithm Based on Topology Consistency of Bidirectional Optimal Matching Point Pairs. | |
CN108198173A (zh) | 一种混凝土裂缝区域的在线检测方法、装置及终端设备 | |
CN108090396A (zh) | 一种指纹匹配方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |