CN110400318B - 一种免疫组化病理图像cd4阳性细胞核分割方法及系统 - Google Patents

一种免疫组化病理图像cd4阳性细胞核分割方法及系统 Download PDF

Info

Publication number
CN110400318B
CN110400318B CN201910516241.4A CN201910516241A CN110400318B CN 110400318 B CN110400318 B CN 110400318B CN 201910516241 A CN201910516241 A CN 201910516241A CN 110400318 B CN110400318 B CN 110400318B
Authority
CN
China
Prior art keywords
image
segmentation
processed
region
cell nucleus
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.)
Active
Application number
CN201910516241.4A
Other languages
English (en)
Other versions
CN110400318A (zh
Inventor
梁长虹
刘再毅
覃杰
赵可
王广谊
陈鑫
黄燕琪
何兰
颜黎栩
吴磊
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.)
Guangdong General Hospital Guangdong Academy of Medical Sciences
Original Assignee
Guangdong General Hospital Guangdong Academy of Medical Sciences
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 Guangdong General Hospital Guangdong Academy of Medical Sciences filed Critical Guangdong General Hospital Guangdong Academy of Medical Sciences
Priority to CN201910516241.4A priority Critical patent/CN110400318B/zh
Publication of CN110400318A publication Critical patent/CN110400318A/zh
Application granted granted Critical
Publication of CN110400318B publication Critical patent/CN110400318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种免疫组化病理图像CD4阳性细胞核分割方法及系统，该方法的步骤为：对免疫组化病理图像进行颜色反卷积，分离染色通道；改变局部阈值分割的活动窗大小，分别进行第一次、第二次、第三次局部阈值分割、开操作以及分水岭算法将图像中重叠的细胞分离，进行形态学特征分割图像得到符合细胞核特征第一区域图像L1、第二区域图像L2、第三区域图像L3，生成的待处理的第一图像C1、第二图像C2与H和DAB染色通道图像进行掩膜处理，并进行前景标记及分水岭算法分割出符合细胞核特征的第四区域图像L4，将符合细胞核特征的区域图像根据灰度特征去除灰尘，输出图像细胞核分割结果。本发明鲁棒性高，分割精准，可以满足实际应用需求。

Description

一种免疫组化病理图像CD4阳性细胞核分割方法及系统
技术领域
本发明涉及图像处理的技术领域，具体涉及一种免疫组化病理图像CD4阳性细胞核分割方法及系统。
背景技术
CD4细胞是人体免疫系统中的一种重要免疫细胞，CD4主要由辅助T(Th)细胞表达，是Th细胞TCR识别抗原的受体，与MHCⅡ类分子的非多肽区结合，参与Th细胞TCR识别抗原过程，CD4也是HIV的主要受体，所以检测CD4细胞对患者免疫功能的判断有着重要作用，目前医护人员对病理图像进行CD4细胞的分割、标记和计数要花费大量的人力物力，通过各类细胞的比例和数量预测病人的预后存在相当大的时间成本，因此，需要一种较为精确的病理图细胞分割手段来减轻医护人员的压力。
发明内容
为了减轻医护人员的负担，提高细胞核分割的效率，本发明提供一种免疫组化病理图像CD4阳性细胞核分割方法及系统，本发明鲁棒性高，分割精准，可以满足实际应用需求。
为了达到上述目的，本发明采用以下技术方案：
本发明提供一种免疫组化病理图像CD4阳性细胞核分割方法，包括下述步骤：
S1：对免疫组化病理图像进行颜色反卷积，分离H和DAB染色通道；
S2：设定局部阈值分割的活动窗，进行第一次局部阈值分割、开操作以及分水岭算法分割后将H和DAB染色通道图像中重叠的细胞分离，基于形态学特征分割后得到符合细胞核特征的第一区域图像L1和待处理的第一图像C1；
S3：待处理的第一图像C1与H和DAB染色通道图像进行掩膜处理，得到初步分割后的H和DAB染色通道细胞图像，改变局部阈值分割的活动窗，进行第二次局部阈值分割、开操作以及分水岭算法分割后将图像中重叠的细胞分离，基于形态学特征分割后得到符合细胞核特征的第二区域图像L2和待处理的第二图像C2；
S4：待处理的第二图像C2与H和DAB染色通道图像进行掩膜处理，得到待处理的H和DAB染色通道细胞图像，改变局部阈值分割的活动窗，进行第三次局部阈值分割、开操作以及分水岭算法分割后将图像中重叠的细胞分离，基于形态学特征分割后得到符合细胞核特征的第三区域图像L3和待处理的第三图像C3；
S5：将待处理的第三图像C3进行前景标记及分水岭算法分割出符合细胞核特征的第四区域图像L4；
S6：将符合细胞核特征第一区域图像L1、第二区域图像L2、第三区域图像L3和第四区域图像L4根据灰度特征去除灰尘，输出图像细胞核分割结果。
作为优选的技术方案，步骤S1中所述对免疫组化病理图像进行颜色反卷积，计算公式为：
C＝M-1[y]
Figure BDA0002095141330000021
其中，C表示分离的H和DAB染色通道，M表示不同染色参数矩阵，参数矩阵的行分别表示H、曙红和DAB染色，参数矩阵的列表示RGB染色方案参数大小，y表示每一个像素的光密度。
作为优选的技术方案，所述第一次局部阈值分割的活动窗口大小设置为77*77像素，所述第二次局部阈值分割的活动窗口大小设置为27*27像素，所述第三次局部阈值分割的活动窗口大小设置为17*17像素，所述局部阈值分割在设定的窗口中，确定阈值后对图像进行二值化处理。
作为优选的技术方案，步骤S2中所述基于形态学特征分割后得到符合细胞核特征的第一区域图像L1和待处理的第一图像C1，包括：
提取图像特征，所述图像特征包括对比度、40X放大倍数时的灰度均值、紧凑度和像素面积；
将对比度小于0.04或灰度平均值大于210的非细胞核区域舍弃，将40X放大倍数时像素面积小于2400、且紧凑度大于0.93的图像区域保留为第一区域图像L1，将40X放大倍数时像素面积大于2400的图像区域设为待处理的第一图像C1。
作为优选的技术方案，步骤S3中所述基于形态学特征分割后得到符合细胞核特征的第二区域图像L2和待处理的第二图像C2，包括：
提取图像特征，所述图像特征包括对比度、40X放大倍数时的灰度均值、紧凑度和像素面积；
将对比度小于0.04或者灰度均值大于210的非细胞核区域舍弃，将40X放大倍数时像素面积小于2400、且紧凑度大于0.93的图像区域保留为第二区域图像L2，将40X放大倍数时像素面积大于2400的图像区域设为待处理的第二图像C2。
作为优选的技术方案，步骤S4中所述形态学特征分割后得到符合细胞核特征的第三区域图像L3和待处理的第三图像C3，包括：
提取图像特征，所述图像特征包括对比度、40X放大倍数时的灰度均值、紧凑度和像素面积；
将对比度小于0.04或者灰度均值大于210的非细胞核区域舍弃，将40X放大倍数时像素面积小于2400、且紧凑度大于0.93的图像区域保留为第三区域图像L3，将40X放大倍数时像素面积大于2400的图像区域设为待处理的第三图像C3。
作为优选的技术方案，步骤S5中所述将待处理的第三图像C3进行前景标记及分水岭算法分割出符合细胞核特征的第四区域图像L4，包括：
S51：待处理的第三图像C3与H和DAB染色通道图像进行掩膜，得到待处理的H和DAB染色通道在待处理第三图像C3区域的图像，采用基于重建的开闭操作并取局部极大值进行前景标记；
S52：前景标记后的图像与待处理的H和DAB染色通道在待处理第三图像C3区域的图像进行叠加，将前景标记设定为图像中心的局部极小值，采用分水岭分割算法进行图像分割；
S53：提取分割完成的每一个独立区域在40X放大倍数下的像素面积和紧凑度，将像素面积小于600且紧凑度大于0.93的图像区域保留为第四区域图像L4。
作为优选的技术方案，步骤S6中将符合细胞核特征第一区域图像L1、第二区域图像L2、第三区域图像L3和第四区域图像L4根据灰度特征去除灰尘，包括：
每个像素的灰度值总和除以像素个数得到整个灰度图像的灰度平均值；
计算第一区域图像L1、第二区域图像L2、第三区域图像L3和第四区域图像L4的灰度平均值以及像素灰度小于整个灰度图像的平均值的比例；
将不符合细胞核灰度特征的图像区域判定为灰尘，进行灰尘去除。
作为优选的技术方案，所述将不符合细胞核灰度特征的图像区域判定为灰尘，包括两种情况，分别为：
当整个灰度图像的灰度平均值大于200时，若一个疑似细胞核区域图像的灰度平均值小于150，且超过15％的像素点的灰度小于当前疑似细胞核区域图像的灰度平均值，则为细胞核，否则为灰尘；
当整个灰度图像的灰度平均值小于200时，若一个疑似细胞核区域图像的灰度平均值小于120，且超过15％的像素点的灰度值小于当前疑似细胞核区域图像的灰度平均值，则为细胞核，否则为灰尘。
本发明还提供一种免疫组化病理图像CD4阳性细胞核分割系统，包括：染色通道分离模块、局部阈值分割模块、开操作模块、分水岭分割模块、形态学特征分割模块、局部阈值分割活动窗调整模块、掩膜处理模块、前景标记分水岭分割模块和去除灰尘模块；
所述染色通道分离模块设有颜色反卷积单元，颜色反卷积单元用于对免疫组化病理图像进行颜色反卷积，将染色通道分离；
所述局部阈值分割活动窗调整模块用于调整局部阈值分割的活动窗大小；所述局部阈值分割模块、开操作模块、分水岭分割模块和形态学特征分割模块根据调整后的局部阈值分割的活动窗大小，分别进行三次局部阈值分割、开操作和分水岭算法分割图像，基于形态学特征分割图像后依次得到第一区域图像L1和待处理的第一图像C1、第二区域图像L2和待处理的第二图像C2、第三区域图像L3和待处理的第三图像C3；
所述掩膜处理模块用于将待处理的第一图像C1与H和DAB染色通道图像进行掩膜处理、以及将待处理的第二图像C2与H和DAB染色通道图像进行掩膜处理；
所述前景标记分水岭分割模块用于将待处理的第三图像C3进行前景标记及分水岭算法分割出符合细胞核特征的第四区域图像L4；
所述去除灰尘模块用于将符合细胞核特征第一区域图像L1、第二区域图像L2、第三区域图像L3和第四区域图像L4根据灰度特征去除灰尘，输出图像细胞核分割结果。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明采用局部阈值(bernsen)分割图像，由于可能存在染色不均的情况，导致图像颜色偏深或者偏浅，局部阈值(bernsen)分割图像排除了染色差异的干扰，提高了图像处理的精度。
(2)本发明对病理图像进行开操作，使得区域边缘变圆滑且断开狭窄的连接，使用分水岭算法，将纹理形态明显的重叠的细胞分离开，提高了图像处理的准确度。
(3)本发明进行三次局部阈值(bernsen)分割，不断减小局部阈值分割的活动窗口大小，活动窗口变小使得局部阈值分割对不均匀的染色图像更为敏感，防止染色过重的小片区域内的一部分细胞核被误认为背景而被分割出去，提高了图像处理的准确度。
附图说明
图1为本实施例免疫组化病理图像CD4阳性细胞核分割方法的流程示意图；
图2为本实施例免疫组化病理图像CD4阳性细胞核分割方法的病理图像细胞核分割效果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
如图1所示，本实施例提供一种免疫组化病理图像CD4阳性细胞核分割方法，具体步骤如下：
S1：对于原始RGB编码的免疫组化病理染色图像进行颜色反卷积，使图像分为H染色部分和DAB染色部分,将苏木素(Haematoxylin，H)和二氨基联苯胺(3,3'-Diaminobenzidine，DAB)两个染色通道进行分离，方便分辨和分割不同种类细胞；颜色反卷积算法针对RGB摄像机获取的颜色信息，基于免疫组化技术使用的染色剂RGB分量光的特异性吸收，分别计算每种染色剂对图像的作用效果，反卷积是指已知输出和部分输入，计算未知输入的过程，其中输出是CD3染色图，已知输入H＝[0.6500286,0.704031,0.2860126]，DAB＝[0.26814753,0.57031375,0.77642715]，从而得出H染色通道和DAB染色通道，公式如下所示：
C＝M-1[y]
Figure BDA0002095141330000071
其中，C为分离开来的H和DAB染色通道，M为不同染色参数矩阵，参数矩阵的行分别为H、曙红(eosin)和DAB染色，本实施例中的曙红作为背景颜色不参与分割，参数矩阵的列为RGB染色方案参数大小，y为每一个像素的光密度；
S2：进行初次局部阈值(bernson)分割；
S21:为了去除背景方便分割，同时去除染色不均匀的影响，在40X放大倍数(0.2520微米/像素)下，活动窗口大小为77*77像素大小做局部阈值分割，将细胞核和背景初步分割出来；
S22：进行开操作，使得区域边缘变圆滑且断开狭窄的连接；
S23：使用分水岭算法，将纹理形态明显的重叠的细胞初步分离开来；
S24：形态学特征初步分割，利用细胞的基本特征进行分割，提取每一个独立区域的对比度，40X放大倍数(0.2520微米/像素)时的像素面积，紧凑度和灰度平均值等特征，将对比度小于0.04或灰度平均值大于210的非细胞核部分舍弃，再将像素面积小于2400而且紧凑度大于0.93的符合细胞核特征的区域储存为第一区域图像L1，其余大于2400的区域作为分割不完全的待处理的第一图像C1做进一步分割；
S3：第二次局部阈值(bernson)分割；
S31：将步骤S24中所得的待处理的第一图像C1(局部阈值之后的二值图像)与H和DAB染色通道图像进行掩膜处理，得到初步分割后的H和DAB染色通道细胞图像，在40X放大倍数(0.2520微米/像素)时，使用活动窗口大小为27*27像素的区域做第二次局部阈值分割,窗口变小使得局部阈值分割对不均匀的染色图像更为敏感，将像素框减小可以防止一小片区域染色严重过深，一部分细胞核被错误地当成背景分割出去；
S32：对图像做第二次开操作，使得区域变圆滑且断开狭窄的连接，方便分水岭算法分开细胞核，再进行一次分水岭分割，更好的将重叠细胞分开；
S33：对在新的局部阈值和开操作处理过后的图像再进行一次提取每一个独立区域的对比度，40X放大倍数(0.2520微米/像素)时的像素面积，紧凑度和灰度平均值等特征，通过去掉对比度小于0.04或者灰度均值大于210的非细胞核区域，保留40X放大倍数(0.2520微米/像素)下像素面积小于2400且紧凑度大于0.93的作为初步分割好的符合细胞核特征的第二区域图像L2，剩余面积大于2400的部分作为待处理的第二图像C2进行下一步分割；
S4：第三次局部阈值(bernson)分割，局部阈值操作会使图像二值化，将步骤S3所得待处理的第二图像C2的二值化图像与H和DAB染色通道图像进行掩膜处理，将活动窗口大小调整为17*17像素重复步骤S2的操作，进行第三次局部阈值分割、开操作以及分水岭算法分割后将图像中重叠的细胞分离，目的是对于一次开操作分水岭算法还是无法分割开来的部分再进行一次开操作分水岭分割，此项操作对于颜色更加敏感，防止漏掉部分细胞核，使得分水岭尽可能充分的分割出细胞核，基于形态学特征分割后得到符合细胞核特征的第三区域图像L3和待处理的第三图像C3；
S5：前景标记分水岭分割重叠细胞；
S51：经过前几步的分割，对于待处理的第三图像C3，剩余许多重叠在一起的细胞核，是距离较近的细胞，染色时颜色连接在了一起，这时一般的分水岭算法很难分割出重叠细胞核，将待处理的第三图像C3的二值化图像与H和DAB染色通道图像进行掩膜处理，得到待处理的H和DAB染色通道剩余细胞图像(即待处理的H和DAB在C3区域的图像)，利用基于重建的开闭操作并取局部极大值进行前景标记，对重叠细胞进行进一步分割，其中，重建和开闭操作可以基于matlab函数实现操作，闭操作类似开操作，是先膨胀再腐蚀，重建是使用开闭操作之后的图像和原图结合，使得细胞部分更加明显；
S52：前景标记后的图像与待处理的H和DAB在C3区域的图像进行叠加，将前景标记设定为图像中心的局部极小值，采用分水岭分割算法进行图像分割；
S53：提取分割完成的每一个不连接的独立区域在40X放大倍数下的像素面积和紧凑度，选择像素面积小于600且紧凑度大于0.93的部分作为符合细胞核特征的区域储存L4，其余部分舍弃；
S6：对于基本分割完全的病理图L1-L4根据灰度特征去除灰尘，提取整个灰度图像的灰度平均值，即每个像素的灰度值总和除以像素个数得到灰度均值，求得之前分割好的每个细胞核区域L1-L4的灰度平均值，即每个区域中像素的灰度值总和除以所在区域像素个数，以及像素灰度小于整个灰度图像的平均值的比例，把不符合细胞核灰度特征的部分作为灰尘去掉。
在本实施例中，灰尘分为两种情况，一是染色较深时即整个灰度图像的灰度平均值大于200时，若一个疑似细胞核区域图像的灰度平均值小于150，且当中超过15％的像素点的灰度小于当前疑似细胞核区域图像的灰度平均值，则为细胞核，否则为灰尘；二是染色较浅时即整个灰度图像的灰度平均值小于200时，若一个疑似细胞核区域图像的灰度平均值小于120，且当中超过15％的像素点的灰度值小于当前疑似细胞核区域图像的灰度平均值，则为细胞核，否则为灰尘。
本实施例中的图像特征包括：对比度、灰度均值、紧凑度和像素面积，其中灰度在0到255区间的设为对比度，像素区域灰度总和除以像素数量得到灰度均值，每个不连通的像素区域的像素个数组成像素面积，每个不连通的细胞核区域每个像素的距离计算得到紧凑度；
本实施例的局部阈值分割方法采用在设定的窗口中由系统自动确定阈值将图像进行二值化，本实施例进行三次局部阈值(bernson)分割，是为了取到图像中最像细胞核的部分，通过局部阈值划分的改变来排除其他干扰找到合适的细胞核，不断减小局部阈值分割的活动窗口大小，活动窗口变小使得局部阈值分割对不均匀的染色图像更为敏感，防止染色过重的小片区域内的一部分细胞核被误认为背景而被分割出去，提高了图像处理的准确度；
本实施例局部阈值分割后的图像为待处理的黑白二值化图像，与H和DAB染色通道图像进行掩膜处理，就是保留待处理的黑白二值化图像的白色部分的H和DAB染色通道图像；
本实施例的开操作为使用5像素大小的圆盘对图片进行腐蚀再膨胀的操作，去除部分噪声干扰的同时是的分割的细胞核区域更加圆滑；
本实施例的分水岭算法是一种将图像作为地学拓扑图的方法，像素的灰度大小作为该点的海拔高度，在每个局部最小值处向上漫水，在不同的水盆交界处形成分水岭，作为要分割的部分。
如图2所示，在本实施例中，对于不同染色的细胞核使用不同颜色的轮廓线包围，轮廓线即分割出来的细胞核区域的边界，使得结果方便观察。
本实施例还提供一种免疫组化病理图像CD4阳性细胞核分割系统，包括：染色通道分离模块、局部阈值分割模块、开操作模块、分水岭分割模块、形态学特征分割模块、局部阈值分割活动窗调整模块、掩膜处理模块、前景标记分水岭分割模块和去除灰尘模块；
在本实施例中，染色通道分离模块设有颜色反卷积单元，颜色反卷积单元用于对免疫组化病理图像进行颜色反卷积，将染色通道分离；
在本实施例中，局部阈值分割活动窗调整模块用于调整局部阈值分割的活动窗大小；所述局部阈值分割模块、开操作模块、分水岭分割模块和形态学特征分割模块根据调整后的局部阈值分割的活动窗大小，分别进行三次局部阈值分割、开操作和分水岭算法分割图像，基于形态学特征分割图像后依次得到第一区域图像L1和待处理的第一图像C1、第二区域图像L2和待处理的第二图像C2、第三区域图像L3和待处理的第三图像C3；
在本实施例中，掩膜处理模块用于将待处理的第一图像C1与H和DAB染色通道图像进行掩膜处理、以及将待处理的第二图像C2与H和DAB染色通道图像进行掩膜处理；
在本实施例中，前景标记分水岭分割模块用于将待处理的第三图像C3进行前景标记及分水岭算法分割出符合细胞核特征的第四区域图像L4；
在本实施例中，去除灰尘模块用于将符合细胞核特征第一区域图像L1、第二区域图像L2、第三区域图像L3和第四区域图像L4根据灰度特征去除灰尘，输出图像细胞核分割结果。
在本实施例中，处理免疫组化病理图像时开启cpu并行处理功能，每一张免疫组化病理图像之间相互独立，图像处理速度较快，并且在数据源目录下建立保存和检查文件夹，用于检测数据是否处理过同时接着上次处理过的进度继续。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种免疫组化病理图像CD4阳性细胞核分割方法，其特征在于，包括下述步骤：
S1：对免疫组化病理图像进行颜色反卷积，分离H和DAB染色通道；
S2：设定局部阈值分割的活动窗，进行第一次局部阈值分割、开操作以及分水岭算法分割后将H和DAB染色通道图像中重叠的细胞分离，基于形态学特征分割后得到符合细胞核特征的第一区域图像L1和待处理的第一图像C1；
S3：待处理的第一图像C1与H和DAB染色通道图像进行掩膜处理，得到初步分割后的H和DAB染色通道细胞图像，改变局部阈值分割的活动窗，进行第二次局部阈值分割、开操作以及分水岭算法分割后将图像中重叠的细胞分离，基于形态学特征分割后得到符合细胞核特征的第二区域图像L2和待处理的第二图像C2；
S4：待处理的第二图像C2与H和DAB染色通道图像进行掩膜处理，得到待处理的H和DAB染色通道细胞图像，改变局部阈值分割的活动窗，进行第三次局部阈值分割、开操作以及分水岭算法分割后将图像中重叠的细胞分离，基于形态学特征分割后得到符合细胞核特征的第三区域图像L3和待处理的第三图像C3；
所述第一次局部阈值分割、第二次局部阈值分割、第三次局部阈值分割不断减小局部阈值分割的活动窗口大小；
S5：将待处理的第三图像C3进行前景标记及分水岭算法分割出符合细胞核特征的第四区域图像L4；
S51：待处理的第三图像C3与H和DAB染色通道图像进行掩膜，得到待处理的H和DAB染色通道在待处理第三图像C3区域的图像，采用基于重建的开闭操作并取局部极大值进行前景标记；
S52：前景标记后的图像与待处理的H和DAB染色通道在待处理第三图像C3区域的图像进行叠加，将前景标记设定为图像中心的局部极小值，采用分水岭分割算法进行图像分割；
S6：将符合细胞核特征第一区域图像L1、第二区域图像L2、第三区域图像L3和第四区域图像L4根据灰度特征去除灰尘，输出图像细胞核分割结果。
2.根据权利要求1所述的免疫组化病理图像CD4阳性细胞核分割方法，其特征在于，步骤S1中所述对免疫组化病理图像进行颜色反卷积，计算公式为：
C＝M-1[y]
Figure FDA0003105127080000021
其中，C表示分离的H和DAB染色通道，M表示不同染色参数矩阵，参数矩阵的行分别表示H、曙红和DAB染色，参数矩阵的列表示RGB染色方案参数大小，y表示每一个像素的光密度。
3.根据权利要求1所述的免疫组化病理图像CD4阳性细胞核分割方法，其特征在于，所述第一次局部阈值分割的活动窗口大小设置为77*77像素，所述第二次局部阈值分割的活动窗口大小设置为27*27像素，所述第三次局部阈值分割的活动窗口大小设置为17*17像素，所述局部阈值分割在设定的窗口中，确定阈值后对图像进行二值化处理。
4.根据权利要求1所述的免疫组化病理图像CD4阳性细胞核分割方法，其特征在于，步骤S2中所述基于形态学特征分割后得到符合细胞核特征的第一区域图像L1和待处理的第一图像C1，包括：
提取图像特征，所述图像特征包括对比度、40X放大倍数时的灰度均值、紧凑度和像素面积；
将对比度小于0.04或灰度平均值大于210的非细胞核区域舍弃，将40X放大倍数时像素面积小于2400、且紧凑度大于0.93的图像区域保留为第一区域图像L1，将40X放大倍数时像素面积大于2400的图像区域设为待处理的第一图像C1。
5.根据权利要求1所述的免疫组化病理图像CD4阳性细胞核分割方法，其特征在于，步骤S3中所述基于形态学特征分割后得到符合细胞核特征的第二区域图像L2和待处理的第二图像C2，包括：
提取图像特征，所述图像特征包括对比度、40X放大倍数时的灰度均值、紧凑度和像素面积；
将对比度小于0.04或者灰度均值大于210的非细胞核区域舍弃，将40X放大倍数时像素面积小于2400、且紧凑度大于0.93的图像区域保留为第二区域图像L2，将40X放大倍数时像素面积大于2400的图像区域设为待处理的第二图像C2。
6.根据权利要求1所述的免疫组化病理图像CD4阳性细胞核分割方法，其特征在于，步骤S4中所述形态学特征分割后得到符合细胞核特征的第三区域图像L3和待处理的第三图像C3，包括：
提取图像特征，所述图像特征包括对比度、40X放大倍数时的灰度均值、紧凑度和像素面积；
将对比度小于0.04或者灰度均值大于210的非细胞核区域舍弃，将40X放大倍数时像素面积小于2400、且紧凑度大于0.93的图像区域保留为第三区域图像L3，将40X放大倍数时像素面积大于2400的图像区域设为待处理的第三图像C3。
7.根据权利要求1所述的免疫组化病理图像CD4阳性细胞核分割方法，其特征在于，步骤S5中所述将待处理的第三图像C3进行前景标记及分水岭算法分割出符合细胞核特征的第四区域图像L4，包括：
提取分割完成的每一个独立区域在40X放大倍数下的像素面积和紧凑度，将像素面积小于600且紧凑度大于0.93的图像区域保留为第四区域图像L4。
8.根据权利要求1所述的免疫组化病理图像CD4阳性细胞核分割方法，其特征在于，步骤S6中将符合细胞核特征第一区域图像L1、第二区域图像L2、第三区域图像L3和第四区域图像L4根据灰度特征去除灰尘，包括：
每个像素的灰度值总和除以像素个数得到整个灰度图像的灰度平均值；
计算第一区域图像L1、第二区域图像L2、第三区域图像L3和第四区域图像L4的灰度平均值以及像素灰度小于整个灰度图像的平均值的比例；
将不符合细胞核灰度特征的图像区域判定为灰尘，进行灰尘去除。
9.根据权利要求8所述的免疫组化病理图像CD4阳性细胞核分割方法，其特征在于，所述将不符合细胞核灰度特征的图像区域判定为灰尘，包括两种情况，分别为：
当整个灰度图像的灰度平均值大于200时，若一个疑似细胞核区域图像的灰度平均值小于150，且超过15％的像素点的灰度小于当前疑似细胞核区域图像的灰度平均值，则为细胞核，否则为灰尘；
当整个灰度图像的灰度平均值小于200时，若一个疑似细胞核区域图像的灰度平均值小于120，且超过15％的像素点的灰度值小于当前疑似细胞核区域图像的灰度平均值，则为细胞核，否则为灰尘。
10.一种免疫组化病理图像CD4阳性细胞核分割系统，其特征在于，包括：染色通道分离模块、局部阈值分割模块、开操作模块、分水岭分割模块、形态学特征分割模块、局部阈值分割活动窗调整模块、掩膜处理模块、前景标记分水岭分割模块和去除灰尘模块；
所述染色通道分离模块设有颜色反卷积单元，颜色反卷积单元用于对免疫组化病理图像进行颜色反卷积，将染色通道分离；
所述局部阈值分割活动窗调整模块用于调整局部阈值分割的活动窗大小；所述局部阈值分割模块、开操作模块、分水岭分割模块和形态学特征分割模块根据调整后的局部阈值分割的活动窗大小，分别进行三次局部阈值分割、开操作和分水岭算法分割图像，基于形态学特征分割图像后依次得到第一区域图像L1和待处理的第一图像C1、第二区域图像L2和待处理的第二图像C2、第三区域图像L3和待处理的第三图像C3；
所述第一次局部阈值分割、第二次局部阈值分割、第三次局部阈值分割不断减小局部阈值分割的活动窗口大小；
所述掩膜处理模块用于将待处理的第一图像C1与H和DAB染色通道图像进行掩膜处理、以及将待处理的第二图像C2与H和DAB染色通道图像进行掩膜处理；
所述前景标记分水岭分割模块用于将待处理的第三图像C3进行前景标记及分水岭算法分割出符合细胞核特征的第四区域图像L4；
待处理的第三图像C3与H和DAB染色通道图像进行掩膜，得到待处理的H和DAB染色通道在待处理第三图像C3区域的图像，采用基于重建的开闭操作并取局部极大值进行前景标记；
前景标记后的图像与待处理的H和DAB染色通道在待处理第三图像C3区域的图像进行叠加，将前景标记设定为图像中心的局部极小值，采用分水岭分割算法进行图像分割；
所述去除灰尘模块用于将符合细胞核特征第一区域图像L1、第二区域图像L2、第三区域图像L3和第四区域图像L4根据灰度特征去除灰尘，输出图像细胞核分割结果。
CN201910516241.4A 2019-06-14 2019-06-14 一种免疫组化病理图像cd4阳性细胞核分割方法及系统 Active CN110400318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910516241.4A CN110400318B (zh) 2019-06-14 2019-06-14 一种免疫组化病理图像cd4阳性细胞核分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910516241.4A CN110400318B (zh) 2019-06-14 2019-06-14 一种免疫组化病理图像cd4阳性细胞核分割方法及系统

Publications (2)

Publication Number Publication Date
CN110400318A CN110400318A (zh) 2019-11-01
CN110400318B true CN110400318B (zh) 2021-08-20

Family

ID=68323225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910516241.4A Active CN110400318B (zh) 2019-06-14 2019-06-14 一种免疫组化病理图像cd4阳性细胞核分割方法及系统

Country Status (1)

Country Link
CN (1) CN110400318B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126162A (zh) * 2019-11-28 2020-05-08 东软集团股份有限公司 一种识别图像中炎症细胞的方法、装置及存储介质
CN111275727B (zh) * 2020-01-19 2021-09-07 北方工业大学 细胞分割方法、装置及计算机可读存储介质
CN111899252B (zh) * 2020-08-06 2023-10-27 腾讯科技（深圳）有限公司 基于人工智能的病理图像处理方法和装置
CN112270683B (zh) * 2020-12-23 2021-04-02 宁波兰茜生物科技有限公司 一种ihc数字预览图识别和组织前景分割方法及系统
CN112270684B (zh) * 2020-12-25 2021-04-06 宁波兰茜生物科技有限公司 一种显微图像免疫组化虚拟多重标记及分析方法及系统
CN112614142B (zh) * 2020-12-25 2023-05-30 华侨大学 一种基于多通道图像融合的细胞弱标签制作方法及系统
CN113470041B (zh) * 2021-05-26 2022-04-22 透彻影像(北京)科技有限公司 免疫组化细胞图像细胞核分割与计数方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109196554A (zh) * 2016-05-18 2019-01-11 豪夫迈·罗氏有限公司 肿瘤接近度量

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109196554A (zh) * 2016-05-18 2019-01-11 豪夫迈·罗氏有限公司 肿瘤接近度量

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"免疫组化图像自动识别研究与实现";吴方;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20190415(第04期);第26，38，40，55页 *
"宫颈细胞学涂片自动判读方法研究";徐传运;《中国博士学位论文全文数据库 医药卫生科技辑》;20140115(第01期);第26，34，39，70-71，84页 *

Also Published As

Publication number Publication date
CN110400318A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN110400318B (zh) 一种免疫组化病理图像cd4阳性细胞核分割方法及系统
CN110415255B (zh) 一种免疫组化病理图像cd3阳性细胞核分割方法及系统
CN107452010B (zh) 一种自动抠图算法和装置
CN109145922B (zh) 一种自动抠图系统
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
US9239281B2 (en) Method and device for dividing area of image of particle in urine
CN106056118A (zh) 一种用于细胞的识别计数方法
US20200193139A1 (en) Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy
CN105139391B (zh) 一种雾霾天气交通图像边缘检测方法
CN108564114A (zh) 一种基于机器学习的人体粪便白细胞自动识别方法
CN111402267A (zh) 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端
CN103489187A (zh) 基于质量检测的宫颈lct图像中细胞核的分割方法
CN116091421A (zh) 一种体外受精胚胎卵裂球图像自动分割及面积计算的方法
CN105761260A (zh) 一种皮肤图像患处分割方法
CN112990015B (zh) 一种病变细胞自动识别方法、装置和电子设备
CN113554638A (zh) 一种芯片表面缺陷检测模型建立方法和系统
CN108805865B (zh) 一种基于饱和度聚类的骨髓白细胞定位方法
CN107545557A (zh) 粪便图像中的虫卵检测方法和装置
CN112330613A (zh) 一种细胞病理数字图像质量的评价方法及系统
CN109147932A (zh) 癌细胞her2基因扩增分析方法及系统
CN113724235B (zh) 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法
CN113470041B (zh) 免疫组化细胞图像细胞核分割与计数方法和系统
JPH09101579A (ja) 顔領域抽出方法及び複写条件決定方法
CN116596899A (zh) 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质
CN113012167B (zh) 一种细胞核与细胞质的联合分割方法

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