CN110458042B - 一种荧光ctc中的探针数目检测方法 - Google Patents

一种荧光ctc中的探针数目检测方法 Download PDF

Info

Publication number
CN110458042B
CN110458042B CN201910657470.8A CN201910657470A CN110458042B CN 110458042 B CN110458042 B CN 110458042B CN 201910657470 A CN201910657470 A CN 201910657470A CN 110458042 B CN110458042 B CN 110458042B
Authority
CN
China
Prior art keywords
image
channel
ctc
probes
fluorescent
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
CN201910657470.8A
Other languages
English (en)
Other versions
CN110458042A (zh
Inventor
刘炳宪
谢菊元
桂坤
操家庆
王强
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.)
Hangzhou Zhituan Information Technology Co ltd
Original Assignee
Hangzhou Zhituan Information Technology Co ltd
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 Hangzhou Zhituan Information Technology Co ltd filed Critical Hangzhou Zhituan Information Technology Co ltd
Priority to CN201910657470.8A priority Critical patent/CN110458042B/zh
Publication of CN110458042A publication Critical patent/CN110458042A/zh
Application granted granted Critical
Publication of CN110458042B publication Critical patent/CN110458042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6456—Spatial resolved fluorescence measurements; Imaging
    • G01N21/6458—Fluorescence microscopy
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30242—Counting objects in image

Abstract

本发明涉及医学影像技术领域，尤其涉及一种荧光CTC中的探针数目检测方法，包括：步骤S1，提供一扫描仪，得到荧光CTC玻片图像；步骤S2，采用CTC图像识别方法以处理得到CTC视野；步骤S3，根据荧光CTC玻片图像，以筛选出对应CTC视野的通道图像；步骤S4，分别对通道图像进行灰度处理，以得到单通道灰度值，步骤S5，对通道图像进行图像处理，得到CTC细胞的轮廓；步骤S6，对通道图像进行图像识别处理，得到探针轮廓实现定位，进而统计探针的数量；步骤S7，显示统计探针的数量；步骤S8，计算探针数目检测的正确率。有益效果：本技术方案中实现了对探针的定位与探针数量的检测，弥补了相关领域的空白，实现了自动化检测，减少了人工干预，具有较高的实用价值。

Description

一种荧光CTC中的探针数目检测方法
技术领域
本发明涉及医学影像技术领域，尤其涉及一种荧光CTC中的探针数目检测方法。
背景技术
循环肿瘤细胞(circulating tumor cell，CTC)是从原发肿瘤或转移瘤脱落进入血液循环的肿瘤细胞。具有创伤小、可重复检测、特异性及敏感性高等优势,可提供关于肿瘤患者疾病状态的实时信息,有助于肿瘤的早期筛查、预后评估及治疗反应监测等,其临床价值受到越来越多的重视。
通常，从经过CTC富集、荧光染色等操作后的血液样本中完成图像采集后，采用复杂的图像处理方法对荧光染色图像中的CTC进行识别。然而，现有技术中大多数检测探针使用后相关复合物的含量，很少涉及探针的定位以及数量检测，已有的相关检测技术中采用人眼观察的方式对探针数量、位置进行统计，费时费力，且对相关人员的要求较高，成为本技术领域中亟需解决的问题。
发明内容
针对现有技术中存在的上述问题，现提供一种荧光CTC中的探针数目检测方法。
具体技术方案如下：
一种荧光CTC中的探针数目检测方法，包括以下步骤：
步骤S1，提供一扫描仪，以扫描得到一荧光CTC玻片图像；
步骤S2，采用CTC图像识别方法以处理得到一CTC视野；
步骤S3，根据所述荧光CTC玻片图像，以筛选出对应所述CTC视野的至少两个通道图像，两个所述通道图像包括第一类通道图像和第二类通道图像；
步骤S4，分别对所述第一类通道图像与所述第二类通道图像进行灰度处理，以得到第一类单通道灰度值与第二类单通道灰度值，然后转向步骤S5与步骤S6以分别对所述第一类单通道灰度值与所述第二类单通道灰度值进行操作处理；
步骤S5，对所述第一类通道图像进行图像处理，得到CTC细胞的轮廓；
步骤S6，对所述第二类通道图像进行图像识别处理，得到探针轮廓实现定位，进而统计所述探针的数量；
步骤S7，根据所述CTC细胞的轮廓和所述探针轮廓和数量，显示统计探针的数量；
步骤S8，根据所述探针轮廓和数量与真实探针数量进行对比，计算所述探针数目检测的正确率。
优选的，所述步骤S5包括以下步骤：
步骤S50，对所述第一类通道图像进行二值去噪处理，得到一第一类通道噪后图像；
步骤S51，对所述第一类通道噪后图像进行区域分割处理，得到所述CTC细胞的轮廓。
优选的，所述步骤S6包括以下步骤：
步骤S60，对所述第二类通道图像进行边缘检测操作，得到所述探针的轮廓掩膜图像；
步骤S61，对所述第二类通道图像进行所述二值去噪处理，得到一第二类通道噪后图像；
步骤S62，对所述探针的轮廓掩膜图像和所述第二类通道噪后图像进行逻辑与运算，得到一探针轮廓图像；
步骤S63，对所述探针轮廓图像进行所述区域分割处理，以实现对探针的轮廓定位以及统计探针的数量。
优选的，所述二值去噪处理包括以下步骤：
步骤A1，利用一统计函数对所述第一类通道图像进行直方图统计,得到一直方图数据；
步骤A2，根据所述直方图数据中频次最高的像素值设置为阈值；
步骤A3，判断所述第一类通道图像中的像素值是否大于所述阈值，若是，则所述第一类通道图像中的像素值置于1，若否，则所述第一类通道图像中的像素值设置于0，得到一二值图；
步骤A4，对所述二值图进行孤岛检测去噪处理，得到所述第一类通道噪后图像。
优选的，所述区域分割是根据连通域检测函数检测轮廓与个数。
优选的，所述边缘检测包括以下步骤：
步骤B1，提供一所述第二类通道图像；
步骤B2，对所述第二类通道图像分别进行横坐标方向和纵坐标方向上的一阶函数边缘检测，得到一横坐标方向边缘图和一纵坐标方向边缘图；
步骤B3，对所述横坐标方向边缘图和一纵坐标方向边缘图分别进行所述逻辑与运算，得到所述探针的轮廓掩膜图像。
上述技术方案的有益效果：本技术方案中实现了对探针的定位与探针数量的检测，弥补了相关领域的空白，实现了自动化检测，减少了人工干预，并可以方便的集成到相关可视化系统中，具有较高的实用价值。
附图说明
参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。
图1为本发明实施例的一种荧光CTC中的探针数目检测方法的步骤流程图；
图2为本发明实施例的一种荧光CTC中的探针数目检测方法的步骤S5流程图；
图3为本发明实施例的一种荧光CTC中的探针数目检测方法的步骤S6流程图；
图4为本发明实施例的一种荧光CTC中的探针数目检测方法的二值去噪处理的流程图；
图5为本发明实施例的一种荧光CTC中的探针数目检测方法的边缘检测的流程图。
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，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作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
一种荧光CTC中的探针数目检测方法，包括以下步骤：
步骤S1，提供一扫描仪，以扫描得到一荧光CTC玻片图像；
步骤S2，采用CTC图像识别方法以处理得到一CTC视野；
步骤S3，根据荧光CTC玻片图像，以筛选出对应CTC视野的至少两个通道图像，两个通道图像包括第一类通道图像和第二类通道图像；
步骤S4，分别对第一类通道图像与第二类通道图像进行灰度处理，以得到第一类单通道灰度值与第二类单通道灰度值，然后转向步骤S5与步骤S6以分别对第一类单通道灰度值与第二类单通道灰度值进行操作处理；
步骤S5，对第一类通道图像进行图像处理，得到CTC细胞的轮廓；
步骤S6，对第二类通道图像进行图像识别处理，得到探针轮廓实现定位，进而统计探针的数量；
步骤S7，根据CTC细胞的轮廓和探针轮廓和数量，显示统计探针的数量；
步骤S8，根据探针轮廓和数量与真实探针数量进行对比，计算探针数目检测的正确率。
具体的，根据CTC图像识别方法以处理得到CTC视野，将得到的CTC视野和扫描得到的荧光CTC玻片图像进行结合，筛选出对应视野的至少两个个通道，包括第一类通道和第二类通道，其中第一类通道为CTC细胞染色通道，第二类通道为探针染色通道，以及第一类通道图像和第二类通道图像；
进而对第一类通道图像和第二类通道图像分别进行特殊灰度处理后进行进一步处理的到探针的定位和数量。
在一种较优的实施例中，步骤S5包括以下步骤：
步骤S50，对第一类通道图像进行二值去噪处理，得到一第一类通道噪后图像；
步骤S51，对第一类通道噪后图像进行区域分割处理，得到CTC细胞的轮廓。
具体的，对第一类通道图像即CTC细胞染色图像进行二值去噪处理，得到一第一类通道噪后图像；进一步对第一类通道图像即CTC细胞染色图像进行区域分割处理，可以得到CTC细胞的轮廓。
在一种较优的实施例中，步骤S6包括以下步骤：
步骤S60，对第二类通道图像进行边缘检测操作，得到探针的轮廓掩膜图像；
步骤S61，对第二类通道图像进行二值去噪处理，得到一第二类通道噪后图像；
步骤S62，对探针的轮廓掩膜图像和第二类通道噪后图像进行逻辑与运算，得到一探针轮廓图像；
步骤S63，对探针轮廓图像进行区域分割处理，以实现对探针的轮廓定位以及统计探针的数量。
具体的，在第二类通道图像进行图像识别处理的过程中，首先将第二类通道图像进行边缘检测操作，得到探针的轮廓掩膜图像；其次，对第二类通道图像进行二值去噪处理，得到一第二类通道噪后图像；再次，对探针的轮廓掩膜图像和第二类通道噪后图像进行逻辑与运算，得到一探针轮廓图像；最后，对探针轮廓图像进行区域分割处理，以实现对探针的轮廓定位以及统计探针的数量。
在一种较优的实施例中，二值去噪处理包括以下步骤：
步骤A1，利用一统计函数对第一类通道图像进行直方图统计,得到一直方图数据；
步骤A2，根据直方图数据中频次最高的像素值设置为阈值；
步骤A3，判断第一类通道图像中的像素值是否大于阈值，若是，则第一类通道图像中的像素值置于1；若否，则第一类通道图像中的像素值设置于0，得到一二值图；
步骤A4，对二值图进行孤岛检测去噪处理，得到第一类通道噪后图像。
具体的，二值去噪处理其实是为了选取目标，相当于滤波一样的。举例来说，一幅图是从0-255的，有所有的颜色，而感兴趣的只是其中的一种颜色，那就把其他颜色变为0，感兴趣的颜色范围定为1，这样就去掉了不关心的，后续只需对感兴趣的再进行处理。
在一种较优的实施例中，区域分割是根据连通域检测函数检测轮廓与个数。
具体的，区域分割，是指将待分析的数据进行区域划分，将其中感兴趣的数据片段提取出来做进一步处理，而将其它的数据抛弃，区域分割的主要目的，是减少后续处理的数据量。
进一步的，举个例子，对于人脸识别问题，数据获取环节得到一副数字图像，预处理环节可能对进行一些滤波处理，然后区域分割环节提取出人脸部分，特征提取则计算出人脸的一些特征，然后模式分类环节使用该特征向量进行分类。
在一种较优的实施例中，边缘检测包括以下步骤：
步骤B1，提供一第二类通道图像；
步骤B2，对第二类通道图像分别进行横坐标方向和纵坐标方向上的一阶函数边缘检测，得到一横坐标方向边缘图和一纵坐标方向边缘图；
步骤B3，对横坐标方向边缘图和一纵坐标方向边缘图分别进行逻辑与运算，得到探针的轮廓掩膜图像。
具体的，边缘检测(Edge detection)是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括(1)深度上的不连续、(2)表面方向不连续、(3)物质属性变化和(4)场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征检测中的一个研究领域。
图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是拉普拉斯算子过零点或者非线性差分表示的过零点。
上述技术方案的有益效果：本技术方案中实现了对探针的定位与探针数量的检测，弥补了相关领域的空白，实现了自动化检测，减少了人工干预，并可以方便的集成到相关可视化系统中，具有较高的实用价值。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (6)

1.一种荧光CTC中的探针数目检测方法，其特征在于，包括以下步骤：
步骤S1，提供一扫描仪，以扫描得到一荧光CTC玻片图像；
步骤S2，采用CTC图像识别方法以处理得到一CTC视野；
步骤S3，根据所述荧光CTC玻片图像，以筛选出对应所述CTC视野的至少两个通道图像，两个所述通道图像包括第一类通道图像和第二类通道图像；
步骤S4，分别对所述第一类通道图像与所述第二类通道图像进行灰度处理，以得到第一类单通道灰度值与第二类单通道灰度值，然后转向步骤S5与步骤S6以分别对所述第一类单通道灰度值与所述第二类单通道灰度值进行操作处理；
步骤S5，对所述第一类通道图像进行图像处理，得到CTC细胞的轮廓；
步骤S6，对所述第二类通道图像进行图像识别处理，得到探针轮廓实现定位，进而统计所述探针的数量；
步骤S7，根据所述CTC细胞的轮廓和所述探针轮廓和数量，显示统计探针的数量；
步骤S8，根据所述探针轮廓和数量与真实探针数量进行对比，计算所述探针数目检测的正确率。
2.根据权利要求1所述荧光CTC中的探针数目检测方法，其特征在于，所述步骤S5包括以下步骤：
步骤S50，对所述第一类通道图像进行二值去噪处理，得到一第一类通道噪后图像；
步骤S51，对所述第一类通道噪后图像进行区域分割处理，得到所述CTC细胞的轮廓。
3.根据权利要求2 所述荧光CTC中的探针数目检测方法，其特征在于，所述步骤S6包括以下步骤：
步骤S60，对所述第二类通道图像进行边缘检测操作，得到所述探针的轮廓掩膜图像；
步骤S61，对所述第二类通道图像进行所述二值去噪处理，得到一第二类通道噪后图像；
步骤S62，对所述探针的轮廓掩膜图像和所述第二类通道噪后图像进行逻辑与运算，得到一探针轮廓图像；
步骤S63，对所述探针轮廓图像进行所述区域分割处理，以实现对探针的轮廓定位以及统计探针的数量。
4.根据权利要求2所述荧光CTC中的探针数目检测方法，其特征在于，所述二值去噪处理包括以下步骤：
步骤A1，利用一统计函数对所述第一类通道图像进行直方图统计,得到一直方图数据；
步骤A2，根据所述直方图数据中频次最高的像素值设置为阈值；
步骤A3，判断所述第一类通道图像中的像素值是否大于所述阈值，若是，则所述第一类通道图像中的像素值置于1，若否，则所述第一类通道图像中的像素值设置于0，得到一二值图；
步骤A4，对所述二值图进行孤岛检测去噪处理，得到所述第一类通道噪后图像。
5.根据权利要求2所述荧光CTC中的探针数目检测方法，其特征在于，所述区域分割是根据连通域检测函数检测轮廓与个数。
6.根据权利要求3所述荧光CTC中的探针数目检测方法，其特征在于，所述边缘检测包括以下步骤：
步骤B1，提供一所述第二类通道图像；
步骤B2，对所述第二类通道图像分别进行横坐标方向和纵坐标方向上的一阶函数边缘检测，得到一横坐标方向边缘图和一纵坐标方向边缘图；
步骤B3，对所述横坐标方向边缘图和一纵坐标方向边缘图分别进行所述逻辑与运算，得到所述探针的轮廓掩膜图像。
CN201910657470.8A 2019-07-19 2019-07-19 一种荧光ctc中的探针数目检测方法 Active CN110458042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910657470.8A CN110458042B (zh) 2019-07-19 2019-07-19 一种荧光ctc中的探针数目检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910657470.8A CN110458042B (zh) 2019-07-19 2019-07-19 一种荧光ctc中的探针数目检测方法

Publications (2)

Publication Number Publication Date
CN110458042A CN110458042A (zh) 2019-11-15
CN110458042B true CN110458042B (zh) 2022-06-28

Family

ID=68481521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910657470.8A Active CN110458042B (zh) 2019-07-19 2019-07-19 一种荧光ctc中的探针数目检测方法

Country Status (1)

Country Link
CN (1) CN110458042B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110987886B (zh) * 2019-11-28 2022-09-09 上海纳奥生物科技有限公司 一种全自动显微影像荧光扫描系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102565395A (zh) * 2012-02-14 2012-07-11 北京大学 用包被抗体的金纳米颗粒检测细菌数量的方法
CN103060327A (zh) * 2012-12-20 2013-04-24 深圳先进技术研究院 肿瘤细胞识别探针、检测方法及应用
CN109557000A (zh) * 2018-12-18 2019-04-02 北京羽医甘蓝信息技术有限公司 在胸水荧光图像中检测肿瘤细胞的方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8088715B2 (en) * 2007-11-13 2012-01-03 Ikonisys, Inc. Detection of circulating tumor cells in peripheral blood with an automated scanning fluorescence microscope
US20120178081A1 (en) * 2010-12-31 2012-07-12 Affymetrix. Inc. Methods of Labeling Cells, Labeled Cells, and uses Thereof
US9953133B2 (en) * 2015-06-03 2018-04-24 General Electric Company Biological data annotation and visualization

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102565395A (zh) * 2012-02-14 2012-07-11 北京大学 用包被抗体的金纳米颗粒检测细菌数量的方法
CN103060327A (zh) * 2012-12-20 2013-04-24 深圳先进技术研究院 肿瘤细胞识别探针、检测方法及应用
CN109557000A (zh) * 2018-12-18 2019-04-02 北京羽医甘蓝信息技术有限公司 在胸水荧光图像中检测肿瘤细胞的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
碳纳米管基荧光探针及其在分析化学中的应用;孙旭峰;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20040915;全文 *

Also Published As

Publication number Publication date
CN110458042A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN107369136B (zh) 聚晶金刚石复合片表面裂纹视觉检测方法
EP2948897B1 (en) Method and systems for cell-level fish dot counting
Win et al. Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding
Shahin et al. A novel white blood cells segmentation algorithm based on adaptive neutrosophic similarity score
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
Razzak Automatic detection and classification of malarial parasite
CN108109159B (zh) 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统
CN112614062A (zh) 菌落计数方法、装置及计算机存储介质
Bibiloni et al. A real-time fuzzy morphological algorithm for retinal vessel segmentation
Deshpande et al. Automated detection of polycystic ovarian syndrome using follicle recognition
CN115620075B (zh) 白细胞分类模型用数据集的生成方法、系统及设备
US11068740B2 (en) Particle boundary identification
CN109949294A (zh) 一种基于OpenCV的断口形貌图裂纹缺陷提取方法
CN110648330A (zh) 摄像头玻璃的缺陷检测方法
Bergmeir et al. Segmentation of cervical cell images using mean-shift filtering and morphological operators
CN111539980A (zh) 一种基于可见光的多目标追踪方法
Biyani et al. A clustering approach for exudates detection in screening of diabetic retinopathy
CN117011291B (zh) 一种手表外壳质量视觉检测方法
CN110458042B (zh) 一种荧光ctc中的探针数目检测方法
Oprisescu et al. Automatic pap smear nuclei detection using mean-shift and region growing
Padmanaban et al. Localization of optic disc using Fuzzy C Means clustering
CN115082379A (zh) 一种活性污泥相差显微图像絮体和丝状菌分割方法
Azif et al. Adaptive Threshold Determination Based on Entropy in Active Contour without Edge Method for Malaria Parasite Candidate Detection
PL A study on various image processing techniques
Sengupta et al. Edge detection in dermascopic images by linear structuring element

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