CN110517273B - 基于动态梯度阈值的细胞学图像分割方法 - Google Patents
基于动态梯度阈值的细胞学图像分割方法 Download PDFInfo
- Publication number
- CN110517273B CN110517273B CN201910811432.3A CN201910811432A CN110517273B CN 110517273 B CN110517273 B CN 110517273B CN 201910811432 A CN201910811432 A CN 201910811432A CN 110517273 B CN110517273 B CN 110517273B
- Authority
- CN
- China
- Prior art keywords
- cell nucleus
- gradient
- image
- region
- cytoplasm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003709 image segmentation Methods 0.000 title claims abstract description 21
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 79
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 40
- 210000004027 cell Anatomy 0.000 claims abstract description 27
- 230000002380 cytological effect Effects 0.000 claims abstract description 26
- 210000004940 nucleus Anatomy 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 230000001086 cytosolic effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000004043 dyeing Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 description 4
- 238000010186 staining Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 1
- 238000009649 Feulgen staining Methods 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000003445 Mouth Neoplasms Diseases 0.000 description 1
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000004101 esophageal cancer Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000012987 lip and oral cavity carcinoma Diseases 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000030648 nucleus localization Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/194—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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
Abstract
本申请公开了基于动态梯度阈值的细胞学图像分割方法，其包括预处理，生成细胞核梯度图，提取细胞核，以及提取细胞质等步骤。其中，细胞核的提取包括对细胞核梯度图进行二值化，得到梯度二值图；对梯度二值图进行区域跟踪，得到前景区域；提取前景区域包含的空洞，将空洞作为候选细胞核区域；判断候选细胞核区域以得到细胞核区域等步骤。提取细胞质包括以细胞核区域为中心，对以预设值为半径的局部区域进行二值化；对所述二值化后的局部区域采用区域跟踪得到前景像素块，判断前景像素块等步骤。本申请所公开的方法具有染色适应性好，细胞适应性好等优点。
Description
技术领域
本申请涉及图像处理技术领域，特别涉及一种基于动态梯度阈值的细胞学图像分割方法。
背景技术
细胞病理学是一门相对较新的医学学科，因为其取材无创，人群顺应性好，已经越来越多的应用在如宫颈癌、口腔癌、肺癌、食管癌等肿瘤筛查中。但肿瘤筛查标本量大，病理医师对每个细胞进行评估的工作量巨大，且易于疲劳，从而导致漏诊。基于图像分析的计算机辅助筛查技术可以较好地解决上述难题，其工作流程可以分为以下几个步骤：
1)切片数字化：对细胞学切片进行数字成像，得到细胞学图像；
2)细胞提取：利用算法对细胞学图像中的细胞进行提取，得到各个细胞的细胞单元图；
3)细胞分类：依据细胞单元图按“预设的规则”对所包含的细胞进行分类和计数；此处“预设的规则”是细胞单元图到其细胞类别的映射，是病理医生对细胞进行类别判别的依据的数字化表示，往往通过有监督的机器学习来获得，即，通过将一系列的细胞单元图及其对应的(人工标定的)类别输入到选定的机器学习模型(算法)中进行训练，以取得模型参数；
4)切片定级：根据各类细胞的数目和预定的定级标准对切片进行等级判断，以辅助医生诊断。
其中，细胞学图像泛指包含细胞的图像；基于染色的不同，这些图像中可能只能看到细胞核(如采用福尔根染色的DNA图像)，也可能既可以看到细胞核也能看到细胞质(如采用巴氏染色的宫颈图像)。细胞学图像一般通过对细胞学切片进行数字成像得到，既表示局部的视野图像(Field of View Image，FOV Image)，也表示全切片图像(Whole SlideImage，WSI)。细胞单元图为单个细胞或细胞核所包含的区域。
由上述过程可以看出，在计算机辅助筛查技术中，细胞提取算法是关键的一步，它的输出是前期训练和后期分类的数据源，其好坏在很大程度上决定了整个流程的复杂度和准确性。
目前针对细胞提取，出现了各种各样的算法，例如目前应用最多的是灰度阈值法、分水岭算法、深度学习分割等。现有技术中存在以下问题：
1)部分方法只能对细胞核进行分割；
2)部分方法只能对细胞密度较小的图像取得比较好的结果，而现实中的细胞学图像密度都比较大，表现在细胞单元图之间的重叠或粘连情况严重；
3)只能应用于某类染色的细胞学图像，而实际中的细胞学图像因为染色剂的不同在图像颜色、对比度、信噪比方面有很大差别。
鉴于此，有必要提供一种易于计算的、与染色和密度无关的细胞核定位和提取方法。
发明内容
有鉴于上述现有技术中存在的缺点，本申请的目的在于提供一种基于动态梯度阈值的细胞学图像分割方法。
为实现上述目的，本申请提供如下技术方案：
一种基于动态梯度阈值的细胞学图像分割方法，包括下列步骤：
S1预处理：获得所述细胞学图像的灰度图像，并计算所述灰度图像的梯度，得到梯度图；
S2生成细胞核梯度图，包括下列子步骤：
S2.1二值化所述灰度图像，得到二值图像；
S2.2对所述二值图像进行邻域腐蚀，得到腐蚀后的二值图像；
S2.3用所述腐蚀后的二值图像过滤所述梯度图，得到所述细胞核梯度图；
S3提取细胞核，包括下列子步骤：
S3.1设定初始梯度阈值Ts、终止梯度阈值Te、阈值减小幅度ΔT以及当前梯度阈值Tc，其中，当前梯度阈值Tc＝Ts；
S3.2以所述当前梯度阈值Tc对所述细胞核梯度图进行二值化，得到梯度二值图；
S3.3对所述梯度二值图进行区域跟踪，得到前景区域；
S3.4提取所述前景区域包含的空洞，将所述空洞作为候选细胞核区域；
S3.5对所述候选细胞核区域进行以下判断，得到细胞核区域：
(a)几何形态判断；
(b)包含性判断；
(c)可分性判断；
S3.6更新所述梯度图：在所述细胞核梯度图中，将所述当前梯度阈值Tc下提取出来的区域所占像素填充为255；
S3.7更新所述当前梯度阈值Tc：Tc＝Ts-ΔT；如果Tc＜Te，则转步骤S4，否则转至步骤S3.2；
S4提取细胞质，包括下列子步骤：
S4.1以S3中得到的所述细胞核区域为中心，对以预设值为半径的局部区域进行二值化；
S4.2对所述二值化后的局部区域采用区域跟踪得到前景像素块，如果所述前景像素块大于所述细胞核区域，则将所述前景像素块作为候选细胞质区域。
其中：
所述所述灰度图像为去噪后得到的灰度图像。
所述去噪所采用的方法包括高斯滤波(Gaussian Filter)去噪法，或多种低通滤波去噪法。
所述灰度图像的梯度的计算方法包括边缘算子计算法；所述边缘算子包括Robert算子。
所述步骤S2.1中，所述二值化方法包括Ostu算法。
所述几何形态判断包括下列子步骤：计算所述候选细胞核区域的长轴和短轴，如果长短轴比例超过预定的范围，则判定所述候选细胞核区域不是细胞核并舍弃，否则，进行所述包含性判断。
所述包含性判读包括下列子步骤：将所述候选细胞核区域与已经得到的细胞核区域序列进行相交性计算，以检查所述候选的细胞核区域是否已经被之前的阈值条件下提取出来的细胞核区域所包含，是则舍弃，否则进行可分性判读。
所述可分性判读包括下列子步骤：将所述候选细胞核区域所包含的像素集分为两个子集，如果所述两个子集的像素平均灰度值之差大于预设差值，且所述两个子集间的空间距离大于所述预设差值，则认为所述候选细胞核区域为细胞质区域，并将所述平均灰度值较小的所述子集所构成区域作为所述细胞核区域。
所述步骤S4进一步包括子步骤S4.3，所述子步骤S4.3包括下列步骤：
(a)如果所述候选细胞质区域只包含一个细胞核，则所述细胞质与所述细胞核构成一个完整的细胞，否则获取每个所述细胞核对应的初始细胞质边缘；
(b)对每个所述细胞核及其对应的所述初始细胞质边缘构建以所述细胞核中心为起点的穿过所述初始细胞质边缘上的点的射线，在所述射线上对所述细胞质边缘点位置基于梯度进行优化，得到最终的细胞质边缘。
所述初始细胞质边缘的获取方法为：以所述细胞质区域所包含的所有细胞核区域的中心点为集合，构造维诺图得到所述初始细胞质边缘。
与现有技术相比，本申请的优点在于：
(1)对染色的适应性更好，因为本申请所公开的方案基于灰度，没有用到颜色信息。因此既可以适用于灰度细胞学图像(比如DNA倍体分析系统的图像)的分割，也可适用于基于各种染色的彩色细胞学图像的分割；
(2)对细胞密度适应性更好。在细胞密度比较大或很大的图像中，细胞之间的细胞质互相重叠或粘连，本申请提出的方案采用从几何意义上来说的最优划分---维诺图，并以它的结果为出发点进行了细胞质的进一步优化；
(3)算法规模更小，更容易实现，效率更好
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍；显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请的基于动态梯度阈值的细胞学图像分割方法的原理图；
图2为根据本申请的基于动态梯度阈值的细胞学图像分割方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请中的一部分实施例，而不是全部的实施例。给予本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例都属于本申请保护的范围。
请参见图1，图1示出了根据本申请的基于动态梯度阈值的细胞学图像分割方法的原理。其原理为人眼在观察图像时，首先是通过分辨边缘来对图像中的前景物体进行定位，然后再根据前景物体的颜色、亮度、几何信息以及前景物体之间的相互关系来理解整幅图像所要表达的内容。因此，只要找到了前景物体的边缘，即可完成对前景物体的定位。图像中，物体的边缘往往出现在亮度或颜色梯度(即变化)大的位置。然而，梯度的计算往往跟内容(像素点本身邻近像素点的亮度)有关，这使得同一物体的不同边缘位置处的梯度值不一致。因此，为获得物体的完整的边缘，需要在不同的位置处对梯度设置不同的阈值；即，需要对梯度图进行动态的阈值化以取得物体的完整边缘。本发明首先基于细胞学图像的梯度图的动态阈值化提取出细胞核，然后以细胞核为中心，进行局部二值化，得到该细胞核对应的细胞质的初始区域，进一步，对该初始区域包含多个细胞核的情形，采用局部维诺图(VoronoiDiagram)进行划分，并结合梯度信息得到各个细胞核对应的细胞质区域。
图2示出了根据本申请的基于动态梯度阈值的细胞学图像分割方法的流程图。其示出了根据本申请的一种基于动态梯度阈值的细胞学图像分割方法，包括下列步骤：
S1预处理：获得所述细胞学图像的灰度图像，并计算所述灰度图像的梯度，得到梯度图。根据本申请的一个是实力，所述灰度图像为去噪后得到的灰度图像。据本申请的一个实施例，所述去噪所采用的方法包括高斯滤波(Gaussian Filter)去噪法，或多种低通滤波去噪法。根据本申请的一个实施例，所述灰度图像的梯度的计算方法包括边缘算子计算法；所述边缘算子包括Robert算子。
S2生成细胞核梯度图，包括下列子步骤：
S2.1二值化所述灰度图像，得到二值图像。根据本申请的一个实施例，所述二值化方法为Ostu算法。
S2.2对所述二值图像进行邻域腐蚀，得到腐蚀后的二值图像；
S2.3用所述腐蚀后的二值图像过滤所述梯度图，得到所述细胞核梯度图；
S3提取细胞核，包括下列子步骤：
S3.1设定初始梯度阈值Ts、终止梯度阈值Te、阈值减小幅度ΔT以及当前梯度阈值Tc，其中，当前梯度阈值Tc＝Ts；
S3.2以所述当前梯度阈值Tc对所述细胞核梯度图进行二值化，得到梯度二值图；
S3.3对所述梯度二值图进行区域跟踪，得到前景区域；
S3.4提取所述前景区域包含的空洞，将所述空洞作为候选细胞核区域；
S3.5对所述候选细胞核区域进行以下判断，得到细胞核区域：
(a)几何形态判断。根据本申请的一个实施例，所述几何形态判断包括下列子步骤：计算所述候选细胞核区域的长轴和短轴，如果长短轴比例超过预定的范围，则判定所述候选细胞核区域不是细胞核并舍弃，否则，进行所述包含性判断。
(b)包含性判断。根据本申请的一个实施例，所述包含性判读包括下列子步骤：将所述候选细胞核区域与已经得到的细胞核区域序列进行相交性计算，以检查所述候选的细胞核区域是否已经被之前的阈值条件下提取出来的细胞核区域所包含，是则舍弃，否则进行可分性判读。
(c)可分性判断；根据本申请的一个实施例，所述可分性判读包括下列子步骤：将所述候选细胞核区域所包含的像素集分为两个子集，如果所述两个子集的像素平均灰度值之差大于预设差值，且所述两个子集间的空间距离大于所述预设差值，则认为所述候选细胞核区域为细胞质区域，并将所述平均灰度值较小的所述子集所构成区域作为所述细胞核区域。
S3.6更新所述梯度图：在所述细胞核梯度图中，将所述当前梯度阈值Tc下提取出来的区域所占像素填充为255；
S3.7更新所述当前梯度阈值Tc：Tc＝Ts-ΔT；如果Tc＜Te，则转步骤S4，否则转至步骤S3.2；
S4提取细胞质，包括下列子步骤：
S4.1以S3中得到的所述细胞核区域为中心，对以预设值为半径的局部区域进行二值化；
S4.2对所述局部区域采用区域跟踪得到前景像素块，如果所述前景像素块大于所述细胞核区域，则将所述前景像素块作为候选细胞质区域。
根据本申请的一个实施例，所述步骤S4进一步包括子步骤S4.3，所述子步骤S4.3包括下列步骤：
(a)如果所述候选细胞质区域只包含一个细胞核，则所述细胞质与所述细胞核构成一个完整的细胞，否则获取每个所述细胞核对应的初始细胞质边缘。根据本申请的一个实施例，所述初始细胞质边缘的获取方法为：以所述细胞质区域所包含的所有细胞核区域的中心点为集合，构造维诺图得到所述初始细胞质边缘。
(b)对每个所述细胞核及其对应的所述初始细胞质边缘构建以所述细胞核中心为起点的穿过所述初始细胞质边缘上的点的射线，在所述射线上对所述细胞质边缘点位置基于梯度进行优化，得到最终的细胞质边缘。
应当理解，在不脱离本发明的精神或基本特征的情况下，本发明的原则可以以其他的特定具体形式实施体现，而不背离其精神或本质特征。所述实施例在所有方面都应均被视为仅是说明性的，而非限制性的。因此，本发明的范围由所附权利要求书而不是由上述说明书指示明。在权利要求同等含义和范围内的所有变化变更都应包含在其范围内。
Claims (10)
1.一种基于动态梯度阈值的细胞学图像分割方法，其特征在于，包括下列步骤：
S1预处理：获得所述细胞学图像的灰度图像，并计算所述灰度图像的梯度，得到梯度图；
S2生成细胞核梯度图，包括下列子步骤：
S2.1二值化所述灰度图像，得到二值图像；
S2.2对所述二值图像进行邻域腐蚀，得到腐蚀后的二值图像；
S2.3用所述腐蚀后的二值图像过滤所述梯度图，得到所述细胞核梯度图；
S3提取细胞核，包括下列子步骤：
S3.1设定初始梯度阈值Ts、终止梯度阈值Te、阈值减小幅度ΔT以及当前梯度阈值Tc，其中，当前梯度阈值Tc＝Ts；
S3.2以所述当前梯度阈值Tc对所述细胞核梯度图进行二值化，得到梯度二值图；
S3.3对所述梯度二值图进行区域跟踪，得到前景区域；
S3.4提取所述前景区域包含的空洞，将所述空洞作为候选细胞核区域；
S3.5对所述候选细胞核区域进行以下判断，得到细胞核区域：
(a)几何形态判断；
(b)包含性判断；
(c)可分性判断；
S3.6更新所述梯度图：在所述细胞核梯度图中，将所述当前梯度阈值Tc下提取出来的区域所占像素填充为255；
S3.7更新所述当前梯度阈值Tc：Tc＝Ts-ΔT；如果Tc＜Te，则转步骤S4，否则转至步骤S3.2；
S4提取细胞质，包括下列子步骤：
S4.1以S3中得到的所述细胞核区域为中心，对以预设值为半径的局部区域进行二值化；
S4.2对所述二值化后的局部区域采用区域跟踪得到前景像素块，如果所述前景像素块大于所述细胞核区域，则将所述前景像素块作为候选细胞质区域。
2.根据权利要求1所述的基于动态梯度阈值的细胞学图像分割方法，其特征在于，所述灰度图像为去噪后得到的灰度图像。
3.根据权利要求2所述的基于动态梯度阈值的细胞学图像分割方法，其特征在于，所述去噪所采用的方法包括高斯滤波去噪法，或多种低通滤波去噪法。
4.根据权利要求1所述的基于动态梯度阈值的细胞学图像分割方法，其特征在于，所述灰度图像的梯度的计算方法包括边缘算子计算法；所述边缘算子包括Robert算子。
5.根据权利要求1所述的基于动态梯度阈值的细胞学图像分割方法，其特征在于，所述步骤S2.1中，所述二值化方法包括0stu算法。
6.根据权利要求1所述的基于动态梯度阈值的细胞学图像分割方法，其特征在于，所述几何形态判断包括下列子步骤：计算所述候选细胞核区域的长轴和短轴，如果长短轴比例超过预定的范围，则判定所述候选细胞核区域不是细胞核并舍弃，否则，进行所述包含性判断。
7.根据权利要求6所述的基于动态梯度阈值的细胞学图像分割方法，其特征在于，所述包含性判断 包括下列子步骤：将所述候选细胞核区域与已经得到的细胞核区域序列进行相交性计算，以检查所述候选的细胞核区域是否已经被之前的阈值条件下提取出来的细胞核区域所包含，是则舍弃，否则进行可分性判读。
8.根据权利要求7所述的基于动态梯度阈值的细胞学图像分割方法，其特征在于，所述可分性判读包括下列子步骤：将所述候选细胞核区域所包含的像素集分为两个子集，如果所述两个子集的像素平均灰度值之差大于预设差值，且所述两个子集间的空间距离大于所述预设差值，则认为所述候选细胞核区域为细胞质区域，并将所述平均灰度值较小的所述子集所构成区域作为所述细胞核区域。
9.根据权利要求1所述的基于动态梯度阈值的细胞学图像分割方法，其特征在于，所述步骤S4进一步包括子步骤S4.3，所述子步骤S4.3包括下列步骤：
(a)如果所述候选细胞质区域只包含一个细胞核，则所述细胞质与所述细胞核构成一个完整的细胞，否则获取每个所述细胞核对应的初始细胞质边缘；
(b)对每个所述细胞核及其对应的所述初始细胞质边缘构建以所述细胞核中心为起点的穿过所述初始细胞质边缘上的点的射线，在所述射线上对所述细胞质边缘点位置基于梯度进行优化，得到最终的细胞质边缘。
10.根据权利要求9所述的基于动态梯度阈值的细胞学图像分割方法，其特征在于，所述初始细胞质边缘的获取方法为：以所述细胞质区域所包含的所有细胞核区域的中心点为集合，构造维诺图得到所述初始细胞质边缘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910811432.3A CN110517273B (zh) | 2019-08-29 | 2019-08-29 | 基于动态梯度阈值的细胞学图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910811432.3A CN110517273B (zh) | 2019-08-29 | 2019-08-29 | 基于动态梯度阈值的细胞学图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110517273A CN110517273A (zh) | 2019-11-29 |
| CN110517273B true CN110517273B (zh) | 2022-03-22 |
Family
ID=68628315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910811432.3A Active CN110517273B (zh) | 2019-08-29 | 2019-08-29 | 基于动态梯度阈值的细胞学图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517273B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402267B (zh) * | 2020-03-13 | 2023-06-16 | 中山大学孙逸仙纪念医院 | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 |
| CN112102341A (zh) * | 2020-08-29 | 2020-12-18 | 深圳市瑞沃德生命科技有限公司 | 一种细胞图像分割方法及其装置 |
| CN112819795B (zh) * | 2021-02-05 | 2023-03-31 | 复旦大学附属中山医院 | 基于多色荧光图片的细胞数量和面积的统计方法 |
| CN116580041B (zh) * | 2023-05-30 | 2024-06-18 | 山东第一医科大学附属眼科研究所(山东省眼科研究所、山东第一医科大学附属青岛眼科医院) | 基于voronoi图的角膜内皮细胞边界分割方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8155437B2 (en) * | 2007-09-07 | 2012-04-10 | CVISION Technologies, Inc. | Perceptually lossless color compression |
| CN103345748A (zh) * | 2013-06-26 | 2013-10-09 | 福建师范大学 | 一种人体组织细胞双光子显微图像的定位分割方法 |
| CN104992435A (zh) * | 2015-06-24 | 2015-10-21 | 广西师范大学 | 一种宫颈单细胞图像分割算法 |
| CN107481225A (zh) * | 2017-07-26 | 2017-12-15 | 山东颐泽天泰医疗科技有限公司 | 一种自动寻找最优参数分割粘连细胞的方法 |
| CN107977978A (zh) * | 2017-11-01 | 2018-05-01 | 浙江农林大学 | 一种基于椭圆轴关系确定细胞粘连方式的方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11229810B2 (en) * | 2017-05-17 | 2022-01-25 | University Of Virginia Patent Foundation | Methods and systems for producing neuronal lesions using magnetic resonance and acoustic energy |
-
2019
- 2019-08-29 CN CN201910811432.3A patent/CN110517273B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8155437B2 (en) * | 2007-09-07 | 2012-04-10 | CVISION Technologies, Inc. | Perceptually lossless color compression |
| CN103345748A (zh) * | 2013-06-26 | 2013-10-09 | 福建师范大学 | 一种人体组织细胞双光子显微图像的定位分割方法 |
| CN104992435A (zh) * | 2015-06-24 | 2015-10-21 | 广西师范大学 | 一种宫颈单细胞图像分割算法 |
| CN107481225A (zh) * | 2017-07-26 | 2017-12-15 | 山东颐泽天泰医疗科技有限公司 | 一种自动寻找最优参数分割粘连细胞的方法 |
| CN107977978A (zh) * | 2017-11-01 | 2018-05-01 | 浙江农林大学 | 一种基于椭圆轴关系确定细胞粘连方式的方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding;Khin Yadanar Win 等;《2017 International Conference on Digital Arts, Media and Technology (ICDAMT)》;20170424;全文 * |
| 结合梯度边缘信息改进的全局阈值法与GVF Snake模型的宫颈细胞图像分割;孟楚楚 等;《智能计算机与应用》;20190330;第9卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110517273A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3486836B1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| CN110517273B (zh) | 基于动态梯度阈值的细胞学图像分割方法 | |
| Adiga et al. | An efficient method based on watershed and rule-based merging for segmentation of 3-D histo-pathological images | |
| JP7076698B2 (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
| CN109389129B (zh) | 一种图像处理方法、电子设备及存储介质 | |
| CN112435243A (zh) | 一种全切片数字病理图像的自动分析系统及方法 | |
| CN110678903B (zh) | 用于3d图像中异位骨化的分析的系统和方法 | |
| US20090252429A1 (en) | System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing | |
| US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| GB2478593A (en) | Segmentation of cell nuclei in histological sections | |
| EP1646964B1 (en) | Method and arrangement for determining an object contour | |
| US7574304B2 (en) | Chromatin segmentation | |
| CN110675464A (zh) | 一种医疗影像的处理方法、装置、服务器及存储介质 | |
| CN102834846A (zh) | 用于分割图像中的对象的方法 | |
| 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 | |
| CN110598030A (zh) | 一种基于局部cnn框架的甲骨拓片分类方法 | |
| GB2466818A (en) | Cell image segmentation using binary threshold and greyscale image processing | |
| CN110490882B (zh) | 细胞膜染色图像分析方法、装置及系统 | |
| CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
| CN110490159B (zh) | 识别显微图像中的细胞的方法、装置、设备及存储介质 | |
| CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
| CN110210578B (zh) | 基于图论的宫颈癌组织病理学显微图像聚类系统 | |
| You et al. | Automated cell individualization and counting in cerebral microscopic images | |
| Niemistö et al. | Computational methods for estimation of cell cycle phase distributions of yeast cells |
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 |