CN110633676A - 一种自动识别脑脊液细胞图像信息方法 - Google Patents

Abstract

本发明涉及一种自动识别脑脊液细胞图像信息方法，包括：针对待处理的脑脊液细胞的原始图像，对所述原始图像进行预处理，得到预处理后的图像；采用最小化模型对所述与处理后的图像进行分割，获取分割后的目标细胞图像；其中，最小化模型为对所述与处理后的图像进行分割，使分割后的每一个图像内均只包含一个目标细胞；提取图像中目标细胞的特征；本发明方法可以对获取的脑脊液细胞学检测图像中的脑脊液细胞进行准确的分割处理，并对细胞的特征自动提取，而且提取的结果也会比较客观。

Description

一种自动识别脑脊液细胞图像信息方法

技术领域

本发明涉及一种自动识别脑脊液细胞图像信息方法。

背景技术

由于神经解剖结构和脑脊液生成、循环特点，脑脊液细胞学检测能揭示脑膜、脑实质炎症性、处于蛛网膜下隙的神经根等多种中枢神经系统疾病的病理情况。脑脊液细胞学与中枢神经系统病理改变存在一定的对应关系，此为脑脊液细胞学诊断的重要基础。脑脊液细胞学对中枢神经系统炎症性疾病，包括感染性和非感染性炎症，以及肿瘤等疾病有重要的诊断价值。

但目前技术存在着以下问题，医生判断中枢神经系统疾病，多是通过脑脊液细胞学检测后，用人工判断细胞种类，分别进行细胞计数，同时完全凭借医生用眼睛去看细胞的特征，这样的方法操作繁杂且精确性不高，而且参入了很多的主观因素同时也不易于多地方大范围的推广，不利于中枢神经系统疾病病理的统一研究。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种自动识别脑脊液细胞图像信息方法。

(二)技术方案

为了达到上述目的，本发明提供一种自动识别脑脊液细胞图像信息方法包括：

S1、针对待处理的脑脊液细胞的原始图像，对所述原始图像进行预处理，得到预处理后的图像；

S2、采用最小化模型对所述与处理后的图像进行分割，获取分割后的目标细胞图像；

其中，最小化模型为对所述与处理后的图像进行分割，使分割后的每一个图像内均只包含一个目标细胞；

S3、提取图像中目标细胞的特征。

优选的，步骤S2和步骤S3之间还包括：

S′2、对分割后的目标细胞进行计数；

或者，将分割后的目标细胞图像进行保存。

优选的，所述步骤S1包括：

对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理，得到预处理后的图像。

优选的，所述步骤S2包括：

S2-1、检测所述已处理后的图像中的所有封闭轮廓，获取存在于封闭轮廓中的第一目标轮廓；

S2-2、对第一目标轮廓进行不重叠分割；

S2-3、基于细胞特征和图像染色的特性，获取第一目标轮廓中的目标细胞。

优选的，所述步骤S2-1包括：

S2-1-1、采用边缘检测法获取图像中的所有封闭轮廓的边缘信息；

S2-1-2、利用集成分类器对图像进行第一次分割，得到多个具有封闭轮廓的图像块，其中所述图像块中只有一个封闭轮廓或多个重叠的封闭轮廓；

S2-1-3、调取所有封闭轮廓的边缘信息，输入预定的网络学习第一模型；

其中，所述网络学习第一模型使用预先识别的具有封闭轮廓的细胞的数据训练的；

所述具有封闭轮廓的细胞数据包括第一类数据和第二类数据；

所述第一类数据中的每组数据均包括细胞轮廓信息和标识该封闭轮廓为细胞轮廓的第一线索信息；

第二类数据中的每组数据均包括：不包括细胞轮廓的信息和标识该封闭轮廓为细胞轮廓的第一线索信息；

S2-1-4、将不满足细胞轮廓第一线索信息的封闭轮廓去除，得到第一目标轮廓。

优选的，所述步骤S2-2中，采用基于凹点匹配并利用水平集的分割方式，对第一目标轮廓进行不重叠分割。

优选的，所述步骤S2-3包括：

S2-3-1、将已经过不重叠分割后的第一目标轮廓，输入预定的网络学习第二模型，检测出第一目标轮廓中的干扰轮廓；

其中，所述干扰轮廓为不满足细胞特征及图像染色特性的第一目标轮廓；

其中，所述网络学习第二模型使用干扰轮廓的图像数据和细胞图像数据训练出来的；

干扰轮廓图像数据包括：干扰轮廓信息和标识该轮廓为干扰轮廓的第二线索信息；

细胞图像数据包括：没有干扰轮廓的第二线索信息的细胞轮廓信息；

S2-3-2、将第一目标轮廓中的干扰轮廓去除，得到目标细胞。

优选的，所述步骤S3包括：

获取目标细胞特征信息包括：细胞轮廓周长、细胞面积、细胞横向宽度、细胞纵向高度、细胞灰度和细胞分裂状态；

其中，在目标细胞特征信息包括细胞分裂状态时，所述方法还包括：

S4、调取目标细胞，输入预定的网络学习第三模型，识别目标细胞的特征；

其中所述网络学习第三模型使用不同分裂状态下的细胞轮廓信息数据通过机器学习训练出来的，

所述不同分裂状态下的细胞轮廓信息数据包括：不同分裂状态下的细胞轮廓信息和标识该细胞轮廓处于该分裂状态下的对应标签。

优选的，所述步骤S2-1-3中的第一线索为：所述封闭轮廓的图像亮度以及所述封闭轮廓的内外两侧明暗对比度符合所述细胞轮廓的阈值；

所述步骤S2-3-1中的第二线索为：所述第一目标轮廓区域中的点的像素值不符合细胞图像染色的特征值。

优选的，所述步骤S1中对所述原始图像的预处理包括：

对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理；其中，在所述灰度映射处理中，将经过所述去除染色干扰的图像，转化为灰度图，并进行灰度映射，将灰度范围映射到0-255。

(三)有益效果

本发明的有益效果是：本发明方法可以对获取的脑脊液细胞学检测图像中的脑脊液细胞进行准确的分割处理，并对细胞的特征自动提取，而且提取的结果也会比较客观。

进一步的，本发明够对脑脊液细胞完成计数和分别存储，也可以实现异地的图像传输，进行异地的图像诊断。

附图说明

图1为本发明自动识别脑脊液细胞图像信息方法流程图；

图2为本发明预处理过程的流程示意图；

图3为本发明实施例一和实施例二中的脑脊液细胞学检测图像；

图4为本发明实施例二中的自动识别脑脊液细胞图像信息方法流程图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

实施例一

请参阅附图1和附图3，本发明提供一种自动识别脑脊液细胞图像信息方法，包括：

Q1、如图1所示，针对待处理的如图3所示的脑脊液细胞的原始图像，对所述原始图像进行预处理，得到预处理后的图像。

Q2、采用最小化模型对所述与处理后的图像进行分割，获取分割后的目标细胞图像。

其中，最小化模型为对所述与处理后的图像进行分割，使分割后的每一个图像内均只包含一个目标细胞。

Q3、提取图像中目标细胞的特征。

本实施例可以提取图像中目标细胞包括：轮廓周长、细胞面积、细胞横向宽度、细胞纵向高度和细胞灰度在内的多个细胞特征，不需凭借人工去识别细胞的特征，而且操作简单，得到的细胞特征精确度高避免了在人工识别中的很多的主观因素同时也易于多地方大范围的推广。

实施例二

请参阅附图2-4，本发明提供一种自动识别脑脊液细胞图像信息方法，包括：

A1、如图4所示，本实施例获取如图3所示的脑脊液细胞学检测的原始图像，其中，本实施例中的原始图像中包括有细胞轮廓、干扰轮廓和明显的不是细胞轮廓的杂质轮廓；其中细胞轮廓中有单个细胞轮廓也有重叠的细胞轮廓；杂质轮廓中有封闭的杂质轮廓，也有不是封闭的杂质轮廓；而干扰轮廓主要是由噪音造成的噪音干扰气泡轮廓。

A2、基于获取的所述原始图像，对所述原始图像进行预处理得到预处理后的图像。

举例来说，如图2所示本实施例中对原始图像的预处理可包括：对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理。

在实际应用中，前述灰度映射处理中，将经过所述去除染色干扰的图像，转化为灰度图，并进行灰度映射，将灰度范围映射到0-255。

本实施例中，经过如图所示的预处理过程的原始图像避免了原始图像中染色不均、染色过重等染色问题，并且提高了图像的清晰度使之后的图像分割过程更为顺利。

A3、本实施例中，为了提高后续细胞分割的精确度，基于所述预处理后的图像，采用边缘检测法获取图像中的所有封闭轮廓的边缘信息。

本实施例中经过预处理的原始图像中没有封闭的轮廓一定不是细胞轮廓，因此在实际应用中采用边缘检测法只提取图像中的所有封闭的轮廓的边缘信息，而过滤掉图像中的没有封闭的杂质轮廓。

A4、为了后续更好的细胞识别并使细胞单独显示，本实施例中采用集成分类器对所述图像进行第一次分割，得到多个具有封闭轮廓的图像块，其中所述图像块中只有一个封闭轮廓或多个重叠的封闭轮廓。

A5、调取所有所述图像块中的封闭轮廓的边缘信息，输入预定的网络学习第一模型，其中，所述网络学习第一模型使用预先识别的具有封闭轮廓的细胞的数据训练的。

本实施例中所述具有封闭轮廓的细胞数据包括第一类数据和第二类数据。

其中第一类数据中的每组数据均包括细胞轮廓信息和标识该封闭轮廓为细胞轮廓的第一线索信息。

第二类数据中的每组数据均包括：不包括细胞轮廓的信息和标识该封闭轮廓为细胞轮廓的第一线索信息。

其中第一线索为：所述封闭轮廓的图像亮度以及所述封闭轮廓的内外两侧明暗对比度符合所述细胞轮廓的阈值。

本实施例的实际应用中，以第一线索为识别标准的网络学习第一模型可以识别出：细胞轮廓和干扰轮廓，而过滤掉出明显的不是细胞轮廓的封闭杂质轮廓。

A6、将不满足细胞轮廓第一线索信息的封闭轮廓去除，得到第一目标轮廓。

举例来说，在本实施例中，上述的第一目标轮廓主要包括：细胞轮廓和干扰轮廓。

A7、对所述第一目标轮廓进行不重叠分割。

举例来说，在本实施例中采用基于凹点匹配并利用水平集的分割方式对所述第一目标轮廓进行不重叠分割，将第一目标轮廓，隐含地表达为二维曲线面函数的水平集，即具有相同函数的点集，实现将几何活动轮廓模型的演化转化为水平集函数的偏微分方程的表达式的数值解的过程，最后通过变分法，将泛函极值问题转化为对偏微分方程的求解，然后把偏微分方程的极小解作为图像分割的结果。

本实施例中采用基于凹点匹配并利用水平集的重叠分割方式，可以使的重叠分割后的轮廓更圆滑。

当然，本实施例中对第一目标轮廓进行重叠分割方式仅仅是优选的，可以想见，采用其他的分割方式，同样也能对第一目标轮廓进行不重叠分割。

A8、为了去除第一目标轮廓中的干扰轮廓，本实施例调取已经过重叠分割后的第一目标轮廓，输入预定的网络学习第二模型。

本实施例中干扰轮廓主要是由由噪音造成的噪音干扰气泡轮廓，细胞的特征是细胞都具有细胞核，干扰轮廓没有细胞核，因此干扰轮廓不满足细胞特征，反应到图像中则是干扰轮廓中没有被染成深色的区域。

其中，所述网络学习第二模型使用干扰轮廓的图像数据和细胞图像数据训练出来的。

干扰轮廓图像数据包括：干扰轮廓信息和标识该轮廓为干扰轮廓的第二线索信息。

细胞图像数据包括：没有干扰轮廓的第二线索信息的细胞轮廓信息。

本实施例中具体的第二线索为：所述第一目标轮廓区域中的点的像素值不符合细胞图像染色的特征值。

A9、去除第一目标轮廓中的干扰轮廓，得到目标细胞。

A10、对目标细胞进行计数并将目标细胞图像进行保存。

当然本实施例对目标细胞进行技术并将目标细胞图像进行保存仅仅是优选的步骤，在实际应用中，可以仅对目标细胞进行计数，也可以仅对目标细胞图像进行保存。

A11、本实施例优选的提取的目标细胞特征信息包括：细胞轮廓周长、细胞面积、细胞横向宽度、细胞纵向高度、细胞灰度和细胞分裂状态。

当然本实施例中对上述目标细胞特征信息的提取仅仅是优选的步骤，在实际应用中，可以对上述目标细胞特征信息中的一种或多种；其中，提取的目标细胞特征信息包括细胞分裂状态时，则还要通过网络学习第三模型识别。

A12、本实施例中细胞分裂状态的特征信息通过调取目标细胞，输入预定的网络学习第三模型。

其中所述网络学习第三模型使用不同分裂状态下的细胞轮廓信息数据通过机器学习训练出来的。

所述不同分裂状态下的细胞轮廓信息数据包括：不同分裂状态下的细胞轮廓信息和标识该细胞轮廓处于该分裂状态下的对应标签。

本实施例中可以提取包括细胞分裂状态在内的等多种细胞特征，自动识别出细胞分裂状态，完成细胞计数并保存目标细胞图像，不需凭借人工去识别细胞的特征，而且操作简单，得到的细胞特征精确度高避免了在人工识别中的很多的主观因素同时也易于多地方大范围的推广。

需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种自动识别脑脊液细胞图像信息方法，其特征在于，包括：

S1、针对待处理的脑脊液细胞的原始图像，对所述原始图像进行预处理，得到预处理后的图像；

S2、采用最小化模型对所述与处理后的图像进行分割，获取分割后的目标细胞图像；

其中，最小化模型为对所述与处理后的图像进行分割，使分割后的每一个图像内均只包含一个目标细胞；

S3、提取图像中目标细胞的特征。

2.根据权利要求1所述的方法，其特征在于，步骤S2和步骤S3之间还包括：

S'2、对分割后的目标细胞进行计数；

或者，将分割后的目标细胞图像进行保存。

3.根据权利要求2所述的方法，其特征在于，所述步骤S1包括：

对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理，得到预处理后的图像。

4.根据权利要求3所述的方法，其特征在于，所述步骤S2包括：

S2-1、检测所述已处理后的图像中的所有封闭轮廓，获取存在于封闭轮廓中的第一目标轮廓；

S2-2、对第一目标轮廓进行不重叠分割；

S2-3、基于细胞特征和图像染色的特性，获取第一目标轮廓中的目标细胞。

5.根据权利要求4所述的方法，其特征在于，所述步骤S2-1包括：

S2-1-1、采用边缘检测法获取图像中的所有封闭轮廓的边缘信息；

S2-1-2、利用集成分类器对图像进行第一次分割，得到多个具有封闭轮廓的图像块，其中所述图像块中只有一个封闭轮廓或多个重叠的封闭轮廓；

S2-1-3、调取所有封闭轮廓的边缘信息，输入预定的网络学习第一模型；

其中，所述网络学习第一模型使用预先识别的具有封闭轮廓的细胞的数据训练的；

所述具有封闭轮廓的细胞数据包括第一类数据和第二类数据；

所述第一类数据中的每组数据均包括细胞轮廓信息和标识该封闭轮廓为细胞轮廓的第一线索信息；

第二类数据中的每组数据均包括：不包括细胞轮廓的信息和标识该封闭轮廓为细胞轮廓的第一线索信息；

S2-1-4、将不满足细胞轮廓第一线索信息的封闭轮廓去除，得到第一目标轮廓。

6.根据权利要求5所述的方法，其特征在于，所述步骤S2-2中，采用基于凹点匹配并利用水平集的分割方式，对第一目标轮廓进行不重叠分割。

7.根据权利要求6所述的方法，其特征在于，所述步骤S2-3包括：

S2-3-1、将已经过不重叠分割后的第一目标轮廓，输入预定的网络学习第二模型，检测出第一目标轮廓中的干扰轮廓；

其中，所述干扰轮廓为不满足细胞特征及图像染色特性的第一目标轮廓；

其中，所述网络学习第二模型使用干扰轮廓的图像数据和细胞图像数据训练出来的；

干扰轮廓图像数据包括：干扰轮廓信息和标识该轮廓为干扰轮廓的第二线索信息；

细胞图像数据包括：没有干扰轮廓的第二线索信息的细胞轮廓信息；

S2-3-2、将第一目标轮廓中的干扰轮廓去除，得到目标细胞。

8.根据权利要求7所述的方法，其特征在于，所述步骤S3包括：

获取目标细胞特征信息包括：细胞轮廓周长、细胞面积、细胞横向宽度、细胞纵向高度、细胞灰度和细胞分裂状态；

其中，在目标细胞特征信息包括细胞分裂状态时，所述方法还包括：

S4、调取目标细胞，输入预定的网络学习第三模型，识别目标细胞的特征；

其中所述网络学习第三模型使用不同分裂状态下的细胞轮廓信息数据通过机器学习训练出来的；

所述不同分裂状态下的细胞轮廓信息数据包括：不同分裂状态下的细胞轮廓信息和标识该细胞轮廓处于该分裂状态下的对应标签。

9.根据权利要求8所述的方法，其特征在于，所述步骤S2-1-3中的第一线索为：所述封闭轮廓的图像亮度以及所述封闭轮廓的内外两侧明暗对比度符合所述细胞轮廓的阈值；

所述步骤S2-3-1中的第二线索为：所述第一目标轮廓区域中的点的像素值不符合细胞图像染色的特征值。

10.根据权利要去1所述的方法，其特征在于，所述步骤S1中对所述原始图像的预处理包括：

对所述原始图像依次进行去除染色干扰处理、灰度映射处理、自适应直方图均衡处理；其中，在所述灰度映射处理中，将经过所述去除染色干扰的图像，转化为灰度图，并进行灰度映射，将灰度范围映射到0-255。

Images