CN111091571B - 细胞核分割方法、装置、电子设备及计算机可读存储介质 - Google Patents
细胞核分割方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111091571B CN111091571B CN201911290859.XA CN201911290859A CN111091571B CN 111091571 B CN111091571 B CN 111091571B CN 201911290859 A CN201911290859 A CN 201911290859A CN 111091571 B CN111091571 B CN 111091571B
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- segmented
- area
- processed
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 65
- 210000003855 cell nucleus Anatomy 0.000 title claims abstract description 61
- 210000004027 cell Anatomy 0.000 claims abstract description 270
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000001464 adherent effect Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 21
- 210000004940 nucleus Anatomy 0.000 claims description 20
- 239000012535 impurity Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 210000005266 circulating tumour cell Anatomy 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- FWBHETKCLVMNFS-UHFFFAOYSA-N 4',6-Diamino-2-phenylindol Chemical compound C1=CC(C(=N)N)=CC=C1C1=CC2=CC=C(C(N)=N)C=C2N1 FWBHETKCLVMNFS-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 102000053602 DNA Human genes 0.000 description 2
- 108020004414 DNA Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010166 immunofluorescence Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T7/13—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
- 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
- G06V20/698—Matching; Classification
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种细胞核分割方法、装置、电子设备及计算机可读存储介质，涉及图像处理技术领域，该方法包括：获取待分割的原始细胞图像；确定该原始细胞图像中的待分割区域；采用圆检测算法对待分割区域进行细胞核分割，得到目标分割图像。这种采用圆检测算法对原始细胞图像中的待分割区域进行细胞核分割的方式，与现有技术中利用分水岭方法进行细胞核分割的方式相比，分割准确度更高，能够在一定程度上缓解实际应用需求。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种细胞核分割方法、装置、电子设备及计算机可读存储介质。
背景技术
CTC(circulating tumour cell，循环肿瘤细胞)指进入外周血循环的肿瘤细胞。CTC与肿瘤的临床分期、转移以及预后有密切联系。随着检测技术的提高，CTC越来越受到重视，对CTC数量进行跟踪监控有助于癌症早期诊断、预后判断和药效评估。
为了对CTC进行计数，首先需要从癌症患者血液中分离出疑似CTC的细胞，然后将分离出来的CTC通过免疫荧光等手段进行鉴定，最终获得准确的CTC数量。数字图像处理是计算机科学中及其重要的领域，其中医学图像成为了疾病诊断中重要技术之一，通过机器读取医学影像成为了一个热点。采用数字图像处理技术进行CTC识别判读时，采集得到的图像往往分辨率较大，一幅图片的像素数可能高达108到1010。如果对整张图片进行图像处理，速度及算法有效性都将受到很大影响。所以在图像处理过程中需要先将图像进行分块处理，通过细胞核分割技术提取出CTC细胞核位置是进一步识别的关键。
传统的细胞核分割方法通常是利用分水岭方法进行细胞核分割。然而这种分割方法的分割效果还不够理想，无法满足实际应用需求。
发明内容
本发明的目的在于提供一种细胞核分割方法、装置、电子设备及计算机可读存储介质，以提高分割准确度，缓解实际应用需求。
本发明提供了一种细胞核分割方法，包括：获取待分割的原始细胞图像；确定所述原始细胞图像中的待分割区域；采用圆检测算法对所述待分割区域进行细胞核分割，得到目标分割图像。
进一步地，所述获取待分割的原始细胞图像，包括：获取目标拍摄对象的多张细胞切片图像；将各所述细胞切片图像投射到同一平面，得到融合细胞图像；其中，所述融合细胞图像中每个像素点的灰度值为各所述细胞切片图像中对应像素点的灰度值之和；将所述融合细胞图像中各像素点的灰度值映射到预设的灰度范围，得到待分割的原始细胞图像。
进一步地，所述确定所述原始细胞图像中的待分割区域，包括：通过对所述原始细胞图像进行去噪预处理和阈值分割处理，从所述原始细胞图像中提取多个待处理对象；从多个所述待处理对象中筛选出待分割细胞；根据所述待分割细胞的位置边界信息确定所述原始细胞图像中的待分割区域。
进一步地，所述通过对所述原始细胞图像进行去噪预处理和阈值分割处理，从所述原始细胞图像中提取多个待处理对象，包括：对所述原始细胞图像进行Gamma变换和顶帽变换，得到去噪细胞图像；通过对所述去噪细胞图像进行自适应阈值分割和形态学运算，提取出多个待处理对象；其中，所述形态学运算包括闭运算和/或开运算。
进一步地，所述从多个所述待处理对象中筛选出待分割细胞，包括：对于每个所述待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别；其中，所述类别包括杂质、不完整细胞、独立细胞、粘连细胞和重叠细胞中的任一种；将所述类别为粘连细胞的待处理对象确定为待分割细胞。
进一步地，所述采用圆检测算法对所述待分割区域进行细胞核分割，得到目标分割图像，包括：对所述待分割区域进行边缘检测，并判断是否检测到前景点；如果是，采用圆检测算法对所述待分割区域进行细胞核检测，得到多个目标细胞核的位置边界信息；根据各所述目标细胞核的位置边界信息对所述原始细胞图像进行细胞核分割，得到目标分割图像。
进一步地，在所述对于每个所述待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别之后，所述方法还包括：将所述类别为杂质的待处理对象确定为待去除对象，并将所述类别为重叠细胞的待处理对象确定为待人工分割对象；在所述原始细胞图像中去除所述待去除对象，并在所述原始细胞图像中标记出所述待人工分割对象，以供人工辅助判别。
本发明还提供了一种细胞核分割装置，包括：获取模块，用于获取待分割的原始细胞图像；确定模块，用于确定所述原始细胞图像中的待分割区域；分割模块，用于采用圆检测算法对所述待分割区域进行细胞核分割，得到目标分割图像。
本发明还提供了一种电子设备，包括存储器、处理器，所述存储器中存储有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上述的细胞核分割方法。
本发明还提供了一种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，所述计算机程序被处理器运行时执行上述的细胞核分割方法。
本发明提供的细胞核分割方法、装置、电子设备及计算机可读存储介质中，该方法包括：获取待分割的原始细胞图像；确定该原始细胞图像中的待分割区域；采用圆检测算法对待分割区域进行细胞核分割，得到目标分割图像。这种采用圆检测算法对原始细胞图像中的待分割区域进行细胞核分割的方式，与现有技术中利用分水岭方法进行细胞核分割的方式相比，分割准确度更高，能够在一定程度上缓解实际应用需求。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，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为本发明实施例提供的一种细胞核分割方法的流程示意图；
图2为本发明实施例提供的另一种细胞核分割方法的流程示意图；
图3a为获取到的一张原始细胞图像；
图3b为对图3a所示的原始细胞图像进行自适应阈值分割后的二值图像；
图3c为对图3b所示的二值图像进行分类标记后的标记图像；
图3d为利用圆检测算法对图3c所示的标记图像进行细胞核分割后的目标分割图像；
图4为本发明实施例提供的一种细胞核分割装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做出创造性劳动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。
目前现有的细胞核分割方法通常是利用分水岭方法进行细胞核分割，这种方法的分割准确度不高，基于此，本发明实施例提供的一种细胞核分割方法、装置、电子设备及计算机可读存储介质，可以提高分割准确度，缓解实际应用需求。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种细胞核分割方法进行详细介绍。
参见图1所示的一种细胞核分割方法的流程示意图，该方法包括如下步骤：
步骤S102，获取待分割的原始细胞图像。
待分割的原始细胞图像可以但不限于为经DAPI染色后的循环肿瘤细胞图像。其中，DAPI即4',6-二脒基-2-苯基吲哚(4',6-diamidino-2-phenylindole)，是一种能够与DNA(DeoxyriboNucleic Acid，脱氧核糖核酸)强力结合的荧光染料。需要说明的是，本实施例仅以循环肿瘤细胞图像为例进行说明，在其他实施例中，原始细胞图像可以是其他种类的细胞图像。
步骤S104，确定上述原始细胞图像中的待分割区域。
从上述原始细胞图像中提取出包含待分割细胞的区域，将该区域记为待分割区域。其中，待分割细胞包括粘连细胞和/或重叠细胞。
步骤S106，采用圆检测算法对上述待分割区域进行细胞核分割，得到目标分割图像。
圆检测算法的原理如下：将圆形的一般性方程由x-y坐标系转换到a-b坐标系，写成如下形式：(a-x)2+(b-y)2＝r2。那么x-y坐标系中圆形边界上的一点对应到a-b坐标系中即为一个圆。x-y坐标系中一个圆形边界上有很多个点，对应到a-b坐标系中就会有很多个圆。
由于原始细胞图像中这些点都在同一个圆形边界(细胞核是圆形或类圆形的)上，直观表现为这许多点在a-b坐标系下对应的圆都会相交于一个点，这个交点就是圆心(a，b)。因此，可以通过圆检测算法对上述待分割区域内的细胞核进行检测，统计局部交点处圆的个数，取每一个局部最大值对应的交点，该交点的坐标即为待分割区域内细胞核的圆心坐标(a，b)，而一旦在某一个半径r下面检测到圆，那么半径r的值也就随之确定，也即可以确定细胞核的半径。
因此采用圆检测算法对待分割区域进行圆检测，可以得到多个细胞核的位置边界信息，该位置边界信息包括圆心坐标和半径；基于各个细胞核的位置边界信息即可完成对原始细胞图像的细胞核分割，得到目标分割图像。
本发明实施例中，该方法包括：获取待分割的原始细胞图像；确定该原始细胞图像中的待分割区域；采用圆检测算法对待分割区域进行细胞核分割，得到目标分割图像。这种采用圆检测算法对原始细胞图像中的待分割区域进行细胞核分割的方式，与现有技术中利用分水岭方法进行细胞核分割的方式相比，分割准确度更高，能够在一定程度上缓解实际应用需求。
考虑到图像采集设备采集到的可能是对细胞进行三维断层扫描的细胞切片图像，单张细胞切片图像不能代表细胞的边缘，多张细胞切片图像投射到同一平面的像素交集对应的区域才是细胞整体的最大区域分布，上述步骤S102包括：获取目标拍摄对象的多张细胞切片图像；将各细胞切片图像投射到同一平面，得到融合细胞图像；其中，该融合细胞图像中每个像素点的灰度值为各细胞切片图像中对应像素点的灰度值之和；将融合细胞图像中各像素点的灰度值映射到预设的灰度范围，得到待分割的原始细胞图像。
其中，上述灰度范围可以但不限于为0-255(即原始细胞图像为8位灰度图像)。上述目标拍摄对象可以但不限于为从血液中分离出的疑似CTC的细胞。
在一种可能的实现方式中，对应于同一个拍摄对象的15张细胞切片图像为一组，将这15张细胞切片图像投射到同一平面时，对该平面中的每个像素点均进行相应灰度值的叠加，并将叠加后的灰度值映射到0-255之间，得到基准图像，该基准图像即为待分割的原始细胞图像。
具体地，对于每个像素点，可以采用归一化算法实现灰度值的映射，映射公式如下：
其中，y表示原始细胞图像中像素点的灰度值，x表示融合细胞图像中像素点的灰度值，min(x)和max(x)分别表示融合细胞图像中各像素点的灰度值中的最小值和最大值。
为了进一步提高分割准确度，在一些可能的实施例中，上述步骤S104包括：通过对原始细胞图像进行去噪预处理和阈值分割处理，从原始细胞图像中提取多个待处理对象；从多个待处理对象中筛选出待分割细胞；根据待分割细胞的位置边界信息确定原始细胞图像中的待分割区域。
其中，上述待分割细胞的位置边界信息用于指示待分割细胞所处的区域范围，例如，位置边界信息可以包括中心位置坐标和尺寸，尺寸可以但不限于用长和宽来表示。通过去噪预处理和阈值分割处理，能够提高待处理对象的提取准确度，进而可以提高后续的分割准确度。
在一种可选的实现方式中，可以先对原始细胞图像进行Gamma变换和顶帽变换，得到去噪细胞图像；通过对去噪细胞图像进行自适应阈值分割和形态学运算，提取出多个待处理对象；其中，形态学运算包括闭运算和/或开运算。然后对于每个待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别；其中，类别包括杂质、不完整细胞、独立细胞、粘连细胞和重叠细胞中的任一种；将类别为粘连细胞的待处理对象确定为待分割细胞。最后将原始细胞图像中待分割细胞的位置边界信息对应的区域确定为待分割区域。
为了进一步提高分割准确度，在对各个待处理对象进行分类后，上述方法还包括：将类别为杂质的待处理对象确定为待去除对象，并将类别为重叠细胞的待处理对象确定为待人工分割对象；在原始细胞图像中去除待去除对象，并在原始细胞图像中标记出待人工分割对象，以供人工辅助判别。
本实施例考虑到原始细胞图像中提取的待处理对象可能为杂质、不完整细胞、独立细胞、粘连细胞和重叠细胞中的任一种，杂质并不需要保留，而重叠细胞的分割准确度较低，因此仅针对粘连细胞进行细胞核分割，并直接去除杂质，将重叠细胞标记后由人工处理，从而能够保证最终的分割准确度较高。
为了便于理解，下面参照图2所示的另一种细胞核分割方法的流程示意图，对该方法进行示例性描述。如图2所示，该方法包括如下步骤：
步骤S202，获取目标拍摄对象的15张细胞切片图像。
步骤S204，将上述15张细胞切片图像投射到同一平面，得到融合细胞图像；其中，该融合细胞图像中每个像素点的灰度值为各细胞切片图像中对应像素点的灰度值之和。
步骤S206，将融合细胞图像中各像素点的灰度值映射到0-255，得到待分割的原始细胞图像。
图3a为经上述步骤S202至步骤S206后，获取到的一张原始细胞图像，该原始细胞图像为一种经DAPI染色后的循环肿瘤细胞图像。
步骤S208，对上述原始细胞图像进行Gamma变换。
Gamma变换可以用来图像增强，提升暗部细节。Gamma变换通过非线性变换，让图像从曝光强度的线性响应变得更接近人眼感受的响应，即将漂白(相机曝光)或过暗(曝光不足)的图片，进行矫正。Gamma变换公式就是对原始细胞图像上每一个像素点的灰度值做乘积运算：
f(I)＝Iγ
其中，I表示原始细胞图像中的像素点的灰度值；F(I)表示Gamma变换后的灰度值；γ表示矫正参数。当γ<1时，增强低灰度区域；当γ>1时，增强高灰度区域。γ值的选取与图像质量和分割目标有关，例如γ＝0.6。
步骤S210，对Gamma变换后的图像进行顶帽变换，得到去噪细胞图像。
可以采用顶帽变换算法对Gamma变换后的图像进行顶帽变换，得到去噪细胞图像。顶帽变换算法可以对图像中细胞核及其周边区域构成的局部区域内的背景进行校正，顶帽变换算法中结构单元的形状可以为椭圆(与细胞核的形状对应)，结构单元的大小可以设为99×99(该数值仅为示例，与图像中细胞核的大小对应)。
步骤S212，对上述去噪细胞图像进行自适应阈值分割，得到二值图像。
可以对去噪细胞图像进行Otsu(最大类间方差法或大津法)自适应阈值分割，得到只保留前景色和背景色的二值图像，如图3b所示。
步骤S214，对上述二值图像进行形态学运算。
可以先对上述二值图像进行闭运算，再进行开运算。通过形态学运算可以分离相邻细胞(可以去除二值图像中相邻细胞之间的连接)、去除杂点、平滑边缘以及填充孔洞，形态学运算中结构单元的大小可以为5×5(仅为示例，与二值图像中细胞核的大小有关)。
步骤S216，对形态学运算后的图像进行连通域标记，得到多个待处理对象。
步骤S218，对于每个待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别。
在一种可能的实现方式中，通过对图像中细胞尺寸进行统计分析来预先设置以下分类参数：最小有效检测目标像素面积INCOMPLETE_NUCLEUS_AREA、最小独立细胞面积MIN_NUCLEUS_AREA、最大独立细胞面积MAX_NUCLEUS_AREA、比例阈值和长度阈值，基于上述分类参数对待处理对象进行分类，得到该待处理对象的类别。其中，最小有效检测目标像素面积指图像边缘处不完整细胞的最小面积。
具体地，面积小于最小有效检测目标像素面积的待处理对象为杂质，面积在最小有效检测目标像素面积和最小独立细胞面积之间的待处理对象为不完整细胞，面积大于最大独立细胞面积的待处理对象为重叠细胞；面积在最小独立细胞面积和最大独立细胞面积之间，并且长宽比或宽长比大于比例阈值或者长/宽大于长度阈值的待处理对象为粘连细胞；面积在最小独立细胞面积和最大独立细胞面积之间，长宽比和宽长比均小于或等于比例阈值，且长和宽均小于或等于长度阈值的待处理对象为独立细胞。
例如，上述分类参数分别为：
INCOMPLETE_NUCLEUS_AREA＝2000、
MIN_NUCLEUS_AREA＝3000、
MAX_NUCLEUS_AREA＝15000、
比例阈值＝1.5、
长度阈值＝160。
面积小于2000的待处理对象为杂质；面积在2000和3000之间的待处理对象为不完整细胞；面积大于15000的待处理对象为重叠细胞；面积在2000和3000之间，并且长宽比或宽长比大于1.5或者长/宽大于160的待处理对象为粘连细胞；其他待处理对象为独立细胞。上述面积、长和宽等尺寸的单位均为像素(pixel)。
图3c示出了对图3b所示的二值图像进行分类标记后的标记图像，其中实线矩形框表示独立细胞，虚线矩形框表示粘连细胞。
步骤S220，将类别为粘连细胞的待处理对象确定为待分割细胞。
步骤S222，根据上述待分割细胞的位置边界信息确定原始细胞图像中的待分割区域。
步骤S224，采用圆检测算法对上述待分割区域进行细胞核分割，得到目标分割图像。
在一些可能的实施例中，步骤S224包括：对所述待分割区域进行边缘检测，并判断是否检测到前景点(边界点)；如果否，不对该待分割区域进行处理；如果是，采用圆检测算法对该待分割区域进行细胞核检测，得到多个目标细胞核的位置边界信息；根据各目标细胞核的位置边界信息对原始细胞图像进行细胞核分割，得到目标分割图像。如果存在待分割的粘连细胞，必定属于前景点，本实施例基于此先进行了粘连细胞的验证，这样可以避免计算资源的不必要浪费。
可选地，上述圆检测算法可以采用基于Hough变换的圆检测算法。
图3d示出了利用圆检测算法对图3c所示的标记图像进行细胞核分割后的目标分割图像，从图3d可以看出，虚线矩形框中已将原始的粘连细胞分割为了多个细胞核。
另外，还可以将上述目标分割图像与各细胞切片图像进行掩膜运算，从而实现各细胞切片图像的细胞核分割。
本实施例中，对多张细胞切片图像进行图像融合得到待分割的原始细胞图像，通过Gamma变换、顶帽变换、自适应阈值分割和形态学运算从原始细胞图像中提取待处理对象，仅将类别为粘连细胞的待处理对象在原始细胞图像中对应的区域确定待分割区域，进而基于圆检测算法对待分割区域进行细胞核分割，得到目标分割图像。与现有技术相比，该方法提高了分割准确度。
对应于上述的细胞核分割方法，本发明实施例还提供了一种细胞核分割装置。参见图4所示的一种细胞核分割装置的结构示意图，该装置包括：
获取模块42，用于获取待分割的原始细胞图像；
确定模块44，用于确定原始细胞图像中的待分割区域；
分割模块46，用于采用圆检测算法对待分割区域进行细胞核分割，得到目标分割图像。
本发明实施例中，该装置包括：获取模块42获取待分割的原始细胞图像；确定模块44确定该原始细胞图像中的待分割区域；分割模块46采用圆检测算法对待分割区域进行细胞核分割，得到目标分割图像。这种采用圆检测算法对原始细胞图像中的待分割区域进行细胞核分割的方式，与现有技术中利用分水岭方法进行细胞核分割的方式相比，分割准确度更高，能够在一定程度上缓解实际应用需求。
可选地，上述获取模块42具体用于：获取目标拍摄对象的多张细胞切片图像；将各细胞切片图像投射到同一平面，得到融合细胞图像；其中，融合细胞图像中每个像素点的灰度值为各细胞切片图像中对应像素点的灰度值之和；将融合细胞图像中各像素点的灰度值映射到预设的灰度范围，得到待分割的原始细胞图像。
可选地，上述确定模块44具体用于：通过对原始细胞图像进行去噪预处理和阈值分割处理，从原始细胞图像中提取多个待处理对象；从多个待处理对象中筛选出待分割细胞；根据待分割细胞的位置边界信息确定原始细胞图像中的待分割区域。
可选地，上述确定模块44在用于通过对原始细胞图像进行去噪预处理和阈值分割处理，从原始细胞图像中提取多个待处理对象时，具体用于：对原始细胞图像进行Gamma变换和顶帽变换，得到去噪细胞图像；通过对去噪细胞图像进行自适应阈值分割和形态学运算，提取出多个待处理对象；其中，形态学运算包括闭运算和/或开运算。
可选地，上述确定模块44在用于从多个待处理对象中筛选出待分割细胞时，具体用于：对于每个待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别；其中，类别包括杂质、不完整细胞、独立细胞、粘连细胞和重叠细胞中的任一种；将类别为粘连细胞的待处理对象确定为待分割细胞。
可选地，上述分割模块46具体用于：对待分割区域进行边缘检测，并判断是否检测到前景点；如果是，采用圆检测算法对待分割区域进行细胞核检测，得到多个目标细胞核的位置边界信息；根据各目标细胞核的位置边界信息对原始细胞图像进行细胞核分割，得到目标分割图像。
可选地，上述确定模块44还用于：将类别为杂质的待处理对象确定为待去除对象，并将类别为重叠细胞的待处理对象确定为待人工分割对象；在原始细胞图像中去除待去除对象，并在原始细胞图像中标记出待人工分割对象，以供人工辅助判别。
本实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行该计算机程序时实现上述的细胞核分割方法。
参见图5，本发明实施例提供的一种电子设备100包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
附图中的流程图和框图显示了根据本发明的多个实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例所提供的进行细胞核分割方法的计算机程序产品，包括存储有计算机程序的计算机可读存储介质，该计算机程序被处理器运行时执行前面方法实施例中所述的方法。该计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种细胞核分割方法，其特征在于，包括：
获取待分割的原始细胞图像；
确定所述原始细胞图像中的待分割区域；
采用圆检测算法对所述待分割区域进行细胞核分割，得到目标分割图像；
所述获取待分割的原始细胞图像，包括：
获取目标拍摄对象的多张细胞切片图像；
将各所述细胞切片图像投射到同一平面，得到融合细胞图像；其中，所述融合细胞图像中每个像素点的灰度值为各所述细胞切片图像中对应像素点的灰度值之和；
将所述融合细胞图像中各像素点的灰度值映射到预设的灰度范围，得到待分割的原始细胞图像；
所述采用圆检测算法对所述待分割区域进行细胞核分割，得到目标分割图像，包括：
对所述待分割区域进行边缘检测，并判断是否检测到前景点；
如果是，采用圆检测算法对所述待分割区域进行细胞核检测，得到多个目标细胞核的位置边界信息；
根据各所述目标细胞核的位置边界信息对所述原始细胞图像进行细胞核分割，得到目标分割图像；
所述确定所述原始细胞图像中的待分割区域，包括：
通过对所述原始细胞图像进行去噪预处理和阈值分割处理，从所述原始细胞图像中提取多个待处理对象；
从多个所述待处理对象中筛选出待分割细胞；
根据所述待分割细胞的位置边界信息确定所述原始细胞图像中的待分割区域；
所述从多个所述待处理对象中筛选出待分割细胞，包括：
对于每个所述待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别；其中，所述类别包括杂质、不完整细胞、独立细胞、粘连细胞和重叠细胞中的任一种；
将所述类别为粘连细胞的待处理对象确定为待分割细胞；
所述对于每个所述待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别，包括：
通过对图像中细胞尺寸进行统计分析来预先设置以下分类参数：最小有效检测目标像素面积、最小独立细胞面积、最大独立细胞面积、比例阈值和长度阈值，并基于所述分类参数对所述待处理对象进行分类，得到该待处理对象的类别；其中，所述最小有效检测目标像素面积指图像边缘处不完整细胞的最小面积；面积小于所述最小有效检测目标像素面积的待处理对象为杂质，面积在所述最小有效检测目标像素面积和所述最小独立细胞面积之间的待处理对象为不完整细胞，面积大于所述最大独立细胞面积的待处理对象为重叠细胞；面积在所述最小独立细胞面积和所述最大独立细胞面积之间，并且长宽比或宽长比大于所述比例阈值、或者长/宽大于所述长度阈值的待处理对象为粘连细胞；面积在所述最小独立细胞面积和所述最大独立细胞面积之间，长宽比和宽长比均小于或等于所述比例阈值，且长和宽均小于或等于所述长度阈值的待处理对象为独立细胞。
2.根据权利要求1所述的方法，其特征在于，所述通过对所述原始细胞图像进行去噪预处理和阈值分割处理，从所述原始细胞图像中提取多个待处理对象，包括：
对所述原始细胞图像进行Gamma变换和顶帽变换，得到去噪细胞图像；
通过对所述去噪细胞图像进行自适应阈值分割和形态学运算，提取出多个待处理对象；其中，所述形态学运算包括闭运算和/或开运算。
3.根据权利要求1所述的方法，其特征在于，在所述对于每个所述待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别之后，所述方法还包括：
将所述类别为杂质的待处理对象确定为待去除对象，并将所述类别为重叠细胞的待处理对象确定为待人工分割对象；
在所述原始细胞图像中去除所述待去除对象，并在所述原始细胞图像中标记出所述待人工分割对象，以供人工辅助判别。
4.一种细胞核分割装置，其特征在于，包括：
获取模块，用于获取待分割的原始细胞图像；
确定模块，用于确定所述原始细胞图像中的待分割区域；
分割模块，用于采用圆检测算法对所述待分割区域进行细胞核分割，得到目标分割图像；
所述获取模块具体用于：获取目标拍摄对象的多张细胞切片图像；将各所述细胞切片图像投射到同一平面，得到融合细胞图像；其中，所述融合细胞图像中每个像素点的灰度值为各所述细胞切片图像中对应像素点的灰度值之和；将所述融合细胞图像中各像素点的灰度值映射到预设的灰度范围，得到待分割的原始细胞图像；
所述分割模块具体用于：对所述待分割区域进行边缘检测，并判断是否检测到前景点；如果是，采用圆检测算法对所述待分割区域进行细胞核检测，得到多个目标细胞核的位置边界信息；根据各所述目标细胞核的位置边界信息对所述原始细胞图像进行细胞核分割，得到目标分割图像；
所述确定模块具体用于：通过对所述原始细胞图像进行去噪预处理和阈值分割处理，从所述原始细胞图像中提取多个待处理对象；从多个所述待处理对象中筛选出待分割细胞；根据所述待分割细胞的位置边界信息确定所述原始细胞图像中的待分割区域；
所述确定模块在用于从多个所述待处理对象中筛选出待分割细胞时，具体用于：对于每个所述待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别；其中，所述类别包括杂质、不完整细胞、独立细胞、粘连细胞和重叠细胞中的任一种；将所述类别为粘连细胞的待处理对象确定为待分割细胞；
所述确定模块在用于对于每个所述待处理对象，根据该待处理对象的尺寸对该待处理对象进行分类，得到该待处理对象的类别时，具体用于：通过对图像中细胞尺寸进行统计分析来预先设置以下分类参数：最小有效检测目标像素面积、最小独立细胞面积、最大独立细胞面积、比例阈值和长度阈值，并基于所述分类参数对所述待处理对象进行分类，得到该待处理对象的类别；其中，所述最小有效检测目标像素面积指图像边缘处不完整细胞的最小面积；面积小于所述最小有效检测目标像素面积的待处理对象为杂质，面积在所述最小有效检测目标像素面积和所述最小独立细胞面积之间的待处理对象为不完整细胞，面积大于所述最大独立细胞面积的待处理对象为重叠细胞；面积在所述最小独立细胞面积和所述最大独立细胞面积之间，并且长宽比或宽长比大于所述比例阈值、或者长/宽大于所述长度阈值的待处理对象为粘连细胞；面积在所述最小独立细胞面积和所述最大独立细胞面积之间，长宽比和宽长比均小于或等于所述比例阈值，且长和宽均小于或等于所述长度阈值的待处理对象为独立细胞。
5.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-3中任一项所述的方法。
6.一种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，其特征在于，所述计算机程序被处理器运行时执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911290859.XA CN111091571B (zh) | 2019-12-12 | 2019-12-12 | 细胞核分割方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911290859.XA CN111091571B (zh) | 2019-12-12 | 2019-12-12 | 细胞核分割方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111091571A CN111091571A (zh) | 2020-05-01 |
| CN111091571B true CN111091571B (zh) | 2024-05-14 |
Family
ID=70396403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911290859.XA Active CN111091571B (zh) | 2019-12-12 | 2019-12-12 | 细胞核分割方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091571B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184723B (zh) * | 2020-09-16 | 2024-03-26 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| CN112651368B (zh) * | 2020-12-30 | 2023-03-28 | 宁波江丰生物信息技术有限公司 | 一种用于大尺寸细胞显微图像的dna倍体分析方法 |
| CN113177957B (zh) * | 2021-05-24 | 2024-03-08 | 西交利物浦大学 | 一种细胞图像的分割方法、装置、电子设备及存储介质 |
| CN113450363B (zh) * | 2021-06-10 | 2023-05-02 | 西安交通大学 | 一种基于标签校正的元学习细胞核分割系统及方法 |
| CN114332095A (zh) * | 2021-12-09 | 2022-04-12 | 北京交通大学 | 一种基于多层结构的细胞分割方法、装置及电子设备 |
| CN115165710B (zh) * | 2022-09-08 | 2022-11-29 | 珠海圣美生物诊断技术有限公司 | 细胞的快速扫描方法和装置 |
| CN116342686A (zh) * | 2023-05-29 | 2023-06-27 | 苏州创腾软件有限公司 | 基于OpenCV图像处理的细胞分类计数方法和装置 |
| CN116703927B (zh) * | 2023-08-08 | 2023-11-03 | 苏州深捷信息科技有限公司 | 基于明场光学图像处理的细胞计数方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
| CN105574528A (zh) * | 2015-12-15 | 2016-05-11 | 安徽工业大学 | 一种基于多相互斥水平集的黏连细胞图像分割方法 |
| CN108090928A (zh) * | 2017-11-01 | 2018-05-29 | 浙江农林大学 | 一种检测与筛选类圆形细胞区域的方法及系统 |
-
2019
- 2019-12-12 CN CN201911290859.XA patent/CN111091571B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
| CN105574528A (zh) * | 2015-12-15 | 2016-05-11 | 安徽工业大学 | 一种基于多相互斥水平集的黏连细胞图像分割方法 |
| CN108090928A (zh) * | 2017-11-01 | 2018-05-29 | 浙江农林大学 | 一种检测与筛选类圆形细胞区域的方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Segmenting overlapping cell nuclei in digital histopathology images;Jie Shu et al.;2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC);20130926;第1-4页 * |
| 多特征聚类与粘连分离模型的细胞抹片图像分割与分类;王品 等;生物医学工程学杂志;20170831;第34卷(第4期);第614-621页 * |
| 杨倩.动物组织学与胚胎学 中英文对照数字化教材 动物医学 动物科学及淡水养殖专业用.中国农业大学出版社,2018,(第2版),第25-28页. * |
| 陈香美.肾脏病学实验技术操作规程.人民军医出版社,2011,(第1版),第66-70页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111091571A (zh) | 2020-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091571B (zh) | 细胞核分割方法、装置、电子设备及计算机可读存储介质 | |
| Veta et al. | Automatic nuclei segmentation in H&E stained breast cancer histopathology images | |
| CN109978890B (zh) | 基于图像处理的目标提取方法、装置及终端设备 | |
| CN110678903B (zh) | 用于3d图像中异位骨化的分析的系统和方法 | |
| Phoulady et al. | Automatic quantification and classification of cervical cancer via adaptive nucleus shape modeling | |
| US20110249883A1 (en) | Methods for segmenting objects in images | |
| CN111986183B (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
| CN107038704B (zh) | 视网膜图像渗出区域分割方法、装置和计算设备 | |
| CN109636801B (zh) | 自动获取her2荧光原位杂交结果的电子设备及介质 | |
| Öztürk et al. | Comparison of HOG, MSER, SIFT, FAST, LBP and CANNY features for cell detection in histopathological images | |
| CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
| Apou et al. | Detection of lobular structures in normal breast tissue | |
| CN110060246B (zh) | 一种图像处理方法、设备及存储介质 | |
| CN110647889B (zh) | 医学图像识别方法、医学图像识别装置、终端设备及介质 | |
| 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 | |
| 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 | |
| CN109753981A (zh) | 一种图像识别的方法及装置 | |
| CN117765330A (zh) | 基于mri图像的数据标注方法及系统 | |
| Mäder et al. | Image‐Processing Scheme to Detect Superficial Fungal Infections of the Skin | |
| Oprisescu et al. | Automatic pap smear nuclei detection using mean-shift and region growing | |
| CN116959712A (zh) | 基于病理图像的肺腺癌预后方法、系统、设备及存储介质 | |
| CN114693634A (zh) | X光图像非人体组织区域的识别方法、装置、设备和介质 | |
| CN113920100A (zh) | 基于知识蒸馏的弱监督骨扫描图像热点分割方法及系统 | |
| Tafavogh et al. | Segmenting neuroblastoma tumor images and splitting overlapping cells using shortest paths between cell contour convex regions | |
| Golbstein et al. | A novel high-throughput multispectral cell segmentation algorithm |
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 |