CN111275727B - 细胞分割方法、装置及计算机可读存储介质 - Google Patents
细胞分割方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111275727B CN111275727B CN202010061644.7A CN202010061644A CN111275727B CN 111275727 B CN111275727 B CN 111275727B CN 202010061644 A CN202010061644 A CN 202010061644A CN 111275727 B CN111275727 B CN 111275727B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- segmentation
- cell nucleus
- cell
- 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 126
- 238000000034 method Methods 0.000 title claims abstract description 88
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 159
- 210000004027 cell Anatomy 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 210000004940 nucleus Anatomy 0.000 claims description 40
- 239000002245 particle Substances 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 239000003086 colorant Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 17
- 230000001575 pathological effect Effects 0.000 description 17
- 238000009825 accumulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004043 dyeing Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000010186 staining Methods 0.000 description 5
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012764 semi-quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/20—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
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Abstract
本发明提供了一种细胞分割方法、装置及计算机可读存储介质。该方法包括获取原始图像；对原始图像进行处理，得到图像Igray；采用局部阈值法对图像Igray进行处理，得到图像ICLT；采用LoG算法对图像Igray进行处理，得到图像ILoG；对图像ICLT和图像ILoG进行融合运算得到图像Ifuse；对图像Ifuse进行细胞分割得到细胞核分割图像。本发明将彩色图像转换为灰度图像Igray再进行分割，能够避免原始图像中颜色分布不均匀造成的细胞核误检和漏检问题。本发明使用约束的局部阈值法与LoG算法融合的方式获取细胞核像素点，能够避免原始图像中强度分布不均匀造成的细胞核误检和漏检问题。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种细胞分割方法、装置及计算机可读存储介质。
背景技术
对病理图像的分析是肿瘤诊断和评估的一种重要的临床和研究手段。然而，常规的基于人工的定性或半定量的分析，往往带有主观性、个体差异性和不可重现性。细胞核是病理图像的基本组成单元，其通常也是生物标记集中分布的地方。基于图像处理的细胞核的自动分割与计数技术，可以快速、准确、可重现的获得客观的定量数据，从而提高对病理图像的分析效率。细胞核分割与计数的难点在于细胞核形态的多样性，细胞核像素点的强度或染色分布不均匀，以及细胞核大量堆积和重叠等。
目前对病理图像中的细胞核进行分割与计数的技术大都是针对染色较均匀且细胞核堆积与重叠较少的图像。例如通过全局聚类的方法提取细胞核(参见中国专利文献CN108288265 A，CN 110232410 A)以及使用颜色检测的方法提取细胞核(参见中国专利文献CN 105550651 A，Casiraghi,E.et al(2017，2018))。这些方法在遇到图像中的细胞核像素点的强度或染色分布不均匀时，部分背景像素点可能与部分细胞核像素点具有相同的强度或染色，从而可能造成对细胞核的误检和漏检。同时，这种情况也可能会造成图像中细胞核的边缘梯度与背景的边缘梯度难以区分，通过计算边缘梯度，然后使用动态梯度阈值的方法提取细胞核(CN 110517273 A)的方法也可能存在不足。
中国专利文献CN 110223305 A提出使用反卷积算法分离得到DAB通道灰度图像和苏木精通道灰度图像，对苏木精通道灰度图像使用LoG计算细胞核边缘，然后以局部极大值作为种子，使用分水岭算法分割细胞核。该方法使用颜色分离的方法获取到可能的细胞核像素点，在遇到细胞核像素点的强度或染色分布不均匀时，获取到的细胞核像素点可能不全，从而使得后续的种子点获取存在不足。另外，使用LoG算子计算细胞核边缘容易造成细胞核边缘特性的丢失，对于细胞核大量堆积和重叠的区域，可能难以获得理想的细胞核分割效果。
中国专利文献CN 110415255 A公开了一种免疫组化病理图像CD3阳性细胞核分割方法及系统。该方法使用颜色反卷积分离染色通道，对分离后的图像使用超像素分割和Kmeans聚类去除背景，然后采用局部阈值Berson去除染色差异干扰，最后用分水岭算法进行细胞核分割。该方法考虑了减少染色差异的干扰，但是颜色反卷积并不能解决细胞核像素点的强度或染色分布不均匀的问题，其在细胞核分割时仍然存在不足。同时，该方法在对重叠细胞核分割时，采用了重建的开闭操作并取局部极大值得到前景区域，把前景区域中的局部极小值作为细胞核中心，再使用分水岭算法分割。利用重建的开闭操作会平滑图像，从而减少细胞核像素点的强度或染色分布不均匀的影响，但也会使得大量堆积与重叠的细胞核之间的可拆分特性减少。例如大量堆积的细胞核之间具有相似像素点强度值，重建的开闭操作处理后的前景区域，可能会难以计算其局部极小值。
国际上的现有技术，包括快速径向对称算法(Zafari,S.et al(2015))，超像素分割算法(Borovec,J.and Kybic,J.(2014))和交互式学习与分割工具包(ilastik，https://www.ilastik.org/.)具有细胞核分割功能。基于分水岭的细胞核分割算法(Shu J.et al(2013))和细胞图像分析软件(CellProfiler，https://cellprofiler.org/)具有细胞核分割与计数的功能。但是，这些技术在面对病理图像存在像素点强度分布不均匀，以及大量细胞核堆积与重叠的问题时，仍然存在不足。
其中，基于分水岭的细胞核分割算法(Shu J.et al(2013))也使用了局部阈值法获取细胞核像素点，但是该方法只使用了像素点的强度特征，而没有考虑细胞核的形状特征。并且，该方法的局部阈值是对整个图像进行按步长的筛选。该方法获取细胞核像素点的准确度依赖于步长的设置，在面对细胞核大小差异较大的图像时获取细胞核像素点存在不足。在分割堆积与重叠细胞核时，该方法是基于条件设置的分水岭算法，条件的设置虽然考虑了像素点的强度与细胞核大小的限制条件，但并没有整合这些条件，在分割堆积与重叠细胞核时，对细胞核边缘的分割存在不足。
基于神经网络的细胞核分割方法可以很好的分割细胞核，例如Akram et al.(2016)；Naylor et al.(2019)；Sornapudi et al.(2018)；Sirinukunwattana et al.(2016)；Fehri et al.(2019)；Saha et al.(2018)；Hollandi et al.(2019)；Mahmood etal.(2018)等。但是，这些方法都需要人工标记的训练数据集，极大的增加了细胞核分割的整体时间成本。另外，这些已经训练好的模型，在面对一个新的病理图像数据集，且数据集中的图像存在像素点强度分布不均匀，以及大量细胞核堆积与重叠的问题时，由于模型训练样本的不足，也难以获得让人满意的效果。
因此，当病理图像存在像素点强度分布不均匀，以及大量细胞核堆积与重叠的问题时，如何对病理图像中的荧光成像的病理图象中的细胞核进行分割与计数，成为了本领域技术人员亟待解决的技术问题和始终研究的重点。
发明内容
有鉴于此，本发明实施例提供了一种细胞分割方法、装置及计算机可读存储介质，以解决当图像像素点强度分布不均匀、大量细胞核堆积与重叠时，现有的细胞分割方法存在漏检和误检的问题。
为此，本发明实施例提供了如下技术方案：
本发明第一方面，提供了一种细胞分割方法，包括：
获取原始图像；
对所述原始图像进行处理，得到图像Igray；
采用局部阈值法对所述图像Igray进行处理，得到图像ICLT；
采用LoG算法对所述图像Igray进行处理，得到图像ILoG；
对所述图像ICLT和所述图像ILoG进行融合运算得到图像Ifuse；
对所述图像Ifuse进行细胞分割得到细胞核分割图像。
可选地，对所述图像ICLT和所述图像ILoG进行融合运算得到所述图像Ifuse包括：
对所述图像ICLT和所述图像ILoG进行或运算。
可选地，采用局部阈值法对所述图像Igray进行处理，得到图像ICLT包括：
获取所述原始图像中细胞核的半径估计值r；
获取所述图像Igray对应的全局阈值Tg；
采用所述全局阈值Tg对所述图像Igray进行二值化处理，并对二值化以后的图像提取边缘像素点，获得包含边缘像素点的图像Iedge；
以所述图像Igray为掩模，以所述图像Iedge中的所述边缘像素点为中心，半径估计值r的2倍为边长的正方形区域内计算局部阈值Tl；
对所述正方形区域内的像素点进行筛选，筛选的公式如下：
其中，f(p)是在正方形区域内的像素点的值，I(p)是Igray图像中的像素点值，Tl是所述局部阈值Tl，Tg是所述全局阈值Tg，otherwise是否则，筛选后的图像为Ilocal；
对图像Ilocal使用Isodata的自动阈值获取方法获取所述图像Ilocal对应的全局阈值Tg2；
采用所述全局阈值Tg2对所述图像Ilocal进行二值化处理，得到所述图像ICLT。
可选地，对所述图像Ifuse进行细胞分割得到细胞核分割图像包括：
获取所述原始图像中细胞核的半径估计值r；
获取所述原始图像中的噪声颗粒大小Snoise＝r×r/4；
获取所述原始图像中的超像素种子点的大小Ssuperseed＝r；
对所述图像Ifuse使用基于最终腐蚀点的分水岭算法进行拆分，从拆分后的颗粒中删除小于所述噪声颗粒大小Snoise的颗粒得到图像Iwatershed；
获取所述图像Iwatershed中所述颗粒的中心点，对所述中心点进行膨胀，膨胀的大小限制为Ssuperseed个像素点，获取超像素种子点；
对所述图像Iwatershed进行距离转换得到图像Idis；
对图像Igray使用重建的开运算和重建的闭运算，获得图像Im；
基于所述图像Im、所述图像Idis、所述超像素种子点进行一遍超像素分割得到细胞核分割图像。
可选地，基于所述图像Im、所述图像Idis、所述超像素种子点进行一遍超像素分割得到细胞核分割图像包括：
将每个所述超像素种子点分别作为待检测超像素种子点Si，并在所述图像Iwatershed中对所述待检测超像素种子点Si执行以下步骤：
S1：从所述超像素种子点中获取除当前待检测超像素种子点Si之外的其它超像素种子点，得到待排除超像素种子点；
S2：对所述当前待检测超像素种子点Si包含的像素点进行标记；
S3：获取所述当前待检测超像素种子点Si的边缘像素点Ei；
S4：获取所述边缘像素点Ei的预设邻域；
S5：从所述预设邻域中获取所述待排除超像素种子点包含的像素点并标记为分割线像素点；将所述预设邻域中除所述分割线像素点之外的像素点设置为的第一预设邻域；
S6：计算所述当前待检测超像素种子点Si的平均值Avgi与所述第一预设邻域中每个像素点的差异值；
S7：从所述第一预设邻域中获取所述差异值小于设定差异值的指定像素点并计数得到计数值Counti；
S8：判断所述计数值Counti是否大于设定值得到第一判断结果；
S9：所述第一判断结果为是，则对所述指定像素点进行标记并将所述指定像素点合并到所述当前待检测超像素种子点Si；返回步骤S3；
S10：所述第一判断结果为否，则步骤结束；
从所述图像Iwatershed中删除未被标记的像素点和所述分割线像素点得到细胞核分割图像。
可选地，所述差异值的计算公式包括：
其中，Proxi是所述差异值；di是所述第一预设邻域中的像素点在图像Im中的值与所述待检测超像素种子点Si的平均值Avgi的差值；ds是所述第一预设邻域中的像素点在图像Idis中的值；σ是最大空间距离，在这里是所述细胞核的半径估计值r；ω是一个固定的权重值40。
可选地，对所述图像Ifuse进行细胞分割得到细胞核分割图像之后还包括：
对所述原始图像使用概率颜色检测模型检测感兴趣的颜色，检测到感兴趣颜色像素点则保留其本身的RGB数值，非感兴趣颜色像素点的RGB值设置为255，得到图像Icolour；
计算所述细胞核分割图像中第一细胞核的像素点个数ni；
以所述图像Icolour为掩模，计算每个细胞核内的像素点为非255的个数pi；
判断ni/pi是否小于0.1得到第三判断结果；
所述第三判断结果为否，则将所述第一细胞核分类为感兴趣颜色的细胞核；
所述第三判断结果为是，则将所述第一细胞核分类为非感兴趣颜色的细胞核。
可选地，其特征在于，所述方法还包括：
把颜色图像Icolour转换为灰度图像，并以该灰度图像为掩模，计算所述感兴趣颜色的细胞核中深度颜色像素点、中等颜色像素点和较浅颜色像素点的个数；
比较所述深度颜色像素点、中等颜色像素点和较浅颜色像素点的个数；
所述深度颜色像素点个数最大，则将所述感兴趣颜色的细胞核分类为深度颜色细胞核；
所述中等颜色像素点个数最大，则将所述感兴趣颜色的细胞核分类为中等颜色细胞核；
所述较浅颜色像素点个数最大，则将所述感兴趣颜色的细胞核分类为较浅颜色细胞核；
分别显示所述深度颜色细胞核、所述中等颜色细胞核、所述较浅颜色细胞核和所述非感兴趣颜色的细胞核的个数。
本发明第二方面，提供了一种细胞分割装置，包括：
获取模块，用于获取原始图像；
第一处理模块，用于对所述原始图像进行处理，得到图像Igray；
第二处理模块，用于采用局部阈值法对所述图像Igray进行处理，得到图像ICLT；
第三处理模块，用于采用LoG算法对所述图像Igray进行处理，得到图像ILoG；
图像融合模块，用于对所述图像ICLT和所述图像ILoG进行融合运算得到图像Ifuse；
图像分割模块，用于对所述图像Ifuse进行细胞分割得到细胞核分割图像。
本发明第三方面，提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现本发明第一方面中任一实施方法所述细胞分割方法的步骤。
本发明实施例技术方案，具有如下优点：
本发明实施例提供了一种细胞分割方法。本发明将彩色图像转换为灰度图像Igray再进行分割，能够避免原始图像中颜色分布不均匀造成的细胞核误检和漏检问题。本发明使用约束的局部阈值法与LoG算法融合的方式获取细胞核像素点，能够避免原始图像中强度分布不均匀造成的细胞核误检和漏检问题。
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是根据本发明实施例的细胞分割方法的流程图；
图2是根据本发明实施例的细胞分割方法的分割前后对比图；
图3是根据本发明实施例的对图像ICLT和图像ILoG进行融合的示意图；
图4是根据本发明实施例的细胞分割方法的分割过程示意图；
图5是根据本发明优选实施例的细胞分割方法的流程图；
图6是根据本发明实施例的细胞分割装置的结构框图。
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一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
根据本发明实施例，提供了一种细胞分割方法、装置及计算机可读存储介质，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在本实施例中提供了一种细胞分割方法，可用于具有计算能力的医疗器械等各种终端，图1是根据本发明实施例的细胞分割方法的流程图。如图1所示，该流程包括如下步骤：
S101：获取原始图像；
此处的原始图像为包含细胞核的彩色图像。例如，荧光成像的病理图象。
S102：对原始图像进行处理，得到图像Igray；
本实施例中，图像Igray为灰度图像。在一个具体的实施方式中，对原始图像进行处理的具体步骤包括：先将原始图像转换为灰度图像，再对该灰度图像做Gaussian滤波得到图像Igray。在一个具体的实施方式中，Gaussian滤波半径为2，当然该Gaussian滤波半径可以根据实际情况灵活调整。
S103：采用局部阈值法对图像Igray进行处理，得到图像ICLT；
本实施例中，图像ICLT为包含细胞核区域的图像。在一个具体的实施方式中，采用局部阈值法对图像Igray进行处理的具体步骤包括：获取全局阈值Tg，使用全局阈值Tg对图像Igray二值化，并对二值化以后的图像提取边缘像素点，获得包含边缘像素点的图像Iedge；以图像Igray为掩模，以图像Iedge中的边缘像素点为中心，半径估计值r的2倍为边长的正方形区域内计算局部阈值Tl；对每一个正方形区域内的像素点进行筛选得到图像为Ilocal；对图像Ilocal使用Isodata的自动阈值获取方法，获取全局阈值Tg2；使用全局阈值Tg2对图像Ilocal二值化，获取的包含细胞核区域的图像ICLT。本实施例中，阈值获取可采用其他的自动阈值计算方式或手动阈值获取方式。其中自动阈值计算的可替代方法包括但不限于Otsu、Mean、MaxEntropy、Li和Shanbhag等；手动阈值获取的可替代方式包括但不限于选定前景和背景区域进行特征提取，利用特征对图像进行前景和背景的分类；局部阈值的计算也可能是在其他形状中，可替代的方式包括但不限于圆形、椭圆形、多边形等。
S104：采用LoG算法对图像Igray进行处理，得到图像ILoG；
本实施例中，图像ILoG是包含细胞核区域的图像。LoG算法是基于细胞核形状特征的计算。可替代的方式包括但不限于模板匹配、使用卷积核进行卷积、多尺度多角度的LoG等。
S105：对图像ICLT和图像ILoG进行融合运算得到图像Ifuse；
本实施例中，图像Ifuse为包含细胞核区域的图像。融合运算包括但不限于与、或、非等其他的融合形式。在一个具体的实施方式中，融合运算为或运算。
S106：对图像Ifuse进行细胞分割得到细胞核分割图像。
在一个具体的实施方式中，通过获取超像素种子点，再结合改进的一遍超像素分割算法，拆分与分割堆积与重叠的细胞核。在一个具体的实施方式中，超像素种子点的获取方法包括但不限于H-minima、H-maxima、距离转换、迭代投点、径向对称算法、使用卷积核、手工标记获取种子点等。在一个具体的实施方式中，分割算法可采用超像素分割公式或其他的特征分割公式。
现有技术通常先对原始图像进行颜色检测，把要计数的特定颜色分出来，然后再对该颜色分量进行细胞核分割。现有的细胞分割方法在病理图像中的颜色分布不均匀时会造成误检和漏检。图2是根据本发明实施例的细胞分割方法的分割前后对比图。如图2所示，针对病理图像中颜色分布不均匀的问题，本实施例不使用颜色检测或颜色分离后的图像进行分割，而是把原始彩色图像转换成灰度图像，使用该灰度图像进行细胞核分割，能够避免细胞核的误检和漏检。针对病理图像中强度分布不均匀的问题，本实施例使用局部阈值与LoG算法融合的方式获取细胞核像素点，能够避免细胞核的误检和漏检。
图3是根据本发明实施例的对图像ICLT和图像ILoG进行融合的示意图。如图3所示，步骤S105中，对图像ICLT和图像ILoG进行融合运算得到图像Ifuse，优选为对图像ICLT和图像ILoG进行或运算。
步骤S103中，采用局部阈值法对图像Igray进行处理，得到图像ICLT可以采用如下步骤：
获取原始图像中细胞核的半径估计值r；
本实施例中，细胞核的半径估计值r等原始图像中的参数能够根据用户选取的区域的大小自动计算获取。
获取图像Igray对应的全局阈值Tg；
本实施例中，使用迭代自组织数据分析技术(Iterative Self-Organizing DataAnalysis Technique，简称为Isodata)的自动阈值获取方法，获取全局阈值Tg。
采用全局阈值Tg对图像Igray进行二值化处理，并对二值化以后的图像提取边缘像素点，获得包含边缘像素点的图像Iedge；
以图像Igray为掩模，以图像Iedge中的边缘像素点为中心，半径估计值r的2倍为边长的正方形区域内计算局部阈值Tl；
对正方形区域内的像素点进行筛选，筛选的公式如下：
其中，f(p)是在正方形区域内的像素点的值，I(p)是Igray图像中的像素点值，Tl是局部阈值Tl，Tg是全局阈值Tg，otherwise是否则，筛选后的图像为Ilocal；
本实施例中，将Igray图像中像素点值不在筛选范围内的点删除。
对图像Ilocal使用Isodata的自动阈值获取方法获取图像Ilocal对应的全局阈值Tg2；
采用全局阈值Tg2对图像Ilocal进行二值化处理，得到图像ICLT。
现有的细胞核像素点获取方法通常是对整个图像进行按步长的筛选。该方法获取细胞核像素点的准确度依赖于步长的设置，在面对细胞核大小差异较大的图像时获取细胞核像素点存在不足。在分割堆积与重叠细胞核时，对细胞核边缘的分割存在不足。本实施例中，采用以边缘像素点为中心进行筛选能够解决上述问题。
在一个具体的实施方式中，获取原始图像中细胞核的半径估计值r包括：
使用矩形框工具选择原始图像中的任意一个细胞核；
获取矩形框的长和宽的像素点，根据长和宽计算细胞核的半径估计值r＝(长+宽)/4。
本实施例中，半径估计值r通过自动参数计算方法获取。在一个具体的实施例中，自动参数计算还包括根据获得的半径估计值按比例计算噪声颗粒的大小Snoise＝r×r/4，LoG滤波的半径大小SLoG＝r×0.8，超像素种子点的大小Ssuperseed＝r，增长限制的数值γ＝r×0.6。
图4是根据本发明实施例的细胞分割方法的分割过程示意图。如图4所示，步骤S106中，对图像Ifuse进行细胞分割得到细胞核分割图像可以采用如下步骤：
获取原始图像中细胞核的半径估计值r；
获取原始图像中的噪声颗粒大小Snoise＝r×r/4；
获取原始图像中的超像素种子点的大小Ssuperseed＝r；
对图像Ifuse使用基于最终腐蚀点的分水岭算法进行拆分，从拆分后的颗粒中删除小于噪声颗粒大小Snoise的颗粒得到图像Iwatershed；
获取图像Iwatershed中颗粒的中心点，对中心点进行膨胀，膨胀的大小限制为Ssuperseed个像素点，获取超像素种子点；
对图像Iwatershed进行距离转换得到图像Idis；
对图像Igray使用重建的开运算和重建的闭运算，获得图像Im；
本实施例中，使用重建的开运算和重建的闭运算能够除去孤立的小点，毛刺和小桥，填平小孔，弥合小裂缝，而总的位置和形状不变，实现对图像Igray的滤波。
基于图像Im、图像Idis、超像素种子点进行一遍超像素分割得到细胞核分割图像。
本实施例使用了两步分割法，结合改进的超像素分割算法和分水岭算法，拆分与分割堆积于重叠的细胞核，能很好的分割大量堆积与重叠的细胞核，有利于避免病理图像存在大量堆积与重叠的细胞核造成的细胞核的误检和漏检。
在一个具体的实施方式中，基于图像Im、图像Idis、超像素种子点进行一遍超像素分割得到细胞核分割图像包括：
将每个超像素种子点分别作为待检测超像素种子点Si，并在图像Iwatershed中对待检测超像素种子点Si执行以下步骤：
S1：从超像素种子点中获取除当前待检测超像素种子点Si之外的其它超像素种子点，得到待排除超像素种子点；
本实施例中，当前待检测超像素种子点Si为一个超像素种子点。
S2：对当前待检测超像素种子点Si包含的像素点进行标记；
在一个具体是实施方式中，包括将当前待检测超像素种子点Si包含的像素点标记为数值i。
S3：获取当前待检测超像素种子点Si的边缘像素点Ei；
S4：获取边缘像素点Ei的预设邻域；
本实施例中，预设邻域不包括当前待检测超像素种子点Si包含的像素点。
在一个具体的实施方式中，预设邻域为8邻域。
S5：从预设邻域中获取待排除超像素种子点包含的像素点并标记为分割线像素点；将预设邻域中除分割线像素点之外的像素点设置为的第一预设邻域；
S6：计算当前待检测超像素种子点Si的平均值Avgi与第一预设邻域中每个像素点的差异值；
本实施例中，平均值Avgi为当前待检测超像素种子点Si包含的全部像素点的像素值的平均值。
S7：从第一预设邻域中获取差异值小于设定差异值的指定像素点并计数得到计数值Counti；
本实施例中，计数值Counti为差异值小于设定差异值的指定像素点的总数。
S8：判断计数值Counti是否大于设定值得到第一判断结果；
在一个具体的实施方式中，设定值为15。
S9：第一判断结果为是，则对指定像素点进行标记并将指定像素点合并到当前待检测超像素种子点Si；返回步骤S3；
本实施例中，指定像素点的总数的总数大于设定值则返回步骤S3继续搜索。
S10：第一判断结果为否，则步骤结束；
从图像Iwatershed中删除未被标记的像素点和分割线像素点得到细胞核分割图像。
本实施例中，未被标记的像素点为北京像素点。所有超像素种子点均执行上述步骤后，从图像Iwatershed中删除未被标记的像素点和分割线像素点得到细胞核分割图像。
在一个具体的实施方式中，差异值的计算公式包括：
其中，Proxi是差异值；di是第一预设邻域中的像素点在图像Im中的值与待检测超像素种子点Si的平均值Avgi的差值；ds是第一预设邻域中的像素点在图像Idis中的值；σ是最大空间距离，在这里是细胞核的半径估计值r；ω是一个固定的权重值40。
在一个具体实施方式中，对图像Ifuse进行细胞分割得到细胞核分割图像之后还包括：
使用ImageJ中的计算边缘算法获取细胞核分割图像中的细胞核边缘；
本实施例中，当需要细胞核分割结果时，使用ImageJ中的计算边缘算法获取细胞核分割图像中的细胞核边缘。
使用ImageJ中的椭圆拟合算法，获取细胞核分割图像中的细胞核对应的椭圆。
本实施例中，当需要细胞核计数结果时，获取细胞核分割图像中的细胞核对应的椭圆。
图5是根据本发明优选实施例的细胞分割方法的流程图。如图5所示，在一个具体实施方式中，对图像Ifuse进行细胞分割得到细胞核分割图像之后还包括如下步骤：
S501：对原始图像使用概率颜色检测模型检测感兴趣的颜色，检测到感兴趣颜色像素点则保留其本身的RGB数值，非感兴趣颜色像素点的RGB值设置为255，得到图像Icolour；
S502：计算细胞核分割图像中第一细胞核的像素点个数ni；
S503：以图像Icolour为掩模，计算每个细胞核内的像素点为非255的个数pi；
S504：判断ni/pi是否小于0.1得到第三判断结果；
S505：第三判断结果为否，则将第一细胞核分类为感兴趣颜色的细胞核；
S506：第三判断结果为是，则将第一细胞核分类为非感兴趣颜色的细胞核。
现有技术通常先对原始图像进行颜色检测，把要计数的特定颜色分出来，然后再对该颜色分量进行细胞核分割。现有的细胞分割方法在病理图像中的颜色分布不均匀时会造成误检和漏检。本实施例中，细胞核分割是在原始图像的灰度图像上进行分割。感兴趣的颜色是通过对原始图像使用概率颜色检测模型检测获得的。最后结合颜色检测结果和细胞核分割结果，分析每个细胞核内包含的特定颜色像素点的数量，来决定该细胞核是否为特定颜色的细胞核，从而计数。本实施例中对原始图像分别进行细胞分割和颜色检测，能够避免病理图像中的颜色分布不均匀造成误检和漏检。
在一个具体实施方式中，该细胞核分割方法还包括如下步骤：
S507：把颜色图像Icolour转换为灰度图像，并以该灰度图像为掩模，计算感兴趣颜色的细胞核中深度颜色像素点、中等颜色像素点和较浅颜色像素点的个数；
S508：比较深度颜色像素点、中等颜色像素点和较浅颜色像素点的个数；
S509：深度颜色像素点个数最大，则将感兴趣颜色的细胞核分类为深度颜色细胞核；
S510：中等颜色像素点个数最大，则将感兴趣颜色的细胞核分类为中等颜色细胞核；
S511：较浅颜色像素点个数最大，则将感兴趣颜色的细胞核分类为较浅颜色细胞核；
S512：分别显示深度颜色细胞核、中等颜色细胞核、较浅颜色细胞核和非感兴趣颜色的细胞核的个数。
在一个具体的实施方法中，对不同分类的细胞核以不同颜色显示，其中，深度颜色细胞核以红色显示，中等颜色细胞核以黄色显示，较浅颜色细胞核以蓝色显示，非感兴趣颜色细胞核以绿色显示。
在一个具体是实施方式中，对细胞核进行分类的方法包括但不限于使用其他颜色检测方法、使用不同的阈值或方法按颜色的深浅进行分类、使用不同的百分比对细胞核的颜色进行分类、使用手工的方式标记不同细胞核进行分类、使用手工的方式标记细胞核并按标记的特点进行分类等。
本实施例是在对细胞核进行分割完成后，再按检测到的颜色为掩模，对细胞核进行按颜色和颜色的深浅分别进行分类，能够对不同分类的细胞核根据需要分别显示，还能计数免疫组化染色的病理图像中具有指定染色的细胞核。
在本实施例中还提供了一种细胞分割装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种细胞分割装置，如图6所示，包括获取模块61，用于获取原始图像；第一处理模块62，用于对原始图像进行处理，得到图像Igray；第二处理模块63，用于采用局部阈值法对图像Igray进行处理，得到图像ICLT；第三处理模块64，用于采用LoG算法对图像Igray进行处理，得到图像ILoG；图像融合模块65，用于对图像ICLT和图像ILoG进行融合运算得到图像Ifuse；图像分割模块66，用于对图像Ifuse进行细胞分割得到细胞核分割图像。本实施例中的细胞分割装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的细胞分割的处理方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种细胞分割方法，其特征在于，所述方法包括：
获取原始图像；
对所述原始图像进行处理，得到图像Igray；
获取所述原始图像中细胞核的半径估计值r；
获取所述图像Igray对应的全局阈值Tg；
采用所述全局阈值Tg对所述图像Igray进行二值化处理，并对二值化以后的图像提取边缘像素点，获得包含边缘像素点的图像Iedge；
以所述图像Igray为掩模，以所述图像Iedge中的所述边缘像素点为中心，半径估计值r的2倍为边长的正方形区域内计算局部阈值Tl；
对所述正方形区域内的像素点进行筛选，筛选的公式如下：
其中，f(p)是在正方形区域内的像素点的值，I(p)是Igray图像中的像素点值，Tl是所述局部阈值Tl，Tg是所述全局阈值Tg，otherwise是否则，筛选后的图像为Ilocal；
对图像Ilocal使用Isodata的自动阈值获取方法获取所述图像Ilocal对应的全局阈值Tg2；
采用所述全局阈值Tg2对所述图像Ilocal进行二值化处理，得到所述图像ICLT；
采用LoG算法对所述图像Igray进行处理，得到图像ILoG；
对所述图像ICLT和所述图像ILoG进行融合运算得到图像Ifuse；
对所述图像Ifuse进行细胞分割得到细胞核分割图像。
2.根据权利要求1所述的细胞分割方法，其特征在于，对所述图像ICLT和所述图像ILoG进行融合运算得到所述图像Ifuse包括：
对所述图像ICLT和所述图像ILoG进行或运算。
3.根据权利要求1所述的细胞分割方法，其特征在于，对所述图像Ifuse进行细胞分割得到细胞核分割图像包括：
获取所述原始图像中细胞核的半径估计值r；
获取所述原始图像中的噪声颗粒大小Snoise＝r×r/4；
获取所述原始图像中的超像素种子点的大小Ssuperseed＝r；
对所述图像Ifuse使用基于最终腐蚀点的分水岭算法进行拆分，从拆分后的颗粒中删除小于所述噪声颗粒大小Snoise的颗粒得到图像Iwatershed；
获取所述图像Iwatershed中所述颗粒的中心点，对所述中心点进行膨胀，膨胀的大小限制为Ssuperseed个像素点，获取超像素种子点；
对所述图像Iwatershed进行距离转换得到图像Idis；
对图像Igray使用重建的开运算和重建的闭运算，获得图像Im；
基于所述图像Im、所述图像Idis、所述超像素种子点进行一遍超像素分割得到细胞核分割图像。
4.根据权利要求3所述的细胞分割方法，其特征在于，基于所述图像Im、所述图像Idis、所述超像素种子点进行一遍超像素分割得到细胞核分割图像包括：
将每个所述超像素种子点分别作为待检测超像素种子点Si，并在所述图像Iwatershed中对所述待检测超像素种子点Si执行以下步骤：
S1：从所述超像素种子点中获取除当前待检测超像素种子点Si之外的其它超像素种子点，得到待排除超像素种子点；
S2：对所述当前待检测超像素种子点Si包含的像素点进行标记；
S3：获取所述当前待检测超像素种子点Si的边缘像素点Ei；
S4：获取所述边缘像素点Ei的预设邻域；
S5：从所述预设邻域中获取所述待排除超像素种子点包含的像素点并标记为分割线像素点；将所述预设邻域中除所述分割线像素点之外的像素点设置为的第一预设邻域；
S6：计算所述当前待检测超像素种子点Si的平均值Avgi与所述第一预设邻域中每个像素点的差异值；
S7：从所述第一预设邻域中获取所述差异值小于设定差异值的指定像素点并计数得到计数值Counti；
S8：判断所述计数值Counti是否大于设定值得到第一判断结果；
S9：所述第一判断结果为是，则对所述指定像素点进行标记并将所述指定像素点合并到所述当前待检测超像素种子点Si；返回步骤S3；
S10：所述第一判断结果为否，则步骤结束；
从所述图像Iwatershed中删除未被标记的像素点和所述分割线像素点得到细胞核分割图像。
5.根据权利要求4所述的细胞分割方法，其特征在于，所述差异值的计算公式包括：
其中，Proxi是所述差异值；di是所述第一预设邻域中的像素点在图像Im中的值与所述待检测超像素种子点Si的平均值Avgi的差值；ds是所述第一预设邻域中的像素点在图像Idis中的值；σ是最大空间距离，在这里是所述细胞核的半径估计值r；ω是一个固定的权重值40。
6.根据权利要求1所述的细胞分割方法，其特征在于，对所述图像Ifuse进行细胞分割得到细胞核分割图像之后还包括：
对所述原始图像使用概率颜色检测模型检测感兴趣的颜色，检测到感兴趣颜色像素点则保留其本身的RGB数值，非感兴趣颜色像素点的RGB值设置为255，得到图像Icolour；
计算所述细胞核分割图像中第一细胞核的像素点个数ni；
以所述图像Icolour为掩模，计算每个细胞核内的像素点为非255的个数pi；
判断ni/pi是否小于0.1得到第三判断结果；
所述第三判断结果为否，则将所述第一细胞核分类为感兴趣颜色的细胞核；
所述第三判断结果为是，则将所述第一细胞核分类为非感兴趣颜色的细胞核。
7.根据权利要求6所述的细胞分割方法，其特征在于，所述方法还包括：
把颜色图像Icolour转换为灰度图像，并以该灰度图像为掩模，计算所述感兴趣颜色的细胞核中深度颜色像素点、中等颜色像素点和较浅颜色像素点的个数；
比较所述深度颜色像素点、中等颜色像素点和较浅颜色像素点的个数；
所述深度颜色像素点个数最大，则将所述感兴趣颜色的细胞核分类为深度颜色细胞核；
所述中等颜色像素点个数最大，则将所述感兴趣颜色的细胞核分类为中等颜色细胞核；
所述较浅颜色像素点个数最大，则将所述感兴趣颜色的细胞核分类为较浅颜色细胞核；
分别显示所述深度颜色细胞核、所述中等颜色细胞核、所述较浅颜色细胞核和所述非感兴趣颜色的细胞核的个数。
8.一种细胞分割装置，其特征在于，包括：
获取模块，用于获取原始图像；
第一处理模块，用于对所述原始图像进行处理，得到图像Igray；
第二处理模块，用于获取所述原始图像中细胞核的半径估计值r；
获取所述图像Igray对应的全局阈值Tg；
采用所述全局阈值Tg对所述图像Igray进行二值化处理，并对二值化以后的图像提取边缘像素点，获得包含边缘像素点的图像Iedge；
以所述图像Igray为掩模，以所述图像Iedge中的所述边缘像素点为中心，半径估计值r的2倍为边长的正方形区域内计算局部阈值Tl；
对所述正方形区域内的像素点进行筛选，筛选的公式如下：
其中，f(p)是在正方形区域内的像素点的值，I(p)是Igray图像中的像素点值，Tl是所述局部阈值Tl，Tg是所述全局阈值Tg，otherwise是否则，筛选后的图像为Ilocal；
对图像Ilocal使用Isodata的自动阈值获取方法获取所述图像Ilocal对应的全局阈值Tg2；
采用所述全局阈值Tg2对所述图像Ilocal进行二值化处理，得到所述图像ICLT；
第三处理模块，用于采用LoG算法对所述图像Igray进行处理，得到图像ILoG；
图像融合模块，用于对所述图像ICLT和所述图像ILoG进行融合运算得到图像Ifuse；
图像分割模块，用于对所述图像Ifuse进行细胞分割得到细胞核分割图像。
9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现上述权利要求1-7中任一所述细胞分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010061644.7A CN111275727B (zh) | 2020-01-19 | 2020-01-19 | 细胞分割方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010061644.7A CN111275727B (zh) | 2020-01-19 | 2020-01-19 | 细胞分割方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111275727A CN111275727A (zh) | 2020-06-12 |
| CN111275727B true CN111275727B (zh) | 2021-09-07 |
Family
ID=71003393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010061644.7A Active CN111275727B (zh) | 2020-01-19 | 2020-01-19 | 细胞分割方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275727B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053355B (zh) * | 2020-09-16 | 2023-03-10 | 昆明理工大学 | 细胞图像的分割方法 |
| CN112200801B (zh) * | 2020-10-30 | 2022-06-17 | 四川大学华西医院 | 数字病理图像的细胞核自动检测方法 |
| 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 |
| 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 |
| CN116258676B (zh) * | 2022-12-30 | 2024-03-19 | 广州市第一人民医院（广州消化疾病中心、广州医科大学附属市一人民医院、华南理工大学附属第二医院） | 结直肠癌ihc病理图像的细胞密度量化方法及系统 |
| CN117252893B (zh) * | 2023-11-17 | 2024-02-23 | 科普云医疗软件(深圳)有限公司 | 一种乳腺癌病理图像的分割处理方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933707B (zh) * | 2015-07-13 | 2018-06-08 | 福建师范大学 | 一种基于多光子共焦显微细胞图像的超像素重构分割与重建方法 |
| CN108334860A (zh) * | 2018-03-01 | 2018-07-27 | 北京航空航天大学 | 细胞图像的处理方法和装置 |
| CN110400318B (zh) * | 2019-06-14 | 2021-08-20 | 广东省人民医院(广东省医学科学院) | 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) * | 2019-06-14 | 2021-08-20 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
-
2020
- 2020-01-19 CN CN202010061644.7A patent/CN111275727B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111275727A (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275727B (zh) | 细胞分割方法、装置及计算机可读存储介质 | |
| EP3455782B1 (en) | System and method for detecting plant diseases | |
| CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
| CN106846316B (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
| WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| EP2575077B1 (en) | Road sign detecting method and road sign detecting apparatus | |
| CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| JP5315411B2 (ja) | 有糸分裂像検出装置および計数システム、および有糸分裂像を検出して計数する方法 | |
| EP3343440A1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
| EP3175389B1 (en) | Automatic glandular and tubule detection in histological grading of breast cancer | |
| CN103473739A (zh) | 一种基于支持向量机的白细胞图像精确分割方法与系统 | |
| US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
| US20110002516A1 (en) | Method and device for dividing area of image of particle in urine | |
| CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
| CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
| US20180053299A1 (en) | Method of Detecting Tissue Area of Interest in Digital Pathology Imaging by Executing Computer-Executable Instructions Stored on a Non-Transitory Computer-Readable Medium | |
| Shaker et al. | Automatic detection and segmentation of sperm head, acrosome and nucleus in microscopic images of human semen smears | |
| Tareef et al. | Automated three-stage nucleus and cytoplasm segmentation of overlapping cells | |
| CN104268595B (zh) | 通用物件检测方法及系统 | |
| Phoulady et al. | An approach for overlapping cell segmentation in multi-layer cervical cell volumes | |
| CN109716355B (zh) | 微粒边界识别 | |
| WO2014066218A2 (en) | Cast recognition method and device, and urine analyzer | |
| CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
| WO2014181024A1 (es) | Método implementado por ordenador para reconocimiento y clasificación de células sanguíneas anormales y programas informáticos para llevar a cabo el método | |
| Kiratiratanapruk et al. | Worm egg segmentation based centroid detection in low contrast image |
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 |