CN111369523B - 显微图像中细胞堆叠的检测方法、系统、设备及介质 - Google Patents

显微图像中细胞堆叠的检测方法、系统、设备及介质 Download PDF

Info

Publication number
CN111369523B
CN111369523B CN202010136375.6A CN202010136375A CN111369523B CN 111369523 B CN111369523 B CN 111369523B CN 202010136375 A CN202010136375 A CN 202010136375A CN 111369523 B CN111369523 B CN 111369523B
Authority
CN
China
Prior art keywords
image
definition
microscopic
cell
judging
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
CN202010136375.6A
Other languages
English (en)
Other versions
CN111369523A (zh
Inventor
叶德贤
房劬
姜辰希
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.)
Shanghai Xingmai Information Technology Co ltd
Original Assignee
Shanghai Xingmai 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 Shanghai Xingmai Information Technology Co ltd filed Critical Shanghai Xingmai Information Technology Co ltd
Priority to CN202010136375.6A priority Critical patent/CN111369523B/zh
Publication of CN111369523A publication Critical patent/CN111369523A/zh
Application granted granted Critical
Publication of CN111369523B publication Critical patent/CN111369523B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种显微图像中细胞堆叠的检测方法、系统、设备及介质，所述方法包括：获取显微病理图像；计算显微病理图像的至少一个图像清晰度特征值，并根据图像清晰度特征值判断显微病理图像是否存在部分模糊：若否，则判断显微病理图像中不存在细胞堆叠；若是，则对显微病理图像进行分割得到细胞区域，检测细胞区域的边缘清晰度并判断细胞区域的边缘清晰度是否低于清晰度阈值：若是，则判断显微病理图像中存在细胞堆叠；若否，则判断显微病理图像中不存在细胞堆叠。本发明通过先判断显微病理图像中是否存在部分模糊，再继续寻找细胞区域并判断细胞内部区域清晰度，可以有效检测显微图像中由于组织涂抹不均匀造成细胞堆叠的问题。

Description

显微图像中细胞堆叠的检测方法、系统、设备及介质
技术领域
本发明属于图像处理技术领域，特别是涉及医学病理图像处理技术领域，具体为一种显微图像中细胞堆叠的检测方法、系统、设备及介质。
背景技术
图像质量评估(Image Quality Assessment，IQA)，IQA从方法上可分为主观评估和客观评估。主观评估就是从人的主观感知来评价图像的质量，首先给出原始参考图像和失真图像，让标注者给失真图像评分，一般采用平均主观得分(Mean Opinion Score，MOS)或平均主观得分差异(Differential Mean Opinion Score，DMOS)表示。客观评估使用数学模型给出量化值，可以使用图像处理技术生成一批失真图像，操作简单，已经成为IQA研究的重点。图像质量评估算法的目标是自动评估与人的主观质量判断相一致的客观图像质量。然而，主观评估费时费力，在实际应用中不可行，并且主观实验受观看距离、显示设备、照明条件、观测者的视觉能力、情绪等诸多因素影响。因此，有必要设计出能够自动精确的预测主观质量的数学模型。
IQA按照原始参考图像提供信息的多少一般分成3类：全参考(Full Reference-IQA，FR-IQA)、半参考(Reduced Reference-IQA，RR-IQA)和无参考(No Reference-IQA，NR-IQA)，无参考也叫盲参考(Blind IQA，BIQA)。FR-IQA同时有原始(无失真、参考)图像和失真图像,难度较低，核心是对比两幅图像的信息量或特征相似度，是研究比较成熟的方向。NR-IQA只有失真图像，难度较高，是近些年的研究热点，也是IQA中最有挑战的问题。RR-IQA只有原始图像的部分信息或从参考图像中提取的部分特征，此类方法介于FR-IQA和NR-IQA之间，且任何FR-IQA和NR-IQA方法经过适当加工都可以转换成RR-IQA方法。进一步，NR-IQA类算法还可以细分成两类，一类研究特定类型的图像质量，比如估计模糊、块效应、噪声的严重程度，另一类估计非特定类型的图像质量，也就是一个通用的失真评估。一般在实际应用中无法提供参考图像，所以NR-IQA最有实用价值，也有着广泛的应用，使用起来也非常方便，同时，由于图像内容的千变万化并且无参考，也使得NR-IQA成为较难的研究对象。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种显微图像中细胞堆叠的检测方法、系统、设备及介质，用于解决现有技术中难以对显微图像中组织涂抹不均匀造成细胞堆叠进行有效分析判断的问题。
为实现上述目的及其他相关目的，本发明的实施例提供一种显微图像中细胞堆叠的检测方法，所述显微图像中细胞堆叠的检测方法包括：获取显微病理图像；计算所述显微病理图像的至少一个图像清晰度特征值，并根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊：若否，则判断所述显微病理图像中不存在细胞堆叠；若是，则对所述显微病理图像进行分割得到细胞区域，检测所述细胞区域的边缘清晰度并判断所述细胞区域的边缘清晰度是否低于清晰度阈值：若是，则判断所述显微病理图像中存在细胞堆叠并进行提示；若否，则判断所述显微病理图像中不存在细胞堆叠。
于本申请的一实施例中，所述图像清晰度特征值包括：Brenner梯度值、Tenengrad梯度值、Laplacian梯度值、灰度方差值、灰度方差乘积值、方差值、能量梯度值、Vollath值、熵值、EVA点锐度值、二次模糊与原图差值、NRSS梯度结构相似度中的一个或多个组合。
于本申请的一实施例中，根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊的一种实现方式包括：将所述图像清晰度特征值输入到预先训练的清晰度分类器中；所述清晰度分类器根据输入的所述图像清晰度特征值输出分类结果为：图像清晰、图像全部模糊或图像部分模糊；若所述清晰度分类器的输出分类结果为图像部分模糊则判断所述显微病理图像存在部分模糊；若所述清晰度分类器的输出分类结果为图像清晰或图像全部模糊，则判断所述显微病理图像不存在部分模糊。
于本申请的一实施例中，所述清晰度分类器采用xgboost分类器；将所述图像清晰度特征值作为训练数据输入xgboost分类器进行训练，得到可输出分类结果为图像清晰、图像全部模糊和图像部分模糊的三分类器。
于本申请的一实施例中，检测所述细胞区域的边缘清晰度并判断所述细胞区域的边缘清晰度是否低于清晰度阈值的一种实现方式包括：采用分割卷积神经网络算法检测得到所述细胞区域；统计所述细胞区域内的边缘总数，该边缘总数即为细胞区域的边缘清晰度；判断所述细胞区域内的边缘总数是否低于清晰度阈值。
本发明的实施例还提供一种显微图像中细胞堆叠的检测系统，包括：图像获取模块，用于获取显微病理图像；特征值计算模块，用于计算所述显微病理图像的至少一个图像清晰度特征值；第一判断模块，用于根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊：若否，则判断所述显微病理图像中不存在细胞堆叠；第二判断模块，用于在所述第一判断模块判断所述显微病理图像存在部分模糊时，对所述显微病理图像进行分割得到细胞区域，检测所述细胞区域的边缘清晰度并判断所述细胞区域的边缘清晰度是否低于清晰度阈值：若是，则判断所述显微病理图像中存在细胞堆叠并进行提示；若否，则判断所述显微病理图像中不存在细胞堆叠。
于本申请的一实施例中，所述第一判断模块包括：清晰度分类器，用于接收输入的所述图像清晰度特征值并根据输入的所述图像清晰度特征值输出分类结果为：图像清晰、图像全部模糊或图像部分模糊；清晰度判断单元，用于在所述清晰度分类器的输出分类结果为图像部分模糊则判断所述显微病理图像存在部分模糊，在所述清晰度分类器的输出分类结果为图像清晰或图像全部模糊，则判断所述显微病理图像不存在部分模糊，判断所述显微病理图像中不存在细胞堆叠。
于本申请的一实施例中，所述第二判断模块包括：边缘检测单元，用于采用分割卷积神经网络算法检测得到所述细胞区域；边缘判断单元，用于统计所述细胞区域内的边缘总数，该边缘总数即为细胞区域的边缘清晰度，并判断所述细胞区域内的边缘总数是否低于清晰度阈值，若是，则判断所述显微病理图像中存在细胞堆叠并进行提示；若否，则判断所述显微病理图像中不存在细胞堆叠。
本发明的实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的显微图像中细胞堆叠的检测方法。
本发明的实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有程序指令；所述处理器运行程序指令实现如上所述的显微图像中细胞堆叠的检测方法。
如上所述，本发明的显微图像中细胞堆叠的检测方法、系统、设备及介质，具有以下有益效果：
本发明通过先判断显微病理图像中是否存在部分模糊，再继续寻找细胞区域并判断细胞内部区域清晰度，可以有效检测显微图像中由于组织涂抹不均匀造成细胞堆叠的问题，可以有效提高诊断所使用的病理显微图像的质量，提高诊断智能化和精确度。
附图说明
图1显示为本发明的显微图像中细胞堆叠的检测方法的整体流程示意图。
图2显示为本发明的显微图像中细胞堆叠的检测方法中判断显微病理图像是否存在部分模糊的一种实现方式的流程图。
图3显示为本发明的显微图像中细胞堆叠的检测方法中判断显微病理图像的边缘清晰度是否低于清晰度阈值的一种实现方式的流程图。
图4显示为本发明的显微图像中细胞堆叠的检测系统的整体原理结构框图。
图5显示为本发明的显微图像中细胞堆叠的检测系统中第一判断模块的原理结构框图。
图6显示为本发明的显微图像中细胞堆叠的检测系统中第二判断模块的原理结构框图。
图7显示为本申请一实施例中的电子设备的结构示意图。
元件标号说明
100 显微图像中细胞堆叠的检测系统
110 图像获取模块
120 特征值计算模块
130 第一判断模块
131 清晰度分类器
132 清晰度判断单元
140 第二判断模块
141 边缘检测单元
142 边缘判断单元
1101 处理器
1102 存储器
S100～S700 步骤
S310～S340 步骤
S510～S530 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本实施例的目的在于提供一种显微图像中细胞堆叠的检测方法、系统、设备及介质，用于解决现有技术中难以对显微图像中组织涂抹不均匀造成细胞堆叠进行有效分析判断的问题。
以下将详细阐述本实施例的显微图像中细胞堆叠的检测方法、系统、设备及介质的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的显微图像中细胞堆叠的检测方法、系统、设备及介质。
实施例1
如图1所示，本实施例提供一种显微图像中细胞堆叠的检测方法，所述显微图像中细胞堆叠的检测方法包括以下步骤：
步骤S100，获取显微病理图像；
步骤S200，计算所述显微病理图像的至少一个图像清晰度特征值；
步骤S300，根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊：若否，则执行步骤S600；若是，则继续执行步骤S400；
步骤S400，对所述显微病理图像进行分割得到细胞区域，检测所述细胞区域的边缘清晰度；
步骤S500，判断所述细胞区域的边缘清晰度是否低于清晰度阈值：若否，则执行步骤S600；若是，则继续执行步骤S700；
步骤S600，判断所述显微病理图像中不存在细胞堆叠；
步骤S700，判断所述显微病理图像中存在细胞堆叠并进行提示。
以下对本实施例显微图像中细胞堆叠的检测方法的步骤S100至步骤S700进行详细说明。
步骤S100，获取显微病理图像。
使用数字显微镜对病理细胞玻片进行扫描后，都会得到一张病理超大图，即病理显微图像，也叫全视野数字切片(whole slide images，WSI)。
病理显微图像为但不限于从人体肺部、甲状腺、乳腺等任何人体部位提取的用于病理显微诊断的细胞或组织的样本制作成病理细胞玻片经数字显微镜扫描后形成。人体细胞或组织样本的获取方法，可以是通过穿刺手术获取，也可以是通过内窥镜获取，或有其他医学手段获取。样本一般制成显微玻片，并放置于在载物台上，在一些情况下，需要对样本玻片进行染色等处理，以便更清楚的分辨细胞。本实施例即对样本玻片的质量进行分析，确定样本玻片是否存在质量异常。其中，样本玻片的质量异常包含但不限于失焦、细胞堆叠、染色过浅、染色过深、气泡、灰尘、树胶、反射光斑、镜头脏污等。而本实施例中即使对样本玻片中是否存储细胞堆叠进行检测。
步骤S200，计算所述显微病理图像的至少一个图像清晰度特征值。
于本实施例中，所述图像清晰度特征值包括但不限于：Brenner梯度值、Tenengrad梯度值、Laplacian梯度值、SMD(灰度方差)值、SMD2(灰度方差乘积)值、方差值、能量梯度值、Vollath值、熵值、EVA点锐度值、二次模糊与原图差值、NRSS梯度结构相似度中的一个或多个组合。
在图像的质量评价中，图像的清晰度是衡量图像质量优劣的重要指标，它能够较好的与人的主观感受相对应，图像的清晰度不高表现出图像的模糊。以下对本实施例中计算图像的清晰度的图像清晰度特征值进行具体说明。
1)Brenner梯度值
Brenner梯度函数是最简单的梯度评价函数，它是计算相邻两个像素灰度差的平方，Brenner梯度函数函数定义如下：
D(f)＝∑y∑x|f(x+2，y)-f(x，y)|2；
其中：f(x，y)表示图像f对应像素点(x，y)的灰度值，D(f)为图像清晰度计算结果，即Brenner梯度值。
2)Tenengrad梯度值
Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，基与Tenengrad梯度函数的图像清晰度定义如下：
Tenengrad梯度值：
其中Gx(x，y)为使用sobel水平算子在(x，y)处检测到的梯度，Gx(x，y)为使用sobel垂直算子在(x，y)处检测到的梯度。
Sobel算子：
Gx(x，y)＝g(x-1,y+1)+2g(x，y+1)+g(x+1，y+1)-g(x-1，y-1)-2g(x，y-1)-g(x+1，y-1)
Gy(x，y)＝g(x+1，y-1)+2g(x+1,y)+g(x+1，y+1)-g(x-1,y-1)-2g(x-1，y)-g(x-1,y+1)
其中g(x，y)为图像在(x，y)处的亮度值。
Sobel算子矩阵：
3)Laplacian梯度值
Laplacian梯度函数与Tenengrad梯度函数基本一致，用Laplacian算子替代Sobel算子即可，该算子定义如下：
因此基于Laplacian梯度函数的图像星清晰度的定义如下：
D(f)＝∑y∑x|G(x，y)| (G(x，y)＞T)
其中，G(x，y)是像素点(x，y)处Laplacian算子的卷积。
4)SMD(灰度方差)值
灰度方差通过SMD(灰度方差)函数获得。
当完全聚焦时，图像最清晰，图像中的高频分量也最多，故可将灰度变化作为聚焦评价的依据，灰度方差法的公式如下：
D(f)＝∑y∑x(|f(x，y)-f(x，y-1)|+|f(x，y)-f(x+1，y)|)。
5)SMD2(灰度方差乘积)值
灰度差分评价函数具有较好的计算性能，但其缺点也很明显，即在焦点附近灵敏度不高，即该函数在极值点附近过于平坦，从而导致聚焦精度难以提高。在文章《一种快速高灵敏度聚焦评价函数》中提出了一种新的评价函数，称之为灰度方差乘积法，即对每一个像素领域两个灰度差相乘后再逐个像素累加，该函数定义如下：
D(f)＝∑y∑x(|f(x，y)-f(x+1,y)|*|f(x，y)-f(x，y+1)|)。
6)方差值
因为清晰聚焦的图像有着比模糊图像更大的灰度差异，可以将方差函数作为评价函数：
D(f)＝∑y∑x|f(x，y)-μ|2。
其中：μ为整幅图像的平均灰度值，该函数对噪声比较敏感，图像画面越纯净，函数值越小。
7)能量梯度值
能量梯度通过能量梯度函数获得。
能量梯度函数更适合实时评价图像清晰度，该函数定义如下：
D(f)＝∑y∑x(|f(x+1，y)-f(x，y)|2+|f(x，y+1)-f(x，y)|2)。
8)Vollath值
Vollath函数定义如下：
D(f)＝∑y∑xf(x,y)*f(x+1,y)-M*N*μ2
其中：μ为整幅图像的平均灰度值，M和N分别为图像宽和高。
9)熵值
熵通过熵函数获得。
基于统计特征的熵函数是衡量图像信息丰富程度的一个重要指标，有信息论可知，一幅图像f的信息量是由该图像的信息熵D(f)来度量：
其中：pi是图像中灰度值为i的像素出现的概率，L为灰度级总数(通常取值256)。根据Shannon信息论，熵最大时信息量最多。将此原理应用到对焦过程，D(f)越大则图像越清晰。熵函数灵敏度不高，依据图像内容不同容易出现与真实情况相反的结果。
10)EVA点锐度值
EVA点锐度通过EAV点锐度算法函数获得。
EAV点锐度算法函数通过统计图像某一边缘方向的灰度变化情况来评价，计算公式如下：
其中：df/dx为边缘法向的灰度变化率，f(b)-f(a)为该方向的总体灰度变化。该算法只对图像的特定边缘区域做统计，能否代表整幅图像的清晰度仍有疑问，此外计算前需人工选定边缘区域，不便实现程序运算的自动化，在现有的图像清晰度评价方法研究中对上述算法进行了改进，改进如下：
a)将针对边缘的梯度计算改为逐个像素领域梯度的计算，以便算法能对图像的整体进行评价，并使算法实现自动化。
b)对方格像素8领域的灰度变化进行距离加权，水平和垂直方向的权重为1，而45度和135度方向的权重为
c)对计算结果按图像的大小进行规格化，以便于图像的对比。
经过以上三步改进后的点锐度算法为：
其中：M和N为图像的行数和列数。
11)二次模糊与原图差值(Reblur二次模糊)
如果一幅图像已经模糊了，那么再对它进行一次模糊处理，高频分量变化不大；但如果原图是清楚的，对它进行一次模糊处理，则高频分量变化会非常大。因此可以通过对待评测图像进行一次高斯模糊处理，得到该图像的退化图像，然后再比较原图像和退化图像相邻像素值的变化情况，根据变化的大小确定清晰度值的高低，计算结果越小表明图像越清晰，反之越模糊。这种思路可称作基于二次模糊的清晰度算法。
12)NRSS梯度结构相似度
利用人类视觉系统(HVS)非常适于提取目标的结构信息的特点，提出了图像结构相似度概念(SSIM)，认为只要能计算目标结构信息的变化，就能够得到感知图像失真值。基于此思路，将该方法引入到计算全参考图像的清晰度评价中，认为图像的清晰度可以使用目标图像与参考图像间的结构相似度来表示，而图像间的结构相似度包含以下三个部分的比较：
亮度比较：
对比度比较：
结构信息比较：
而C1、C2和C3是为了避免分母为0而设的常数。图像的结构相似度由下式计算可得：
SSIM(x,y)＝[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ；
为简单起见可以根据结构相似度的相关思想结合人烟视觉系统的相关特点，设计无参考图像清晰度的评价指标(NRSS)，图像的无参考结构清晰度定义为：
图像清晰度受很多因素影响，例如：亮度、对比度、色调、边界、噪声、模糊等。在本实施例中，可选取上述图像清晰度特征值中的一个或多个去衡量显微病理图像的清晰度。上述图像清晰度特征值的计算已是本领域技术人员所熟知的技术方案，本实施例不过各个图像清晰度特征值的获取过程做进一步详细说明。本领域技术人员根据现有技术容易获取本实施例中的各个图像清晰度特征值。
步骤S300，根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊：若否，则执行步骤S600；若是，则继续执行步骤S400。
具体地，于本实施例中，如图2所示，根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊的一种实现方式包括：
步骤S310，将所述图像清晰度特征值输入到预先训练的清晰度分类器中；
步骤S320，所述清晰度分类器根据输入的所述图像清晰度特征值输出分类结果为：图像清晰、图像全部模糊或图像部分模糊；
步骤S330，若所述清晰度分类器的输出分类结果为图像部分模糊则判断所述显微病理图像存在部分模糊；
步骤S340，若所述清晰度分类器的输出分类结果为图像清晰或图像全部模糊，则判断所述显微病理图像不存在部分模糊。
于本实施例中，所述清晰度分类器采用xgboost分类器，将所述图像清晰度特征值作为训练数据输入xgboost分类器进行训练，得到可输出分类结果为图像清晰、图像全部模糊和图像部分模糊的三分类器。
xgboost是一套提升树可扩展的机器学习系统。xgboost是一个树集成模型，他将K(树的个数)个树的结果进行求和，作为最终的预测值。本领域技术人员对xgboost分类器的使用已是比较成熟，本实施例不做具体阐述。本实施例在使用xgboost分类器之前，先对xgboost分类器进行训练学习，使之在接收到图像清晰度特征值时，可以根据图像清晰度特征值输出对应的分类结果：图像清晰、图像全部模糊或图像部分模糊。
具体地，于本实施例中，预先训练得到所述xgboost分类器的一种实现方式包括：
获取具有分类标签的图像清晰度特征值训练集；其中，所述图像清晰度特征值训练集包括：具有图像清晰标签的若干图像清晰度特征值、具有图像全部模糊标签的若干图像清晰度特征值和具有图像部分模糊标签的若干图像清晰度特征值；
将所述图像清晰度特征值训练集输入到xgboost分类器中进行迭代训练，得到可对输入的所述图像清晰度特征值进行分类，并输出分类结果为清晰、全部模糊和部分模糊中的一种的三分类器。
即本步骤中将步骤S200中获取的一个或多个图像清晰度特征值做为特征输入xgboost分类器中，xgboost分类器将结果分为清晰、全部模糊和部分模糊。
由于清晰的显微病理图像不可能存在细胞堆叠，而全部模糊的显微病理图像也基本不是细胞堆叠造成的，可能是失焦、灰尘等问题，所以于本实施例中，在xgboost分类器将结果中排除清晰和全部模糊的病理显微图像，只取分类结果为部分模糊的病理显微图像进一步分析处理。
步骤S400，对所述显微病理图像进行分割得到细胞区域，检测所述细胞区域的边缘清晰度。
对所述显微病理图像进行分割得到细胞区域即寻找所述显微病理图像的细胞区域，本实施例中，采用分割卷积神经网络算法检测得到所述细胞区域。
其中可以采用但不限于分割卷积神经网络算法UNet对所述显微病理图像进行分割得到细胞区域。对图像进行分割得到细胞区域的技术手段已被本领域技术人员熟知，在此不再赘述。
即继续检测部分模糊的显微病理图像的边缘清晰度。
步骤S500，判断所述细胞区域的边缘清晰度是否低于清晰度阈值：若否，则执行步骤S600；若是，则继续执行步骤S700。
具体地，于本实施例中，如图3所示，检测所述细胞区域的边缘清晰度并判断所述细胞区域的边缘清晰度是否低于清晰度阈值的一种实现方式包括：
步骤S510，采用分割卷积神经网络算法检测得到所述细胞区域；
步骤S520，统计所述细胞区域内的边缘总数，该边缘总数即为细胞区域的边缘清晰度；
步骤S530，判断所述细胞区域内的边缘总数是否低于清晰度阈值，若低于，则执行步骤S600，判断所述显微病理图像中不存在细胞堆叠；若不低于，则执行步骤S700，判断所述显微病理图像中存在细胞堆叠并进行提示。
统计所述细胞区域内的边缘总数即通过边缘检测算法检测所述细胞区域的边缘。其中，可以采用但不限于canny算法、Sobel算法、Laplacian算法等边缘检测算法进行边缘检测。图像的边缘检测已被本领域技术人员所熟知，在此不再详述。
即本实施例中，通过分割卷积神经网络算法找细胞区域的轮廓，通过边缘检测算法计算轮廓内的边缘总数(细胞轮廓/细胞核/染色质等)，如果高于阈值，说明内部的边缘较多，说明内部清晰，反之内部模糊。
在判断所述细胞区域内的边缘总数不低于清晰度阈值时，判断所述显微病理图像中存在细胞堆叠并进行提示。
即于本实施例中，在判断所述显微病理图像中存在细胞堆叠时，确定所述显微病理图像质量异常，并对质量异常的所述显微病理图像输出提示。
可以通过声音、文字等报警形式对质量异常的所述显微病理图像输出提示。例如提示用户制片存在问题，细胞未涂抹均匀，建议重新制片。
所以本实施例中，对于部分模糊的显微病理图像，使用边缘检测算法进行边缘检测，检测成团细胞组织的边缘，再统计成团细胞组织边缘内的边缘数量，若低于某个阈值，则认为该显微病理图像内部是模糊的，同时边缘是清晰的，这种是由于细胞堆叠造成的。故该显微病理图像存在细胞堆叠问题。
所以本实施例的显微图像中细胞堆叠的检测方法通过先判断显微病理图像中是否存在部分模糊，再继续寻找细胞区域并判断细胞内部区域清晰度，可以有效检测显微图像中由于组织涂抹不均匀造成细胞堆叠的问题，可以有效提高诊断所使用的病理显微图像的质量，提高诊断智能化和精确度。
实施例2
如图4所示，本实施例提供一种显微图像中细胞堆叠的检测系统，所述显微图像中细胞堆叠的检测系统包括：图像获取模块，特征值计算模块，第一判断模块以及第二判断模块。
于本实施例中，所述图像获取模块用于获取显微病理图像。
病理显微图像为但不限于从人体肺部、甲状腺、乳腺等任何人体部位提取的用于病理显微诊断的细胞或组织的样本制作成病理细胞玻片经数字显微镜扫描后形成。人体细胞或组织样本的获取方法，可以是通过穿刺手术获取，也可以是通过内窥镜获取，或有其他医学手段获取。样本一般制成显微玻片，并放置于在载物台上，在一些情况下，需要对样本玻片进行染色等处理，以便更清楚的分辨细胞。本实施例即对样本玻片的质量进行分析，确定样本玻片是否存在质量异常。其中，样本玻片的质量异常包含但不限于失焦、细胞堆叠、染色过浅、染色过深、气泡、灰尘、树胶、反射光斑、镜头脏污等。而本实施例中即使对样本玻片中是否存储细胞堆叠进行检测。
于本实施例中，所述特征值计算模块用于计算所述显微病理图像的至少一个图像清晰度特征值。
于本实施例中，所述图像清晰度特征值包括但不限于：Brenner梯度值、Tenengrad梯度值、Laplacian梯度值、SMD(灰度方差)值、SMD2(灰度方差乘积)值、方差值、能量梯度值、Vollath值、熵值、EVA点锐度值、二次模糊与原图差值、NRSS梯度结构相似度中的一个或多个组合。
在图像的质量评价中，图像的清晰度是衡量图像质量优劣的重要指标，它能够较好的与人的主观感受相对应，图像的清晰度不高表现出图像的模糊。以下对本实施例中计算图像的清晰度的图像清晰度特征值在实施例1中已经进行了详细说明。在此不再赘述。
于本实施例中，所述第一判断模块用于根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊：若否，则判断所述显微病理图像中不存在细胞堆叠。
具体地，如图5所示，于本实施例中，所述第一判断模块包括：清晰度分类器和清晰度判断单元。
所述清晰度分类器用于接收输入的所述图像清晰度特征值并根据输入的所述图像清晰度特征值输出分类结果为：图像清晰、图像全部模糊或图像部分模糊。
于本实施例中，所述清晰度分类器采用xgboost分类器。
本实施例在使用xgboost分类器之前，先对xgboost分类器进行训练学习，使之在接收到图像清晰度特征值时，可以根据图像清晰度特征值输出对应的分类结果：图像清晰、图像全部模糊或图像部分模糊。
具体地，于本实施例中，预先训练得到所述xgboost分类器的一种实现方式已在实施例1中进行了详细说明，在此不再赘述。
所述清晰度判断单元用于在所述清晰度分类器的输出分类结果为图像部分模糊则判断所述显微病理图像存在部分模糊，在所述清晰度分类器的输出分类结果为图像清晰或图像全部模糊，则判断所述显微病理图像不存在部分模糊，判断所述显微病理图像中不存在细胞堆叠。
由于清晰的显微病理图像不可能存在细胞堆叠，而全部模糊的显微病理图像也基本不是细胞堆叠造成的，可能是失焦、灰尘等问题，所以于本实施例中，在xgboost分类器将结果中排除清晰和全部模糊的病理显微图像，只取分类结果为部分模糊的病理显微图像进一步分析处理。
于本实施例中，所述第二判断模块，用于在所述第一判断模块判断所述显微病理图像存在部分模糊时，对所述显微病理图像进行分割得到细胞区域，检测所述细胞区域的边缘清晰度并判断所述细胞区域的边缘清晰度是否低于清晰度阈值：若是，则判断所述显微病理图像中存在细胞堆叠并进行提示；若否，则判断所述显微病理图像中不存在细胞堆叠。
具体地，如图6所示，于本实施例中，所述第二判断模块包括：边缘检测单元和边缘判断单元。
于本实施例中，所述边缘检测单元用于采用分割卷积神经网络算法检测得到所述细胞区域。即所述边缘检测单元采用分割卷积神经网络算法对所述显微病理图像进行分割得到细胞区域。
对所述显微病理图像进行分割得到细胞区域即寻找所述显微病理图像的细胞区域，本实施例中，采用分割卷积神经网络算法检测得到所述细胞区域。
其中可以采用但不限于分割卷积神经网络算法UNet对所述显微病理图像进行分割得到细胞区域。对图像进行分割得到细胞区域的技术手段已被本领域技术人员熟知，在此不再赘述。
于本实施例中，所述边缘判断单元用于统计所述细胞区域内的边缘总数，该边缘总数即为细胞区域的边缘清晰度，并判断所述细胞区域内的边缘总数是否低于清晰度阈值，若是，则判断所述显微病理图像中存在细胞堆叠并进行提示；若否，则判断所述显微病理图像中不存在细胞堆叠。
统计所述细胞区域内的边缘总数即通过边缘检测算法检测所述细胞区域的边缘。其中，可以采用但不限于canny算法、Sobel算法、Laplacian算法等边缘检测算法进行边缘检测。图像的边缘检测已被本领域技术人员所熟知，在此不再详述。
即本实施例中，通过分割卷积神经网络算法找细胞区域的轮廓，通过边缘检测算法计算轮廓内的边缘总数(细胞轮廓/细胞核/染色质等)，如果高于阈值，说明内部的边缘较多，说明内部清晰，反之内部模糊。
所以本实施例中，对于部分模糊的显微病理图像，使用边缘检测算法进行边缘检测，检测成团细胞组织的边缘，再统计成团细胞组织边缘内的边缘数量，若低于某个阈值，则认为该显微病理图像内部是模糊的，同时边缘是清晰的，这种是由于细胞堆叠造成的。故该显微病理图像存在细胞堆叠问题。
于本实施例中，所述显微图像中细胞堆叠的检测系统还包括：提示模块，用于在判断所述显微病理图像中存在细胞堆叠时，确定所述显微病理图像质量异常，并对质量异常的所述显微病理图像输出提示。
所述提示模块可以通过声音、文字等报警形式对质量异常的所述显微病理图像输出提示。可见本实施例的显微图像中细胞堆叠的检测方法可以提示用户制片存在问题，细胞未涂抹均匀，建议重新制片。
本实施例的显微图像中细胞堆叠的检测系统具体实现的技术特征与实施例1中的显微图像中细胞堆叠的检测方法基本相同，实施例间可以通用的技术内容不作重复赘述。
实施例3
如图7所示，本实施例还提供一种电子设备，所述电子设备为但不限于医疗检测设备，图像处理设备等，如图7所示，所述电子设备处理器1101和存储器1102；存储器1102通过系统总线与处理器1101连接并完成相互间的通信，存储器1102用于存储计算机程序，处理器1101用于运行计算机程序，以使所述电子设备执行所述的显微图像中细胞堆叠的检测方法。上述已经对所述显微图像中细胞堆叠的检测方法进行了详细说明，在此不再赘述。
所述的显微图像中细胞堆叠的检测方法可应用于多种类型的电子设备。所述电子设备例如是控制器，具体如ARM(Advanced RISC Machines)控制器、FPGA(FieldProgrammable Gate Array)控制器、SoC(System on Chip)控制器、DSP(Digital SignalProcessing)控制器、或者MCU(Micorcontroller Unit)控制器等等。所述电子设备例如也可以是包括存储器、存储控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其他输出或控制设备，以及外部端口等组件的计算机；所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal Digital Assistant，简称PDA)等个人电脑。在另一些实施方式中，所述电子设备还可以是服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成，本实施例不作限定。
于实际的实现方式中，所述电子设备例如为安装Android操作系统或者iOS操作系统，或者Palm OS、Symbian(塞班)、或者Black Berry(黑莓)OS、Windows Phone等操作系统的电子设备。
在示例性实施例中，所述电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器、摄像头或其他电子元件实现，用于执行上述显微图像中细胞堆叠的检测方法。
另需说明的是，上述提到的系统总线可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该系统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6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，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。
上述的处理器1101可以是通用处理器，包括中央处理器(Central ProcessingUnit，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 Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(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。
实施例4
本实施例提供一种计算机可读存储介质，所述存储介质例如为存储器，存储器被配置为存储各种类型的数据以支持在设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，消息，图片等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，高速随机存取存储器，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘等。所述存储器存储有程序指令，所述程序指令被执行时实现如上所述的显微图像中细胞堆叠的检测方法。上述已经对所述的显微图像中细胞堆叠的检测方法进行了详细说明，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明通过先判断显微病理图像中是否存在部分模糊，再继续寻找细胞区域并判断细胞内部区域清晰度，可以有效检测显微图像中由于组织涂抹不均匀造成细胞堆叠的问题，可以有效提高诊断所使用的病理显微图像的质量，提高诊断智能化和精确度。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种显微图像中细胞堆叠的检测方法，其特征在于：所述显微图像中细胞堆叠的检测方法包括：
获取显微病理图像；
计算所述显微病理图像的至少一个图像清晰度特征值，并根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊：
若否，则判断所述显微病理图像中不存在细胞堆叠；
若是，则对所述显微病理图像进行分割得到细胞区域，检测所述细胞区域的边缘清晰度并判断所述细胞区域的边缘清晰度是否低于清晰度阈值：
若是，则判断所述显微病理图像中存在细胞堆叠并进行提示；
若否，则判断所述显微病理图像中不存在细胞堆叠；
其中，检测所述细胞区域的边缘清晰度并判断所述细胞区域的边缘清晰度是否低于清晰度阈值包括：
采用分割卷积神经网络算法检测得到所述细胞区域；
统计所述细胞区域内的边缘总数，该边缘总数即为细胞区域的边缘清晰度；
判断所述细胞区域内的边缘总数是否低于清晰度阈值。
2.根据权利要求1所述的显微图像中细胞堆叠的检测方法，其特征在于：所述图像清晰度特征值包括：Brenner梯度值、Tenengrad梯度值、Laplacian梯度值、灰度方差值、灰度方差乘积值、方差值、能量梯度值、Vollath值、熵值、EVA点锐度值、二次模糊与原图差值、NRSS梯度结构相似度中的一个或多个。
3.根据权利要求1或2所述的显微图像中细胞堆叠的检测方法，其特征在于：根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊包括：
将所述图像清晰度特征值输入到预先训练的清晰度分类器中；
所述清晰度分类器根据输入的所述图像清晰度特征值输出分类结果为：图像清晰、图像全部模糊或图像部分模糊；
若所述清晰度分类器的输出分类结果为图像部分模糊则判断所述显微病理图像存在部分模糊；若所述清晰度分类器的输出分类结果为图像清晰或图像全部模糊，则判断所述显微病理图像不存在部分模糊。
4.根据权利要求3所述的显微图像中细胞堆叠的检测方法，其特征在于：所述清晰度分类器采用xgboost分类器；将所述图像清晰度特征值作为训练数据输入xgboost分类器进行训练，得到可输出分类结果为图像清晰、图像全部模糊和图像部分模糊的三分类器。
5.一种显微图像中细胞堆叠的检测系统，其特征在于：包括：
图像获取模块，用于获取显微病理图像；
特征值计算模块，用于计算所述显微病理图像的至少一个图像清晰度特征值；
第一判断模块，用于根据所述图像清晰度特征值判断所述显微病理图像是否存在部分模糊：若否，则判断所述显微病理图像中不存在细胞堆叠；
第二判断模块，用于在所述第一判断模块判断所述显微病理图像存在部分模糊时，对所述显微病理图像进行分割得到细胞区域，检测所述细胞区域的边缘清晰度并判断所述细胞区域的边缘清晰度是否低于清晰度阈值：若是，则判断所述显微病理图像中存在细胞堆叠并进行提示；若否，则判断所述显微病理图像中不存在细胞堆叠；
其中，所述第二判断模块包括：
边缘检测单元，用于采用分割卷积神经网络算法检测得到所述细胞区域；
边缘判断单元，用于统计所述细胞区域内的边缘总数，该边缘总数即为细胞区域的边缘清晰度，并判断所述细胞区域内的边缘总数是否低于清晰度阈值。
6.根据权利要求5所述的显微图像中细胞堆叠的检测系统，其特征在于：所述第一判断模块包括：
清晰度分类器，用于接收输入的所述图像清晰度特征值并根据输入的所述图像清晰度特征值输出分类结果为：图像清晰、图像全部模糊或图像部分模糊；
清晰度判断单元，用于在所述清晰度分类器的输出分类结果为图像部分模糊则判断所述显微病理图像存在部分模糊，在所述清晰度分类器的输出分类结果为图像清晰或图像全部模糊，则判断所述显微病理图像不存在部分模糊。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1至权利要求4任一权利要求所述的显微图像中细胞堆叠的检测方法。
8.一种电子设备，其特征在于：包括处理器和存储器，所述存储器存储有程序指令；所述处理器运行程序指令实现如权利要求1至权利要求4任一权利要求所述的显微图像中细胞堆叠的检测方法。
CN202010136375.6A 2020-03-02 2020-03-02 显微图像中细胞堆叠的检测方法、系统、设备及介质 Active CN111369523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010136375.6A CN111369523B (zh) 2020-03-02 2020-03-02 显微图像中细胞堆叠的检测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010136375.6A CN111369523B (zh) 2020-03-02 2020-03-02 显微图像中细胞堆叠的检测方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN111369523A CN111369523A (zh) 2020-07-03
CN111369523B true CN111369523B (zh) 2023-07-25

Family

ID=71208502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010136375.6A Active CN111369523B (zh) 2020-03-02 2020-03-02 显微图像中细胞堆叠的检测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN111369523B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001904B (zh) * 2020-08-21 2024-04-02 珀乐(北京)信息科技有限公司 一种遥感图像质量清晰度综合评价模块及评价方法
CN112365417B (zh) * 2020-11-10 2023-06-23 华中科技大学鄂州工业技术研究院 共聚焦内窥镜图像修正拼接方法、装置及可读存储介质
CN113814212B (zh) * 2021-09-06 2022-09-02 中南大学 一种基于镜片模糊检测的前置镜片在线智能自清洗装置及其方法
CN115049908B (zh) * 2022-08-16 2022-11-08 武汉互创联合科技有限公司 基于胚胎发育图像的多阶段智能分析方法及系统
CN117115816B (zh) * 2023-10-24 2024-02-09 深圳市美侨医疗科技有限公司 一种白带显微图像中线索细胞的识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107493403A (zh) * 2017-08-11 2017-12-19 宁波江丰生物信息技术有限公司 一种数字病理切片扫描系统
CN108682008A (zh) * 2018-05-07 2018-10-19 江苏康尚生物医疗科技有限公司 一种白细胞图像清晰度评价方法及装置
CN109815974A (zh) * 2018-12-10 2019-05-28 清影医疗科技（深圳）有限公司 一种细胞病理玻片分类方法、系统、设备、存储介质
CN110232719A (zh) * 2019-06-21 2019-09-13 腾讯科技（深圳）有限公司 一种医学图像的分类方法、模型训练方法和服务器
CN110288582A (zh) * 2019-06-26 2019-09-27 电子科技大学 一种细胞核的准确分割方法
CN110376198A (zh) * 2019-08-29 2019-10-25 广州锟元方青医疗科技有限公司 一种宫颈液基细胞切片质量检测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107493403A (zh) * 2017-08-11 2017-12-19 宁波江丰生物信息技术有限公司 一种数字病理切片扫描系统
CN108682008A (zh) * 2018-05-07 2018-10-19 江苏康尚生物医疗科技有限公司 一种白细胞图像清晰度评价方法及装置
CN109815974A (zh) * 2018-12-10 2019-05-28 清影医疗科技（深圳）有限公司 一种细胞病理玻片分类方法、系统、设备、存储介质
CN110232719A (zh) * 2019-06-21 2019-09-13 腾讯科技（深圳）有限公司 一种医学图像的分类方法、模型训练方法和服务器
CN110288582A (zh) * 2019-06-26 2019-09-27 电子科技大学 一种细胞核的准确分割方法
CN110376198A (zh) * 2019-08-29 2019-10-25 广州锟元方青医疗科技有限公司 一种宫颈液基细胞切片质量检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Anindya Gupta 等.Deep Learning in Image Cytometry: A Review.《Special Issue: Image Cytometry》.2019,全文. *
宋有义.显微医学图像重叠目标分割方法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2017,全文. *

Also Published As

Publication number Publication date
CN111369523A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN110232719B (zh) 一种医学图像的分类方法、模型训练方法和服务器
WO2021139258A1 (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN110399929B (zh) 眼底图像分类方法、装置以及计算机可读存储介质
WO2021000524A1 (zh) 孔位保护门检测方法、装置、计算机设备和存储介质
CN106846316B (zh) 一种gis内部典型缺陷图像自动识别方法
CN111814867A (zh) 缺陷检测模型的训练方法、缺陷检测方法及相关装置
CN109829882B (zh) 一种糖尿病视网膜病变分期预测方法
JP2021166062A (ja) 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN111401324A (zh) 图像质量评估方法、装置、存储介质及电子设备
CN110210448B (zh) 一种智能人脸皮肤老化程度的识别与评估方法
CN111931751B (zh) 深度学习训练方法、目标物识别方法、系统和存储介质
CN104637046B (zh) 图像检测方法和装置
CN112215790A (zh) 基于深度学习的ki67指数分析方法
CN111935479B (zh) 一种目标图像确定方法、装置、计算机设备及存储介质
Bibiloni et al. A real-time fuzzy morphological algorithm for retinal vessel segmentation
Ghazal et al. Automated framework for accurate segmentation of leaf images for plant health assessment
CN111583226B (zh) 细胞病理感染评估方法、电子装置及存储介质
CN112001904A (zh) 一种遥感图像质量清晰度综合评价模块及评价方法
CN114066857A (zh) 红外图像质量评价方法、装置、电子设备及可读存储介质
CN115760858A (zh) 基于深度学习的肾脏病理切片细胞识别方法及系统
CN114298985B (zh) 缺陷检测方法、装置、设备及存储介质
CN115439456A (zh) 一种病理图像中对象检测识别方法及装置
CN111160238A (zh) 显微图像质量分析方法、训练方法、系统、设备及介质

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