CN111429429A - 干细胞融合度检测方法、装置、计算机设备及存储介质 - Google Patents

干细胞融合度检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111429429A
CN111429429A CN202010206459.2A CN202010206459A CN111429429A CN 111429429 A CN111429429 A CN 111429429A CN 202010206459 A CN202010206459 A CN 202010206459A CN 111429429 A CN111429429 A CN 111429429A
Authority
CN
China
Prior art keywords
image
stem cell
fusion degree
processing
growth
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.)
Pending
Application number
CN202010206459.2A
Other languages
English (en)
Inventor
刘沐芸
李树盛
杜祥熙
陈康卓
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.)
Individualized Cell Therapy Technology National And Local Joint Engineering Laboratory (shenzhen)
Shenzhen Saidong Biological Automation Co ltd
Original Assignee
Individualized Cell Therapy Technology National And Local Joint Engineering Laboratory (shenzhen)
Shenzhen Saidong Biological Automation 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 Individualized Cell Therapy Technology National And Local Joint Engineering Laboratory (shenzhen), Shenzhen Saidong Biological Automation Co ltd filed Critical Individualized Cell Therapy Technology National And Local Joint Engineering Laboratory (shenzhen)
Priority to CN202010206459.2A priority Critical patent/CN111429429A/zh
Publication of CN111429429A publication Critical patent/CN111429429A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06T7/13—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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10—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
    • G06T2207/30—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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及干细胞融合度检测方法、装置、计算机设备及存储介质，该方法包括获取干细胞培养过程的图像，以得到原始图像；采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像；对所述目标图像进行粒子分析，以得到生长融合度；反馈所述生长融合度至终端，以在终端显示。本发明通过先获取细胞图像后，进行图像增强、二值化处理、图像滤波、高级形态学处理以及基础形态学处理等形态优化后，在进行细胞对应的粒子面积，由此计算细胞生长融合度，实现适应各种场景采集到的图像，准确计算出干细胞生长融合度。

Description

干细胞融合度检测方法、装置、计算机设备及存储介质
技术领域
本发明涉及图像处理方法，更具体地说是指干细胞融合度检测方法、装置、计算机设备及存储介质。
背景技术
生长融合度是细胞培养过程中的重要规格参数，干细胞一般放在培养皿中培养，当细胞生长所占的面积是培养表面面积的85％时，可以进行细胞收获工作。干细胞生成过程中因为每个细胞都会有气孔器口是用来时气体交换，或者由于生长过程中的不均匀排布，会在细胞周围形成空洞或气泡，另外细胞在分离过程中夹带一些杂质，这些都给干细胞制备人员观察判断细胞的融合度带来负面影响。因此，人工观察干细胞在生长阶段的融合度，有两个大的影响因素，一是需要细胞制备人员有较高的知识和经验；二是人的主观性判断干细胞生长的融合度准确性差。
随着显微图像分析技术的应用，引入计算机技术及图像处理技术，排除不稳定因素，进行细胞融合度的自动计算，为干细胞制备提供帮助，但是显微图像分析技术不是专门为观察干细胞生长融合度而设计的，计算出的干细胞融合度误差大，且无法根据成像条件调节图像处理参数，用于标定校正融合度。
因此，有必要设计一种新的方法，实现适应各种场景采集到的图像，准确计算出干细胞生长融合度。
发明内容
本发明的目的在于克服现有技术的缺陷，提供干细胞融合度检测方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：干细胞融合度检测方法，包括：
获取干细胞培养过程的图像，以得到原始图像；
采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像；
对所述目标图像进行粒子分析，以得到生长融合度；
反馈所述生长融合度至终端，以在终端显示。
其进一步技术方案为：所述获取干细胞培养过程的图像，以得到原始图像，包括：
通过相衬显微技术拍摄干细胞培养过程的干细胞生长图像，以得到原始图像。
其进一步技术方案为：所述采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像，包括：
对所述原始图像进行图像增强，以得到中间图像；
对所述中间图像进行二值化处理，以得到二值化图像；
对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像；
对滤波后的图像进行形态学处理，以得到目标图像。
其进一步技术方案为：所述对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像，包括：
使用基于Prewitt算子边缘检测的微分滤波模式对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像。
其进一步技术方案为：所述对滤波后的图像进行形态学处理，以得到目标图像，包括：
使用高级形态学函数对滤波后的图像去除非细胞的颗粒和平滑细胞边界，以得到高级形态处理结果；
对所述高级形态处理结果填充细胞的空洞，以得到目标图像。
其进一步技术方案为：所述对所述目标图像进行粒子分析，以得到生长融合度，包括：
使用Partide Analysis函数对所述目标图像进行分析，以得到统计信息，并根据所述统计信息计算生长融合度；
其中，所述统计信息包括颗粒是否存在、面积、数量、位置。
其进一步技术方案为：所述获取干细胞培养过程的图像，以得到原始图像之前，还包括：
设置图像处理参数调节的界面，以供终端选择图像处理参数。
本发明还提供了干细胞融合度检测装置，包括：
原始图像获取单元，用于获取干细胞培养过程的图像，以得到原始图像；
处理单元，用于采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像；
分析单元，用于对所述目标图像进行粒子分析，以得到生长融合度；
反馈单元，用于反馈所述生长融合度至终端，以在终端显示。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过先获取细胞图像后，进行图像增强、二值化处理、图像滤波、高级形态学处理以及基础形态学处理等形态优化后，在进行细胞对应的粒子面积，由此计算细胞生长融合度，实现适应各种场景采集到的图像，准确计算出干细胞生长融合度。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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例，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干细胞融合度检测方法的应用场景示意图；
图2为本发明实施例提供的干细胞融合度检测方法的流程示意图；
图3为本发明实施例提供的干细胞融合度检测方法的子流程示意图；
图4为本发明实施例提供的干细胞融合度检测方法的子流程示意图；
图5为本发明另一实施例提供的干细胞融合度检测方法的流程示意图；
图6为本发明实施例提供的干细胞融合度检测装置的示意性框图；
图7为本发明实施例提供的干细胞融合度检测装置的处理单元的示意性框图；
图8为本发明实施例提供的干细胞融合度检测装置的形态学处理子单元的示意性框图；
图9为本发明另一实施例提供的干细胞融合度检测装置的示意性框图；
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的干细胞融合度检测方法的应用场景示意图。图2为本发明实施例提供的干细胞融合度检测方法的示意性流程图。该干细胞融合度检测方法应用于服务器中。该服务器与终端、摄像头进行数据交互，通过摄像头获取细胞培养过程的图像，并由服务器采用LabVIEW进行图像处理，以计算细胞生长融合度，并将细胞生长融合度反馈至终端，且开放了界面，以供用户通过终端调节细胞处理参数的调节。
图2是本发明实施例提供的干细胞融合度检测方法的流程示意图。如图2所示，该方法包括以下步骤S110至S140。
S110、获取干细胞培养过程的图像，以得到原始图像。
在本实施例中，上述的原始图像是指通过相衬显微技术拍摄干细胞培养过程所得的图像。
具体地，通过相衬显微技术拍摄干细胞培养过程的干细胞生长图像，以得到原始图像。
该相衬显微技术所采用的显微镜放大倍数为40倍，背景光源为黄光，原始图像是RGB彩色图像，尺寸为1026x697，从图上可以看出大的细胞空洞，一些发亮的杂质，需要去除这些杂质和细胞空洞，才可以准确地获取到细胞颗粒，并准确计算细胞生长融合度。该相衬显微技术可以拍摄各个适应场景下的细胞生长的图像。
S120、采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像。
在本实施例中，目标图像是指原始图像经过图像增强、二值化处理、图像滤波、分割、边界提取、粒子填充后所形成的图像。
IMAQ VISION是LabVIEW内置的视觉开发工具包，其中包括IMAQ Vision和VisionBuilder两个组件。IMAQ Vision是一个功能强大的函数库，提供了在LabVIEW平台上开发机器视觉系统所需要的各种子程序，例如图像采集、系统校准、图像处理、几何量测量等。Vision Builder是一个交互式的机器视觉系统开发环境，可以在系统软件设计的每一步看到输出的中间结果，并可以随时进行修改。设计完成后能够自动生成LabVIEW程序代码，干细胞生长融合度的计算是在一定区域，统计细胞生长所占的面积是培养表面面积的百分比。因此采集图像后，需要对图像进行图像增强、二值化、滤波、边缘提取一系列的处理，去除图像中的他杂质或空洞；然后图像经过形态学处理得到正常的干细胞的图像，最后经过粒子分析，统计有细胞的像素点占整个面积的百分比，由此计算细胞生长融合度。
在一实施例中，请参阅图3，上述的步骤S120可包括步骤S121～S124。
S121、对所述原始图像进行图像增强，以得到中间图像。
在本实施例中，中间图像是指改变图像亮度、对比度和伽马值后形成的图像黄灰色背景与细胞周围的白色有鲜明的对比的图像。
具体地，在LabVIEW的视觉系统中，使用Brightness函数用于改变图像亮度、对比度和伽马值，用于改善图像质量，由此区分背景与细胞。该Brightness函数是将线性乘数应用于输入图像，使其看起来更亮或更暗。
S122、对所述中间图像进行二值化处理，以得到二值化图像。
在本实施例中，二值化图像是指过滤掉不符合要求的像素值，并凸显细胞的颜色所形成的图像。
具体地，通过Color Threshold彩色阈值函数对彩色图片的三个平面的阈值处理，并将结果放在一个8位的图片中，其中，Color Threshold指的是颜色阈值分割。通过HSV按色彩、深浅、明暗的模式，处理后的图片可以把干细胞与空洞及杂质区分开来。中间图像中像素值大于阈值的像素值都为1，即为白色；中间图像中像素值小于阈值的像素值为0，即为黑色。从而把过暗的像素值即背景过滤，把大部分明显的细胞颜色突出，得到黑白二值图像。
S123、对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像。
在本实施例中，滤波后的图像是指降低背景噪声干扰以提取赶下宝真正的边缘轮廓的图像。
二值化图像通过滤波器降低背景噪声干扰，使用基于Prewitt算子边缘检测的微分滤波模式，提取干细胞的边缘轮廓。Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用，Prewitt算子对噪声有抑制作用，抑制噪声的原理是通过像素平均，因此噪声较多的图像处理得比较好。Prewitt算子的原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。
Prewitt算子检测方法对灰度渐变和噪声较多的图像处理效果较好。但边缘较宽，而且间断点多。
对数字图像f(x，y)，Prewitt算子的定义如下：
G(i)＝{[f(i-1，j-1)+f(i-1，j)+f(i-1，j+1)]-[f(i+1，j-1)+f(i+1，j)+f(i+1，j+1)]}；
G(j)＝{[f(i-1，j+1)+f(i，j+1)+f(i+1，j+1)]-[f(i-1，j-1)+f(i，j-1)+f(i+1，j-1)]}；
则P(i，j)＝max[G(i)，G(j)]或P(i，j)＝G(i)+G(j)。
S124、对滤波后的图像进行形态学处理，以得到目标图像。
在一实施例中，请参阅图4，上述的步骤S124可包括步骤S1241～S1242。
S1241、使用高级形态学函数对滤波后的图像去除非细胞的颗粒和平滑细胞边界，以得到高级形态处理结果。
在本实施例中，高级形态处理结果是指去除非细胞的颗粒且消除边界点后形成的图像。
图像经过滤波后，细胞空洞背景内有很多小颗粒，这些颗粒并不是真的细胞，会对细胞融合度计算产生错误的影响，因此需要除去。
使用Adv Monphology高级形态学函数的IMAQ RemoveParticle方式对图像去除部分小颗粒和平滑细胞边界；Adv Monphology高级形态学函数操作的对象是粒子而不是像素，有填补粒子缝隙，移除颗粒边界的粗糙部分，移除不相干的大、小粒子；IMAQRemoveParticle去除小颗粒由腐蚀决定，腐蚀是一种消除边界点，使边界向内部收缩的过程，可以用来消除小且无意义的物体。
腐蚀的算法包括用3x3的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果两者都为1，结果图像的该像素为1，否则为0；结果是使二值图像减小一圈。
使用结构元素s对图像f的腐蚀可以由以下规则定义：
Figure BDA0002421248080000071
腐蚀过程可表示为
Figure BDA0002421248080000072
如此，连续的放置结构的原点到所有可能的图像的像素点位置来检查图像，当结构元素完全被包含在图像中时输出为1，否则输出0。利用从原始图像中减去腐蚀后的图像方法，腐蚀算法可实现对二值图像的边缘检测。由于被腐蚀的图像将失去原始的图像边缘像素，相减的结果将得到边界，因此，
Figure BDA0002421248080000073
实现边界提取。
S1242、对所述高级形态处理结果填充细胞的空洞，以得到目标图像。
图像通过Basic Monphology函数的Close Objects模式操作，可以填充细胞的空洞；Basic Monphology函数影响二值图像中粒子的形状，这个函数可以完成扩张、缩小目标，填充填洞，关闭粒子，平滑界面等工作。Close Objects模式操作是进行先膨胀后腐蚀，先膨胀后腐蚀的过程称为闭运算，用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积，膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程，可以用来填补物体中的空洞。
膨胀的算法包括用3x3的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为0，结果图像的该像素为0，否则为1；结果是使二值图像扩大一圈。
使用结构元素s对图像f的腐蚀可以由以下规则定义：
Figure BDA0002421248080000081
腐蚀过程可表示为
Figure BDA0002421248080000082
如此，连续的放置结构元素的原点到所有可能的图像像素点位置来检测图像，当结构元素和图像有一个非0交叉点时输出为1，否则输出为0。
S130、对所述目标图像进行粒子分析，以得到生长融合度。
在本实施例中，生长融合度是指细胞与细胞之间紧贴在一起的程度。
具体地，使用Partide Analysis函数对所述目标图像进行分析，PartideAnalysis函数可以分析整个图像中的粒子参数，参数可以选择，如质心坐标、面积、百分比之类的。Partide Analysis函数的作用VI是Partide Measerements，可以设置上下左右象素直接的连通方式，改变粒子测试结果。根据Partide Analysis函数测量得到统计信息，并根据所述统计信息计算生长融合度；
其中，所述统计信息包括颗粒是否存在、面积、数量、位置。
细胞的生长融合度计算只需要统计粒子的面积，举个例子：经过粒子分析后，得出有细胞背景的像素点为580969个，整张图像的像素点有715122个，(580969/715122)*100％＝81.24％；这张图片的干细胞生长的融合度为81.24％。
S140、反馈所述生长融合度至终端，以在终端显示。
以LabVIEW内置的图像软件开发包，描述了其在干细胞生长融合度的检测方法。IMAQ VISION提供了在细胞分析上的一些优秀的图像滤波、自动阈值度量、形态学及粒子分析的算子，从系统实现的角度出发，实现了细胞显微图像处理与计数的系统平台和常用功能模块的开发，计算出细胞生长融合度误差精确到±5％内。
上述的干细胞融合度检测方法，通过先获取细胞图像后，进行图像增强、二值化处理、图像滤波、高级形态学处理以及基础形态学处理等形态优化后，在进行细胞对应的粒子面积，由此计算细胞生长融合度，实现适应各种场景采集到的图像，准确计算出干细胞生长融合度。
图5是本发明另一实施例提供的一种干细胞融合度检测方法的流程示意图。如图5所示，本实施例的干细胞融合度检测方法包括步骤S210-S250。其中步骤S220-S250与上述实施例中的步骤S110-S140类似，在此不再赘述。下面详细说明本实施例中所增加的步骤S210。
S210、设置图像处理参数调节的界面，以供终端选择图像处理参数。
LabVIEW在视觉识别系统上开放出图像处理参数调节的界面，为适应各种场景采集到的图像，准确计算出干细胞生长融合度，提供方便的标定校正功能。
图6本发明实施例提供的一种干细胞融合度检测装置300的示意性框图。如图6所示，对应于以上干细胞融合度检测方法，本发明还提供一种干细胞融合度检测装置300。该干细胞融合度检测装置300包括用于执行上述干细胞融合度检测方法的单元，该装置可以被配置于服务器中。具体地，请参阅图6，该干细胞融合度检测装置300包括原始图像获取单元302、处理单元303、分析单元304以及反馈单元305。
原始图像获取单元302，用于获取干细胞培养过程的图像，以得到原始图像；处理单元303，用于采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像；分析单元304，用于对所述目标图像进行粒子分析，以得到生长融合度；反馈单元305，用于反馈所述生长融合度至终端，以在终端显示。
具体地，原始图像获取单元302，用于通过相衬显微技术拍摄干细胞培养过程的干细胞生长图像，以得到原始图像。
分析单元304，用于使用Partide Analysis函数对所述目标图像进行分析，以得到统计信息，并根据所述统计信息计算生长融合度；其中，所述统计信息包括颗粒是否存在、面积、数量、位置。
在一实施例中，如图7所示，所述处理单元303包括增强子单元3031、二值化子单元3032、轮廓提取子单元3033以及形态学处理子单元3034。
增强子单元3031，用于对所述原始图像进行图像增强，以得到中间图像；二值化子单元3032，用于对所述中间图像进行二值化处理，以得到二值化图像；轮廓提取子单元3033，用于对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像；形态学处理子单元3034，用于对滤波后的图像进行形态学处理，以得到目标图像。
具体地，轮廓提取子单元3033，用于使用基于Prewitt算子边缘检测的微分滤波模式对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像。
在一实施例中，如图8所示，所述形态学处理子单元3034包括高级处理模块30341以及空洞填充模块30342。
高级处理模块30341，用于使用高级形态学函数对滤波后的图像去除非细胞的颗粒和平滑细胞边界，以得到高级形态处理结果；空洞填充模块30342，用于对所述高级形态处理结果填充细胞的空洞，以得到目标图像。
图9是本发明另一实施例提供的一种干细胞融合度检测装置300的示意性框图。如图9所示，本实施例的干细胞融合度检测装置300是上述实施例的基础上增加了界面设置单元301。
界面设置单元301，用于设置图像处理参数调节的界面，以供终端选择图像处理参数。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述干细胞融合度检测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述干细胞融合度检测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10，图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种干细胞融合度检测方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种干细胞融合度检测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取干细胞培养过程的图像，以得到原始图像；采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像；对所述目标图像进行粒子分析，以得到生长融合度；反馈所述生长融合度至终端，以在终端显示。
在一实施例中，处理器502在实现所述获取干细胞培养过程的图像，以得到原始图像步骤时，具体实现如下步骤：
通过相衬显微技术拍摄干细胞培养过程的干细胞生长图像，以得到原始图像。
在一实施例中，处理器502在实现所述采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像步骤时，具体实现如下步骤：
对所述原始图像进行图像增强，以得到中间图像；对所述中间图像进行二值化处理，以得到二值化图像；对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像；对滤波后的图像进行形态学处理，以得到目标图像。
在一实施例中，处理器502在实现所述对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像步骤时，具体实现如下步骤：
使用基于Prewitt算子边缘检测的微分滤波模式对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像。
在一实施例中，处理器502在实现所述对滤波后的图像进行形态学处理，以得到目标图像步骤时，具体实现如下步骤：
使用高级形态学函数对滤波后的图像去除非细胞的颗粒和平滑细胞边界，以得到高级形态处理结果；对所述高级形态处理结果填充细胞的空洞，以得到目标图像。
在一实施例中，处理器502在实现所述对所述目标图像进行粒子分析，以得到生长融合度步骤时，具体实现如下步骤：
使用Partide Analysis函数对所述目标图像进行分析，以得到统计信息，并根据所述统计信息计算生长融合度；其中，所述统计信息包括颗粒是否存在、面积、数量、位置。
在一实施例中，处理器502在实现所述获取干细胞培养过程的图像，以得到原始图像步骤之前，还实现如下步骤：
设置图像处理参数调节的界面，以供终端选择图像处理参数。
应当理解，在本申请实施例中，处理器502可以是中央处理单元303(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取干细胞培养过程的图像，以得到原始图像；采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像；对所述目标图像进行粒子分析，以得到生长融合度；反馈所述生长融合度至终端，以在终端显示。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取干细胞培养过程的图像，以得到原始图像步骤时，具体实现如下步骤：
通过相衬显微技术拍摄干细胞培养过程的干细胞生长图像，以得到原始图像。
在一实施例中，所述处理器在执行所述计算机程序而实现所述采用LabVIEWVison对所述原始图像边缘处理以及形态学处理，以得到目标图像步骤时，具体实现如下步骤：
对所述原始图像进行图像增强，以得到中间图像；对所述中间图像进行二值化处理，以得到二值化图像；对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像；对滤波后的图像进行形态学处理，以得到目标图像。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像步骤时，具体实现如下步骤：
使用基于Prewitt算子边缘检测的微分滤波模式对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对滤波后的图像进行形态学处理，以得到目标图像步骤时，具体实现如下步骤：
使用高级形态学函数对滤波后的图像去除非细胞的颗粒和平滑细胞边界，以得到高级形态处理结果；对所述高级形态处理结果填充细胞的空洞，以得到目标图像。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述目标图像进行粒子分析，以得到生长融合度步骤时，具体实现如下步骤：
使用Partide Analysis函数对所述目标图像进行分析，以得到统计信息，并根据所述统计信息计算生长融合度；其中，所述统计信息包括颗粒是否存在、面积、数量、位置。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取干细胞培养过程的图像，以得到原始图像步骤之前，还实现如下步骤：
设置图像处理参数调节的界面，以供终端选择图像处理参数。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明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。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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。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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元303中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.干细胞融合度检测方法，其特征在于，包括：
获取干细胞培养过程的图像，以得到原始图像；
采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像；
对所述目标图像进行粒子分析，以得到生长融合度；
反馈所述生长融合度至终端，以在终端显示。
2.根据权利要求1所述的干细胞融合度检测方法，其特征在于，所述获取干细胞培养过程的图像，以得到原始图像，包括：
通过相衬显微技术拍摄干细胞培养过程的干细胞生长图像，以得到原始图像。
3.根据权利要求1所述的干细胞融合度检测方法，其特征在于，所述采用LabVIEWVison对所述原始图像边缘处理以及形态学处理，以得到目标图像，包括：
对所述原始图像进行图像增强，以得到中间图像；
对所述中间图像进行二值化处理，以得到二值化图像；
对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像；
对滤波后的图像进行形态学处理，以得到目标图像。
4.根据权利要求3所述的干细胞融合度检测方法，其特征在于，所述对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像，包括：
使用基于Prewitt算子边缘检测的微分滤波模式对所述二值化图像提取干细胞的边缘轮廓，以得到滤波后的图像。
5.根据权利要求3所述的干细胞融合度检测方法，其特征在于，所述对滤波后的图像进行形态学处理，以得到目标图像，包括：
使用高级形态学函数对滤波后的图像去除非细胞的颗粒和平滑细胞边界，以得到高级形态处理结果；
对所述高级形态处理结果填充细胞的空洞，以得到目标图像。
6.根据权利要求1所述的干细胞融合度检测方法，其特征在于，所述对所述目标图像进行粒子分析，以得到生长融合度，包括：
使用Partide Analysis函数对所述目标图像进行分析，以得到统计信息，并根据所述统计信息计算生长融合度；
其中，所述统计信息包括颗粒是否存在、面积、数量、位置。
7.根据权利要求1所述的干细胞融合度检测方法，其特征在于，所述获取干细胞培养过程的图像，以得到原始图像之前，还包括：
设置图像处理参数调节的界面，以供终端选择图像处理参数。
8.干细胞融合度检测装置，其特征在于，包括：
原始图像获取单元，用于获取干细胞培养过程的图像，以得到原始图像；
处理单元，用于采用LabVIEW Vison对所述原始图像边缘处理以及形态学处理，以得到目标图像；
分析单元，用于对所述目标图像进行粒子分析，以得到生长融合度；
反馈单元，用于反馈所述生长融合度至终端，以在终端显示。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至7中任一项所述的方法。
CN202010206459.2A 2020-03-23 2020-03-23 干细胞融合度检测方法、装置、计算机设备及存储介质 Pending CN111429429A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010206459.2A CN111429429A (zh) 2020-03-23 2020-03-23 干细胞融合度检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010206459.2A CN111429429A (zh) 2020-03-23 2020-03-23 干细胞融合度检测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111429429A true CN111429429A (zh) 2020-07-17

Family

ID=71548611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010206459.2A Pending CN111429429A (zh) 2020-03-23 2020-03-23 干细胞融合度检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111429429A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222969A (zh) * 2021-05-28 2021-08-06 大连海事大学 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置
CN114693531A (zh) * 2020-12-28 2022-07-01 富泰华工业（深圳）有限公司 图像对比方法及相关设备
CN116030633A (zh) * 2023-02-21 2023-04-28 天津汉云工业互联网有限公司 一种车辆隧道预警方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007222073A (ja) * 2006-02-23 2007-09-06 Yamaguchi Univ 画像処理により細胞運動特性を評価する方法、そのための画像処理装置及び画像処理プログラム
CN101777122A (zh) * 2010-03-02 2010-07-14 中国海洋大学 一种角毛藻显微图像细胞目标提取方法
CN107123102A (zh) * 2017-05-24 2017-09-01 天津工业大学 一种贴壁细胞生长融合度自动分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007222073A (ja) * 2006-02-23 2007-09-06 Yamaguchi Univ 画像処理により細胞運動特性を評価する方法、そのための画像処理装置及び画像処理プログラム
CN101777122A (zh) * 2010-03-02 2010-07-14 中国海洋大学 一种角毛藻显微图像细胞目标提取方法
CN107123102A (zh) * 2017-05-24 2017-09-01 天津工业大学 一种贴壁细胞生长融合度自动分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693531A (zh) * 2020-12-28 2022-07-01 富泰华工业（深圳）有限公司 图像对比方法及相关设备
CN113222969A (zh) * 2021-05-28 2021-08-06 大连海事大学 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置
CN113222969B (zh) * 2021-05-28 2024-05-14 大连海事大学 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置
CN116030633A (zh) * 2023-02-21 2023-04-28 天津汉云工业互联网有限公司 一种车辆隧道预警方法和装置
CN116030633B (zh) * 2023-02-21 2023-06-02 天津汉云工业互联网有限公司 一种车辆隧道预警方法和装置

Similar Documents

Publication Publication Date Title
CN108776140B (zh) 一种基于机器视觉的印刷品瑕疵检测方法及系统
CN111429429A (zh) 干细胞融合度检测方法、装置、计算机设备及存储介质
CN109242853A (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN114897864B (zh) 基于数模信息的工件检测及缺陷判断方法
CN115908269B (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
US20120207379A1 (en) Image Inspection Apparatus, Image Inspection Method, And Computer Program
CN114399522A (zh) 一种基于高低阈值的Canny算子的边缘检测方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN109544571A (zh) 一种基于数学形态学的金相图像边缘检测方法
JP2011521682A (ja) 皮質白内障診断のための自動混濁検出システム
CN108918093B (zh) 一种滤光片镜面缺陷检测方法、装置及终端设备
CN112990015B (zh) 一种病变细胞自动识别方法、装置和电子设备
CN113484867B (zh) 一种基于成像声呐封闭空间下鱼群密度探测方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN109949294A (zh) 一种基于OpenCV的断口形貌图裂纹缺陷提取方法
CN109658394B (zh) 眼底图像预处理方法及系统和微血管瘤检测方法及系统
CN114332079A (zh) 基于图像处理的塑料餐盒裂缝检测方法、装置及介质
CN116563298A (zh) 基于高斯拟合的十字线中心亚像素检测方法
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
CN109949245B (zh) 十字激光检测定位方法、装置、存储介质及计算机设备
CN108171691B (zh) 一种塑料容器的检测方法
CN113888503A (zh) 产品外观检测方法、装置和存储介质
CN113763491B (zh) 一种烟丝桶残余物的视觉检测方法
CN115423756A (zh) 一种获取晶圆边缘点的信息及晶圆定位的方法

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