CN111583186A - 面向临床应用的病理er/pr细胞核计数方法及系统 - Google Patents
面向临床应用的病理er/pr细胞核计数方法及系统 Download PDFInfo
- Publication number
- CN111583186A CN111583186A CN202010289896.5A CN202010289896A CN111583186A CN 111583186 A CN111583186 A CN 111583186A CN 202010289896 A CN202010289896 A CN 202010289896A CN 111583186 A CN111583186 A CN 111583186A
- Authority
- CN
- China
- Prior art keywords
- positive
- image
- cell
- optical density
- cells
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001575 pathological effect Effects 0.000 title claims abstract description 23
- 210000003855 cell nucleus Anatomy 0.000 title claims abstract description 14
- 210000004027 cell Anatomy 0.000 claims abstract description 134
- 230000023402 cell communication Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 239000000126 substance Substances 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims description 54
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 230000007170 pathology Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002055 immunohistochemical effect Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011227 neoadjuvant chemotherapy Methods 0.000 description 3
- 238000010827 pathological analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002512 chemotherapy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011532 immunohistochemical staining Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012758 nuclear staining Methods 0.000 description 2
- 210000004940 nucleus Anatomy 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 101100314454 Caenorhabditis elegans tra-1 gene Proteins 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000002570 interstitial cell Anatomy 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000002536 stromal cell Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 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
- G06T7/0002—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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
Abstract
本公开公开了面向临床应用的病理ER/PR细胞核计数方法及系统，包括：获取待分析图像，对待分析图像进行细胞间质滤除；对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像；对阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，将阳性细胞进行分类；对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；对阳性细胞和阴性细胞进行计数。
Description
技术领域
本公开涉及医学辅助诊断技术领域，特别是涉及面向临床应用的病理ER/PR细胞核计数方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
乳腺癌是女性最常见的恶性肿瘤，目前的主要治疗手段有手术、放疗、化疗、内分泌治疗及靶向治疗等。新辅助化疗(neoadjuvantchemotherapy，NAC)即术前化疗，是乳腺癌治疗的重要组成部分，目前预测新辅助化疗效果的指标包括临床指标(临床分期、淋巴结分期等)和分子指标(免疫组织化学染色ER、PR、Her-2、Ki67等)，ER、PR的表达强度和数量还有助于确定乳腺癌的临床亚型，对术后治疗方案的选择以及预后、转移、复发风险的评估等起着举足轻重的决定作用。
病理组织免疫组化染色ER、PR均定位于细胞核，以细胞核内出现棕黄色颗粒为阳性细胞；又将染色强度分为：弱阳—浅棕色；强阳—深褐色、中阳—界于强弱之间。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
现有技术中大都是人工计数，对计数人员的经验要求高，而且人工技术主观性太强，容易造成技术结果有偏差。
发明内容
为了解决现有技术的不足，本公开提供了面向临床应用的病理ER/PR细胞核计数方法及系统；
第一方面，本公开提供了面向临床应用的病理ER/PR细胞核计数方法；
面向临床应用的病理ER/PR细胞核计数方法，包括：
获取待分析图像，对待分析图像进行细胞间质滤除；
对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像；
对阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，将阳性细胞进行分类；
对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；
对阳性细胞和阴性细胞进行计数。
第二方面，本公开提供了面向临床应用的病理ER/PR细胞核计数系统；
面向临床应用的病理ER/PR细胞核计数系统，包括：
获取模块，其被配置为：获取待分析图像，对待分析图像进行细胞间质滤除；
映射模块，其被配置为：对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像；
切割模块，其被配置为：对阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，将阳性细胞进行分类；
处理模块，其被配置为：对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；
计数模块，其被配置为：对阳性细胞和阴性细胞进行计数。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本公开的有益效果是：
本公开涉及的细胞计数方法可以解决对技术人员经验要求高的问题，技术结果也更加准确，节省了工作人员的工作时间；
本公开通过对待分析图像进行细胞间质滤除，可以解决细胞间质的干扰，提高数据统计的准确性；
本公开通过对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像，可以避免人工分离的误操作；
本公开通过对阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，将阳性细胞进行分类，可以避免重合细胞漏检的问题，还可以通过分类提高识别的精准度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例的采用GDI+将形成一个不规则但闭合的图形示意图；
图3为第一个实施例的圈定的区域即为待分析图像RGB示意图；
图4为第一个实施例的原RGB图；
图5为第一个实施例的白平衡后的RGB图；
图6为第一个实施例的滤掉细胞间质后的RGB图；
图7为第一个实施例的ER/PR阳性细胞RGB图；
图8为第一个实施例的ER/PR阴性细胞RGB图；
图9为第一个实施例的未处理的ER/PR阳性细胞连通区域；
图10为第一个实施例的去掉小连通区域的ER/PR阳性细胞二值图；
图11为第一个实施例的标记出ER/PR阳性细胞；
图12为第一个实施例的ER/PR阴性细胞二值图像；
图13为第一个实施例的去掉小连通区域的ER/PR阴性细胞二值图像；
图14为第一个实施例的统计ER/PR阴性、阳性细胞数量；
图15为第一个实施例的前端应用系统显示效果。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了面向临床应用的病理ER/PR细胞核计数方法；
如图1所示，面向临床应用的病理ER/PR细胞核计数方法，包括：
S1：获取待分析图像，对待分析图像进行细胞间质滤除；
S2：对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像；
S3：对阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，将阳性细胞进行分类；
S4：对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；
S5：对阳性细胞和阴性细胞进行计数。
作为一个或多个实施例，所述获取待分析图像的具体步骤包括：将染色后的病理切片至于光学显微镜下，通过视觉检测设备CCD采集染色后的病理切片的图像；移动光学显微镜的载物台，对不同视野下染色后的病理切片的图像进行采集，将所有采集的染色后的病理切片的图像作为待分析图像。
作为一个或多个实施例，所述对待分析图像进行细胞间质滤除，具体步骤包括：从待分析图像中，选择目标分析区域；对目标分析区域，计算各个像素点的光密度值；对每个像素点的光密度值进行白平衡处理；将白平衡处理后的每个像素点的光密度值与设定的细胞间质平衡参数进行比较，滤除光密度值小于设定的细胞间质平衡参数的像素点。
作为一个或多个实施例，所述对每个像素点进行白平衡处理，具体步骤包括：获取R通道的最小光密度值、G通道的最小光密度值和B通道的最小光密度值；将每个像素点的R通道的光密度值减去R通道的最小光密度值；将每个像素点的G通道的光密度值减去G通道的最小光密度值；将每个像素点的B通道的光密度值减去B通道的最小光密度值。
作为一个或多个实施例，所述对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像，具体步骤包括：
将滤除像素点后的图像从RGB空间映射到HSV空间，创建第一白色图像和第二白色图像；将滤除像素点后的图像的蓝色区间提取到第一白色图像上，得到阳性RGB图像；将滤除像素点后的图像的棕色区间提取到第二白色图像上，得到非阳性RGB图像。
作为一个或多个实施例，非阳性细胞，除了阴性细胞以外，还有一些细胞间质、间质细胞等杂质。
作为一个或多个实施例，所述对非阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，具体步骤包括：
对阳性RGB图像进行灰度图像二值化处理，得到阳性二值图像；阳性二值图像中阳性细胞为白色，其他背景为黑色；基于最大类间方差法，获取阳性二值图像中每个阳性细胞连通区域的索引，求各连通区域面积平均值，将面积小于设定平衡阈值的连通区域滤除，将滤除的区域置为背景；
对面积大于平衡阈值的连通区域，通过计算连通区域的横纵比来判断是否是多个细胞重合，对连通区域横纵比大于设定阈值的连通区域视为多个细胞重合；并对连通区域横纵比大于设定阈值的连通区域做长边切割，使每一个分出的新区域面积等于阳性细胞连通区域面积平均值；对于连通区域横纵比小于设定阈值的连通区域视为一个细胞；至此，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引。
作为一个或多个实施例，所述将阳性细胞进行分类；具体步骤包括：
计算每个阳性细胞连通区域在RGB图像上对应区域的每个像素的光密度值，按照阳性细胞连通区域索引，求各ER/PR阳性细胞的平均光密度值；
将平均光密度值高于最大设定阈值的细胞作为ER/PR强阳性细胞(深褐色)，平均光密度值低于最小设定阈值的细胞作为弱阳性细胞(浅棕色)，平均光密度值大于最小设定阈值且小于最大设定阈值的细胞作为中阳性细胞，将细胞的类别标记到RGB图像上。
作为一个或多个实施例，所述对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；具体步骤包括:
对非阳性RGB图像进行灰度图像二值化处理，得到非阳性二值图像；
对非阳性二值图像，利用最大类间方差法进行处理，获得非阳性二值图像中每个连通区域的索引，求各连通区域面积平均值，将面积小于设定平衡阈值的连通区域进行滤除，将滤除的区域置为背景；
对面积大于平衡阈值的连通区域，通过计算连通区域的横纵比来判断是否是多个细胞重合接，对连通区域横纵比大于设定阈值的连通区域视为多个细胞重合；并对连通区域横纵比大于设定阈值的连通区域做长边切割，使每一个分出的新区域面积等于阴性细胞连通区域面积平均值；对于连通区域横纵比小于设定阈值的连通区域视为一个细胞；至此，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引。
作为一个或多个实施例，所述对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引步骤之后，所述对阳性细胞和阴性细胞进行计数步骤之前，还包括：获取ER/PR阴性细胞连通区域索引，构造一个圆形的构造元素，利用imbothat函数进行底帽变换，去除不均匀背景，在RGB原图上标记ER/PR阴性细胞。
首先登陆免疫组化ER/PR细胞核计数分析系统，选择病理图像页面，获取Windows系统中可用的Camera设备，用设置好的句柄通过DirectShow接口连接显微镜。系统转化CCD设备传过来的数据，将其转化成视频流后，CCD镜下画面实时呈现出来。按下【拍照】按钮，系统获取当前CCD传过来的数据，截取当前视频流，再将视频流转为文件流，保存到本地。如图像为数字切片格式，则打开相应的阅片工具，在线截图，保存到本地。
圈定待分析区域
只需要分析癌细胞的阳性比率，所以必须将癌细胞的图像从整个CCD截图中分离出来，排除干扰，避免将非癌细胞计算在内而导致算法分析不准确。将jpg图像在系统中打开，将其作为窗体的背景图像。在鼠标按下时，记录当前坐标。在鼠标移动过程中，将鼠标移动过程中的路径里包含的坐标记录下来，利用GDI+技术将这些坐标用红色直线将其连接。当鼠标松开时，将鼠标按下的坐标加到鼠标移动路径中，并采用GDI+将形成一个不规则但闭合的图形，如下图2和图3所示。
设定系列阈值
不同品牌光学显微镜成像效果不同，还由于癌细胞表达ER/PR具有异质性，因此需要病理医生通过前端输入系列阈值，便于后台准确的分析及成像。设定门限值，不同染色深度的切片可通过【强阳、中阳门限值】灵活设置。【强阳门限值】指强阳与中阳之间的界限值，【中阳门限值】指弱阳和中阳之间的界限值，小于【中阳门限值】的为弱阳，处于【强阳门限值】与【中阳门限值】之间的为中阳，大于【强阳门限值】的为强阳。
4.图像处理及分析
(1)获取前端采集并圈定的免疫组化ER/PR核染色病理图像作为待分析图像(RGB)，用matlab软件的imdouble函数取RGB图像的双精度值，计算RGB图像的各像素点的光密度值OD_rgb＝-log10(RGB)，通过min函数取分别取RGB三通道的最小光密度值OD_rgb_min，各像素点RGB三通道的光密度值减最小光密度值，即把RGB图像的最小光密度值归0，实现光密度值的白平衡处理，通过cat函数进行连接后用power函数获取白平衡后的RGB图像。效果如图5所示。原RGB图像如图4所示；
(2)获取前端输入的细胞间质平衡参数，用find函数搜索RGB光密度值小于细胞间质平衡参数的像素，进一步滤掉细胞间质，如图6所示。
(3)将RGB图像对应到HSV空间，创建两个白色的图像，设置HSV的取色范围，将RGB的蓝色区间(0.3～0.6—0.7)和棕色区间(0.6—0.8～1)|(0～0.3)分别提取到白色图像上。生成阳性细胞RGB图及非阳细胞RGB图，如图7和图8所示。
(4)对ER/PR阳性RGB进行灰度图像二值化处理，全局阈值处理最大化类间方差，获得每个阳性细胞作为连通区域的索引，求各连通区域平均值的大小，获取输入的平衡阈值，滤除小的连通区域，进行归零处理，针对较大的连通区域，判断是否是多个细胞重合或连接，然后求区域的横纵比并做长边切割，使每一个分出的新区域面积约等于平均阳性细胞大小的连通区域面积值。获取ER/PR阳性细胞最终连通区域，即每个ER/PR阳性细胞的索引。
如图9所示，未处理的ER/PR阳性细胞连通区域；如图10所示，去掉小连通区域的ER/PR阳性细胞二值图。
(5)计算上述阳性细胞RGB图像对应区域每个像素的光密度值OD，按照阳性细胞连通区域索引，求各ER/PR阳性细胞的平均光密度值。
平均光密度值较高的为ER/PR强阳性细胞(深褐色)，较低的为弱阳性细胞(浅棕色)，居中的为中阳性细胞，根据前端获取的强、中、弱分割阈值进行强阳、中阳、弱阳细胞的分别统计，标记到RGB图像上；如图11所示，标记出ER/PR阳性细胞示意图；
(6)对非阳性RGB进行灰度图像二值化处理，全局阈值处理最大化类间方差，获得每个连通区域的索引，滤除小的连通区域(归零处理)，通过连通区域形态进行细胞形态分析，滤除间质细胞(归零处理)，针对大的连通区域，求区域的横纵比并做长边切割，使每一个分出的新区域面积约等于平均值。获取ER/PR阴性细胞最终连通区域，即每个ER/PR阴性细胞的索引。如图12所示，ER/PR阴性细胞二值图像；如图13所示，去掉小连通区域的ER/PR阴性细胞二值图像；
(7)获取ER/PR阴性细胞位置索引，构造一个圆形的构造元素，利用MATLAB软件的imbothat函数进行底帽变换，去除不均匀北京，调节灰度对比度，在RGB原图上标记ER/PR阴性细胞，结合之前ER/PR阳性细胞的标记，显示效果如图14所示。
结果判定
(1)经上述步骤分别对显微镜不同视野下采集的免疫组化ER/PR核染色病理图像的不同圈定区域进行计数分析、统计，并以区域为单位分别显示结果；如图15所示；
(2)病理医生可以对上述结果进行多项选择，并通过系统自动合计其统计结果：
阳性细胞＝强阳细胞数+中阳细胞数+弱阳细胞数
总细胞数＝阳性细胞数+阴性细胞数
强阳率＝强阳细胞数/总细胞数*100％
中阳率＝中阳细胞数/总细胞数*100％
弱阳率＝弱阳细胞数/总细胞数*100％
(2)病理医生可以将系统分析结果一键式自动插入病理诊断报告的诊断意见中，通过系统直接打印病理图文诊断报告给临床。
本公开是一种面向临床应用的病理组织免疫组化ER/PR细胞核计数分析方法，可兼容普通光学显微镜下采集的图像及数字扫描切片采集的图像，特别是普通光学显微镜下采集图像的分析计数功能，可以解决基层医院病理科缺少数字切片扫描仪配置的实际问题；通过前端阈值的设定可以完全满足人机交互的实际应用需求，解决了不同品牌光学显微镜以及数字扫描切片的成像差异及肿瘤细胞表达异质性所带来的分析误差；系统自动对ER/PR阳性细胞和ER/PR阴性细胞分别进行计数及标注，并且对阳性细胞染色的强、中、弱表达分别计数，为诊断医生对分析结果的判定提供了可靠依据；系统内置病理报告生成模块，分析结果可一键式插入到病理诊断报告的诊断意见中，并在线打印图文诊断报告，实现整个流程的闭环操作。
此免疫组化ER/PR细胞核计数分析方法，既提高了病理诊断医生的工作效率，又提高了诊断准确率，同时从临床应用的角度最大化地满足基层医院病理科的实际需求，具有广泛的推广价值。
实施例二，本实施例提供了面向临床应用的病理ER/PR细胞核计数系统；
面向临床应用的病理ER/PR细胞核计数系统，包括：
获取模块，其被配置为：获取待分析图像，对待分析图像进行细胞间质滤除；
映射模块，其被配置为：对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像；
切割模块，其被配置为：对阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，将阳性细胞进行分类；
处理模块，其被配置为：对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；
计数模块，其被配置为：对阳性细胞和阴性细胞进行计数。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述的方法。
实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.面向临床应用的病理ER/PR细胞核计数方法，其特征是，包括：
获取待分析图像，对待分析图像进行细胞间质滤除；
对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像；
对阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，将阳性细胞进行分类；
对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；
对阳性细胞和阴性细胞进行计数。
2.如权利要求1所述的方法，其特征是，所述获取待分析图像的具体步骤包括：将染色后的病理切片至于光学显微镜下，通过视觉检测设备CCD采集染色后的病理切片的图像；移动光学显微镜的载物台，对不同视野下染色后的病理切片的图像进行采集，将所有采集的染色后的病理切片的图像作为待分析图像。
3.如权利要求1所述的方法，其特征是，所述对待分析图像进行细胞间质滤除，具体步骤包括：从待分析图像中，选择目标分析区域；对目标分析区域，计算各个像素点的光密度值；对每个像素点的光密度值进行白平衡处理；将白平衡处理后的每个像素点的光密度值与设定的细胞间质平衡参数进行比较，滤除光密度值小于设定的细胞间质平衡参数的像素点。
4.如权利要求3所述的方法，其特征是，所述对每个像素点进行白平衡处理，具体步骤包括：获取R通道的最小光密度值、G通道的最小光密度值和B通道的最小光密度值；将每个像素点的R通道的光密度值减去R通道的最小光密度值；将每个像素点的G通道的光密度值减去G通道的最小光密度值；将每个像素点的B通道的光密度值减去B通道的最小光密度值。
5.如权利要求1所述的方法，其特征是，所述对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像，具体步骤包括：
将滤除像素点后的图像从RGB空间映射到HSV空间，创建第一白色图像和第二白色图像；将滤除像素点后的图像的蓝色区间提取到第一白色图像上，得到阳性RGB图像；将滤除像素点后的图像的棕色区间提取到第二白色图像上，得到非阳性RGB图像。
6.如权利要求1所述的方法，其特征是，所述对非阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，具体步骤包括：
对阳性RGB图像进行灰度图像二值化处理，得到阳性二值图像；阳性二值图像中阳性细胞为白色，其他背景为黑色；基于最大类间方差法，获取阳性二值图像中每个阳性细胞连通区域的索引，求各连通区域面积平均值，将面积小于设定平衡阈值的连通区域滤除，将滤除的区域置为背景；
对面积大于平衡阈值的连通区域，通过计算连通区域的横纵比来判断是否是多个细胞重合，对连通区域横纵比大于设定阈值的连通区域视为多个细胞重合；并对连通区域横纵比大于设定阈值的连通区域做长边切割，使每一个分出的新区域面积等于阳性细胞连通区域面积平均值；对于连通区域横纵比小于设定阈值的连通区域视为一个细胞；至此，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引。
7.如权利要求1所述的方法，其特征是，所述将阳性细胞进行分类；具体步骤包括：
计算每个阳性细胞连通区域在RGB图像上对应区域的每个像素的光密度值，按照阳性细胞连通区域索引，求各ER/PR阳性细胞的平均光密度值；
将平均光密度值高于最大设定阈值的细胞作为ER/PR强阳性细胞，平均光密度值低于最小设定阈值的细胞作为弱阳性细胞，平均光密度值大于最小设定阈值且小于最大设定阈值的细胞作为中阳性细胞，将细胞的类别标记到RGB图像上；
或者，
所述对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；具体步骤包括:
对非阳性RGB图像进行灰度图像二值化处理，得到非阳性二值图像；
对非阳性二值图像，利用最大类间方差法进行处理，获得非阳性二值图像中每个连通区域的索引，求各连通区域面积平均值，将面积小于设定平衡阈值的连通区域进行滤除，将滤除的区域置为背景；
对面积大于平衡阈值的连通区域，通过计算连通区域的横纵比来判断是否是多个细胞重合接，对连通区域横纵比大于设定阈值的连通区域视为多个细胞重合；并对连通区域横纵比大于设定阈值的连通区域做长边切割，使每一个分出的新区域面积等于阴性细胞连通区域面积平均值；对于连通区域横纵比小于设定阈值的连通区域视为一个细胞；至此，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；
或者，
所述对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引步骤之后，所述对阳性细胞和阴性细胞进行计数步骤之前，还包括：获取ER/PR阴性细胞连通区域索引，构造一个圆形的构造元素，利用imbothat函数进行底帽变换，去除不均匀背景，在RGB原图上标记ER/PR阴性细胞。
8.面向临床应用的病理ER/PR细胞核计数系统，其特征是，包括：
获取模块，其被配置为：获取待分析图像，对待分析图像进行细胞间质滤除；
映射模块，其被配置为：对细胞间质滤除后的图像进行HSV空间映射，获取阳性RGB图像和非阳性RGB图像；
切割模块，其被配置为：对阳性RGB图像进行重合细胞切割处理，获取到ER/PR阳性细胞连通区域和每个ER/PR阳性细胞连通区域索引，将阳性细胞进行分类；
处理模块，其被配置为：对非阳性RGB图像进行处理，获取到ER/PR阴性细胞连通区域和每个ER/PR阴性细胞连通区域索引；
计数模块，其被配置为：对阳性细胞和阴性细胞进行计数。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010289896.5A CN111583186A (zh) | 2020-04-14 | 2020-04-14 | 面向临床应用的病理er/pr细胞核计数方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010289896.5A CN111583186A (zh) | 2020-04-14 | 2020-04-14 | 面向临床应用的病理er/pr细胞核计数方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111583186A true CN111583186A (zh) | 2020-08-25 |
Family
ID=72111539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010289896.5A Pending CN111583186A (zh) | 2020-04-14 | 2020-04-14 | 面向临床应用的病理er/pr细胞核计数方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583186A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112750106A (zh) * | 2020-12-31 | 2021-05-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
| CN113724235A (zh) * | 2021-09-02 | 2021-11-30 | 山东省千佛山医院 | 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012174542A2 (en) * | 2011-06-17 | 2012-12-20 | Constitution Medical, Inc. | Systems and methods for sample display and review |
| CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
| 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 |
| CN108961208A (zh) * | 2018-05-21 | 2018-12-07 | 江苏康尚生物医疗科技有限公司 | 一种聚集白细胞分割计数系统及方法 |
| CN109712142A (zh) * | 2019-01-11 | 2019-05-03 | 山东省计算中心（国家超级计算济南中心） | 基于染色分离的乳腺癌Ki67/ER/PR核染色细胞计数方法 |
| CN110472616A (zh) * | 2019-08-22 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
| CN110956612A (zh) * | 2019-10-31 | 2020-04-03 | 华侨大学 | 一种细胞快速计数方法、计算机设备及可读存储介质 |
-
2020
- 2020-04-14 CN CN202010289896.5A patent/CN111583186A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012174542A2 (en) * | 2011-06-17 | 2012-12-20 | Constitution Medical, Inc. | Systems and methods for sample display and review |
| CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
| 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 |
| CN108961208A (zh) * | 2018-05-21 | 2018-12-07 | 江苏康尚生物医疗科技有限公司 | 一种聚集白细胞分割计数系统及方法 |
| CN109712142A (zh) * | 2019-01-11 | 2019-05-03 | 山东省计算中心（国家超级计算济南中心） | 基于染色分离的乳腺癌Ki67/ER/PR核染色细胞计数方法 |
| CN110472616A (zh) * | 2019-08-22 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
| CN110956612A (zh) * | 2019-10-31 | 2020-04-03 | 华侨大学 | 一种细胞快速计数方法、计算机设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| SUMAN TEWARY等: "AutoIHC-analyzer: Computer assisted microscopy for automated evaluation of ER, PR and Ki-67 molecular markers" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112750106A (zh) * | 2020-12-31 | 2021-05-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
| CN113724235A (zh) * | 2021-09-02 | 2021-11-30 | 山东省千佛山医院 | 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 |
| CN113724235B (zh) * | 2021-09-02 | 2023-07-25 | 山东省千佛山医院 | 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
| CN107977682B (zh) | 基于极坐标变换数据增强的淋巴类细胞分类方法及其装置 | |
| CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
| AU2014230824B2 (en) | Tissue object-based machine learning system for automated scoring of digital whole slides | |
| Jayakody et al. | Microscope image based fully automated stomata detection and pore measurement method for grapevines | |
| CN103745210B (zh) | 一种白细胞分类方法及装置 | |
| Madhloom et al. | An image processing application for the localization and segmentation of lymphoblast cell using peripheral blood images | |
| Mohamed et al. | An enhanced threshold based technique for white blood cells nuclei automatic segmentation | |
| CN103907023A (zh) | 检测生物学样品中的异常的系统和方法 | |
| CN111583185A (zh) | 基于病理免疫组织化学的Ki67细胞核计数方法及系统 | |
| CN103020585A (zh) | 一种免疫组织阳性细胞和阴性细胞识别方法 | |
| US20100254588A1 (en) | Automated bone marrow cellularity determination | |
| CN102147523B (zh) | 双ccd感光元件生物数字显微镜及其摄影图像处理方法 | |
| CN106327508B (zh) | Ki67指数自动分析方法 | |
| CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
| CN111583186A (zh) | 面向临床应用的病理er/pr细胞核计数方法及系统 | |
| Meimban et al. | Blood cells counting using python opencv | |
| CN109815974A (zh) | 一种细胞病理玻片分类方法、系统、设备、存储介质 | |
| Rahman et al. | Automatic detection of white blood cells from microscopic images for malignancy classification of acute lymphoblastic leukemia | |
| 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 | |
| CN112001315A (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
| CN102297833A (zh) | 一种测定人体血液或骨髓中各类细胞含量的方法 | |
| CN114387596A (zh) | 细胞病理涂片自动判读系统 | |
| Zhong et al. | Efficient malaria parasite detection from diverse images of thick blood smears for cross-regional model accuracy | |
| Byju et al. | A fast and reliable approach to cell nuclei segmentation in pap stained cervical smears |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240927 |
|
| AD01 | Patent right deemed abandoned |