CN111612776A - 一种基于图像边缘识别的病理大体标本大小自动测量方法 - Google Patents

一种基于图像边缘识别的病理大体标本大小自动测量方法 Download PDF

Info

Publication number
CN111612776A
CN111612776A CN202010443210.3A CN202010443210A CN111612776A CN 111612776 A CN111612776 A CN 111612776A CN 202010443210 A CN202010443210 A CN 202010443210A CN 111612776 A CN111612776 A CN 111612776A
Authority
CN
China
Prior art keywords
image
specimen
calculating
size
edge
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
CN202010443210.3A
Other languages
English (en)
Inventor
雷晓晔
陈福沨
方斌
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.)
Fuzhou Institute Of Data Technology Co ltd
Original Assignee
Fuzhou Institute Of Data 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 Fuzhou Institute Of Data Technology Co ltd filed Critical Fuzhou Institute Of Data Technology Co ltd
Priority to CN202010443210.3A priority Critical patent/CN111612776A/zh
Publication of CN111612776A publication Critical patent/CN111612776A/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
    • G06T5/70—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
    • G06T7/60—Analysis of geometric attributes
    • 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)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于图像边缘识别的病理大体标本大小自动测量方法，其包括以下步骤：步骤1，对纯色背景且带标尺的病理大体标本图像进行颜色空间转化，转成灰度值图像；步骤2，对灰度化的图像病理大体标本进行边缘检测，从而获得参照物和大体标本的边缘轮廓坐标点集；步骤3，根据轮廓坐标点集求取参照物和大体标本轮廓的外接矩形，并计算出四条边的中心点坐标；通过中心点之间的欧氏距离，计算出图像中各物体的大小；步骤4，根据参照物的实际大小计算原始图像每度量比的像素，从而计算出大体标本的实际大小。本发明针对大体标本图像的自动识别，准确地计算标本的实际大小，减少病理医生的工作量，对缓解医疗资源的紧张形势具有一定意义。

Description

一种基于图像边缘识别的病理大体标本大小自动测量方法
技术领域
本发明涉及生物医学工程技术领域，尤其涉及一种基于图像边缘识别的病理大体标本大小自动测量方法。
背景技术
病理科是一个几乎不与患者接触的科室，但这里出具的每一个结果，都可能是病人生命的分水岭。在肿瘤诊断领域，病理诊断被誉为疾病诊断的“金标准”，其质量直接影响到临床诊治的质量，因而在医疗活动中有着非常重要的地位，也成了临床和病理医师重点关注的问题。
病理诊断可分为取材、制片、染色和阅片诊断四个环节。目前，取材环节主要通过病理医生人工进行，病理医师在进行外科大体标本的组织取材时，需要手工测量大体标本的尺寸大小，并对其进行客观、详尽的描述说明，最后拍照存档。随着病人数量的不断增长，病理医生的工作量与日俱增，然而中国的病理科医生的缺口却在10万以上，缺口在短期内难于得到解决，给病理诊断的进一步发展带来了极大的困难。
发明内容
本发明的目的在于提供一种基于图像边缘识别的病理大体标本大小自动测量方法。
本发明采用的技术方案是：
一种基于图像边缘识别的病理大体标本大小自动测量方法，其包括以下步骤：
步骤1，对纯色背景且带标尺的病理大体标本图像进行颜色空间转化，转成灰度值图像；
步骤2，对灰度化的图像病理大体标本进行边缘检测，从而获得参照物和大体标本的边缘轮廓坐标点集；
步骤3，根据轮廓坐标点集求取参照物和大体标本轮廓的外接矩形，并计算出四条边的中心点坐标；通过中心点之间的欧氏距离，计算出图像中各物体的大小；
步骤4，根据参照物的实际大小计算原始图像每度量比的像素，从而计算出大体标本的实际大小。
进一步地，步骤1中将病理大体标本图像由RGB颜色模式进行处理转化成8位的灰度值图像。
进一步地，步骤2的边缘识别包括以下步骤：
步骤2-1，高斯平滑滤波，去除图片噪声；设置二维高斯分布矩阵的高斯核大小并与灰度图像进行卷积实现滤波，高斯核大小为ksize×ksize的二维高斯分布矩阵如下式生成：
Figure BDA0002504712180000021
其中，σ＝0.3×(0.5×(ksize-1)-1)-0.8，1≤i,j≤ksize；
步骤2-2，计算梯度值和梯度方向；选用Sobel算子计算二维图像在x轴和y轴的差分值，进而计算图上各点的梯度值G和梯度方向θ；
步骤2-3，非极大值抑制,即寻找像素点局部最大值；沿着梯度方向，比较它前面和后面的梯度值，对沿其正负方向上的梯度幅值最大值进行保留，非极值的点进行抑制置0；
步骤2-4，用双阈值法连接边缘；设置高阈值TH和低阈值TL，判定非极大值抑制后的图像中大于TH的点是边缘并置1，判定小于TL的点不是边缘并置0；针对在TL和TH之间的点，通过已确定的边缘点发起周围8邻域方向的广度优先搜索，判定图中可达的点是边缘，不可达的点不是边缘，进而得出边缘图。
进一步地，步骤2-1中设置高斯核大小为5×5与灰度图像进行卷积实现滤波。
进一步地，步骤2-2中将下面两个3×3模板Sx和Sy分别与滤波后的图像进行卷积得出x轴和y轴的差分值图Gx和Gy，进而计算图上各点的梯度值G和梯度方向θ，具体算式如下：
Figure BDA0002504712180000022
Figure BDA0002504712180000023
θ＝arctan(Gy/Gx)
其中，-π≤θ≤π，以
Figure BDA0002504712180000024
进行分隔把θ近似到水平、垂直和两个对角线方向。
进一步地，步骤3中根据中心点坐标计算左右中心点(x1,y1)和(x2,y2)之间的欧式距离d，该距离即为物体图像宽度；同理再计算上下中心点的欧式距离求得物体图像高度；从而得出参照物和大体标本在图像中的大小，如下公式所示：
Figure BDA0002504712180000025
本发明采用以上技术方案，通过准确识别病理大体标本图像中参照物和单个大体标本的边缘，然后计算边缘外切矩形中心点之间的欧式距离，进而根据参照物计算出原始图像每度量比的像素，最终计算出大体标本的实际大小。本发明针对大体标本图像的自动识别，可以准确地计算标本的实际大小，能够减少病理医生的工作量，进而对缓解医疗资源的紧张形势具有一定意义。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为带标尺的病理大体标本的原始图像；
图2为带标尺的病理大体标本的图像灰度化示意图；
图3为本发明物体边缘识别的示意图；
图4为根据轮廓计算图像中各物体的像素大小示意图；
图5为计算每度量比像素得到的病理大体标本的实际大小示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
如图1至图5之一所示，本发明公开了一种基于图像边缘识别的病理大体标本大小自动测量方法，其包括以下步骤：
步骤1，对纯色背景且带标尺的病理大体标本图像进行颜色空间转化，转成灰度值图像；
具体地，病理大体标本图像是RGB颜色模式，需要对其进行处理，转化成8位的灰度值图像，便于后续的处理计算。
步骤2，对灰度化的图像病理大体标本进行边缘检测，从而获得参照物和大体标本的边缘轮廓坐标点集；
具体地，先对病理大体标本的灰度图像，进行边缘检测，主要包括以下4个步骤：
步骤2-1：高斯平滑滤波，去除图片噪声。一个高斯核大小为ksize×ksize的二维高斯分布矩阵如下式生成：
Figure BDA0002504712180000031
其中，σ＝0.3×(0.5×(ksize-1)-1)-0.8，1≤i,j≤ksize。
本实施例中优选设置核大小为5×5与灰度图像进行卷积实现滤波。
步骤2-2：计算梯度值和梯度方向。边缘最重要的特征是灰度值剧烈变化，灰度值的变化用差分值来表示。
本实施例中选用Sobel算子来计算二维图像在x轴(水平方向)和y轴(垂直方向)的差分值，将下面两个3×3模板(Sx和Sy)分别与滤波后的图像进行卷积，得出x轴和y轴的差分值图Gx和Gy，计算图上各点的梯度值G和梯度方向θ：
Figure BDA0002504712180000041
Figure BDA0002504712180000042
θ＝arctan(Gy/Gx)
其中，-π≤θ≤π，以
Figure BDA0002504712180000043
进行分隔，把θ近似到水平、垂直和两个对角线方向(0°，45°，90°，135°)。
步骤2-3：非极大值抑制(NMS)。即寻找像素点局部最大值：沿着梯度方向，比较它前面和后面的梯度值，在沿其正负方向上的梯度幅值最大，则保留，否则抑制，即置0。换言之，把不是极值的点，全部置成0，去掉了大部分弱的边缘，使得图像边缘变细；
步骤2-4：用双阈值法连接边缘。设置高阈值TH和低阈值TL，那么非极大值抑制后的图像中大于TH的点是边缘，置1，小于TL的点不是边缘，置0。在TL和TH之间的点，通过已确定的边缘点，发起周围8邻域方向的搜索(广度优先搜索)，图中可达的是边缘，不可达的点不是边缘，得出边缘图。
步骤3，根据轮廓坐标点集求取参照物和大体标本轮廓的外接矩形，并计算出四条边的中心点坐标；通过中心点之间的欧氏距离，计算出图像中各物体的大小；
具体地，根据边缘图，先计算出外切矩形框，然后计算出矩形四条边的中心点坐标。根据中心点坐标，计算左右中心点(x1,y1)和(x2,y2)之间的欧式距离d，该距离即为物体图像宽度；同理，计算上下中心点的欧式距离，求得物体图像高度。从而得出参照物和大体标本在图像中的大小。
Figure BDA0002504712180000044
步骤4，根据参照物的实际大小计算原始图像每度量比的像素，从而计算出大体标本的实际大小。
本发明采用以上技术方案，通过准确识别病理大体标本图像中参照物和单个大体标本的边缘，然后计算边缘外切矩形中心点之间的欧式距离，进而根据参照物计算出原始图像每度量比的像素，最终计算出大体标本的实际大小。
此外，在本申请实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通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。

Claims (6)

1.一种基于图像边缘识别的病理大体标本大小自动测量方法，其特征在于：其包括以下步骤：
步骤1，对纯色背景且带标尺的病理大体标本图像进行颜色空间转化，转成灰度值图像；
步骤2，对灰度化的图像病理大体标本进行边缘检测，从而获得参照物和大体标本的边缘轮廓坐标点集；
步骤3，根据轮廓坐标点集求取参照物和大体标本轮廓的外接矩形，并计算出四条边的中心点坐标；通过中心点之间的欧氏距离，计算出图像中各物体的大小；
步骤4，根据参照物的实际大小计算原始图像每度量比的像素，从而计算出大体标本的实际大小。
2.根据权利要求1所述的一种基于图像边缘识别的病理大体标本大小自动测量方法，其特征在于：步骤1中将病理大体标本图像由RGB颜色模式进行处理转化成8位的灰度值图像。
3.根据权利要求1所述的一种基于图像边缘识别的病理大体标本大小自动测量方法，其特征在于：步骤2的边缘识别包括以下步骤：
步骤2-1，高斯平滑滤波，去除图片噪声；设置二维高斯分布矩阵的高斯核大小并与灰度图像进行卷积实现滤波，高斯核大小为ksize×ksize的二维高斯分布矩阵如下式生成：
Figure FDA0002504712170000011
其中，σ＝0.3×(0.5×(ksize-1)-1)-0.8，1≤i,j≤ksize；
步骤2-2，计算梯度值和梯度方向；选用Sobel算子计算二维图像在x轴和y轴的差分值，进而计算图上各点的梯度值G和梯度方向θ；
步骤2-3，非极大值抑制,即寻找像素点局部最大值；沿着梯度方向，比较它前面和后面的梯度值，对沿其正负方向上的梯度幅值最大值进行保留，非极值的点进行抑制置0；
步骤2-4，用双阈值法连接边缘；设置高阈值TH和低阈值TL，判定非极大值抑制后的图像中大于TH的点是边缘并置1，判定小于TL的点不是边缘并置0；针对在TL和TH之间的点，通过已确定的边缘点发起周围8邻域方向的广度优先搜索，判定图中可达的点是边缘，不可达的点不是边缘，进而得出边缘图。
4.根据权利要求3所述的一种基于图像边缘识别的病理大体标本大小自动测量方法，其特征在于：步骤2-1中设置高斯核大小为5×5与灰度图像进行卷积实现滤波。
5.根据权利要求3所述的一种基于图像边缘识别的病理大体标本大小自动测量方法，其特征在于：步骤2-2中将下面两个3×3模板Sx和Sy分别与滤波后的图像进行卷积得出x轴和y轴的差分值图Gx和Gy，进而计算图上各点的梯度值G和梯度方向θ，具体算式如下：
Figure FDA0002504712170000021
Figure FDA0002504712170000022
θ＝arctan(Gy/Gx)
其中，-π≤θ≤π，以
Figure FDA0002504712170000023
进行分隔把θ近似到水平、垂直和两个对角线方向。
6.根据权利要求1所述的一种基于图像边缘识别的病理大体标本大小自动测量方法，其特征在于：步骤3中根据中心点坐标计算左右中心点(x1,y1)和(x2,y2)之间的欧式距离d，该距离即为物体图像宽度；同理再计算上下中心点的欧式距离，求得物体图像高度；从而得出参照物和大体标本在图像中的大小，如下公式所示：
Figure FDA0002504712170000024
CN202010443210.3A 2020-05-22 2020-05-22 一种基于图像边缘识别的病理大体标本大小自动测量方法 Pending CN111612776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010443210.3A CN111612776A (zh) 2020-05-22 2020-05-22 一种基于图像边缘识别的病理大体标本大小自动测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010443210.3A CN111612776A (zh) 2020-05-22 2020-05-22 一种基于图像边缘识别的病理大体标本大小自动测量方法

Publications (1)

Publication Number Publication Date
CN111612776A true CN111612776A (zh) 2020-09-01

Family

ID=72200514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010443210.3A Pending CN111612776A (zh) 2020-05-22 2020-05-22 一种基于图像边缘识别的病理大体标本大小自动测量方法

Country Status (1)

Country Link
CN (1) CN111612776A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115731165A (zh) * 2022-09-28 2023-03-03 广州市易鸿智能装备有限公司 一种锂电池在线尺寸点检的检测系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017090450A (ja) * 2015-11-02 2017-05-25 コグネックス・コーポレイション ビジョンシステムでラインを検出するためのシステム及び方法
CN109299720A (zh) * 2018-07-13 2019-02-01 沈阳理工大学 一种基于轮廓片段空间关系的目标识别方法
CN109410230A (zh) * 2018-09-07 2019-03-01 南京航空航天大学 一种可抗噪声的改进Canny图像边缘检测方法
CN109544464A (zh) * 2018-10-19 2019-03-29 天津大学 一种基于轮廓提取的火灾视频图像分析方法
CN110608685A (zh) * 2019-09-18 2019-12-24 天津工业大学 一种基于树莓派的物体尺寸快速测量方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017090450A (ja) * 2015-11-02 2017-05-25 コグネックス・コーポレイション ビジョンシステムでラインを検出するためのシステム及び方法
CN109299720A (zh) * 2018-07-13 2019-02-01 沈阳理工大学 一种基于轮廓片段空间关系的目标识别方法
CN109410230A (zh) * 2018-09-07 2019-03-01 南京航空航天大学 一种可抗噪声的改进Canny图像边缘检测方法
CN109544464A (zh) * 2018-10-19 2019-03-29 天津大学 一种基于轮廓提取的火灾视频图像分析方法
CN110608685A (zh) * 2019-09-18 2019-12-24 天津工业大学 一种基于树莓派的物体尺寸快速测量方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115731165A (zh) * 2022-09-28 2023-03-03 广州市易鸿智能装备有限公司 一种锂电池在线尺寸点检的检测系统及方法
CN115731165B (zh) * 2022-09-28 2023-10-20 广州市易鸿智能装备有限公司 一种锂电池在线尺寸点检的检测系统及方法

Similar Documents

Publication Publication Date Title
Nee et al. White blood cell segmentation for acute leukemia bone marrow images
CN111986150B (zh) 一种数字病理图像的交互式标注精细化方法
US10168526B2 (en) Cell contour formation apparatus and method of the same, and non-transitory computer readable storage medium storing a cell contour formation program
CN108186051B (zh) 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统
Tulsani et al. Segmentation using morphological watershed transformation for counting blood cells
CN101794434B (zh) 图像处理装置及图像处理方法
CN107507173A (zh) 一种全切片图像的无参考清晰度评估方法及系统
JP5804220B1 (ja) 画像処理装置および画像処理プログラム
CN111583227A (zh) 一种荧光细胞自动计数方法、装置、设备和介质
CN108961334B (zh) 一种基于图像配准的视网膜血管壁厚度测量方法
CN109272513B (zh) 基于深度相机的手与物体交互分割方法及装置
US20100040276A1 (en) Method and apparatus for determining a cell contour of a cell
CN108378869B (zh) 一种从超声图像中自动测量胎儿头围长度的图像处理方法及处理系统
WO2020038312A1 (zh) 多通道舌体边缘检测装置、方法及存储介质
CN110736747A (zh) 一种细胞液基涂片镜下定位的方法及系统
Khan et al. Segmentation of developing human embryo in time-lapse microscopy
CN111223110A (zh) 一种显微图像增强方法、装置及计算机设备
Maitra et al. A novel edge detection algorithm for digital mammogram
CN108830874A (zh) 一种数字病理全切片图像空白区域自动分割方法
US11068740B2 (en) Particle boundary identification
CN114862765B (zh) 一种细胞分层图像处理方法
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
Hassan et al. Skin lesion segmentation using gray level co-occurance matrix
CN111612776A (zh) 一种基于图像边缘识别的病理大体标本大小自动测量方法
CN114022539A (zh) 一种显微镜图像细胞位置判断方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200901