CN111862103A - 一种细胞变化的判定方法及装置 - Google Patents

一种细胞变化的判定方法及装置 Download PDF

Info

Publication number
CN111862103A
CN111862103A CN201910338768.2A CN201910338768A CN111862103A CN 111862103 A CN111862103 A CN 111862103A CN 201910338768 A CN201910338768 A CN 201910338768A CN 111862103 A CN111862103 A CN 111862103A
Authority
CN
China
Prior art keywords
cell
entropy
image
local
images
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
CN201910338768.2A
Other languages
English (en)
Inventor
杜文斌
奕巧莲
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.)
Institute of Microbiology of CAS
Original Assignee
Institute of Microbiology of CAS
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 Institute of Microbiology of CAS filed Critical Institute of Microbiology of CAS
Priority to CN201910338768.2A priority Critical patent/CN111862103A/zh
Publication of CN111862103A publication Critical patent/CN111862103A/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
    • G06T7/10—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
    • G06T7/0002—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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请提供的一种细胞变化的判定方法及装置，其中，方法包括：获取图像组，图像组至少包括两幅细胞图像；获取图像组中的各个细胞图像的局部熵，任意一幅细胞图像的局部熵包括将该细胞图像分割为子区域后，各个子区域的熵值；依据不同的细胞图像之间的局部熵的差异，判定细胞的变化。本申请的细胞变化的判定方案更具有普适性。

Description

一种细胞变化的判定方法及装置
技术领域
本申请涉及图像处理领域，尤其涉及一种细胞变化的判定方法及装置。
背景技术
在实际中，在某些场景中需要判定细胞是否变化(细胞数量是否增多，细胞是否运动，或者，细胞的分布是否发生变化等)，并将判定结果作为参考依据。例如，在研究采用哪种药物可以抑制某个病人血流感染中病原菌生长时，需要向分离的病原菌样本中加入不同的药物进行实验，判定在不同药物及浓度条件下，该病人血液样本中病原菌数量的变化情况，即需要判断在哪种药物下病原菌的数量增长受到抑制。
目前，常见的判定细胞(例如，病原菌、细菌、支原体和人体细胞等)变化的方式是测量细胞在特定波长下的吸光光度。但是，通过细胞所吸收的光判定细胞的变化时，细胞变化导致吸光度变化的时间较长，通常需要8～24小时，同时需要待测样本的量及检测装置的光度检测光程足够大。
因此，通过细胞所吸收的光判定细胞的变化的方法对于微量样品不适用，同时无法满足临床细胞诊疗需要快速确定细胞耐药表型的急迫需求。
发明内容
本申请提供了一种细胞变化的判定方法及装置，目的在于解决细胞变化的判定方法不具有普适性的问题。
为了实现上述目的，本申请提供了以下技术方案：
本申请提供了一种细胞变化的判定方法，包括：
获取图像组，所述图像组至少包括两幅细胞图像；
获取所述图像组中的各个所述细胞图像的局部熵，任意一幅所述细胞图像的局部熵包括将该细胞图像分割为子区域后，各个子区域的熵值；
依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化。
可选的，所述依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值的数量增加，判定所述细胞的数量增加；
和/或，如果不同的细胞图像的局部熵中的目标熵值的数量减少，判定所述细胞的数量减少。
可选的，所述依据不同的细胞图像之间的局部熵中目标熵值的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值满足预设条件，判定所述细胞运动；所述预设条件至少包括：分布发生变化。
可选的，所述预设条件还包括：数量未变化。
可选的，所述依据不同的细胞图像的局部熵中目标熵值的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值的分布发生变化，判定所述细胞的分布发生变化。
可选的，任一所述细胞图像的局部熵为：该细胞图像中各个子区域的熵值按照预设方式排列得到的一维或二维数组。
可选的，所述细胞图像为明场图像；所述明场图像为对包含所述细胞的预设样本利用摄影元件采集得到的图像。
本申请还提供了一种细胞变化的判定装置，包括：
第一获取模块，用于获取图像组，所述图像组至少包括两幅细胞图像；
第二获取模块，用于获取所述图像组中的各个所述细胞图像的局部熵，任意一幅所述细胞图像的局部熵包括将该细胞图像分割为子区域后，各个子区域的熵值；
判定模块，用于依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化。
可选的，所述判定模块，用于依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值的数量增加，判定所述细胞的数量增加；
和/或，如果不同的细胞图像的局部熵中的目标熵值的数量减少，判定所述细胞的数量减少。
可选的，所述判定模块，用于依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值满足预设条件，判定所述细胞运动；所述预设条件至少包括：分布发生变化。
可选的，所述预设条件还包括：数量未变化。
可选的，所述判定模块，用于依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值的分布发生变化，判定所述细胞的分布发生变化。
可选的，任一所述细胞图像的局部熵为：该细胞图像中各个子区域的熵值按照预设方式排列得到的一维或二维数组。
可选的，所述细胞图像为明场图像；所述明场图像为对包含所述细胞的预设样本利用摄影元件采集得到的图像。
本申请所提供的细胞变化的判定方案中，获取至少包括两幅细胞图像的图像组，获取图像组中的各个细胞图像的局部熵，其中，任意一幅细胞图像的局部熵包括将该细胞图像分割为子区域后，各个子区域的熵值，即该细胞图像中分割后的各个子区域的熵值所构成的熵集合，并依据细胞组中不同的细胞图像间的局部熵的差异，判定细胞的变化。由于任意一幅细胞图像中的任意一个子区域的熵反映的是该子区域内像素值分布的均匀程度，当该细胞图像中的细胞变化时，该细胞图像的各个子区域熵所组成的熵集合会发生变化，即该细胞图像的局部熵会发生变化。因此，在本申请提供的细胞变化的判定方案中，依据不同的细胞图像之间局部熵的差异，可以判定细胞的差异。
并且，依据不同细胞图像间的局部熵的差异，判定预设样本中细胞的变化时，只需获取到该预设样本的细胞图像即可，并且，细胞图像的获取与预设样本中的细胞数量多少无关，因此，本实施例提供的细胞变化的判定方案更具有普适性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例公开的一种细胞变化的判定方法的流程图；
图2(a)为本申请实施例公开的利用显微镜对金黄色葡萄球菌在接种后0小时的样本拍摄得到的细胞图像；
图2(b)为本申请实施例公开的利用显微镜对金黄色葡萄球菌在接种后1小时的样本拍摄得到的细胞图像；
图2(c)为本申请实施例公开的利用显微镜对金黄色葡萄球菌在接种后2小时的样本拍摄得到的细胞图像；
图3(a)为本申请实施例公开的利用显微镜对金黄色葡萄球菌在接种后0小时的样本拍摄得到的细胞图像；
图3(b)为本申请实施例公开的利用显微镜对金黄色葡萄球菌在接种后0小时的样本拍摄得到的细胞图像，被分割为25*25个子区域构成的分割图像；
图4(a)为本申请实施例公开的对金黄色葡萄球菌在接种后0小时的样本拍摄得到的细胞图像的熵二维分布图；
图4(b)为本申请实施例公开的对金黄色葡萄球菌在接种后1小时的样本拍摄得到的细胞图像的熵二维分布图；
图4(c)为本申请实施例公开的对金黄色葡萄球菌在接种后2小时的样本拍摄得到的细胞图像的熵二维分布图；
图5(a)为本申请实施例公开的对大肠杆菌培养3小时拍摄得到的细胞图像；
图5(b)为本申请实施例公开的对大肠杆菌培养7小时拍摄得到的细胞图像；
图6(a)为本申请实施例公开的对大肠杆菌培养3小时拍摄得到的细胞图像的熵二维分布图；
图6(b)为本申请实施例公开的对大肠杆菌培养7小时拍摄得到的细胞图像的熵二维分布图；
图7(a)为本申请实施例公开的对金黄色葡萄球菌接种后0小时、1小时和2小时的熵二维分布图所对应的一维数组分布示意图；
图7(b)为本申请实施例公开的对金黄色葡萄球菌接种后0小时、1小时和2小时的熵二维分布图所对应的升序一维数组分布示意图；
图8(a)为本申请实施例公开的对金黄色葡萄球菌接种后0小时样本拍摄得到的细胞图像的归一化后的熵二维分布图；
图8(b)为本申请实施例公开的对金黄色葡萄球菌接种后1小时样本拍摄得到的细胞图像的归一化后的熵二维分布图；
图8(c)为本申请实施例公开的对金黄色葡萄球菌接种后2小时样本拍摄得到的细胞图像的归一化后的熵二维分布图；
图9为本申请实施例公开的从右到左莫西沙星浓度为100微克每毫升、10微克每毫升、1微克每毫升、0.1微克每毫升，以及0.01微克每毫升分别对应的相减后的一维数组的分布示意图；
图10为本申请实施例公开的从右到左莫西沙星浓度为100微克每毫升、10微克每毫升、1微克每毫升、0.1微克每毫升，以及0.01微克每毫升分别对应的归一化后的相减一维数组的分布示意图；
图11为本申请实施例公开的从右到左莫西沙星浓度为100微克每毫升、10微克每毫升、1微克每毫升、0.1微克每毫升，以及0.01微克每毫升分别对应的归一化后的相减升序一维数组的分布示意图；
图12为本申请实施例提供的一种细胞图像的判定装置的结构示意图。
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，都属于本申请保护的范围。
图1为本申请提供的一种细胞变化的判定方法，包括以下步骤：
S101、获取至少包含两幅细胞图像的图像组。
在本实施例中，细胞图像为对包含待判定细胞变化的预设样本进行拍摄所得到的图像。图像组为对同一预设样本在不同的预设条件下所拍摄的至少两幅图像。其中，预设条件可以为时刻，还可以为培养条件，当然，预设条件还可以为其他内容，具体的，预设条件的内容需要根据实际场景的需求确定，本实施例不对预设条件的具体内容作限定。
在本实施例中，为了使得不同的细胞图像间的细胞变化的判定结果更准确，通常预设条件只为一项内容，例如，预设条件为时刻，此时，判定只有时刻是变量其他条件都相同的情况下的不同细胞图像间的细胞变化情况。
需要说明的是，在本实施例中所述的细胞是指研究对象，是一个广义的细胞概念，具体的，本实施例中所述的细胞可以为人体细胞、动物细胞、植物细胞、真菌、细菌、古菌、病毒、支原体、衣原体和立克次氏体等。
在本实施例中，细胞图像可以为明场图像。其中，采集细胞图像的摄影元件可以为数字摄像机、扫描仪、数码相机等任意一种图像采集器。
例如，在对金黄色葡萄球菌接种后，需判定随着时间的变化金黄色葡萄球菌的变化的场景中，预设条件就是时刻。如图2所示的细胞图像(a)是利用显微镜对金黄色葡萄球菌在接种后0小时的样本拍摄得到的细胞图像，细胞图像(b)是利用显微镜对金黄色葡萄球菌在接种后1小时的样本拍摄得到的细胞图像，细胞图像(c)是利用显微镜对金黄色葡萄球菌在接种后2小时的样本拍摄得到的细胞图像，其中，细胞图像(a)、细胞图像(b)与细胞图像(c)的大小都是500像素*500像素。
S102、将所获取的图像组中的每幅细胞图像分割为多个子区域。
在本步骤中，对于图像组中的每幅细胞图像都进行分割，每幅细胞图像都被分割为多个子区域。
在本步骤中，需要保证分割后的任意一个子区域的大小不小于一个细胞的大小。还以S101的例子为例，假设一个金黄色葡萄球菌的大小为20像素*20像素，则在本步骤中，对任意一幅细胞图像分割后的任意一个子区域的大小不能小于20像素*20像素。
具体的，在本步骤中，对于所获取的图像组中的任意一幅细胞图像，分割后的子区域大小可以相同也可以不同，本实施例不作限定。为了使得细胞变化的判定结果更准确，在本实施例中，对于不同细胞图像的分割方式需要相同，即将不同细胞图像被分割后，不同细胞图像中相同位置处的子区域的大小是相同的。
例如，以图2中的细胞图像(a)为例，按照每个子区域大小为20像素*20像素进行分割，细胞图像(a)被分割为25*25个子区域构成的分割图像，如图3所示，图3中的(a)为图2中的细胞图像(a)，图3中的(b)为细胞图像(a)被分割为25*25个子区域构成的分割图像。
对于图2中的细胞图像(b)和细胞图像(c)都同样被分割为25*25个子区域构成的分割图像，这里不再一一列举。
S103、计算每个子区域的熵。
在本步骤中，对于所获取的图像组中的任意一幅细胞图像中任意一个分割后的子区域，通过以下公式(1)和(2)计算该子区域的熵。
Figure BDA0002040035290000071
Figure BDA0002040035290000081
式中，Hxy表示该子区域的熵，N2为该子区域的尺度，fi表示该子区域中像素值为i的像素点的数量，Pi表示该子区域中像素值为i的像素点数量在该子区域中的所有像素点数量中所占的比例。
在本实施例中，任意一个子区域的熵反映的是该子区域内像素值分布的均匀程度，其中，该子区域的像素分布均匀程度越大，该子区域的熵越小。
在本步骤中，计算出所获取的图像组中每幅细胞图像中每个子区域的熵后，就得到了该图像组中每幅细胞图像中各个子区域的熵。为了描述方便，在本实施例中，将任意一幅细胞图像中的各个子区域的熵所组成的集合，称为该细胞图像的局部熵。将该细胞图像中的各个子区域的熵按照子区域的分布进行排列，得到该细胞图像中各个子区域的熵值的二维分布图，为了描述方便，将该细胞图像中各个子区域的熵值的二维分布图，称为该细胞图像的熵二维分布图，即该细胞图像的局部熵可以采用熵二维分布图表示。计算图2中的细胞图像(a)对应的分割图像中每个子区域的熵，得到如图4中(a)所示的熵二维分布图，计算图2中的细胞图像(b)对应的分割图像中每个子区域的熵，得到如图4中(b)所示的熵二维分布图，计算图2中的细胞图像(c)对应的分割图像中每个子区域的熵，得到如图4中(c)所示的熵二维分布图。在图4中，任意一个熵二维分布图中任一子区域的熵值都通过该子区域的灰度的深浅程度来表示，具体的，子区域的灰度深浅程度与子区域的熵值间的对应关系如该熵二维分布图中右侧的分布条所示。从该分布条中可以看出，子区域对应的熵值越大，子区域的灰度越浅即颜色越白。
S104、依据所获取的图像组中每幅细胞图像的局部熵的差异，判定细胞的变化。
具体的，在本实施例中，判定细胞的变化可以包括三种情况。对于不同的情况所采用的判定方式不同，以下分别对每种情况的判定方式进行介绍。
第一种情况：细胞是否生长的判定方式。
本实施例通过对不同细胞图像分别对应的熵二维分布图中目标熵值数量的变化情况，判定细胞数量是否变化，即判定细胞是否生长。其中，任意一幅细胞图像对应的熵二维分布图中的目标熵值为：该熵二维分布图中大于预设阈值的熵值，其中，预设阈值可以为20％，30％等，当然，在实际中，预设阈值还可以为其他取值，具体的取值需要根据具体的场景确定，本实施例不对预设阈值的取值作限定。
如果图像组中的不同细胞图像分别对应的熵二维分布图中的目标熵值的数量发生变化，则判定该不同细胞图像间的细胞数量发生变化，即判定不同细胞图像间的细胞发生变化，否则，判定不同细胞图像间的细胞没有发生变化。
还以图2中的三幅细胞图像为例，图2中的各幅细胞图像分别对应的熵二维分布图如图4所示，从图4可以看出，从图4的(a)到(b)再到(c)，颜色较白的子区域的数量不断增多，由于颜色较白的子区域对应的熵值较大，因此，从图4的(a)到(b)再到(c)，熵值较大的子区域的数量不断增多，即目标熵值的数量在不断增多，进而，可以得到从图4的(a)到(b)再到(c)，即接种后0小时、1小时和2小时的金黄色葡萄球菌的数量在不断增多，即可以确定出金黄色葡萄球菌在生长。
第二种情况：细胞是否运动的判定方式。
针对该种情况，本实施例通过不同细胞图像对应的熵二维分布图中目标熵值的位置分布是否发生变化，判定不同细胞图像间的细胞是否运动。具体的，如果不同细胞图像对应的熵二维分布图中，目标熵值的位置分布发生变化，则判定该不同细胞图像间的细胞发生运动，否则，判定该不同细胞图像间的细胞没有运动。
进一步的，为了实现在细胞数量未发生变化的情况下，判定细胞是否运动的判断结果的准确性，在本实施例中，如果目标熵值的数量未发生变化且目标熵值的位置分布发生变化，则判定该不同细胞图像间的细胞发生运动，否则，不同细胞图像间的细胞未发生运动。
图5(a)为对大肠杆菌培养3小时拍摄得到的细胞图像，图5(b)为对大肠杆菌培养7小时的拍摄得到的细胞图像。图5中的各细胞图像的大小都为750像素*750像素。
分别计算图5中各细胞图像对应的熵二维分布图，得到如图6所示的三个熵二维分布图。在图6中，任意一个熵二维分布图中任一子区域的熵值都通过该子区域的灰度的深浅程度来表示，具体的，子区域的灰度深浅程度与子区域的熵值间的对应关系如该熵二维分布图中右侧的分布条所示。从该分布条中可以看出，子区域对应的熵值越大，子区域的灰度越深即颜色越灰。图6(a)为图5(a)对应的熵二维分布图，图6(b)为图5(b)对应的熵二维分布图。
从图6中的(a)到(b)，可以看出，在图6(a)的中间区域基本没有较灰的子区域，也就是说明该中间区域随着时间的增长，较灰的子区域的数量不会增加，但是，从图6(b)可以看出，中间区域存在较多的较灰的子区域，说明大肠杆菌随着时间的增长，有些大肠杆菌运动到中间区域，并在中间区域生长，因此，从图6(a)到图6(b)可以通过目标熵值的位置分布变化，判断大肠杆菌运动。
第三种情况：细胞分布是否发生变化的判定方式。
针对该种情况，本实施例通过判断不同细胞图像对应的熵二维分布图中目标熵值的位置分布是否发生变化，判定不同细胞图像间的细胞分布是否发生变化。具体判定方式与第二种情况的判定原理相同，这里不再赘述。
上述S101～S104直接依据图像组中不同细胞图像对应的熵二维分布图间的差异，判定该不同细胞图像间的细胞变化。在实际中，为了降低运算量，还可以对每个细胞图像对应的熵二维分布图按照相同的降维方式进行降维，得到一维数组，此时，一个细胞图像对应一个一维数组。
例如，降维方式可以为：将熵二维分布图中第一列熵值、第二列熵值、第三列熵值……第n列熵值依次从上到下进行排列，形成一维数组。
针对第一种情况，细胞是否生长的判定方式，在本实施例中，可以依据不同细胞图像对应的一维数组中目标熵值的数量的变化情况，判定不同细胞图像间的细胞是否生长。其中，目标熵值为一维数组中大于预设阈值的熵值。具体的，如果不同细胞图像间的目标熵值的数量发生了变化，则表示不同细胞图像间的细胞数量发生了变化，进一步的，如果细胞数量增多，则表明细胞生长了，否则，细胞没有生长。
还以图4中对金黄色葡萄球菌在接种后0小时、1小时和2小时的样本拍摄得到的细胞图像的熵二维分布图为例，将各个熵二维分布图中各子区域对应的熵值排列为一维数组得到一维数组分布图，如图7(a)所示。图7(a)中，右侧的分布条表示各子区域的灰度深浅程度与对应的熵值间的对应关系，图7(a)中从左到右的三组分布示意图，依次表示对金黄色葡萄球菌接种后0小时、1小时和2小时的熵二维分布图所对应的一维数组分布示意图。从图7(a)可以看出，从对金黄色葡萄球菌接种后的0小时到1小时再到2小时，较白的子区域数量明显增多，因此，可以得出对金黄色葡萄球菌接种后的0小时、1小时和2小时，金黄色葡萄球菌的数量在不断增多，即金黄色葡萄球菌在生长。
还以图4中对金黄色葡萄球菌在接种后0小时、1小时和2小时的样本拍摄得到的细胞图像的熵二维分布图为例，将各个熵二维分布图中各子区域对应的熵值排列为一维数组，并将一维数组中各熵值按照从小到大的顺序排列，得到升序一维数组分布图，如图7(b)所示。图7(b)中，右侧的分布条表示各子区域的灰度深浅程度与对应的熵值间的对应关系，图7(b)中从左到右的三组分布示意图，依次表示对金黄色葡萄球菌接种后0小时、1小时和2小时的熵二维分布图所对应的升序一维数组分布示意图。从图7(b)可以更直观地看出，从对金黄色葡萄球菌接种后的0小时到1小时再到2小时，较白的子区域数量明显增多，因此，可以得出对金黄色葡萄球菌接种后的0小时、1小时和2小时，金黄色葡萄球菌的数量在不断增多，即金黄色葡萄球菌在生长。
针对第二种情况，细胞是否运动的判定方式，在本实施例中，可以依据不同细胞图像对应的一维数组中目标熵值的位置分布是否发生变化，判定不同细胞图像间的细胞是否运动。具体的，如果目标熵值的位置分布发生变化，则表示不同的细胞图像间的细胞发生运动，进一步的，如果目标熵值的数量未发生变化且目标熵值的位置分布发生变化，则表示不同的细胞图像间的细胞发生运动，否则，细胞未运动。例如，目标熵值的数量基本未发生变化(具体的，可以为目标熵值的数量变化量小于预设阈值)，但是目标熵值度的位置由中间位置移动到两侧位置，则判定细胞发生运动，否则，细胞未运动。
针对第三种情况，细胞分布是否发生变化的判定方式，在本实施例中，可以依据不同细胞图像对应的一维数组中目标熵值的位置分布是否发生变化，判定该不同细胞图像间的细胞分布是否发生变化，具体的，判定方式与第二种情况的判定方式相同，这里不在赘述。
需要说明的是，上述给出了基于不同细胞图像对应的熵二维分布图的差异，或者，基于不同细胞图像对应的一维数组的差异，判定该不同细胞图像间的细胞变化。在实际中，还可以采用其他的方式进行判定，本实施例不对具体的判定方式作限定，只要判定细胞是否生长的方式的本质是目标熵值的数量是否增多，判定细胞是否运动以及判定细胞的分布是否发生变化的本质是：目标熵值的分布情况是否发生变化即可。
在本实施例中，为了使得基于不同细胞图像的局部熵的差异，判定不同的细胞图像间的细胞变化的判定结果的准确性更高，在本实施例中，在得到不同细胞图像中每个细胞图像中各子区域构成的熵集合(局部熵)后，将每个细胞图像对应的熵集合中的各个熵值进行归一化。其中，任意一个细胞图像对应的熵集合进行归一化是：将该细胞图像对应的熵集合中的熵通过某种数学处理方法，在不影响该熵集合中各熵值的相对大小的前提下，将该熵集合中的各熵值规范到一个[0,1]的范围内。
具体的，对于任意一幅细胞图像对应的熵集合中的任意一个熵值，采用如下公式(3)进行归一化：
Figure BDA0002040035290000131
式中，H表示该细胞图像对应的熵集合，min(H)表示该熵集合中的最小熵值，max(H)表示该熵集合中的最大熵值，Hxy表示该熵集合中的任意一个熵值，Hxy 1表示该熵值对应的归一化后的熵值。
需要说明的是，在本申请实施例中，熵二维分布图与归一化熵二维分布图都可以看作是二维数组。
在得到不同细胞图像对应的归一化后的熵集合后，即得到不同细胞图像对应的归一化后的局部熵后，采用不同细胞图像对应的归一化后的局部熵的差异，判定细胞变化情况的方式与采用归一化前的局部熵的差异的判定原理相同，这里不再赘述。
还以图2中对金黄色葡萄球菌接种后0小时、1小时和2小时的样本拍摄得到的细胞图像为例，图2中的各细胞图像分别对应的归一化后的熵二维分布图，如图8所示，图8中的(a)为图2中的细胞图像(a)(对金黄色葡萄球菌接种后0小时)对应的归一化后的熵二维分布图，图8中的(b)为图2中的细胞图像(b)(对金黄色葡萄球菌接种后1小时)对应的归一化后的熵二维分布图，图8中的(c)为图2中的细胞图像(c)(对金黄色葡萄球菌接种后2小时)对应的归一化后的熵二维分布图。
在图8中，各个归一化后的熵二维分布图中，右侧都存在一个用于表示各子区域的灰度深浅程度与对应的归一化后的熵值间的对应关系的分布图，从该分布图中可以看出，任意一个子区域的灰度越浅即颜色越白，该子区域对应的归一化后的熵值越大
从图8可以看出，从对金黄色葡萄球菌接种后0小时到1小时再到2小时，颜色较白的子区域的数量逐渐增多，即归一化后的二维熵图像中目标熵值的数量逐渐增多，即金黄色葡萄球菌的数量逐渐增多了，即金黄色葡萄球菌生长了。
上述给出了对金黄色葡萄球菌接种后0小时、1小时和2小时的熵二维分布图，归一化熵二维分布图，以及一维数组。上述都是针对不同时刻下的熵二维分布图，归一化熵二维分布图，或者，一维数组中，目标熵值的数量是否发生变化判断细胞是否生长，目标熵值的分布是否发生变化判断细胞是否运动或细胞的分布是否发生变化。
在实际中，对于两个不同时刻分别对应的一维数组，还可以将两个不同时刻对应的一维数组相减，得到相减后的一维数组，并利用该相减后的一维数组，判断在该两个不同时刻下细胞的变化情况。以莫西沙星的浓度分别为100微克每毫升、10微克每毫升，1微克每毫升、0.1微克每毫升和0.01微克每毫升，金黄色葡萄球菌在被培养0小时和被培养2小时，对预设样本拍摄得到的细胞图像为例，介绍利用相减后的一维数组判断细胞的生长情况。
对于任意一种莫西沙星浓度，计算培养0小时的细胞图像的熵二维分布图按照预设排列方式得到对应的一维数组，得到培养0小时的细胞图像对应的一维数组，以及计算培养2小时的细胞图像的熵二维分布图按照预设方式排列得到的一维数组，得到培养2小时的细胞图像对应的一维数组。并将培养2小时所得到的一维数组减去培养0小时所得到的一维数组，得到该莫西沙星浓度对应的相减后的一维数组。
在图9中，从右到左依次为莫西沙星浓度为100微克每毫升对应的相减后的一维数组分布示意图，莫西沙星浓度为10微克每毫升对应的相减后的一维数组分布示意图，莫西沙星浓度为1微克每毫升对应的相减后的一维数组分布示意图，莫西沙星浓度为0.1微克每毫升对应的相减后的一维数组分布示意，以及莫西沙星浓度为0.01微克每毫升对应的相减后的一维数组的分布示意图。
从图9中，可以看出在莫西沙星浓度为100微克每毫升与10微克每毫升下的金黄色葡萄球菌的生长得到抑制。
对图9中得到的在各个莫西沙星浓度下所得到的相减后的一维数组进行归一化，得到如图10所示的归一化后的相减一维数组分布示意图。在图10中，从右到左依次为莫西沙星浓度为100微克每毫升对应的归一化后的相减一维数组分布示意图，莫西沙星浓度为10微克每毫升对应的归一化后的相减一维数组分布示意图，莫西沙星浓度为1微克每毫升对应的归一化后的相减一维数组分布示意图，莫西沙星浓度为0.1微克每毫升对应的归一化后的相减一维数组分布示意图，莫西沙星浓度为0.01微克每毫升对应的归一化后的相减一维数组分布示意图。
从图10中，可以看出在在莫西沙星浓度为100微克每毫升与10微克每毫升下，金黄色葡萄球菌的生长得到抑制。
对于任意一种莫西沙星浓度，培养2小时的熵二维分布图对应的升序排列的一维数组，减去培养0小时的熵二维分布图对应的升序排列的一维数组，得到相减后的升序一维数组，并对相减后的升序一维数组进行归一化，得到归一化后的相减升序一维数组，如图11所示。在图11中，从右到左依次为莫西沙星浓度为100微克每毫升对应的归一化后的相减升序一维数组分布示意图，莫西沙星浓度为10微克每毫升对应的归一化后的相减升序一维数组分布示意图，莫西沙星浓度为1微克每毫升对应的归一化后的相减升序一维数组分布示意图，莫西沙星浓度为0.1微克每毫升对应的归一化后的相减升序一维数组分布示意图，以及莫西沙星浓度为0.01微克每毫升对应的归一化后的相减升序一维数组分布示意图。
从图11中，可以看出在在莫西沙星浓度为100微克每毫升与10微克每毫升下，金黄色葡萄球菌的生长得到抑制。
本实施例具有以下有益效果：
有益效果一、
在本实施例中，基于不同细胞图像对应的局部熵中的目标熵值的差异，判定细胞的变化情况。其中，任意一个细胞图像对应的局部熵为该细胞图像对应的分割图像中各子区域的熵值所构成的集合，局部熵中的目标熵值为大于预设阈值的熵值。
对于细胞图像中的任意一个子区域，该子区域的熵值反映的是该子区域内像素值分布的均匀程度，当不同细胞图像对应的局部熵中目标熵值存在差异时，表明不同细胞图像中存在细胞的子区域发生了变化，进而，说明该不同细胞图像中的细胞发生了变化。因此，在本实施例中，基于不同细胞图像对应的局部熵中目标熵值的差异，判断细胞的变化是可行的。
并且，只要能够拍摄得到预设样本的细胞图像，就可以计算得到该细胞图像对应的局部熵，进而，就可以判断该预设样本中细胞的变化情况，因此，本申请实施例是通过对细胞图像进行处理判定细胞的变化，并且细胞图像的获取不受预设样本中溶液厚度的影响，因此，本实施例提供的判定细胞变化的方案更具有普适性。
有益效果二、
在本实施例中，是基于不同细胞图像对应的局部熵中目标熵值的差异，判定细胞的变化，由于本实施例中，判定细胞变化的对象为细胞图像的明场图像，对判定对象的数量没有严格限定。而现有技术中，判定细胞变化要求判定对象需要有明显的数量的变化，不能判定微小数量级别的变化，因此，本实施例中细胞图像的采集所需的采集条件，相对于现有技术更为容易。
有益效果三、
现有技术中，人通过显微镜观察细胞的变化情况，由于便于人眼观看细胞，需要采用高分辨率的显微镜。而本实施例中，通过不同细胞图像对应的局部熵中目标熵值的差异，判定细胞的变化，对显微镜的分辨率的要求要低于现有技术，因此，本实施例判定细胞的变化的方案，对环境的要求较低，容易实现。
有益效果四、
现有技术中，在获取到显微镜对预设样本拍摄所得到的细胞图像后，为了识别细胞图像中的各个细胞，需要对所获取的细胞图像进行去冗余等预处理，以去除细胞图像中的灰尘等干扰像素，并对预处理后的细胞图像中的各个细胞进行识别，依据对预处理后的细胞图像中各个细胞的识别结果，判定细胞的变化。由于对细胞图像进行了去冗余等预处理，使得对预处理后的细胞图像中的各个细胞进行识别，所得到的识别结果的准确性受预处理的影响，导致识别结果的准确性低，进而依据识别结果得到的细胞变化的判定结果的准确性低。而本申请实施例是计算细胞图像被分割的各个子区域的熵值，得到细胞图像的局部熵，基于局部熵判定细胞的变化，因此，在本申请实施例中，并不需要对细胞图像进行预处理，因此，相对于现有技术，本申请实施例提供的判定细胞变化的结果准确性更高。
图12为本申请实施例提供的一种细胞变化的判定装置，包括：第一获取模块1201、第二获取模块1202和判定模块1203。其中，第一获取模块1201，用于获取图像组，图像组至少包括两幅细胞图像，第二获取模块1202，用于获取图像组中的各个细胞图像的局部熵，任意一幅细胞图像的局部熵包括将该细胞图像分割为子区域后，各个子区域的熵值，判定模块1203，用于依据不同的细胞图像之间的局部熵的差异，判定细胞的变化。
可选的，判定模块1203，用于依据不同的细胞图像之间的局部熵的差异，判定细胞的变化，包括：如果不同的细胞图像的局部熵中的目标熵值的数量增加，判定细胞的数量增加，和/或，如果不同的细胞图像的局部熵中的目标熵值的数量减少，判定细胞的数量减少。
可选的，判定模块1203，用于依据不同的细胞图像之间的局部熵的差异，判定细胞的变化，包括：如果不同的细胞图像的局部熵中的目标熵值满足预设条件，判定细胞运动。其中，预设条件至少包括：分布发生变化。
可选的，预设条件还包括：数量未变化。
可选的，判定模块1203，用于依据不同的细胞图像之间的局部熵的差异，判定细胞的变化，包括：如果不同的细胞图像的局部熵中的目标熵值的分布发生变化，判定细胞的分布发生变化。
可选的，任一细胞图像的局部熵为：该细胞图像中各个子区域的熵值按照预设方式排列得到的一维或二维数组。
可选的，细胞图像为明场图像。其中，明场图像为对包含细胞的预设样本利用摄影元件采集得到的图像。
本申请实施例方法所述的功能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，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该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设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (14)

1.一种细胞变化的判定方法，其特征在于，包括：
获取图像组，所述图像组至少包括两幅细胞图像；
获取所述图像组中的各个所述细胞图像的局部熵，任意一幅所述细胞图像的局部熵包括将该细胞图像分割为子区域后，各个子区域的熵值；
依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化。
2.根据权利要求1所述的方法，其特征在于，所述依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值的数量增加，判定所述细胞的数量增加；
和/或，如果不同的细胞图像的局部熵中的目标熵值的数量减少，判定所述细胞的数量减少。
3.根据权利要求1所述的方法，其特征在于，所述依据不同的细胞图像之间的局部熵中目标熵值的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值满足预设条件，判定所述细胞运动；所述预设条件至少包括：分布发生变化。
4.根据权利要求3所述的方法，其特征在于，所述预设条件还包括：数量未变化。
5.根据权利要求1所述的方法，其特征在于，所述依据不同的细胞图像的局部熵中目标熵值的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值的分布发生变化，判定所述细胞的分布发生变化。
6.根据权利要求1～5任意一项所述的方法，其特征在于，任一所述细胞图像的局部熵为：该细胞图像中各个子区域的熵值按照预设方式排列得到的一维或二维数组。
7.根据权利要求6所述的方法，其特征在于，所述细胞图像为明场图像；所述明场图像为对包含所述细胞的预设样本利用摄影元件采集得到的图像。
8.一种细胞变化的判定装置，其特征在于，包括：
第一获取模块，用于获取图像组，所述图像组至少包括两幅细胞图像；
第二获取模块，用于获取所述图像组中的各个所述细胞图像的局部熵，任意一幅所述细胞图像的局部熵包括将该细胞图像分割为子区域后，各个子区域的熵值；
判定模块，用于依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化。
9.根据权利要求8所述的装置，其特征在于，所述判定模块，用于依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值的数量增加，判定所述细胞的数量增加；
和/或，如果不同的细胞图像的局部熵中的目标熵值的数量减少，判定所述细胞的数量减少。
10.根据权利要求8所述的装置，其特征在于，所述判定模块，用于依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值满足预设条件，判定所述细胞运动；所述预设条件至少包括：分布发生变化。
11.根据权利要求10所述的装置，其特征在于，所述预设条件还包括：数量未变化。
12.根据权利要求8所述的装置，其特征在于，所述判定模块，用于依据不同的细胞图像之间的局部熵的差异，判定所述细胞的变化，包括：
如果不同的细胞图像的局部熵中的目标熵值的分布发生变化，判定所述细胞的分布发生变化。
13.根据权利要求8～12任意一项所述的装置，其特征在于，任一所述细胞图像的局部熵为：该细胞图像中各个子区域的熵值按照预设方式排列得到的一维或二维数组。
14.根据权利要求13所述的装置，其特征在于，所述细胞图像为明场图像；所述明场图像为对包含所述细胞的预设样本利用摄影元件采集得到的图像。
CN201910338768.2A 2019-04-25 2019-04-25 一种细胞变化的判定方法及装置 Pending CN111862103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910338768.2A CN111862103A (zh) 2019-04-25 2019-04-25 一种细胞变化的判定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910338768.2A CN111862103A (zh) 2019-04-25 2019-04-25 一种细胞变化的判定方法及装置

Publications (1)

Publication Number Publication Date
CN111862103A true CN111862103A (zh) 2020-10-30

Family

ID=72951485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910338768.2A Pending CN111862103A (zh) 2019-04-25 2019-04-25 一种细胞变化的判定方法及装置

Country Status (1)

Country Link
CN (1) CN111862103A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008261631A (ja) * 2007-03-19 2008-10-30 Yamaguchi Univ 植物培養細胞塊の状態を判別する方法、そのための装置および植物培養細胞塊の状態を判別するためのプログラム
CN101345891A (zh) * 2008-08-25 2009-01-14 重庆医科大学 基于信息熵和对比度的无参考图像质量评价方法
US20120106822A1 (en) * 2009-06-19 2012-05-03 Nikon Corporation Method for determining the state of a cell aggregation, image processing program and image processing device using the method, and method for producing a cell aggregation
CN104794710A (zh) * 2015-04-13 2015-07-22 上海泽煜实验设备有限公司 一种图像处理方法及装置
CN104978745A (zh) * 2015-06-25 2015-10-14 中北大学 一种高分辨率可见光图像目标变化检测方法
US20160335767A1 (en) * 2014-03-05 2016-11-17 Fujifilm Corporation Cell image evaluation device, method, and program
KR20170067264A (ko) * 2015-12-08 2017-06-16 성균관대학교산학협력단 엔트로피 기초 영상 분할 방법
CN108665463A (zh) * 2018-03-30 2018-10-16 哈尔滨理工大学 一种基于对抗式生成网络的宫颈细胞图像分割方法
CN109146896A (zh) * 2018-08-10 2019-01-04 安徽大学 一种低对比度情况下太阳能光伏板的有效分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008261631A (ja) * 2007-03-19 2008-10-30 Yamaguchi Univ 植物培養細胞塊の状態を判別する方法、そのための装置および植物培養細胞塊の状態を判別するためのプログラム
CN101345891A (zh) * 2008-08-25 2009-01-14 重庆医科大学 基于信息熵和对比度的无参考图像质量评价方法
US20120106822A1 (en) * 2009-06-19 2012-05-03 Nikon Corporation Method for determining the state of a cell aggregation, image processing program and image processing device using the method, and method for producing a cell aggregation
US20160335767A1 (en) * 2014-03-05 2016-11-17 Fujifilm Corporation Cell image evaluation device, method, and program
CN104794710A (zh) * 2015-04-13 2015-07-22 上海泽煜实验设备有限公司 一种图像处理方法及装置
CN104978745A (zh) * 2015-06-25 2015-10-14 中北大学 一种高分辨率可见光图像目标变化检测方法
KR20170067264A (ko) * 2015-12-08 2017-06-16 성균관대학교산학협력단 엔트로피 기초 영상 분할 방법
CN108665463A (zh) * 2018-03-30 2018-10-16 哈尔滨理工大学 一种基于对抗式生成网络的宫颈细胞图像分割方法
CN109146896A (zh) * 2018-08-10 2019-01-04 安徽大学 一种低对比度情况下太阳能光伏板的有效分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QIAOLIAN YI等: "Direct antimicrobial susceptibility testing of bloodstream infection on SlipChip", 《BIOSENSORS AND BIOELECTRONICS》, no. 135, pages 200 *

Similar Documents

Publication Publication Date Title
Torralba How many pixels make an image?
US10902592B2 (en) Analysis of images of biological material
CN112308854B (zh) 一种芯片表面瑕疵的自动检测方法、系统及电子设备
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
US9600874B2 (en) Method for evaluating culture quality
CN114758185A (zh) 一种基于灰度色差的注塑参数控制方法与系统
CN111598925A (zh) 基于eco算法和区域生长分割的视觉目标跟踪方法及装置
CN115861721B (zh) 基于图像数据的畜禽养殖喷雾设备状态识别方法
CN113537182A (zh) 染色体中期分裂相显微图像的自动识别方法与系统
CN113808135B (zh) 图像亮度异常检测方法、电子设备及存储介质
CN110769262B (zh) 一种视频图像压缩方法、系统、设备和存储介质
GB2485209A (en) Curve fitting to histogram data for identification of chromatin types in nuclei
CN111862103A (zh) 一种细胞变化的判定方法及装置
CN107278268A (zh) 用于在含水测试中确定有效成分对线虫和其它有机体的作用的方法和设备
US11756190B2 (en) Cell image evaluation device, method, and program
CN115165710B (zh) 细胞的快速扫描方法和装置
CN116563298A (zh) 基于高斯拟合的十字线中心亚像素检测方法
CN115578291A (zh) 图像的亮度校正方法、存储介质及电子设备
CN114757963A (zh) 一种夜间复杂光照变化下的运动目标提取方法
CN114550069A (zh) 一种基于深度学习的仔猪乳头计数方法
CN114078138A (zh) 图像显著性检测方法及装置
CN113238014A (zh) 一种基于鱼群行为的水质溶解氧预测方法及装置
CN113935966A (zh) 金属物料的渣点检测方法、装置、设备和存储介质
JP2004194610A (ja) 微生物集落の検査方法および装置
CN118154480B (zh) 一种种养结合的养殖场污物净化处理方法及系统

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