CN112053355B - 细胞图像的分割方法 - Google Patents

细胞图像的分割方法 Download PDF

Info

Publication number
CN112053355B
CN112053355B CN202010971925.6A CN202010971925A CN112053355B CN 112053355 B CN112053355 B CN 112053355B CN 202010971925 A CN202010971925 A CN 202010971925A CN 112053355 B CN112053355 B CN 112053355B
Authority
CN
China
Prior art keywords
image
segmentation
cell
threshold
value
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
CN202010971925.6A
Other languages
English (en)
Other versions
CN112053355A (zh
Inventor
伏金浩
洪欢欢
闻路红
史振志
王家杰
张果
刘楠楠
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.)
China Innovation Instrument Co ltd
Kunming University of Science and Technology
Original Assignee
China Innovation Instrument Co ltd
Kunming University of Science and Technology
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 China Innovation Instrument Co ltd, Kunming University of Science and Technology filed Critical China Innovation Instrument Co ltd
Priority to CN202010971925.6A priority Critical patent/CN112053355B/zh
Publication of CN112053355A publication Critical patent/CN112053355A/zh
Application granted granted Critical
Publication of CN112053355B publication Critical patent/CN112053355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/10—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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

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)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种细胞图像的分割方法，所述细胞图像的分割方法包括以下步骤：(A1)获取细胞在分裂时期的图像；(A2)预处理所述图像，所述预处理包括去噪、增强前景与背景的对比度中的至少一者；(A3)利用分割阈值实现预处理后图像中细胞和背景的第一次分割；(A4)利用算子与连通域标记法，及预处理后的图像对第一次分割后的图像进行第二次分割；(A5)处理第二次分割后的图像，处理包括对二值图像进行孔洞填充和去除孤立点，输出最终分割图像。本发明具有分割精度高等优点。

Description

细胞图像的分割方法
技术领域
本发明涉及细胞分析，特别涉及细胞图像的分割方法。
背景技术
干细胞是一种具有自我复制和多向分化潜能的细胞，有形成人体其它细胞或组织的能力，被医学界称为“万用细胞”，在细胞治疗、造血干细胞移植、组织工程等方面有极大的医学应用价值，对于人类健康的维持、生命的延续有着重大意义。
干细胞的生长是一个不断分裂与分化、随机运动的过程，传统的研究方式主要依赖研究人员通过肉眼观察，了解并分析细胞的生长状态，存在以下弊端：
1.细胞数量庞大且分布密集，需要消耗巨大的人力资源；
2.由于细胞的微观特性，科研人员难以进行长时间的观察，且观察过程有很大的主观性，难以确保观察结果的正确性；
3.干细胞生长环境是一个重要的实验参数，采用传统细胞观察方法中使用的染料标记法会对细胞的活性造成影响，这使得对细胞的观察和标记工作更为困难。
随着计算机视觉的不断发展，借助计算机的性能优势，使得图像处理方法成为新的技术手段。由于骨髓干细胞生长过程中不断进行分裂与分化，发生细胞粘连、重叠等现象，而且所获取的细胞图像中存在溶液杂质、组织碎屑，普通显微镜放大倍数有限，对于不经染色的活细胞观测困难，相差显微镜可以在透明的细胞样品中提供清晰的观察图像，但存在的缺点是拍摄会带来光圈、伪影等影响，使得骨髓干细胞图像的精确分割成为一项极具挑战性的任务。传统单一的算法分割效果不佳，存在很多局限性，通过图像分析算法的不断融合与创新，为干细胞的分割注入了新的思路，同时精确、有效的分割更有利于后续分析干细胞的生长状态。
传统的阈值分割方法，例如最大类间方差法(otsu)，都是通过求取均值与标准差来计算阈值，而对于某些均值与标准差相同的图像，最优阈值并不相同。同时对于带光圈的粘连干细胞图像分割，传统的阈值方法并不能准确得到图像中细胞与背景的像素分布信息，导致不能准确分割出真实细胞边缘，分割效果不佳；而利用相差显微镜原理消除光圈影响，需要复杂的建模过程。
发明内容
为解决上述现有技术方案中的不足，本发明提供了一种分割精度高的细胞图像的分割方法。
本发明的目的是通过以下技术方案实现的：
细胞图像的分割方法，所述细胞图像的分割方法包括以下步骤：
(A1)获取细胞在分裂时期的图像；
(A2)预处理所述图像，所述预处理包括去噪、增强前景与背景的对比度中的至少一者；
(A3)利用分割阈值实现预处理后图像中细胞和背景的第一次分割；所述分割阈值为；
获得预处理后图像的像素强度峰值m和像素增长率s；
获得初始阈值
Figure BDA0002684383740000021
R表示动态偏差值，k为正数常量；
若阈值
Figure BDA0002684383740000022
则返回继续计算像素强度峰值m和像素增长率s，直到阈值T∈(0,1)；若阈值T∈(0,1)，在范围k∈(0,1)调节k值，迭代计算阈值集合{Ti}i＝1，2，···n，获得该集合中相邻阈值差值的绝对值，得到集合{ti}i＝1，2，···(n-1)；若
Figure BDA0002684383740000023
b∈[0,0.01)，在范围k∈(0,1)调节k值并执行迭代，直到ti∈[0,b)；若ti∈[0,b)，获取集合{ti}i＝1，2，···(n-1)中最小值min{ti}i＝1，2，···(n-1)所对应的相邻阈值Ti-1、Ti，获得分割阈值
Figure BDA0002684383740000024
(A4)利用算子与连通域标记法，及预处理后的图像对第一次分割后的图像进行第二次分割；
(A5)处理第二次分割后的图像，处理包括对二值图像进行孔洞填充和去除孤立点，输出最终分割图像。
与现有技术相比，本发明具有的有益效果为：
1.分割精度高；
针对相差显微镜图像特点，结合高斯滤波器与数学形态学方法对图像做去噪、增强处理，有利于后续图像分割；
通过像素直方图计算得出像素强度峰值，提取像素分布信息采用曲线拟合的方式近似计算图像的像素增长率，计算得到初始阈值，再运用迭代法求取最佳的分割阈值，能够有效实现细胞与背景像素第一次分割；
采用改进的Sobel等算子结合连通域标记方法对图像第二次分割，通过在Sobel算法的水平和垂直方向上增加至少二个如6个模板来弥补Sobel算子对水平、垂直方向的敏感性，可以获得更加丰富的目标细节信息，通过梯度信息的变化，结合连通域方法准确分割出细胞边缘轮廓，有效消除细胞边界光圈、伪影等的影响；
上述技术手段的应用，能够有效去除细胞图像中的多余杂质成分，消除相差显微镜拍摄所带来的光圈、伪影等影响，而且细胞的粘连现象可以得到极大改善，获得更加丰富的目标细节信息，更准确地分割出细胞边缘轮廓，提高了骨髓干细胞等细胞的分割精度；
2.自动化；
本发明申请的分割方法能实现显微细胞图像自动分割，不需要进行复杂建模消除细胞边界光圈，易于推广应用。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于举例说明本发明的技术方案，而并非意在对本发明的保护范围构成限制。图中：
图1是根据本发明实施例的细胞图像的分割方法的流程图；
图2是获得的骨髓干细胞的图像；
图3是根据本发明实施例的骨髓干细胞图像预处理后的图像；
图4是根据本发明实施例的获得分割阈值的流程图；
图5是根据本发明实施例的骨髓干细胞的第一次分割后的图像；
图6是根据本发明实施例的改进过的sobel算子；
图7是根据本发明实施例的分割后骨髓干细胞的图像。
具体实施方式
图1-7和以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施和再现本发明。为了教导本发明技术方案，已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本发明的多个变型。由此，本发明并不局限于下述可选实施方式，而仅由权利要求和它们的等同物限定。
实施例1：
图1给出了本发明实施例的细胞图像的分割方法的流程图，如图1所示，所述细胞图像的分割方法包括以下步骤：
(A1)利用像差显微镜获取细胞在不同分裂时期的图像；
(A2)预处理所述图像，所述预处理包括去噪、增强前景与背景的对比度中的至少一者；图像去噪和对比度增强是本领域的现有技术；
(A3)利用分割阈值实现预处理后图像中细胞和背景的第一次分割；所述分割阈值为；
获得预处理后图像的像素强度峰值m和像素增长率s；
获得初始阈值
Figure BDA0002684383740000041
R表示动态偏差值，k为正数常量；
若阈值
Figure BDA0002684383740000042
则返回继续计算像素强度峰值m和像素增长率s，直到阈值T∈(0,1)；若阈值T∈(0,1)，在范围k∈(0,1)调节k值，迭代计算阈值集合{Ti}i＝1，2，···n，获得该集合中相邻阈值差值的绝对值，得到集合{ti}i＝1，2，···(n-1)；若
Figure BDA0002684383740000051
b∈[0,0.01)，在范围k∈(0,1)调节k值并执行迭代，直到ti∈[0,b)；若ti∈[0,b)，获取集合{ti}i＝1，2，···(n-1)中最小值min{ti}i＝1，2，···(n-1)所对应的相邻阈值Ti-1、Ti，获得分割阈值
Figure BDA0002684383740000052
(A4)利用算子与连通域标记法，及预处理后的图像对第一次分割后的图像进行第二次分割；
(A5)处理第二次分割后的图像，处理包括对二值图像进行孔洞填充和去除孤立点，输出最终分割图像。
为了提高分割精度，进一步地，像素增长率s的获取方式为：
提取像素分布数据点信息，利用式子y＝a·esx得到图像的像素增长率s，(x，y)为像素分布数据点，a为常量。
为了提高分割精度，进一步地，前景与背景的对比度的增强方式为：
对图像进行形态学顶帽变换与底帽变换，顶帽变换与底帽变换计算；
Figure BDA0002684383740000053
Tbat(I)＝(I·b)-I；
Figure BDA0002684383740000054
表示结构元b对图像I的开操作，I·b表示结构元b对图像I的闭操作。
为了提高分割精度，进一步地，在步骤(A4)中，采用sobel算子，在sobel算子水平和垂直方向上通过增加至少二个不同方向的模板，检测第一次分割后图像的边缘梯度信息；
利用所述边缘梯度信息变化进行细胞边界判断；
若为真实细胞边缘，则对细胞边界进行连通域标记；
若不为真实细胞边缘，判定为背景，继续迭代；
若无法判断的边界区域，设定填充区域阈值和移除区域阈值，通过设定的连通域面积阈值得到第二次分割图像。
为了提高分割精度，进一步地，通过设置连通区域的面积阈值，当连通域面积大于300个像素值时，进行连通区域填充，当连通域面积不大于300个像素值时，移除连通区域。
为了提高分割精度，进一步地，至少二个方向为45°、135°、180°、225°、270°、315°方向。
为了提高分割精度，进一步地，步骤(A5)包括：
对第二次分割后的二值图像进行孔洞填充操作，将分割细胞中的部分缺失区域进行填充，得到完整的细胞形态；
利用二值形态学方法，去除细胞图像中的孤立点和杂质成分。
实施例2：
根据本发明实施例1的细胞图像的分割方法在骨髓干细胞中的应用例。
本应用例的骨髓干细胞图像的分割方法，如图1所示，骨髓干细胞图像的分割方法包括以下步骤：
(A1)利用像差显微镜获取细胞在不同分裂时期的图像，如图2所示；
(A2)预处理所述图像，所述预处理包括去噪和增强前景与背景的对比度，具体为；
采用高斯滤波器去噪，对于抑制服从正态分布的噪声非常有效；
对图像进行形态学顶帽变换与底帽变换，顶帽变换与底帽变换计算，
Figure BDA0002684383740000061
Tbat(I)＝(I·b)-I；
Figure BDA0002684383740000062
表示结构元b对图像I的开操作，I·b表示结构元b对图像I的闭操作；
再通过基本的代数运算，对其进行加法运算和减法运算，得到预处理图像，如图3所示；
(A3)利用分割阈值实现预处理后图像中细胞和背景的第一次分割，所述分割阈值包括步骤；
计算预处理后图像的像素分布直方图，获取像素强度峰值m；
获得预处理后图像的像素强度峰值m和像素增长率s；像素增长率s的获取方式为：
提取像素分布数据点信息，利用式子y＝a·esx得到图像的像素增长率s，(x，y)为像素分布数据点，a为常量；
如图4所示，获得初始阈值
Figure BDA0002684383740000071
R表示动态偏差值，k为正数常量；本实施例中，根据经验，将R设定为128，k的初始值设为0.5；
若阈值
Figure BDA0002684383740000072
则返回继续计算像素强度峰值m和像素增长率s，直到阈值T∈(0,1)；若阈值T∈(0,1)，在范围k∈(0,1)调节k值，迭代计算阈值集合{Ti}i＝1，2，···n，获得该集合中相邻阈值差值的绝对值，得到集合{ti}i＝1，2，···(n-1)；若
Figure BDA0002684383740000074
b∈[0,0.01)，本实施例取b＝0.005，在范围k∈(0,1)调节k值并执行迭代，直到ti∈[0,b)；若ti∈[0,b)，获取集合{ti}i＝1，2，···(n-1)中最小值min{ti}i＝1，2，···(n-1)所对应的相邻阈值Ti-1、Ti，获得分割阈值
Figure BDA0002684383740000073
利用所述分割阈值，获得第一次分割后的图像，如图5所示；
(A4)利用算子与连通域标记法，及预处理后的图像对第一次分割后的图像进行第二次分割；具体方式为：
采用sobel算子，在sobel算子水平和垂直方向上通过增加45°、135°、180°、225°、270°、315°等6个方向的模板，如图6所示，检测第一次分割后图像的边缘梯度信息；
利用所述边缘梯度信息变化进行细胞边界判断；
若为真实细胞边缘，则对细胞边界进行连通域标记；
若不为真实细胞边缘，判定为背景，继续迭代；
若无法判断的边界区域，设定填充区域阈值和移除区域阈值，也即通过设置连通区域的面积阈值，当连通域面积大于300个像素值时，进行连通区域填充，当连通域面积不大于300个像素值时，移除连通区域；通过设定的连通域面积阈值得到第二次分割图像；
(A5)处理第二次分割后的图像，具体方式为：
对第二次分割后的二值图像进行孔洞填充操作，将分割细胞中的部分缺失区域进行填充，得到完整的细胞形态；
利用二值形态学方法，去除细胞图像中的孤立点和杂质成分，输出最终分割图像，如图7所示。
上述实施例仅是示例性地给出了选择，如采用sobel算子，应用在骨髓干细胞中，当然还可以采用其它算子，如Roberts算子、Prewitt算子或Canny算子，还可以应用在其它细胞的图像分割中。

Claims (8)

1.细胞图像的分割方法，所述细胞图像的分割方法包括以下步骤：
(A1)获取细胞在分裂时期的图像；
(A2)预处理所述图像，所述预处理包括去噪、增强前景与背景的对比度中的至少一者；
(A3)利用分割阈值实现预处理后图像中细胞和背景的第一次分割；所述分割阈值的获取方式为：
获得预处理后图像的像素强度峰值m和像素增长率s；
获得初始阈值
Figure FDA0003894473930000011
R表示动态偏差值，k为正数常量；
若阈值
Figure FDA0003894473930000012
则返回继续计算像素强度峰值m和像素增长率s，直到阈值T∈(0,1)；若阈值T∈(0,1)，在范围k∈(0,1)调节k值，迭代计算阈值集合{Ti}i＝1，2，···n，获得该集合中相邻阈值差值的绝对值，得到集合{ti}i＝1，2，···(n-1)；若
Figure FDA0003894473930000013
b∈[0,0.01)，在范围k∈(0,1)调节k值并执行迭代，直到ti∈[0,b)；若ti∈[0,b)，获取集合{ti}i＝1，2，···(n-1)中最小值min{ti}i＝1，2，···(n-1)所对应的相邻阈值Ti-1、Ti，获得分割阈值
Figure FDA0003894473930000014
所述像素增长率s的获取方式为：
提取像素分布数据点信息，利用式子y＝a·esx得到图像的像素增长率s，(x，y)为像素分布数据点，a为常量；
(A4)利用算子与连通域标记法，及预处理后的图像对第一次分割后的图像进行第二次分割，具体方式为：在sobel算子水平和垂直方向上通过增加至少二个不同方向的模板，检测第一次分割后图像的边缘梯度信息；
利用所述边缘梯度信息变化进行细胞边界判断；
若为真实细胞边缘，则对细胞边界进行连通域标记；
若不为真实细胞边缘，判定为背景，继续迭代；
若无法判断的边界区域，设定填充区域阈值和移除区域阈值，通过设定的连通域面积阈值得到第二次分割图像；
(A5)处理第二次分割后的图像，处理包括对二值图像进行孔洞填充和去除孤立点，输出最终分割图像。
2.根据权利要求1所述的细胞图像的分割方法，其特征在于，R设定为128，k的初始值设为0.5。
3.根据权利要求1所述的细胞图像的分割方法，其特征在于，前景与背景的对比度的增强方式为：
对图像进行形态学顶帽变换与底帽变换；
顶帽变换计算
Figure FDA0003894473930000021
底帽变换计算Tbat(I)＝(I·b)-I；
Figure FDA0003894473930000022
表示结构元b对图像I的开操作，I·b表示结构元b对图像I的闭操作。
4.根据权利要求1所述的细胞图像的分割方法，其特征在于，通过设置连通区域的面积阈值，当连通域面积大于300个像素值时，进行连通区域填充，当连通域面积不大于300个像素值时，移除连通区域。
5.根据权利要求1所述的细胞图像的分割方法，其特征在于，至少二个方向为45°、135°、180°、225°、270°、315°方向。
6.根据权利要求1所述的细胞图像的分割方法，其特征在于，步骤(A5)包括：
对第二次分割后的二值图像进行孔洞填充操作，将分割细胞中的部分缺失区域进行填充，得到完整的细胞形态；
利用二值形态学方法，去除细胞图像中的孤立点和杂质成分。
7.根据权利要求1所述的细胞图像的分割方法，其特征在于，所述算子是Roberts算子、Prewitt算子或Canny算子。
8.根据权利要求1所述的细胞图像的分割方法，其特征在于，所述细胞是骨髓干细胞。
CN202010971925.6A 2020-09-16 2020-09-16 细胞图像的分割方法 Active CN112053355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010971925.6A CN112053355B (zh) 2020-09-16 2020-09-16 细胞图像的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010971925.6A CN112053355B (zh) 2020-09-16 2020-09-16 细胞图像的分割方法

Publications (2)

Publication Number Publication Date
CN112053355A CN112053355A (zh) 2020-12-08
CN112053355B true CN112053355B (zh) 2023-03-10

Family

ID=73604324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010971925.6A Active CN112053355B (zh) 2020-09-16 2020-09-16 细胞图像的分割方法

Country Status (1)

Country Link
CN (1) CN112053355B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160109B (zh) * 2020-12-15 2023-11-07 宁波大学 反背景差分的细胞图像分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111275727A (zh) * 2020-01-19 2020-06-12 北方工业大学 细胞分割方法、装置及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020186874A1 (en) * 1994-09-07 2002-12-12 Jeffrey H. Price Method and means for image segmentation in fluorescence scanning cytometry
US10354377B2 (en) * 2012-04-11 2019-07-16 The Trustees Of Columbia University In The City Of New York Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects
CN103886579B (zh) * 2013-12-11 2017-02-08 西安交通大学 面向在线铁谱图像自动识别的磨粒链自适应分割方法
CN111429461B (zh) * 2019-01-09 2023-09-01 武汉兰丁智能医学股份有限公司 一种新型的重叠脱落上皮细胞分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111275727A (zh) * 2020-01-19 2020-06-12 北方工业大学 细胞分割方法、装置及计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Image Segmentation of Mesenchymal Stem Cells in Diverse Culturing Conditions;Muhammad Jamal Afridi等;《IEEE Winter Conference on Applications of Computer Vision》;20140623;第516-523页 *
基于改进阈值与边缘梯度的亮场干细胞图像分割方法;伏金浩等;《电子测量技术》;20201023;第109-114页 *
重轨图像增强与边缘提取的关键技术;米曾真等;《光学精密工程》;20120715;第1645-1652页 *

Also Published As

Publication number Publication date
CN112053355A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN109272492B (zh) 一种细胞病理涂片的处理方法及系统
CN107256558A (zh) 一种无监督式的宫颈细胞图像自动分割方法及系统
CN101826209B (zh) 一种基于Canny模型的三维医学图像分割方法
CN112614062B (zh) 菌落计数方法、装置及计算机存储介质
CN111583227A (zh) 一种荧光细胞自动计数方法、装置、设备和介质
CN108564114B (zh) 一种基于机器学习的人体粪便白细胞自动识别方法
CN101630411B (zh) 基于熵值的面向输电线路部件识别的自动阈值图象分割方法
CN104268515A (zh) 一种精子形态异常检测方法
CN109544571A (zh) 一种基于数学形态学的金相图像边缘检测方法
CN111882561A (zh) 一种癌细胞识别诊断系统
CN109087310B (zh) 睑板腺纹理区域的分割方法、系统、存储介质及智能终端
CN112053355B (zh) 细胞图像的分割方法
CN115393375A (zh) 荧光显微成像中明场细胞图像分割方法和装置
JP6714273B2 (ja) 角膜内皮細胞品質評価支援システム
CN112330667B (zh) 一种基于形态学的激光条纹中心线提取方法
Morales et al. Automatic segmentation of zona pellucida in human embryo images applying an active contour model
CN113160109A (zh) 反背景差分的细胞图像分割方法
CN113506240A (zh) 一种基于深度学习的金相晶界提取和连通方法
CN116385467B (zh) 基于自监督学习的脑血管分割方法及相关设备
WO2023220913A1 (zh) 细胞图像处理方法、电子设备以及存储介质
CN105184799A (zh) 一种改进的无监督脑部肿瘤mri图像分割方法
Essaf et al. An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU)
Tomasila Sand Soil Image Processing Using the Watershed Transform and Otsu Thresholding Based on Gaussian Noise
Shao et al. An adaptive image contrast enhancement algorithm based on retinex
CN112464948A (zh) 一种基于仿生学的自然场景目标轮廓提取方法及系统

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
GR01 Patent grant
GR01 Patent grant