CN112183210A - 一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质 - Google Patents
一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112183210A CN112183210A CN202010887269.1A CN202010887269A CN112183210A CN 112183210 A CN112183210 A CN 112183210A CN 202010887269 A CN202010887269 A CN 202010887269A CN 112183210 A CN112183210 A CN 112183210A
- Authority
- CN
- China
- Prior art keywords
- image
- sequence
- sparse matrix
- contour
- based particle
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 86
- 239000011159 matrix material Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 210000004027 cell Anatomy 0.000 claims abstract description 80
- 210000000601 blood cell Anatomy 0.000 claims abstract description 29
- 210000004369 blood Anatomy 0.000 claims abstract description 22
- 239000008280 blood Substances 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009087 cell motility Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000011282 treatment Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 239000000975 dye Substances 0.000 claims description 6
- 239000003219 hemolytic agent Substances 0.000 claims description 6
- 238000005336 cracking Methods 0.000 claims description 5
- 238000004043 dyeing Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012512 characterization method Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 10
- 210000000265 leukocyte Anatomy 0.000 description 9
- 239000000725 suspension Substances 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 6
- 238000004062 sedimentation Methods 0.000 description 6
- 210000001772 blood platelet Anatomy 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012123 point-of-care testing Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000010186 staining Methods 0.000 description 4
- 206010018910 Haemolysis Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 210000003743 erythrocyte Anatomy 0.000 description 3
- 230000008588 hemolysis Effects 0.000 description 3
- 238000001000 micrograph Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 230000009089 cytolysis Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009385 viral infection Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image 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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质。所述方法包括:对待检测血液样本进行图像采集;对采集到的样本图像进行预处理;对预处理后的图像根据稀疏矩阵进行稀疏化处理;对经过稀疏化处理的图像进行血细胞运动轨迹推演;构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取。本发明提供的一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质采用多特征+统计学机器学习的聚焦区域自动识别技术,避免单特征表征不完整问题,统计学机器学习模型简单计算量低,细胞聚焦自动识别准确性更高,鲁棒性更强。
Description
技术领域
本发明涉及一种血细胞检测领域,尤其涉及一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质。
背景技术
床旁体外诊断能够在最接近患者的地方给出快速诊断,近几年得到了学者们广泛而深入的研究。生化免疫等项目早已有相关POCT设备进入临床,作为体外诊断最常用的血常规项目则还停留在实验室检测阶段。信号法及图像法是目前血细胞检测主要方法,其中信号法所需装置设备种类多,回路复杂,POCT 化困难且成本高;图像法是目前临床上血常规检测金标准法,设备装置构成简单,更适合POCT化。但由于人体血液细胞为悬浮细胞,图像采集时各细胞不在同一焦平面,很难采集到所有细胞均在焦点的图像;高值血细胞易于底部聚集,导致图像类血细胞POCT设备测量速度慢,识别精度低。因此,迫切需要寻找一种快速、准确的自动聚焦方法来获取每个血细胞焦平面处图像,避免底部细胞聚集,以提高血细胞便携式检验设备的检测时间及分类精度。
发明内容
本发明要解决的技术问题主要是:提供一种快速、准确的粒子自动聚焦方法及系统,自动快速获取每个运动悬浮粒子的聚焦图像,指导后续增强、识别算法推进,提高粒子识别系统计数精度缩短粒子检测时间,推动血细胞POCT 检测设备研制进程。
为了达到上述目的,本发明提供的一种基于稀疏矩阵的粒子自动聚焦方法,具体包括:
对待检测血液样本进行图像采集;
对采集到的样本图像进行预处理;
对预处理后的图像根据稀疏矩阵进行稀疏化处理;
对经过稀疏化处理的图像进行血细胞运动轨迹推演;
构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取。
优选的,所述对待检测样本进行图像采集,具体包括:
将待检测血液样本经溶血剂裂解、染色剂染色后,移至一定高度微流控芯片内,拍摄芯片内细胞不同焦平面图像,构建不同深度细胞彩色序列图像;
其中,所述彩色序列图像序列深度150~180μm,序列所含图像>10张,序列间隔<12μm。
优选的,所述对采集到的样本图像进行预处理,具体包括:
采用高斯-拉普拉斯算法对所述样本图像进行图像噪声去除,得到高清度细胞图像。
优选的,采用高斯-拉普拉斯算法对所述样本图像进行图像噪声去除,具体包括:
对图像进行高斯平滑,剔除噪声;
对图像求二阶导,用二阶导的过零点确定边缘,在去噪的同时,保留细胞的边界信息。
优选的,所述对预处理后的图像根据稀疏矩阵进行稀疏化处理,具体包括:
采用形态学重构,获取背景图像;
对背景图像像素分布,构建自动轮廓函数获取对应的稀疏化模板;
以模板为掩膜,获取该图像对应的粒子稀疏矩阵。
优选的,所述构建自动轮廓函数获取对应的稀疏化模板,以模板为掩膜,获取该图像对应的粒子稀疏矩阵,具体包括:
以轮阈值为阈值,轮廓1对应阈值t(1),轮廓2对应阈值t(2),以此类推对应直至轮廓N对应阈值t(N),生成轮廓内像素为1,其它像素为0的与原始图像相同大小的N个初始轮廓模板;
最大类间方差获取各轮廓内灰度细胞分割阈值T(i),并赋值给轮廓内非零元素,更新轮廓模板,生成N个由像素0和t(i)组成的轮廓模板;
取N个模板并集,完成最终自动轮廓模板M获取;
以像素为计算单元,各灰度序列图像与模板做比较,大于模板值返回1,小于模板返回0,最终完成粒子各序列稀疏矩阵图像获取。
优选的,对经过稀疏化处理的图像进行血细胞运动轨迹推演,具体包括:
对序列i上非零区域进行标记,初始化此深度处目标点;
序列i图像与序列i+1图像与运算,计算目标点下一序列相交面积,获取与运算图像g,并以面积为判别准则,推演序列i+1图像细胞位置;
以g图像中,面积最大处区域为标记,以序列i+1为掩膜,重构获取序列i+1 中与i中对应的目标点,标记并分割,构建单一目标区域的多深度子区域灰度图像序列;
重复上述过程,至所有序列图像计算完毕停止,输出推演结果并存储。
优选的,构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取,具体包括:
获取子区域灰度图像归一化方差、梯度均值及熵特征,支持向量机构建聚焦区域支持模型,完成细胞聚焦区域自动识别。
另外,为实现上述目的,本发明实施例还提供一种基于稀疏矩阵的粒子自动聚焦系统,所述系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于稀疏矩阵的粒子自动聚焦程序,所述基于稀疏矩阵的粒子自动聚焦程序被所述处理器执行时实现所述的基于稀疏矩阵的粒子自动聚焦方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有基于稀疏矩阵的粒子自动聚焦程序,所述基于稀疏矩阵的粒子自动聚焦程序被处理器执行时实现所述的基于稀疏矩阵的粒子自动聚焦方法的步骤。
本发明提供的一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质相对现有技术有如下有益效果:
1)基于图像背景灰度分布的自适应轮廓粒子图像稀疏矩阵化方法,避免单一光源图像灰度分布不均、不同环境图像光源不一致等问题引起的分割误差,粒子图像稀疏化更精确;
2)基于稀疏矩阵图像的悬浮细胞运动跟踪方法,避免灰度、彩色图像数据量大、计算复杂耗时问题,运动细胞跟踪快速、简单且精度高;
3)采用多特征+统计学机器学习的聚焦区域自动识别技术,避免单特征表征不完整问题,统计学机器学习模型简单计算量低,细胞聚焦自动识别准确性更高,鲁棒性更强;
4)本发明方法不需等待细胞自然沉降,避免了细胞下沉引起的相同x-y平面坐标,不同z深度的多细胞聚集从而影响高值样本检测精度问题,可以快速、自动获取自然沉降过程中处于焦点位置细胞图像,为后续细胞高精度分类识别提供基础。
附图说明
图1为本发明提供的一种基于稀疏矩阵的粒子自动聚焦方法的流程示意图;
图2为经裂解染色后白细胞部分灰度序列图像;
图3为图2稀疏化后稀疏矩阵图像;
图4为单细胞种子点多序列图像;
图5为本发明方法各序列细胞同细胞跟踪结果;
图6为本发明方法自动聚焦结果。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
血常规中的白细胞分析是临床区分细菌性感染和病毒感染以及感染严重度必不可少的手段,临床上常根据白细胞计数结果来指导患者用药。便携式白细胞计数仪可以在最接近病患的地方,以最短的时间获得准确的诊断信息,有利于对疾病的及时诊断、监控和治疗,具有大型仪器不具备的时间和空间优势。但受制于细胞生理特性,便携式白细胞分析设备精度还不够准确,其难点主要是细胞聚焦图像快速获取及细胞聚集问题。基于此,本发明提出了一种基于稀疏矩阵的粒子自动聚焦方法及系统,旨在提高粒子识别系统计数精度缩短粒子检测时间,最终实现血细胞便携式检测设备研制。
参阅图1,图1为本发明基于稀疏矩阵的粒子自动聚焦方法一实施方式的流程示意图,其具体的步骤如下:
S1、对待检测血液样本进行图像采集,具体的,所述对待检测样本进行图像采集,具体包括:
将待检测血液样本经溶血剂裂解、染色剂染色后,移至一定高度微流控芯片内,拍摄芯片内细胞不同焦平面图像,构建不同深度细胞彩色序列图像;
其中,所述彩色序列图像序列深度150~180μm,序列所含图像>10张,序列间隔<12μm。
在具体实施中,利用图像采集装置待检测血液样本进行图像采集,图像采集装置由步进电机及显微镜物镜、CMOS图像获取装置构成。待测血液样本经溶血剂裂解、染色剂染色后,移至一定高度微流控芯片内,于图像采集装置平台上采集图像。图像采集装置内步进电机由单片机控制,通过传动机构驱动显微镜物镜上下运动,拍摄芯片内细胞不同焦平面图像,构建不同深度细胞彩色序列图像。本专利内获取8x显微物镜溶血染色白细胞显微镜图像序列。
S2、对采集到的样本图像进行预处理,具体的,采用高斯-拉普拉斯算法对所述样本图像进行图像噪声去除,得到高清度细胞图像,如首先对图像进行高斯平滑,剔除噪声,其次对图像求二阶导,用二阶导的过零点确定边缘,在去噪的同时,保留细胞的边界信息,图像预处理操作也可用其它方法实现。
S3、对预处理后的图像根据稀疏矩阵进行稀疏化处理,即采用形态学重构,获取背景图像;对背景图像像素分布,构建自动轮廓函数获取对应的稀疏化模板;以模板为掩膜,获取该图像对应的粒子稀疏矩阵;
具体的,灰度图像、彩色图像、深度图像的信息量十分巨大,比如分辨率为512×512的灰度图像数据量为256K,同样分辨率的彩色图像则是768K。如果处理的是图像序列,则数据量巨大。巨大的数据量需要巨大的存储空间,同时不易实现快速处理。稀疏矩阵是一种非零元素远小于零元素的矩阵,稀疏矩阵相关计算时,速度更快。本发明首先将彩色序列图像转换为稀疏矩阵图像,再对稀疏矩阵图像进行相关计算,以提高算法的整体运行效率。
由于拍摄灯光及环境差异,不同时间不同设备及不同地点拍摄到的图像的光强分布存在一定差异。针对低倍显微镜上细胞成像特点,首先采用形态学重构,获取背景图像;然后对背景图像像素分布,构建自动轮廓函数获取对应的稀疏化模板;最后以模板为掩膜,获取该图像对应的粒子稀疏矩阵。形态学重构模板形状及大小可根据图像内粒子形状大小设置,由于本发明采用8x溶血染色白细胞显微镜图像,此部分重构模板为半径为5的圆盘。
进一步的,所述构建自动轮廓函数获取对应的稀疏化模板,以模板为掩膜,获取该图像对应的粒子稀疏矩阵,具体包括:
以轮阈值为阈值,轮廓1对应阈值t(1),轮廓2对应阈值t(2),以此类推对应直至轮廓N对应阈值t(N),生成轮廓内像素为1,其它像素为0的与原始图像相同大小的N个初始轮廓模板;
最大类间方差获取各轮廓内灰度细胞分割阈值T(i),并赋值给轮廓内非零元素,更新轮廓模板,生成N个由像素0和t(i)组成的轮廓模板;
取N个模板并集,完成最终自动轮廓模板M获取;
以像素为计算单元,各灰度序列图像与模板做比较,大于模板值返回1,小于模板返回0,最终完成粒子各序列稀疏矩阵图像获取。
S4、对经过稀疏化处理的图像进行血细胞运动轨迹推演;
具体的,悬浮粒子在液体内做无规则运动,且随时间推移缓慢下沉。下沉速度受粒子数量、所在液体内元素构成影响;镜头由上自下推动等间隔采集图像,图像采集速度与粒子下沉速度不一,导致序列图像上相同粒子的纹理、灰度及几何特征存在差异,常规运动目标跟踪方法并不适用。本专利通过研究目标相邻序列图像中的区域特征,以相邻序列间稀疏矩阵区域特征实现运动细胞位置推演,进而实现细胞跟踪定位:
首先,对序列i上非零区域进行标记,初始化此深度处目标点;
其次,序列i图像与序列i+1图像与运算,计算目标点下一序列相交面积,获取与运算图像g,并以面积为判别准则,推演序列i+1图像细胞位置;
然后,以g图像中,面积最大处区域为标记,以序列i+1为掩膜,重构获取序列i+1中与i中对应的目标点,标记并分割,构建单一目标区域的多深度子区域灰度图像序列;
最后,重复上述过程,至所有序列图像计算完毕停止,输出推演结果并存储。
S5、构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取。
具体的,聚焦识别采用基于特征的支持向量机统计模型方法。提取子区域灰度图像归一化方差、梯度均值及熵特征,支持向量机构建聚焦区域支持模型,最终实现细胞自动聚焦区域识别提取。
通过上述5个步骤,本发明的创新点主要在于如下几点:
1)基于图像背景灰度分布的自适应轮廓粒子图像稀疏化方法:通过分析图像背景光信息分布,建立不受光源影响的图像自适应分割稀疏化方法,避免单光源图像背景不均匀、同型号光源成像误差及环境影响引起的单阈分割误差,最终获取高精度稀疏化图像。
2)基于稀疏矩阵序列与运算的运动细胞位置推演方法:通过研究目标相邻序列图像中的区域特征,以相邻序列间稀疏矩阵区域特征实现运动细胞位置推演,避免因粒子运动与采集速度不匹配引起的跟踪误差,悬浮粒子运动跟踪更快速准确。
3)基于稀疏矩阵序列的多特征聚焦区域识别方法:结合图像处理,、模式识别知识和医生的临床经验,根据细胞无规则运动所产生的灰度、梯度及熵信息,构建统计学识别模型,最终实现粒子聚焦实时、快速精确识别。
4)基于自适应轮廓粒子图像稀疏化方法、运动细胞快速推演、多特征聚焦模型技术的动态白细胞聚焦区域识别方法:本发明结合光信息分布特征、图像处理及模式识别技术,实现了微量体积内粒子快速、自动聚焦。本发明方法弥补了现有便携式细胞分类产品技术上的不足,为以后的便携式白细胞识别设备的成功研制打下基础。
另外,需要说明的是,为了验证本发明的可行性和有效性,采用本发明所提出的方法对10μl溶血染色白细胞图像采集及聚焦区域识别,所采集图像序列 16幅,序列深度150μm,各序列图像大小为2130×2120,图像放大倍数8x。
采用本发明提出方法,图2为经裂解染色后白细胞部分序列图像,图3为图2稀疏化后稀疏矩阵图像;图4为单细胞种子点多序列图像;图5为本发明方法各序列细胞同细胞跟踪结果;图6为本发明方法自动聚焦结果。从初步实验效果图来看,通过本发明提出的方法能够快速、准确的实现悬浮运动细胞自动聚焦。
进一步的,其它细胞(红细胞、血小板等悬浮细胞)、悬浮粒子自动聚焦识别:发明提出的基于稀疏矩阵的粒子自动聚焦方法及系统不仅可以用于白细胞聚焦识别,对于一定体积内的红细胞、血小板等悬浮细胞粒子自动聚焦:通过获取多深度细胞/粒子序列图像(图像可以是4x、5x、8x、10x等,本方法对100x 显微镜图像均有效),更改本文方法中稀疏化模板尺寸,获取红细胞、血小板等悬浮细胞/粒子对应稀疏矩阵图像后,序列间与运算获获取跟踪定位区域,提取同粒子/细胞(血小板)多序列图像归一化方差、梯度均值、熵,最后支持向量机实现粒子/细胞(血小板)自动聚焦。其中由于各细胞/粒子尺寸不同,可对方法中的稀疏化模板尺寸大小做适当更改,序列间跟踪也可以采用距离函数(针对大颗粒粒子,此时序列间与运算不再适合),根据所识别粒子大小形态特征更改序列特征参量。
本发明实施例还提供一种基于稀疏矩阵的粒子自动聚焦系统,所述系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于稀疏矩阵的粒子自动聚焦程序,所述基于稀疏矩阵的粒子自动聚焦程序被所述处理器执行时实现所述的基于稀疏矩阵的粒子自动聚焦方法的步骤,具体包括:
对待检测血液样本进行图像采集;
对采集到的样本图像进行预处理;
对预处理后的图像根据稀疏矩阵进行稀疏化处理;
对经过稀疏化处理的图像进行血细胞运动轨迹推演;
构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取。
优选的,所述对待检测样本进行图像采集,具体包括:
将待检测血液样本经溶血剂裂解、染色剂染色后,移至一定高度微流控芯片内,拍摄芯片内细胞不同焦平面图像,构建不同深度细胞彩色序列图像;
其中,所述彩色序列图像序列深度150~180μm,序列所含图像>10张,序列间隔<12μm。
优选的,所述对采集到的样本图像进行预处理,具体包括:
采用高斯-拉普拉斯算法对所述样本图像进行图像噪声去除,得到高清度细胞图像。
优选的,采用高斯-拉普拉斯算法对所述样本图像进行图像噪声去除,具体包括:
对图像进行高斯平滑,剔除噪声;
对图像求二阶导,用二阶导的过零点确定边缘,在去噪的同时,保留细胞的边界信息。
优选的,所述对预处理后的图像根据稀疏矩阵进行稀疏化处理,具体包括:
采用形态学重构,获取背景图像;
对背景图像像素分布,构建自动轮廓函数获取对应的稀疏化模板;
以模板为掩膜,获取该图像对应的粒子稀疏矩阵。
优选的,所述构建自动轮廓函数获取对应的稀疏化模板,以模板为掩膜,获取该图像对应的粒子稀疏矩阵,具体包括:
以轮阈值为阈值,轮廓1对应阈值t(1),轮廓2对应阈值t(2),以此类推对应直至轮廓N对应阈值t(N),生成轮廓内像素为1,其它像素为0的与原始图像相同大小的N个初始轮廓模板;
最大类间方差获取各轮廓内灰度细胞分割阈值T(i),并赋值给轮廓内非零元素,更新轮廓模板,生成N个由像素0和t(i)组成的轮廓模板;
取N个模板并集,完成最终自动轮廓模板M获取;
以像素为计算单元,各灰度序列图像与模板做比较,大于模板值返回1,小于模板返回0,最终完成粒子各序列稀疏矩阵图像获取。
优选的,对经过稀疏化处理的图像进行血细胞运动轨迹推演,具体包括:
对序列i上非零区域进行标记,初始化此深度处目标点;
序列i图像与序列i+1图像与运算,计算目标点下一序列相交面积,获取与运算图像g,并以面积为判别准则,推演序列i+1图像细胞位置;
以g图像中,面积最大处区域为标记,以序列i+1为掩膜,重构获取序列i+1 中与i中对应的目标点,标记并分割,构建单一目标区域的多深度子区域灰度图像序列;
重复上述过程,至所有序列图像计算完毕停止,输出推演结果并存储。
优选的,构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取,具体包括:
获取子区域灰度图像归一化方差、梯度均值及熵特征,支持向量机构建聚焦区域支持模型,完成细胞聚焦区域自动识别。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有提高无创血压测量准确度程序,所述提高无创血压测量准确度程序被处理器执行时实现如下操作:
对待检测血液样本进行图像采集;
对采集到的样本图像进行预处理;
对预处理后的图像根据稀疏矩阵进行稀疏化处理;
对经过稀疏化处理的图像进行血细胞运动轨迹推演;
构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取。
优选的,所述对待检测样本进行图像采集,具体包括:
将待检测血液样本经溶血剂裂解、染色剂染色后,移至一定高度微流控芯片内,拍摄芯片内细胞不同焦平面图像,构建不同深度细胞彩色序列图像;
其中,所述彩色序列图像序列深度150~180μm,序列所含图像>10张,序列间隔<12μm。
优选的,所述对采集到的样本图像进行预处理,具体包括:
采用高斯-拉普拉斯算法对所述样本图像进行图像噪声去除,得到高清度细胞图像。
优选的,采用高斯-拉普拉斯算法对所述样本图像进行图像噪声去除,具体包括:
对图像进行高斯平滑,剔除噪声;
对图像求二阶导,用二阶导的过零点确定边缘,在去噪的同时,保留细胞的边界信息。
优选的,所述对预处理后的图像根据稀疏矩阵进行稀疏化处理,具体包括:
采用形态学重构,获取背景图像;
对背景图像像素分布,构建自动轮廓函数获取对应的稀疏化模板;
以模板为掩膜,获取该图像对应的粒子稀疏矩阵。
优选的,所述构建自动轮廓函数获取对应的稀疏化模板,以模板为掩膜,获取该图像对应的粒子稀疏矩阵,具体包括:
以轮阈值为阈值,轮廓1对应阈值t(1),轮廓2对应阈值t(2),以此类推对应直至轮廓N对应阈值t(N),生成轮廓内像素为1,其它像素为0的与原始图像相同大小的N个初始轮廓模板;
最大类间方差获取各轮廓内灰度细胞分割阈值T(i),并赋值给轮廓内非零元素,更新轮廓模板,生成N个由像素0和t(i)组成的轮廓模板;
取N个模板并集,完成最终自动轮廓模板M获取;
以像素为计算单元,各灰度序列图像与模板做比较,大于模板值返回1,小于模板返回0,最终完成粒子各序列稀疏矩阵图像获取。
优选的,对经过稀疏化处理的图像进行血细胞运动轨迹推演,具体包括:
对序列i上非零区域进行标记,初始化此深度处目标点;
序列i图像与序列i+1图像与运算,计算目标点下一序列相交面积,获取与运算图像g,并以面积为判别准则,推演序列i+1图像细胞位置;
以g图像中,面积最大处区域为标记,以序列i+1为掩膜,重构获取序列i+1 中与i中对应的目标点,标记并分割,构建单一目标区域的多深度子区域灰度图像序列;
重复上述过程,至所有序列图像计算完毕停止,输出推演结果并存储。
优选的,构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取,具体包括:
获取子区域灰度图像归一化方差、梯度均值及熵特征,支持向量机构建聚焦区域支持模型,完成细胞聚焦区域自动识别。
本发明提供的一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质相对现有技术有如下有益效果:
1)基于图像背景灰度分布的自适应轮廓粒子图像稀疏矩阵化方法,避免单一光源图像灰度分布不均、不同环境图像光源不一致等问题引起的分割误差,粒子图像稀疏化更精确;
2)基于稀疏矩阵图像的悬浮细胞运动跟踪方法,避免灰度、彩色图像数据量大、计算复杂耗时问题,运动细胞跟踪快速、简单且精度高;
3)采用多特征+统计学机器学习的聚焦区域自动识别技术,避免单特征表征不完整问题,统计学机器学习模型简单计算量低,细胞聚焦自动识别准确性更高,鲁棒性更强;
4)本发明方法不需等待细胞自然沉降,避免了细胞下沉引起的相同x-y平面坐标,不同z深度的多细胞聚集从而影响高值样本检测精度问题,可以快速、自动获取自然沉降过程中处于焦点位置细胞图像,为后续细胞高精度分类识别提供基础。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基于稀疏矩阵的粒子自动聚焦方法,其特征在于,包括:
对待检测血液样本进行图像采集;
对采集到的样本图像进行预处理;
对预处理后的图像根据稀疏矩阵进行稀疏化处理;
对经过稀疏化处理的图像进行血细胞运动轨迹推演;
构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取;
其中,所述对待检测样本进行图像采集,具体包括:
将待检测血液样本经溶血剂裂解、染色剂染色后,移至微流控芯片内,拍摄芯片内细胞不同焦平面图像,构建不同深度细胞彩色序列图像。
2.根据权利要求1所述的一种基于稀疏矩阵的粒子自动聚焦方法,其特征在于,所述彩色序列图像序列深度150~180μm,序列所含图像>10张,序列间隔<12μm。
3.根据权利要求1所述的一种基于稀疏矩阵的粒子自动聚焦方法,其特征在于,所述对采集到的样本图像进行预处理,具体包括:
采用高斯-拉普拉斯算法对所述样本图像进行图像噪声去除,得到高清度细胞图像。
4.根据权利要求3所述的一种基于稀疏矩阵的粒子自动聚焦方法,其特征在于,采用高斯-拉普拉斯算法对所述样本图像进行图像噪声去除,具体包括:
对图像进行高斯平滑,剔除噪声;
对图像求二阶导,用二阶导的过零点确定边缘,在去噪的同时,保留细胞的边界信息。
5.根据权利要求1所述的一种基于稀疏矩阵的粒子自动聚焦方法,其特征在于,所述对预处理后的图像根据稀疏矩阵进行稀疏化处理,具体包括:
采用形态学重构,获取背景图像;
对背景图像像素分布,构建自动轮廓函数获取对应的稀疏化模板;
以模板为掩膜,获取该图像对应的粒子稀疏矩阵。
6.根据权利要求5所述的一种基于稀疏矩阵的粒子自动聚焦方法,其特征在于,所述构建自动轮廓函数获取对应的稀疏化模板,以模板为掩膜,获取该图像对应的粒子稀疏矩阵,具体包括:
以轮阈值为阈值,轮廓1对应阈值t(1),轮廓2对应阈值t(2),以此类推对应直至轮廓N对应阈值t(N),生成轮廓内像素为1,其它像素为0的与原始图像相同大小的N个初始轮廓模板;
最大类间方差获取各轮廓内灰度细胞分割阈值T(i),并赋值给轮廓内非零元素,更新轮廓模板,生成N个由像素0和t(i)组成的轮廓模板;
取N个模板并集,完成最终自动轮廓模板M获取;
以像素为计算单元,各灰度序列图像与模板做比较,大于模板值返回1,小于模板返回0,最终完成粒子各序列稀疏矩阵图像获取。
7.根据权利要求6所述的一种基于稀疏矩阵的粒子自动聚焦方法,其特征在于,对经过稀疏化处理的图像进行血细胞运动轨迹推演,具体包括:
对序列i上非零区域进行标记,初始化此深度处目标点;
序列i图像与序列i+1图像与运算,计算目标点下一序列相交面积,获取与运算图像g,并以面积为判别准则,推演序列i+1图像细胞位置;
以g图像中,面积最大处区域为标记,以序列i+1为掩膜,重构获取序列i+1中与i中对应的目标点,标记并分割,构建单一目标区域的多深度子区域灰度图像序列;
重复上述过程,至所有序列图像计算完毕停止,输出推演结果并存储。
8.根据权利要求7所述的一种基于稀疏矩阵的粒子自动聚焦方法,其特征在于,构建聚焦识别模型,对血细胞的自动聚焦区域进行识别提取,具体包括:
获取子区域灰度图像归一化方差、梯度均值及熵特征,支持向量机构建聚焦区域支持模型,完成细胞聚焦区域自动识别。
9.一种基于稀疏矩阵的粒子自动聚焦系统,其特征在于,所述系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于稀疏矩阵的粒子自动聚焦程序,所述基于稀疏矩阵的粒子自动聚焦程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于稀疏矩阵的粒子自动聚焦方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于稀疏矩阵的粒子自动聚焦程序,所述基于稀疏矩阵的粒子自动聚焦程序被处理器执行时实现如权利要求1至8中任一项所述的基于稀疏矩阵的粒子自动聚焦方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010887269.1A CN112183210B (zh) | 2020-08-28 | 2020-08-28 | 一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010887269.1A CN112183210B (zh) | 2020-08-28 | 2020-08-28 | 一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183210A true CN112183210A (zh) | 2021-01-05 |
CN112183210B CN112183210B (zh) | 2024-06-14 |
Family
ID=73924497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010887269.1A Active CN112183210B (zh) | 2020-08-28 | 2020-08-28 | 一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183210B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509289A (zh) * | 2011-10-24 | 2012-06-20 | 西安电子科技大学 | 基于卡尔曼框架下特征匹配细胞分裂方法 |
CN104850860A (zh) * | 2015-05-25 | 2015-08-19 | 广西师范大学 | 细胞图像识别方法及细胞图像识别装置 |
CN106096571A (zh) * | 2016-06-22 | 2016-11-09 | 北京化工大学 | 一种基于emd特征提取和稀疏表示的细胞分类方法 |
CN107402149A (zh) * | 2017-07-07 | 2017-11-28 | 江苏康尚生物医疗科技有限公司 | 一种溶血试剂、及盛装该试剂的微流控芯片 |
CN107730499A (zh) * | 2017-10-31 | 2018-02-23 | 河海大学 | 一种基于nu‑支持向量机的白细胞分类方法 |
CN107944360A (zh) * | 2017-11-13 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种诱导多能干细胞识别方法、系统及电子设备 |
CN108376400A (zh) * | 2018-02-12 | 2018-08-07 | 华南理工大学 | 一种骨髓细胞自动分类方法 |
US20180349675A1 (en) * | 2015-12-22 | 2018-12-06 | Nikon Corporation | Image processing apparatus |
US20190065818A1 (en) * | 2017-08-29 | 2019-02-28 | Georgia Tech Research Corporation | Systems and methods for cell membrane identification and tracking, and technique automation using the same |
-
2020
- 2020-08-28 CN CN202010887269.1A patent/CN112183210B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509289A (zh) * | 2011-10-24 | 2012-06-20 | 西安电子科技大学 | 基于卡尔曼框架下特征匹配细胞分裂方法 |
CN104850860A (zh) * | 2015-05-25 | 2015-08-19 | 广西师范大学 | 细胞图像识别方法及细胞图像识别装置 |
US20180349675A1 (en) * | 2015-12-22 | 2018-12-06 | Nikon Corporation | Image processing apparatus |
CN106096571A (zh) * | 2016-06-22 | 2016-11-09 | 北京化工大学 | 一种基于emd特征提取和稀疏表示的细胞分类方法 |
CN107402149A (zh) * | 2017-07-07 | 2017-11-28 | 江苏康尚生物医疗科技有限公司 | 一种溶血试剂、及盛装该试剂的微流控芯片 |
US20190065818A1 (en) * | 2017-08-29 | 2019-02-28 | Georgia Tech Research Corporation | Systems and methods for cell membrane identification and tracking, and technique automation using the same |
CN107730499A (zh) * | 2017-10-31 | 2018-02-23 | 河海大学 | 一种基于nu‑支持向量机的白细胞分类方法 |
CN107944360A (zh) * | 2017-11-13 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种诱导多能干细胞识别方法、系统及电子设备 |
CN108376400A (zh) * | 2018-02-12 | 2018-08-07 | 华南理工大学 | 一种骨髓细胞自动分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112183210B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11803968B2 (en) | Automated stereology for determining tissue characteristics | |
Hore et al. | Finding contours of hippocampus brain cell using microscopic image analysis | |
US20120236120A1 (en) | Automatic stereological analysis of biological tissue including section thickness determination | |
Dima et al. | Automatic segmentation and skeletonization of neurons from confocal microscopy images based on the 3-D wavelet transform | |
Temerinac-Ott et al. | Detection of glomeruli in renal pathology by mutual comparison of multiple staining modalities | |
Khan et al. | Content based image retrieval approaches for detection of malarial parasite in blood images | |
JP7422235B2 (ja) | 腫瘍検出および分析を支援するための非腫瘍セグメンテーション | |
JP5469070B2 (ja) | 生物検体を処理するための複数の波長を用いる方法およびシステム | |
US20150186755A1 (en) | Systems and Methods for Object Identification | |
CN110852999B (zh) | 图像扫描系统及图像扫描方法 | |
WO2020037572A1 (zh) | 检测图像上的亮斑的方法和装置、图像配准方法和装置 | |
CN106157279A (zh) | 基于形态学分割的眼底图像病变检测方法 | |
El-Melegy et al. | Identification of tuberculosis bacilli in ZN-stained sputum smear images: a deep learning approach | |
CN113822852A (zh) | 图像处理方法、程序以及记录介质 | |
CN108257124A (zh) | 一种基于图像的白细胞计数方法和系统 | |
US20220351347A1 (en) | Computational refocusing-assisted deep learning | |
CN115298692A (zh) | 自动候选精子标识 | |
CN112183210B (zh) | 一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质 | |
Castañeda et al. | Computational methods for analysis of dynamic events in cell migration | |
WO2020037571A1 (zh) | 基于图像构建测序模板的方法、装置和计算机程序产品 | |
Chaudhari et al. | Microscope image processing: an overview | |
EP4396792A1 (en) | System and method for identifying and counting biological species | |
KR102304609B1 (ko) | 조직 검체 이미지 정제 방법, 및 이를 수행하는 컴퓨팅 시스템 | |
Turner et al. | Automated image analysis technologies for biological 3D light microscopy | |
CN117716227A (zh) | 用于检测并对其他生物结构和胚泡的细胞结进行3d成像的系统和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |