CN112614142B - 一种基于多通道图像融合的细胞弱标签制作方法及系统 - Google Patents

一种基于多通道图像融合的细胞弱标签制作方法及系统 Download PDF

Info

Publication number
CN112614142B
CN112614142B CN202011560828.4A CN202011560828A CN112614142B CN 112614142 B CN112614142 B CN 112614142B CN 202011560828 A CN202011560828 A CN 202011560828A CN 112614142 B CN112614142 B CN 112614142B
Authority
CN
China
Prior art keywords
cell
image
subgraph
stacked
segmentation
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
CN202011560828.4A
Other languages
English (en)
Other versions
CN112614142A (zh
Inventor
温廷羲
潘婷
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN202011560828.4A priority Critical patent/CN112614142B/zh
Publication of CN112614142A publication Critical patent/CN112614142A/zh
Application granted granted Critical
Publication of CN112614142B publication Critical patent/CN112614142B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06T2207/10056—Microscopic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了机器学习技术领域的一种基于多通道图像融合的细胞弱标签制作方法及系统，方法包括：步骤S10、获取染色细胞核图像以及染色细胞质图像；步骤S20、对染色细胞核图像进行二值化处理得到连通细胞子图；步骤S30、设定一面积阈值，基于面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像；步骤S40、基于堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图，利用分水岭算法基于细胞质子图对堆叠图像进行分割，得到第一分割结果；步骤S50、利用分水岭算法对非堆叠图像进行分割，得到第二分割结果；步骤S60、合并第一分割结果与第二分割结果得到染色细胞核图像的弱标签。本发明的优点在于：极大的提升了细胞弱标签的置信度。

Description

一种基于多通道图像融合的细胞弱标签制作方法及系统
技术领域
本发明涉及机器学习技术领域，特别指一种基于多通道图像融合的细胞弱标签制作方法及系统。
背景技术
机器学习需要事先对训练的样本数据进行标注，而目前昂贵又耗时的手工标注已经成为进行高质量机器学习模型研究和应用的重要瓶颈。在机器学习中，采用高置信的标注数据(如人工标注)进行模型拟合训练的方式为监督学习，而采用相对低置信的标注数据(弱标注)的则为弱监督学习。在细胞的实例分割中，通过弱标注进行模型监督学习是降低成本推动研究的重要方式。
弱监督学习在语义分割中的常用的标注方法有Scribes、Box及Point等，但这些标注方法仅能大致标注出目标对象在图像中的位置，没有明确的边缘信息，而生成像素级弱标签的质量将直接影响分割模型的性能。
因此，如何提供一种基于多通道图像融合的细胞弱标签制作方法及系统，实现提升细胞弱标签的置信度，成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题，在于提供一种基于多通道图像融合的细胞弱标签制作方法及系统，实现提升细胞弱标签的置信度。
第一方面，本发明提供了一种基于多通道图像融合的细胞弱标签制作方法，包括如下步骤：
步骤S10、获取相同细胞群落的染色细胞核图像以及染色细胞质图像；
步骤S20、对所述染色细胞核图像进行二值化处理，获取二值化处理后的所述染色细胞核图像中的连通细胞子图；
步骤S30、设定一面积阈值，基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像；
步骤S40、基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图，利用分水岭算法基于所述细胞质子图对堆叠图像进行分割，得到第一分割结果；
步骤S50、利用分水岭算法对所述非堆叠图像进行分割，得到第二分割结果；
步骤S60、合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
进一步地，所述步骤S30具体包括：
步骤S31、设定一面积阈值，依次判断各所述连通细胞子图的面积是否大于面积阈值，若是，说明存在细胞堆叠区域，进入步骤S32；若否，说明不存在细胞堆叠区域，并结束流程；
步骤S32、利用外接矩形框选所述连通细胞子图，使用形心确定所述连通细胞子图的细胞堆叠区域，进而利用所述细胞堆叠区域对连通细胞子图进行分割，得到堆叠图像以及非堆叠图像。
进一步地，所述步骤S40中，所述分水岭算法基于H-minima自适应标志控制。
第二方面，本发明提供了一种基于多通道图像融合的细胞弱标签制作系统，包括如下模块：
细胞图像获取模块，用于获取相同细胞群落的染色细胞核图像以及染色细胞质图像；
连通细胞子图获取模块，用于对所述染色细胞核图像进行二值化处理，获取二值化处理后的所述染色细胞核图像中的连通细胞子图；
连通细胞子图分割模块，用于设定一面积阈值，基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像；
堆叠图像分割模块，用于基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图，利用分水岭算法基于所述细胞质子图对堆叠图像进行分割，得到第一分割结果；
非堆叠图像分割模块，用于利用分水岭算法对所述非堆叠图像进行分割，得到第二分割结果；
弱标签生成模块，用于合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
进一步地，所述连通细胞子图分割模块具体包括：
面积比对单元，用于设定一面积阈值，依次判断各所述连通细胞子图的面积是否大于面积阈值，若是，说明存在细胞堆叠区域，进入细胞堆叠区域确定单元；若否，说明不存在细胞堆叠区域，并结束流程；
细胞堆叠区域确定单元，用于利用外接矩形框选所述连通细胞子图，使用形心确定所述连通细胞子图的细胞堆叠区域，进而利用所述细胞堆叠区域对连通细胞子图进行分割，得到堆叠图像以及非堆叠图像。
进一步地，所述堆叠图像分割模块中，所述分水岭算法基于H-minima自适应标志控制。
本发明的优点在于：
通过融合染色细胞核图像以及染色细胞质图像的通道信息，结合分水岭算法，对染色细胞核图像中的连通细胞子图进行逐个的像素级分割，作为染色细胞核图像的弱标签，相对于传统的分割方法，极大的提升了细胞弱标签的置信度，利于提取出更加可靠、稳定的细胞图像。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于多通道图像信息融合的细胞弱标签制作方法的流程图。
图2是本发明一种基于多通道图像信息融合的细胞弱标签制作系统的结构示意图。
图3是本发明细胞弱标签提取过程示意图。
具体实施方式
请参照图1至图3所示，本发明一种基于多通道图像信息融合的细胞弱标签制作方法的较佳实施例，包括如下步骤：
步骤S10、获取相同细胞群落的染色细胞核图像以及染色细胞质图像；
步骤S20、对所述染色细胞核图像进行二值化处理，获取二值化处理后的所述染色细胞核图像中的连通细胞子图；
步骤S30、设定一面积阈值，基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像；
步骤S40、基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图，利用分水岭算法基于所述细胞质子图对堆叠图像进行分割，得到第一分割结果；分割前先将所述细胞质子图和堆叠图像进行平铺拼接；
步骤S50、利用分水岭算法对所述非堆叠图像进行分割，得到第二分割结果；
步骤S60、合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
所述步骤S30具体包括：
步骤S31、设定一面积阈值，依次判断各所述连通细胞子图的面积是否大于面积阈值，若是，说明存在细胞堆叠区域，进入步骤S32；若否，说明不存在细胞堆叠区域，并结束流程；
步骤S32、利用外接矩形框选所述连通细胞子图，使用形心确定所述连通细胞子图的细胞堆叠区域，进而利用所述细胞堆叠区域对连通细胞子图进行分割，得到堆叠图像以及非堆叠图像。
所述步骤S40中，所述分水岭算法基于H-minima自适应标志控制。
所述分水岭算法分割的过程如下：
先将所述细胞质子图和堆叠图像进行平铺拼接的图像基于形态学进行图像预处理，设S为得到的N个细胞堆叠区域的集合{S＝Sj(j∈[1,...,N])}，S作为分水岭算法的输入，输出为细胞堆叠区域的分割集合
Figure BDA0002860381150000051
定义的一个新的圆度度量指标FuzzyR，以每个h值所对应的候选分割结果中，各细胞的平均圆度最大值为聚类结果评价目标，将细胞堆叠区域最优h值的自适应选择问题转换为改进K-均值聚类分割算法的聚类数目优化问题。一旦堆叠区域最优h值确定，该h值对应的候选分割结果即为其最优分割结果。
首先，初始化j＝1，对任一细胞堆叠区域进行距离变换,并采用分水岭算法进行初始分割，得到m个子分割区域，其中Cj＝{Cj(i),i＝1,...,m}为Sj的第i个子分割区域，并获取Sj中m个子分割区域的区域邻接图(RAG)。同时，提取Sj中m个子区域的质心横坐标、纵坐标、区域灰度均值、区域灰度方差等特征，建立聚类样本集合F，四个特征的权重系数分别为0.25、0.25、0.3、0.2；若m＝1，Sj即为最后分割结果；否则，Sj为细胞堆叠区域。当Sj为细胞堆叠区域时，设置h＝0,
Figure BDA0002860381150000056
opt_cluster＝0。
若Nj(h)≥1&&Nj(h)≤Nj(h-1)时，以Nj(h)为聚类算法的聚类数目，以corej(h)候选种子区域质心点为初始聚类中心点，采用基于RAG改进K-均值聚类算法，生成包含Nj(h)个细胞的候选分割结果SRj(h)。否则，令h＝h+Δh后再重复上一步的操作。最后计算候选分割结果SRj(h)中包含Nj(h)个细胞的平均圆度VFR(h)。平均圆度VFR(h)的计算方式如下：
Figure BDA0002860381150000052
表示选择h后以Nj(h)为聚类数目进行聚类区域合并得到的候选分割结果中各细胞平均圆度。其中圆度度量指标FuzzyR的定义如下：
Figure BDA0002860381150000053
如果opt_cluster＜VFR(h)，则opt-cluster＝VFR(h)，
Figure BDA0002860381150000054
Figure BDA0002860381150000055
即为Sj最后分割结果。令j＝j+1并重复上述所有过程，直到j＞n为止。满足优化目标opt_cluster的h为连通区域Sj自适应/>
Figure BDA0002860381150000061
最优分割结果为/>
Figure BDA0002860381150000062
本发明一种基于多通道图像信息融合的细胞弱标签制作系统的较佳实施例，包括如下模块：
细胞图像获取模块，用于获取相同细胞群落的染色细胞核图像以及染色细胞质图像；
连通细胞子图获取模块，用于对所述染色细胞核图像进行二值化处理，获取二值化处理后的所述染色细胞核图像中的连通细胞子图；
连通细胞子图分割模块，用于设定一面积阈值，基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像；
堆叠图像分割模块，用于基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图，利用分水岭算法基于所述细胞质子图对堆叠图像进行分割，得到第一分割结果；分割前先将所述细胞质子图和堆叠图像进行平铺拼接；
非堆叠图像分割模块，用于利用分水岭算法对所述非堆叠图像进行分割，得到第二分割结果；
弱标签生成模块，用于合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签。
所述连通细胞子图分割模块具体包括：
面积比对单元，用于设定一面积阈值，依次判断各所述连通细胞子图的面积是否大于面积阈值，若是，说明存在细胞堆叠区域，进入细胞堆叠区域确定单元；若否，说明不存在细胞堆叠区域，并结束流程；
细胞堆叠区域确定单元，用于利用外接矩形框选所述连通细胞子图，使用形心确定所述连通细胞子图的细胞堆叠区域，进而利用所述细胞堆叠区域对连通细胞子图进行分割，得到堆叠图像以及非堆叠图像。
所述堆叠图像分割模块中，所述分水岭算法基于H-minima自适应标志控制。
所述分水岭算法分割的过程如下：
先将所述细胞质子图和堆叠图像进行平铺拼接的图像基于形态学进行图像预处理，设S为得到的N个细胞堆叠区域的集合{S＝Sj(j∈[1,...,N])}，S作为分水岭算法的输入，输出为细胞堆叠区域的分割集合
Figure BDA0002860381150000071
/>
定义的一个新的圆度度量指标FuzzyR，以每个h值所对应的候选分割结果中，各细胞的平均圆度最大值为聚类结果评价目标，将细胞堆叠区域最优h值的自适应选择问题转换为改进K-均值聚类分割算法的聚类数目优化问题。一旦堆叠区域最优h值确定，该h值对应的候选分割结果即为其最优分割结果。
首先，初始化j＝1，对任一细胞堆叠区域进行距离变换,并采用分水岭算法进行初始分割，得到m个子分割区域，其中Cj＝{Cj(i),i＝1,...,m}为Sj的第i个子分割区域，并获取Sj中m个子分割区域的区域邻接图(RAG)。同时，提取Sj中m个子区域的质心横坐标、纵坐标、区域灰度均值、区域灰度方差等特征，建立聚类样本集合F，四个特征的权重系数分别为0.25、0.25、0.3、0.2；若m＝1，Sj即为最后分割结果；否则，Sj为细胞堆叠区域。当Sj为细胞堆叠区域时，设置h＝0,
Figure BDA0002860381150000072
opt_cluster＝0。
若Nj(h)≥1&&Nj(h)≤Nj(h-1)时，以Nj(h)为聚类算法的聚类数目，以corej(h)候选种子区域质心点为初始聚类中心点，采用基于RAG改进K-均值聚类算法，生成包含Nj(h)个细胞的候选分割结果SRj(h)。否则，令h＝h+Δh后再重复上一步的操作。最后计算候选分割结果SRj(h)中包含Nj(h)个细胞的平均圆度VFR(h)。平均圆度VFR(h)的计算方式如下：
Figure BDA0002860381150000073
表示选择h后以Nj(h)为聚类数目进行聚类区域合并得到的候选分割结果中各细胞平均圆度。其中圆度度量指标FuzzyR的定义如下：
Figure BDA0002860381150000074
如果opt_cluster＜VFR(h)，则opt-cluster＝VFR(h)，
Figure BDA0002860381150000081
Figure BDA0002860381150000082
即为Sj最后分割结果。令j＝j+1并重复上述所有过程，直到j＞n为止。满足优化目标opt_cluster的h为连通区域Sj自适应/>
Figure BDA0002860381150000083
最优分割结果为/>
Figure BDA0002860381150000084
综上所述，本发明的优点在于：
通过融合染色细胞核图像以及染色细胞质图像的通道信息，结合分水岭算法，对染色细胞核图像中的连通细胞子图进行逐个的像素级分割，作为染色细胞核图像的弱标签，相对于传统的分割方法，极大的提升了细胞弱标签的置信度，利于提取出更加可靠、稳定的细胞图像。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (4)

1.一种基于多通道图像融合的细胞弱标签制作方法，其特征在于：包括如下步骤：
步骤S10、获取相同细胞群落的染色细胞核图像以及染色细胞质图像；
步骤S20、对所述染色细胞核图像进行二值化处理，获取二值化处理后的所述染色细胞核图像中的连通细胞子图；
步骤S30、设定一面积阈值，基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像；
步骤S40、基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图，利用分水岭算法基于所述细胞质子图对堆叠图像进行分割，得到第一分割结果；
步骤S50、利用分水岭算法对所述非堆叠图像进行分割，得到第二分割结果；
步骤S60、合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签；
所述步骤S30具体包括：
步骤S31、设定一面积阈值，依次判断各所述连通细胞子图的面积是否大于面积阈值，若是，说明存在细胞堆叠区域，进入步骤S32；若否，说明不存在细胞堆叠区域，并结束流程；
步骤S32、利用外接矩形框选所述连通细胞子图，使用形心确定所述连通细胞子图的细胞堆叠区域，进而利用所述细胞堆叠区域对连通细胞子图进行分割，得到堆叠图像以及非堆叠图像；
所述分水岭算法分割的过程如下：
先将所述细胞质子图和堆叠图像进行平铺拼接的图像基于形态学进行图像预处理，设S为得到的N个细胞堆叠区域的集合{S＝Sj(j∈[1,…,N])}，S作为分水岭算法的输入，输出为细胞堆叠区域的分割集合
Figure FDA0004151293630000011
定义的一个新的圆度度量指标FuzzyR，以每个h值所对应的候选分割结果中，各细胞的平均圆度最大值为聚类结果评价目标，将细胞堆叠区域最优h值的自适应选择问题转换为改进K-均值聚类分割算法的聚类数目优化问题；一旦堆叠区域最优h值确定，该h值对应的候选分割结果即为其最优分割结果；
满足优化目标的h为连通区域Sj自适应
Figure FDA0004151293630000021
2.如权利要求1所述的一种基于多通道图像融合的细胞弱标签制作方法，其特征在于：所述步骤S40中，所述分水岭算法基于H-minima自适应标志控制。
3.一种基于多通道图像融合的细胞弱标签制作系统，其特征在于：包括如下模块：
细胞图像获取模块，用于获取相同细胞群落的染色细胞核图像以及染色细胞质图像；
连通细胞子图获取模块，用于对所述染色细胞核图像进行二值化处理，获取二值化处理后的所述染色细胞核图像中的连通细胞子图；
连通细胞子图分割模块，用于设定一面积阈值，基于所述面积阈值从所述连通细胞子图分割出堆叠图像以及非堆叠图像；
堆叠图像分割模块，用于基于所述堆叠图像从染色细胞质图像中分割出相同位置及大小的细胞质子图，利用分水岭算法基于所述细胞质子图对堆叠图像进行分割，得到第一分割结果；
非堆叠图像分割模块，用于利用分水岭算法对所述非堆叠图像进行分割，得到第二分割结果；
弱标签生成模块，用于合并所述第一分割结果与第二分割结果得到染色细胞核图像的弱标签；
所述连通细胞子图分割模块具体包括：
面积比对单元，用于设定一面积阈值，依次判断各所述连通细胞子图的面积是否大于面积阈值，若是，说明存在细胞堆叠区域，进入细胞堆叠区域确定单元；若否，说明不存在细胞堆叠区域，并结束流程；
细胞堆叠区域确定单元，用于利用外接矩形框选所述连通细胞子图，使用形心确定所述连通细胞子图的细胞堆叠区域，进而利用所述细胞堆叠区域对连通细胞子图进行分割，得到堆叠图像以及非堆叠图像；
所述分水岭算法分割的过程如下：
先将所述细胞质子图和堆叠图像进行平铺拼接的图像基于形态学进行图像预处理，设S为得到的N个细胞堆叠区域的集合{S＝Sj(j∈[1,…,N])}，S作为分水岭算法的输入，输出为细胞堆叠区域的分割集合
Figure FDA0004151293630000031
定义的一个新的圆度度量指标FuzzyR，以每个h值所对应的候选分割结果中，各细胞的平均圆度最大值为聚类结果评价目标，将细胞堆叠区域最优h值的自适应选择问题转换为改进K-均值聚类分割算法的聚类数目优化问题；一旦堆叠区域最优h值确定，该h值对应的候选分割结果即为其最优分割结果；
满足优化目标的h为连通区域Sj自适应
Figure FDA0004151293630000032
4.如权利要求3所述的一种基于多通道图像融合的细胞弱标签制作系统，其特征在于：所述堆叠图像分割模块中，所述分水岭算法基于H-minima自适应标志控制。
CN202011560828.4A 2020-12-25 2020-12-25 一种基于多通道图像融合的细胞弱标签制作方法及系统 Active CN112614142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011560828.4A CN112614142B (zh) 2020-12-25 2020-12-25 一种基于多通道图像融合的细胞弱标签制作方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011560828.4A CN112614142B (zh) 2020-12-25 2020-12-25 一种基于多通道图像融合的细胞弱标签制作方法及系统

Publications (2)

Publication Number Publication Date
CN112614142A CN112614142A (zh) 2021-04-06
CN112614142B true CN112614142B (zh) 2023-05-30

Family

ID=75245022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011560828.4A Active CN112614142B (zh) 2020-12-25 2020-12-25 一种基于多通道图像融合的细胞弱标签制作方法及系统

Country Status (1)

Country Link
CN (1) CN112614142B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392460A (zh) * 2014-12-12 2015-03-04 山东大学 一种基于胞核标记分水岭变换的粘连白细胞分割方法
CN110223305A (zh) * 2019-06-12 2019-09-10 志诺维思（北京）基因科技有限公司 细胞分割方法、装置及可读存储介质
CN110400318A (zh) * 2019-06-14 2019-11-01 广东省人民医院(广东省医学科学院) 一种免疫组化病理图像cd4阳性细胞核分割方法及系统
CN110415255A (zh) * 2019-06-14 2019-11-05 广东省人民医院(广东省医学科学院) 一种免疫组化病理图像cd3阳性细胞核分割方法及系统
CN110458835A (zh) * 2019-08-16 2019-11-15 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及介质
CN111210447A (zh) * 2020-01-10 2020-05-29 福建师范大学 一种苏木精-伊红染色病理图像层次分割的方法及终端
WO2020252665A1 (zh) * 2019-06-18 2020-12-24 香港理工大学 用于分割医学图像中的重叠细胞质的方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392460A (zh) * 2014-12-12 2015-03-04 山东大学 一种基于胞核标记分水岭变换的粘连白细胞分割方法
CN110223305A (zh) * 2019-06-12 2019-09-10 志诺维思（北京）基因科技有限公司 细胞分割方法、装置及可读存储介质
CN110400318A (zh) * 2019-06-14 2019-11-01 广东省人民医院(广东省医学科学院) 一种免疫组化病理图像cd4阳性细胞核分割方法及系统
CN110415255A (zh) * 2019-06-14 2019-11-05 广东省人民医院(广东省医学科学院) 一种免疫组化病理图像cd3阳性细胞核分割方法及系统
WO2020252665A1 (zh) * 2019-06-18 2020-12-24 香港理工大学 用于分割医学图像中的重叠细胞质的方法及系统
CN110458835A (zh) * 2019-08-16 2019-11-15 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及介质
CN111210447A (zh) * 2020-01-10 2020-05-29 福建师范大学 一种苏木精-伊红染色病理图像层次分割的方法及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
分水岭算法分割显微图像中重叠细胞;丛培盛;孙建忠;;中国图象图形学报(第12期);全文 *

Also Published As

Publication number Publication date
CN112614142A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN110909820B (zh) 基于自监督学习的图像分类方法及系统
WO2023083059A1 (zh) 一种路面缺陷检测方法、装置、电子设备和可读存储介质
CN109522900B (zh) 自然场景文字识别方法及装置
CN114492619B (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
CN110675421B (zh) 基于少量标注框的深度图像协同分割方法
CN109241816B (zh) 一种基于标签优化的图像再识别系统及损失函数确定方法
CN112766334A (zh) 一种基于伪标签域适应的跨域图像分类方法
CN105303169A (zh) 一种基于慢特征的细胞分裂识别方法及其识别装置
CN110751191A (zh) 一种图像的分类方法及系统
CN116385374A (zh) 基于卷积神经网络的细胞计数方法
CN117437647B (zh) 基于深度学习和计算机视觉的甲骨文字检测方法
CN112215303B (zh) 一种基于自学属性的图像理解方法及系统
CN116310293B (zh) 一种基于弱监督学习的生成高质量候选框目标检测方法
CN112614142B (zh) 一种基于多通道图像融合的细胞弱标签制作方法及系统
CN113378830A (zh) 一种基于域适应的可自主学习数据标签生成方法
CN104008095A (zh) 一种基于语义特征提取与匹配的物体识别方法
CN115661904A (zh) 数据标注和域适应模型训练方法、装置、设备及介质
CN114758135A (zh) 一种基于注意力机制的无监督图像语义分割方法
CN114241202A (zh) 着装分类模型的训练方法及装置、着装分类方法及装置
CN113177602A (zh) 图像分类方法、装置、电子设备和存储介质
CN114882224B (zh) 模型结构、模型训练方法、单体化方法、设备及介质
CN115309941B (zh) 一种基于ai的智能标签检索方法及系统
CN116453116B (zh) 一种高适应性的明场细胞活死分类算法
CN113256581B (zh) 基于视觉注意建模融合的缺陷样本自动标注方法及系统
CN116524297B (zh) 一种基于专家反馈的弱监督学习训练方法

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