CN112633197A - 一种用于荧光切片进行组织区域识别的方法和系统 - Google Patents

一种用于荧光切片进行组织区域识别的方法和系统 Download PDF

Info

Publication number
CN112633197A
CN112633197A CN202011588582.1A CN202011588582A CN112633197A CN 112633197 A CN112633197 A CN 112633197A CN 202011588582 A CN202011588582 A CN 202011588582A CN 112633197 A CN112633197 A CN 112633197A
Authority
CN
China
Prior art keywords
region
value
convex hull
area
image
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
CN202011588582.1A
Other languages
English (en)
Inventor
刘炳宪
谢菊元
王焱辉
王克惠
丁科迪
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.)
Konfoong Biotech International Co Ltd
Original Assignee
Konfoong Biotech International 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 Konfoong Biotech International Co Ltd filed Critical Konfoong Biotech International Co Ltd
Priority to CN202011588582.1A priority Critical patent/CN112633197A/zh
Publication of CN112633197A publication Critical patent/CN112633197A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/187—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10064—Fluorescence 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/30204—Marker

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)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明提供一种用于荧光切片进行组织区域识别的方法和系统，首先使用记号笔在荧光切片上标记组织区域，包括如下步骤：步骤A1，对荧光切片进行采集，获取包括标记的组织区域的图像；步骤A2，对图像进行边缘检测，获取标记的组织区域的边缘轮廓；步骤A3，对边缘轮廓进行连通区域检测，得到由若干连通区域组成的集合；步骤A4，对每一个连通区域进行凸包检测，最终识别出记号笔标记的组织区域。通过本发明首先使用记号笔在荧光切片上标记组织区域，对标记进行边缘提取，最终获得组织区域的大小、形状和位置，便于荧光扫描仪对荧光切片的组织区域进行后续的扫描和检测。

Description

一种用于荧光切片进行组织区域识别的方法和系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种用于荧光切片进行组织区域识别的方法。
背景技术
随着现代医学的发展，无论是对人体组织或者是对体液的显微观察已经成为医院很多科室不可或缺的环节。荧光显微镜是光学显微镜的一种，也是免疫荧光细胞化学的基本工具，荧光显微镜是以不同波长的光源照射被检物体，使之发出荧光，然后在显微镜下观察物体的形状及其所在位置；用于研究细胞内物质的吸收、运输、化学物质的分布及定位等。荧光切片扫描仪是一种基于荧光显微原理的切片扫描仪系统，一般来说，在将荧光切片放入扫描仪后，扫描仪应自动识别组织区域并对该区域进行自动扫描。
由于荧光切片的组织区域一般是透明的，在某些特殊角度下才能隐约看到一点。因此在扫描时系统无法自动识别扫描区域，同时操作员也很难知道应该标记哪些扫描区域。在无法知晓组织区域的情况下，扫描仪将很难保质保量地完成扫描任务。
发明内容
本发明提供一种用于荧光切片进行组织区域识别的方法和系统，解决现有技术中进行荧光切片扫描时无法知晓组织区域等技术问题。
一种用于荧光切片进行组织区域识别的方法，首先使用记号笔在荧光切片上标记组织区域，包括如下步骤：
步骤A1，对荧光切片进行采集，获取包括标记的组织区域的图像；
步骤A2，对图像进行边缘检测，获取标记的组织区域的边缘轮廓；
步骤A3，对边缘轮廓进行连通区域检测，得到由若干连通区域组成的集合；
步骤A4，对每一个连通区域进行凸包检测，最终识别出记号笔标记的组织区域。
进一步的，在步骤A1和步骤A2之间还包括一步骤B1：对图像进行灰度化处理。
进一步的，在步骤A2和步骤A3之间还包括一步骤B2：对组织区域的边缘轮廓进行膨胀处理。
进一步的，步骤A3和步骤A4之间还包括如下步骤：
步骤B3：分别计算每个连通区域的宽度值、高度值和面积；
步骤B4，针对每一个连通区域，判断宽度值、高度值和面积是否大于各自设定的阈值，若宽度值、高度值和面积均分别大于各自对应的阈值，则继续步骤B6，若宽度值、高度值和面积其中至少一个不大于对应的阈值，则继续步骤B5；
步骤B5，删除连通区域；
步骤B6，保留连通区域。
进一步的，步骤A4包括如下步骤：
步骤B7，对每一个连通区域进行凸包检测获取凸包集合；
步骤B8，将凸包集合中每一个凸包的像素灰度值均设定为255并按照各自对应的像素坐标值添加到一纯黑色背景图中；
步骤B9，对在黑色背景图中的凸包进行孔洞填充操作，使每一个凸包所包含的像素灰度值为255；
步骤B10，将步骤B9获得的轮廓图像与步骤A2提取的边缘轮廓图像做像素灰度值的差值，将差值为255的像素点集合组成的区域作为记号笔标记出的组织区域。
一种用于荧光切片进行组织区域识别的系统，应用于前述的一种用于荧光切片进行组织区域识别的方法，首先使用记号笔在荧光切片上标记组织区域，包括：
图像采集模块，用于对荧光切片进行采集，获取包括标记的组织区域的图像；
边缘提取模块，连接图像采集模块，用于对图像进行边缘检测，获取标记的组织区域的边缘轮廓；
区域检测模块，连接边缘提取模块，用于对边缘轮廓进行连通区域检测，得到由若干连通区域组成的集合；
凸包检测模块，对每一个连通区域进行凸包检测，最终识别出记号笔标记的组织区域。
进一步的，还包括灰度处理模块，分别连接图像采集模块和边缘提取模块，用于在对图像进行边缘检测之前，对图像进行灰度化处理。
进一步的，还包括膨胀处理模块，分别连接边缘提取模块和区域检测模块，用于对组织区域的边缘轮廓进行膨胀处理。
进一步的，筛选模块，分别连接区域检测模块和凸包检测模块，用于对连通区域进行筛选，筛选模块包括：
计算单元，用于分别计算每个连通区域的宽度值、高度值和面积；
判断单元，连接计算单元，用于针对每一个连通区域，判断宽度值、高度值和面积是否大于各自设定的阈值，输出判断结果；
过滤单元，连接判断单元，用于若输出结果为宽度值、高度值和面积均分别大于各自对应的阈值，则保留连通区域；若输出结果为宽度值、高度值和面积其中至少一个不大于对应的阈值，删除连通区域。
进一步的，凸包检测模块包括：
检测单元，进行凸包检测获取凸包集合；
合成单元，连接检测单元，用于将凸包集合中每一个凸包的像素灰度值均设定为255并按照各自对应的像素坐标值添加到一纯黑色背景图中；
填充单元，连接合成单元，用于对在黑色背景图中的凸包进行孔洞填充操作，使每一个凸包所包含的像素灰度值为255；
差值单元，连接填充单元，将进行孔洞填充操作后获得的轮廓图像与进行边缘检测提取的边缘轮廓图像做像素灰度值的差值；
区域提取单元，连接差值单元，将差值为255像素点集合组成的区域作为记号笔标记出的组织区域。
本发明的有益技术效果是：通过本发明首先使用记号笔在荧光切片上标记组织区域，对标记进行边缘提取，最终获得组织区域的大小、形状和位置，便于荧光扫描仪对荧光切片的组织区域进行后续的扫描和检测。
附图说明
图1为本发明一种用于荧光切片进行组织区域识别的方法的总步骤流程图；
图2为本发明一种用于荧光切片进行组织区域识别的方法的另一种实施方式流程图；
图3为本发明一种用于荧光切片进行组织区域识别的方法的另一种实施方式流程图；
图4为本发明一种用于荧光切片进行组织区域识别的方法的另一种实施方式流程图；
图5为本发明一种用于荧光切片进行组织区域识别的方法的另一种实施方式流程图；
图6为本发明一种用于荧光切片进行组织区域识别的系统的模块示意图；
图7为本发明一种用于荧光切片进行组织区域识别的系统的另一种实施方式模块示意图；
图8为本发明一种用于荧光切片进行组织区域识别的系统的另一种实施方式模块示意图；
图9为本发明一种用于荧光切片进行组织区域识别的系统的另一种实施方式模块示意图；
图10为本发明一种用于荧光切片进行组织区域识别的系统的筛选模块模块的示意图；
图11为本发明一种用于荧光切片进行组织区域识别的系统的凸包检测模块的示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明提供一种用于荧光切片进行组织区域识别的方法，首先使用记号笔在荧光切片上标记组织区域，包括如下步骤：
步骤A1，对荧光切片进行采集，获取包括标记的组织区域的图像；
步骤A2，对图像进行边缘检测，获取标记的组织区域的边缘轮廓；
步骤A3，对边缘轮廓进行连通区域检测，得到由若干连通区域组成的集合；
步骤A4，对每一个连通区域进行凸包检测，最终识别出记号笔标记的组织区域。
具体的，边缘检测的算法包括canny算法，sobel算法，robert算法，prewitt算法等。
具体的，在步骤A1中，使用扫描仪进行图像采集。
进一步的，在步骤A1和步骤A2之间还包括一步骤B1：对图像进行灰度化处理。
进一步的，在步骤A2和步骤A3之间还包括一步骤B2：对组织区域的边缘轮廓进行膨胀处理。
具体的，通过形态学膨胀算法处理使得边缘轮廓扩大，去除部分噪声，使得边缘轮廓平滑化。
进一步的，步骤A3和步骤A4之间还包括如下步骤：
步骤B3：分别计算每个连通区域的宽度值、高度值和面积；
步骤B4，针对每一个连通区域，判断宽度值、高度值和面积是否大于各自设定的阈值，若宽度值、高度值和面积均分别大于各自对应的阈值，则继续步骤B6，若宽度值、高度值和面积其中至少一个不大于对应的阈值，则继续步骤B5；
步骤B5，删除连通区域；
步骤B6，保留连通区域。
具体的，通过对连通区域的过滤，删除较小的不符合要求的连通区域，保留较大的符合要求的连通区域，进一步去除边缘轮廓的噪声。
进一步的，步骤A4包括如下步骤：
步骤B7，对每一个连通区域进行凸包检测获取凸包集合；
步骤B8，将凸包集合中每一个凸包的像素灰度值均设定为255并按照各自对应的像素坐标值添加到一纯黑色背景图中；
步骤B9，对在黑色背景图中的凸包进行孔洞填充操作，使每一个凸包所包含的像素灰度值为255；
步骤B10，将步骤B9获得的轮廓图像与步骤A2提取的边缘轮廓图像做像素灰度值的差值，将差值为255的像素点集合组成的区域作为记号笔标记出的组织区域。
具体的，步骤A2提取的边缘轮廓图像灰度化后，由于荧光切片的透明性，组织区域灰度值绝大部分是255。经过步骤B9的处理，凸包包围的区域灰度值是255，凸包以外的区域是黑色背景，因此像素灰度值是0。将步骤B9获得的轮廓图像与步骤A2提取的边缘轮廓图像做像素灰度值的差值，在黑色背景图处的差值必然小于255，以及边缘轮廓的灰度值不会为0，因此差值也不会是255，因此得到组织区域，可以用于扫描仪进行扫描的区域。
本发明还提供一种用于荧光切片进行组织区域识别的系统，应用于前述的一种用于荧光切片进行组织区域识别的方法，首先使用记号笔在荧光切片上标记组织区域，包括：
图像采集模块(1)，用于对荧光切片进行采集，获取包括标记的组织区域的图像；
边缘提取模块(2)，连接图像采集模块(1)，用于对图像进行边缘检测，获取标记的组织区域的边缘轮廓；
区域检测模块(3)，连接边缘提取模块(2)，用于对边缘轮廓进行连通区域检测，得到由若干连通区域组成的集合；
凸包检测模块(4)，对每一个连通区域进行凸包检测，最终识别出记号笔标记的组织区域。
具体的，边缘检测的算法包括canny算法，sobel算法，robert算法，prewitt算法等。
具体的，图像采集模块(1)为扫描仪。
进一步的，还包括灰度处理模块(5)，分别连接图像采集模块(1)和边缘提取模块(2)，用于在对图像进行边缘检测之前，对图像进行灰度化处理。
进一步的，还包括膨胀处理模块(6)，分别连接边缘提取模块(2)和区域检测模块(3)，用于对组织区域的边缘轮廓进行膨胀处理。
具体的，通过形态学膨胀算法处理使得边缘轮廓扩大，去除部分噪声，使得边缘轮廓平滑化。
进一步的，筛选模块(7)，分别连接区域检测模块(3)和凸包检测模块(4)，用于对连通区域进行筛选，筛选模块(7)包括：
计算单元(71)，用于分别计算每个连通区域的宽度值、高度值和面积；
判断单元(72)，连接计算单元(71)，用于针对每一个连通区域，判断宽度值、高度值和面积是否大于各自设定的阈值，输出判断结果；
过滤单元(73)，连接判断单元(72)，用于若输出结果为宽度值、高度值和面积均分别大于各自对应的阈值，则保留连通区域；若输出结果为宽度值、高度值和面积其中至少一个不大于对应的阈值，删除连通区域。
具体的，通过对连通区域的过滤，删除较小的不符合要求的连通区域，保留较大的符合要求的连通区域，进一步去除边缘轮廓的噪声。
进一步的，凸包检测模块(4)包括：
检测单元(41)，进行凸包检测获取凸包集合；
合成单元(42)，连接检测单元(41)，用于将凸包集合中每一个凸包的像素灰度值均设定为255并按照各自对应的像素坐标值添加到一纯黑色背景图中；
填充单元(43)，连接合成单元(42)，用于对在黑色背景图中的凸包进行孔洞填充操作，使每一个凸包所包含的像素灰度值为255；
差值单元(44)，连接填充单元(43)，将进行孔洞填充操作后获得的轮廓图像与进行边缘检测提取的边缘轮廓图像做像素灰度值的差值；
区域提取单元(45)，连接差值单元(44)，将差值为255像素点集合组成的区域作为记号笔标记出的组织区域。
具体的，步骤A2提取的边缘轮廓图像灰度化后，由于荧光切片的透明性，组织区域灰度值绝大部分是255。经过步骤B9的处理，凸包包围的区域灰度值是255，凸包以外的区域是黑色背景，因此像素灰度值是0。将步骤B9获得的轮廓图像与步骤A2提取的边缘轮廓图像做像素灰度值的差值，在黑色背景图处的差值必然小于255，以及边缘轮廓的灰度值不会为0，因此差值也不会是255，因此得到组织区域，可以用于扫描仪进行扫描的区域。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种用于荧光切片进行组织区域识别的方法，其特征在于，首先使用记号笔在荧光切片上标记组织区域，包括如下步骤：
步骤A1，对所述荧光切片进行采集，获取包括标记的所述组织区域的图像；
步骤A2，对所述图像进行边缘检测，获取标记的所述组织区域的边缘轮廓；
步骤A3，对所述边缘轮廓进行连通区域检测，得到由若干连通区域组成的集合；
步骤A4，对每一个所述连通区域进行凸包检测，最终识别出记号笔标记的所述组织区域。
2.如权利要求1所述的一种用于荧光切片进行组织区域识别的方法，其特征在于，在所述步骤A1和所述步骤A2之间还包括一步骤B1：对所述图像进行灰度化处理。
3.如权利要求1所述的一种用于荧光切片进行组织区域识别的方法，其特征在于，在所述步骤A2和所述步骤A3之间还包括一步骤B2：对所述组织区域的边缘轮廓进行膨胀处理。
4.如权利要求1所述的一种用于荧光切片进行组织区域识别的方法，其特征在于，所述步骤A3和所述步骤A4之间还包括如下步骤：
步骤B3：分别计算每个所述连通区域的宽度值、高度值和面积；
步骤B4，针对每一个所述连通区域，判断所述宽度值、所述高度值和所述面积是否大于各自设定的阈值，若所述宽度值、所述高度值和所述面积均分别大于各自对应的所述阈值，则继续步骤B6，若所述宽度值、所述高度值和所述面积其中至少一个不大于对应的所述阈值，则继续步骤B5；
步骤B5，删除所述连通区域；
步骤B6，保留所述连通区域。
5.如权利要求2所述的一种用于荧光切片进行组织区域识别的方法，其特征在于，所述步骤A4包括如下步骤：
步骤B7，对每一个所述连通区域进行凸包检测获取凸包集合；
步骤B8，将所述凸包集合中每一个所述凸包的像素灰度值均设定为255并按照各自对应的像素坐标值添加到一纯黑色背景图中；
步骤B9，对在所述黑色背景图中的所述凸包进行孔洞填充操作，使每一个凸包所包含的像素灰度值为255；
步骤B10，将所述步骤B9获得的轮廓图像与所述步骤A2提取的边缘轮廓图像做像素灰度值的差值，将所述差值为255的像素点集合组成的区域作为记号笔标记出的所述组织区域。
6.一种用于荧光切片进行组织区域识别的系统，其特征在于，应用于如权利要求1-5任意一项所述的一种用于荧光切片进行组织区域识别的方法，首先使用记号笔在荧光切片上标记组织区域，包括：
图像采集模块，用于对所述荧光切片进行采集，获取包括标记的所述组织区域的图像；
边缘提取模块，连接所述图像采集模块，用于对所述图像进行边缘检测，获取标记的所述组织区域的边缘轮廓；
区域检测模块，连接所述边缘提取模块，用于对所述边缘轮廓进行连通区域检测，得到由若干连通区域组成的集合；
凸包检测模块，对每一个所述连通区域进行凸包检测，最终识别出记号笔标记的所述组织区域。
7.如权利要求6所述的一种用于荧光切片进行组织区域识别的系统，其特征在于，还包括灰度处理模块，分别连接所述图像采集模块和所述边缘提取模块，用于在对所述图像进行边缘检测之前，对所述图像进行灰度化处理。
8.如权利要求6所述的一种用于荧光切片进行组织区域识别的系统，其特征在于，还包括膨胀处理模块，分别连接所述边缘提取模块和所述区域检测模块，用于对所述组织区域的边缘轮廓进行膨胀处理。
9.如权利要求6所述的一种用于荧光切片进行组织区域识别的系统，其特征在于，筛选模块，分别连接所述区域检测模块和所述凸包检测模块，用于对所述连通区域进行筛选，所述筛选模块包括：
计算单元，用于分别计算每个所述连通区域的宽度值、高度值和面积；
判断单元，连接所述计算单元，用于针对每一个所述连通区域，判断所述宽度值、所述高度值和所述面积是否大于各自设定的阈值，输出判断结果；
过滤单元，连接所述判断单元，用于若所述输出结果为所述宽度值、所述高度值和所述面积均分别大于各自对应的所述阈值，则保留所述连通区域；若所述输出结果为所述宽度值、所述高度值和所述面积其中至少一个不大于对应的所述阈值，删除所述连通区域。
10.如权利要求7所述的一种用于荧光切片进行组织区域识别的系统，其特征在于，所述凸包检测模块包括：
检测单元，进行凸包检测获取凸包集合；
合成单元，连接所述检测单元，用于将所述凸包集合中每一个所述凸包的像素灰度值均设定为255并按照各自对应的像素坐标值添加到一纯黑色背景图中；
填充单元，连接所述合成单元，用于对在所述黑色背景图中的所述凸包进行孔洞填充操作，使每一个凸包所包含的像素灰度值为255；
差值单元，连接所述填充单元，将进行孔洞填充操作后获得的轮廓图像与进行边缘检测提取的边缘轮廓图像做像素灰度值的差值；
区域提取单元，连接所述差值单元，将所述差值为255像素点集合组成的区域作为记号笔标记出的所述组织区域。
CN202011588582.1A 2020-12-28 2020-12-28 一种用于荧光切片进行组织区域识别的方法和系统 Pending CN112633197A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011588582.1A CN112633197A (zh) 2020-12-28 2020-12-28 一种用于荧光切片进行组织区域识别的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011588582.1A CN112633197A (zh) 2020-12-28 2020-12-28 一种用于荧光切片进行组织区域识别的方法和系统

Publications (1)

Publication Number Publication Date
CN112633197A true CN112633197A (zh) 2021-04-09

Family

ID=75285985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011588582.1A Pending CN112633197A (zh) 2020-12-28 2020-12-28 一种用于荧光切片进行组织区域识别的方法和系统

Country Status (1)

Country Link
CN (1) CN112633197A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815849A (zh) * 2017-01-18 2017-06-09 宁波江丰生物信息技术有限公司 一种识别切片组织的方法
CN107194320A (zh) * 2017-04-26 2017-09-22 江苏大学 一种基于图像特征分析的温室青椒采摘机器人目标识别方法
CN108038481A (zh) * 2017-12-11 2018-05-15 江苏科技大学 一种结合最大极值稳定区域和笔画宽度变化的文本定位方法
CN109766892A (zh) * 2018-12-21 2019-05-17 西安交通大学 一种基于边缘检测的射线检测图像标记信息字符分割方法
CN109886966A (zh) * 2019-05-09 2019-06-14 湖南自兴智慧医疗科技有限公司 一种从超声波图像中提取目标特征的图像处理方法
US20200193139A1 (en) * 2018-12-13 2020-06-18 Verily Life Sciences Llc Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815849A (zh) * 2017-01-18 2017-06-09 宁波江丰生物信息技术有限公司 一种识别切片组织的方法
CN107194320A (zh) * 2017-04-26 2017-09-22 江苏大学 一种基于图像特征分析的温室青椒采摘机器人目标识别方法
CN108038481A (zh) * 2017-12-11 2018-05-15 江苏科技大学 一种结合最大极值稳定区域和笔画宽度变化的文本定位方法
US20200193139A1 (en) * 2018-12-13 2020-06-18 Verily Life Sciences Llc Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy
CN109766892A (zh) * 2018-12-21 2019-05-17 西安交通大学 一种基于边缘检测的射线检测图像标记信息字符分割方法
CN109886966A (zh) * 2019-05-09 2019-06-14 湖南自兴智慧医疗科技有限公司 一种从超声波图像中提取目标特征的图像处理方法

Similar Documents

Publication Publication Date Title
CN107480677B (zh) 一种识别三维ct图像中感兴趣区域的方法及装置
US5796861A (en) Mosaic construction, processing, and review of very large electronic micrograph composites
JP6791245B2 (ja) 画像処理装置、画像処理方法及び画像処理プログラム
CN113962975B (zh) 基于梯度信息对病理玻片数字图像进行质量评估的系统
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
ElHadidy et al. Development of a pore construction data analysis technique for investigating pore size distribution of ultrafiltration membranes by atomic force microscopy
CN111815565B (zh) 晶圆背面的检测方法、设备和存储介质
JPWO2017150194A1 (ja) 画像処理装置、画像処理方法及びプログラム
EP3640837A1 (en) System for co-registration of medical images using a classifier
CN106971141B (zh) 细胞区域确定方法、细胞拍摄系统及细胞图像处理装置
CN107545557A (zh) 粪便图像中的虫卵检测方法和装置
CN111986157B (zh) 一种数字病理图像质量评价系统
CN108802051B (zh) 一种柔性ic基板直线线路气泡及折痕缺陷检测系统及方法
CN113177915A (zh) 一种胫骨平台后倾角测量方法及装置、存储介质
CN106780718A (zh) 一种古生物化石的三维重建方法
CN115035092A (zh) 基于图像的瓶体检测方法、装置、设备及存储介质
CN110246139B (zh) 基于双阈值的浮游生物原位图像roi快速提取方法
CN117392112A (zh) 一种晶圆表面缺陷的检测方法、装置及系统
CN112633197A (zh) 一种用于荧光切片进行组织区域识别的方法和系统
CN105825182A (zh) 一种在线识别裂颖稻种的双面分析方法
CN117233158A (zh) 芯片表面缺陷检测方法及相关装置
CN113888539B (zh) 缺陷分类方法、装置、设备及存储介质
CN114945825A (zh) 癌症判定装置、癌症判定方法以及程序
CN111583275A (zh) 一种切片病理号的识别方法、系统、装置和存储介质
CN108269240B (zh) 一种图像自动聚焦方法、电子设备及存储介质

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: 20210409