CN112634338A - 基于灰度共生矩阵的脑脊液细胞特征提取方法 - Google Patents
基于灰度共生矩阵的脑脊液细胞特征提取方法 Download PDFInfo
- Publication number
- CN112634338A CN112634338A CN202011616259.0A CN202011616259A CN112634338A CN 112634338 A CN112634338 A CN 112634338A CN 202011616259 A CN202011616259 A CN 202011616259A CN 112634338 A CN112634338 A CN 112634338A
- Authority
- CN
- China
- Prior art keywords
- area
- cerebrospinal fluid
- gray level
- occurrence matrix
- extracting
- 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
Links
- 210000001175 cerebrospinal fluid Anatomy 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 210000004698 lymphocyte Anatomy 0.000 claims abstract description 34
- 210000000440 neutrophil Anatomy 0.000 claims abstract description 30
- 210000004180 plasmocyte Anatomy 0.000 claims abstract description 25
- 210000004027 cell Anatomy 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 19
- 210000003979 eosinophil Anatomy 0.000 claims description 8
- 241001337994 Cryptococcus <scale insect> Species 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 210000000805 cytoplasm Anatomy 0.000 claims description 3
- 230000001086 cytosolic effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001464 adherent effect Effects 0.000 claims description 2
- 208000030767 Autoimmune encephalitis Diseases 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 206010014612 Encephalitis viral Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 201000002498 viral encephalitis Diseases 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种细胞特征提取方法,尤其涉及一种基于灰度共生矩阵的脑脊液细胞特征提取方法。本发明旨在分割并且提取自身免疫性脑炎脑脊液中浆细胞、淋巴细胞、嗜中性粒细胞的纹理特征。包括利用灰度共生矩阵对脑脊液图像中的浆细胞、淋巴细胞、中性粒细胞进行纹理特征的提取。
Description
技术领域
本发明涉及一种细胞特征提取方法,尤其涉及一种基于灰度共生矩阵的脑脊液细胞特征提取方法。
背景技术
现在,脑脊液检验一般以显微镜下观查为主,这样的观察手段需要医生在显微镜下将样本反复、仔细地观察,费时费力;在诊断时,误诊率和漏诊率比较高,有可能延误了患者的治疗时机,影响了预后改善。而且自身免疫性脑炎在临床症状的表现方面,与病毒性脑炎具有高度的相似性,也进一步增加了诊断的难度。
中国专利“CN110633676A一种自动识别脑脊液细胞图像信息方法”中涉及一种自动识别脑脊液细胞图像信息方法,具体包括:针对待处理的脑脊液细胞的原始图像,对所述原始图像进行预处理,得到预处理后的图像;采用最小化模型对所述与处理后的图像进行分割,获取分割后的目标细胞图像;其中,最小化模型为对所述与处理后的图像进行分割,使分割后的每一个图像内均只包含一个目标细胞;提取图像中目标细胞的特征。
该发明可以对获取的脑脊液细胞学检测图像中的脑脊液细胞进行分割处理,并对细胞的特征自动提取。其可以分割出完整的细胞但不能识别出脑脊液中的浆细胞、淋巴细胞、中性粒细胞;并且没有提取出自身免疫性脑炎脑脊液的纹理特征。
发明内容
本发明就是针对现有技术存在的缺陷,提供一种基于灰度共生矩阵的脑脊液细胞特征提取方法,本发明旨在分割并且提取自身免疫性脑炎脑脊液中浆细胞、淋巴细胞、嗜中性粒细胞的纹理特征。
其为利用特征提取的方法提取自身免疫性脑炎脑脊液的特征,基于灰度共生矩阵的特征提取时一种有效的计算机辅助诊断方法。利用计算机辅助诊断,提取自身免疫性脑炎脑脊液的特征进行与样本比对,可以为医生诊断自身免疫性脑炎提供参考,可以有效减少了误诊率与漏诊率。
为实现上述目的,本发明采用如下技术方案,包括利用灰度共生矩阵对脑脊液图像中的浆细胞、淋巴细胞、中性粒细胞进行纹理特征的提取。
进一步地,包括以下步骤:
步骤1、对显微镜下的脑脊液彩色图像进行预处理;
步骤2、使用大津法计算预处理后的灰度图像的全局阈值,找到使前景和背景的类间方差最大的阈值;
使用这个阈值进行二值化得到最佳的二值化图像;
分割出感兴趣的区域,使用极限分割后的分水岭操作将粘连的淋巴细胞、浆细胞、中性粒细胞、嗜酸性细胞、隐球菌的细胞核分割出来;
步骤3、利用了淋巴细胞、浆细胞和中性粒细胞的形状特征对中性粒细胞进行分割;提取出封闭区域的面积与周长,并且计算出来周长与面积之比,再计算细胞的圆形度,图形区域中的某一部分中所标记的区域与圆形相似度之比即为圆形度;
步骤4、计算出每个区域的周长与面积之比、圆形度,找到合适的阈值分割出中性粒细胞;再计算出细胞质面积和细胞面积的比值,分割出浆细胞和淋巴细胞。
步骤5、使用灰度共生矩阵在每一个封闭区域内进行特征提取;提取出纹理特征后计算出该特征在坐标轴区域象限内0°、45°、90°、135°的对比度、相关性、能量、熵。
步骤6、通过对多组数据进行统合,计算数据的统计学特征,包括均值,方差;最终得到该统计学特征在坐标轴象限内0°、45°、90°、135°的对比度、相关性、能量、熵的均值、方差、标准差。
进一步地,步骤1中,所述预处理包括对脑脊液彩色图像依次进行灰度化、图像增强及二值化处理。
更进一步地,所述图像增强包括对灰度化后的脑脊液彩色图像进行灰度伸缩变换和高斯滤波器滤波。
更进一步地,所述高斯滤波器滤波包括对灰度伸缩变换突出灰度图像的灰度特征,利用高斯函数实现了图像去噪。
进一步地,步骤3中,计算出来周长与面积之比k采用的公式如下:
k=perimeter/area,其中,perimeter表示周长,area表示面积。
进一步地,步骤3中,圆形度l计算公式如下:
进一步地,步骤4中,计算细胞质面积和细胞面积的比值,采用的公式为:
n=Grayvalue/area;其中,Grayvalue为细胞质面积,area为细胞面积。
进一步地,所述分水岭操作包括使用分水岭算法对图像进行分割,从而将粘连的淋巴细胞、浆细胞、中性粒细胞、嗜酸性细胞、隐球菌的细胞核分割出来。
与现有技术相比本发明有益效果。
本发明基于灰度共生矩阵的脑脊液细胞特征提取方法的关键点在于使用形状特征对自身免疫性脑炎脑脊液中的中性粒细胞、淋巴细胞、浆细胞进行分割并且识别,并且使用灰度共生矩阵进行特征提取。
本发明基于灰度共生矩阵的脑脊液细胞特征提取方法可以快速有效地分割出自身免疫性脑炎脑脊液中的淋巴细胞、浆细胞和中性粒细胞,利用细胞的形状特征分割脑脊液中的细胞、对细胞进行纹理特征的提取效果较好,计算速度较快。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
图1是分割出淋巴细胞与其他细胞的示例一(分割图像1)。
图2是分割出淋巴细胞与其他细胞的示例二(分割图像2)。
图3是手动标记出淋巴细胞和中性粒细胞的图像一(标记图像1、粗箭头标记的是淋巴细胞,细箭头标记的是中性粒细胞)。
图4是手动标记出淋巴细胞和中性粒细胞的图像一(标记图像2、粗箭头标记的是淋巴细胞,细箭头标记的是中性粒细胞)。
图5是分割图像3(绿色围成的是浆细胞,红色围成的是淋巴细胞)。
图6是标记图像3(粗箭头指向的是淋巴细胞,星型标记的是浆细胞)。
具体实施方式
图1、图2是分割出淋巴细胞与其他细胞的示例。
图3、图4是医生手动标记出淋巴细胞和中性粒细胞的图像,粗箭头标记的是淋巴细胞,细箭头标记的是中性粒细胞。经过对比可发现,利用形状特征可以比较完整地分割出所有中性粒细胞。
图5是分割图像,绿色围成的是浆细胞,红色围成的是淋巴细胞,图6中,粗箭头指向的是淋巴细胞,星型标记的是浆细胞。
使用灰度共生矩阵进行特征提取,计算出能量、熵、对比度、相关性四种纹理特征。计算出能量、熵、方差、相关性。
共计算出十组淋巴细胞的数据,十一组中性粒细胞的数据,三组浆细胞的数据,隐球菌和嗜酸性细胞的数据各一组。表3.2是淋巴细胞数据示例,表3.3是中性粒细胞数据示例,表3.4是浆细胞数据示例。3.5是嗜酸性细胞数据,3.6是隐球菌数据。
表3.2淋巴细胞数据示例
表3.3中性粒细胞数据示例
表3.4浆细胞数据示例
表3.5嗜酸性细胞数据
经过对图像预处理及对处理后的图像特征提取后,对24幅图像进行了图像的分割与纹理特征的提取。提取了中性粒细胞、淋巴细胞、浆细胞、嗜酸性细胞、隐球菌的纹理特征,并且计算出不同细胞数据的期望、方差、标准差。
表4.1淋巴细胞特征值
表4.2浆细胞特征值
表4.3中性粒细胞特征值
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (9)
1.基于灰度共生矩阵的脑脊液细胞特征提取方法,其特征在于,包括利用灰度共生矩阵对脑脊液图像中的浆细胞、淋巴细胞、中性粒细胞进行纹理特征的提取。
2.根据权利要求1所述的基于灰度共生矩阵的脑脊液细胞特征提取方法,其特征在于:包括以下步骤:
步骤1、对显微镜下的脑脊液彩色图像进行预处理;
步骤2、使用大津法计算预处理后的灰度图像的全局阈值,找到使前景和背景的类间方差最大的阈值;
使用这个阈值进行二值化得到最佳的二值化图像;
分割出感兴趣的区域,使用极限分割后的分水岭操作将粘连的淋巴细胞、浆细胞、中性粒细胞、嗜酸性细胞、隐球菌的细胞核分割出来;
步骤3、利用了淋巴细胞、浆细胞和中性粒细胞的形状特征对中性粒细胞进行分割;提取出封闭区域的面积与周长,并且计算出来周长与面积之比,再计算细胞的圆形度,图形区域中的某一部分中所标记的区域与圆形相似度之比即为圆形度;
步骤4、计算出每个区域的周长与面积之比、圆形度,找到合适的阈值分割出中性粒细胞;再计算出细胞质面积和细胞面积的比值,分割出浆细胞和淋巴细胞;
步骤5、使用灰度共生矩阵在每一个封闭区域内进行特征提取;提取出纹理特征后计算出该特征在坐标轴区域象限内0°、45°、90°、135°的对比度、相关性、能量、熵;
步骤6、通过对多组数据进行统合,计算数据的统计学特征,包括均值,方差;最终得到该统计学特征在坐标轴象限内0°、45°、90°、135°的对比度、相关性、能量、熵的均值、方差、标准差。
3.根据权利要求2所述的基于灰度共生矩阵的脑脊液细胞特征提取方法,其特征在于:步骤1中,所述预处理包括对脑脊液彩色图像依次进行灰度化、图像增强及二值化处理。
4.根据权利要求3所述的基于灰度共生矩阵的脑脊液细胞特征提取方法,其特征在于:所述图像增强包括对灰度化后的脑脊液彩色图像进行灰度伸缩变换和高斯滤波器滤波。
5.根据权利要求4所述的基于灰度共生矩阵的脑脊液细胞特征提取方法,其特征在于:所述高斯滤波器滤波包括对灰度伸缩变换突出灰度图像的灰度特征,利用高斯函数实现了图像去噪。
6.根据权利要求2所述的基于灰度共生矩阵的脑脊液细胞特征提取方法,其特征在于:步骤3中,计算出来周长与面积之比k采用的公式如下:
k=perimeter/area,其中,perimeter表示周长,area表示面积。
8.根据权利要求2所述的基于灰度共生矩阵的脑脊液细胞特征提取方法,其特征在于:步骤4中,计算细胞质面积和细胞面积的比值n,采用的公式为:
n=Grayvalue/area;其中,Grayvalue为细胞质面积,area为细胞面积。
9.根据权利要求2所述的基于灰度共生矩阵的脑脊液细胞特征提取方法,其特征在于:所述分水岭操作包括使用分水岭算法对图像进行分割,从而将粘连的淋巴细胞、浆细胞、中性粒细胞、嗜酸性细胞、隐球菌的细胞核分割出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011616259.0A CN112634338A (zh) | 2020-12-30 | 2020-12-30 | 基于灰度共生矩阵的脑脊液细胞特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011616259.0A CN112634338A (zh) | 2020-12-30 | 2020-12-30 | 基于灰度共生矩阵的脑脊液细胞特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112634338A true CN112634338A (zh) | 2021-04-09 |
Family
ID=75287123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011616259.0A Pending CN112634338A (zh) | 2020-12-30 | 2020-12-30 | 基于灰度共生矩阵的脑脊液细胞特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634338A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763409A (zh) * | 2021-08-27 | 2021-12-07 | 南通大学 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793709A (zh) * | 2012-10-26 | 2014-05-14 | 西门子医疗保健诊断公司 | 细胞识别方法和装置、以及尿液分析仪 |
CN108241865A (zh) * | 2016-12-26 | 2018-07-03 | 哈尔滨工业大学 | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 |
CN110633676A (zh) * | 2019-09-18 | 2019-12-31 | 东北大学 | 一种自动识别脑脊液细胞图像信息方法 |
CN111582111A (zh) * | 2020-04-29 | 2020-08-25 | 电子科技大学 | 一种基于语义分割的细胞各成分分割方法 |
-
2020
- 2020-12-30 CN CN202011616259.0A patent/CN112634338A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793709A (zh) * | 2012-10-26 | 2014-05-14 | 西门子医疗保健诊断公司 | 细胞识别方法和装置、以及尿液分析仪 |
CN108241865A (zh) * | 2016-12-26 | 2018-07-03 | 哈尔滨工业大学 | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 |
CN110633676A (zh) * | 2019-09-18 | 2019-12-31 | 东北大学 | 一种自动识别脑脊液细胞图像信息方法 |
CN111582111A (zh) * | 2020-04-29 | 2020-08-25 | 电子科技大学 | 一种基于语义分割的细胞各成分分割方法 |
Non-Patent Citations (3)
Title |
---|
庄杨凯等: "基于多证据的血液白细胞自动分类", 《浙江理工大学学报》 * |
李小舜等: "基于mean-shift聚类的高鲁棒性白细胞五分类识别算法", 《生物医学工程学杂志》 * |
赵晖等: "基于综合灰度共生矩阵的显微细胞图像纹理研究", 《自动化技术与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763409A (zh) * | 2021-08-27 | 2021-12-07 | 南通大学 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
CN113763409B (zh) * | 2021-08-27 | 2023-05-02 | 南通大学 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei | |
CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
Dalle et al. | Nuclear pleomorphism scoring by selective cell nuclei detection. | |
CN107492088B (zh) | 一种妇科显微图像中白细胞自动识别与统计方法 | |
Pan et al. | An accurate nuclei segmentation algorithm in pathological image based on deep semantic network | |
Kowal et al. | The feature selection problem in computer–assisted cytology | |
CN111583226B (zh) | 细胞病理感染评估方法、电子装置及存储介质 | |
CN115170518A (zh) | 基于深度学习和机器视觉的细胞检测方法及系统 | |
CN112634338A (zh) | 基于灰度共生矩阵的脑脊液细胞特征提取方法 | |
CN113313719A (zh) | 基于视觉注意机制和模型拟合的白细胞分割方法 | |
Taher et al. | Identification of lung cancer based on shape and color | |
Lin et al. | Image segmentation based on edge detection and region growing for thinprep-cervical smear | |
Ma et al. | A counting and segmentation method of blood cell image with logical and morphological feature of cell | |
Rege et al. | Automatic leukemia identification system using otsu image segmentation and mser approach for microscopic smear image database | |
CN115775226B (zh) | 基于Transformer的医学图像分类方法 | |
CN113591791B (zh) | 基于自学习人工智能的肺癌自动化识别系统 | |
CN111429461A (zh) | 一种新型的重叠脱落上皮细胞分割方法 | |
Zhou et al. | Adaptive successive erosion-based cell image segmentation for p53 immunohistochemistry in bladder inverted papilloma | |
Kachouie et al. | A probabilistic living cell segmentation model | |
Iwai et al. | Automatic diagnosis supporting system for cervical cancer using image processing | |
CN114240853A (zh) | 基于计算机视觉的细胞计数方法 | |
Lin et al. | Assessment of breast cancer mesenchymal tumor infiltrating lymphocytes based on regional segmentation and nuclear segmentation classification | |
Fan et al. | Adaptive marker-based watershed segmentation approach for T cell fluorescence images | |
Ajemba et al. | Integrated segmentation of cellular structures | |
Liu et al. | Microscopic image analysis and recognition on pathological cells |
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 |