CN112651368B - 一种用于大尺寸细胞显微图像的dna倍体分析方法 - Google Patents
一种用于大尺寸细胞显微图像的dna倍体分析方法 Download PDFInfo
- Publication number
- CN112651368B CN112651368B CN202011631202.8A CN202011631202A CN112651368B CN 112651368 B CN112651368 B CN 112651368B CN 202011631202 A CN202011631202 A CN 202011631202A CN 112651368 B CN112651368 B CN 112651368B
- Authority
- CN
- China
- Prior art keywords
- image
- cell nucleus
- standard
- value
- iod
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 23
- 230000002380 cytological effect Effects 0.000 claims abstract description 18
- 210000004027 cell Anatomy 0.000 claims abstract description 17
- 239000012535 impurity Substances 0.000 claims abstract description 10
- 238000003908 quality control method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 210000004698 lymphocyte Anatomy 0.000 claims abstract description 7
- 238000003672 processing method Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 13
- 210000004940 nucleus Anatomy 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 108020004414 DNA Proteins 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 208000003445 Mouth Neoplasms Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 108091093105 Nuclear DNA Proteins 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003888 boundary cell Anatomy 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000001840 diploid cell Anatomy 0.000 description 1
- 210000003714 granulocyte Anatomy 0.000 description 1
- 208000012987 lip and oral cavity carcinoma Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001082 somatic cell Anatomy 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- 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
- G06V20/698—Matching; Classification
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/04—Recognition of patterns in DNA microarrays
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于大尺寸细胞显微图像的DNA倍体分析方法,其中,包括以下步骤:S1、对预定格式的细胞学图像进行亮度校正;S2、对校正后的细胞学图像进行预处理得到细胞核待选区域;S3、对细胞核待选区域进行筛选以去除淋巴细胞、杂质图像以及重复的细胞核;S4、采用SVM分类器对筛选后的细胞核待选区域中的细胞进行分类,并对计算获得的每个细胞核图像的IOD值进行排序;S5、采用直方图峰值估计的处理方法获得标准IOD值,标准IOD值对应为标准质控片的标准IOD值。其有益效果在于,使用本方法对单张大尺寸显微扫描图像(细胞学图像)处理,无需采集明暗场图像进行亮度校正与制作质控片,采用单张标准图像进行亮度校正,通过直方图估计标准IOD的值。
Description
技术领域
本发明涉及切片分析技术领域,尤其涉及一种用于大尺寸细胞显微图像的DNA倍体分析方法。
背景技术
细胞学检查是宫颈癌、口腔癌等早期癌症筛查的主要途径,而通过人工筛查不仅需要丰富的病理学知识,经验,而且效率低,可重复性差。DNA倍体分析技术通过估计细胞核DNA的含量自动给出结果,敏感性强,可重复性高,有效缓解了病理医生经验不足的矛盾。现有的DNA倍体分析技术通常为在软件中设定好扫描路径,非重叠地扫描单个视野图像,这会使得处于边界处的细胞核可能无法检出;细胞核前景分割采用全局阈值的方式,容易造成部分染色不均匀细胞核漏检;每次扫描都需要采集明暗场图像对亮度进行校正并制作标准质控片标定标准IOD值。
发明内容
针对现有技术中的DNA倍体分析技术存在的上述问题,现提供一种旨在无需采集明暗场图像进行亮度校正与制作质控片的一种用于大尺寸细胞显微图像的DNA倍体分析方法。
具体技术方案如下:
一种用于大尺寸细胞显微图像的DNA倍体分析方法,其中,包括以下步骤:
S1、对预定格式的细胞学图像进行亮度校正;
S2、对校正后的细胞学图像进行预处理得到细胞核待选区域;
S3、对所述细胞核待选区域进行筛选以去除淋巴细胞、杂质图像以及重复的细胞核;
S4、采用SVM分类器对筛选后的细胞核待选区域中的细胞进行分类,并对计算获得的每个细胞核图像的IOD值进行排序;
S5、采用直方图峰值估计的处理方法获得标准IOD值,所述标准IOD值对应为标准质控片的标准IOD值。
优选的,在所述步骤S1中,对所述细胞学图像进行亮度校正的方法包括:
S11、对预定格式的细胞学图像分割为单张局部图像;
S12、基于所述单张局部图像对所述细胞学图像进行亮度校正,如下式所示:
其中Y表示图像YUV空间Y分量,stdYmax,stdYmin表示标准局部图像Y分量最大最小值,Ymax,Ymin表示校正前图像Y分量最大最小值。
优选的,在所述步骤S2中,对所述校正后的细胞学图像进行预处理的方法包括:
S21、对校正后的细胞学图像分别进行双边滤波,均值滤波,灰度化和颜色反卷积处理;
S22、对颜色反卷积处理结果采用最大极值稳定区域的处理方法得到细胞核的局部区域;
S23、基于轮廓信息对所述局部区域进行区域二值化处理,二值化处理结果与最大极值稳定区域处理的结果取交集。
优选的,在所述步骤S3中,通过采用预设面积阈值的方法去除淋巴细胞。
优选的,在所述步骤S3中,杂质图像中蓝色通道像素值较小,去除杂质图像的方法,如下式所示:
Bmin=min(IB*Imask);
其中,IB为蓝色通道图像,Imask为细胞核掩膜。
优选的,在所述步骤S3中,去除所述重复的细胞核的方法,通过设置连通域的有效阈值进行滤波处理,过滤后的连通域个数若不为零,则判定当前的细胞核为重叠细胞核,予以过滤处理。
优选的,在所述S4中,包括以下步骤:
S41、对筛选后的所述细胞核区域计算细胞核区域的28个特征;
S42、调用训练完成的SVM分类器对基于28个特征的细胞核区域进行分类;
S43、对分类后的每个细胞核图像计算IOD值,并按照顺序排列。
优选的,在所述S43中,对每个细胞核图像计算IOD值,根据IOD值从大到小排序,如下式所示:
其中,grayi,j表示Im(i,j)对应灰度值,graybg表示从预定格式的细胞学图像分割为单张局部图像后,所述单张局部图像的灰度值。
优选的,在所述S5前,对步骤S4中处理后的细胞核进行再次过滤以过滤掉重复的细胞核。
上述技术方案具有如下优点或有益效果:使用本方法对单张大尺寸显微扫描图像(细胞学图像)处理,无需采集明暗场图像进行亮度校正与制作质控片,采用单张标准图像进行亮度校正,通过直方图估计标准IOD的值。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明一种用于大尺寸细胞显微图像的DNA倍体分析方法实施例的流程图;
图2为本发明一种用于大尺寸细胞显微图像的DNA倍体分析方法实施例中,关于对所述细胞学图像进行亮度校正的方法的流程图;
图3为本发明一种用于大尺寸细胞显微图像的DNA倍体分析方法实施例中,关于对所述校正后的细胞学图像进行预处理的方法的流程图;
图4为本发明一种用于大尺寸细胞显微图像的DNA倍体分析方法实施例中,关于获得的每个细胞核图像的IOD值的方法的流程图;
图5为本发明一种用于大尺寸细胞显微图像的DNA倍体分析方法实施例中,关于KFB大尺寸图像的缩略示意图;
图6为本发明一种用于大尺寸细胞显微图像的DNA倍体分析方法实施例中,关于数量-IOD值的直方图;
图7为本发明一种用于大尺寸细胞显微图像的DNA倍体分析方法实施例中,关于IOD值的散点图。
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。
本发明包括一种用于大尺寸细胞显微图像的DNA倍体分析方法。
如图1所示,一种用于大尺寸细胞显微图像的DNA倍体分析方法的实施例,其中,包括以下步骤:
S1、对预定格式的细胞学图像进行亮度校正;
S2、对校正后的细胞学图像进行预处理得到细胞核待选区域;
S3、对细胞核待选区域进行筛选以去除淋巴细胞、杂质图像以及重复的细胞核;
S4、采用SVM分类器对筛选后的细胞核待选区域中的细胞进行分类,并对计算获得的每个细胞核图像的IOD值进行排序;
S5、采用直方图峰值估计的处理方法获得标准IOD值,标准IOD值对应为标准质控片的标准IOD值。
上述技术方案中通过对单张大尺寸显微扫描图像(细胞学图像)处理,无需采集明暗场图像进行亮度校正与制作质控片,采用单张标准图像进行亮度校正,通过直方图估计标准IOD的值;有重叠的分割方式避免边界细胞的漏检,并通过非极大值抑制方法过滤重复核,采用MSER结合局部二值化的方法实现大部分细胞核的有效检出;基于SVM训练的细胞核分类器准确地对体细胞与粒细胞进行了分割。
在一种较优的实施方式中,如图2所示,在步骤S1中,对细胞学图像进行亮度校正的方法包括:
S11、对预定格式的细胞学图像分割为单张局部图像,其中,预定格式为将大尺寸的KFB图像,通过对大尺寸的KFB图像设置一定重叠率如0.1,分割为1000*1400像素大小的单张局部图像如图5所示;
S12、基于单张局部图像对细胞学图像进行亮度校正,如下式所示:
其中Y表示图像YUV空间Y分量,stdYmax,stdYmin表示标准局部图像Y分量最大最小值,Ymax,Ymin表示校正前图像Y分量最大最小值。
在一种较优的实施方式中,如图3所示,在步骤S2中,对校正后的细胞学图像进行预处理的方法包括:
S21、对校正后的细胞学图像分别进行双边滤波,均值滤波,灰度化和颜色反卷积处理;
S22、对颜色反卷积处理结果采用最大极值稳定区域的处理方法得到细胞核的局部区域;
S23、基于轮廓信息对局部区域进行区域二值化处理,二值化处理结果与最大极值稳定区域处理的结果取交集。
在一种较优的实施方式中,在步骤S3中,通过采用预设面积阈值的方法去除淋巴细胞。
在一种较优的实施方式中,在步骤S3中,杂质图像中蓝色通道像素值较小,去除杂质图像的方法,如下式所示:
Bmin=min(IB*Imask);
其中,IB为蓝色通道图像,Imask为细胞核掩膜。
在一种较优的实施方式中,在步骤S3中,去除重复的细胞核的方法,通过设置连通域的有效阈值进行滤波处理,过滤后的连通域个数若不为零,则判定当前的细胞核为重叠细胞核,予以过滤处理。
上述技术方案中,为保证过滤得到细胞核区域尽量为单个细胞核,计算二值化图像凸闭包得到Iconvex,通过Iconvex-Imask判定重叠细胞核予以过滤。
在一种较优的实施方式中,如图4所示,在S4中,包括以下步骤:
S41、对筛选后的细胞核区域计算细胞核区域的28个特征,其中,对每个细胞核区域提取各种形态学特征(包括细胞核的高、宽、似圆度等)、纹理特征(利用灰度共生矩阵计算细胞核待选区域各个方向的均值,方差等)和颜色特征(RGB三通道之间的比值),组合成一个28维的特征;
S42、调用训练完成的SVM分类器对基于28个特征的细胞核区域进行分类;
S43、对分类后的每个细胞核图像计算IOD值,并按照顺序排列。
在一种较优的实施方式中,在S43中,对每个细胞核图像计算IOD值,根据IOD值从大到小排序,如下式所示:
其中,grayi,j表示Im(i,j)对应灰度值,graybg表示从预定格式的细胞学图像分割为单张局部图像后,单张局部图像的灰度值。
在一种较优的实施方式中,在S5前,对步骤S4中处理后的细胞核进行再次过滤以过滤掉重复的细胞核。
上述技术方案中,根据细胞核位置采用非最大值抑制的方法过滤重复的细胞核,统计整张切片处理结果。
由于阴性或阳性样本均存在大量正常二倍体细胞,因此可以通过对数量-IOD直方图峰值(如图6所示)(图7表示区域-IOD值的散点图)估计的方法对标准IOD值估计,可能存在多个邻近峰,取CV值小的峰值对应值作为标准IODstd;
其中,DI表示IOD相比于标准IOD的值。
以上所述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 (8)
1.一种用于大尺寸细胞显微图像的DNA倍体分析方法,其特征在于,包括以下步骤:
S1、对预定格式的细胞学图像进行亮度校正;
S2、对校正后的细胞学图像进行预处理得到细胞核待选区域;
S3、对所述细胞核待选区域进行筛选以去除淋巴细胞、杂质图像以及重复的细胞核;
S4、采用SVM分类器对筛选后的细胞核待选区域中的细胞进行分类,并对计算获得的每个细胞核图像的IOD值进行排序;
S5、采用直方图峰值估计的处理方法获得标准IOD值,所述标准IOD值对应为标准质控片的标准IOD值;
在所述步骤S2中,对所述校正后的细胞学图像进行预处理的方法包括:
S21、对校正后的细胞学图像分别进行双边滤波,均值滤波,灰度化和颜色反卷积处理;
S22、对颜色反卷积处理结果采用最大极值稳定区域的处理方法得到细胞核的局部区域;
S23、基于轮廓信息对所述局部区域进行区域二值化处理,二值化处理结果与最大极值稳定区域处理的结果取交集。
3.根据权利要求1所述的方法,其特征在于,在所述步骤S3中,通过采用预设面积阈值的方法去除淋巴细胞。
4.根据权利要求1所述的方法,其特征在于,在所述步骤S3中,杂质图像中蓝色通道像素值较小,去除杂质图像的方法,如下式所示:
Bmin=min(IB*Imask);
其中,IB为蓝色通道图像,Imask为细胞核掩膜。
5.根据权利要求1所述的方法,其特征在于,在所述步骤S3中,去除所述重复的细胞核的方法,通过设置连通域的有效阈值进行滤波处理,过滤后的连通域个数若不为零,则判定当前的细胞核为重叠细胞核,予以过滤处理。
6.根据权利要求1所述的方法,其特征在于,在所述S4中,包括以下步骤:
S41、对筛选后的所述细胞核待选区域计算细胞核区域的28个特征;
S42、调用训练完成的SVM分类器对基于28个特征的细胞核区域进行分类;
S43、对分类后的每个细胞核图像计算IOD值,并按照顺序排列。
8.根据权利要求1所述的方法,其特征在于,在所述S5前,对步骤S4中处理后的细胞核进行再次过滤以过滤掉重复的细胞核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631202.8A CN112651368B (zh) | 2020-12-30 | 2020-12-30 | 一种用于大尺寸细胞显微图像的dna倍体分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631202.8A CN112651368B (zh) | 2020-12-30 | 2020-12-30 | 一种用于大尺寸细胞显微图像的dna倍体分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651368A CN112651368A (zh) | 2021-04-13 |
CN112651368B true CN112651368B (zh) | 2023-03-28 |
Family
ID=75366877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011631202.8A Active CN112651368B (zh) | 2020-12-30 | 2020-12-30 | 一种用于大尺寸细胞显微图像的dna倍体分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651368B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114076707A (zh) * | 2021-11-17 | 2022-02-22 | 梅傲科技(广州)有限公司 | 用于肿瘤预后评估的石蜡包埋组织样本处理方法及试剂盒 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009111921A (ja) * | 2007-10-31 | 2009-05-21 | Toshiba Corp | 画像処理装置及び画像処理方法 |
CN105741266A (zh) * | 2016-01-22 | 2016-07-06 | 北京航空航天大学 | 一种病理图像细胞核快速定位方法 |
CN108074243A (zh) * | 2018-02-05 | 2018-05-25 | 志诺维思(北京)基因科技有限公司 | 一种细胞定位方法以及细胞分割方法 |
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 (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991006911A1 (en) * | 1989-10-23 | 1991-05-16 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
US8321136B2 (en) * | 2003-06-12 | 2012-11-27 | Cytyc Corporation | Method and system for classifying slides using scatter plot distribution |
US8781250B2 (en) * | 2008-06-26 | 2014-07-15 | Microsoft Corporation | Image deconvolution using color priors |
CN106340016B (zh) * | 2016-08-31 | 2019-03-22 | 湖南品信生物工程有限公司 | 一种基于细胞显微镜图像的dna定量分析方法 |
JP7011036B2 (ja) * | 2017-08-04 | 2022-01-26 | ベンタナ メディカル システムズ, インコーポレイテッド | 組織標本の分析を支援するためのスライド画像のカラーデコンボリューションのためのシステムおよび方法 |
CN107525768B (zh) * | 2017-08-17 | 2020-03-10 | 黑龙江然得基尔医学科技发展有限公司 | 一种dna倍体分析设备的质量控制方法 |
CN109540890A (zh) * | 2018-11-27 | 2019-03-29 | 湖南品胜生物技术有限公司 | 一种基于细胞显微镜图像的dna定量分析方法 |
US11189020B2 (en) * | 2019-02-06 | 2021-11-30 | Thanh Phuoc Hong | Systems and methods for keypoint detection |
CN110956612B (zh) * | 2019-10-31 | 2023-03-31 | 华侨大学 | 一种细胞快速计数方法、计算机设备及可读存储介质 |
CN111091571B (zh) * | 2019-12-12 | 2024-05-14 | 珠海圣美生物诊断技术有限公司 | 细胞核分割方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-12-30 CN CN202011631202.8A patent/CN112651368B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009111921A (ja) * | 2007-10-31 | 2009-05-21 | Toshiba Corp | 画像処理装置及び画像処理方法 |
CN105741266A (zh) * | 2016-01-22 | 2016-07-06 | 北京航空航天大学 | 一种病理图像细胞核快速定位方法 |
CN108074243A (zh) * | 2018-02-05 | 2018-05-25 | 志诺维思(北京)基因科技有限公司 | 一种细胞定位方法以及细胞分割方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112651368A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
KR101683704B1 (ko) | 얼굴 보정 방법, 시스템 및 컴퓨터 저장 매체 | |
US9239281B2 (en) | Method and device for dividing area of image of particle in urine | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
US20180053299A1 (en) | Method of Detecting Tissue Area of Interest in Digital Pathology Imaging by Executing Computer-Executable Instructions Stored on a Non-Transitory Computer-Readable Medium | |
CN109325498B (zh) | 基于窗口动态阈值改进Canny算子的叶脉提取方法 | |
CN109544583B (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN109146878A (zh) | 一种基于图像处理的杂质检测方法 | |
CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
WO2020107866A1 (zh) | 一种文字区域获取方法、装置、存储介质及终端设备 | |
CN116091421A (zh) | 一种体外受精胚胎卵裂球图像自动分割及面积计算的方法 | |
CN110930321A (zh) | 一种能够自动选取目标区域的蓝/绿幕数字图像抠取方法 | |
CN110310291A (zh) | 一种稻瘟病分级系统及其方法 | |
CN111275727A (zh) | 细胞分割方法、装置及计算机可读存储介质 | |
CN110866916A (zh) | 一种基于机器视觉的光伏电池片黑心黑角检测方法、装置及设备 | |
CN112651368B (zh) | 一种用于大尺寸细胞显微图像的dna倍体分析方法 | |
Zhang et al. | A practical segmentation method for automated screening of cervical cytology | |
CN113724235B (zh) | 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法 | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
CN111429461A (zh) | 一种新型的重叠脱落上皮细胞分割方法 | |
CN113436206A (zh) | 一种基于聚类分割的病理组织切片扫描区域定位方法 | |
CN111414877B (zh) | 去除颜色边框的表格裁切方法、图像处理设备和存储介质 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 |
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 |