CN113034479A - Aa、mds、ma的分类方法、设备及可读存储介质 - Google Patents
Aa、mds、ma的分类方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113034479A CN113034479A CN202110350804.4A CN202110350804A CN113034479A CN 113034479 A CN113034479 A CN 113034479A CN 202110350804 A CN202110350804 A CN 202110350804A CN 113034479 A CN113034479 A CN 113034479A
- Authority
- CN
- China
- Prior art keywords
- area
- red blood
- image
- blood cells
- contour
- 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
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Abstract
本发明公开了一种AA、MDS、MA的分类方法、设备及可读存储介质,该方法包括以下步骤:获取至少一张外周血涂片的放大图像;基于图像处理技术识别图像中的红细胞并计算图像中红细胞的平均面积和标准差;根据图像中红细胞的平均面积及标准差对外周血涂片对应结果进行分类,所述外周血涂片对应结果包括正常、骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA。该方法基于图像处理技术识别外周血涂片样本图像中红细胞的的平均面积及标准差,从而实现骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA的分类,降低了检测成本,提高了检测速度。
Description
技术领域
本发明属于医学图像分析技术领域,具体地涉及一种AA、MDS、MA的分类方法、设备及可读存储介质。
背景技术
骨髓增生异常综合征MDS是一种以一系或多系血细胞减少、一系或多系造血细胞发育异常、无效造血以及高风险向急性白血病转化为特征的一组克隆性造血干细胞疾病。MDS鉴别诊断最大的难点是要确定骨髓病态造血是否由克隆性疾病或其它因素所导致,特别是轻度的病态造血和限制在一个系列的病态造血时。
再生障碍性贫血AA简称再障,是一组由多种病因所致的骨髓造血功能衰竭性综合征,以骨髓造血细胞增生减低和外周血全血细胞减少为特征,临床以贫血、出血和感染为主要表现。部分慢性再生障碍性贫血患者可出现局灶性的骨髓细胞增生而易误诊为MDS。
巨幼细胞性贫血MA,规范名称为巨幼细胞贫血,是由于脱氧核糖核酸DNA合成障碍所引起的一种贫血,主要系体内缺乏维生素B12和/或叶酸所致,亦可因遗传性或药物等获得性DNA合成障碍引起。本症特点是呈大红细胞性贫血,骨髓内出现巨幼红细胞系列,并且细胞形态的巨型改变也见于粒细胞、巨核细胞系列,甚至某些增殖性体细胞。巨幼细胞性贫血外周血三系减少,且骨髓三系可出现巨幼样变等明显的病态造血,易与MDS混淆。
一系或多系的病态造血是MDS最普遍也是最基本的表现,然而少数病人在疾病初期可无病态造血。骨髓活检可见到较特征性的造血细胞定位异常,但并非MDS特有的分布异常。寻找MDS的克隆性依据有助于诊断MDS,但染色体异常仅见于约50%的MDS,分子生物学检测可发现约90%的MDS患者出现基因突变,但涉及的基因多达60多种,由于检测费用及各单位实验室检测条件的限制,并非所有疑诊MDS的患者均能进行相关基因检测和骨髓穿刺检查。因此,如何高效且简单准确的将MDS从AA、MA中分辨出来具有相当重要的价值。
发明内容
为了解决现有不易区分骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA的问题,本发明提供一种AA、MDS、MA的分类方法、设备及可读存储介质,其基于外周血样本,通过图像处理技术实现红细胞平均面积和标准差的计算从而对骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA三种病理作出初步筛选分类,判断准确度高,速度快,简单易操作。
本发明通过以下技术方案实现:
一种AA、MDS、MA的分类方法,包括以下步骤:
获取至少一张外周血涂片的放大图像;
基于图像处理技术识别图像中的红细胞并计算图像中红细胞的面积;
计算图像中红细胞的平均面积和红细胞面积的标准差;
根据图像中红细胞的平均面积和红细胞面积的标准差对外周血涂片对应结果进行分类,所述外周血涂片对应结果包括骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA。
外周血是除骨髓之外的血液,通过抽取血管中的血液即可,极易取得。上述分类方法是发明人在长期的研究中得出的技术成果,基于外周血中红细胞的多个特征值方向作了研究,譬如:面积最大值、红细胞面积最小值、红细胞面积分布曲线、红细胞面积平均值等,但是,不是所有值对上述结果的分析均有意思,在长期的研究中,发明人发现基于红细胞平均面积及面积的标准差与骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA具有极强的关联性。故本方案提供一种AA、MDS、MA的分类方法,其基于图像处理技术识别外周血涂片样本图像中红细胞的的平均面积和红细胞面积的标准差,从而实现骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA的筛查分类,操作简单,不需要进行基因检测和骨髓穿刺检查,降低了检测成本,提高了检测速度。
作为优选,为了提高红细胞识别准确度,提高红细胞平均面积的计算准确度,从而提高病理判别准确度,所述图像中红细胞的平均面积计算方法为:
对图像中细胞区域和背景进行分割;
对图像中单细胞进行定位;
对单细胞进行有核细胞和红细胞的划分,筛除有核细胞;
计算红细胞面积。
进一步的,为了便于对图像进行分割处理,提高分割精度,所述对图像中细胞区域和背景进行分割包括:
将RGB图像转换到HSV空间上,
读取HSV三个分量中的S通道数据,利用图像分割方法对细胞区域和背景区域进行处理得到细胞区域的二值图。
进一步的,所述对图像中单细胞进行定位的方法为:
提取细胞区域二值图中物体的外轮廓;
遍历所有物体外轮廓,计算每个外轮廓对应区域的面积,将面积小于阈值A的外轮廓作为待定轮廓,所述阈值A的范围为0.5~10um2;
计算除待定轮廓外所有轮廓对应区域的面积平均值Smean;
遍历除待定轮廓外所有轮廓对应区域的面积S,将面积S在[a*Smean,b*Smean]范围内对应的外轮廓标记为有效轮廓,其中,a<1,b>1;
利用凸包算法对有效轮廓进行识别筛选出单细胞对应的有效轮廓。
进一步的,为了提高红细胞的判别准确度,所述对单细胞进行有核细胞和红细胞的划分包括:
计算所有单细胞所在区域图像的第一灰度均值Mg;
分别计算每个单细胞所在区域图像的第二灰度均值G,并计算第二灰度均值G与第一灰度均值Mg的比值,将比值大于0.8的单细胞标记为入选红细胞。
进一步的,为了提高红细胞判别准确度,计算红细胞面积包括:
计算入选红细胞轮廓对应区域的面积总和;
分别对待定轮廓做最小包围圆,并计算最小包围圆的面积;
遍历最小包围圆面积在[a*Smean,b*Smean]范围内所对应的所有待定轮廓,并计算该待定轮廓上所有轮廓点到圆心的距离与最小包围圆半径的比值,将比值均大于0.85的待定轮廓对应的细胞选定为召回红细胞,并计算召回红细胞轮廓对应区域的面积总和;
计算红细胞面积,其中红细胞面积=入选红细胞轮廓对应区域的面积总和+召回红细胞轮廓对应区域的面积总和。
进一步的,所述计算图像中红细胞的平均面积和红细胞面积的标准差包括:
其中,n为入选红细胞和召回红细胞的细胞总和,xi为单个入选红细胞或召回红细胞的细胞面积。
进一步的,所述召回红细胞轮廓对应区域的面积的计算方法为:
计算召回红细胞对应轮廓上所有轮廓点到圆心的长度与最小包围圆半径的比值,
计算该比值的平均占比Pmean,
计算召回红细胞轮廓对应区域的面积=最小包围圆面积*Pmean*Pmean。
一种AA、MDS、MA的分类设备,包括:
处理器;
与处理器通信连接的图像获取模块,所述图像获取模块以获取待检测者外周血涂片的放大图像;
与处理器通信连接的存储器,所述存储器上存储有被处理器执行的应用程序,所述应用程序被执行时实现上述的分类方法。
一种可读存储介质,所述可读存储介质上存储有被处理器执行的应用程序,所述应用程序被执行时实现上述的分类方法。
本发明与现有技术相比,至少具有以下优点和有益效果:
本发明基于图像处理技术识别外周血涂片样本图像中红细胞的的平均面积和红细胞面积的标准差,从而实现骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA的筛查分类,操作简单,不需要进行基因检测和骨髓穿刺检查,降低了检测成本,提高了检测速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的流程图。
图2是获取的一外周血涂片的RGB图像。
图3是将图2处理为二值图后的结果。
图4是单细胞定位结果。
图5是有核细胞标记结果。
图6是红细胞面积计算结果图。
图7是外周血涂片A上红细胞面积计算结果图。
图8是外周血涂片B上红细胞面积计算结果图。
图9是外周血涂片C上红细胞面积计算结果图。图10是设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
应当理解,在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时,它可以与另一个单元直相连接或耦合,或中间单元可以存在。相対地,在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时,表示不存在中间单元。另外,应当以类似方式来解释用于描述单元之间的关系的其他单词(例如,“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
应当理解,本文使用的术语仅用于描述特定实施例,并不意在限制本发明的示例实施例。若本文所使用的,单数形式“一”、“一个”以及“该”意在包括复数形式,除非上下文明确指示相反意思。还应当理解,若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解,还应当注意到在一些备选可能设计中,所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解,在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统,以避免用不必要的细节来使得示例不清楚。在其他实例中,可以不以非必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清楚。
实施例1
本实施例公开了如图1所示的一种AA、MDS、MA的分类方法,包括以下步骤:
获取至少一张外周血涂片的放大图像,该图像可以是外周血涂片显微镜图像或者其他光学放大图。血液中包含血浆和血细胞,血细胞包括红细胞、白细胞和血小板。一般采集外周血制成涂片后通过显微镜进行观察和图像采样。
基于图像处理技术识别图像中的红细胞并计算图像中红细胞的面积,再计算图像中红细胞的平均面积和红细胞面积的标准差。
根据图像中红细胞的平均面积和红细胞面积的标准差对外周血涂片对应结果进行分类,外周血涂片对应结果包括正常、骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA。外周血涂片对应结果分别属于骨髓增生异常综合征MDS、再生障碍性贫血AA或巨幼细胞性贫血MA时,其红细胞平均面积和红细胞面积的标准差的值处于不同的范围内,通过对平均面积和标准差的检测,对外周血涂片对应结果进行分类。
基于上述原理,现公开一具体的实施方法:
获取至少一张外周血涂片的放大图像,该放大图像是显微镜图像,图像可以是RGB图像,也可以是HSV图像。
对图像中细胞区域和背景进行分割,若是HSV图像,则可直接读取HSV三个分量中的S通道数据,利用图像分割方法对细胞区域和背景区域进行处理得到细胞区域的二值图。此处的图像分割方法可以是图像阈值分割方法或者边缘检测方法,具体的,图像阈值分割方法可以是大津算法阈值分割方法、手动阈值分割方法、迭代算法阈值分割方法,边缘检测方法可以是roberts算子边缘检测方法、prewitt算子边缘检测方法、sobel算子边缘检测方法、高斯laplacian算子边缘检测方法、canny算子边缘检测方法。优选的,可采用大津算法阈值分割方法。若图像是如图2所示的RGB图像,则需先将RGB图像转换到HSV空间上,再读取HSV三个分量中的S通道数据,利用图像分割方法对细胞区域和背景区域进行处理得到细胞区域的二值图,如图3所示。需要说明的是,图2原本是彩色,为满足专利申请要求,图2为已将其调为黑白的图像。HSV三个分量分别是Hue、Saturation、Value,其中,Hue即H通道,包含色调、色相信息;Saturation即S通道,包含饱和度、色彩纯净度信息;Value即V通道,包含明度信息。
对图像中单细胞进行定位。具体的,提取细胞区域二值图中物体的外轮廓,此步骤可采用findCounter轮廓提取算法进行提取。遍历所有物体外轮廓,计算每个外轮廓对应区域的面积,将面积小于阈值A的外轮廓作为待定轮廓,阈值A的范围为0.5~10um2,优选的,阈值A为0.8um2,使过滤掉的细胞轮廓最合理。将待定轮廓暂定位噪声,但是,通过计算面积盘判定是否为细胞,由于细胞面积很小,其可能存在误判,待定轮廓中并不全是噪声。再计算除待定轮廓外所有外轮廓对应区域的面积平均值Smean;
遍历除待定轮廓外所有外轮廓对应区域的面积S,将面积S在[a*Smean,b*Smean]范围内对应的外轮廓标记为有效轮廓,其中,a<1,b>1,a、b组成的区间越小,准确率越高,但过滤的细胞会增多,经发明人多次试验,a=0.3、b=5为最佳。面积S小于a*Smean对应的外轮廓为待定轮廓,面积S大于b*Smean对应外轮廓判定为多个细胞合并区域。
利用凸包算法分别对有效轮廓的形状进行识别,筛选出单细胞对应的有效轮廓,即形状为为凸边形的有效轮廓为单细胞的轮廓,筛选出的有效轮廓对应的细胞则为单细胞,其筛选结果如图4所示,图中有一圈黑色轮廓的为被识别的单细胞。凸包算法为一现有算法,具体识别过程在此不做赘述。
单细胞包括有核细胞和红细胞,确定了单细胞,接下来对单细胞进行有核细胞和红细胞的划分,筛除有核细胞,其筛选的情况如图5所示,图中黑色轮廓较粗的为有核细胞。对单细胞进行有核细胞和红细胞的划分的方法为:
计算所有单细胞所在区域图像的第一灰度均值Mg;
分别计算每个单细胞所在区域图像的第二灰度均值G,并计算第二灰度均值G与第一灰度均值Mg的比值,将比值大于0.8的单细胞标记为入选红细胞。
计算红细胞面积,其中,红细胞面积可直接通过计算上述入选红细胞获得,或者通过筛选出待定轮廓中的红细胞并将其总面积加入入选红细胞总面积中。仅采用入选红细胞进行面积计算,其红细胞的基数相对于加入待定轮廓中的红细胞其基础少,从而计算出的红细胞平均面积精度较低。本方案优选的采用入选红细胞轮廓对应区域的面积总和+召回红细胞轮廓对应区域的面积总和的方式计算红细胞面积。具体的,待定轮廓的召回筛选采用以下方法:分别对待定轮廓做最小包围圆,并计算最小包围圆的面积;
遍历最小包围圆面积在[a*Smean,b*Smean]范围内所对应的所有待定轮廓,并计算该待定轮廓上所有轮廓点到圆心的距离与最小包围圆半径的比值,将比值均大于0.85的待定轮廓对应的细胞选定为召回红细胞,即召回红细胞的轮廓需同时满足其最小包围圆面积在[a*Smean,b*Smean]和轮廓上所有轮廓点到圆心的距离与最小包围圆半径的比值均大于0.85两个条件。第一次面积计算时,其基于几何的点集运算,在部分情况下,其计算出的面积很小,此次再次对其进行判定,求取待定轮廓最小包围圆面积,如果其最小最小包围圆面积在细胞平均面积的一定范围内,则判定其为误判,将其召回。
计算召回红细胞轮廓对应区域的面积,具体的,计算召回红细胞对应轮廓上所有轮廓点到圆心的长度与最小包围圆半径的比值,计算所有比值的平均占比Pmean,计算召回红细胞轮廓对应区域的面积=最小包围圆面积*Pmean*Pmean。其基于微积分的思想,把最小包围圆分为细小的若干条线即半径,这条半径包括两部分,一部分为轮廓点到圆心的部分,其属于细胞面积的部分,另一部分是最小包围圆边缘到轮廓点的部分,其不属于细胞面积部分。通过计算出最小包围圆的无数条半径中属于细胞面积部分的平均占比,以此去换算为面积占比。依此方法计算所有召回红细胞轮廓对应区域的面积,计算出的各召回红细胞轮廓对应区域的面积和各入选红细胞轮廓对应区域的面积如图6所示,面积单位为um2,后计算召回红细胞轮廓对应区域的面积总和。
计算入选红细胞轮廓对应区域的面积总和,从而计算红细胞面积,红细胞面积=入选红细胞轮廓对应区域的面积总和+召回红细胞轮廓对应区域的面积总和。
同理,其中,n为入选红细胞和召回红细胞的细胞总和,xi为单个入选红细胞或召回红细胞的细胞面积。
据此,可判定待检测的情况,具体的:
若图像中红细胞的平均面积大于等于41um2且小于等于47um2、图像中红细胞面积的标准差小于6um2,则外周血涂片对应结果为再生障碍性贫血AA;
若图像中红细胞的平均面积大于等于41um2且小于等于47um2、图像中红细胞面积的标准差大于等于6um2,则外周血涂片对应结果为骨髓增生异常综合征MDS;
若图像中红细胞的平均面积大于47um2、图像中红细胞面积的标准差大于9um2,则外周血涂片对应结果为巨幼细胞性贫血MA。
图像中红细胞的平均面积小于41um2、图像中红细胞面积的标准差小于4um2,则外周血涂片对应结果为正常,不需要筛分。图6中所有红细胞的平均面积为31.83,标准差为3.4um2,该外周血涂片对应结果为正常,不需要进行分类。
根据上述方法,现给出多个外周血涂片对应结果的分类实例,如图7所示,其为外周血涂片A图像经上述方法处理得到的红细胞面积计算结果图,得到的平均面积为43.16um2,方差为4.82um2,其被分类为再生障碍性贫血AA。如图8所示,其为外周血涂片B图像经上述方法处理得到的红细胞面积计算结果图,得到的平均面积为53.54um2,方差为12.85um2,其被分类为巨幼细胞性贫血MA。如图9所示,其为的外周血涂片C图像经上述方法处理得到的红细胞面积计算结果图,得到的平均面积为43.86um2,方差为11.46um2,其被分类为骨髓增生异常综合征MDS。待外周血涂片A、外周血涂片B、外周血涂片C筛选后,其进行基因检测和骨髓穿刺检查,两者结果相匹配,采用本方案的筛选准确度高。
实施例2
本实施例公开了实现实施例1中方法的可读存储介质及设备,该可读存储介质上存储应用程序,该应用程序在被处理器执行时执行上述实施例1的方法。
该装置结构参照图10,包括处理器、图像获取模块、存储器,图像获取模块、存储器与处理器通信连接,图像获取模块可以是接口模块,譬如USB、RS-232、API等,也可以是数据接收模块,譬如蓝牙模块、5G模块、4G模块等。处理器可以是中央处理器CPU、网络处理器NP、数字信号处理器DSP、现场可编程门阵列FPGA或其他可编程逻辑器件。该存储器可以是上述的可读存储介质,也可以是其他存储器,存储有被处理器执行的应用程序,所述应用程序被执行时实施例1中的分类方法。
以上所描述的实施例仅仅是示意性的,若涉及到作为分离部件说明的单元,其可以是或者也可以不是物理上分开的;若涉及到作为单元显示的部件,其可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
最后应说明的是,本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种AA、MDS、MA的分类方法,其特征在于,包括以下步骤:
获取至少一张外周血涂片的放大图像;
基于图像处理技术识别图像中的红细胞并计算图像中红细胞的面积;
计算图像中红细胞的平均面积和红细胞面积的标准差;
根据图像中红细胞的平均面积和红细胞面积的标准差对外周血涂片对应结果进行分类,所述外周血涂片对应结果包括骨髓增生异常综合征MDS、再生障碍性贫血AA、巨幼细胞性贫血MA。
2.根据权利要求1所述的一种AA、MDS、MA的分类方法,其特征在于,所述图像中红细胞的面积计算方法为:
对图像中细胞区域和背景进行分割;
对图像中单细胞进行定位;
对单细胞进行有核细胞和红细胞的划分,筛除有核细胞;
计算红细胞面积。
3.根据权利要求2所述的一种AA、MDS、MA的分类方法,其特征在于,所述对图像中细胞区域和背景进行分割包括:
将RGB图像转换到HSV空间上,
读取HSV三个分量中的S通道数据,利用图像分割方法对细胞区域和背景区域进行处理得到细胞区域的二值图。
4.根据权利要求3所述的一种AA、MDS、MA的分类方法,其特征在于,所述对图像中单细胞进行定位包括:
提取细胞区域二值图中物体的外轮廓;
遍历所有外轮廓,计算每个外轮廓对应区域的面积,将面积小于阈值A的外轮廓作为待定轮廓,所述阈值A的范围为0.5~10um2;
计算除待定轮廓外所有外轮廓对应区域的面积平均值Smean;
遍历除待定轮廓外所有外轮廓对应区域的面积S,将面积S在[a*Smean,b*Smean]范围内对应的外轮廓标记为有效轮廓,其中,a<1,b>1;
利用凸包算法对有效轮廓进行识别筛选出单细胞对应的有效轮廓。
5.根据权利要求4所述的一种AA、MDS、MA的分类方法,其特征在于,所述对单细胞进行有核细胞和红细胞的划分包括:
计算所有单细胞所在区域图像的第一灰度均值Mg;
分别计算每个单细胞所在区域图像的第二灰度均值G,并计算第二灰度均值G与第一灰度均值Mg的比值,将比值大于0.8的单细胞标记为入选红细胞。
6.根据权利要求5所述的一种AA、MDS、MA的分类方法,其特征在于,所述计算红细胞面积包括:
计算入选红细胞轮廓对应区域的面积总和;
分别对待定轮廓做最小包围圆,并计算最小包围圆的面积;
遍历最小包围圆面积在[a*Smean,b*Smean]范围内所对应的所有待定轮廓,并计算该待定轮廓上所有轮廓点到圆心的距离与最小包围圆半径的比值,将比值均大于0.85的待定轮廓对应的细胞选定为召回红细胞,并计算召回红细胞轮廓对应区域的面积总和;
计算红细胞面积,其中红细胞面积=入选红细胞轮廓对应区域的面积总和+召回红细胞轮廓对应区域的面积总和。
7.根据权利要求6所述的一种AA、MDS、MA的分类方法,其特征在于,所述召回红细胞轮廓对应区域的面积的计算方法为:
计算召回红细胞对应轮廓上所有轮廓点到圆心的长度与最小包围圆半径的比值,
计算该比值的平均占比Pmean,
计算召回红细胞轮廓对应区域的面积=最小包围圆面积*Pmean*Pmean。
8.根据权利要求1所述的一种AA、MDS、MA的分类方法,其特征在于,所述根据图像中红细胞的平均面积对待检测者所属病理情况进行判断具体包括:
若图像中红细胞的平均面积大于等于41um2且小于等于47um2、图像中红细胞面积的标准差小于6um2,则外周血涂片对应结果为再生障碍性贫血AA;
若图像中红细胞的平均面积大于等于41um2且小于等于47um2、图像中红细胞面积的标准差大于等于6um2,则外周血涂片对应结果为骨髓增生异常综合征MDS;
若图像中红细胞的平均面积大于47um2、图像中红细胞面积的标准差大于9um2,则外周血涂片对应结果为巨幼细胞性贫血MA。
9.一种AA、MDS、MA的分类设备,其特征在于,包括:
处理器;
与处理器通信连接的图像获取模块,所述图像获取模块以获取待检测者外周血涂片的放大图像;
与处理器通信连接的存储器,所述存储器上存储有被处理器执行的应用程序,所述应用程序被执行时实现权力要求1-8任一所述的分类方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有被处理器执行的应用程序,所述应用程序被执行时实现权力要求1-8任一所述的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350804.4A CN113034479B (zh) | 2021-03-31 | 2021-03-31 | Aa、mds、ma的分类方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350804.4A CN113034479B (zh) | 2021-03-31 | 2021-03-31 | Aa、mds、ma的分类方法、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034479A true CN113034479A (zh) | 2021-06-25 |
CN113034479B CN113034479B (zh) | 2022-06-03 |
Family
ID=76453161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110350804.4A Active CN113034479B (zh) | 2021-03-31 | 2021-03-31 | Aa、mds、ma的分类方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034479B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945558A (zh) * | 2021-09-29 | 2022-01-18 | 杭州智微信息科技有限公司 | 一种用于判断骨髓增生程度的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0138591A2 (en) * | 1983-10-14 | 1985-04-24 | Ortho Diagnostic Systems Inc. | Screening method for red blood cell abnormality |
CN102519861A (zh) * | 2011-12-09 | 2012-06-27 | 南昌百特生物高新技术股份有限公司 | 血细胞形态多模式图像筛选方法 |
CN107858422A (zh) * | 2017-12-06 | 2018-03-30 | 中国医学科学院血液病医院(血液学研究所) | 检测骨髓增生异常综合症的染色体和基因探针组合物及试剂盒 |
CN109270281A (zh) * | 2017-07-18 | 2019-01-25 | 深圳市帝迈生物技术有限公司 | 提高白细胞分类结果准确性和计数结果重复性的方法及设备 |
CN111047577A (zh) * | 2019-12-12 | 2020-04-21 | 太原理工大学 | 一种畸形尿红细胞分类统计方法与系统 |
CN111861975A (zh) * | 2019-04-26 | 2020-10-30 | 学校法人顺天堂 | 辅助疾病分析的方法、装置及计算机程序、以及训练计算机算法的方法、装置及程序 |
CN112432902A (zh) * | 2020-12-03 | 2021-03-02 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学判别细胞数目的自动检测系统及方法 |
CN112508909A (zh) * | 2020-12-03 | 2021-03-16 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学自动检测系统的疾病联想方法 |
-
2021
- 2021-03-31 CN CN202110350804.4A patent/CN113034479B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0138591A2 (en) * | 1983-10-14 | 1985-04-24 | Ortho Diagnostic Systems Inc. | Screening method for red blood cell abnormality |
CN102519861A (zh) * | 2011-12-09 | 2012-06-27 | 南昌百特生物高新技术股份有限公司 | 血细胞形态多模式图像筛选方法 |
CN109270281A (zh) * | 2017-07-18 | 2019-01-25 | 深圳市帝迈生物技术有限公司 | 提高白细胞分类结果准确性和计数结果重复性的方法及设备 |
CN107858422A (zh) * | 2017-12-06 | 2018-03-30 | 中国医学科学院血液病医院(血液学研究所) | 检测骨髓增生异常综合症的染色体和基因探针组合物及试剂盒 |
CN111861975A (zh) * | 2019-04-26 | 2020-10-30 | 学校法人顺天堂 | 辅助疾病分析的方法、装置及计算机程序、以及训练计算机算法的方法、装置及程序 |
CN111047577A (zh) * | 2019-12-12 | 2020-04-21 | 太原理工大学 | 一种畸形尿红细胞分类统计方法与系统 |
CN112432902A (zh) * | 2020-12-03 | 2021-03-02 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学判别细胞数目的自动检测系统及方法 |
CN112508909A (zh) * | 2020-12-03 | 2021-03-16 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学自动检测系统的疾病联想方法 |
Non-Patent Citations (4)
Title |
---|
S MATHIS等: "Flow cytometric detection of dyserythropoiesis: a sensitive and powerful diagnostic tool for myelodysplastic syndromes", 《LEUKEMIA》, 31 December 2013 (2013-12-31), pages 1981 * |
刘成玉 等: "《临床检验基础》", 31 January 2012, 人民卫生出版社, pages: 119 - 120 * |
尚立成 等: "《现代医学检验与卫生检验技术》", 30 June 2017, 吉林科学技术出版社, pages: 55 - 57 * |
汪可可 等: "基于Logistic 回归模型的低增生性骨髓增生异常综合征和再生障碍性贫血的鉴别诊断研究", 《中国全科医学》, vol. 21, no. 1, 31 December 2018 (2018-12-31), pages 52 - 57 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945558A (zh) * | 2021-09-29 | 2022-01-18 | 杭州智微信息科技有限公司 | 一种用于判断骨髓增生程度的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113034479B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU720182B2 (en) | Boundary mapping system and method | |
CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
Putzu et al. | Leucocyte classification for leukaemia detection using image processing techniques | |
US20110123090A1 (en) | Method and device for determining a contour and a center of an object | |
CN108320289B (zh) | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 | |
CN107492088B (zh) | 一种妇科显微图像中白细胞自动识别与统计方法 | |
Miao et al. | Simultaneous segmentation of leukocyte and erythrocyte in microscopic images using a marker-controlled watershed algorithm | |
CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
US10234442B2 (en) | Device and method for finding cell nucleus of target cell from cell image | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
WO1997026617A1 (en) | Classifying red blood cells using imaging techniques to analyze color and shape | |
Mohamed et al. | An enhanced threshold based technique for white blood cells nuclei automatic segmentation | |
NL2024777B1 (en) | Blood leukocyte segmentation method based on color component combination and contour fitting | |
KR102140385B1 (ko) | 골수 판독을 위한 셀존 레이블링 장치 및 이를 포함하는 셀존 검출 시스템 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN113034479B (zh) | Aa、mds、ma的分类方法、设备及可读存储介质 | |
Sudha et al. | A novel approach for segmentation and counting of overlapped leukocytes in microscopic blood images | |
CN111311628A (zh) | 一种全自动高性能白细胞分割方法 | |
Elen et al. | A new approach for fully automated segmentation of peripheral blood smears | |
Zhang et al. | Microscope based her2 scoring system | |
CN104700422A (zh) | 一种尿沉渣图像中粘结红白细胞的自动分割方法 | |
Pavithra et al. | White blood cell analysis using watershed and circular hough transform technique | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
KR101191454B1 (ko) | 비모수적 확률 모델과 질감 정보를 이용한 백혈구 분할 방법 | |
CN112766048B (zh) | 一种用于dna倍体分析的svm细胞核分类器训练方法 |
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 |