CN113160074A - 微阵列芯片图像分析方法、装置、计算机设备和存储介质 - Google Patents
微阵列芯片图像分析方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113160074A CN113160074A CN202110342359.7A CN202110342359A CN113160074A CN 113160074 A CN113160074 A CN 113160074A CN 202110342359 A CN202110342359 A CN 202110342359A CN 113160074 A CN113160074 A CN 113160074A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- sampling point
- determining
- microarray chip
- 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
- 238000002493 microarray Methods 0.000 title claims abstract description 167
- 238000003703 image analysis method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000010191 image analysis Methods 0.000 title claims description 10
- 238000005070 sampling Methods 0.000 claims abstract description 419
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 239000000523 sample Substances 0.000 claims description 100
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 56
- 230000009466 transformation Effects 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000012937 correction Methods 0.000 claims description 29
- 230000000877 morphologic effect Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 15
- 239000012472 biological sample Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 238000000018 DNA microarray Methods 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 150000007523 nucleic acids Chemical group 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T5/80—Geometric correction
-
- 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
- G06T7/13—Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种微阵列芯片图像分析方法、装置、计算机设备和存储介质,该方法通过对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;提取初始二值化图像中的垫片图像区域,确定初始掩膜图像;根据初始掩膜图像去除待分析微阵列芯片图像中的垫片图像区域,并对去除垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,得到降噪图像;根据降噪图像,确定降噪图像中目标样点的阴阳性。本申请提供的微阵列芯片图像分析方法能够减少待分析微阵列图像中存在的干扰和噪声,从而能够提高对待分析微阵列芯片图像分析的准确性,进而能够提高确定目标样点的阴阳性的准确性。
Description
技术领域
本申请涉及图像分析的技术领域,特别是涉及一种微阵列芯片图像分析方法、装置、计算机设备和存储介质。
背景技术
微阵列芯片是指采用光导原位合成或微量点样等方法,将大量生物大分子比如核酸片段、多肽分子甚至组织切片、细胞等生物样品有序固化于支持物的表面,组成密集二维分子排列,然后与已标记的待测生物样品中的靶分子反应,然后通过特定的仪器对其进行分析。在分析时,需要对微阵列芯片成像,然后对图像进行分析处理,确定待测生物样品的阴阳性。
实际场景中,微阵列芯片成像后的图像中不可避免的会存在干扰和噪声,这些干扰和噪声会影响对图像的分析,从而会使分析结果不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种微阵列芯片图像分析方法、装置、计算机设备和存储介质。
第一方面,本申请一个实施例提供一种微阵列芯片图像分析方法,包括:
对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;
提取初始二值化图像中的垫片图像区域,确定初始掩膜图像;
根据初始掩膜图像去除待分析微阵列芯片图像中的垫片图像区域,并对去除垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,得到降噪图像;
根据降噪图像,确定降噪图像中目标样点的阴阳性。
在其中一个实施例中,对待分析微阵列芯片图像进行二值化处理,得到初始二值化图像,包括:
基于最大类间方差法,计算待分析微阵列芯片图像的二值化阈值;
根据二值化阈值对待分析微阵列芯片图像进行二值化处理,得到初始二值化图像。
在其中一个实施例中,在待分析微阵列芯片图像为16位图像时,基于最大类间方差法,计算待分析微阵列芯片图像的二值化阈值,包括:
获取待分析微阵列芯片图像在初始掩膜图像覆盖范围内的最小像素值和最大像素值;
根据最小像素值和最大像素值,将16位的待分析微阵列芯片图像转化为8位的待分析微阵列芯片图像;
基于最大类间方差法,计算8位的待分析微阵列芯片图像的二值化阈值;
根据8位的待分析微阵列芯片图像的二值化阈值计算16位的待分析微阵列芯片图像的二值化阈值。
在其中一个实施例中,提取初始二值化图像中的垫片图像区域,确定初始掩膜图像,包括:
对初始二值化图像进行形态学闭运算处理,得到形态学处理图像;
基于图像细化算法,对形态学处理图像进行细化处理,得到垫片图像区域;
根据垫片图像区域,确定初始掩膜图像。
在其中一个实施例中,根据垫片图像区域,确定初始掩膜图像,包括:
获取垫片图像区域中的最外围轮廓,并将最外围轮廓中的轮廓长度大于预设长度阈值的轮廓,存入轮廓集合;
确定轮廓集合中所有轮廓的最小包裹矩形;
将最小包裹矩形的四边向最小包裹矩形的中心内缩预设距离,得到新的包裹矩形作为所述初始掩膜图像。
在其中一个实施例中,根据降噪图像,确定降噪图像中目标样点的阴阳性,包括:
对降噪图像进行二值化处理,得到降噪二值化图像;
根据降噪二值化图像,确定目标样点图像,其中,目标样点图像为检出目标样点所在的图像;
根据目标样点图像,确定目标样点的阴阳性。
在其中一个实施例中,根据降噪二值化图像,确定目标样点图像,包括:
对降噪二值化图像进行形态学处理和筛选处理,得到目标二值化图像,其中,目标二值化图像包括定位样点和检出目标样点;
基于预设阈值和目标二值化图像,根据降噪图像得到定位样点二值化图像;
根据降噪图像和定位样点二值化图像,确定目标样点图像。
在其中一个实施例中,基于预设阈值和目标二值化图像,根据降噪图像得到定位样点二值化图像,包括:
根据目标二值化图像从降噪图像中确定定位样点和检出目标样点,并获取定位样点和检出目标样点的最大像素值;
根据最大像素值和预设阈值,计算预设二值化阈值;
根据预设二值化阈值对降噪图像进行二值化处理,得到定位样点二值化图像。
在其中一个实施例中,根据降噪图像和定位样点二值化图像,确定目标样点图像,包括:
在降噪图像中去除定位样点二值化图像中的定位样点,得到目标样点图像。
在其中一个实施例中,还包括:
根据定位样点二值化图像,获取定位样点的数量;
判断定位样点的数量是否满足预设数量阈值范围;
若满足,则计算定位样点形心坐标集合,并确定定位样点组成的有效三角形的三角特征,生成待匹配三角特征库;
获取模板定位样点的形心坐标集合和模板定位样点的三角特征库;
根据模板定位样点三角特征库、待匹配三角特征库、定位样点的形心坐标集合和模板定位样点的形心坐标集合,确定目标仿射变换矩阵;
根据目标仿射变换矩阵对目标样点图像进行校正,得到目标样点校正图像;根据目标仿射变换矩阵对初始掩膜图像进行校正,得到初始掩膜校正图像。
在其中一个实施例中,根据模板定位样点三角特征库、待匹配三角特征库、定位样点的形心坐标集合和模板定位样点的形心坐标集合,确定目标仿射变换矩阵,包括:
根据模板定位样点三角特征库和待匹配三角特征库,得到目标三角特征库;
根据目标三角特征库计算仿射变换矩阵集合;
根据定位样点的形心坐标集合和仿射变换矩阵集合,得到多个新的定位样点的形心坐标集合;
根据模板定位样点的形心坐标集合和多个新的定位样点的形心坐标集合,确定目标仿射变换矩阵。
在其中一个实施例中,根据模板定位样点三角特征库和待匹配三角特征库,得到目标三角特征库,包括:
将待匹配三角特征库中的每个三角特征分别与模板定位样点三角特征库中的每个三角特征相匹配;
若匹配,则将匹配的待匹配三角特征库中的三角特征和模板定位样点三角特征组成三角特征组加入目标三角特征库。
在其中一个实施例中,根据目标三角特征库计算仿射变换矩阵集合,包括:
获取目标三角特征库中的每个三角特征组;
获取每个三角特征组中匹配三角特征和模板三角特征,匹配三角特征为待匹配三角特征库中的三角特征,模板三角特征为模板定位样点三角特征库中的三角特征;
分别获取匹配三角特征中的三个有序顶点和模板三角特征中的三个有序顶点;
根据仿射变换算法,计算匹配三角特征中的三个有序顶点相对于模板三角特征中的三个有序顶点的仿射变换矩阵,得到仿射变换矩阵集合。
在其中一个实施例中,根据模板定位样点的形心坐标集合和多个新的定位样点的形心坐标集合,确定目标仿射变换矩阵,包括:
获取每个新的定位样点的形心坐标集合中的每个定位样点的形心坐标,以及每个模板定位样点的形心坐标集合中的每个模板定位样点的形心坐标;
计算每个定位样点的形心坐标与对应的模板定位样点的形心坐标之间的欧氏距离,确定每个定位样点的形心坐标对应的最小欧氏距离,并将所有的最小欧氏距离的平方累加,得到累加和;
若累加和小于预设累加阈值,则确定累加和集合;
将累加和集合中最小的元素对应的仿射变换矩阵确定为目标仿射变换矩阵。
在其中一个实施例中,计算每个定位样点的形心坐标与每个模板定位样点的形心坐标之间的欧氏距离,确定每个定位样点的形心坐标对应的最小欧氏距离,包括:
选取定位样点的形心坐标集合中的任意一个定位样点的形心坐标,作为待计算形心坐标;
计算待计算形心坐标与模板定位样点的形心坐标集合中的所有模板定位样点的形心坐标之间的欧氏距离,确定待计算形心坐标对应的最小欧氏距离;
去除模板定位样点的形心坐标集合中最小欧氏距离对应的模板定位样点的形心坐标,得到新的模板定位样点的形心坐标集合;
将新的模板定位样点的形心坐标集合作为模板定位样点的形心集合,执行选取定位样点的形心坐标集合中的任意一个定位样点的形心坐标集合,作为待计算形心坐标,直至选取出定位样点的形心坐标集合中的所有定位样点的形心坐标为止,其中,每次选取的待计算形心坐标均不同。
在其中一个实施例中,根据目标样点图像,确定目标样点的阴阳性,包括:
对所述目标样点校正图像进行二值化处理,得到目标样点二值化图像;
根据初始掩膜校正图像和目标样点二值化图像,确定前景掩膜图像,其中,前景掩膜图像包括检出目标样点;
根据预设掩膜图像、初始掩膜校正图像和前景掩膜图像,确定背景掩膜图像,其中,背景掩膜图像包括未检出目标样点;
根据背景掩膜图像和目标样点校正图像,确定所述目标样点的阴阳性。
在其中一个实施例中,根据背景掩膜图像和目标样点校正图像,确定目标样点的阴阳性,包括:
基于预设样点之间的几何栅格关系,确定检出目标样点的初始标称形心坐标和未检出目标样点的标称形心坐标;
根据未检出目标样点的标称形心坐标确定未检出目标样点的标称感兴趣区域;
根据目标样点校正图像、检出目标样点的初始标称形心坐标,确定检出目标样点的目标标称形心坐标;
根据检出目标样点的目标标称形心坐标确定检出目标样点的目标标称感兴趣区域;
计算目标样点校正图像在背景掩膜图覆盖范围内的像素值的均值和标准差。
根据均值和标准差,确定阴阳性判断阈值;
判断每个检出目标样点的感兴趣区域内的像素值的均值是否大于阴阳性判断阈值;若大于,则确定检出目标样点为阳性;
判断每个未检出目标样点的感兴趣区域内的像素值的均值是否大于阴阳性判断阈值;若大于,则确定未检出目标样点为阳性。
在其中一个实施例中,还包括:
获取目标样点中每类目标样点的数量;
若同一类目标样点中阳性目标样点中的数量与同一类目标样点的数量的比值大于或等于预设比例,则确定同一类目标样点所对应的生物样本为阳性。
第二方面,本申请一个实施例提供一种微阵列芯片图像分析装置,包括:
获取模块,用于对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;
提取模块,用于提取初始二值化图像中的垫片图像区域,确定初始掩膜图像;
降噪模块,用于根据初始掩膜图像去除待分析微阵列芯片图像中的垫片图像区域,并对去除垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,得到降噪图像;
确定模块,用于根据降噪图像,确定降噪图像中目标样点的阴阳性。
第三方面,本申请一个实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上述实施例提供的方法的步骤。
第四方面,本申请一个实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例提供的方法的步骤。
本申请实施例提供一种微阵列芯片图像分析方法、装置、计算机设备和存储介质,该方法通过对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;提取初始二值化图像中的垫片图像区域,确定初始掩膜图像;利用该初始掩膜图像从待分析微阵列芯片图像中去除垫片图像区域,从而能够防止后续确定目标样点的阴阳性时受到垫片图像区域的干扰。同时,通过对去除垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,从而能够防止后续确定目标样点的阴阳性时受到噪声的影响,进而能够提高确定目标样点的阴阳性的准确性。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,对于本领域不同技术人员来讲,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为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图2为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图3为本申请一个实施例提供的待分析微阵列芯片图像;
图4为本申请一个实施例提供的初始二值化图像;
图5为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图6为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图7为本申请一个实施例提供的垫片图像区域的图像细化结果;
图8为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图9为本申请一个实施例提供的初始掩膜图像;
图10为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图11为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图12为本申请一个实施例提供的目标二值化图像;
图13为本申请一个实施例提供的目标样点图像;
图14为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图15为本申请一个实施例提供的定位样点二值化图像;
图16为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图17为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图18为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图19为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图20为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图21为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图22为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图23为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图24为本申请一个实施例提供的微阵列芯片图像分析方法的步骤流程示意图;
图25为本申请一个实施例提供的微阵列芯片图像分析装置的结构示意图;
图26为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
完整的微阵列芯片图像分析过程包括样本准备、生物芯片制作、反应阶段、扫描成像、数字图像处理及数据分析过程。目前数字图像处理过程存在计算量大、耗时长和准确性低等问题。针对该问题,本申请提供了一种微阵列芯片图像分析方法可。
本申请提供的微阵列芯片图像分析方法可以通过计算机设备实现。计算机设备包括但不限于控制芯片、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本申请提供的方法可以通过JAVA、C++软件实现,也可以应用于其他软件。
请参见图1,本申请一个实施例提供一种微阵列芯片图像分析方法,具体的步骤包括:
步骤101、对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像。
待分析微阵列芯片图像可通过CCD/COMS相机获取,也可通过飞点扫描技术(Flying Spot Scanning Technique)获取,本实施例对获取待分析微阵列芯片图像的方法不作任何限制。计算机设备获取待分析微阵列芯片图像后,对其进行二值化处理,即将待分析微阵列芯片图像呈现出只有黑和白的视觉效果,得到初始二值化图像。本实施例对二值化处理的具体方法不作任何限制,只要能够实现其功能即可。
步骤102、提取初始二值化图像中的垫片图像区域,确定初始掩膜图像。
计算机设备在得到初始二值化图像后,提取该图像中垫片图像区域,根据该垫片图像区域确定初始掩膜图像。计算机设备可以根据垫片图像区域的特征,将其从初始二值化图像中提取出来。本实施例对提取垫片图像区域的具体方法不作任何限制,只要能够实现其功能即可。
步骤103、根据初始掩膜图像去除待分析微阵列芯片图像中的垫片图像区域,并对去除垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,得到降噪图像。
计算机设备根据初始掩膜图像可以去除待分析微阵列芯片图像中的垫片图像区域,也就是说,计算机设备根据初始掩膜图像可以从待分析微阵列芯片图像中提取出不包括垫片图像区域的图像,可以将该图像称为待处理目标图像。计算机设备在得到该待处理目标后对其进行滤波降噪处理,得到降噪图像。本实施例对滤波降噪的具体处理方法不作任何限制,只要能够实现其功能即可。
在一个具体的实施例中,计算机设备对去除垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理的过程可以包括:采用m*m大小的滑动窗口对去除垫片图形区域后的待分析微阵列芯片图像进行中值滤波处理,可以有效的去除该图像中的椒盐噪声;对中值滤波处理后的图像的像素值进行归一化处理,将像素值的区域置于预设的区间内,便于使用者观察量化指标;对归一化处理后的图像使用高斯双边滤波进一步的降噪平滑处理,这样可以在很好地保留该图像边缘的同时消除噪声。
步骤104、根据降噪图像,确定降噪图像中目标样点的阴阳性。
降噪图像中包括待测生物样品对应的目标样点,计算机设备根据降噪图像,能够确定该目标样点的阴阳性。具体的,计算机设备可以先将目标样点从降噪图像中提取出来,再判断该目标样点的阴阳性。本实施例对确定降噪图像中目标样点的阴阳性的具体方法不作任何限制,只要能够实现其功能即可。
本申请实施例提供的微阵列芯片图像分析方法通过对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;提取初始二值化图像中的垫片图像区域,确定初始掩膜图像;利用该初始掩膜图像从待分析微阵列芯片图像中去除垫片图像区域,从而能够防止后续确定目标样点的阴阳性时受到垫片图像区域的干扰。同时,通过对去除垫片图像区域后的待分析阵列芯片图像进行滤波降噪处理,从而能够防止后续确定目标样点的阴阳性时受到噪声的影响,进而能够提高确定目标样点的阴阳性的准确性。
请参见图2,在一个实施例中,步骤101对待分析微阵列芯片图像进行二值化处理,得到初始二值化图像,包括:
步骤201、基于最大类间方差法,计算待分析微阵列芯片图像的二值化阈值。
最大类间方差法的主要思想是:假设存在阈值TH将图像所有像素值分为两类C1(小于TH)和C2(大于TH),记这两类像素值各自的均值为m1和m2,图像全局均值为mG。像素值被分为C1和C2类的概率分别为P1和P2,则
P1*m1+P2*m2=mG (1)
P1+P2=1 (2)
其中,P1=NC1/N,NC1为像素值小于TH的像素个数,N为总的像素个数。类间方差表达式为:
δ2=P1(m1-mG)2+P2(m2-mG)2 (3)
将公式(1)代入公式(3)可以得到δ2=P1P2(m1-m2)2,使得δ2取得极大值的对应像素值即为二值化阈值。
计算机设备通过获取待分析微阵列芯片图像的各像素点的像素值,基于最大类间方差法,可以计算得到二值化阈值。
步骤202、根据二值化阈值对待分析微阵列芯片图像进行二值化处理,得到初始二值化图像。
计算机设备根据计算得到的二值化阈值可以将待分析微阵列芯片图像的像素值分为两类,从而实现对待分析微阵列芯片图像的二值化处理,得到初始二值化图像。在本实施例中,通过最大类间方差法可以准确的计算二值化阈值,从而能够得到准确的初始二值化图像,便于后续对其进行处理。待分析微阵列芯片图像如图3所示,初始二值化图像如4所示。
请参见图5,在一个实施例中,在待分析微阵列芯片图像为16位图像时,步骤201基于最大类间方差法,计算待分析微阵列芯片图像的二值化阈值,包括:
步骤501、获取待分析微阵列芯片图像在初始掩膜覆盖范围内的最小像素值和最大像素值。
计算机设备在待分析微阵列芯片图像中,确定初始掩膜图像覆盖范围,获取该范围内的待分析微阵列芯片图像中的各像素点的像素值,找出最小像素值和最大像素值。
步骤502、根据最小像素值和最大像素值,将16位的待分析微阵列芯片图像转化为8位的待分析微阵列芯片图像。
计算机设备将最小像素值Pixelmin和最大像素值Pixelmax形成的区间线性折合到8位图像的[0,28-1]区间(即[0,255]),就可以将16位的待分析微阵列芯片图像转换为8位的待分析微阵列芯片图像。具体的,可以通过公式将最小像素值和最大像素值形成的区间线性折合到8位图像的[0,28-1]区间。
步骤503、基于最大类间方差法,计算8位的待分析微阵列芯片图像的二值化阈值。
计算机设备在得到8位的待分析微阵列芯片图像后,基于最大类间方差法可以得到该图像的二值化阈值,具体的计算过程可以参考上述实施例的描述,在此不再赘述。
步骤504、根据8位的待分析微阵列芯片图像的二值化阈值计算16位的待分析微阵列芯片图像的二值化阈值。
计算机设备在得到8位的待分析微阵列芯片图像的二值化阈值后T8bit,通过计算可以得到16位的待分析微阵列芯片图像的二值化阈值T16bit。具体的可以通过公式:T16bit=Pixelmin+T8bit/(28-1)*(Pixelmax-Pixelmin)计算16位的待分析微阵列芯片图像的二值化阈值。
通常情况下,获取的待分析微阵列芯片图像是16位,即位深为16。在本实施例中,先将16位的待分析微阵列芯片图像转换为8位的,通过8位的待分析微阵列芯片图像的二值化阈值计算16位的待分析微阵列芯片图像的二值化阈值,这样可以减少最大类间方差法的计算量,从而可以节省时间。
请参见图6,在一个实施例中,步骤102提取初始二值化图像中的垫片图像区域,确定初始掩膜图像,包括:
步骤601、对初始二值化图像进行形态学闭运算处理,得到形态学处理图像。
形态学闭运算是先膨胀运算,再腐蚀预算,可以将两个细微连接的图像封闭在一起。计算机设备在得到初始二值化图像后,对其进行形态学闭运算处理,可以将初始二值化图像中垫片图像区域做粘连,便于后续对该垫片图像区域进行去除。
步骤602、基于图像细化算法,对形态学处理图像进行细化处理,得到垫片图像区域。
图像细化算法一般指二值化图像的骨架化的一种操作运算,可以将图像的线条从多像素宽度减少到单位像素宽度。计算机设备在得到形态学处理图像后,基于图像细化算法对其进行细化处理,得到包含垫片图像的区域,如图7所示。
在一个具体的实施例中,可以采用以下的方法对形态学处理图像进行细化处理。
图像细化的过程分为分为两个迭代子过程:
过程1:细化删除条件为:
(a)2<=N(P1)<=6,N(x)为x的8邻域中黑点的数目;
(b)A(P1)=1,A(x)指的是将P2-P8之间按序前后分别成对值为0、255的个数(背景色:0);
(c)P2*P4*P6=0;
(d)P4*P6*P8=0;
如果同时满足以上四个条件则可以将该点赋值为0。
过程2:细化删除条件为:
(a)2<=N(P1)<=6,N(x)为x的8邻域中黑点的数目;
(b)A(P1)=1,A(x)指的是将P2-P8之间按序前后分别为0、255的对数(背景色:0);
(c)P2*P4*P8=0;
(d)P2*P6*P8=0;
如果同时满足以上四个条件则可以将该点赋值为0。按照上述两个过程反复迭代,直到图像细化为止。
步骤603、根据垫片图像区域,确定初始掩膜图像。
计算机设备在确定初始二值化图像中的垫片图像区域后,根据该区域确定初始掩膜图像。
在本实施例中,通过对二值化图像进行形态学处理和细化处理,可以更加准确的确定垫片图像区域,从而能够便于后续对其进行去除。
请参见图8,在一个实施例中,步骤603根据垫片图像区域,确定初始掩膜图像,包括:
步骤801、获取垫片图像区域中的最外围轮廓,并将最外围轮廓中的轮廓长度大于预设长度阈值的轮廓存入轮廓集合。
计算机设备在得到垫片图像区域后,获取垫片图像区域的多个最外围轮廓,计算多个最外围轮廓的长度,判断该长度是否大于预设长度阈值。若大于,则将该轮廓存入轮廓集合;若小于等于预设长度,则不存入轮廓集合。预设长度阈值可以是由使用者根据经验设置的。
步骤802、确定轮廓集合中所有轮廓的最小包裹矩形。
步骤803、将最小包裹矩形的四边向最小包裹矩形的中心内缩预设距离,得到新的包裹矩形作为初始掩膜图像。
轮廓集合中的所有轮廓可以组成多个包裹矩形,计算机设备确定多个包裹矩形中的最小包裹矩形,再将最小包裹矩形的四条边均向其中心内缩预设距离,可以得到一个新的包裹矩形,并将该新的包裹矩形作为初始掩膜图像,如图9所示。
通过本实施例提供的方法可以更加精确的去除垫片图像区域,得到准确的初始掩膜图像。
请参见图10,在一个实施例中,步骤104根据降噪图像,确定降噪图像中目标样点的阴阳性,包括:
步骤105、对降噪图像进行二值化处理,得到降噪二值化图像;
计算机设备在得到降噪图像后,对其进行二值化处理,可以得到降噪二值化图像。具体的二值化处理方法可以与上述实施例中对待分析微阵列芯片图像进行二值化处理的方法相同,在此不再赘述。
步骤106、根据降噪二值化图像,确定目标样点图像,其中,所述目标样点图像为检出目标样点所在的图像。
由于目标样点的像素值存在较大差别,则在对降噪图像进行二值化处理后所有的目标样点容易被分为两部分,像素值大于进行二值化时的阈值的一部分目标样点会在降噪二值化图像中明显的显示出来,将这部分目标样点作为检出目标样点;像素值小于进行二值化时的阈值的一部分目标样点在降噪二值化图像中显示不出来,将这部分目标样点作为未检出目标样点。计算机设备在得到降噪二值化图像后,可以对降噪二值化图像进行相应的处理,得到定位样点二值化图像,根据定位样点二值化图像来确定检出目标样点所在的图像。具体的:
请参见图11,在一个实施例中,根据所述降噪二值化图像,确定目标样点图像的步骤包括:
步骤111、对降噪二值化图像进行形态学处理和筛选处理,得到目标二值化图像,其中,目标二值化图像包括定位样点和检出目标样点;
计算机设备对得到的降噪二值化图像先进行形态学处理。在一个具体的实施例中,可以以直径为P的圆形卷积核对其进行开、闭运算处理,以减少定位样点和目标样点上的突起和结节、去除降噪二值化图像中的空洞,改善该图像中的目标样点和定位样点的圆度,得到形态学图像;再对形态学图像进行筛选,以去除形态学图像中的不合理的点块状的白色区域,得到目标二值化图像,如图12所示。
在一个具体的实施例中,计算机设备对形态学图像进行筛选的过程包括:获取形态学图像中的最外围轮廓,也就是说,计算形态学图像中初始目标样点和初始定位样点的最外围的轮廓,将其存入样点轮廓集合中;确定样点轮廓集合中每个轮廓最小包裹矩形,并得到该包裹矩形的宽w和高h,以及该轮廓所围的面积s;若某个轮廓满足w∈[wmin,wmax]且h∈[hmin,hmax]且s∈[smin,smax]且宽高比w/h∈[ratiomin,ratiomax],则计算该轮廓的形心坐标加入轮廓形心坐标集合{centroidsall},且将当前轮廓加入集合{contoursSelectall};其中,wmin、wmax为宽度上下限阈值,hmin、hmax为高度上下限阈值,smin、smax为面积上下限阈值,ratiomin、ratiomax为宽高比上下限阈值,这样可以筛选出形态学图像中较为准确的检出目标样点和定位样点。
步骤112、基于预设阈值和目标二值化图像,根据降噪图像得到定位样点二值化图像。
在实际情况下,定位样点的像素值大于检出目标样点的像素值,则计算机设备根据预设阈值可以将降噪图像的像素值分为两类,大于预设阈值的和小于预设阈值的。由于定位样点的像素值较大,则可以得到定位样点二值化图像。预设阈值可以是由使用者根据经验设置的。
步骤113、根据降噪图像和定位样点二值化图像,确定目标样点图像。
计算机设备根据得到的定位样点二值化图像和降噪图像,可以得到目标样点图像,该目标样点图像不是二值图像。
在一个实施例中,根据降噪图像和定位样点二值化图像,确定目标样点图像,包括:
在降噪图像中去除定位样点二值化图像中的定位样点,得到目标样点图像。
计算机设备根据定位样点二值化图像从降噪图像中去除定位样点,从而使得降噪图像中只包括检出目标样点,将该图像称为目标样点图像,如图13所示。
在一个具体的实施例中,可以使用基于Navier-Stokes方程的图像修复算法对目标样点图像进行修补,这样可以减少误差,提高后续对目标样点阴阳性确定的准确性。
步骤107、根据目标样点图像,确定目标样点的阴阳性。
这里的目标样点既包括检出目标样点,也包括未检出目标样点,计算机设备根据得到目标样点图像可以得到检出目标样点,通过对目标样点图像一系列的处理,并基于微阵芯片上目标样点之间固有的二维几何栅格关系,可以得到未检出目标样点,通过对目标样点进行分析可以确定目标样点的阴阳性。本实施例确定目标样点的阴阳性的具体方法不作任何限制只要能够实现其功能即可。
在本实施例中,通过简单准确的算法区分检出目标样点和定位样点,从而能够得到准确的目标样点图像,进而能够准确的确定目标样点的阴阳性。
请参见图14,在一个实施例中,步骤112基于预设阈值和目标二值化图像,得到定位样点二值化图像,包括:
步骤141、根据目标二值化图像从降噪图像中确定定位样点和检出目标样点,并获取定位样点和检出目标样点的最大像素值;
目标二值化图像中包括定位样点和检出目标样点,则计算机设备将目标二值化图像作为掩膜图像,可以从降噪图像中确定定位样点和目标样点。在确定出定位样点和目标样点后,获取其像素值,并得到其中最大的像素值。最大的像素值是指目标样点的像素值和定位样点的像素值中的最大值。
步骤142、根据最大像素值和预设阈值,计算预设二值化阈值;
计算机设备将得到的最大像素值Vmax与预设阈值Rationorient相乘,可以得到预设二值化阈值,用公式可以表示为R=Vmax*Rationorient。在一个具体的实施例中预设阈值可取0.8-0.9。
步骤143、根据预设二值化阈值对降噪图像进行二值化处理,得到定位样点二值化图像。
计算机设备根据得到的预设二值化阈值对降噪图像进行二值化处理,将降噪图像中像素值大于等于预设二值化阈值的设置为255,将降噪图像中像素值小于预设二值化阈值的设置于0,得到定位样点二值化图像。用公式可以表示为:
在本实施例中,确定定位样点二值化图像的方法简单易懂。
请参见图16,微阵列芯片图像分析方法还包括:
步骤161、根据定位样点二值化图像,获取定位样点的数量。
计算机设备在得到定位样点二值化图像后,可以获取定位样点二值化图像中定位样点的数量。在实际应用中,定位样点的数量是固定的,且各定位样点之间的物理位置关系和图像坐标关系是已知的。
步骤162、判断定位样点的数量是否满足预设数量阈值范围。
计算机设备通过判断定位样点的数量是否满足预设数量阈值范围,来判断得到的定位样点二值化图像是否准确。在一个具体的实施例中,预设数量阈值范围包括预设数量最大值和预设数量最小值,若定位样点的数量小于或等于预设数量最大值,且大于或等于预设数量最小值,则定位样点的数量满足预设数量阈值范围。若定位样点的数量不满足预设数量阈值范围,说明定位样点二值化图像异常,不再对它进行后续处理。
步骤163、若满足,则计算定位样点的形心坐标集合,并确定定位样点组成的有效三角形的三角特征,生成待匹配三角特征库。
若计算机设备判断出定位样点的数量满足预设数量阈值,则获取每个定位样点的形心坐标,组成定位样点的形心坐标集合,并且获取多个定位样点组成多个有效三角形,每个有效三角形均具有三角特征,多个有效三角形的三角特征可以形成待匹配三角特征库。
在一个具体的实施例中,有效三角形的三角特征可以表示为:
(a)三边长度:a、b、c(先求三边长度并按照长度递增排序,a<b<c);
(b)三边对应内角:角1、角2、角3(三角形有大角对大边的特性,故角1<角2<角3);
(c)边长比:最长:次长(c:b);次长:最短(b:a);最长:最短(c:a);
(d)相邻两边向量叉乘,将原本三个顶点按照其对角的大小重新排序,即a、b、c边分别对应顶点P1、P2、P3。
(e)有序顶点P1、P2、P3。
步骤164、获取模板定位样点的形心坐标集合和模板定位样点的三角特征库。
模板定位样点的形心坐标集合和模板定位样点的三角特征库可以是由使用者预先存储在计算机设备的存储器中的,在计算机设备需要使用时,直接从存储器中获取即可。
步骤165、根据模板定位样点三角特征库、待匹配三角特征库、定位样点的形心坐标集合和模板定位样点的形心坐标集合,确定目标仿射变换矩阵。
计算机设备根据得到的模板定位样点三角特征库、待匹配三角特征库、定位样点的形心坐标集合和模板定位样点的形心坐标集合,通过一系列的算法可以确定目标仿射变换矩阵。
在一个实施例中,确定目标仿射变换矩阵的具体步骤如图17所示,包括:
步骤171、根据模板定位样点三角特征库和待匹配三角特征库,得到目标三角特征库。
计算机设备将得到的待匹配三角特征库与模板定位样点三角特征库相匹配,将待匹配三角特征库中的三角特征与模板定位样点三角特征库中的三角特征相互匹配,将能够匹配的三角特征形成三角特征库称为目标三角特征库。目标三角特征库中包括待匹配三角特征库中的三角特征,也包括模板定位样点三角特征库中的三角特征库,并且待匹配三角特征库中的三角特征与模板定位样点三角特征库中的三角特征库相匹配。
步骤172、根据目标三角特征库计算仿射变换矩阵集合;
计算机设备根据目标三角特征库的中包括的三角特征,可以计算出仿射变换矩阵集合。
在一个实施例中,计算仿射变换矩阵集合的具体步骤如图18所示,包括:
步骤181、获取目标三角特征库中的每个三角特征组;
步骤182、获取每个三角特征组中匹配三角特征和模板三角特征,匹配三角特征为待匹配三角特征库中的三角特征,模板三角特征为模板定位样点三角特征库中的三角特征。
每个三角特征组是由目标三角特征库中包括待匹配三角特征库中的三角特征(匹配三角特征),以及与该三角特征相匹配的模板三角特征库中的三角特征(模板三角特征)组成的。计算机设备在得到目标三角特征库后,可以获取其中的每个三角特征组,并且可以分别获取每个三角特征组中的匹配三角特征和模板三角特征。
步骤183、分别获取匹配三角特征中的三个有序顶点和模板三角特征中的三个有序顶点。
计算机设备在得到匹配三角特征后,获取该匹配三角特征中的三个有序顶点,记为VS。同时,计算机设备在得到模板三角特征后,获取该模板三角特征中三个有序顶点,记为VD。
步骤184、根据仿射变换算法,计算匹配三角特征中的三个有序顶点相对于模板三角特征中的三个有序顶点的仿射变换矩阵,得到仿射变换矩阵集合。
计算机设备根据预先存储的仿射变换算法,根据VS、VD组成的三个点对,可以计算VS相对于VD的仿射变换矩阵。目标特征库中包括多个三角特征组,则可以得到多个仿射变换矩阵,组成仿射变换矩阵集合。
步骤173、根据定位样点的形心坐标集合和仿射变换矩阵集合,得到多个新的定位样点的形心坐标集合。
计算机设备通过定位样点的形心坐标集合在每个仿射变换矩阵的映射作用下的形心坐标集合,便可得到一个新的定位样点的形心坐标集合。
步骤174、根据模板定位样点的形心坐标集合和多个新的定位样点的形心坐标集合,确定目标仿射变换矩阵。
计算机设备根据计算得到的多个新的定位样点的形心坐标集合,与模板定位样点的形心坐标集合进行对比,可以得到最优的新的定位样点的形心坐标集合,该集合对应的仿射变换矩阵即为目标仿射变换矩阵。
步骤166、根据目标仿射变换矩阵对目标样点图像进行校正,得到目标样点校正图像;根据目标仿射变换矩阵对所述初始掩膜图像进行校正,得到初始掩膜校正图像。
计算机设备在确定目标仿射变换矩阵后,根据该矩阵可以对目标样点图像和初始掩膜图像进行校正,便于利用微生物芯片上目标点之间固有的二维几何栅格关系去实现目标样点的标称形心坐标与标称感兴趣区域的计算与划分,可以提高目标样点感兴趣区域分割的准确性。
请参见图19,在一个实施例中,步骤171根据模板定位样点三角特征库和待匹配三角特征库,得到目标三角特征库,包括:
步骤191、将待匹配三角特征库中的每个三角特征分别与模板定位样点三角特征库中的每个三角特征相匹配。
步骤192、若匹配,则将匹配的待匹配三角特征库中的三角特征和模板定位样点三角特征组成三角特征组加入目标三角特征库。
计算机设备在得到模板定位样点三角特征库和待匹配三角特征库后,分别获取模板定位样点三角特征库中的每个三角特征和待匹配三角特征库中的每个三角特征库。按照预先设置的匹配准则,对待匹配三角特征库中的三角特征与模板定位样点三角特征库中的三角特征进行匹配。若匹配,则将匹配的待匹配三角特征库中的三角特征和模板定位样点三角特征组成一个三角特征组,加入目标三角特征库,目标三角特征库中可以包括多个三角特征组。
在一个具体的实施例中,假设有两个三角特征G、T,预先设置的匹配准则为:
①匹配G、T的三角特征1(边长)。若满足|Ga-Ta|、|Gb-Tb|、|Gc-Tc|均小于ΔsideLen,则认为三角特征1匹配成功;其中Ga、Gb、Gc分别为三角特征G的边长a、b、c的长度,Ta、Tb、Tc分别为三角特征T的边长a、b、c的长度,ΔsideLen为边长公差;
②匹配G、T的三角特征2(内角)。若满足|G∠1-T∠1|、|G∠2-T∠2|、|G∠3-T∠3|均小于Δangle,则认为三角特征2匹配成功;其中Δangle为角度公差;
③匹配G、T的三角特征3(边长比)。若满足|Grat1-Trat1|、|Grat2-Trat2|、|Grat3-Trat3|均小于Δratio,则认为三角特征3匹配成功;其中Grati、Trati分别为三角特征组G、T中的边长比,i为1、2、3;Δratio为边长比公差;
④匹配G、T的三角特征4(相邻两边向量叉乘)。若满足Gcross*Tcross>0,则认为三角特征4匹配成功;其中Gcross、Tcross分别为三角特征组G、T中的相邻两边向量叉乘。
在一个具体的实施例中,将待匹配三角特征库中的三角特征记为E,将模板定位三角特征库的三角特征记为F,具体得匹配流程为:
(b)匹配E、F的三角特征1(边长)。若匹配成功,转至流程(c)。若匹配失败转至流程(d);
(c)匹配E、F的三角特征2(内角)。若匹配成功,转至流程(e),否则判定当前匹配失败;
(d)匹配E、F的三角特征3(边长比)。若匹配成功,转至流程(c),否则判定当前匹配失败;
(e)匹配E、F的三角特征4(相邻两边向量叉乘)。若匹配成功,将G、T组成的一对三角特征组加入目标三角特征库。
请参见图20,步骤174根据模板定位样点的形心坐标集合和多个新的定位样点的形心坐标集合,确定目标仿射变换矩阵,包括:
步骤201、获取每个新的定位样点的形心坐标集合中的每个定位样点的形心坐标,以及每个模板定位样点的形心坐标集合中的每个模板定位样点的形心坐标。
计算机设备在得到模板定位样点的形心坐标集合后,获取该集合中每个模板定位样点的形心坐标。计算机设备在得到多个新的定位样点的形心坐标集合后,获取该多个集合中每个定位样点的形心坐标。本实施例对具体的获取方法不作任何限制,只要能够实现其功能。
步骤202、计算每个定位样点的形心坐标与对应的模板定位样点的形心坐标之间的欧氏距离,确定每个定位样点的形心坐标对应的最小欧氏距离,并将所有的最小欧氏距离的平方累加,得到累加和。
计算机设备通过计算每个定位样点的形心坐标与相对应的模板定位样点的形心坐标之间的欧氏距离,得到多个欧氏距离,确定其中的最小欧氏距离为每个定位样点的形心坐标对应的最小欧式距离。计算机设备得到多个最小欧氏距离后,计算每个最小欧氏距离的平方,并将多个最小欧氏距离的平方累加,得到累加和。
在一个实施例中,确定每个定位样点的形心坐标对应的最小欧氏距离的步骤如图21所示,包括:
步骤210、选取定位样点的形心坐标集合中的任意一个定位样点的形心坐标,作为待计算形心坐标。
步骤212、计算待计算形心坐标与模板定位样点的形心坐标集合中的所有模板定位样点的形心坐标之间的欧氏距离,确定待计算形心坐标对应的最小欧氏距离。
计算机设备在得到定位样点的形心坐标集合后,先选取该集合中的任意一个定位样点的形心坐标,作为待计算形心坐标;然后计算该待计算形心坐标与模板定位样点的形心坐标集合中的所有模板定位样点的形心坐标之间的欧氏距离;比较所有的欧氏距离,确定其中最小的欧氏距离,即为待计算形心坐标对应的最小欧氏距离。
步骤213、去除模板定位样点的形心坐标集合中最小欧氏距离对应的模板定位样点的形心坐标,得到新的模板定位样点的形心坐标集合。
计算机设备在确定待计算形心坐标对应的最小欧氏距离后,将该最小欧氏距离对应的模板定位样点的形心坐标从模板定位样点的形心坐标集合中去除,可以得到新的模板定位样点的形心坐标集合。
步骤214、将新的模板定位样点的形心坐标集合作为模板定位样点的形心坐标集合,执行步骤210,直至选取出定位样点的形心坐标集合中的所有定位样点的形心坐标为止,其中,每次选取的待计算形心坐标均不同。
计算机设备将得到的新的模板定位样点的形心坐标集合作为模板定位样点的形心坐标集合,重新执行步骤210-步骤214,直至定位样点的形心坐标集合中的所有定位样点的形心坐标都被选取过为止。其中,在重新执行步骤201的过程中,每次任意选择的待计算形心坐标均不同,换句话说,定位样点的形心坐标集合中的所有定位样点均只作一次待计算形心坐标。
步骤203、若累加和小于预设累加阈值,则确定累加和集合;
计算机设备将每次得到的累加和与预设累加阈值进行对比,若累加和小于预设累加阈值,则将该累加和加入到累加和集合中,可以得到最终的累加和集合。
步骤204、将累加和集合中最小的元素对应的仿射变换矩阵确定为目标仿射变换矩阵。
计算机设备在得到累加和后,获取累加和集合中的最小累加和所对应的新的定位样点的形心坐标集合,将该集合所对应的仿射变换矩阵确定为目标仿射变换矩阵。
在本实施例中,可以准确地确定多个新的定位样点的形心坐标集合中最优的新的定位样点的形心坐标集合,从而能够确定可以得到该最优的新的定位样点的形心坐标集合的目标仿射变换矩阵,这样得到目标仿射变换矩阵。
请参见图22、在一个实施例中,步骤107根据目标样点图像,确定目标样点的阴阳性,包括:
步骤220、对目标样点图像进行二值化处理,得到目标样点二值化图像;
计算机设备在得到目标样点校正图像后,对其进行二值化处理,可以得到目标样点二值化图像。具体的二值化处理方法可以与上述实施例中对待分析微阵列芯片图像进行二值化处理的方法相同,在此不再赘述。
步骤221、根据初始掩膜校正图像和目标样点二值化图像,确定前景掩膜图像,其中,前景掩膜图像包括检出目标样点;
计算机设备在得到目标样点二值化图像后,根据初始掩膜校正图像可以从目标样点二值化图像提取出包括检出目标样点的前景掩膜图像。具体的,计算机设备可以将目标样点二值化图像与初始掩膜校正图像进行按位与运算可以得到前景掩膜图像。
在本实施例中,使用初始掩膜校正图像确定前景掩膜图像,可以提高前景掩膜图像的准确性。
步骤222、根据预设掩膜图像、初始掩膜校正图像和前景掩膜图像,确定背景掩膜图像,其中,所述背景掩膜图像包括未检出的目标样点。
预设掩膜图像可以是与前景掩膜图像大小一致的全白掩膜图像。计算机设备先用预设掩膜图像减去前景掩膜图像,再将减去后的图像与初始掩膜校正图像进行按位与运算,便可以得到背景掩膜图像。该背景掩膜图像与前景掩膜图像是相对应的。
步骤223、根据背景掩膜图像和目标样点校正图像,确定目标样点的阴阳性。
计算机设备在得到背景掩膜图像后,可以从目标样点校正图像中提取出来目标样点,从而可以确定目标样点的阴阳性。
在一个实施例中,确定目标样点的阴阳性的步骤如图23所示,包括:
步骤231、基于预设样点之间的几何栅格关系,确定检出目标样点的初始标称形心坐标和所述未检出目标样点的标称形心坐标。
预设样点之间的几何栅格关系是指在微阵列芯片标准模板上各样点之间的位置关系。具体的,各样点之间的位置关系是指:各样点之间的相邻横向间距标称值为Stepx,纵向间距标称值为Stepy,每个样点的标称覆盖直径为Diasample,Stepx、Stepy和Diasample均已知。在微阵列芯片的标准模板上可以确定检出目标样点和检出目标样点,则根据预设样点之间的几何栅格关系,可以确定对应的检出目标样点的初始形心坐标和未检出目标样点的标称形心坐标。
步骤232、根据未检出目标样点的标称形心坐标确定未检出目标样点的标称感兴趣区域。
计算机设备基于预设样点之间的几何栅格关系中的每个样点的标称覆盖直径,根据未检出目标样点的标称形心坐标可以确定未检出目标样点的标称感兴趣区域。具体的,计算机设备可以以未检出目标样点的标称形心坐标为中心,标称覆盖直径为直径形成的圆确定为该未检出目标样点的标称感兴趣区域计算机设备也可以以未检出目标样点的标称形心坐标为中心,以某固定长、短轴形成的椭圆作为该未检出目标样点的感兴趣区域,还可以将以未检出目标样点的形心坐标为中心,形成其他形状的图形作为该未检出目标样点的感兴趣区域。本实施例对确定未检出目标样点的标称感兴趣区域的方法不作限制,只要能够实现其功能即可。
步骤233、根据所述目标样点校正图像、所述检出目标样点的初始标称形心坐标,确定所述检出目标样点的目标标称形心坐标。
计算机设备根据目标样点校正可以获取目标样点校正图像中的检出目标样点的形心坐标,计算检出目标样点的形心坐标与其在微阵列芯片标准模板上对应的检出目标样点的初始标称形心坐标之间的差值,若该差值小于预设差值,则将检出目标样点的形心坐标作为该检出样点的目标标称形心坐标;若差值大于或等于预设差值,则将检出样点的初始标称形心坐标作为该检出目标样点的目标标称形心坐标。在本实施例中,考虑到样本点在某些情况下(诸如清洗所导致)发生一定微量偏移的情况,通过根据目标样点校正图像对检出目标样点的标称形心坐标进行修正,可以减少误差。
步骤234、根据检出目标样点的目标标称形心坐标确定检出目标样点的目标标称感兴趣区域。
计算机设备在确定了检出目标样点的目标标称形心坐标后,基于此确定该检出目标样点的目标标称感兴趣区域,具体的确定方法可以参考上述确定未检出目标样点的标称感兴趣区域的方法,在此不再赘述。
步骤235、计算目标样点校正图像在背景掩膜图覆盖范围内的像素值的均值和标准差。
计算机设备在得到背景掩膜图像和目标样点校正图像后,获取在目标样点校正图像在背景掩膜图像覆盖的范围内的所有像素点的像素值,并计算所有像素值的均值和标准差。目标样点校正图像在背景掩膜图像覆盖的范围内不包括检测目标样点。
步骤236、根据均值和标准差,确定阴阳性判断阈值。
计算机设备在得到均值和标准差后,可以根据公式meanbg+λ*SDbg得到阴阳性判断阈值,其中,meanbg为均值,SDbg为标准差,λ为正自然数。
步骤237、判断每个检出目标样点的感兴趣区域内的像素值的均值是否大于阴阳性判断阈值;若大于,则确定检出目标样点为阳性。
步骤238、判断每个所述未检出目标样点的感兴趣区域内的像素值的均值是否大于阴阳性判断阈值,若大于,则确定未检出目标样点为阳性。
计算机设备每个检出目标样点的感兴趣区域和每个未检出目标样点的感兴趣区域后,分别计算每个检出目标样点的感兴趣区域的像素值的均值和每个未检出目标样点的感兴趣区域像素值的均值。通过判断每个检出目标样点的感兴趣区域的像素值的均值与阴阳性判断阈值的大小,可以确定每个检出目标样点的阴阳性;通过判断每个未检出目标样点的感兴趣区域的像素值的均值与阴阳性判断阈值的大小,可以确定每个未检出目标样点的阴阳性。若该均值小于阴阳性判断阈值,则确定相对应的目标样点为阳性;若该均值小于等于阴阳性判断阈值,则确定相对应的目标样点为阴性,从而可以确定所有的目标样点的阴阳性。
在本实施例中,通过背景掩膜图像和前景掩膜图像可以将目标样点中的检出目标样点和未检出目标样点分开处理,能够提高确定目标样点的阴阳性的准确性。
请参见图24,在一个实施例中,微阵列芯片图像分析方法,还包括:
步骤241、获取目标样点中每类目标样点的数量。
通常情况下,微阵列芯片中包括多种类型的生物样本,则对微阵列芯片图像进行分析得到的目标样点也包括多种类型。在实际应用中,目标样点中均设置有编号,每类的目标样点的编号相同,通过获取编号相同的目标样点的数量可以获取目标样点中每类目标样点的数量。
步骤242、若同一类目标样点中阳性目标样点的数量与同一类目标样点的数量的比值大于或等于预设比例,则确定同一类目标样点对应的生物样本为阳性。
计算机设备在获取每一类的目标样点的数量后,根据同一类目标样点中阳性目标样点的数量与该类目标样点的总数量的比值与预设比例之间的关系,确定该类目标样点对应的生物样本的阴阳性;若该比值大于或等于预设比例,则确定该类目标样点对应的生物样本为阳性;若该比值小于预设比例,则确定该类目标样点对应的生物样本为阴性。在一个具体的实施例中,若目标样点的类型包括A、B和C三类,则通过确定A类目标样点中阳性目标样点的数量与A类目标样点的总数量的比值与预设比例之间的关系,可以确定A类目标样点对应的生物样点的阴阳性,同理,可以确定B类目标样点和C类目标样点分别对应的生物样点的阴阳性。
在本实施例中,通过每个目标样点的阴阳性,可以确定整个样本的阴阳性,提高了微阵列芯片图像分析方法的实用性。
应该理解的是,虽然图中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图25,本申请一个实施例提供一种微阵列芯片图像分析装置20,包括获取模块21、提取模块22、降噪模块23和确定模块24。其中,
获取模块21用于对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;
提取模块22用于提取初始二值化图像中的垫片图像区域,确定初始掩膜图像;
降噪模块23用于根据初始掩膜图像去除待分析微阵列芯片图像中的垫片图像区域,并对去除垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,得到降噪图像;
确定模块24用于根据降噪图像,确定降噪图像中目标样点的阴阳性。
关于上述微阵列芯片图像分析装置20的具体限定可以参见上文中对于微阵列芯片图像分析方法的限定,在此不在赘述。微阵列芯片图像分析装置20中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个装置或模块对应的操作。
请参见图26,在一个实施例中,提供了一种计算机设备,计算机设备可以是服务器,其内部结构图可以如图26所示。计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,计算机设备的处理器用于提供计算和控制能力。计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。计算机设备的数据库用于存储待分析微阵列芯片图像等其它图像。计算机设备的网络接口用于与外部的终端通过网络连接通信。计算机设备被处理器执行时以实现一种微阵列芯片图像分析方法。
本领域技术人员可以理解,图26中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现以下步骤:
对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;
提取初始二值化图像中的垫片图像区域,确定初始掩膜图像;
根据初始掩膜图像去除待分析微阵列芯片图像中的垫片图像区域,并对去除垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,得到降噪图像;
根据降噪图像,确定降噪图像中目标样点的阴阳性。
在一个实施例中,本申请提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;
提取初始二值化图像中的垫片图像区域,确定初始掩膜图像;
根据初始掩膜图像去除待分析微阵列芯片图像中的垫片图像区域,并对去除垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,得到降噪图像;
根据降噪图像,确定降噪图像中目标样点的阴阳性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (21)
1.一种微阵列芯片图像分析方法,其特征在于,包括:
对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;
提取所述初始二值化图像中的垫片图像区域,确定初始掩膜图像;
根据所述初始掩膜图像去除所述待分析微阵列芯片图像中的所述垫片图像区域,并对去除所述垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,得到降噪图像;
根据所述降噪图像,确定所述降噪图像中目标样点的阴阳性。
2.根据权利要求1所述的微阵列芯片图像分析方法,其特征在于,所述对所述待分析微阵列芯片图像进行二值化处理,得到初始二值化图像,包括:
基于最大类间方差法,计算所述待分析微阵列芯片图像的二值化阈值;
根据所述二值化阈值对所述待分析微阵列芯片图像进行二值化处理,得到所述初始二值化图像。
3.根据权利要求2所述的微阵列芯片图像分析方法,其特征在于,在所述待分析微阵列芯片图像为16位图像时,所述基于所述最大类间方差法,计算所述待分析微阵列芯片图像的二值化阈值,包括:
获取所述待分析微阵列芯片图像在所述初始掩膜图像覆盖范围内的最小像素值和最大像素值;
根据所述最小像素值和所述最大像素值,将16位的所述待分析微阵列芯片图像转化为8位的所述待分析微阵列芯片图像;
基于所述最大类间方差法,计算8位的所述待分析微阵列芯片图像的二值化阈值;
根据8位的所述待分析微阵列芯片图像的二值化阈值计算16位的所述待分析微阵列芯片图像的二值化阈值。
4.根据权利要求1所述的微阵列芯片图像分析方法,其特征在于,提取所述初始二值化图像中的垫片图像区域,确定初始掩膜图像,包括:
对所述初始二值化图像进行形态学闭运算处理,得到形态学处理图像;
基于图像细化算法,对所述形态学处理图像进行细化处理,得到所述垫片图像区域;
根据所述垫片图像区域,确定所述初始掩膜图像。
5.根据权利要求4所述的微阵列芯片图像分析方法,其特征在于,所述根据所述垫片图像区域,确定所述初始掩膜图像,包括:
获取所述垫片图像区域中的最外围轮廓,并将所述最外围轮廓中的轮廓长度大于预设长度阈值的轮廓,存入轮廓集合;
确定所述轮廓集合中所有轮廓的最小包裹矩形;
将所述最小包裹矩形的四边向所述最小包裹矩形的中心内缩预设距离,得到新的包裹矩形作为所述初始掩膜图像。
6.根据权利要求1所述的微阵列芯片图像分析方法,其特征在于,所述根据所述降噪图像,确定降噪图像中目标样点的阴阳性,包括:
对所述降噪图像进行二值化处理,得到降噪二值化图像;
根据所述降噪二值化图像,确定目标样点图像,其中,所述目标样点图像为检出目标样点所在的图像;
根据所述目标样点图像,确定所述目标样点的阴阳性。
7.根据权利要求6所述的微阵列芯片图像分析方法,其特征在于,根据所述降噪二值化图像,确定目标样点图像,包括:
对所述降噪二值化图像进行形态学处理和筛选处理,得到目标二值化图像,其中,所述目标二值化图像包括定位样点和所述检出目标样点;
基于预设阈值和所述目标二值化图像,根据所述降噪图像得到定位样点二值化图像;
根据所述降噪图像和所述定位样点二值化图像,确定所述目标样点图像。
8.根据权利要求7所述的微阵列芯片图像分析方法,其特征在于,所述基于预设阈值和所述目标二值化图像,根据所述降噪图像得到定位样点二值化图像,包括:
根据所述目标二值化图像从所述降噪图像中确定所述定位样点和所述检出目标样点,并获取所述定位样点和所述检出目标样点的最大像素值;
根据所述最大像素值和所述预设阈值,计算预设二值化阈值;
根据所述预设二值化阈值对所述降噪图像进行二值化处理,得到所述定位样点二值化图像。
9.根据权利要求7所述的微阵列芯片图像分析方法,其特征在于,根据所述降噪图像和所述定位样点二值化图像,确定所述目标样点图像,包括:
在所述降噪图像中去除所述定位样点二值化图像中的定位样点,得到所述目标样点图像。
10.根据权利要求7所述的微阵列芯片图像分析方法,其特征在于,所述方法还包括:
根据所述定位样点二值化图像,获取所述定位样点的数量;
判断所述定位样点的数量是否满足预设数量阈值范围;
若满足,则计算所述定位样点的形心坐标集合,并确定所述定位样点组成的有效三角形的三角特征,生成待匹配三角特征库;
获取模板定位样点的形心坐标集合和模板定位样点的三角特征库;
根据模板定位样点三角特征库、所述待匹配三角特征库、所述定位样点的形心坐标集合和所述模板定位样点的形心坐标集合,确定目标仿射变换矩阵;
根据所述目标仿射变换矩阵对所述目标样点图像进行校正,得到目标样点校正图像;根据所述目标仿射变换矩阵对所述初始掩膜图像进行校正,得到初始掩膜校正图像。
11.根据权利要求10所述的微阵列芯片图像分析方法,其特征在于,所述根据模板定位样点三角特征库、所述待匹配三角特征库、所述定位样点的形心坐标集合和所述模板定位样点的形心坐标集合,确定目标仿射变换矩阵,包括:
根据所述模板定位样点三角特征库和所述待匹配三角特征库,得到目标三角特征库;
根据所述目标三角特征库计算仿射变换矩阵集合;
根据所述定位样点的形心坐标集合和所述仿射变换矩阵集合,得到多个新的定位样点的形心坐标集合;
根据所述模板定位样点的形心坐标集合和多个所述新的定位样点的形心坐标集合,确定目标仿射变换矩阵。
12.根据权利要求11所述的微阵列芯片图像分析方法,其特征在于,所述根据所述模板定位样点三角特征库和所述待匹配三角特征库,得到目标三角特征库,包括:
将所述待匹配三角特征库中的每个三角特征分别与所述模板定位样点三角特征库中的每个三角特征相匹配;
若匹配,则将匹配的所述待匹配三角特征库中的三角特征和所述模板定位样点三角特征组成三角特征组加入所述目标三角特征库。
13.根据权利要求11所述的微阵列芯片图像分析方法,其特征在于,所述根据所述目标三角特征库计算仿射变换矩阵集合,包括:
获取所述目标三角特征库中的每个三角特征组;
获取每个所述三角特征组中匹配三角特征和模板三角特征,所述匹配三角特征为所述待匹配三角特征库中的三角特征,所述模板三角特征为所述模板定位样点三角特征库中的三角特征;
分别获取所述匹配三角特征中的三个有序顶点和所述模板三角特征中的三个有序顶点;
根据仿射变换算法,计算所述匹配三角特征中的三个有序顶点相对于所述模板三角特征中的三个有序顶点的仿射变换矩阵,得到所述仿射变换矩阵集合。
14.根据权利要求11所述的微阵列芯片图像分析方法,其特征在于,所述根据所述模板定位样点的形心坐标集合和多个所述新的定位样点的形心坐标集合,确定目标仿射变换矩阵,包括:
获取每个所述新的定位样点的形心坐标集合中的每个定位样点的形心坐标,以及每个所述模板定位样点的形心坐标集合中的每个模板定位样点的形心坐标;
计算所述每个定位样点的形心坐标与对应的所述模板定位样点的形心坐标之间的欧氏距离,确定所述每个定位样点的形心坐标所对应的最小欧氏距离,并将所有的所述最小欧氏距离的平方累加,得到累加和;
若所述累加和小于预设累加阈值,则确定累加和集合;
将所述累加和集合中最小的元素对应的仿射变换矩阵确定为所述目标仿射变换矩阵。
15.根据权利要求14所述的微阵列芯片图像分析方法,其特征在于,所述计算所述每个定位样点的形心坐标与对应的所述模板定位样点的形心坐标之间的欧氏距离,确定所述每个定位样点的形心坐标对应的最小欧氏距离,包括:
选取所述定位样点的形心坐标集合中的任意一个定位样点的形心坐标,作为待计算形心坐标;
计算所述待计算形心坐标与所述模板定位样点的形心坐标集合中的所有模板定位样点的形心坐标之间的欧氏距离,确定所述待计算形心坐标对应的最小欧氏距离;
去除所述模板定位样点的形心坐标集合中所述最小欧氏距离对应的模板定位样点的形心坐标,得到新的模板定位样点的形心坐标集合;
将所述新的模板定位样点的形心坐标集合作为所述模板定位样点的形心集合,执行所述选取所述定位样点的形心坐标集合中的任意一个定位样点的形心坐标集合,作为待计算形心坐标,直至选取出所述定位样点的形心坐标集合中的所有定位样点的形心坐标为止,其中,每次选取的所述待计算形心坐标均不同。
16.根据权利要求10所述的微阵列芯片图像分析方法,其特征在于,所述根据所述目标样点图像,确定所述目标样点的阴阳性,包括:
对所述目标样点校正图像进行二值化处理,得到目标样点二值化图像;
根据所述初始掩膜校正图像和所述目标样点二值化图像,确定前景掩膜图像,其中,所述前景掩膜图像包括检出目标样点;
根据预设掩膜图像、所述初始掩膜校正图像和所述前景掩膜图像,确定背景掩膜图像,其中,所述背景掩膜图像包括未检出目标样点;
根据所述背景掩膜图像和所述目标样点校正图像,确定所述目标样点的阴阳性。
17.根据权利要求16所述的微阵列芯片图像分析方法,其特征在于,所述根据所述背景掩膜图像和所述目标样点校正图像,确定所述目标样点的阴阳性,包括:
基于预设样点之间的几何栅格关系,确定所述检出目标样点的初始标称形心坐标和所述未检出目标样点的标称形心坐标;
根据所述未检出目标样点的标称形心坐标确定所述未检出目标样点的标称感兴趣区域;
根据所述目标样点校正图像、所述检出目标样点的初始标称形心坐标,确定所述检出目标样点的目标标称形心坐标;
根据所述检出目标样点的目标标称形心坐标确定所述检出目标样点的目标标称感兴趣区域;
计算所述目标样点校正图像在所述背景掩膜图覆盖范围内的像素值的均值和标准差。
根据所述均值和所述标准差,确定阴阳性判断阈值;
判断每个所述检出目标样点的感兴趣区域内的像素值的均值是否大于所述阴阳性判断阈值;若大于,则确定所述检出目标样点为阳性;
判断每个所述未检出目标样点的感兴趣区域内的像素值的均值是否大于所述阴阳性判断阈值;若大于,则确定所述未检出目标样点为阳性。
18.根据权利要求17所述的微阵列芯片图像分析方法,其特征在于,还包括:
获取所述目标样点中每类目标样点的数量;
若同一类目标样点中阳性目标样点中的数量与所述同一类目标样点的数量的比值大于或等于预设比例,则确定所述同一类目标样点所对应的生物样本为阳性。
19.一种微阵列芯片图像分析装置,其特征在于,包括:
获取模块,用于对获取的待分析微阵列芯片图像进行二值化处理,得到初始二值化图像;
提取模块,用于提取所述初始二值化图像中的垫片图像区域,确定初始掩膜图像;
降噪模块,用于根据所述初始掩膜图像去除所述待分析微阵列芯片图像中的所述垫片图像区域,并对去除所述垫片图像区域后的待分析微阵列芯片图像进行滤波降噪处理,得到降噪图像;
确定模块,用于根据所述降噪图像,确定所述降噪图像中目标样点的阴阳性。
20.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至18中任一项所述的方法步骤。
21.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至18中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342359.7A CN113160074A (zh) | 2021-03-30 | 2021-03-30 | 微阵列芯片图像分析方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342359.7A CN113160074A (zh) | 2021-03-30 | 2021-03-30 | 微阵列芯片图像分析方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113160074A true CN113160074A (zh) | 2021-07-23 |
Family
ID=76885445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110342359.7A Pending CN113160074A (zh) | 2021-03-30 | 2021-03-30 | 微阵列芯片图像分析方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160074A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135262A (zh) * | 2024-05-08 | 2024-06-04 | 中博瑞康(成都)生物科技有限公司 | 图像分析方法和电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5623560A (en) * | 1992-11-27 | 1997-04-22 | Fuji Photo Film Co., Ltd. | Method for adjusting positions of radiation images |
KR20010074602A (ko) * | 2001-05-10 | 2001-08-04 | 장준근 | 유전자 칩의 이미지 처리 방법 |
US20020193962A1 (en) * | 2000-06-06 | 2002-12-19 | Zohar Yakhini | Method and system for extracting data from surface array deposited features |
CN1483142A (zh) * | 2000-12-26 | 2004-03-17 | ���ְ�˹��ѧ��ҵ��ʽ���� | 荧光辉度测量方法及装置 |
WO2009126495A2 (en) * | 2008-04-09 | 2009-10-15 | Vidar Systems Corporation | Method and system for processing microarray images |
WO2013171565A2 (en) * | 2012-05-16 | 2013-11-21 | LICENZIATI, Arturo, Pino, Giuseppe, Antonio | Method and system for evaluating molecules in biological samples using microarray derived images |
WO2018010391A1 (zh) * | 2016-07-13 | 2018-01-18 | 广州视源电子科技股份有限公司 | 一种板卡的检测方法及装置 |
JP2019096151A (ja) * | 2017-11-24 | 2019-06-20 | 日本電信電話株式会社 | 画像解析装置、画像解析方法及び画像解析プログラム |
CN110490836A (zh) * | 2019-07-04 | 2019-11-22 | 中国科学院苏州生物医学工程技术研究所 | dPCR微阵列图像信息处理方法 |
US20210090219A1 (en) * | 2020-01-13 | 2021-03-25 | Jiangxi University Of Science And Technology | Salt and pepper noise filtering method and device based on morphological component analysis |
-
2021
- 2021-03-30 CN CN202110342359.7A patent/CN113160074A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5623560A (en) * | 1992-11-27 | 1997-04-22 | Fuji Photo Film Co., Ltd. | Method for adjusting positions of radiation images |
US20020193962A1 (en) * | 2000-06-06 | 2002-12-19 | Zohar Yakhini | Method and system for extracting data from surface array deposited features |
CN1483142A (zh) * | 2000-12-26 | 2004-03-17 | ���ְ�˹��ѧ��ҵ��ʽ���� | 荧光辉度测量方法及装置 |
KR20010074602A (ko) * | 2001-05-10 | 2001-08-04 | 장준근 | 유전자 칩의 이미지 처리 방법 |
WO2009126495A2 (en) * | 2008-04-09 | 2009-10-15 | Vidar Systems Corporation | Method and system for processing microarray images |
WO2013171565A2 (en) * | 2012-05-16 | 2013-11-21 | LICENZIATI, Arturo, Pino, Giuseppe, Antonio | Method and system for evaluating molecules in biological samples using microarray derived images |
WO2018010391A1 (zh) * | 2016-07-13 | 2018-01-18 | 广州视源电子科技股份有限公司 | 一种板卡的检测方法及装置 |
JP2019096151A (ja) * | 2017-11-24 | 2019-06-20 | 日本電信電話株式会社 | 画像解析装置、画像解析方法及び画像解析プログラム |
CN110490836A (zh) * | 2019-07-04 | 2019-11-22 | 中国科学院苏州生物医学工程技术研究所 | dPCR微阵列图像信息处理方法 |
US20210090219A1 (en) * | 2020-01-13 | 2021-03-25 | Jiangxi University Of Science And Technology | Salt and pepper noise filtering method and device based on morphological component analysis |
Non-Patent Citations (1)
Title |
---|
张琛;李会方;邱龙甲;: "微阵列图像降噪和自动定位", 西安工业大学学报, no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135262A (zh) * | 2024-05-08 | 2024-06-04 | 中博瑞康(成都)生物科技有限公司 | 图像分析方法和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034426B (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN110766736B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
CN110211076B (zh) | 图像拼接方法、图像拼接设备和可读存储介质 | |
CN112184744B (zh) | 显示屏边缘缺陷检测方法和装置 | |
CN113112443B (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
WO2013080868A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN112750121B (zh) | 用于病理玻片数字图像质量检测的系统及其方法 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN111091571A (zh) | 细胞核分割方法、装置、电子设备及计算机可读存储介质 | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
WO2021129324A1 (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
CN114549603B (zh) | 细胞病理图像的标注坐标转换方法、系统、设备及介质 | |
CN111652844B (zh) | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN114972209A (zh) | 宫颈病理图像处理方法和装置 | |
CN113160074A (zh) | 微阵列芯片图像分析方法、装置、计算机设备和存储介质 | |
CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
CN117372487A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
Wang et al. | Precise gridding of microarray images by detecting and correcting rotations in subarrays | |
CN111815591B (zh) | 基于ct图像的肺结节检测方法 | |
CN113255405B (zh) | 车位线识别方法及其系统、车位线识别设备、存储介质 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 |
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 |