CN113205498B - 一种细胞形态扫描区域选择方法 - Google Patents

一种细胞形态扫描区域选择方法 Download PDF

Info

Publication number
CN113205498B
CN113205498B CN202110481520.9A CN202110481520A CN113205498B CN 113205498 B CN113205498 B CN 113205498B CN 202110481520 A CN202110481520 A CN 202110481520A CN 113205498 B CN113205498 B CN 113205498B
Authority
CN
China
Prior art keywords
area
scanning
set threshold
threshold value
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110481520.9A
Other languages
English (en)
Other versions
CN113205498A (zh
Inventor
王志岗
贺环宇
李昕
高晓斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Shenxi Intelligent Technology Development Co ltd
Original Assignee
Tianjin Shenxi Intelligent Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Shenxi Intelligent Technology Development Co ltd filed Critical Tianjin Shenxi Intelligent Technology Development Co ltd
Priority to CN202110481520.9A priority Critical patent/CN113205498B/zh
Publication of CN113205498A publication Critical patent/CN113205498A/zh
Application granted granted Critical
Publication of CN113205498B publication Critical patent/CN113205498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • 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
    • G06T2207/30242—Counting objects in image

Abstract

一种细胞形态扫描区域选择方法，在高分辨率细胞形态学自动扫描流程中，通过10倍物镜预扫得到若干张十倍图之后，首先估算每张十倍图中的有核细胞数和成熟红细胞数，计算区域面积大于设定阈值的空白区域轮廓，计算染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓，然后按照成熟红细胞数从大到小的顺序选择区域，同时要避开所述的空白区域和染色深度大于设定阈值的区域，直到所选区域中的有核细胞数达到设定值，完成最优扫描区域的选择。本发明能够模拟人工在低倍镜下选择代表性区域的过程，避免高倍镜下对大量无效区域的扫描，直接对选择的有效区域进行高倍镜扫描，减少扫描时间，提高扫描效率，从而确保自动扫描流程高效顺利地进行。

Description

一种细胞形态扫描区域选择方法
技术领域
本发明涉及一种图像处理方法。特别是涉及一种细胞形态扫描区域选择方法。
背景技术
细胞形态学作为各种血细胞检验的基础，对大多数血液病的诊断与治疗起着至关重要的作用。很多疾病通过在显微镜下观察各种血细胞的形态与数量可以得到初步印象或诊断及分类，并为进一步检查提供依据或思路。传统的检验方法需要人工选择涂片中具有代表性的细胞镜检区域，然后从低倍镜转换到高倍镜进一步观察细胞形态、比例等。随着全自动显微镜扫描平台的出现，通过图像处理及人工智能技术可实现对涂片的全自动扫描及分析，彻底改变了传统的人工镜下对血细胞的识别及手工计数的工作方式，极大地提高了工作效率，并且改善了检验结果的精密度和准确度。而在全自动扫描流程中涉及到低倍物镜(通常是10X)和高倍物镜(通常是100X)的转换，此过程需要在低倍镜下寻找合适的扫描区域，然后再切换到高倍镜下进行扫描。
高分辨率细胞形态学自动扫描流程中涉及到低倍物镜和高倍物镜的转换过程，首先需要从大量的低倍物镜扫描结果图中寻找合适的扫描区域(一个低倍视野＝100个高倍视野)，然后切换到高倍镜下进行详细扫描。因此，扫描区域的选择是直接影响扫描效果的关键因素。
发明内容
本发明所要解决的技术问题是，提供一种能够从大量的低倍物镜扫描图中选择出合适的区域以进行高倍镜扫描的细胞形态扫描区域选择方法。
本发明所采用的技术方案是：一种细胞形态扫描区域选择方法，在高分辨率细胞形态学自动扫描流程中，通过10倍物镜预扫得到若干张十倍图之后，首先估算每张十倍图中的有核细胞数和成熟红细胞数，计算区域面积大于设定阈值的空白区域轮廓，计算染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓，然后按照成熟红细胞数从大到小的顺序选择区域，同时要避开所述的空白区域和染色深度大于设定阈值的区域，直到所选区域中的有核细胞数达到设定值，完成最优扫描区域的选择。
本发明的一种细胞形态扫描区域选择方法，根据低倍图(清晰度不如高倍图)选择合适有效的高倍镜扫描区域的算法，其扫描区域选择的结果符合检验的要求，与人工选择基本一致。本发明的方法能够模拟人工在低倍镜下选择代表性区域的过程，能够避免高倍镜下对大量无效区域的扫描，直接对选择的有效区域进行高倍镜扫描，可以减少扫描时间，提高扫描效率，从而确保自动扫描流程高效顺利地进行。
附图说明
图1是本发明中有核细胞数和成熟红细胞数计算流程图；
图2是本发明中较大空白区域轮廓计算流程图；
图3是本发明中染色过深的大连通区域轮廓计算流程图。
具体实施方式
下面结合实施例和附图对本发明的基于丝杠和直线导轨的竖直方向波浪浮标检测装置及方法做出详细说明。
本发明的一种细胞形态扫描区域选择方法，是在高分辨率细胞形态学自动扫描流程中，通过10倍物镜预扫得到若干张十倍图之后，包括：根据图1所示的流程估算每张十倍图中的有核细胞数、成熟红细胞数；根据图2所示的流程计算区域面积大于设定阈值的空白区域轮廓；根据图3所示的流程计算染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓，然后按照成熟红细胞数从大到小的顺序选择区域，同时要避开所述的空白区域和染色深度大于设定阈值的区域，直到所选区域中的有核细胞数达到设定值，完成最优扫描区域的选择。如图1、图2、图3所示，具体包括如下步骤：
1)对预扫得到的每一张十倍图的各参数进行计算，包括：
1.1)计算有核细胞数
有核细胞是需在高倍镜下进一步观察的目标，其总数需达到检验的要求。有核细胞数的计算方法具体如下：
(1.1.1)对十倍图进行通道分离，得到R、G、B三个通道的灰度图；
(1.1.2)根据有核细胞的特点，将B通道与G通道相减得到突出有核细胞的灰度图；
(1.1.3)通过三类别的最大类间方差法及一维最大熵方法对得到的灰度图计算阈值，取其中最大阈值对灰度图进行二值化；
(1.1.4)对二值化结果图进行设定尺寸的腐蚀操作，并去掉小于设定面积的连通区域；
(1.1.5)统计最终图中的连通区域个数即为估算的有核细胞数；
1.2)计算成熟红细胞数
在成熟红细胞基本为单层、分布均匀的视野中有核细胞结构较清晰，适于细胞形态的观察，成熟红细胞数在一定程度上能够反应其分布情况，单个十倍图视野中识别出的红细胞数越多说明其分布越相对均匀。成熟红细胞数的计算方法具体如下：
(1.2.1)将十倍图的R通道反色；
(1.2.2)对第(1.1)步得到的二值化结果图进行设定尺寸的开运算，结果作为掩膜(mask)；
(1.2.3)将R通道反色图中对应掩膜的非零位置赋值为零，以排除有核细胞对成熟红细胞检测的干扰；
(1.2.4)进行霍夫(hough)圆检测，检测出圆的个数即识别出的成熟红细胞个数；
1.3)计算区域面积大于设定阈值的空白区域轮廓(油滴或划痕)
较大的空白区域在高倍镜扫描时是应尽量避开的，其计算方法如下：
(1.3.1)将十倍图转为灰度图；
(1.3.2)将灰度图的宽高都缩小为原图的1/10；
(1.3.3)利用大津阈值方法对缩小后的灰度图做二值化；
(1.3.4)对二值化结果图进行设定尺寸的腐蚀，并去掉小于设定面积的连通区域
(1.3.5)对去掉小于设定面积的连通区域的结果图进行相同尺寸的膨胀，并恢复原图尺寸；
(1.3.6)寻找恢复原图尺寸的结果图中的连通区域的外轮廓，即为大于设定阈值的空白区域轮廓；
1.4)计算染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓
染色过深的大连通区域(或较大杂质)在高倍镜扫描时也是应尽量避开的，其计算方法如下：
(1.4.1)将十倍图转为灰度图并反色；
(1.4.2)将灰度图的宽高都缩小为原图的1/10；
(1.4.3)通过三类别的最大类间方差方法计算阈值，取其中最大值对缩小后的灰度图做二值化；
(1.4.4)对二值化结果图进行设定尺寸的腐蚀，并去掉小于设定面积的连通区域；
(1.4.5)对上去掉小于设定面积的连通区域的结果图进行相同尺寸的膨胀，并恢复原图尺寸；
(1.4.6)寻找恢复原图尺寸结果图中的连通区域的外轮廓，即为染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓；
2)寻找最优扫描区域
(1)将所有十倍图按坐标位置组成M列、N行的矩阵，如表1所示；
表1
0，0 1，0 2，0 3，0
0，1 1，1 2，1 3，1
0，2 1，2 2，2 3，2
(2)将计算得到的成熟红细胞数、区域面积大于设定阈值的空白区域轮廓的面积和染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓面积对应取值为B、C、D，计算每张十倍图评估值Q的函数为：
Q＝k*B/(m*C+n*D)其中，k、m、n为大于零小于1的常量；
Q值取值越高，图像质量越好；
(3)选出矩阵中，Q值最大的图作为当前选择区域，如表1中的[2,1]；
(4)判断当前选择区域有核细胞总数T是否满足扫描需求的有核细胞个数C，其中T>＝C；如果满足需求或者已经覆盖矩阵中的所有十倍图区域，则当前选择区域就是最优扫描区域，结束；否则进入下一步；
(5)选出与当前选择区域相邻的上下左右区域中Q值最大的区域，将所述的当前选择区域合并到Q值最大的区域中，形成新的当前选择区域(如表1中的[2,1]合并到[3,1])，返回第(4)步。

Claims (5)

1.一种细胞形态扫描区域选择方法，其特征在于，在高分辨率细胞形态学自动扫描流程中，通过10倍物镜预扫得到若干张十倍图之后，首先估算每张十倍图中的有核细胞数和成熟红细胞数，计算区域面积大于设定阈值的空白区域轮廓，计算染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓，然后按照成熟红细胞数从大到小的顺序选择区域，同时要避开所述的空白区域和染色深度大于设定阈值的区域，直到所选区域中的有核细胞数达到设定值，完成最优扫描区域的选择；具体包括如下步骤：
1）对预扫得到的每一张十倍图的各参数进行计算，包括：计算有核细胞数、计算成熟红细胞数、计算区域面积大于设定阈值的空白区域轮廓和计算染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓；
2）寻找最优扫描区域
（1）将所有十倍图按坐标位置组成M列、N行的矩阵；
（2）将计算得到的成熟红细胞数、区域面积大于设定阈值的空白区域轮廓的面积和染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓面积对应取值为B、C、D，计算每张十倍图评估值Q的函数为：
Q=k*B/(m*C+n*D)其中，k、m、n 为大于零小于1的常量；
Q值取值越高，图像质量越好；
（3）选出矩阵中，Q值最大的图作为当前选择区域；
（4）判断当前选择区域有核细胞总数T是否满足扫描需求的有核细胞个数C，其中T >=C；如果满足需求或者已经覆盖矩阵中的所有十倍图区域，则当前选择区域就是最优扫描区域，结束；否则进入下一步；
（5）选出与当前选择区域相邻的上下左右区域中Q值最大的区域，将所述的当前选择区域合并到Q值最大的区域中，形成新的当前选择区域，返回第（4）步。
2.根据权利要求1所述的一种细胞形态扫描区域选择方法，其特征在于，步骤1）中所述的有核细胞数的计算方法具体如下：
（1.1）对十倍图进行通道分离，得到R、G、B三个通道的灰度图；
（1.2）根据有核细胞的特点，将B通道与G通道相减得到突出有核细胞的灰度图；
（1.3）通过三类别的最大类间方差法及一维最大熵方法对得到的灰度图计算阈值，取其中最大阈值对灰度图进行二值化；
（1.4）对二值化结果图进行设定尺寸的腐蚀操作，并去掉小于设定面积的连通区域；
（1.5）统计最终图中的连通区域个数即为估算的有核细胞数。
3.根据权利要求1所述的一种细胞形态扫描区域选择方法，其特征在于，步骤1）中所述的成熟红细胞数的计算方法如下：
（2.1）将十倍图的R通道反色；
（2.2）对在进行有核细胞数的计算中得到的二值化结果图进行设定尺寸的开运算，结果作为掩膜；
（2.3）将R通道反色图中对应掩膜的非零位置赋值为零，以排除有核细胞对成熟红细胞检测的干扰；
（2.4）进行霍夫圆检测，检测出圆的个数即识别出的成熟红细胞个数。
4.根据权利要求1所述的一种细胞形态扫描区域选择方法，其特征在于，步骤1）中所述的区域面积大于设定阈值的空白区域轮廓的计算方法如下：
（3.1）将十倍图转为灰度图；
（3.2）将灰度图的宽高都缩小为原图的1/10；
（3.3）利用大津阈值方法对缩小后的灰度图做二值化；
（3.4）对二值化结果图进行设定尺寸的腐蚀，并去掉小于设定面积的连通区域
（3.5）对去掉小于设定面积的连通区域的结果图进行相同尺寸的膨胀，并恢复原图尺寸；
（3.6）寻找恢复原图尺寸的结果图中的连通区域的外轮廓，即为大于设定阈值的空白区域轮廓。
5.根据权利要求1所述的一种细胞形态扫描区域选择方法，其特征在于，步骤1）中所述的染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓计算方法如下：
（4.1）将十倍图转为灰度图并反色；
（4.2）将灰度图的宽高都缩小为原图的1/10；
（4.3）通过三类别的最大类间方差方法计算阈值，取其中最大值对缩小后的灰度图做二值化；
（4.4）对二值化结果图进行设定尺寸的腐蚀，并去掉小于设定面积的连通区域；
（4.5）对上去掉小于设定面积的连通区域的结果图进行相同尺寸的膨胀，并恢复原图尺寸；
（4.6）寻找恢复原图尺寸结果图中的连通区域的外轮廓，即为染色深度大于设定阈值且连通区域面积大于设定阈值的轮廓。
CN202110481520.9A 2021-04-30 2021-04-30 一种细胞形态扫描区域选择方法 Active CN113205498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110481520.9A CN113205498B (zh) 2021-04-30 2021-04-30 一种细胞形态扫描区域选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110481520.9A CN113205498B (zh) 2021-04-30 2021-04-30 一种细胞形态扫描区域选择方法

Publications (2)

Publication Number Publication Date
CN113205498A CN113205498A (zh) 2021-08-03
CN113205498B true CN113205498B (zh) 2022-09-09

Family

ID=77028229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110481520.9A Active CN113205498B (zh) 2021-04-30 2021-04-30 一种细胞形态扫描区域选择方法

Country Status (1)

Country Link
CN (1) CN113205498B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114152610B (zh) * 2021-11-02 2023-06-27 桂林优利特医疗电子有限公司 一种基于可视化目标标记的玻片细胞扫描方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112432948A (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自动检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8067245B2 (en) * 2006-07-24 2011-11-29 Medica Corporation Automated microscope for blood cell analysis
EP2757372B1 (en) * 2011-09-16 2023-08-23 AVE Science & Technology Co., Ltd. Device and method for erythrocyte morphology analysis
CN109034208B (zh) * 2018-07-03 2020-10-23 怀光智能科技（武汉）有限公司 一种高低分辨率组合的宫颈细胞切片图像分类系统
CN110132823A (zh) * 2019-05-15 2019-08-16 林伟阳 一种基于模板匹配与查找轮廓的细胞计数方法
CN111795967B (zh) * 2020-05-25 2023-07-21 中国人民解放军陆军军医大学第二附属医院 一种骨髓细胞形态学自动检测系统的涂片自检方法
CN112419295A (zh) * 2020-12-03 2021-02-26 腾讯科技（深圳）有限公司 医学图像处理方法、装置、计算机设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112432948A (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自动检测方法

Also Published As

Publication number Publication date
CN113205498A (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
US4175860A (en) Dual resolution method and apparatus for use in automated classification of pap smear and other samples
CN109472761B (zh) 一种基于荧光图像的细胞计数方法及系统
US20190220981A1 (en) Systems and methods for adaptive histopathology image unmixing
CN111462076B (zh) 一种全切片数字病理图像模糊区域检测方法及系统
CN109182081B (zh) 一种基于图像处理模型的单细胞分选系统
KR20080016847A (ko) 크로모겐 분리에 기초한 영상 분석 방법
CN110987886A (zh) 一种全自动显微影像荧光扫描系统
CN110853006B (zh) 一种使用扫描仪获取的数字病理图像质量评价的方法
CN113205498B (zh) 一种细胞形态扫描区域选择方法
US20230184703A1 (en) Quantitative statistical characterization method of micron-level second phase in aluminum alloy based on deep learning
CN114910480A (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
CN110796661B (zh) 基于卷积神经网络的真菌显微图像分割检测方法及系统
CN110910318A (zh) 综合诊断光路快速自动准直系统弱对比度纹影小球中心计算方法
CN115541601A (zh) 一种基于机器视觉的钢材低倍数字化检测方法
CN110930425B (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN112329664A (zh) 一种原核期胚胎原核数量的评估方法
Kovalev et al. Deep learning in big image data: Histology image classification for breast cancer diagnosis
CN112767345B (zh) 一种dd6单晶高温合金共晶缺陷检测和分割方法
CN114155226A (zh) 一种微小缺陷边缘计算方法
CN111795967B (zh) 一种骨髓细胞形态学自动检测系统的涂片自检方法
CN112116600A (zh) 一种基于图像处理的光伏板计数方法
CN116883323A (zh) 一种基于计算机视觉的多重免疫荧光图像分析系统
CN115565698B (zh) 一种人工智能评估供肾质量的方法及系统
CN114627308A (zh) 一种骨髓细胞形态学特征的提取方法与系统
CN112581424B (zh) 一种光学元件表面与亚表面缺陷的分类提取方法

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