CN113344958A - 一种显微成像扫描方法及扫描系统 - Google Patents

一种显微成像扫描方法及扫描系统 Download PDF

Info

Publication number
CN113344958A
CN113344958A CN202110878482.0A CN202110878482A CN113344958A CN 113344958 A CN113344958 A CN 113344958A CN 202110878482 A CN202110878482 A CN 202110878482A CN 113344958 A CN113344958 A CN 113344958A
Authority
CN
China
Prior art keywords
image
focusing
scanned
current
microscopic
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
Application number
CN202110878482.0A
Other languages
English (en)
Other versions
CN113344958B (zh
Inventor
不公告发明人
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.)
Changsha Lanxin Intelligent Technology Co ltd
Original Assignee
Changsha Lanxin Intelligent Technology 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 Changsha Lanxin Intelligent Technology Co ltd filed Critical Changsha Lanxin Intelligent Technology Co ltd
Priority to CN202110878482.0A priority Critical patent/CN113344958B/zh
Publication of CN113344958A publication Critical patent/CN113344958A/zh
Application granted granted Critical
Publication of CN113344958B publication Critical patent/CN113344958B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microscoopes, Condenser (AREA)

Abstract

本发明涉及一种显微成像扫描方法，该方法包括：获取预览图像、对应的二值化图像及图像中各个小块的边缘轮廓信息，并得到包含边缘轮廓信息的正外接矩形作为待扫描区域；针对当前待扫描区域，确定多个预聚焦视野，在各个预聚焦视野内采集多个显微图像，使用自动聚焦算法确定所述各个预聚焦视野的最佳聚焦位置并对其进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置；根据所有视野的最佳聚焦位置和预设的扫描方式，扫描得到各预聚焦视野的清晰显微图像并进行拼接得到待扫描区域的显微图像；构建数字显微图像画布，将每个显微图像贴在数字显微图像画布对应的位置，得到全视野显微图像。采用本方法能够提高扫描的速度，节省数字图像存储空间。

Description

一种显微成像扫描方法及扫描系统
技术领域
本申请涉及显微成像技术领域，特别是涉及一种显微成像扫描方法及扫描系统。
背景技术
现有的数字显微镜在扫描玻片样本时先拍摄一张玻片样本的预览图像，然后利用控制软件自动选定待扫描的样本区域，数字显微镜随后对选定的待扫描区域进行自动聚焦并扫描获得最终的高分辨率、全视野数字切片图像。
通常情况下，玻片样本上待检测的样本为一个细胞或者组织，集中在一个区域内，因而目前市面上大多数的数字显微镜都是单区域选定扫描，对一些特殊的玻片样本，由于扫描对象在切片上较为分散，如果还是按照常规的扫描方法，数字显微镜会将分散的多个细胞或者组织作为一个整体扫描到同一个区域内，扫描到同一区域的多个组织之间会留下许多空白区域，不但增加了扫描时间，也浪费了计算机的存储空间。
因此，亟需一种仅对检测到样本的区域进行扫描的方法，以提高扫描的速度，节省数字图像存储空间。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高扫描的速度，节省数字图像存储空间的一种显微成像扫描方法及扫描系统。
一种显微成像扫描方法，所述方法包括：
获取预览相机对玻片样本进行拍照得到的预览图像；以及获取所述预览图像对应的二值化图像；
获取所述二值化图像中各个小块的边缘轮廓信息，根据所述各个小块的边缘轮廓信息，得到包含所述各个小块边缘轮廓信息的多个正外接矩形，将所述多个正外接矩形作为多个待扫描区域；
选取所述多个待扫描区域中的一个待扫描区域作为当前待扫描区域，针对当前待扫描区域，选取多个预聚焦视野，在各个预聚焦视野内采集多个显微图像，对采集到的显微图像使用自动聚焦算法计算清晰度值，确定所述各个预聚焦视野的最佳聚焦位置；
对当前待扫描区域中各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置；
根据当前待扫描区域得到的所有视野的最佳聚焦位置和预设的扫描方式，扫描得到当前待扫描区域各个视野的清晰显微图像，将所述清晰显微图像进行拼接，得到当前待扫描区域的显微图像；
构建全分辨率数字显微图像画布，将每个待扫描区域的扫描显微图像贴在对应的位置，得到全视野显微图像。
优选的，所述针对当前待扫描区域，选取多个预聚焦视野，包括：利用预设的聚类算法对当前待扫描区域进行聚类，得到多个区域块；将各个区域块划分为N个子区域，计算各个子区域的饱和度，将饱和度大于预设值的子区域作为对应区域块的预聚焦视野。
所述计算各个子区域的饱和度，包括：将所述当前待扫描区域对应的预览图像从RGB颜色空间中提取饱和度分量；根据所述饱和度分量确定各个子区域的饱和度。
优选的，在各个预聚焦视野内采集多个显微图像，对采集到的显微图像使用自动聚焦算法计算清晰度值，确定所述各个预聚焦视野的最佳聚焦位置，包括：选择一个预聚焦视野作为当前预聚焦视野；在所述当前预聚焦视野中，沿Z轴移动显微镜物镜，得到若干显微图像；将所述显微图像从RGB颜色空间中提取饱和度分量，利用所述饱和度分量加权对应RGB颜色空间中对应像素位置的亮度值，得到饱和度加权后的显微图像；计算所述饱和度加权后的显微图像的清晰度值，将清晰度值最大的饱和度加权后的显微图像对应的Z轴位置作为当前预聚焦视野的最佳聚焦位置。
优选的，计算所述饱和度加权后的显微图像的清晰度值，包括：
利用梯度算法提取所述饱和度加权后的显微图像水平方向和垂直方向的梯度值；根据水平方向和垂直方向的梯度值，采用图像清晰度评价函数计算得到清晰度值。
优选的，对当前待扫描区域中各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置，包括：
若当前待扫描区域中预聚焦视野的数量大于阈值时，采用曲面拟合算法对所述各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置；若当前待扫描区域中预聚焦视野的数量小于阈值时，采用曲线拟合算法对所述各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置。
优选的，所述获取所述预览图像对应的二值化图像，包括：
采用背景分割算法对所述预览图像进行分割，得到预览图像对应的二值化图像；所述背景分割算法包括特征提取网络、金字塔池化网络以及预测网络，特征提取网络采用预训练的含有空洞卷积策略的深度神经卷积网络对输入的预览图像提取高维特征图，金字塔池化网络采用4级金字塔模型，将所述高维特征图作为输入，并将所述高维特征图池化为4种不同的尺度，使用1×1卷积对池化后的特征图进行降维，利用双线性插值算法将降维后的特征图上采样到输入特征图的尺寸，将不同层级的特征级联到一起作为最后的金字塔池化全局特征，预测网络包括1个卷积层，输入是金字塔池化全局特征和所述高维特征图级联后的特征，输出预测的分割图像，将预测的分割图像进行二值化处理，获得二值化图像。
为实现上述目的，本发明还提出一种显微成像扫描装置，包括：
图像获取模块，用于获取预览相机对玻片样本进行拍照得到的预览图像；以及获取所述预览图像对应的二值化图像；
扫描区域确定模块，用于获取所述二值化图像中各个小块的边缘轮廓信息，根据所述各个小块的边缘轮廓信息，得到包含所述各个小块边缘轮廓信息的多个正外接矩形，将所述多个正外接矩形作为多个待扫描区域；
自动聚焦模块，用于在多个待扫描区域中选择一个待扫描区域作为当前待扫描区域，针对当前待扫描区域，选取多个预聚焦视野，在各个预聚焦视野内采集多个显微图像，对采集到的显微图像使用自动聚焦算法计算清晰度值，确定所述各个预聚焦视野的最佳聚焦位置；对当前待扫描区域中各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置；
图像拼接模块，用于根据当前待扫描区域得到的所有视野的最佳聚焦位置和预设的扫描方式，扫描得到当前待扫描区域各个视野的清晰显微图像，将所述清晰显微图像进行拼接，得到当前待扫描区域的显微图像；构建全分辨率数字显微图像画布，将每个待扫描区域的扫描显微图像进行拼接，得到全视野显微图像。
为实现上述目的，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述方法的步骤。
上述显微成像扫描方法及扫描系统，在扫描聚焦过程中，对预聚焦视野的最佳聚焦位置进行拟合，得到待扫描区域所有视野的最佳聚焦位置，聚焦速度快，准确度高，然后扫描得到各个视野的清晰显微图像，将所述清晰显微图像进行拼接，得到当前待扫描区域的显微图像；将每个待扫描区域的扫描显微图像进行拼接，得到全视野显微图像，提高了扫描的速度，节省了数字图像存储空间。
本发明使用背景分割算法能实现准确的背景分割，为聚集拟合过程的准确性打好了基础，在扫描拼接过程中，只扫描检测到样本的区域，其他区域用纯色填充，以提高了扫描的速度，节省数字图像存储空间，利用聚类算法将所述当前待扫描区域进行划分，可以使预聚焦视野分散开来，通过计算各个小区域中饱和度最大的区域，可以使预聚焦视野落在待扫描区域的轮廓内，而非待扫描区域的边缘，使得选取的预聚焦视野纹理丰富，有代表性，可以准确计算出预聚焦视野的最佳聚焦位置，进而提升后续拟合算法的准确度，利用自动聚焦算法对预聚焦视野进行自动聚焦，聚焦速度快，准确度高，尤其是对于有异物干扰的视野（比如玻片上面有灰尘），仍然可以聚焦到清晰位置。
附图说明
图1为本发明提出的一种组织切片扫描方法的流程图；
图2为本发明提出的一种组织切片扫描系统的框架图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种显微成像扫描方法，该方法应用于扫描对象在玻片样本上较为分散的情况下，其显微成像扫描方法流程图如图1所示。所述方法包括：
第一步：获取预览相机对玻片样本进行拍照得到的预览图像；以及获取所述预览图像对应的二值化图像。
所述预览相机可以是数字显微镜上的相机。
玻片样本可以是病理组织切片，生物样本，或者是细胞标本等。
第二步：获取所述二值化图像中各个小块的边缘轮廓信息，根据所述各个小块的边缘轮廓信息，得到包含所述各个小块边缘轮廓信息的多个正外接矩形，将所述多个正外接矩形作为多个待扫描区域。
第三步：选取所述多个待扫描区域中的一个待扫描区域作为当前待扫描区域，针对当前待扫描区域，选取多个预聚焦视野，在各个预聚焦视野内采集多个显微图像，对采集到的显微图像使用自动聚焦算法计算清晰度值，确定所述各个预聚焦视野的最佳聚焦位置。
第四步：对当前待扫描区域中各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置。
第五步：根据当前待扫描区域得到的所有视野的最佳聚焦位置和预设的扫描方式，扫描得到当前待扫描区域各个视野的清晰显微图像，将所述清晰显微图像进行拼接，得到当前待扫描区域的显微图像。
预设的扫描方式可以是按照蛇形扫描方式进行。
第六步：构建全分辨率数字显微图像画布，将每个待扫描区域的扫描显微图像贴在对应的位置，得到全视野显微图像。
构建全分辨率数字显微图像画布，当所述多个待扫描区域全部扫描完成后，将各个待扫描区域获得的显微图像贴在对应位置，剩下的空白位置用纯色填充，即获得了全视野、高分辨率数字显微图像。
在扫描拼接过程中，只扫描检测到样本的区域，其他区域用纯色填充，这样做的好处是扫描速度快，节省数字图像存储空间。
在一个实施例中，所述针对当前待扫描区域，确定多个预聚焦视野，包括：
第一步：利用k-means聚类算法对当前待扫描区域进行聚类，将其划分为若干个小区域。
基于当前待扫描区域的预览图像，将所述预览图像中每个像素的坐标(xi,yi)以及每个像素对应的聚焦置信度fi组成起来作为一组输入数据Di=(xi,yi,fi)，即可得到k-means算法的输入数据集D={D1,D2,...,Dm}，k-means算法的输出是k个簇，即输出簇划分C={C1,C2,...,Ck}。k-means聚类算法主要是最小化平方误差E，表达式如下所示：
Figure DEST_PATH_IMAGE001
其中
Figure DEST_PATH_IMAGE002
是簇Ci的均值向量，也称为质心，
Figure DEST_PATH_IMAGE003
。
聚焦置信度f的计算公式如下所示：
Figure DEST_PATH_IMAGE004
其中，I(x,y)表示图像I在点(x,y)处像素的亮度值。
第二步：针对所述当前待扫描区域中各个小区域，计算每个小区域中饱和度最大的区域，将饱和度大于预设值的区域作为预聚焦视野。具体为：将当前待扫描区域的预览图像从RGB颜色空间转换到HSV颜色空间，对当前待扫描区域中每个小区域，将各个小区域均划分为N个子区域，统计每个子区域的饱和度值，将饱和度值最大的子区域标记为对应小区域的预聚焦视野。
利用k-means聚类算法将所述当前待扫描区域进行划分，可以使预聚焦视野分散开来，通过计算各个小区域中饱和度最大的区域，可以使预聚焦视野落在待扫描区域的轮廓内，而非待扫描区域的边缘，这样的好处是选取的预聚焦视野纹理丰富，有代表性，可以准确计算出预聚焦视野的最佳聚焦位置，进而提升后续拟合算法的准确度。
在另一个实施例中，所述在各个预聚焦视野内采集多个显微图像，根据采集到的显微图像和自动聚焦算法，确定所述各个预聚焦视野的最佳聚焦位置，包括如下步骤：
第一步：在各个预聚焦视野中选取一个视野作为当前预聚焦视野；
第二步：在当前预聚焦视野内，沿Z轴移动显微镜物镜，采集若干张显微图像；
第三步：将所述若干张显微图像从RGB颜色空间转换到HSV颜色空间，利用HSV颜色空间中每个像素位置的饱和度值加权对应RGB颜色空间中对应像素位置的亮度值，得到饱和度加权后的若干张显微图像。
第四步：利用Tenengrad函数计算所述饱和度加权后的若干张显微图像的清晰度值。首先利用Sobel算子提取水平方向和垂直方向的梯度值，然后计算水平方向和垂直方向梯度值的平方和作为Tenengrad函数值，即图像的清晰度值。对所述饱和度加权后的若干张显微图像均进行图像清晰度计算，将清晰度值最大的那张显微图像对应的Z轴位置作为当前预聚焦视野的最佳聚焦位置。
Tenengrad函数计算公式如下：
Figure DEST_PATH_IMAGE005
Figure DEST_PATH_IMAGE006
其中，Ten表示图像清晰度值，n为显微图像中像素总数，I(x,y)表示显微图像I在点(x,y)处像素的亮度值，Gx、Gy为Sobel卷积核，
Figure DEST_PATH_IMAGE007
，
Figure DEST_PATH_IMAGE008
。
利用自动聚焦算法对预聚焦视野进行自动聚焦，聚焦速度快，准确度高，尤其是对于有异物干扰的视野（比如玻片上面有灰尘），仍然可以聚焦到清晰位置。
在另一个实施例中，对当前待扫描区域中各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置，包括：
若当前待扫描区域中预聚焦视野的数量大于阈值时，采用曲面拟合算法对所述各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置；
若当前待扫描区域中预聚焦视野的数量小于阈值时，采用曲线拟合算法对所述各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置。
在另一个实施例中，所述获取所述预览图像对应的二值化图像，包括：
采用背景分割算法对所述预览图像进行分割，得到预览图像对应的二值化图像；所述背景分割算法采用PSPNet模型；所述PSPNet模型包括：特征提取网络、金字塔池化网络以及预测网络，特征提取网络采用预训练的含有空洞卷积策略的ResNet网络对输入的预览图像提取高维特征图，金字塔池化网络采用4级金字塔模型，将所述高维特征图作为输入，并将所述高维特征图池化为4种不同的尺度，使用1×1卷积对池化后的特征图进行降维，利用双线性插值算法将降维后的特征图上采样到输入特征图的尺寸，将不同层级的特征级联到一起作为最后的金字塔池化全局特征，预测网络包括1个卷积层，输入是金字塔池化全局特征和所述高维特征图级联后的特征，输出预测的分割图像，将预测的分割图像进行二值化处理，获得二值化图像。
二值化处理是指将获得的分割图像中目标区域的像素值设置为255，背景区域的像素值为0，也就是将整个图像呈现出明显的黑白效果。
分割的准确性决定了聚集拟合过程的准确性，本发明采用的PSPNet模型利用基于全卷积神经网络的像素预测框架来编码复杂的场景上下文特征，使用全景场景类别线索对场景进行精确的解析，为像素级场景解析提供了有效的全局上下文先验信息，可实现准确的背景分割。
在另一个实施例中，获取所述二值化图像中各个小块的边缘轮廓信息，根据所述各个小块的边缘轮廓信息，得到包含所述各个小块边缘轮廓信息的多个正外接矩形，将所述多个正外接矩形作为多个待扫描区域，包括：
采用Opencv算法库中的轮廓提取算法获取所述二值化图像中各个小块的边缘轮廓信息，根据所述各个小块的边缘轮廓信息采用Opencv算法库中的矩形绘制函数，得到包含所述边缘轮廓信息的正外接矩形。
本发明还提出一种显微成像扫描装置，如图2所示，具体包括：
图像获取模块，用于获取预览相机对玻片样本进行拍照得到的预览图像；以及获取所述预览图像对应的二值化图像；
扫描区域确定模块，用于获取所述二值化图像中各个小块的边缘轮廓信息，根据所述各个小块的边缘轮廓信息，得到包含所述各个小块边缘轮廓信息的多个正外接矩形，将所述多个正外接矩形作为多个待扫描区域；
自动聚焦模块，用于在多个待扫描区域中选择一个待扫描区域作为当前待扫描区域，针对当前待扫描区域，选取多个预聚焦视野，在各个预聚焦视野内采集多个显微图像，对采集到的显微图像使用自动聚焦算法计算清晰度值，确定所述各个预聚焦视野的最佳聚焦位置；对当前待扫描区域中各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置；
图像拼接模块，用于根据当前待扫描区域得到的所有视野的最佳聚焦位置和预设的扫描方式，扫描得到当前待扫描区域各个视野的清晰显微图像，将所述清晰显微图像进行拼接，得到当前待扫描区域的显微图像；构建全分辨率数字显微图像画布，将每个待扫描区域的扫描显微图像进行拼接，得到全视野显微图像。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述方法的步骤。
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发明专利范围的限制。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 (10)

1.一种显微成像扫描方法，其特征在于，所述方法包括：
获取预览相机对玻片标本进行拍照得到的预览图像；以及获取所述预览图像对应的二值化图像；
获取所述二值化图像中各个小块的边缘轮廓信息，根据所述各个小块的边缘轮廓信息，得到包含所述各个小块边缘轮廓信息的多个正外接矩形，将所述多个正外接矩形作为多个待扫描区域；
选取所述多个待扫描区域中的一个待扫描区域作为当前待扫描区域，针对当前待扫描区域，选取多个预聚焦视野，在各个预聚焦视野内采集多个显微图像，对采集到的显微图像使用自动聚焦算法计算清晰度值，确定所述各个预聚焦视野的最佳聚焦位置；
对当前待扫描区域中各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置；
根据当前待扫描区域得到的所有视野的最佳聚焦位置和预设的扫描方式，扫描得到当前待扫描区域各个视野的清晰显微图像，将所述清晰显微图像进行拼接，得到当前待扫描区域的显微图像；
构建全分辨率数字显微图像画布，将每个待扫描区域的扫描显微图像贴在数字显微图像画布对应的位置，得到全视野显微图像。
2.根据权利要求1所述的方法，其特征在于，所述针对当前待扫描区域，选取多个预聚焦视野，包括：
利用预设的聚类算法对当前待扫描区域进行聚类，得到多个区域块；
将各个区域块划分为N个子区域，计算各个子区域的饱和度，将饱和度大于预设值的子区域作为对应区域块的预聚焦视野。
3.根据权利要求2所述的方法，其特征在于，所述利用预设的聚类算法对当前待扫描区域进行聚类，得到多个区域块，包括：
基于当前待扫描区域的预览图像，将所述预览图像中每个像素的坐标(xi,yi)以及每个像素对应的聚焦置信度fi作为一组数据输入Di=(xi,yi,fi)，得到聚类算法的输入数据集D={D1,D2,...,Dm}。
4.根据权利要求2所述的方法，其特征在于，所述计算各个子区域的饱和度，包括：
将所述当前待扫描区域对应的预览图像从RGB颜色空间中提取饱和度分量；
根据所述饱和度分量确定各个子区域的饱和度。
5.根据权利要求1所述的方法，其特征在于，在各个预聚焦视野内采集多个显微图像，对采集到的显微图像使用自动聚焦算法计算清晰度值，得到所述各个预聚焦视野的最佳聚焦位置，包括：
选择一个预聚焦视野作为当前预聚焦视野；
在所述当前预聚焦视野中，沿Z轴移动显微镜物镜，得到若干显微图像；
将所述显微图像从RGB颜色空间中提取饱和度分量，利用饱和度分量加权对应RGB颜色空间中对应像素位置的亮度值，得到饱和度加权后的显微图像；
计算所述饱和度加权后的显微图像的清晰度值，将清晰度值最大的饱和度加权后的显微图像对应的Z轴位置作为当前预聚焦视野的最佳聚焦位置。
6.根据权利要求4所述的方法，其特征在于，计算所述饱和度加权后的显微图像的清晰度值，包括：
利用梯度算法提取所述饱和度加权后的显微图像水平方向和垂直方向的梯度值；
根据水平方向和垂直方向的梯度值，采用图像清晰度评价函数计算得到清晰度值。
7.根据权利要求1所述的方法，其特征在于，对当前待扫描区域中各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置，包括：
若当前待扫描区域中预聚焦视野的数量大于阈值时，采用曲面拟合算法对所述各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置；
若当前待扫描区域中预聚焦视野的数量小于阈值时，采用曲线拟合算法对所述各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置。
8.根据权利要求1至7任一项所述的方法，其特征在于，获取所述预览图像对应的二值化图像，包括：
采用背景分割算法对所述预览图像进行分割，得到预览图像对应的二值化图像；所述背景分割算法包括特征提取网络、金字塔池化网络以及预测网络，特征提取网络采用预训练的含有空洞卷积策略的深度卷积神经网络对输入的预览图像提取高维特征图，金字塔池化网络采用4级金字塔模型，将所述高维特征图作为输入，并将所述高维特征图池化为4种不同的尺度，使用1×1卷积对池化后的特征图进行降维，利用双线性插值算法将降维后的特征图上采样到输入特征图的尺寸，将不同层级的特征级联到一起作为最后的金字塔池化全局特征，预测网络包括1个卷积层，输入是金字塔池化全局特征和所述高维特征图级联后的特征，输出预测的分割图像，将预测的分割图像进行二值化处理，获得二值化图像。
9.一种显微成像扫描装置，其特征在于，包括：
图像获取模块，用于获取预览相机对玻片样本进行拍照得到的预览图像；以及获取所述预览图像对应的二值化图像；
扫描区域确定模块，用于获取所述二值化图像中各个小块的边缘轮廓信息，根据所述各个小块的边缘轮廓信息，得到包含所述各个小块边缘轮廓信息的多个正外接矩形，将所述多个正外接矩形作为多个待扫描区域；
自动聚焦模块，用于在多个待扫描区域中选择一个待扫描区域作为当前待扫描区域，针对当前待扫描区域，选取多个预聚焦视野，在各个预聚焦视野内采集多个显微图像，对采集到的显微图像使用自动聚焦算法计算清晰度值，确定所述各个预聚焦视野的最佳聚焦位置；对当前待扫描区域中各个预聚焦视野的最佳聚焦位置进行拟合，得到当前扫描区域中所有视野的最佳聚焦位置；
图像拼接模块，用于根据当前待扫描区域得到的所有视野的最佳聚焦位置和预设的扫描方式，扫描得到当前待扫描区域各个视野的清晰显微图像，将所述清晰显微图像进行拼接，得到当前待扫描区域的显微图像；构建全分辨率数字显微图像画布，将每个待扫描区域的扫描显微图像进行拼接，得到全视野显微图像。
10.一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8中任一项所述的方法的步骤。
CN202110878482.0A 2021-08-02 2021-08-02 一种显微成像扫描方法及扫描系统 Active CN113344958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110878482.0A CN113344958B (zh) 2021-08-02 2021-08-02 一种显微成像扫描方法及扫描系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110878482.0A CN113344958B (zh) 2021-08-02 2021-08-02 一种显微成像扫描方法及扫描系统

Publications (2)

Publication Number Publication Date
CN113344958A true CN113344958A (zh) 2021-09-03
CN113344958B CN113344958B (zh) 2021-10-29

Family

ID=77480483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110878482.0A Active CN113344958B (zh) 2021-08-02 2021-08-02 一种显微成像扫描方法及扫描系统

Country Status (1)

Country Link
CN (1) CN113344958B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114594107A (zh) * 2022-05-09 2022-06-07 武汉精立电子技术有限公司 扫描路径的优化方法、应用及半导体材料表面的检测方法
CN115047610A (zh) * 2022-08-17 2022-09-13 杭州德适生物科技有限公司 一种自动拟合显微对焦平面的染色体核型分析装置及方法
CN115103079A (zh) * 2022-06-20 2022-09-23 中亿启航数码科技(北京)有限公司 一种线性扫描装置及其扫描方法
CN115166934A (zh) * 2022-06-09 2022-10-11 杭州海康威视数字技术股份有限公司 一种摄像机设备及图像处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170323431A1 (en) * 2015-01-30 2017-11-09 Ventana Medical Systems, Inc. Quality metrics for automatic evaluation of dual ish images
US20180232879A1 (en) * 2017-02-15 2018-08-16 Chung Yuan Christian University Method and apparatus for detecting cell reprogramming
CN111105346A (zh) * 2019-11-08 2020-05-05 同济大学 基于峰值搜索和灰度模版配准的全扫描显微图像拼接方法
CN111275016A (zh) * 2020-03-03 2020-06-12 湖南国科智瞳科技有限公司 一种玻片扫描影像采集与分析方法及装置
CN112381842A (zh) * 2021-01-14 2021-02-19 湖南兰茜生物科技有限公司 一种显微全景图像聚焦映射面的获取方法及系统
CN112995517A (zh) * 2021-03-12 2021-06-18 湖南国科智瞳科技有限公司 一种高精准显微图像自动聚焦方法及系统、计算机设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170323431A1 (en) * 2015-01-30 2017-11-09 Ventana Medical Systems, Inc. Quality metrics for automatic evaluation of dual ish images
US20180232879A1 (en) * 2017-02-15 2018-08-16 Chung Yuan Christian University Method and apparatus for detecting cell reprogramming
CN111105346A (zh) * 2019-11-08 2020-05-05 同济大学 基于峰值搜索和灰度模版配准的全扫描显微图像拼接方法
CN111275016A (zh) * 2020-03-03 2020-06-12 湖南国科智瞳科技有限公司 一种玻片扫描影像采集与分析方法及装置
CN112381842A (zh) * 2021-01-14 2021-02-19 湖南兰茜生物科技有限公司 一种显微全景图像聚焦映射面的获取方法及系统
CN112995517A (zh) * 2021-03-12 2021-06-18 湖南国科智瞳科技有限公司 一种高精准显微图像自动聚焦方法及系统、计算机设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114594107A (zh) * 2022-05-09 2022-06-07 武汉精立电子技术有限公司 扫描路径的优化方法、应用及半导体材料表面的检测方法
CN114594107B (zh) * 2022-05-09 2022-08-16 武汉精立电子技术有限公司 扫描路径的优化方法、应用及半导体材料表面的检测方法
CN115166934A (zh) * 2022-06-09 2022-10-11 杭州海康威视数字技术股份有限公司 一种摄像机设备及图像处理方法
CN115166934B (zh) * 2022-06-09 2023-11-24 杭州海康威视数字技术股份有限公司 一种摄像机设备及图像处理方法
CN115103079A (zh) * 2022-06-20 2022-09-23 中亿启航数码科技(北京)有限公司 一种线性扫描装置及其扫描方法
CN115103079B (zh) * 2022-06-20 2023-08-08 中亿启航数码科技(北京)有限公司 一种线性扫描装置及其扫描方法
CN115047610A (zh) * 2022-08-17 2022-09-13 杭州德适生物科技有限公司 一种自动拟合显微对焦平面的染色体核型分析装置及方法

Also Published As

Publication number Publication date
CN113344958B (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN113344958B (zh) 一种显微成像扫描方法及扫描系统
CN109389129B (zh) 一种图像处理方法、电子设备及存储介质
JP7026826B2 (ja) 画像処理方法、電子機器および記憶媒体
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN110765855B (zh) 一种病理图像处理方法及系统
CN111462076A (zh) 一种全切片数字病理图像模糊区域检测方法及系统
CN108830149B (zh) 一种目标细菌的检测方法及终端设备
CN113962976B (zh) 用于病理玻片数字图像的质量评估方法
JP2011188496A (ja) 逆光検知装置及び逆光検知方法
JP2014207110A (ja) 観察装置および観察方法
CN113362331A (zh) 图像分割方法、装置、电子设备及计算机存储介质
CN113781455B (zh) 宫颈细胞图像异常检测方法、装置、设备及介质
CN111462075A (zh) 一种全切片数字病理图像模糊区域的快速重聚焦方法及系统
CN110881103B (zh) 对焦控制方法和装置、电子设备、计算机可读存储介质
CN110763677A (zh) 甲状腺冰冻切片诊断方法及系统
CN115047610B (zh) 一种自动拟合显微对焦平面的染色体核型分析装置及方法
CN111105346A (zh) 基于峰值搜索和灰度模版配准的全扫描显微图像拼接方法
CN112508952A (zh) 一种病理切片双物镜自适应扫描控制方法及系统
CN112464802B (zh) 一种玻片样本信息的自动识别方法、装置和计算机设备
CN113237881B (zh) 一种特定细胞的检测方法、装置和病理切片检测系统
EP1309944A1 (en) Unsupervised scene segmentation
CN110738658B (zh) 图像质量评价方法
Ma et al. STSRNet: Self-texture transfer super-resolution and refocusing network
CN111105370A (zh) 图像处理方法、图像处理装置、电子设备和可读存储介质
CN111862106A (zh) 基于光场语义的图像处理方法、计算机装置、及存储介质

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