CN113470041A - 免疫组化细胞图像细胞核分割与计数方法和系统 - Google Patents

免疫组化细胞图像细胞核分割与计数方法和系统 Download PDF

Info

Publication number
CN113470041A
CN113470041A CN202110578172.7A CN202110578172A CN113470041A CN 113470041 A CN113470041 A CN 113470041A CN 202110578172 A CN202110578172 A CN 202110578172A CN 113470041 A CN113470041 A CN 113470041A
Authority
CN
China
Prior art keywords
cell
image
area
cell nucleus
nucleus
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
CN202110578172.7A
Other languages
English (en)
Other versions
CN113470041B (zh
Inventor
王书浩
王朗
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.)
Beijing Thorough Future Technology Co ltd
Original Assignee
Touche Image Beijing 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 Touche Image Beijing Technology Co ltd filed Critical Touche Image Beijing Technology Co ltd
Priority to CN202110578172.7A priority Critical patent/CN113470041B/zh
Publication of CN113470041A publication Critical patent/CN113470041A/zh
Application granted granted Critical
Publication of CN113470041B publication Critical patent/CN113470041B/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
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T7/60—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种免疫组化细胞图像细胞核分割与计数方法，包括：通过预设的输入数据源，获取病理细胞图像；根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像；在所述显示图像上通过图形绘制，确定细胞核分割区域；对所述细胞核分割区域进行颜色修正和降低噪声，确定初始细胞图像；处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对初始细胞图像中检测到的细胞核进行分类，确定分类细胞核；对分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果。

Description

免疫组化细胞图像细胞核分割与计数方法和系统
技术领域
本发明涉及免疫组化细胞图像细胞核分割与计数方法和系统技术领域，特别涉及一种免疫组化细胞图像细胞核分割与计数方法和系统。
背景技术
目前，病理诊断是肿瘤检查方法中最可靠的，被称为“金标准”。发生癌变的细胞核在大小、形态上与正常细胞核都有明显的差异，而且能够通过特定的染色显现出来。目前，病理诊断大多通过在显微镜观察来完成，需要非常高的专业知识，会耗费大量时间，并且会产生主观差异。计算机辅助诊断可以提供高速、可重复的医学图像分析，结果更加客观、准确。细胞核检测与分割是医学图像分析中关键的第一步，然而，由于染色不均匀、细胞形态不规则、细胞核之间存在粘连以及杂质噪声等情况的存在，准确的细胞核分割与计数仍然面临着很大的挑战性，现有细胞图像分割技术主要采用深度学习算法，需要大量的训练数据，而免疫组化细胞图像标注样本极难获取，训练数据不足，从而导致准确率不足。同时，深度学习算法计算量很大，对计算机资源要求较高。而基于非深度学习算法的分割方法，需要调控大量的参数，而且参数选择较为困难。
发明内容
本发明提供一种免疫组化细胞图像细胞核分割与计数方法和系统，以解决上述背景技术出现的问题。
本发明提供一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，包括：
通过预设的输入数据源，获取病理细胞图像；其中，
所述输入数据源至少包括连接显微镜的CCD相机和数字病理扫描仪；
根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像；
在所述显示图像上通过图形绘制，确定细胞核分割区域；
对所述细胞核分割区域进行颜色修正和降低噪声，确定初始细胞图像；其中，
所述颜色修正包括对所述显示图像进行自动白平衡操作和高斯滤波；
处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对所述初始细胞图像中检测到的细胞核进行分类，确定分类细胞核；
对所述分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果。
优选的，所述根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像，还包括：
当所述输入数据源为连接显微镜的CCD相机时，基于预设的CCD相机采样，实时更新所述病理细胞图像，确定显示图像；
当所述输入数据源为数字病理扫描仪时，基于用户需求，对所述理细胞图像进行区域选取，确定显示图像；其中，
所述区域选取至少包括缩放和平移。
优选的，所述在所述显示图像上通过图形绘制，确定细胞核分割区域，包括：
基于图像显示面板，确定细胞核面积；
根据所述细胞核面积，对细胞核绘制图形框，确定细胞核分割区域；其中，
所述图形框包括矩形、圆形或者任意曲线。
优选的，所述处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对所述初始细胞图像中检测到的细胞核进行分类，确定分类细胞核，包括：
基于所述初始细胞图像，对所述初始细胞图像中的组织切片进行染色分离，确定阳性细胞核区域和阴性细胞核区域；
根据所述阳性细胞核区域和阴性细胞核区域，确定阴性区域掩模和阳性区域掩模；
基于所述初始细胞图像，进行重叠细胞核的分割和轮廓检测，确定细胞核轮廓；
通过所述细胞核轮廓和预设的最小细胞面积，过滤面积低于该数值的细胞核，确定候选细胞核；
根据所述阴性区域掩模和阳性区域掩模，统计所述候选细胞核的灰度平均值；
根据所述灰度平均值，将所述候选细胞核分为背景候选细胞核、阴性候选细胞核和阳性候选细胞核；其中，
所述阳性候选细胞核可以根据预设的阳性阈值进一步分类；
根据所述背景候选细胞核、阴性候选细胞核和阳性候选细胞核，确定分类细胞核。
优选的，所述对所述初始细胞图像中的组织切片进行染色分离，确定阳性细胞核区域和阴性细胞核区域，包括：
基于预设的染色剂，对所述初始细胞图像中的组织切片进行染色；其中，
所述染色剂包括H染色剂和DAB染色剂；
通过预设的颜色反卷积算法，分离出所述H染色剂和DAB染色剂对应的灰度通道；其中，
所述灰度通道包括H灰度通道和DAB灰度通道；
根据所述H灰度通道，确定H灰度图像，并将所述H灰度图像转换到CMYK颜色空间；
基于所述CMYK颜色空间的C通道，对所述H灰度通道做自动阈值分割，提取H染色的细胞核，并确定阴性细胞核区域；
通过预设的自适应阈值方法，分割所述DAB灰度通道，利用最大类间方差计算细胞核区域和背景区域；其中，
当所述细胞核区域小于预设的最低阈值，不存在被DAB染色的细胞核；
根据所述细胞核区域和背景区域，确定阳性细胞核区域。
优选的，所述基于所述初始细胞图像，进行重叠细胞核的分割和轮廓检测，确定细胞核轮廓，包括以下步骤：
步骤1：将所述初始细胞图像转换为初始灰度图像；
步骤2：对所述初始灰度图像做高斯滤波处理，并进行拉普拉斯变换，确定拉普拉斯图像；
步骤3：对所述拉普拉斯图像做阈值处理，像素值大于零的区域为细胞核候选区域；
步骤4：对细胞核候选区域做分水岭变换，实现重叠细胞核的分割，确定分割结果图像；
步骤5：对所述分割结果图像进行轮廓检测，获取细胞核轮廓。
优选的，所述对所述分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果包括以下步骤：
步骤S1：获取细胞核的灰度平均值，对分类细胞核进行计数，确定细胞核统计结果：
Cell＝{cellb,celly1,celly2}
其中，Cell代表细胞核统计结果，cellb代表背景细胞核，celly1代表阴性细胞核，celly2代表阳性细胞核；
步骤S2：根据所述统计结果，计算分类细胞的诊断参数：
Figure BDA0003085215980000051
其中f(cellb)代表背景细胞核的诊断参数，cellbi代表采集到的第i个背景细胞核样本，i代表一共采集到的背景细胞核样本，αi代表采集到的背景细胞核的第i个背景细胞核的诊断敏感参数，f(celly1)代表阴性细胞核的诊断参数，celly1j代表采集到的第j个阴性细胞核样本，j代表一共采集到的阴性细胞核样本，βj代表采集到的阴性细胞核的第j个阴性细胞核的诊断特异参数，f(celly2)代表阳性细胞核的诊断参数，celly2n代表采集到的第n个阳性细胞核样本，n代表一共采集到的阳性细胞核样本，γn代表采集到的阳性细胞核的第n个阳性细胞核的诊断特异参数；
步骤S3：根据所述诊断参数，确定诊断规则参数；
Figure BDA0003085215980000061
其中，所述z代表诊断规则参数，
Figure BDA0003085215980000062
代表背景细胞核的诊断敏感平均参数，
Figure BDA0003085215980000063
代表阴性细胞核诊断特异平均参数，
Figure BDA0003085215980000064
阳性细胞核的诊断特异平均参数，μ1代表阴性细胞核的指标率，μ2代表阳性细胞核的指标率,p代表背景细胞核在图像上的占比率；
步骤S4：比较所述诊断规则参数和预设的最低阈值范围
Figure BDA0003085215980000065
确定诊断规则指数；
步骤S5：针对所述诊断指数，优化显示结果。
一种免疫组化细胞图像细胞核分割与计数系统，所述系统包括图像获取模块、图像显示模块、参数选择模块、图像预处理模块、染色分离模块、细胞分类模块和辅助诊断模块；
所述图像获取模块用于通过预设的输入数据源，获取病理细胞图像；其中，
所述输入数据源至少包括连接显微镜的CCD相机和数字病理扫描仪；
所述图像显示模块用于根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像；
所述参数选择模块用于所述显示图像上通过图形绘制，确定细胞核分割区域；
所述图像预处理模块用于对所述细胞核分割区域进行颜色修正和降低噪声，确定初始细胞图像；其中，
所述颜色修正包括对所述显示图像进行自动白平衡操作和高斯滤波；
所述细胞分类模块用于处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对所述初始细胞图像中检测到的细胞核进行分类，确定分类细胞核；
所辅助诊断模块用于对所述分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果。
优选的，所述细胞分类模块包括染色分离单元、掩模单元、细胞核轮廓单元、候选单元、灰度平均值单元、候选分类单元和细胞核分类单元：
所述染色分离单元用于基于所述初始细胞图像，对所述初始细胞图像中的组织切片进行染色分离，确定阳性细胞核区域和阴性细胞核区域；
所述掩模单元用于根据所述阳性细胞核区域和阴性细胞核区域，确定阴性区域掩模和阳性区域掩模；
所述细胞核轮廓单元用于基于所述初始细胞图像，进行重叠细胞核的分割和轮廓检测，确定细胞核轮廓；
所述候选单元用于通过所述细胞核轮廓和预设的最小细胞面积，过滤面积低于该数值的细胞核，确定候选细胞核；
所述灰度平均值单元用于根据所述阴性区域掩模和阳性区域掩模，统计所述候选细胞核的灰度平均值；
所述候选分类单元用于根据所述灰度平均值，将所述候选细胞核分为背景候选细胞核、阴性候选细胞核和阳性候选细胞核；其中，
所述阳性候选细胞核可以根据预设的阳性阈值进一步分类；
所述细胞核分类单元用于根据所述背景候选细胞核、阴性候选细胞核和阳性候选细胞核，确定分类细胞核。
优选的，所述染色分离单元包括染色子单元、灰度通道子单元、转换子单元、阴性细胞核区域子单元、分割DAB通道子单元和阳性细胞核区域子单元：
所述染色子单元用于基于预设的染色剂，对所述初始细胞图像中的组织切片进行染色；其中，
所述染色剂包括H染色剂和DAB染色剂；
所述灰度通道子单元用于通过预设的颜色反卷积算法，分离出所述H染色剂和DAB染色剂对应的灰度通道；其中，
所述灰度通道包括H灰度通道和DAB灰度通道；
所述转换子单元用于根据所述H灰度通道，确定H灰度图像，并将所述H灰度图像转换到CMYK颜色空间；
所述阴性细胞核区域子单元用于基于所述CMYK颜色空间的C通道，对所述H灰度通道做自动阈值分割，提取H染色的细胞核，并确定阴性细胞核区域；
所述分割DAB通道子单元用于通过预设的自适应阈值方法，分割所述DAB灰度，利用最大类间方差计算细胞核区域和背景区域；其中，
当所述细胞核区域小于预设的最低阈值，不存在被DAB染色的细胞核；
所述阳性细胞核区域子单元用于根据所述细胞核区域和背景区域，确定阳性细胞核区域。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法流程图；
图2是本发明实施例中一种免疫组化细胞图像细胞核分割与计数系统流程图；
图3是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法和系统中的可视化选择参数的一个示例图像；
图4是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法和系统中的CCD相机采集到的图像；
图5是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法和系统中的阈值分割后得到的阳性区域掩模；
图6是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法和系统中的阈值分割后得到的阴性区域掩模；
图7是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法和系统中的灰度图像；
图8是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法和系统中的拉普拉斯变换后的图像；
图9是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法和系统中的细胞核候选区域图像；
图10是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法和系统中的分水岭分割后的图像；
图11是本发明实施例中一种免疫组化细胞图像细胞核分割与计数方法和系统中的细胞核轮廓与原图叠加后的图像。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例1：
根据图1-9所示，本发明提供一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，包括：
通过预设的输入数据源，获取病理细胞图像；其中，
所述输入数据源至少包括连接显微镜的CCD相机和数字病理扫描仪；
根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像；
在所述显示图像上通过图形绘制，确定细胞核分割区域；
对所述细胞核分割区域进行颜色修正和降低噪声，确定初始细胞图像；其中，
所述颜色修正包括对所述显示图像进行自动白平衡操作和高斯滤波；
处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对所述初始细胞图像中检测到的细胞核进行分类，确定分类细胞核；
对所述分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果。
上述技术方案的工作原理和有益效果为：
本技术方案根据用户的需要，可以选择和配置不同的输入数据源，包括但不限于CCD相机和数字病理切片，在CCD相机数据源模式下，显示的图像按CCD相机采样实时更新；在数字病理图像数据源模式下，用户可根据需要对图像进行缩放、平移，选取感兴趣的区域；用户通过对图像显示面板进行操作，通过绘制矩形、圆形或者任意曲线来确定需要进行细胞核分割的区域，达到可视化地选择参数的目的；其中最小面积的数值等于所绘制圆形的面积，也可以通过绘制圆形区域统计区域内棕色像素的平均值从而设置阳性等级的颜色阈值，诊断规则的通过单选框实现，可选择核染色免疫组化(KI67、ER或PR)，对获取的原始图像进行颜色修正以及降低噪声，减少对细胞核分割产生的不利影响，并在图像观察的同时，通过两种染色剂(苏木精(H)和二氨基联苯胺(DAB))对组织切片进行染色，H染色的细胞核呈蓝色，DAB染色的细胞核呈棕色，棕色越深，阳性程度越强，通过颜色反卷积算法，分离出H和DAB染色剂对应的灰度通道，DAB通道的灰度图像可以通过自适应阈值方法分割出细胞核区域和背景区域，另一种方法提取H染色的细胞核，通过将图像转换到CMYK颜色空间，根据C通道做自动阈值分割实现，可以快速、准确地对核染色免疫组化(KI67、ER、PR)细胞图像细胞核进行分割与计数；该方法可适用于显微镜实时诊断场景，同时也可以用于基于全切片病理图像的诊断场景，本发明采用的方法不仅计算量小，对计算资源要求低，分割结果准确，并且能够对细胞核进行准确的分类，并生成诊断结果，采用可视化的参数选择方法，简洁直观，可配置不同的图像输入源，比如CCD相机、数字病理图像，同时利用计算机辅助诊断，提供高速、可重复的医学图像分析，结果更加客观、准确，细胞核检测与分割是医学图像分析中关键的一步，本技术方案保证了染色均匀、细胞形态规则、细胞核之间减少存在粘连的情况。
实施例2：
根据图1-9所示，本技术方案提供一种实施例，所述根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像，还包括：
当所述输入数据源为连接显微镜的CCD相机时，基于预设的CCD相机采样，实时更新所述病理细胞图像，确定显示图像；
当所述输入数据源为数字病理扫描仪时，基于用户需求，对所述理细胞图像进行区域选取，确定显示图像；其中，
所述区域选取至少包括缩放和平移。
上述技术方案的工作原理和有益效果为：
本技术方案的输入数据源可以是连接显微镜的CCD相机，也可以是通过数字病理扫描仪获得的数字病理图像，在CCD相机数据源模式下，显示的图像按CCD相机采样实时更新；在数字病理图像数据源模式下，用户可根据需要对图像进行缩放、平移，选取感兴趣的区域；通过选择细胞分割方法的参数，对图像显示面板进行操作，分割结果准确，达到可视化地选择参数的目的，在图像显示面板上，可以通过绘制矩形、圆形或者任意曲线来确定需要进行细胞核分割的区域。通过绘制一个圆形区域设置细胞核的最小面积，其数值等于所绘制圆形的面积，通过绘制圆形区域设置阳性等级的颜色阈值，其计算方法为统计区域内棕色像素的平均值。诊断规则通过单选框实现，可选择KI67、ER或PR，对图像显示面板进行操作计算量小，选取感兴趣的区域，对计算资源要求低。
实施例3：
根据图1-9所示，本技术方案提供一种实施例，
所述在所述显示图像上通过图形绘制，确定细胞核分割区域，包括：
基于图像显示面板，确定细胞核面积；
根据所述细胞核面积，对细胞核绘制图形框，确定细胞核分割区域；其中，
所述图形框包括矩形、圆形或者任意曲线。
在实际实施时，本发明还会采取根据图形框和细胞分割的显示区域，确定分割参数；其中，
所述分割参数包括圆形参数和矩形参数；其中，
所述圆形参数用于设置细胞核的最小面积和阳性等级的颜色阈值；
所述矩形参数用于选择诊断规则；其中，
所述诊断规则包括KI67、ER或PR。
上述技术方案的工作原理和有益效果为：
本技术方案参数选择选择细胞分割方法的参数，通过对图像显示面板进行操作，达到可视化地选择参数的目的。在图像显示面板上，可以通过绘制矩形、圆形或者任意曲线来确定需要进行细胞核分割的区域；通过绘制一个圆形区域设置细胞核的最小面积，其数值等于所绘制圆形的面积。通过绘制圆形区域设置阳性等级的颜色阈值，其计算方法为统计区域内棕色像素的平均值。诊断规则通过单选框实现，可选择KI67、ER或PR，通过对图像显示面板进行操作，达到可视化地选择参数的目的。
实施例4：
根据图1-11所示，本技术方案提供一种实施例，所述处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对所述初始细胞图像中检测到的细胞核进行分类，确定分类细胞核，包括：
基于所述初始细胞图像，对所述初始细胞图像中的组织切片进行染色分离，确定阳性细胞核区域和阴性细胞核区域；
根据所述阳性细胞核区域和阴性细胞核区域，确定阴性区域掩模和阳性区域掩模；
基于所述初始细胞图像，进行重叠细胞核的分割和轮廓检测，确定细胞核轮廓；
通过所述细胞核轮廓和预设的最小细胞面积，过滤面积低于该数值的细胞核，确定候选细胞核；
根据所述阴性区域掩模和阳性区域掩模，统计所述候选细胞核的灰度平均值；
根据所述灰度平均值，将所述候选细胞核分为背景候选细胞核、阴性候选细胞核和阳性候选细胞核；其中，
所述阳性候选细胞核可以根据预设的阳性阈值进一步分类；
根据所述背景候选细胞核、阴性候选细胞核和阳性候选细胞核，确定分类细胞核。
上述技术方案的工作原理为：
本技术方案首先对图像进行自动白平衡操作，然后对图像进行高斯滤波操作，染色分离(基于预设的染色分离，分割细胞和区域和背景区域)组织切片，通过两种染色剂进行染色，得到了阳性细胞核区域和阴性细胞核区域的掩模图像，用于后续的细胞核分类模块。细胞核分割模块将细胞图像转换为灰度图像，对灰度图像做高斯滤波处理，然后做拉普拉斯变换。对图像拉普拉斯图像做阈值处理，像素值大于零的区域为细胞核候选区域。对细胞核候选区域做分水岭变换，实现重叠细胞核的分割。对分割结果图像进行轮廓检测，获取细胞核的轮廓。根据提取的细胞核轮廓、阴性区域掩模和阳性区域掩模，对检测到的细胞核进行分类，一种实现方法是，首先，已用户设定的最小细胞面积为参考，过滤面积低于该数值的细胞核。然后，设计一个图像模板，将阴性区域、阳性区域设置不同的灰度值，统计候选细胞核的灰度平均值，根据灰度平均值将候选细胞核分为背景、阴性和阳性。根据用户设定的阳性阈值，对阳性细胞核做进一步分类。辅助诊断模块负责根据细胞核分割分类与计数的结果，根据诊断规则参数生成诊断结果，比如KI67指数。对检测到的细胞核轮廓做椭圆拟合，优化显示结果。
上述技术方案的有益效果为：
本技术方案原始的图像可能存在染色、光照不均匀、包含杂质和噪声的问题，图像预处理用于颜色修正以及降低噪声，减少对细胞核分割产生的不利影响，降低由光源差异产生的影响，抑制噪声，基于染色分离和设定的阈值，对细胞核做分类，本技术方案的免疫组化细胞图像细胞核分割与计数方法、准确的特点，能够快速准确实现细胞核分割、分类与计数，同时，操作流程简洁，可用于辅助病理医生进行病理诊断。
实施例5：
根据图3-11所示，本技术方案提供一种实施例，所述对所述初始细胞图像中的组织切片进行染色分离，确定阳性细胞核区域和阴性细胞核区域，包括：
基于预设的染色剂，对所述初始细胞图像中的组织切片进行染色；其中，
所述染色剂包括H染色剂和DAB染色剂；
通过预设的颜色反卷积算法，分离出所述H染色剂和DAB染色剂对应的灰度通道；其中，
所述灰度通道包括H灰度通道和DAB灰度通道；
根据所述H灰度通道，确定H灰度图像，并将所述H灰度图像转换到CMYK颜色空间；
基于所述CMYK颜色空间的C通道，对所述H灰度通道做自动阈值分割，提取H染色的细胞核，并确定阴性细胞核区域；
通过预设的自适应阈值方法，分割所述DAB灰度通道，利用最大类间方差计算细胞核区域和背景区域；其中，
当所述细胞核区域小于预设的最低阈值，不存在被DAB染色的细胞核；
根据所述细胞核区域和背景区域，确定阳性细胞核区域。
上述技术方案的工作原理和有益效果为：
本技术方案通过两种染色剂进行染色，苏木精和二氨基联苯胺：H染色的细胞核呈蓝色，DAB染色的细胞核呈棕色；棕色越深，阳性程度越强；通过颜色反卷积算法，分离出H和DAB染色剂对应的灰度通道，DAB通道的灰度图像可以通过自适应阈值方法分割出细胞核区域和背景区域，可采用最大类间方差的算法实现，同时设置一个最低阈值，如果计算得到的阈值小于该最低阈值，则认为图像中不存在被DAB染色的细胞核。H染色的细胞核采用另一种方法提取，通过将图像转换到CMYK颜色空间，根据C通道做自动阈值分割实现。通过以上两个步骤，分别得到了阳性细胞核区域和阴性细胞核区域的掩模图像，用于后续的细胞核分类模块。
实施例6：
根据图所示，本技术方案提供一种实施例，所述基于所述初始细胞图像，进行重叠细胞核的分割和轮廓检测，确定细胞核轮廓，包括以下步骤：
步骤1：将所述初始细胞图像转换为初始灰度图像；
步骤2：对所述初始灰度图像做高斯滤波处理，并进行拉普拉斯变换，确定拉普拉斯图像；
步骤3：对所述拉普拉斯图像做阈值处理，像素值大于零的区域为细胞核候选区域；
步骤4：对细胞核候选区域做分水岭变换，实现重叠细胞核的分割，确定分割结果图像；
步骤5：对所述分割结果图像进行轮廓检测，获取细胞核轮廓。
实施例7：
本技术方案提供一种实施例，优选的，所述对所述分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果包括以下步骤：
步骤S1：获取细胞核的灰度平均值，对分类细胞核进行计数，确定细胞核统计结果：
Cell＝{cellb,celly1,celly2}
其中，Cell代表细胞核统计结果，cellb代表背景细胞核，celly1代表阴性细胞核，celly2代表阳性细胞核；
步骤S2：根据所述统计结果，计算分类细胞的诊断参数：
Figure BDA0003085215980000181
其中f(cellb)代表背景细胞核的诊断参数，cellbi代表采集到的第i个背景细胞核样本，i代表一共采集到的背景细胞核样本，αi代表采集到的背景细胞核的第i个背景细胞核的诊断敏感参数，f(celly1)代表阴性细胞核的诊断参数，celly1j代表采集到的第j个阴性细胞核样本，j代表一共采集到的阴性细胞核样本，βj代表采集到的阴性细胞核的第j个阴性细胞核的诊断特异参数，f(celly2)代表阳性细胞核的诊断参数，celly2n代表采集到的第n个阳性细胞核样本，n代表一共采集到的阳性细胞核样本，γn代表采集到的阳性细胞核的第n个阳性细胞核的诊断特异参数；
步骤S3：根据所述诊断参数，确定诊断规则参数；
Figure BDA0003085215980000191
其中，所述z代表诊断规则参数，
Figure BDA0003085215980000192
代表背景细胞核的诊断敏感平均参数，
Figure BDA0003085215980000193
代表阴性细胞核诊断特异平均参数，
Figure BDA0003085215980000194
阳性细胞核的诊断特异平均参数，μ1代表阴性细胞核的指标率，μ2代表阳性细胞核的指标率,p代表背景细胞核在图像上的占比率；
步骤S4：比较所述诊断规则参数和预设的最低阈值范围
Figure BDA0003085215980000195
确定诊断规则指数；
步骤S5：针对所述诊断指数，优化显示结果。
实施例8：
根据图3-11所示，本技术方案提供一种免疫组化细胞图像细胞核分割与计数系统，所述系统包括图像获取模块、图像显示模块、参数选择模块、图像预处理模块、染色分离模块、细胞分类模块和辅助诊断模块；
所述图像获取模块用于通过预设的输入数据源，获取病理细胞图像；其中，
所述输入数据源至少包括连接显微镜的CCD相机和数字病理扫描仪；
所述图像显示模块用于根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像；
所述参数选择模块用于在所述显示图像上通过图形绘制，确定细胞核分割区域；
所述图像预处理模块用于对所述细胞核分割区域进行颜色修正和降低噪声，确定初始细胞图像；其中，
所述颜色修正包括对所述显示图像进行自动白平衡操作和高斯滤波；
所述细胞分类模块用于处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对所述初始细胞图像中检测到的细胞核进行分类，确定分类细胞核；
所辅助诊断模块用于对所述分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果。
上述技术方案的工作原理和有益效果为：
本技术方案根据用户的需要，可以选择和配置不同的输入数据源，包括但不限于CCD相机和数字病理切片，在CCD相机数据源模式下，显示的图像按CCD相机采样实时更新；在数字病理图像数据源模式下，用户可根据需要对图像进行缩放、平移，选取感兴趣的区域；用户通过对图像显示面板进行操作，通过绘制矩形、圆形或者任意曲线来确定需要进行细胞核分割的区域，达到可视化地选择参数的目的；其中最小面积的数值等于所绘制圆形的面积，也可以通过绘制圆形区域统计区域内棕色像素的平均值从而设置阳性等级的颜色阈值，诊断规则的通过单选框实现，可选择核染色免疫组化(KI67、ER或PR)，对获取的原始图像进行颜色修正以及降低噪声，减少对细胞核分割产生的不利影响，并在图像观察的同时，通过两种染色剂(苏木精(H)和二氨基联苯胺(DAB))对组织切片进行染色，H染色的细胞核呈蓝色，DAB染色的细胞核呈棕色，棕色越深，阳性程度越强，通过颜色反卷积算法，分离出H和DAB染色剂对应的灰度通道，DAB通道的灰度图像可以通过自适应阈值方法分割出细胞核区域和背景区域，另一种方法提取H染色的细胞核，通过将图像转换到CMYK颜色空间，根据C通道做自动阈值分割实现，可以快速、准确地对核染色免疫组化(KI67、ER、PR)细胞图像细胞核进行分割与计数；该方法可适用于显微镜实时诊断场景，同时也可以用于基于全切片病理图像的诊断场景，本发明采用的方法不仅计算量小，对计算资源要求低，分割结果准确，并且能够对细胞核进行准确的分类，并生成诊断结果，采用可视化的参数选择方法，简洁直观，可配置不同的图像输入源，比如CCD相机、数字病理图像，同时利用计算机辅助诊断，提供高速、可重复的医学图像分析，结果更加客观、准确，细胞核检测与分割是医学图像分析中关键的一步，本技术方案保证了染色均匀、细胞形态规则、细胞核之间减少存在粘连的情况。
实施例9：
根据图3-11所示，本技术方案提供一种实施例，所述细胞分类模块包括染色分离单元、掩模单元、细胞核轮廓单元、候选单元、灰度平均值单元、候选分类单元和细胞核分类单元：
所述染色分离单元用于基于所述初始细胞图像，对所述初始细胞图像中的组织切片进行染色分离，确定阳性细胞核区域和阴性细胞核区域；
所述掩模单元用于根据所述阳性细胞核区域和阴性细胞核区域，确定阴性区域掩模和阳性区域掩模；
所述细胞核轮廓单元用于基于所述初始细胞图像，进行重叠细胞核的分割和轮廓检测，确定细胞核轮廓；
所述候选单元用于通过所述细胞核轮廓和预设的最小细胞面积，过滤面积低于该数值的细胞核，确定候选细胞核；
所述灰度平均值单元用于根据所述阴性区域掩模和阳性区域掩模，统计所述候选细胞核的灰度平均值；
所述候选分类单元用于根据所述灰度平均值，将所述候选细胞核分为背景候选细胞核、阴性候选细胞核和阳性候选细胞核；其中，
所述阳性候选细胞核可以根据预设的阳性阈值进一步分类；
所述细胞核分类单元用于根据所述背景候选细胞核、阴性候选细胞核和阳性候选细胞核，确定分类细胞核。
上述技术方案的工作原理为：
本技术方案首先对图像进行自动白平衡操作，然后对图像进行高斯滤波操作，染色分离(基于预设的染色分离，分割细胞和区域和背景区域)组织切片，通过两种染色剂进行染色，得到了阳性细胞核区域和阴性细胞核区域的掩模图像，用于后续的细胞核分类模块。细胞核分割模块将细胞图像转换为灰度图像，对灰度图像做高斯滤波处理，然后做拉普拉斯变换。对图像拉普拉斯图像做阈值处理，像素值大于零的区域为细胞核候选区域。对细胞核候选区域做分水岭变换，实现重叠细胞核的分割。对分割结果图像进行轮廓检测，获取细胞核的轮廓。根据提取的细胞核轮廓、阴性区域掩模和阳性区域掩模，对检测到的细胞核进行分类，一种实现方法是，首先，已用户设定的最小细胞面积为参考，过滤面积低于该数值的细胞核。然后，设计一个图像模板，将阴性区域、阳性区域设置不同的灰度值，统计候选细胞核的灰度平均值，根据灰度平均值将候选细胞核分为背景、阴性和阳性。根据用户设定的阳性阈值，对阳性细胞核做进一步分类。辅助诊断模块负责根据细胞核分割分类与计数的结果，根据诊断规则参数生成诊断结果，比如KI67指数。对检测到的细胞核轮廓做椭圆拟合，优化显示结果。
上述技术方案的有益效果为：
本技术方案原始的图像可能存在染色、光照不均匀、包含杂质和噪声的问题，图像预处理用于颜色修正以及降低噪声，减少对细胞核分割产生的不利影响，降低由光源差异产生的影响，抑制噪声，基于染色分离和设定的阈值，对细胞核做分类，本技术方案的免疫组化细胞图像细胞核分割与计数方法、准确的特点，能够快速准确实现细胞核分割、分类与计数，同时，操作流程简洁，可用于辅助病理医生进行病理诊断。
实施例10：
根据图3-11所示，本技术方案提供一种实施例，所述染色分离单元包括染色子单元、灰度通道子单元、转换子单元、阴性细胞核区域子单元、分割DAB通道子单元和阳性细胞核区域子单元：
所述染色子单元用于基于预设的染色剂，对所述初始细胞图像中的组织切片进行染色；其中，
所述染色剂包括H染色剂和DAB染色剂；
所述灰度通道子单元用于通过预设的颜色反卷积算法，分离出所述H染色剂和DAB染色剂对应的灰度通道；其中，
所述灰度通道包括H灰度通道和DAB灰度通道；
所述转换子单元用于根据所述H灰度通道，确定H灰度图像，并将所述H灰度图像转换到CMYK颜色空间；
所述阴性细胞核区域子单元用于基于所述CMYK颜色空间的C通道，对所述H灰度通道做自动阈值分割，提取H染色的细胞核，并确定阴性细胞核区域；
所述分割DAB通道子单元用于通过预设的自适应阈值方法，分割所述DAB灰度，利用最大类间方差计算细胞核区域和背景区域；其中，
当所述细胞核区域小于预设的最低阈值，不存在被DAB染色的细胞核；
所述阳性细胞核区域子单元用于根据所述细胞核区域和背景区域，确定阳性细胞核区域。
上述技术方案的工作原理为：
本技术方案首先对图像进行自动白平衡操作，然后对图像进行高斯滤波操作，染色分离(基于预设的染色分离，分割细胞和区域和背景区域)组织切片，通过两种染色剂进行染色，苏木精和二氨基联苯胺：H染色的细胞核呈蓝色，DAB染色的细胞核呈棕色；棕色越深，阳性程度越强；通过颜色反卷积算法，分离出H和DAB染色剂对应的灰度通道，DAB通道的灰度图像可以通过自适应阈值方法分割出细胞核区域和背景区域，可采用最大类间方差的算法实现，同时设置一个最低阈值，如果计算得到的阈值小于该最低阈值，则认为图像中不存在被DAB染色的细胞核。H染色的细胞核采用另一种方法提取，通过将图像转换到CMYK颜色空间，根据C通道做自动阈值分割实现。通过以上两个步骤，分别得到了阳性细胞核区域和阴性细胞核区域的掩模图像。用于后续的细胞核分类模块。细胞核分割模块将细胞图像转换为灰度图像，对灰度图像做高斯滤波处理，然后做拉普拉斯变换。对图像拉普拉斯图像做阈值处理，像素值大于零的区域为细胞核候选区域。对细胞核候选区域做分水岭变换，实现重叠细胞核的分割。对分割结果图像进行轮廓检测，获取细胞核的轮廓。根据提取的细胞核轮廓、阴性区域掩模和阳性区域掩模，对检测到的细胞核进行分类，一种实现方法是，首先，已用户设定的最小细胞面积为参考，过滤面积低于该数值的细胞核。然后，设计一个图像模板，将阴性区域、阳性区域设置不同的灰度值，统计候选细胞核的灰度平均值，根据灰度平均值将候选细胞核分为背景、阴性和阳性。根据用户设定的阳性阈值，对阳性细胞核做进一步分类。辅助诊断模块负责根据细胞核分割分类与计数的结果，根据诊断规则参数生成诊断结果，比如KI67指数。对检测到的细胞核轮廓做椭圆拟合，优化显示结果。
上述技术方案的有益效果为：
本技术方案原始的图像可能存在染色、光照不均匀、包含杂质和噪声的问题，图像预处理用于颜色修正以及降低噪声，减少对细胞核分割产生的不利影响，降低由光源差异产生的影响，抑制噪声，基于染色分离和设定的阈值，对细胞核做分类，本技术方案的免疫组化细胞图像细胞核分割与计数方法、准确的特点，能够快速准确实现细胞核分割、分类与计数，同时，操作流程简洁，可用于辅助病理医生进行病理诊断。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，包括：
通过预设的输入数据源，获取病理细胞图像；其中，
所述输入数据源至少包括连接显微镜的CCD相机和数字病理扫描仪；
根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像；
在所述显示图像上通过图形绘制，确定细胞核分割区域；
对所述细胞核分割区域进行颜色修正和降低噪声，确定初始细胞图像；其中，
所述颜色修正包括对所述显示图像进行自动白平衡操作和高斯滤波；
处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对所述初始细胞图像中检测到的细胞核进行分类，确定分类细胞核；
对所述分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果。
2.如权利要求1所述的一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，所述根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像，还包括：
当所述输入数据源为连接显微镜的CCD相机时，基于预设的CCD相机采样，实时更新所述病理细胞图像，确定显示图像；
当所述输入数据源为数字病理扫描仪时，基于用户需求，对所述理细胞图像进行区域选取，确定显示图像；其中，
所述区域选取至少包括缩放和平移。
3.如权利要求1所述的一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，所述在所述显示图像上通过图形绘制，确定细胞核分割区域，包括：
基于图像显示面板，确定细胞核面积；
根据所述细胞核面积，对细胞核绘制图形框，确定细胞核分割区域；其中，
所述图形框包括矩形、圆形或者任意曲线。
4.如权利要求1所述的一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，所述处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对所述初始细胞图像中检测到的细胞核进行分类，确定分类细胞核，包括：
基于所述初始细胞图像，对所述初始细胞图像中的组织切片进行染色分离，确定阳性细胞核区域和阴性细胞核区域；
根据所述阳性细胞核区域和阴性细胞核区域，确定阴性区域掩模和阳性区域掩模；
基于所述初始细胞图像，进行重叠细胞核的分割和轮廓检测，确定细胞核轮廓；
通过所述细胞核轮廓和预设的最小细胞面积，过滤面积低于该数值的细胞核，确定候选细胞核；
根据所述阴性区域掩模和阳性区域掩模，统计所述候选细胞核的灰度平均值；
根据所述灰度平均值，将所述候选细胞核分为背景候选细胞核、阴性候选细胞核和阳性候选细胞核；其中，
所述阳性候选细胞核可以根据预设的阳性阈值进一步分类；
根据所述背景候选细胞核、阴性候选细胞核和阳性候选细胞核，确定分类细胞核。
5.如权利要求4所述的一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，所述对所述初始细胞图像中的组织切片进行染色分离，确定阳性细胞核区域和阴性细胞核区域，包括：
基于预设的染色剂，对所述初始细胞图像中的组织切片进行染色；其中，
所述染色剂包括H染色剂和DAB染色剂；
通过预设的颜色反卷积算法，分离出所述H染色剂和DAB染色剂对应的灰度通道；其中，
所述灰度通道包括H灰度通道和DAB灰度通道；
根据所述H灰度通道，确定H灰度图像，并将所述H灰度图像转换到CMYK颜色空间；
基于所述CMYK颜色空间的C通道，对所述H灰度通道做自动阈值分割，提取H染色的细胞核，并确定阴性细胞核区域；
通过预设的自适应阈值方法，分割所述DAB灰度通道，利用最大类间方差计算细胞核区域和背景区域；其中，
当所述细胞核区域小于预设的最低阈值，不存在被DAB染色的细胞核；
根据所述细胞核区域和背景区域，确定阳性细胞核区域。
6.如权利要求4所述的一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，所述基于所述初始细胞图像，进行重叠细胞核的分割和轮廓检测，确定细胞核轮廓，包括以下步骤：
步骤1：将所述初始细胞图像转换为初始灰度图像；
步骤2：对所述初始灰度图像做高斯滤波处理，并进行拉普拉斯变换，确定拉普拉斯图像；
步骤3：对所述拉普拉斯图像做阈值处理，像素值大于零的区域为细胞核候选区域；
步骤4：对细胞核候选区域做分水岭变换，实现重叠细胞核的分割，确定分割结果图像；
步骤5：对所述分割结果图像进行轮廓检测，获取细胞核轮廓。
7.如权利要求1所述的一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，所述对所述分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果包括以下步骤：
步骤S1：获取细胞核的灰度平均值，对分类细胞核进行计数，确定细胞核统计结果：
Cell＝{cellb，celly1，celly2}
其中，Cell代表细胞核统计结果，cellb代表背景细胞核，celly1代表阴性细胞核，celly2代表阳性细胞核；
步骤S2：根据所述统计结果，计算分类细胞的诊断参数：
Figure FDA0003085215970000051
其中f(cellb)代表背景细胞核的诊断参数，cellbi代表采集到的第i个背景细胞核样本，i代表一共采集到的背景细胞核样本，αi代表采集到的背景细胞核的第i个背景细胞核的诊断敏感参数，f(celly1)代表阴性细胞核的诊断参数，celly1j代表采集到的第j个阴性细胞核样本，j代表一共采集到的阴性细胞核样本，βj代表采集到的阴性细胞核的第j个阴性细胞核的诊断特异参数，f(celly2)代表阳性细胞核的诊断参数，celly2n代表采集到的第n个阳性细胞核样本，n代表一共采集到的阳性细胞核样本，γn代表采集到的阳性细胞核的第n个阳性细胞核的诊断特异参数；
步骤S3：根据所述诊断参数，确定诊断规则参数；
Figure FDA0003085215970000052
其中，所述z代表诊断规则参数，
Figure FDA0003085215970000053
代表背景细胞核的诊断敏感平均参数，
Figure FDA0003085215970000054
代表阴性细胞核诊断特异平均参数，
Figure FDA0003085215970000055
阳性细胞核的诊断特异平均参数，μ1代表阴性细胞核的指标率，μ2代表阳性细胞核的指标率，p代表背景细胞核在图像上的占比率；
步骤S4：比较所述诊断规则参数和预设的最低阈值范围
Figure FDA0003085215970000056
确定诊断规则指数；
步骤S5：针对所述诊断指数，优化显示结果。
8.一种免疫组化细胞图像细胞核分割与计数系统，其特征在于，所述系统包括：
图像获取模块：用于通过预设的输入数据源，获取病理细胞图像；其中，
所述输入数据源至少包括连接显微镜的CCD相机和数字病理扫描仪；
图像显示模块：用于根据所述病理细胞图像和输入数据源，确定图像显示面板上的显示图像；
参数选择模块：用于在所述显示图像上通过图形绘制，确定细胞核分割区域；
图像预处理模块：用于对所述细胞核分割区域进行颜色修正和降低噪声，确定初始细胞图像；其中，
所述颜色修正包括对所述显示图像进行自动白平衡操作和高斯滤波；
细胞分类模块：用于处理所述初始细胞图像，获取阴性区域掩模、阳性区域掩模和细胞核轮廓，并根据所述细胞核轮廓、阴性区域掩模和阳性区域掩模，对所述初始细胞图像中检测到的细胞核进行分类，确定分类细胞核；
辅助诊断模块：用于对所述分类细胞核进行计数，并根据所述分类细胞核，确定诊断指数，并根据所述诊断指数，优化显示结果。
9.如权利要求8所述的一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，所述细胞分类模块包括：
染色分离单元：用于基于所述初始细胞图像，对所述初始细胞图像中的组织切片进行染色分离，确定阳性细胞核区域和阴性细胞核区域；
掩模单元：用于根据所述阳性细胞核区域和阴性细胞核区域，确定阴性区域掩模和阳性区域掩模；
细胞核轮廓单元：用于基于所述初始细胞图像，进行重叠细胞核的分割和轮廓检测，确定细胞核轮廓；
候选单元：用于通过所述细胞核轮廓和预设的最小细胞面积，过滤面积低于该数值的细胞核，确定候选细胞核；
灰度平均值单元：用于根据所述阴性区域掩模和阳性区域掩模，统计所述候选细胞核的灰度平均值；
候选分类单元：用于根据所述灰度平均值，将所述候选细胞核分为背景候选细胞核、阴性候选细胞核和阳性候选细胞核；其中，
所述阳性候选细胞核可以根据预设的阳性阈值进一步分类；
细胞核分类单元：用于根据所述背景候选细胞核、阴性候选细胞核和阳性候选细胞核，确定分类细胞核。
10.如权利要求9所述的一种免疫组化细胞图像细胞核分割与计数方法，其特征在于，所述染色分离单元包括：
染色子单元：用于基于预设的染色剂，对所述初始细胞图像中的组织切片进行染色；其中，
所述染色剂包括H染色剂和DAB染色剂；
灰度通道子单元：用于通过预设的颜色反卷积算法，分离出所述H染色剂和DAB染色剂对应的灰度通道；其中，
所述灰度通道包括H灰度通道和DAB灰度通道；
转换子单元：用于根据所述H灰度通道，确定H灰度图像，并将所述H灰度图像转换到CMYK颜色空间；
阴性细胞核区域子单元：用于基于所述CMYK颜色空间的C通道，对所述H灰度通道做自动阈值分割，提取H染色的细胞核，并确定阴性细胞核区域；
所述分割DAB通道子单元用于通过预设的自适应阈值方法，分割所述DAB灰度，利用最大类间方差计算细胞核区域和背景区域；其中，
当所述细胞核区域小于预设的最低阈值，不存在被DAB染色的细胞核；
所述阳性细胞核区域子单元用于根据所述细胞核区域和背景区域，确定阳性细胞核区域。
CN202110578172.7A 2021-05-26 2021-05-26 免疫组化细胞图像细胞核分割与计数方法和系统 Active CN113470041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110578172.7A CN113470041B (zh) 2021-05-26 2021-05-26 免疫组化细胞图像细胞核分割与计数方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110578172.7A CN113470041B (zh) 2021-05-26 2021-05-26 免疫组化细胞图像细胞核分割与计数方法和系统

Publications (2)

Publication Number Publication Date
CN113470041A true CN113470041A (zh) 2021-10-01
CN113470041B CN113470041B (zh) 2022-04-22

Family

ID=77871329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110578172.7A Active CN113470041B (zh) 2021-05-26 2021-05-26 免疫组化细胞图像细胞核分割与计数方法和系统

Country Status (1)

Country Link
CN (1) CN113470041B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113903030A (zh) * 2021-10-12 2022-01-07 杭州迪英加科技有限公司 一种基于弱监督学习的液基细胞病理图像生成方法
CN114299044A (zh) * 2021-12-31 2022-04-08 深圳裕泰抗原科技有限公司 一种判读淋巴细胞的方法及装置
CN114612738A (zh) * 2022-02-16 2022-06-10 中国科学院生物物理研究所 细胞电镜图像分割模型的训练方法和细胞器互作分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020585A (zh) * 2012-11-06 2013-04-03 华南师范大学 一种免疫组织阳性细胞和阴性细胞识别方法
CN110400318A (zh) * 2019-06-14 2019-11-01 广东省人民医院(广东省医学科学院) 一种免疫组化病理图像cd4阳性细胞核分割方法及系统
CN110736748A (zh) * 2019-09-12 2020-01-31 杭州迪英加科技有限公司 免疫组化核浆染色切片诊断方法及系统
CN112580748A (zh) * 2020-12-30 2021-03-30 电子科技大学 一种对Ki67染色图像癌细胞计数的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020585A (zh) * 2012-11-06 2013-04-03 华南师范大学 一种免疫组织阳性细胞和阴性细胞识别方法
CN110400318A (zh) * 2019-06-14 2019-11-01 广东省人民医院(广东省医学科学院) 一种免疫组化病理图像cd4阳性细胞核分割方法及系统
CN110736748A (zh) * 2019-09-12 2020-01-31 杭州迪英加科技有限公司 免疫组化核浆染色切片诊断方法及系统
CN112580748A (zh) * 2020-12-30 2021-03-30 电子科技大学 一种对Ki67染色图像癌细胞计数的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AYMEN MOUELHI 等: ""Fast unsupervised nuclear segmentation and classification scheme for automatic allred cancer scoring in immunohistochemical breast tissue images"", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 *
SUMAN TEWARY 等: ""AutoIHC-analyzer: Computer assisted microscopy for automated evaluation of ER, PR and Ki-67 molecular markers"", 《IEEE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113903030A (zh) * 2021-10-12 2022-01-07 杭州迪英加科技有限公司 一种基于弱监督学习的液基细胞病理图像生成方法
CN114299044A (zh) * 2021-12-31 2022-04-08 深圳裕泰抗原科技有限公司 一种判读淋巴细胞的方法及装置
CN114612738A (zh) * 2022-02-16 2022-06-10 中国科学院生物物理研究所 细胞电镜图像分割模型的训练方法和细胞器互作分析方法
CN114612738B (zh) * 2022-02-16 2022-11-11 中国科学院生物物理研究所 细胞电镜图像分割模型的训练方法和细胞器互作分析方法

Also Published As

Publication number Publication date
CN113470041B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN113470041B (zh) 免疫组化细胞图像细胞核分割与计数方法和系统
US11669971B2 (en) Colony contrast gathering
JP6086949B2 (ja) 色原体分離に基づく画像解析の方法
WO2021139258A1 (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN111931751B (zh) 深度学习训练方法、目标物识别方法、系统和存储介质
CN112435243A (zh) 一种全切片数字病理图像的自动分析系统及方法
CN108288506A (zh) 一种基于人工智能技术的癌症病理辅助诊断方法
CN111488921A (zh) 一种全景数字病理图像智能分析系统及方法
CN113781455B (zh) 宫颈细胞图像异常检测方法、装置、设备及介质
CN112990015B (zh) 一种病变细胞自动识别方法、装置和电子设备
WO2021139447A1 (zh) 一种宫颈异常细胞检测装置及方法
CN110838094B (zh) 病理切片染色风格转换方法和电子设备
GB2466818A (en) Cell image segmentation using binary threshold and greyscale image processing
CN103489187A (zh) 基于质量检测的宫颈lct图像中细胞核的分割方法
WO2021164320A1 (zh) 基于计算机视觉的导管特征获取方法、装置和智能显微镜
CN109815974A (zh) 一种细胞病理玻片分类方法、系统、设备、存储介质
CN111476794A (zh) 一种基于unet的宫颈病理组织分割方法
CN113241154A (zh) 一种人工智能血液涂片细胞标注系统及方法
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
JP7156361B2 (ja) 画像処理方法、画像処理装置及びプログラム
CN110458042B (zh) 一种荧光ctc中的探针数目检测方法
CN113469939B (zh) 一种基于特性曲线的her-2免疫组化自动判读系统
Skodras et al. Object recognition in the ovary: quantification of oocytes from microscopic images
Amitha et al. Developement of computer aided system for detection and classification of mitosis using SVM
CN109919924B (zh) 一种适用于大批量he染色图片细胞数字化处理的方法

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
TR01 Transfer of patent right

Effective date of registration: 20221025

Address after: 100000 608, Floor 6, No. 39, Lianhuachi East Road, Haidian District, Beijing

Patentee after: Beijing Thorough Future Technology Co.,Ltd.

Address before: Room 513, 5 / F, building C, 18 Xihuan South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Patentee before: TOUCHE IMAGE (BEIJING) TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right