CN113850792A - 一种基于计算机视觉的细胞分类计数方法及系统 - Google Patents
一种基于计算机视觉的细胞分类计数方法及系统 Download PDFInfo
- Publication number
- CN113850792A CN113850792A CN202111145123.0A CN202111145123A CN113850792A CN 113850792 A CN113850792 A CN 113850792A CN 202111145123 A CN202111145123 A CN 202111145123A CN 113850792 A CN113850792 A CN 113850792A
- Authority
- CN
- China
- Prior art keywords
- pathological section
- digital image
- image
- cell data
- cell
- 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
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
- 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
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于计算机视觉的细胞分类计数方法及系统,获取原始病理切片数字图像并进行预处理;基于改进的分水岭算法,对预处理后的病理切片数字图像进行分割,获得图像分割边界;将图像分割边界与原始病理切片数字图像进行合并分割,得到分割后的病理切片数字图像;提取分割后的病理切片数字图像的特征,并对提取的特征进行分类得到第一细胞数据;同时将分割后的病理切片数字图像使用神经网络训练模型进行检测,得到第二细胞数据;将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据;实现将计算图像学应用在医疗领域,辅助诊断,大大降低了医生的工作量。
Description
技术领域
本发明属于细胞识别、定位、分类计数领域,尤其涉及一种基于计算机视觉的细胞分类计数方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
乳腺癌免疫组化中ER是雌激素受体的意思,PR是孕激素受体,二者均为阳性,称之为内分泌治疗敏感型,意味着可以进行内分泌治疗这类患者总的生存率和无病生存率明显高于阴性的患者。专业机构的医生可以通过显微镜对免疫组化细胞的形态进行持续观察,并给出评估结果。这种方式简单直接,但需要相当专业的背景知识和大量的人工参与,门槛较高且效率低下。因此,许多研究者尝试用图像智能解译的方式来代替人工参与。传统人工识别计数的方式方法,效率低下非常受限于专业知识以及精力。
现阶段许多计算机化方法都依赖颜色特征来检测和分类细胞来进行免疫组化细胞评比技术,或者采用深度学习神经网络的方式方法来进行细胞数识别定位分类计数。染色图像中各类细胞的细胞核的形态、颜色极其相似,使得一些传统方法会将非肿瘤细胞视为肿瘤细胞,从而导致大量计数错误。而采用深度学习的方式方法,会造成识别率的不精确,无法解决细胞粘连等问题。在监督和无监督的学习方法中,将单个像素作为研究对象,而同一类别中的像素共同构成了组织的每个组成部分。研究人员需要在进行监督分类之前,选择包括所有细胞类型在内的每个组织成分的代表性区域作为训练样本,其性能很大程度上取决于预先定义的训练样本的质量和全面性;也就是说,有无监督的学习方法对于细胞的分类准确性有很大的影响。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于计算机视觉的细胞分类计数方法及系统,采用计算机视觉的计算方法,实现将计算图像学应用在医疗领域,辅助诊断,大大降低了医生的工作量。针对传统算法中使用颜色等特征进行区分不准确的缺点,使用颜色特征、纹理特征等多方面的特征进行创造性的识别;针对粘连细胞,采用改进的分水岭算法进行分割;针对细胞分类的情况,在完成细胞分割后使用,有监督的方式进行分类,从而解决了细胞分类计数的问题。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于计算机视觉的细胞分类计数方法,包括:
获取原始病理切片数字图像并进行预处理;
基于改进的分水岭算法,对预处理后的病理切片数字图像进行分割,获得图像分割边界;
将图像分割边界与原始病理切片数字图像进行合并分割,得到分割后的病理切片数字图像;
提取分割后的病理切片数字图像的特征,并对提取的特征进行分类得到第一细胞数据;同时将分割后的病理切片数字图像使用神经网络训练模型进行检测,得到第二细胞数据;
将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据。
本发明的第二个方面提供一种基于计算机视觉的细胞分类计数系统,包括:
图像获取模块,被配置为获取原始病理切片数字图像并进行预处理;
图像处理模块,被配置为基于改进的分水岭算法,对预处理后的病理切片数字图像进行分割,获得图像分割边界;
图像分割模块,被配置为将图像分割边界与原始病理切片数字图像进行合并分割,得到分割后的病理切片数字图像;
图像细胞分类模块,被配置为提取分割后的病理切片数字图像的特征,并对提取的特征进行分类得到第一细胞数据;同时将分割后的病理切片数字图像使用神经网络训练模型进行检测,得到第二细胞数据;
图像细胞计数模块,被配置为将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的一种基于计算机视觉的细胞分类计数方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的一种基于计算机视觉的细胞分类计数方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明采用计算机视觉的计算方法,实现将计算图像学应用在医疗领域,辅助诊断,大大降低了医生的工作量。针对传统算法中使用颜色等特征进行区分不准确的缺点,使用颜色特征、纹理特征等多方面的特征进行创造性的识别;针对粘连细胞,采用改进的分水岭算法进行分割;针对细胞分类的情况,在完成细胞分割后使用,有监督的方式进行分类,从而解决了细胞分类计数的问题。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例中基于计算机视觉的细胞分类计数方法的原理流程图;
图2是本发明实施例中基于计算机视觉的细胞分类计数方法的效果图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示,本实施例提供了一种基于计算机视觉的细胞分类计数方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
本实施例中,该方法包括以下步骤:
步骤S1:获取原始病理切片数字图像并进行预处理;
步骤S2:基于改进的分水岭算法,对预处理后的病理切片数字图像进行分割,获得图像分割边界;
步骤S3:将图像分割边界与原始病理切片数字图像进行合并分割,得到分割后的病理切片数字图像;
步骤S4:提取分割后的病理切片数字图像的特征,并对提取的特征进行分类得到第一细胞数据;同时将分割后的病理切片数字图像使用神经网络训练模型进行检测,得到第二细胞数据;
步骤S5:将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据。
在步骤S1中,获取原始病理切片数字图像O(x,y)并进行预处理,具体为:
步骤S11:利用病理切片设备进行采样拍摄,获得清晰度高、边框对齐、质量较好的病理切片数字图像,即原始病理切片数字图像;
步骤S12:对所得到的病理切片数字图像进行颜色通道分离得到不同颜色通道的病理切片数字图像;
步骤S13:对得到的不同颜色通道的病理切片数字图像进行阈值化图像分割,去除杂质背景对识别的影响;
步骤S14:对于步骤S13中得到的病理切片数字图像采用形态学处理的方式去掉病理切片数字图像中的杂质,得到预处理后的病理切片数字图像V(x,y)。
其中形态学处理的方式具体包括膨胀腐蚀等手段。
在步骤S2,基于改进的分水岭算法,对预处理后的病理切片数字图像V(x,y)进行分割,获得图像分割边界g(x,y),具体过程为:
步骤S21:对预处理后的病理切片数字图像V(x,y)进行滤波降噪处理,得到滤波降噪处理后的病理切片数字图像U(t,x);
步骤S22:对滤波降噪处理后的病理切片数字图像U(t,x)进行变换处理,得到变换处理后的病理切片数字图像F(x,y);
步骤S23:对变换处理后的病理切片数字图像F(x,y)进行阈值处理,得到图像分割边界g(x,y)。
在传统分水岭算法中,通过选取种子对不同区域的像素进行合并实现图像分割,通常可以获得较好的图像分割结果,适合复杂的图像分割,但是该种方式容易受到噪声影响,分割结果容易丢失边缘重要信息,当噪声含量较高时过分割以及欠分割现象容易出现,并且该算法分割精度过低;针对此现象,本申请对传统的分水岭算法进行改进。
具体地,在步骤S21中,首先针对预处理后的病理切片数字图像V(x,y)进行滤波处理,采用高斯曲率滤波,其中,高斯曲率滤波在二维图像中,高斯曲率的计算方式则是:
公式中U代指V(x,y)。
然后将滤波后图像进行消除噪声,克服预处理后的病理切片数字图像的噪声干扰,保护分割目标的边缘信息;
在去噪算法中,用到的变分模型是高斯曲率变分模型:
其中,ε(U)是高斯曲率能量,∈是演化终止阈值,是个很小的数;
一般是基于扩散的方法,即diffusion-based algorithm,主要是通过加入伪时间t,直到达到稳定状态或满足终止条件:
初始条件U(t=0,x)=I(x):
从而得到滤波去噪后的病理切片数字图像U(t,x)。
在步骤S22中,对滤波去噪后的病理切片数字图像U(t,x)进行数学形态学上的变换操作,以增强相关图像的对比度,实现背景图像与前景图像的对比分离,得到变换处理后的病理切片数字图像F(x,y)。
对于变换处理后的病理切片数字图像F(x,y)的处理,传统做法是对F(x,y)进行分水岭变换得到图像F(x,y)的集水盆图像,集水盆之间的边界点,即为分水岭;显然,分水岭表示的是图像F(x,y)极大值点。
因此,为得到图像的边缘信息,改进后把梯度图像g’(x,y)作为输入图像替代F(x,y),即g’(x,y)与F(x,y)关系为:
g’(x,y)=grad(F(x,y)); (5)
式中,F(x,y)表示分水岭变换得到图像,grad{.}表示梯度运算。
此外,虽然传统分水岭算法对微弱边缘具有良好的响应,图像中的噪声、物体表面细微的灰度变化,都会产生过度分割的现象;为消除传统分水岭算法产生的过度分割,通常可以采用两种处理方法,一是利用先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目标。为降低传统分水岭算法产生的过度分割,通常要对梯度函数进行修改,一个简单的方法是对梯度图像进行阈值处理,以消除灰度的微小变化产生的过度分割。即
g’(x,y)=max(grad(F(x,y)),gθ)), (6)
式中,gθ表示阈值,最终得到梯度图像g’(x,y)。
然后使用梯度图像,用M1,M2,...,Mn表示各局部极小值的像素位置,C(Mi)为对应的Mi对应区域中像素坐标的集合用n代表当前的梯度阈值;
T[n]代表记为(u,v)的像素集合,g(u,v)<n,即
T[n]={(u,v)|g(u,v)<n}
梯度阈值从图像梯度范围的最低值整数增加;当梯度阈值为n时,g(x,y)<n平面的像素集合为T[n];对Mi所在的区域满足条件的坐标集合C(Mi)可看做一幅二值图像:Cn(Mi)=C(Mi)∩T[n],即同时在C(Mi)区域和T[n]区域的地方Cn(Mi)=1,否则为0;用C[M]代表所有梯度阈值为n时图像中所有满足梯度值小于n的像素集合:C[n]=∪Cn(Mi)i<n,C[max+1]为所有区域的并集,max为图像灰度范围的最大值;初始化C[min+1]=t[min+1],然后逐渐迭代进行。
设在步骤n时,以建立C[n-1-1],下面考虑从C[n-1]得到C[n]。
令S代表T[n]中连通组元的集合,每个连通组元s∈S[n]时,有三种情况:
1)s∩C[n-1]是空集--C[n]=s+C[n-1]
2)s∩C[n-1]包含C[n-1]中的一个连通组元-C[n]=s+C[n-1]
3)s∩C[n-1]包含C[n-1]中一个以上的组元--需要在s中建立分水岭,对s∩C[n-1]进行膨胀;最后得到C[n]集合就是分割图像,设为g′(x,y)
在步骤S3,将图像分割边界与原始病理切片数字图像进行合并分割,得到分割后的病理切片数字图像,具体为:
通过改进分水岭算法得到图像分割边界g(x,y),将图像分割边界g(x,y)与原始病理切片数字图像O(x,y)进行合并,并将合并图像中图像分割边界设定为原始病理切片数字图像O(x,y)中背景图像颜色,得到分割后的病理切片数字图像S(X,Y)。
在步骤S4中,提取分割后的病理切片数字图像的特征,并对提取的特征进行分类得到第一细胞数据,具体为:
将分割后的病理切片数字图像S(X,Y),进行相关特征的提取,包括颜色特征c,面积特征a,惯性率特征g,纹理特征r,将提取的相关特使用SVM分类器进行分类,从而获得第一细胞数据Res1,其中Res1包括相关第一阳性细胞数据(包含阳性细胞个数、在图像中的位置信息和分割出的第一阳性细胞图像)和第一阴性细胞数据(包含阴性细胞个数、在图像中的位置信息和分割出的第一阴性细胞图像)。
使用分类SVM,在线性可分的情况下,就会存在一个超平面使得训练样本完全分开,该超平面可描述为:
w·x+b=0, (7)
其中,“·”是点积,w是n维向量,b为偏移量。
最优超平面是使得每一类数据与超平面距离最近的向量与超平面之间的距离最大的这样的平面。
最优超平面可以通过解下面的二次优化问题来获得:
满足约束条件:yi(w·xi+b)≥1,i=1,2,3,......,n, (9)
在特征数目特别大的情况,可以将此二次规划问题转化为其对偶问题:
b*=yi-w·xi, (12)
满足约束条件:
∑i=1αiyi=0,αi≥0,i=1,2,......n; (13)
这里α=(α1,......,αn)是Lagrange乘子,是最优超平面的法向量,是最优超平面的偏移量,在这类优化问题的求解与分析中,KKT条件将起到很重要的作用,在(13)式中,其解必须满足:
αi{yi(w*x+b)-1},i=1,2,......n, (14)
从式(11)可知,那些=0的样本对分类没有任何作用,只有那些>0的样本才对分类起作用,这些样本称为支持向量,故最终的分类函数为:
根据f(x)的符号来确定x的归属。
在步骤S4中,同时将分割后的病理切片数字图像S(X,Y),使用Fast-R-CNN网络预训练模型进行检测,选取相关切片上ROI感兴趣区域为一个patch图像块,对所有patch进行检测分类,得到所有patch的最终检测结果;
每一个patch的检测分类过程为:
利用训练好的神经网络模型对每一个patch进行检测,并对切除patch时的overlap重叠部分内的细胞进行重复检测框的去重;
遍历当前patch上所有检测框,并对同一细胞的两个不同类别的检测框进行去重,遍历完毕得到该patch的最终检测结果;
其中,不同类间检测框去重的具体方式为:
在对两两不同类别检测框计算交并比IOU的大小,当出现IOU大于预设阈值的情况,则删除两两不同类别检测框中置信度较低的那一个,保留信度较高的检测框;
获取得到第二细胞数据Res2,其中Res2包括第二阳性细胞数据和第二阴性细胞数据。
在步骤S5中,将第一细胞数据和第二细胞数据取并集并去重得到第三细胞数据,具体为:
对比Res2和Res1取并集并去重得到第三细胞数据Res3,其中Res3包括第三阴性细胞数据和第三阳性细胞数据;
具体地,将获取到的第三阴性细胞进行计数,统计获取的数量,得到最终的阴性细胞数据;
将获取的第三阳性细胞进行计数,统计获取的数量,得到最终的阳性细胞数据。
另外,针对ER/PR类细胞,将获取的第三阳性细胞图像进行灰度化处理,使用目标检测得到的参数数据,得到每个细胞的位置信息,选择第三阳性细胞位置坐标(x,y),并获取位置坐标的灰度值为阳性细胞分级(阳性细胞分级指的是根据阳性细胞颜色深浅不同,进行不同等级的划分)做准备。
经过实验得知,在使用普通PC主机上进行测试,对图像1080P的图像进行测试,可以在1s内完成识别,识别率在96%左右,远远低于人工识别判断时间5min左右,说明该算法的有效性。并且比较能够解决细胞分割过程中的过度分割以及分割不够的情况。
实施例二
本实施例提供了一种基于计算机视觉的细胞分类计数系统,包括:
图像获取模块,被配置为获取原始病理切片数字图像并进行预处理;
图像处理模块,被配置为基于改进的分水岭算法,对预处理后的病理切片数字图像进行分割,获得图像分割边界;
图像分割模块,被配置为将图像分割边界与原始病理切片数字图像进行合并分割,得到分割后的病理切片数字图像;
图像细胞分类模块,被配置为提取分割后的病理切片数字图像的特征,并对提取的特征进行分类得到第一细胞数据;同时将分割后的病理切片数字图像使用神经网络训练模型进行检测,得到第二细胞数据;
图像细胞计数模块,被配置为将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种基于计算机视觉的细胞分类计数方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的一种基于计算机视觉的细胞分类计数方法中的步骤。
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,本发明可采用硬件实施例、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装置。
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装置的制造品,该指令装置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。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于计算机视觉的细胞分类计数方法,其特征在于,包括:
获取原始病理切片数字图像并进行预处理;
基于改进的分水岭算法,对预处理后的病理切片数字图像进行分割,获得图像分割边界;
将图像分割边界与原始病理切片数字图像进行合并分割,得到分割后的病理切片数字图像;
提取分割后的病理切片数字图像的特征,并对提取的特征进行分类得到第一细胞数据;同时将分割后的病理切片数字图像使用神经网络训练模型进行检测,得到第二细胞数据;
将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据。
2.如权利要求1所述的一种基于计算机视觉的细胞分类计数方法,其特征在于,所述获取原始病理切片数字图像并进行预处理,具体为:
步骤1:利用病理切片设备进行采样拍摄,获得清晰度高、边框对齐、质量较好的病理切片数字图像,即原始病理切片数字图像;
步骤2:对所得到的病理切片数字图像进行颜色通道分离得到不同颜色通道的病理切片数字图像;
步骤3:对得到的不同颜色通道的病理切片数字图像进行阈值化图像分割;
步骤4:对于步骤3中得到的数据采用形态学处理的方式去掉病理切片数字图像中的杂质,得到预处理后的病理切片数字图像。
3.如权利要求1所述的一种基于计算机视觉的细胞分类计数方法,其特征在于,所述基于改进的分水岭算法,对预处理后的病理切片数字图像进行分割,获得图像分割边界,具体为:
对预处理后的病理切片数字图像进行滤波降噪处理,得到滤波降噪处理后的病理切片数字图像;
对滤波降噪处理后的病理切片数字图像进行变换处理,得到变换处理后的病理切片数字图像;
对变换处理后的病理切片数字图像进行阈值处理,得到图像分割边界。
4.如权利要求1所述的一种基于计算机视觉的细胞分类计数方法,其特征在于,所述将图像分割边界与原始病理切片数字图像进行合并分割,得到分割后的病理切片数字图像,具体为:
通过改进分水岭算法得到图像分割边界,将图像分割边界与原始病理切片数字图像进行合并,并将合并图像中图像分割边界设定为原始病理切片数字图像中背景图像颜色,得到分割后的病理切片数字图像。
5.如权利要求1所述的一种基于计算机视觉的细胞分类计数方法,其特征在于,所述提取分割后的病理切片数字图像的特征,并对提取的特征进行分类得到第一细胞数据,具体为:
提取分割后的病理切片数字图像的颜色特征、面积特征、惯性率特征以及纹理特征;
对提取的病例切片数字图像的特征使用SVM分类器进行分类;
得到第一细胞数据。
6.如权利要求1所述的一种基于计算机视觉的细胞分类计数方法,其特征在于,所述同时将分割后的病理切片数字图像使用神经网络训练模型进行检测,得到第二细胞数据,具体为:
将分割后的病理切片数字图像使用神经网络训练模型进行检测,选取切片上的ROI感兴趣区域为一个patch图像块,对所有patch进行检测分类,得到所有patch的最终检测结果;
每一个patch的检测分类过程为:
利用训练好的神经网络模型对每一个patch进行检测,并对切除patch时的overlap重叠部分内的细胞进行重复检测框的去重;
遍历当前patch上所有检测框,并对同一细胞的两个不同类别的检测框进行去重,遍历完毕得到该patch的最终检测结果;
得到第二细胞数据。
7.如权利要求1所述的一种基于计算机视觉的细胞分类计数方法,其特征在于,所述将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据,具体为:
对比第一细胞数据和第二细胞数据取并集并去重得到第三细胞数据,所述第三细胞数据包括第三阴性细胞数据和第三阳性细胞数据;
将获得的第三阴性细胞进行计数,统计获取的数量,得到最终的阴性细胞数据;
将获取的第三阳性细胞进行计数,统计获取的数量,得到最终的阳性细胞数据。
8.一种基于计算机视觉的细胞分类计数系统,其特征在于,包括:
图像获取模块,被配置为获取原始病理切片数字图像并进行预处理;
图像处理模块,被配置为基于改进的分水岭算法,对预处理后的病理切片数字图像进行分割,获得图像分割边界;
图像分割模块,被配置为将图像分割边界与原始病理切片数字图像进行合并分割,得到分割后的病理切片数字图像;
图像细胞分类模块,被配置为提取分割后的病理切片数字图像的特征,并对提取的特征进行分类得到第一细胞数据;同时将分割后的病理切片数字图像使用神经网络训练模型进行检测,得到第二细胞数据;
图像细胞计数模块,被配置为将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于计算机视觉的细胞分类计数方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于计算机视觉的细胞分类计数方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111145123.0A CN113850792A (zh) | 2021-09-28 | 2021-09-28 | 一种基于计算机视觉的细胞分类计数方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111145123.0A CN113850792A (zh) | 2021-09-28 | 2021-09-28 | 一种基于计算机视觉的细胞分类计数方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850792A true CN113850792A (zh) | 2021-12-28 |
Family
ID=78980417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111145123.0A Pending CN113850792A (zh) | 2021-09-28 | 2021-09-28 | 一种基于计算机视觉的细胞分类计数方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850792A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943723A (zh) * | 2022-06-08 | 2022-08-26 | 北京大学口腔医学院 | 一种对不规则细胞进行分割计数的方法及相关设备 |
CN115760858A (zh) * | 2023-01-10 | 2023-03-07 | 东南大学附属中大医院 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
-
2021
- 2021-09-28 CN CN202111145123.0A patent/CN113850792A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943723A (zh) * | 2022-06-08 | 2022-08-26 | 北京大学口腔医学院 | 一种对不规则细胞进行分割计数的方法及相关设备 |
CN114943723B (zh) * | 2022-06-08 | 2024-05-28 | 北京大学口腔医学院 | 一种对不规则细胞进行分割计数的方法及相关设备 |
CN115760858A (zh) * | 2023-01-10 | 2023-03-07 | 东南大学附属中大医院 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
CN115760858B (zh) * | 2023-01-10 | 2023-05-02 | 东南大学附属中大医院 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN107256558B (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
JP6660313B2 (ja) | 画像解析を用いた核のエッジの検出 | |
Tosta et al. | Segmentation methods of H&E-stained histological images of lymphoma: A review | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
Isa | Automated edge detection technique for Pap smear images using moving K-means clustering and modified seed based region growing algorithm | |
CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN111882561A (zh) | 一种癌细胞识别诊断系统 | |
Plissiti et al. | A review of automated techniques for cervical cell image analysis and classification | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
Tareef et al. | Automated three-stage nucleus and cytoplasm segmentation of overlapping cells | |
Zheng et al. | A novel algorithm based on visual saliency attention for localization and segmentation in rapidly-stained leukocyte images | |
Alegro et al. | Automating cell detection and classification in human brain fluorescent microscopy images using dictionary learning and sparse coding | |
WO2020123767A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
Mabaso et al. | Spot detection methods in fluorescence microscopy imaging: a review | |
Bhagya et al. | Analysis of image segmentation algorithms for the effective detection of leukemic cells | |
Somasundaram et al. | Automatic segmentation of nuclei from pap smear cell images: A step toward cervical cancer screening | |
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 | |
CN112419335B (zh) | 一种细胞核分割网络的形状损失计算方法 | |
CN109460768B (zh) | 一种用于组织病理学显微图像的文本检测与去除方法 | |
Ram et al. | Symmetry-based detection of nuclei in microscopy images |
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 |