CN114004851B - 一种细胞图像分割方法、装置及细胞计数方法 - Google Patents

一种细胞图像分割方法、装置及细胞计数方法 Download PDF

Info

Publication number
CN114004851B
CN114004851B CN202111436292.XA CN202111436292A CN114004851B CN 114004851 B CN114004851 B CN 114004851B CN 202111436292 A CN202111436292 A CN 202111436292A CN 114004851 B CN114004851 B CN 114004851B
Authority
CN
China
Prior art keywords
image
cell
segmentation
corrected
clustered
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
CN202111436292.XA
Other languages
English (en)
Other versions
CN114004851A (zh
Inventor
周文静
张欣
史振志
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.)
Guangzhou Aibeitai Biotechnology Co ltd
Original Assignee
Guangzhou Aibeitai Biotechnology 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 Guangzhou Aibeitai Biotechnology Co ltd filed Critical Guangzhou Aibeitai Biotechnology Co ltd
Priority to CN202111436292.XA priority Critical patent/CN114004851B/zh
Publication of CN114004851A publication Critical patent/CN114004851A/zh
Application granted granted Critical
Publication of CN114004851B publication Critical patent/CN114004851B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明属于细胞图像处理技术领域，公开了一种细胞图像分割方法、装置及细胞计数方法，包括获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像；对AO染色细胞图像中的结团细胞图像进行第二分割得到由第二区域组成的第二分割图像；对DAPI染色细胞图像进行第三分割得到由第三区域组成的第三分割图像；获取修正分割图像，将修正分割图像中的每个第三区域分别与对应的结团细胞图像中的每个第二区域进行匹配，得到修正的结团细胞图像。有益效果：通过DAPI图像对AO图像进行匹配，对算法分割得到的第二区域进行校正有效消除了算法带来的误分割区域，可以得到更为准确的结团细胞图像分割结果。

Description

一种细胞图像分割方法、装置及细胞计数方法
技术领域
本发明涉及细胞图像处理技术领域，特别是涉及一种细胞图像分割方法、装置及细胞计数方法。
背景技术
目前，采用细胞学计算机辅助诊断计数，可以有效提高医生或科研人员进行细胞计数的效率和准确性。在进行细胞统计时，现有计数普遍采用AO染色细胞图像进行细胞计数。AO染色时会同时染色活细胞和死亡细胞，DAPI染色时仅能染色死亡细胞。但是由于AO染色时，活细胞和死亡细胞会出现结团，成像背景复杂、细胞形态重叠多样等，一般的图像分割方法无法识别和区分结团细胞中的细胞数量，因此只能通过算法进行估算，但是现有的估算方法缺乏校正，估算结果误差较大。
因此需要对现有的细胞图像分割方法、装置及细胞计数方法进行改进，得到更为准确的结团细胞分割图像和细胞数量。
发明内容
本发明的目的是：通过同时使用两通道的细胞图像对现有的细胞图像分割方法、装置及细胞计数方法进行改进，得到更为准确的结团细胞分割图像和细胞数量。
为了实现上述目的，本发明提供了一种细胞图像分割方法，包括：
获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像；
对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，对第一分割图像进行筛选得到若干个结团细胞图像，对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像；对DAPI染色细胞图像进行第三分割得到由若干个第三区域组成的第三分割图像；
获取每个结团细胞图像在第三分割图像中对应区域的图像作为修正分割图像，所述修正的分割图像包括若干个第三区域；将修正分割图像中的每个第三区域分别与对应的结团细胞图像中的每个第二区域进行匹配；保留满足预设匹配条件的第二区域，得到修正的结团细胞图像。
进一步的，所述保留满足预设匹配条件的第二区域，得到修正的结团细胞图像，具体为：
若修正分割图像所包括的一个第三区域和对应的结团细胞图像中的多个第二区域均存在重叠区域，则保留与修正分割图像的第三区域重叠区域最大的第二区域；
若结团细胞图像中的一个第二区域与对应的修正分割图像中任意一个第三区域均没有重叠区域，则保留与第三区域没有重叠区域的第二区域；
舍弃所有未被保留的第二区域，得到修正的结团细胞图像。
进一步的，所述若修正分割图像所包括的一个第三区域和对应的结团细胞图像中的多个第二区域均存在重叠区域，则保留与修正分割图像的第三区域重叠区域最大的第二区域，具体为：
将修正分割图像的若干个第三区域依次记为D1到Di，将与修正分割图像所对应的结团细胞图像的若干个第二区域依次记为A1到Aj，
根据第一匹配公式保留与修正分割图像的第三区域重叠区域最大的第二区域，所述第一匹配公式具体为：
Figure GDA0003863597800000031
其中，A为保留的与修正分割图像的第三区域重叠区域最大的第二区域，i、j为大于零的自然数。
进一步的，所述获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像，具体为：
对细胞区域同时进行AO染色和DAPI染色，在第一荧光下对细胞区域进行拍照到AO染色细胞图像，在第二荧光下对细胞区域进行拍照得到DAPI染色细胞图像。
进一步的，所述对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，具体为：
根据细胞尺寸对AO染色细胞图像进行第一分割，得到若干个第一区域组成的第一分割图像，其中，若第一区域的尺寸满足细胞尺寸则该第一区域为单个细胞图像，若第一区域的尺寸大于细胞尺寸则该第一区域为结团细胞图像。
进一步的，所述对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像，具体为：
根据分水岭方法对结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像。
进一步的，所述对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像，具体为：
将结团细胞图像输入到预先训练的结团细胞分割神经网络，根据结团细胞分割神经网络得到由若干个第二区域组成的第二分割图像；所述结团细胞分割神经网络通过人工标识的结团细胞图像进行训练。
本发明还公开了一种细胞图像分割装置，包括：第一获取模块、图像分割模块和结团细胞图像修正模块；
所述第一获取模块，用于获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像；
所述图像分割模块，用于对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，对第一分割图像进行筛选得到若干个结团细胞图像，对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像；对DAPI染色细胞图像进行第三分割得到由若干个第三区域组成的第三分割图像；
所述结团细胞图像修正模块，用于获取每个结团细胞图像在第三分割图像中对应区域的图像作为修正分割图像，所述修正的分割图像包括若干个第三区域；将修正分割图像中的每个第三区域分别与对应的结团细胞图像中的每个第二区域进行匹配；保留满足预设匹配条件的第二区域，得到修正的结团细胞图像。
本发明还公开了一种细胞计数方法，根据上述的细胞图像分割方法得到修正的结团细胞图像，根据修正的结团细胞图像统计结团细胞的细胞数量，若保留的第二区域为与修正分割图像的第三区域重叠区域最大的第二区域，则统计一个死亡细胞，若保留的第二区域为与第三区域没有重叠区域的第二区域，则统计一个活细胞。
进一步的，获取所有结团细胞图像的细胞数量，获取第一分割图像中非结团细胞的数量，根据所有结团细胞的细胞数量和非结团细胞的细胞数量得到细胞区域的总细胞数量；
所述获取第一分割图像中非结团细胞的数量，具体为：
获取第一分割图像中第一区域的数量、获取结团细胞图像的数量、获取第三区域的数量、获取修正分割图像中第三区域的数量；则非结团细胞的活细胞数量＝第一分割图像中第一区域的数量－获取结团细胞图像的数量－(第三区域的数量－修正分割图像中第三区域的数量)；非结团细胞的死细胞数量＝第三区域的数量－修正分割图像中第三区域的数量。
本发明实施例一种细胞图像分割方法、装置及细胞计数方法与现有技术相比，其有益效果在于：通过本发明的细胞图像分割方法，通过DAPI图像对AO图像进行匹配，对算法分割得到的第二区域进行校正有效消除了算法带来的误分割区域，可以得到更为准确的结团细胞图像分割结果，进而得到更为准确的细胞区域的细胞统计数量。
附图说明
图1是本发明一种细胞图像分割方法的第一流程示意图；
图2是本发明一种细胞图像分割方法的第二流程示意图；
图3是本发明一种细胞图像分割装置的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1：
如图1所示，本发明公开了一种细胞图像分割方法，应用于染色细胞图像的分割和计数，主要包括如下几个步骤：
步骤S1，获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像；
步骤S2，对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，对第一分割图像进行筛选得到若干个结团细胞图像，对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像；对DAPI染色细胞图像进行第三分割得到由若干个第三区域组成的第三分割图像；
步骤S3，获取每个结团细胞图像在第三分割图像中对应区域的图像作为修正分割图像，所述修正的分割图像包括若干个第三区域；将修正分割图像中的每个第三区域分别与对应的结团细胞图像中的每个第二区域进行匹配；保留满足预设匹配条件的第二区域，得到修正的结团细胞图像。
参照图2，在本实施例中，所述保留满足预设匹配条件的第二区域，得到修正的结团细胞图像，具体为：
步骤S31，若修正分割图像所包括的一个第三区域和对应的结团细胞图像中的多个第二区域均存在重叠区域，则保留与修正分割图像的第三区域重叠区域最大的第二区域；
步骤S32，若结团细胞图像中的一个第二区域与对应的修正分割图像中任意一个第三区域均没有重叠区域，则保留与第三区域没有重叠区域的第二区域；
步骤S33，舍弃所有未被保留的第二区域，得到修正的结团细胞图像。
在步骤S1中，获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像。同时获取同一细胞区域两个通道的细胞图像，可以利用DAPI染色细胞图像对AO染色细胞图像进行校正，获得更加准确的分割和统计结果。
在本实施例中，所述获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像，具体为：
对细胞区域同时进行AO染色和DAPI染色，在第一荧光下对细胞区域进行拍照到AO染色细胞图像，在第二荧光下对细胞区域进行拍照得到DAPI染色细胞图像。
在本实施例中，确定需要进行图像分割的细胞区域，然后在暗场光源下打开不同的荧光下采集AO染色细胞图像和DAPI染色细胞图像，两种图像的采集顺序可以调整，如此可以得到同一细胞区域的两种染色细胞图像，两种染色细胞图像中活细胞和死亡细胞的位置相同，可以利用DAPI染色细胞图像对AO染色细胞图像进行校正。
在本实施例中，AO染色是可以同时染色活细胞和死亡细胞，DAPI仅能染色死亡细胞。因此AO染色细胞图像包括死亡细胞和活细胞，DAPI染色细胞图像仅包括死亡细胞，可以通过DAPI染色细胞图像确定所有死亡细胞的位置。由于死亡细胞的细胞膜已经破裂，因此当细胞区域中存在死亡细胞时，死亡细胞的细胞膜和细胞质等残留物会模糊细胞的边界同时也会造成细胞之间结团。通过机器识别时，无法进行区分和识别，影响最终的统计结果。因此可以通过改进对结团细胞的分割方法提高对结团细胞的分割质量，最终提高识别的准确度。
在步骤S2中，对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，对第一分割图像进行筛选得到若干个结团细胞图像，对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像；对DAPI染色细胞图像进行第三分割得到由若干个第三区域组成的第三分割图像。
在本实施例中，所述对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，具体为：
根据细胞尺寸对AO染色细胞图像进行第一分割，得到若干个第一区域组成的第一分割图像，其中，若第一区域的尺寸满足细胞尺寸则该第一区域为单个细胞图像，若第一区域的尺寸大于细胞尺寸则该第一区域为结团细胞图像。
在本实施例中，通过筛选出结团细胞图像可以针对性的对结团细胞图像进行处理，提高结团细胞图像的分割精度，更为准确的判断结团细胞图像中的活细胞数量和死亡细胞数量。
在本实施例中，所述对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像，具体为：
根据分水岭方法对结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像。
在本实施例中，分水岭方法为现有技术，分水岭方法可以将结团细胞图像分割为若干个单个细胞图像，即若干个第二区域。但是这种分割方法并不可靠，分割后的细胞数量可能多于真实的细胞数量也可能少于真实的细胞数量，需要进一步对分割结果进行判断，进而获取更为准确的图像分割结果。
在本实施例中，所述对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像，具体为：
将结团细胞图像输入到预先训练的结团细胞分割神经网络，根据结团细胞分割神经网络得到由若干个第二区域组成的第二分割图像；所述结团细胞分割神经网络通过人工标识的结团细胞图像进行训练。
在本实施例中，可以通过预先训练的神经网络获取更为准确的结团细胞图像的分割结果，但是较难区分活细胞和死亡细胞，仍然需要进一步的判断。通过人工标识的结团细胞图像进行训练，可以使神经网络模型更准确的区分结团细胞中不同的细胞，且每次训练后都可以优化神经网络的算法，最终使分割结果越来越准确。
在步骤S3中，获取每个结团细胞图像在第三分割图像中对应区域的图像作为修正分割图像，所述修正的分割图像包括若干个第三区域。
在本实施例中，由于AO染色细胞图像和DAPI染色细胞图像是统一细胞区域的细胞图像，因此每一个结团细胞图像必然在DAPI染色图像中对应一个修正分割图像。而细胞死亡和细胞结团都是随机的，因此修正的分割图像中可能包括多个死亡细胞，每个死亡细胞对应一个第三区域。
将修正分割图像中的每个第三区域分别与对应的结团细胞图像中的每个第二区域进行匹配。修正分割图像中包括若干个死亡细胞的图像，通过确定死亡细胞的图像在AO染色细胞图像中的位置对第二分割结果进行修正。
在步骤S31中，所述若修正分割图像所包括的一个第三区域和对应的结团细胞图像中的多个第二区域均存在重叠区域，则保留与修正分割图像的第三区域重叠区域最大的第二区域，具体为：
将修正分割图像的若干个第三区域依次记为D1到Di，将与修正分割图像所对应的结团细胞图像的若干个第二区域依次记为A1到Aj，
根据第一匹配公式保留与修正分割图像的第三区域重叠区域最大的第二区域，所述第一匹配公式具体为：
Figure GDA0003863597800000091
其中，A为保留的与修正分割图像的第三区域重叠区域最大的第二区域，i、j为大于零的自然数。
在本实施例中，本领域技术人员可以在第一匹配公式的基础上变化得到其它的匹配公式，例如：
Figure GDA0003863597800000092
基于本发明公开的第一匹配公式推导出其它匹配公式是容易联想到的，且本发明已经公开通过匹配公式进行匹配的思路，因此基于此交集公式做的其他变换均属于保护范畴。
若一个第三区域(死亡细胞)和多个通过算法分割出的第二区域(虚拟细胞)都存在相交区域，则可以推断通过算法分割出的第二区域(虚拟细胞)的位置是不正确的，即存在误分割。显然DAPI图像中只识别死亡细胞的图像更为准确，因此可以通过DAPI染色细胞图像对AO染色细胞图像进行校正。在进行校正时，第三区域和第二区域的重回面积越大，则第三区域是一个完整细胞的可能性越高，同时其它第三区域由于相交面积较小因此是一个完整细胞的可能性较低，可以判断为误分割出的虚拟细胞。
在步骤S32中，若结团细胞图像中的一个第二区域与对应的修正分割图像中任意一个第三区域均没有重叠区域，则保留与第三区域没有重叠区域的第二区域。一个分割出的第二区域(虚拟细胞)，没有和死亡细胞相重叠，则可以推断该分割出的第二区域，极大概率为一个真实的细胞，因此判断算法分割出的该第二区域为真实细胞，需要保留。
在步骤S33中，舍弃所有未被保留的第二区域，即舍弃了所有误分割得到的虚拟细胞，最终得到修正的结团细胞图像。
通过本发明的细胞图像分割方法，通过DAPI图像对AO图像进行匹配，对算法分割得到的第二区域进行校正有效消除了算法带来的误分割区域，可以得到更为准确的结团细胞图像分割结果，进而得到更为准确的细胞区域的细胞统计数量。
实施例2：
参照图3，本发明公开了一种细胞图像分割装置，包括：第一获取模块101、图像分割模块102和结团细胞图像修正模块103。
所述第一获取模块101，用于获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像；
所述图像分割模块102，用于对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，对第一分割图像进行筛选得到若干个结团细胞图像，对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像；对DAPI染色细胞图像进行第三分割得到由若干个第三区域组成的第三分割图像；
所述结团细胞图像修正模块103，获取每个结团细胞图像在第三分割图像中对应区域的图像作为修正分割图像，所述修正的分割图像包括若干个第三区域；将修正分割图像中的每个第三区域分别与对应的结团细胞图像中的每个第二区域进行匹配；保留满足预设匹配条件的第二区域，得到修正的结团细胞图像。
在本实施例中，所述保留满足预设匹配条件的第二区域，得到修正的结团细胞图像，具体为：
若修正分割图像所包括的一个第三区域和对应的结团细胞图像中的多个第二区域均存在重叠区域，则保留与修正分割图像的第三区域重叠区域最大的第二区域；
若结团细胞图像中的一个第二区域与对应的修正分割图像中任意一个第三区域均没有重叠区域，则保留与第三区域没有重叠区域的第二区域；
舍弃所有未被保留的第二区域，得到修正的结团细胞图像。
实施例2是在实施例1的基础上进行撰写得到的，本领域技术人员可以确定实施例1中的技术限定和说明同样适用于实施例2，因此不再赘述实施例1的内容。
实施例3：
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如实施例1所述的细胞图像分割方法。
本领域普通技术人员可以理解实现上述实施例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，计算机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，可包括如上述各实施例1的流程。其中，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(Random Access Memory，RAM)等。
实施例4：
本发明还公开了一种细胞计数方法，根据实施例1所述的细胞图像分割方法得到修正的结团细胞图像，根据修正的结团细胞图像统计结团细胞的细胞数量，若保留的第二区域为与修正分割图像的第三区域重叠区域最大的第二区域，则统计一个死亡细胞，若保留的第二区域为与第三区域没有重叠区域的第二区域，则统计一个活细胞。
在本实施例中，在获取结团细胞图像的细胞数量的基础上进一步获取非结团细胞图像的细胞数量，进而得到该细胞区域的总细胞数量。
获取所有结团细胞图像的细胞数量，获取第一分割图像中非结团细胞的数量，根据所有结团细胞的细胞数量和非结团细胞的细胞数量得到细胞区域的总细胞数量；
所述获取第一分割图像中非结团细胞的数量，具体为：
获取第一分割图像中第一区域的数量、获取结团细胞图像的数量、获取第三区域的数量、获取修正分割图像中第三区域的数量；则非结团细胞的活细胞数量＝第一分割图像中第一区域的数量－获取结团细胞图像的数量－(第三区域的数量－修正分割图像中第三区域的数量)。
非结团细胞的死细胞数量＝第三区域的数量－修正分割图像中第三区域的数量。
基于修正的结团细胞图像可以得到更为准确的结团细胞区域的细胞数量，进而得到细胞区域更为准确的细胞数量。
综上，本发明实施例提供一种细胞图像分割方法、装置及细胞计数方法，有益效果在于，通过本发明的细胞图像分割方法，通过DAPI图像对AO图像进行匹配，对算法分割得到的第二区域进行校正有效消除了算法带来的误分割区域，可以得到更为准确的结团细胞图像分割结果，进而得到更为准确的细胞区域的细胞统计数量。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (10)

1.一种细胞图像分割方法，其特征在于，包括：
获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像；
对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，对第一分割图像进行筛选得到若干个结团细胞图像，对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像；对DAPI染色细胞图像进行第三分割得到由若干个第三区域组成的第三分割图像；
获取每个结团细胞图像在第三分割图像中对应区域的图像作为修正分割图像，所述修正的分割图像包括若干个第三区域；将修正分割图像中的每个第三区域分别与对应的结团细胞图像中的每个第二区域进行匹配；保留满足预设匹配条件的第二区域，得到修正的结团细胞图像。
2.根据权利要求1所述的一种细胞图像分割方法，其特征在于，所述保留满足预设匹配条件的第二区域，得到修正的结团细胞图像，具体为：
若修正分割图像所包括的一个第三区域和对应的结团细胞图像中的多个第二区域均存在重叠区域，则保留与修正分割图像的第三区域重叠区域最大的第二区域；
若结团细胞图像中的一个第二区域与对应的修正分割图像中任意一个第三区域均没有重叠区域，则保留与第三区域没有重叠区域的第二区域；
舍弃所有未被保留的第二区域，得到修正的结团细胞图像。
3.根据权利要求2所述的一种细胞图像分割方法，其特征在于，所述若修正分割图像所包括的一个第三区域和对应的结团细胞图像中的多个第二区域均存在重叠区域，则保留与修正分割图像的第三区域重叠区域最大的第二区域，具体为：
将修正分割图像的若干个第三区域依次记为D1到Di，将与修正分割图像所对应的结团细胞图像的若干个第二区域依次记为A1到Aj，
根据第一匹配公式保留与修正分割图像的第三区域重叠区域最大的第二区域，所述第一匹配公式具体为：
Figure FDA0003879402300000021
其中，A为保留的与修正分割图像的第三区域重叠区域最大的第二区域，i、j为大于零的自然数。
4.根据权利要求1所述的一种细胞图像分割方法，其特征在于，所述获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像，具体为：
对细胞区域同时进行AO染色和DAPI染色，在第一荧光下对细胞区域进行拍照到AO染色细胞图像，在第二荧光下对细胞区域进行拍照得到DAPI染色细胞图像。
5.根据权利要求1所述的一种细胞图像分割方法，其特征在于，所述对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，具体为：
根据细胞尺寸对AO染色细胞图像进行第一分割，得到若干个第一区域组成的第一分割图像，其中，若第一区域的尺寸满足细胞尺寸则该第一区域为单个细胞图像，若第一区域的尺寸大于细胞尺寸则该第一区域为结团细胞图像。
6.根据权利要求1所述的一种细胞图像分割方法，其特征在于，所述对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像，具体为：
根据分水岭方法对结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像。
7.根据权利要求1所述的一种细胞图像分割方法，其特征在于，所述对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像，具体为：
将结团细胞图像输入到预先训练的结团细胞分割神经网络，根据结团细胞分割神经网络得到由若干个第二区域组成的第二分割图像；所述结团细胞分割神经网络通过人工标识的结团细胞图像进行训练。
8.一种细胞图像分割装置，其特征在于，包括：第一获取模块、图像分割模块和结团细胞图像修正模块；
所述第一获取模块，用于获取同一细胞区域的AO染色细胞图像和DAPI染色细胞图像；
所述图像分割模块，用于对AO染色细胞图像进行第一分割得到由若干个第一区域组成的第一分割图像，对第一分割图像进行筛选得到若干个结团细胞图像，对每个结团细胞图像进行第二分割得到由若干个第二区域组成的第二分割图像；对DAPI染色细胞图像进行第三分割得到由若干个第三区域组成的第三分割图像；
所述结团细胞图像修正模块，用于获取每个结团细胞图像在第三分割图像中对应区域的图像作为修正分割图像，所述修正的分割图像包括若干个第三区域；将修正分割图像中的每个第三区域分别与对应的结团细胞图像中的每个第二区域进行匹配；保留满足预设匹配条件的第二区域，得到修正的结团细胞图像。
9.一种细胞计数方法，其特征在于，根据权利要求1－6任意一项所述的细胞图像分割方法得到修正的结团细胞图像，根据修正的结团细胞图像统计结团细胞的细胞数量，若保留的第二区域为与修正分割图像的第三区域重叠区域最大的第二区域，则统计一个死亡细胞，若保留的第二区域为与第三区域没有重叠区域的第二区域，则统计一个活细胞。
10.根据权利要求9所述的一种细胞计数方法，其特征在于，包括：获取所有结团细胞图像的细胞数量，获取第一分割图像中非结团细胞的数量，根据所有结团细胞的细胞数量和非结团细胞的细胞数量得到细胞区域的总细胞数量；
所述获取第一分割图像中非结团细胞的数量，具体为：
获取第一分割图像中第一区域的数量、获取结团细胞图像的数量、获取第三区域的数量、获取修正分割图像中第三区域的数量；则非结团细胞的活细胞数量＝第一分割图像中第一区域的数量－获取结团细胞图像的数量－(第三区域的数量－修正分割图像中第三区域的数量)；非结团细胞的死细胞数量＝第三区域的数量－修正分割图像中第三区域的数量。
CN202111436292.XA 2021-11-26 2021-11-26 一种细胞图像分割方法、装置及细胞计数方法 Active CN114004851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111436292.XA CN114004851B (zh) 2021-11-26 2021-11-26 一种细胞图像分割方法、装置及细胞计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111436292.XA CN114004851B (zh) 2021-11-26 2021-11-26 一种细胞图像分割方法、装置及细胞计数方法

Publications (2)

Publication Number Publication Date
CN114004851A CN114004851A (zh) 2022-02-01
CN114004851B true CN114004851B (zh) 2022-11-29

Family

ID=79930848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111436292.XA Active CN114004851B (zh) 2021-11-26 2021-11-26 一种细胞图像分割方法、装置及细胞计数方法

Country Status (1)

Country Link
CN (1) CN114004851B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102321729A (zh) * 2011-07-06 2012-01-18 华中农业大学 一种检测土壤和沉积物中细菌数量的荧光显微计数方法
CN103146800A (zh) * 2013-03-27 2013-06-12 朱耀辉 全自动细胞非染色图像识别计数方法
WO2013098821A1 (en) * 2011-12-29 2013-07-04 Parasight Ltd. Methods and systems for detecting a pathogen in a biological sample
CN104732229A (zh) * 2015-03-16 2015-06-24 华南理工大学 一种用于宫颈涂片图像中重叠细胞的分割方法
CN111507234A (zh) * 2020-04-13 2020-08-07 广州市艾贝泰生物科技有限公司 细胞流动检测方法
CN111882561A (zh) * 2020-06-18 2020-11-03 桂林电子科技大学 一种癌细胞识别诊断系统
CN113186156A (zh) * 2021-04-14 2021-07-30 上海市东方医院（同济大学附属东方医院） 一种高效获取脂肪组织中单细胞的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9224031B2 (en) * 2010-05-21 2015-12-29 Chemometec A/S Compact dark field light source and dark field image analysis at low magnification
CN112504947A (zh) * 2020-12-03 2021-03-16 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分析计数方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102321729A (zh) * 2011-07-06 2012-01-18 华中农业大学 一种检测土壤和沉积物中细菌数量的荧光显微计数方法
WO2013098821A1 (en) * 2011-12-29 2013-07-04 Parasight Ltd. Methods and systems for detecting a pathogen in a biological sample
CN103146800A (zh) * 2013-03-27 2013-06-12 朱耀辉 全自动细胞非染色图像识别计数方法
CN104732229A (zh) * 2015-03-16 2015-06-24 华南理工大学 一种用于宫颈涂片图像中重叠细胞的分割方法
CN111507234A (zh) * 2020-04-13 2020-08-07 广州市艾贝泰生物科技有限公司 细胞流动检测方法
CN111882561A (zh) * 2020-06-18 2020-11-03 桂林电子科技大学 一种癌细胞识别诊断系统
CN113186156A (zh) * 2021-04-14 2021-07-30 上海市东方医院（同济大学附属东方医院） 一种高效获取脂肪组织中单细胞的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Agreement, Precision, and Accuracy of Epifluorescence Microscopy Methods for Enumeration of Total Bacterial Numbers;Eun-Young Seo等;《APPLIED AND ENVIRONMENTAL MICROBIOLOGY》;20100331;第1981-1991页 *
DAPI direct counting underestimates bacterial abundances and average cell size compared to AO direct counting;Marcelino T. Suzuki等;《Limnology and Oceanography》;19931130;第1566-1570页 *
改进的神经干细胞序列图像分割方法;汤春明等;《计算机仿真》;20080815(第08期);第205-209页 *
水生细菌数量与菌体大小测定技术的进展;邱大俊等;《台湾海峡》;20040831;第23卷(第3期);第376-385页 *

Also Published As

Publication number Publication date
CN114004851A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN113723573B (zh) 基于自适应比例学习的肿瘤组织病理分类系统及方法
CN111178197A (zh) 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法
CN112598713A (zh) 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法
CN111079620B (zh) 基于迁移学习的白细胞图像检测识别模型构建方法及应用
CN111524137A (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN109903282B (zh) 一种细胞计数方法、系统、装置和存储介质
CN114240978B (zh) 基于自适应形态学的细胞边缘分割方法和装置
CN112215790A (zh) 基于深度学习的ki67指数分析方法
CN114092450B (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
CN112990015B (zh) 一种病变细胞自动识别方法、装置和电子设备
CN112884782B (zh) 生物对象分割方法、装置、计算机设备和存储介质
US20240079116A1 (en) Automated segmentation of artifacts in histopathology images
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN113470041B (zh) 免疫组化细胞图像细胞核分割与计数方法和系统
CN113393454A (zh) 活检组织中病理目标实例分割方法和装置
CN111458269A (zh) 一种外周血淋巴微核细胞图像人工智能识别方法
CN110969156A (zh) 奶牛奶头检测卷积神经网络模型及其构建方法
CN114235539A (zh) 基于深度学习的pd-l1病理切片自动判读方法及系统
Kanwal et al. Quantifying the effect of color processing on blood and damaged tissue detection in whole slide images
CN114037868B (zh) 图像识别模型的生成方法及装置
CN111612749B (zh) 基于肺部影像的病灶检测方法和装置
CN114004851B (zh) 一种细胞图像分割方法、装置及细胞计数方法
CN112508860A (zh) 一种免疫组化图像核阳性的人工智能判读方法及系统
CN112001877A (zh) 一种基于深度学习的甲状腺恶性结节检测方法
Zhang et al. Microscope based her2 scoring system

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