CN114049330A - 一种荧光原位杂交图像中荧光特征融合方法及系统 - Google Patents
一种荧光原位杂交图像中荧光特征融合方法及系统 Download PDFInfo
- Publication number
- CN114049330A CN114049330A CN202111357442.8A CN202111357442A CN114049330A CN 114049330 A CN114049330 A CN 114049330A CN 202111357442 A CN202111357442 A CN 202111357442A CN 114049330 A CN114049330 A CN 114049330A
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- situ hybridization
- image
- light filter
- filters
- 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
- 238000007901 in situ hybridization Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003287 optical effect Effects 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 7
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 abstract description 37
- 210000000349 chromosome Anatomy 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 3
- 108020003215 DNA Probes Proteins 0.000 description 2
- 239000003298 DNA probe Substances 0.000 description 2
- 108020004518 RNA Probes Proteins 0.000 description 2
- 239000003391 RNA probe Substances 0.000 description 2
- 239000007850 fluorescent dye Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 150000007523 nucleic acids Chemical class 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 241000435809 Sarea Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000021164 cell adhesion Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002559 cytogenic effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 210000003463 organelle Anatomy 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10024—Color image
-
- 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
-
- 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
- G06T2207/10064—Fluorescence 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)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及一种荧光原位杂交图像中荧光特征融合方法及系统。该方法包括获取不同滤光片下的荧光原位杂交图像；对不同滤光片下的荧光原位杂交图像进行存储，并读取到Type类型的Data_list链表中；对图像类型标识为白光滤光片下的荧光原位杂交图像进行细胞位置定位；并将定位后的图像作为细胞模板；利用所述细胞模板与图像类型标识为绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像进行匹配，完成目标图像中细胞的自适应形状标记；对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取与融合。本发明能够提高检测的准确度以及提升复杂染色体异的判断精准性。
Description
技术领域
本发明涉及图像处理领域，特别是涉及一种荧光原位杂交图像中荧光特征融合方法及系统.
背景技术
荧光原位杂交是以荧光标记替代同位素标记的一种非放射性细胞遗传技术，在原位杂交的基础上，将半抗原标记的RNA或DNA探针与核酸碱基进行互补配对，通过荧光物标记的抗体取识别已经被标记的RNA或DNA，或用荧光物直接对探针进行标记并与目标序列相结合。在不改变生物细胞(细胞质、细胞器、细胞核)或染色体原有形态的基础上，将标记后的RNA或DNA探针作用于目标，以此定位和检测特定靶核酸序列。因其特异性高，并可实现精确定位，被广泛应用于生物学、医学、遗传学等领域。
荧光原位杂交技术应用于肿瘤组织切片或外周血循环肿瘤细胞的检测中。由于荧光原位杂交图像中包含的细胞数量较大、细胞粘连且不易区分、细胞核分布不均匀等问题。
发明内容
本发明的目的是提供一种荧光原位杂交图像中荧光特征融合方法及系统，能够提高检测的准确度以及提升复杂染色体异的判断精准性。
为实现上述目的，本发明提供了如下方案：
一种荧光原位杂交图像中荧光特征融合方法，包括：
获取不同滤光片下的荧光原位杂交图像；不同滤光片包括：白光滤光片、绿光滤光片、蓝光滤光片以及红光滤光片；
对不同滤光片下的荧光原位杂交图像进行存储，并读取到Type类型的Data_list链表中；所述Type类型的Data_list链表包括：MatWhite、MatBlue、MatGreen、MatRed以及Temp；所述Temp为图像类型标识；
对图像类型标识为白光滤光片下的荧光原位杂交图像进行细胞位置定位；并将定位后的图像作为细胞模板；
利用所述细胞模板与图像类型标识为绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像进行匹配，完成目标图像中细胞的自适应形状标记；
对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取；
将提取的荧光特征进行特征融合。
可选地，所述对不同滤光片下的荧光原位杂交图像进行存储，并读取到Type类型的Data_list链表中，具体包括：
对不同滤光片下的荧光原位杂交图像进行灰度处理；
采用Data_file文件对灰度处理后的不同滤光片下的荧光原位杂交图像进行存储。
可选地，所述对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取，具体包括：
采用分离颜色通道的方法，对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取。
可选地，所述将提取的荧光特征进行特征融合，具体包括：
采用多通道图像融合的方法将提取的荧光特征进行特征融合。
一种荧光原位杂交图像中荧光特征融合系统，包括：
荧光原位杂交图像获取模块，用于获取不同滤光片下的荧光原位杂交图像；不同滤光片包括：白光滤光片、绿光滤光片、蓝光滤光片以及红光滤光片；
图像存储与读取模块，用于对不同滤光片下的荧光原位杂交图像进行存储，并读取到Type类型的Data_list链表中；所述Type类型的Data_list链表包括：MatWhite、MatBlue、MatGreen、MatRed以及Temp；所述Temp为图像类型标识；
细胞模板确定模块，用于对图像类型标识为白光滤光片下的荧光原位杂交图像进行细胞位置定位；并将定位后的图像作为细胞模板；
自适应形状标记模块，用于利用所述细胞模板与图像类型标识为绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像进行匹配，完成目标图像中细胞的自适应形状标记；
荧光特征提取模块，用于对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取；
特征融合模块，用于将提取的荧光特征进行特征融合。
可选地，所述图像存储与读取模块具体包括：
图像预处理单元，用于对不同滤光片下的荧光原位杂交图像进行灰度处理；
图像存储单元，用于采用Data_file文件对灰度处理后的不同滤光片下的荧光原位杂交图像进行存储。
可选地，所述荧光特征提取模块具体包括：
荧光特征提取单元，用于采用分离颜色通道的方法，对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取。
可选地，所述特征融合模块具体包括：
特征融合单元，用于采用多通道图像融合的方法将提取的荧光特征进行特征融合。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种荧光原位杂交图像中荧光特征融合方法及系统，利用Type类型的Data_list链表完成四种滤光片图像的存储及分类，将图像类型标识不同的图像与细胞模板进行匹配，完成目标图像中细胞的自适应形状标记，进而对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取与融合；将多种颜色的荧光标记物单独或混合标记后的探针进行原位杂交，快速地对细胞图像进行处理与分析，检测出图像内细胞形状及细胞内染色体位点是否存在异常。提高了检测的准确度、提升了复杂染色体异的判断精准性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种荧光原位杂交图像中荧光特征融合方法流程示意图；
图2为本发明的步骤示意图；
图3是本发明的Fish图像细胞位置完成定位示意图；(a)为白光模板图像，(b)细胞定位图像；
图4是本发明的Fish图像模板匹配自适应形状标记示意图；(a)为蓝光图像，(b)为蓝光匹配自适应形状标记图，(c)为红光图像，(d)为红光匹配自适应形状标记图，(e)为绿光图像，(f)为绿光匹配自适应形状标记；
图5为本发明的荧光特征示意图；(a)为蓝光荧光特征图像，(b)为红光荧光特征图像，(c)为绿色荧光特征图像；(d)为白色荧光特征图像，其中白色亮点部分表示检测到的荧光标记点，黑色部分为背景图像；
图6为本发明的荧光特征融合示意图；
图7为本发明所提供的一种荧光原位杂交图像中荧光特征融合系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种荧光原位杂交图像中荧光特征融合方法及系统，能够提高检测的准确度以及提升复杂染色体异的判断精准性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种荧光原位杂交图像中荧光特征融合方法流程示意图；图2为本发明的步骤示意图，如图1和图2所示，本发明所提供的一种荧光原位杂交图像中荧光特征融合方法，包括：
S101，获取不同滤光片下的荧光原位杂交图像；不同滤光片包括：白光滤光片、绿光滤光片、蓝光滤光片以及红光滤光片；利用奥林巴斯显微镜进行图像采集；
S102，对不同滤光片下的荧光原位杂交图像进行存储，并读取到Type类型的Data_list链表中；所述Type类型的Data_list链表包括：MatWhite、MatBlue、MatGreen、MatRed以及Temp；所述Temp为图像类型标识；
S102具体包括：
对不同滤光片下的荧光原位杂交图像进行灰度处理；
采用Data_file文件对灰度处理后的不同滤光片下的荧光原位杂交图像进行存储。
S103，对图像类型标识为白光滤光片下的荧光原位杂交图像进行细胞位置定位；并将定位后的图像作为细胞模板，并如图3所示；
S103具体包括：
步骤1：定义System.Data命名空间中的DataRow类的一个对象，用fData表示；定义System.Collections.Generic命名空间中Type类型的List类对象，用Data_list表示；定义System.Data命名空间中DataTable类对象，用Data_file表示。
步骤2：SData对象调用NewRow函数，创建新数据行对象，用dr表示，循环调用Substring函数，并将调用Substring函数的返回值赋值给dr，判断循环过程的表达式值是否为True，若是，则执行步骤3，否则继续执行步骤2；
步骤3：Data_file对象调用Rows.Add函数，将SData对象中的数据循环赋值给Data_file对象，判断循环过程的表达式值是否为True，若是，则执行步骤4，否则继续执行步骤3；
步骤4：Data_file对象调用Foreach函数对数据容器中的数据进行检索，并将调用Foreach函数的返回值分别赋值给Data_list、判断循环过程的表达式值是否为False，若是，则执行步骤5，否则继续执行步骤4；
步骤5：Data_list中的数据分别赋值给MatWhite、MatBlue、MatGreen、MatRed、Temp数据成员，Type中的Temp数据成员赋值为1、2、3、4，判断循环过程的表达式值是否为False，若是，则执行步骤6，否则继续执行步骤5；
步骤6：定义Emgu.CV命名空间中的Mat类的5个对象，分别用Redmat、Greenmat、Bluemat、Imagefile、Whitemat表示，Whitemat调用Mat实例化对象，参数为MatWhite，ImreadModes.AnyColor标识，将其赋值给Whitemat。定义Emgu.CV命名空间中的Image<Bgr,byte>类的1个对象，用_image表示，Whitemat调用ToImage类对图像进行镜像，定义Emgu.CV命名空间中的Mat类的1个对象，用src表示，将_image赋值给src。调用CvInvoke下的Threshold函数进行二值化处理，参数为Whitemat：原图像，Whitemat：结果图像，50：阀值，255：最大值，ThresholdType.Binary：二进制阈值化。
步骤7：调用CvInvoke下的CvtColor函数进行色彩空间进行转换，参数为Whitemat：原图像，Whitemat：结果图像，50：阀值，180：最大值，ColorConversion.BayerBg2Gray：转为灰度。调用CvInvoke下的FindContours函数进行轮廓查找，参数为Whitemat：灰图图像，contours：结果图像，null：输出相量，Emgu.CV.CvEnum.RetrType.Tree：轮廓类型，Emgu.CV.CvEnum.ChainApproxMethod.ChainApproxNone：点连接模式，将Whitemat赋值给MatWhite，得到图像为细胞模板。
S104，利用所述细胞模板与图像类型标识为绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像进行匹配，完成目标图像中细胞的自适应形状标记；目标图像中细胞的自适应形状标记如图4所示。
S104具体包括：
步骤1：以绿光位例：定义Emgu.CV命名空间中的Mat类的1个对象，用Imagefile表示，Imagefile调用Mat实例化对象，参数为Greenmat，ImreadModes.AnyColor标识，定义Emgu.CV命名空间中的Image<Bgr,byte>类的1个对象，用_image表示，Imagefile调用ToImage类对图像进行镜像，定义Emgu.CV命名空间中的Mat类的2个对象，用src、mask表示，将_image赋值给src。src调用ToImage类下的Copy方法，创建获取一张背景为原图大小相同的图像，赋值给mask。定义Emgu.CV.Util命名空间中的VectorOfVectorOfPoint类的1个对象，用contours表示，调用CvInvoke下的DrawContours函数，参数为mask：目标图像，Contours：轮廓组，-1：全部轮廓，newMCvScalar(0,255,0)：颜色，1：轮廓线。
步骤2：定义Emgu.CV命名空间中的Image<Bgr,byte>类的3个对象，用_image1、_image2表示，MatWhite调用ToImage类对图像进行镜像，并将其赋值给_image1，mask调用ToImage类对图像进行镜像，并将其赋值给_image2。定义System.Drawing命名空间中的Bitmap类的2个对象，_bitmap、_bitmap1表示，将_image1赋值给_bitmap，将_image1赋值给_image2，定义System命名空间中的Int类的4个对象，用width、height、stride、offset表示，获取_bitmap对象的宽度、高度，分别赋值给width、height。
步骤3：定义System.Drawing.Imaging命名空间中的BitmapData类的1个对象，用data表示，_bitmap调用LockBits函数，参数为图像宽度、高度，访问方式(ImageLockMode.ReadWrite)、数据格式(PixelFormat.Format24bppRgb)，定义System命名空间中的IntPtr类的1个对象，用Scan0表示，_bitmap调用Scan0函数，获取获取bmpData的内存起始位置即第一个像素数据的地址，_bitmap调用Stride函数，获得扫描宽度，将其赋值给stride。
步骤4：定义byte类型的指针p，获取Scan0数据像素地址，并将其赋值给p。获得显示宽度与扫描线宽度的间隙，将其赋值给offset，循环调用For函数，遍历图像的长度、宽度。调用if函数判断参数1与参数2以及参数3是否为0，其中参数1为图像像素RGB分量中的R，参数2为图像像素RGB分量中的G，参数2为图像像素RGB分量中的B。调用SetPixel函数，对当前颜色分量进行像素颜色设置，去除其他噪点，并将结果赋值给_bitmap2，指针p左移三位。完成遍历，完成细胞图像匹配。
步骤5：_bitmap调用UnlockBits函数，解锁此内存中的data对象，_bitmap2调用Save函数对当前匹配图像进行保存。实例化全局MatGreen变量，将_bitmap2转为灰度图像，将其赋值给mat。模板形状完成目标图像中细胞的自适应形状标记，红光、蓝光操作相同，在此不再一一累述。
S105，对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取；
S105具体包括：
采用分离颜色通道的方法，对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取。提取荧光特征如图5所示。
S106，将提取的荧光特征进行特征融合。
S106具体包括：
采用多通道图像融合的方法将提取的荧光特征进行特征融合，具体如图6所示。
特征提取与融合的具体过程为：
步骤1：以绿光位例：定义Emgu.CV命名空间中的Mat类的5个对象，用currentImage、result、resultscr、mattemp、matfinal表示，定义Emgu.CV.Util命名空间中的VectorOfVectorOfPoint类的2个对象，用contours、contours1表示，定义Emgu.CV.Util命名空间中的VectorOfPoint类的1个对象，用vp表示。
步骤2：调用CvInvoke下的Threshold函数进行二值化处理，参数为MatGreen：原图像，MatGreen：结果图像，120：阀值，255：最大值，ThresholdType.Binary：二进制阈值化。调用CvInvoke下的FindContours函数进行轮廓查找，参数为MatGreen：灰图图像，
contours:保存了后一个轮廓，前一个轮廓，父轮廓，内嵌轮廓的索引编号，RetrType.Ccomp：监测所有轮廓，ChainApproxMethod.ChainApproxNone：none是保存边界上所有连续的轮廓到contours向量内。
步骤3：循环调用For函数，将contours进行遍历，将每组轮廓赋值给vp，定义System.Collections.Generic命名空间中double类型对象，用area表示，调用CvInvoke下的ContourArea函数进行面积计算。定义System.Collections.Generic命名空间中double类型的List类对象，用sarea表示，sarea调用Add函数，对面积进行存储，调用if函数判断当前面积，当前面积小于60时，contours1调用push函数，对当前轮廓进行保存。
步骤4：调用Mat实例化对象，将图像进行格式转换，参数为MatGreen，Emgu.CV.CvEnum.DepthType.Cv8U：8位无符号整数,3：深度。并将其赋值给result。调用CvInvoke下的DrawContours函数，参数为result：目标图像，contours1：轮廓组，-1：全部轮廓，newMCvScalar(0,255,0)：颜色，1：轮廓线。
步骤5：调用Mat实例化对象，参数为result，Emgu.CV.CvEnum.ImreadModes.Grayscale：灰度化，将其赋值给resultscr。调用CvInvoke下的CvtColor函数进行色彩空间进行转换，参数为resultscr：原图像，resultscr：结果图像，ColorConversion.BayerBg2Gray：转为灰度。调用Mat实例化对象，参数为result大小，Emgu.CV.CvEnum.DepthType.Cv8U：8位无符号整数,1：深度，将其赋值给mattemp。创建其他空白通道。调用Channelss下push函数，第一次参数为mattemp。调用Channelss下push函数，第二次参数为resultscr，调用Channelss下push函数，第三次参数为mattemp，对3通道进行填充。调用CvInvoke下的Merge函数对图像进行通道融合处理，参数为Channelss：原图像，matfinal：结果图像，完成对绿光细胞下荧光特征的提取,红光、蓝光操作相同，在此不再一一累述。
步骤6：定义Emgu.CV命名空间中的Mat类的1个对象，用RGB表示，调用CvInvoke下的AddWeighted函数进行图片融合，参数为MatWhite：图像1、0.5：权重值，MatGreen：图像2，0.5：权重值，0：伽马矫正，RGB：输出图像。调用CvInvoke下的AddWeighted函数进行图片融合，参数为RGB：图像1、0.5：权重值，MatBlue：图像2，0.5：权重值，0：伽马矫正，RGB：输出图像。调用CvInvoke下的AddWeighted函数进行图片融合，参数为RGB：图像1、0.5：权重值，MatRed：图像2，0.5：权重值，0：伽马矫正，RGB：输出图像，完成对绿光细胞下荧光特征的融合。
图7为本发明所提供的一种荧光原位杂交图像中荧光特征融合系统结构示意图，如图7所示，本发明所提供的一种荧光原位杂交图像中荧光特征融合系统，包括：
荧光原位杂交图像获取模块701，用于获取不同滤光片下的荧光原位杂交图像；不同滤光片包括：白光滤光片、绿光滤光片、蓝光滤光片以及红光滤光片；
图像存储与读取模块702，用于对不同滤光片下的荧光原位杂交图像进行存储，并读取到Type类型的Data_list链表中；所述Type类型的Data_list链表包括：MatWhite、MatBlue、MatGreen、MatRed以及Temp；所述Temp为图像类型标识；
细胞模板确定模块703，用于对图像类型标识为白光滤光片下的荧光原位杂交图像进行细胞位置定位；并将定位后的图像作为细胞模板；
自适应形状标记模块704，用于利用所述细胞模板与图像类型标识为绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像进行匹配，完成目标图像中细胞的自适应形状标记；
荧光特征提取模块705，用于对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取；
特征融合模块706，用于将提取的荧光特征进行特征融合。
所述图像存储与读取模块702具体包括：
图像预处理单元，用于对不同滤光片下的荧光原位杂交图像进行灰度处理；
图像存储单元，用于采用Data_file文件对灰度处理后的不同滤光片下的荧光原位杂交图像进行存储。
所述荧光特征提取模块705具体包括：
荧光特征提取单元，用于采用分离颜色通道的方法，对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取。
所述特征融合模块706具体包括：
特征融合单元，用于采用多通道图像融合的方法将提取的荧光特征进行特征融合。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种荧光原位杂交图像中荧光特征融合方法，其特征在于，包括：
获取不同滤光片下的荧光原位杂交图像；不同滤光片包括：白光滤光片、绿光滤光片、蓝光滤光片以及红光滤光片；
对不同滤光片下的荧光原位杂交图像进行存储，并读取到Type类型的Data_list链表中；所述Type类型的Data_list链表包括：MatWhite、MatBlue、MatGreen、MatRed以及Temp；所述Temp为图像类型标识；
对图像类型标识为白光滤光片下的荧光原位杂交图像进行细胞位置定位；并将定位后的图像作为细胞模板；
利用所述细胞模板与图像类型标识为绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像进行匹配，完成目标图像中细胞的自适应形状标记；
对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取；
将提取的荧光特征进行特征融合。
2.根据权利要求1所述的一种荧光原位杂交图像中荧光特征融合方法，其特征在于，所述对不同滤光片下的荧光原位杂交图像进行存储，并读取到Type类型的Data_list链表中，具体包括：
对不同滤光片下的荧光原位杂交图像进行灰度处理；
采用Data_file文件对灰度处理后的不同滤光片下的荧光原位杂交图像进行存储。
3.根据权利要求1所述的一种荧光原位杂交图像中荧光特征融合方法，其特征在于，所述对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取，具体包括：
采用分离颜色通道的方法，对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取。
4.根据权利要求1所述的一种荧光原位杂交图像中荧光特征融合方法，其特征在于，所述将提取的荧光特征进行特征融合，具体包括：
采用多通道图像融合的方法将提取的荧光特征进行特征融合。
5.一种荧光原位杂交图像中荧光特征融合系统，其特征在于，包括：
荧光原位杂交图像获取模块，用于获取不同滤光片下的荧光原位杂交图像；不同滤光片包括：白光滤光片、绿光滤光片、蓝光滤光片以及红光滤光片；
图像存储与读取模块，用于对不同滤光片下的荧光原位杂交图像进行存储，并读取到Type类型的Data_list链表中；所述Type类型的Data_list链表包括：MatWhite、MatBlue、MatGreen、MatRed以及Temp；所述Temp为图像类型标识；
细胞模板确定模块，用于对图像类型标识为白光滤光片下的荧光原位杂交图像进行细胞位置定位；并将定位后的图像作为细胞模板；
自适应形状标记模块，用于利用所述细胞模板与图像类型标识为绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像进行匹配，完成目标图像中细胞的自适应形状标记；
荧光特征提取模块，用于对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取；
特征融合模块，用于将提取的荧光特征进行特征融合。
6.根据权利要求5所述的一种荧光原位杂交图像中荧光特征融合系统，其特征在于，所述图像存储与读取模块具体包括：
图像预处理单元，用于对不同滤光片下的荧光原位杂交图像进行灰度处理；
图像存储单元，用于采用Data_file文件对灰度处理后的不同滤光片下的荧光原位杂交图像进行存储。
7.根据权利要求5所述的一种荧光原位杂交图像中荧光特征融合系统，其特征在于，所述荧光特征提取模块具体包括：
荧光特征提取单元，用于采用分离颜色通道的方法，对标记后的绿光滤光片、蓝光滤光片以及红光滤光片下的荧光原位杂交图像分别进行荧光特征提取。
8.根据权利要求5所述的一种荧光原位杂交图像中荧光特征融合系统，其特征在于，所述特征融合模块具体包括：
特征融合单元，用于采用多通道图像融合的方法将提取的荧光特征进行特征融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111357442.8A CN114049330A (zh) | 2021-11-16 | 2021-11-16 | 一种荧光原位杂交图像中荧光特征融合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111357442.8A CN114049330A (zh) | 2021-11-16 | 2021-11-16 | 一种荧光原位杂交图像中荧光特征融合方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114049330A true CN114049330A (zh) | 2022-02-15 |
Family
ID=80209558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111357442.8A Pending CN114049330A (zh) | 2021-11-16 | 2021-11-16 | 一种荧光原位杂交图像中荧光特征融合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114049330A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114815207A (zh) * | 2022-05-24 | 2022-07-29 | 宾盛科技(武汉)有限公司 | 显微成像自动对焦的图像景深融合方法及相关设备 |
| CN115063796A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
| CN115393348A (zh) * | 2022-10-25 | 2022-11-25 | 绵阳富临医院有限公司 | 一种基于图像识别的烧伤检测方法、系统及存储介质 |
| CN117671677A (zh) * | 2024-02-02 | 2024-03-08 | 吉林省星博医疗器械有限公司 | 一种荧光微阵列识别分析方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296635A (zh) * | 2015-05-29 | 2017-01-04 | 厦门鹭佳生物科技有限公司 | 一种荧光原位杂交(fish)图像并行处理与分析方法 |
| CN109003255A (zh) * | 2018-06-11 | 2018-12-14 | 武汉海星通技术股份有限公司 | 荧光原位杂交图像的细胞核分割方法及系统 |
| CN109147932A (zh) * | 2018-06-11 | 2019-01-04 | 武汉海星通技术股份有限公司 | 癌细胞her2基因扩增分析方法及系统 |
| CN109636801A (zh) * | 2019-01-29 | 2019-04-16 | 上海杏脉信息科技有限公司 | 自动获取her2荧光原位杂交结果的方法、设备及介质 |
| CN111739010A (zh) * | 2020-06-23 | 2020-10-02 | 珠海圣美生物诊断技术有限公司 | 一种检测循环异常细胞的方法及装置 |
| KR20210087869A (ko) * | 2020-01-03 | 2021-07-13 | 한국과학기술원 | 분자 다중 이미징 방법 및 장치 |
| KR20210091740A (ko) * | 2018-11-06 | 2021-07-22 | 카리디 바이오테라퓨틱스, 인크. | 세포-매개된 종양용해 바이러스 요법용 향상된 시스템 |
| CN113539368A (zh) * | 2021-08-30 | 2021-10-22 | 长春理工大学 | 荧光图像信号数据存储与颜色分类方法 |
-
2021
- 2021-11-16 CN CN202111357442.8A patent/CN114049330A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296635A (zh) * | 2015-05-29 | 2017-01-04 | 厦门鹭佳生物科技有限公司 | 一种荧光原位杂交(fish)图像并行处理与分析方法 |
| CN109003255A (zh) * | 2018-06-11 | 2018-12-14 | 武汉海星通技术股份有限公司 | 荧光原位杂交图像的细胞核分割方法及系统 |
| CN109147932A (zh) * | 2018-06-11 | 2019-01-04 | 武汉海星通技术股份有限公司 | 癌细胞her2基因扩增分析方法及系统 |
| KR20210091740A (ko) * | 2018-11-06 | 2021-07-22 | 카리디 바이오테라퓨틱스, 인크. | 세포-매개된 종양용해 바이러스 요법용 향상된 시스템 |
| CN109636801A (zh) * | 2019-01-29 | 2019-04-16 | 上海杏脉信息科技有限公司 | 自动获取her2荧光原位杂交结果的方法、设备及介质 |
| KR20210087869A (ko) * | 2020-01-03 | 2021-07-13 | 한국과학기술원 | 분자 다중 이미징 방법 및 장치 |
| CN111739010A (zh) * | 2020-06-23 | 2020-10-02 | 珠海圣美生物诊断技术有限公司 | 一种检测循环异常细胞的方法及装置 |
| CN113539368A (zh) * | 2021-08-30 | 2021-10-22 | 长春理工大学 | 荧光图像信号数据存储与颜色分类方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114815207A (zh) * | 2022-05-24 | 2022-07-29 | 宾盛科技(武汉)有限公司 | 显微成像自动对焦的图像景深融合方法及相关设备 |
| CN115063796A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
| CN115063796B (zh) * | 2022-08-18 | 2022-11-15 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
| CN115393348A (zh) * | 2022-10-25 | 2022-11-25 | 绵阳富临医院有限公司 | 一种基于图像识别的烧伤检测方法、系统及存储介质 |
| CN117671677A (zh) * | 2024-02-02 | 2024-03-08 | 吉林省星博医疗器械有限公司 | 一种荧光微阵列识别分析方法及系统 |
| CN117671677B (zh) * | 2024-02-02 | 2024-04-30 | 吉林省星博医疗器械有限公司 | 一种荧光微阵列识别分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114049330A (zh) | 一种荧光原位杂交图像中荧光特征融合方法及系统 | |
| JP7198577B2 (ja) | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 | |
| CN107945150B (zh) | 基因测序的图像处理方法及系统及计算机可读存储介质 | |
| EP2719754B1 (en) | Image processing apparatus, image processing method and image processing system | |
| CN109472761B (zh) | 一种基于荧光图像的细胞计数方法及系统 | |
| TW201915832A (zh) | 骨髓細胞標記方法和系統 | |
| Dzyubachyk et al. | Automated analysis of time-lapse fluorescence microscopy images: from live cell images to intracellular foci | |
| CA2704796A1 (en) | Systems and methods for automated characterization of genetic heterogeneity in tissue samples | |
| CN110033449A (zh) | 电泳图的识别方法、装置、设备及存储介质 | |
| CN104854620A (zh) | 图像处理装置、图像处理系统和程序 | |
| CN110992384B (zh) | 半自动化图像数据标注方法、电子装置及存储介质 | |
| WO2018207261A1 (ja) | 画像解析装置 | |
| CN113343976A (zh) | 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法 | |
| US20220390735A1 (en) | Method and device for capturing microscopy objects in image data | |
| CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
| CN111210447A (zh) | 一种苏木精-伊红染色病理图像层次分割的方法及终端 | |
| CN116665210B (zh) | 基于多通道信息融合的细胞分类方法和装置 | |
| CN113781457A (zh) | 基于病理图像的细胞探测方法、装置、设备及存储介质 | |
| US10614571B2 (en) | Object classification in digital images | |
| CN108877030A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| Schwartzkopf et al. | Minimum entropy segmentation applied to multi-spectral chromosome images | |
| CN116596933A (zh) | 碱基簇检测方法及装置、基因测序仪及存储介质 | |
| CN116883323A (zh) | 一种基于计算机视觉的多重免疫荧光图像分析系统 | |
| Ollion et al. | Analysis of nuclear organization with TANGO, software for high-throughput quantitative analysis of 3D fluorescence microscopy images | |
| CN113158950A (zh) | 一种重叠染色体自动分割方法 |
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 |