CN114073494A - 白细胞检测方法、系统、电子设备和计算机可读介质 - Google Patents
白细胞检测方法、系统、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114073494A CN114073494A CN202010837832.4A CN202010837832A CN114073494A CN 114073494 A CN114073494 A CN 114073494A CN 202010837832 A CN202010837832 A CN 202010837832A CN 114073494 A CN114073494 A CN 114073494A
- Authority
- CN
- China
- Prior art keywords
- microcirculation
- image
- capillary vessel
- determining
- white blood
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Hematology (AREA)
- Optics & Photonics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种白细胞检测方法,包括:获取微循环图像;从所述微循环图像中确定出毛细血管的管内空间位置;根据所述毛细血管的管内空间的图像信息确定出白细胞指标。本公开还提供了一种白细胞检测系统、电子设备和计算机可读介质。
Description
技术领域
本公开技术方案图像处理技术领域,尤其涉及一种白细胞检测方法、系统、电子设备和计算机可读介质。
背景技术
白细胞是人体血液中非常重要的一类血细胞。白细胞在人体中担负许多重任,它具有吞噬异物并产生抗体的作用、机体损伤的治愈能力、抵御病原体入侵的能力、对疾病的免疫抵抗力等。
现有的白细胞检测均是通过采集末梢血(例如指尖采血、耳垂采血)的方式进行,用户会存在明显疼痛感。另外,在进行血液分析时,需要进行稀释、制作样本、在显微镜下计数等一系列的操作,检测过程需要人工全程参与,流程繁琐且耗时长。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提出了一种白细胞检测方法、系统、电子设备和计算机可读介质。
第一方面,本公开实施例提供了一种白细胞检测方法,包括:
获取微循环图像;
从所述微循环图像中确定出毛细血管的管内空间位置;
根据所述毛细血管的管内空间的图像信息确定出白细胞指标。
在一些实施例中,所述获取微循环图像的步骤包括:
获取在预设时间内的连续多帧微循环图像;
根据所述毛细血管的管内空间的图像信息确定出白细胞指标的步骤包括:
根据连续多帧微循环图像中所述毛细血管的管内空间的图像信息,确定所述毛细血管的管内空间的白细胞流量,所述白细胞流量表示单位时间内流经毛细血管的有效截面的白细胞数量,所述白细胞指标包括所述白细胞流量。
在一些实施例中,根据连续多帧微循环图像中所述毛细血管的管内空间的图像信息,确定所述毛细血管的管内空间的白细胞流量的步骤包括:
根据连续多帧微循环图像中所述毛细血管的管内空间的检测区域的颜色变化,确定在所述预设时间内通过所述检测区域的白细胞数量;
根据所述预设时间和在所述预设时间内通过所述检测区域的白细胞数量,确定出所述白细胞流量。
在一些实施例中,对连续多帧微循环图像中所述毛细血管的管内空间的检测区域的颜色变化,确定在所述预设时间内通过所述检测区域的白细胞数量的步骤包括:
对连续多帧微循环图像中的所述检测区域进行能量分析,得到所述检测区域对应的能量谱;
统计所述能量谱中能量峰值的个数,以作为所述预设时间内通过所述检测区域的白细胞数量。
在一些实施例中,在确定所述毛细血管的管内空间的白细胞流量的步骤之后,还包括:
根据所述白细胞流量,评估出血液内的白细胞分布密度;
所述白细胞指标包括所述白细胞分布密度。
在一些实施例中,在获取微循环图像的步骤之前,还包括:
基于预设基准比色卡来对拍摄系统的系统参数进行调校。
在一些实施例中,所述系统参数包括:饱和度、曝光度和色差中的至少一种。
在一些实施例中,在获取微循环图像的步骤之后,且在从所述微循环图像中确定出毛细血管的管内空间位置的步骤之前,还包括:
对所述微循环图像进行归一化和配准处理。
在一些实施例中,在对所述微循环图像进行归一化和配准处理的步骤之后,且在在从所述微循环图像中确定出毛细血管的管内空间位置的步骤之前,还包括:
对完成归一化和配准处理后的所述微循环图像进行二值化处理。
在一些实施例中,从所述微循环图像中确定出毛细血管的管内空间位置的步骤包括:
通过边缘检测算法确定出所述微循环图像中毛细血管的边缘;
基于毛细血管的边缘检测结果确定出毛细血管的管内空间位置。
在一些实施例中,所述边缘检测算法包括:高斯拉普拉斯边缘检测算法。
在一些实施例中,在通过边缘检测算法确定出所述微循环图像中毛细血管的边缘的步骤之后,且在基于毛细血管的边缘检测结果确定出毛细血管的管内空间位置的步骤之前,还包括:
通过最大类间方差法对毛细血管的边缘进行增强和提取。
第二方面,本公开实施例还提供了一种白细胞检测系统,包括:
图形获取模块,配置为获取微循环图像;
位置确定模块,配置为从所述微循环图像中确定出毛细血管的管内空间位置;
指标确定模块,配置为根据所述毛细血管的管内空间的图像信息确定出白细胞指标。
第三方面,本公开实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所提供的白细胞检测方法。
第四方面,本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如第一方面所提供的白细胞检测方法。
附图说明
图1为本公开实施例提供的一种白细胞检测方法的流程图;
图2为本公开实施例中甲壁上部分位置的微循环图像的示意图;
图3为本公开实施例中步骤S2的一种具体实现流程图;
图4为本公开实施例中对微循环图像中的毛细血管进行边缘识别后的示意图;
图5为本公开实施例中步骤S2的另一种具体实现流程图;
图6为本公开实施例提供的另一种白细胞检测方法的流程图;
图7为本公开实施例提供的又一种白细胞检测方法的流程图;
图8为本公开实施例提供的再一种白细胞检测方法的流程图;
图9为本公开实施例中步骤S3的一种具体实现流程图;
图10为本公开实施例中步骤S301的一种具体实现流程图;
图11为本公开实施例提供的再一种白细胞检测方法的流程图;
图12为本公开实施例提供的一种白细胞检测系统的结构框图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的一种白细胞检测方法、系统、电子设备和计算机可读介质进行详细描述。
在下文中将参考附图更充分地描述示例实施例,但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之,提供这些实施例的目的在于使本公开透彻和完整,并将使本领域技术人员充分理解本公开的范围。
在不冲突的情况下,本公开各实施例及实施例中的各特征可相互组合。
如本文所使用的,术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例,且不意欲限制本公开。如本文所使用的,单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。还将理解的是,当本说明书中使用术语“包括”和/或“由……制成”时,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
除非另外限定,否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解,诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义,且将不解释为具有理想化或过度形式上的含义,除非本文明确如此限定。
图1为本公开实施例提供的一种白细胞检测方法的流程图,如图1所示,该白细胞检测方法基于白细胞检测系统,该白细胞检测方法包括:
步骤S1、获取微循环图像。
在本公开实施例中,以检测对象为人体为例,可通过拍摄系统来拍摄人体某些位置的微循环图像,然后拍摄系统将所拍摄到的拍摄系统发送给白细胞检测系统,以供白细胞检测系统后续进行处理。
在一些实施例中,拍摄系统为手机的拍摄系统,具体包括摄像头(硬件设备)和图像生成系统(软件系统),摄像头用于进行拍摄画面并输出相应感应信号,图像生成系统用于根据摄像头所输出的感应信号生成相应图像。
在本公开实施例中,以检测对象为人体为例,人体可用于观察微循环的部位有十几个,但最常用且能代表全身微循环状态的主要是甲壁(甲沟处隆起的皮基层)和眼球结膜两个部位,其中甲壁是观察人体微循环的最好窗口。在本公开实施例中,以拍摄人体甲壁中的微循环图像为例。
为清晰的拍摄到甲壁中的微循环图像,需要在拍摄过程中进行放大(一般是30倍以上)处理,目前可采用光学变焦和数字变焦来实现放大。其中,数字变焦放大会使得生成的图像存在部分信息损伤,故优选采用光学变焦的方式进行放大。具体地,若手机所配置的摄像头本身具备光学变焦功能且光学变焦倍数在30倍以上,则直接调整摄像头的光学变焦倍数,然后对甲壁进行拍照即可;若手机所配置的摄像头本身不具备光学变焦功能或者具备光学变焦功能但光学变焦最大倍数小于30倍,则可在摄像头的入光口额外配置一个放大镜,使得摄像头与放大镜结合后的光学变焦倍数大于30。
图2为本公开实施例中甲壁上部分位置的微循环图像的示意图,如图2所示,手指甲壁是覆盖在指甲根部的皮肤皱折,其表皮为复层鳞状上皮,上皮下为结缔组织突起形成的真皮乳头,每个乳头内一般有一支毛细血管且走向表皮,在接近表皮时与表皮平等;在光学变焦倍数达到30倍时,可以清晰的拍摄到甲壁中的微循环图像,且微循环图像中包含有清晰的毛细血管图像。
步骤S2、从微循环图像中确定出毛细血管的管内空间位置。
在步骤S2中,可通过图像处理技术从微循环图像中确定出毛细血管的管内空间位置。
图3为本公开实施例中步骤S2的一种具体实现流程图,如图3所示,在一些实施例中,步骤S2包括:
步骤S201、通过边缘检测算法确定出微循环图像中毛细血管的边缘。
图4为本公开实施例中对微循环图像中的毛细血管进行边缘识别后的示意图,如图4所示,采用边缘检测算法来对微循环图像中的毛细血管的边缘进行识别,以得到毛细血管的清晰轮廓。
在一些实施例中,边缘检测算法包括高斯拉普拉斯(Laplacian of Gaussian,简称LOG)边缘检测算法,L0G边缘检测算法是将高斯算子和拉普拉斯算子结合形成。具体地,先利用高斯算子对图像进行平滑处理人,然后利用拉普拉斯算子利用二价微分过零点检测图像边沿。具体运算过程属于本领域的常规技术,此处不再赘述。
在一些实施例中,LOG边缘检测算法可用如下式子表示:
LOG(x,y)表示对坐标(x,y)进行L0G边缘检测运算的运算结果,σ是高斯核的宽度。在实际测试过程中发现,在σ取值为1.4时边缘检测效果较佳。当然,也可以根据实际需要来设定和调整σ的取值。
步骤S202、基于毛细血管的边缘检测结果确定出毛细血管的管内空间位置。
在步骤S202中,基于毛细血管的边缘检测结果,可以确定出毛细血管的管内空间位置。
图5为本公开实施例中步骤S2的另一种具体实现流程图,如图5所示,在一些实施例中,步骤S2不仅包括上述实施例中的步骤S201和步骤S202,在步骤S201和S202之间还包括步骤S201a,下面仅对步骤S201a进行详细描述。
S201a、通过最大类间方差法对毛细血管的边缘进行增强和提取。
在图4所示情况中,在使用L0G边缘检测算法进行处理后,再通过利用最大类间方差法来对微循环图像进行处理,可以对毛细血管的边缘信息进行增强和提取,有利于后面对毛细血管的管内空间位置的精准定位。
步骤S3、根据毛细血管的管内空间的图像信息确定出白细胞指标。
在步骤S3中,基于图像处理技术对毛细血管的管内空间图像进行处理,以获取管内空间的白细胞信息,例如白细胞数量、白细胞分布位置、白细胞流量等信息。示例性地,通过深度学习技术来对管内空间的白细胞进行识别,从而可得到每帧微循环图像中毛细血管的管内空间所包含的白细胞数量、位置。基于多帧微循环图像中毛细血管的管内空间的白细胞变化可以得到白细胞流量。
基于毛细血管的管内空间的白细胞信息可以评估出人体的白细胞指标。其中,白细胞指标可用于评估人体内的白细胞情况是否异常;示例性地,白细胞指标可以包括白细胞总数量、白细胞流量、白细胞分布密度中的至少一种。
在本公开实施例中,通过获取微循环图像,并基于图像处理技术对微循环图像进行处理可获取毛细血管的管内空间的白细胞情,从而能够得到白细胞指标。在上述检测过程中,无需进行采血,用户不会存在疼痛感;与此同时,整个检测过程无需人工参与且耗时短。
图6为本公开实施例提供的另一种白细胞检测方法的流程图,如图6所示,该检测方法不但包括上述步骤S1~步骤S3,还在步骤S1之前包括:步骤S01,下面仅对步骤S01进行详细描述。
步骤S01、基于预设基准比色卡来对拍摄系统的系统参数进行调校。
由于不同手机摄像头性能、拍摄环境不同,从而导致不同用户在不同时刻拍摄微循环图像的饱和度、曝光度不同且存在色差。此时,会对后续的图像处理造成干扰,从而影响最终的检测结果。
为解决上述技术问题,本公开实施例中引入特制比色卡(即预设基准比色卡),用户在通过拍摄系统拍摄微循环图像之前,需要线拍摄预设基准比色卡并将生成的比色卡图像发送给白细胞检测系统,白细胞检测系统基于接收到的比色卡图像与预先存储的预设基准比色卡的颜色特征进行比对,并根据比色卡图像中的颜色特征与预设基准比色卡的颜色特征的差异来对系统参数进行调校,以保证不同用户(不同摄像系统)在不同环境下所拍摄的微循环图形的颜色特征大致相同或完全相同,从而能提升检测结果的准确性。
在一些实施例中,系统参数包括:饱和度、曝光度和色差中的至少一种。
图7为本公开实施例提供的又一种白细胞检测方法的流程图,如图7所示,该检测方法不但包括上述步骤S1~步骤S3,还在步骤S1和步骤S2之间包括:步骤S1a和步骤S1b,下面仅对步骤S1a进行详细描述。
步骤S1a、对微循环图像进行归一化和配准处理。
其中,图像归一化是指对图像进行了一系列标准的处理变换,使之变换为一固定标准形式的过程,本公开的技术方案对所使用的具体归一化算法不作限定。图像配准处理采用灰度信息法完成,主要用于确定图片的几何位置分布,方便识别对应的信息区域。
步骤S1b、对完成归一化和配准处理后的微循环图像进行二值化处理。
图像的二值化处理是将图片形成0和255两种灰度值,以方便后面识别毛细血管。
图8为本公开实施例提供的再一种白细胞检测方法的流程图,如图8所示,包括:
步骤S01、基于预设基准比色卡来对拍摄系统的系统参数进行调校。
步骤S1、获取在预设时间内的连续多帧微循环图像。
在本实施例中,可通过录视频的方式获取一段时间(可以由白细胞检测系统来设定或由用户自行决定)内的连续多帧微循环图像。
用户可通过拍摄系统来拍摄甲壁的图像,其中拍摄系统的放大倍数在30倍以上,拍摄过程中摄像头与手指之间的距离在5cm左右,以便于拍摄系统能够拍摄到甲壁中微循环图像。
步骤S1a、对每一帧微循环图像进行归一化和配准处理。
步骤S1b、对完成归一化和配准处理后的微循环图像进行二值化处理。
步骤S2、从微循环图像中确定出毛细血管的管内空间位置。
步骤S3、根据连续多帧微循环图像中毛细血管的管内空间的图像信息,确定毛细血管的管内空间的白细胞流量。
其中,白细胞流量表示单位时间内流经毛细血管的有效截面的白细胞数量,白细胞指标包括白细胞流量。
图9为本公开实施例中步骤S3的一种具体实现流程图,如图9所示,在一些实施例中,步骤S3包括:
步骤S301、根据连续多帧微循环图像中毛细血管的管内空间的检测区域的颜色变化,确定在预设时间内通过检测区域的白细胞数量。
在一些实施例中,微循环图像中包含多支毛细血管的管内空间的图像,为方便进行检测,以其中一支毛细血管作为检测对象,将该毛细血管所处区域作为检测区域。
白细胞体积较大,在通过毛细血管时仅能逐个通过。白细胞通过毛细血管时,毛细血管的管内空间的颜色会发生变化,基于该颜色变化可对通过检测区域的白细胞数量进行统计。
图10为本公开实施例中步骤S301的一种具体实现流程图,如图10所示,步骤301包括:
步骤S3011、对连续多帧微循环图像中的检测区域进行能量分析,得到检测区域对应的能量谱。
步骤S3012、统计能量谱中能量峰值的个数,以作为预设时间内通过检测区域的白细胞数量。
在白细胞通过毛细血管时,毛细血管的管内空间的颜色会发生变化,但是该颜色变化十分微弱。为此,本公开实施例中对连续多帧微循环图像中的检测区域进行能量分析,并生成能量谱,该能量谱可以有效的反应出检测区域的颜色微弱变化。其中,白细胞通过检测区域时能量谱会出现一个能量峰值,通过统计在预设时间内检测区域的能量谱中能量峰值的个数,即可得到在预设时间内通过检测区域的白细胞数量。
步骤S302、根据预设时间和在预设时间内通过检测区域的白细胞数量,确定出白细胞流量。
在步骤S302中,通过将步骤S302统计出的白细胞数量与预设时间作商,即可得到毛细血管内白细胞流量。由于白细胞流量的大小本身就可以反应出血液中白细胞的情况,故白细胞流量本身可作为白细胞指标。
图11为本公开实施例提供的再一种白细胞检测方法的流程图,如图11所示,本实施提供白细胞检测方法基于上述图10所示方法,在步骤S3之后还包括步骤S4,下面仅对步骤S4进行详细描述。
步骤S4、根据白细胞流量评估出血液内的白细胞分布密度。
其中,步骤S3所计算出的白细胞流量越大,则表明血液内的白细胞总数量越多,白细胞分布密度越大;步骤S3所计算出的白细胞流量越小,则表明血液内的白细胞总数量越少,白细胞分布密度越小。
可通过预先实验来确定白细胞流量与白细胞总数量、白细胞分布密度之间的映射关系。在步骤S4中,可基于预先获取的映射关系和步骤S3所得到的白细胞流量来评述出血液内的白细胞总数量和白细胞分布密度。
在一些实施例中,白细胞指标可包括白细胞总数量和/或白细胞分布密度。
本公开提供了一种白细胞检测方法,通过获取微循环图像,并基于图像处理技术对微循环图像进行处理可获取毛细血管的管内空间的白细胞情,从而能够得到白细胞指标。在上述检测过程中,无需进行采血,用户不会存在疼痛感;与此同时,整个检测过程无需人工参与且耗时短。
需要说明的是,在上述各白细胞检测方法实施例中不同步骤之间可以相互组合,通过组合得到的新技术方案也应属于本公开的保护范围。
图12为本公开实施例提供的一种白细胞检测系统的结构框图,如图12所示,该白细胞检测系统包括:图形获取模块、位置确定模块和指标确定模块。
其中,图形获取模块配置为获取微循环图像;位置确定模块配置为从微循环图像中确定出毛细血管的管内空间位置;指标确定模块配置为根据毛细血管的管内空间的图像信息确定出白细胞指标。
在一些实施例中,该白细胞检测系统还包括:调校模块;调校模块配置为基于预设基准比色卡来对拍摄系统的系统参数进行调校。
在一些实施例中,该白细胞检测系统还包括:图像预处理模块,配置为对微循环图像进行归一化和配准处理;进一步地,图像预处理模块还配置为对对完成归一化和配准处理后的微循环图像进行二值化处理。
本公开实施例提供白细胞检测系统可用于实现前面任一实施例提供的白细胞检测方法,对于各功能模块的具体描述可参见前面实施例中相应内容,此处不再赘述。
本公开实施例还提供了一种电子设备,该电子设备包括一个或多个处理器和存储器;其中,存储器上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现前面任一实施例提供的白细胞检测方法,;即,该电子设备上安装有白细胞检测系统所对应的程序。
在一些实施例中,拍摄系统可以独立于电子设备而存在,拍摄系统将拍摄到的微循环图像通过有线或无线的方式发送给白细胞检测系统,以供白细胞检测系统进行处理。
在一些实施例中,拍摄系统可以集成在电子设备上。此时,电子设备可以为包括手机、平板、摄像仪等具有拍摄功能和数据处理功能的结构或设备。
本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现前面任一实施例提供的白细胞检测方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据,并且可包括任何信息递送介质。
本文已经公开了示例实施例,并且虽然采用了具体术语,但它们仅用于并仅应当被解释为一般说明性含义,并且不用于限制的目的。在一些实例中,对本领域技术人员显而易见的是,除非另外明确指出,否则可单独使用与特定实施例相结合描述的特征、特性和/或元素,或可与其它实施例相结合描述的特征、特性和/或元件组合使用。因此,本领域技术人员将理解,在不脱离由所附的权利要求阐明的本公开的范围的情况下,可进行各种形式和细节上的改变。
Claims (15)
1.一种白细胞检测方法,其特征在于,包括:
获取微循环图像;
从所述微循环图像中确定出毛细血管的管内空间位置;
根据所述毛细血管的管内空间的图像信息确定出白细胞指标。
2.根据权利要求1所述白细胞检测方法,其特征在于,所述获取微循环图像的步骤包括:
获取在预设时间内的连续多帧微循环图像;
根据所述毛细血管的管内空间的图像信息确定出白细胞指标的步骤包括:
根据连续多帧微循环图像中所述毛细血管的管内空间的图像信息,确定所述毛细血管的管内空间的白细胞流量,所述白细胞流量表示单位时间内流经毛细血管的有效截面的白细胞数量,所述白细胞指标包括所述白细胞流量。
3.根据权利要求2所述的白细胞检测方法,其特征在于,根据连续多帧微循环图像中所述毛细血管的管内空间的图像信息,确定所述毛细血管的管内空间的白细胞流量的步骤包括:
根据连续多帧微循环图像中所述毛细血管的管内空间的检测区域的颜色变化,确定在所述预设时间内通过所述检测区域的白细胞数量;
根据所述预设时间和在所述预设时间内通过所述检测区域的白细胞数量,确定出所述白细胞流量。
4.根据权利要求3所述的白细胞检测方法,其特征在于,对连续多帧微循环图像中所述毛细血管的管内空间的检测区域的颜色变化,确定在所述预设时间内通过所述检测区域的白细胞数量的步骤包括:
对连续多帧微循环图像中的所述检测区域进行能量分析,得到所述检测区域对应的能量谱;
统计所述能量谱中能量峰值的个数,以作为所述预设时间内通过所述检测区域的白细胞数量。
5.根据权利要求2所述的白细胞检测方法,其特征在于,在确定所述毛细血管的管内空间的白细胞流量的步骤之后,还包括:
根据所述白细胞流量,评估出血液内的白细胞分布密度;
所述白细胞指标包括所述白细胞分布密度。
6.根据权利要求1所述的白细胞检测方法,其特征在于,在获取微循环图像的步骤之前,还包括:
基于预设基准比色卡来对拍摄系统的系统参数进行调校。
7.根据权利要求6所述的白细胞检测方法,其特征在于,所述系统参数包括:饱和度、曝光度和色差中的至少一种。
8.根据权利要求1所述的白细胞检测方法,其特征在于,在获取微循环图像的步骤之后,且在从所述微循环图像中确定出毛细血管的管内空间位置的步骤之前,还包括:
对所述微循环图像进行归一化和配准处理。
9.根据权利要求8所述的白细胞检测方法,其特征在于,在对所述微循环图像进行归一化和配准处理的步骤之后,且在在从所述微循环图像中确定出毛细血管的管内空间位置的步骤之前,还包括:
对完成归一化和配准处理后的所述微循环图像进行二值化处理。
10.根据权利要求1所述的白细胞检测方法,其特征在于,从所述微循环图像中确定出毛细血管的管内空间位置的步骤包括:
通过边缘检测算法确定出所述微循环图像中毛细血管的边缘;
基于毛细血管的边缘检测结果确定出毛细血管的管内空间位置。
11.根据权利要求10所述的白细胞检测方法,其特征在于,所述边缘检测算法包括:高斯拉普拉斯边缘检测算法。
12.根据权利要求10所述的白细胞检测方法,其特征在于,在通过边缘检测算法确定出所述微循环图像中毛细血管的边缘的步骤之后,且在基于毛细血管的边缘检测结果确定出毛细血管的管内空间位置的步骤之前,还包括:
通过最大类间方差法对毛细血管的边缘进行增强和提取。
13.一种白细胞检测系统,其特征在于,包括:
图形获取模块,配置为获取微循环图像;
位置确定模块,配置为从所述微循环图像中确定出毛细血管的管内空间位置;
指标确定模块,配置为根据所述毛细血管的管内空间的图像信息确定出白细胞指标。
14.一种电子设备,其中,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现权利要求1-12中任一所述的方法。
15.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现权利要求1-12中任一所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837832.4A CN114073494A (zh) | 2020-08-19 | 2020-08-19 | 白细胞检测方法、系统、电子设备和计算机可读介质 |
PCT/CN2021/106221 WO2022037328A1 (zh) | 2020-08-19 | 2021-07-14 | 白细胞检测方法、系统、电子设备和计算机可读介质 |
US17/772,657 US20220405921A1 (en) | 2020-08-19 | 2021-07-14 | Leukocyte detection method, system, electronic device, and computer readable medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837832.4A CN114073494A (zh) | 2020-08-19 | 2020-08-19 | 白细胞检测方法、系统、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114073494A true CN114073494A (zh) | 2022-02-22 |
Family
ID=80281632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010837832.4A Pending CN114073494A (zh) | 2020-08-19 | 2020-08-19 | 白细胞检测方法、系统、电子设备和计算机可读介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220405921A1 (zh) |
CN (1) | CN114073494A (zh) |
WO (1) | WO2022037328A1 (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1399131A (zh) * | 2002-08-28 | 2003-02-26 | 彭黎明 | 无创性血细胞参数定量测定方法 |
JP3112102U (ja) * | 2005-03-10 | 2005-08-04 | 一 村上 | 血管・血流・細胞組織の観察光学機器 |
CN1945627A (zh) * | 2006-10-20 | 2007-04-11 | 清华大学 | 数字舌象色偏校正方法 |
TW201309264A (zh) * | 2011-08-26 | 2013-03-01 | Univ Nat Sun Yat Sen | 自動化甲襞微循環分析系統 |
TW201433296A (zh) * | 2013-02-21 | 2014-09-01 | Univ Nat Taiwan | 一種血球之觀察鑑測方法 |
CN105865629A (zh) * | 2016-03-25 | 2016-08-17 | 上海电机学院 | 一种用于机器人的物体颜色识别方法 |
TW201934076A (zh) * | 2018-02-14 | 2019-09-01 | 洋華光電股份有限公司 | 微血管檢測裝置和方法 |
CN111491555A (zh) * | 2017-10-16 | 2020-08-04 | 麻省理工学院 | 用于非侵入性血液测量的系统、装置和方法 |
-
2020
- 2020-08-19 CN CN202010837832.4A patent/CN114073494A/zh active Pending
-
2021
- 2021-07-14 US US17/772,657 patent/US20220405921A1/en active Pending
- 2021-07-14 WO PCT/CN2021/106221 patent/WO2022037328A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1399131A (zh) * | 2002-08-28 | 2003-02-26 | 彭黎明 | 无创性血细胞参数定量测定方法 |
JP3112102U (ja) * | 2005-03-10 | 2005-08-04 | 一 村上 | 血管・血流・細胞組織の観察光学機器 |
CN1945627A (zh) * | 2006-10-20 | 2007-04-11 | 清华大学 | 数字舌象色偏校正方法 |
TW201309264A (zh) * | 2011-08-26 | 2013-03-01 | Univ Nat Sun Yat Sen | 自動化甲襞微循環分析系統 |
TW201433296A (zh) * | 2013-02-21 | 2014-09-01 | Univ Nat Taiwan | 一種血球之觀察鑑測方法 |
CN105865629A (zh) * | 2016-03-25 | 2016-08-17 | 上海电机学院 | 一种用于机器人的物体颜色识别方法 |
CN111491555A (zh) * | 2017-10-16 | 2020-08-04 | 麻省理工学院 | 用于非侵入性血液测量的系统、装置和方法 |
TW201934076A (zh) * | 2018-02-14 | 2019-09-01 | 洋華光電股份有限公司 | 微血管檢測裝置和方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220405921A1 (en) | 2022-12-22 |
WO2022037328A1 (zh) | 2022-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105266787B (zh) | 一种非接触式心率检测方法及系统 | |
US9137425B2 (en) | Methods and apparatuses for using image acquisition data to detect and correct image defects | |
CN109640821A (zh) | 用于面部检测/识别系统的方法和装置 | |
US20230056564A1 (en) | Image authenticity detection method and apparatus | |
CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
CN109784230A (zh) | 一种人脸视频图像质量寻优方法、系统及设备 | |
Santra et al. | A non-invasive approach for estimation of hemoglobin analyzing blood flow in palm | |
CN110392211A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN113792587A (zh) | 一种获取及识别图像的方法、装置、存储介质及电子设备 | |
CN114073494A (zh) | 白细胞检测方法、系统、电子设备和计算机可读介质 | |
CN106204548B (zh) | 图像分辨方法及装置 | |
CN114998980B (zh) | 一种虹膜检测方法、装置、电子设备及存储介质 | |
CN107392099B (zh) | 提取头发细节信息的方法、装置及终端设备 | |
CN107450884B (zh) | 基于图像识别的应用程序管理平台 | |
KR102369059B1 (ko) | 비접촉식 심박 측정 장치 및 방법 | |
KR102257998B1 (ko) | 세포 계수 장치 및 방법 | |
CN114202522A (zh) | 红血丝非接触测量方法、存储介质及处理器 | |
CN114187347A (zh) | 皮肤皱纹非接触测量方法、存储介质及处理器 | |
Guan et al. | A new metric for latent fingerprint image preprocessing | |
CN112381809A (zh) | 一种基于相对熵的虹膜图像清晰度评价方法 | |
CN112580462A (zh) | 一种特征点选择方法、终端和存储介质 | |
CN112183454A (zh) | 图像检测方法及装置、存储介质、终端 | |
CN110558966A (zh) | 一种脉搏检测装置 | |
Hollingsworth et al. | Recent research results in iris biometrics | |
CN113100722B (zh) | 一种心率确定方法及装置 |
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 |