CN114283407A - 一种自适应的白细胞自动分割、亚类检测方法及系统 - Google Patents
一种自适应的白细胞自动分割、亚类检测方法及系统 Download PDFInfo
- Publication number
- CN114283407A CN114283407A CN202111602238.8A CN202111602238A CN114283407A CN 114283407 A CN114283407 A CN 114283407A CN 202111602238 A CN202111602238 A CN 202111602238A CN 114283407 A CN114283407 A CN 114283407A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- region
- adaptive
- image
- 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
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种自适应的白细胞自动分割、亚类检测方法,包括以下步骤:步骤1:图像采集及预处理;步骤2:ROI区域分割;通过设置自适应等值曲线,构建任意形状自适应窗口,实现ROI区域快速准确自适应分割;步骤3:聚集细胞识别、分割及修正;根据ROI区域面积特征,识别出聚集区域;K均值聚类确定区域种子及停止区域,区域增长快速完成聚集细胞分割;步骤4:白细胞亚类特征提取及识别。本发明采用边界修正前后多特征和统计学机器结合的白细胞识别技术,避免单特征、聚集细胞分割带来的特征不精准问题,细胞聚焦自动识别准确性更高。
Description
技术领域
本发明涉及便携式诊疗技术领域,具体为一种自适应的白细胞自动分割、亚类检测方法及系统。
背景技术
血常规中的白细胞分析是临床区分细菌性感染和病毒感染以及感染严重度必不可少的手段,临床上常根据白细胞及其亚类计数结果来指导患者用药。便携式白细胞计数仪可以在最接近病患的地方,以最短的时间获得准确的诊断信息,有利于对疾病的及时诊断、监控和治疗,具有大型仪器不具备的时间和空间优势。但受制于细胞生理特性,基于图像的便携式白细胞分析设备精度还不够准确,其难点主要在于低倍显微镜下聚集细胞分割及亚类识别。
聚集细胞分割及识别是指在无人工干预的情况下,自主寻找聚集细胞并获分割识别的过程,它是模式识别中的一项关键技术。对于显微镜下粒子图像自动分割、识别方法研究,目前主要集中于40倍-100倍显微镜下白细胞分割技术研究,现有技术主要有以下几种:
①中国专利申请号201010568805.8《一种白细胞图像分割方法》基于区域的白细胞分割方法,通过分割细胞核来定位白细胞;②申请号201410778791.0《一种基于胞核标记分水岭变换的粘连细胞分割方法》通过颜色空间转换,分析各通道分量的图像特点,采用分水岭变换分割细胞核进而识别白细胞;③申请号201510141013.5《一种基于边界的白细胞分割评价标准的建立方法》采用形态学重构方法获取分割白细胞;④申请号CN201410778791提出基于胞核标记分水岭变换的粘连细胞分割方法;⑤申请号201510066975.9《血液白细胞显微图像的随机权网络分割方法》提出构建训练库以随机网络训练方法分割胞质和胞核;⑥专利申请号201911044681.0《细胞图像分割方法、装置、计算机设备和存储介质》、⑦科学技术与工程2007年第7卷第5期769-772,提出基于链码的边界凸凹性判别方法,利用凹凸特征,来分割重叠细胞;⑧中国计量学院2012年硕士学位论文《基于学习策略的血细胞图像分割方法研究》采用支持向量机通过训练样本模型分割血细胞方法;⑨2005年第10卷第1期31-37页提出一种基于迭代腐蚀算法的B-snake模型自动分割方法;⑩四川大学2006年硕士学位论文《基于区域特征及边缘信息的彩色血液显微镜图像分割》采用图像区域及边界信息实现血细胞分割;2014年第34卷第6期1765-1769页作者提出一种利用云模型的血细胞图像阈值化方法来分割重叠的白细胞;北京理工大学2015年博士论文《基于显微视频的淋巴细胞形态变化定量分析算法研究》提出了基于改进外力场的主动轮廓模型分割+联合形状、形变及内部运动的特征定量分析算法。该方法通过Log算法利用边缘信息,设置初始分割轮廓,优化主动轮廓模型分割精度问题;通过提取视频内细胞形状及光流场细胞内部运动特征;哈尔滨工业大学2016年硕士论文《显微视频细胞分割与跟踪方法研究》针对粘连细胞提出多尺度四阶段分割方法,配合主动轮廓模型调整分割结果,实现高倍显微镜下MCF-10A边界准确分割。
综上所述,技术方案①②④通过提取细胞核来识别计数白细胞;⑤⑧通过训练模型机器学习的方式来实现白细胞分割;③⑩则利用白细胞形态学及边界信息,实现白细胞分割;⑥⑦则通过边界链码凹凸性来实现粘连细胞分割;⑨采用活动轮廓实现粘连细胞分割。
上述技术方案中,①②④通过提取高倍显微镜下的细胞核,来识别计数白细胞,即首先识别出染色后白细胞核区域,根据核区域来实现白细胞计数识别。白细胞染色后,细胞核呈紫色,而红细胞则呈淡粉色,二者差异明显,通过颜色灰度特征,可以很轻松的定位白细胞,实现白细胞识别计数;⑤⑧通过训练模型的方式来实现白细胞分割,即通过对白细胞边界像素分布及特性,比如圆形度,矩形度等特征,训练边界模型,借此来识别白细胞边界,从而实现白细胞识别计数;③⑩则利用白细胞形态学及边界信息,对白细胞进行灰度腐蚀膨胀,高低帽运算、活动轮廓模型来获取白细胞边界,实现粘连细胞分割;⑥⑦利用粘连细胞边界通常带有一定的凹凸性,通过边界链码凹凸性来实现粘连细胞分割,即首先预处理获取白细胞边界,计算边界凹凸度,链接凹凸点,实现粘连分割。但是对于粘连面积过大、放大倍数低的细胞,细胞凹凸性不够明显,这种方法分割率比较低;⑨改进活动轮廓,通过给活动轮廓选取合适的初始轮廓,降低背景对活动轮廓方法的影响。
虽然上述研究在白细胞识别上都取得了比较让人满意的结果,但是还存在着以下缺点:1)目前绝大多数的白细胞分割方案都是基于40-100倍放大镜下的,为满足大靶面多细胞快速检测要求,便携式设备中显微镜多数只有5-20倍。这种情况下,获取的图像背景不均匀,细胞核区域分割困难,基于细胞机器模型也很难构建;2)在5-20倍显微镜下,白细胞的边界模糊,数量多,基于形态学边界提取的方法还存在着精度低,无法识别粘连细胞的情况;大靶面低倍显微镜下,视野内细胞数量多,基于活动轮廓的模型迭代方法收敛太慢,耗时长;3)粘连细胞边界模糊,边界凹凸点判别困难,判别误差大。综上所述,应用上述各种方法无法获取精确的细胞分割,无法完整的实现粘连细胞快速分离及识别,存在识别准确性低的问题。
针对现有技术的不足,本发明提出一种自适应白细胞自动分割、亚类检测方法及系统。该系统首先采用自适应等值曲线法自动快速获取背景不均匀的显微图像ROI区域,避免因图像背景的不均匀导致的分割误差;对ROI区域进行非线性增强处理,K均值聚类获取ROI多级轮廓曲线;然后,根据K均值多级轮廓曲线间距离,修正粘连细胞边界,分割聚集细胞;最后,提取细胞及细胞核面积、周长等多序列特征,利用SVM与决策树最终实现白细胞及其亚类识别。
发明内容
本发明的目的是提供一种自适应的白细胞自动分割、亚类检测方法及系统,旨在提高粒子识别系统计数精度缩短粒子检测时间,最终实现血细胞便携式检测设备研制,从而为疾病的及时诊断监控和治疗带来新的测量方法和评估手段。
本发明采用以下技术方案解决上述技术问题的:
一种自适应的白细胞自动分割、亚类检测方法,包括以下步骤:
步骤1:图像采集及预处理;
步骤2:ROI区域分割;通过设置自适应等值曲线,构建任意形状自适应窗口,实现ROI区域快速准确自适应分割;
步骤3:聚集细胞识别、分割及修正;根据ROI区域面积特征,识别出聚集区域;K均值聚类确定区域种子及停止区域,区域增长快速完成聚集细胞分割;
步骤4:白细胞亚类特征提取及识别。
优选的,所述图像采集步骤包括:将测血液样本经溶血剂裂解、染色剂染色后,移至一定高度微流控芯片内,于图像采集装置平台上采集图像。
优选的,所述预处理采用高斯-拉普拉斯算法,包括对图像进行高斯平滑,剔除噪声;然后对图像求二阶导,用二阶导的过零点确定边缘,在去噪的同时,保留细胞的边界信息。
优选的,所述ROI区域分割步骤包括:
(1)根据白细胞成像特点,分离RGB中的对比度较高的B波长分量图像I;半径为10的圆盘结构对图像I做开运算,获取显微镜光强分布图像G;
(2)构建基于光强分布的等值曲面集:计算G图像3维像素曲面峰值vp及最小值vm。在[vm,vp]中,获取n个等值曲线Cn,其中曲线C0=vp,曲线Cn=vm,则曲线Cn:
(3)以等值曲线为轮廓,曲线C0~Cn演化为自适应窗口:(C0,C1]为窗口1,(C1,C2]为窗口2,(Cn-1,Cn]为窗口n;分别获取图像I各窗口内最大类间方差值Tn,构建最大类间方差序列T,T={T1,T2,…,Tn};
(4)以曲线演化为自适应窗口,对应T值序列为阈值,完成ROI区域精确快速分割。
优选的,所述聚集区域识别包括以下步骤:
(1)对ROI区域进行二值化处理,此时ROI区域像素值为1,背景像素为0,得到面积连通区域;
(2)获取每个连通区域面积,计算面积分布;
(3)以面积为特征,最大类间方差法获取阈值Ta;ROI区域面积大于阈值Ta,即为聚集区域。
优选的,所述聚集细胞分割是根据白细胞三维曲面特征,首先对聚集区域进行多边界提取,再将提取到的边界映射至二值化图像内,区域增长实现细胞分割。
优选的,所述多边界提取采用Kmeans聚类方法实现:
对于某一细胞图像Im,其看成是细胞像素值集给定的样本集。按照样本之间的欧式距离大小,将样本集划分为K个簇:簇内的点尽量紧密的连在一起,簇间的距离尽量的大,即最小化簇间平方误差。假设簇划分为(C1,C2,...,Ck),则最小化平方误差E:
其中μi是簇Ci的均值向量,也称质心,表达式为:
优选的,所述聚集细胞分割具体实现过程包括:确定簇k个数,所述k为8;随机初始化质心{μ1,μ2,…,μ8},图像被分为k个集;计算各图像上各集内像素值xi和质心μj的距离:将xi划分至距其最近的质心所在簇中,更新簇;根据公式3),更新质心;
重复步骤c、d,直至质心不再变化,得到最佳簇集合及质心;将簇集合映射至聚集细胞图像上,可得到8条聚类边缘线,边缘线从图像边缘到中心,依次记为b1,b2,…,b8;Kmean所分割得到的8条聚类边缘线很好的刻画了不同灰度级下,细胞边缘演化情况;其中b6-b8体现了细胞核区域边缘变化,b3-b5体现了细胞膜区域边缘情况,b1-b2则表现了细胞周边光学像素分布情况;计算b5边缘线为起点,b3边界为终止点,区域增长完成最终的聚集细胞分割。
优选的,所述细胞边界修正的实现过程包括:
(1)以b5聚类线内闭合曲线fi中心点为起点,每隔15°做方向直线ki;
(2)与运算获取b3曲线与区域增长分割后的曲线fmi相交的边界fsi;
(3)获取ki与fsi的交点,并计算中心点到交点距离dki;
(4)以距离dki为变量,插值分别获取b5内闭合曲线补充边界,完成聚集区域细胞的边界修正。
本发明还在此基础上提供了一种自适应的白细胞自动分割、亚类检测系统,包括图像采集及预处理单元,ROI区域分割单元,聚集细胞识别、分割及修正单元,以及白细胞亚类特征提取及识别单元;
其中,所述ROI区域分割单元通过设置自适应等值曲线,构建任意形状自适应窗口,实现ROI区域快速准确自适应分割;
所述聚集细胞识别、分割及修正单元根据ROI区域面积特征,识别出聚集区域;K均值聚类确定区域种子及停止区域,区域增长快速完成聚集细胞分割。
本发明提出一种自适应的白细胞自动分割、亚类检测方法及系统,用于快速、准确、自动实现外周血细胞图像中聚集细胞分割及亚类识别,包括如下优点:
(1)基于Kmean聚类及区域增长、多角度拟合的聚集白细胞粒子快速分割、边缘修正方法:基于光源强度的自适应轮廓粒子分割方法,避免单一光源图像灰度分布不均、不同环境图像光源不一致等问题引起的分割误差,建立不受光源影响的不规则自适应分割轮廓,突破传统分块及卷积轮廓局限,更适合单光源大靶面背景不均匀图像分割;并通过研究细胞区域3维灰度特征,以Kmean均值结果为种子点及目标点,配合多角度插值拟合的聚集细胞边界修正方法,快速实现分割的同时;多角度插值拟合的聚集细胞边界修正方法,避免因粒子聚集引起的分割误差,进一步还原聚集细胞真实边界,后续特征提取更加精确。
(2)基于光强分布的不规则自适应轮廓分割方法、聚类及区域增长与多角度拟合的粒子快速分割边缘修正方法、多特征支持向量机模型的白细胞检测、分类识别方法,本发明结合光信息分布特征、图像处理及模式识别技术,实现了低倍显微镜下白细胞快速分割、聚集细胞分割及边缘修正,实现低倍显微镜下白细胞及其亚类准确快速识别;本发明方法弥补了现有便携式细胞分类产品技术上的不足,避免单特征、聚集细胞分割带来的特征不精准问题,细胞聚焦自动识别准确性更高,为以后的便携式白细胞识别设备的成功研制打下基础。
附图说明
图1为本发明方法技术路线图;
图2为聚集细胞分割及边界修正方法技术路线图;
图3为二级决策识别路线图;
图4经裂解染色后白细胞10x显微镜图像;
图5为光强分布图像及5区域自适应阈值模板曲线边缘;
图6为经本发明提出的分割方法分割后图像;
图7为聚集细胞B分量图像、Kmean8中心分割图像、Kmean第3中心边缘及第5中心边缘图像;
图8为聚集细胞的区域增长分割、边缘修正模板及边缘修正后边缘图像;
图9为边缘修正前后边缘图像。
具体实施方式
下面结合具体实施方式对本发明做进一步说明,以下实施例旨在说明本发明而不是对本发明的进一步限定。以下实施例中所用的技术手段为本领域技术人员所熟知的常规手段,所有原料均为通用材料。
为了验证本发明的可行性和有效性,采用本发明所提出的方法对10μl溶血染色白细胞显微镜图像进行验证。白细胞图像大小为2130×2120,图像放大倍数10x。
本发明提出一种自适应白细胞自动分割、亚类检测方法及系统,其技术方案基本内容描述如下:
10x溶血染色白细胞显微镜图像B分量图像I,形态学开运算获取光强分布图像G;根据G图像光强分布,求取等值曲线。将等值曲线与原图融合,构建任意形状自适应窗;最大方差阈值法获取窗内阈值完成ROI区域自适应分割;以面积为特征,最大方差法分离聚集细胞区域;根据聚集细胞图像内像素分布,设定自适应聚类中心,K均值聚类获取ROI多级轮廓曲线;根据图像内闭合曲线数量,推演聚集细胞个数;取第一个不相连的闭合曲线为种子点,下一级曲线轮廓为掩膜,区域增长算法完成聚集细胞分割、插值拟合算法获取修正边界;提取细胞区域几何、灰度特征,建立SVM分类模型;根据SVM分类结果,最终完成白细胞及其亚类计数。
本发明提出一种自适应白细胞自动分割、亚类检测方法及系统,用于快速、准确、自动实现外周血细胞图像中聚集细胞分割及亚类识别,其技术方案主要阐述如下:
实施例1
步骤1:图像采集及预处理
图像采集装置由步进电机及显微镜物镜、CMOS图像获取装置构成。待测血液样本经溶血剂裂解、染色剂染色后,移至一定高度微流控芯片内,于图像采集装置平台上采集图像。图像采集装置内步进电机由单片机控制,通过传动机构驱动显微镜物镜上下运动,获取最佳焦距并拍摄。
本实施例内获取10x显微物镜溶血染色白细胞显微镜图像。
根据5~20x显微镜下细胞图像特点,采集后的图像采用高斯-拉普拉斯算法进行预处理:首先对图像进行高斯平滑,剔除噪声;然后对图像求二阶导,用二阶导的过零点确定边缘,在去噪的同时,保留细胞的边界信息。图像预处理操作也可用其它方法实现。
步骤2:ROI区域分割
为满足便携式即时检验设备大靶面多细胞快速检测要求,便携式设备中显微镜多数只有5-20倍。由于显微镜成像限制,大靶面获取的图像背景均匀性差,图像中间区域亮度高,周边区域亮度低。根据这一成像特点,本实施例通过设置自适应等值曲线,构建任意形状自适应窗口,实现ROI区域快速准确自适应分割。
聚集细胞分割及边界修正方法技术路线图如图2所示,具体实现过程如下:
首先,根据白细胞成像特点,分离RGB中的对比度较高的B波长分量图像I。半径为10的圆盘结构对图像I做开运算,获取显微镜光强分布图像G;
然后,构建基于光强分布的等值曲面集:计算G图像3维像素曲面峰值vp及最小值vm。在[vm,vp]中,获取n个等值曲线Cn,其中曲线C0=vp,曲线Cn=vm,则曲线Cn:
以等值曲线为轮廓,曲线C0~Cn演化为自适应窗口:(C0,C1]为窗口1,(C1,C2]为窗口2,(Cn-1,Cn]为窗口n。分别获取图像I各窗口内最大类间方差值Tn,构建最大类间方差序列T,T={T1,T2,…,Tn};
最后,以曲线演化为自适应窗口,对应T值序列为阈值,完成ROI区域精确快速分割。
便携式设备通常采用单一光源拍摄图像,不同区域上细胞与背景对比度差异较大,单一阈值或算法容易产生漏分割现象,常用的自适应窗口多数为矩形框,大面积图像所需窗口数量多,给计算带来一定的负担。
本实施例根据显微镜光强分布特征,建立基于等值曲线的不规则自适应窗,在较少的窗口下即可实现ROI区域快速精确分割;同时也避免了不同光源带来的光强差异。
步骤3:聚集细胞识别、分割及修正;
正常情况下,细胞均匀的分布在图像上,随着细胞数量的增多,或前期化学药物没有混匀时,则图像会出现分布不均、聚集的现象。在做细胞分割时,容易将这些聚集在一起的多个细胞错分割为一个区域,给后面的特征提取带来困扰。
针对这一问题,结合图像特点,本发明首先根据ROI区域面积特征,识别出聚集区域;K均值聚类确定区域种子及停止区域,区域增长快速完成聚集细胞分割;最后,曲线拟合校正分割后的聚集细胞,还原细胞真实轮廓。
(1)聚集区域识别
聚集细胞区域判别步骤如下:
首先,对ROI区域进行二值化处理,此时ROI区域像素值为1,背景像素为0,得到面积连通区域;
其次,获取每个连通区域面积,计算面积分布;
最后,以面积为特征,最大类间方差法获取阈值Ta。ROI区域面积大于阈值Ta,判别为聚集区域。
利用面积特征结合最大类间方差的方法,避免了不同机器灯光差异引起的面积误差,聚集区域识别更加准确。
(2)聚集细胞分割
根据白细胞三维曲面特征,首先对聚集区域进行多边界提取,再将提取到的边界映射至二值化图像内,区域增长实现细胞分割。
聚集区域多边界提取采用Kmeans聚类方法实现:
对于某一细胞图像Im,其看成是细胞像素值集给定的样本集。按照样本之间的欧式距离大小,将样本集划分为K个簇:簇内的点尽量紧密的连在一起,簇间的距离尽量的大,即最小化簇间平方误差。假设簇划分为(C1,C2,...,Ck),则最小化平方误差E:
其中μi是簇Ci的均值向量,也称质心,表达式为:
具体实现过程如下:
a.确定簇k个数,在本实施例中k=8;
b.随机初始化质心{μ1,μ2,…,μ8},图像被分为8个集;
d.根据公式3),更新质心。
重复步骤c、d,直至质心不再变化,得到最佳簇集合及质心;将簇集合映射至聚集细胞图像上,可得到8条聚类边缘线,边缘线从图像边缘到中心,依次记为b1,b2,…,b8。Kmean所分割得到的8条聚类边缘线很好的刻画了不同灰度级下,细胞边缘演化情况。
其中,b6-b8体现了细胞核区域边缘变化,b3-b5体现了细胞膜区域边缘情况,b1-b2则表现了细胞周边光学像素分布情况。
计算b5边缘线为起点,b3边界为终止点,区域增长完成最终的聚集细胞分割。
(3)细胞边界修正
聚集细胞分割后,其分割后面积和周长往往小于其正常面积和周长。这是因为细胞聚集,导致细胞粘连处的纵向高度高于正常非聚集细胞,导致其图像上的面积和周长信息不准确。细胞面积和周长是白细胞亚类识别最重要的特征,直接影响细胞分类准确性。
而在本实施例中就针对这一问题,对分割后的聚集细胞的边界做自适应曲线拟合进行修正,以接近其真实边界情况。具体实现过程如下:
首先,以b5聚类线内闭合曲线fi中心点为起点,每隔15°做方向直线ki;
然后,与运算获取b3曲线与区域增长分割后的曲线fmi相交的边界fsi;
再者,获取ki与fsi的交点,并计算中心点到交点距离dki;
最后,以距离dki为变量,插值分别获取b5内闭合曲线补充边界,完成聚集区域细胞的边界修正。
步骤4:白细胞亚类特征提取及识别
采用基于决策树的支持向量机模型方法实现白细胞的粒细胞、淋巴细胞及中间细胞分类。分别提取细胞核区域面积、周长、像素均值、形状因子、分叶数;边缘修正后细胞的胞膜面积、胞膜周长,圆形度、形状因子、细胞质面积、胞质与核面积比及细胞与核面积比;修正前细胞质内像素均值、熵、对比度、胞核与胞质像素均值比等30个特征。首先支持向量机(SupportVectorMachine,SVM)构建淋巴细胞-其它细胞分类模型,实现淋巴细胞识别;在对其它细胞按照上述特征进行训练,实现粒细胞和中间细胞分类,最终完成便携式白细胞3分类细胞识别检测。
SVM是常用的2分类算法,本发明中采用SVM配合决策树方法实现白细胞3分类。首先以总白细胞为一级决策点,上文中提取到的30个特征为输入,训练淋巴细胞-其它细胞分类模型,首先实现淋巴细胞识别计数;再以其它细胞为二级决策点,上文中提到的30个特征为输入,训练粒细胞-中间细胞分类模型,实现粒细胞、中间细胞计数。
对于经过特征提取后的白细胞图像特征集,首先于一级决策点,分类为淋巴细胞及其它细胞,被识别为淋巴细胞的直接参与淋巴细胞计数;被识别为其它细胞的特征集,进入二级决策点,识别出粒细胞及中间细胞并计数,完成白细胞3分类识别。如附图3所示。
其中,图4为经裂解染色后白细胞10x显微镜图像,图5为光强分布图像及5区域自适应阈值模板曲线边缘;图6为经本发明提出的分割方法分割后图像;图7为聚集细胞图像及Kmean分割后图像;图8为聚集细胞的区域增长分割、边缘修正模板及边缘修正后边缘图像;图9为边缘修正前后边缘图像。
从初步实验效果图来看,通过本发明提出的方法能够快速、准确的实现细胞分割及识别。
采用本发明提出的方法,与Mindray BC5410的白细胞分类结果做对比,40例全血样本测试,其中中性粒细胞相关性R为0.93,淋巴细胞相关性R为0.94,白细胞总数相关性R为0.94。
R表示相关性系数,是血液分析、生化设备中常用的用来评估设备精度的指标之一,用以反映变量之间相关关系密切程度的常见的统计指标。R值介于0-1之间,越接近于1,两变量间越相关。
本发明中所提供的一种自适应的白细胞自动分割、亚类检测方法还可以用于其它细胞(红细胞、血小板等悬浮细胞)、悬浮粒子自动聚焦识别。
即本发明提出的自适应白细胞自动分割、亚类检测方法及系统不仅可以用于白细胞及聚集白细胞分割、识别,也可以用于一定体积内的红细胞、血小板等悬浮细胞粒子自动分割及识别,步骤包括:
首先获取上述细胞显微镜图像(图像可以是4x、5x、8x、10x等,本方法对100x显微镜图像均有效),更改本文方法中光强分布获取时的结构元素尺寸,获取不规则自适应轮廓序列并分割;根据待检测元素大小,设置聚类中心点数量,以Kmean均值结果为种子点及目标点,配合多角度线性插值拟合的聚集区域边界修正方法,快速实现目标区域分割及边界修正;最后获取分割修正前后目标区域灰度、几何、纹理及比值特征,统计模型实现目标粒子最终识别。
最后应说明的是:以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案;本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离本发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围中。
Claims (10)
1.一种自适应的白细胞自动分割、亚类检测方法,其特征在于,包括以下步骤:
步骤1:图像采集及预处理;
步骤2:ROI区域分割;通过设置自适应等值曲线,构建任意形状自适应窗口,实现ROI区域快速准确自适应分割;
步骤3:聚集细胞识别、分割及修正;根据ROI区域面积特征,识别出聚集区域;K均值聚类确定区域种子及停止区域,区域增长快速完成聚集细胞分割;
步骤4:白细胞亚类特征提取及识别。
2.根据权利要求1所述的一种自适应的白细胞自动分割、亚类检测方法,其特征在于,所述图像采集步骤包括:将测血液样本经溶血剂裂解、染色剂染色后,移至一定高度微流控芯片内,于图像采集装置平台上采集图像。
3.根据权利要求1所述的一种自适应的白细胞自动分割、亚类检测方法,其特征在于,所述预处理采用高斯-拉普拉斯算法,包括对图像进行高斯平滑,剔除噪声;然后对图像求二阶导,用二阶导的过零点确定边缘,在去噪的同时,保留细胞的边界信息。
4.根据权利要求1所述的一种自适应的白细胞自动分割、亚类检测方法,其特征在于,所述ROI区域分割步骤包括:
(1)根据白细胞成像特点,分离RGB中的对比度较高的B波长分量图像I;半径为10的圆盘结构对图像I做开运算,获取显微镜光强分布图像G;
(2)构建基于光强分布的等值曲面集:计算G图像3维像素曲面峰值vp及最小值vm。在[vm,vp]中,获取n个等值曲线Cn,其中曲线C0=vp,曲线Cn=vm,则曲线Cn:
(3)以等值曲线为轮廓,曲线C0~Cn演化为自适应窗口:(C0,C1]为窗口1,(C1,C2]为窗口2,(Cn-1,Cn]为窗口n;分别获取图像I各窗口内最大类间方差值Tn,构建最大类间方差序列T,T={T1,T2,…,Tn};
(4)以曲线演化为自适应窗口,对应T值序列为阈值,完成ROI区域精确快速分割。
5.根据权利要求1所述的一种自适应的白细胞自动分割、亚类检测方法,其特征在于,所述聚集区域识别包括以下步骤:
(1)对ROI区域进行二值化处理,此时ROI区域像素值为1,背景像素为0,得到面积连通区域;
(2)获取每个连通区域面积,计算面积分布;
(3)以面积为特征,最大类间方差法获取阈值Ta;ROI区域面积大于阈值Ta,即为聚集区域。
6.根据权利要求1所述的一种自适应的白细胞自动分割、亚类检测方法,其特征在于,所述聚集细胞分割是根据白细胞三维曲面特征,首先对聚集区域进行多边界提取,再将提取到的边界映射至二值化图像内,区域增长实现细胞分割。
8.根据权利要求7所述的一种自适应的白细胞自动分割、亚类检测方法,其特征在于,所述聚集细胞分割具体实现过程包括:确定簇k个数,所述k为8;随机初始化质心{μ1,μ2,…,μ8},图像被分为k个集;计算各图像上各集内像素值xi和质心μj的距离:将xi划分至距其最近的质心所在簇中,更新簇;根据公式3),更新质心;
重复步骤c、d,直至质心不再变化,得到最佳簇集合及质心;将簇集合映射至聚集细胞图像上,可得到8条聚类边缘线,边缘线从图像边缘到中心,依次记为b1,b2,…,b8;Kmean所分割得到的8条聚类边缘线很好的刻画了不同灰度级下,细胞边缘演化情况;其中b6-b8体现了细胞核区域边缘变化,b3-b5体现了细胞膜区域边缘情况,b1-b2则表现了细胞周边光学像素分布情况;计算b5边缘线为起点,b3边界为终止点,区域增长完成最终的聚集细胞分割。
9.根据权利要求8所述的一种自适应的白细胞自动分割、亚类检测方法,其特征在于,所述细胞边界修正的实现过程包括:
(1)以b5聚类线内闭合曲线fi中心点为起点,每隔15°做方向直线ki;
(2)与运算获取b3曲线与区域增长分割后的曲线fmi相交的边界fsi;
(3)获取ki与fsi的交点,并计算中心点到交点距离dki;
(4)以距离dki为变量,插值分别获取b5内闭合曲线补充边界,完成聚集区域细胞的边界修正。
10.一种使用权利要求1-9所述的自适应的白细胞自动分割、亚类检测方法的检测系统,其特征在于,包括图像采集及预处理单元,ROI区域分割单元,聚集细胞识别、分割及修正单元,以及白细胞亚类特征提取及识别单元;
其中,所述ROI区域分割单元通过设置自适应等值曲线,构建任意形状自适应窗口,实现ROI区域快速准确自适应分割;
所述聚集细胞识别、分割及修正单元根据ROI区域面积特征,识别出聚集区域;K均值聚类确定区域种子及停止区域,区域增长快速完成聚集细胞分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111602238.8A CN114283407A (zh) | 2021-12-24 | 2021-12-24 | 一种自适应的白细胞自动分割、亚类检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111602238.8A CN114283407A (zh) | 2021-12-24 | 2021-12-24 | 一种自适应的白细胞自动分割、亚类检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114283407A true CN114283407A (zh) | 2022-04-05 |
Family
ID=80875317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111602238.8A Pending CN114283407A (zh) | 2021-12-24 | 2021-12-24 | 一种自适应的白细胞自动分割、亚类检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114283407A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998332A (zh) * | 2022-08-02 | 2022-09-02 | 珠海横琴圣澳云智科技有限公司 | 核型异常细胞的确定方法和装置 |
CN115830025A (zh) * | 2023-02-16 | 2023-03-21 | 南昌大学 | 白细胞分类计数方法、系统、存储介质及计算机设备 |
CN116645390A (zh) * | 2023-07-27 | 2023-08-25 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
CN116844143A (zh) * | 2023-09-01 | 2023-10-03 | 武汉互创联合科技有限公司 | 基于边缘增强的胚胎发育阶段预测与质量评估系统 |
CN117274216A (zh) * | 2023-10-09 | 2023-12-22 | 聆数医疗科技(苏州)有限公司 | 基于水平集分割的超声下颈动脉斑块检测方法及系统 |
CN118314570A (zh) * | 2024-06-11 | 2024-07-09 | 重庆医科大学绍兴柯桥医学检验技术研究中心 | 一种检测卡误差修正的白细胞分类方法及系统 |
-
2021
- 2021-12-24 CN CN202111602238.8A patent/CN114283407A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998332A (zh) * | 2022-08-02 | 2022-09-02 | 珠海横琴圣澳云智科技有限公司 | 核型异常细胞的确定方法和装置 |
CN115830025A (zh) * | 2023-02-16 | 2023-03-21 | 南昌大学 | 白细胞分类计数方法、系统、存储介质及计算机设备 |
CN116645390A (zh) * | 2023-07-27 | 2023-08-25 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
CN116645390B (zh) * | 2023-07-27 | 2023-10-03 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
CN116844143A (zh) * | 2023-09-01 | 2023-10-03 | 武汉互创联合科技有限公司 | 基于边缘增强的胚胎发育阶段预测与质量评估系统 |
CN116844143B (zh) * | 2023-09-01 | 2023-12-05 | 武汉互创联合科技有限公司 | 基于边缘增强的胚胎发育阶段预测与质量评估系统 |
CN117274216A (zh) * | 2023-10-09 | 2023-12-22 | 聆数医疗科技(苏州)有限公司 | 基于水平集分割的超声下颈动脉斑块检测方法及系统 |
CN117274216B (zh) * | 2023-10-09 | 2024-04-16 | 聆数医疗科技(苏州)有限公司 | 基于水平集分割的超声下颈动脉斑块检测方法及系统 |
CN118314570A (zh) * | 2024-06-11 | 2024-07-09 | 重庆医科大学绍兴柯桥医学检验技术研究中心 | 一种检测卡误差修正的白细胞分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114283407A (zh) | 一种自适应的白细胞自动分割、亚类检测方法及系统 | |
Saraswat et al. | Automated microscopic image analysis for leukocytes identification: A survey | |
CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
CN108961208A (zh) | 一种聚集白细胞分割计数系统及方法 | |
US8605981B2 (en) | Centromere detector and method for determining radiation exposure from chromosome abnormalities | |
Khamael et al. | Segmentation of white blood cell, nucleus and cytoplasm in digital haematology microscope images: A review–challenges, current and future potential techniques | |
CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
CN108021903B (zh) | 基于神经网络的人工标注白细胞的误差校准方法及装置 | |
Varma et al. | Astute Segmentation and Classification of leucocytes in blood microscopic smear images using titivated K-means clustering and robust SVM techniques | |
CN110473167B (zh) | 一种基于深度学习的尿沉渣图像识别系统及方法 | |
Rawat et al. | Review of leukocyte classification techniques for microscopic blood images | |
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 | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
CN108257124B (zh) | 一种基于图像的白细胞计数方法和系统 | |
CN110120056A (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
Sriram et al. | Classification of Leukemia and Leukemoid Using VGG-16 Convolutional Neural Network Architecture. | |
CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
Mohapatra et al. | Unsupervised leukocyte image segmentation using rough fuzzy clustering | |
Ananth et al. | An Advanced Low-cost Blood Cancer Detection System. | |
Sapna et al. | Techniques for segmentation and classification of leukocytes in blood smear images-a review | |
Chang et al. | Multireference level set for the characterization of nuclear morphology in glioblastoma multiforme | |
Elen et al. | A new approach for fully automated segmentation of peripheral blood smears | |
Crossman et al. | A multiple covariance approach for cell detection of Gram-stained smears images | |
Kim et al. | Nucleus segmentation and recognition of uterine cervical pap-smears | |
CN113052806B (zh) | 一种癌变程度分级系统 |
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 |