CN114627308A - 一种骨髓细胞形态学特征的提取方法与系统 - Google Patents
一种骨髓细胞形态学特征的提取方法与系统 Download PDFInfo
- Publication number
- CN114627308A CN114627308A CN202210187547.1A CN202210187547A CN114627308A CN 114627308 A CN114627308 A CN 114627308A CN 202210187547 A CN202210187547 A CN 202210187547A CN 114627308 A CN114627308 A CN 114627308A
- Authority
- CN
- China
- Prior art keywords
- bone marrow
- image
- cell
- marrow cell
- cells
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Abstract
本发明公开了一种骨髓细胞形态学特征的提取方法与系统,包括:1)获取经化学试剂染色后得到的骨髓细胞图像,并进行图像预处理;2)利用UNet++模型对骨髓细胞图像进行分割,得到若干个单一骨髓细胞图像;3)结合医学诊断知识对基于标记的分水岭算法进行改进,根据细胞核数值描述对单一骨髓细胞图像进行细胞核分割,获取精准的细胞核区域;4)提取单一骨髓细胞图像的形态学特征,并进行特征选择,筛选得到重要性较高的形态学特征。本发明突破传统基于标记的分水岭算法在进行单一骨髓细胞图像进行核质分割时,细胞核区域判定困难的问题,根据骨髓细胞形态学检验知识预先得到不同类型骨髓细胞的细胞核面积占比信息,从而提取更精准的形态学特征。
Description
技术领域
本发明涉及医学图像特征提取的技术领域,尤其是指一种骨髓细胞形态学特征的提取方法与系统。
背景技术
骨髓细胞形态学检查是诊断血液系统疾病、判断疗效及检测病情变化的最简单也是最重要的手段之一,在临床检验工作中通过显微镜观察染色后的骨髓细胞,以直接了解骨髓中各种血细胞数量、比例、形态以及有无异常细胞等。迄今,人工镜检仍是骨髓形态学检查的主要方法,但其检验过程耗时耗力,效率低下。近年来人工智能技术在医学图像领域发展迅速,在骨髓细胞分割及识别等方面提供了许多新的思路。
骨髓细胞形态学提取一般包括如下步骤:1)对骨髓细胞图像进行图像预处理;2)对预处理后的骨髓细胞图像进行细胞分割,得到单一的骨髓细胞图像;3)对单一骨髓细胞图像进行细胞形态学特征提取。骨髓细胞的细胞区域和细胞核区域是计算骨髓细胞形态学特征的重要依据,如何得到精准的细胞区域和细胞核区域至关重要。人工智能技术背景下应运而生的图像分割算法如UNet模型及其改进模型在医学图像领域应用十分成功,其中UNet++模型使得UNet模型的深度可以自适应于数据集规模,改进效果明显,能够精准得到细胞区域。传统的图像分割方法如基于区域的分水岭算法应用十分广泛,在各项任务中取得了不错的效果。其改进算法如基于标记的分水岭算法通过融入预处理步骤来限制允许存在的区域数目,优化了原始分水岭算法对于存在噪声以及梯度不规则图像极易过度分割的问题。但在骨髓细胞的核质分割任务中,仍存在分割区域多,细胞核区域难以确定的问题,难以得到精准的细胞核区域。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种骨髓细胞形态学特征的提取方法,突破传统基于标记的分水岭算法在进行单一骨髓细胞图像进行核质分割时,细胞核区域判定困难的问题,根据骨髓细胞形态学检验知识预先得到不同类型骨髓细胞的细胞核容积占比信息,提高细胞核区域判定的准确性,从而提取更精准的形态学特征。
本发明的第二目的在于提供一种骨髓细胞形态学特征的提取系统。
本发明的第一目的通过下述技术方案实现:一种骨髓细胞形态学特征的提取方法,包括以下步骤:
1)获取经化学试剂染色后得到的骨髓细胞图像,并进行图像预处理;
2)利用UNet++模型对骨髓细胞图像进行分割,得到若干个单一骨髓细胞图像;
3)结合医学诊断知识对基于标记的分水岭算法进行改进,根据细胞核数值描述对单一骨髓细胞图像进行细胞核分割,获取精准的细胞核区域;
4)提取单一骨髓细胞图像的形态学特征,并进行特征选择,筛选得到重要性高的形态学特征。
进一步,在步骤1)中,所述化学试剂为骨髓细胞瑞氏染色过程中所需的瑞氏染料;所述骨髓细胞图像为在骨髓涂片镜检后,显微镜摄像头拍摄而得的显微图像;所述图像预处理包括:①灰度化处理,将色彩图像转化为灰度图像;②滤波处理,通过滤波函数去除噪声;③边缘检测,通过边缘检测算子得到骨髓细胞图像中的边缘信息。
进一步,在步骤2)中,所述UNet++模型是一种图像分割算法,其在原始UNet模型基础上,提出自适应不同规模数据集的UNet体系结构。
进一步,所述步骤3)包括如下步骤:
3.1)根据骨髓细胞形态学检验知识,获取骨髓细胞各系别、各生长阶段的不同类型细胞的细胞核在细胞中的容积占比信息,并转化为可量化计算的数值描述;数值描述是容积占比参数的集合,包含骨髓细胞类型和其容积占比参数的一一对应关系,表示为Areas={type_i:areaInfo_i,i=1,…,n},其中,Areas表示数值描述,type_i表示某一种类型的骨髓细胞,areaInfo_i表示type_i对应的容积占比参数的数值描述,n表示骨髓细胞类型的范围阈值;
3.2)根据步骤3.1)所得的数值描述改进基于标记的分水岭算法,对单一骨髓细胞图像进行细胞核区域判定;基于标记的分水岭算法在对单一骨髓细胞图像进行核质分割时,存在分割区域多的问题,且由于不同类型细胞形态差异大,细胞核区域的容积不尽相同,单一的容积占比参数无法适用于所有类型的骨髓细胞,使得细胞核区域的判定问题较困难;因此,在对不同类型的单一骨髓细胞图像进行核质分割时,使用对应的容积占比参数判定细胞核所在区域,从而提高细胞核区域判定的准确性;
3.3)输出单一骨髓细胞图像的细胞核像素总数和细胞像素总数。
进一步,在步骤4)中,所述形态学特征包括形状特征、纹理特征和颜色特征,所述特征选择为对所提取的形态学特征进行特征筛选操作。
本发明的第二目的通过下述技术方案实现:一种骨髓细胞形态学特征的提取系统,包括:
骨髓细胞图像获取和预处理模块,用于获取经化学试剂染色后得到的骨髓细胞图像,并进行图像预处理;
骨髓细胞图像分割模块,利用UNet++模型对骨髓细胞图像进行分割,得到若干个单一骨髓细胞图像;
单一骨髓细胞图像细胞核分割模块,结合医学诊断知识对基于标记的分水岭算法进行改进,根据细胞核数值描述对单一骨髓细胞图像进行细胞核分割,获取更精准的细胞核区域;
形态学特征提取和筛选模块,提取单一骨髓细胞图像的形态学特征,并进行特征选择,筛选得到重要性高的形态学特征。
进一步,在骨髓细胞图像获取和预处理模块中,所述化学试剂为骨髓细胞瑞氏染色过程中所需的瑞氏染料;所述骨髓细胞图像为在骨髓涂片镜检后,显微镜摄像头拍摄而得的显微图像;所述图像预处理包括:①灰度化处理,将色彩图像转化为灰度图像;②滤波处理,通过滤波函数去除噪声;③边缘检测,通过边缘检测算子得到骨髓细胞图像中的边缘信息。
进一步,在骨髓细胞图像分割模块中,所述UNet++模型是一种图像分割算法,其在原始UNet模型基础上,提出自适应不同规模数据集的UNet体系结构。
进一步,所述单一骨髓细胞图像细胞核分割模块执行以下操作:
根据骨髓细胞形态学检验知识,获取骨髓细胞各系别、各生长阶段的不同类型细胞的细胞核在细胞中的容积占比信息,并转化为可量化计算的数值描述;数值描述是容积占比参数的集合,包含骨髓细胞类型和其容积占比参数的一一对应关系,表示为Areas={type_i:areaInfo_i,i=1,…,n},其中,Areas表示数值描述,type_i表示某一种类型的骨髓细胞,areaInfo_i表示type_i对应的容积占比参数的数值描述,n表示骨髓细胞类型的范围阈值;
根据所得的数值描述改进基于标记的分水岭算法,对单一骨髓细胞图像进行细胞核区域判定;基于标记的分水岭算法在对单一骨髓细胞图像进行核质分割时,存在分割区域多的问题,且由于不同类型细胞形态差异大,细胞核区域的容积不尽相同,单一的容积占比参数无法适用于所有类型的骨髓细胞,使得细胞核区域的判定问题较困难;因此,在对不同类型的单一骨髓细胞图像进行核质分割时,使用对应的容积占比参数判定细胞核所在区域,从而提高细胞核区域判定的准确性;
输出单一骨髓细胞图像的细胞核像素总数和细胞像素总数。
进一步,在形态学特征提取和筛选模块中,所述形态学特征包括形状特征、纹理特征和颜色特征,所述特征选择为对所提取的形态学特征进行特征筛选操作。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明中结合骨髓细胞形态学检验知识,将骨髓细胞各系别、各生长阶段的不同类型细胞的细胞核在细胞中的容积占比信息并转化为可量化计算的数值描述,作为确定细胞核区域的先验知识。
2、本发明对基于标记的分水岭算法进行改进,考虑不同类型的骨髓细胞的细胞核区域差异,从而得到更精准的细胞核区域。
附图说明
图1为本发明方法逻辑流程示意图。
图2为本发明系统的架构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
如图1所示,本实施例公开了一种骨髓细胞形态学特征的提取方法,其包括以下步骤:
1)获取经化学试剂染色后得到的骨髓细胞图像,并进行图像预处理。其中,所述化学试剂为骨髓细胞瑞氏染色过程中所需的瑞氏染料;所述骨髓细胞图像为在骨髓涂片镜检后,显微镜摄像头拍摄而得的显微图像;所述图像预处理包括:①灰度化处理,将色彩图像转化为灰度图像;②滤波处理,通过滤波函数去除噪声;③边缘检测,通过边缘检测算子得到骨髓细胞图像中的边缘信息。本实施例中共获取得到1000张染色后的骨髓细胞图像,均为RGB图像格式。首先对1000张图像进行灰度化处理,得到1000张灰度图像;接着使用高斯滤波器对1000张灰度图像进行处理,高斯内核大小设置为7*7。最后利用Canny算子进行边缘检测,边缘检测的最大最小阈值分别为200和60。
2)利用UNet++模型对骨髓细胞图像进行分割,得到若干个单一骨髓细胞图像。其中,所述UNet++模型是一种图像分割算法,其在原始UNet模型基础上,提出自适应不同规模数据集的UNet体系结构。因其结构简单,对小样本数据集友好,更适用于医学图像领域的图像分割任务。本实施例中采用基于PyTorch框架的UNet++模型,将1000张预处理后的图像按照8:2的比例划分为训练集和测试集,通过将训练集输入到模型中,得到训练后的UNet++模型,接着用训练好的模型对测试集进行预测,得到若干个单一骨髓细胞图像。
3)结合医学诊断知识对基于标记的分水岭算法进行改进,根据细胞核数值描述对单一骨髓细胞图像进行细胞核分割,获取精准的细胞核区域,包括如下步骤:
3.1)根据骨髓细胞形态学检验知识,获取骨髓细胞各系别、各生长阶段的不同类型细胞的细胞核在细胞中的容积占比信息,并转化为可量化计算的数值描述。数值描述是容积占比参数的集合,包含骨髓细胞类型和其容积占比参数的一一对应关系,可表示为Areas={type_i:areaInfo_i,i=1,…,n},其中,Areas表示数值描述,type_i表示某一种类型的骨髓细胞,areaInfo_i表示type_i对应的容积占比参数的数值描述,n表示骨髓细胞类型的范围阈值。本实施例中骨髓细胞的形态学检验知识如表1所示:
表1:骨髓细胞形态学知识
序号 | 骨髓细胞类型名称 | 系别 | 细胞核大小描述 |
1 | 早幼红细胞 | 红系 | 胞核大小一般大于细胞大小的3/4 |
2 | 中幼红细胞 | 红系 | 胞核大小一般大于细胞大小的一半 |
3 | 晚幼红细胞 | 红系 | 胞核大小一般小于细胞大小的一半 |
4 | 原始粒细胞 | 粒系 | 胞质量较少 |
5 | 中性中幼粒细胞 | 粒系 | 胞核大小一般大于细胞大小的一半 |
6 | 淋巴细胞 | 淋巴系 | 胞核大小一般大于细胞大小的一半 |
7 | 单核细胞 | 单核系 | 胞核大小一般大于细胞大小的一半 |
8 | 浆细胞 | 浆系 | 胞核大小约等于细胞大小的一半 |
将表1转化为数值描述,即数值描述={早幼红细胞:0.75<x<1;中幼红细胞:0.5<x<1;晚幼红细胞:0<x<0.5;原始粒细胞:0.8<x<1;中性中幼粒细胞0.5<x<1;淋巴细胞:0.5<x<1;单核细胞:0.5<x<1;浆细胞:0.4<x<0.6}。其中,x表示容积占比参数。
3.2)根据步骤3.1)所得的数值描述改进基于标记的分水岭算法,对单一骨髓细胞图像进行细胞核区域判定。基于标记的分水岭算法在对单一骨髓细胞图像进行核质分割时,存在分割区域多的问题,且由于不同类型细胞形态差异大,细胞核区域的容积不尽相同,单一的容积占比参数无法适用于所有类型的骨髓细胞,使得细胞核区域的判定问题较困难。因此在对不同类型的单一骨髓细胞图像进行核质分割时,使用对应的容积占比参数判定细胞核所在区域,从而提高细胞核区域判定的准确性。
3.3)输出单一骨髓细胞图像的细胞核像素总数和细胞像素总数。
4)提取单一骨髓细胞图像的形态学特征,并进行特征选择,筛选得到重要性高的形态学特征。其中,所述形态学特征包括形状特征,纹理特征和颜色特征。所述特征选择为对所提取的形状特征进行特征筛选操作。本实施例中共提取形态学特征143个,其中形状特征包括细胞容积(细胞像素总数),细胞核容积(细胞核像素总数),细胞核与细胞质的容积比,细胞核与细胞的容积比,细胞核最小外接矩形容积,细胞核圆度,细胞核矩形度等共14个;纹理特征共102个,颜色特征共27个。将提取得到的形态学特征使用主成分分析进行特征选择,挑选累计贡献率>0.99的主成分,共计16个,作为最终的特征。
实施例2
本实施例公开了一种骨髓细胞形态学特征的提取系统,如图2所示,其包括以下功能模块:
骨髓细胞图像获取和预处理模块,用于获取经化学试剂染色后得到的骨髓细胞图像,并进行图像预处理;
骨髓细胞图像分割模块,利用UNet++模型对骨髓细胞图像进行分割,得到若干个单一骨髓细胞图像;
单一骨髓细胞图像细胞核分割模块,结合医学诊断知识对基于标记的分水岭算法进行改进,根据细胞核数值描述对单一骨髓细胞图像进行细胞核分割,获取更精准的细胞核区域;
形态学特征提取和筛选模块,提取单一骨髓细胞图像的形态学特征,并进行特征选择,筛选得到重要性较高的形态学特征。
进一步,在骨髓细胞图像获取和预处理模块中,所述化学试剂为骨髓细胞瑞氏染色过程中所需的瑞氏染料;所述骨髓细胞图像为在骨髓涂片镜检后,显微镜摄像头拍摄而得的显微图像;所述图像预处理包括:①灰度化处理,将色彩图像转化为灰度图像;②滤波处理,通过滤波函数去除噪声;③边缘检测,通过边缘检测算子得到骨髓细胞图像中的边缘信息。
进一步,在骨髓细胞图像分割模块中,所述UNet++模型是一种图像分割算法,其在原始UNet模型基础上,提出自适应不同规模数据集的UNet体系结构,因其结构简单,对小样本数据集友好,更适用于医学图像领域的图像分割任务。
进一步,所述单一骨髓细胞图像细胞核分割模块执行以下操作:
根据骨髓细胞形态学检验知识,获取骨髓细胞各系别、各生长阶段的不同类型细胞的细胞核在细胞中的容积占比信息,并转化为可量化计算的数值描述;数值描述是容积占比参数的集合,包含骨髓细胞类型和其容积占比参数的一一对应关系,表示为Areas={type_i:areaInfo_i,i=1,…,n},其中,Areas表示数值描述,type_i表示某一种类型的骨髓细胞,areaInfo_i表示type_i对应的容积占比参数的数值描述,n表示骨髓细胞类型的范围阈值;
根据所得的数值描述改进基于标记的分水岭算法,对单一骨髓细胞图像进行细胞核区域判定;基于标记的分水岭算法在对单一骨髓细胞图像进行核质分割时,存在分割区域多的问题,且由于不同类型细胞形态差异大,细胞核区域的容积不尽相同,单一的容积占比参数无法适用于所有类型的骨髓细胞,使得细胞核区域的判定问题较困难;因此,在对不同类型的单一骨髓细胞图像进行核质分割时,使用对应的容积占比参数判定细胞核所在区域,从而提高细胞核区域判定的准确性;
输出单一骨髓细胞图像的细胞核像素总数和细胞像素总数。
进一步,在形态学特征提取和筛选模块中,所述形态学特征包括形状特征、纹理特征和颜色特征,所述特征选择为对所提取的形态学特征进行特征筛选操作。
综上所述,在采用以上方案后,本发明为骨髓细胞的形态特征提取提供了新的方法与系统,结合骨髓细胞形态学检验知识,改进了基于标记的分水岭算法,得到更为精准的骨髓细胞形态学特征,有效提高骨髓细胞形态学检查效率,具有实际利用价值,值得推广。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种骨髓细胞形态学特征的提取方法,其特征在于,包括以下步骤:
1)获取经化学试剂染色后得到的骨髓细胞图像,并进行图像预处理;
2)利用UNet++模型对骨髓细胞图像进行分割,得到若干个单一骨髓细胞图像;
3)结合医学诊断知识对基于标记的分水岭算法进行改进,根据细胞核数值描述对单一骨髓细胞图像进行细胞核分割,获取精准的细胞核区域;
4)提取单一骨髓细胞图像的形态学特征,并进行特征选择,筛选得到重要性高的形态学特征。
2.根据权利要求1所述的一种骨髓细胞形态学特征的提取方法,其特征在于:在步骤1)中,所述化学试剂为骨髓细胞瑞氏染色过程中所需的瑞氏染料;所述骨髓细胞图像为在骨髓涂片镜检后,显微镜摄像头拍摄而得的显微图像;所述图像预处理包括:①灰度化处理,将色彩图像转化为灰度图像;②滤波处理,通过滤波函数去除噪声;③边缘检测,通过边缘检测算子得到骨髓细胞图像中的边缘信息。
3.根据权利要求1所述的一种骨髓细胞形态学特征的提取方法,其特征在于:在步骤2)中,所述UNet++模型是一种图像分割算法,其在原始UNet模型基础上,提出自适应不同规模数据集的UNet体系结构。
4.根据权利要求1所述的一种骨髓细胞形态学特征的提取方法,其特征在于:所述步骤3)包括如下步骤:
3.1)根据骨髓细胞形态学检验知识,获取骨髓细胞各系别、各生长阶段的不同类型细胞的细胞核在细胞中的容积占比信息,并转化为可量化计算的数值描述;数值描述是容积占比参数的集合,包含骨髓细胞类型和其容积占比参数的一一对应关系,表示为Areas={type_i:areaInfo_i,i=1,…,n},其中,Areas表示数值描述,type_i表示某一种类型的骨髓细胞,areaInfo_i表示type_i对应的容积占比参数的数值描述,n表示骨髓细胞类型的范围阈值;
3.2)根据步骤3.1)所得的数值描述改进基于标记的分水岭算法,对单一骨髓细胞图像进行细胞核区域判定;基于标记的分水岭算法在对单一骨髓细胞图像进行核质分割时,存在分割区域多的问题,且由于不同类型细胞形态差异大,细胞核区域的容积不尽相同,单一的容积占比参数无法适用于所有类型的骨髓细胞,使得细胞核区域的判定问题较困难;因此,在对不同类型的单一骨髓细胞图像进行核质分割时,使用对应的容积占比参数判定细胞核所在区域,从而提高细胞核区域判定的准确性;
3.3)输出单一骨髓细胞图像的细胞核像素总数和细胞像素总数。
5.根据权利要求1所述的一种骨髓细胞形态学特征的提取方法,其特征在于:在步骤4)中,所述形态学特征包括形状特征、纹理特征和颜色特征,所述特征选择为对所提取的形态学特征进行特征筛选操作。
6.一种骨髓细胞形态学特征的提取系统,其特征在于,包括:
骨髓细胞图像获取和预处理模块,用于获取经化学试剂染色后得到的骨髓细胞图像,并进行图像预处理;
骨髓细胞图像分割模块,利用UNet++模型对骨髓细胞图像进行分割,得到若干个单一骨髓细胞图像;
单一骨髓细胞图像细胞核分割模块,结合医学诊断知识对基于标记的分水岭算法进行改进,根据细胞核数值描述对单一骨髓细胞图像进行细胞核分割,获取更精准的细胞核区域;
形态学特征提取和筛选模块,提取单一骨髓细胞图像的形态学特征,并进行特征选择,筛选得到重要性高的形态学特征。
7.根据权利要求6所述的一种骨髓细胞形态学特征的提取系统,其特征在于:在骨髓细胞图像获取和预处理模块中,所述化学试剂为骨髓细胞瑞氏染色过程中所需的瑞氏染料;所述骨髓细胞图像为在骨髓涂片镜检后,显微镜摄像头拍摄而得的显微图像;所述图像预处理包括:①灰度化处理,将色彩图像转化为灰度图像;②滤波处理,通过滤波函数去除噪声;③边缘检测,通过边缘检测算子得到骨髓细胞图像中的边缘信息。
8.根据权利要求6所述的一种骨髓细胞形态学特征的提取系统,其特征在于:在骨髓细胞图像分割模块中,所述UNet++模型是一种图像分割算法,其在原始UNet模型基础上,提出自适应不同规模数据集的UNet体系结构。
9.根据权利要求6所述的一种骨髓细胞形态学特征的提取系统,其特征在于:所述单一骨髓细胞图像细胞核分割模块执行以下操作:
根据骨髓细胞形态学检验知识,获取骨髓细胞各系别、各生长阶段的不同类型细胞的细胞核在细胞中的容积占比信息,并转化为可量化计算的数值描述;数值描述是容积占比参数的集合,包含骨髓细胞类型和其容积占比参数的一一对应关系,表示为Areas={type_i:areaInfo_i,i=1,…,n},其中,Areas表示数值描述,type_i表示某一种类型的骨髓细胞,areaInfo_i表示type_i对应的容积占比参数的数值描述,n表示骨髓细胞类型的范围阈值;
根据所得的数值描述改进基于标记的分水岭算法,对单一骨髓细胞图像进行细胞核区域判定;基于标记的分水岭算法在对单一骨髓细胞图像进行核质分割时,存在分割区域多的问题,且由于不同类型细胞形态差异大,细胞核区域的容积不尽相同,单一的容积占比参数无法适用于所有类型的骨髓细胞,使得细胞核区域的判定问题较困难;因此,在对不同类型的单一骨髓细胞图像进行核质分割时,使用对应的容积占比参数判定细胞核所在区域,从而提高细胞核区域判定的准确性;
输出单一骨髓细胞图像的细胞核像素总数和细胞像素总数。
10.根据权利要求6所述的一种骨髓细胞形态学特征的提取系统,其特征在于:在形态学特征提取和筛选模块中,所述形态学特征包括形状特征、纹理特征和颜色特征,所述特征选择为对所提取的形态学特征进行特征筛选操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210187547.1A CN114627308A (zh) | 2022-02-28 | 2022-02-28 | 一种骨髓细胞形态学特征的提取方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210187547.1A CN114627308A (zh) | 2022-02-28 | 2022-02-28 | 一种骨髓细胞形态学特征的提取方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114627308A true CN114627308A (zh) | 2022-06-14 |
Family
ID=81900947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210187547.1A Pending CN114627308A (zh) | 2022-02-28 | 2022-02-28 | 一种骨髓细胞形态学特征的提取方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627308A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612117A (zh) * | 2023-07-19 | 2023-08-18 | 广州盛安医学检验有限公司 | 一种基于形态学的女性生殖道病原体识别系统 |
-
2022
- 2022-02-28 CN CN202210187547.1A patent/CN114627308A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612117A (zh) * | 2023-07-19 | 2023-08-18 | 广州盛安医学检验有限公司 | 一种基于形态学的女性生殖道病原体识别系统 |
CN116612117B (zh) * | 2023-07-19 | 2023-10-13 | 广州盛安医学检验有限公司 | 一种基于形态学的女性生殖道病原体识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
CN108564114B (zh) | 一种基于机器学习的人体粪便白细胞自动识别方法 | |
JP2014110797A (ja) | 色原体分離に基づく画像解析の方法 | |
CN112001315B (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
CN113393443B (zh) | 一种he病理图像细胞核分割方法及系统 | |
US20200193139A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
CN114627308A (zh) | 一种骨髓细胞形态学特征的提取方法与系统 | |
CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
CN111882521A (zh) | 一种细胞涂片的图像处理方法 | |
CN115565698B (zh) | 一种人工智能评估供肾质量的方法及系统 | |
CN111311628A (zh) | 一种全自动高性能白细胞分割方法 | |
US20220383629A1 (en) | Label-free cell classification and screening system based on hybrid transfer learning | |
CN112750118B (zh) | 一种基于自动视觉检测的单细胞孔板测序中鉴定细胞个数的新方法及系统 | |
CN113205498B (zh) | 一种细胞形态扫描区域选择方法 | |
CN113435493A (zh) | 一种基于深度迁移学习的无标记白细胞分类系统及方法 | |
CN113205533A (zh) | 一种革兰染色白带涂片彩色显微图像分割方法及系统 | |
CN115050024B (zh) | 一种可解释性的粒细胞智能实时识别方法及系统 | |
Elter et al. | Maximum-intensity-linking for segmentation of fluorescence-stained cells | |
CN112767349B (zh) | 一种网织红细胞识别方法和系统 | |
CN113723505B (zh) | 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器 | |
CN116152806B (zh) | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
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 |