CN1153564A - 基于密度纹理的分类系统和方法 - Google Patents
基于密度纹理的分类系统和方法 Download PDFInfo
- Publication number
- CN1153564A CN1153564A CN 95193865 CN95193865A CN1153564A CN 1153564 A CN1153564 A CN 1153564A CN 95193865 CN95193865 CN 95193865 CN 95193865 A CN95193865 A CN 95193865A CN 1153564 A CN1153564 A CN 1153564A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- slope
- density image
- 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
一种用于将标本内物体分类为准恶性或恶性细胞的方法,其特征在于包含以下步骤:形成标本密度图像;计算和存储上述密度图像内一个像素在几种距离上的最大和最小灰度值;寻找该像素可能距离上最大和最小灰度值之间的差值;将上述差值的对数斜率确定为距离对数的函数;存储最终图像内像素位置上的斜率;以及根据上述斜率值将密度图像内的物体识别为恶性或准恶性细胞。
Description
发明领域
本发明一般涉及有效地计算表面分形维度的系统(fractal dimension)和方法,特别是涉及使用数字信号处理器有效地确定密度图像分形维数的系统和方法,更进一步的是涉及根据细胞核的密度纹理进行细胞分类的系统和方法。
背景技术
在医药工业界内,经常需要有经验的实验技术人员检查生物标本中某些细胞的类型。例如需要检查Pap(柔软组织)涂抹灯片上是否有恶性或者准恶性细胞。Pap涂抹通常包含多达100,000-200,000以上的细胞和其他物体,技术人员必须检查每一个细胞,以确定可能存在的极其少量的恶性或者准恶性细胞。因此,由于技术人员的 厌烦和疲劳,往往造成Pap涂抹测试以及其它同样使人精疲力尽的目视检查技术有较高的出错率。
仅在美国,每年都有数在以千计的妇女死于宫颈癌;这种癌如果是在未扩散的早期发现的话,从理论上讲生存的机率就大。但是如果发现得较晚,则生存的机会就会减少。如果错过了在Pap涂抹中发现恶性细胞的机会,那么当这位妇女下次作Pap涂抹时癌症可能已经处于生存机会更小的扩散阶段。因此从数以10万计的细胞中检查出仅仅几个恶性或准恶性细胞的重要性怎么说都不过份。遗憾的是现有的人工筛选方法都不大精确。实际上,有些实验室最近发现,将包含恶性或准恶性细胞的标本分类为良性的比例高达30%。而且许多试图自动对细胞进行检查或分类的现有技术都没有取得成功。
在美国专利Nos.5,287,272、5,257,182和4,965,725以及美国专利申请Nos.07/425,665、07/502,611、07/944,819、08/196,714和08/196,982中揭示了一种成功地改进了细胞分类精度的系统,它们作为参考全部包含在这里。坐落在纽约Suffern的神经医药系统股份公司生产了一种商标为PAPNETM的商用自动Pap涂抹筛选仪,它采用与基于次级分类器的神经元计算机相连的初级分类器。
发明内容
本发明提供一种通过采用表面纹理分析来改进标本分类的系统和方法。该系统采用定点算术逻辑、硬件排序器和若干查寻表,它通过Hurst算法来充分估计图像区域的分形维数。
按照本发明的一个方面,用于将标本内物体分类为恶性或准恶性细胞的方法包含以下步骤:形成标本的密度图像;计算和存储密度图像内一个像素在几种距离上的最大和最小灰度值;寻找该像素可能距离上最大和最小灰度值之间的差值;将差值的对数斜率确定为距离对数的函数;存储最终图像内像素位置上的斜率;以及根据斜率值将密度图像内的物体识别为恶性或准恶性细胞。
按照本发明的另一个方面,根据表面纹理对物体进行分类的方法包括以下步骤:形成物体表面密度图像;利用硬件排序器寻找密度图像内每个像素在几种距离上的最大和最小灰度值;从每个像素可能距离上的最大灰度值中减去最小灰度值;在每个像素的查寻表中查寻差值对数斜率作为距离对数的函数;以及根据斜率值将密度图像内的物体识别为具有某种特性的物体。
按照本发明进一步的方面,用于根据表面纹理对物体进行分类的系统包括:获取物体表面密度图像的摄像机;寻找密度图像内每个像素在几种距离上的最大和最小灰度值的排序器;从每个像素可能距离上的最大灰度值中减去最小灰度值的算术逻辑单元;以及包含作为距离对数的函数的差值对数斜率的查寻表。
通过以下的描述将会进一步理解本发明的诸多目标、优点、特征和方面。
以下虽然对本发明作了详尽的描述,但是本发明的范围仍由后面所附权利要求限定。
附图的简要说明
图1为按照本发明的分类系统各部件及其结构的示意图;
图2为筛选系统完成扫描步骤的示意图;
图3为图1分类系统特别是处理系统的示意图;
图4a-4c为表示本发明初级分类功能的流程图。
实施发明的较佳方式
附图中相同的部分用源于图1的同一标号表示,它示出按本发明的自动细胞分类装置10。简单而言,装置10包括自动光学显微镜12,它包含使载波片16相对显微镜观察部分18的区域移动的机动平台14;从光学显微镜中获取电子图像的摄像机20;按照预先确定的细胞类型对图像内物体进行分类的处理系统22;以及存储器24和高分辨率彩色监视器26,分别用于存储和显示被处理系统识别为预先确定的细胞类型的物体。
在较佳实施例中,分类装置10完全或者几乎完全是自动的。这样的显微镜12比较好的是除了机动平台14以外,还包含用于自动聚焦、切换高低功率物镜和调整载波片上的光入射的自动装置以及一般是响应处理系统命令来控制机动平台移动的电路。显微镜还可以包含使放置了有待分类的标本的载波片移出或移至机动平台的自动载波片运输系统、在载波片相关区域上作标记的细胞点入器以及读取载波片编码信息的条形码阅读机。加里福尼亚的McBain仪器公司生产一种自动显微镜,它至少完成部分功能。
按照本发明,自动显微镜12比较好的是对放置有标本的载波片进行如图2所示的至少三次扫描。第一次对载波片的扫描在较低的分辨率下进行,例如每个像素8微米,这称为低分辨率扫描(30)。第二次对载波片的扫描在较高的分辨率下进行,例如每个像素1/2微米,这称为高分辨率扫描(35)。第三次扫描称为高分辨率再扫描并且比较好的分辨率是每个像素1/2微米(40)。
在载波片第一次扫描(30)期间,找出适合载波片特定区域的聚焦平面并确定那个载波片区域是否包含标本部分。一旦完成对整个载波片的低分辨率扫描(30),并且记录下聚焦平面和包含标本的载波片面积,则进行高分辨率扫描(35)。
高分辨率扫描(35)只对低分辨率(30)找到的包含标本部分的载波片区域进行。因此只是在载波片的相关区域进行相对较长的高分辨率扫描(35),并大大节省了处理时间。在高分辨率扫描(35)期间,自动显微镜12对载波片的相关区域进行扫描,而摄像机20拍摄下这些区域的电子图像并将图像传送到处理系统22。处理系统对图像进行初级分类,识别出标本内具有典型细胞分类属性(例如恶性细胞)的生物体以供筛选。对于恶性细胞的识别,初级分类一般根据细胞核的大小、整体灰度密度和细胞核表面灰度密度纹理或变异对标本中的细胞分组。利用尺度更小而分辨率较低(例如每个像素2微米)的围绕物体中心的子图像,处理系统22完成了次级分类,对每个物体指定一个表示其是否为某种类型细胞物体的几率的数值或排序度。与此同时物体还根据次级分类指定的数值进行排序。
在完成高分辨率扫描(35)的基础上,对排序度最高的64个物体进行高分辨率再扫描(40)。在再扫描(40)期间,自动显微镜12就移动排序度最高的64个物体中的每一个,而摄像机20将获取物体的高分辨率彩色图像。这些称为彩片的64幅高分辨率图像随后存储在存储器24内,存储器可以是可移动介质存储设备,例如光盘或磁带等,也可以是固定存储设备,例如硬盘。另外,64幅彩片可以经网络或者通过可移动存储介质传送到另一台计算机内。
64幅彩片组成概况屏幕,比较好的是用8×8矩阵的高分辨率彩片表示每个彩片中心处有疑问的细胞。但是,也可以采用其它数目的彩片来组成概况屏幕,例如4×4矩阵。这些概况屏幕在高分辨率彩色监视器26显示,以供细胞学家进行第三次分析和分类。这种分析可以在第二次对最高的64个物体分类和排序后的任意时刻进行。而且,通过利用可移动介质存储设备或者网络连接,图像和概况屏幕的彩片可以从显微镜18、摄像机20和处理系统20传送到远地工作站以供显示和分析。在这种情况下,可以采用图像处理器来驱动高分辨率彩色监视器26并向细胞学家提供合适的界面。
细胞学家可以很容易地扫描概况屏幕以搜寻具有一定细胞类型属性的物体。如果系统被用于筛选Pap涂抹中的宫颈癌,则细胞学家将搜索具有恶性或准恶性宫颈细胞,例如较大和较暗的细胞核。
现在将描述用于筛选Pap涂抹中宫颈癌细胞的本发明的筛选系统和方法。但是对于本领域内的普通技术人员来说,下面的描述只是示意性的,本发明也可以用于筛选使用如抽吸或制酸等方法采集的细胞标本中。其它生物体的筛选。这种系统也可以应用于组织学标本和处理免疫组织的的疵点及痕迹(stain & mark)的分类。而且将会认识到,当实例筛选恶性或准恶性细胞时,也可以用于其它的细胞分类或类型。
现在借助图3详细讨论本发明,图中示出了筛选装置10,其重点放在处理系统22中实施的分类单元。处理系统22比较好的是包含图像处理器、数字化仪42、神经元计算机44和带有打印、存储等外设的通用处理器46。
虽然也可以采用其它适合执行上述功能的计算机设备,但是通用处理器46比较好的是采用Intel80486微处理器或者基于微型计算机的微处理器。通用处理器46控制装置10各单元之间的功能和数据流,可以执行附加的初级特征抽取算法和处理图像和分类信息的存储。通用处理器46另外控制诸如打印机48、存储设备24(例如光盘或硬盘、磁带)以及其它设备(例如条码阅读机50、载波片点标器52、自动聚焦电路、机器人载波片处理器和平台14)之类的外设。
图像处理器和数值化仪42完成下述的初级细胞分类功能。图像处理器和数字化仪42可以是低层次形貌(morphological)特征提取图像分类器,例如ASPEX股份公司的PIPE图像处理器,它包含图像数字化功能和ISMAP(离子-符号映射)板。在美国专利No.4,601,055中完整地描述了一种PIPE图像处理器,它作为参考包含在这里。图像处理器42比较好的是至少包含一个排序器或排序度滤波器、多个两数值的查寻表、算术逻辑单元和足以满足下述存储要求的图像存储器。图像处理和数字化功能也可以分在两个或两个以上的单元中。下面,图像处理器和数字化仪将统称为图像处理器42。
次级细胞分类器由至少一个神经元计算机44完成。神经元计算机44为神经网络计算机实施例,它经过训练以根据图像的输入或者结合其它相关信息(例如由细胞核表面分形分析(fractal)提供的细胞核纹理定量测量)识别有疑问的细胞。在本实施例中,采用带有商用神经计算机加速板的流水线串行处理技术来仿真两层或三层反向传播神经网络的并行结构。在Hecht-Nielsen,Robert的“Neurocomputing:Picking the Human Brain”(IEEE pectrnm,March,1988,pp.36-41)中对神经计算机的运行进行了讨论。神经网络比较好的是在AnzaPlus处理器上实现,它是商用Hecht-Nielsen神经计算机。对于本领域内普通技术人员,他很容易通过相应的使用手册构造这种神经计算机来完成次级分类功能。另外,采用对已知病态细胞形状进行识别的模板匹配算法可以完成次级细胞分类功能。例如在并行分布处理网络中可以充分地实现模板匹配或者其它组处理算法。另一种次级分类器实施例是设计成进行基于分类的分组的全息图像处理器。
图像处理器42、神经计算机44和通用计算机46可以各自访问只读和/或随机存储器,以存储和执行完成上述与处理单元有关的功能所需的软件。而且,每个部件42、44、46包含用于控制数据总线54上通信或数据传输以及其它类似处理器功能的电路、芯片等。
现在再讨论装置10的操作,载波片16包含标本生物体的区域被划分为多个面积相等的区域。每个区域占据显微镜单独观察的载波片区域。一旦经图像处理器42数字化后,每个区域将由例如512×484的矩阵或者像素列阵表示。每个像素随后表示图像各分立区域的亮度或者灰度。每个像素的灰度密度进一步由8比特数值表示。因此,每个像素将表示灰度从0-225的区域图像。在操作中,筛选装置将在每个区域上完成低分辨率扫描(30),以确定区域是否包含生物体,并在存在生物体的每个区域上进行高分辨率扫描(35),以检测可能包含恶性或准恶性细胞。如果在高分辨率扫描(35)期间处理系统发现区域内的生物体可能是恶性或者准恶性细胞,则可以在区域上进行第三次扫描(40),即高分辨率再扫描。
在低分辨率扫描(30)期间,显微镜12的物镜设定合适的放大率并开始扫描载波片16单独的区域。对于每个区域,显微镜12将自动确定载波片16区域合适的焦平面。由于覆盖标本的盖片总是可能有起伏或者呈一定角度(例如盖片下面有气泡),所以焦平面也随之变化。一旦确定观察区域的焦距,摄像机20将捕捉区域的图像并通过适应的数字化仪将图像送至图像处理器42。图像处理器42随后确定可能有相应生物体的每个感兴趣面积的区域。如果区域包含生物物质,则该区域及相应的聚焦平面被识别并存储在存储器内,以供高分辨率扫描(35)期间作进一步的分析。这种低分辨率扫描(30)对载波片16上所有的区域进行。
一旦完成低分辨率扫描(30)并且在存储器内识别包含可能的生物物体的所有区域,即开始高分辨率扫描(35)。一开始,确定出使显微镜12可以观察可能包含生物体的所有区域的扫描路径,比较好的是使载波片16的移动最少。对于高分辨率扫描(35),对应每个像素1/2微米分辨率的物镜插入显微镜的观察路径,并且沿扫描路径开始对第一区域进行扫描。显微镜12经过机动平台将载波片16移入第一区域的位置,该区域在低分辨率扫描期间被识别为可能有生物物质。显微镜12根据低分辨率扫描(30)期间确定的聚焦平面,在高分辨率放大下对该区域聚焦。该区域经过数字化以生成灰度密度图像而图像处理器42随后完成密度图像中物体的初级分类。该初级分类寻找每张大小和灰度密度特性正确的密度图像内物体的质心。初级分类还在每张密度图像中分别寻找具有表面密度纹理的细胞核的物质,这些密度纹理代表了一定的细胞特征。
当密度图像内的物体被识别为具有恶性细胞或准恶性细胞大小和灰度密度或表面密度纹理的特征时,包围物体的N×N像素列阵,例如24×24或者48×48,也称净图像,被传送至次级分类器以供进一步分类。所需物体的净图像通过对标本的进一步扫描或者从高分辨率扫描期间的高分辨率图像获得。
在概况屏幕26上显示了64个排序度最高的物体。如上所述,概况屏幕可以是64个分立图像的8×8矩阵(称为彩片),4×4排列的16个彩片,或者某种其它排列。彩片在再扫描(40)期间获取。每块彩片代表包围有疑问细胞形心的大约128×104平方微米的面积,分辨率为每个像素1微米。每个彩片产生有疑问细胞周围细胞和生物物质的高分辨率图像有疑问的细胞位于图快。通过查看概况屏幕26,细胞学家可以较容易地将有疑问的细胞的高分辨率彩色图像进行分类。将会看到的是,上面虽然描述了图像的分辨率和大小,但是它们是示意性的。将会看到的是,可以采用不同的分辨率、图像参数、放大倍数来实现上述实施例的结果,而所有不同的分辨率、图像参数等都属于本发明的范围之内。
现在讨论初级分类的程序,图4a-4c示出了由图像处理器42完成的初级分类的流程图。括号内的数字与流程图中的步骤数对应。同样,括号内的字母表示流程图内各步骤的数据流。一旦标本区域已经被聚焦并且由摄像机20拍摄下,图像处理器42将数字化该区域并从摄像机(100)获取8比特灰度的红色和绿色图像。红色和绿色8比特灰度图像随后结合起来产生单色密度图像(105),存储在图像处理器42的存储器段(称为帧缓冲器)内。在处理Pap涂抹中所用的Papanicolaou染色剂对涂抹中的生物细胞核染上紫红色。由于红色和绿色以相近比例混合起来产生偏黄的绿色,这在颜色空间三角形内与紫红色恰好相对,所以不带兰色的红绿混合产生的图像其紫红斑点的细胞核显得很暗,而其它颜色的区域则较亮。也可以采用其它的染色、颜色和比例。
简单地说,初级分类器完成两段程序以根据各种特征将可疑的物体从密度图像中区分出来。第一段程序(110)寻找具有准恶性或恶性细胞尺寸和灰度密度的物体。第二段程序(115)寻找灰度密度纹理“粗糙”的细胞核物体(表示准恶性或恶性细胞)。
在美国专利No5,257,182中更为详细地描述了第一段程序(110)该(专利包括在这里),它完成形貌(mopholgical)算法,将准恶性或恶性细胞或者更小的物体过滤出来(120)。最终的图像(只包含不可能是癌细胞核的物体)随后从原始图像(包含所有物体)中减去(125)。因此,剩下的是尺寸正好或者较小的物体。随后从只包含过小物体的原始图像制作分立的图像(130)。当后者的图像(只包含过小物体)从包含可能的癌细胞或更小物体的图像中减去时,就得到了只包含可能是癌细胞的图像(135)。图像中物体的形心随后被确定下来并将位于形心附近的图像送至次级分类器中进行进一步的分类(140)。
第二段程序(115)通过估计包围灰度图像内每个像素的区域的分形维数度量核的表面纹理。采用Hurst算法完成分形维数分析。Hurst算法的实现方式依赖于定点算法、硬件排序器和查寻表(避免普通耗时的浮点运算)。在John C.Russ的《图像处理手册》第三章对Hurst算法作了描述。典型的良性细胞核的表面的分形维数低于恶性或准恶性细胞核表面的分形维数。由于Hurst系数与分形维数有直接的关系,所以图像各部分的Hurst系数可以用来对图像进一步分段以寻找可能的恶性细胞。而且,已经发现的是,各种异常的分形维数总是落在某一范围内,从而可以在图像识别特定的dysplasias(发育异常),例如adenocarcinomas(腺癌)。此外,分形维数信息可以用来将载波片上的污物和残渣等不需要的物质排除。
虽然可以用更大的Hurst算法,但是这里采用5×5的Hurst算法。5×5的算符采用以下的八边形像素掩膜:
√5 2 √5
√5 √2 1 √2 √5
2 1 0 1 2
√5 √2 1 √2 √5
√5 2 √5
这里掩膜中每个位置上的数值表示从中心像素(掩膜中用0表示)到图像中该位置上像素的欧几里德距离。
密度图像(105)送至已知的硬件排序器,在那里确定到中心像素距离为1的像素组中最大灰度密度并将最大值存储为M(1)(145)。排序器计算掩膜窗口内输入像素的排序度并输出每个中心像素的最大值,该窗口沿整个密度图像移动。最大值随后被放入最大值图像中,该图像存储所找到的到密度图像每个中心像素的特定距离上的最大值。掩膜确定窗口中的哪些像素需要为确定最大值而进行比较和排序。对于到中心像素的距离为1的像素的情况,中心像素周围窗口内的所有像素中除离中心象素距离为1的象素以外都需进行掩膜处理,如八边形图所示。合适的排序器具有对8×8灰度密度图像进行排序功能。排序器的一个实例是LSI逻辑股份公司生产的L64220 Rank-Value Filter。它还可以包含密度图像边界外面的2个像素。
一旦找到密度中所有像素的位于距离1的最大值M(1),则将密度图像再次送至采用同一掩膜窗口的排序器,但是排序器被指令提供到中心像素距离为1的像素的最小值m(1)(150)。密度图像中找到的每个中心像素的最小值m(1)随后存储在最小值图像中并且距离为1的最大值M(1)和最小值m(1)被送至算术逻辑单元ALU,在那里计算最大值和最小值图像中相应像素的最大值和最小值灰度密度的差值,即Y1=M(1)-m(1),并且在”delta”图像中存储每个像素的结果。在步骤145和150中对于到中心像素的距离为2、
和
的密度图像重复的程序以产生这些距离上Y2、Y3和Y4的delta图像(分别为155和160、165和170、175和180)。在各种情况下,排序器采用不同的掩膜窗口来屏蔽不在到中心像素所需距离上的所有像素。
一旦确定了所有4个delta图像,包括密度图像的灰度密度差值Y1、Y2、Y3和Y4,就必须对密度图像中每个像素确定作为到相应中心像素的对数距离Xi的函数的logYi曲线的斜率。
密度图像中每个像素曲线的斜率为该像素的Hurst系数H。通过最小二乘拟合可以确定logXilogYi曲线的斜率:
这里n=比较的周围像素灰度值的距离组的数目4;
Yi=到中心像素距离相等的像素组的灰度差值的对数。
该方程可以分为几部分从而可以通过简单的减法来确定斜率,H:
H=A-B
这里 以及
由于到中心像素的距离Xi是已知的,所以可以求出A和B中与密度差值Yi关系的部:
此Hurst系数H可以改写为:
H=13.33∑XiYi-2.670∑Yi
由于距离Xi之和是已知的,所以方程7可以扩展为:
H=13.33(0.505logY2+0.3010logY4)-2.670(logY1+logY2+logY3+logY4)通过乘上常数并对变量再次组合,得到下列等式:
H=(1.987logY4+1.342logY3)-(2.670logY1+0.664logY2)
为了在确定A和B的数值后作简单的非浮点灰度减法,方程9中的系数被乘以比例因子从而使得A和B每个都是0-255之间的数值。通过将方程9的系数乘上31.82导出方程10:
H=(63.22logY4+42.70logY3)-(84.94logY1+21.12logY2)
结果
A=63.22logY4+42.70logY3
和
B=84.94logY1+21.12logY2
根据相应密度值的A和B可能值存储在A和B的两数值查询表内,因此不必进行浮点运算以求解方程10。
一旦确定了中心像素的密度差值Yi值,则可以采用两数值查询表寻找A和B的数值。Y3和Y4的数值被用来在两数值查寻表中寻找A值的对应值(185),而Y1和Y2的数值被用来寻找两数值查寻表中B值的对应值(190)。
由于Hurst系数已通过将A和B的方程乘上31.82的比例因子,以便使得A和B的数值落在0-255之间,所以需要将Hurst系数除以31.82并乘上100从而使其成为0-200之间方便处理的整数。通过在与从A和B表中获得数值对应的查寻表中寻找数值,在两数值查寻表中也做到这一点(195)。最终的Harst系数H随后以加比例因子Hurst系数图的形式存储在位于中心像素位置上。由于密度图像包含细胞质和其他物质以及细胞核,所以最好是滤去Hurst系数图像内与核无关的信息。通过Hurst系数图像与单个细胞核的图像(例如从上述与第一段程序有关的步骤B5获得能最终图像)进行逻辑“与”运算完成该滤波操作。在这样的程序中,Hurst系数图像比较好地是设定一定的阈值,使图像中Hurst系数在一定范围内的像素指定为二进制,而使该范围以外的像素指定为二进制0。通过将二进制Hurst图像与在细胞核内指定为二进制1,在细胞核外指定为0的二进制图像进行“与”运算,获得了只指示标本的细胞核内感兴趣处理区域的最终图像(200)。另外,去除对Hurst系数图像也可以进行其他的滤波操作以去除与细胞核处理无关的图像由纹理段程序识别为可疑的物体可以用来进一步对被第一段程序根据细胞大小与灰度强度识别为可能的恶性细胞的物体进行过滤。另外,被发现Hurst系数在可疑范围内的细胞核可以加到由第一段程序识别的物体。在任一情况下,可疑细胞的实际Hurst系数可以连同可疑细胞图像一起送至次级分类器作进一步分类。
通过上面的讨论和图像处理器的一般公知,(例如PIPE图像处理器或其他类似处理器),普通技术人员可以将次级分类功能减少至合适的软件代码,以在合理的时间在合适的图像处理器内执行。由此可见,代码可以加载,调用或编码入图像处理器42可以访问的存储器,并由图像处理器执行。
随后,围绕可疑细胞形心的N×N像素阵列或者由图像处理器42的初级分类功能识别的净图像被送至通用处理器46以供存储。如果细胞被处理分段程序识别为可疑细胞,净图像可以位于被发现Hurst系数在可疑范围内的细胞核区域的中心。随后可以对这些净图像表示的物价的次级进行分类。
通用处理器46单独向神经计算机44发送每张净图像和可疑的Hurst系数以便进行次级分类。另外,可以多个神经计算机。例如,被第一段程序发现可疑的物价可以送至一台神经计算机,而被约理分段程序发现的物价可次送至第二台不同训练的神经计算机。次级分类的任务是从通过初级分类器的其他物体中(如细胞团、白细胞或粘液团)区分出准恶性和恶性细胞。
根据成百上千个已知的良性和准恶性或恶性细胞训练组的训练,神经计算机44将对每张净图像指定一个称为净值的从0.-0.9的数值,根据物体是准恶性或恶等因素所确定。
应该认识到的是,虽然图像处理器和数字化仪42、通用处理器46和神经计算机44以串行方式工作,但是在实际应用中尽可能采用并行方式。因此,单元42、44、46可以同时处理不同的载波片段或段内不同的区域,明显减少了扫描一张载波片所需的处理时间。
如上所述,次级分类器被训练成将已知的良性图像与0.1的输出相关而使已知的病态图像与0.9的输出相关。这种输出例如能表示细胞的正常度或异常度。当在次级分类器上出现新的未知细胞,它通过训练进行扩展,并将一个净值附加在该图像上。次级分类器能够将未知图像归入良性类的程度越大,该净值就越接近0.1。相反,未知图像归入非良性类的程度越大,该净值就越接近0.9。
一旦由初级分类器分类为准恶性或恶性的物体被第二分类器分类,由次级分类器指定的净值从0.9到0.1排序。随后存储64个排序最高的物体。这就完成了高分辨率扫描(35)。
一旦标本内的64个排序度最高的物体识别为最有可能是恶性或准恶性细胞,则开始高分辨率再扫描(40)。在再扫描(40)期间,平台将相对显微镜12移动载波片,从而使得64个排序度最高的物体位于显微镜的视区内。图像随后按照先前确定的高分辨率聚焦参数聚焦,而摄像机以512×484的分辨率抓拍形心周围128×104的红、绿和兰成份图像。该高分辨率彩片随后存储在存储器24(例如光盘或磁带)内。对下一个细胞进行同样的这些操作直到64个排序度最高的细胞都被再扫描,并且其高分辨率彩片被存储在存储器24内。这样就完成了再扫描(40)。自动分类器10随后可以移走载波片,并用另一载波片代替以便继续分类。
一旦存储下来,64块彩片就在概况屏幕上按降序排列或其他的排列方式显示。任何时候都可以由细胞学家进行第三次分类。
本发明可以用于采用约理表面分析或分开分析的任何系统,包括依赖于表面等高分机的导航系统或其它系统,特别是应用于通用的生物学分类,更为特别的是细胞学样本分类(例如Pap涂抹)和组织学分类。
Claims (11)
1.一种用于将标本内物体分类为准恶性或恶性细胞的方法,其特征在于包含以下步骤:
形成标本密度图像;
计算和存储上述密度图像内一个像素在几种距离上的最大和最小灰度值;
寻找该像素可能距离上最大和最小灰度值之间的差值;
将上述差值的对数斜率确定为距离对数的函数;
存储最终图像内像素位置上的斜率;以及
根据上述斜率值将密度图像内的物体识别为恶性或准恶性细胞。
2.如权利要求1所述的方法,其特征在于所述计算最大值和最小值的步骤采用排序器完成。
3.如权利要求1所述的方法,其特征在于确定斜率的步骤包括采用最小二乘法拟合。
4.如权利要求1所述的方法,其特征在于确定斜率的步骤包括采用两张数值查寻表。
5.如权利要求1所述的方法,其特征在于包括根据所述斜率确定Hurst系数。
6.如权利要求1所述的方法,其特征在于包括采用神经网络对所述识别的物体进行分类。
7.如权利要求1所述的方法,其特征在于包括在上述结果图象中去除密度图像不对应细胞核位置的信息。
8.一种根据表面纹理对物体进行分类的方法,其特征在于包括以下步骤:
形成物体表面密度图像;
利用硬件排序器寻找上述密度图像内每个像素在几种距离上的最大和最小灰度值;
从每个像素可能距离上的最大灰度值中减去最小灰度值;
对每个像素在查寻表中查寻上述差值对数斜率作为距离对数的函数;以及
根据上述斜率值将密度图像内的物体识别为具有某种特性的物体。
9.一种根据表面纹理对物体进行分类的系统,其特征在于包括:
获取物体表面密度图像的摄像机;
寻找上述密度图像内每个像素在几种距离上的最大和最小灰度值的排序器;
从每个像素可能距离上的最大灰度值中减去最小灰度值的算术逻辑单元;以及
包含作为距离对数函数的差值对数斜率的查寻表。
10.如权利要求9所述的系统,其特征在于所述查寻表为两数值查寻表。
11.如权利要求9所述的系统,其特征在于包括多个两数值查寻表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 95193865 CN1153564A (zh) | 1994-06-03 | 1995-06-02 | 基于密度纹理的分类系统和方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/253,713 | 1994-06-03 | ||
CN 95193865 CN1153564A (zh) | 1994-06-03 | 1995-06-02 | 基于密度纹理的分类系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1153564A true CN1153564A (zh) | 1997-07-02 |
Family
ID=5082584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 95193865 Pending CN1153564A (zh) | 1994-06-03 | 1995-06-02 | 基于密度纹理的分类系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1153564A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565316A (zh) * | 2010-12-08 | 2012-07-11 | 浙江海洋学院 | 外周血单个核细胞的核纹理分析方法 |
CN108737875A (zh) * | 2017-04-13 | 2018-11-02 | 北京小度互娱科技有限公司 | 图像处理方法及装置 |
CN111275696A (zh) * | 2020-02-10 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 一种医学图像处理的方法、图像处理的方法及装置 |
-
1995
- 1995-06-02 CN CN 95193865 patent/CN1153564A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565316A (zh) * | 2010-12-08 | 2012-07-11 | 浙江海洋学院 | 外周血单个核细胞的核纹理分析方法 |
CN102565316B (zh) * | 2010-12-08 | 2014-02-26 | 浙江海洋学院 | 外周血单个核细胞的核纹理分析方法 |
CN108737875A (zh) * | 2017-04-13 | 2018-11-02 | 北京小度互娱科技有限公司 | 图像处理方法及装置 |
CN111275696A (zh) * | 2020-02-10 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 一种医学图像处理的方法、图像处理的方法及装置 |
CN111275696B (zh) * | 2020-02-10 | 2023-09-15 | 腾讯医疗健康(深圳)有限公司 | 一种医学图像处理的方法、图像处理的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5625705A (en) | Intensity texture based classification system and method | |
Quinn et al. | Deep convolutional neural networks for microscopy-based point of care diagnostics | |
US5257182A (en) | Morphological classification system and method | |
CA2200457C (en) | Biological analysis system self-calibration apparatus | |
US6430309B1 (en) | Specimen preview and inspection system | |
US5987158A (en) | Apparatus for automated identification of thick cell groupings on a biological specimen | |
US5933519A (en) | Cytological slide scoring apparatus | |
US5848177A (en) | Method and system for detection of biological materials using fractal dimensions | |
US7236623B2 (en) | Analyte recognition for urinalysis diagnostic system | |
JP6453298B2 (ja) | 細胞診標本を観察および解析するためのシステムおよび方法 | |
US5566249A (en) | Apparatus for detecting bubbles in coverslip adhesive | |
WO1996009606A1 (en) | Field prioritization apparatus and method | |
AU691568B2 (en) | Automated cytological specimen classification system and method | |
CN1236302C (zh) | 一种多光谱细胞涂片自动分析仪及其用于宫颈细胞的分析方法 | |
JP3916395B2 (ja) | 検体の予備処理機能を備えた検査体系 | |
CN1795375A (zh) | 用于组织感兴趣域中的多个感兴趣对象的系统 | |
JP4864709B2 (ja) | 分散プロット分布を用いてスライドの染色品質を決定するシステム | |
JP4897488B2 (ja) | 分散プロット分布を用いてスライドを分類するシステム | |
CN1153564A (zh) | 基于密度纹理的分类系统和方法 | |
JP3654835B2 (ja) | 検体の下調べ機能を備えた検査体系 | |
Norgren et al. | Leukocyte image analysis in the diff3 system | |
Ambarka et al. | Prediction of Malaria Plasmodium Stage and Type Through Object Detection | |
Turko et al. | Smartphone Glass Inspection System. | |
WO2000062241A1 (en) | Method and apparatus for determining microscope specimen preparation type | |
CA2182793C (en) | Automated cytological specimen classification system and method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |