CN115830025A - 白细胞分类计数方法、系统、存储介质及计算机设备 - Google Patents
白细胞分类计数方法、系统、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN115830025A CN115830025A CN202310120811.4A CN202310120811A CN115830025A CN 115830025 A CN115830025 A CN 115830025A CN 202310120811 A CN202310120811 A CN 202310120811A CN 115830025 A CN115830025 A CN 115830025A
- Authority
- CN
- China
- Prior art keywords
- cell
- target
- marking
- white blood
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种白细胞分类计数方法、系统、存储介质及计算机设备,该方法包括:根据第一预设分割规则将白细胞图像分割成预设份数的待识别图像;将待识别图像依次输入到预训练的白细胞识别模型中,并采用预设标记框分别对目标识别图像中的一个或多个细胞区域进行第一次标记;根据第一次标记结果获取重叠区域中被标记的重复细胞区域,并将相邻目标识别图像中的一个或多个重复细胞区域删除;若存在细胞区域为多细胞,则基于第二预设分割规则将多细胞所对应的细胞区域进行拆分,以根据拆分结果进行第二次标记。本发明提出的白细胞分类计数方法,能够解决传统白细胞分类计数过程中因存在重叠细胞难以分割而导致的分类计数准确率较低的问题。
Description
技术领域
本发明涉及白细胞分类识别技术领域,特别是涉及一种白细胞分类计数方法、系统、存储介质及计算机设备。
背景技术
正常的白细胞通常被分类为淋巴细胞、单核细胞、嗜中性粒细胞、嗜酸性粒细胞及嗜碱性粒细胞。在正常的末梢血中,这些细胞各自以一定的比例存在。但是,当受试者存在疾病时,特定的白细胞数增加或减少。所以,在临床检查的领域,通过进行白细胞的形态学分类计数与形态展示,能给疾病的辅助诊断提供可靠的信息。
白细胞形态学检测技术具有结果准确、方便复查、能形态观察等优点。现有形态检测技术中,为了得到白细胞的种类和对应的数量,一部分是采用经过专业培训的工作人员进行人工分类计数,但采用人工的方式其耗时时间长,且分类计数的准确率得不到保证,随着计算机硬件的发展以及人工智能水平的提高,越来越多的计算机辅助技术应用到了该分类计数工作中,其原理是通过对历史白细胞图像进行分类标记,以构建训练集,再利用训练集对神经网络进行训练,得到能够对白细胞类别进行识别的白细胞识别模型,从而能够自动对白细胞进行分类计数。
然而,采用计算机辅助技术对细胞分类计数时,对于多个重叠在一起的白细胞,一般情况下只能识别出该重叠白细胞为一个类别的白细胞,采用自适应阈值分割的方式不可避免会存在对重叠白细胞分割不完全的情况,进而影响细胞分类和计数的精确度。
发明内容
本发明的目的在于提出一种白细胞分类计数方法、系统、存储介质及计算机设备,以解决传统白细胞分类计数过程中因存在重叠细胞难以分割而导致的分类计数准确率较低的问题。
本发明提出一种白细胞分类计数方法,所述方法包括:
获取白细胞图像,并根据第一预设分割规则将所述白细胞图像分割成预设份数的待识别图像,且任意两相邻的所述待识别图像之间均存在重叠区域;
将所述待识别图像按照分割顺序进行编号,并根据编号结果将所述待识别图像依次输入到预训练的白细胞识别模型中,得到目标识别图像,以根据白细胞识别结果采用预设标记框分别对所述目标识别图像中的一个或多个细胞区域进行第一次标记;
根据第一次标记结果获取所述重叠区域中被标记的重复细胞区域,并将相邻目标识别图像中的一个或多个重复细胞区域删除,以保留相邻目标识别图像中的其中一个细胞区域的标记结果;
判断所述待识别图像中现存所有被标记的细胞区域是否为多细胞区域,若该细胞区域为多细胞区域,则基于第二预设分割规则将多细胞区域进行拆分,以根据拆分结果将得到的每个白细胞分别进行第二次标记;
获取第二次标记后每份目标识别图像中所有的标记结果,并基于所述标记结果对每份所述目标识别图像中被标记出的各个白细胞进行细胞类型识别,以根据类型识别结果获取各个白细胞类型的细胞数量。
综上,根据上述的白细胞分类计数方法,通过特定的第一预设分割规则首先将白细胞图像进行初步分割,以将白细胞图像分割成若干份尺寸更小的待识别图像,以保证白细胞特征更容易被识别到,且相邻的两份待识别图像存在重叠区域,而后再将编好号的待识别图像依次输入到白细胞识别模型中,进而初步识别出待识别图像中各个白细胞区域对应的白细胞类型和轮廓,进而根据该识别结果用对应的预设标记框分别对各个细胞区域进行第一次标记,而后再判断重叠区域中是否存在被标记的白细胞,如果存在,则对于同一重叠区域只保留其中一个细胞区域,而后再判断每一待识别图像中现存的细胞区域是否为多细胞,进而按照第二预设分割规则对多细胞对应的细胞区域进行拆分,进而对拆分得到的各个白细胞进行第二次标记,从而汇总所有的标记结果,每个标记结果对应一个白细胞,而后再对各个标记结果下的白细胞进行细胞分类识别,有效避免了第一次分割过程中重复计数的问题,同时针对性地解决了传统技术对重叠细胞存在计数遗漏的问题,极大地提高了分类计数的准确率。
进一步地,根据第一次标记结果获取所述重叠区域中被标记的重复细胞区域,并将相邻目标识别图像中的一个或多个重复细胞区域删除,以保留相邻目标识别图像中的其中一个细胞区域的标记结果的步骤包括:
根据第一预设分割规则获取每一所述重叠区域的轮廓坐标,并根据第一次标记的标记结果获取标记区域的坐标信息,根据标记区域的坐标信息和轮廓坐标判断是否存在被标记的细胞区域在所述重叠区域内;
若判断到存在被标记的细胞区域在所述重叠区域内,则根据所述标记区域的坐标信息获取该细胞区域对应的两份目标识别图像的编号,并根据该细胞区域对应的两份目标识别图像的编号和标记区域的坐标信息将其中一份目标识别图像中细胞区域的预设标记框删除。
进一步地,基于第二预设分割规则将多细胞区域进行拆分,以根据拆分结果将得到的每个白细胞分别进行第二次标记的步骤包括:
根据第一次标记结果获取现存被标记的多细胞区域的轮廓线和轮廓线中各个轮廓点的坐标,并根据各个轮廓点的坐标获取任意两相邻轮廓点相连的线段;
获取任意相邻两线段之间的夹角,并判断相邻两线段之间的夹角是否小于第一预设角度阈值;
若存在相邻两线段之间的夹角小于第一预设角度阈值,则判断该相邻两线段均为差异线段,相邻差异线段的交点为目标轮廓点;
根据所有的所述目标轮廓点的坐标将所述多细胞区域的轮廓线划分成多部分,以将每部分的轮廓线分别进行第二次标记,每部分对应一个目标单细胞区域。
进一步地,在根据所有的所述目标轮廓点的坐标将所述多细胞区域的轮廓线划分成多部分,以将每部分的轮廓线分别进行第二次标记,每部分对应一个目标单细胞区域的步骤之后,还包括:
连接所述目标单细胞区域的轮廓线上的两个目标轮廓点,得到目标轮廓线段,并将所述目标轮廓线段等分成预设等分,以在所述目标轮廓线段上找出若干等分点;
分别以各所述等分点为原点向所述目标单细胞区域的轮廓线发射与所述目标轮廓线段呈夹角的射线,其中相邻两条所述射线与所述目标轮廓线段的夹角互为补角;
获取每条所述射线与所述目标单细胞区域的轮廓线的交点,以在所述目标单细胞区域的轮廓线上找到若干目标点;
根据所述若干目标点以及所述目标轮廓点的坐标,拟合出所述目标单细胞区域的轮廓线的平均曲率;
根据所述目标单细胞区域的轮廓线的平均曲率拟合出所述目标单细胞区域的完整轮廓线。
进一步地,获取第二次标记后每份目标识别图像中所有的标记结果,并基于所述标记结果对每份所述目标识别图像中被标记出的各个白细胞进行细胞类型识别,以根据类型识别结果获取各个白细胞类型的细胞数量的步骤包括:
第二次标记完成后,根据预设标记框分别提取各个白细胞所在的区域,并提取各个白细胞所在的区域所有像素点的像素信息,以根据像素点的像素信息生成第二预设尺寸的输入图像;
对每份所述输入图像进行细胞类型识别,以根据细胞类型识别结果得到各个细胞类型的数量。
进一步地,构建预训练的白细胞识别模型的步骤包括:
获取已知白细胞信息的历史图像,所述已知白细胞信息包括每个已知白细胞区域所对应的坐标信息,所述已知白细胞区域对应的已知白细胞包括不完整细胞、单细胞以及多细胞;
根据每个已知白细胞区域所对应的坐标信息对历史图像进行标注,并根据标注结果生成与所述历史图像对应的标注文件,所述标注文件包括标注框位置,以及不完整细胞、单细胞以及多细胞的类别信息。
进一步地,根据每个已知白细胞区域所对应的坐标信息对历史图像进行标注,并根据标注结果生成与所述历史图像对应的标注文件的步骤之后还包括:
获取所有标注文件中多细胞类型所对应的白细胞区域的数量,并判断多细胞类型所对应的白细胞区域的数量是否低于第一预设数量阈值;
若是,则根据多细胞类型对应的标注框位置提取多细胞区域,并根据多细胞区域和预设背景模板生成新的标注文件,以得到数据增强后的数据集,以根据所述数据集得到预训练的白细胞识别模型。
进一步地,所述获取白细胞图像,并根据第一预设分割规则将所述白细胞图像分割成预设份数的待识别图像,且任意两相邻的所述待识别图像之间均存在重叠区域的步骤包括:
获取所述白细胞图像的尺寸信息,并根据所述尺寸信息和第一预设尺寸获取所述白细胞图像的分割线;
根据所述分割线将所述白细胞图像进行分割,以得到预设份数的待识别图像。
本发明还提出一种白细胞分类计数系统,所述系统包括:
白细胞图像初始分割模块,用于获取白细胞图像,并根据第一预设分割规则将所述白细胞图像分割成预设份数的待识别图像,且任意两相邻的所述待识别图像之间均存在重叠区域;
细胞区域第一标记模块,用于将所述待识别图像按照分割顺序进行编号,并根据编号结果将所述待识别图像依次输入到预训练的白细胞识别模型中,得到目标识别图像,以根据白细胞识别结果采用预设标记框分别对所述目标识别图像中的一个或多个细胞区域进行第一次标记;
标记结果检测模块,用于根据第一次标记结果获取所述重叠区域中被标记的重复细胞区域,并将相邻目标识别图像中的一个或多个重复细胞区域删除,以保留相邻目标识别图像中的其中一个细胞区域的标记结果;
细胞区域第二标记模块,用于判断所述待识别图像中现存所有被标记的细胞区域是否为多细胞区域,若该细胞区域为多细胞区域,则基于第二预设分割规则将多细胞区域进行拆分,以根据拆分结果将得到的每个白细胞分别进行第二次标记;
标记结果计数模块,用于获取第二次标记后每份目标识别图像中所有的标记结果,并基于所述标记结果对每份所述目标识别图像中被标记出的各个白细胞进行细胞类型识别,以根据类型识别结果获取各个白细胞类型的细胞数量。
本发明还提出一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的白细胞分类计数方法。
本发明还提出一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的白细胞分类计数方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明第一实施例白细胞分类计数方法的流程图;
图2为本发明实施例提供的白细胞图像分割示意图;
图3为本发明实施例提供的待识别图像的重叠区域示意图;
图4本发明实施例提供的重叠细胞区域识别示意图;
图5本发明实施例提供的细胞轮廓拟合原理示意图;
图6为本发明第三实施例白细胞分类计数系统的结构示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,所示为本发明第一实施例中的白细胞分类计数方法的流程图,该方法应用于白细胞分类计数系统,该方法包括步骤S01至步骤S05,其中:
步骤S01:获取白细胞图像,并根据第一预设分割规则将所述白细胞图像分割成预设份数的待识别图像,且任意两相邻的所述待识别图像之间均存在重叠区域;
需要说明的是,白细胞图像是由电子显微镜拍出的照片,考虑到白细胞的面积较小,为了后续识别模型更容易识别出白细胞,采用第一预设规则将白细胞图像进行分割,以利于后续白细胞小目标的识别,同时为了避免在分割过程中造成数据丢失,分割过程中需使得任意两相邻的待识别图像均得有重叠区域。
在具体实施时,作为一种可选的实施方式,可以根据白细胞图像的尺寸和预设分割尺寸来确定初步分割线,例如白细胞图像的尺寸为100*100,而预设分割尺寸为10*10,则相当于将整张白细胞图像等分成100份待识别图像,从而能够确定出初步分割线,如图2中实线所示,然后再将分割的每份待识别图像的上分割线向上移动一个步长、并将其左分割线向左移动一个步长,如图2中虚线所示,移动后得到每份待识别图像的最终分割线,如图2当中剖面线填充区域即为一个待识别图像区域,其中相邻待识别图像的虚实线之间即为二者重叠区域。其中,所述步长优选大于一个白细胞的直径,从而使得重叠区域的宽度大于一个白细胞的直径,以确保相邻的两份待识别图像中至少有一个完整的白细胞。
步骤S02:将所述待识别图像按照分割顺序进行编号,并根据编号结果将所述待识别图像依次输入到预训练的白细胞识别模型中,得到目标识别图像,以根据白细胞识别结果采用预设标记框分别对所述目标识别图像中的一个或多个细胞区域进行第一次标记;
可以理解的是,在分割完成后,还需对每份待识别图像按照预设顺序进行编号,以方便后续准确识别哪两份图像是相邻的,而后根据该编号将待识别图像有序输入到预训练的白细胞识别模型中,进而识别出每份待识别图像中细胞区域所在的位置以及类型。
需要指出的是,由于在采用模型识别之前,并未对重叠白细胞(也即多细胞区域)进行分割,因此本步骤中采用预训练的白细胞识别模型识别出的各个细胞区域,可能对应的是多个重叠的白细胞或者分割后出现的不完整的白细胞,如此设置的目的是利用模型较高的识别准确度的优点将待识别图像中存在白细胞的区域全部进行锁定,而后再针对各个细胞区域进行精确检测。
具体的,预训练的白细胞识别模型的构建流程具体包括:
步骤S1101:获取已知白细胞信息的历史图像,所述已知白细胞信息包括每个已知白细胞区域所对应的坐标信息,所述已知白细胞区域对应的已知白细胞包括不完整细胞、单细胞以及多细胞;
在本步骤中,主要是为了挑选出大量已确定不完整细胞、单细胞以及多细胞区域的历史图像。
步骤S1102:根据每个已知白细胞区域所对应的坐标信息对历史图像进行标注,并根据标注结果生成与所述历史图像对应的标注文件,所述标注文件包括标注框位置,以及不完整细胞、单细胞以及多细胞的类别信息;
步骤S1103:获取所有标注文件中多细胞类型所对应的白细胞区域的数量,并判断多细胞类型所对应的白细胞区域的数量是否低于第一预设数量阈值;
需要说明的是,为了提高对白细胞区域的识别准确率,还会对不完整区域以及多细胞区域的数量进行检测,以确认这两类数据是否足够。
步骤S1104:若是,则根据多细胞类型对应的标注框位置提取多细胞区域,并根据多细胞区域和预设背景模板生成新的标注文件,以得到数据增强后的数据集,以根据所述数据集得到预训练的白细胞识别模型。
可以理解的,若检测到多细胞区域的数量不足,则对应将多细胞区域提取并贴附到预设背景模板当中,以生成新的标注文件,进而完成对多细胞区域类数据的增强,对于不完整细胞区域的数据增强方式与多细胞区域类数据相同,在本实施例中不再重复说明;
需要说明的是,构建该白细胞识别模型的目的是为了快速锁定各个细胞区域,目前不需要识别各个细胞区域的细胞类型,即本实施例是先实现对多细胞区域进行精确分割,而后再采用细胞分类模型对标记出来的单个白细胞进行类型识别,从而精确得到各个类型下的细胞数量。
步骤S03:根据第一次标记结果获取所述重叠区域中被标记的重复细胞区域,并将相邻目标识别图像中的一个或多个重复细胞区域删除,以保留相邻目标识别图像中的其中一个细胞区域的标记结果;
可以理解的,重叠区域可能存在白细胞,该白细胞对应的细胞区域可能是不完整白细胞区域,也可能是完整的细胞区域,基于此,为了防止出现细胞区域导致后续出现重复计数的问题,还需要检测重叠区域是否存在被标记的白细胞。
应当能够理解的,若分割时没有设置相互重叠区域,此时若某一白细胞区域刚好在分割线上,则该白细胞就会被一分为二,一部分在前面的待识别图像当中、另一部分在后面的待识别图像当中,导致在后续识别技术时,原本是一个完整的白细胞会被错误的计数为两个不完整白细胞。因此,为了解决这一技术问题,本实施例在分割时,会让任意两相邻的待识别图像之间均存在重叠区域,例如如图3所示,图中竖直虚线为右边待识别图像B的分割线、而竖直实线为待识别图像A的分割线,竖直虚线和竖直实线之间的区域就是待识别图像B和待识别图像A的重叠区域,这种方式进而使得待识别图像B中得到包含完整的白细胞,而待识别图像A中得到部分白细胞,即实现至少有一个分割图像含有完整的白细胞,然后再把待识别图像A中的位于重叠区域中的部分白细胞删除,只保留待识别图像B中的完整的白细胞,这样就不会因为分割而导致错误分类计数。
步骤S04:判断所述待识别图像中现存所有被标记的细胞区域是否为多细胞区域,若该细胞区域为多细胞区域,则基于第二预设分割规则将多细胞区域进行拆分,以根据拆分结果将得到的每个白细胞分别进行第二次标记;
需要说明的是,在只保留重叠区域中一个相同标记的细胞区域后,再判断现存的所有被标记的细胞区域是否为多细胞,进而按照第二预设分割规则将该多细胞区域进行拆分,进而得到各个细胞,从而再对得到的各个白细胞分别进行第二次标记,即此时原有的多细胞区域对应的预设标记框已被删除或被第二次标记所掩盖,从而确保到目前位置采用的预设标记框均对应一个白细胞。
步骤S05:获取第二次标记后每份目标识别图像中所有的标记结果,并基于所述标记结果对每份所述目标识别图像中被标记出的各个白细胞进行细胞类型识别,以根据类型识别结果获取各个白细胞类型的细胞数量。
综上,根据上述的白细胞分类计数方法,通过特定的第一预设分割规则首先将白细胞图像进行初步分割,以将白细胞图像分割成若干份尺寸更小的待识别图像,以保证白细胞特征更容易被识别到,且相邻的两份待识别图像存在重叠区域,而后再将编好号的待识别图像依次输入到白细胞识别模型中,进而初步识别出待识别图像中各个白细胞区域对应的白细胞类型和轮廓,进而根据该识别结果用对应的预设标记框分别对各个细胞区域进行第一次标记,而后再判断重叠区域中是否存在被标记的白细胞,如果存在,则对于同一重叠区域只保留其中一个细胞区域,而后再判断每一待识别图像中现存的细胞区域是否为多细胞,进而按照第二预设分割规则对多细胞对应的细胞区域进行拆分,进而对拆分得到的各个白细胞进行第二次标记,从而汇总所有的标记结果,每个标记结果对应一个白细胞,而后再对各个标记结果下的白细胞进行细胞分类识别,有效避免了第一次分割过程中重复计数的问题,同时针对性地解决了传统技术对重叠细胞存在计数遗漏的问题,极大地提高了分类计数的准确率。
实施例二
本发明第二实施例也提出一种白细胞分类计数方法,该方法包括步骤S101至步骤S109,其中:
步骤S101:获取所述白细胞图像的尺寸信息,并根据所述尺寸信息和第一预设尺寸获取所述白细胞图像的分割线,并根据所述分割线将所述白细胞图像进行分割,以得到预设份数的待识别图像;
需要说明的是,在得到白细胞图像时,首先识别出该白细胞图像的尺寸信息,进而按照第一预设尺寸计算出白细胞图像的分割线,即先计算尺寸信息与第一预设尺寸的比值,再将该比值加一后取整数部分以确保存在重叠区域,如此即得到白细胞图像的多条分割线,进而按照该分割线将白细胞图像进行分割,进而得到多种小图像,以利于识别。具体来说,作为另外一种可选的实施方式,还可以采用进一法来对白细胞图像进行分割,具体可以先根据白细胞图像的尺寸信息和第一预设尺寸来计算出比值,假设白细胞图像的尺寸为100*100,第一预设尺寸为10*10,则长度比例为10,高度比例也为10,相当于将白细胞图像的长和高各等分10份,整体等分成100份,从而确定出一次分割线,如图2中实线所示,然后再对刚刚计算的比例+1取整后再重新分割规划一次,则长度比例为11,高度比例也为11,相当于将白细胞图像的长和高各等分11份,整体等分成121份,从而确定出二次分割线,如图2中虚线所示,这两次规划的分割自然会有重叠区域产生,而对于每份待识别图像而言,他的分割线都是由下和右为实线分割线、上和左为虚线分割线构成,对应图2中剖面线填充区域所示。
步骤S102:将所述待识别图像按照分割顺序进行编号,并根据编号结果将所述待识别图像依次输入到预训练的白细胞识别模型中,得到目标识别图像,以根据白细胞识别结果采用预设标记框分别对所述目标识别图像中的一个或多个细胞区域进行第一次标记;
步骤S103:根据第一预设分割规则获取每一所述重叠区域的轮廓坐标,并根据第一次标记的标记结果获取标记区域的坐标信息,根据标记区域的坐标信息和轮廓坐标判断是否存在被标记的细胞区域在所述重叠区域内;
步骤S104:若判断到存在被标记的细胞区域在所述重叠区域内,则根据所述标记区域的坐标信息获取该细胞区域对应的两份目标识别图像的编号,并根据该细胞区域对应的两份目标识别图像的编号和标记区域的坐标信息将其中一份目标识别图像中细胞区域的预设标记框删除;
需要说明的是,在利用预训练的白细胞识别模型识别出各个细胞区域后,进而得到各个细胞区域的轮廓坐标,即坐标信息,同时根据分割线的坐标信息获取每一重叠区域的轮廓坐标,进而可以遍历各个细胞区域,以判断是否存在细胞区域在重叠区域内,如果存在,就获取该细胞区域对应的两份目标识别图像的编号,此时该细胞区域在这两份目标识别图像当中都存在,并且一份包含完整的该细胞区域、另一份包含该细胞区域的部分区域,此时只需要在包含该细胞区域的部分区域的那份目标识别图像当中去掉该细胞区域的部分区域即可或者去掉相应的预设标记框。
步骤S105:根据第一次标记结果获取现存被标记的多细胞区域的轮廓线和轮廓线中各个轮廓点的坐标,并根据各个轮廓点的坐标获取任意两相邻轮廓点相连的线段;
需要指出的是,重叠区域中可能存在的不完整细胞虽然能看作一个细胞,但由于其轮廓的特殊性,为了防止不完整细胞对应的细胞区域对重叠细胞所在的细胞区域造成识别干扰,在对现存被标记的每个细胞区域进行检测前,还会根据之前得到的分割线的坐标信息筛选出重叠区域中存在的不完整细胞区域,进而再对除不完整细胞区域之外的现存的每个细胞区域进行检测。
步骤S106:获取任意相邻两线段之间的夹角,并判断相邻两线段之间的夹角是否小于第一预设角度阈值;
需要说明的是,白细胞的形状一般为球形或椭球形,即在图片中显示为圆形或椭圆形,基于此,为了精确识别出是否存在重叠区域以及将重叠区域进行分离,首先根据第一次标记结果得到现存的每个细胞区域的轮廓线及坐标,进而根据每个轮廓点的坐标将任意相邻的轮廓点连线。
步骤S107:若存在相邻两线段之间的夹角小于第一预设角度阈值,则判断该相邻两线段均为差异线段,相邻差异线段的交点为目标轮廓点;
可以理解的,若被识别的细胞区域为单细胞,则相邻线段之间的夹角理论上应接近180度,基于此,第一预设角度阈值一般设置的比180度小一些,例如175度、170度等等,但不可过小,以避免遗漏大量的重叠细胞区域。
步骤S108:根据所有的所述目标轮廓点的坐标将所述多细胞区域的轮廓线划分成多部分,以将每部分的轮廓线分别进行第二次标记,每部分对应一个目标单细胞区域;
请参阅图4,所示为重叠细胞区域识别示意图,通过上述特定的识别规则获取到目标轮廓点,进而每相邻两个目标轮廓点之间的轮廓线即为一个白细胞所在的部分轮廓,例如目标轮廓点a和目标轮廓点b之间的轮廓线为细胞A的部分轮廓线,目标轮廓点a和目标轮廓点c之间的轮廓线为细胞C的部分轮廓线,目标轮廓点b和目标轮廓点c之间的轮廓线为细胞B的部分轮廓线,需要说明的是,本方案还可以对两个细胞重叠或其他数量重叠的细胞区域进行检测。
在根据所有的所述目标轮廓点的坐标将所述多细胞区域的轮廓线划分成多部分,以将每部分的轮廓线分别进行第二次标记,每部分对应一个目标单细胞区域的步骤之后,还包括:
连接所述目标单细胞区域的轮廓线上的两个目标轮廓点,得到目标轮廓线段,并将所述目标轮廓线段等分成预设等分,以在所述目标轮廓线段上找出若干等分点;
分别以各所述等分点为原点向所述目标单细胞区域的轮廓线发射与所述目标轮廓线段呈夹角的射线,其中相邻两条所述射线与所述目标轮廓线段的夹角互为补角,这样能够在目标单细胞区域的轮廓线上找到更为分散和均匀分布的目标点;
获取每条所述射线与所述目标单细胞区域的轮廓线的交点,以在所述目标单细胞区域的轮廓线上找到若干目标点;
根据所述若干目标点以及所述目标轮廓点的坐标,拟合出所述目标单细胞区域的轮廓线的平均曲率;
根据所述目标单细胞区域的轮廓线的平均曲率拟合出所述目标单细胞区域的完整轮廓线。
应当理解的,步骤S108从多细胞区域当中分割出的每个目标单细胞区域的轮廓是该目标单细胞区域的部分轮廓,例如如图4所示,对于细胞C来说,目前只分割出了细胞C的ac实线弧段部分的轮廓,而ac虚线弧段部分的轮廓还没有拟合出来,当然在一些可选实施例当中,可以直接将ac连线来封闭细胞C从而获得细胞C的完整轮廓,但这种方式可能会因为细胞轮廓变形而影响后续的细胞分类识别,因此本实施例进一步通过特点的方式来较为真实的拟合出不完整部分的轮廓,以图5中细胞C情况为例,具体如下:
首先连接细胞C的轮廓线上的两个目标轮廓点a和c,得到ac线段,然后将ac线段进行八等分,以从ac线段上找到7个等分点,再以每个等分点向细胞C的现有轮廓线发射与ac线段呈夹角的射线,其中相邻两条射线与目标轮廓线段的夹角互为补角,即α+β=180°,其中α等于60°,β等于120°,此时每条射线与细胞C的现有轮廓线都会产生交点,这样就可以在细胞C的现有轮廓线上找到7个交点,对应为7个目标点,然后再加上两个目标轮廓点a和c,共计在细胞C的现有轮廓线上找到了分布分散且均匀的9个目标点,保证后续曲线拟合的高准确性,然后分别计算出每个目标点的曲率,得到细胞C的平均曲率,或者采用差值样条曲线的方式来拟合出细胞C的平均曲率,这样就可以以细胞A的平均曲率来拟合出ac虚线弧段部分的轮廓,从而拟合出细胞C的完整轮廓,通过这种方式拟合出的细胞C的完整轮廓与细胞C的真实轮廓接近,更有利于后续的细胞分类识别。
步骤S109:获取第二次标记后每份目标识别图像中所有的标记结果,并基于所述标记结果对每份所述目标识别图像中被标记出的各个白细胞进行细胞类型识别,以根据类型识别结果获取各个白细胞类型的细胞数量。本步骤具体可以包括:
第二次标记完成后,根据预设标记框分别提取各个白细胞所在的区域,并提取各个白细胞所在的区域所有像素点的像素信息,以根据像素点的像素信息生成第二预设尺寸的输入图像;
对每份所述输入图像进行细胞类型识别,以根据细胞类型识别结果得到各个细胞类型的数量。
第二次标记完成后,根据预设标记框分别提取各个白细胞所在的区域,并提取各个白细胞所在的区域所有像素点的像素信息,以根据像素点的像素信息生成第二预设尺寸的输入图像,需要重点说明的是,对于重叠区域中各个细胞的像素信息提取,首先需要根据各个细胞所在轮廓线按照上述方式拟合出各个细胞的完整轮廓,进而再根据各个白细胞的完整轮廓提取所在区域的像素信息,也即截取细胞区域图像,以生成第二预设尺寸的输入图像,对于不是重叠细胞的细胞区域,则直接根据标记结果进行像素信息提取即可。
而后对每份所述输入图像进行细胞类型识别,以根据细胞类型识别结果得到各个细胞类型的数量。设置第二预设尺寸的目的是为了同一输入图像的尺寸,以符合后续的细胞类型识别的处理方式,该方式一般为采用一已知的细胞分类模型进行识别,该细胞分类模型可以采用已知白细胞类型的大量白细胞图像进行训练得到,进而根据细胞类型识别结果得到各个细胞类型的数量。在具体实施时,可以先收集大量已知白细胞类型的历史白细胞图像,然后再由人为对每个历史白细胞图像进行人工标注,形成训练样本集,再用训练样本集对神经网络模型进行训练得到,得到细胞分类模型。
综上,根据上述的白细胞分类计数方法,通过特定的第一预设分割规则首先将白细胞图像进行初步分割,以将白细胞图像分割成若干份尺寸更小的待识别图像,以保证白细胞特征更容易被识别到,且相邻的两份待识别图像存在重叠区域,而后再将编好号的待识别图像依次输入到白细胞识别模型中,进而初步识别出待识别图像中各个白细胞区域对应的白细胞类型和轮廓,进而根据该识别结果用对应的预设标记框分别对各个细胞区域进行第一次标记,而后再判断重叠区域中是否存在被标记的白细胞,如果存在,则对于同一重叠区域只保留其中一个细胞区域,而后再判断每一待识别图像中现存的细胞区域是否为多细胞,进而按照第二预设分割规则对多细胞对应的细胞区域进行拆分,进而对拆分得到的各个白细胞进行第二次标记,从而汇总所有的标记结果,每个标记结果对应一个白细胞,而后再对各个标记结果下的白细胞进行细胞分类识别,有效避免了第一次分割过程中重复计数的问题,同时针对性地解决了传统技术对重叠细胞存在计数遗漏的问题,极大地提高了分类计数的准确率。
实施例三
请参阅图6,所示为本发明第三实施例中的白细胞分类计数系统的结构示意图,该系统包括:
白细胞图像初始分割模块10,用于获取白细胞图像,并根据第一预设分割规则将所述白细胞图像分割成预设份数的待识别图像,且任意两相邻的所述待识别图像之间均存在重叠区域;
进一步地,所述白细胞图像初始分割模块10还包括:
分割线获取单元,用于获取所述白细胞图像的尺寸信息,并根据所述尺寸信息和第一预设尺寸获取所述白细胞图像的分割线;
分割执行单元,用于根据所述分割线将所述白细胞图像进行分割,以得到预设份数的待识别图像;
细胞区域第一标记模块20,用于将所述待识别图像按照分割顺序进行编号,并根据编号结果将所述待识别图像依次输入到预训练的白细胞识别模型中,得到目标识别图像,以根据白细胞识别结果采用预设标记框分别对所述目标识别图像中的一个或多个细胞区域进行第一次标记;
标记结果检测模块30,用于根据第一次标记结果获取所述重叠区域中被标记的重复细胞区域,并将相邻目标识别图像中的一个或多个重复细胞区域删除,以保留相邻目标识别图像中的其中一个细胞区域的标记结果;
进一步地,所述标记结果检测模块30还包括:
细胞区域第一检测单元,用于根据第一预设分割规则获取每一所述重叠区域的轮廓坐标,并根据第一次标记的标记结果获取标记区域的坐标信息,根据标记区域的坐标信息和轮廓坐标判断是否存在被标记的细胞区域在所述重叠区域内;
第一标记结果删除单元,用于若判断到存在被标记的细胞区域在所述重叠区域内,则根据所述标记区域的坐标信息获取该细胞区域对应的两份目标识别图像的编号,并根据该细胞区域对应的两份目标识别图像的编号和标记区域的坐标信息将其中一份目标识别图像中细胞区域的预设标记框删除;
细胞区域第二标记模块40,用于判断所述待识别图像中现存所有被标记的细胞区域是否为多细胞区域,若该细胞区域为多细胞区域,则基于第二预设分割规则将多细胞区域进行拆分,以根据拆分结果将得到的每个白细胞分别进行第二次标记;
进一步地,所述细胞区域第二标记模块40还包括:
轮廓点遍历单元,用于根据第一次标记结果获取现存被标记的多细胞区域的轮廓线和轮廓线中各个轮廓点的坐标,并根据各个轮廓点的坐标获取任意两相邻轮廓点相连的线段;
微分轮廓线检测单元,用于获取任意相邻两线段之间的夹角,并判断相邻两线段之间的夹角是否小于第一预设角度阈值;
目标轮廓点获取单元,用于若存在相邻两线段之间的夹角小于第一预设角度阈值,则判断该相邻两线段均为差异线段,相邻差异线段的交点为目标轮廓点;
第二次标记执行单元,用于根据所有的所述目标轮廓点的坐标将所述多细胞区域的轮廓线划分成多部分,以将每部分的轮廓线分别进行第二次标记,每部分对应一个目标单细胞区域。
进一步地,所述细胞区域第二标记模块40还包括:
轮廓拟合单元,用于连接所述目标单细胞区域的轮廓线上的两个目标轮廓点,得到目标轮廓线段,并将所述目标轮廓线段等分成预设等分,以在所述目标轮廓线段上找出若干等分点;分别以各所述等分点为原点向所述目标单细胞区域的轮廓线发射与所述目标轮廓线段呈夹角的射线,其中相邻两条所述射线与所述目标轮廓线段的夹角互为补角;获取每条所述射线与所述目标单细胞区域的轮廓线的交点,以在所述目标单细胞区域的轮廓线上找到若干目标点;根据所述若干目标点以及所述目标轮廓点的坐标,拟合出所述目标单细胞区域的轮廓线的平均曲率;根据所述目标单细胞区域的轮廓线的平均曲率拟合出所述目标单细胞区域的完整轮廓线。
标记结果计数模块50,用于获取第二次标记后每份目标识别图像中所有的标记结果,并基于所述标记结果对每份所述目标识别图像中被标记出的各个白细胞进行细胞类型识别,以根据类型识别结果获取各个白细胞类型的细胞数量。
进一步地,所述标记结果计数模块50还包括:
输入图像生成单元,用于第二次标记完成后,根据预设标记框分别提取各个白细胞所在的区域,并提取各个白细胞所在的区域所有像素点的像素信息,以根据像素点的像素信息生成第二预设尺寸的输入图像;
分类计数执行单元,用于对每份所述输入图像进行细胞类型识别,以根据细胞类型识别结果得到各个细胞类型的数量。
进一步地,在本发明一些可选的实施例中,该系统还包括:
历史图像获取模块,用于获取已知白细胞信息的历史图像,所述已知白细胞信息包括每个已知白细胞区域所对应的坐标信息,所述已知白细胞区域对应的已知白细胞包括不完整细胞、单细胞以及多细胞;
图像标注模块,用于根据每个已知白细胞区域所对应的坐标信息对历史图像进行标注,并根据标注结果生成与所述历史图像对应的标注文件,所述标注文件包括标注框位置,以及不完整细胞、单细胞以及多细胞的类别信息;
数据集数量检测模块,用于获取所有标注文件中多细胞类型所对应的白细胞区域的数量,并判断多细胞类型所对应的白细胞区域的数量是否低于第一预设数量阈值;
数据集增强模块,用于若是,则根据多细胞类型对应的标注框位置提取多细胞区域,并根据多细胞区域和预设背景模板生成新的标注文件,以得到数据增强后的数据集,以根据所述数据集得到预训练的白细胞识别模型。
综上,根据上述的白细胞分类计数系统,通过特定的第一预设分割规则首先将白细胞图像进行初步分割,以将白细胞图像分割成若干份尺寸更小的待识别图像,以保证白细胞特征更容易被识别到,且相邻的两份待识别图像存在重叠区域,而后再将编好号的待识别图像依次输入到白细胞识别模型中,进而初步识别出待识别图像中各个白细胞区域对应的白细胞类型和轮廓,进而根据该识别结果用对应的预设标记框分别对各个细胞区域进行第一次标记,而后再判断重叠区域中是否存在被标记的白细胞,如果存在,则对于同一重叠区域只保留其中一个细胞区域,而后再判断每一待识别图像中现存的细胞区域是否为多细胞,进而按照第二预设分割规则对多细胞对应的细胞区域进行拆分,进而对拆分得到的各个白细胞进行第二次标记,从而汇总所有的标记结果,每个标记结果对应一个白细胞,而后再对各个标记结果下的白细胞进行细胞分类识别,有效避免了第一次分割过程中重复计数的问题,同时针对性地解决了传统技术对重叠细胞存在计数遗漏的问题,极大地提高了分类计数的准确率。
本发明另一方面还提出一种可读存储介质,其上存储有一个或多个程序,该程序给处理器执行时实现上述的白细胞分类计数方法。
本发明另一方面还提出一种计算机设备,包括存储器和处理器,其中存储器用于存放计算机程序,处理器用于执行存储器上所存放的计算机程序,以实现上述的白细胞分类计数方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种白细胞分类计数方法,其特征在于,所述方法包括:
获取白细胞图像,并根据第一预设分割规则将所述白细胞图像分割成预设份数的待识别图像,且任意两相邻的所述待识别图像之间均存在重叠区域;
将所述待识别图像按照分割顺序进行编号,并根据编号结果将所述待识别图像依次输入到预训练的白细胞识别模型中,得到目标识别图像,以根据白细胞识别结果采用预设标记框分别对所述目标识别图像中的一个或多个细胞区域进行第一次标记;
根据第一次标记结果获取所述重叠区域中被标记的重复细胞区域,并将相邻目标识别图像中的一个或多个重复细胞区域删除,以保留相邻目标识别图像中的其中一个细胞区域的标记结果;
判断所述待识别图像中现存所有被标记的细胞区域是否为多细胞区域,若该细胞区域为多细胞区域,则基于第二预设分割规则将多细胞区域进行拆分,以根据拆分结果将得到的每个白细胞分别进行第二次标记;
获取第二次标记后每份目标识别图像中所有的标记结果,并基于所述标记结果对每份所述目标识别图像中被标记出的各个白细胞进行细胞类型识别,以根据类型识别结果获取各个白细胞类型的细胞数量。
2.根据权利要求1所述的白细胞分类计数方法,其特征在于,根据第一次标记结果获取所述重叠区域中被标记的重复细胞区域,并将相邻目标识别图像中的一个或多个重复细胞区域删除,以保留相邻目标识别图像中的其中一个细胞区域的标记结果的步骤包括:
根据第一预设分割规则获取每一所述重叠区域的轮廓坐标,并根据第一次标记的标记结果获取标记区域的坐标信息,根据标记区域的坐标信息和轮廓坐标判断是否存在被标记的细胞区域在所述重叠区域内;
若判断到存在被标记的细胞区域在所述重叠区域内,则根据所述标记区域的坐标信息获取该细胞区域对应的两份目标识别图像的编号,并根据该细胞区域对应的两份目标识别图像的编号和标记区域的坐标信息将其中一份目标识别图像中细胞区域的预设标记框删除。
3.根据权利要求1所述的白细胞分类计数方法,其特征在于,基于第二预设分割规则将多细胞区域进行拆分,以根据拆分结果将得到的每个白细胞分别进行第二次标记的步骤包括:
根据第一次标记结果获取现存被标记的多细胞区域的轮廓线和轮廓线中各个轮廓点的坐标,并根据各个轮廓点的坐标获取任意两相邻轮廓点相连的线段;
获取任意相邻两线段之间的夹角,并判断相邻两线段之间的夹角是否小于第一预设角度阈值;
若存在相邻两线段之间的夹角小于第一预设角度阈值,则判断该相邻两线段均为差异线段,相邻差异线段的交点为目标轮廓点;
根据所有的所述目标轮廓点的坐标将所述多细胞区域的轮廓线划分成多部分,以将每部分的轮廓线分别进行第二次标记,每部分对应一个目标单细胞区域。
4.根据权利要求3所述的白细胞分类计数方法,其特征在于,在根据所有的所述目标轮廓点的坐标将所述多细胞区域的轮廓线划分成多部分,以将每部分的轮廓线分别进行第二次标记,每部分对应一个目标单细胞区域的步骤之后,还包括:
连接所述目标单细胞区域的轮廓线上的两个目标轮廓点,得到目标轮廓线段,并将所述目标轮廓线段等分成预设等分,以在所述目标轮廓线段上找出若干等分点;
分别以各所述等分点为原点向所述目标单细胞区域的轮廓线发射与所述目标轮廓线段呈夹角的射线,其中相邻两条所述射线与所述目标轮廓线段的夹角互为补角;
获取每条所述射线与所述目标单细胞区域的轮廓线的交点,以在所述目标单细胞区域的轮廓线上找到若干目标点;
根据所述若干目标点以及所述目标轮廓点的坐标,拟合出所述目标单细胞区域的轮廓线的平均曲率;
根据所述目标单细胞区域的轮廓线的平均曲率拟合出所述目标单细胞区域的完整轮廓线。
5.根据权利要求1所述的白细胞分类计数方法,其特征在于,获取第二次标记后每份目标识别图像中所有的标记结果,并基于所述标记结果对每份所述目标识别图像中被标记出的各个白细胞进行细胞类型识别,以根据类型识别结果获取各个白细胞类型的细胞数量的步骤包括:
第二次标记完成后,根据预设标记框分别提取各个白细胞所在的区域,并提取各个白细胞所在的区域所有像素点的像素信息,以根据像素点的像素信息生成第二预设尺寸的输入图像;
对每份所述输入图像进行细胞类型识别,以根据细胞类型识别结果得到各个细胞类型的数量。
6.根据权利要求1所述的白细胞分类计数方法,其特征在于,构建预训练的白细胞识别模型的步骤包括:
获取已知白细胞信息的历史图像,所述已知白细胞信息包括每个已知白细胞区域所对应的坐标信息,所述已知白细胞区域对应的已知白细胞包括不完整细胞、单细胞以及多细胞;
根据每个已知白细胞区域所对应的坐标信息对历史图像进行标注,并根据标注结果生成与所述历史图像对应的标注文件,所述标注文件包括标注框位置,以及不完整细胞、单细胞以及多细胞的类别信息。
7.根据权利要求6所述的白细胞分类计数方法,其特征在于,根据每个已知白细胞区域所对应的坐标信息对历史图像进行标注,并根据标注结果生成与所述历史图像对应的标注文件的步骤之后还包括:
获取所有标注文件中多细胞类型所对应的白细胞区域的数量,并判断多细胞类型所对应的白细胞区域的数量是否低于第一预设数量阈值;
若是,则根据多细胞类型对应的标注框位置提取多细胞区域,并根据多细胞区域和预设背景模板生成新的标注文件,以得到数据增强后的数据集,以根据所述数据集得到预训练的白细胞识别模型。
8.一种白细胞分类计数系统,其特征在于,所述系统包括:
白细胞图像初始分割模块,用于获取白细胞图像,并根据第一预设分割规则将所述白细胞图像分割成预设份数的待识别图像,且任意两相邻的所述待识别图像之间均存在重叠区域;
细胞区域第一标记模块,用于将所述待识别图像按照分割顺序进行编号,并根据编号结果将所述待识别图像依次输入到预训练的白细胞识别模型中,得到目标识别图像,以根据白细胞识别结果采用预设标记框分别对所述目标识别图像中的一个或多个细胞区域进行第一次标记;
标记结果检测模块,用于根据第一次标记结果获取所述重叠区域中被标记的重复细胞区域,并将相邻目标识别图像中的一个或多个重复细胞区域删除,以保留相邻目标识别图像中的其中一个细胞区域的标记结果;
细胞区域第二标记模块,用于判断所述待识别图像中现存所有被标记的细胞区域是否为多细胞区域,若该细胞区域为多细胞区域,则基于第二预设分割规则将多细胞区域进行拆分,以根据拆分结果将得到的每个白细胞分别进行第二次标记;
标记结果计数模块,用于获取第二次标记后每份目标识别图像中所有的标记结果,并基于所述标记结果对每份所述目标识别图像中被标记出的各个白细胞进行细胞类型识别,以根据类型识别结果获取各个白细胞类型的细胞数量。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一所述的白细胞分类计数方法。
10.一种计算机设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任一所述的白细胞分类计数方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120811.4A CN115830025B (zh) | 2023-02-16 | 2023-02-16 | 白细胞分类计数方法、系统、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120811.4A CN115830025B (zh) | 2023-02-16 | 2023-02-16 | 白细胞分类计数方法、系统、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830025A true CN115830025A (zh) | 2023-03-21 |
CN115830025B CN115830025B (zh) | 2023-05-09 |
Family
ID=85521575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310120811.4A Active CN115830025B (zh) | 2023-02-16 | 2023-02-16 | 白细胞分类计数方法、系统、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830025B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342686A (zh) * | 2023-05-29 | 2023-06-27 | 苏州创腾软件有限公司 | 基于OpenCV图像处理的细胞分类计数方法和装置 |
CN117975097A (zh) * | 2023-12-22 | 2024-05-03 | 中国水产科学研究院南海水产研究所 | 一种浮游生物分类方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050202404A1 (en) * | 2002-04-22 | 2005-09-15 | Thomas Wittenberg | Method for separating a cell group contained in a sample into individual cells |
JP2011002995A (ja) * | 2009-06-18 | 2011-01-06 | Riron Soyaku Kenkyusho:Kk | 細胞認識装置、インキュベータおよびプログラム |
US20150030219A1 (en) * | 2011-01-10 | 2015-01-29 | Rutgers, The State University Of New Jersey | Method and apparatus for shape based deformable segmentation of multiple overlapping objects |
CN109801308A (zh) * | 2018-12-28 | 2019-05-24 | 西安电子科技大学 | 粘连类圆形目标图像的分割方法 |
CN112907603A (zh) * | 2021-02-05 | 2021-06-04 | 杭州电子科技大学 | 一种基于Unet和分水岭算法的细胞实例分割方法 |
CN113420745A (zh) * | 2021-08-25 | 2021-09-21 | 江西中业智能科技有限公司 | 基于图像的目标识别方法、系统、存储介质及终端设备 |
CN114283407A (zh) * | 2021-12-24 | 2022-04-05 | 江苏康尚生物医疗科技有限公司 | 一种自适应的白细胞自动分割、亚类检测方法及系统 |
CN114332095A (zh) * | 2021-12-09 | 2022-04-12 | 北京交通大学 | 一种基于多层结构的细胞分割方法、装置及电子设备 |
CN114943729A (zh) * | 2022-06-29 | 2022-08-26 | 南京九川科学技术有限公司 | 一种高分辨率细胞图像的细胞计数方法及系统 |
CN115620075A (zh) * | 2022-12-16 | 2023-01-17 | 南昌大学 | 白细胞分类模型用数据集的生成方法、系统及设备 |
-
2023
- 2023-02-16 CN CN202310120811.4A patent/CN115830025B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050202404A1 (en) * | 2002-04-22 | 2005-09-15 | Thomas Wittenberg | Method for separating a cell group contained in a sample into individual cells |
JP2011002995A (ja) * | 2009-06-18 | 2011-01-06 | Riron Soyaku Kenkyusho:Kk | 細胞認識装置、インキュベータおよびプログラム |
US20150030219A1 (en) * | 2011-01-10 | 2015-01-29 | Rutgers, The State University Of New Jersey | Method and apparatus for shape based deformable segmentation of multiple overlapping objects |
CN109801308A (zh) * | 2018-12-28 | 2019-05-24 | 西安电子科技大学 | 粘连类圆形目标图像的分割方法 |
CN112907603A (zh) * | 2021-02-05 | 2021-06-04 | 杭州电子科技大学 | 一种基于Unet和分水岭算法的细胞实例分割方法 |
CN113420745A (zh) * | 2021-08-25 | 2021-09-21 | 江西中业智能科技有限公司 | 基于图像的目标识别方法、系统、存储介质及终端设备 |
CN114332095A (zh) * | 2021-12-09 | 2022-04-12 | 北京交通大学 | 一种基于多层结构的细胞分割方法、装置及电子设备 |
CN114283407A (zh) * | 2021-12-24 | 2022-04-05 | 江苏康尚生物医疗科技有限公司 | 一种自适应的白细胞自动分割、亚类检测方法及系统 |
CN114943729A (zh) * | 2022-06-29 | 2022-08-26 | 南京九川科学技术有限公司 | 一种高分辨率细胞图像的细胞计数方法及系统 |
CN115620075A (zh) * | 2022-12-16 | 2023-01-17 | 南昌大学 | 白细胞分类模型用数据集的生成方法、系统及设备 |
Non-Patent Citations (2)
Title |
---|
SAHAR ZAFARI等: ""Comparison of Concave Point Detection Methods for Overlapping Convex Objects Segmentation"" * |
杨辉华等: ""基于水平集和凹点区域检测的粘连细胞分割方法"" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342686A (zh) * | 2023-05-29 | 2023-06-27 | 苏州创腾软件有限公司 | 基于OpenCV图像处理的细胞分类计数方法和装置 |
CN117975097A (zh) * | 2023-12-22 | 2024-05-03 | 中国水产科学研究院南海水产研究所 | 一种浮游生物分类方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115830025B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035187B (zh) | 一种医学图像的标注方法及装置 | |
KR102380493B1 (ko) | 골수 세포 표지 방법 및 시스템 | |
CN115830025A (zh) | 白细胞分类计数方法、系统、存储介质及计算机设备 | |
CN109378052B (zh) | 图像标注的预处理方法及系统 | |
CN110853022B (zh) | 病理切片图像的处理方法、装置、系统及存储介质 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
JP6733983B2 (ja) | 画像解析装置 | |
CN110992384B (zh) | 半自动化图像数据标注方法、电子装置及存储介质 | |
US11373309B2 (en) | Image analysis in pathology | |
EP3611695A1 (en) | Generating annotation data of tissue images | |
CN110490882B (zh) | 细胞膜染色图像分析方法、装置及系统 | |
CN114972922A (zh) | 基于机器学习的煤矸分选识别方法、装置及设备 | |
Liu et al. | Region segmentation via deformable model-guided split and merge | |
CN112037180B (zh) | 染色体分割方法及装置 | |
CN115620075B (zh) | 白细胞分类模型用数据集的生成方法、系统及设备 | |
CN111899253B (zh) | 胎儿颅脑切面图像的异常判断分析方法及装置 | |
CN113096080A (zh) | 图像分析方法及系统 | |
CN113177927A (zh) | 基于多特征和多分类器的骨髓细胞分类识别方法及系统 | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
EP2902969A1 (en) | Image processing device, image processing method, and image processing program | |
EP3611654A1 (en) | System and method for analysis of microscopic image data and for generating an annotated data set for classifier training | |
CN113096079A (zh) | 图像分析系统及其构建方法 | |
EP3381010B1 (en) | Process for processing medical images of a face for recognition of facial dysmorphisms | |
JP6296385B2 (ja) | 医用画像処理装置、その医用目的領域抽出方法及び医用目的領域抽出処理プログラム | |
CN113112475B (zh) | 一种基于机器学习的中医耳部五脏区域分割方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |