CN116486399A - 细胞图像识别方法、装置、电子设备及存储介质 - Google Patents

细胞图像识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116486399A
CN116486399A CN202310295966.1A CN202310295966A CN116486399A CN 116486399 A CN116486399 A CN 116486399A CN 202310295966 A CN202310295966 A CN 202310295966A CN 116486399 A CN116486399 A CN 116486399A
Authority
CN
China
Prior art keywords
image
cell
red blood
microscope
magnification
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
Application number
CN202310295966.1A
Other languages
English (en)
Inventor
杨武晨
张曦
彭贤贵
张�诚
陶廷露
刘思恒
邓小娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Second Affiliated Hospital Army Medical University
Original Assignee
Second Affiliated Hospital Army Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Second Affiliated Hospital Army Medical University filed Critical Second Affiliated Hospital Army Medical University
Priority to CN202310295966.1A priority Critical patent/CN116486399A/zh
Publication of CN116486399A publication Critical patent/CN116486399A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请提供一种细胞图像识别方法、装置、电子设备及存储介质。方法包括：当采集显微镜以第一倍率得到的第一图像中不存在对焦目标时，通过投影模块，向载物玻片投射红细胞图像以作为对焦目标；获取显微镜在第二放大倍率下的第二图像，其中，第二图像为采集显微镜根据投射的红细胞图像对焦载物玻片得到的图像，第二放大倍率大于第一放大倍率；将第二图像输入基于深度学习算法的经过训练的细胞识别模型，得到由细胞识别模型输出的第一识别结果，第一识别结果包括第二图像的检测区域中的细胞种类和细胞数量。如此，能改善因显微镜下玻片上无红细胞或较少的红细胞下，无法实现图像聚焦，进而无法对玻片上的体液样本进行细胞识别的问题。

Description

细胞图像识别方法、装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种细胞图像识别方法、装置、电子设备及存储介质。
背景技术
目前因血细胞人工智能识别设备的扫描仪，在进行自动扫描及细胞图像采集过程中，主要是通过显微镜下玻片背景中的成熟红细胞作为参照物，来进行扫描及识别的。若染色后的玻片上的体液中没有红细胞或红细胞少，则通常无法对玻片上的体液进行细胞的智能识别。
发明内容
有鉴于此，本申请实施例的目的在于提供一种细胞图像识别方法、装置、电子设备及存储介质，能够改善显微镜下玻片上无红细胞或红细胞较少时而无法对玻片上的体液进行细胞识别的问题。
为实现上述技术目的，本申请采用的技术方案如下：
第一方面，本申请实施例提供了一种细胞图像识别方法，所述方法包括：
获取显微镜在第一放大倍率下的第一图像，所述第一图像为采集所述显微镜下的载物玻片上染色后的体液得到的图像；
根据所述第一图像判断所述载物玻片是否存在对焦目标；
当所述第一图像中不存在所述对焦目标时，通过投影模块，向所述载物玻片投射红细胞图像以作为所述对焦目标；
获取所述显微镜在第二放大倍率下的第二图像，其中，所述第二图像为采集所述显微镜根据投射的所述红细胞图像对焦所述载物玻片得到的图像，所述第二放大倍率大于所述第一放大倍率；
将所述第二图像输入基于深度学习算法的经过训练的细胞识别模型，得到由所述细胞识别模型输出的第一识别结果，所述第一识别结果包括所述第二图像的检测区域中的细胞种类和细胞数量。
结合第一方面，在一些可选的实施方式中，所述方法还包括：
记录在获取所述第二图像时所述显微镜的目标焦距，并关闭所述投影模块；
获取所述显微镜在所述第二放大倍率下的第三图像，所述第三图像为采集所述显微镜在所述目标焦距下对焦所述载物玻片得到的图像；
将所述第三图像输入所述细胞识别模型，得到由所述细胞识别模型输出的第二识别结果；所述第二识别结果包括所述第三图像的检测区域中的细胞种类和细胞数量。
结合第一方面，在一些可选的实施方式中，在获取所述显微镜在第二放大倍率下的第二图像之前，所述方法还包括：
通过光源模块向所述载物玻片照射有色光。
结合第一方面，在一些可选的实施方式中，根据所述第一图像判断所述载物玻片是否存在对焦目标，包括：
将所述第一图像灰度处理得到灰度图像；
根据预设的边缘提取算法，提取所述灰度图像中的边缘特征；
根据所述边缘特征对应的图区面积和所述边缘特征的灰度值，确定所述载物玻片是否存在所述对焦目标，其中，当所述灰度值小于等于预设灰度对应的边缘特征的图区面积超过预设面积时，确定所述载物玻片存在所述对焦目标。
结合第一方面，在一些可选的实施方式中，根据所述第一图像判断所述载物玻片是否存在对焦目标，包括：
判断所述第一图像中是否存在表征红细胞的图区；
当所述第一图像中不存在表征红细胞的图区时，确定所述载物玻片上不存在所述对焦目标。
结合第一方面，在一些可选的实施方式中，所述投影模块为三维投影模块，所述红细胞图像为三维红细胞的图像。
结合第一方面，在一些可选的实施方式中，所述投影模块为二维投影模块，所述红细胞图像为二维红细胞的图像。
第二方面，本申请实施例还提供一种细胞图像识别装置，所述装置包括：
第一获取单元，用于获取显微镜在第一放大倍率下的第一图像，所述第一图像为采集所述显微镜下的载物玻片上染色后的体液得到的图像；
判断单元，用于根据所述第一图像判断所述载物玻片是否存在对焦目标；
投影单元，用于当所述第一图像中不存在所述对焦目标时，通过投影模块，向所述载物玻片投射红细胞图像以作为所述对焦目标；
第二获取单元，用于获取所述显微镜在第二放大倍率下的第二图像，其中，所述第二图像为采集所述显微镜根据投射的所述红细胞图像对焦所述载物玻片得到的图像，所述第二放大倍率大于所述第一放大倍率；
识别单元，用于将所述第二图像输入基于深度学习算法的经过训练的细胞识别模型，得到由所述细胞识别模型输出的第一识别结果，所述第一识别结果包括所述第二图像的检测区域中的细胞种类和细胞数量。
第三方面，本申请实施例还提供一种电子设备，所述电子设备包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行上述的方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。
采用上述技术方案的发明，具有如下优点：
在本申请提供的技术方案中，当采集显微镜下的第一图像中不存在对焦目标时，通过投影模块，向载物玻片投射红细胞图像以作为对焦目标，然后，获取显微镜在第二放大倍率下的第二图像，其中，第二图像为采集显微镜根据投射的红细胞图像对焦载物玻片得到的图像；再将第二图像输入基于深度学习算法的经过训练的细胞识别模型，得到由细胞识别模型输出的第一识别结果。如此，显微镜下玻片上无红细胞或红细胞较少时，通过向载物玻片投射红细胞图像以作为对焦目标，使得显微镜可以对载物玻片上的体液细胞进行对焦，从而能得到清晰的图像作为第二图像，然后，便可以利用第二图像进行体液细胞的识别，从而能改善因显微镜下玻片上无红细胞或较少的红细胞作为背景识别细胞的情况下，无法实现图像聚焦，进而无法对玻片上的体液样本或红细胞较少的血液样本进行细胞识别的问题，扩大细胞识别的适用场景。
附图说明
本申请可以通过附图给出的非限定性实施例进一步说明。应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的细胞图像识别方法的流程示意图。
图2A为本申请实施例提供的有红细胞的玻片染色后的图像。
图2B为本申请实施例提供的无红细胞的玻片染色后的图像。
具体实施方式
以下将结合附图和具体实施例对本申请进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请实施例提供一种电子设备可以包括处理模块及存储模块。存储模块内存储计算机程序，当计算机程序被所述处理模块执行时，使得电子设备能够执行下述细胞图像识别方法中的相应步骤。
电子设备可以为个人电脑，或者为用于进行细胞人工智能识别的终端设备。电子设备还可以包括其他模块，比如，电子设备还可以包括图像采集模块，用于采集显微镜下的玻片图像。图像采集模块可以是但不限于CCD相机。
请参照图1，本申请还提供一种细胞图像识别方法，可以应用于上述的电子设备，由该电子设备执行或实现方法的各步骤。其中，细胞图像识别方法可以包括如下步骤：
步骤110，获取显微镜在第一放大倍率下的第一图像，所述第一图像为采集所述显微镜下的载物玻片上染色后的体液得到的图像；
步骤120，根据所述第一图像判断所述载物玻片是否存在对焦目标；
步骤130，当所述第一图像中不存在所述对焦目标时，通过投影模块，向所述载物玻片投射红细胞图像以作为所述对焦目标；
步骤140，获取所述显微镜在第二放大倍率下的第二图像，其中，所述第二图像为采集所述显微镜根据投射的所述红细胞图像对焦所述载物玻片得到的图像，所述第二放大倍率大于所述第一放大倍率；
步骤150，将所述第二图像输入基于深度学习算法的经过训练的细胞识别模型，得到由所述细胞识别模型输出的第一识别结果，所述第一识别结果包括所述第二图像的检测区域中的细胞种类和细胞数量。
下面将对细胞图像识别方法的各步骤进行详细阐述，如下：
在步骤110中，电子设备可以利用图像采集模块，通过从显微镜的目镜处采集显微镜下位于载物台上的载物玻片的图像，所采集到的图像即为第一图像。第一放大倍率通常为较低的倍率，用于初步判断载物玻片的体液中是否存在红细胞类的对焦目标。作为一种示例，第一放大倍率可以为40倍，在其他实施方式中，第一放大倍率还可以为其他倍率，这里对第一放大倍率的值不作具体限定。
在本实施例中，载物玻片上用于检测的体液，可以包括但不限于脑脊液、胸水、腹水、关节液、心包积液等。
可理解地，体液中通常不存在红细胞，或者存在少量的红细胞。比如，在采集体液过程中，需要通过穿刺进行体液的采集，而在穿刺采集体液的过程中，可能会有少量的血液混合进入体液，从而使得采集的体液中存在少量的红细胞。
在利用显微镜进行体液的细胞识别时，通常需要对体液进行染色，使得体液中的细胞颜色与轮廓更为鲜明，以便于显微镜进行对焦。通常而言，成熟红细胞染色后，颜色轮廓更为鲜明，可以作为参照物或对焦目标。而体液中的其他细胞，如白细胞，即使经过染色，染色后的细胞轮廓仍然不如成熟红细胞的鲜明。
请结合参照图2A和图2B，有大量红细胞的玻片染色后，玻片的图像如图2A所示。在图2A中，深色图区(左侧图区)的红细胞的密度大于浅色图区(右侧图区)的红细胞密度。无红细胞的玻片染色后会无颜色背景或很淡，如图2B所示。
在本实施例中，步骤120根据所述第一图像判断所述载物玻片是否存在对焦目标，包括：
将所述第一图像灰度处理得到灰度图像；
根据预设的边缘提取算法，提取所述灰度图像中的边缘特征；
根据所述边缘特征对应的图区面积和所述边缘特征的灰度值，确定所述载物玻片是否存在所述对焦目标，其中，当所述灰度值小于等于预设灰度对应的边缘特征的图区面积超过预设面积时，确定所述载物玻片存在所述对焦目标。
在本实施例中，采集得到的第一图像通常为彩色图像。电子设备可以通过将第一图像灰度化，得到灰度图像。另外，边缘提取算法可以是但不限于Canny算法。
电子设备可以利用高斯滤波，来去除灰度图像中的噪声。然后，针对滤波后的灰度图像，采用Canny算法找寻图像的强度梯度。可理解地，灰度值为0-255，白色为255，黑色为0。在灰度图像中，对于灰度变化剧烈的边界处，灰度值的梯度越大。另外，在灰度图像中，存在灰度值较大且连续的线条或图区(即，灰度图像中存在颜色较深的图区)，则通常表示图像中存在对焦目标，如经过染色的成熟红细胞。若灰度图像中，不存在灰度值较大的图区(即，灰度图像中不存在颜色较深的图区)，则表示灰度图像中不存在对焦目标。
在本实施例中，预设灰度和预设面积均可以根据实际情况灵活确定，用于衡量灰度图像中是否存在对焦目标。
作为一种可选的实施方式，步骤120根据所述第一图像判断所述载物玻片是否存在对焦目标，可以包括：
判断所述第一图像中是否存在表征红细胞的图区；
当所述第一图像中不存在表征红细胞的图区时，确定所述载物玻片上不存在所述对焦目标。
可理解地，在判断第一图像中是否存在对焦目标时，可以通过图像相似度算法，判断第一图像中是否存在红细胞的图区。比如，电子设备预先存储有成熟红细胞的图像，以作为参考图像。然后，通过图像相似度算法，检测第一图像中，是否存在与参考图像相同或类似的图区以及图区的相似度。其中，图像相似度算法可以提取检测两个图像中相应的轮廓、颜色等特征，并进行相似度对比。
若第一图像中存在相似度超过预设值的图区，则确认第一图像中存在表征红细胞的图区，也就表示第一图像中存在对焦目标。
若第一图像中不存在相似度超过预设值的图区，则确认第一图像中不存在表征红细胞的图区，也就表示载物玻片上不存在对焦目标。
若第一图像中，存在对焦目标，此时，显微镜便可以对载物玻片上的体液进行准确对焦，图像采集模块也就能采集到清晰轮廓的图像。然后，对采集的图像自动进行细胞识别与分类计数。
若第一图像中，不存在对焦目标，此时，显微镜通常难以对载物玻片上的体液进行准确对焦，也就不利于图像采集模块采集到清晰细胞轮廓的图像。此时，便可以进入步骤130。
在步骤130中，利用投影模块向载物玻片投射红细胞图像，如此，使得载物玻片上存在容易被显微镜对焦的有色区域，从而有利于显微镜进行对焦，避免载物玻片透明或颜色较浅而无法进行对焦。
在本实施例中，所述投影模块为三维投影模块，投影在载物玻片上红细胞图像为三维红细胞的图像。
在其他实施方式中，所述投影模块可以为二维投影模块，投影在载物玻片上的红细胞图像为二维红细胞的图像。
可理解地，投射在载物玻片上的红细胞图像主要作为显微镜的对焦目标，以方便显微镜对载物玻片上的体液进行对焦。在其他实施方式中，投影模块还可以投射其他种类的深色图像，而不限于红细胞图像。
在本实施例中，向载物玻片投射红细胞图像后，显微镜便可以更为敏感地对载物玻片进行对焦。然后，在步骤140中可以由图像采集模块采集显微镜在第二放大倍率下的图像，以作为第二图像。第二放大倍率为用于进行细胞识别的高倍率，因此，第二放大倍率超过第一放大倍率。例如，第二放大倍率可以为100倍。
作为一种可选的实施方式，在步骤140获取所述显微镜在第二放大倍率下的第二图像之前，方法还可以包括：
通过光源模块向所述载物玻片照射有色光。
在本实施例中，光源模块可以发出单色的有色光。其中，有色光可以是但不限于红色激光、蓝色激光等单色光。通过光源模块向载物玻片照射有色光，有利于显微镜对载物玻片的光斑初进行对焦。
在本实施例中，方法还可以包括：
记录在获取所述第二图像时所述显微镜的目标焦距，并关闭所述投影模块；
获取所述显微镜在所述第二放大倍率下的第三图像，所述第三图像为采集所述显微镜在所述目标焦距下对焦所述载物玻片得到的图像；
将所述第三图像输入所述细胞识别模型，得到由所述细胞识别模型输出的第二识别结果；所述第二识别结果包括所述第三图像的检测区域中的细胞种类和细胞数量。
可理解地，通过记录目标焦距，并关闭投影模块，然后，在让显微镜以目标焦距对焦载物玻片，以得到第三图像。与第二图像相比，在第三图像中也就不存在投影的红细胞图像，且具有清晰轮廓的体液细胞图像。如此，方便细胞识别模型对第三图像进行细胞种类的识别和计数，排出投影的图像对细胞识别的干扰。
细胞识别模型检测细胞的种类和进行分类计数的方式为常规方式。例如，细胞识别模型可以为通过训练深度卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)得到的具有细胞种类识别和计数功能的模型。
本申请还提供一种细胞图像识别装置，细胞图像识别装置包括至少一个可以软件或固件(Firmware)的形式存储于存储模块中或固化在操作系统(Operating System，OS)中的软件功能模块。处理模块用于执行存储模块中存储的可执行模块，例如细胞图像识别装置所包括的软件功能模块及计算机程序等。
细胞图像识别装置包括第一获取单元、判断单元、投影单元、第二获取单元及识别单元，各单元具有的功能可以如下：
第一获取单元，用于获取显微镜在第一放大倍率下的第一图像，所述第一图像为采集所述显微镜下的载物玻片上染色后的体液得到的图像；
判断单元，用于根据所述第一图像判断所述载物玻片是否存在对焦目标；
投影单元，用于当所述第一图像中不存在所述对焦目标时，通过投影模块，向所述载物玻片投射红细胞图像以作为所述对焦目标；
第二获取单元，用于获取所述显微镜在第二放大倍率下的第二图像，其中，所述第二图像为采集所述显微镜根据投射的所述红细胞图像对焦所述载物玻片得到的图像，所述第二放大倍率大于所述第一放大倍率；
识别单元，用于将所述第二图像输入基于深度学习算法的经过训练的细胞识别模型，得到由所述细胞识别模型输出的第一识别结果，所述第一识别结果包括所述第二图像的检测区域中的细胞种类和细胞数量。
可选地，细胞图像识别装置还可以包括记录单元、第三获取单元。记录单元用于记录在获取所述第二图像时所述显微镜的目标焦距，并关闭所述投影模块；第三获取单元用于获取所述显微镜在所述第二放大倍率下的第三图像，所述第三图像为采集所述显微镜在所述目标焦距下对焦所述载物玻片得到的图像；识别单元还用于将所述第三图像输入所述细胞识别模型，得到由所述细胞识别模型输出的第二识别结果；所述第二识别结果包括所述第三图像的检测区域中的细胞种类和细胞数量。
可选地，细胞图像识别装置还可以包括光源控制单元。在第二获取单元获取所述显微镜在第二放大倍率下的第二图像之前，光源控制单元用于通过光源模块向所述载物玻片照射有色光。
可选地，判断单元可以用于：
将所述第一图像灰度处理得到灰度图像；
根据预设的边缘提取算法，提取所述灰度图像中的边缘特征；
根据所述边缘特征对应的图区面积和所述边缘特征的灰度值，确定所述载物玻片是否存在所述对焦目标，其中，当所述灰度值小于等于预设灰度对应的边缘特征的图区面积超过预设面积时，确定所述载物玻片存在所述对焦目标。
可选地，判断单元还可以用于：
判断所述第一图像中是否存在表征红细胞的图区；
当所述第一图像中不存在表征红细胞的图区时，确定所述载物玻片上不存在所述对焦目标。
在本实施例中，处理模块可以是一种集成电路芯片，具有信号的处理能力。上述处理模块可以是通用处理器。例如，该处理器可以是中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
存储模块可以是，但不限于，随机存取存储器，只读存储器，可编程只读存储器，可擦除可编程只读存储器，电可擦除可编程只读存储器等。在本实施例中，存储模块可以用于存储第一图像、第二图像、细胞识别模型等。当然，存储模块还可以用于存储程序，处理模块在接收到执行指令后，执行该程序。
需要说明的是，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法中的各步骤对应过程，在此不再过多赘述。
本申请实施例还提供一种计算机可读存储介质。计算机可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述实施例中所述的细胞图像识别方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本申请各个实施场景所述的方法。
综上所述，本申请实施例提供一种细胞图像识别方法、装置、电子设备及存储介质。在本方案中，若显微镜下玻片上无红细胞或红细胞较少时，通过向载物玻片投射红细胞图像以作为对焦目标，使得显微镜可以对载物玻片上的体液细胞进行对焦，从而能得到清晰的图像作为第二图像，然后，便可以利用第二图像进行体液细胞的识别，从而能改善因显微镜下玻片上无红细胞或红细胞较少时而无法对玻片上的体液进行细胞识别的问题，扩大细胞识别的适用场景。
在本申请所提供的实施例中，应该理解到，所揭露的装置、系统和方法，也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种细胞图像识别方法，其特征在于，所述方法包括：
获取显微镜在第一放大倍率下的第一图像，所述第一图像为采集所述显微镜下的载物玻片上染色后的体液得到的图像；
根据所述第一图像判断所述载物玻片是否存在对焦目标；
当所述第一图像中不存在所述对焦目标时，通过投影模块，向所述载物玻片投射红细胞图像以作为所述对焦目标；
获取所述显微镜在第二放大倍率下的第二图像，其中，所述第二图像为采集所述显微镜根据投射的所述红细胞图像对焦所述载物玻片得到的图像，所述第二放大倍率大于所述第一放大倍率；
将所述第二图像输入基于深度学习算法的经过训练的细胞识别模型，得到由所述细胞识别模型输出的第一识别结果，所述第一识别结果包括所述第二图像的检测区域中的细胞种类和细胞数量。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
记录在获取所述第二图像时所述显微镜的目标焦距，并关闭所述投影模块；
获取所述显微镜在所述第二放大倍率下的第三图像，所述第三图像为采集所述显微镜在所述目标焦距下对焦所述载物玻片得到的图像；
将所述第三图像输入所述细胞识别模型，得到由所述细胞识别模型输出的第二识别结果；所述第二识别结果包括所述第三图像的检测区域中的细胞种类和细胞数量。
3.根据权利要求1所述的方法，其特征在于，在获取所述显微镜在第二放大倍率下的第二图像之前，所述方法还包括：
通过光源模块向所述载物玻片照射有色光。
4.根据权利要求1所述的方法，其特征在于，根据所述第一图像判断所述载物玻片是否存在对焦目标，包括：
将所述第一图像灰度处理得到灰度图像；
根据预设的边缘提取算法，提取所述灰度图像中的边缘特征；
根据所述边缘特征对应的图区面积和所述边缘特征的灰度值，确定所述载物玻片是否存在所述对焦目标，其中，当所述灰度值小于等于预设灰度对应的边缘特征的图区面积超过预设面积时，确定所述载物玻片存在所述对焦目标。
5.根据权利要求1所述的方法，其特征在于，根据所述第一图像判断所述载物玻片是否存在对焦目标，包括：
判断所述第一图像中是否存在表征红细胞的图区；
当所述第一图像中不存在表征红细胞的图区时，确定所述载物玻片上不存在所述对焦目标。
6.根据权利要求1所述的方法，其特征在于，所述投影模块为三维投影模块，所述红细胞图像为三维红细胞的图像。
7.根据权利要求1所述的方法，其特征在于，所述投影模块为二维投影模块，所述红细胞图像为二维红细胞的图像。
8.一种细胞图像识别装置，其特征在于，所述装置包括：
第一获取单元，用于获取显微镜在第一放大倍率下的第一图像，所述第一图像为采集所述显微镜下的载物玻片上染色后的体液得到的图像；
判断单元，用于根据所述第一图像判断所述载物玻片是否存在对焦目标；
投影单元，用于当所述第一图像中不存在所述对焦目标时，通过投影模块，向所述载物玻片投射红细胞图像以作为所述对焦目标；
第二获取单元，用于获取所述显微镜在第二放大倍率下的第二图像，其中，所述第二图像为采集所述显微镜根据投射的所述红细胞图像对焦所述载物玻片得到的图像，所述第二放大倍率大于所述第一放大倍率；
识别单元，用于将所述第二图像输入基于深度学习算法的经过训练的细胞识别模型，得到由所述细胞识别模型输出的第一识别结果，所述第一识别结果包括所述第二图像的检测区域中的细胞种类和细胞数量。
9.一种电子设备，其特征在于，所述电子设备包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1-7中任一项所述的方法。
CN202310295966.1A 2023-03-23 2023-03-23 细胞图像识别方法、装置、电子设备及存储介质 Pending CN116486399A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310295966.1A CN116486399A (zh) 2023-03-23 2023-03-23 细胞图像识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310295966.1A CN116486399A (zh) 2023-03-23 2023-03-23 细胞图像识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116486399A true CN116486399A (zh) 2023-07-25

Family

ID=87222189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310295966.1A Pending CN116486399A (zh) 2023-03-23 2023-03-23 细胞图像识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116486399A (zh)

Similar Documents

Publication Publication Date Title
US11199690B2 (en) Determining a degree of red blood cell deformity within a blood sample
Chung et al. Efficient shadow detection of color aerial images based on successive thresholding scheme
Sopharak et al. Simple hybrid method for fine microaneurysm detection from non-dilated diabetic retinopathy retinal images
US5768412A (en) Region segmentation method for particle images and apparatus thereof
US10453195B2 (en) Method of detecting tissue area of interest in digital pathology imaging by executing computer-executable instructions stored on a non-transitory computer-readable medium
US20150187077A1 (en) Image processing device, program, image processing method, computer-readable medium, and image processing system
EP1986046B1 (en) A method for determining an in-focus position and a vision inspection system
JP6318755B2 (ja) 糸状性細菌検出装置および糸状性細菌の検出方法
WO2014087689A1 (ja) 画像処理装置、画像処理システム及びプログラム
CN109697716B (zh) 青光眼图像识别方法、设备和筛查系统
Shaikh et al. A novel approach for automatic number plate recognition
US7333656B2 (en) Image processing method and image processing apparatus
US20220012884A1 (en) Image analysis system and analysis method
CN106971141B (zh) 细胞区域确定方法、细胞拍摄系统及细胞图像处理装置
Pandit et al. Literature review on object counting using image processing techniques
Fatichah et al. Overlapping white blood cell segmentation and counting on microscopic blood cell images
JP2009122115A (ja) 細胞画像解析装置
JP2023503781A (ja) 眼底画像認識方法及び装置並びに設備
CN107367456B (zh) 一种免洗涤图像类流式荧光检测方法和系统
CN117309892B (zh) 一种电池蓝膜的缺陷检测方法、装置及系统和光源控制器
JP4271054B2 (ja) 細胞画像解析装置
CN114332058A (zh) 基于神经网络的血清质量识别方法、装置、设备及介质
US20150260973A1 (en) Focus determination apparatus, focus determination method, and imaging apparatus
CN116486399A (zh) 细胞图像识别方法、装置、电子设备及存储介质
CN116385357A (zh) 基于图像识别的试管状态判断方法、装置及系统

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