CN116503301A - 基于空间域的显微镜下细胞图像融合方法及装置 - Google Patents
基于空间域的显微镜下细胞图像融合方法及装置 Download PDFInfo
- Publication number
- CN116503301A CN116503301A CN202310760838.XA CN202310760838A CN116503301A CN 116503301 A CN116503301 A CN 116503301A CN 202310760838 A CN202310760838 A CN 202310760838A CN 116503301 A CN116503301 A CN 116503301A
- Authority
- CN
- China
- Prior art keywords
- fusion
- image
- cell
- channel
- under
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000004927 fusion Effects 0.000 claims abstract description 365
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 230000000007 visual effect Effects 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007500 overflow downdraw method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 256
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 229910052737 gold Inorganic materials 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- FWBHETKCLVMNFS-UHFFFAOYSA-N 4',6-Diamino-2-phenylindol Chemical compound C1=CC(C(=N)N)=CC=C1C1=CC2=CC=C(C(N)=N)C=C2N1 FWBHETKCLVMNFS-UHFFFAOYSA-N 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Microscoopes, Condenser (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于空间域的显微镜下细胞图像融合方法及装置，通过获取同一视野不同通道下的多组细胞图像，针对任一通道下的一组细胞图像，对该通道下的一组细胞图像进行前景识别，得到该通道下的各个细胞图像中的目标对象，对该通道下的各个细胞图像中的目标对象进行分割，得到该通道下的各个细胞图像中的待融合子图后，将该通道下的各个细胞图像中属于同一对象的待融合子图分组，对各个融合分组中的待融合子图进行图像融合，得到该通道下的全清晰图像，能够快捷、精确地实现细胞及荧光信号图像的融合。此外，根据细胞数量的不同设计了不同的分割方案，并为分散细胞与团聚细胞分别设计了融合方案，可以提高视觉效果，同时兼顾了算法效率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于空间域的显微镜下细胞图像融合方法及装置。
背景技术
由于光学显微镜的景深限制，在成像过程中很难在一个拍摄位置将深度距离相差很大的物体全部对焦。因此，通常采用图像多聚焦融合方法，将同一视野下z轴上不同位置拍摄的多张图像进行图像融合，最终获得全局对焦图像，实现景深扩展。然而，现有的图像多聚焦融合方法并非针对微观世界影像而设计，对于荧光显微镜在暗场观测到的包含细胞及荧光信号点的微观影像，现有的图像多聚焦融合方法的融合效果欠佳。
发明内容
本发明提供一种基于空间域的显微镜下细胞图像融合方法及装置，用以解决现有技术中融合效果欠佳的缺陷。
本发明提供一种基于空间域的显微镜下细胞图像融合方法，包括：
获取显微镜采集的同一视野不同通道下的多组细胞图像；其中，任一通道下的一组细胞图像是基于不同的Z轴位置拍摄得到的；
针对任一通道下的一组细胞图像，对所述任一通道下的一组细胞图像进行前景识别，得到所述任一通道下的各个细胞图像中的目标对象；
对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图后，将所述任一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组；
对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像。
根据本发明提供的一种基于空间域的显微镜下细胞图像融合方法，所述对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图，具体包括：
对所述任一通道下的各个细胞图像中的目标对象进行连通区域分析，得到所述任一通道下的各个细胞图像中的待融合子图；其中，任一待融合子图对应相应细胞图像中的一个连通区域；
或者，对所述任一通道下的各个细胞图像中的目标对象进行连通区域分析，得到所述任一通道下的各个细胞图像中的连通区域后，对所述各个细胞图像中的连通区域进行细胞分割，得到所述任一通道下的各个细胞图像中的待融合子图；其中，任一待融合子图对应相应细胞图像中的一个细胞。
根据本发明提供的一种基于空间域的显微镜下细胞图像融合方法，所述对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像，具体包括：
将任一融合分组中的各个待融合子图进行融合，得到所述任一融合分组对应的融合图像，并基于所述任一融合分组中各个待融合子图的坐标，确定所述任一融合分组对应的融合图像在所述任一通道下的全清晰图像中的位置；
基于各个融合分组对应的融合图像及其在所述任一通道下的全清晰图像中的位置，生成所述任一通道下的全清晰图像。
根据本发明提供的一种基于空间域的显微镜下细胞图像融合方法，所述将任一融合分组中的各个待融合子图进行融合，得到所述任一融合分组对应的融合图像，具体包括：
确定所述任一融合分组中各个待融合子图的图像清晰度，并选取图像清晰度最高的待融合子图作为所述任一融合分组对应的融合图像；
或者，基于所述任一融合分组中的各个待融合子图中对应同一坐标处的像素值进行融合，得到所述任一融合分组对应的融合图像。
根据本发明提供的一种基于空间域的显微镜下细胞图像融合方法，所述基于所述任一融合分组中的各个待融合子图中对应同一坐标处的像素值进行融合，得到所述任一融合分组对应的融合图像，具体包括：
基于所述任一融合分组中的各个待融合子图中对应同一坐标处的像素值以及所述各个待融合子图的权重进行加权求和，确定所述任一融合分组对应的融合图像中相应坐标处的像素值，得到所述任一融合分组对应的融合图像；
其中，所述各个待融合子图的权重是基于相应待融合子图的图像清晰度确定的，任一待融合子图的图像清晰度越高，所述任一待融合子图的权重越高。
根据本发明提供的一种基于空间域的显微镜下细胞图像融合方法，所述对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像，之后还包括：
对各个通道下的全清晰图像分别进行细胞级别的识别与分割以及信号点级别的识别与分割，得到所述各个通道下的全清晰图像中的细胞区域和各个细胞区域内的信号点区域；
将所述各个通道下的全清晰图像中属于同一细胞的细胞区域分组，得到多个二次融合分组；
基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像；所有二次融合分组对应的二次融合图像组成多通道融合图像。
根据本发明提供的一种基于空间域的显微镜下细胞图像融合方法，所述基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像，具体包括：
基于所述任一二次融合分组中对应当前通道的细胞区域的坐标，将所述任一二次融合分组中对应当前通道的细胞区域堆叠至上一过程融合图像，得到当前过程融合图像；其中，若所述任一二次融合分组中对应当前通道的细胞区域内的信号点区域与所述上一过程融合图像中的信号点区域存在重叠，则将所述任一二次融合分组中对应当前通道的细胞区域内的重叠信号点区域进行旋转和/或位移后，堆叠至上一过程融合图像；
其中，初始的过程融合图像为任一二次融合分组中对应任一通道的细胞区域；所述任一二次融合分组中对应最后一个通道的细胞区域堆叠完成后得到的过程融合图像为所述任一二次融合分组对应的二次融合图像。
根据本发明提供的一种基于空间域的显微镜下细胞图像融合方法，所述基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像，之后还包括：
确定所述多通道融合图像的平均梯度、空间频率、信息熵、互信息、结构相似性、边缘信息量度量和视觉信息保真度中的一种或多种，得到所述多通道融合图像的客观指标得分；
基于用户输入的所述多通道融合图像的主观指标得分以及所述客观指标得分，确定所述多通道融合图像的融合评分。
本发明还提供一种基于空间域的显微镜下细胞图像融合装置，包括：
图像获取单元，用于获取显微镜采集的同一视野不同通道下的多组细胞图像；其中，任一通道下的一组细胞图像是基于不同的Z轴位置拍摄得到的；
图像识别单元，用于针对任一通道下的一组细胞图像，对所述任一通道下的一组细胞图像进行前景识别，得到所述任一通道下的各个细胞图像中的目标对象；
图像组合单元，用于对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图后，将所述任一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组；
图像融合单元，用于对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像。
本发明还提供一种电子设备，包括存储器、处理器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上述任一种所述基于空间域的显微镜下细胞图像融合方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于空间域的显微镜下细胞图像融合方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于空间域的显微镜下细胞图像融合方法。
本发明提供的基于空间域的显微镜下细胞图像融合方法及装置，通过获取显微镜采集的同一视野不同通道下的多组细胞图像，针对任一通道下的一组细胞图像，对该通道下的一组细胞图像进行前景识别，得到该通道下的各个细胞图像中的目标对象，对该通道下的各个细胞图像中的目标对象进行分割，得到该通道下的各个细胞图像中的待融合子图后，将该通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组，对各个融合分组中的待融合子图进行图像融合，得到该通道下的全清晰图像，能够快捷、精确地实现细胞及荧光信号图像的融合。此外，根据细胞数量的不同设计了不同的分割方案，并为分散细胞与团聚细胞分别设计了融合方案，可以提高视觉效果，最大程度保留源图像细节信息，同时兼顾了算法效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明提供的基于空间域的显微镜下细胞图像融合方法的流程示意图；
图2是本发明提供的细胞图像采集示意图；
图3是本发明提供的目标对象分割示意图；
图4是本发明提供的待融合子图的块级融合示意图；
图5是本发明提供的待融合子图的像素级融合示意图；
图6是本发明提供的二次融合示意图；
图7是本发明提供的基于空间域的显微镜下细胞图像融合装置的结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明提供的基于空间域的显微镜下细胞图像融合方法的流程示意图，如图1所示，该方法包括：
步骤110，获取显微镜采集的同一视野不同通道下的多组细胞图像；其中，任一通道下的一组细胞图像是基于不同的Z轴位置拍摄得到的。
具体地，在暗场照明环境下使用荧光显微镜，在同一样本同一视野的多个通道（例如Dapi通道、Green通道、Red通道、Gold通道和Aqua通道）下，采用不同波长的激发光照射，分别拍摄一组灰度的细胞图像，得到多组细胞图像。其中，Dapi通道下的细胞图像为细胞核图像，Green、Red、Gold、Aqua通道下的图像为利用FISH技术得到的各个细胞内染色体上的信号点图像。对每个通道而言，如图2所示，可以通过调整载物台与镜头之间的距离，即z轴位置，拍摄一组具有不同焦平面的细胞图像。在一些实施例中，每组细胞图像共计15张，每张图像大小约350kb~380kb，分辨率为2448×2048，共有5×15，75张细胞图像。每组细胞图像能够将该视野下样本全部目标对象（即细胞）完整拍摄。
步骤120，针对任一通道下的一组细胞图像，对所述任一通道下的一组细胞图像进行前景识别，得到所述任一通道下的各个细胞图像中的目标对象。
具体地，拍摄到的细胞图像背景为黑色，前景为灰色，前景与背景之间存在明显区别，且背景为无用信息，因此可以将各个通道下的多个细胞图像中的前景识别出来，得到各个通道下的各个细胞图像中的目标对象（即细胞区域，任一目标对象可能对应独立的离散细胞或是团聚的粘连细胞），后续处理仅对该目标对象进行操作，进一步精简、提纯数据集，以提高算法效率和融合效果。其中，可通过灰度值、二值化、边缘检测、图形检测等图像处理的方法完成前景识别。
步骤130，对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图后，将所述任一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组。
具体地，针对各个通道下的各个细胞图像，将各个细胞图像中识别出的目标对象分割为一小区域子图，得到待融合子图，作为最小处理单元。针对通道i下的第j个细胞图像，被分割出的第n个待融合子图可以记为Ci,j,n。
在一些实施例中，根据分割细化程度，目标对象的分割方法可分为两种：斑块级和细胞级。其中，斑块级分割方法是以细胞图像中的连通区域为最小处理单元（即待融合子图），细胞级分割方法则是以细胞图像中的细胞为最小处理单元（即待融合子图）。两种分割方法的示意图如图3所示，其中左图为细胞图像，中间的图示意了斑块级分割方法的分割结果，右图示意了细胞级分割方法的分割结果。
具体而言，斑块级分割方法是对各个通道下的各个细胞图像中的目标对象进行连通区域分析，将细胞图像中的各个连通区域作为该细胞图像的待融合子图。细胞级分割方法是对各个通道下的各个细胞图像中的目标对象进行连通区域分析，得到各个通道下的各个细胞图像中的连通区域后，对各个细胞图像中的连通区域进行进一步的细胞分割，将其中粘连在一起的细胞分割开，得到各个通道下的各个细胞图像中的待融合子图，可见，任一待融合子图对应相应细胞图像中的一个细胞。
对比上述两种分割方法，其中细胞级分割方法可以将团聚细胞分割为独立细胞，后续融合时可以以细胞为单元进行精细融合，使得后续的融合结果更加精确和细致，而斑块级分割方法的分割效率相对更高。因此，具体采用何种分割方式，可以基于细胞图像中目标对象的数量和/或实际应用场景下对于分割效率的要求进行选择，本发明实施例对此不作具体限定。例如，可以预先设定数量阈值，若细胞图像中目标对象数量大于该数量阈值，则采用斑块级分割方法对该细胞图像进行分割，以降低处理时间，否则采用细胞级分割方法对该细胞图像进行分割，以提高分割精度。
得到各个通道下的各个细胞图像中的待融合子图后，可以将同一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到该通道对应的多个融合分组。其中，任一通道对应的任一融合分组中包含了该通道下的各个细胞图像中属于同一对象的待融合子图。需要说明的是，若待融合子图是通过斑块级分割方法得到的，则任一通道对应的任一融合分组中包含了该通道下的各个细胞图像中属于同一连通区域的待融合子图；若待融合子图是通过细胞级分割方法得到的，则任一通道对应的任一融合分组中包含了该通道下的各个细胞图像中属于同一细胞的待融合子图。具体在分组时，可以根据待融合子图的位置（例如待融合子图的中心坐标）和图像特征（例如待融合子图的形状、面积等）判断各个待融合子图是否属于同一对象。其中，若来自不同细胞图像的两个待融合子图的位置之间的差异以及图像特征之间的差异均小于相应阈值，则可以确定这两个待融合子图属于同一对象。
步骤140，对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像。
具体地，将任一通道下对应的多个融合分组按组进行图像融合，其中针对任一融合分组，可以将该融合分组中的待融合子图融合为一个子图，从而得到各个融合分组融合得到的子图组合而成的该通道下的全清晰图像。
在一些实施例中，可以将任一融合分组中的各个待融合子图进行融合，得到该融合分组对应的融合图像，并基于该融合分组中各个待融合子图的坐标，确定该融合分组对应的融合图像在该通道下的全清晰图像中的位置。其中，可以将该融合分组中各个待融合子图的中心坐标的平均值作为该融合分组对应的融合图像在该通道下的全清晰图像中的位置。随后，基于各个融合分组对应的融合图像及其在该通道下的全清晰图像中的位置，生成该通道下的全清晰图像。
此处，融合分组中各个待融合子图的融合方案有两种，即块级融合和像素级融合。前者以待融合子图子图为融合单元，而后者则以待融合子图的像素为融合单元。具体而言，块级融合是通过确定任一融合分组中各个待融合子图的图像清晰度，然后选取图像清晰度最高的待融合子图作为该融合分组对应的融合图像，其融合示意图如图4所示。其中，待融合子图的图像清晰度可以利用Brenner、Tenengard、Laplacian、SMD、SMD2、Variance、Energy和EAV点锐度算法函数中的任一种清晰度评价函数计算得到。
像素级融合是基于任一融合分组中的各个待融合子图中对应同一坐标处的像素值进行融合，得到该融合分组对应的融合图像。进一步地，对于像素级融合，可以基于任一融合分组中的各个待融合子图中对应同一坐标处的像素值以及各个待融合子图的权重进行加权求和，确定该融合分组对应的融合图像中相应坐标处的像素值，从而得到该融合分组对应的融合图像。即，如图5所示，可以采用如下方式确定该融合分组对应的融合图像中坐标（x，y）处的像素值：
其中，为该融合分组中第j个待融合子图在坐标（x，y）处的像素值，/>为该融合分组中第j个待融合子图的权重，各个待融合子图的权重之和为1。
此处，各个待融合子图的权重是基于相应待融合子图的图像清晰度确定的，任一待融合子图的图像清晰度越高，该待融合子图的权重越高。例如，可以采用如下公式确定各个待融合子图的权重：
其中，为第i个融合分组中第k个待融合子图的权重，/>为第i个融合分组中第k个待融合子图的图像清晰度，/>为第i个融合分组中第j个待融合子图的图像清晰度。
在一些实施例中，若待融合子图对应分散分布的或低聚集的细胞，可以采用块级融合方案以提高融合速度，若待融合子图对应高度团聚的细胞，可以采用像素级融合方案以最大化保留源图信息。
本发明实施例提供的方法，通过获取显微镜采集的同一视野不同通道下的多组细胞图像，针对任一通道下的一组细胞图像，对该通道下的一组细胞图像进行前景识别，得到该通道下的各个细胞图像中的目标对象，对该通道下的各个细胞图像中的目标对象进行分割，得到该通道下的各个细胞图像中的待融合子图后，将该通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组，对各个融合分组中的待融合子图进行图像融合，得到该通道下的全清晰图像，能够快捷、精确地实现细胞及荧光信号图像的融合。此外，根据细胞数量的不同设计了不同的分割方案，并为分散细胞与团聚细胞分别设计了融合方案，可以提高视觉效果，最大程度保留源图像细节信息，同时兼顾了算法效率。
基于上述实施例，在得到各个通道下的全清晰图像之后，上述细胞图像融合方法还包括：
对各个通道下的全清晰图像分别进行细胞级别的识别与分割以及信号点级别的识别与分割，得到所述各个通道下的全清晰图像中的细胞区域和各个细胞区域内的信号点区域；
将所述各个通道下的全清晰图像中属于同一细胞的细胞区域分组，得到多个二次融合分组；
基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像；所有二次融合分组对应的二次融合图像组成多通道融合图像。
具体地，完成上述工作后得到各个通道下的全清晰图像，然后将各个通道下的全清晰图像进行二次融合，将各个通道下的全清晰图像中的目标对象（即细胞）堆叠在一起。具体而言，对各个通道下的全清晰图像分别进行细胞级别的识别与分割以及信号点级别的识别与分割，得到各个通道下的全清晰图像中的细胞区域和各个细胞区域内的信号点区域。其中，细胞级别的识别与分割以及信号点级别的识别与分割方式与上述实施例中提供的前景识别和目标对象分割方式类似，在此不再赘述。
随后，将各个通道下的全清晰图像中属于同一细胞的细胞区域分组，得到多个二次融合分组。即，任一二次融合分组中包括各个通道下的全清晰图像中属于同一细胞的细胞区域。然后，可以基于任一二次融合分组中各个细胞区域的坐标，将各个通道下的全清晰图像中的相应细胞区域（即该二次融合分组中对应各个通道的细胞区域）进行堆叠，得到该二次融合分组对应的二次融合图像。任一二次融合分组对应的二次融合图像即各个通道下的全清晰图像中对应同一细胞的区域融合结果，所有二次融合分组对应的二次融合图像组成多通道融合图像，实现了多通道全局对焦。在一些实施例中，可以将Dapi通道图像做弱化映射，降低像素值（变暗）后，作为背景锚点，然后根据任一二次融合分组中各个细胞区域的坐标，将该二次融合分组中对应Green、Red、Gold、Aqua通道的细胞区域逐一叠加上去。堆叠得到的任一二次融合分组对应的二次融合图像如图6所示，二次融合图像中显示了该细胞在各个通道下的所有信号点，包括Green、Red、Gold、Aqua通道下共8个信号点。
在一些实施例中，在逐一堆叠该二次融合分组中对应各个通道的细胞区域的过程中，可以基于该二次融合分组中对应当前通道的细胞区域的坐标，将该二次融合分组中对应当前通道的细胞区域堆叠至上一过程融合图像，得到当前过程融合图像。其中，初始的过程融合图像即为任一二次融合分组中对应任一通道（例如Green通道）的细胞区域，而该二次融合分组中对应最后一个通道（例如Aqua通道）的细胞区域堆叠完成后得到的过程融合图像即为该二次融合分组对应的二次融合图像。在堆叠过程中，若该二次融合分组中对应当前通道的细胞区域内的信号点区域与上一过程融合图像中的信号点区域（上一过程融合图像中的信号点区域包括该过程融合图像所堆叠的各个细胞区域内的信号点区域）存在重叠，则将该二次融合分组中对应当前通道的细胞区域内的重叠信号点区域进行旋转和/或位移后，堆叠至上一过程融合图像，将物理空间上重合的信号位移和/或旋转，使之在影像上错开，以在视觉上消除重合带来的不佳观感，实现无遮挡视觉效果。其中，重叠信号点区域即该二次融合分组中对应当前通道的细胞区域内与上一过程融合图像中的信号点区域存在重叠的信号点区域。
基于上述任一实施例，所述基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像，之后还包括：
确定所述多通道融合图像的平均梯度、空间频率、信息熵、互信息、结构相似性、边缘信息量度量和视觉信息保真度中的一种或多种，得到所述多通道融合图像的客观指标得分；
基于用户输入的所述多通道融合图像的主观指标得分以及所述客观指标得分，确定所述多通道融合图像的融合评分。
具体地，为了对二次融合得到的多通道融合图像进行评价以确定上述细胞图像融合方法的效果，可以对其进行主客观结合评分。其中，可以确定多通道融合图像的平均梯度（Average Gradient，AG）、空间频率（Spatial Frequency，SF）、信息熵（InformationEntropy，IE）、互信息（Mutual Information，MI）、结构相似性（Structural Similarity，SSIM）、边缘信息量度量（QE）和视觉信息保真度（Visual Information Fidelity ofFusion，VIFF）中的一种或多种，得到多通道融合图像的一项或多项客观指标得分。多通道融合图像的主观指标得分可按表1由专业人员进行打分。
表1
综合用户输入的多通道融合图像的主观指标得分以及上述客观指标得分，确定多通道融合图像的融合评分。其中，可以为各项客观指标得分以及主观指标得分设定相应权重，从而求取多通道融合图像的主观指标得分以及上述客观指标得分的加权平均值，作为多通道融合图像的融合评分。
下面对本发明提供的基于空间域的显微镜下细胞图像融合装置进行描述，下文描述的基于空间域的显微镜下细胞图像融合装置与上文描述的基于空间域的显微镜下细胞图像融合方法可相互对应参照。
基于上述任一实施例，图7是本发明提供的基于空间域的显微镜下细胞图像融合装置的结构示意图，如图7所示，该装置包括：图像获取单元710、图像识别单元720、图像组合单元730和图像融合单元740。
其中，图像获取单元710用于获取显微镜采集的同一视野不同通道下的多组细胞图像；其中，任一通道下的一组细胞图像是基于不同的Z轴位置拍摄得到的；
图像识别单元720用于针对任一通道下的一组细胞图像，对所述任一通道下的一组细胞图像进行前景识别，得到所述任一通道下的各个细胞图像中的目标对象；
图像组合单元730用于对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图后，将所述任一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组；
图像融合单元740用于对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像。
本发明实施例提供的装置，通过获取显微镜采集的同一视野不同通道下的多组细胞图像，针对任一通道下的一组细胞图像，对该通道下的一组细胞图像进行前景识别，得到该通道下的各个细胞图像中的目标对象，对该通道下的各个细胞图像中的目标对象进行分割，得到该通道下的各个细胞图像中的待融合子图后，将该通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组，对各个融合分组中的待融合子图进行图像融合，得到该通道下的全清晰图像，能够快捷、精确地实现细胞及荧光信号图像的融合。此外，根据细胞数量的不同设计了不同的分割方案，并为分散细胞与团聚细胞分别设计了融合方案，可以提高视觉效果，最大程度保留源图像细节信息，同时兼顾了算法效率。
基于上述任一实施例，所述对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图，具体包括：
对所述任一通道下的各个细胞图像中的目标对象进行连通区域分析，得到所述任一通道下的各个细胞图像中的待融合子图；其中，任一待融合子图对应相应细胞图像中的一个连通区域；
或者，对所述任一通道下的各个细胞图像中的目标对象进行连通区域分析，得到所述任一通道下的各个细胞图像中的连通区域后，对所述各个细胞图像中的连通区域进行细胞分割，得到所述任一通道下的各个细胞图像中的待融合子图；其中，任一待融合子图对应相应细胞图像中的一个细胞。
基于上述任一实施例，所述对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像，具体包括：
将任一融合分组中的各个待融合子图进行融合，得到所述任一融合分组对应的融合图像，并基于所述任一融合分组中各个待融合子图的坐标，确定所述任一融合分组对应的融合图像在所述任一通道下的全清晰图像中的位置；
基于各个融合分组对应的融合图像及其在所述任一通道下的全清晰图像中的位置，生成所述任一通道下的全清晰图像。
基于上述任一实施例，所述将任一融合分组中的各个待融合子图进行融合，得到所述任一融合分组对应的融合图像，具体包括：
确定所述任一融合分组中各个待融合子图的图像清晰度，并选取图像清晰度最高的待融合子图作为所述任一融合分组对应的融合图像；
或者，基于所述任一融合分组中的各个待融合子图中对应同一坐标处的像素值进行融合，得到所述任一融合分组对应的融合图像。
基于上述任一实施例，所述基于所述任一融合分组中的各个待融合子图中对应同一坐标处的像素值进行融合，得到所述任一融合分组对应的融合图像，具体包括：
基于所述任一融合分组中的各个待融合子图中对应同一坐标处的像素值以及所述各个待融合子图的权重进行加权求和，确定所述任一融合分组对应的融合图像中相应坐标处的像素值，得到所述任一融合分组对应的融合图像；
其中，所述各个待融合子图的权重是基于相应待融合子图的图像清晰度确定的，任一待融合子图的图像清晰度越高，所述任一待融合子图的权重越高。
基于上述任一实施例，所述对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像之后，图像融合单元740还用于：
对各个通道下的全清晰图像分别进行细胞级别的识别与分割以及信号点级别的识别与分割，得到所述各个通道下的全清晰图像中的细胞区域和各个细胞区域内的信号点区域；
将所述各个通道下的全清晰图像中属于同一细胞的细胞区域分组，得到多个二次融合分组；
基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像；所有二次融合分组对应的二次融合图像组成多通道融合图像。
基于上述任一实施例，所述基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像，具体包括：
基于所述任一二次融合分组中对应当前通道的细胞区域的坐标，将所述任一二次融合分组中对应当前通道的细胞区域堆叠至上一过程融合图像，得到当前过程融合图像；其中，若所述任一二次融合分组中对应当前通道的细胞区域内的信号点区域与所述上一过程融合图像中的信号点区域存在重叠，则将所述任一二次融合分组中对应当前通道的细胞区域内的重叠信号点区域进行旋转和/或位移后，堆叠至上一过程融合图像；
其中，初始的过程融合图像为任一二次融合分组中对应任一通道的细胞区域；所述任一二次融合分组中对应最后一个通道的细胞区域堆叠完成后得到的过程融合图像为所述任一二次融合分组对应的二次融合图像。
基于上述任一实施例，该装置还包括评价单元，所述基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像之后，评价单元用于：
确定所述多通道融合图像的平均梯度、空间频率、信息熵、互信息、结构相似性、边缘信息量度量和视觉信息保真度中的一种或多种，得到所述多通道融合图像的客观指标得分；
基于所述用户输入的所述多通道融合图像的主观指标得分以及所述客观指标得分，确定所述多通道融合图像的融合评分。
图8是本发明提供的电子设备的结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、存储器(memory)820、通信接口(Communications Interface)830和通信总线840，其中，处理器810，存储器820，通信接口830通过通信总线840完成相互间的通信。处理器810可以调用存储器820中的逻辑指令，以执行基于空间域的显微镜下细胞图像融合方法，该方法包括：获取显微镜采集的同一视野不同通道下的多组细胞图像；其中，任一通道下的一组细胞图像是基于不同的Z轴位置拍摄得到的；针对任一通道下的一组细胞图像，对所述任一通道下的一组细胞图像进行前景识别，得到所述任一通道下的各个细胞图像中的目标对象；对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图后，将所述任一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组；对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像。
此外，上述的存储器820中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于空间域的显微镜下细胞图像融合方法，该方法包括：获取显微镜采集的同一视野不同通道下的多组细胞图像；其中，任一通道下的一组细胞图像是基于不同的Z轴位置拍摄得到的；针对任一通道下的一组细胞图像，对所述任一通道下的一组细胞图像进行前景识别，得到所述任一通道下的各个细胞图像中的目标对象；对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图后，将所述任一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组；对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于空间域的显微镜下细胞图像融合方法，该方法包括：获取显微镜采集的同一视野不同通道下的多组细胞图像；其中，任一通道下的一组细胞图像是基于不同的Z轴位置拍摄得到的；针对任一通道下的一组细胞图像，对所述任一通道下的一组细胞图像进行前景识别，得到所述任一通道下的各个细胞图像中的目标对象；对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图后，将所述任一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组；对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于空间域的显微镜下细胞图像融合方法，其特征在于，包括：
获取显微镜采集的同一视野不同通道下的多组细胞图像；其中，任一通道下的一组细胞图像是基于不同的Z轴位置拍摄得到的；
针对任一通道下的一组细胞图像，对所述任一通道下的一组细胞图像进行前景识别，得到所述任一通道下的各个细胞图像中的目标对象；
对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图后，将所述任一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组；
对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像。
2.根据权利要求1所述的基于空间域的显微镜下细胞图像融合方法，其特征在于，所述对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图，具体包括：
对所述任一通道下的各个细胞图像中的目标对象进行连通区域分析，得到所述任一通道下的各个细胞图像中的待融合子图；其中，任一待融合子图对应相应细胞图像中的一个连通区域；
或者，对所述任一通道下的各个细胞图像中的目标对象进行连通区域分析，得到所述任一通道下的各个细胞图像中的连通区域后，对所述各个细胞图像中的连通区域进行细胞分割，得到所述任一通道下的各个细胞图像中的待融合子图；其中，任一待融合子图对应相应细胞图像中的一个细胞。
3.根据权利要求1所述的基于空间域的显微镜下细胞图像融合方法，其特征在于，所述对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像，具体包括：
将任一融合分组中的各个待融合子图进行融合，得到所述任一融合分组对应的融合图像，并基于所述任一融合分组中各个待融合子图的坐标，确定所述任一融合分组对应的融合图像在所述任一通道下的全清晰图像中的位置；
基于各个融合分组对应的融合图像及其在所述任一通道下的全清晰图像中的位置，生成所述任一通道下的全清晰图像。
4.根据权利要求3所述的基于空间域的显微镜下细胞图像融合方法，其特征在于，所述将任一融合分组中的各个待融合子图进行融合，得到所述任一融合分组对应的融合图像，具体包括：
确定所述任一融合分组中各个待融合子图的图像清晰度，并选取图像清晰度最高的待融合子图作为所述任一融合分组对应的融合图像；
或者，基于所述任一融合分组中的各个待融合子图中对应同一坐标处的像素值进行融合，得到所述任一融合分组对应的融合图像。
5.根据权利要求4所述的基于空间域的显微镜下细胞图像融合方法，其特征在于，所述基于所述任一融合分组中的各个待融合子图中对应同一坐标处的像素值进行融合，得到所述任一融合分组对应的融合图像，具体包括：
基于所述任一融合分组中的各个待融合子图中对应同一坐标处的像素值以及所述各个待融合子图的权重进行加权求和，确定所述任一融合分组对应的融合图像中相应坐标处的像素值，得到所述任一融合分组对应的融合图像；
其中，所述各个待融合子图的权重是基于相应待融合子图的图像清晰度确定的，任一待融合子图的图像清晰度越高，所述任一待融合子图的权重越高。
6.根据权利要求1至5任一项所述的基于空间域的显微镜下细胞图像融合方法，其特征在于，所述对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像，之后还包括：
对各个通道下的全清晰图像分别进行细胞级别的识别与分割以及信号点级别的识别与分割，得到所述各个通道下的全清晰图像中的细胞区域和各个细胞区域内的信号点区域；
将所述各个通道下的全清晰图像中属于同一细胞的细胞区域分组，得到多个二次融合分组；
基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像；所有二次融合分组对应的二次融合图像组成多通道融合图像。
7.根据权利要求6所述的基于空间域的显微镜下细胞图像融合方法，其特征在于，所述基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像，具体包括：
基于所述任一二次融合分组中对应当前通道的细胞区域的坐标，将所述任一二次融合分组中对应当前通道的细胞区域堆叠至上一过程融合图像，得到当前过程融合图像；其中，若所述任一二次融合分组中对应当前通道的细胞区域内的信号点区域与所述上一过程融合图像中的信号点区域存在重叠，则将所述任一二次融合分组中对应当前通道的细胞区域内的重叠信号点区域进行旋转和/或位移后，堆叠至上一过程融合图像；
其中，初始的过程融合图像为任一二次融合分组中对应任一通道的细胞区域；所述任一二次融合分组中对应最后一个通道的细胞区域堆叠完成后得到的过程融合图像为所述任一二次融合分组对应的二次融合图像。
8.根据权利要求6所述的基于空间域的显微镜下细胞图像融合方法，其特征在于，所述基于任一二次融合分组中各个细胞区域的坐标，将所述各个通道下的全清晰图像中的相应细胞区域进行堆叠，得到所述任一二次融合分组对应的二次融合图像，之后还包括：
确定所述多通道融合图像的平均梯度、空间频率、信息熵、互信息、结构相似性、边缘信息量度量和视觉信息保真度中的一种或多种，得到所述多通道融合图像的客观指标得分；
基于用户输入的所述多通道融合图像的主观指标得分以及所述客观指标得分，确定所述多通道融合图像的融合评分。
9.一种基于空间域的显微镜下细胞图像融合装置，其特征在于，包括：
图像获取单元，用于获取显微镜采集的同一视野不同通道下的多组细胞图像；其中，任一通道下的一组细胞图像是基于不同的Z轴位置拍摄得到的；
图像识别单元，用于针对任一通道下的一组细胞图像，对所述任一通道下的一组细胞图像进行前景识别，得到所述任一通道下的各个细胞图像中的目标对象；
图像组合单元，用于对所述任一通道下的各个细胞图像中的目标对象进行分割，得到所述任一通道下的各个细胞图像中的待融合子图后，将所述任一通道下的各个细胞图像中属于同一对象的待融合子图分组，得到多个融合分组；
图像融合单元，用于对各个融合分组中的待融合子图进行图像融合，得到所述任一通道下的全清晰图像。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述基于空间域的显微镜下细胞图像融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310760838.XA CN116503301B (zh) | 2023-06-27 | 2023-06-27 | 基于空间域的显微镜下细胞图像融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310760838.XA CN116503301B (zh) | 2023-06-27 | 2023-06-27 | 基于空间域的显微镜下细胞图像融合方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116503301A true CN116503301A (zh) | 2023-07-28 |
| CN116503301B CN116503301B (zh) | 2023-09-12 |
Family
ID=87323452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310760838.XA Active CN116503301B (zh) | 2023-06-27 | 2023-06-27 | 基于空间域的显微镜下细胞图像融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116503301B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100246926A1 (en) * | 2009-03-30 | 2010-09-30 | Ge Healthcare Bio-Sciences Corp. | System and method for distinguishing between biological materials |
| US20140270475A1 (en) * | 2013-03-13 | 2014-09-18 | Kla-Tencor Corporation | Single Die Inspection on a Dark Field Inspection Tool |
| CN109978771A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 基于内容分析的细胞图像快速融合方法 |
| CN110472616A (zh) * | 2019-08-22 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
| WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
| CN114066818A (zh) * | 2021-10-23 | 2022-02-18 | 广州市艾贝泰生物科技有限公司 | 细胞检测分析方法、装置、计算机设备和存储介质 |
| CN115063796A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
| CN115100648A (zh) * | 2022-08-25 | 2022-09-23 | 珠海横琴圣澳云智科技有限公司 | 细胞显微图像中多通道荧光杂质的滤除方法和装置 |
| CN115100473A (zh) * | 2022-06-29 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 基于并行神经网络的肺部细胞图像分类方法 |
| CN115587961A (zh) * | 2022-07-26 | 2023-01-10 | 苏州品康生物技术有限公司 | 一种基于多曝光图像融合技术的细胞成像方法 |
| CN115830051A (zh) * | 2022-11-29 | 2023-03-21 | 西南交通大学 | 基于纹理梯度调节的视觉仿生边缘检测方法 |
| CN116071300A (zh) * | 2022-12-09 | 2023-05-05 | 鹏城实验室 | 一种基于上下文特征融合的细胞核分割方法及相关设备 |
-
2023
- 2023-06-27 CN CN202310760838.XA patent/CN116503301B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100246926A1 (en) * | 2009-03-30 | 2010-09-30 | Ge Healthcare Bio-Sciences Corp. | System and method for distinguishing between biological materials |
| US20140270475A1 (en) * | 2013-03-13 | 2014-09-18 | Kla-Tencor Corporation | Single Die Inspection on a Dark Field Inspection Tool |
| CN109978771A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 基于内容分析的细胞图像快速融合方法 |
| CN110472616A (zh) * | 2019-08-22 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
| WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
| CN114066818A (zh) * | 2021-10-23 | 2022-02-18 | 广州市艾贝泰生物科技有限公司 | 细胞检测分析方法、装置、计算机设备和存储介质 |
| CN115100473A (zh) * | 2022-06-29 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 基于并行神经网络的肺部细胞图像分类方法 |
| CN115587961A (zh) * | 2022-07-26 | 2023-01-10 | 苏州品康生物技术有限公司 | 一种基于多曝光图像融合技术的细胞成像方法 |
| CN115063796A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
| CN115100648A (zh) * | 2022-08-25 | 2022-09-23 | 珠海横琴圣澳云智科技有限公司 | 细胞显微图像中多通道荧光杂质的滤除方法和装置 |
| CN115830051A (zh) * | 2022-11-29 | 2023-03-21 | 西南交通大学 | 基于纹理梯度调节的视觉仿生边缘检测方法 |
| CN116071300A (zh) * | 2022-12-09 | 2023-05-05 | 鹏城实验室 | 一种基于上下文特征融合的细胞核分割方法及相关设备 |
Non-Patent Citations (2)
| Title |
|---|
| YU ZHANG DENG: "IFCNN: A general image fusion framework based on convolutional neural network", 《ELSEVIER》 * |
| 胡蓉;夏平;雷帮军;徐光柱;邹耀斌;: "融合Otsu与PCNN的细胞显微图像分割", 信息通信, no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116503301B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7422825B2 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
| CN107862698B (zh) | 基于k均值聚类的光场前景分割方法及装置 | |
| JP5464244B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
| JP6197659B2 (ja) | 検出制御装置、プログラム及び検出システム | |
| US9690976B2 (en) | Imaging blood cells | |
| US20160189378A1 (en) | Image processing apparatus, non-transitory computer readable medium, and image processing method | |
| EP3411743B1 (en) | System and method for segmentation of three-dimensional microscope images | |
| CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及系统 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
| CN112037185A (zh) | 染色体分裂相图像筛选方法、装置及终端设备 | |
| CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
| CN111932542A (zh) | 一种基于多焦距的图像识别方法及装置、存储介质 | |
| CN106033613B (zh) | 目标跟踪方法及装置 | |
| CN116503301B (zh) | 基于空间域的显微镜下细胞图像融合方法及装置 | |
| CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
| CN114998980B (zh) | 一种虹膜检测方法、装置、电子设备及存储介质 | |
| CN111339899A (zh) | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 | |
| US10146042B2 (en) | Image processing apparatus, storage medium, and image processing method | |
| CN114913175A (zh) | 散斑图像质量评价方法、电子设备及存储介质 | |
| CN114283081A (zh) | 基于金字塔加速的深度恢复方法、电子设备及存储介质 | |
| Liu et al. | ConvNeXt-Haze: A Fog Image Classification Algorithm for Small and Imbalanced Sample Dataset Based on Convolutional Neural Network | |
| TWI637146B (zh) | Cell classification method | |
| CN117237257A (zh) | 基于多元决策图的图像融合方法、装置、电子设备及介质 | |
| CN117911362A (zh) | 一种基于多聚焦融合的肿瘤细胞扩散目标追踪方法 |
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 |