CN116580041B - 基于voronoi图的角膜内皮细胞边界分割方法和装置 - Google Patents

基于voronoi图的角膜内皮细胞边界分割方法和装置 Download PDF

Info

Publication number
CN116580041B
CN116580041B CN202310621527.5A CN202310621527A CN116580041B CN 116580041 B CN116580041 B CN 116580041B CN 202310621527 A CN202310621527 A CN 202310621527A CN 116580041 B CN116580041 B CN 116580041B
Authority
CN
China
Prior art keywords
image
cell
endothelial cells
black
black area
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.)
Active
Application number
CN202310621527.5A
Other languages
English (en)
Other versions
CN116580041A (zh
Inventor
谢立信
李东芳
苏雯菁
李宗义
林萍
樊琳
田广野
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.)
Institute Of Ophthalmology Affiliated To Shandong First Medical University Shandong Institute Of Ophthalmology And Qingdao Eye Hospital Affiliated To Shandong First Medical University
Shandong University
Original Assignee
Institute Of Ophthalmology Affiliated To Shandong First Medical University Shandong Institute Of Ophthalmology And Qingdao Eye Hospital Affiliated To Shandong First Medical University
Shandong 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 Institute Of Ophthalmology Affiliated To Shandong First Medical University Shandong Institute Of Ophthalmology And Qingdao Eye Hospital Affiliated To Shandong First Medical University, Shandong University filed Critical Institute Of Ophthalmology Affiliated To Shandong First Medical University Shandong Institute Of Ophthalmology And Qingdao Eye Hospital Affiliated To Shandong First Medical University
Priority to CN202310621527.5A priority Critical patent/CN116580041B/zh
Publication of CN116580041A publication Critical patent/CN116580041A/zh
Application granted granted Critical
Publication of CN116580041B publication Critical patent/CN116580041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本发明的实施例提供了基于voronoi图的角膜内皮细胞边界分割方法和装置。所述方法包括获取待处理的角膜内皮细胞图像，对待处理的角膜内皮细胞图像进行灰度处理，得到第一图像；判断第一图像中是否存在黑区，若是，则对第一图像生成黑区掩膜，对黑区掩膜进行形态学处理，得到第二图像；否则对所述第一图像进行预处理；对预处理后的图像进行腐蚀处理，得到第三图像；利用分水岭算法对第三图像进行区域划分，得到第四图像；基于所述第四图像生成voronoi图。以此方式，可以有效地降低了黑区对细胞分割产生的不利影响，提高了带有黑区的细胞的分割准确率。

Description

基于voronoi图的角膜内皮细胞边界分割方法和装置
技术领域
本发明一般涉及细胞边界分割领域，并且更具体地，涉及基于voronoi图的角膜内皮细胞边界分割方法和装置。
背景技术
近年来眼科面临的挑战之一是开发自动评估角膜内皮健康状况的方法。角膜内皮健康状况表现为内皮细胞的组织结构。在健康的角膜中，内皮细胞的大小均匀，排列紧密，呈现出规则的六边形。不同的病理条件会破坏这种规律性，导致一些细胞受损，并导致细胞不可预测的伸长、变薄和大小变化。因此，可以通过细胞密度、变异系数和六方度等细胞形态参数和几何参数评估角膜内皮状况。这些参数是通过分析从角膜内皮的显微镜图像中提取的细胞来计算的。由眼科医生手动提取细胞需要手动描绘视野中多个细胞的轮廓，非常繁琐和耗时。
目前基于voronoi图对于角膜内皮细胞边界的分割并不存在针对由于病变原因而形态发生改变的角膜内皮细胞的分割方法，特别是对于出现黑区现象的角膜内皮细胞，缺少对于黑区的判断，而直接进行细胞分割，这样会导致细胞遗漏、细胞边界分割不够精确、将黑区部分进行错误分割等现象的出现，可能造成临床上角膜内皮细胞病理分析错误，引起疾病误诊、错诊、漏诊等不良情况发生。
发明内容
根据本发明的实施例，提供了一种基于voronoi图的角膜内皮细胞边界分割方案。本方案有效地降低了黑区对细胞分割产生的不利影响，提高了带有黑区的细胞的分割准确率。
在本发明的第一方面，提供了一种基于voronoi图的角膜内皮细胞边界分割方法。该方法包括：
获取待处理的角膜内皮细胞图像，对所述待处理的角膜内皮细胞图像进行灰度处理，得到第一图像；
判断所述第一图像中是否存在黑区，若是，则对所述第一图像生成黑区掩膜，对所述黑区掩膜进行形态学处理，得到第二图像；否则根据所述第一图像中的细胞情况对所述第一图像进行预处理；
对预处理后的图像进行腐蚀处理，得到第三图像；
利用分水岭算法对所述第三图像进行区域划分，得到第四图像；
基于所述第四图像生成voronoi图，其中，所述voronoi图的生成元为所述第四图像中每个细胞的质心坐标；所述voronoi图的子区域边界作为细胞边界。
进一步地，根据所述第一图像中的细胞情况对所述第一图像进行预处理，包括：
判断所述第一图像中的角膜内皮细胞情况，对于正常的角膜内皮细胞和偏大的角膜内皮细胞进行滤波处理和二值化处理。
进一步地，所述角膜内皮细胞情况通过细胞密度进行判断，若图像中角膜内皮细胞的细胞密度大于细胞密度阈值，则角膜内皮细胞正常，否则角膜内皮细胞异常。
进一步地，对于异常的角膜内皮细胞的图像，在进行所述腐蚀处理后，对图像进行孔洞填充。
进一步地，所述判断所述第一图像中是否存在黑区，包括：
对所述第一图像进行霍夫圆检测，若检测出所述第一图像中半径在预设像素范围的圆形区域，且满足所述圆形区域的圆心坐标对应的第一图像像素值小于第一像素值阈值，则该圆形区域为黑区；否则所述第一图像中不存在黑区。
进一步地，所述对所述第一图像生成黑区掩膜，对所述黑区掩膜进行形态学处理，包括：
设定第二像素值阈值，将所述第一图像中低于所述第二像素值阈值的像素值置为0，其余像素值置为1，得到黑区掩膜；
设置结构元，对所述黑区掩膜进行两次闭处理操作，然后进行中值滤波。
进一步地，对于存在黑区的第四图像，在生成voronoi图后，计算所述voronoi图中各子区域的面积，对于所述voronoi图中面积大于预设面积的子区域，不勾画该子区域的边界；和/或对于所述voronoi图中至少2个顶点落入所述第二图像中像素值为0区域的子区域，不勾画该子区域的边界。
在本发明的第二方面，提供了一种基于voronoi图的角膜内皮细胞边界分割装置。该装置包括：
图像获取模块，用于获取待处理的角膜内皮细胞图像，对所述待处理的角膜内皮细胞图像进行灰度处理，得到第一图像；
黑区判断模块，用于判断所述第一图像中是否存在黑区，若是，则对所述第一图像生成黑区掩膜，对所述黑区掩膜进行形态学处理，得到第二图像；否则根据所述第一图像中的细胞情况对所述第一图像进行预处理；
图像腐蚀模块，用于对预处理后的图像进行腐蚀处理，得到第三图像；
区域划分模块，用于利用分水岭算法对所述第三图像进行区域划分，得到第四图像；
图像生成模块，用于基于所述第四图像生成voronoi图，其中，所述voronoi图的生成元为所述第四图像中每个细胞的质心坐标；所述voronoi图的子区域边界作为细胞边界。
在本发明的第三方面，提供了一种电子设备。该电子设备至少一个处理器；以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的基于voronoi图的角膜内皮细胞边界分割方法的流程图；
图2示出了根据本发明的实施例的区域划分后的第四图像示意图；
图3示出了根据本发明的实施例的基于voronoi图的角膜内皮细胞边界分割装置的方框图；
图4示出了能够实施本发明的实施例的示例性电子设备的方框图；
其中，400为电子设备、401为计算单元、402为ROM、403为RAM、404为总线、405为I/O接口、406为输入单元、407为输出单元、408为存储单元、409为通信单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了本发明实施例的基于voronoi图的角膜内皮细胞边界分割方法的流程图。
该方法包括：
S101、获取待处理的角膜内皮细胞图像，对所述待处理的角膜内皮细胞图像进行灰度处理，得到第一图像。
角膜内皮细胞图像的获得有两种方式，一种是通过非接触式角膜内皮显微镜获取。第二种是通过接触式共聚焦显微镜获取，此种获取方式为有创操作，当角膜水肿非接触式内皮显微镜无法成像时使用该项检查，且要求患者配合度高。
在本实施例中，获取的角膜内皮细胞图像均来自上述第一种方式，即非接触式角膜内皮显微镜检查；该操作简便，获得图像清晰，患者配合度高。
在本实施例中，对待处理的角膜内皮细胞图像进行灰度处理，所述灰度处理通过压缩通道实现。
S102、判断所述第一图像中是否存在黑区，若是，则对所述第一图像生成黑区掩膜，对所述黑区掩膜进行形态学处理，得到第二图像；否则根据所述第一图像中的细胞情况对所述第一图像进行预处理。
在本实施例中，所述黑区为非接触式角膜内皮显微镜获取的Fuchs角膜内皮的区域。Fuchs角膜内皮营养不良由于后弹力层变软，导致内皮细胞向角膜基质方向凸起，拍照时整个角膜内皮无法在同一界面，无法产生镜面反射(非接触式角膜内皮显微镜的成像原理是镜面反射)，故不在同一界面的角膜内皮细胞被反射成黑区。可见，黑区的位置不代表没有角膜内皮细胞，只是黑区的具体细胞数量和形态无法考证。
在本实施例中，所述判断所述第一图像中是否存在黑区，包括：
对所述第一图像进行霍夫圆检测，若检测出所述第一图像中半径在预设像素范围的圆形区域，且满足所述圆形区域的圆心坐标对应的第一图像像素值小于第一像素值阈值，则该圆形区域为黑区；否则所述第一图像中不存在黑区。
例如，对第一图像实施霍夫圆检测，检测图像中半径为10-30像素的圆，若能够检测到圆且满足圆心坐标对应的第一图像像素值小于100，则认为该区域为黑区。
在本实施例中，对于存在黑区的第一图像，生成黑区掩膜，对所述黑区掩膜进行形态学处理，得到第二图像，具体包括：
设置黑区掩膜结构，即对灰度图像的第一图像进行二值化处理。所述黑区掩膜结构为一个二值化图像，黑区部分为黑色(像素值为0)，其余部分为白色(像素值为1)。
设定阈值像素值，将所述第一图像中低于所述第二像素值阈值的像素值置为0，其余像素值置为1。所述第二像素值阈值例如设置为0.1，即将第一图像中像素值低于0.1的像素值置为0，剩余的像素值都置为1。
设置结构元，例如将结构元尺寸设置为7×7，对所述黑区掩膜即二值化图像进行两次闭处理操作，然后进行中值滤波，得到第二图像。
具体地，所述中值滤波可以设置中值滤波参数为19像素，调用opencv中medianBlur函数实现。通过两次闭处理以及中值滤波后的图像能够得到平滑的边界。所述闭处理是指先膨胀后腐蚀，在具体操作中，可以通过调用opencv中morphologyEx函数进行闭处理。
在本实施例中，若所述第一图像中不存在黑区，则根据所述第一图像中的细胞情况对所述第一图像进行预处理，具体包括：
判断所述第一图像中的角膜内皮细胞情况，对于正常的角膜内皮细胞和偏大的角膜内皮细胞进行滤波处理和二值化处理。
在本实施例中，所述角膜内皮细胞情况通过细胞密度进行判断，若图像中角膜内皮细胞的细胞密度大于细胞密度阈值，则角膜内皮细胞正常，否则角膜内皮细胞异常，即角膜内皮细胞明显偏大。例如，正常细胞密度大约为2400个/mm2，当细胞密度降低到400-700个/mm2，内皮细胞面积明显增加，可认定为角膜内皮细胞明显偏大。
在本实施例中，所述滤波处理包括：设定上限阈值和下限阈值，对所述灰度图像进行带通滤波，得到滤波后的细胞图像。所述带通滤波利用快速傅里叶变换进行，能够高频去除噪声，低频滤除不均匀光影。所述上限阈值和下限阈值可以根据情况自行设置，例如对于细胞面积正常的角膜内皮细胞滤波上下限阈值分别为6Hz和25Hz；对于细胞面积明显偏大的角膜内皮细胞滤波上下限阈值分别为5Hz和21Hz。
在滤波结束后黑区(原始像素值较小)会变得比较亮(和细胞的像素值类似)，若没有生成掩膜，则无法区分某个区域是细胞还是黑区。因为黑区对应的掩膜相应区域的像素值一般为0，而细胞对应的掩膜对应区域像素值一般为1，通过增加掩膜可以有效区分黑区和细胞。
通过将黑区掩膜与包含黑区的第一图像相乘，可以降低黑区对分割效果的影响。通过设置黑区掩膜结构，有效地降低了黑区对细胞分割产生的不利影响，提高了带有黑区的细胞的分割准确率，解决了带有黑区的细胞分割问题。
受不同病变原因影响，角膜内皮细胞面积发生改变，可显著地将细胞分类为正常与较大两类。未发生病变的角膜内皮细胞或糖尿病患者角膜内皮细胞尺寸正常，对于该类图像进行腐蚀处理，从而使小细胞之间分界更加明显，以期达到更好的分割效果。穿透性角膜移植术后代偿期细胞尺寸明显偏大，对于该类图像腐蚀处理后进一步进行孔洞填充。
故在本实施例中，对预处理后的图像进行腐蚀处理，包括：
判断预处理后的图像中的角膜内皮细胞是否正常，对角膜内皮细胞正常的图像进行腐蚀处理；对角膜内皮细胞异常的图像，先进行腐蚀处理，再进行孔洞填充。
具体地，判断图像中的角膜内皮细胞是否正常，包括：
若图像中角膜内皮细胞的细胞密度大于细胞密度阈值，则角膜内皮细胞正常，否则角膜内皮细胞异常。
在本实施例中，细胞面积明显偏大的角膜内皮细胞可以利用细胞密度进行判断，若图像中角膜内皮细胞的细胞密度大于细胞密度阈值，则角膜内皮细胞正常，否则角膜内皮细胞明显偏大。例如，正常细胞密度大约为2400个/mm2，当细胞密度降低到400-700个/mm2，内皮细胞面积明显增加，可认定为角膜内皮细胞明显偏大。
在本实施例中，腐蚀处理例如可以通过调用opencv中erode函数实现，从而使小细胞之间分界更加明显，以期达到更好的分割效果。
在本实施例中，所述孔洞是指由前景像素相连接的边界所包围的一个背景区域，是针对二值化图像而言的。孔洞填充采用轮廓绘制方法，例如调用opencv中findContours函数，找出轮廓，对轮廓进行填充。
作为本发明的一种实施例，对于细胞面积正常的角膜内皮细胞，如正常未发生病变的角膜细胞以及糖尿病患者角膜内皮细胞等。设置合适的结构元尺寸为3×3及腐蚀次数为1次，对得到的二值化图像进行腐蚀处理，使小细胞之间分界更加明显。
作为本发明的一种实施例，对于细胞面积明显偏大的角膜内皮细胞，如穿透性角膜移植术后代偿期细胞。首先设置合适的结构元尺寸为5×5及腐蚀次数为1次，对得到的二值化图像进行腐蚀处理，然后进一步使用孔洞填充函数填充孔洞，避免在大细胞内部产生不必要的分界。
通过上述实施例，针对不同尺寸细胞提供不同的处理方法，基本覆盖所有类型的角膜内皮细胞，能够实现多类型角膜内皮细胞的边界确定与分割，得到对于不同病变种类的角膜内皮细胞的精确分割结果，提高了角膜内皮细胞分割的准确率。
S103、利用分水岭算法对所述第三图像进行区域划分，得到第四图像。
在本实施例中，所述分水岭算法用于将认为是同一个细胞的像素打上同一个标签。对于上述实施例中得到的第三图像，利用分水岭算法进行区域划分，划分后的第四图像如图2所示，其中同一个细胞的颜色相同。细胞的颜色的存储形式通过标签值进行体现。
S104、基于所述第四图像生成voronoi图，其中，所述voronoi图的生成元为所述第四图像中每个细胞的质心坐标；所述voronoi图的子区域边界作为细胞边界。
在本实施例中，对于第四图像(即同一个细胞的颜色相同。细胞的颜色的存储形式通过标签值进行体现)进行处理，对每个细胞进行遍历，标签值相同的即为一个细胞，利用python里scipy库中的scipy.ndimage.center_of_mass函数得到每个细胞的质心。
在本实施例中，寻找到各细胞质心，将其作为输入生成voronoi图，绘制边界，以voronoi图边界作为细胞边界，实现细胞分割。
在一些实施例中，对于存在黑区的所述第四图像，在生成voronoi图后，计算所述voronoi图中各子区域的面积，对于所述voronoi图中面积大于预设面积的子区域，不勾画该子区域的边界。将该子区域的边界不视为细胞边界。例如，设置阈值900，面积大于900的多边形不勾画相应边界。
在一些实施例中，对于存在黑区的所述第四图像，在生成voronoi图后，对于所述voronoi图中至少2个顶点落入所述第二图像中像素值为0区域的子区域，不勾画该子区域的边界。将该子区域的边界不视为细胞边界。
在本实施例的一些可选的实现方式中，对分割得到的角膜内皮细胞边界进行合理性验证。具体地，通过人机交互的方式人工标注细胞顶点获得标注顶点的坐标并生成准确边界，进一步地由细胞顶点坐标计算细胞质心坐标，细胞质心坐标作为输入构建voronoi图，比较分析voronoi图生成边界和真实边界的异同。经验证，voronoi图生成边界和真实边界几乎完全重合，说明利用voronoi图确定细胞边界的方法具备合理性。
根据本发明的实施例，能够针对不同尺寸细胞提供不同的处理方法，基本覆盖所有类型的角膜内皮细胞，能够实现多类型角膜内皮细胞的边界确定与分割，得到对于不同病变种类的角膜内皮细胞的精确分割结果，提高了角膜内皮细胞分割的准确率。并且有效地降低了黑区对细胞分割产生的不利影响，提高了带有黑区的细胞的分割准确率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
如图3所示，装置300包括：
图像获取模块310，用于获取待处理的角膜内皮细胞图像，对所述待处理的角膜内皮细胞图像进行灰度处理，得到第一图像；
黑区判断模块320，用于判断所述第一图像中是否存在黑区，若是，则对所述第一图像生成黑区掩膜，对所述黑区掩膜进行形态学处理，得到第二图像；否则根据所述第一图像中的细胞情况对所述第一图像进行预处理；
图像腐蚀模块330，用于对预处理后的图像进行腐蚀处理，得到第三图像；
区域划分模块340，用于利用分水岭算法对所述第三图像进行区域划分，得到第四图像；
图像生成模块350，用于基于所述第四图像生成voronoi图，其中，所述voronoi图的生成元为所述第四图像中每个细胞的质心坐标；所述voronoi图的子区域边界作为细胞边界。
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，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本发明的实施例，本发明还提供了一种电子设备。
图4示出了可以用来实施本发明的实施例的电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如方法S101～S105。例如，在一些实施例中，方法S101～S105可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的方法S101～S105的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S101～S105使用。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (3)

1.一种基于voronoi图的角膜内皮细胞边界分割方法，其特征在于，包括：
获取待处理的角膜内皮细胞图像，对所述待处理的角膜内皮细胞图像进行灰度处理，得到第一图像；
判断所述第一图像中是否存在黑区，若是，则对所述第一图像生成黑区掩膜，对所述黑区掩膜进行形态学处理，得到第二图像；否则根据所述第一图像中的细胞情况对所述第一图像进行预处理；所述黑区掩膜为二值化图像，黑区部分为黑色，其余部分为白色；
对预处理后的图像进行腐蚀处理，得到第三图像；所述对预处理后的图像进行腐蚀处理，得到第三图像，包括：判断预处理后的图像中的角膜内皮细胞是否正常，对角膜内皮细胞正常的图像进行腐蚀处理；对角膜内皮细胞异常的图像，先进行腐蚀处理，再进行孔洞填充；
利用分水岭算法对所述第三图像进行区域划分，得到第四图像；
基于所述第四图像生成voronoi图，其中，所述voronoi图的生成元为所述第四图像中每个细胞的质心坐标；所述voronoi图的子区域边界作为细胞边界；
对于存在黑区的第四图像，在生成voronoi图后，计算voronoi图中各子区域的面积，对于voronoi图中面积大于预设面积的子区域，不勾画该子区域的边界；对于所述voronoi图中至少2个顶点落入第二图像中像素值为0区域的子区域，不勾画该子区域的边界；
根据所述第一图像中的细胞情况对所述第一图像进行预处理，包括：
判断所述第一图像中的角膜内皮细胞情况，对于正常的角膜内皮细胞和偏大的角膜内皮细胞进行滤波处理和二值化处理；
所述细胞情况通过细胞密度进行判断，若图像中角膜内皮细胞的细胞密度大于细胞密度阈值，则角膜内皮细胞正常，否则，细胞密度小于细胞密度阈值，则认定为角膜内皮细胞偏大；
所述滤波处理包括：对正常的角膜内皮细胞和偏大的角膜内皮细胞分别设定带通滤波的上限阈值和下限阈值；所述带通滤波利用快速傅里叶变换进行；
所述判断所述第一图像中是否存在黑区，包括：对所述第一图像进行霍夫圆检测，若检测出所述第一图像中半径在预设像素范围的圆形区域，且满足所述圆形区域的圆心坐标对应的第一图像像素值小于第一像素值阈值，则该圆形区域为黑区；否则所述第一图像中不存在黑区；
所述对所述第一图像生成黑区掩膜，对所述黑区掩膜进行形态学处理，包括：设定第二像素值阈值，将所述第一图像中低于所述第二像素值阈值的像素值置为0，其余像素值置为1，得到黑区掩膜；设置结构元，对所述黑区掩膜进行两次闭处理操作，然后进行中值滤波。
2.一种基于voronoi图的角膜内皮细胞边界分割装置，其特征在于，包括：
图像获取模块，用于获取待处理的角膜内皮细胞图像，对所述待处理的角膜内皮细胞图像进行灰度处理，得到第一图像；
黑区判断模块，用于判断所述第一图像中是否存在黑区，若是，则对所述第一图像生成黑区掩膜，对所述黑区掩膜进行形态学处理，得到第二图像；否则根据所述第一图像中的细胞情况对所述第一图像进行预处理；所述黑区掩膜为二值化图像，黑区部分为黑色，其余部分为白色；
图像腐蚀模块，用于对预处理后的图像进行腐蚀处理，得到第三图像；所述对预处理后的图像进行腐蚀处理，得到第三图像，包括：判断预处理后的图像中的角膜内皮细胞是否正常，对角膜内皮细胞正常的图像进行腐蚀处理；对角膜内皮细胞异常的图像，先进行腐蚀处理，再进行孔洞填充；
区域划分模块，用于利用分水岭算法对所述第三图像进行区域划分，得到第四图像；
图像生成模块，用于基于所述第四图像生成voronoi图，其中，所述voronoi图的生成元为所述第四图像中每个细胞的质心坐标；所述voronoi图的子区域边界作为细胞边界；
根据所述第一图像中的细胞情况对所述第一图像进行预处理，包括：
判断所述第一图像中的角膜内皮细胞情况，对于正常的角膜内皮细胞和偏大的角膜内皮细胞进行滤波处理和二值化处理；
所述细胞情况通过细胞密度进行判断，若图像中角膜内皮细胞的细胞密度大于细胞密度阈值，则角膜内皮细胞正常，否则，细胞密度小于细胞密度阈值，则认定为角膜内皮细胞偏大；
所述滤波处理包括：对正常的角膜内皮细胞和偏大的角膜内皮细胞分别设定带通滤波的上限阈值和下限阈值；所述带通滤波利用快速傅里叶变换进行；
所述判断所述第一图像中是否存在黑区，包括：对所述第一图像进行霍夫圆检测，若检测出所述第一图像中半径在预设像素范围的圆形区域，且满足所述圆形区域的圆心坐标对应的第一图像像素值小于第一像素值阈值，则该圆形区域为黑区；否则所述第一图像中不存在黑区；
所述对所述第一图像生成黑区掩膜，对所述黑区掩膜进行形态学处理，包括：设定第二像素值阈值，将所述第一图像中低于所述第二像素值阈值的像素值置为0，其余像素值置为1，得到黑区掩膜；设置结构元，对所述黑区掩膜进行两次闭处理操作，然后进行中值滤波。
3.一种电子设备，包括至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其特征在于，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1中所述的方法。
CN202310621527.5A 2023-05-30 2023-05-30 基于voronoi图的角膜内皮细胞边界分割方法和装置 Active CN116580041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310621527.5A CN116580041B (zh) 2023-05-30 2023-05-30 基于voronoi图的角膜内皮细胞边界分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310621527.5A CN116580041B (zh) 2023-05-30 2023-05-30 基于voronoi图的角膜内皮细胞边界分割方法和装置

Publications (2)

Publication Number Publication Date
CN116580041A CN116580041A (zh) 2023-08-11
CN116580041B true CN116580041B (zh) 2024-06-18

Family

ID=87541212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310621527.5A Active CN116580041B (zh) 2023-05-30 2023-05-30 基于voronoi图的角膜内皮细胞边界分割方法和装置

Country Status (1)

Country Link
CN (1) CN116580041B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378313A (zh) * 2019-07-26 2019-10-25 玖壹叁陆零医学科技南京有限公司 细胞团识别方法、装置及电子设备
CN111429461A (zh) * 2019-01-09 2020-07-17 武汉兰丁医学高科技有限公司 一种新型的重叠脱落上皮细胞分割方法
CN115775226A (zh) * 2022-10-08 2023-03-10 广州锟元方青医疗科技有限公司 基于Transformer的医学图像分类方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100580702C (zh) * 2007-01-23 2010-01-13 天津市索维电子技术有限公司 角膜内皮细胞图像处理方法
CA3010836C (en) * 2010-07-30 2020-09-08 Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions
CN104392460B (zh) * 2014-12-12 2015-11-04 山东大学 一种基于胞核标记分水岭变换的粘连白细胞分割方法
CN105976362B (zh) * 2016-04-28 2018-09-18 厦门大学 一种适用于3d打印的图像线画生成方法
EP3729371B1 (en) * 2017-12-22 2023-09-06 Ventana Medical Systems, Inc. System and method for generating selective stain segmentation images for cell types of interest
CN110517273B (zh) * 2019-08-29 2022-03-22 麦克奥迪（厦门）医疗诊断系统有限公司 基于动态梯度阈值的细胞学图像分割方法
CN111652845A (zh) * 2020-04-27 2020-09-11 平安科技（深圳）有限公司 异常细胞自动标注方法、装置、电子设备及存储介质
CN111598899A (zh) * 2020-05-18 2020-08-28 腾讯科技（深圳）有限公司 图像处理方法、装置及计算机可读存储介质
CN113706562B (zh) * 2020-07-08 2023-04-07 腾讯医疗健康(深圳)有限公司 图像分割方法、装置、系统及细胞分割方法
GB202106025D0 (en) * 2021-04-27 2021-06-09 Imperial College Innovations Ltd Method & apparatus for processing microscope images of cells and tissue structures
CN113592783B (zh) * 2021-07-08 2024-01-19 北京大学第三医院（北京大学第三临床医学院） 角膜共聚焦图像中细胞基础指标的精准量化方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429461A (zh) * 2019-01-09 2020-07-17 武汉兰丁医学高科技有限公司 一种新型的重叠脱落上皮细胞分割方法
CN110378313A (zh) * 2019-07-26 2019-10-25 玖壹叁陆零医学科技南京有限公司 细胞团识别方法、装置及电子设备
CN115775226A (zh) * 2022-10-08 2023-03-10 广州锟元方青医疗科技有限公司 基于Transformer的医学图像分类方法

Also Published As

Publication number Publication date
CN116580041A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN107657606B (zh) 一种显示装置的亮度缺陷检测方法与装置
Morales et al. Automatic detection of optic disc based on PCA and mathematical morphology
Aquino et al. Detecting the optic disc boundary in digital fundus images using morphological, edge detection, and feature extraction techniques
Piorkowski et al. Influence of applied corneal endothelium image segmentation techniques on the clinical parameters
CN109829942B (zh) 一种眼底图像视网膜血管管径自动量化方法
WO2021082691A1 (zh) 眼部oct图像病灶区域的分割方法、装置及终端设备
CN107480644B (zh) 眼底图像中视盘的定位与分割方法、装置和存储介质
CN110929728B (zh) 一种图像感兴趣区域划分方法、图像分割方法及装置
CN112215800B (zh) 基于机器学习的重叠染色体识别和分割方法
CN110675464A (zh) 一种医疗影像的处理方法、装置、服务器及存储介质
CN108171694A (zh) 基于卷积神经网络的结节检测方法、系统及设备
CN117373070B (zh) 血管分段标注的方法及装置、电子设备和存储介质
TWI587844B (zh) 醫療影像處理裝置及其乳房影像處理方法
CN115375719A (zh) 一种血管图像分割方法及装置
Macía et al. Detection of type ii endoleaks in abdominal aortic aneurysms after endovascular repair
CN116580041B (zh) 基于voronoi图的角膜内皮细胞边界分割方法和装置
CN114418848B (zh) 视频处理方法、装置、存储介质及电子设备
CN115294401B (zh) 一种基于ct图像的分类方法、装置、设备及存储介质
CN115147360B (zh) 一种斑块分割方法、装置、电子设备及可读存储介质
Nurzynska et al. The correlation analysis of the shape parameters for endothelial image characterisation
Essaf et al. An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU)
JP7334922B1 (ja) 画像処理装置、画像処理方法及びプログラム
CN116309549B (zh) 一种眼底区域检测方法、装置、设备及可读存储介质
CN117173156B (zh) 基于机器视觉的极片毛刺检测方法、装置、设备及介质
CN115908300B (zh) 心脏瓣膜钙化分割的方法、装置、设备及存储介质

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