CN116596899A - 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 - Google Patents
基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN116596899A CN116596899A CN202310597222.5A CN202310597222A CN116596899A CN 116596899 A CN116596899 A CN 116596899A CN 202310597222 A CN202310597222 A CN 202310597222A CN 116596899 A CN116596899 A CN 116596899A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- cell
- area
- treatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 title claims abstract description 34
- 238000002073 fluorescence micrograph Methods 0.000 title claims description 25
- 210000004027 cell Anatomy 0.000 claims abstract description 167
- 238000011282 treatment Methods 0.000 claims abstract description 87
- 239000010410 layer Substances 0.000 claims abstract description 53
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 210000000170 cell membrane Anatomy 0.000 claims abstract description 33
- 241000353204 Girella Species 0.000 claims abstract description 31
- 230000008030 elimination Effects 0.000 claims abstract description 23
- 238000003379 elimination reaction Methods 0.000 claims abstract description 23
- 239000002356 single layer Substances 0.000 claims abstract description 19
- 230000000877 morphologic effect Effects 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 130
- 238000001914 filtration Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 42
- 238000005520 cutting process Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 239000012535 impurity Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 239000012528 membrane Substances 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 208000020584 Polyploidy Diseases 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 8
- 241000251468 Actinopterygii Species 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 210000004940 nucleus Anatomy 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 230000009469 supplementation Effects 0.000 claims description 6
- 238000012552 review Methods 0.000 claims 1
- 210000005266 circulating tumour cell Anatomy 0.000 description 20
- 230000000694 effects Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241001270131 Agaricus moelleri Species 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011221 initial treatment Methods 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010059866 Drug resistance Diseases 0.000 description 1
- 101000738771 Homo sapiens Receptor-type tyrosine-protein phosphatase C Proteins 0.000 description 1
- 102100037422 Receptor-type tyrosine-protein phosphatase C Human genes 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000021164 cell adhesion Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011528 liquid biopsy Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008261 resistance mechanism Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20112—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
- G06T2207/30096—Tumor; Lesion
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于荧光图像识别循环肿瘤细胞方法、装置、终端及设备,所述方法通过获取样本细胞群的蓝色荧光通道图像和红色荧光通道图像,对所述蓝色荧光通道图像进行初步处理,根据cd45细胞形态特征,对所述初步处理后的蓝色荧光通道图像进行细胞核检测;对所述红色荧光通道图像进行去干扰处理,对所述去干扰处理后的红色荧光通道图像进行细胞膜检测,判定所述靶细胞为cd45阴性,获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞。因此,本发明实施例能够判断样本细胞群是否存在CTC,且提高识别CTC的准确性。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质。
背景技术
循环肿瘤细胞(circulating tumor cells,CTC)是肿瘤发生远处转移的关键环节,也是肿瘤液体活检的主要材料之一,在肿瘤患者的预后判断、疗效预测、疗效评价以及复发转移和耐药机制的研究中都具有重要的临床意义。然而,由于CTC的稀有性、异质性以及转移过程的复杂性等原因,CTC识别仍然面临诸多挑战,需要采取行之有效的应对策略予以解决。
发明内容
本发明提供一种基于荧光图像识别循环肿瘤细胞方法、装置、终端及设备,以解决现有技术中难以识别CTC存在的技术问题,综合细胞核检测、cd45检测及染色体多倍体检测能够判断样本细胞群是否存在CTC。
为了实现上述目的,第一方面,本发明实施例提供了一种基于荧光图像识别循环肿瘤细胞方法,包括:
获取样本细胞群的蓝色荧光通道图像和红色荧光通道图像;
对所述蓝色荧光通道图像进行初步处理,根据cd45细胞形态特征,对所述初步处理后的蓝色荧光通道图像进行细胞核检测;对所述红色荧光通道图像进行去干扰处理,对所述去干扰处理后的红色荧光通道图像进行细胞膜检测;
当检测到所述初步处理后的蓝色荧光通道图像存在靶细胞,且所述靶细胞对应的细胞核区域不存在细胞膜,则所述靶细胞为cd45阴性;
获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞;
其中,所述初步处理包括杂质判断处理、背景减除处理、二值化处理、细胞团分割处理;
所述细胞团分割处理,具体为:根据细胞所在的圆度、面积方面的信息查找经过所述二值化处理后的图像中满足细胞切割条件的细胞团进行分割处理;所述分割处理方式包括分水岭分割、圆切割、凸包缺陷分割;
所述分水岭分割:根据高斯核对原图中roi区域进行高斯滤波;采取较大size的中值滤波在图像中对应的细胞核间形成灰度较大的值;计算所述roi区域在原有的掩膜下的标准差,当所述roi区域大于所述标准差与灰度较大的值之和,且所述掩膜达到mark较好的选取同时具有较好的自适应性时,通过所述mark进行所述分水岭分割;
所述圆切割:对所述roi区域进行边框扩张,通过模板匹配输出的特征图以及对所述掩膜mask做距离变换;选取满足预设半径和较高相似度的细胞进行掩膜操作,直至无可继续分割为止同时生成最终的分割mark;所述分割mark通过所述分水岭分割达进行再次分割;
所述凸包缺陷分割:根据两向量行列式的绝对值即为向量对应平行四边形的面积,计算所述原图中轮廓点到凸包的距离数组,对所述数组转mat图像进行滤波,直到找到对应的分割点进行分割,通过椭圆拟合选取满足预设面积和离心率的细胞,查找符合预设范围的mark进行所述分水岭分割。
作为优选方案,所述对所述红色荧光通道图像进行去干扰处理,具体包括:
对齐红色荧光通道与蓝色荧光通道,对所述红色荧光通道图像做去雾处理;
对所述去雾处理后的红色荧光通道图像进行中位滤波去噪;在所述去雾处理后的红色荧光通道图像的细胞聚集区域再进行所述中位滤波去噪,生成图像的背景;
将所述红色荧光通道图像减去所述生成图像的背景,以提取前景部分;
对所提取前景部分做全图自适应阈值分割,获取对应阈值,将通过otsu分割获取的阈值代替所述对应阈值做前景亮度矫正;
以膨胀后的细胞核作为引导对降噪后的细胞膜使用导向滤波,保留所述细胞核区域的细胞图像,降低所述细胞核区域以外的背景噪声,增强所述细胞膜的信噪比,对所述红色荧光通道图像采取灰度值大于预定程度的区域做亮斑补充,得到真实膜区域二值图。
作为优选方案,所述获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞,具体包括:
获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像;
对所述荧光通道图像做平移校准与所述背景减除处理;
对所述cd45阴性区域的每个细胞核所在的区域roi做定量的扩张,对所扩张后的roi区域进行三角阈值的初步二值化处理;
通过膨胀极值点合并相近的极值点,得到最终的二值图,进行信号点计数;
根据每个所述信号点内外距离进行初步的fish评分;根据多倍体特征判断所述二值图轮廓内及轮廓边缘的橙绿fish信号点计数,所述橙绿fish信号点计数达到3个或以上则为fish阳性;
当检测所述cd45阴性区域的所述橙绿fish信号点计数达到3个或以上的细胞,则为CTC阳性细胞。
作为优选方案,所述二值化处理,具体为:
统计目标图像整体灰度的直方图分布;
统计所述直方图分布在所述目标图像上的总体平均高度;
将所述目标图像进行初步二值化的结果作为第一掩膜,统计所述第一掩膜下的目标图像前景的平均灰度、方差作为伪峰值;
调整所述伪峰值处的直方图分布的值,将所述总体平均高度加上伪峰值处的本身高度作为新高度,从而改变所述直方图的峰值的整体分布,得到新的直方图;
对所述新的直方图,采用最大类间方差的方式寻找设定范围的阈值,对所述目标图像做二值化阈值分割。
第二方面,本发明实施例提供了一种基于荧光图像识别循环肿瘤细胞装置,包括:
通道图像获取模块,用于获取样本细胞群的蓝色荧光通道图像和红色荧光通道图像;
图像处理检测模块,用于对所述蓝色荧光通道图像进行初步处理,根据cd45细胞形态特征,对所述初步处理后的蓝色荧光通道图像进行细胞核检测;对所述红色荧光通道图像进行去干扰处理,对所述去干扰处理后的红色荧光通道图像进行细胞膜检测;
图像检测判定模块,用于当检测到所述初步处理后的蓝色荧光通道图像存在靶细胞,且所述靶细胞对应的细胞核区域不存在细胞膜,则所述靶细胞为cd45阴性;
图像获取复检模块,用于获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞;
其中,所述初步处理包括杂质判断处理、背景减除处理、二值化处理、细胞团分割处理;
所述细胞团分割处理,具体为:根据细胞所在的圆度、面积方面的信息查找经过所述二值化处理后的图像中满足细胞切割条件的细胞团进行分割处理;所述分割处理方式包括分水岭分割、圆切割、凸包缺陷分割;
所述分水岭分割:根据高斯核对原图中roi区域进行高斯滤波;采取较大size的中值滤波在图像中对应的细胞核间形成灰度较大的值;计算所述roi区域在原有的掩膜下的标准差,当所述roi区域大于所述标准差与灰度较大的值之和,且所述掩膜达到mark较好的选取同时具有较好的自适应性时,通过所述mark进行所述分水岭分割;
所述圆切割:对所述roi区域进行边框扩张,通过模板匹配输出的特征图以及对所述掩膜mask做距离变换;选取满足预设半径和较高相似度的细胞进行掩膜操作,直至无可继续分割为止同时生成最终的分割mark;所述分割mark通过所述分水岭分割达进行再次分割;
所述凸包缺陷分割:根据两向量行列式的绝对值即为向量对应平行四边形的面积,计算所述原图中轮廓点到凸包的距离数组,对所述数组转mat图像进行滤波,直到找到对应的分割点进行分割,通过椭圆拟合选取满足预设面积和离心率的细胞,查找符合预设范围的mark进行所述分水岭分割。
作为优选方案,所述对所述红色荧光通道图像进行去干扰处理,具体包括:
对齐红色荧光通道与蓝色荧光通道,对所述红色荧光通道图像做去雾处理;
对所述去雾处理后的红色荧光通道图像进行中位滤波去噪;在所述去雾处理后的红色荧光通道图像的细胞聚集区域再进行所述中位滤波去噪,生成图像的背景;
将所述红色荧光通道图像减去所述生成图像的背景,以提取前景部分;
对所提取前景部分做全图自适应阈值分割,获取对应阈值,将通过otsu分割获取的阈值代替所述对应阈值做前景亮度矫正;
以膨胀后的细胞核作为引导对降噪后的细胞膜使用导向滤波,保留所述细胞核区域的细胞图像,降低所述细胞核区域以外的背景噪声,增强所述细胞膜的信噪比,对所述红色荧光通道图像采取灰度值大于预定程度的区域做亮斑补充,得到真实膜区域二值图。
作为优选方案,所述图像获取复检模块,具体用于:
获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像;
对所述荧光通道图像做平移校准与所述背景减除处理;
对所述cd45阴性区域的每个细胞核所在的区域roi做定量的扩张,对所扩张后的roi区域进行三角阈值的初步二值化处理;
通过膨胀极值点合并相近的极值点,得到最终的二值图,进行信号点计数;
根据每个所述信号点内外距离进行初步的fish评分;根据多倍体特征判断所述二值图轮廓内及轮廓边缘的橙绿fish信号点计数,所述橙绿fish信号点计数达到3个或以上则为fish阳性;
当检测所述cd45阴性区域的所述橙绿fish信号点计数达到3个或以上的细胞,则为CTC阳性细胞。
作为优选方案,所述二值化处理,具体为:
统计目标图像整体灰度的直方图分布;
统计所述直方图分布在所述目标图像上的总体平均高度;
将所述目标图像进行初步二值化的结果作为第一掩膜,统计所述第一掩膜下的目标图像前景的平均灰度、方差作为伪峰值;
调整所述伪峰值处的直方图分布的值,将所述总体平均高度加上伪峰值处的本身高度作为新高度,从而改变所述直方图的峰值的整体分布,得到新的直方图;
对所述新的直方图,采用最大类间方差的方式寻找设定范围的阈值,对所述目标图像做二值化阈值分割。
第三方面,本发明实施例对应提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述基于荧光图像识别循环肿瘤细胞方法。
此外,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述基于荧光图像识别循环肿瘤细胞方法。
与现有技术相比,本发明实施例公开的一种基于荧光图像识别循环肿瘤细胞方法、装置、终端及设备,通过获取样本细胞群的蓝色荧光通道图像和红色荧光通道图像,对所述蓝色荧光通道图像进行初步处理,根据cd45细胞形态特征,对所述初步处理后的蓝色荧光通道图像进行细胞核检测;对所述红色荧光通道图像进行去干扰处理,对所述去干扰处理后的红色荧光通道图像进行细胞膜检测,当检测到所述初步处理后的蓝色荧光通道图像存在靶细胞,且所述靶细胞对应的细胞核区域不存在细胞膜,则所述靶细胞为cd45阴性,获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞。因此,本发明实施例能够判断样本细胞群是否存在CTC,且提高识别CTC的准确性。
附图说明
图1是本发明实施例提供的一种基于荧光图像识别循环肿瘤细胞方法的流程示意图;
图2是本发明实施例提供的一种基于荧光图像识别循环肿瘤细胞装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
需要说明的是,本发明的术语“包括”和“具体”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1是本发明实施例提供的一种基于荧光图像识别循环肿瘤细胞方法的流程示意图,该基于荧光图像识别循环肿瘤细胞方法,包括步骤S11至S14:
S11:获取样本细胞群的蓝色荧光通道图像和红色荧光通道图像;
S12:对所述蓝色荧光通道图像进行初步处理,根据cd45细胞形态特征,对所述初步处理后的蓝色荧光通道图像进行细胞核检测;对所述红色荧光通道图像进行去干扰处理,对所述去干扰处理后的红色荧光通道图像进行细胞膜检测;
具体的,所述对所述红色荧光通道图像进行去干扰处理,具体包括:
对齐红色荧光通道与蓝色荧光通道,对所述红色荧光通道图像做去雾处理;
对所述去雾处理后的红色荧光通道图像进行中位滤波去噪;在所述去雾处理后的红色荧光通道图像的细胞聚集区域再进行所述中位滤波去噪,生成图像的背景;
将所述红色荧光通道图像减去所述生成图像的背景,以提取前景部分;
对所提取前景部分做全图自适应阈值分割,获取对应阈值,将通过otsu分割获取的阈值代替所述对应阈值做前景亮度矫正;
以膨胀后的细胞核作为引导对降噪后的细胞膜使用导向滤波,保留所述细胞核区域的细胞图像,降低所述细胞核区域以外的背景噪声,增强所述细胞膜的信噪比,对所述红色荧光通道图像采取灰度值大于预定程度的区域做亮斑补充,得到真实膜区域二值图。
具体的,所述二值化处理,具体为:
统计目标图像整体灰度的直方图分布;
统计所述直方图分布在所述目标图像上的总体平均高度;
将所述目标图像进行初步二值化的结果作为第一掩膜,统计所述第一掩膜下的目标图像前景的平均灰度、方差作为伪峰值;
调整所述伪峰值处的直方图分布的值,将所述总体平均高度加上伪峰值处的本身高度作为新高度,从而改变所述直方图的峰值的整体分布,得到新的直方图;
对所述新的直方图,采用最大类间方差的方式寻找设定范围的阈值,对所述目标图像做二值化阈值分割。
需要说明的是,在数字图像处理中,二值图像占有非常重要的地位,图像的二值化使图像中数据量大为减少,对前景背景进行分割,从而能凸显出目标的轮廓。选取合适的分割阈值是二值化的难点,而图像直方图呈现的方式多种多样如单峰、双峰、多峰等情况,本仪器所面临的呈现方式仅单峰和双峰;图像二值化阈值选取常用方法:双峰法、最大类间方差法、P参数法等常面临对不同图像难以具有自适应性达到的效果也不一,如单峰采用三角阈值分割、双峰采用otsu分割,二两种阈值分割常常差别巨大通常需要同时考虑两种分割的阈值以寻找较合适的阈值;P参数法在实际应用中更是无法判断直方图中多少占比为前景;较大分辨率的图像选取这几种方式显得更困难。本方案采用在阈值分割时通过图像的统计值来添加伪峰的方式,使得对不同图像具有较强的自适应性,同时该算法的时间空间复杂度仍保持在O(N)的情况保持较快的执行速度;使图片整体较亮和较暗时都能得到较好的分割效果,使处理过程中代码得到较大范围的统一。
具体实施当中,蓝色通道所有倍镜下都扫单层,在对细胞核进行统计掌握单个细胞有一定的统计信息这些经验量的条件下,根据cd45细胞形态特征(大小、圆度、面积等),对蓝色荧光通道图像中进行杂质判断,对采集的蓝色荧光通道图像整体做统计值收集,由于受光照、荧光剂的激发情况、设备及物镜对不同波长光照折射情况,天然导致图片光照不均。而按变异系数进行分级并根据统计值做灰度截断制造理想的光照均匀处理后,对处理后的蓝色荧光通道图像做通过标准差和平均灰度组合作为分割阈值的二值化处理,在保证不漏检的前提下,自然会导致灰度较高区域分割情况与实际大小要大;二值化后对检出的大块区域做处理,如杂质(较大块、高亮即使存在目标细胞也无法识别和提取)和大块类污渍的物体;对大块区域进行局部二值化,以达到既处理大块杂质区域又将细胞漏检降到最小;
背景减除处理:通过较小的中值滤波核对杂质处理后的蓝色荧光通道图像做噪声平滑,通过均值滤波,比细胞核的直径稍大2倍的区域的做均值减,既保证背景减除后有更低的灰度值从一定程度上消除了较大块的杂质,又不会因为减除不恰当导致部分细胞出现边缘保留中间镂空的情况。
二值化处理:对背景处理后,通过杂质判断生成的二值图作为掩膜在背景处理后,收集背景处理后的蓝色荧光通道图像的统计量,对背景处理后的蓝色荧光通道图像做鲁棒的二值化处理,与细胞粘连影响核检测的物体,通过图片自相关性去除,如水波纹或杂质,由于水波纹和一些不闭合的纹理产生的最小矩形框roi很大,而细胞分割主要针对圆度、面积等方面对应的roi做处理,而统一的做法会对roi区域单独在原图上再做一次二值化,导致该纹理周围灰度稍大一点的区域都认为是前景,一通过细胞分割的方式,往往会导致切割出上百个非实际存在的细胞,保证处理的统一性需在前期处理类似的纹路,通过形态学消除小杂质排除干扰;
前面三步操作后存在已较准确的轮廓,若通过多次形态学操作易导致已分割好的轮廓被过分腐蚀或膨胀,通过导向滤波的抠图性边缘保留非边缘平滑,保留细胞核区域的细胞图像,降低细胞核区域以外的背景噪声使细胞找到较准确的细胞形态。
细胞团的分割:通过已获得的轮廓,10X镜下单个细胞圆度面积是在一定范围内的;通过对圆度、面积等方面信息确定轮廓中可能的为细胞团的轮廓,通过图像窗口处理在选定的roi下用原图和二值化做掩膜进行细胞团的分割处理,所述分割处理方式包括分水岭分割、圆切割、凸包缺陷分割,而以上三种方式最终面临的问题都是连通域mark选取标记的问题,利用分水岭的水漫效果形成的积水盆地,从图像灰度特征上做分割。
分水岭分割:连通域mark的选取,mark选取不当会导致分割失败或过分分割;通常采用的距离变换的方式,而会面临距离变换后的图如何二值化采取多大的阈值分割,分割后是不是需要多次形态学或击中击不中变换对距离变换图的分割;当两或多个细胞距离较近且距离变换到轮廓边界的距离都相近,在此情况下mark选取无从着手;而局部极值的方式更易导致切割碎片化。采用滤波在图像处理中的局部效应;通过一定大小的高斯核做对原图中roi区域记为图O,对O做高斯滤波(一种线性滤波能去除一定的噪声,同时尽可能保留灰度的梯度特征),然后采取较大size的中值滤波在图像中对应的细胞核间形成灰度较大的值记为图T;计算O的在原有的掩膜(mask)下的标准差stddev,O>(stddev+T)&mask达到mark较好的选取且具有较好的自适应性,通过mark进行分水岭分割。
进行一定的模板进行聚类的圆切割,面临的问题分割大小并不是固定的、模板的中心点确定;对roi窗口O做一定的边框扩张,通过模板匹配的输出的特征图match_map,再通过对掩膜mask做距离变换,该两类操作着重解决模板的中心和距离变换计算出的半径问题;选取满足一定半径和较高相似度(通过处理计算出)的细胞,依次的通过计算一个对掩膜操作一次,直至无可继续分割为止同时生成最终的分割mark。而此分割后的细胞与实际存在差异的,通过生成的mark再次通过分水岭分割达到与实际更符合的分割效果;
分割处理中更为常用的凸包缺陷分割,为了更符合分割的需求,通过两向量行列式的绝对值即为向量对应平行四边形的面积,计算轮廓点到凸包的距离数组,对该数组转mat图像做一系列滤波后找到对应的分割点做分割后,通过椭圆拟合,舍弃长短轴过小面积过小的选取满足一定面积、离心率的细胞,找到合适的mark通过mark进行分水岭分割。
需要说明的是,清除对mask做分割后的碎片问题,在原图通过分水岭在做一次轮廓修正,剔除视野边缘不完整的细胞。对部分未完全分离的细胞做分割处理,根据圆度、面积筛选出目标细胞,统计目标细胞圆度、灰度、直径面积等信息。
红色通道使用10X镜单层扫射,膜的存在与否对cd45的阴阳性判断与蓝色通道对齐,由于前景背景差别较小,且带有大气雾面遮障效果对采集的红色荧光通道图像做去雾处理后,由于背景光场对细节不敏感先降采样,且减少了运算量,加快非线性运算速度;对降采样后的图片做中位滤波去噪,相当于提取低频较均匀部分;细胞聚集区域在中位滤波后会出现伪影,所以再做一次中位滤波,该处理在其他背景生成的方式中更适合前景与背景差别较小的膜的增强。用红色荧光通道图像的原图减去生成的背景,提取前景部分。
前景亮度矫正:背景减除后前景灰度总体太暗,而红色通道在核对应的位置有无对结果至关重要。单纯线性或非线性对比度提升都会或多或少对噪声进行放大或前景对比拉伸过大导致前景在后期处理沦为背景的一部分,为提升前景与背景的对比度做下面操作:对以获取前景部分做全图自适应阈值分割,获取对应阈值t,通过该otsu获取的阈值代替平均值做前景亮度矫正,使该分割值下灰度值越小的噪音越小不导致处理过程中突出不必要的细节;
以膨胀后的核作为引导对降噪后的膜使用导向滤波,保留细胞核区域的细胞图像,降低细胞核区域以外的背景噪声增强膜的信噪比。二值化引导后的膜图,实际情况中存在红色通道为亮斑其他通道正常情况,防止此类细胞因去噪过程中被处理掉而导致阴性细胞,造成无意义的复检,对原图采取灰度值大于一定程度的区域做亮斑补充,得到最终的真实膜区域二值图。
在细胞核的基础上对假定每个细胞都有膜的存在,在膜的前景图上用分水岭算法生成为伪膜区域,通过统计伪膜的信息,如:伪膜面积、伪膜周长、伪膜圆度、伪膜mask下对应原始未处理的灰度图的平均灰度值等。计算置信度的其中分为两部分:实际与假想细胞膜面积比,细胞膜与细胞核灰度值比对于CD45阳性细胞,面积比越大,灰度值比越大,则置信度越高,保证细胞核有对应的信息评分排序,方便人工脱机复核检查。通过伪膜与实际膜做与操作对比,实际膜不存在判定为cd45阴性,否则cd45为阳性;通过复检cd45阴性细胞所在的视野在20X/40X物镜下,重新采集图像进行复检。
S13:当检测到所述初步处理后的蓝色荧光通道图像存在靶细胞,且所述靶细胞对应的细胞核区域不存在细胞膜,则所述靶细胞为cd45阴性;
S14:获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞。
作为一个优选实施例,所述步骤S14,具体包括:
获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像;
对所述荧光通道图像做平移校准与所述背景减除处理;
对所述cd45阴性区域的每个细胞核所在的区域roi做定量的扩张,对所扩张后的roi区域进行三角阈值的初步二值化处理;
通过膨胀极值点合并相近的极值点,得到最终的二值图,进行信号点计数;
根据每个所述信号点内外距离进行初步的fish评分;根据多倍体特征判断所述二值图轮廓内及轮廓边缘的橙绿fish信号点计数,所述橙绿fish信号点计数达到3个或以上则为fish阳性;
当检测所述cd45阴性区域的所述橙绿fish信号点计数达到3个或以上的细胞,则为CTC阳性细胞。
具体实施当中,20X/40X采集多层图像,对多层图像进行融合后处理,基于蓝色通道细胞核所在位置,进行提取染色体多倍体的经过染色后体现在图片中有较亮的信号点,其存在的问题:1、为了快速扫描玻片蓝色通道总是最优先将所有视野扫描完成后,导致橙绿fish信号采集的图片与蓝色通道基准图片相对位置有偏差,仪器可以记录偏差量;2、光照不均导致成像不同区域有所差异;3、信号点之间也会存在粘连的情况。
对图像做平移校准,防止信号点所在区域与核不一致导致误检;
对于细胞膜、橙绿fish信号采集的图像,背景相对有个较高的灰度值,通过一定方差下,对图像在hsv的明度分量对图像做整体的光场均匀;然后对平移校准后的图像做背景减除,由于信号点与膜核大小之间的差异,需用更小的滤波核做小区域平均的低通滤波,减除后保留高通部分,突出信号点与背景的差别;
分别对每个细胞核所在区域roi并对roi轮廓做一定量的扩张,基于扩张后的roi做统计,对扩张后的roi区域做三角阈值的初步二值化,为计算图像的标准差、平均灰度、变异系数等统计量做掩膜准备;根据统计量做更细致的增强操作;
信号点的统计:图像中信号点表现得更像斑点,通常的斑点检测也无法做到对斑点的分割,信号点或大或小无法仅通过形态判别或模板去切割;其中信号点过小导致,基于分水岭分割和基于凸包的缺陷分割都没有相应的操作空间;但基于灰度膨胀和腐蚀的特性,可通过不同的一定的结构元素找到该区域的局部极大值。同时在扩张后的roi区域做灰度截断过的二值化操作用于排除过暗的极值点,保证极值点在目标区域内;通过膨胀极值点合并过近的极值点防止多检,得到最终得二值图,用于信号点计数。
信号点计数:通过点到多边形轮廓判断信号点处于统计内外信号点进行计数,并根据每个信号点内外距离做个初步的Fish评分;进行多倍体判断轮廓内包括边缘的橙绿fish信号点计数达到3个或以上则认为为fish阳性。
需要说明的是,由于细胞膜、橙绿fish信号自然的空间分布关系,需要通过调整固定步长的对焦高度来多层采集图像;多层采集同时会因为仪器工件、相机对焦平面的变化等原因,导致采集图像相同位置在层与层之间位置有所偏移;这种情况下会直接面临一下两大问题:
A、若直接对采集的图像对每层分别做分析在相同位置同样面临重复识别的排除问题,也避免不了对位置关系的处理,极大的提高工程难度;
b、若直接对多层图像融合会因为相对位置的变化导致图像信噪比下降或者位置的变化导致最终结果错误(如信号点移位融合后连成片且导致检测难度增大或者膜检测的移位或扩大最终导致cd45的误判)。
在此情况下图像层与层之间的对齐非常重要;由于整个多层采集对焦高度变化不大,因此在层与层之间的对齐,简化成第一层与其他层的对齐;通常通过Dense SIFT、brisk、orb等特征点提取对齐的方式,在暗场中获取到的特征点稀疏且match程度不稳定。经大量的采图实践发现层与层图像间随着对焦距离的变化,对焦不清晰的地方更近似滤波的效果。通过模板匹配的方式做对齐处理,层与层之间显现的物体不一样,而图片中大致背景的变化不大,通过滤波的方式消除信号点及杂质影响后,模板部分为了保证在匹配图中存在,对当前层做一定的裁剪后做模板匹配计算,对计算结果做选取;裁剪的方式既能明显的体现出匹配不成功的情况又方便当前层与第一层的偏移量的计算,
在图像采集过程中,仪器能较精细的控制在一定范围,常用仿射变换的对齐退化成平移对齐,在很大程度上加快了图像的处理速度,同时做为补充,通过提取特征点获取匹配度参数和阈值,根据阈值范围对图像判断是否需要做拉伸稍更复杂的仿射变换;对齐后通过多波段金字塔融合取各层最大特征对荧光图片做多层融合。
图2是本发明实施例提供的一种基于荧光图像识别循环肿瘤细胞装置的结构示意图,该基于荧光图像识别循环肿瘤细胞装置,包括:
通道图像获取模块21,用于获取样本细胞群的蓝色荧光通道图像和红色荧光通道图像;
图像处理检测模块22,用于对所述蓝色荧光通道图像进行初步处理,根据cd45细胞形态特征,对所述初步处理后的蓝色荧光通道图像进行细胞核检测;对所述红色荧光通道图像进行去干扰处理,对所述去干扰处理后的红色荧光通道图像进行细胞膜检测;
图像检测判定模块23,用于当检测到所述初步处理后的蓝色荧光通道图像存在靶细胞,且所述靶细胞对应的细胞核区域不存在细胞膜,则所述靶细胞为cd45阴性;
图像获取复检模块24,用于获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞;
其中,所述初步处理包括杂质判断处理、背景减除处理、二值化处理、细胞团分割处理;
所述细胞团分割处理,具体为:根据细胞所在的圆度、面积方面的信息查找经过所述二值化处理后的图像中满足细胞切割条件的细胞团进行分割处理;所述分割处理方式包括分水岭分割、圆切割、凸包缺陷分割;
所述分水岭分割:根据高斯核对原图中roi区域进行高斯滤波;采取较大size的中值滤波在图像中对应的细胞核间形成灰度较大的值;计算所述roi区域在原有的掩膜下的标准差,当所述roi区域大于所述标准差与灰度较大的值之和,且所述掩膜达到mark较好的选取同时具有较好的自适应性时,通过所述mark进行所述分水岭分割;
所述圆切割:对所述roi区域进行边框扩张,通过模板匹配输出的特征图以及对所述掩膜mask做距离变换;选取满足预设半径和较高相似度的细胞进行掩膜操作,直至无可继续分割为止同时生成最终的分割mark;所述分割mark通过所述分水岭分割达进行再次分割;
所述凸包缺陷分割:根据两向量行列式的绝对值即为向量对应平行四边形的面积,计算所述原图中轮廓点到凸包的距离数组,对所述数组转mat图像进行滤波,直到找到对应的分割点进行分割,通过椭圆拟合选取满足预设面积和离心率的细胞,查找符合预设范围的mark进行所述分水岭分割。
具体的,所述对所述红色荧光通道图像进行去干扰处理,具体包括:
对齐红色荧光通道与蓝色荧光通道,对所述红色荧光通道图像做去雾处理;
对所述去雾处理后的红色荧光通道图像进行中位滤波去噪;在所述去雾处理后的红色荧光通道图像的细胞聚集区域再进行所述中位滤波去噪,生成图像的背景;
将所述红色荧光通道图像减去所述生成图像的背景,以提取前景部分;
对所提取前景部分做全图自适应阈值分割,获取对应阈值,将通过otsu分割获取的阈值代替所述对应阈值做前景亮度矫正;
以膨胀后的细胞核作为引导对降噪后的细胞膜使用导向滤波,保留所述细胞核区域的细胞图像,降低所述细胞核区域以外的背景噪声,增强所述细胞膜的信噪比,对所述红色荧光通道图像采取灰度值大于预定程度的区域做亮斑补充,得到真实膜区域二值图。
具体的,所述图像获取复检模块24,具体用于:
获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像;
对所述荧光通道图像做平移校准与所述背景减除处理;
对所述cd45阴性区域的每个细胞核所在的区域roi做定量的扩张,对所扩张后的roi区域进行三角阈值的初步二值化处理;
通过膨胀极值点合并相近的极值点,得到最终的二值图,进行信号点计数;
根据每个所述信号点内外距离进行初步的fish评分;根据多倍体特征判断所述二值图轮廓内及轮廓边缘的橙绿fish信号点计数,所述橙绿fish信号点计数达到3个或以上则为fish阳性;
当检测所述cd45阴性区域的所述橙绿fish信号点计数达到3个或以上的细胞,则为CTC阳性细胞。
具体的,所述二值化处理,具体为:
统计目标图像整体灰度的直方图分布;
统计所述直方图分布在所述目标图像上的总体平均高度;
将所述目标图像进行初步二值化的结果作为第一掩膜,统计所述第一掩膜下的目标图像前景的平均灰度、方差作为伪峰值;
调整所述伪峰值处的直方图分布的值,将所述总体平均高度加上伪峰值处的本身高度作为新高度,从而改变所述直方图的峰值的整体分布,得到新的直方图;
对所述新的直方图,采用最大类间方差的方式寻找设定范围的阈值,对所述目标图像做二值化阈值分割。
本发明实施例所提供的一种基于荧光图像识别循环肿瘤细胞装置能够实现上述实施例的基于荧光图像识别循环肿瘤细胞方法的所有流程,装置中的各个模块的作用以及实现的技术效果分别与上述实施例的基于荧光图像识别循环肿瘤细胞方法的作用以及实现的技术效果对应相同,这里不再赘述。
本发明实施例对应提供的一种终端设备,所述终端设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述基于荧光图像识别循环肿瘤细胞方法实施例中的步骤。或者,所述处理器执行所述计算机程序时实现上述基于荧光图像识别循环肿瘤细胞装置实施例中各模块的功能。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元,还可以是其他通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需说明的是,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。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例的基于荧光图像识别循环肿瘤细胞方法。
综上所述,本发明实施例公开的一种基于荧光图像识别循环肿瘤细胞方法、装置、终端及设备,通过获取样本细胞群的蓝色荧光通道图像和红色荧光通道图像,对所述蓝色荧光通道图像进行初步处理,根据cd45细胞形态特征,对所述初步处理后的蓝色荧光通道图像进行细胞核检测;对所述红色荧光通道图像进行去干扰处理,对所述去干扰处理后的红色荧光通道图像进行细胞膜检测,当检测到所述初步处理后的蓝色荧光通道图像存在靶细胞,且所述靶细胞对应的细胞核区域不存在细胞膜,则所述靶细胞为cd45阴性,获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞。因此,本发明实施例能够判断样本细胞群是否存在CTC,且提高识别CTC的准确性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于荧光图像识别循环肿瘤细胞方法,其特征在于,包括:
获取样本细胞群的蓝色荧光通道图像和红色荧光通道图像;
对所述蓝色荧光通道图像进行初步处理,根据cd45细胞形态特征,对所述初步处理后的蓝色荧光通道图像进行细胞核检测;对所述红色荧光通道图像进行去干扰处理,对所述去干扰处理后的红色荧光通道图像进行细胞膜检测;
当检测到所述初步处理后的蓝色荧光通道图像存在靶细胞,且所述靶细胞对应的细胞核区域不存在细胞膜,则所述靶细胞为cd45阴性;
获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞;
其中,所述初步处理包括杂质判断处理、背景减除处理、二值化处理、细胞团分割处理;
所述细胞团分割处理,具体为:根据细胞所在的圆度、面积方面的信息查找经过所述二值化处理后的图像中满足细胞切割条件的细胞团进行分割处理;所述分割处理方式包括分水岭分割、圆切割、凸包缺陷分割;
所述分水岭分割:根据高斯核对原图中roi区域进行高斯滤波;采取较大size的中值滤波在图像中对应的细胞核间形成灰度较大的值;计算所述roi区域在原有的掩膜下的标准差,当所述roi区域大于所述标准差与灰度较大的值之和,且所述掩膜达到mark较好的选取同时具有较好的自适应性时,通过所述mark进行所述分水岭分割;
所述圆切割:对所述roi区域进行边框扩张,通过模板匹配输出的特征图以及对所述掩膜mask做距离变换;选取满足预设半径和较高相似度的细胞进行掩膜操作,直至无可继续分割为止同时生成最终的分割mark;所述分割mark通过所述分水岭分割达进行再次分割;
所述凸包缺陷分割:根据两向量行列式的绝对值即为向量对应平行四边形的面积,计算所述原图中轮廓点到凸包的距离数组,对所述数组转mat图像进行滤波,直到找到对应的分割点进行分割,通过椭圆拟合选取满足预设面积和离心率的细胞,查找符合预设范围的mark进行所述分水岭分割。
2.如权利要求1所述的基于荧光图像识别循环肿瘤细胞方法,其特征在于,所述对所述红色荧光通道图像进行去干扰处理,具体包括:
对齐红色荧光通道与蓝色荧光通道,对所述红色荧光通道图像做去雾处理;
对所述去雾处理后的红色荧光通道图像进行中位滤波去噪;在所述去雾处理后的红色荧光通道图像的细胞聚集区域再进行所述中位滤波去噪,生成图像的背景;
将所述红色荧光通道图像减去所述生成图像的背景,以提取前景部分;
对所提取前景部分做全图自适应阈值分割,获取对应阈值,将通过otsu分割获取的阈值代替所述对应阈值做前景亮度矫正;
以膨胀后的细胞核作为引导对降噪后的细胞膜使用导向滤波,保留所述细胞核区域的细胞图像,降低所述细胞核区域以外的背景噪声,增强所述细胞膜的信噪比,对所述红色荧光通道图像采取灰度值大于预定程度的区域做亮斑补充,得到真实膜区域二值图。
3.如权利要求1所述的基于荧光图像识别循环肿瘤细胞方法,其特征在于,所述获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞,具体包括:
获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像;
对所述荧光通道图像做平移校准与所述背景减除处理;
对所述cd45阴性区域的每个细胞核所在的区域roi做定量的扩张,对所扩张后的roi区域进行三角阈值的初步二值化处理;
通过膨胀极值点合并相近的极值点,得到最终的二值图,进行信号点计数;
根据每个所述信号点内外距离进行初步的fish评分;根据多倍体特征判断所述二值图轮廓内及轮廓边缘的橙绿fish信号点计数,所述橙绿fish信号点计数达到3个或以上则为fish阳性;
当检测所述cd45阴性区域的所述橙绿fish信号点计数达到3个或以上的细胞,则为CTC阳性细胞。
4.如权利要求1所述的基于荧光图像识别循环肿瘤细胞方法,其特征在于,所述二值化处理,具体为:
统计目标图像整体灰度的直方图分布;
统计所述直方图分布在所述目标图像上的总体平均高度;
将所述目标图像进行初步二值化的结果作为第一掩膜,统计所述第一掩膜下的目标图像前景的平均灰度、方差作为伪峰值;
调整所述伪峰值处的直方图分布的值,将所述总体平均高度加上伪峰值处的本身高度作为新高度,从而改变所述直方图的峰值的整体分布,得到新的直方图;
对所述新的直方图,采用最大类间方差的方式寻找设定范围的阈值,对所述目标图像做二值化阈值分割。
5.一种基于荧光图像识别循环肿瘤细胞装置,其特征在于,包括:
通道图像获取模块,用于获取样本细胞群的蓝色荧光通道图像和红色荧光通道图像;
图像处理检测模块,用于对所述蓝色荧光通道图像进行初步处理,根据cd45细胞形态特征,对所述初步处理后的蓝色荧光通道图像进行细胞核检测;对所述红色荧光通道图像进行去干扰处理,对所述去干扰处理后的红色荧光通道图像进行细胞膜检测;
图像检测判定模块,用于当检测到所述初步处理后的蓝色荧光通道图像存在靶细胞,且所述靶细胞对应的细胞核区域不存在细胞膜,则所述靶细胞为cd45阴性;
图像获取复检模块,用于获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像,对所述cd45阴性所对应的区域进行复检,当检测到cd45阴性且Fish阳性的细胞,则为CTC阳性细胞;
其中,所述初步处理包括杂质判断处理、背景减除处理、二值化处理、细胞团分割处理;
所述细胞团分割处理,具体为:根据细胞所在的圆度、面积方面的信息查找经过所述二值化处理后的图像中满足细胞切割条件的细胞团进行分割处理;所述分割处理方式包括分水岭分割、圆切割、凸包缺陷分割;
所述分水岭分割:根据高斯核对原图中roi区域进行高斯滤波;采取较大size的中值滤波在图像中对应的细胞核间形成灰度较大的值;计算所述roi区域在原有的掩膜下的标准差,当所述roi区域大于所述标准差与灰度较大的值之和,且所述掩膜达到mark较好的选取同时具有较好的自适应性时,通过所述mark进行所述分水岭分割;
所述圆切割:对所述roi区域进行边框扩张,通过模板匹配输出的特征图以及对所述掩膜mask做距离变换;选取满足预设半径和较高相似度的细胞进行掩膜操作,直至无可继续分割为止同时生成最终的分割mark;所述分割mark通过所述分水岭分割达进行再次分割;
所述凸包缺陷分割:根据两向量行列式的绝对值即为向量对应平行四边形的面积,计算所述原图中轮廓点到凸包的距离数组,对所述数组转mat图像进行滤波,直到找到对应的分割点进行分割,通过椭圆拟合选取满足预设面积和离心率的细胞,查找符合预设范围的mark进行所述分水岭分割。
6.如权利要求5所述的基于荧光图像识别循环肿瘤细胞装置,其特征在于,所述对所述红色荧光通道图像进行去干扰处理,具体包括:
对齐红色荧光通道与蓝色荧光通道,对所述红色荧光通道图像做去雾处理;
对所述去雾处理后的红色荧光通道图像进行中位滤波去噪;在所述去雾处理后的红色荧光通道图像的细胞聚集区域再进行所述中位滤波去噪,生成图像的背景;
将所述红色荧光通道图像减去所述生成图像的背景,以提取前景部分;
对所提取前景部分做全图自适应阈值分割,获取对应阈值,将通过otsu分割获取的阈值代替所述对应阈值做前景亮度矫正;
以膨胀后的细胞核作为引导对降噪后的细胞膜使用导向滤波,保留所述细胞核区域的细胞图像,降低所述细胞核区域以外的背景噪声,增强所述细胞膜的信噪比,对所述红色荧光通道图像采取灰度值大于预定程度的区域做亮斑补充,得到真实膜区域二值图。
7.如权利要求5所述的基于荧光图像识别循环肿瘤细胞装置,其特征在于,所述图像获取复检模块,具体用于:
获取所述cd45阴性所对应的区域的单层蓝色、多层红色和多层橙绿Fish信号的荧光通道图像;
对所述荧光通道图像做平移校准与所述背景减除处理;
对所述cd45阴性区域的每个细胞核所在的区域roi做定量的扩张,对所扩张后的roi区域进行三角阈值的初步二值化处理;
通过膨胀极值点合并相近的极值点,得到最终的二值图,进行信号点计数;
根据每个所述信号点内外距离进行初步的fish评分;根据多倍体特征判断所述二值图轮廓内及轮廓边缘的橙绿fish信号点计数,所述橙绿fish信号点计数达到3个或以上则为fish阳性;
当检测所述cd45阴性区域的所述橙绿fish信号点计数达到3个或以上的细胞,则为CTC阳性细胞。
8.如权利要求5所述的基于荧光图像识别循环肿瘤细胞装置,其特征在于,所述二值化处理,具体为:
统计目标图像整体灰度的直方图分布;
统计所述直方图分布在所述目标图像上的总体平均高度;
将所述目标图像进行初步二值化的结果作为第一掩膜,统计所述第一掩膜下的目标图像前景的平均灰度、方差作为伪峰值;
调整所述伪峰值处的直方图分布的值,将所述总体平均高度加上伪峰值处的本身高度作为新高度,从而改变所述直方图的峰值的整体分布,得到新的直方图;
对所述新的直方图,采用最大类间方差的方式寻找设定范围的阈值,对所述目标图像做二值化阈值分割。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-4中任意一项所述的基于荧光图像识别循环肿瘤细胞方法。
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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-4中任意一项所述的基于荧光图像识别循环肿瘤细胞方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597222.5A CN116596899A (zh) | 2023-05-24 | 2023-05-24 | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597222.5A CN116596899A (zh) | 2023-05-24 | 2023-05-24 | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596899A true CN116596899A (zh) | 2023-08-15 |
Family
ID=87595290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310597222.5A Pending CN116596899A (zh) | 2023-05-24 | 2023-05-24 | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596899A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576085A (zh) * | 2024-01-10 | 2024-02-20 | 臻和(北京)生物科技有限公司 | 一种基于全局莫兰指数的结肠癌预后预测方法及系统 |
-
2023
- 2023-05-24 CN CN202310597222.5A patent/CN116596899A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576085A (zh) * | 2024-01-10 | 2024-02-20 | 臻和(北京)生物科技有限公司 | 一种基于全局莫兰指数的结肠癌预后预测方法及系统 |
CN117576085B (zh) * | 2024-01-10 | 2024-05-07 | 臻和(北京)生物科技有限公司 | 一种基于全局莫兰指数的结肠癌预后预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
Plissiti et al. | Automated detection of cell nuclei in pap smear images using morphological reconstruction and clustering | |
JP6710135B2 (ja) | 細胞画像の自動分析方法及びシステム | |
Al-Hafiz et al. | Red blood cell segmentation by thresholding and Canny detector | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
US20110249883A1 (en) | Methods for segmenting objects in images | |
CN111402267B (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
US20180053299A1 (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 | |
CN112734756B (zh) | 基于光度立体视觉的检测方法及系统 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
Öztürk et al. | Comparison of HOG, MSER, SIFT, FAST, LBP and CANNY features for cell detection in histopathological images | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN116596899A (zh) | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 | |
CN115100104A (zh) | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 | |
Plissiti et al. | Automated segmentation of cell nuclei in PAP smear images | |
CN110060246B (zh) | 一种图像处理方法、设备及存储介质 | |
CN107545565B (zh) | 一种太阳能网版检测方法 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN112435226B (zh) | 一种细粒度图像拼接区域检测方法 | |
Bhardwaj et al. | An imaging approach for the automatic thresholding of photo defects | |
CN113033635B (zh) | 一种硬币隐形图文检测方法及装置 | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
Ajemba et al. | Integrated segmentation of cellular structures | |
CN116309562B (zh) | 一种板卡缺陷识别方法及系统 |
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 |