CN116596954A - 病变细胞图像分割方法、装置、设备及存储介质 - Google Patents

病变细胞图像分割方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116596954A
CN116596954A CN202310851591.2A CN202310851591A CN116596954A CN 116596954 A CN116596954 A CN 116596954A CN 202310851591 A CN202310851591 A CN 202310851591A CN 116596954 A CN116596954 A CN 116596954A
Authority
CN
China
Prior art keywords
cell image
lesion cell
segmented
segmentation
points
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
Application number
CN202310851591.2A
Other languages
English (en)
Other versions
CN116596954B (zh
Inventor
侯艳
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.)
Peking University
Original Assignee
Peking 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 Peking University filed Critical Peking University
Priority to CN202310851591.2A priority Critical patent/CN116596954B/zh
Publication of CN116596954A publication Critical patent/CN116596954A/zh
Application granted granted Critical
Publication of CN116596954B publication Critical patent/CN116596954B/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
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像分割技术领域，公开了一种病变细胞图像分割方法、装置、设备及存储介质，该方法包括：增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像；根据待分割病变细胞图像的轮廓信息绘制待分割病变细胞图像的对比度曲线，并根据对比度曲线提取待分割病变细胞图像的轮廓特征点；根据轮廓特征点确定轮廓特征点的分割率，并根据分割率确定待分割病变细胞图像的分割点；根据分割点对待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域；对连通域的连通阈值进行叠加，获得分割的病变细胞图像。本发明根据轮廓特征点、分割率和分割点等对细胞图像进行分割从而解决图像中细胞重叠和粘连等问题，提高图像分割的精确度。

Description

病变细胞图像分割方法、装置、设备及存储介质
技术领域
本发明涉及图像分割技术领域，尤其涉及一种病变细胞图像分割方法、装置、设备及存储介质。
背景技术
目前，由于病变细胞图像中细胞之间存在溶液以及通过显微镜下获取的图像存在光圈等因素影响，导致获取的病变细胞无法精准的分割出来。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种病变细胞图像分割方法、装置、设备及存储介质，旨在解决无法精准分割病变细胞图像的技术问题。
为实现上述目的，本发明提供一种病变细胞图像分割方法，所述病变细胞图像分割方法包括以下步骤：
对病变细胞图像进度高斯降噪处理，并增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像；
根据所述待分割病变细胞图像的轮廓信息绘制所述待分割病变细胞图像的对比度曲线，并根据所述对比度曲线提取所述待分割病变细胞图像的轮廓特征点；
根据所述轮廓特征点确定所述轮廓特征点的分割率，并根据所述分割率确定所述待分割病变细胞图像的分割点；
根据所述分割点对所述待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域；
对所述连通域的连通阈值进行叠加，获得分割的病变细胞图像。
可选地，所述根据所述待分割病变细胞图像的轮廓信息绘制所述待分割病变细胞图像的对比度曲线，并根据所述对比度曲线提取所述待分割病变细胞图像的轮廓特征点的步骤，包括：
根据所述待分割病变细胞图像的轮廓信息确定所述轮廓信息的像素分布图，并根据所述像素分布图确定像素峰值；
对所述像素分布图进行曲线拟合，获得所述待分割病变细胞图像的对比度曲线；
根据所述对比度曲线和所述像素峰值确定待分割病变细胞与背景区域的对比强度；
根据所述对比强度确定所述待分割病变细胞图像的轮廓特征点。
可选地，所述根据所述对比强度确定所述待分割病变细胞图像的轮廓特征点的步骤，包括：
根据所述对比度强度确定所述待分割病变细胞的轮廓点；
选取任一两个轮廓点，并选取所述任一两个轮廓点之间的目标轮廓点；
连接所述任一两个轮廓点，并判断所述目标轮廓点是否能垂直于所述任一两个轮廓点之间的连线；
在所述目标轮廓点不垂直于所述任一两个轮廓点之间的连线时，则返回所述选取任一两个轮廓点，并选取所述任一两个轮廓点之间的目标轮廓点的步骤，直至遍历完所述轮廓点；
在所述目标轮廓点垂直于所述任一两个轮廓点之间的连线时，则将所述目标轮廓点作为轮廓特征点。
可选地，所述根据所述轮廓特征点确定所述轮廓特征点的分割率，并根据所述分割率确定所述待分割病变细胞图像的分割点的步骤，包括：
根据所述轮廓特征点确定所述轮廓特征点的分割率，并将所述分割率满足预设阈值对应的轮廓特征点作为待选分割点；
将按照所述待选分割点对应的分割率从低到高对所述待选分割点进行排序；
根据排序结果选取待选分割点队，并根据所述待选分割点队拟合所述待分割病变细胞图像的重叠区域；
确定所述重叠区域的面积，并将所述重叠区域的面积与预设面积阈值进行比较；
在所述重叠区域的面积小于所述预设面积阈值时，将所述重叠区域对应的待选分割点队作为所述待分割病变细胞图像的分割点。
可选地，所述根据所述待选分割点队拟合所述待分割病变细胞图像的重叠区域的步骤之后，还包括：
根据所述待选分割点队形成的线段将所述待分割病变细胞图像的重叠区域划分成两段；
确定所述线段上的点与划分后重叠区域的边缘点之间的平均距离；
在所述平均距离小于预设距离阈值进行时，将所述待选分割点队作为所述待分割病变细胞图像的分割点。
可选地，所述根据所述分割点对所述待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域的步骤，包括：
增强预设边缘检测算法对各方向的检测灵敏度；
根据增强后预设边缘检测算法对所述分割点进行卷积；
根据所述增强后预设边缘检测算法确定卷积后分割点的像素梯度值，并根据所述像素梯度值确定连通域。
可选地，所述对所述连通域的连通阈值进行叠加，获得分割的病变细胞图像的步骤之后，还包括：
将分割的病变细胞图像中的病变细胞区域图像恢复至初始病变细胞图像，并确定所述初始病变细胞图像中各轮廓点的像素位置；
根据所述像素位置的梯度方向对所述初始病变细胞图像进行移动；
在移动过程中所述梯度方向为负时，停止移动完成对所述分割的病变细胞图像的修复。
此外，为实现上述目的，本发明还提出一种病变细胞图像分割装置，所述病变细胞图像分割装置包括：图像获取模块、点集确定模块及区域确定模块；
所述图像获取模块，用于对病变细胞图像进度高斯降噪处理，并增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像；
所述点集确定模块，用于根据所述待分割病变细胞图像的轮廓信息绘制所述待分割病变细胞图像的对比度曲线，并根据所述对比度曲线提取所述待分割病变细胞图像的轮廓特征点；
所述点集确定模块，还用于根据所述轮廓特征点确定所述轮廓特征点的分割率，并根据所述分割率确定所述待分割病变细胞图像的分割点；
所述区域确定模块，用于根据所述分割点对所述待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域；
所述图像获取模块，还用于对所述连通域的连通阈值进行叠加，获得分割的病变细胞图像。
此外，为实现上述目的，本发明还提出一种病变细胞图像分割设备，所述病变细胞图像分割设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行病变细胞图像程序，所述病变细胞图像程序配置为实现如上文所述的病变细胞图像分割方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有病变细胞图像程序，所述病变细胞图像程序被处理器执行时实现如上文所述的病变细胞图像分割方法。
本发明公开了一种病变细胞图像分割方法、装置、设备及存储介质，该方法包括：对病变细胞图像进度高斯降噪处理，并增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像；根据待分割病变细胞图像的轮廓信息绘制待分割病变细胞图像的对比度曲线，并根据对比度曲线提取待分割病变细胞图像的轮廓特征点；根据轮廓特征点确定轮廓特征点的分割率，并根据分割率确定待分割病变细胞图像的分割点；根据分割点对待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域；对连通域的连通阈值进行叠加，获得分割的病变细胞图像。本发明确定待分割病变细胞的对比度曲线，根据对比度曲线确定轮廓特征点，基于轮廓特征点确定待分割病变细胞的分割率并根据分割率确定分割点，对分割点进行边缘检测获得连通域并根据连通域确定分割的病变细胞图像，从而解决图像中细胞重叠、粘连以及获取图像过程中因各种影响因素导致图像不清晰等问题，提高了病变图像分割的精确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的病变细胞图像分割设备的结构示意图；
图2为本发明病变细胞图像分割方法第一实施例的流程示意图；
图3为本发明病变细胞图像分割方法第二实施例的流程示意图；
图4为本发明病变细胞图像分割方法一实施例的初始病变细胞图像；
图5为本发明病变细胞图像分割方法一实施例的分割的病变细胞图像；
图6为本发明病变细胞图像分割装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的病变细胞图像分割设备结构示意图。
如图1所示，该病变细胞图像分割设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display），可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（Random Access Memory，RAM），也可以是稳定的存储器（Non-volatileMemory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对病变细胞图像分割设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及病变细胞图像程序。
在图1所示的病变细胞图像分割设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述病变细胞图像分割设备通过处理器1001调用存储器1005中存储的病变细胞图像程序，并执行本发明实施例提供的病变细胞图像分割方法。
基于上述硬件结构，提出本发明病变细胞图像分割方法的实施例。
参照图2，图2为本发明病变细胞图像分割方法第一实施例的流程示意图，提出本发明病变细胞图像分割方法第一实施例。
步骤S10：对病变细胞图像进度高斯降噪处理，并增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像。
需要说明的是，本实施例的执行主体可以是具有数据处理、网络通信以及程序运行功能的计算机软件服务设备，例如，病变细胞图像分割设备等，或者是其他能够实现相同或相似功能的电子设备，本实施例对此不加限制。
可以理解的是，可以根据高斯滤波器对病变图像进行高斯降噪处理，尽可能消除杂质对图像分割的影响。
需要说明的是，由于对细胞拍摄时光照强度不一，造成了不同分裂时期图像亮度不均匀的现象，因此，在对病变图像进行降噪处理后需要增强病变细胞图像中细胞与背景的对比度。
需要说明的是，增强对比度可以根据形态学的开操作和闭操作对病变图像进行形态学顶帽变化和低帽变化，在进行代数运算增强病变图像的对比度。
步骤S20：根据所述待分割病变细胞图像的轮廓信息绘制所述待分割病变细胞图像的对比度曲线，并根据所述对比度曲线提取所述待分割病变细胞图像的轮廓特征点。
可以理解的是，轮廓信息可以是待分割病变细胞的轮廓点、轮廓对比度轮廓像素值和轮廓点坐标等，本实施例对此不予限制。
需要说明的是，根据对比度曲线确定合适的对比强度阈值，将对比度曲线中所有对比强度值与对比强度阈值进行对比挑选出大于对比强度阈值的对比强度值，将挑选出的对比强度值对应的轮廓点作为轮廓特征点。
进一步地，为了提高病变细胞图像分割的精确度，因此本实施例步骤S20还可包括：
根据所述待分割病变细胞图像的轮廓信息确定所述轮廓信息的像素分布图，并根据所述像素分布图确定像素峰值；
对所述像素分布图进行曲线拟合，获得所述待分割病变细胞图像的对比度曲线；
根据所述对比度曲线和所述像素峰值确定待分割病变细胞与背景区域的对比强度；
根据所述对比强度确定所述待分割病变细胞图像的轮廓特征点。
可以理解的是，根据待分割病变细胞图像的轮廓信息计算像素分布直方图，根据像素分布直方图确定像素强度峰值。
可以理解的是，根据像素分布图和各轮廓点的对比度进行曲线拟合，获得对比度曲线，根据像素峰值的对比度与对比度曲线各轮廓点的对比度进行对比，确定待分割病变细胞与背景区域的对比强度。
应理解的是，对比强度可以通过数值判断强弱，即，通过对比强度值判断强弱。
进一步地，为了提高病变细胞图像分割的精确度，因此本实施例步骤S20还可包括：
根据所述对比度强度确定所述待分割病变细胞的轮廓点；
选取任一两个轮廓点，并选取所述任一两个轮廓点之间的目标轮廓点；
连接所述任一两个轮廓点，并判断所述目标轮廓点是否能垂直于所述任一两个轮廓点之间的连线；
在所述目标轮廓点不垂直于所述任一两个轮廓点之间的连线时，则返回所述选取任一两个轮廓点，并选取所述任一两个轮廓点之间的目标轮廓点的步骤，直至遍历完所述轮廓点；
在所述目标轮廓点垂直于所述任一两个轮廓点之间的连线时，则将所述目标轮廓点作为轮廓特征点。
需要说明的是，重叠细胞或出现凹陷的地方，通过确定这些凹陷的点是进行分割图像的关键。
需要说明的是，可能任一两点的连接会与细胞边缘重叠，则起始轮廓点不变，寻找下一个轮廓点，直到连接两个轮廓点能找到有个轮廓做垂线垂直于两个轮廓点的连接线。
需要说明的是，还可以计算任一两个轮廓点之间的距离如果存在一个目标轮廓点到任一两个轮廓点连线的距离满足预设距离阈值，也可以将目标轮廓点作为轮廓特征点。
步骤S30：根据所述轮廓特征点确定所述轮廓特征点的分割率，并根据所述分割率确定所述待分割病变细胞图像的分割点。
需要说明的是，通过计算每个轮廓特征点之间的分割率是为了用来判断轮库特征点是否选取正确，将正确的轮廓特诊点作为分割点。
可以理解的是，可以通过设置阈值的方法，将任一两个轮廓特征点计算出来的分割率与预设阈值进行比较，如果分割率小于预设阈值，则表示该任一两个轮廓点选取正确，可以作为分割点。
步骤S40：根据所述分割点对所述待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域。
需要说明的是，根据分割点进行边缘检测是为了辨别病变细胞图像中细胞与背景，可以通过梯度向量的幅度值和方向的灰度变化率进行量化。
可以理解的是，病变细胞图像中，细胞与细胞之间存在粘连和重叠等现象，所以在从病变细胞图像的背景中辨别出细胞后，需要确定细胞与细胞之间边界的连通域，让细胞在病变图像中更加凸显出来。
进一步地，为了提高病变细胞图像分割的精确度，因此本实施例步骤S40还可包括：
增强预设边缘检测算法对各方向的检测灵敏度；
根据增强后预设边缘检测算法对所述分割点进行卷积；
根据所述增强后预设边缘检测算法确定卷积后分割点的像素梯度值，并根据所述像素梯度值确定连通域。
需要说明的是，为了能在预设边缘检测算法在各个方向都能有很好的检测效果，所以除了垂直和水平方向有灵敏度以外，需要增强预设边缘检测算法在其他方向上的灵敏度。
可以理解的是，增强后预设边缘检测算法不仅仅是在水平和垂直方向进行卷积，而是在各个方向都进行卷积。
应理解的是，预设边缘检测算法是用来计算病变细胞图像的亮度函数梯度值，用来表示亮度函数的度量。
步骤S50：对所述连通域的连通阈值进行叠加，获得分割的病变细胞图像。
需要说明的是，根据连通域确定连通区域面积阈值从而得到分割的病变细胞图像。
进一步地，为了优化分割的病变细胞图像，因此本实施例步骤S50之后，还包括：
将分割的病变细胞图像中的病变细胞区域图像恢复至初始病变细胞图像，并确定所述初始病变细胞图像中各轮廓点的像素位置；
根据所述像素位置的梯度方向对所述初始病变细胞图像进行移动；
在移动过程中所述梯度方向为负时，停止移动完成对所述分割的病变细胞图像的修复。
需要说明的是，需要先对分割的病变细胞图像进行孔洞填充，确定病变细胞中典型杂质的范围，将连通域面积小于该范围的区域进行取反实现杂质过滤。
在具体实现中，对分割的病变细胞图像中的病变细胞区域图像进行形态学膨胀恢复至初始病变细胞图像，对初始病变细胞图像进行卷积并根据卷积方向确定每个像素位置的梯度方向，将初始病变细胞图像研制梯度方向进行移动，在移动过程中所述梯度方向为负时，停止移动完成对所述分割的病变细胞图像的修复，此时的细胞轮廓更加接近于真是细胞边界。
为了便于理解，参照图4和图5进行说明，图4为初始病变细胞图像，图5为分割的病变细胞图像，根据图4和图5的对比，明显的看出通过本实施例的分割方法，病变细胞图像中的细胞和背景的区分度非常明显，对于病变细胞图像的分割精度也非常高。
本实施例对病变细胞图像进度高斯降噪处理，并增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像；根据待分割病变细胞图像的轮廓信息绘制待分割病变细胞图像的对比度曲线，并根据对比度曲线提取待分割病变细胞图像的轮廓特征点；根据轮廓特征点确定轮廓特征点的分割率，并根据分割率确定待分割病变细胞图像的分割点；根据分割点对待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域；对连通域的连通阈值进行叠加，获得分割的病变细胞图像。本实施例确定待分割病变细胞的对比度曲线，根据对比度曲线确定轮廓特征点，基于轮廓特征点确定待分割病变细胞的分割率并根据分割率确定分割点，对分割点进行边缘检测获得连通域并根据连通域确定分割的病变细胞图像，从而解决图像中细胞重叠、粘连以及获取图像过程中因各种影响因素导致图像不清晰等问题，提高了病变图像分割的精确度。
参照图3，图3为本发明病变细胞图像分割方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明病变细胞图像分割方法的第二实施例。
在第二实施例中，所述步骤S30，包括：
步骤S301：根据所述轮廓特征点确定所述轮廓特征点的分割率，并将所述分割率满足预设阈值对应的轮廓特征点作为待选分割点。
可以理解的是，挑选出的轮廓特征点并不是所有都能作为分割点，通过做垂线的方式确定轮廓特征点只是粗劣进行挑选，为了提高精准度还需要从轮廓特征点中判断哪些是正确的，将正确的轮廓特征点作为待选分割点并从待选分割点中再次挑选出能进行分割病变细胞图像的分割点。
步骤S302：将按照所述待选分割点对应的分割率从低到高对所述待选分割点进行排序。
应理解的是，对分割点按照分割率进行排序是为了便于后续进行特征拟合，获得正确的分割点。
步骤S303：根据排序结果选取待选分割点队，并根据所述待选分割点队拟合所述待分割病变细胞图像的重叠区域。
可以理解的是，可以从低到高选取待分割点队，也可以从高到底选取待分割点队，本实施例对此不予限制。
需要说明的是，根据待选分割点队进行椭圆拟合，即将所有的待选分割点队根据细胞形状进行连接，获得待分割病变细胞图像中细胞之间的重叠区域。
进一步地，为了提高对病变细胞图像分割的精确度，因此本实施例步骤S303之后，还包括：
根据所述待选分割点队形成的线段将所述待分割病变细胞图像的重叠区域划分成两段；
确定所述线段上的点与划分后重叠区域的边缘点之间的平均距离；
在所述平均距离小于预设距离阈值进行时，将所述待选分割点队作为所述待分割病变细胞图像的分割点。
在具体实现中，根据待选分割点队形成的线段将重叠区域划分成两段，分别计算两条线段上所有的特征点与划分后重叠区域边缘点之间的距离，并从中选出最小的距离于预设距离阈值进行比较，如果最小的距离比预设距离阈值还要小，则表明进行分割重叠区域的线段对应的待选分割点队是正确的，反之，则是错误的，需要删除。
步骤S304：确定所述重叠区域的面积，并将所述重叠区域的面积与预设面积阈值进行比较。
需要说明的是，如果重叠区域的面积太他，则说形成重叠区域对应的待选分割点队是不正确的，因此需要将重叠区域的面积与预设面积阈值进行比较，如果重叠区域的面积大于预设面积阈值，则说明形成重叠区域对应待选分割点队是不正确的，需要排除出去，反之，如果重叠区域的面积大小于预设面积阈值，则说明形成重叠区域对应待选分割点队不正确的。
步骤S305：在所述重叠区域的面积小于所述预设面积阈值时，将所述重叠区域对应的待选分割点队作为所述待分割病变细胞图像的分割点。
应理解的是，在重叠区域的面积小于预设面积阈值时，表示形成终端区域的待选分割点队是正确的，因此将确定所述重叠区域对应的待选分割点队作为待分割病变细胞图像的分割点，以便进行图像分割。
本实施例根据所述轮廓特征点确定所述轮廓特征点的分割率，并将所述分割率满足预设阈值对应的轮廓特征点作为待选分割点；将按照所述待选分割点对应的分割率从低到高对所述待选分割点进行排序；根据排序结果选取待选分割点队，并根据所述待选分割点队拟合所述待分割病变细胞图像的重叠区域；确定所述重叠区域的面积，并将所述重叠区域的面积与预设面积阈值进行比较；在所述重叠区域的面积小于所述预设面积阈值时，将所述重叠区域对应的待选分割点队作为所述待分割病变细胞图像的分割点。本实施例根据分割率从轮廓特征点中选取待选分割点，根据待选分割点选取待选分割点队并根据待选分割点队进行重叠区域拟合，确定重叠区域的面积并与阈值进行比较，从而根据比较结果从待选分割点队中筛选出分割点，根据筛选出的分割点进行图像分割，进而能保证分割图像的完整度和准确度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有病变细胞图像程序，所述病变细胞图像程序被处理器执行时实现如上文所述的病变细胞图像分割方法。
此外，参照图6，本发明实施例还提出一种病变细胞图像分割装置，所述病变细胞图像分割装置包括：图像获取模块10、点集确定模块20及区域确定模块30；
所述图像获取模块10，用于对病变细胞图像进度高斯降噪处理，并增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像；
所述点集确定模块20，用于根据所述待分割病变细胞图像的轮廓信息绘制所述待分割病变细胞图像的对比度曲线，并根据所述对比度曲线提取所述待分割病变细胞图像的轮廓特征点；
所述点集确定模块20，还用于根据所述轮廓特征点确定所述轮廓特征点的分割率，并根据所述分割率确定所述待分割病变细胞图像的分割点；
所述区域确定模块30，用于根据所述分割点对所述待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域；
所述图像获取模块10，还用于对所述连通域的连通阈值进行叠加，获得分割的病变细胞图像。
本实施例对病变细胞图像进度高斯降噪处理，并增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像；根据待分割病变细胞图像的轮廓信息绘制待分割病变细胞图像的对比度曲线，并根据对比度曲线提取待分割病变细胞图像的轮廓特征点；根据轮廓特征点确定轮廓特征点的分割率，并根据分割率确定待分割病变细胞图像的分割点；根据分割点对待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域；对连通域的连通阈值进行叠加，获得分割的病变细胞图像。本实施例确定待分割病变细胞的对比度曲线，根据对比度曲线确定轮廓特征点，基于轮廓特征点确定待分割病变细胞的分割率并根据分割率确定分割点，对分割点进行边缘检测获得连通域并根据连通域确定分割的病变细胞图像，从而解决图像中细胞重叠、粘连以及获取图像过程中因各种影响因素导致图像不清晰等问题，提高了病变图像分割的精确度。
基于本发明上述病变细胞图像分割装置第一实施例，提出本发明病变细胞图像分割装置的第二实施例。
在本实施例中，所述点集确定模块20，用于根据所述待分割病变细胞图像的轮廓信息确定所述轮廓信息的像素分布图，并根据所述像素分布图确定像素峰值。
进一步地，所述点集确定模块20，还用于对所述像素分布图进行曲线拟合，获得所述待分割病变细胞图像的对比度曲线。
进一步地，所述点集确定模块20，还用于根据所述对比度曲线和迭代后像素峰值确定待分割病变细胞与背景区域的对比强度。
进一步地，所述点集确定模块20，还用于根据所述对比强度确定所述待分割病变细胞图像的轮廓特征点。
进一步地，所述点集确定模块20，还用于根据所述对比度强度确定所述待分割病变细胞的轮廓点。
进一步地，所述点集确定模块20，还用于选取任一两个轮廓点，并选取所述任一两个轮廓点之间的目标轮廓点。
进一步地，所述点集确定模块20，还用于连接所述任一两个轮廓点，并判断所述目标轮廓点是否能垂直于所述任一两个轮廓点之间的连线。
进一步地，所述点集确定模块20，还用于在所述目标轮廓点不垂直于所述任一两个轮廓点之间的连线时，则返回所述选取任一两个轮廓点，并选取所述任一两个轮廓点之间的目标轮廓点的步骤，直至遍历完所述轮廓点。
进一步地，所述点集确定模块20，还用于在所述目标轮廓点垂直于所述任一两个轮廓点之间的连线时，则将所述目标轮廓点作为轮廓特征点。
进一步地，所述点集确定模块20，还用于根据所述轮廓特征点确定所述轮廓特征点的分割率，并将所述分割率满足预设阈值对应的轮廓特征点作为待选分割点。
进一步地，所述点集确定模块20，还用于将按照所述待选分割点对应的分割率从低到高对所述待选分割点进行排序。
进一步地，所述点集确定模块20，还用于根据排序结果选取待选分割点队，并根据所述待选分割点队拟合所述待分割病变细胞图像的重叠区域。
进一步地，所述点集确定模块20，还用于确定所述重叠区域的面积，并将所述重叠区域的面积与预设面积阈值进行比较。
进一步地，所述点集确定模块20，还用于在所述重叠区域的面积小于所述预设面积阈值时，将所述重叠区域对应的待选分割点队作为所述待分割病变细胞图像的分割点。
进一步地，所述点集确定模块20，还用于根据所述待选分割点队形成的线段将所述待分割病变细胞图像的重叠区域划分成两段。
进一步地，所述点集确定模块20，还用于确定所述线段上的点与划分后重叠区域的边缘点之间的平均距离。
进一步地，所述点集确定模块20，还用于在所述平均距离小于预设距离阈值进行时，将所述待选分割点队作为所述待分割病变细胞图像的分割点。
进一步地，所述区域确定模块30，还用于根据预设边缘检测算法对所述分割点进行卷积。
进一步地，所述区域确定模块30，还用于增强所述预设边缘检测算法对各方向的检测灵敏度。
进一步地，所述区域确定模块30，还用于根据增强的预设边缘检测算法确定卷积后分割点的像素梯度值，并根据所述像素梯度值确定连通域。
进一步地，所述图像获取模块10，还用于将分割的病变细胞图像中的病变细胞区域图像恢复至初始病变细胞图像，并确定所述初始病变细胞图像中各轮廓点的像素位置。
进一步地，所述图像获取模块10，还用于根据所述像素位置的梯度方向对所述初始病变细胞图像进行移动。
进一步地，所述图像获取模块10，还用于在移动过程中所述梯度方向为负时，停止移动完成对所述分割的病变细胞图像的修复。
本发明所述病变细胞图像分割装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述 实施例方法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，但很多情况下前者是更佳的实施方式。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(如只读存储器镜像（Read Only Memory image，ROM）/随机存取存储器（Random AccessMemory，RAM）、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种病变细胞图像分割方法，其特征在于，所述病变细胞图像分割方法包括以下步骤：
对病变细胞图像进度高斯降噪处理，并增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像；
根据所述待分割病变细胞图像的轮廓信息绘制所述待分割病变细胞图像的对比度曲线，并根据所述对比度曲线提取所述待分割病变细胞图像的轮廓特征点；
根据所述轮廓特征点确定所述轮廓特征点的分割率，并根据所述分割率确定所述待分割病变细胞图像的分割点；
根据所述分割点对所述待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域；
对所述连通域的连通阈值进行叠加，获得分割的病变细胞图像。
2.如权利要求1所述的病变细胞图像分割方法，其特征在于，所述根据所述待分割病变细胞图像的轮廓信息绘制所述待分割病变细胞图像的对比度曲线，并根据所述对比度曲线提取所述待分割病变细胞图像的轮廓特征点的步骤，包括：
根据所述待分割病变细胞图像的轮廓信息确定所述轮廓信息的像素分布图，并根据所述像素分布图确定像素峰值；
对所述像素分布图进行曲线拟合，获得所述待分割病变细胞图像的对比度曲线；
根据所述对比度曲线和所述像素峰值确定待分割病变细胞与背景区域的对比强度；
根据所述对比强度确定所述待分割病变细胞图像的轮廓特征点。
3.如权利要求2所述的病变细胞图像分割方法，其特征在于，所述根据所述对比强度确定所述待分割病变细胞图像的轮廓特征点的步骤，包括：
根据所述对比度强度确定所述待分割病变细胞的轮廓点；
选取任一两个轮廓点，并选取所述任一两个轮廓点之间的目标轮廓点；
连接所述任一两个轮廓点，并判断所述目标轮廓点是否能垂直于所述任一两个轮廓点之间的连线；
在所述目标轮廓点不垂直于所述任一两个轮廓点之间的连线时，则返回所述选取任一两个轮廓点，并选取所述任一两个轮廓点之间的目标轮廓点的步骤，直至遍历完所述轮廓点；
在所述目标轮廓点垂直于所述任一两个轮廓点之间的连线时，则将所述目标轮廓点作为轮廓特征点。
4.如权利要求1所述的病变细胞图像分割方法，其特征在于，所述根据所述轮廓特征点确定所述轮廓特征点的分割率，并根据所述分割率确定所述待分割病变细胞图像的分割点的步骤，包括：
根据所述轮廓特征点确定所述轮廓特征点的分割率，并将所述分割率满足预设阈值对应的轮廓特征点作为待选分割点；
将按照所述待选分割点对应的分割率从低到高对所述待选分割点进行排序；
根据排序结果选取待选分割点队，并根据所述待选分割点队拟合所述待分割病变细胞图像的重叠区域；
确定所述重叠区域的面积，并将所述重叠区域的面积与预设面积阈值进行比较；
在所述重叠区域的面积小于所述预设面积阈值时，将所述重叠区域对应的待选分割点队作为所述待分割病变细胞图像的分割点。
5.如权利要求4所述的病变细胞图像分割方法，其特征在于，所述根据所述待选分割点队拟合所述待分割病变细胞图像的重叠区域的步骤之后，还包括：
根据所述待选分割点队形成的线段将所述待分割病变细胞图像的重叠区域划分成两段；
确定所述线段上的点与划分后重叠区域的边缘点之间的平均距离；
在所述平均距离小于预设距离阈值进行时，将所述待选分割点队作为所述待分割病变细胞图像的分割点。
6.如权利要求1所述的病变细胞图像分割方法，其特征在于，所述根据所述分割点对所述待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域的步骤，包括：
增强预设边缘检测算法对各方向的检测灵敏度；
根据增强后预设边缘检测算法对所述分割点进行卷积；
根据所述增强后预设边缘检测算法确定卷积后分割点的像素梯度值，并根据所述像素梯度值确定连通域。
7.如权利要求1至6任一项所述的病变细胞图像分割方法，其特征在于，所述对所述连通域的连通阈值进行叠加，获得分割的病变细胞图像的步骤之后，还包括：
将分割的病变细胞图像中的病变细胞区域图像恢复至初始病变细胞图像，并确定所述初始病变细胞图像中各轮廓点的像素位置；
根据所述像素位置的梯度方向对所述初始病变细胞图像进行移动；
在移动过程中所述梯度方向为负时，停止移动完成对所述分割的病变细胞图像的修复。
8.一种病变细胞图像分割装置，其特征在于，所述病变细胞图像分割装置包括：图像获取模块、点集确定模块及区域确定模块；
所述图像获取模块，用于对病变细胞图像进度高斯降噪处理，并增强高斯降噪处理后病变细胞图像的对比度，获得待分割病变细胞图像；
所述点集确定模块，用于根据所述待分割病变细胞图像的轮廓信息绘制所述待分割病变细胞图像的对比度曲线，并根据所述对比度曲线提取所述待分割病变细胞图像的轮廓特征点；
所述点集确定模块，还用于根据所述轮廓特征点确定所述轮廓特征点的分割率，并根据所述分割率确定所述待分割病变细胞图像的分割点；
所述区域确定模块，用于根据所述分割点对所述待分割病变细胞图像进行边缘检测，并根据检测结果确定连通域；
所述图像获取模块，还用于对所述连通域的连通阈值进行叠加，获得分割的病变细胞图像。
9.一种病变细胞图像分割设备，其特征在于，所述病变细胞图像分割设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的病变细胞图像分割程序，所述病变细胞图像分割程序被所述处理器执行时实现如权利要求1至7中任一项所述的病变细胞图像分割方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有病变细胞图像分割程序，所述病变细胞图像分割程序被处理器执行时实现如权利要求1至7中任一项所述的病变细胞图像分割方法的步骤。
CN202310851591.2A 2023-07-12 2023-07-12 病变细胞图像分割方法、装置、设备及存储介质 Active CN116596954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310851591.2A CN116596954B (zh) 2023-07-12 2023-07-12 病变细胞图像分割方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310851591.2A CN116596954B (zh) 2023-07-12 2023-07-12 病变细胞图像分割方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116596954A true CN116596954A (zh) 2023-08-15
CN116596954B CN116596954B (zh) 2023-11-10

Family

ID=87595917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310851591.2A Active CN116596954B (zh) 2023-07-12 2023-07-12 病变细胞图像分割方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116596954B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576135A (zh) * 2023-11-27 2024-02-20 北京霍里思特科技有限公司 一种基于矿石图像分割矿石的方法、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090080738A1 (en) * 2007-05-01 2009-03-26 Dror Zur Edge detection in ultrasound images
CN106097320A (zh) * 2016-06-06 2016-11-09 中国农业大学 水下海参图像自动分割方法及装置
CN109685773A (zh) * 2018-12-10 2019-04-26 西安理工大学 一种免疫细胞图像中突触位置点的确定方法
CN114332138A (zh) * 2021-12-27 2022-04-12 北京交通大学 基于轮廓特性的细胞核分割方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090080738A1 (en) * 2007-05-01 2009-03-26 Dror Zur Edge detection in ultrasound images
CN106097320A (zh) * 2016-06-06 2016-11-09 中国农业大学 水下海参图像自动分割方法及装置
CN109685773A (zh) * 2018-12-10 2019-04-26 西安理工大学 一种免疫细胞图像中突触位置点的确定方法
CN114332138A (zh) * 2021-12-27 2022-04-12 北京交通大学 基于轮廓特性的细胞核分割方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘永;马竟锋;祁鑫;包尚联;高嵩;: "一种基于梯度的主动轮廓模型细胞分割算法", 航天医学与医学工程, no. 05 *
朱辰;周庆利;何剑虎;: "一种新的基于细胞局部图特征和运动特征的细胞跟踪算法", 计算机应用与软件, no. 07 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576135A (zh) * 2023-11-27 2024-02-20 北京霍里思特科技有限公司 一种基于矿石图像分割矿石的方法、设备和存储介质

Also Published As

Publication number Publication date
CN116596954B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN110502982B (zh) 一种检测高速公路中障碍物的方法、装置及计算机设备
CN116596954B (zh) 病变细胞图像分割方法、装置、设备及存储介质
CN112464829B (zh) 一种瞳孔定位方法、设备、存储介质及视线追踪系统
CN109871829B (zh) 一种基于深度学习的检测模型训练方法和装置
CN106373128B (zh) 一种嘴唇精确定位的方法和系统
US20080084413A1 (en) Method for generating multi-resolution three-dimensional model
CN111433780A (zh) 车道线检测方法、设备、计算机可读存储介质
CN111539238B (zh) 二维码图像修复方法、装置、计算机设备和存储介质
CN109993758A (zh) 分割方法、分割装置、计算机设备及存储介质
CN104732510A (zh) 一种相机镜头黑斑检测方法及装置
CN117994250B (zh) 晶圆缺陷检测方法、装置、设备及存储介质
US20030228044A1 (en) Radiographic marker location
CN113538500B (zh) 图像分割方法、装置、电子设备和存储介质
US12106466B2 (en) Photographing condition determining method for metal structure, photographing method for metal structure, phase classification method for metal structure, photographing condition determining device for metal structure, photographing device for metal structure, phase classification device for metal structure, material property estimating method for metal material, and material property estimating device for metal material
CN105374045B (zh) 一种基于形态学的图像特定形状尺寸目标快速分割方法
CN107729863B (zh) 人体指静脉识别方法
CN111524171B (zh) 图像处理方法、装置和电子设备
CN105243677A (zh) 一种保证精度的实时单分子定位方法及系统
JP2002140713A (ja) 画像処理方法およびその装置
CN115984211A (zh) 视觉定位方法、机器人及存储介质
CN115423765A (zh) 一种基于模板图像的晶粒缺陷量化分割方法
CN114529570A (zh) 图像分割方法、图像识别方法、用户凭证补办方法及系统
Subasinghe et al. An accurate image processing algorithm for detecting FISH probe locations relative to chromosome landmarks on DAPI stained metaphase chromosome images
CN111259974B (zh) 一种小样本柔性ic基板的表面缺陷定位和分类方法

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