CN116645384B - 基于人工智能的干细胞区域快速分割方法 - Google Patents
基于人工智能的干细胞区域快速分割方法 Download PDFInfo
- Publication number
- CN116645384B CN116645384B CN202310926797.7A CN202310926797A CN116645384B CN 116645384 B CN116645384 B CN 116645384B CN 202310926797 A CN202310926797 A CN 202310926797A CN 116645384 B CN116645384 B CN 116645384B
- Authority
- CN
- China
- Prior art keywords
- stem cell
- roi
- halation
- pixel point
- window
- 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
Links
- 210000000130 stem cell Anatomy 0.000 title claims abstract description 157
- 230000011218 segmentation Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 8
- 125000001475 halogen functional group Chemical group 0.000 claims description 38
- 230000005855 radiation Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 10
- 238000002955 isolation Methods 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 13
- 230000000694 effects Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000002135 phase contrast microscopy Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000024245 cell differentiation Effects 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 238000002659 cell therapy Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002894 multi-fate stem cell Anatomy 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于人工智能的干细胞区域快速分割方法,相差显微镜采集干细胞图像,获取干细胞边缘图像中各闭合边缘,根据边缘线重合情况得到各合并区域;聚类得到各合并区域边缘最小外接矩形内各灰度聚类簇;根据聚类结果得到各疑似干细胞所在合并区域;获取各疑似干细胞所在合并区域内各真实光晕像素点,计算各疑似干细胞所在合并区域内各像素点的种子点置信度;将各疑似干细胞所在合并区域内种子点置信度最大的像素点作为种子点,通过区域生长得到各干细胞区域,完成干细胞区域快速分割。从而实现干细胞区域快速分割,具有较高分割精度。
Description
技术领域
本申请涉及图像处理领域,具体涉及基于人工智能的干细胞区域快速分割方法。
背景技术
干细胞是一类具有自我复制能力的多潜能细胞,在一定条件下,它可以分化成多种功能不同的细胞,此外它还具有帮助人体再生各种组织器官潜在功能,医学界称其为“万用细胞”。干细胞种类不同,功能不同,因其独特的分化潜能为医学、再生医学、生命科学和自然科学等方面提供了各种可能性。目前,干细胞在生命科学的基础研究与临床应用中起着极为重要的作用,干细胞在细胞治疗、组织器官修复、发育生物学、药物学等领域有着极为广阔的应用前景。活细胞成像对于分析干细胞形态、监测干细胞增殖和分化等方面具有重要的作用。相差显微镜独特的成像机制可以观察成活状态下的细胞状态,而不需要在观察前进行灭活、固定及染色处理。因此可以使用相差显微镜观察并记录干细胞的部分生命过程中的动态。
细胞分割效果是影响着图像自动化分析准确性的先决条件。但是,由于相差显微镜的成像特点,光束照射被观测物体时,会在物体的周围出现明亮的光晕,图像中光晕伪影的存在以及细胞与背景的低对比度,导致使用现有方法难以准确、快速分割复杂的干细胞相差显微镜图像。
综上所述,本发明提供了一种基于人工智能的干细胞区域快速分割方法,通过相差显微镜采集干细胞图像,对干细胞图像自适应获得各干细胞区域内的种子点,根据各种子点进行区域生长得到各干细胞区域,实现干细胞区域快速分割。
发明内容
为了解决上述技术问题,本发明提供基于人工智能的干细胞区域快速分割方法,以解决现有的问题。
本发明的基于人工智能的干细胞区域快速分割方法采用如下技术方案:
本发明一个实施例提供了基于人工智能的干细胞区域快速分割方法,该方法包括以下步骤:
采用相差显微镜采集干细胞图像,进行预处理;
通过边缘检测得到干细胞图像的边缘图像;获取边缘图像中各闭合边缘;根据各闭合边缘的相邻闭合边缘情况得到合并区域;获取各合并区域边缘最小外接矩形;根据各像素点的灰度值通过聚类算法得到各合并区域边缘最小外接矩形内各灰度聚类簇;
根据各合并区域边缘最小外接矩形内各灰度聚类簇得到各合并区域的光斑区分度;将光斑区分度大于区分阈值的各合并区域作为各疑似干细胞所在合并区域;将各疑似干细胞所在合并区域边缘最小外接矩形内的区域作为各ROI区域窗口;根据各ROI区域窗口内像素点灰度值变化得到各ROI区域窗口内各疑似光晕像素点;根据各ROI区域窗口内各疑似光晕像素点及孤立森林算法得到各ROI区域窗口内各真实光晕像素点;
获取各ROI区域窗口内各真实光晕像素点的梯度幅值及方向;根据各ROI区域窗口内各真实光晕像素点的梯度幅值和方向得到各ROI区域窗口内正光晕辐射主方向及负光晕辐射主方向;
根据各ROI区域窗口内正、负光晕辐射主方向及各真实光晕像素点的初始梯度幅值得到各ROI区域窗口内各真实光晕像素点的有效梯度幅值;
根据各ROI区域窗口内各真实光晕像素点的有效梯度幅值及各像素点的邻域灰度变化得到各ROI区域窗口内各像素点的种子点置信度;
获取各ROI区域窗口内种子点置信度最大的像素点,作为区域生长的起始种子点,结合区域生长算法分割出干细胞区域。
优选的,所述根据各闭合边缘的相邻闭合边缘情况得到合并区域,具体步骤为:
设定长度阈值,将边缘图像中边缘线重合且重合边缘线长度大于长度阈值的两个闭合边缘区域合并,对所有闭合边缘进行上述相同处理,得到最终各合并区域。
优选的,所述根据各像素点的灰度值通过聚类算法得到各合并区域边缘最小外接矩形内各灰度聚类簇,具体步骤为:
将边缘图像中各合并区域通过坐标对应到干细胞图像中得到干细胞图像中各合并区域;根据干细胞图像中各合并区域内像素点灰度值进行聚类得到干细胞图像中各合并区域内多个聚类簇。
优选的,所述根据各合并区域边缘最小外接矩形内各灰度聚类簇得到各合并区域的光斑区分度,表达式为:
式中,/>为第/>个合并区域的光斑区分度,/>为以/>为底的指数函数,/>为第/>个合并区域的面积,/>为第/>个合并区域边缘最小外接矩形内灰度聚类簇的个数,/>为第/>个合并区域边缘最小外接矩形内灰度聚类簇之间的灰度距离;/>为第/>个合并区域边缘最小外接矩形内第/>个灰度聚类簇的灰度均值,/>为第/>个合并区域边缘最小外接矩形内第/>个灰度聚类簇的灰度均值。
优选的,所述根据各ROI区域窗口内像素点灰度值变化得到各ROI区域窗口内各疑似光晕像素点,具体步骤为:
获取各ROI区域窗口内灰度均值,根据各ROI区域窗口内灰度均值设置各ROI区域窗口内的灰度阈值,将各ROI区域窗口内灰度值大于灰度阈值的像素点作为各ROI区域窗口内各疑似光晕像素点。
优选的,所述根据各ROI区域窗口内各疑似光晕像素点及孤立森林算法得到各ROI区域窗口内各真实光晕像素点,具体步骤为:
通过孤立森林算法得到各ROI区域窗口内各疑似光晕像素点的异常值分数;设置孤立阈值;将异常值分数小于孤立阈值的疑似光晕像素点确定为真实光晕像素点。
优选的,所述根据各ROI区域窗口内各真实光晕像素点的梯度幅值和方向得到各ROI区域窗口内正光晕辐射主方向及负光晕辐射主方向,具体步骤为:
将0-360度平均划分为多个子方向区间,对各真实光晕像素点按照梯度方向进行加权投票统计,获得各ROI区域窗口内光晕辐散方向直方图;将各ROI区域窗口内光晕辐射方向直方图中累加值最高的两个方向区间的中值分别作为各ROI区域窗口内正、负光晕辐射主方向。
优选的,所述根据各ROI区域窗口内正、负光晕辐射主方向及各真实光晕像素点的初始梯度幅值得到各ROI区域窗口内各真实光晕像素点的有效梯度幅值,表达式为:
式中,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的有效梯度幅值,/>为第个ROI区域窗口内第/>个真实光晕像素点的初始梯度幅值,/>为余弦函数,为求最小值函数,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的初始梯度方向,/>为第/>个ROI区域窗口内正光晕辐射主方向,/>为第/>个ROI区域窗口内负光晕辐射主方向。
优选的,所述根据各ROI区域窗口内各真实光晕像素点的有效梯度幅值及各像素点的邻域灰度变化得到各ROI区域窗口内各像素点的种子点置信度,表达式为:
式中,/>为第/>个ROI区域窗口内像素点/>的种子点置信度,/>为第/>个ROI区域窗口内像素点/>的邻域窗口内的灰度均值,/>为第/>个ROI区域窗口内像素点/>到各真实光晕像素点的距离的方差,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的有效梯度幅值,为第/>个ROI区域窗口内像素点/>到第/>个真实光晕像素点的距离,/>为第/>个ROI区域窗口内真实光晕像素点的个数。
本发明至少具有如下有益效果:
本发明通过机器视觉结合干细胞图像中干细胞特征,自适应获取种子点,进行区域生长,实现干细胞区域快速分割。通过种子点的自适应获取,解决了传统分割算法对各干细胞区域分割不完整的问题,避免了种子点需要人为选取的问题,提高了干细胞区域分割结果的完整度,增加了干细胞图像分割结果的可靠性,进而提高了干细胞区域快速分割精度。
为了避免传统分割算法对各干细胞区域分割不完整的问题,本发明结合相差显微镜采集干细胞图像,根据干细胞图像中各干细胞周围光晕像素点的特点,构建各干细胞区域边缘最小外接矩形内各像素点的种子点置信度,将各干细胞区域边缘最小外接矩形内种子点置信度最大的像素点作为种子点,自适应得到各干细胞区域的种子点,进行区域生长及干细胞区域分割,提高干细胞区域分割速度,具有较高干细胞区域快速分割精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明提供的基于人工智能的干细胞区域快速分割方法的流程图;
图2为干细胞图像;
图3为干细胞周围光晕示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的干细胞区域快速分割方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的干细胞区域快速分割方法的具体方案。
本发明一个实施例提供的基于人工智能的干细胞区域快速分割方法。
具体的,提供了如下的基于人工智能的干细胞区域快速分割方法,请参阅图1,该方法包括以下步骤:
步骤S001,采用相差显微镜采集干细胞图像,进行预处理。
本实施例选用相差显微镜对正常存活状态下的干细胞进行图像采集。
本发明需要对干细胞区域进行快速分割,干细胞的生物学特性是生物医学领域研究的热点,对干细胞的研究大多需要在活细胞水平上进行。活细胞通常是透明的,光学显微镜难以直接对细胞进行观察,往往需要对细胞进行染色处理后再进行观察,而细胞染色会使细胞失去活性。相对的,相差显微镜利用环状光栅和相位板,将光线聚焦到标本上,并使光产生相移,减弱吸收光的强度,通过增大相位差来提高幅度差。相差显微镜通过这种增强对比度的光学技术,能够观测到样品中存活状态下的细胞。因此,采用相差显微镜采集干细胞图像。
为消除部分噪声,本实施例采用高斯滤波对采集的干细胞图像通过进行去噪处理,具体去噪方法实施者可自行选取,本实施例不做具体限制。对去噪后的干细胞图像,采用直方图均衡化算法增强图像的对比度和清晰度,以增强后续分析的准确性。将增强后的干细胞图像转化为灰度图,具体方法为公知技术,此处不再赘述。
步骤S002,获取干细胞图像的边缘图像,根据边缘图像中各干细胞区域的闭合边缘特征自适应得到各干细胞区域的种子点。
由于相差显微镜的成像特点,干细胞图像中各干细胞周围会出现光晕伪影,如图2所示,若采用传统分割算法对各干细胞区域进行分割,则光晕伪影的出现会导致各干细胞分割不够完整;若采用传统的区域生长算法进行处理,则存在种子点需要人为选取的问题。因此本实验提出了一种自适应获取种子点的方法,具体方法如下:
单个干细胞区域通常为封闭区域,为了减小背景信息的影响,首先采用Canny算子对干细胞图像进行边缘检测,需要说明的是,边缘检测算法实施者可自行选取,此处不做具体限制;根据边缘检测结果得到边缘图像中各闭合边缘。由于干细胞区域周围有光晕存在,因此干细胞区域的闭合边缘与光晕的闭合边缘相邻,且重合的边缘线较长,因此根据各闭合边缘的相邻闭合边缘情况得到合并区域,具体步骤为:设定长度阈值,需要说明的是长度阈值的取值实施者可自行设置,本实施例将长度阈值设定为8个像素点长度;在边缘图像中,将重合边缘线长度大于长度阈值的相邻闭合边缘所围区域进行合并。对所有闭合边缘进行上述相同处理,得到最终各合并区域。
然后获取各合并区域边缘最小外接矩形,仅对各合并区域边缘最小外接矩形内的图像信息进行处理,从而减小背景信息对干细胞分割的影响。
在边缘图像中,由于背景区域灰度不均衡,合并区域可能为非干细胞所在区域,例如光斑区域,而为了减少计算量及增加图像处理结果的准确性,应避免对光斑产生的合并区域进行分析,因此需要对各合并区域进行区分。首先在干细胞图像中,对各合并区域边缘最小外接矩形内的像素点进行聚类,具体为:由于相差显微镜下,干细胞所在合并区域内光晕灰度值与干细胞灰度值相差较大,且干细胞区域通常面积较大;而光斑所在合并区域内,各像素点灰度值相差较小,且光斑面积较小;光斑与背景灰度值相差较小,光晕及干细胞与背景灰度值相差较大;因此根据各合并区域边缘最小外接矩形内像素点的灰度值通过聚类算法得到各合并区域边缘最小外接矩形内各灰度聚类簇,具体步骤为:将边缘图像中各合并区域通过坐标对应到干细胞图像中得到干细胞图像中各合并区域;采用k-means聚类方法对各合并区域边缘最小外接矩形内像素点进行灰度聚类,聚类的类别数为3,得到干细胞图像中各合并区域边缘最小外接矩形内3个灰度聚类簇,需要说明的是,具体聚类方法实施者可自行选取,此处不做具体限制。
然后,以第个合并区域为例,根据各合并区域边缘最小外接矩形内各灰度聚类簇得到各合并区域的光斑区分度,表达式为:
式中,/>为第/>个合并区域的光斑区分度,/>为以/>为底的指数函数,/>为第/>个合并区域的面积,/>为第/>个合并区域边缘最小外接矩形内灰度聚类簇的个数,/>为第/>个合并区域边缘最小外接矩形内灰度聚类簇之间的灰度距离;/>为第/>个合并区域边缘最小外接矩形内第/>个灰度聚类簇的灰度均值,/>为第/>个合并区域边缘最小外接矩形内第/>个灰度聚类簇的灰度均值。灰度聚类簇之间的灰度差别越大,合并区域边缘最小外接矩形内灰度聚类簇之间的灰度距离;合并区域面积越大,合并区域边缘最小外接矩形内灰度聚类簇之间的灰度距离越大,则合并区域的光斑区分越大,合并区域越可能为干细胞所在区域。
最后,设定区分阈值,区分阈值的选取实施者可自行设定,本实施例将区分阈值设定为0.7,通过区分阈值及各合并区域的光斑区分度对各合并区域进行区分,具体为,将光斑区分度大于区分阈值的各合并区域作为各疑似干细胞所在合并区域,将光斑区分度小于区分阈值的各合并区域作为光斑所在合并区域。
对于各干细胞所在合并区域进行种子点的选取。由于在区域生长时,种子点的选取不同,最后得到的区域生长结果不同,例如将种子点设置为干细胞的中心位置时,种子点的特征与干细胞的特征较为相似,干细胞区域内的像素点尽可能的加入到生长区域中,得到的区域生长结果与干细胞区域最为相近;而将种子点选取为光晕区域或干细胞与光晕的交界处的像素点时,种子点的特征与干细胞的特征相差较大,导致分割出来的干细胞区域与理想效果相差较大。因此,种子点选取的位置应接近干细胞中心位置,以得到较好的分割效果。
由于相差显微镜的成像特点,干细胞的周围会出现光晕伪影,对于各干细胞的中心点,可视为各干细胞的光晕伪影的中心点,处于干细胞内部。
为了获取光晕伪影的中心点,需要先确定哪些像素点为光晕像素点。干细胞图像的灰度值分布整体为,干细胞区域为黑色,背景区域为灰色,而光晕区域为白色。若将三者灰度值按照从大到小排序,则干细胞区域<背景区域<光晕区域。由于光晕区域的灰度值变化从干细胞边缘向外逐渐减小,且灰度变化相对较为缓慢,从而canny算子检测到的光晕边缘并不准确。因此,在干细胞图像中,将各疑似干细胞所在合并区域边缘最小外接矩形内的区域作为各ROI区域窗口,根据各ROI区域窗口内像素点灰度值变化得到各ROI区域窗口内各真实光晕像素点,具体步骤为:
获取各ROI区域窗口内灰度均值,设置各ROI区域窗口内的灰度阈值,需要说明的是,灰度阈值的设定实施者可自行设置,本实施例将各ROI区域窗口内的灰度阈值设定为各ROI区域窗口内灰度均值的1.5倍,将各ROI区域窗口内将灰度值大于灰度阈值的像素点作为各ROI区域窗口内各疑似光晕像素点,为了防止取到ROI区域窗口内散落的光斑区域的像素点,通过孤立森林算法得到各ROI区域窗口内各疑似光晕像素点的异常值分数,具体算法为公知技术,此处不在赘述。设置孤立阈值,孤立阈值的选取,实施者可自行设置,本实施例将孤立阈值设定为各ROI区域窗口内疑似光晕像素点的异常值分数均值的1.5倍,将异常值分数小于孤立阈值的疑似光晕像素点确定为真实光晕像素点。
采用sobel算子获取各ROI区域窗口内各真实光晕像素点的梯度幅值及方向,记为初始梯度幅值及方向;将0-360度平均划分为个方向,/>的具体取值实施者可自行选取,本实施例将/>的值设置为9,然后对各真实光晕像素点的梯度按照方向进行加权投票统计,获得各ROI区域窗口内光晕辐散方向直方图;将各ROI区域窗口内光晕辐射方向直方图中累加值最高的两个方向区间分别作为各ROI区域窗口内正、负光晕辐射主方向,如图3所示。
以第个ROI区域窗口内第/>个真实光晕像素点为例,根据各ROI区域窗口内正、负光晕辐射主方向及各真实光晕像素点的初始梯度幅值得到各ROI区域窗口内各真实光晕像素点的有效梯度幅值,表达式为:
式中,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的有效梯度幅值,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的初始梯度幅值,/>为余弦函数,/>为求最小值函数,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的初始梯度方向,为第/>个ROI区域窗口内正光晕辐射主方向,/>为第/>个ROI区域窗口内负光晕辐射主方向。当各光晕像素点与该ROI窗口内的正、负边缘光晕辐散主方向一致度越高时,该光晕像素点的有效辐散度就越高。
根据各ROI区域窗口内各真实光晕像素点的有效梯度幅值及各像素点的邻域灰度变化得到各ROI区域窗口内各像素点的种子点置信度,表达式为:
式中,/>为第/>个ROI区域窗口内像素点/>的种子点置信度,/>为第/>个ROI区域窗口内像素点/>的邻域窗口内的灰度均值,/>为第/>个ROI区域窗口内像素点/>到各真实光晕像素点的距离的方差,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的有效梯度幅值,为第/>个ROI区域窗口内像素点/>到第/>个真实光晕像素点的距离,/>为第/>个ROI区域窗口内真实光晕像素点的个数。
由于干细胞图像中的灰度值,整体上干细胞区域灰度值最小,因此越小,像素点/>越可能处于干细胞区域,像素点/>的种子点置信度越大;当像素点/>与各光晕像素点之间的距离之和越小时,则像素点/>越可能处于干细胞的中心点,干细胞区域特征越明显,像素点/>的种子点置信度越高。/>越大,像素点/>越可能为光晕和干细胞区域的临界处的像素点;/>越小,像素点/>越可能为干细胞中心像素点。各光晕像素点和种子点之间的距离大致相等,/>越大,权重越大,第/>个真实光晕像素点的距离越重要。综上,像素点/>的邻域窗口内的灰度均值越小,像素点/>与各光晕像素点之间的距离之和越小,/>越小,/>越大,像素点/>越适合选为种子点。
通过上述方式获取各ROI区域窗口内各像素点的种子点置信度。将各ROI区域窗口内种子点置信度最大的像素点作为各ROI区域窗口内的种子点。
步骤S003,根据各干细胞区域的种子点通过区域生长得到干细胞图像中各干细胞区域。
将各个种子点作为初始生长点,根据生长区域与周围像素点之间的灰度值的相似性作为生长准则,当已生长区域的灰度值均值与待加入的像素点的灰度值之差小于阈值时,则将其加入到已生长区域中,/> 经验取值为5,按照上述方法进行迭代将所有相邻且具有相似特征的像素点加入到生长区域中。为了防止过分割的情况出现,在无新的生长点加入时停止生长,完成对干细胞区域的分割。
综上所述,本发明实施例通过机器视觉结合干细胞图像中干细胞特征,自适应获取种子点,进行区域生长,实现干细胞区域快速分割。通过种子点的自适应获取,解决了传统分割算法对各干细胞区域分割不完整的问题,避免了种子点需要人为选取的问题,提高了干细胞区域分割结果的完整度,增加了干细胞图像分割结果的可靠性,进而提高了干细胞区域快速分割精度。
为了避免传统分割算法对各干细胞区域分割不完整的问题,本实施例结合相差显微镜采集干细胞图像,根据干细胞图像中各干细胞周围光晕像素点的特点,构建各干细胞区域边缘最小外接矩形内各像素点的种子点置信度,将各干细胞区域边缘最小外接矩形内种子点置信度最大的像素点作为种子点,自适应得到各干细胞区域的种子点,进行区域生长及干细胞区域分割,提高干细胞区域分割速度,具有较高干细胞区域快速分割精度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;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,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (9)
1.基于人工智能的干细胞区域快速分割方法,其特征在于,该方法包括以下步骤:
采用相差显微镜采集干细胞图像,进行预处理;
通过边缘检测得到干细胞图像的边缘图像;获取边缘图像中各闭合边缘;根据各闭合边缘的相邻闭合边缘情况得到合并区域;获取各合并区域边缘最小外接矩形;根据各像素点的灰度值通过聚类算法得到各合并区域边缘最小外接矩形内各灰度聚类簇;
根据各合并区域边缘最小外接矩形内各灰度聚类簇得到各合并区域的光斑区分度;将光斑区分度大于区分阈值的各合并区域作为各疑似干细胞所在合并区域;将各疑似干细胞所在合并区域边缘最小外接矩形内的区域作为各ROI区域窗口;根据各ROI区域窗口内像素点灰度值变化得到各ROI区域窗口内各疑似光晕像素点;根据各ROI区域窗口内各疑似光晕像素点及孤立森林算法得到各ROI区域窗口内各真实光晕像素点;
获取各ROI区域窗口内各真实光晕像素点的梯度幅值及方向;根据各ROI区域窗口内各真实光晕像素点的梯度幅值和方向得到各ROI区域窗口内正光晕辐射主方向及负光晕辐射主方向;
根据各ROI区域窗口内正、负光晕辐射主方向及各真实光晕像素点的初始梯度幅值得到各ROI区域窗口内各真实光晕像素点的有效梯度幅值;
根据各ROI区域窗口内各真实光晕像素点的有效梯度幅值及各像素点的邻域灰度变化得到各ROI区域窗口内各像素点的种子点置信度;
获取各ROI区域窗口内种子点置信度最大的像素点,作为区域生长的起始种子点,结合区域生长算法分割出干细胞区域。
2.如权利要求1所述的基于人工智能的干细胞区域快速分割方法,其特征在于,所述根据各闭合边缘的相邻闭合边缘情况得到合并区域,具体步骤为:
设定长度阈值,将边缘图像中边缘线重合且重合边缘线长度大于长度阈值的两个闭合边缘区域合并,对所有闭合边缘进行处理,得到最终各合并区域。
3.如权利要求1所述的基于人工智能的干细胞区域快速分割方法,其特征在于,所述根据各像素点的灰度值通过聚类算法得到各合并区域边缘最小外接矩形内各灰度聚类簇,具体步骤为:
将边缘图像中各合并区域通过坐标对应到干细胞图像中得到干细胞图像中各合并区域;根据干细胞图像中各合并区域内像素点灰度值进行聚类得到干细胞图像中各合并区域内多个聚类簇。
4.如权利要求1所述的基于人工智能的干细胞区域快速分割方法,其特征在于,所述根据各合并区域边缘最小外接矩形内各灰度聚类簇得到各合并区域的光斑区分度,表达式为:
式中,/>为第/>个合并区域的光斑区分度,/>为以/>为底的指数函数,/>为第/>个合并区域的面积,/>为第/>个合并区域边缘最小外接矩形内灰度聚类簇的个数,/>为第/>个合并区域边缘最小外接矩形内灰度聚类簇之间的灰度距离;/>为第/>个合并区域边缘最小外接矩形内第/>个灰度聚类簇的灰度均值,/>为第/>个合并区域边缘最小外接矩形内第/>个灰度聚类簇的灰度均值。
5.如权利要求1所述的基于人工智能的干细胞区域快速分割方法,其特征在于,所述根据各ROI区域窗口内像素点灰度值变化得到各ROI区域窗口内各疑似光晕像素点,具体步骤为:
获取各ROI区域窗口内灰度均值,根据各ROI区域窗口内灰度均值设置各ROI区域窗口内的灰度阈值,将各ROI区域窗口内灰度值大于灰度阈值的像素点作为各ROI区域窗口内各疑似光晕像素点。
6.如权利要求1所述的基于人工智能的干细胞区域快速分割方法,其特征在于,所述根据各ROI区域窗口内各疑似光晕像素点及孤立森林算法得到各ROI区域窗口内各真实光晕像素点,具体步骤为:
通过孤立森林算法得到各ROI区域窗口内各疑似光晕像素点的异常值分数;设置孤立阈值;将异常值分数小于孤立阈值的疑似光晕像素点确定为真实光晕像素点。
7.如权利要求1所述的基于人工智能的干细胞区域快速分割方法,其特征在于,所述根据各ROI区域窗口内各真实光晕像素点的梯度幅值和方向得到各ROI区域窗口内正光晕辐射主方向及负光晕辐射主方向,具体步骤为:
将0-360度平均划分为多个子方向区间,对各真实光晕像素点按照梯度方向进行加权投票统计,获得各ROI区域窗口内光晕辐散方向直方图;将各ROI区域窗口内光晕辐射方向直方图中累加值最高的两个方向区间的中值分别作为各ROI区域窗口内正、负光晕辐射主方向。
8.如权利要求1所述的基于人工智能的干细胞区域快速分割方法,其特征在于,所述根据各ROI区域窗口内正、负光晕辐射主方向及各真实光晕像素点的初始梯度幅值得到各ROI区域窗口内各真实光晕像素点的有效梯度幅值,表达式为:
式中,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的有效梯度幅值,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的初始梯度幅值,/>为余弦函数,为求最小值函数,/>为第/>个ROI区域窗口内第/>个真实光晕像素点的初始梯度方向,/>为第/>个ROI区域窗口内正光晕辐射主方向,/>为第/>个ROI区域窗口内负光晕辐射主方向。
9.如权利要求1所述的基于人工智能的干细胞区域快速分割方法,其特征在于,所述根据各ROI区域窗口内各真实光晕像素点的有效梯度幅值及各像素点的邻域灰度变化得到各ROI区域窗口内各像素点的种子点置信度,表达式为:
式中,/>为第/>个ROI区域窗口内像素点/>的种子点置信度,/>为第/>个ROI区域窗口内像素点/>的邻域窗口内的灰度均值,/>为第/>个ROI区域窗口内像素点/>到各真实光晕像素点的距离的方差,为第/>个ROI区域窗口内第/>个真实光晕像素点的有效梯度幅值,/>为第/>个ROI区域窗口内像素点/>到第/>个真实光晕像素点的距离,/>为第/>个ROI区域窗口内真实光晕像素点的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926797.7A CN116645384B (zh) | 2023-07-27 | 2023-07-27 | 基于人工智能的干细胞区域快速分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926797.7A CN116645384B (zh) | 2023-07-27 | 2023-07-27 | 基于人工智能的干细胞区域快速分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645384A CN116645384A (zh) | 2023-08-25 |
CN116645384B true CN116645384B (zh) | 2023-10-03 |
Family
ID=87640417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310926797.7A Active CN116645384B (zh) | 2023-07-27 | 2023-07-27 | 基于人工智能的干细胞区域快速分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645384B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912255B (zh) * | 2023-09-14 | 2023-12-19 | 济南宝林信息技术有限公司 | 一种用于卵巢组织分析的卵泡区域分割方法 |
CN117292137B (zh) * | 2023-11-27 | 2024-04-19 | 广东泰一高新技术发展有限公司 | 一种航拍遥感影像优化分割处理方法 |
CN117541605B (zh) * | 2024-01-09 | 2024-03-29 | 山东华中重钢有限公司 | 一种钢结构锈蚀图像区域快速分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006204826A (ja) * | 2005-01-31 | 2006-08-10 | Toin Gakuen | Ct画像のハレーション領域除去方法 |
CN106780522A (zh) * | 2016-12-23 | 2017-05-31 | 杭州华卓信息科技有限公司 | 一种基于深度学习的骨髓液细胞分割方法 |
CN107169556A (zh) * | 2017-05-15 | 2017-09-15 | 电子科技大学 | 基于深度学习的干细胞自动计数方法 |
CN114341937A (zh) * | 2019-09-05 | 2022-04-12 | 徕卡生物系统成像股份有限公司 | 细胞图像分割的用户辅助迭代 |
WO2022165411A1 (en) * | 2021-02-01 | 2022-08-04 | Thrive Bioscience, Inc. | Plaque detection method for imaging of cells |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPR647801A0 (en) * | 2001-07-19 | 2001-08-09 | Cea Technologies Inc. | Chromatin segmentation |
-
2023
- 2023-07-27 CN CN202310926797.7A patent/CN116645384B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006204826A (ja) * | 2005-01-31 | 2006-08-10 | Toin Gakuen | Ct画像のハレーション領域除去方法 |
CN106780522A (zh) * | 2016-12-23 | 2017-05-31 | 杭州华卓信息科技有限公司 | 一种基于深度学习的骨髓液细胞分割方法 |
CN107169556A (zh) * | 2017-05-15 | 2017-09-15 | 电子科技大学 | 基于深度学习的干细胞自动计数方法 |
CN114341937A (zh) * | 2019-09-05 | 2022-04-12 | 徕卡生物系统成像股份有限公司 | 细胞图像分割的用户辅助迭代 |
WO2022165411A1 (en) * | 2021-02-01 | 2022-08-04 | Thrive Bioscience, Inc. | Plaque detection method for imaging of cells |
Non-Patent Citations (3)
Title |
---|
H.-S. WU,et al.Segmentation of intestinal gland images with iterative region growing.《Microscopy》.2005,正文第190-204页. * |
杜元灰. 医学图像分割算法的研究与实现.《中国优秀硕士学位论文全文数据库》.2013,I138-1199. * |
赖小波 等.多模态MR图像和多特征融合的胶质母细胞瘤自动分割.《计算机辅助设计与图形学学报》.2019,正文第421-430页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116645384A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116645384B (zh) | 基于人工智能的干细胞区域快速分割方法 | |
CN109272492B (zh) | 一种细胞病理涂片的处理方法及系统 | |
Lachure et al. | Diabetic retinopathy using morphological operations and machine learning | |
US7260248B2 (en) | Image processing using measures of similarity | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
US20240177302A1 (en) | Cellular diagnostic and analysis methods | |
Herrera-Pereda et al. | A review on digital image processing techniques for in-vivo confocal images of the cornea | |
CN110706218B (zh) | 基于动态增强磁共振成像的乳腺肿瘤定位分析方法 | |
Prentasic et al. | Weighted ensemble based automatic detection of exudates in fundus photographs | |
Zhao et al. | Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation | |
CN106023165B (zh) | 一种用于光学分辨率光声显微镜下活体肿瘤血管新生图像的血管提取方法 | |
Lazar et al. | Retinal microaneurysm detection based on intensity profile analysis | |
Kamenetsky et al. | Analysis of the glomerular basement membrane in images of renal biopsies using the split-and-merge method: a pilot study | |
Lim et al. | Cell image processing methods for automatic cell pattern recognition and morphological analysis of mesenchymal stem cells-An algorithm for cell classification and adaptive brightness correction | |
CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Parvaze et al. | Extraction of multiple cellular objects in HEp-2 images using LS segmentation | |
Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
Chandra et al. | Confocal corneal endothelium dystrophy’s analysis using a hybrid algorithm | |
CN117974692B (zh) | 一种基于区域生长的眼科医学影像处理方法 | |
Qi et al. | Breast mass segmentation in mammography using improved dynamic programming | |
Rodrigues et al. | An algorithm for the surgical planning of hepatic resections | |
Zakaria et al. | Graphcut as a Segmentation Method of Covid-19 X-Ray Image for Diagnose Purpose | |
CN117974692A (zh) | 一种基于区域生长的眼科医学影像处理方法 | |
Sivaranjani et al. | A Study on Retinal Image Segmentation and Registration Methods | |
Ramya et al. | Cancer Detection by Cell Segmentation Using Clustering and Watershed Algorithms‖ |
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 |