CN116645390B - 一种荧光图像细胞快速分割方法和系统 - Google Patents
一种荧光图像细胞快速分割方法和系统 Download PDFInfo
- Publication number
- CN116645390B CN116645390B CN202310927757.4A CN202310927757A CN116645390B CN 116645390 B CN116645390 B CN 116645390B CN 202310927757 A CN202310927757 A CN 202310927757A CN 116645390 B CN116645390 B CN 116645390B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- segmentation
- distance
- cell
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000002073 fluorescence micrograph Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 48
- 238000001914 filtration Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 description 96
- 238000004458 analytical method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 210000004940 nucleus Anatomy 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007901 in situ hybridization Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000032823 cell division Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 238000011331 genomic analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 150000007523 nucleic acids Chemical group 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012800 visualization 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种荧光图像细胞快速分割方法和系统，涉及数据图像处理领域。解决了传统的细胞分割采用分水岭分割方法不能将荧光图像中的重叠、粘连的细胞进行有效分割的问题。方法包括：对荧光图像进行多尺度图像增强；预处理多尺度图像增强的荧光图像；将预处理后的图像进行标记，获取相邻峰值点之间的距离；计算最佳分割特征值并确定局部最大值；对预处理后的图像进行分割，并遍历分割区域，获取目标区域、进行掩膜处理；获取轮廓数据；获取轮廓数据中面积最大的轮廓；计算最大轮廓的最小外接圆；遍历掩膜图像中所有轮廓，计算每个轮廓面积，如果轮廓面积大于所述最小外接圆面积，进行图像输出，完成细胞分割。本发明有效地分割图像中大部分细胞。
Description
技术领域
本发明涉及数据图像处理领域，尤其涉及一种荧光图像细胞快速分割方法。
背景技术
荧光原位杂交（Fluorescence In Situ Hybridization，FISH）是一种基因组学技术，用于研究细胞核内的基因组结构、功能和表达。FISH技术通过使用荧光标记的探针与细胞核内特定的核酸序列进行靶向结合，实现对这些序列的可视化和定位。
细胞分割是图像处理和计算机视觉领域的一项重要任务，旨在将图像中的细胞从背景和其他细胞中分离出来，以便对其进行定量和定位分析。细胞分割技术在荧光原位杂交研究中具有重要意义，它可以帮助确定荧光探针与细胞核的结合位置，进而定量分析基因组的组织和空间分布，但由于染色剂、制片方法的不同，导致不能将荧光图像中的重叠、粘连的细胞进行有效分割。
传统的细胞分割采用分水岭分割方法，但是分水岭分割方法容易在图像中出现过分分割的问题，尤其是当图像中存在细胞接触或有重叠部分时，分水岭算法可能无法准确识别细胞边界，并导致将一个细胞分割成多个部分；且当图像中存在灰度不均匀现象时，如光照变化或者阴影，分水岭分割方法可能无法准确识别细胞的边界，并且容易产生误分割的区域，同事，分水岭算法的计算复杂度较高，特别是对于大尺寸或高分辨率的图像。这可能导致算法的运行时间较长，影响实时应用或大规模图像处理的效率。
发明内容
本发明针对传统的细胞分割采用分水岭分割方法不能将荧光图像中的重叠、粘连的细胞进行有效分割的问题，提出了一种荧光图像细胞快速分割方法，所述方案包括：
一种荧光图像细胞快速分割方法，所述方法包括：
获取荧光图像，对所述荧光图像进行多尺度图像增强；
采用改进的分水岭方法对所述多尺度图像增强的荧光图像进行处理，完成细胞分割。
进一步的，还提供一种优选方式，所述采用改进的分水岭方法对所述多尺度图像增强的荧光图像进行处理，包括：
预处理多尺度图像增强的荧光图像；
将所述预处理后的图像进行标记，获取相邻峰值点之间的距离；
根据所述获取相邻峰值点之间的距离计算最佳分割特征值；
根据所述最佳分割特征值确定局部最大值；
对所述预处理后的图像进行分割，并遍历所述分割区域，获取目标区域；
对所述目标区域进行掩膜处理，获取目标区域的掩膜图像；
采用的findContours函数获取所述掩膜图像的轮廓数据；
采用max函数获取所述轮廓数据中面积最大的轮廓；
计算所述最大轮廓的最小外接圆；
遍历所述掩膜图像的轮廓数据中的所有轮廓，计算每个轮廓面积，如果轮廓面积大于所述最小外接圆面积，进行图像输出，完成细胞分割。
进一步的，还提供一种优选方式，所述预处理多尺度图像增强的荧光图像，包括：
对所述图像进行灰度处理，获取灰度图像；
对所述灰度图像进行二值化处理，获取二值化图像；
对所述二值化图像进行距离变换，获取距离图像
对所述距离图像进行特征提取；
对所述特征提取后的图像进行过滤处理。
进一步的，还提供一种优选方式，所述对所述预处理后的图像进行分割，并遍历所述分割区域，获取目标区域，包括：
采用watershed函数对距离图像进行分割；
采用for循环对所述所有分割区域进行遍历；
遍历时对每个分割区域进行判断，如果为0，则跳过，如果遍历对象不为0，则为目标区域。
基于同一发明构思，本发明还提供一种荧光图像细胞快速分割系统，所述系统包括：
图像增强模块，用于获取荧光图像，对所述荧光图像进行多尺度图像增强；
细胞分割模块，用于采用改进的分水岭方法对所述多尺度图像增强的荧光图像进行处理，完成细胞分割。
进一步的，还提供一种优选方式，所述细胞分割模块，包括：
预处理单元，用于预处理多尺度图像增强的荧光图像；
标记单元，用于将所述预处理后的图像进行标记，获取相邻峰值点之间的距离；
分割特征值获取单元，用于根据所述获取相邻峰值点之间的距离计算最佳分割特征值；
局部最大值获取单元，用于根据所述最佳分割特征值确定局部最大值；
遍历单元，用于对所述预处理后的图像进行分割，并遍历所述分割区域，获取目标区域；
掩膜图像获取单元，用于对所述目标区域进行掩膜处理，获取目标区域的掩膜图像；
轮廓数据获取单元，用于采用的findContours函数获取所述掩膜图像的轮廓数据；
最大轮廓获取单元，用于采用max函数获取所述轮廓数据中面积最大的轮廓；
最小外接圆面积获取单元，用于计算所述最大轮廓的最小外接圆面积；
图像输出单元，用于遍历所述掩膜图像的轮廓数据中的所有轮廓，计算每个轮廓面积，如果轮廓面积大于所述最小外接圆面积，进行图像输出，完成细胞分割。
进一步的，还提供一种优选方式，所述预处理单元，包括：
对所述图像进行灰度处理，获取灰度图像；
对所述灰度图像进行二值化处理，获取二值化图像；
对所述二值化图像进行距离变换，获取距离图像
对所述距离图像进行特征提取；
对所述特征提取后的图像进行过滤处理。
进一步的，还提供一种优选方式，所述遍历单元，包括：
采用watershed函数对距离图像进行分割；
采用for循环对所述所有分割区域进行遍历；
遍历时对每个分割区域进行判断，如果为0，则跳过，如果遍历对象不为0，则为目标区域。
基于同一发明构思，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行上述任一项所述的一种荧光图像细胞快速分割方法。
基于同一发明构思，本发明还一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据上述中任一项中所述的一种荧光图像细胞快速分割方法。
本发明的有益之处在于：
本发明解决了传统的细胞分割采用分水岭分割方法不能将荧光图像中的重叠、粘连的细胞进行有效分割的问题。
本发明所述的一种荧光图像细胞快速分割方法，采用改进的分水岭方法进行细胞分割，优化分水岭分割方法，通过局部最大值，标记出所有距离图中的峰值及坐标，计算出相邻峰值点之间的距离，优化并计算最佳分割特征值，将两个峰值点之间的最小距离可以用作分割细胞的依据。当局部最大值为最大峰值时，并且每个峰之间的距离为最佳测地距离时，可以有效地分割图像中大部分细胞。
本发明所述的一种荧光图像细胞快速分割方法应用于生物检测领域。
附图说明
图1为实施方式一所述的一种荧光图像细胞快速分割方法流程图；
图2为实施方式一所述的传统分水岭分割方法分割图像示意图；
图3为实施方式十一所述的形态学和连通域分割图像示意图；
图4为实施方式十一所述的一种荧光图像细胞快速分割方法分割图像示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。
实施方式一、参见图1和图2说明本实施方式。本实施方式所述的一种荧光图像细胞快速分割方法，所述方法包括：
获取荧光图像，对所述荧光图像进行多尺度图像增强；
采用改进的分水岭方法对所述多尺度图像增强的荧光图像进行处理，完成细胞分割。
如图2所示的传统分水岭分割方法进行分割图像，图像中存在细胞接触或有重叠部分时，分水岭算法无法准确识别细胞边界，并导致将一个细胞分割成多个部分。
本实施方式采用改进的分水岭方法进行细胞分割，优化分水岭分割方法，通过局部最大值，标记出所有距离图中的峰值及坐标，计算出相邻峰值点之间的距离，优化并计算最佳分割特征值，为细胞分割提供精确的种子点，自动分割每个单独的细胞。
在细胞分割中，峰值点是指图像中的局部最大值，而两个峰值点之间的最小距离可以用作分割细胞的依据。当局部最大值为最大峰值时，并且每个峰之间的距离为最佳测地距离时，可以有效地分割图像中大部分细胞。
实施方式二、本实施方式是对实施方式一所述的一种荧光图像细胞快速分割方法的进一步限定，所述采用改进的分水岭方法对所述多尺度图像增强的荧光图像进行处理，包括：
预处理多尺度图像增强的荧光图像；
将所述预处理后的图像进行标记，获取相邻峰值点之间的距离；
根据所述获取相邻峰值点之间的距离计算最佳分割特征值；
根据所述最佳分割特征值确定局部最大值；
对所述预处理后的图像进行分割，并遍历所述分割区域，获取目标区域；
对所述目标区域进行掩膜处理，获取目标区域的掩膜图像；
采用的findContours函数获取所述掩膜图像的轮廓数据；
采用max函数获取所述轮廓数据中面积最大的轮廓；
计算所述最大轮廓的最小外接圆；
遍历所述掩膜图像的轮廓数据中的所有轮廓，计算每个轮廓面积，如果轮廓面积大于所述最小外接圆面积，进行图像输出，完成细胞分割。
由于荧光图像通常受到噪声、光照变化和低对比度等问题的影响。本实施方式的预处理用于降低噪声、增强图像对比度，并在多尺度上进行处理，以更好地凸显细胞边界和细节；通过标记图像中的峰值点（通常是细胞核区域），可以计算这些点之间的距离，这个步骤有助于确定细胞之间的距离，为后续分割提供参考；基于相邻峰值点之间的距离，可以进行特征值的计算和选择。这些特征值用于确定分割的临界值或阈值，以便将图像分割为不同的细胞区域；根据最佳分割特征值，确定图像中每个局部区域的最大值，这些最大值通常对应于细胞核的位置，有助于精确定位细胞区域；对预处理后的图像进行分割操作，根据局部最大值的位置和分割准则将图像分成不同的区域，目标区域对应于细胞区域，获取这些区域是为了进一步处理和分析；将目标区域提取出来，生成一个掩膜图像；使用findContours函数从掩膜图像中提取轮廓数据，所述轮廓数据描述了细胞区域的边界形状和拓扑结构；通过max函数选择面积最大的轮廓，这通常对应于细胞的整体区域，选择这个最大轮廓是为了确定细胞的整体形状和边界；通过计算最大轮廓的最小外接圆，可以得到细胞的大致尺寸和包围圆形的信息；对掩膜图像中的所有轮廓进行遍历，并计算每个轮廓的面积。如果轮廓的面积大于最小外接圆的面积阈值，表示这些轮廓对应于有效的细胞区域，可以输出图像，完成细胞分割。
本实施方式结合了图像增强、距离计算、分割技术、特征提取和形态学分析等方法，目的是准确、自动地将荧光图像中的细胞分割出来，以便后续的细胞定量分析和研究。结合了多种技术手段，解决现有技术中无法准确识别细胞边界的问题，通过利用图像特征和形态学信息来实现对细胞区域的准确提取和定位，从而方便后续的分析和研究工作。
实施方式三、本实施方式是对实施方式二所述的一种荧光图像细胞快速分割方法的进一步限定，所述预处理多尺度图像增强的荧光图像，包括：
对所述图像进行灰度处理，获取灰度图像；
对所述灰度图像进行二值化处理，获取二值化图像；
对所述二值化图像进行距离变换，获取距离图像
对所述距离图像进行特征提取；
对所述特征提取后的图像进行过滤处理。
本实施方式将彩色荧光图像转换为灰度图像，减少了处理的计算量，并且灰度图像能更好地突出图像中的细节和边缘信息；通过将灰度图像转换为二值图像，可以将图像中的前景目标与背景分离开来。二值化可以根据像素的灰度值设定一个阈值，将像素分为前景（目标）和背景两类；距离变换会将二值化图像中的每个前景像素赋予它到离它最近的背景像素的距离值。这样的距离图像能提供每个像素与其最近背景像素的距离信息：基于距离图像，可以进行各种特征提取操作，如轮廓提取、区域面积计算、形状描述等，这些特征提取操作对于定位和分析细胞区域非常重要，能够得到具有区分度的信息；在特征提取后，通常会使用过滤处理来消除图像中的噪声和不需要的小区域。过滤处理可以基于区域大小、形状特征等进行选择性保留或排除，从而得到更干净、更准确的细胞分割结果。
本实施方式的优点在于将原始荧光图像经过多个处理阶段，逐步提取出图像中的关键信息。灰度处理、二值化和距离变换可以提高图像的对比度、凸显前景目标，并获得准确的距离信息。特征提取和过滤处理则能够从距离图像中提取具有代表性的特征，并进行噪声过滤和区域选择，以得到清晰明确的细胞分割结果。通过这些处理步骤，可以优化图像的质量和信息，为后续的细胞分析和研究提供可靠的基础。
实施方式四、本实施方式是对实施方式三所述的一种荧光图像细胞快速分割方法的进一步限定，所述对所述预处理后的图像进行分割，并遍历所述分割区域，获取目标区域，包括：
采用watershed函数对距离图像进行分割；
采用for循环对所述所有分割区域进行遍历；
遍历时对每个分割区域进行判断，如果为0，则跳过，如果遍历对象不为0，则为目标区域。
本实施方式采用Watershed函数进行分割，Watershed算法是一种基于图像灰度梯度的分割方法，其可以将图像中的不同目标区域分割开来。通过应用Watershed函数，可以利用距离图像中的梯度信息对图像进行分割，将目标区域与背景区域分离出来；通过for循环遍历所有的分割区域，可以逐个检查每个区域的属性和特征，以进一步判断其是否为目标区域；在遍历过程中，根据区域像素值进行判断：如果一个分割区域的像素值为0，表示该区域为背景，通常会将其跳过。如果分割区域的像素值不为0，表示该区域包含目标物体的信息，可以将其标记为目标区域。
本实施方式的目的是为了从分割后的图像中获取目标区域。通过应用Watershed进行分割，可以将图像中的不同目标区域分离开来，提供更准确的分割结果。通过遍历分割区域并进行判断，可以确定哪些区域是目标区域，从而实现目标的定位和识别。
本实施方式的优点在于提供了一种有效的分割方法，帮助将图像中的目标与背景分离开来，并通过遍历和判断的方式获取目标区域。这为后续的目标检测、测量和分析提供了基础，使得对荧光图像中的目标进行定量和定性分析成为可能。
实施方式五、本实施方式所述的一种荧光图像细胞快速分割系统，所述系统包括：
图像增强模块，用于获取荧光图像，对所述荧光图像进行多尺度图像增强；
细胞分割模块，用于采用改进的分水岭方法对所述多尺度图像增强的荧光图像进行处理，完成细胞分割。
实施方式六、本实施方式是对实施方式五所述的一种荧光图像细胞快速分割方法的进一步限定，所述细胞分割模块，包括：
预处理单元，用于预处理多尺度图像增强的荧光图像；
标记单元，用于将所述预处理后的图像进行标记，获取相邻峰值点之间的距离；
分割特征值获取单元，用于根据所述获取相邻峰值点之间的距离计算最佳分割特征值；
局部最大值获取单元，用于根据所述最佳分割特征值确定局部最大值；
遍历单元，用于对所述预处理后的图像进行分割，并遍历所述分割区域，获取目标区域；
掩膜图像获取单元，用于对所述目标区域进行掩膜处理，获取目标区域的掩膜图像；
轮廓数据获取单元，用于采用的findContours函数获取所述掩膜图像的轮廓数据；
最大轮廓获取单元，用于采用max函数获取所述轮廓数据中面积最大的轮廓；
最小外接圆面积获取单元，用于计算所述最大轮廓的最小外接圆面积；
图像输出单元，用于遍历所述掩膜图像的轮廓数据中的所有轮廓，计算每个轮廓面积，如果轮廓面积大于所述最小外接圆面积，进行图像输出，完成细胞分割。
实施方式七、本实施方式是对实施方式六所述的一种荧光图像细胞快速分割方法的进一步限定，所述预处理单元，包括：
对所述图像进行灰度处理，获取灰度图像；
对所述灰度图像进行二值化处理，获取二值化图像；
对所述二值化图像进行距离变换，获取距离图像
对所述距离图像进行特征提取；
对所述特征提取后的图像进行过滤处理。
实施方式八、本实施方式是对实施方式七所述的一种荧光图像细胞快速分割方法的进一步限定，所述遍历单元，包括：
采用watershed函数对距离图像进行分割；
采用for循环对所述所有分割区域进行遍历；
遍历时对每个分割区域进行判断，如果为0，则跳过，如果遍历对象不为0，则为目标区域。
实施方式九、本实施方式所述的一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行实施方式一至实施方式四任一项所述的一种荧光图像细胞快速分割方法。
实施方式十、本实施方式所述的一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据实施方式一至实施方式四中任一项中所述的一种荧光图像细胞快速分割方法。
实施方式十一、参见图3和图4说明本实施方式。本实施方式是对实施方式一所述的一种荧光图像细胞快速分割方法提供一个具体实施例，同时也用于解释实施方式二至实施方式四，具体的：
一种荧光图像细胞快速分割方法，所述方法具体包括以下步骤：
步骤一（S100）：获取荧光图像，对荧光图像进行多尺度图像增强，并将提取到的图像分别保存在文件夹中，数据保存在当前默认文件中；
步骤二（S200）：当前默认文件采用自定义Tif类型文件对，通过改进的分水岭方法，完成细胞分割过程。
采用改进的分水岭方法进行细胞分割，优化分水岭分割方法，通过局部最大值，标记出所有距离图中的峰值及坐标，计算出相邻峰值点之间的距离，优化并计算最佳分割特征值，为细胞分割提供精确的种子点，自动分割每个单独的细胞。
在细胞分割中，峰值点是指图像中的局部最大值，而两个峰值点之间的最小距离可以用作分割细胞的依据。当局部最大值为最大峰值时，并且每个峰之间的距离为最佳测地距离时，可以有效地分割图像中大部分细胞。
当细胞存在重叠时，上述最佳测地距离并不能满足分割要求。在这种情况下，根据峰值图交点的水平线的高度，溢出当前峰值低的山峰，而未溢出峰值高的山峰，无法满足分水岭分割条件。
经过分析发现，在细胞重叠情况下，最佳测地距离应该在小峰值附近，而不是当前最大峰值处。因此，建议将最佳测地距离设定为小峰值附近的距离，最终得到细胞分割结果。在计算机实现过程中，使用Python程序语言，Python具有丰富标准库，提供了适用于各个主要系统平台的源码或机器码，以下所使用的命名空间均来自Python集成的module模块及OpenCV模块。
进一步地，步骤二包括以下步骤：
步骤1：创建一个argparse函数库中的ArgumentParser对象ap_read，并为ap_read对象添加一个image参数，即默认的输入图像路径。
步骤2：创建一个变量args用来保存步骤1中ap_read对象解析参数的结果。
步骤3：创建一个变量image，使用opencv中的imread函数将读入图像保存至image，图像的路径为步骤2中变量args解析的步骤1中的image参数。
步骤4：创建一个opencv库中的imread函数读取默认输入图像，将读入的图像使用一个新的变量image_result保存。
步骤5：使用opencv库中的cvtColor函数将步骤3中保存的输入图像image通过参数COLOR_BGR2GRAY转换为灰度图像，并使用新的变量gray保存。
步骤6：使用opencv库中的threshold函数将步骤5中保存的灰度图像gray转化为二值化图像，并使用新的变量thresh保存。其中threshold函数的参数为THRESH_BINARY、最大值255、阈值60。
步骤7：使用opencv库中的distance transform函数将步骤6中的二值化图像thresh使用距离变换，并使用新的变量D保存，其中distanceTransform函数通过参数cv2.DIST_L2使用DIST_L2距离类型、掩膜大小为maskSize=5。
步骤8：自定义find_maximum函数，参数为gray是图像数据，10是一个参数用于指定最大峰值点的数量，1是一个参数用于指定是否应该返回峰值点的坐标。
步骤9：创建一个与gray形状相同的全零数组mask，数据类型为uint8。使用切片操作给mask数组的内部部分赋值为1，从而创建了一个内部为1、边界为0的模版。创建一个形状为(2448*2048)的全零数组buf，数据类型为int64。将mask数组赋值给omark，用于备份模版。最后，调用了名为mark的函数，并传入img、msk、buf和mode作为参数，并将返回值赋给了idx。
步骤10：自定义filter函数，使用掩码 (mask) 和索引数组 (idx) 对图像(gray) 执行某种过滤操作。缓冲区数组 (buf) 可能用于过滤过程中的临时存储或计算。阈值 (tor) 可用于确定过滤标准或控制被过滤特征的强度或大小。“mode”参数可以指示正在使用的特定过滤模式或算法，将结果重新赋值为idx。
步骤11：标记出所有距离图中的峰值及坐标，计算出相邻峰值点之间的距离，优化并计算最佳分割特征值，将两个峰值点之间的最小距离可以用作分割细胞的依据。当局部最大值为最大峰值时，并且每个峰之间的距离为最佳测地距离D。
步骤12：使用skimage库中的peak_local_max函数在步骤11中变量D中寻找局部最大值，其中局部最大值将被标记为1、其余为0并使用新的变量localMax保存结果。其中peak_local_max函数使用参数min_distance，通过测试及统计可知，min_distance=25时，分割效果最佳。
步骤13：使用skimage库中的measure.label函数对步骤12中的变量localMax进行局部极大值连通组件分析，并使用新的变量markers 保存结果。
步骤14：使用skimage库中watershed函数通过步骤13中得到的结果markers对步骤11中的二值化图像进行分割，并将分割结果使用新的变量labels保存。
步骤15：使用for循环对步骤14中的变量labels进行所有分割区域的遍历，遍历时对每个分割区域进行判断，如果为0则跳过，如果则进入下一步。
步骤16：若遍历对象不为0，即为目标区域，先使用numpy库中的zeros函数创建一个与步骤5中灰度图像gray大小相同的空白图像并使用新变量mask保存，并将mask图像中与目标区域的重叠的部分数值置为255，即得到了该目标区域的掩膜。
步骤17：使用opencv中的findContours函数找到步骤16中mask变量内的所有轮廓，并将结果使用新变量cnts保存，其中findContours函数使用的参数为cv2.RETR_EXTERNAL和cv2.CHAIN_APPROX_NONE。
步骤18：使用imutils库中的grab_contours函数取得步骤17中轮廓结果cnts中真正的轮廓数据置入变量cnts保存。
步骤19：使用python库中的max函数取得步骤18中cnts面积最大的轮廓，并将结果使用新变量c保存。
步骤20：使用opencv库中的minEnclosingCircle计算出步骤19中最大轮廓c的最小外接圆，并将外接圆的数据保存至新变量x、y、r中。
步骤21：使用for循环对步骤18中cnts的所有轮廓进行遍历，计算每个轮廓的面积，如果面积大于2000，则将该轮廓绘制在步骤4中输入图像image_result内。遍历结束时所有分割后的满足条件的区域都被绘制在输入图像image_result上。
步骤22：使用opencv库中的imwrite函数将步骤20内绘制了所有分割后区域的图像image_result保存为本地磁盘中的文件。
通过以上步骤依次完成将荧光图像细胞快速分割方法。
本发明的积极效果是：采用改进的分水岭方法进行细胞分割，优化分水岭分割方法，通过局部最大值，标记出所有距离图中的峰值及坐标，计算出相邻峰值点之间的距离，优化并计算最佳分割特征值，将两个峰值点之间的最小距离可以用作分割细胞的依据。当局部最大值为最大峰值时，并且每个峰之间的距离为最佳测地距离时，可以有效地分割图像中大部分细胞。
下面结合具体的实验数据，对本发明的技术方案及其技术效果做进一步的说明。图3所示为形态学+连通域分割图像，图4所示为改进的分水岭分割图像。根据图3和图4可知，本发明通过荧光图像细胞快速分割方法，可以灵活适应荧光图像中的各种形态的细胞分割。
以上通过几个具体实施方式对本发明提供的技术方案进行进一步详细地描述，是为了突出本发明提供的技术方案的优点和有益之处，不过以上所述的几个具体实施方式并不用于作为对本发明的限制，任何基于本发明的精神和原则范围内的，对本发明的合理修改和改进、实施方式的组合和等同替换等，均应当包含在本发明的保护范围之内。
在本说明书的描述中，仅为本发明的较佳实施例，不能以此限定本发明之权利范围；另外，参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或 N 个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N 个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更 N 个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或 N 个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM 或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N 个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以
通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能
模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
Claims (8)
1.一种荧光图像细胞快速分割方法，其特征在于，所述方法包括：
获取荧光图像，对所述荧光图像进行多尺度图像增强；
采用改进的分水岭方法对所述多尺度图像增强的荧光图像进行处理，完成细胞分割；
所述采用改进的分水岭方法对所述多尺度图像增强的荧光图像进行处理，包括：
预处理多尺度图像增强的荧光图像；
将所述预处理多尺度图像增强的荧光图像进行标记，获取相邻峰值点之间的距离；
根据所述获取相邻峰值点之间的距离计算最佳分割特征值；
根据所述最佳分割特征值确定局部最大值；
对所述预处理多尺度图像增强的荧光图像进行分割，并遍历分割区域，获取目标区域；
对所述目标区域进行掩膜处理，获取目标区域的掩膜图像；
采用的findContours函数获取所述掩膜图像的轮廓数据；
采用max函数获取所述轮廓数据中面积最大的轮廓；
计算所述最大轮廓的最小外接圆；
遍历所述掩膜图像的轮廓数据中的所有轮廓，计算每个轮廓面积，如果轮廓面积大于所述最小外接圆面积阈值，进行图像输出，完成细胞分割。
2.根据权利要求1所述的一种荧光图像细胞快速分割方法，其特征在于，所述预处理多尺度图像增强的荧光图像，包括：
对所述图像进行灰度处理，获取灰度图像；
对所述灰度图像进行二值化处理，获取二值化图像；
对所述二值化图像进行距离变换，获取距离图像；
对所述距离图像进行特征提取；
对所述特征提取后的图像进行过滤处理。
3.根据权利要求2所述的一种荧光图像细胞快速分割方法，其特征在于，所述对所述预处理多尺度图像增强的荧光图像进行分割，并遍历分割区域，获取目标区域，包括：
采用watershed函数对距离图像进行分割；
采用for循环对所述所有分割区域进行遍历；
遍历时对每个分割区域进行判断，如果遍历的分割区域的像素值为0，则跳过，如果遍历的分割区域的像素值不为0，则为目标区域。
4.一种荧光图像细胞快速分割系统，其特征在于，所述系统包括：
图像增强模块，用于获取荧光图像，对所述荧光图像进行多尺度图像增强；
细胞分割模块，用于采用改进的分水岭方法对所述多尺度图像增强的荧光图像进行处理，完成细胞分割；
所述细胞分割模块，包括：
预处理单元，用于预处理多尺度图像增强的荧光图像；
标记单元，用于将所述预处理多尺度图像增强的荧光图像进行标记，获取相邻峰值点之间的距离；
分割特征值获取单元，用于根据所述获取相邻峰值点之间的距离计算最佳分割特征值；
局部最大值获取单元，用于根据所述最佳分割特征值确定局部最大值；
遍历单元，用于对所述预处理多尺度图像增强的荧光图像进行分割，并遍历分割区域，获取目标区域；
掩膜图像获取单元，用于对所述目标区域进行掩膜处理，获取目标区域的掩膜图像；
轮廓数据获取单元，用于采用的findContours函数获取所述掩膜图像的轮廓数据；
最大轮廓获取单元，用于采用max函数获取所述轮廓数据中面积最大的轮廓；
最小外接圆面积获取单元，用于计算所述最大轮廓的最小外接圆面积；
图像输出单元，用于遍历所述掩膜图像的轮廓数据中的所有轮廓，计算每个轮廓面积，如果轮廓面积大于所述最小外接圆面积阈值，进行图像输出，完成细胞分割。
5.根据权利要求4所述的一种荧光图像细胞快速分割系统，其特征在于，所述预处理单元，包括：
对所述图像进行灰度处理，获取灰度图像；
对所述灰度图像进行二值化处理，获取二值化图像；
对所述二值化图像进行距离变换，获取距离图像
对所述距离图像进行特征提取；
对所述特征提取后的图像进行过滤处理。
6.根据权利要求4所述的一种荧光图像细胞快速分割系统，其特征在于，所述遍历单元，包括：
采用watershed函数对距离图像进行分割；
采用for循环对所述所有分割区域进行遍历；
遍历时对每个分割区域进行判断，如果遍历的分割区域的像素值为0，则跳过，如果遍历的分割区域的像素值不为0，则为目标区域。
7.一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用于储存计算机程序，所述计算机程序执行权利要求1-3任一项所述的一种荧光图像细胞快速分割方法。
8.一种计算机设备，其特征在于：包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1-3中任一项中所述的一种荧光图像细胞快速分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927757.4A CN116645390B (zh) | 2023-07-27 | 2023-07-27 | 一种荧光图像细胞快速分割方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927757.4A CN116645390B (zh) | 2023-07-27 | 2023-07-27 | 一种荧光图像细胞快速分割方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116645390A CN116645390A (zh) | 2023-08-25 |
| CN116645390B true CN116645390B (zh) | 2023-10-03 |
Family
ID=87623387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310927757.4A Active CN116645390B (zh) | 2023-07-27 | 2023-07-27 | 一种荧光图像细胞快速分割方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116645390B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118552572B (zh) * | 2024-07-25 | 2024-10-18 | 湖南军芃科技股份有限公司 | 显微图像有形成分的分割方法、介质和设备 |
| CN118586785A (zh) * | 2024-08-06 | 2024-09-03 | 浙江新迪嘉禾食品有限公司 | 一种基于数据处理的面包加工用发酵质量预测方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160119597A (ko) * | 2015-04-06 | 2016-10-14 | 주식회사 케이티 | 복수의 깊이 카메라를 통한 사람 검출, 추적 방법 및 장치 |
| JP2018075755A (ja) * | 2016-11-08 | 2018-05-17 | 大日本印刷株式会社 | 立体物造形用データ出力規制装置 |
| CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、系统和设备 |
| CN110415255A (zh) * | 2019-06-14 | 2019-11-05 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
| CN110987886A (zh) * | 2019-11-28 | 2020-04-10 | 上海纳奥生物科技有限公司 | 一种全自动显微影像荧光扫描系统 |
| CN111583227A (zh) * | 2020-05-08 | 2020-08-25 | 华侨大学 | 一种荧光细胞自动计数方法、装置、设备和介质 |
| CN114155249A (zh) * | 2021-11-17 | 2022-03-08 | 安徽大学 | 一种基于深度矢量场回归的三维细胞图像实例分割方法 |
| CN114283407A (zh) * | 2021-12-24 | 2022-04-05 | 江苏康尚生物医疗科技有限公司 | 一种自适应的白细胞自动分割、亚类检测方法及系统 |
| CN115511815A (zh) * | 2022-09-20 | 2022-12-23 | 济南超级计算技术研究院 | 一种基于分水岭的宫颈液基细胞分割方法和系统 |
| CN115836212A (zh) * | 2020-03-05 | 2023-03-21 | 天篷生物科学有限公司 | 自动荧光成像和单细胞分割 |
| CN115841440A (zh) * | 2021-09-18 | 2023-03-24 | 山东理工大学 | 一种基于轮廓瓶颈检测的粘连与重叠细胞分离方法 |
| CN115908261A (zh) * | 2022-10-21 | 2023-04-04 | 华中科技大学 | 一种基于铸件x射线图像的缺陷评级方法及系统 |
| CN116343205A (zh) * | 2023-03-08 | 2023-06-27 | 中国科学院合肥物质科学研究院 | 一种浮游藻类细胞荧光-明场显微图像自动标注方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6956961B2 (en) * | 2001-02-20 | 2005-10-18 | Cytokinetics, Inc. | Extracting shape information contained in cell images |
| TWI594207B (zh) * | 2016-04-26 | 2017-08-01 | 財團法人金屬工業研究發展中心 | 細胞核影像輪廓擷取裝置及其方法 |
| WO2022046494A1 (en) * | 2020-08-24 | 2022-03-03 | Applied Materials, Inc. | Cell detection using segmentation based on nuclear staining and mfish images |
-
2023
- 2023-07-27 CN CN202310927757.4A patent/CN116645390B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160119597A (ko) * | 2015-04-06 | 2016-10-14 | 주식회사 케이티 | 복수의 깊이 카메라를 통한 사람 검출, 추적 방법 및 장치 |
| JP2018075755A (ja) * | 2016-11-08 | 2018-05-17 | 大日本印刷株式会社 | 立体物造形用データ出力規制装置 |
| CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、系统和设备 |
| CN110415255A (zh) * | 2019-06-14 | 2019-11-05 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
| CN110987886A (zh) * | 2019-11-28 | 2020-04-10 | 上海纳奥生物科技有限公司 | 一种全自动显微影像荧光扫描系统 |
| CN115836212A (zh) * | 2020-03-05 | 2023-03-21 | 天篷生物科学有限公司 | 自动荧光成像和单细胞分割 |
| CN111583227A (zh) * | 2020-05-08 | 2020-08-25 | 华侨大学 | 一种荧光细胞自动计数方法、装置、设备和介质 |
| CN115841440A (zh) * | 2021-09-18 | 2023-03-24 | 山东理工大学 | 一种基于轮廓瓶颈检测的粘连与重叠细胞分离方法 |
| CN114155249A (zh) * | 2021-11-17 | 2022-03-08 | 安徽大学 | 一种基于深度矢量场回归的三维细胞图像实例分割方法 |
| CN114283407A (zh) * | 2021-12-24 | 2022-04-05 | 江苏康尚生物医疗科技有限公司 | 一种自适应的白细胞自动分割、亚类检测方法及系统 |
| CN115511815A (zh) * | 2022-09-20 | 2022-12-23 | 济南超级计算技术研究院 | 一种基于分水岭的宫颈液基细胞分割方法和系统 |
| CN115908261A (zh) * | 2022-10-21 | 2023-04-04 | 华中科技大学 | 一种基于铸件x射线图像的缺陷评级方法及系统 |
| CN116343205A (zh) * | 2023-03-08 | 2023-06-27 | 中国科学院合肥物质科学研究院 | 一种浮游藻类细胞荧光-明场显微图像自动标注方法 |
Non-Patent Citations (10)
| Title |
|---|
| "Multi-layer segmentation framework for cell nuclei using improved GVF Snakemodel ，watershed，and sllipse fitting";Dongyao Jia等;《Biomedical signal processing and control》;全文 * |
| 一种基于局部最小代价分水岭变换的图像分割新方法;周军妮, 曹剑中, 刘波, 田雁, 杨小军, 李变侠, 杜云飞;光子学报(第01期);全文 * |
| 内皮细胞图像自动分割与荧光强度测量方法;郭斯羽;鲍美华;翟文娟;唐求;;计算机应用(第12期);全文 * |
| 基于MATLAB的粘连小球球径提取方法;彭卫绘;谈乐斌;;计算机系统应用(第06期);全文 * |
| 基于局部灰度占比的粘连细胞分割方法;蒋先刚;崔媛媛;;计算机工程与设计(第19期);全文 * |
| 基于改进分水岭算法和凹点搜索的乳腺癌粘连细胞分割;童振;蒲立新;董方杰;;生物医学工程学杂志(第04期);全文 * |
| 基于水平集和凹点区域检测的粘连细胞分割方法;杨辉华;赵玲玲;潘细朋;刘振丙;;北京邮电大学学报(第06期);全文 * |
| 基于聚类预分割和高低精度距离重构的彩色浮选泡沫图像分割;阳春华;杨尽英;牟学民;周开军;桂卫华;;电子与信息学报(第06期);全文 * |
| 相对颜色空间下梯度分层重构的分水岭分割;贾新宇;江朝晖;魏雅鹛;刘连忠;;计算机科学(第S2期);全文 * |
| 血液红细胞图像自适应标记分水岭分割算法;王娅;;中国图象图形学报(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116645390A (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116645390B (zh) | 一种荧光图像细胞快速分割方法和系统 | |
| CN107430771B (zh) | 用于图像分段的系统和方法 | |
| JP2017521779A (ja) | 画像解析を用いた核のエッジの検出 | |
| CN109378052A (zh) | 图像标注的预处理方法及系统 | |
| CN112232384A (zh) | 模型训练方法、图像特征提取方法、目标检测方法和装置 | |
| CN110210483B (zh) | 医疗图像病变区域分割方法、模型训练方法和设备 | |
| EP3140778B1 (en) | Method and apparatus for image scoring and analysis | |
| CN110211200B (zh) | 一种基于神经网络技术的牙弓线生成方法及其系统 | |
| WO2018207261A1 (ja) | 画像解析装置 | |
| CN115937052B (zh) | 一种凝胶电泳图像的处理方法、装置、设备及介质 | |
| CN112396618B (zh) | 一种基于图像处理的晶界提取及晶粒度测量方法 | |
| CN112016391B (zh) | 基于高分辨率卫星遥感影像的鱼塘识别方法、系统及介质 | |
| CN117523557A (zh) | 一种空间转录组芯片的检测方法、装置、设备及介质 | |
| CN116740646A (zh) | 监测候鸟栖息地的群体识别方法及系统 | |
| CN114511512B (zh) | 一种基于交互指导的血管图像分割方法 | |
| Feng et al. | An advanced automated image analysis model for scoring of ER, PR, HER-2 and Ki-67 in breast carcinoma | |
| Del Bimbo et al. | Accurate evaluation of HER-2 amplification in FISH images | |
| CN117058292B (zh) | 基于数字病理图像的色阶图渲染系统 | |
| CN115797376B (zh) | 基于气管树搜索与最近邻分配的肺段分割方法和装置 | |
| CN117995317B (zh) | 一种基于电子密度图预估重原子位置的方法、装置和介质 | |
| CN118261874B (zh) | 基于图像分割大模型和多元高阶回归拟合的鱼竿钓性分析方法 | |
| Madhu et al. | ENHANCING WHITE BLOOD CELL IDENTIFICATION THROUGH IMAGE SEGMENTATION USING THE WATERSHED ALGORITHM: A COMPREHENSIVE STUDY | |
| CN114155267A (zh) | 人体组织特征参数的识别方法及装置 | |
| Savelonas et al. | Segmentation of two-dimensional gel electrophoresis images containing overlapping spots | |
| CN114092507A (zh) | Erpr免疫组化图像自动判读方法及装置 |
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 |