CN116912255A - 一种用于卵巢组织分析的卵泡区域分割方法 - Google Patents
一种用于卵巢组织分析的卵泡区域分割方法 Download PDFInfo
- Publication number
- CN116912255A CN116912255A CN202311181153.6A CN202311181153A CN116912255A CN 116912255 A CN116912255 A CN 116912255A CN 202311181153 A CN202311181153 A CN 202311181153A CN 116912255 A CN116912255 A CN 116912255A
- Authority
- CN
- China
- Prior art keywords
- edge line
- sub
- connected domain
- ovarian tissue
- domain
- 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
Links
- 230000002611 ovarian Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000003325 follicular Effects 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 title abstract description 19
- 210000001519 tissue Anatomy 0.000 claims abstract description 127
- 210000000721 basilar membrane Anatomy 0.000 claims abstract description 37
- 210000004379 membrane Anatomy 0.000 claims abstract description 36
- 239000012528 membrane Substances 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000000877 morphologic effect Effects 0.000 claims abstract description 16
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 22
- 210000001672 ovary Anatomy 0.000 claims description 21
- 230000000739 chaotic effect Effects 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010186 staining Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 49
- 210000004027 cell Anatomy 0.000 description 23
- 210000002469 basement membrane Anatomy 0.000 description 8
- 230000010339 dilation Effects 0.000 description 3
- 210000004186 follicle cell Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000011712 cell development Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 210000003714 granulocyte Anatomy 0.000 description 1
- 210000002503 granulosa cell Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000287 oocyte Anatomy 0.000 description 1
- 230000001575 pathological effect 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10056—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种用于卵巢组织分析的卵泡区域分割方法,包括:对卵巢组织图像进行边缘检测,得到卵巢组织图像中的参考边缘线段,对图像进行二值化和形态学处理,得到参考连通域,从而得到分参考连通域,根据分参考连通域内像素点灰度值之间的差异、边缘线的长度和方向无序性,得到分参考连通域的混乱程度,再结合分参考连通域内边缘线到参考边缘线段的距离,得到分参考连通域的纹理性,从而得到参考边缘线段为基膜边缘线的可能性,以此得到基膜边缘线段,从而获取卵巢组织图像中的卵泡区域。本发明通过卵泡细胞基膜线两侧的细胞形态和纹理的差异来检测基膜线,从而进行细胞分割,令分割效果更好、更准确。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于卵巢组织分析的卵泡区域分割方法。
背景技术
在临床中,通过卵泡区域分割,可以精确地定位和提取出卵泡区域,由此获取卵泡形态、大小、数量等特征,并分析它们在组织中的分布情况。这有助于了解卵巢的生理状态和变化,也有助于检测异常的卵泡形态、大小以及其他病理特征,由此在早期发现和诊断卵巢相关疾病。
卵巢内卵泡的数量和分布是卵巢健康和生育能力的可靠标志,但是对于成熟的卵泡细胞,由于染色剂着色不均匀以及细胞之间互相挤压等原因,成熟的卵泡细胞的分割较为困难,会导致后续诊断结果的不准确,因此在卵巢组织分析中,卵泡区域的精准分割至关重要。
现有问题:在临床实践中,由于染色剂着色不均匀以及细胞之间互相挤压等原因,细胞的边界信息较为模糊,且由于成熟的卵泡细胞内部的构造较为复杂,传统的卵泡区域分割方法难以直接获取较好的分割结果。
发明内容
本发明提供一种用于卵巢组织分析的卵泡区域分割方法,以解决现有的问题。
本发明的一种用于卵巢组织分析的卵泡区域分割方法采用如下技术方案:
本发明一个实施例提供了一种用于卵巢组织分析的卵泡区域分割方法,该方法包括以下步骤:
采集显微镜下的卵巢组织切片染色图像,对卵巢组织切片染色图像进行灰度化和直方图均衡化增强,得到卵巢组织图像;对卵巢组织图像进行边缘检测,得到卵巢组织图像中的边缘线段;将卵巢组织图像中的任意一个边缘线段,记为参考边缘线段;
对卵巢组织图像进行二值化处理,得到二值参考图像;对二值参考图像进行形态学处理,得到新的二值参考图像;根据卵巢组织图像和新的二值参考图像内的像素点对应关系,得到卵巢组织图像内的参考连通域;将参考连通域分割成两个分参考连通域;
根据分参考连通域内像素点灰度值之间的差异,得到分参考连通域的灰度异常性;根据分参考连通域内边缘线的长度和方向无序性,得到分参考连通域的边缘无序性;根据分参考连通域的灰度异常性和边缘无序性,得到分参考连通域的混乱程度;
根据分参考连通域的混乱程度、分参考连通域内边缘线到参考边缘线段的欧式距离,得到分参考连通域的纹理性;
根据两个分参考连通域的混乱程度和纹理性,得到参考边缘线段为基膜边缘线的可能性;
根据卵巢组织图像中所有边缘线段为基膜边缘线的可能性,得到基膜边缘线段;根据所有基膜边缘线段,得到卵巢组织图像中的卵泡区域。
进一步地,所述对卵巢组织图像进行边缘检测,得到卵巢组织图像中的边缘线段,包括的具体步骤如下:
使用Canny边缘检测算法,得到卵巢组织图像中的边缘像素点,卵巢组织图像中连续相邻的边缘像素点构成一条边缘线;
以每条边缘线上的交叉点为分割点,将每条边缘线分割为若干个边缘线段。
进一步地,所述对卵巢组织图像进行二值化处理,得到二值参考图像;对二值参考图像进行形态学处理,得到新的二值参考图像;根据卵巢组织图像和新的二值参考图像内的像素点对应关系,得到卵巢组织图像内的参考连通域;将参考连通域分割成两个分参考连通域,包括的具体步骤如下:
令卵巢组织图像中参考边缘线段上的像素点灰度值为1、其它像素点的灰度值为0,得到二值参考图像;使用预设的结构元素对二值参考图像进行形态学膨胀运算,得到新的二值参考图像;其中,卵巢组织图像和新的二值参考图像内的像素点一一对应;
当卵巢组织图像内的像素点对应在新的二值参考图像内灰度值为1时,将卵巢组织图像内的像素点记为目标像素点;将连续相邻的目标像素点构成的连通域,记为卵巢组织图像内的参考连通域;
使用Zhang-Suen细化算法,得到参考连通域的骨架线,以参考连通域的骨架线为分割线,将参考连通域分割成两个连通域,记为分参考连通域。
进一步地,所述根据分参考连通域内像素点灰度值之间的差异,得到分参考连通域的灰度异常性,包括的具体步骤如下:
将分参考连通域内每个像素点分别与其八邻域上的像素点的灰度差异的均值,记为分参考连通域内每个像素点的邻域差异;
将分参考连通域内每个像素点灰度值与分参考连通域内的像素点灰度均值的差异,记为分参考连通域内每个像素点的全局差异;
将分参考连通域内所有像素点的邻域差异和全局差异的乘积的均值,记为分参考连通域的灰度异常性。
进一步地,所述根据分参考连通域内边缘线的长度和方向无序性,得到分参考连通域的边缘无序性,包括的具体步骤如下:
根据参考连通域内的每条边缘线上的像素点的坐标位置,使用贝塞尔曲线算法曲线拟合,得到参考连通域内的每条边缘线的拟合曲线;
将参考连通域内的每条边缘线上每个像素点与对应在拟合曲线上的像素点的欧式距离,记为参考连通域内的每条边缘线上每个像素点对应的拟合残差;
将参考连通域内的每条边缘线上所有像素点对应的拟合残差的均值,记为参考连通域内的每条边缘线的方向无序性;
将参考连通域内的每条边缘线的方向无序性除以每条边缘线上的像素点数量,记为参考连通域内的每条边缘线的无序性;
将参考连通域内的所有边缘线的无序性的均值,记为分参考连通域的边缘无序性。
进一步地,所述根据分参考连通域的灰度异常性和边缘无序性,得到分参考连通域的混乱程度对应的具体计算公式为:
其中E为分参考连通域的混乱程度,N为分参考连通域内的像素点数量,为分参考连通域内第k个像素点的灰度值,/>为分参考连通域内的像素点灰度均值,/>为分参考连通域内第k个像素点的邻域差异,M为分参考连通域内的边缘线数量,/>为分参考连通域内第j个边缘线的方向无序性,/>为分参考连通域内第j个边缘线上的像素点数量,| |为绝对值函数。
进一步地,所述根据分参考连通域的混乱程度、分参考连通域内边缘线到参考边缘线段的欧式距离,得到分参考连通域的纹理性对应的具体计算公式为:
其中W为分参考连通域的纹理性,E为分参考连通域的混乱程度,M为分参考连通域内的边缘线数量,为分参考连通域内第j个边缘线上的像素点数量,/>为分参考连通域内第j个边缘线上的第m个像素点到参考边缘线段的最短欧式距离,/>为分参考连通域内第j个边缘线上的所有像素点到参考边缘线段的最短欧式距离的均值,/>为以自然常数为底的指数函数,u为预设的指数函数的调整值。
进一步地,所述根据两个分参考连通域的混乱程度和纹理性,得到参考边缘线段为基膜边缘线的可能性,包括的具体步骤如下:
当两个分参考连通域的纹理性不相等时,将两个分参考连通域的混乱程度中的最大值对应的分参考连通域,记为疑似基膜外侧连通域;将两个分参考连通域的混乱程度中的最小值对应的分参考连通域,记为疑似基膜内侧连通域;
根据疑似基膜外侧连通域和疑似基膜内侧连通域的混乱程度差异和纹理性差异,得到参考边缘线段为基膜边缘线的可能性;
当两个分参考连通域的纹理性相等时,将参考边缘线段为基膜边缘线的可能性设置为预设的可能性。
进一步地,所述根据疑似基膜外侧连通域和疑似基膜内侧连通域的混乱程度差异和纹理性差异,得到参考边缘线段为基膜边缘线的可能性对应的具体计算公式:
其中P为参考边缘线段为基膜边缘线的可能性,为疑似基膜外侧连通域的混乱程度,/>为疑似基膜内侧连通域的混乱程度,/>为疑似基膜外侧连通域的纹理性,/>为疑似基膜内侧连通域的纹理性,| |为绝对值函数,/>为线性归一化函数,/>为疑似基膜两侧混乱程度差异,/>为疑似基膜两侧纹理性差异。
进一步地,所述根据卵巢组织图像中所有边缘线段为基膜边缘线的可能性,得到基膜边缘线段;根据所有基膜边缘线段,得到卵巢组织图像中的卵泡区域,包括的具体步骤如下:
将为基膜边缘线的可能性大于判断阈值的边缘线段,记为基膜边缘线段;
使用霍夫圆检测算法,对卵巢组织图像中所有的基膜边缘线段进行边缘连接操作,得到卵巢组织图像中的基膜边缘线;
以卵巢组织图像中的基膜边缘线为分割线,得到卵巢组织图像中的卵泡区域。
本发明的技术方案的有益效果是:
本发明实施例中,对卵巢组织图像进行边缘检测,得到卵巢组织图像中的边缘线段,将卵巢组织图像中的任意一个边缘线段,记为参考边缘线段。对卵巢组织图像进行二值化处理,得到二值参考图像,再进行形态学处理,得到新的二值参考图像,从而得到卵巢组织图像内的参考连通域,根据参考边缘线段的端点到参考连通域边界的欧式距离,得到分参考连通域。根据分参考连通域内像素点灰度值之间的差异和分参考连通域内边缘线的长度和方向无序性,得到分参考连通域的混乱程度,再结合分参考连通域内边缘线到参考边缘线段的欧式距离,得到分参考连通域的纹理性,根据所有分参考连通域的混乱程度和纹理性,得到参考边缘线段为基膜边缘线的可能性,以此得到基膜边缘线段,从而获取卵巢组织图像中的卵泡区域。本发明通过卵泡细胞基膜线两侧的细胞形态和纹理的差异来识别细胞的基膜线,其根据边缘线段两侧区域的混乱程度和纹理性分析,提高了基膜边缘线检测的准确性,从而进行细胞分割,对成熟阶段的卵泡细胞的分割效果更好,识别更准确。
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,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地介绍,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他的附图。
图1为本发明一种用于卵巢组织分析的卵泡区域分割方法的步骤流程图。
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一种用于卵巢组织分析的卵泡区域分割方法,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一种用于卵巢组织分析的卵泡区域分割方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于卵巢组织分析的卵泡区域分割方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集显微镜下的卵巢组织切片染色图像,对卵巢组织切片染色图像进行灰度化和直方图均衡化增强,得到卵巢组织图像;对卵巢组织图像进行边缘检测,得到卵巢组织图像中的边缘线段;将卵巢组织图像中的任意一个边缘线段,记为参考边缘线段。
采集显微镜下的卵巢组织切片染色图像,对图像进行灰度化处理后,再使用直方图均衡化算法进行图像增强处理,得到卵巢组织图像。然后使用Canny边缘检测算法,得到卵巢组织图像中的边缘像素点,卵巢组织图像中连续相邻的边缘像素点构成一条边缘线,再以卵巢组织图像中每条边缘线上的交叉点为分割点,将卵巢组织图像中的每条边缘线分割为若干个边缘线段。将卵巢组织图像中的任意一个边缘线段,记为参考边缘线段。所需说明的是,若一条边缘线上无交叉点,则令该边缘线为边缘线段。其中,灰度化和直方图均衡化算法以及Canny边缘检测算法均为公知技术,具体方法在此不做介绍。
在卵巢组织分析中,结合卵泡细胞的形态可知,对于每个卵泡细胞,都有一个基膜,且这个基膜与卵母细胞之间包含有若干个粒层细胞。通过卵泡细胞的结构可控制,基膜内侧是多层粒层细胞,外侧是卵细胞膜。且卵泡细胞发育的越成熟,基膜越明显。
在卵巢组织图像中的表现为:由于基膜内部的多层粒层细胞的形态大多为圆形,同时自身染色程度不同以及分布中间隔较大,因此卵巢组织图像中基膜内部的区域中像素点灰度值分布较为杂乱,高亮度和低亮度区域间杂分布,像素点灰度值变化的混乱程度较高;而在卵巢组织图像中基膜的外侧区域,卵泡膜内的细胞形态细长,且围绕着基膜整体呈平行分布,因此像素点灰度值变化的混乱程度较低,纹理信息更为明显,且纹理分布整体上和基膜的分布平行。
由此可知,卵泡细胞的基膜两侧有不同的分布信息,对于基膜的内侧区域,像素点灰度值分布较为杂乱,混乱程度较高,且纹理信息杂乱;对于基膜的外侧区域,由于卵泡膜内的细胞有一定的形态,因此混乱程度较低,图像灰度值分布纹理性较强,且纹理的分布方向和基膜的分布方向相似。
在图像中,像素点灰度值的分布越离散,同时边缘线的分布越杂乱,混乱程度较高,具体的即为像素点灰度值和整体的灰度值差异以及局部的灰度值差异更大,同时边缘线的分布更多、更短。
步骤S002:对卵巢组织图像进行二值化处理,得到二值参考图像;对二值参考图像进行形态学处理,得到新的二值参考图像;根据卵巢组织图像和新的二值参考图像内的像素点对应关系,得到卵巢组织图像内的参考连通域;将参考连通域分割成两个分参考连通域。
令卵巢组织图像中参考边缘线段上的像素点灰度值为1,其它像素点的灰度值为0,得到二值参考图像。本实施例以的正方形结构元素为例进行叙述,其它实施方式中可设置为其它结构元素,本实施例不进行限定。使用设定的结构元素对二值参考图像进行形态学膨胀运算,得到新的二值参考图像。所有说明的是,由于是对卵巢组织图像中的一个边缘线段进行形态学膨胀运算,故新的二值参考图像内所有灰度值为1的像素点连续相邻,其只会构成一个连通域。
由于卵巢组织图像和新的二值参考图像内的像素点一一对应,将卵巢组织图像内对应在新的二值参考图像内的灰度值为1的像素点,记为目标像素点。将连续相邻的目标像素点构成的连通域,记为卵巢组织图像内的参考连通域。
由于形态学膨胀运算会使得参考边缘线段处于参考连通域内部,当参考边缘线段为首尾连接的环形线段时,参考边缘线段可以将参考连通域分割成两部分;但当参考边缘线段存在两个端点时,由于形态学膨胀运算的影响,参考边缘线段与参考连通域边界不相交,因此参考边缘线段无法将参考连通域分割成两部分。故本实施例,使用Zhang-Suen细化算法,得到参考连通域的骨架线,以参考连通域的骨架线为分割线,将参考连通域分割成两个连通域,记为分参考连通域,故参考边缘线段会对应两个分参考连通域。所需说明的是,参考连通域是根据无交叉点的参考边缘线段进行形态学膨胀获取的,因此参考连通域的骨架线的主体为参考边缘线段,且骨架线为无交叉点的线段,当参考边缘线段存在两个端点时,骨架线会与参考连通域边界相交,只会将参考连通域分割成两部分。
其中,形态学膨胀运算和Zhang-Suen细化算法均为公知技术,具体方法在此不做介绍。
步骤S003:根据分参考连通域内像素点灰度值之间的差异,得到分参考连通域的灰度异常性;根据分参考连通域内边缘线的长度和方向无序性,得到分参考连通域的边缘无序性;根据分参考连通域的灰度异常性和边缘无序性,得到分参考连通域的混乱程度。
任意取一个分参考连通域为例,统计该分参考连通域内的边缘线。所需说明的是,统计的分参考连通域内的边缘线不包括参考边缘线段。取该分参考连通域内的任意一条边缘线为例,根据该边缘线上所有像素点的坐标位置,使用贝塞尔曲线算法进行曲线拟合,得到拟合曲线,将该边缘线上每个像素点与对应在拟合曲线上的像素点的欧式距离,记为该边缘线上每个像素点对应的拟合残差,将该边缘线上所有像素点对应的拟合残差的均值,记为该边缘线的方向无序性。其中,贝塞尔曲线算法为公知技术,具体方法在此不做介绍。
由此可知该分参考连通域的混乱程度E的计算公式为:
其中E为该分参考连通域的混乱程度,N为该分参考连通域内的像素点数量,为该分参考连通域内第k个像素点的灰度值,/>为该分参考连通域内的像素点灰度均值,/>为该分参考连通域内第k个像素点的邻域差异,M为该分参考连通域内的边缘线数量,/>为该分参考连通域内第j个边缘线的方向无序性,/>为该分参考连通域内第j个边缘线上的像素点数量,/>为该分参考连通域内第k个像素点的八邻域上的第i个像素点,/>为该分参考连通域内第k个像素点的八邻域上的像素点数量。所需说明的是,当像素点处于图像的边界上时,其八邻域上的像素点数量不满足八个,因此只分析图像内的像素点。| |为绝对值函数。
所需说明的是:分参考连通域内各像素点灰度值与整体灰度值以及局部灰度值的差异越大,混乱程度越大。当越大,说明该像素点与其相邻像素点的灰度差异越大,故用/>表示该像素点的邻域差异。/>表示该像素点灰度值与整体灰度值的差异,记为该像素点的全局差异,因此/>表示该像素点的灰度异常性。则用/>表示该分参考连通域的灰度异常性,其值越大,该分参考连通域内像素点灰度值分布越混乱,即混乱程度越大。分参考连通域内边缘线的分布方向越无序,即/>越大;边缘线越短,即/>越小;此时混乱程度越大,故用/>表示该边缘线的无序性,用表示该分参考连通域的边缘无序性。至此用/>与/>的乘积,表示该分参考连通域的混乱程度。
按照上述方式,得到每一个分参考连通域的混乱程度。
步骤S004:根据分参考连通域的混乱程度、分参考连通域内边缘线到参考边缘线段的欧式距离,得到分参考连通域的纹理性。
由于细胞的分布在延基膜边缘线的方向上有一定的纹理性,且这个纹理分布是和基膜边缘线的方向相似。因此对于参考边缘线段,在提取边缘检测结果中,获取参考边缘线段对应的参考连通域分割的两个分参考连通域内所有边缘线。如果分参考连通域内每个边缘线和参考边缘线段的方向相似,其在图像中的表现为边缘线上各像素点到参考边缘线段上的最短欧式距离的差距在一定范围内,那么就认为该边缘线和参考边缘线段的方向相似。由此计算分参考连通域内所有边缘线与参考边缘线段的平均相似程度,作为参考边缘线段和分参考连通域内的纹理相似性。当参考边缘线段和其对应的两个分参考连通域内的纹理相似性的差异越大,说明参考边缘线段越有可能是基膜边缘线。
仍以上述举例的分参考连通域为例,由此可知该分参考连通域的纹理性W的计算公式为:
其中W为该分参考连通域的纹理性,E为该分参考连通域的混乱程度,M为该分参考连通域内的边缘线数量,为该分参考连通域内第j个边缘线上的像素点数量,/>为该分参考连通域内第j个边缘线上的第m个像素点到参考边缘线段的最短欧式距离,/>为该分参考连通域内第j个边缘线上的所有像素点到参考边缘线段的最短欧式距离的均值,/>为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数,u为设定的指数函数的调整值,避免指数函数过早趋于0。本实施例设定u等于0.1,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是:为该分参考连通域内第j个边缘线上的所有像素点到参考边缘线段的最短欧式距离的方差,其值越大,说明该边缘线和参考边缘线段的方向越不一致,相似程度越低。故用其均值/>表示该分参考连通域内所有边缘线与参考边缘线段的方向相似性,其值越大,该分参考连通域的纹理性应越小。E为该分参考连通域的混乱程度,其值越大,像素点灰度值分布越混乱,其纹理性越小。因此用E和的乘积的反比例的归一化值,表示该分参考连通域的纹理性。
按照上述方式,得到每一个分参考连通域的纹理性。
步骤S005:根据两个分参考连通域的混乱程度和纹理性,得到参考边缘线段为基膜边缘线的可能性。
由上述分析可知,基膜内侧区域的混乱程度更高,基膜外侧区域的纹理性更强。当参考边缘线段对应的两个分参考连通域的纹理性相等时,将参考边缘线段为基膜边缘线的可能性P设置为设定的可能性。本实施例设定/>为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
当参考边缘线段对应的两个分参考连通域的纹理性不相等时,将参考边缘线段对应的两个分参考连通域的混乱程度中的最大值对应的分参考连通域,记为疑似基膜外侧连通域;将参考边缘线段对应的两个分参考连通域的混乱程度中的最小值对应的分参考连通域,记为疑似基膜内侧连通域。
已知基膜内侧区域的混乱程度相对于基膜外侧区域的混乱程度越高,那么参考边缘线段是基膜边缘线的可能性越大,同时基膜外侧区域的纹理性越强,同时内外侧的纹理性的差异越大,那么参考边缘线段是基膜边缘线的可能性越大。
由此可知参考边缘线段为基膜边缘线的可能性P的计算公式为:
其中P为参考边缘线段为基膜边缘线的可能性,为疑似基膜外侧连通域的混乱程度,/>为疑似基膜内侧连通域的混乱程度,/>为疑似基膜外侧连通域的纹理性,/>为疑似基膜内侧连通域的纹理性,| |为绝对值函数,/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:表示参考边缘线段对应的两个分参考连通域的混乱程度的比,记为疑似基膜两侧混乱程度差异,其值越大,说明在混乱程度分析上参考边缘线段为基膜边缘线的可能性越大。/>体现了参考边缘线段对应的两个分参考连通域的纹理性比较特征,记为疑似基膜两侧纹理性差异,当/>和/>越大时,说明在纹理性分析上参考边缘线段为基膜边缘线的可能性越大,因此用/>和/>的乘积的归一化值,表示参考边缘线段为基膜边缘线的可能性,其值越大,为基膜边缘线的可能性越大。
按照上述方式,得到卵巢组织图像中每一个边缘线段为基膜边缘线的可能性。
步骤S006:根据卵巢组织图像中所有边缘线段为基膜边缘线的可能性,得到基膜边缘线段;根据所有基膜边缘线段,得到卵巢组织图像中的卵泡区域。
本实施例设定判断阈值为0.8,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。将为基膜边缘线的可能性大于判断阈值的边缘线段,记为基膜边缘线段。
根据细胞的类圆形特征可知,使用霍夫圆检测算法,对卵巢组织图像中所有的基膜边缘线段进行边缘连接操作,得到卵巢组织图像中完整、连续的基膜边缘线。最后以卵巢组织图像中的基膜边缘线为分割线,得到卵巢组织图像中的卵泡区域。其中,霍夫圆检测算法为公知技术,具体方法在此不做介绍。所需说明的是,霍夫圆检测算法得到的每个基膜边缘线为一个完整、连续的类圆形,因此每个基膜边缘线会分割出一个卵泡细胞。
至此,本发明完成。
综上所述,在本发明实施例中,对卵巢组织图像进行边缘检测,得到卵巢组织图像中的边缘线段,将卵巢组织图像中的任意一个边缘线段,记为参考边缘线段。对卵巢组织图像进行二值化处理和形态学处理,得到新的二值参考图像,从而得到卵巢组织图像内的参考连通域,根据参考边缘线段的端点到参考连通域边界的欧式距离,得到分参考连通域。根据分参考连通域内像素点灰度值之间的差异和分参考连通域内边缘线的长度和方向无序性,得到分参考连通域的混乱程度,再结合分参考连通域内边缘线到参考边缘线段的欧式距离,得到分参考连通域的纹理性,从而得到参考边缘线段为基膜边缘线的可能性,至此得到基膜边缘线段,从而获取卵巢组织图像中的卵泡区域。本发明通过卵泡细胞基膜线两侧的细胞形态和纹理的差异来识别细胞的基膜线,从而进行细胞分割,对成熟阶段的卵泡细胞的分割效果更好,识别更准确。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,该方法包括以下步骤:
采集显微镜下的卵巢组织切片染色图像,对卵巢组织切片染色图像进行灰度化和直方图均衡化增强,得到卵巢组织图像;对卵巢组织图像进行边缘检测,得到卵巢组织图像中的边缘线段;将卵巢组织图像中的任意一个边缘线段,记为参考边缘线段;
对卵巢组织图像进行二值化处理,得到二值参考图像;对二值参考图像进行形态学处理,得到新的二值参考图像;根据卵巢组织图像和新的二值参考图像内的像素点对应关系,得到卵巢组织图像内的参考连通域;将参考连通域分割成两个分参考连通域;
根据分参考连通域内像素点灰度值之间的差异,得到分参考连通域的灰度异常性;根据分参考连通域内边缘线的长度和方向无序性,得到分参考连通域的边缘无序性;根据分参考连通域的灰度异常性和边缘无序性,得到分参考连通域的混乱程度;
根据分参考连通域的混乱程度、分参考连通域内边缘线到参考边缘线段的欧式距离,得到分参考连通域的纹理性;
根据两个分参考连通域的混乱程度和纹理性,得到参考边缘线段为基膜边缘线的可能性;
根据卵巢组织图像中所有边缘线段为基膜边缘线的可能性,得到基膜边缘线段;根据所有基膜边缘线段,得到卵巢组织图像中的卵泡区域。
2.根据权利要求1所述一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述对卵巢组织图像进行边缘检测,得到卵巢组织图像中的边缘线段,包括的具体步骤如下:
使用Canny边缘检测算法,得到卵巢组织图像中的边缘像素点,卵巢组织图像中连续相邻的边缘像素点构成一条边缘线;
以每条边缘线上的交叉点为分割点,将每条边缘线分割为若干个边缘线段。
3.根据权利要求1所述一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述对卵巢组织图像进行二值化处理,得到二值参考图像;对二值参考图像进行形态学处理,得到新的二值参考图像;根据卵巢组织图像和新的二值参考图像内的像素点对应关系,得到卵巢组织图像内的参考连通域;将参考连通域分割成两个分参考连通域,包括的具体步骤如下:
令卵巢组织图像中参考边缘线段上的像素点灰度值为1、其它像素点的灰度值为0,得到二值参考图像;使用预设的结构元素对二值参考图像进行形态学膨胀运算,得到新的二值参考图像;其中,卵巢组织图像和新的二值参考图像内的像素点一一对应;
当卵巢组织图像内的像素点对应在新的二值参考图像内灰度值为1时,将卵巢组织图像内的像素点记为目标像素点;将连续相邻的目标像素点构成的连通域,记为卵巢组织图像内的参考连通域;
使用Zhang-Suen细化算法,得到参考连通域的骨架线,以参考连通域的骨架线为分割线,将参考连通域分割成两个连通域,记为分参考连通域。
4.根据权利要求1所述一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据分参考连通域内像素点灰度值之间的差异,得到分参考连通域的灰度异常性,包括的具体步骤如下:
将分参考连通域内每个像素点分别与其八邻域上的像素点的灰度差异的均值,记为分参考连通域内每个像素点的邻域差异;
将分参考连通域内每个像素点灰度值与分参考连通域内的像素点灰度均值的差异,记为分参考连通域内每个像素点的全局差异;
将分参考连通域内所有像素点的邻域差异和全局差异的乘积的均值,记为分参考连通域的灰度异常性。
5.根据权利要求1所述一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据分参考连通域内边缘线的长度和方向无序性,得到分参考连通域的边缘无序性,包括的具体步骤如下:
根据参考连通域内的每条边缘线上的像素点的坐标位置,使用贝塞尔曲线算法曲线拟合,得到参考连通域内的每条边缘线的拟合曲线;
将参考连通域内的每条边缘线上每个像素点与对应在拟合曲线上的像素点的欧式距离,记为参考连通域内的每条边缘线上每个像素点对应的拟合残差;
将参考连通域内的每条边缘线上所有像素点对应的拟合残差的均值,记为参考连通域内的每条边缘线的方向无序性;
将参考连通域内的每条边缘线的方向无序性除以每条边缘线上的像素点数量,记为参考连通域内的每条边缘线的无序性;
将参考连通域内的所有边缘线的无序性的均值,记为分参考连通域的边缘无序性。
6.根据权利要求1所述一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据分参考连通域的灰度异常性和边缘无序性,得到分参考连通域的混乱程度对应的具体计算公式为:
其中E为分参考连通域的混乱程度,N为分参考连通域内的像素点数量,为分参考连通域内第k个像素点的灰度值,/>为分参考连通域内的像素点灰度均值,/>为分参考连通域内第k个像素点的邻域差异,M为分参考连通域内的边缘线数量,/>为分参考连通域内第j个边缘线的方向无序性,/>为分参考连通域内第j个边缘线上的像素点数量,| |为绝对值函数。
7.根据权利要求1所述一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据分参考连通域的混乱程度、分参考连通域内边缘线到参考边缘线段的欧式距离,得到分参考连通域的纹理性对应的具体计算公式为:
其中W为分参考连通域的纹理性,E为分参考连通域的混乱程度,M为分参考连通域内的边缘线数量,为分参考连通域内第j个边缘线上的像素点数量,/>为分参考连通域内第j个边缘线上的第m个像素点到参考边缘线段的最短欧式距离,/>为分参考连通域内第j个边缘线上的所有像素点到参考边缘线段的最短欧式距离的均值,/>为以自然常数为底的指数函数,u为预设的指数函数的调整值。
8.根据权利要求1所述一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据两个分参考连通域的混乱程度和纹理性,得到参考边缘线段为基膜边缘线的可能性,包括的具体步骤如下:
当两个分参考连通域的纹理性不相等时,将两个分参考连通域的混乱程度中的最大值对应的分参考连通域,记为疑似基膜外侧连通域;将两个分参考连通域的混乱程度中的最小值对应的分参考连通域,记为疑似基膜内侧连通域;
根据疑似基膜外侧连通域和疑似基膜内侧连通域的混乱程度差异和纹理性差异,得到参考边缘线段为基膜边缘线的可能性;
当两个分参考连通域的纹理性相等时,将参考边缘线段为基膜边缘线的可能性设置为预设的可能性。
9.根据权利要求8所述一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据疑似基膜外侧连通域和疑似基膜内侧连通域的混乱程度差异和纹理性差异,得到参考边缘线段为基膜边缘线的可能性对应的具体计算公式:
其中P为参考边缘线段为基膜边缘线的可能性,为疑似基膜外侧连通域的混乱程度,为疑似基膜内侧连通域的混乱程度,/>为疑似基膜外侧连通域的纹理性,/>为疑似基膜内侧连通域的纹理性,| |为绝对值函数,/>为线性归一化函数,/>为疑似基膜两侧混乱程度差异,/>为疑似基膜两侧纹理性差异。
10.根据权利要求1所述一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据卵巢组织图像中所有边缘线段为基膜边缘线的可能性,得到基膜边缘线段;根据所有基膜边缘线段,得到卵巢组织图像中的卵泡区域,包括的具体步骤如下:
将为基膜边缘线的可能性大于判断阈值的边缘线段,记为基膜边缘线段;
使用霍夫圆检测算法,对卵巢组织图像中所有的基膜边缘线段进行边缘连接操作,得到卵巢组织图像中的基膜边缘线;
以卵巢组织图像中的基膜边缘线为分割线,得到卵巢组织图像中的卵泡区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181153.6A CN116912255B (zh) | 2023-09-14 | 2023-09-14 | 一种用于卵巢组织分析的卵泡区域分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181153.6A CN116912255B (zh) | 2023-09-14 | 2023-09-14 | 一种用于卵巢组织分析的卵泡区域分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912255A true CN116912255A (zh) | 2023-10-20 |
CN116912255B CN116912255B (zh) | 2023-12-19 |
Family
ID=88355073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311181153.6A Active CN116912255B (zh) | 2023-09-14 | 2023-09-14 | 一种用于卵巢组织分析的卵泡区域分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912255B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117575977A (zh) * | 2024-01-17 | 2024-02-20 | 锦恒科技(大连)有限公司 | 一种用于卵巢组织分析的卵泡区域增强方法 |
CN117788300A (zh) * | 2024-02-23 | 2024-03-29 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061607A1 (en) * | 2015-08-26 | 2017-03-02 | Ultrasonix Medical | Ovarian follicle segmentation in ultrasound images |
US20190042958A1 (en) * | 2016-01-28 | 2019-02-07 | Gerard Letterie | Automated image analysis to assess reproductive potential of human oocytes and pronuclear embryos |
US20200129139A1 (en) * | 2017-07-07 | 2020-04-30 | Massachusetts Institute Of Technology | System and method for automated ovarian follicular monitoring |
CN111192251A (zh) * | 2019-12-30 | 2020-05-22 | 上海交通大学医学院附属国际和平妇幼保健院 | 基于水平集图像分割的卵泡超声处理方法和系统 |
CN111582111A (zh) * | 2020-04-29 | 2020-08-25 | 电子科技大学 | 一种基于语义分割的细胞各成分分割方法 |
CN112951427A (zh) * | 2021-03-16 | 2021-06-11 | 黑龙江机智通智能科技有限公司 | 异常细胞的分级系统 |
WO2022140960A1 (zh) * | 2020-12-28 | 2022-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种卵泡跟踪方法和系统 |
CN115345893A (zh) * | 2022-09-15 | 2022-11-15 | 吉林大学中日联谊医院 | 基于图像处理的卵巢组织癌变区域分割方法 |
CN116503392A (zh) * | 2023-06-26 | 2023-07-28 | 细胞生态海河实验室 | 一种用于卵巢组织分析的卵泡区域分割方法 |
CN116645384A (zh) * | 2023-07-27 | 2023-08-25 | 天津医科大学第二医院 | 基于人工智能的干细胞区域快速分割方法 |
-
2023
- 2023-09-14 CN CN202311181153.6A patent/CN116912255B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061607A1 (en) * | 2015-08-26 | 2017-03-02 | Ultrasonix Medical | Ovarian follicle segmentation in ultrasound images |
US20190042958A1 (en) * | 2016-01-28 | 2019-02-07 | Gerard Letterie | Automated image analysis to assess reproductive potential of human oocytes and pronuclear embryos |
US20200129139A1 (en) * | 2017-07-07 | 2020-04-30 | Massachusetts Institute Of Technology | System and method for automated ovarian follicular monitoring |
CN111192251A (zh) * | 2019-12-30 | 2020-05-22 | 上海交通大学医学院附属国际和平妇幼保健院 | 基于水平集图像分割的卵泡超声处理方法和系统 |
CN111582111A (zh) * | 2020-04-29 | 2020-08-25 | 电子科技大学 | 一种基于语义分割的细胞各成分分割方法 |
WO2022140960A1 (zh) * | 2020-12-28 | 2022-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种卵泡跟踪方法和系统 |
CN112951427A (zh) * | 2021-03-16 | 2021-06-11 | 黑龙江机智通智能科技有限公司 | 异常细胞的分级系统 |
CN115345893A (zh) * | 2022-09-15 | 2022-11-15 | 吉林大学中日联谊医院 | 基于图像处理的卵巢组织癌变区域分割方法 |
CN116503392A (zh) * | 2023-06-26 | 2023-07-28 | 细胞生态海河实验室 | 一种用于卵巢组织分析的卵泡区域分割方法 |
CN116645384A (zh) * | 2023-07-27 | 2023-08-25 | 天津医科大学第二医院 | 基于人工智能的干细胞区域快速分割方法 |
Non-Patent Citations (5)
Title |
---|
A. KRIVANEK ET AL: "Ovarian ultrasound image analysis: follicle segmentation", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
TERESA M. A. BASILE ET AL: "A Texture-Based Image Processing Approach for the Description of Human Oocyte Cytoplasm", 《 IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
印勇;李阿琼;: "一种粘连血细胞图像分割新方法", 计算机工程与应用, no. 35 * |
李晓宁, 樊瑜波: "膜式张应力装置中体外培养血管平滑肌细胞图像分割技术研究", 四川大学学报(工程科学版), no. 04 * |
蒋先刚;崔媛媛;: "基于局部灰度占比的粘连细胞分割方法", 计算机工程与设计, no. 19 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117557460B (zh) * | 2024-01-12 | 2024-03-29 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117575977A (zh) * | 2024-01-17 | 2024-02-20 | 锦恒科技(大连)有限公司 | 一种用于卵巢组织分析的卵泡区域增强方法 |
CN117575977B (zh) * | 2024-01-17 | 2024-04-02 | 锦恒科技(大连)有限公司 | 一种用于卵巢组织分析的卵泡区域增强方法 |
CN117788300A (zh) * | 2024-02-23 | 2024-03-29 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
CN117788300B (zh) * | 2024-02-23 | 2024-05-10 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116912255B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN109166133B (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
CN115330800B (zh) | 基于图像处理的放疗靶区自动分割方法 | |
Song et al. | A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei | |
CN107798679B (zh) | 乳腺钼靶图像乳房区域分割与钙化点检测方法 | |
WO2016091016A1 (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
CN110448335B (zh) | 一种基于超声图像的胎儿头围全自动测量方法和装置 | |
CN112270676B (zh) | 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法 | |
CN109214397A (zh) | 一种肺部ct图像中肺结节的分割方法 | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
CN115969310A (zh) | 高血压性视网膜病变的病变特征的测量系统及测量方法 | |
CN108765427A (zh) | 一种前列腺图像分割方法 | |
Sarwar et al. | Segmentation of cervical cells for automated screening of cervical cancer: a review | |
CN116630358B (zh) | 一种脑部肿瘤ct影像的阈值分割方法 | |
CN113066093A (zh) | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 | |
Chen et al. | Segmentation of overlapping cervical cells with mask region convolutional neural network | |
CN113570628A (zh) | 一种基于活动轮廓模型的白细胞分割方法 | |
CN116978543A (zh) | 人工智能辅助骨髓肿瘤病理诊断装置 | |
CN117252893B (zh) | 一种乳腺癌病理图像的分割处理方法 | |
CN114494157A (zh) | 胎儿心脏四腔心超声切面图像质量自动评测方法 | |
CN113516644A (zh) | 一种血管内光学相干层析成像分支血管识别方法 | |
CN113409275B (zh) | 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
Jing-Shi et al. | Symmetry theory based classification algorithm in brain computed tomography image database |
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 |