CN117218139B - 样本细胞密度的确定方法和装置 - Google Patents

样本细胞密度的确定方法和装置 Download PDF

Info

Publication number
CN117218139B
CN117218139B CN202311176463.9A CN202311176463A CN117218139B CN 117218139 B CN117218139 B CN 117218139B CN 202311176463 A CN202311176463 A CN 202311176463A CN 117218139 B CN117218139 B CN 117218139B
Authority
CN
China
Prior art keywords
image
cell
determining
target
scanning
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
Application number
CN202311176463.9A
Other languages
English (en)
Other versions
CN117218139A (zh
Inventor
叶莘
张诗勤
范献军
周燕玲
陈鑫
陈成苑
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.)
Zhuhai Hengqin Shengao Yunzhi Technology Co ltd
Original Assignee
Zhuhai Hengqin Shengao Yunzhi Technology Co ltd
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 Zhuhai Hengqin Shengao Yunzhi Technology Co ltd filed Critical Zhuhai Hengqin Shengao Yunzhi Technology Co ltd
Priority to CN202311176463.9A priority Critical patent/CN117218139B/zh
Publication of CN117218139A publication Critical patent/CN117218139A/zh
Application granted granted Critical
Publication of CN117218139B publication Critical patent/CN117218139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请提供一种样本细胞密度的确定方法和装置,其中方法包括:获取目标样本对应的扫描图像集合,确定扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于满细胞视野图像和非满细胞视野图像确定目标样本的细胞区域面积;扫描图像集合是对目标样本进行逐视野扫描得到的;获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定目标样本的细胞数量;基于目标样本的细胞区域面积和细胞数量,确定目标样本的细胞密度。本申请公开的方法和装置能够准确确定目标样本的细胞区域面积和细胞数量,进而准确确定样本细胞密度,保证样本是否合格的判定结果的准确性。

Description

样本细胞密度的确定方法和装置
技术领域
本申请涉及图像处理技术领域,尤其涉及一种样本细胞密度的确定方法和装置。
背景技术
在细胞学检测中,实验人员会将含有细胞的溶液放置在玻片上以便进行后续的实验操作。而在进行实验操作之前需要判断样本是否合格,其中样本中细胞分布的密度为判断样本是否合格的关键因素。若细胞分布密度过大,会出现细胞拥挤的情况;若细胞分布密度过小,则会出现细胞数量不足的情况,这两种情形对应的细胞样本均被视为不合格。因此,如何准确确定样本细胞密度以判断样本是否合格显得尤为重要。
现有的样本细胞密度确定方法是将样本中的细胞总数除以扫描的所有视野区域的面积得到样本的细胞密度,但由于含有细胞的溶液在玻片上大致呈圆形,意味着扫描的视野区域中并不是全部视野区域都是满细胞的,部分视野区域可能只有少量细胞甚至几乎不含细胞,因此按照上述方法计算出来的样本细胞密度并不准确,进而导致样本是否合格的判定结果准确性过低。
发明内容
本申请提供一种样本细胞密度的确定方法和装置,以用于准确确定样本细胞密度,以保证样本是否合格的判定结果的准确性。
本申请提供一种样本细胞密度的确定方法,包括:
获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;
获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;
基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。
根据本申请提供的一种样本细胞密度的确定方法,所述确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,具体包括:
基于自适应分割阈值分别对所述扫描图像集合中的各扫描图像进行二值化处理,得到对应的二值化扫描图像;
将各二值化扫描图像进行区域分割,得到各二值化扫描图像对应的子图像集合;
基于各二值化扫描图像对应的子图像集合中不同子图像的像素面积差值,确定对应扫描图像的类型;所述扫描图像的类型包括满细胞视野图像和非满细胞视野图像。
根据本申请提供的一种样本细胞密度的确定方法,所述基于各二值化扫描图像对应的子图像集合中不同子图像的像素面积差值,确定对应扫描图像的类型,具体包括:
对于任一目标二值化扫描图像,确定所述目标二值化扫描图像对应的子图像集合中不同子图像两两之间的像素面积差值;
判断所述不同子图像两两之间的像素面积差值中是否存在高于预设阈值的目标像素面积差值,若是,则所述目标二值化扫描图像对应的目标扫描图像为非满细胞视野图像;若否,则所述目标扫描图像为满细胞视野图像。
根据本申请提供的一种样本细胞密度的确定方法,所述基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积,具体包括:
对于满细胞视野图像,基于各满细胞视野图像的面积,确定所述目标样本的第一细胞区域面积;
对于非满细胞视野图像,基于各非满细胞视野图像与距离最近的满细胞视野图像的像素占比的比值,确定所述目标样本的第二细胞区域面积;
基于所述目标样本的第一细胞区域面积和第二细胞区域面积,确定所述目标样本的细胞区域面积。
根据本申请提供的一种样本细胞密度的确定方法,所述基于各非满细胞视野图像与距离最近的满细胞视野图像的像素占比的比值,确定所述目标样本的第二细胞区域面积,具体包括:
对于任一目标非满细胞视野图像,确定与所述目标非满细胞视野图像距离最近的目标满细胞视野图像;
基于所述目标满细胞视野图像的面积及所述非满细胞视野图像与所述目标满细胞视野图像的像素占比的比值,确定所述目标非满细胞视野图像对应的细胞区域面积;
基于各非满细胞视野图像对应的细胞区域面积,确定所述目标样本的第二细胞区域面积。
根据本申请提供的一种样本细胞密度的确定方法,所述基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量,具体包括:
将各扫描图像对应的细胞数关联变量的值输入预先确定的细胞数量确定模型,得到各扫描图像对应的细胞数量;
基于各扫描图像对应的细胞数量,确定所述目标样本的细胞数量;
其中,所述细胞数量确定模型是基于预先获取的扫描图像训练集中各扫描图像样本对应的细胞数关联变量的值和细胞数量标签进行拟合得到的。
根据本申请提供的一种样本细胞密度的确定方法,所述细胞数关联变量是对扫描图像训练集中各扫描图像样本对应的潜在关联变量与细胞数量标签进行相关性分析得到的,所述潜在关联变量包括参考细胞数、曝光参数、第一图像阈值、第二图像阈值、第三图像阈值、第四图像阈值、最佳分割阈值;
所述参考细胞数和曝光参数是显微镜在扫描过程中记录的;
所述第一图像阈值、第二图像阈值、第三图像阈值、第四图像阈值是基于扫描图像样本的像素点值峰度图确定的;
所述最佳分割阈值是基于预设的自适应阈值算法确定的。
根据本申请提供的一种样本细胞密度的确定方法,对于任一目标扫描图像样本,所述目标扫描图像样本对应的细胞数量标签的确定步骤包括:
步骤S1,基于所述目标扫描图像样本中的像素值分布情况,确定所述目标扫描图像样本对应的目标分割阈值,并基于所述目标分割阈值对所述目标扫描图像样本进行分割,得到目标扫描分割图像;
步骤S2,基于所述目标扫描分割图像及当前轮廓面积阈值,确定所述目标扫描图像样本对应的当前细胞数量统计值;
步骤S3,基于人工复核反馈信号确定是否对轮廓面积阈值进行调整,若是,更新轮廓面积阈值,并跳转执行步骤S2;若否跳转执行步骤S4;
步骤S4,将所述目标扫描图像样本对应的当前细胞数量统计值作为所述目标扫描图像样本对应的细胞数量标签。
根据本申请提供的一种样本细胞密度的确定方法,所述细胞数关联变量包括参考细胞数、曝光参数、第一图像阈值、第二图像阈值和第三图像阈值。
本申请还提供一种样本细胞密度的确定装置,包括:
细胞区域面积确定模块,用于获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;
细胞数量确定模块,用于获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;
细胞密度确定模块,用于基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。
本申请还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述样本细胞密度的确定方法的步骤。
本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述样本细胞密度的确定方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述样本细胞密度的确定方法的步骤。
本申请提供的样本细胞密度的确定方法和装置,包括:获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。本申请公开的方法和装置能够准确确定目标样本的细胞区域面积和细胞数量,进而准确确定样本细胞密度,保证样本是否合格的判定结果的准确性。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请提供的样本细胞密度的确定方法的流程示意图;
图2是本申请提供的满细胞视野图像示意图;
图3是本申请提供的非满细胞视野图像示意图;
图4是本申请提供的满细胞视野图像和非满细胞视野图像的确定流程示意图;
图5是本申请提供的扫描图像样本的像素点值峰度图;
图6是本申请提供的细胞数量标签的确定流程示意图;
图7是本申请提供的参考细胞数和细胞数量标签的对比示意图;
图8是本申请提供的相关性分析结果示意图之一;
图9是本申请提供的相关性分析结果示意图之二;
图10是本申请提供的样本细胞密度的确定装置的结构示意图;
图11是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请提供的样本细胞密度的确定方法的流程示意图,如图1所示,该方法包括:
步骤110,获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的。
具体的,所述目标样本可以为任意细胞样本,本申请实施例对此不作具体限定。基于前述内容可知,现有的样本细胞密度确定方法是将样本中的细胞总数除以扫描的所有视野区域的面积(视野区域的面积即显微镜单个视野的面积)得到样本的细胞密度,但由于含有细胞的溶液在玻片上大致呈圆形,意味着扫描的视野区域中并不是全部视野区域都是满细胞的,部分视野区域可能只有少量细胞甚至几乎不含细胞。图2是本申请提供的满细胞视野图像示意图,图3是本申请提供的非满细胞视野图像示意图,图中亮点表示细胞。如图2所示,满细胞视野图像即各区域均存在细胞的扫描图像,图3左侧示意图为小部分区域不存在细胞的扫描图像,右侧示意图为大部分区域不存在细胞的扫描图像,图3中左侧示意图和右侧示意图所展示的扫描图像均为非满细胞视野图像。由此可知,对于非满细胞视野图像,其对应的细胞分布区域的面积明显小于显微镜单个视野的面积。
因此按照上述方法计算出来的细胞分布区域的面积将大于细胞分布区域的实际面积,进而导致计算得到的样本细胞密度并不准确。针对该问题,本申请实施例在确定目标样本之后,首先通过显微镜对所述目标样本进行逐视野扫描得到目标样本对应的扫描图像集合,再确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并针对满细胞视野图像和非满细胞视野图像分别进行细胞分布区域的面积统计,以保证最终得到的目标样本的细胞区域面积的准确性。更具体的,图4是本申请提供的满细胞视野图像和非满细胞视野图像的确定流程示意图,如图4所示,所述确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,具体包括:
步骤1101,基于自适应分割阈值分别对所述扫描图像集合中的各扫描图像进行二值化处理,得到对应的二值化扫描图像;
步骤1102,将各二值化扫描图像进行区域分割,得到各二值化扫描图像对应的子图像集合;
步骤1103,基于各二值化扫描图像对应的子图像集合中不同子图像的像素面积差值,确定对应扫描图像的类型;所述扫描图像的类型包括满细胞视野图像和非满细胞视野图像。
本申请通过研究发现,对于满细胞视野图像,其不同区域的像素面积(即二值化处理之后,表示为“1”的部分的面积)接近,而对于非满细胞视野图像则不满足该条件。基于此,本申请实施例预先对满细胞视野图像和非满细胞视野图像中不同区域的像素面积差值进行分析,得到用于分类的像素面积差值阈值。在实际应用过程中,首先基于自适应分割阈值分别对所述扫描图像集合中的各扫描图像进行二值化处理,得到对应的二值化扫描图像,将各二值化扫描图像进行区域分割,得到各二值化扫描图像对应的子图像集合;最后即可基于各二值化扫描图像对应的子图像集合中不同子图像的像素面积差值,确定对应扫描图像的类型。优选的,所述子图像集合中包括位于左上区域的第一子图像、位于左下区域的第二子图像、位于右上区域的第三子图像和位于右下区域的第四子图像,即将二值化扫描图像四等分,基于此,能在保证图像分类结果准确性的基础上降低计算量。可以理解的是,所述区域分割也可以根据实际需要采用其它分割方式,例如二等分、六等分等,本申请实施例对此不作具体限定。所述自适应分割阈值可通过现有的任意自适应阈值算法(例如THRESH_OTSU算法)得到,本申请实施例对此不作具体限定。
进一步的,所述基于各二值化扫描图像对应的子图像集合中不同子图像的像素面积差值,确定对应扫描图像的类型,具体包括:
对于任一目标二值化扫描图像,确定所述目标二值化扫描图像对应的子图像集合中不同子图像两两之间的像素面积差值;
判断所述不同子图像两两之间的像素面积差值中是否存在高于预设阈值(即前述像素面积差值阈值)的目标像素面积差值,若是,则所述目标二值化扫描图像对应的目标扫描图像为非满细胞视野图像;若否,则所述目标扫描图像为满细胞视野图像。
基于此,即可对扫描图像进行准确的分类,进而准确确定目标样本的细胞区域面积。具体的,所述基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积,具体包括:
对于满细胞视野图像,基于各满细胞视野图像的面积,确定所述目标样本的第一细胞区域面积;
对于非满细胞视野图像,基于各非满细胞视野图像与距离最近的满细胞视野图像的像素占比的比值,确定所述目标样本的第二细胞区域面积;
基于所述目标样本的第一细胞区域面积和第二细胞区域面积,确定所述目标样本的细胞区域面积。
其中,所述满细胞视野图像的面积即显微镜单个视野的面积,相应的,所述目标样本的第一细胞区域面积即各满细胞视野图像的面积之和。基于前述内容可知,对于非满细胞视野图像,其对应的细胞分布区域面积无法直接采用显微镜单个视野的面积,为了更加准确地确定非满细胞视野图像对应的细胞分布区域面积,本申请实施例利用扫描图像集合中相邻扫描图像的细胞分布关系存在关联性的特性,基于各非满细胞视野图像与距离最近的满细胞视野图像的像素占比(指二值化后具有信号强度的像素数量与图像总像素数量的比值)的比值,确定各非满细胞视野图像对应的细胞分布区域面积,具体的,所述基于各非满细胞视野图像与距离最近的满细胞视野图像的像素占比的比值,确定所述目标样本的第二细胞区域面积,具体包括:
对于任一目标非满细胞视野图像,确定与所述目标非满细胞视野图像距离最近的目标满细胞视野图像;
基于所述目标满细胞视野图像的面积及所述非满细胞视野图像与所述目标满细胞视野图像的像素占比的比值,确定所述目标非满细胞视野图像对应的细胞区域面积;
基于各非满细胞视野图像对应的细胞区域面积,确定所述目标样本的第二细胞区域面积。
可以理解的是,由于各扫描图像的位置已知,因此确定了目标非满细胞视野图像,即可快速确定与所述目标非满细胞视野图像距离最近的目标满细胞视野图像。假设所述目标非满细胞视野图像的像素占比为A,所述目标满细胞视野图像的像素占比为B,则所述非满细胞视野图像与所述目标满细胞视野图像的像素占比的比值为A/B。基于前述内容可知,所述目标满细胞视野图像的面积即为显微镜单个视野的面积,假设为C,则所述目标非满细胞视野图像对应的细胞区域面积为C*A/B。相应的,所述目标样本的第二细胞区域面积即为各非满细胞视野图像对应的细胞区域面积之和。而所述目标样本的细胞区域面积即为所述目标样本的第一细胞区域面积和第二细胞区域面积之和。基于此,能够最大限度保证得到的所述目标样本的细胞区域面积的准确性,进而保证后续细胞密度计算的准确性。
步骤120,获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量。
步骤130,基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。
具体的,可以理解的是,所述目标样本的细胞密度即为所述目标样本的细胞数量与所述目标样本的细胞区域面积的比值。基于此,在准确确定了所述目标样本的细胞区域面积之后,还需确定准确的细胞数量。为了保证得到的样本细胞数量的准确性,本申请实施例基于预先获取的扫描图像训练集分析与细胞数量准确性密切相关的参数(即细胞数关联变量),并基于扫描图像训练集中各扫描图像样本对应的细胞数关联变量的值和细胞数量标签进行拟合得到细胞数量确定模型。基于所述细胞数量确定模型,在实际应用过程中,仅需获取各扫描图像对应的细胞数关联变量的值,即可基于各扫描图像对应的细胞数关联变量的值及该细胞数量确定模型,准确确定所述目标样本的细胞数量。更具体的,所述基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量,具体包括:
将各扫描图像对应的细胞数关联变量的值输入预先确定的细胞数量确定模型,得到各扫描图像对应的细胞数量;
基于各扫描图像对应的细胞数量,确定所述目标样本的细胞数量;
其中,所述细胞数量确定模型是基于预先获取的扫描图像训练集中各扫描图像样本对应的细胞数关联变量的值和细胞数量标签进行拟合得到的。
可以理解的是,所述目标样本的细胞数量即为各扫描图像对应的细胞数量之和。所述扫描图像训练集中的扫描图像样本可以在历史临床样本对应的扫描图像中任意选取,本申请实施例对扫描图像样本的数量和类型(即满细胞视野图像或非满细胞视野图像)不作具体限定。所述细胞数关联变量是对扫描图像训练集中各扫描图像样本对应的潜在关联变量与细胞数量标签进行相关性分析得到的,所述潜在关联变量包括参考细胞数、曝光参数、第一图像阈值、第二图像阈值、第三图像阈值、第四图像阈值、最佳分割阈值;
所述参考细胞数和曝光参数是显微镜在扫描过程中记录的;
所述第一图像阈值、第二图像阈值、第三图像阈值、第四图像阈值是基于扫描图像样本的像素点值峰度图确定的;
所述最佳分割阈值是基于预设的自适应阈值算法确定的。
为了保证最终得到的细胞数量的准确性,同时兼顾计算效率,本申请实施例预先基于经验确定潜在关联变量,并对扫描图像训练集中各扫描图像样本对应的潜在关联变量进行相关性分析以得到所述细胞数关联变量。
可以理解的是,在实际应用过程中,根据应用场景的差异,所述潜在关联变量也可以涵盖其它未提及的参数,上述潜在关联变量组合仅作为示例。还可以理解的是,显微镜在对样本进行扫描时可以记录相应的扫描参数(例如曝光参数、扫描位置等),还可以通过内置的算法进行扫描图像分析(例如细胞计数)。潜在关联变量中的参考细胞数即显微镜基于内置算法对扫描图像样本进行细胞计数得到并记录的,潜在关联变量中的曝光参数也是显微镜在扫描过程中记录的。所述曝光参数优选为曝光时间,单位为毫秒,由于曝光时间会影响阈值分割结果,进而影响细胞计数结果,因此将其作为潜在关联变量。值得注意的是,由于显微镜的内置算法通常逻辑较简单,通常采用固定的轮廓面积指标对阈值分割后的扫描图像进行细胞计数,具体的,对于轮廓面积大于所述轮廓面积指标的掩膜,则认定为一个单细胞,但该算法对于成团细胞也会认定为单细胞,导致细胞数量统计不准确,但该参考细胞数与实际细胞数存在关联,因此将其也作为潜在关联变量。
图5是本申请提供的扫描图像样本的像素点值峰度图,其中横坐标为信号强度(即像素值,范围为0-255),纵坐标为像素点数量。如图5所示,通过对扫描图像样本中不同像素值的像素点数量进行统计,可以将像素点根据大小分为背景和前景两类,相应的,根据背景和前景的峰谷情况即可确定第一图像阈值(即otsu1)、第二图像阈值(即otsu2)、第三图像阈值(即otsu3)、第四图像阈值(即otsu4),由于第一至第四图像阈值也会影响阈值分割结果,进而影响细胞计数结果,因此将其作为潜在关联变量。同时,基于预设的自适应阈值算法确定的最佳分割阈值也是影响阈值分割结果的关键参数,因此,将其也作为潜在关联变量。
可以理解的是,细胞数量标签即准确的细胞数量(也就是实际细胞数),为了保证细胞数量标签的准确性,本申请实施例采用机器算法结合人工校正的方式确定细胞数量标签,图6是本申请提供的细胞数量标签的确定流程示意图,如图6所示,对于任一目标扫描图像样本,所述目标扫描图像样本对应的细胞数量标签的确定步骤包括:
步骤S1,基于所述目标扫描图像样本中的像素值分布情况,确定所述目标扫描图像样本对应的目标分割阈值,并基于所述目标分割阈值对所述目标扫描图像样本进行分割,得到目标扫描分割图像;
步骤S2,基于所述目标扫描分割图像及当前轮廓面积阈值,确定所述目标扫描图像样本对应的当前细胞数量统计值;
步骤S3,基于人工复核反馈信号确定是否对轮廓面积阈值进行调整,若是,更新轮廓面积阈值,并跳转执行步骤S2;若否跳转执行步骤S4;
步骤S4,将所述目标扫描图像样本对应的当前细胞数量统计值作为所述目标扫描图像样本对应的细胞数量标签。
可以理解的是,所述目标分割阈值即前述otsu3,相应的,所述基于所述目标扫描图像样本中的像素值分布情况,确定所述目标扫描图像样本对应的目标分割阈值即通过所述目标扫描图像样本的像素点值峰度图确定otsu3。再基于otsu3对所述目标扫描图像样本进行分割得到目标扫描分割图像。为了保证对成团细胞中的细胞数量进行准确统计,本申请实施例基于所述目标扫描图像样本的曝光参数和otsu3的值确定初始轮廓面积阈值,并基于所述目标扫描分割图像及初始轮廓面积阈值进行细胞数量统计,同时,通过人工复核的方式确定当前细胞数量统计值是否正确,若否,调整轮廓面积阈值并再次进行统计,直至人工复核确定当前细胞数量统计值正确。通过步骤S2-S4的迭代过程,能够最大限度保证细胞数量标签的准确性。值得注意的是,所述轮廓面积阈值指单个细胞的轮廓面积,通过调整该阈值,能够对成团细胞中的细胞数量进行准确统计,进而保证细胞数量标签的准确性。
获得了准确的细胞数量标签之后,即可对扫描图像训练集中各扫描图像样本对应的潜在关联变量与细胞数量标签进行相关性分析。具体的,首先提取扫描图像训练集中各扫描图像样本对应的参考细胞数(Cell_number1)和细胞数量标签(Cell_number2)进行相关性分析,图7是本申请提供的参考细胞数和细胞数量标签的对比示意图,横坐标对应于不同扫描图像样本,纵坐标为Cell_number1和Cell_number2的数值大小;图8是本申请提供的相关性分析结果示意图之一,其对应于参考细胞数和细胞数量标签的相关性分析结果。结合图7-8可知,Cell_number1和Cell_number2具有强相关性,且随着Cell_number1逐渐增大,Cell_number1和Cell_number2的差距也逐渐增大。
再提取扫描图像训练集中各扫描图像样本对应的曝光参数(shutter-speed)、第一图像阈值(otsu1)、第二图像阈值(otsu2)、第三图像阈值(otsu3)、第四图像阈值(otsu4)和最佳分割阈值(OTSU阈值),并结合Cell_number1和Cell_number2进行相关性分析。图9是本申请提供的相关性分析结果示意图之二,其对应于潜在关联变量与细胞数量标签的相关性分析结果。结合图9可知,otsu2、otsu3和Cell_number1、Cell_number2相关性较高,说明细胞数量会影响扫描图像的分割阈值;otsu4和OTSU阈值的相关性较高,说明自适应阈值算法选取的阈值为图像前景峰值;曝光参数和Cell_number1、Cell_number2相关性较高,说明细胞数量会影响显微镜扫描时的曝光参数。
由此可见,otsu1、otsu2、otsu3、shutter-speed这四个潜在关联变量均与Cell_number1、Cell_number2有一定的相关性,因此,本申请实施例最终确定的细胞数关联变量包括参考细胞数、曝光参数、第一图像阈值、第二图像阈值和第三图像阈值。
确定了细胞数关联变量之后,即可基于扫描图像训练集中各扫描图像样本对应的细胞数关联变量的值和细胞数量标签进行拟合得到细胞数量确定模型。具体的,将Cell_number1、otsu1、otsu2、otsu3、shutter-speed作为变量X,Cell_number2作为变量Y,进行多元线性回归模型的拟合,拟合后得到的细胞数量确定模型的模型方程为:
y=-262.40+40.73*otsu1-5.97*otsu2-0.27*otsu3
+1.96*cell_1-0.05*sh-speed
可以理解的是,对于模型的具体拟合手段,除了多元线性回归之外,还可采用现有任意可行的模型拟合方法,例如多项式回归、逐步回归和岭回归等,本申请实施例在此不作具体限定。拟合完成后通过R方和RMSE(均方根误差)评价上述模型的优劣,模型的RMSE和R方结果如下:
RMSE R方
多元线性回归 6.43 0.97
综合以上指标,R方>0.9且回归效果相比真实值平均相差6.43。而各扫描图像样本对应的细胞数量在1000左右,因此6.43的误差相比于细胞数量的真实值可以忽略不计,因此可认为模型拟合效果较好,模型预测准确率高。
可以理解的是,根据扫描图像训练集中样本数量及样本类型的差异,上述拟合后得到的细胞数量确定模型的相关系数可能会有所不同,因此,上述拟合后得到的细胞数量确定模型的相关系数的值仅作为示例。基于以上方法得到的细胞数量确定模型能够准确确定目标样本的细胞数量,进而保证后续细胞密度的准确性。
本申请实施例提供的方法,包括:获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。本申请公开的方法能够准确确定目标样本的细胞区域面积和细胞数量,进而准确确定样本细胞密度,保证样本是否合格的判定结果的准确性。
下面对本申请提供的样本细胞密度的确定装置进行描述,下文描述的样本细胞密度的确定装置与上文描述的样本细胞密度的确定方法可相互对应参照。
基于上述任一实施例,图10为本申请提供的样本细胞密度的确定装置的结构示意图,如图10所示,该装置包括:
细胞区域面积确定模块210,用于获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;
细胞数量确定模块220,用于获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;
细胞密度确定模块230,用于基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。
本申请实施例提供的装置,包括:细胞区域面积确定模块210,用于获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;细胞数量确定模块220,用于获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;细胞密度确定模块230,用于基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。本申请公开的装置能够准确确定目标样本的细胞区域面积和细胞数量,进而准确确定样本细胞密度,保证样本是否合格的判定结果的准确性。
基于上述实施例,所述确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,具体包括:
基于自适应分割阈值分别对所述扫描图像集合中的各扫描图像进行二值化处理,得到对应的二值化扫描图像;
将各二值化扫描图像进行区域分割,得到各二值化扫描图像对应的子图像集合;
基于各二值化扫描图像对应的子图像集合中不同子图像的像素面积差值,确定对应扫描图像的类型;所述扫描图像的类型包括满细胞视野图像和非满细胞视野图像。
基于上述任一实施例,所述基于各二值化扫描图像对应的子图像集合中不同子图像的像素面积差值,确定对应扫描图像的类型,具体包括:
对于任一目标二值化扫描图像,确定所述目标二值化扫描图像对应的子图像集合中不同子图像两两之间的像素面积差值;
判断所述不同子图像两两之间的像素面积差值中是否存在高于预设阈值的目标像素面积差值,若是,则所述目标二值化扫描图像对应的目标扫描图像为非满细胞视野图像;若否,则所述目标扫描图像为满细胞视野图像。
基于上述任一实施例,所述基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积,具体包括:
对于满细胞视野图像,基于各满细胞视野图像的面积,确定所述目标样本的第一细胞区域面积;
对于非满细胞视野图像,基于各非满细胞视野图像与距离最近的满细胞视野图像的像素占比的比值,确定所述目标样本的第二细胞区域面积;
基于所述目标样本的第一细胞区域面积和第二细胞区域面积,确定所述目标样本的细胞区域面积。
基于上述任一实施例,所述基于各非满细胞视野图像与距离最近的满细胞视野图像的像素占比的比值,确定所述目标样本的第二细胞区域面积,具体包括:
对于任一目标非满细胞视野图像,确定与所述目标非满细胞视野图像距离最近的目标满细胞视野图像;
基于所述目标满细胞视野图像的面积及所述非满细胞视野图像与所述目标满细胞视野图像的像素占比的比值,确定所述目标非满细胞视野图像对应的细胞区域面积;
基于各非满细胞视野图像对应的细胞区域面积,确定所述目标样本的第二细胞区域面积。
基于上述任一实施例,所述基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量,具体包括:
将各扫描图像对应的细胞数关联变量的值输入预先确定的细胞数量确定模型,得到各扫描图像对应的细胞数量;
基于各扫描图像对应的细胞数量,确定所述目标样本的细胞数量;
其中,所述细胞数量确定模型是基于预先获取的扫描图像训练集中各扫描图像样本对应的细胞数关联变量的值和细胞数量标签进行拟合得到的。
基于上述任一实施例,所述细胞数关联变量是对扫描图像训练集中各扫描图像样本对应的潜在关联变量与细胞数量标签进行相关性分析得到的,所述潜在关联变量包括参考细胞数、曝光参数、第一图像阈值、第二图像阈值、第三图像阈值、第四图像阈值、最佳分割阈值;
所述参考细胞数和曝光参数是显微镜在扫描过程中记录的;
所述第一图像阈值、第二图像阈值、第三图像阈值、第四图像阈值是基于扫描图像样本的像素点值峰度图确定的;
所述最佳分割阈值是基于预设的自适应阈值算法确定的。
基于上述任一实施例,所述装置还包括细胞数量标签确定模块,所述细胞数量标签确定模块具体用于对任一目标扫描图像样本执行以下步骤:
步骤S1,基于所述目标扫描图像样本中的像素值分布情况,确定所述目标扫描图像样本对应的目标分割阈值,并基于所述目标分割阈值对所述目标扫描图像样本进行分割,得到目标扫描分割图像;
步骤S2,基于所述目标扫描分割图像及当前轮廓面积阈值,确定所述目标扫描图像样本对应的当前细胞数量统计值;
步骤S3,基于人工复核反馈信号确定是否对轮廓面积阈值进行调整,若是,更新轮廓面积阈值,并跳转执行步骤S2;若否跳转执行步骤S4;
步骤S4,将所述目标扫描图像样本对应的当前细胞数量统计值作为所述目标扫描图像样本对应的细胞数量标签。
基于上述任一实施例,所述细胞数关联变量包括参考细胞数、曝光参数、第一图像阈值、第二图像阈值和第三图像阈值。
图11示例了一种电子设备的实体结构示意图,如图11所示,该电子设备可以包括:处理器310、通信接口320、存储器330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行上述各方法提供的样本细胞密度的确定方法,该方法包括:获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的样本细胞密度的确定方法,该方法包括:获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。
又一方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的样本细胞密度的确定方法,该方法包括:获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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;而这些修改或者替换,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精神和范围。

Claims (9)

1.一种样本细胞密度的确定方法,其特征在于,包括:
获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;
获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;
基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度;
所述基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量,具体包括:
将各扫描图像对应的细胞数关联变量的值输入预先确定的细胞数量确定模型,得到各扫描图像对应的细胞数量;
基于各扫描图像对应的细胞数量,确定所述目标样本的细胞数量;
其中,所述细胞数量确定模型是基于预先获取的扫描图像训练集中各扫描图像样本对应的细胞数关联变量的值和细胞数量标签进行拟合得到的。
2.根据权利要求1所述的样本细胞密度的确定方法,其特征在于,所述确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,具体包括:
基于自适应分割阈值分别对所述扫描图像集合中的各扫描图像进行二值化处理,得到对应的二值化扫描图像;
将各二值化扫描图像进行区域分割,得到各二值化扫描图像对应的子图像集合;
基于各二值化扫描图像对应的子图像集合中不同子图像的像素面积差值,确定对应扫描图像的类型;所述扫描图像的类型包括满细胞视野图像和非满细胞视野图像。
3.根据权利要求2所述的样本细胞密度的确定方法,其特征在于,所述基于各二值化扫描图像对应的子图像集合中不同子图像的像素面积差值,确定对应扫描图像的类型,具体包括:
对于任一目标二值化扫描图像,确定所述目标二值化扫描图像对应的子图像集合中不同子图像两两之间的像素面积差值;
判断所述不同子图像两两之间的像素面积差值中是否存在高于预设阈值的目标像素面积差值,若是,则所述目标二值化扫描图像对应的目标扫描图像为非满细胞视野图像;若否,则所述目标扫描图像为满细胞视野图像。
4.根据权利要求3所述的样本细胞密度的确定方法,其特征在于,所述基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积,具体包括:
对于满细胞视野图像,基于各满细胞视野图像的面积,确定所述目标样本的第一细胞区域面积;
对于非满细胞视野图像,基于各非满细胞视野图像与距离最近的满细胞视野图像的像素占比的比值,确定所述目标样本的第二细胞区域面积;
基于所述目标样本的第一细胞区域面积和第二细胞区域面积,确定所述目标样本的细胞区域面积。
5.根据权利要求4所述的样本细胞密度的确定方法,其特征在于,所述基于各非满细胞视野图像与距离最近的满细胞视野图像的像素占比的比值,确定所述目标样本的第二细胞区域面积,具体包括:
对于任一目标非满细胞视野图像,确定与所述目标非满细胞视野图像距离最近的目标满细胞视野图像;
基于所述目标满细胞视野图像的面积及所述非满细胞视野图像与所述目标满细胞视野图像的像素占比的比值,确定所述目标非满细胞视野图像对应的细胞区域面积;
基于各非满细胞视野图像对应的细胞区域面积,确定所述目标样本的第二细胞区域面积。
6.根据权利要求1所述的样本细胞密度的确定方法,其特征在于,所述细胞数关联变量是对扫描图像训练集中各扫描图像样本对应的潜在关联变量与细胞数量标签进行相关性分析得到的,所述潜在关联变量包括参考细胞数、曝光参数、第一图像阈值、第二图像阈值、第三图像阈值、第四图像阈值、最佳分割阈值;
所述参考细胞数和曝光参数是显微镜在扫描过程中记录的;
所述第一图像阈值、第二图像阈值、第三图像阈值、第四图像阈值是基于扫描图像样本的像素点值峰度图确定的;
所述最佳分割阈值是基于预设的自适应阈值算法确定的。
7.根据权利要求6所述的样本细胞密度的确定方法,其特征在于,对于任一目标扫描图像样本,所述目标扫描图像样本对应的细胞数量标签的确定步骤包括:
步骤S1,基于所述目标扫描图像样本中的像素值分布情况,确定所述目标扫描图像样本对应的目标分割阈值,并基于所述目标分割阈值对所述目标扫描图像样本进行分割,得到目标扫描分割图像;
步骤S2,基于所述目标扫描分割图像及当前轮廓面积阈值,确定所述目标扫描图像样本对应的当前细胞数量统计值;
步骤S3,基于人工复核反馈信号确定是否对轮廓面积阈值进行调整,若是,更新轮廓面积阈值,并跳转执行步骤S2;若否跳转执行步骤S4;
步骤S4,将所述目标扫描图像样本对应的当前细胞数量统计值作为所述目标扫描图像样本对应的细胞数量标签。
8.根据权利要求7所述的样本细胞密度的确定方法,其特征在于,所述细胞数关联变量包括参考细胞数、曝光参数、第一图像阈值、第二图像阈值和第三图像阈值。
9.一种样本细胞密度的确定装置,其特征在于,包括:
细胞区域面积确定模块,用于获取目标样本对应的扫描图像集合,确定所述扫描图像集合中的满细胞视野图像和非满细胞视野图像,并基于所述满细胞视野图像和非满细胞视野图像确定所述目标样本的细胞区域面积;所述扫描图像集合是对所述目标样本进行逐视野扫描得到的;
细胞数量确定模块,用于获取各扫描图像对应的细胞数关联变量的值,基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量;
细胞密度确定模块,用于基于所述目标样本的细胞区域面积和细胞数量,确定所述目标样本的细胞密度;
所述基于各扫描图像对应的细胞数关联变量的值及预先确定的细胞数量确定模型,确定所述目标样本的细胞数量,具体包括:
将各扫描图像对应的细胞数关联变量的值输入预先确定的细胞数量确定模型,得到各扫描图像对应的细胞数量;
基于各扫描图像对应的细胞数量,确定所述目标样本的细胞数量;
其中,所述细胞数量确定模型是基于预先获取的扫描图像训练集中各扫描图像样本对应的细胞数关联变量的值和细胞数量标签进行拟合得到的。
CN202311176463.9A 2023-09-12 2023-09-12 样本细胞密度的确定方法和装置 Active CN117218139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311176463.9A CN117218139B (zh) 2023-09-12 2023-09-12 样本细胞密度的确定方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311176463.9A CN117218139B (zh) 2023-09-12 2023-09-12 样本细胞密度的确定方法和装置

Publications (2)

Publication Number Publication Date
CN117218139A CN117218139A (zh) 2023-12-12
CN117218139B true CN117218139B (zh) 2024-05-24

Family

ID=89049010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311176463.9A Active CN117218139B (zh) 2023-09-12 2023-09-12 样本细胞密度的确定方法和装置

Country Status (1)

Country Link
CN (1) CN117218139B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101939649A (zh) * 2008-01-07 2011-01-05 卢米耐克斯公司 从复杂样品基质中对细胞进行分离和计数
CN103013823A (zh) * 2012-12-26 2013-04-03 中国人民解放军第三军医大学第三附属医院 多功能组织细胞体视学定量分析玻片系统
CN106659376A (zh) * 2014-09-22 2017-05-10 卡尔蔡司股份公司 用于确定眼睛折射的方法和装置
CN110378313A (zh) * 2019-07-26 2019-10-25 玖壹叁陆零医学科技南京有限公司 细胞团识别方法、装置及电子设备
CN110706206A (zh) * 2019-09-11 2020-01-17 深圳先进技术研究院 荧光细胞计数方法、装置、终端设备及存储介质
WO2020039461A1 (en) * 2018-08-24 2020-02-27 Yadav Umesh C S A method for prevention of edothelial dysfunction
CN110853022A (zh) * 2019-11-14 2020-02-28 腾讯科技(深圳)有限公司 病理切片图像的处理方法、装置、系统及存储介质
CN111640098A (zh) * 2020-05-29 2020-09-08 合肥美石生物科技有限公司 一种病理图像的分析方法及系统
CN112765563A (zh) * 2020-10-24 2021-05-07 昆明医科大学 基于视网膜神经节细胞估算值评估青光眼进展的方法
US11027143B2 (en) * 2020-02-06 2021-06-08 Vivek K. Sharma System and methods for treating cancer cells with alternating polarity magnetic fields
EP3861556A1 (en) * 2018-10-01 2021-08-11 Ventana Medical Systems, Inc. Methods and systems for predicting response to pd-1 axis directed therapeutics
CN113781457A (zh) * 2021-09-16 2021-12-10 志诺维思(北京)基因科技有限公司 基于病理图像的细胞探测方法、装置、设备及存储介质
CN114005112A (zh) * 2021-10-08 2022-02-01 深圳太力生物技术有限责任公司 细胞位置标定方法、装置、计算机设备和存储介质
CN114600172A (zh) * 2019-08-30 2022-06-07 朱诺治疗学股份有限公司 用于将细胞分类的机器学习方法
CN114813522A (zh) * 2022-06-29 2022-07-29 深圳安侣医学科技有限公司 基于显微放大数字图像的血液细胞分析方法及系统
CN114998332A (zh) * 2022-08-02 2022-09-02 珠海横琴圣澳云智科技有限公司 核型异常细胞的确定方法和装置
CN115201092A (zh) * 2022-09-08 2022-10-18 珠海圣美生物诊断技术有限公司 细胞扫描图像的获取方法和装置
CN115588192A (zh) * 2022-10-10 2023-01-10 南方科技大学 细胞图像分类方法和图像分类系统、电子设备及存储介质
CN116385374A (zh) * 2023-03-16 2023-07-04 中国科学院青岛生物能源与过程研究所 基于卷积神经网络的细胞计数方法
CN116385443A (zh) * 2023-06-06 2023-07-04 珠海横琴圣澳云智科技有限公司 基于图像的样本质量确定方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150104436A1 (en) * 2013-10-13 2015-04-16 Chang Gung Medical Foundation, Linkou Branch Application and pharmaceutical composition of preactivated and disaggregated shape-changed platelets

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101939649A (zh) * 2008-01-07 2011-01-05 卢米耐克斯公司 从复杂样品基质中对细胞进行分离和计数
CN103013823A (zh) * 2012-12-26 2013-04-03 中国人民解放军第三军医大学第三附属医院 多功能组织细胞体视学定量分析玻片系统
CN106659376A (zh) * 2014-09-22 2017-05-10 卡尔蔡司股份公司 用于确定眼睛折射的方法和装置
WO2020039461A1 (en) * 2018-08-24 2020-02-27 Yadav Umesh C S A method for prevention of edothelial dysfunction
EP3861556A1 (en) * 2018-10-01 2021-08-11 Ventana Medical Systems, Inc. Methods and systems for predicting response to pd-1 axis directed therapeutics
CN110378313A (zh) * 2019-07-26 2019-10-25 玖壹叁陆零医学科技南京有限公司 细胞团识别方法、装置及电子设备
CN114600172A (zh) * 2019-08-30 2022-06-07 朱诺治疗学股份有限公司 用于将细胞分类的机器学习方法
CN110706206A (zh) * 2019-09-11 2020-01-17 深圳先进技术研究院 荧光细胞计数方法、装置、终端设备及存储介质
CN110853022A (zh) * 2019-11-14 2020-02-28 腾讯科技(深圳)有限公司 病理切片图像的处理方法、装置、系统及存储介质
US11027143B2 (en) * 2020-02-06 2021-06-08 Vivek K. Sharma System and methods for treating cancer cells with alternating polarity magnetic fields
CN111640098A (zh) * 2020-05-29 2020-09-08 合肥美石生物科技有限公司 一种病理图像的分析方法及系统
CN112765563A (zh) * 2020-10-24 2021-05-07 昆明医科大学 基于视网膜神经节细胞估算值评估青光眼进展的方法
CN113781457A (zh) * 2021-09-16 2021-12-10 志诺维思(北京)基因科技有限公司 基于病理图像的细胞探测方法、装置、设备及存储介质
CN114005112A (zh) * 2021-10-08 2022-02-01 深圳太力生物技术有限责任公司 细胞位置标定方法、装置、计算机设备和存储介质
CN114813522A (zh) * 2022-06-29 2022-07-29 深圳安侣医学科技有限公司 基于显微放大数字图像的血液细胞分析方法及系统
CN114998332A (zh) * 2022-08-02 2022-09-02 珠海横琴圣澳云智科技有限公司 核型异常细胞的确定方法和装置
CN115201092A (zh) * 2022-09-08 2022-10-18 珠海圣美生物诊断技术有限公司 细胞扫描图像的获取方法和装置
CN115588192A (zh) * 2022-10-10 2023-01-10 南方科技大学 细胞图像分类方法和图像分类系统、电子设备及存储介质
CN116385374A (zh) * 2023-03-16 2023-07-04 中国科学院青岛生物能源与过程研究所 基于卷积神经网络的细胞计数方法
CN116385443A (zh) * 2023-06-06 2023-07-04 珠海横琴圣澳云智科技有限公司 基于图像的样本质量确定方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吸入骨髓间充质干细胞来源外泌体减轻慢性阻塞性肺疾病的炎性损伤;王敏等;《中国组织工程研究》;20220615;第827-834页 *
王敏等.吸入骨髓间充质干细胞来源外泌体减轻慢性阻塞性肺疾病的炎性损伤.《中国组织工程研究》.2022,第827-834页. *

Also Published As

Publication number Publication date
CN117218139A (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
US7460732B2 (en) Method and system for object recognition using fractal maps
CN114463609B (zh) 细胞显微图像中荧光杂点的确定方法和装置
CN110853005A (zh) 一种免疫组化膜染色切片诊断方法及装置
CN115201092B (zh) 细胞扫描图像的获取方法和装置
CN112819821B (zh) 一种细胞核图像检测方法
CN114240978B (zh) 基于自适应形态学的细胞边缘分割方法和装置
CN114581723A (zh) 缺陷分类方法、装置、存储介质、设备及计算机程序产品
CN116740728B (zh) 一种用于晶圆读码器动态获取方法和系统
CN112927247A (zh) 基于目标检测的切图方法、切图装置和存储介质
WO2004075108A2 (en) Method and system for image segmentation
CN115035518A (zh) 细胞核图像中荧光染色信号点的识别方法和装置
CN117635615B (zh) 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN111161212A (zh) 数字病理切片有丝核分裂象统计方法、装置、设备和介质
CN109377475B (zh) 24色卡视频关键帧自动定位与色差时序变化分析方法
CN117218139B (zh) 样本细胞密度的确定方法和装置
CN115165710B (zh) 细胞的快速扫描方法和装置
CN116385443B (zh) 基于图像的样本质量确定方法和装置
CN117541841A (zh) 一种曲线形态识别的通用基础模型构建方法
CN115984178A (zh) 伪造图像检测方法、电子设备和计算机可读存储介质
CN115880233A (zh) 细胞病理图像评价方法及装置
CN117570852B (zh) 极耳顶点坐标检测方法、装置及设备
Chen et al. Automated fry counting method based on image processing
CN118095971B (zh) 一种ad钙奶饮料加工工艺评估方法、系统及介质
CN118608914A (zh) 一种病理图像上三级淋巴结构的识别方法、装置、计算机设备及可读存储介质

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