CN117422633A - 样本视野图像的处理方法和装置 - Google Patents
样本视野图像的处理方法和装置 Download PDFInfo
- Publication number
- CN117422633A CN117422633A CN202311525656.0A CN202311525656A CN117422633A CN 117422633 A CN117422633 A CN 117422633A CN 202311525656 A CN202311525656 A CN 202311525656A CN 117422633 A CN117422633 A CN 117422633A
- Authority
- CN
- China
- Prior art keywords
- cell
- sample
- cells
- image
- view
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 68
- 238000003672 processing method Methods 0.000 title description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000010219 correlation analysis Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 description 102
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 7
- 238000004220 aggregation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 3
- 230000002380 cytological effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供一种样本视野图像的处理方法和装置,其中方法包括:对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像,能够降低细胞图像对内存资源的占用,并提高细胞图像传输和AI分析的效率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种样本视野图像的处理方法和装置。
背景技术
在细胞学检测领域,在对实验的细胞进行处理的过程中需要对显微系统获取的细胞图像进行传输和AI(Artificial Intelligence,人工智能)分析。
现有的细胞学检测方法均是对显微系统获取的原始细胞图像直接进行传输和AI分析。但由于原始细胞图像的数据量大、数量多,在传输的过程中需耗费大量的内存资源和时间。同时,原始细胞图像中细胞的聚集程度不一,当细胞聚集程度过高或过低时,均会导致AI分析的效率降低。
发明内容
本申请提供一种样本视野图像的处理方法和装置,以用于降低细胞图像对内存资源的占用,并提高细胞图像传输和AI分析的效率。
本申请提供一种样本视野图像的处理方法,包括:
对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;
基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像。
根据本申请提供的一种样本视野图像的处理方法,所述对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像,具体包括:
对样本对应的多个视野图像进行拼接,得到样本对应的全视野图像;
对样本对应的全视野图像进行二值化处理,得到二值化全视野图像;
基于所述二值化全视野图像确定样本对应的多个细胞轮廓及各细胞轮廓的外接矩阵;
基于各细胞轮廓的面积确定目标细胞轮廓,并基于目标细胞轮廓的外接矩阵对二值化全视野图像进行截取,得到样本对应的多个目标细胞子图像。
根据本申请提供的一种样本视野图像的处理方法,所述基于所述二值化全视野图像确定样本对应的多个细胞轮廓及各细胞轮廓的外接矩阵,具体包括:
基于预设的轮廓检测算法对所述二值化全视野图像进行处理,得到样本对应的多个细胞轮廓;
以所述二值化全视野图像的左下角为原点建立平面直角坐标系,基于所述平面直角坐标系确定各细胞轮廓的四条外切线,并基于四条外切线的交点确定细胞轮廓的外接矩阵。
根据本申请提供的一种样本视野图像的处理方法,所述基于各细胞轮廓的面积确定目标细胞轮廓,具体包括:
将各细胞轮廓的面积与预设的单细胞轮廓面积阈值进行对比,确定面积不小于单细胞轮廓面积阈值的目标细胞轮廓。
根据本申请提供的一种样本视野图像的处理方法,所述方法还包括:
基于多个视野图像样本对应的AI分析时间及细胞特征变量集合进行相关性分析,并基于相关性分析结果确定AI分析效率关联变量;
其中,细胞特征变量集合中包括细胞密度、单细胞数量、两个成团细胞数量、三个成团细胞数量、四个成团细胞数量、五个成团细胞数量、六个成团细胞数量和七个成团细胞数量、八个及以上成团细胞数量。
根据本申请提供的一种样本视野图像的处理方法,所述基于多个视野图像样本对应的AI分析时间及细胞特征变量集合进行相关性分析,并基于相关性分析结果确定AI分析效率关联变量,具体包括:
基于多个视野图像样本对应的AI分析时间及细胞特征变量集合,将AI分析时间与细胞特征变量集合中的各细胞特征变量分别进行相关性分析,得到各细胞特征变量与AI分析时间的相关系数;
基于各细胞特征变量与AI分析时间的相关系数,确定AI分析效率关联变量。
根据本申请提供的一种样本视野图像的处理方法,所述AI分析效率关联变量包括细胞密度、两个成团细胞数量、三个成团细胞数量、四个成团细胞数量、五个成团细胞数量、六个成团细胞数量和七个成团细胞数量。
根据本申请提供的一种样本视野图像的处理方法,所述AI分析效率关联变量的最优值是基于多元回归方法对AI分析时间及AI分析效率关联变量进行分析建模,并基于模型的目标函数和约束条件进行迭代得到的。
根据本申请提供的一种样本视野图像的处理方法,所述基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像,具体包括:
基于细胞密度的最优值确定单个视野的最优细胞数,并创建空白视野图像;
对于任一视野图像,基于视野图像对应的细胞总数、单细胞数量和成团细胞数量,单个视野的最优细胞数及AI分析效率关联变量的相关系数排序,确定各空白视野图像对应的细胞子图像集合,并将细胞子图像集合中的各细胞子图像均匀排列于对应的空白视野图像中,以得到优化后的目标样本视野图像。
本申请还提供一种样本视野图像的处理装置,包括:
细胞子图像生成模块,用于对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;
目标样本视野图像生成模块,用于基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像。
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视野图像的处理方法的步骤。
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视野图像的处理方法的步骤。
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视野图像的处理方法的步骤。
本申请提供的样本视野图像的处理方法和装置,包括:对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像,能够降低细胞图像对内存资源的占用,并提高细胞图像传输和AI分析的效率。
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视野图像的处理方法的流程示意图;
图2是本申请提供的二值化后的视野图像示意图;
图3是本申请提供的细胞子图像示意图;
图4是本申请提供的空白视野图像示意图;
图5是本申请提供的目标样本视野图像示意图;
图6是本申请提供的样本视野图像的处理装置的结构示意图;
图7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视野图像的处理方法的流程示意图,如图1所示,该方法包括:
步骤110,对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的。
具体的,所述样本可以为任意组织或细胞样本,本申请实施例对此不作具体限定。基于前述内容可知,现有的细胞学检测方法均是对显微系统获取的原始细胞图像(即样本对应的多个视野图像)直接进行传输和AI分析。但由于原始细胞图像的数据量大、数量多,在传输的过程中需耗费大量的内存资源和时间。同时,原始细胞图像中细胞的聚集程度不一,当细胞聚集程度过高或过低时,均会导致AI分析的效率降低。针对该问题,本申请实施例在获取原始细胞图像(即样本对应的多个视野图像)之后,会对样本对应的多个视野图像进行预处理以得到样本对应的多个细胞子图像。
更具体的,所述对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像,具体包括:
对样本对应的多个视野图像进行拼接,得到样本对应的全视野图像;
对样本对应的全视野图像进行二值化处理,得到二值化全视野图像;
基于所述二值化全视野图像确定样本对应的多个细胞轮廓及各细胞轮廓的外接矩阵;
基于各细胞轮廓的面积确定目标细胞轮廓,并基于目标细胞轮廓的外接矩阵对二值化全视野图像进行截取,得到样本对应的多个目标细胞子图像。
可以理解的是,由于显微镜的视野大小有限,无法捕获样本的完整图像,因此通常利用显微镜对样本进行逐视野扫描得到多个视野图像,再按扫描顺序对样本对应的多个视野图像进行拼接以得到样本对应的全视野图像(即包含样本全貌的图像)。在此基础上,再对样本对应的全视野图像进行二值化处理,即可得到二值化全视野图像。对于二值化处理对应的分割阈值,可以采用现有的任意分割阈值分析算法确定,本申请实施例对此不作具体限定。还可以理解的是,虽然由多个视野图像进行拼接得到了样本对应的全视野图像,但对于全视野图像中的任一视野图像,其位置信息均是已知的,因此,后续可以对多个视野并行处理。本申请实施例通过将视野图像中的细胞进行截取和重新排列的方式最大限度缩小细胞之间的间距,进而降低细胞图像对内存资源的占用,同时提高细胞图像传输效率。具体的,所述基于所述二值化全视野图像确定样本对应的多个细胞轮廓及各细胞轮廓的外接矩阵,具体包括:
基于预设的轮廓检测算法对所述二值化全视野图像进行处理,得到样本对应的多个细胞轮廓;
以所述二值化全视野图像的左下角为原点建立平面直角坐标系,基于所述平面直角坐标系确定各细胞轮廓的四条外切线,并基于四条外切线的交点确定细胞轮廓的外接矩阵。
可以理解的是,所述轮廓检测算法可以采用现有的任意轮廓检测算法,本申请实施例对此不作具体限定。以所述二值化全视野图像的左下角为原点建立平面直角坐标系,那么在二值化全视野图像中的任意一点的绝对位置均可被一组数(a,b)表示出来。新建一条平行于直角坐标系x轴的直线,与细胞轮廓相交并且细胞轮廓的内部在直线下侧,那么这条直线是该细胞轮廓的上切线,同理可得到该轮廓的下切线、左切线和右切线,四条外切线相交之后形成的矩阵即为细胞轮廓的外接矩阵。假设该外接矩阵左上角的顶点坐标为(x,y),矩阵宽为w,高为h,则该矩阵左下角的顶点坐标为(x,y-h),右上角的顶点坐标为(x+w,y),右下角的顶点坐标为(x+w,y-h)。因此,二值化全视野图像中任意细胞轮廓的外接矩阵的四顶点均可用坐标数表示出来,根据此坐标,即可对细胞轮廓进行筛选、切割、拼接等操作。
确定了样本对应的多个细胞轮廓及各细胞轮廓的外接矩阵之后,本申请实施例即可基于各细胞轮廓的面积确定目标细胞轮廓,并基于目标细胞轮廓的外接矩阵对二值化全视野图像进行截取,得到样本对应的多个目标细胞子图像。
可以理解的是,如果某一细胞,若存在缺失(即不完整)将影响后续的分析结果,对于该类细胞(即非目标细胞)需要进行排除以避免对后续分析结果产生影响,同时也能进一步缩小细胞图像的数据量。本申请实施例通过研究发现,细胞轮廓的面积能够直观反映细胞是否缺失。基于此,本申请实施例通过预先确定的单细胞轮廓面积阈值进行缺失细胞筛选,具体的,所述基于各细胞轮廓的面积确定目标细胞轮廓,具体包括:
将各细胞轮廓的面积与预设的单细胞轮廓面积阈值进行对比,确定面积不小于单细胞轮廓面积阈值的目标细胞轮廓。
本申请实施例的单细胞轮廓面积阈值优选为500(即500个像素面积),当然,所述单细胞轮廓面积阈值可能由于研究样本的不同发生变化,本申请实施例对此不作具体限定。确定了目标细胞轮廓之后,即可基于目标细胞轮廓的外接矩阵对二值化全视野图像进行截取,得到样本对应的多个目标细胞子图像。
步骤120,基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像。
具体的,AI分析是针对细胞的一系列处理分析,主要包括分割细胞、识别细胞信号点和对细胞进行分类处理,AI分析的速度和准确率均与图像中细胞的聚集程度相关,细胞聚集程度过高或过低都会对AI的分析产生负面影响,因此在对二值化全视野图像进行截取后,本申请实施例进一步对细胞子图像重排拼接,以改变样本视野图像上细胞的聚集程度,以在降低细胞图像对内存资源的占用的基础上提升AI分析的速度和准确率。在此基础上,本申请实施例需要预先确定AI分析效率的关联变量,以便对AI分析效率关联变量进行控制,进而最大限度提升AI分析效率。相应的,所述方法还包括:
基于多个视野图像样本对应的AI分析时间及细胞特征变量集合进行相关性分析,并基于相关性分析结果确定AI分析效率关联变量;
其中,细胞特征变量集合中包括细胞密度、单细胞数量、两个成团细胞(即两个细胞构成的成团细胞)数量、三个成团细胞(即三个细胞构成的成团细胞)数量、四个成团细胞(即四个细胞构成的成团细胞)数量、五个成团细胞(即五个细胞构成的成团细胞)数量、六个成团细胞(即六个细胞构成的成团细胞)数量、七个成团细胞(即七个细胞构成的成团细胞)数量、八个及以上成团细胞(即八个及以上的细胞构成的成团细胞)数量。
可以理解的是,所述细胞特征变量集合中的细胞特征变量是本申请通过研究确定的AI分析效率潜在关联变量。为了保证最终得到的AI分析效率关联变量的准确性,本申请实施例基于多个视野图像样本对应的AI分析时间及细胞特征变量集合进行相关性分析,并基于相关性分析结果确定AI分析效率关联变量(即对AI分析效率影响较大的变量)。所述基于多个视野图像样本对应的AI分析时间及细胞特征变量集合进行相关性分析,并基于相关性分析结果确定AI分析效率关联变量,具体包括:
基于多个视野图像样本对应的AI分析时间及细胞特征变量集合,将AI分析时间与细胞特征变量集合中的各细胞特征变量分别进行相关性分析,得到各细胞特征变量与AI分析时间的相关系数;
基于各细胞特征变量与AI分析时间的相关系数,确定AI分析效率关联变量。
如表1所示为各细胞特征变量与AI分析时间的相关系数。得到各细胞特征变量与AI分析时间的相关系数之后,即可基于相关性从高到低排序,并连接得到相关性曲线,对相关性曲线进行求导得到拐点(即为相关性分界点),本申请实施例确定的相关性分界点为0.4,在此基础上,将相关系数大于相关性分界点(即0.4)的细胞特征变量作为AI分析效率关联变量,能够最大限度保证AI分析效率关联变量与AI分析效率的关联性。如表1所示,最终得到的AI分析效率关联变量包括细胞密度、两个成团细胞数量、三个成团细胞数量、四个成团细胞数量、五个成团细胞数量、六个成团细胞数量和七个成团细胞数量。
表1细胞特征变量与AI分析时间的相关系数表
确定了AI分析效率关联变量,本申请实施例即可进一步确定AI分析效率最高(即AI分析时间最短)时,各AI分析效率关联变量的值(即AI分析效率关联变量的最优值)。具体的,所述AI分析效率关联变量的最优值是基于多元回归方法对AI分析时间及AI分析效率关联变量进行分析建模,并基于模型的目标函数和约束条件进行迭代得到的。
更具体的,本申请实施例基于多元回归方法(比如主成分回归、岭回归、逐步回归等)对AI分析时间及AI分析效率关联变量进行分析建模,得到以下公式:
其中,F(Y)为目标函数,为AI分析时间与各AI分析效率关联变量的模型公式;g(Y)为约束条件,为各AI分析效率关联变量的取值范围。根据上述目标函数和约束条件,可运用梯度下降法和牛顿法等迭代方法求解决策变量Y(即AI分析效率关联变量的最优值)。
在上述基础上,所述基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像,具体包括:
基于细胞密度的最优值确定单个视野的最优细胞数,并创建空白视野图像;
对于任一视野图像,基于视野图像对应的细胞总数、单细胞数量和成团细胞数量,单个视野的最优细胞数及AI分析效率关联变量的相关系数排序,确定各空白视野图像对应的细胞子图像集合,并将细胞子图像集合中的各细胞子图像均匀排列于对应的空白视野图像中,以得到优化后的目标样本视野图像。
基于前述内容可以理解的是,AI分析效率关联变量的最优值包括细胞密度、两个成团细胞数量、三个成团细胞数量、四个成团细胞数量、五个成团细胞数量、六个成团细胞数量和七个成团细胞数量分别对应的最优值。本申请实施例可基于细胞密度的最优值和单个视野的面积确定单个视野的最优细胞数,在此基础上,对于任一视野图像,基于视野图像对应的细胞总数、单细胞数量和成团细胞数量,单个视野的最优细胞数及AI分析效率关联变量的相关系数排序,确定各空白视野图像对应的细胞子图像集合,并将细胞子图像集合中的各细胞子图像均匀排列于对应的空白视野图像中,即可得到优化后的目标样本视野图像。
更具体的,当视野图像对应的细胞总数大于单个视野的最优细胞数的情况下,基于AI分析效率关联变量的相关系数排序,按照由高到低的顺序依次满足成团细胞数量的最优值要求(结合表1可知,即按照五个成团细胞数量、四个成团细胞数量、六个成团细胞数量、三个成团细胞数量、七个成团细胞数量、两个成团细胞数量的顺序)直至视野图像对应的细胞总数等于单个视野的最优细胞数,若五个成团细胞数量、四个成团细胞数量、六个成团细胞数量、三个成团细胞数量、七个成团细胞数量和两个成团细胞数量均满足最优值要求后视野图像对应的细胞总数仍小于单个视野的最优细胞数,则进一步补充单细胞或八个及以上成团细胞,直至视野图像对应的细胞总数等于单个视野的最优细胞数。基于此,即可确定各空白视野图像对应的细胞子图像集合。相反,当视野图像对应的细胞总数不大于单个视野的最优细胞数的情况下,亦基于上述逻辑补充其它视野图像对应的细胞,以使视野图像的AI分析效率关联变量尽可能匹配最优值,进而最大限度提高AI分析效率。
确定各空白视野图像对应的细胞子图像集合之后,即可将细胞子图像集合中的各细胞子图像均匀排列于对应的空白视野图像中,进而得到优化后的目标样本视野图像。可以理解的是,均匀排列指各细胞子图像之间间隔一定距离排布,对于具体间隔可根据实际情况进行调整,本申请实施例对此不作具体限定。
图2是本申请提供的二值化后的视野图像示意图;图3是本申请提供的细胞子图像示意图;图4是本申请提供的空白视野图像示意图;图5是本申请提供的目标样本视野图像示意图。如图2-5所示,二值化后的视野图像细胞无规则随意排布,细胞与细胞之间空间较大,造成图像数据量过大,不仅占用内存资源且会导致细胞图像传输效率降低,同时,该排布方式也会对AI分析的效率产生负面影响,通过本申请实施例的方法得到的目标样本视野图像中细胞均匀排布且细胞密度和不同类型细胞的数量均满足AI分析效率最大化的需求。基于此,本申请实施例能够在降低细胞图像对内存资源的占用的基础上提高细胞图像传输和AI分析的效率。
本申请实施例提供的方法,包括:对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像,能够降低细胞图像对内存资源的占用,并提高细胞图像传输和AI分析的效率。
下面对本申请提供的样本视野图像的处理装置进行描述,下文描述的样本视野图像的处理装置与上文描述的样本视野图像的处理方法可相互对应参照。
基于上述任一实施例,图6为本申请提供的样本视野图像的处理装置的结构示意图,如图6所示,该装置包括:
细胞子图像生成模块210,用于对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的。
目标样本视野图像生成模块220,用于基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像。
本申请实施例提供的装置,包括:细胞子图像生成模块210,用于对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;目标样本视野图像生成模块220,用于基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像,能够降低细胞图像对内存资源的占用,并提高细胞图像传输和AI分析的效率。
基于上述实施例,所述对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像,具体包括:
对样本对应的多个视野图像进行拼接,得到样本对应的全视野图像;
对样本对应的全视野图像进行二值化处理,得到二值化全视野图像;
基于所述二值化全视野图像确定样本对应的多个细胞轮廓及各细胞轮廓的外接矩阵;
基于各细胞轮廓的面积确定目标细胞轮廓,并基于目标细胞轮廓的外接矩阵对二值化全视野图像进行截取,得到样本对应的多个目标细胞子图像。
基于上述任一实施例,所述基于所述二值化全视野图像确定样本对应的多个细胞轮廓及各细胞轮廓的外接矩阵,具体包括:
基于预设的轮廓检测算法对所述二值化全视野图像进行处理,得到样本对应的多个细胞轮廓;
以所述二值化全视野图像的左下角为原点建立平面直角坐标系,基于所述平面直角坐标系确定各细胞轮廓的四条外切线,并基于四条外切线的交点确定细胞轮廓的外接矩阵。
基于上述任一实施例,所述基于各细胞轮廓的面积确定目标细胞轮廓,具体包括:
将各细胞轮廓的面积与预设的单细胞轮廓面积阈值进行对比,确定面积不小于单细胞轮廓面积阈值的目标细胞轮廓。
基于上述任一实施例,所述装置还包括AI分析效率关联变量确定模块,所述AI分析效率关联变量确定模块具体用于执行以下操作:
基于多个视野图像样本对应的AI分析时间及细胞特征变量集合进行相关性分析,并基于相关性分析结果确定AI分析效率关联变量;
其中,细胞特征变量集合中包括细胞密度、单细胞数量、两个成团细胞数量、三个成团细胞数量、四个成团细胞数量、五个成团细胞数量、六个成团细胞数量和七个成团细胞数量、八个及以上成团细胞数量。
基于上述任一实施例,所述基于多个视野图像样本对应的AI分析时间及细胞特征变量集合进行相关性分析,并基于相关性分析结果确定AI分析效率关联变量,具体包括:
基于多个视野图像样本对应的AI分析时间及细胞特征变量集合,将AI分析时间与细胞特征变量集合中的各细胞特征变量分别进行相关性分析,得到各细胞特征变量与AI分析时间的相关系数;
基于各细胞特征变量与AI分析时间的相关系数,确定AI分析效率关联变量。
基于上述任一实施例,所述AI分析效率关联变量包括细胞密度、两个成团细胞数量、三个成团细胞数量、四个成团细胞数量、五个成团细胞数量、六个成团细胞数量和七个成团细胞数量。
基于上述任一实施例,所述AI分析效率关联变量的最优值是基于多元回归方法对AI分析时间及AI分析效率关联变量进行分析建模,并基于模型的目标函数和约束条件进行迭代得到的。
基于上述任一实施例,所述基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像,具体包括:
基于细胞密度的最优值确定单个视野的最优细胞数,并创建空白视野图像;
对于任一视野图像,基于视野图像对应的细胞总数、单细胞数量和成团细胞数量,单个视野的最优细胞数及AI分析效率关联变量的相关系数排序,确定各空白视野图像对应的细胞子图像集合,并将细胞子图像集合中的各细胞子图像均匀排列于对应的空白视野图像中,以得到优化后的目标样本视野图像。
图7示例了一种电子设备的实体结构示意图,如图7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视野图像的处理方法,该方法包括:对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像。
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视野图像的处理方法,该方法包括:对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像。
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视野图像的处理方法,该方法包括:对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像。
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 (10)
1.一种样本视野图像的处理方法,其特征在于,包括:
对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;
基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像。
2.根据权利要求1所述的样本视野图像的处理方法,其特征在于,所述对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像,具体包括:
对样本对应的多个视野图像进行拼接,得到样本对应的全视野图像;
对样本对应的全视野图像进行二值化处理,得到二值化全视野图像;
基于所述二值化全视野图像确定样本对应的多个细胞轮廓及各细胞轮廓的外接矩阵;
基于各细胞轮廓的面积确定目标细胞轮廓,并基于目标细胞轮廓的外接矩阵对二值化全视野图像进行截取,得到样本对应的多个目标细胞子图像。
3.根据权利要求2所述的样本视野图像的处理方法,其特征在于,所述基于所述二值化全视野图像确定样本对应的多个细胞轮廓及各细胞轮廓的外接矩阵,具体包括:
基于预设的轮廓检测算法对所述二值化全视野图像进行处理,得到样本对应的多个细胞轮廓;
以所述二值化全视野图像的左下角为原点建立平面直角坐标系,基于所述平面直角坐标系确定各细胞轮廓的四条外切线,并基于四条外切线的交点确定细胞轮廓的外接矩阵。
4.根据权利要求2所述的样本视野图像的处理方法,其特征在于,所述基于各细胞轮廓的面积确定目标细胞轮廓,具体包括:
将各细胞轮廓的面积与预设的单细胞轮廓面积阈值进行对比,确定面积不小于单细胞轮廓面积阈值的目标细胞轮廓。
5.根据权利要求1所述的样本视野图像的处理方法,其特征在于,所述方法还包括:
基于多个视野图像样本对应的AI分析时间及细胞特征变量集合进行相关性分析,并基于相关性分析结果确定AI分析效率关联变量;
其中,细胞特征变量集合中包括细胞密度、单细胞数量、两个成团细胞数量、三个成团细胞数量、四个成团细胞数量、五个成团细胞数量、六个成团细胞数量和七个成团细胞数量、八个及以上成团细胞数量。
6.根据权利要求5所述的样本视野图像的处理方法,其特征在于,所述基于多个视野图像样本对应的AI分析时间及细胞特征变量集合进行相关性分析,并基于相关性分析结果确定AI分析效率关联变量,具体包括:
基于多个视野图像样本对应的AI分析时间及细胞特征变量集合,将AI分析时间与细胞特征变量集合中的各细胞特征变量分别进行相关性分析,得到各细胞特征变量与AI分析时间的相关系数;
基于各细胞特征变量与AI分析时间的相关系数,确定AI分析效率关联变量。
7.根据权利要求6所述的样本视野图像的处理方法,其特征在于,所述AI分析效率关联变量包括细胞密度、两个成团细胞数量、三个成团细胞数量、四个成团细胞数量、五个成团细胞数量、六个成团细胞数量和七个成团细胞数量。
8.根据权利要求7所述的样本视野图像的处理方法,其特征在于,所述AI分析效率关联变量的最优值是基于多元回归方法对AI分析时间及AI分析效率关联变量进行分析建模,并基于模型的目标函数和约束条件进行迭代得到的。
9.根据权利要求8所述的样本视野图像的处理方法,其特征在于,所述基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像,具体包括:
基于细胞密度的最优值确定单个视野的最优细胞数,并创建空白视野图像;
对于任一视野图像,基于视野图像对应的细胞总数、单细胞数量和成团细胞数量,单个视野的最优细胞数及AI分析效率关联变量的相关系数排序,确定各空白视野图像对应的细胞子图像集合,并将细胞子图像集合中的各细胞子图像均匀排列于对应的空白视野图像中,以得到优化后的目标样本视野图像。
10.一种样本视野图像的处理装置,其特征在于,包括:
细胞子图像生成模块,用于对样本对应的多个视野图像进行预处理,得到样本对应的多个细胞子图像;所述多个视野图像是基于显微镜对样本进行逐视野扫描得到的;
目标样本视野图像生成模块,用于基于预先确定的AI分析效率关联变量的最优值对样本对应的多个细胞子图像进行重新排列,得到多个优化后的目标样本视野图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311525656.0A CN117422633B (zh) | 2023-11-15 | 2023-11-15 | 样本视野图像的处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311525656.0A CN117422633B (zh) | 2023-11-15 | 2023-11-15 | 样本视野图像的处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117422633A true CN117422633A (zh) | 2024-01-19 |
CN117422633B CN117422633B (zh) | 2024-07-30 |
Family
ID=89526456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311525656.0A Active CN117422633B (zh) | 2023-11-15 | 2023-11-15 | 样本视野图像的处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422633B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002320676B2 (en) * | 2001-12-20 | 2005-03-03 | Canon Kabushiki Kaisha | Method of Automatic Production of Image Presentations |
EP2660845A1 (en) * | 2012-05-02 | 2013-11-06 | FEI Company | Charged-particle microscopy with image stitching |
CN110807732A (zh) * | 2019-10-11 | 2020-02-18 | 武汉兰丁医学高科技有限公司 | 用于显微图像全景拼接系统及方法 |
WO2021051875A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 细胞分类方法、装置、介质及电子设备 |
CN113935897A (zh) * | 2020-06-29 | 2022-01-14 | 深圳辉煌耀强科技有限公司 | 细胞图像拼接方法、装置、计算机设备及存储介质 |
CN115100646A (zh) * | 2022-06-27 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 细胞图像高清晰快速拼接识别标记方法 |
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 |
CN116542978A (zh) * | 2023-07-06 | 2023-08-04 | 珠海圣美生物诊断技术有限公司 | Fish探针的质量检测方法和装置 |
-
2023
- 2023-11-15 CN CN202311525656.0A patent/CN117422633B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002320676B2 (en) * | 2001-12-20 | 2005-03-03 | Canon Kabushiki Kaisha | Method of Automatic Production of Image Presentations |
EP2660845A1 (en) * | 2012-05-02 | 2013-11-06 | FEI Company | Charged-particle microscopy with image stitching |
WO2021051875A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 细胞分类方法、装置、介质及电子设备 |
CN110807732A (zh) * | 2019-10-11 | 2020-02-18 | 武汉兰丁医学高科技有限公司 | 用于显微图像全景拼接系统及方法 |
CN113935897A (zh) * | 2020-06-29 | 2022-01-14 | 深圳辉煌耀强科技有限公司 | 细胞图像拼接方法、装置、计算机设备及存储介质 |
CN115100646A (zh) * | 2022-06-27 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 细胞图像高清晰快速拼接识别标记方法 |
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 |
CN116542978A (zh) * | 2023-07-06 | 2023-08-04 | 珠海圣美生物诊断技术有限公司 | Fish探针的质量检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
HONG YE 等: "Polarization effects on fluorescence emission of zebrafish neurons using light-sheet microscopy", ARXIV, 9 September 2022 (2022-09-09) * |
张国平;黄淼;马丽;: "基于图像处理的红细胞自动识别统计系统", 信息技术, no. 01, 25 January 2016 (2016-01-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117422633B (zh) | 2024-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977943B (zh) | 一种基于yolo的图像目标识别方法、系统和存储介质 | |
WO2018052586A1 (en) | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks | |
CN109726195B (zh) | 一种数据增强方法及装置 | |
CN111986183B (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
CN111223084A (zh) | 一种染色体切割数据的处理方法、系统和存储介质 | |
CN114240978B (zh) | 基于自适应形态学的细胞边缘分割方法和装置 | |
CN113223614A (zh) | 一种染色体核型分析方法、系统、终端设备和存储介质 | |
CN112529870A (zh) | 基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法 | |
CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN117422633B (zh) | 样本视野图像的处理方法和装置 | |
CN108596840A (zh) | 一种用于深度学习评定血管网络发育水平的数据集增强方法 | |
CN115165710B (zh) | 细胞的快速扫描方法和装置 | |
CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
Lukac et al. | Machine learning based adaptive contour detection using algorithm selection and image splitting | |
CN113936133B (zh) | 一种面向目标检测的自适应数据增强方法 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
CN111753722B (zh) | 一种基于特征点类型的指纹识别方法及装置 | |
WO2015013525A2 (en) | System and method for enhancing the legibility of images | |
CN112487941B (zh) | 染色体簇与染色体实例的识别方法、系统和存储介质 | |
CN115393884A (zh) | 一种海图专题信息的提取处理方法、装置及系统 | |
CN114882355A (zh) | 一种建筑裂缝智能识别和检测方法及装置 | |
CN114201999A (zh) | 异常账号的识别方法、系统、计算设备及存储介质 | |
CN106296704B (zh) | 通用型图像分割方法 | |
CN114723748B (zh) | 电机控制器的检测方法、装置、设备及存储介质 |
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 |