CN117425914A - 细胞图像处理方法、电子设备以及存储介质 - Google Patents
细胞图像处理方法、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN117425914A CN117425914A CN202280001251.4A CN202280001251A CN117425914A CN 117425914 A CN117425914 A CN 117425914A CN 202280001251 A CN202280001251 A CN 202280001251A CN 117425914 A CN117425914 A CN 117425914A
- Authority
- CN
- China
- Prior art keywords
- cell
- map
- connected domain
- image
- area
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 210000004027 cell Anatomy 0.000 claims abstract description 1069
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 198
- 238000000034 method Methods 0.000 claims abstract description 182
- 238000003709 image segmentation Methods 0.000 claims abstract description 85
- 230000000877 morphologic effect Effects 0.000 claims abstract description 66
- 238000010586 diagram Methods 0.000 claims description 184
- 238000012545 processing Methods 0.000 claims description 52
- 230000011218 segmentation Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 11
- 238000002179 total cell area Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 description 11
- 238000005530 etching Methods 0.000 description 9
- 210000004940 nucleus Anatomy 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004113 cell culture Methods 0.000 description 6
- 230000001413 cellular effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000001464 adherent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 210000003527 eukaryotic cell Anatomy 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000021164 cell adhesion Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 101150077939 mapA gene Proteins 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 210000004738 parenchymal cell Anatomy 0.000 description 1
- 210000001236 prokaryotic cell Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/12—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种细胞图像处理方法、电子设备以及存储介质。该方法包括:基于形态学方法,根据目标细胞图像的初始图像分割结果,得到目标细胞核图,其中,目标细胞图像是与至少一个细胞对应的图像;基于形态学方法,根据目标细胞核图和初始图像分割结果,得到目标细胞区域轮廓图;基于形态学方法,根据目标细胞区域轮廓图和目标细胞核图,得到目标细胞轮廓图;根据目标细胞轮廓图和目标细胞核图,得到目标图像分割结果。
Description
本公开涉及图像处理技术领域,更具体地,涉及一种细胞图像处理方法、电子设备以及存储介质。
图像处理技术在生物医学中的应用方兴未艾,推动了生物医学的发展。医学图像在临床诊断、新药研发和基础研究等方面占有较为重要的地位。医学图像可以包括宏观图像和微观图像。微观图像可以包括借助显微镜获取的细胞或组织的图像。例如,微观图像可以包括细胞图像。
医学图像处理是数学图像处理技术结合医学图像特点的应用,为医学诊断提供更为准确和丰富的医学信息,因此,受到了越来越多的关注。细胞图像分割是医学图像处理的应用领域,是生物研究由定性描述走向定量研究的标志和研究手段。
发明内容
有鉴于此,本公开提供了一种细胞图像处理方法、电子设备以及存储介质。
本公开的一个方面提供了一种细胞图像处理方法,包括:基于形态学方法,根据目标细胞图像的初始图像分割结果,得到目标细胞核图,其中,上述目标细胞图像是与至少一个细胞对应的图像;基于上述形态学方法,根据上述目标细胞核图和上述初始图像分割结果,得到目标细胞区域轮廓图;基于上述形态学方法,根据上述目标细胞区域轮廓图和上述目标细胞核图,得到上述目标细胞轮廓图;以及,根据上述目标细胞轮廓图和上述目标细胞核图,得到目标图像分割结果。
本公开的另一个方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现本公开所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,上述指令在被执行时用于实现本公开所述的方法。
本公开的另一方面提供了一种计算机程序产品,上述计算机程序产品包括计算 机可执行指令,上述指令在被执行时用于实现本公开所述的方法。
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用细胞图像处理方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的细胞图像处理方法的流程图;
图3A示意性示出了根据本公开实施例的细胞图像处理过程的原理示意图;
图3B示意性示出了根据本公开实施例基于形态学方法,根据细胞核区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图的流程图;
图4A示意性示出了根据本公开实施例的初始图像分割结果的示例示意图;
图4B示意性示出了根据本公开实施例的获得中间细胞区域图的示例示意图;
图4C示意性示出了根据本公开实施例的获得连通域细胞区域图的示例示意图;
图4D示意性示出了根据本公开实施例的获得与连通域细胞区域图对应的细胞核图的示例示意图;
图4E示意性示出了根据本公开另一实施例的与连通域细胞区域图对应的细胞核图的示例示意性图;
图4F示意性示出了根据本公开另一实施例的获得与连通域细胞区域图对应的细胞核图的示例示意图;
图4G示意性示出了根据本公开实施例的获得目标细胞核图的示例示意图;
图4H示意性示出了根据本公开实施例的获得目标细胞区域轮廓图的示例示意图;
图4I示意性示出了根据本公开实施例的获得目标细胞轮廓图的示例示意图;
图4J示意性示出了根据本公开实施例的细胞培养初期的目标图像分割结果的示例示意图;
图4K示意性示出了根据本公开实施例的细胞培养后期的目标图像分割结果的示例示意图;
图5示意性示出了根据本公开的实施例的细胞图像处理装置的框图;以及
图6示意性示出了根据本公开实施例的适于实现细胞图像处理方法的电子设备的框图。
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
细胞图像分割可以指利用计算机图像处理相关技术对细胞图像中的不同区域进行划分,从中提取有价值的实质细胞区域,并进一步分离重叠细胞,获得细胞核与细胞质,为后续定量分析提供基础。
可以利用深度学习模型来实现细胞图像分割。深度学习模型可以是利用样本图像训练得到的。样本图像是需要花费人力进行数据标注的。在模型训练完成之后,如果拍摄细胞图像的环境发生变化,则模型需要重新训练。由此,深度学习模型的 鲁棒性较差。
为此,本公开实施例提出了一种基于形态学的细胞图像处理方案。例如,基于形态学方法,根据目标细胞图像的初始图像分割结果,得到目标细胞核图。目标细胞图像是与至少一个细胞对应的图像。基于形态学方法,根据目标细胞核图和初始图像分割结果,得到目标细胞区域轮廓图。基于形态学方法,根据目标细胞区域轮廓图和目标细胞核图,得到目标细胞轮廓图。根据目标细胞轮廓图和目标细胞核图,得到目标图像分割结果。
根据本公开的实施例,利用形态学方法来对细胞图像进行分割,得到目标图像分割结果,上述操作无需花费人力进行数据标注便可以得到图像分割结果。此外,上述操作与拍摄细胞图像的环境无关,具有较强的鲁棒性。
此外,在获得目标图像分割结果之后,本公开实施例的基于形态学的细胞图像处理方案还可以实现根据目标图像分割结果,确定细胞统计信息。根据细胞统计信息,确定细胞的质量评估结果。例如,细胞统计信息可以包括以下至少之一:细胞数目、细胞面积、细胞周长、细胞总面积、细胞的长轴长度和细胞的短轴长度。
根据图像分割结果来对细胞的质量进行评估,可以根据评估结果来避免人为因素带来的误差,使细胞培养流程更加标准化,从而有效降低生产成本。在实际工业生产中,能够实现快速分析连续的目标细胞图像,统计准确度在90%以上。
图1示意性示出了根据本公开实施例的可以应用细胞图像处理方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用细胞图像处理方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的细胞图像处理方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接 收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如,购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。
服务器105可以是提供各种服务的各种类型的服务器。例如,服务器105可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(Virtual Private Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器105也可以为分布式系统的服务器,或者是结合了区块链的服务器。
需要说明的是,本公开实施例所提供的细胞图像处理方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的细胞图像处理装置也可以设置于终端设备101、102、或103中。
备选地,本公开实施例所提供的细胞图像处理方法一般也可以由服务器105执行。相应地,本公开实施例所提供的细胞图像处理装置一般可以设置于服务器105中。本公开实施例所提供的细胞图像处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的细胞图像处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
应注意,以下方法中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的细胞图像处理方法的流程图。
如图2所示,该方法200包括操作S210~S240。
在操作S210,基于形态学方法,根据目标细胞图像的初始图像分割结果,得到目标细胞核图。目标细胞图像可以是与至少一个细胞对应的图像。
在操作S220,基于形态学方法,根据目标细胞核图和初始图像分割结果,得到目标细胞区域轮廓图。
在操作S230,基于形态学方法,根据目标细胞区域轮廓图和目标细胞核图,得到目标细胞轮廓图。
在操作S240,根据目标细胞轮廓图和目标细胞核图,得到目标图像分割结果。
根据本公开的实施例,细胞可以包括真核细胞和原核细胞。真核细胞可以细胞核、细胞质和细胞膜。此外,根据细胞图像中像素值的大小,可以将细胞划分为细胞边缘区域、细胞区域和细胞核区域。细胞区域可以包括细胞核区域。
根据本公开的实施例,细胞图像可以是利用图像采集设备采集得到的。例如,图像采集设备可以包括视觉传感器和显微镜。显微镜可以包括以下至少之一:光学显微镜和电子显微镜。细胞图像可以是利用视觉传感器采集细胞图像的显微成像得到的。显微成像可以是将细胞的细胞涂片设置于显微镜下,经由显微镜的聚焦系统调节显微镜载波台与显微镜物镜之间的相对距离得到的。细胞图像可以包括至少一个细胞的图像。细胞图像可以是细胞灰度图像。细胞灰度图像可以指具有灰度值的细胞图像。目标细胞图像可以指需要进行图像分割的细胞图像。
根据本公开的实施例,形态学方法可以指基于形态学操作,利用结构元素提取图像中相应信息的方法。形态学方法可以用于在保持图像的基本形状特征的基础上,有效地抑制噪声,实现图像的简化。在图像中不断移动结构元素的情况下,可以确定图像各个部分彼此之间的相互关系,从而达到对图像进行分析的目的。
根据本公开的实施例,形态学操作可以指对相邻的像素进行连接或将相邻像素分离成独立像素的操作。形态学操作可以包括以下至少之一:形态学基本操作和形态学其他操作。形态学其他操作可以是根据形态学基本操作得到的。例如,形态学基本操作以下至少之一:膨胀操作和腐蚀操作。形态学其他操作可以包括以下至少之一:开操作、闭操作、顶帽操作、底帽操作、形态学梯度操作和填充操作。结构元素可以是形态学的基本算子。结构元素的合理选择对提高利用形态学方法处理图像的效果起到较为重要的作用。例如,可以根据结构元素的尺寸、位置、方向和形状中的至少之一来确定结构元素。例如,结构元素的形状可以包括以下至少之一:线形、正方形、菱形、圆盘形和球形。
根据本公开的实施例,初始图像分割结果可以指目标细胞图像的分割精度小于 或等于预定分割精度阈值的图像分割结果。预定分割精度阈值可以根据实际业务需求进行配置,在此不作限定。初始细胞分割结果可以包括以下至少之一:细胞边缘图、细胞区域图和细胞核区域图。
根据本公开的实施例,目标细胞核图可以指从目标细胞图像中分割出来的至少一个细胞各自的细胞核图像。目标细胞核图包括的各个细胞核图像彼此之间可以是未粘连的,即,目标细胞核图包括的各个细胞核图像彼此之间可以是相互独立的。
根据本公开的实施例,细胞可以具有与该细胞对应的细胞轮廓图像。目标细胞区域轮廓图可以指从目标细胞图像中分割出来的细胞区域的细胞区域轮廓图像。细胞区域可以存在具有粘连关系的细胞。目标细胞区域轮廓图可以存在具有粘连关系的细胞轮廓图像。
根据本公开的实施例,目标细胞轮廓图可以包括至少一个细胞各自的细胞轮廓图像。目标细胞轮廓图包括的各个细胞轮廓图像彼此之间可以是未粘连的,即,目标细胞轮廓图包括的各个细胞轮廓图像彼此之间是相互独立的。
根据本公开的实施例,目标图像分割结果可以指目标细胞图像的分割精度大于预定分割精度阈值的图像分割结果。目标图像分割结果可以指细胞图像包括的细胞的分割结果和细胞核的分割结果。细胞的分割结果可以是根据目标细胞轮廓图确定的。细胞核的分割结果可以是根据目标细胞核图确定的。
根据本公开的实施例,可以获取与至少一个细胞对应的目标细胞图像。可以基于图像分割方法,根据与至少一个细胞对应的目标细胞图像,得到初始图像分割结果。图像分割方法可以包括以下至少之一:阈值分割方法、区域分割方法和聚类分割方法。区域分割方法可以包括以下至少之一:基于区域生长的分割方法和基于区域分裂合并的分割方法。
根据本公开的实施例,可以利用形态学方法处理初始图像分割结果和目标细胞图像,得到目标细胞区域图。可以利用形态学方法处理目标细胞区域图和初始图像分割结果,得到目标细胞核图。可以利用形态学方法处理目标细胞核图、目标细胞区域图和目标细胞图像,得到目标细胞区域轮廓图。可以利用目标细胞区域轮廓图、目标细胞核图和目标细胞图像,得到目标细胞轮廓图。将目标细胞轮廓图和目标细胞核图作为目标图像分割结果。
根据本公开的实施例,目标细胞区域图、目标细胞核图、目标细胞区域轮廓图 和目标细胞轮廓图可以是二值化图像。
根据本公开的实施例,利用形态学方法来对细胞图像进行分割,得到目标图像分割结果,上述操作无需花费人力进行数据标注便可以得到图像分割结果。此外,上述操作与拍摄细胞图像的环境无关,具有较强的鲁棒性。
根据本公开的实施例,上述细胞图像处理方法还可以包括如下操作。
利用图像预处理方法处理原始细胞图像,得到目标细胞图像。
根据本公开的实施例,图像预处理方法可以用于减少原始细胞图像中无关的信息和恢复有用的信息。图像预处理方法可以包括以下至少之一:图像增强方法和噪声滤除方法。图像增强方法可以包括以下至少之一:光照补偿方法、边缘增强方法、轮廓增强方法、纹理增强方法、目标区域增强方法和对比度增强方法。噪声滤除方法可以包括以下至少之一:高斯滤波方法、自适应滤波去噪方法、中值滤波去噪方法、均值滤波去噪方法和基于小波变换的图像去噪方法。
例如,可以利用高斯滤波方法处理原始细胞图像,得到目标细胞图像,由此,可以降低目标细胞图像的噪声。备选地,可以利用光照补偿方法处理原始细胞图像,得到目标细胞图像,由此,可以使得目标细胞图像的边缘区域光照均匀。
根据本公开的实施例,利用图像预处理方法处理原始细胞图像,得到目标细胞图像,提高了目标细胞图像的质量,便于后续操作。
根据本公开的实施例,上述细胞图像处理方法还可以包括如下操作。
基于阈值分割方法,根据目标细胞图像,得到初始图像分割结果。初始图像分割结果可以包括细胞边缘图、细胞区域图和细胞核区域图。
根据本公开的实施例,阈值分割方法可以指用于根据灰度阈值来将图像分割为背景区域和至少一个前景区域的方法。例如,阈值分割方法可以包括以下之一:基于全局阈值的阈值分割方法、基于局部阈值的阈值分割方法和基于动态阈值的阈值分割方法。基于全局阈值的阈值分割方法可以包括以下至少之一:固定阈值分割方法、直方图双峰方法、迭代阈值分割方法、最大类间方差方法、灰度共生矩阵方法和多项式拟合方法。
根据本公开的实施例,细胞边缘图可以指目标细胞图像中细胞边缘外侧的灰阶大于或等于预定灰阶阈值的区域的图像。细胞区域图可以指目标细胞图像中细胞区域的图像。细胞核区域图可以指目标细胞图像中细胞核区域的图像。
根据本公开的实施例,可以根据目标细胞图像的灰度值,确定预定阈值。根据预定阈值和目标细胞图像的灰度值,对目标细胞图像进行图像分割,得到初始图像分割结果。预定阈值可以用于将目标细胞图像划分为背景区域和至少一个前景区域的数值。
根据本公开的实施例,通过利用基于阈值分割方法对目标细胞图像进行图像分割,得到初始图像分割结果,实现了对目标细胞图像的初步分割。
根据本公开的实施例,阈值分割方法可以包括最大类间方差方法(即OTSU)。
根据本公开的实施例,基于阈值分割方法,根据目标细胞图像,得到所述初始图像分割结果,可以包括如下操作。
根据目标细胞图像,得到第一灰度阈值、第二灰度阈值和第三灰度阈值。第二灰度阈值大于第三灰度阈值且小于第一灰度阈值。根据第一灰度阈值对目标细胞图像进行二值化处理,得到细胞边缘图。根据第二灰度阈值对目标细胞图像进行二值化处理,得到细胞区域图。根据第三灰度阈值对目标细胞图像进行二值化处理,得到细胞核区域图。
根据本公开的实施例,最大类间方差方法的主要思想是根据图像的灰度特性,将图像划分为前景区域和背景区域。可以确定前景区域和背景区域之间的至少一个类间方差。从至少一个类间方差中确定最大类间方差。将与最大类间方差对应的阈值确定为灰度阈值。
根据本公开的实施例,可以基于最大类间方差方法在第一预定灰度范围内对目标细胞图像进行阈值分割,得到第一灰度阈值。可以基于最大类间方差方法在第二预定灰度范围内对目标细胞图像进行阈值分割,得到第二灰度阈值。第二预定灰度范围可以是根据第一灰度阈值确定的。可以基于最大类间方差方法在第三预定灰度范围内对目标细胞图像进行阈值分割,得到第三灰度阈值。第三预定灰度范围可以是根据第二灰度阈值确定的。第一预定灰度范围可以根据实际业务需求进行配置,在此不作限定。
例如,第一预定灰度范围可以是大于或等于0且小于或等于255的灰度范围。第二预定灰度范围可以是大于或等于0且小于或等于第一灰度阈值的灰度范围。第三预定灰度范围可以是大于或等于0且小于或等于第二灰度阈值的灰度范围。
可以基于最大类间方差方法在第一预定范围内对目标细胞图像进行阈值分割, 确定第一灰度阈值。可以根据第一灰度阈值对目标细胞图像进行二值化处理,得到细胞边缘图。例如,可以将目标细胞图像中像素值大于第一灰度阈值的像素的像素值设置为第二预定像素值。将目标细胞图像中像素值小于或等于第一灰度阈值的像素的像素值设置为第一预定像素值。第一预定像素值和第二预定像素值可以根据实际业务需求进行配置,在此不作限定。例如,第一预定像素值可以是0。第二预定像素值可以是255。
可以基于最大类间方差方法在第二预定范围内对目标细胞图像进行阈值分割,确定第二灰度阈值。可以根据第二灰度阈值对目标细胞图像进行二值化处理,得到细胞区域图。例如,可以将目标细胞图像中像素值小于第二灰度阈值的像素的像素值设置为第二预定像素值。将目标细胞图像中像素值大于或等于第二灰度阈值的像素的像素值设置为第一预定像素值。
可以基于最大类间方差方法在第三预定范围内对目标细胞图像进行阈值分割,确定第三灰度阈值。可以根据第三灰度阈值对目标细胞图像进行二值化处理,得到细胞区域图。例如,可以将目标细胞图像中像素值小于第三灰度阈值的像素的像素值设置为第二预定像素值。将目标细胞图像中像素值大于或等于第三灰度阈值的像素的像素值设置为第一预定像素值。
根据本公开的实施例,初始图像分割结果包括细胞边缘图、细胞区域图和细胞核区域图。
根据本公开的实施例,基于形态学方法,根据目标细胞图像的初始图像分割结果,得到目标细胞核图,可以包括如下操作。
基于形态学方法,根据细胞区域图和细胞边缘图,得到中间细胞区域图。根据中间细胞区域图和预定前景区域划分策略,得到至少一个连通域细胞区域图。基于形态学方法,根据细胞核区域图和至少一个连通域细胞区域图,得到目标细胞核图。
根据本公开的实施例,中间细胞区域图可以指细胞区域内部的孔洞和细胞边缘的凹陷被填充且细胞边缘轮廓较为清晰的细胞区域图。预定前景区域划分策略可以指如何对中间细胞区域图进行前景区域划分的策略。例如,预定前景区域划分策略可以指基于连通域区域的面积和至少一个预定面积阈值,对中间细胞区域图进行前景区域划分,得到至少一个连通域细胞区域图的策略。连通域细胞区域图可以是从中间细胞区域图中提取得到的。
根据本公开的实施例,可以根据预定前景区域划分策略,确定至少一个预定区 域面积范围。根据中间细胞区域图中的连通域面积和至少一个预定区域面积范围,得到至少一个连通域细胞区域图。每个预定区域面积范围可以具有与该预定区域面积范围对应的连通域细胞区域图。例如,N个预定区域面积范围可以包括预定区域面积范围
预定区域面积阈值
......、预定区域面积阈值
......、预定区域面积阈值
和预定区域面积阈值
N可以是大于或等于1的整数。
根据本公开的实施例,可以基于形态学操作,根据细胞区域图和细胞边缘图,得到中间细胞区域图。基于形态学操作,根据细胞核区域图和至少一个连通域细胞区域图,得到目标细胞核图。例如,形态学操作可以包括以下至少之一:腐蚀操作、膨胀操作和填充操作。
根据本公开的实施例,基于形态学方法,根据细胞区域图和细胞边缘图,得到中间细胞区域图,可以包括如下操作。
利用膨胀操作处理细胞区域图,得到第一细胞区域膨胀图。利用填充操作处理第一细胞区域膨胀图,得到细胞区域膨胀填充图。利用腐蚀操作处理细胞区域膨胀填充图,得到细胞区域填充图。根据细胞区域填充图和细胞边缘图,得到中间细胞区域图。
根据本公开的实施例,可以利用膨胀操作,根据第一结构元素和细胞区域图,得到第一细胞区域膨胀图。第一结构元素可以根据实际业务需求进行配置,在此不作限定。例如,第一结构元素可以是M×M的第一矩阵。M可以是大于1的整数。第一矩阵的元素的元素值可以根据实际业务需求进行配置,在此不作限定。例如,M=2。第一矩阵可以是
根据本公开的实施例,可以利用填充操作对细胞区域膨胀填充图中的孔洞区域进行填充,得到细胞区域膨胀填充图。
根据本公开的实施例,腐蚀操作。可以利用腐蚀操作,根据第二结构元素和细胞区域膨胀填充图,得到细胞区域填充图。第二结构元素可以根据实际业务需求进 行配置,在此不作限定。例如,第二结构元素可以与第一结构元素相同。例如,第二矩阵可以是
根据本公开的实施例,在获得细胞区域填充图之后,可以根据细胞区域填充图和细胞边缘图,得到目标细胞边缘被去除的中间细胞区域图。
根据本公开的实施例,通过对细胞区域图进行膨胀,得到第一细胞区域膨胀图,对第一细胞区域膨胀图进行填充,得到细胞区域膨胀填充图,再对细胞区域膨胀填充图进行腐蚀,得到细胞区域填充图,实现了有效填补细胞区域内部较小的孔洞和边缘处凹陷,消除细长的鸿沟和狭窄的间断,并平滑图像的轮廓。进而提高图像分割之后的细胞完整性。在此基础上,通过将细胞区域填充图减去细胞边缘图,得到中间细胞区域图,使得中间细胞区域图的细胞边缘轮廓更加清晰,有利于提高目标图像分割结果的准确性。
根据本公开的实施例,根据细胞区域填充图和细胞边缘图,得所述中间细胞区域图,可以包括如下操作。
根据细胞区域填充图和细胞边缘图,将细胞区域填充图中的目标细胞边缘去除,得到中间细胞区域图。
根据本公开的实施例,目标细胞边缘可以指细胞边缘图中被识别错误的细胞边缘。被识别错误的细胞边缘可以包括以下至少之一:原本并不是细胞边缘而被识别为细胞边缘的细胞边缘和原本是细胞边缘而未被识别为细胞边缘的细胞边缘。
根据本公开的实施例,可以将细胞区域填充图和细胞边缘图进行相减操作,得到中间细胞区域图。例如,将细胞区域填充图减去细胞边缘图,得到中间细胞区域图。
根据本公开的实施例,通过将细胞区域填充图中被识别错误的细胞边缘的目标细胞边缘去除,得到中间细胞区域图,使得中间细胞区域图的细胞边缘轮廓更加清晰,有利于提高目标图像分割结果的准确性。
根据本公开的实施例,基于形态学方法,根据细胞核区域图和至少一个连通域细胞区域图,得到目标细胞核图,可以包括如下操作。
针对至少一个连通域细胞区域图中的连通域细胞区域图,基于形态学方法,根据细胞核区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图。根据与至少一个连通域细胞区域图各自对应的细胞核图,得到目标细胞核图。
根据本公开的实施例,针对至少一个连通域细胞区域图中的每个连通域细胞区域图,可以利用形态学方法处理连通域细胞区域图和细胞核区域图,得到与连通域细胞区域图对应的细胞核图。由此,可以得到与至少一个连通域细胞区域图各自对应的细胞核图。可以将与至少一个连通域细胞区域图各自对应的细胞核图进行合并,得到目标细胞核图。例如,可以将与至少一个连通域细胞区域图各自对应的细胞核图进行相加操作,得到目标细胞核图。
根据本公开的实施例,基于形态学方法,根据细胞核区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
在确定连通域细胞区域图的面积大于或等于第一预定面积阈值的情况下,基于形态学方法处理连通域细胞区域图,得到中间连通域细胞区域图。根据中间连通域细胞区域图和细胞核区域图,得到与连通域细胞区域图对应的细胞核图。在确定连通域细胞区域图的面积小于第一预定面积阈值的情况下,根据细胞核区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,第一预定面积阈值可以用于作为确定是否需要对连通域细胞区域图进行形态学操作的依据。第一预定面积阈值可以根据实际业务需求进行配置,在此不作限定。
根据本公开的实施例,针对至少一个连通域细胞区域图中的每个连通域细胞区域图,可以确定连通域细胞区域图的面积。在确定连通域细胞区域图的面积大于或等于第一预定面积阈值的情况下,可以说明连通域细胞区域图中的细胞粘连程度较高,在此情况下,可以利用腐蚀操作,根据与连通域细胞区域图对应的第三结构元素和连通域细胞区域图,得到中间连通域细胞区域图。第三结构元素可以根据实际业务需求进行配置,在此不作限定。例如,可以根据连通域细胞区域图的面积确定与连通域细胞区域图对应的第三结构元素。连通域细胞区域的面积越大,与连通域细胞区域图对应的第三结构元素的尺寸越大。在获得中间连通域细胞区域图之后,可以根据中间连通域细胞区域图和细胞核区域图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,在确定连通域细胞区域图的面积小于第一预定面积阈值的情况下,可以根据连通域细胞区域图和细胞核区域图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,根据中间连通域细胞区域图和细胞核区域图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
将中间连通域细胞区域图和细胞核区域图进行与操作,得到第一交集细胞区域图。根据第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,第一交集细胞区域图可以指与中间连通域细胞区域图和细胞核区域图之间的交集区域对应的图像。由于中间连通域细胞区域图可以是对与中间连通域细胞区域图对应的连通域细胞区域图进行腐蚀操作得到的,因此,中间连通域细胞区域图中存在一个细胞被分成至少两个细胞的情况。由于细胞核区域图是包括细胞核的图像,因此,可以通过将中间连通域细胞区域图与细胞核区域图进行与操作的方式,保留与细胞核区域图有交集的区域。由于细胞核区域图是包括细胞核的图像,因此,能够提高第一交集细胞区域图包括细胞核的概率,降低第一交集细胞区域图受到的噪声干扰。
根据本公开的实施例,在获得第一交集细胞区域图之后,可以根据第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的第一候选细胞核图。根据与连通域细胞区域图对应的第一候选细胞核图,得到与连通域细胞区域图对应的细胞核图。例如,可以根据第一交集细胞区域图和中间连通域细胞区域图,将中间连通域细胞区域图中位于第一交集细胞区域图中的连通域保留,去除其他区域,得到与连通域细胞区域图对应的第一候选细胞核图。
根据本公开的实施例,根据第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
生成第一模板图像。第一模板图像的尺寸与中间连通域细胞区域图的尺寸相等。第一模板图像的像素的像素值为第一预定像素值。根据第一模板图像、第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的第一候选细胞核图。根据与连通域细胞区域图对应的第一候选细胞核图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,第一模型图像可以是像素值为第一预定像素值且尺寸与中间连通域细胞区域图的尺寸相等的图像。可以根据第一交集细胞区域图和中间连通域细胞区域图,对第一模板图像进行处理,得到与连通域细胞区域图对应的第一候选细胞核图。
根据本公开的实施例,在获得第一候选细胞核图之后,可以从第一候选细胞核图中删除第一目标连通域,得到删除第一目标连通域后的第一候选细胞核图。将删除第一目标连通域后的第一候选细胞核图确定为细胞核图。第一目标连通域可以指连通域的面积满足第一预定面积条件的连通域。例如,第一目标连通域可以指连通域的面积小于第二预定面积阈值的连通域。
根据本公开的实施例,根据第一模板图像、第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的第一候选细胞核图,可以包括如下操作。
确定与第一交集细胞区域图中连通域对应的第一轮廓集合。遍历第一轮廓集合包括的每个第一预定像素,将第一模板图像中与第一预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与连通域细胞区域图对应的第一候选细胞核图。第一模板图像中第一预定像素的标签是根据中间连通域细胞区域图中第一预定像素的标签确定的。
根据本公开的实施例,标签可以用于表征连通域。每个连通域具有与该连通域对应的标签。连通域可以与标签一一对应。第一模板图像的像素具有与该像素对应的标签。第一模板图像中属于同一连通域的像素的标签相同。中间连通域细胞区域图的像素具有与该像素对应的标签。中间连通域细胞区域图中属于同一连通域的像素的标签相同。标签可以与像素的位置关联。
根据本公开的实施例,可以确定第一交集细胞区域图包括的与全部连通域各自对应的轮廓,得到第一轮廓集合。第一轮廓集合可以包括至少一个第一轮廓。每个第一轮廓可以具有与该第一轮廓对应的多个像素。每个第一轮廓可以具有与该第一轮廓对应的第一预定像素。与第一轮廓对应的第一预定像素可以是从与该第一轮廓对应的多个像素中确定的。第一预定像素可以根据实际业务需求进行选择,在此不作限定。例如,与第一轮廓对应的第一预定像素可以是与该第一轮廓对应的多个像 素中的第一个像素。备选地,与第一轮廓对应的第一预定像素可以是与该第一轮廓对应的多个像素中的位于中心区域的像素。
根据本公开的实施例,针对第一轮廓集合中的每个第一轮廓,确定与第一轮廓对应的第一预定像素。根据第一预定像素的位置以及标签与像素的位置之间的关联关系,确定与第一轮廓的第一预定像素对应的标签。根据与第一轮廓的第一预定像素对应的标签以及标签与像素的位置之间的关联关系,确定第一模板图像中与第一轮廓的第一预定像素具有相同标签的多个像素各自的位置。根据与第一轮廓的第一预定像素具有相同标签的多个像素各自的位置,将与第一轮廓的第一预定像素具有相同标签的多个像素各自的像素值由第一预定像素值修改为第二预定像素值。基于上述方式,将第一轮廓集合遍历完毕,得到与连通域细胞区域图对应的第一候选细胞核图。
根据本公开的实施例,由于细胞核区域图是包括细胞核的图像,因此,如果中间连通域细胞区域图的连通域为有效连通域,则中间连通域细胞区域图需要包括细胞核区域图中的连通域,因此,通过将中间连通域细胞区域图与细胞核区域图进行与操作的方式,得到与细胞核区域图有交集的第一交集细胞区域图。通过遍历第一交集细胞区域图中第一轮廓集合包括的每个第一预定像素,将第一模板图像中与第一预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,能够提高第一候选细胞核图包括细胞核的概率,降低第一候选细胞核图受到的噪声干扰。此外,还能够将细胞核形态还原,使其接近真实的细胞核形态。
根据本公开的实施例,根据第一模板图像、第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的第一候选细胞核图,可以包括如下操作。
遍历第一模板图像中的每个第二预定像素,在确定第一交集细胞区域图中与第二预定像素对应的像素的像素值是预期像素值的情况下,将第一模板图像中与第二预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与连通域细胞区域图对应的第一候选细胞核图。第一模板图像中第二预定像素的标签是根据中间连通域细胞区域图中第二预定像素的标签确定的。
根据本公开的实施例,预期像素值可以根据实际业务需求进行配置,在此不作限定。例如,预期像素值可以第二预定像素值。第二预定像素可以是第一模板图像中的任意一个像素。
根据本公开的实施例,针对第一模板图像中的每个第二预定像素,确定第一交集细胞区域图中与第二预定像素对应的像素的像素值是否是预期像素值。在确定第一交集细胞区域图中与第二预定像素对应的像素的像素值是预期像素值的情况下,可以根据与第二预定像素对应的标签以及标签与像素的位置之间的关联关系,确定第一模板图像中与第二预定像素具有相同标签的多个像素各自的位置。根据第一模板图像中与第二预定像素具有相同标签的多个像素各自的位置,将第一模板图像中与第二预定像素具有相同标签的多个像素各自的像素值由第一预定像素值修改为第二预定像素值。
根据本公开的实施例,通过遍历第一模板图像中的每个第二预定像素,在确定第一交集细胞区域图中与第二预定像素对应的像素的像素值是预期像素值的情况下,将第一模板图像中与第二预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,能够提高第一候选细胞核图包括细胞核的概率,降低第一候选细胞核图受到的噪声干扰。此外,还能够将细胞核形态还原,使其接近真实的细胞核形态。
根据本公开的实施例,第一候选细胞核图可以包括至少一个第一候选连通域。细胞核图可以包括至少一个连通域。
根据本公开的实施例,根据与连通域细胞区域图对应的第一候选细胞核图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
针对与连通域细胞区域图对应的第一候选细胞核图中的每个第一候选连通域,在确定第一候选连通域的面积大于或等于第二预定面积阈值的情况下,将第一候选连通域确定为与连通域细胞区域图对应的细胞核图中的连通域。
根据本公开的实施例,第二预定面积阈值可以根据实际业务需求进行配置,在此不作限定。例如,第二预定面积阈值可以是20μm
2。
根据本公开的实施例,细胞核图中的连通域是连通域面积大于或等于第二预定面积阈值的连通域,因此,有效降低了细胞核图中面积较小的连通域,面积较小的 连通域会对图像分割造成干扰,由此,将连通域面积大于或等于第二预定面积阈值的第一候选连通域作为细胞核图中的连通域,能够提高图像分割结果的准确性。
根据本公开的实施例,根据细胞核区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
将连通域细胞区域图和细胞核区域图进行与操作,得到第二交集细胞区域图。根据第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,第二交集细胞区域图可以指与连通域细胞区域图和细胞核区域图之间的交集区域对应的图像。
根据本公开的实施例,在获得第二交集细胞区域图之后,可以根据第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的第二候选细胞核图。根据与连通域细胞区域图对应的第二候选细胞核图,得到与连通域细胞区域图对应的细胞核图。例如,可以根据第二交集细胞区域图和连通域细胞区域图,将连通域细胞区域图中位于第二交集细胞区域图中的连通域保留,去除其他区域,得到与连通域细胞区域图对应的第二候选细胞核图。
根据本公开的实施例,根据第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
生成第二模板图像。第二模板图像的尺寸与连通域细胞区域图的尺寸相等。第二模板图像的像素的像素值为第一预定像素值。根据第二模板图像、第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的第二候选细胞核图。根据与连通域细胞区域图对应的第二候选细胞核图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,第二模型图像可以是像素值为第一预定像素值且尺寸与连通域细胞区域图的尺寸相等的图像。可以根据第二交集细胞区域图和连通域细胞区域图,对第二模板图像进行处理,得到与连通域细胞区域图对应的第二候选细胞核图。
根据本公开的实施例,在获得第二候选细胞核图之后,可以从第二候选细胞核图中删除第二目标连通域,得到删除第二目标连通域后的第二候选细胞核图。将删除第二目标连通域后的第二候选细胞核图确定为细胞核图。第二目标连通域可以指 连通域的面积满足第二预定面积条件的连通域。例如,第二目标连通域可以指连通域的面积小于第三预定面积阈值的连通域。
根据本公开的实施例,根据第二模板图像、第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的第二候选细胞核图,可以包括如下操作。
确定与第二交集细胞区域图中连通域对应的第二轮廓集合。遍历第二轮廓集合包括的每个第三预定像素,将第二模板图像中与第三预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与连通域细胞区域图对应的第二候选细胞核图。第二模板图像中第三预定像素的标签是根据连通域细胞区域图中第三预定像素的标签确定的。
根据本公开的实施例,标签可以用于表征连通域。每个连通域具有与该连通域对应的标签。连通域可以与标签一一对应。第二模板图像的像素具有与该像素对应的标签。第二模板图像中属于同一连通域的像素的标签相同。连通域细胞区域图的像素具有与该像素对应的标签。连通域细胞区域图中属于同一连通域的像素的标签相同。标签可以与像素的位置关联。
根据本公开的实施例,可以确定第二交集细胞区域图包括的与全部连通域各自对应的轮廓,得到第二轮廓集合。第二轮廓集合可以包括至少一个第二轮廓。每个第二轮廓可以具有与该第二轮廓对应的多个像素。每个第二轮廓可以具有与该第二轮廓对应的第三预定像素。与第二轮廓对应的第三预定像素可以是从与该第二轮廓对应的多个像素中确定的。第三预定像素可以根据实际业务需求进行选择,在此不作限定。例如,与第二轮廓对应的第三预定像素可以是与该第二轮廓对应的多个像素中的第一个像素。备选地,与第二轮廓对应的第三预定像素可以是与该第二轮廓对应的多个像素中的位于中心区域的像素。
根据本公开的实施例,针对第二轮廓集合中的每个第二轮廓,确定与第二轮廓对应的第三预定像素。根据第三预定像素的位置以及标签与像素的位置之间的关联关系,确定与第二轮廓的第三预定像素对应的标签。根据与第二轮廓的第三预定像素对应的标签以及标签与像素的位置之间的关联关系,确定第二模板图像中与第二轮廓的第三预定像素具有相同标签的多个像素各自的位置。根据与第二轮廓的第三预定像素具有相同标签的多个像素各自的位置,将与第二轮廓的第三预定像素具有相同标签的多个像素各自的像素值由第一预定像素值修改为第二预定像素值。基于 上述方式,将第二轮廓集合遍历完毕,得到与连通域细胞区域图对应的第二候选细胞核图。
根据本公开的实施例,由于细胞核区域图是包括细胞核的图像,因此,如果连通域细胞区域图的连通域为有效连通域,则连通域细胞区域图需要包括细胞核区域图中的连通域,因此,通过将连通域细胞区域图与细胞核区域图进行与操作的方式,得到与细胞核区域图有交集的第二交集细胞区域图。通过遍历第二交集细胞区域图中第二轮廓集合包括的每个第三预定像素,将第二模板图像中与第三预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,能够提高第二候选细胞核图包括细胞核的概率,降低第二候选细胞核图受到的噪声干扰。此外,还能够将细胞核形态还原,使其接近真实的细胞核形态。
根据本公开的实施例,根据第二模板图像、第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的第二候选细胞核图,可以包括如下操作。
遍历第二模板图像中的每个第四预定像素,在确定第二交集细胞区域图中与第四预定像素对应的像素的像素值是预期像素值的情况下,将第二模板图像中与第四预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与连通域细胞区域图对应的第二候选细胞核图。第二模板图像中第四预定像素的标签是根据连通域细胞区域图中第四预定像素的标签确定的。
根据本公开的实施例,预期像素值可以根据实际业务需求进行配置,在此不作限定。例如,预期像素值可以第二预定像素值。第四预定像素可以是第二模板图像中的任意一个像素。
根据本公开的实施例,针对第二模板图像中的每个第四预定像素,确定第二交集细胞区域图中与第四预定像素对应的像素的像素值是否是预期像素值。在确定第二交集细胞区域图中与第四预定像素对应的像素的像素值是预期像素值的情况下,可以根据与第四预定像素对应的标签以及标签与像素的位置之间的关联关系,确定第二模板图像中与第四预定像素具有相同标签的多个像素各自的位置。根据第二模板图像中与第四预定像素具有相同标签的多个像素各自的位置,将第二模板图像中与第四预定像素具有相同标签的多个像素各自的像素值由第一预定像素值修改为第二预定像素值。
根据本公开的实施例,通过遍历第二模板图像中的每个第四预定像素,在确定第二交集细胞区域图中与第四预定像素对应的像素的像素值是预期像素值的情况下,将第二模板图像中与第四预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,能够提高第二候选细胞核图包括细胞核的概率,降低第二候选细胞核图受到的噪声干扰。此外,还能够将细胞核形态还原,使其接近真实的细胞核形态。
根据本公开的实施例,第二候选细胞核图可以包括至少一个第二候选连通域。细胞核图可以包括至少一个连通域。
根据本公开的实施例,根据与连通域细胞区域图对应的第二候选细胞核图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
针对与连通域细胞区域图对应的第二候选细胞核图中的每个第二候选连通域,在确定第二候选连通域的面积大于或等于第三预定面积阈值的情况下,将第二候选连通域确定为与连通域细胞区域图对应的细胞核图中的连通域。
根据本公开的实施例,第三预定面积阈值可以根据实际业务需求进行配置,在此不作限定。例如,第三预定面积阈值可以是70μm
2。
根据本公开的实施例,细胞核图中的连通域是连通域面积大于或等于第三预定面积阈值的连通域,因此,有效降低了细胞核图中面积较小的连通域,面积较小的连通域会对图像分割造成干扰,由此,将连通域面积大于或等于第三预定面积阈值的第二候选连通域作为细胞核图中的连通域,能够提高图像分割结果的准确性。
根据本公开的实施例,初始图像分割结果可以包括细胞边缘图和细胞区域图。
根据本公开的实施例,基于形态学方法,根据目标细胞核图和初始图像分割结果,得到目标细胞区域轮廓图,可以包括如下操作。
根据目标细胞核图和细胞区域图,得到初级细胞区域图。利用膨胀操作处理初始细胞区域图,得到第二细胞区域膨胀图。根据第二细胞区域膨胀图和初级细胞区域图,得到第一中间细胞区域轮廓图。根据第一中间细胞区域轮廓图和目标细胞图像,得到第二中间细胞区域轮廓图。根据第二中间细胞区域轮廓图和目标细胞核图,得到第三中间细胞区域轮廓图。根据第三中间细胞区域轮廓图和细胞边缘图,得到目标细胞区域轮廓图。
根据本公开的实施例,可以将目标细胞核图和细胞区域图进行相加操作,得到初级细胞区域图。在获得初级细胞区域图之后,可以利用膨胀操作,根据第四结构元素和初级细胞区域图,得到第二细胞区域膨胀图。第四结构元素可以根据实际业务需求进行配置,在此不作限定。
根据本公开的实施例,将初级细胞区域图和第二细胞区域膨胀图进行相减操作,得到第一中间细胞区域轮廓图。第二细胞区域膨胀图可以作为背景。初级细胞区域图可以作为前景。
根据本公开的实施例,可以将第二中间细胞区域轮廓图和目标细胞核图进行与操作,得到第二中间细胞区域轮廓图和目标细胞核图的交集区域。保留第二中间细胞区域轮廓图中交集区域的连通域,去除除交集区域以外的其他区域,得到第三中间细胞区域轮廓图。
根据本公开的实施例,可以将第三中间细胞区域轮廓图和细胞边缘图进行相减操作,得到目标细胞区域轮廓图。例如,可以将第三中间细胞区域轮廓图减去细胞边缘图,得到目标细胞区域轮廓图。
根据本公开的实施例,根据第一中间细胞区域轮廓图和目标细胞图像,得到第二中间细胞区域轮廓图,可以包括如下操作。
基于目标细胞图像,对第一中间细胞区域轮廓图进行分水岭处理,得到第四中间细胞区域轮廓图。将第四中间细胞区域轮廓图中背景区域的像素的像素值设置为第一预定像素值,将第四中间细胞区域轮廓图中除背景区域以外的其他区域的像素的像素值设置为第二预定像素值,得到第二中间细胞区域轮廓图。
根据本公开的实施例,分水岭方法可以包括以下至少之一:基于距离变换的分水岭分割方法、基于标记的分水岭分割方法和基于梯度的分水岭分割方法。分水岭方法可以根据实际业务需求进行配置,在此不作限定。
根据本公开的实施例,可以在目标细胞图像上对第一中间细胞区域轮廓图进行分水岭处理,得到第四中间细胞区域轮廓图。第一预定像素值和第二预定像素值可以根据实际业务需求进行配置,在此不作限定。例如,第一预定像素值可以是0。第二预定像素值可以是255。
根据本公开的实施例,根据第二中间细胞区域轮廓图和目标细胞核图,得到第三中间细胞区域轮廓图,可以包括如下操作。
生成第三模板图像。第三模板图像的尺寸与第二中间细胞区域轮廓图的尺寸相等。第三模板图像的像素的像素值为第一预定像素值。根据第三模板图像、第二中间细胞区域轮廓图和目标细胞核图,得到第三中间细胞区域轮廓图。
根据本公开的实施例,第三模型图像可以是像素值为第一预定像素值且尺寸与第二中间细胞区域轮廓图的尺寸相等的图像。
根据本公开的实施例,根据第三模板图像、第二中间细胞区域轮廓图和目标细胞核图,得到第三中间细胞区域轮廓图,可以包括如下操作。
确定与目标细胞核图中连通域对应的第三轮廓集合。遍历第三轮廓集合包括的每个第五预定像素,将第三模板图像中与第五预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到第三中间细胞区域轮廓图。第三模板图像中第五预定像素的标签是根据第二中间细胞区域轮廓图中第五预定像素的标签确定的。
根据本公开的实施例,标签可以用于表征连通域。每个连通域具有与该连通域对应的标签。连通域可以与标签一一对应。第三模板图像的像素具有与该像素对应的标签。第三模板图像中属于同一连通域的像素的标签相同。第二中间细胞区域轮廓图的像素具有与该像素对应的标签。第二中间细胞区域轮廓图中属于同一连通域的像素的标签相同。标签可以与像素的位置关联。
根据本公开的实施例,可以确定目标细胞核图包括的与全部连通域各自对应的轮廓,得到第三轮廓集合。第三轮廓集合可以包括至少一个第三轮廓。每个第三轮廓可以具有与该第三轮廓对应的多个像素。每个第三轮廓可以具有与该第三轮廓对应的第五预定像素。与第三轮廓对应的第五预定像素可以是从与该第三轮廓对应的多个像素中确定的。第五预定像素可以根据实际业务需求进行选择,在此不作限定。例如,与第三轮廓对应的第五预定像素可以是与该第三轮廓对应的多个像素中的第一个像素。备选地,与第三轮廓对应的第五预定像素可以是与该第三轮廓对应的多个像素中的位于中心区域的像素。
根据本公开的实施例,针对第三轮廓集合中的每个第三轮廓,确定与第三轮廓对应的第五预定像素。根据第五预定像素的位置以及标签与像素的位置之间的关联关系,确定与第三轮廓的第五预定像素对应的标签。根据与第三轮廓的第五预定像素对应的标签以及标签与像素的位置之间的关联关系,确定第三模板图像中与第三 轮廓的第五预定像素具有相同标签的多个像素各自的位置。根据与第三轮廓的第五预定像素具有相同标签的多个像素各自的位置,将与第三轮廓的第五预定像素具有相同标签的多个像素各自的像素值由第一预定像素值修改为第二预定像素值。基于上述方式,将第二轮廓集合遍历完毕,得到第三中间细胞区域轮廓图。
根据本公开的实施例,由于目标细胞核图是包括细胞核的图像,因此,通过遍历与目标细胞核图中连通域对应的第三轮廓集合包括的每个第五预定像素,将第三模板图像中与第五预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,能够提高第三中间细胞区域轮廓图包括细胞核的概率,降低第三中间细胞区域轮廓图受到的噪声干扰。
根据本公开的实施例,根据第三模板图像、第二中间细胞区域轮廓图和目标细胞核图,得到第三中间细胞区域轮廓图,可以包括如下操作。
遍历第三模板图像中的每个第六预定像素,在确定目标细胞核图中与第六预定像素对应的像素的像素值是预期像素值的情况下,将第三模板图像中与第六预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到第三中间细胞区域轮廓图。
根据本公开的实施例,预期像素值可以根据实际业务需求进行配置,在此不作限定。例如,预期像素值可以第二预定像素值。第六预定像素可以是第三模板图像中的任意一个像素。
根据本公开的实施例,针对第三模板图像中的每个第六预定像素,确定目标细胞核图中与第六预定像素对应的像素的像素值是否是预期像素值。在确定目标细胞核图中与第六预定像素对应的像素的像素值是预期像素值的情况下,可以根据与第六预定像素对应的标签以及标签与像素的位置之间的关联关系,确定第三模板图像中与第六预定像素具有相同标签的多个像素各自的位置。根据第三模板图像中与第六预定像素具有相同标签的多个像素各自的位置,将第三模板图像中与第六预定像素具有相同标签的多个像素各自的像素值由第一预定像素值修改为第二预定像素值。
根据本公开的实施例,通过遍历第三模板图像中的每个第六预定像素,在确定目标细胞核图中与第六预定像素对应的像素的像素值是预期像素值的情况下,将第三模板图像中与第六预定像素具有相同标签的像素的像素值由第一预定像素值修改 为第二预定像素值,直至遍历完毕,能够提高第三中间细胞区域轮廓图包括细胞核的概率,降低第三中间细胞区域轮廓图受到的噪声干扰。
根据本公开的实施例,基于形态学方法,根据目标细胞区域轮廓图和目标细胞核图,得到目标细胞轮廓图,可以包括如下操作。
将目标细胞区域轮廓图和目标细胞核图进行相减操作,得到中间细胞轮廓图。基于目标细胞图像,对中间细胞轮廓图进行分水岭处理,得到目标细胞轮廓图。
根据本公开的实施例,目标细胞区域轮廓图可以作为背景。目标细胞核图可以作为前景。可以在目标细胞图像上对中间细胞轮廓图进行分水岭处理,得到目标细胞轮廓图。
根据本公开的实施例,上述细胞图像处理方法还可以包括如下操作。
根据目标图像分割结果,确定细胞统计信息。根据细胞统计信息,确定细胞的质量评估结果。
根据本公开的实施例,细胞统计信息包括以下至少之一:细胞数目、细胞面积、细胞周长、细胞总面积、细胞的长轴长度和细胞的短轴长度。
根据本公开的实施例,可以调用细胞统计分析例程,利用细胞统计分析例程处理目标图像分割结果,得到细胞统计信息。例如,细胞统计分析例程可以包括以下至少之一:周长统计例程、面积统计例程、细胞数目统计例程、细胞的长短轴统计例程。例如,周长统计例程可以是cv2.arcLength()。面积统计例程可以是cv2.contourArea()。
根据本公开的实施例,可以利用细胞数目统计例程,根据目标细胞核图,确定细胞数目。可以利用面积统计例程,根据目标细胞轮廓图,得到细胞面积。可以利用周长统计例程,根据目标细胞轮廓图,得到细胞周长。可以利用长短轴统计例程,根据目标细胞轮廓图,得到细胞的长轴长度和细胞的短轴长度。可以根据细胞数目和细胞面积,得到细胞总面积。
根据本公开的实施例,可以根据细胞统计信息来确定细胞的质量评估结果。
根据本公开的实施例,利用形态学方法来对细胞图像进行分割,得到目标图像分割结果,根据目标图像分割结果来对细胞的质量进行评估,可以根据质量评估结果来避免人为因素带来的误差,使细胞培养流程更加标准化,从而有效降低生产成 本。在实际工业生产中,能够实现快速分析连续的目标细胞图像,统计准确度在90%以上。
下面参考图3A~图3B和图4A~图4K,结合具体实施例对根据本公开实施例所述的细胞图像处理方法做进一步说明。
图3A示意性示出了根据本公开实施例的细胞图像处理过程的原理示意图。
如图3A所示,在300A中,可以基于阈值分割方法,根据目标细胞图像301,得到初始图像分割结果。初始图像分割结果可以包括细胞边缘图302、细胞区域图303和细胞核区域图304。
利用膨胀操作处理细胞区域图303,得到第一细胞区域膨胀图305。利用填充操作处理第一细胞区域膨胀图305,得到细胞区域膨胀填充图306。利用腐蚀操作处理细胞区域膨胀填充图306,得到细胞区域填充图307。根据细胞区域填充图307和细胞边缘图302,得到中间细胞区域图308。
根据中间细胞区域图308和预定前景区域划分策略,得到至少一个连通域细胞区域图309。针对至少一个连通域细胞区域图309中的连通域细胞区域图309,基于形态学方法,根据细胞核区域图304和,连通域细胞区域图309,得到与连通域细胞区域图309对应的细胞核图。根据与至少一个连通域细胞区域图309各自对应的细胞区域图,得到目标细胞核图310。
可以根据目标细胞核图310和细胞区域图303,得到初级细胞区域图311。利用膨胀操作处理初始细胞区域图311,得到第二细胞区域膨胀图312。根据第二细胞区域膨胀图312和初级细胞区域图311,得到第一中间细胞区域轮廓图313。根据第一中间细胞区域轮廓图313和目标细胞图像301,得到第二中间细胞区域轮廓图314。根据第二中间细胞区域轮廓图314和目标细胞核图310,得到第三中间细胞区域轮廓图315。根据第三中间细胞区域轮廓图315和细胞边缘图302,得到目标细胞区域轮廓图316。
将目标细胞区域轮廓图316和目标细胞核图310进行相减操作,得到中间细胞轮廓图317。基于目标细胞图像301,对中间细胞轮廓图317进行分水岭处理,得到目标细胞轮廓图318。
下面结合图3B对图3A中基于形态学方法,根据细胞核区域图304和,连通域细胞区域图309,得到与连通域细胞区域图309对应的细胞核图做进一步说明。
图3B示意性示出了根据本公开实施例基于形态学方法,根据细胞核区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图的流程图。
如图3B所示,该方法300B包括操作S301~S325。
在操作S301,获取连通域细胞区域图。
在操作S302,连通域细胞区域图的面积大于或等于第一预定面积阈值?若是,则执行操作S302~S314;若否,则执行操作S315~S325。
在操作S303,基于形态学方法处理连通域细胞区域图,得到中间连通域细胞区域图。
在操作S304,将中间连通域细胞区域图和细胞核区域图进行与操作,得到第一交集细胞区域图。
在操作S305,生成第一模板图像。第一模板图像的尺寸与中间连通域细胞区域图的尺寸相等。第一模板图像的像素的像素值为第一预定像素值。
在操作S306,确定与第一交集细胞区域图中连通域对应的第一轮廓集合。
在操作S307,确定第一轮廓集合中当前第一预定像素。
在操作S308,将第一模板图像中与当前第一预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值。
在操作S309,第一轮廓集合中的第一预定像素被遍历完毕?若是,则执行操作S310和S312~S314;若否,则执行操作S311。
在操作S310,获得与连通域细胞区域图对应的第一候选细胞核图。
在操作S311,确定第一轮廓集合中新的当前第一预定像素,并返回执行操作S309。
在操作S312,第一候选细胞核图中的第一候选连通域的面积大于或等于第二预定面积阈值?若是,则执行操作S313;若否,则执行操作S314。
在操作S313,将第一候选连通域确定为与连通域细胞区域图对应的细胞核图中的连通域。
在操作S314,删除第一候选连通域。
在操作S315,将连通域细胞区域图和细胞核区域图进行与操作,得到第二交集细胞区域图。
在操作S316,生成第二模板图像。第二模板图像的尺寸与连通域细胞区域图的尺寸相等。第二模板图像的像素的像素值为第一预定像素值。
在操作S317,确定与第二交集细胞区域图中连通域对应的第二轮廓集合。
在操作S318,确定第二轮廓集合中当前第三预定像素。
在操作S319,将第二模板图像中与当前第三预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值。
在操作S320,第二轮廓集合中的第三预定像素被遍历完毕?若是,则执行操作S321和操作S323~S325;若否,则执行操作S322。
在操作S321,获得与连通域细胞区域图对应的第二候选细胞核图。
在操作S322,确定第二轮廓集合中新的当前第三预定像素。
在操作S323,第二候选细胞核图中的第二候选连通域的面积大于或等于第三预定面积阈值?若是,则执行操作S324;若否,则执行操作S325。
在操作S324,将第二候选连通域确定为与连通域细胞区域图对应的细胞核图中的连通域。
在操作S325,删除第二候选连通域。
下面以干细胞为例,参考图4A~图4K结合具体实施例对根据本公开所述的细胞图像处理方法做进一步说明。
图4A示意性示出了根据本公开实施例的初始图像分割结果的示例示意图。
如图4A所示,在400A中,可以利用阈值分割方法处理目标细胞图像401,得到初始图像分割结果。初始图像分割结果可以包括细胞边缘图402、细胞区域图403细胞核区域图404。
图4B示意性示出了根据本公开实施例的获得中间细胞区域图的示例示意图。
如图4B所示,在400B中,可以利用膨胀操作处理细胞区域图403,得到第一细胞区域膨胀图405。利用填充操作处理第一细胞区域膨胀图405,得到细胞区域膨胀填充图406。利用腐蚀操作处理细胞区域膨胀填充图406,得到细胞区域填充图407。将细胞区域填充图407和细胞边缘图402进行相减操作,得到中间细胞区域图408。
图4C示意性示出了根据本公开实施例的获得连通域细胞区域图的示例示意图。
如图4C所示,在400C中,可以根据预定前景区域划分策略对中间细胞区域图408进行划分,得到连通域细胞区域图集合409。连通域细胞区域图集合409可以包括连通域细胞区域图409_1、连通域细胞区域图409_2和连通域细胞区域图409_3。连通域细胞区域图409_1中连通域面积属于第一预定面积范围。连通域细胞区域图409_2中连通域面积属于第二预定面积范围。连通域细胞区域图409_3中连通域面积属于第三预定面积范围。例如,第一预定面积范围可以是大于或等于600μm
2。第二预定面积范围可以是大于200μm
2小于600μm
2。第三预定面积范围可以是小于或等于200μm
2。
图4D示意性示出了根据本公开实施例的获得与连通域细胞区域图对应的细胞核图的示例示意图。
如图4D所示,在400D中,可以利用腐蚀操作处理连通域细胞区域图409_1,得到中间连通域细胞区域图410。将中间连通域细胞区域图410和细胞核区域图进行与操作,得到第一交集细胞区域图411。根据第一交集细胞区域图411和中间连通域细胞区域图410,将中间连通域细胞区域图410中位于第一交集细胞区域图411中的连通域保留,去除其他区域,得到与连通域细胞区域图对应的第一候选细胞核图412。可以从第一候选细胞核图412中删除第一目标连通域,得到删除第一目标连通域后的第一候选细胞核图。将删除第一目标连通域后的第一候选细胞核图确定为与连通域细胞区域图409_1对应的细胞核图413。第一目标连通域可以指连通域的面积小于第二预定面积阈值的连通域。在目标细胞图像中绘制细胞核图413中每个连通域的中心点,得到目标细胞图像414。
图4E示意性示出了根据本公开另一实施例的与连通域细胞区域图对应的细胞核图的示例示意性图。
如图4E所示,在400E中,可以利用与获得与连通域细胞区域图409_1类似的方式,获得与连通域细胞区域图409_2对应的细胞核图415。在目标细胞图像401中绘制细胞核图415中每个连通域的中心点,得到目标细胞图像416。
图4F示意性示出了根据本公开另一实施例的获得与连通域细胞区域图对应的细胞核图的示例示意图。
如图4F所示,在400F中,将连通域细胞区域图409_3和细胞核区域图进行与操作,得到第二交集细胞区域图417。根据第二交集细胞区域图417和连通域细胞 区域图409_3,将连通域细胞区域图409_3中位于第二交集细胞区域图417中的连通域保留,去除其他区域,得到与连通域细胞区域图对应的第一候选细胞核图418。可以从第一候选细胞核图418中删除第二目标连通域,得到删除第二目标连通域后的第一候选细胞核图。将删除第二目标连通域后的第一候选细胞核图确定为与连通域细胞区域图409_3对应的细胞核图419。第二目标连通域可以指连通域的面积小于第三预定面积阈值的连通域。在目标细胞图像中绘制细胞核图419中每个连通域的中心点,得到目标细胞图像420。
图4G示意性示出了根据本公开实施例的获得目标细胞核图的示例示意图。
如图4G所示,在400G中,可以将细胞核图、细胞核图和细胞核图合并,得到目标细胞核图421。此外,可以在目标细胞图像401上绘制目标细胞核图421中每个连通域的中心点,得到细胞核计数图422。
图4H示意性示出了根据本公开实施例的获得目标细胞区域轮廓图的示例示意图。
如图4H所示,在400H中,可以根据目标细胞核图和细胞区域图,得到初级细胞区域图423。利用膨胀操作处理初始细胞区域图423,得到第二细胞区域膨胀图424。根据第二细胞区域膨胀图424和初级细胞区域图423,得到第一中间细胞区域轮廓图425。
可以基于目标细胞图像,对第一中间细胞区域轮廓图425进行分水岭处理,得到第四中间细胞区域轮廓图。将第四中间细胞区域轮廓图中背景区域的像素的像素值设置为第一预定像素值,将第四中间细胞区域轮廓图中除背景区域以外的其他区域的像素的像素值设置为第二预定像素值,得到第二中间细胞区域轮廓图426。
可以将第二中间细胞区域轮廓图426和目标细胞核图进行与操作,得到第二中间细胞区域轮廓图和目标细胞核图的交集区域。保留第二中间细胞区域轮廓图中交集区域的连通域,去除除交集区域以外的其他区域,得到第三中间细胞区域轮廓图427。
可以将第三中间细胞区域轮廓图427减去细胞边缘图,得到目标细胞区域轮廓图428。此外,在目标细胞图像401上绘制目标细胞区域轮廓图428中每个连通域的中心点,得到目标细胞图像429。
图4I示意性示出了根据本公开实施例的获得目标细胞轮廓图的示例示意图。
如图4I所示,在400I中,将目标细胞区域轮廓图和目标细胞核图进行相减操作,得到中间细胞轮廓图430。基于目标细胞图像,对中间细胞轮廓图430进行分水岭处理,得到目标细胞轮廓图。此外,可以在目标细胞图像上对不同细胞进行染色处理,得到目标细胞图像431。
图4J示意性示出了根据本公开实施例的细胞培养初期的目标图像分割结果的示例示意图。
如图4J所示,在400J中,利用根据本公开实施例所述的细胞图像处理方法处理目标细胞图像432得到目标细胞核图433和目标细胞轮廓图434。根据目标细胞核图433和目标细胞轮廓图434,得到目标图像分割结果。
图4K示意性示出了根据本公开实施例的细胞培养后期的目标图像分割结果的示例示意图。
如图4K所示,在400K中,利用根据本公开实施例所述的细胞图像处理方法处理目标细胞图像435得到目标细胞核图436和目标细胞轮廓图437。根据目标细胞核图436和目标细胞轮廓图437,得到目标图像分割结果。
图5示意性示出了根据本公开的实施例的细胞图像处理装置的框图。
如图5所示,细胞图像处理装置可以包括第一获得模块510、第二获得模块520、第三获得模块530和第四获得模块540。
第一获得模块510,被配置为基于形态学方法,根据目标细胞图像的初始图像分割结果,得到目标细胞核图。目标细胞图像是与至少一个细胞对应的图像。
第二获得模块520,被配置为基于形态学方法,根据目标细胞核图和初始图像分割结果,得到目标细胞区域轮廓图。
第三获得模块530,被配置为基于形态学方法,根据目标细胞区域轮廓图和目标细胞核图,得到目标细胞轮廓图。
第四获得模块540,被配置为根据目标细胞轮廓图和目标细胞核图,得到目标图像分割结果。
根据本公开的实施例,上述细胞图像处理装置500还可以包括第五获得模块。
第五获得模块,被配置为基于阈值分割方法,根据目标细胞图像,得到初始图像分割结果。
根据本公开的实施例,阈值分割方法包括最大类间方差方法。
根据本公开的实施例,第五获得模块可以包括第一获得子模块、第二获得子模块、第三获得子模块和第四获得子模块。
第一获得子模块,被配置为基于最大类间方差方法,根据目标细胞图像,得到第一灰度阈值和第二灰度阈值和第三灰度阈值。第二灰度阈值大于第三灰度阈值且小于第一灰度阈值。
第二获得子模块,被配置为根据第一灰度阈值对目标细胞图像进行二值化处理,得到细胞边缘图。
第三获得子模块,被配置为根据第二灰度阈值对目标细胞图像进行二值化处理,得到细胞区域图。
第四获得子模块,被配置为根据第三灰度阈值对目标细胞图像进行二值化处理,得到细胞核区域图。
根据本公开的实施例,初始图像分割结果包括细胞边缘图、细胞区域图和细胞核区域图。
根据本公开的实施例,第一获得模块510可以包括第五获得子模块、第六获得子模块和第七获得子模块。
第五获得子模块,被配置为基于形态学方法,根据细胞区域图和细胞边缘图,得到中间细胞区域图。
第六获得子模块,被配置为根据中间细胞区域图和预定前景区域划分策略,得到至少一个连通域细胞区域图。
第七获得子模块,配置为基于形态学方法,根据细胞核区域图和至少一个连通域细胞区域图,得到目标细胞核图。
根据本公开的实施例,第五获得子模块可以包括第一获得单元、第二获得单元、第三获得单元和第四获得单元。
第一获得单元,被配置为利用膨胀操作处理细胞区域图,得到第一细胞区域膨胀图。
第二获得单元,被配置为利用填充操作处理第一细胞区域膨胀图,得到细胞区域膨胀填充图。
第三获得单元,被配置为利用腐蚀操作处理细胞区域膨胀填充图,得到细胞区域填充图。
第四获得单元,被配置为根据细胞区域填充图和细胞边缘图,得到中间细胞区域图。
根据本公开的实施例,第四获得单元可以包括第一获得子单元。
第一获得子单元,被配置为根据细胞区域填充图和细胞边缘图,将细胞区域填充图中的目标细胞边缘去除,得到中间细胞区域图。
根据本公开的实施例,第七获得子模块可以包括第五获得单元和第六获得单元。
第五获得单元,被配置为针对至少一个连通域细胞区域图中的连通域细胞区域图,基于形态学方法,根据细胞核区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图。
第六获得单元,被配置为根据与至少一个连通域细胞区域图各自对应的细胞核图,得到目标细胞核图。
根据本公开的实施例,第五获得单元可以包括第二获得子单元和第三获得子单元。
第二获得子单元,被配置为在确定连通域细胞区域图的面积大于或等于第一预定面积阈值的情况下,基于形态学方法处理连通域细胞区域图,得到中间连通域细胞区域图;以及,根据中间连通域细胞区域图和细胞核区域图,得到与连通域细胞区域图对应的细胞核图。
第三获得子单元,被配置为在确定连通域细胞区域图的面积小于第一预定面积阈值的情况下,根据细胞核区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,第二获得子单元可以被配置为:
将中间连通域细胞区域图和细胞核区域图进行与操作,得到第一交集细胞区域图。根据第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,根据第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
生成第一模板图像。第一模板图像的尺寸与中间连通域细胞区域图的尺寸相等,第一模板图像的像素的像素值为第一预定像素值。根据第一模板图像、第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的第一候选细胞 核图。根据与连通域细胞区域图对应的第一候选细胞核图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,根据第一模板图像、第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的第一候选细胞核图,可以包括如下操作。
确定与第一交集细胞区域图中连通域对应的第一轮廓集合。遍历第一轮廓集合包括的每个第一预定像素,将第一模板图像中与第一预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与连通域细胞区域图对应的第一候选细胞核图。第一模板图像中第一预定像素的标签是根据中间连通域细胞区域图中第一预定像素的标签确定的。
根据本公开的实施例,根据第一模板图像、第一交集细胞区域图和中间连通域细胞区域图,得到与连通域细胞区域图对应的第一候选细胞核图,可以包括如下操作。
遍历第一模板图像中的每个第二预定像素,在确定第一交集细胞区域图中与第二预定像素对应的像素的像素值是预期像素值的情况下,将第一模板图像中与第二预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与连通域细胞区域图对应的第一候选细胞核图。第一模板图像中第二预定像素的标签是根据中间连通域细胞区域图中第二预定像素的标签确定的。
根据本公开的实施例,第一候选细胞核图包括至少一个第一候选连通域。细胞核图包括至少一个连通域。
根据本公开的实施例,根据与连通域细胞区域图对应的第一候选细胞核图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
针对与连通域细胞区域图对应的第一候选细胞核图中的每个第一候选连通域,在确定第一候选连通域的面积大于或等于第二预定面积阈值的情况下,将第一候选连通域确定为与连通域细胞区域图对应的细胞核图中的连通域。
根据本公开的实施例,第三获得子单元可以被配置为:
将连通域细胞区域图和细胞核区域图进行与操作,得到第二交集细胞区域图。
根据第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,根据第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
生成第二模板图像。第二模板图像的尺寸与连通域细胞区域图的尺寸相等,第二模板图像的像素的像素值为第一预定像素值。根据第二模板图像、第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的第二候选细胞核图。根据与连通域细胞区域图对应的第二候选细胞核图,得到与连通域细胞区域图对应的细胞核图。
根据本公开的实施例,根据第二模板图像、第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的第二候选细胞核图,可以包括如下操作。
确定与第二交集细胞区域图中连通域对应的第二轮廓集合。遍历第二轮廓集合包括的每个第三预定像素,将第二模板图像中与第三预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与连通域细胞区域图对应的第二候选细胞核图。第二模板图像中第三预定像素的标签是根据连通域细胞区域图中第三预定像素的标签确定的。
根据本公开的实施例,根据第二模板图像、第二交集细胞区域图和连通域细胞区域图,得到与连通域细胞区域图对应的第二候选细胞核图,可以包括如下操作。
遍历第二模板图像中的每个第四预定像素,在确定第二交集细胞区域图中与第四预定像素对应的像素的像素值是预期像素值的情况下,将第二模板图像中与第四预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与连通域细胞区域图对应的第二候选细胞核图。第二模板图像中第四预定像素的标签是根据连通域细胞区域图中第四预定像素的标签确定的。
根据本公开的实施例,第二候选细胞核图包括至少一个第二候选连通域。细胞核图包括至少一个连通域。
根据本公开的实施例,根据与连通域细胞区域图对应的第二候选细胞核图,得到与连通域细胞区域图对应的细胞核图,可以包括如下操作。
针对与连通域细胞区域图对应的第二候选细胞核图中的每个第二候选连通域,在确定第二候选连通域的面积大于或等于第三预定面积阈值的情况下,将第二候选连通域确定为与连通域细胞区域图对应的细胞核图中的连通域。
根据本公开的实施例,初始图像分割结果包括细胞边缘图和细胞区域图。
根据本公开的实施例,第二获得模块520可以包括第八获得子模块、第九获得子模块、第十获得子模块、第十一获得子模块、第十二获得子模块和第十三获得子模块。
第八获得子模块,被配置为根据目标细胞核图和细胞区域图,得到初级细胞区域图。
第九获得子模块,被配置为利用膨胀操作处理初始细胞区域图,得到第二细胞区域膨胀图。
第十获得子模块,被配置为根据第二细胞区域膨胀图和初级细胞区域图,得到第一中间细胞区域轮廓图。
第十一获得子模块,被配置为根据第一中间细胞区域轮廓图和目标细胞图像,得到第二中间细胞区域轮廓图。
第十二获得子模块,被配置为根据第二中间细胞区域轮廓图和目标细胞核图,得到第三中间细胞区域轮廓图。
第十三获得子模块,被配置为根据第三中间细胞区域轮廓图和细胞边缘图,得到目标细胞区域轮廓图。
根据本公开的实施例,第十一获得子模块可以包括第七获得单元和第八获得单元。
第七获得单元,被配置为基于目标细胞图像,对第一中间细胞区域轮廓图进行分水岭处理,得到第四中间细胞区域轮廓图。
第八获得单元,被配置为将第四中间细胞区域轮廓图中背景区域的像素的像素值设置为第一预定像素值,将第四中间细胞区域轮廓图中除背景区域以外的其他区域的像素的像素值设置为第二预定像素值,得到第二中间细胞区域轮廓图。
根据本公开的实施例,第十二获得子模块可以包括生成单元和第九获得单元。
生成单元,被配置为生成第三模板图像。第三模板图像的尺寸与第二中间细胞区域轮廓图的尺寸相等,第三模板图像的像素的像素值为第一预定像素值。
第九获得单元,被配置为根据第三模板图像、第二中间细胞区域轮廓图和目标细胞核图,得到第三中间细胞区域轮廓图。
根据本公开的实施例,第九获得单元可以包括确定子单元和第四获得子单元。
确定子单元,被配置为确定与目标细胞核图中连通域对应的第三轮廓集合。
第四获得子单元,被配置为遍历第三轮廓集合包括的每个第五预定像素,将第三模板图像中与第五预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到第三中间细胞区域轮廓图。第三模板图像中第五预定像素的标签是根据第二中间细胞区域轮廓图中第五预定像素的标签确定的。
根据本公开的实施例,第九获得单元可以包括第五获得子单元。
第五获得子单元,被配置为遍历第三模板图像中的每个第六预定像素,在确定目标细胞核图中与第六预定像素对应的像素的像素值是预期像素值的情况下,将第三模板图像中与第六预定像素具有相同标签的像素的像素值由第一预定像素值修改为第二预定像素值,直至遍历完毕,得到第三中间细胞区域轮廓图。第三模板图像中第六预定像素的标签是根据第二中间细胞区域轮廓图中第六预定像素的标签确定的。
根据本公开的实施例,第三获得模块530可以包括第十四获得子模块和第十五获得子模块。
第十四获得子模块,被配置为将目标细胞区域轮廓图和目标细胞核图进行相减操作,得到中间细胞轮廓图。
第十五获得子模块,被配置为基于目标细胞图像,对中间细胞轮廓图进行分水岭处理,得到目标细胞轮廓图。
根据本公开的实施例,上述细胞图像处理装置500还可以包括第一确定模块和第二确定模块。
第一确定模块,被配置为根据目标图像分割结果,确定细胞统计信息。
第二确定模块,被配置为根据细胞统计信息,确定细胞的质量评估结果。
根据本公的实施例,细胞统计信息包括以下至少之一:细胞数目、细胞面积、细胞周长、细胞总面积、细胞的长轴长度和细胞的短轴长度。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基 板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获得模块510、第二获得模块520、第三获得模块530和第四获得模块540中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第一获得模块510、第二获得模块520、第三获得模块530和第四获得模块540中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获得模块510、第二获得模块520、第三获得模块530和第四获得模块540中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中细胞图像处理装置与本公开的实施例中细胞图像处理方法部分是相对应的,细胞图像处理装置部分的描述具体参考细胞图像处理方法部分,在此不再赘述。
图6示意性示出了根据本公开实施例的适于实现细胞图像处理方法的电子设备的框图。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,根据本公开实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器601还可以包括用于缓存用途的板载存 储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有电子设备600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。系统600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/0接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储 介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的细胞图像处理方法。
在该计算机程序被处理器601执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分609被下载和安装,和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,Python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机 程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (25)
- 一种细胞图像处理方法,包括:基于形态学方法,根据目标细胞图像的初始图像分割结果,得到目标细胞核图,其中,所述目标细胞图像是与至少一个细胞对应的图像;基于所述形态学方法,根据所述目标细胞核图和所述初始图像分割结果,得到目标细胞区域轮廓图;基于所述形态学方法,根据所述目标细胞区域轮廓图和所述目标细胞核图,得到所述目标细胞轮廓图;以及根据所述目标细胞轮廓图和所述目标细胞核图,得到目标图像分割结果。
- 根据权利要求1所述的方法,还包括:基于阈值分割方法,根据所述目标细胞图像,得到所述初始图像分割结果。
- 根据权利要求2所述的方法,其中,所述阈值分割方法包括最大类间方差方法;其中,所述基于阈值分割方法,根据所述目标细胞图像,得到所述初始图像分割结果,包括:基于所述最大类间方差方法,根据所述目标细胞图像,得到第一灰度阈值和第二灰度阈值和第三灰度阈值,其中,所述第二灰度阈值大于所述第三灰度阈值且小于所述第一灰度阈值;根据所述第一灰度阈值对所述目标细胞图像进行二值化处理,得到所述细胞边缘图;根据所述第二灰度阈值对所述目标细胞图像进行二值化处理,得到所述细胞区域图;以及根据所述第三灰度阈值对所述目标细胞图像进行二值化处理,得到所述细胞核区域图。
- 根据权利要求1~3中任一项所述的方法,其中,所述初始图像分割结果包括细胞边缘图、细胞区域图和细胞核区域图;其中,所述基于形态学方法,根据目标细胞图像的初始图像分割结果,得到目标细胞核图,包括:基于所述形态学方法,根据所述细胞区域图和所述细胞边缘图,得到中间细胞区域图;根据所述中间细胞区域图和预定前景区域划分策略,得到至少一个连通域细胞区域图;以及基于所述形态学方法,根据所述细胞核区域图和所述至少一个连通域细胞区域图,得到所述目标细胞核图。
- 根据权利要求4所述的方法,其中,所述基于所述形态学方法,根据所述细胞区域图和所述细胞边缘图,得到中间细胞区域图,包括:利用膨胀操作处理所述细胞区域图,得到第一细胞区域膨胀图;利用填充操作处理所述第一细胞区域膨胀图,得到细胞区域膨胀填充图;利用腐蚀操作处理所述细胞区域膨胀填充图,得到细胞区域填充图;以及根据所述细胞区域填充图和所述细胞边缘图,将所述细胞区域填充图中的目标细胞边缘去除,得到所述中间细胞区域图。
- 根据权利要求4或5所述的方法,其中,所述基于所述形态学方法,根据所述细胞核区域图和所述至少一个连通域细胞区域图,得到所述目标细胞核图,包括:针对所述至少一个连通域细胞区域图中的连通域细胞区域图,基于所述形态学方法,根据所述细胞核区域图和所述连通域细胞区域图,得到与所述连通域细胞区域图对应的细胞核图;以及根据与所述至少一个连通域细胞区域图各自对应的细胞核图,得到所述目标细胞核图。
- 根据权利要求6所述的方法,其中,所述基于所述形态学方法,根据所述细胞核区域图和所述连通域细胞区域图,得到与所述连通域细胞区域图对应的细胞核图,包括:在确定所述连通域细胞区域图的面积大于或等于第一预定面积阈值的情况下,基于所述形态学方法处理所述连通域细胞区域图,得到中间连通域细胞区域图;以及,根据所述中间连通域细胞区域图和所述细胞核区域图,得到与所述连通域细胞区域图对应的细胞核图;以及在确定所述连通域细胞区域图的面积小于所述第一预定面积阈值的情况下,根据所述细胞核区域图和所述连通域细胞区域图,得到与所述连通域细胞区域图对应的细胞核图。
- 根据权利要求7所述的方法,其中,所述根据所述中间连通域细胞区域图和所述细胞核区域图,得到与所述连通域细胞区域图对应的细胞核图,包括:将所述中间连通域细胞区域图和所述细胞核区域图进行与操作,得到第一交集细胞区域图;以及根据所述第一交集细胞区域图和所述中间连通域细胞区域图,得到与所述连通域细胞区域图对应的细胞核图。
- 根据权利要求8所述的方法,其中,所述根据所述第一交集细胞区域图和所述中间连通域细胞区域图,得到与所述连通域细胞区域图对应的细胞核图,包括:生成第一模板图像,其中,所述第一模板图像的尺寸与所述中间连通域细胞区域图的尺寸相等,所述第一模板图像的像素的像素值为第一预定像素值;根据所述第一模板图像、所述第一交集细胞区域图和所述中间连通域细胞区域图,得到与所述连通域细胞区域图对应的第一候选细胞核图;以及根据与所述连通域细胞区域图对应的第一候选细胞核图,得到与所述连通域细胞区域图对应的细胞核图。
- 根据权利要求9所述的方法,其中,所述根据所述第一模板图像、所述第一交集细胞区域图和所述中间连通域细胞区域图,得到与所述连通域细胞区域图对应的第一候选细胞核图,包括:确定与所述第一交集细胞区域图中连通域对应的第一轮廓集合;以及遍历所述第一轮廓集合包括的每个第一预定像素,将所述第一模板图像中与所述第一预定像素具有相同标签的像素的像素值由所述第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与所述连通域细胞区域图对应的第一候选细胞核图,其中,所述第一模板图像中第一预定像素的标签是根据所述中间连通域细胞区域图中第一预定像素的标签确定的。
- 根据权利要求9所述的方法,其中,所述根据所述第一模板图像、所述第一交集细胞区域图和所述中间连通域细胞区域图,得到与所述连通域细胞区域图对应的第一候选细胞核图,包括:遍历所述第一模板图像中的每个第二预定像素,在确定所述第一交集细胞区域图中与所述第二预定像素对应的像素的像素值是预期像素值的情况下,将所述第一模板图像中与所述第二预定像素具有相同标签的像素的像素值由所述第一预定像素值修改为所述第二预定像素值,直至遍历完毕,得到与所述连通域细胞区域图对应 的第一候选细胞核图,其中,所述第一模板图像中第二预定像素的标签是根据所述中间连通域细胞区域图中第二预定像素的标签确定的。
- 根据权利要求7所述的方法,其中,所述根据所述细胞核区域图和所述连通域细胞区域图,得到与所述连通域细胞区域图对应的细胞核图,包括:将所述连通域细胞区域图和所述细胞核区域图进行与操作,得到第二交集细胞区域图;以及根据所述第二交集细胞区域图和所述连通域细胞区域图,得到与所述连通域细胞区域图对应的细胞核图;生成第二模板图像,其中,所述第二模板图像的尺寸与所述连通域细胞区域图的尺寸相等,所述第二模板图像的像素的像素值为所述第一预定像素值;根据所述第二模板图像、所述第二交集细胞区域图和所述连通域细胞区域图,得到与所述连通域细胞区域图对应的第二候选细胞核图;以及根据与所述连通域细胞区域图对应的第二候选细胞核图,得到与所述连通域细胞区域图对应的细胞核图。
- 根据权利要求12所述的方法,其中,所述根据所述第二模板图像、所述第二交集细胞区域图和所述连通域细胞区域图,得到与所述连通域细胞区域图对应的第二候选细胞核图,包括:确定与所述第二交集细胞区域图中连通域对应的第二轮廓集合;以及遍历所述第二轮廓集合包括的每个第三预定像素,将所述第二模板图像中与所述第三预定像素具有相同标签的像素的像素值由所述第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与所述连通域细胞区域图对应的第二候选细胞核图,其中,所述第二模板图像中第三预定像素的标签是根据所述连通域细胞区域图中第三预定像素的标签确定的。
- 根据权利要求12所述的方法,其中,所述根据所述第二模板图像、所述第二交集细胞区域图和所述连通域细胞区域图,得到与所述连通域细胞区域图对应的第二候选细胞核图,包括:遍历所述第二模板图像中的每个第四预定像素,在确定所述第二交集细胞区域图中与所述第四预定像素对应的像素的像素值是预期像素值的情况下,将所述第二模板图像中与所述第四预定像素具有相同标签的像素的像素值由所述第一预定像素值修改为第二预定像素值,直至遍历完毕,得到与所述连通域细胞区域图对应的第 二候选细胞核图,其中,所述第二模板图像中第四预定像素的标签是根据所述连通域细胞区域图中第四预定像素的标签确定的。
- 根据权利要求1~14中任一项所述的方法,其中,所述初始图像分割结果包括细胞边缘图和细胞区域图;其中,所述基于所述形态学方法,根据所述目标细胞核图和所述初始图像分割结果,得到目标细胞区域轮廓图,包括:根据所述目标细胞核图和所述细胞区域图,得到初级细胞区域图;利用膨胀操作处理所述初始细胞区域图,得到第二细胞区域膨胀图;根据所述第二细胞区域膨胀图和所述初级细胞区域图,得到第一中间细胞区域轮廓图;根据所述第一中间细胞区域轮廓图和所述目标细胞图像,得到第二中间细胞区域轮廓图;根据所述第二中间细胞区域轮廓图和所述目标细胞核图,得到第三中间细胞区域轮廓图;以及根据所述第三中间细胞区域轮廓图和所述细胞边缘图,得到所述目标细胞区域轮廓图。
- 根据权利要求15所述的方法,其中,所述根据所述第一中间细胞区域轮廓图和所述目标细胞图像,得到第二中间细胞区域轮廓图,包括:基于所述目标细胞图像,对所述第一中间细胞区域轮廓图进行分水岭处理,得到第四中间细胞区域轮廓图;以及将所述第四中间细胞区域轮廓图中背景区域的像素的像素值设置为所述第一预定像素值,将所述第四中间细胞区域轮廓图中除所述背景区域以外的其他区域的像素的像素值设置为所述第二预定像素值,得到所述第二中间细胞区域轮廓图。
- 根据权利要求15或16所述的方法,其中,所述根据所述第二中间细胞区域轮廓图和所述目标细胞核图,得到所述第三中间细胞区域轮廓图,包括:生成第三模板图像,其中,所述第三模板图像的尺寸与所述第二中间细胞区域轮廓图的尺寸相等,所述第三模板图像的像素的像素值为所述第一预定像素值;以及根据所述第三模板图像、所述第二中间细胞区域轮廓图和所述目标细胞核图,得到所述第三中间细胞区域轮廓图。
- 根据权利要求17所述的方法,其中,所述根据所述第三模板图像、所述第二中间细胞区域轮廓图和所述目标细胞核图,得到所述第三中间细胞区域轮廓图,包括:确定与所述目标细胞核图中连通域对应的第三轮廓集合;以及遍历所述第三轮廓集合包括的每个第五预定像素,将所述第三模板图像中与所述第五预定像素具有相同标签的像素的像素值由所述第一预定像素值修改为第二预定像素值,直至遍历完毕,得到所述第三中间细胞区域轮廓图,其中,所述第三模板图像中第五预定像素的标签是根据所述第二中间细胞区域轮廓图中第五预定像素的标签确定的。
- 根据权利要求17所述的方法,其中,所述根据所述第三模板图像、所述第二中间细胞区域轮廓图和所述目标细胞核图,得到所述第三中间细胞区域轮廓图,包括:遍历所述第三模板图像中的每个第六预定像素,在确定所述目标细胞核图中与所述第六预定像素对应的像素的像素值是预期像素值的情况下,将所述第三模板图像中与所述第六预定像素具有相同标签的像素的像素值由所述第一预定像素值修改为所述第二预定像素值,直至遍历完毕,得到所述第三中间细胞区域轮廓图,其中,所述第三模板图像中第六预定像素的标签是根据所述第二中间细胞区域轮廓图中第六预定像素的标签确定的。
- 根据权利要求1~19中任一项所述的方法,其中,所述基于所述形态学方法,根据所述目标细胞区域轮廓图和所述目标细胞核图,得到所述目标细胞轮廓图,包括:将所述目标细胞区域轮廓图和所述目标细胞核图进行相减操作,得到所述中间细胞轮廓图;以及基于所述目标细胞图像,对所述中间细胞轮廓图进行分水岭处理,得到所述目标细胞轮廓图。
- 根据权利要求1~20中任一项所述的方法,还包括:根据所述目标图像分割结果,确定细胞统计信息;以及根据所述细胞统计信息,确定所述细胞的质量评估结果。
- 根据权利要求21所述的方法,其中,所述细胞统计信息包括以下至少之一:细胞数目、细胞面积、细胞周长、细胞总面积、细胞的长轴长度和细胞的短轴长度。
- 一种电子设备,包括:一个或多个处理器;存储器,被配置为存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1~22中任一项所述的方法。
- 一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1~22中任一项所述的方法。
- 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,所述计算机程序被处理器执行时用于实现权利要求1~22中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/093258 WO2023220913A1 (zh) | 2022-05-17 | 2022-05-17 | 细胞图像处理方法、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117425914A true CN117425914A (zh) | 2024-01-19 |
Family
ID=88834353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280001251.4A Pending CN117425914A (zh) | 2022-05-17 | 2022-05-17 | 细胞图像处理方法、电子设备以及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240029456A1 (zh) |
CN (1) | CN117425914A (zh) |
WO (1) | WO2023220913A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392460B (zh) * | 2014-12-12 | 2015-11-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN110120056B (zh) * | 2019-05-21 | 2021-08-10 | 闽江学院 | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 |
CN111504885B (zh) * | 2020-04-04 | 2022-03-15 | 电子科技大学 | 一种基于机器视觉的全自动血涂片形态分析装置的分析方法 |
CN113313719A (zh) * | 2021-06-11 | 2021-08-27 | 福州大学 | 基于视觉注意机制和模型拟合的白细胞分割方法 |
-
2022
- 2022-05-17 US US18/246,348 patent/US20240029456A1/en active Pending
- 2022-05-17 WO PCT/CN2022/093258 patent/WO2023220913A1/zh active Application Filing
- 2022-05-17 CN CN202280001251.4A patent/CN117425914A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023220913A1 (zh) | 2023-11-23 |
US20240029456A1 (en) | 2024-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
CN110705583B (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
Wan et al. | Robust nuclei segmentation in histopathology using ASPPU-Net and boundary refinement | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
US11106933B2 (en) | Method, device and system for processing image tagging information | |
US11176412B2 (en) | Systems and methods for encoding image features of high-resolution digital images of biological specimens | |
CN110110667B (zh) | 一种硅藻图像的处理方法、系统及相关组件 | |
CN114240961A (zh) | 一种U-Net++细胞分割网络系统、方法、设备及终端 | |
Gadermayr et al. | CNN cascades for segmenting whole slide images of the kidney | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN112348082A (zh) | 深度学习模型构建方法、影像处理方法及可读存储介质 | |
CN109147932B (zh) | 癌细胞her2基因扩增分析方法及系统 | |
CN113706562B (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
CN115393375A (zh) | 荧光显微成像中明场细胞图像分割方法和装置 | |
CN117425914A (zh) | 细胞图像处理方法、电子设备以及存储介质 | |
CN113160175B (zh) | 一种基于级联网络的肿瘤淋巴管浸润检测方法 | |
CN116843983A (zh) | 路面病害识别方法、模型训练方法、电子设备及介质 | |
CN113256581B (zh) | 基于视觉注意建模融合的缺陷样本自动标注方法及系统 | |
CN115908363A (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
Wang et al. | Adaptive analysis method for particles image | |
CN109726741B (zh) | 一种多目标物体的检测方法及装置 | |
CN113469087A (zh) | 建筑图纸中的图框检测方法、装置、设备及介质 | |
CN117437654B (zh) | 一种基于语义识别的栅格地图解析方法、设备和介质 |
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 |