CN117831031A - 一种血小板微管结构识别方法及系统 - Google Patents
一种血小板微管结构识别方法及系统 Download PDFInfo
- Publication number
- CN117831031A CN117831031A CN202311696671.1A CN202311696671A CN117831031A CN 117831031 A CN117831031 A CN 117831031A CN 202311696671 A CN202311696671 A CN 202311696671A CN 117831031 A CN117831031 A CN 117831031A
- Authority
- CN
- China
- Prior art keywords
- platelet
- microtubule structure
- image
- microtubule
- center position
- 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
- 210000004688 microtubule Anatomy 0.000 title claims abstract description 234
- 102000029749 Microtubule Human genes 0.000 title claims abstract description 231
- 108091022875 Microtubule Proteins 0.000 title claims abstract description 231
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000002073 fluorescence micrograph Methods 0.000 claims abstract description 65
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012886 linear function Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 3
- 210000001772 blood platelet Anatomy 0.000 description 188
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000023597 hemostasis Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007365 immunoregulation Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000003470 mitochondria Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供了一种血小板微管结构识别方法及系统,其中方法包括:获取待识别的血小板微管结构的荧光图像;对荧光图像中各个血小板微管结构进行中心检测,获得各个血小板微管结构的中心位置,并基于各个中心位置从荧光图像中分割出各个血小板微管结构图像;将各个血小板微管结构图像输入至微管结构分类模型,获得所述微管结构分类模型输出的各个血小板微管结构的类别;所述微管结构分类模型基于样本血小板微管结构图像及其对应的类别标签训练得到。本发明极大提高了血小板微管结构的识别效率和识别准确率,能够满足对大量血小板微管结构的快速且准确的识别、分类与统计的需求。
Description
技术领域
本发明属于人工智能技术领域,更具体地,涉及一种血小板微管结构识别方法及系统。
背景技术
血小板是人体内一种常见的血细胞,在人体的止血凝血、修复破损血管、免疫调节等生理过程中发挥着重要的作用。血小板的亚显微结构有微管、线粒体、α颗粒、致密颗粒等,这些亚显微结构的数量、形态、大小的异常与某些疾病密切相关,对血小板微管结构的识别、分类与统计具有重要的意义。
目前,血小板微管结构识别方法通常是利用电子显微镜对血样品进行观察,人工进行血小板微管结构的识别、分类与统计,然而由于血小板的数量繁多,其微管结构尺寸很小,现有方法的自动化程度低、耗费时间长、检测分析精度不高,难以满足对大量血小板微管结构的快速识别、分类与统计的要求。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种血小板微管结构识别方法及系统,旨在解决现有技术无法满足对大量血小板微管结构的快速且准确的识别、分类与统计的需求的问题。
为实现上述目的,第一方面,本发明提供了一种血小板微管结构识别方法,包括以下步骤:
步骤S110,获取待识别的血小板微管结构的荧光图像;
步骤S120,对荧光图像中各个血小板微管结构进行中心检测,获得各个血小板微管结构的中心位置,并基于各个中心位置从荧光图像中分割出各个血小板微管结构图像;
步骤S130,将各个血小板微管结构图像输入至微管结构分类模型,获得所述微管结构分类模型输出的各个血小板微管结构的类别;所述微管结构分类模型基于样本血小板微管结构图像及其对应的类别标签训练得到。
在一个可选的示例中,步骤S120具体包括:
步骤S121,对荧光图像中各个血小板微管结构进行霍夫圆变换,获得各个血小板微管结构的中心位置和半径;
步骤S122,以各个血小板微管结构的中心位置为中心,半径的两倍为边长,确定各个血小板微管结构对应的分割方框;
步骤S123,基于各个血小板微管结构对应的分割方框,从荧光图像中分割出各个血小板微管结构图像。
在一个可选的示例中,步骤S122之前还包括:
对荧光图像对应的血小板的明场图像中各个血小板进行霍夫圆变换,获得各个血小板的中心位置和半径;
基于荧光图像检测到的各个血小板微管结构的中心位置和半径,以及明场图像检测到的各个血小板的中心位置和半径,确定最终的各个血小板微管结构的中心位置和半径。
在一个可选的示例中,步骤S120之前还包括:
对荧光图像进行预处理,获得预处理后的荧光图像;所述预处理依次包括图像大小调整、灰度化处理、对比度增强、图像滤波和二值化处理。
在一个可选的示例中,所述灰度化处理具体采用浮点灰度处理;所述对比度增强具体采用分段线性函数法;所述图像滤波具体采用高斯滤波法。
第二方面,本发明提供了一种血小板微管结构识别系统,包括:
荧光图像获取模块,用于获取待识别的血小板微管结构的荧光图像;
荧光图像分割模块,用于对荧光图像中各个血小板微管结构进行中心检测,获得各个血小板微管结构的中心位置,并基于各个中心位置从荧光图像中分割出各个血小板微管结构图像;
微管结构分类模块,用于将各个血小板微管结构图像输入至微管结构分类模型,获得所述微管结构分类模型输出的各个血小板微管结构的类别;所述微管结构分类模型基于样本血小板微管结构图像及其对应的类别标签训练得到。
在一个可选的示例中,所述荧光图像分割模块具体包括:
中心检测模块,用于对荧光图像中各个血小板微管结构进行霍夫圆变换,获得各个血小板微管结构的中心位置和半径;
分割区域确定模块,用于以各个血小板微管结构的中心位置为中心,半径的两倍为边长,确定各个血小板微管结构对应的分割方框;
分割执行模块,用于基于各个血小板微管结构对应的分割方框,从荧光图像中分割出各个血小板微管结构图像。
在一个可选的示例中,所述中心检测模块还用于:
对荧光图像对应的血小板的明场图像中各个血小板进行霍夫圆变换,获得各个血小板的中心位置和半径;
基于荧光图像检测到的各个血小板微管结构的中心位置和半径,以及明场图像检测到的各个血小板的中心位置和半径,确定最终的各个血小板微管结构的中心位置和半径。
在一个可选的示例中,所述荧光图像获取模块还用于:
对荧光图像进行预处理,获得预处理后的荧光图像;所述预处理依次包括图像大小调整、灰度化处理、对比度增强、图像滤波和二值化处理。
在一个可选的示例中,所述灰度化处理具体采用浮点灰度处理;所述对比度增强具体采用分段线性函数法;所述图像滤波具体采用高斯滤波法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明提供一种血小板微管结构识别方法及系统,基于荧光图像中各个血小板微管结构的中心检测结果进行图像分割,获得每个单血小板微管结构图像,再在此基础上,将每个单血小板微管结构图像输入到微管结构分类模型中进行形态分类,获得荧光图像中每个血小板微管结构的类别,实现了从数字化血小板微管结构荧光图像中识别出分属不同形态类别的血小板微管结构,统计各种类别的血小板微管结构的占比情况,极大提高了血小板微管结构的识别效率和识别准确率。
附图说明
图1是本发明实施例提供的血小板微管结构识别方法的流程示意图之一;
图2是本发明实施例提供的血小板微管结构识别方法的流程示意图之二;
图3是本发明实施例提供的数字化血小板微管结构的荧光图像的示例图;
图4是本发明实施例提供的数字化荧光图像预处理过程的流程图;
图5是本发明实施例提供的单血小板微管结构荧光图像与单血小板细胞明场图像的对比示意图;
图6是本发明实施例提供的血小板微管结构四种类别的示意图;
图7是本发明实施例提供的血小板微管结构识别系统的架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
目前,超分辨率显微镜能够快速获取高分辨率的数字化血小板微管结构的荧光图像数据集,因此涌现出了通过对此类荧光图像进行血小板微管结构分析,以辅助研究人员、医生进行血小板微管结构相关疾病筛查的技术。现有的血小板微管结构分析技术仅对单个血小板微管的长度、面积等尺寸进行定量化分析,而血小板微管结构尺寸各异,基于尺寸定量化分析的分类方法准确率较差,并且极容易收到图像质量本身的影响。
对此,本发明提供一种血小板微管结构识别方法,图1是本发明实施例提供的血小板微管结构识别方法的流程示意图之一,如图1所示,该方法包括:
步骤S110,获取待识别的血小板微管结构的荧光图像;
步骤S120,对荧光图像中各个血小板微管结构进行中心检测,获得各个血小板微管结构的中心位置,并基于各个中心位置从荧光图像中分割出各个血小板微管结构图像;
步骤S130,将各个血小板微管结构图像输入至微管结构分类模型,获得所述微管结构分类模型输出的各个血小板微管结构的类别;所述微管结构分类模型基于样本血小板微管结构图像及其对应的类别标签训练得到。
需要说明的是,各个血小板微管结构的类别主要是依据荧光图像中微管结构的形态进行分类,可以分为圆环类、线圈类、弥散类和其他类。在结构光超分辨成像图像中,圆环类的细胞微管集中于一个环状区域,没有或有少量其它细丝;线圈类细胞微管没有集中于一个环状区域,或集中性较差,有3个以上次级圆环交叠出现;弥散类细胞微管没有明显的形态,呈点云状分布于圆形区域;如果不属于上述三类,则分为其他类。
通过对荧光图像中各个血小板微管结构进行中心检测,再根据检测到的各个中心位置进行图像分割,获得多个单血小板微管结构图像,再将每个单血小板微管结构图像输入到微管结构分类模型中进行形态分类,从而获得荧光图像中每个血小板微管结构的类别。此处,中心检测可以采用霍夫圆变换算法,分水岭算法等算法,本发明实施例对此不作具体限定。
可以理解的是,基于荧光图像中各个血小板微管结构的中心检测结果进行图像分割,保证了荧光图像分割的准确性;在此基础上,采用机器学习算法对每个单血小板微管结构图像进行形态分类,能够自动学习单血小板微管结构图像的特征进行分类,极大提高了血小板微管结构的识别效率和识别准确率。
另外,在执行步骤S130之前,可以通过如下方式预先训练得到微管结构分类模型:首先收集大量样本荧光图像,分割出对应的各个样本血小板微管结构图像,并标注好各个样本血小板微管结构图像对应的类别标签;最后利用样本血小板微管结构图像及其对应的类别标签对初始模型进行训练,从而获得训练好的微管结构分类模型。此处,初始模型可以采用卷积神经网络、随机森林、SVM支持向量机等网络结构,本发明实施例对此也不作具体限定。
本发明实施例提供的方法,基于荧光图像中各个血小板微管结构的中心检测结果进行图像分割,获得每个单血小板微管结构图像,再在此基础上,将每个单血小板微管结构图像输入到微管结构分类模型中进行形态分类,获得荧光图像中每个血小板微管结构的类别,实现了从数字化血小板微管结构荧光图像中识别出分属不同形态类别的血小板微管结构,统计各种类别的血小板微管结构的占比情况,极大提高了血小板微管结构的识别效率和识别准确率。
基于上述实施例,步骤S120具体包括:
步骤S121,对荧光图像中各个血小板微管结构进行霍夫圆变换,获得各个血小板微管结构的中心位置和半径;
步骤S122,以各个血小板微管结构的中心位置为中心,半径的两倍为边长,确定各个血小板微管结构对应的分割方框;
步骤S123,基于各个血小板微管结构对应的分割方框,从荧光图像中分割出各个血小板微管结构图像。
可以理解的是,因为血小板微管结构所呈现形状的外圈可以被判定为圆形,而霍夫圆变换算法能够很好地识别出图像中含有的圆形状图案,并返回识别到的圆的中心位置以及半径的值。血小板微管结构的荧光图像对比度很差,难以用常规方法切割,本发明实施例选择霍夫圆变换算法来检测数字化血小板微管结构荧光图像中各个血小板的微管结构的中心位置,从而能够快速、准确地获取血小板微管结构的中心位置。
基于上述任一实施例,步骤S122之前还包括:
对荧光图像对应的血小板的明场图像中各个血小板进行霍夫圆变换,获得各个血小板的中心位置和半径;
基于荧光图像检测到的各个血小板微管结构的中心位置和半径,以及明场图像检测到的各个血小板的中心位置和半径,确定最终的各个血小板微管结构的中心位置和半径。
可以理解的是,考虑到实际应用中存在以下情况:其一,并不是所有细胞的图像在经过预处理后强度足够,可能荧光太弱,细胞太小;其二,即使强度足够,有些形态并不规则,有些细胞的微管结构破碎,只有集中的几个亮点,也容易漏掉;最后,有些重叠的细胞会混在一起,因此单纯依靠荧光图像的霍夫圆变换进行血小板微管结构检测,可能难以全部识别。
明场图像中各个血小板与荧光图像中各个血小板微管结构一一对应,位置相同,通过结合明场图像一起识别,能够提高血小板微管结构的识别准确性和全面性,进一步提高荧光图像分割效果。
基于上述任一实施例,步骤S120之前还包括:
对荧光图像进行预处理,获得预处理后的荧光图像;所述预处理依次包括图像大小调整、灰度化处理、对比度增强、图像滤波和二值化处理。
本发明实施例中这些预处理操作能够有效减少获取的数字化荧光图像中的噪声干扰、对比度低等的影响,能够以此为基础,准确识别、切割出单血小板微管结构荧光图像。
基于上述任一实施例,所述灰度化处理具体采用浮点灰度处理;所述对比度增强具体采用分段线性函数法;所述图像滤波具体采用高斯滤波法。
具体地,灰度化处理利用浮点灰度处理方法,使用公式Gray=R*0.3+G*0.59+B*0.11进行计算,将RGB图像转化为灰度图像,其中R为输入的RGB图像中红色分量的色彩深度,G为绿色分量的色彩深度,B为蓝色分量的色彩深度。再利用分段线性函数法增强灰度化后的图像的对比度,扩展图像的灰度范围。
接着,采用高斯滤波法消除成像设备以及外部环境带来的噪声干扰,提高对单血小板微管结构的识别准确度,并且能使荧光图像中血小板微管结构的边缘变得平滑。
基于上述任一实施例,对荧光图像对应的血小板的明场图像中各个血小板进行霍夫圆变换,获得各个血小板的中心位置和半径,之前还包括:
对明场图像进行预处理,获得预处理后的明场图像;此处的预处理依次包括图像大小调整、灰度化处理、图像滤波、对比度增强和二值化处理。
需要说明的是,明场图像的噪声较大,应先进行图像滤波处理之后再进行后续操作,可以提高明场图像的预处理效果,进而提高后续霍夫圆变换的准确性。
基于上述任一实施例,针对上述的技术问题,提供一种基于机器学习方法的血小板微管结构图像的智能识别、计数系统,其目的在于,有效从数字化血小板微管结构荧光图像中识别出分属不同类别的血小板微管结构,统计各种类别的占比,并提供单血小板微管结构荧光图像与单血小板细胞明场图像的对照进行辅助分析。
为实现上述目的,图2是本发明实施例提供的血小板微管结构识别方法的流程示意图之二,如图2所示,包括:被检测者单血小板图像的获取步骤以及对被检测者的血小板微观结构类型数量的识别、统计步骤:
所述被检测者单血小板图像的获取步骤包括:
(S1)批量读入被检测者的血小板微管结构的数字化荧光图像以及血小板细胞的数字化明场图像;
读入的图像,为利用超分辨率显微镜获取的被检测者的血液检验样本的高分辨率的数字化血小板微管结构的荧光图像数据集以及数字化血小板细胞的明场图像数据集,图3是本发明实施例提供的数字化血小板微管结构的荧光图像的示例图;
(S2)将各张数字化荧光图像进行预处理;
对输入的各张数字化荧光图像进行预处理的具体步骤,图4是本发明实施例提供的数字化荧光图像预处理过程的流程图,如图4所示,包括:
(S21)图像大小调整,将输入的各张图像调整至相同的大小;
(S22)灰度化处理,利用浮点灰度处理方法,使用公式Gray=R*0.3+G*0.59+B*0.11进行计算,将RGB图像转化为灰度图像,其中R为输入的RGB图像中红色分量的色彩深度,G为绿色分量的色彩深度,B为蓝色分量的色彩深度;
由于人类的眼睛对于蓝色的敏感度最低,而对于绿色的敏感度最高,因此,相比于其他常用的灰度化处理方法,使用浮点灰度处理方法更符合人类的感官;
(S23)增强对比度,利用分段线性函数法增强灰度化后的图像的对比度,扩展图像的灰度范围;
由于照明不足、显微镜镜头光圈设置不适合等问题,获取的数字化血小板微管荧光图像的对比度较低,识别算法容易识别出背景,造成误判,使用分段线性函数法能够扩展图像的灰度范围,提高图像的对比度;
(S24)图像滤波,采用高斯滤波法消除成像设备以及外部环境带来的噪声干扰,提高对单血小板微管结构的识别准确度,并且能使荧光图像中血小板微管结构的边缘变得平滑;
高斯滤波法利用高斯函数计算得到高斯模板,高斯模板作为滑窗滑过数字化图像的像素点,对滑窗内的像素做加权平均,代替滑窗中心位置的像素值,滑窗将所有像素点扫描完成后,完成滤波操作;
(S25)二值化处理,利用基于固定阈值的二值化处理方法,将图像转化为二值图像;对于输入的数字化图像,将亮度高于阈值的点设置为白色(255),将亮度低于阈值的点设置为黑色(0);
这些预处理操作能够有效减少获取的数字化荧光图像中的噪声干扰、对比度低等的影响,能够以此为基础,准确识别、切割出单血小板微管结构荧光图像;
应当理解的是,以上图像预处理的方法,仅为示例性说明,不应理解为对本发明的唯一限定;在实际应用中,也可以根据获取的数字化血小板微管结构荧光图像的特征,选择其他能够帮助单血小板微管结构识别、切割过程的图像的预处理操作及方法,在此不做一一列举;
(S3)寻找预处理后的数字化荧光图像中血小板微管结构的中心位置;
在本实施例中,步骤(S3)中,寻找血小板微管结构的中心位置采用霍夫圆变换算法;使用霍夫圆变换算法,能够快速、准确地获取血小板微管结构的中心位置;
因为血小板微管结构所呈现形状的外圈可以被判定为圆形,而霍夫圆变换算法能够很好地识别出图像中含有的圆形状图案,并返回识别到的圆的圆心位置即中心位置以及半径的值,本发明实施例选择霍夫圆变换算法来检测数字化血小板微管结构荧光图像中各个血小板的微管结构的中心位置;
应当理解的是,霍夫圆变换算法仅为本发明的较佳实现方式,不应理解为本发明的唯一限定,霍夫圆变换算法之外其他图像识别切割算法,如分水岭算法、基于阈值的分割方法、基于边缘检测的分割方法等,也可以应用于本发明;
(S4)在数字化荧光图像中根据(S3)所述中心位置截取对应区域的单血小板微管结构荧光图像;
(S5)将单血小板微管结构荧光图像批量输出到新文件夹中;
(S6)在数字化明场图像中根据(S3)所述中心位置截取对应区域的单血小板细胞明场图像,用于与单血小板微管结构荧光图像对照,以确定单血小板微管结构荧光图像所示的微管结构所属的血小板细胞,图5是本发明实施例提供的单血小板微管结构荧光图像与单血小板细胞明场图像的对比示意图;
(S7)将单血小板明场细胞图像批量输出到新文件夹中。
所述对被检测者的血小板微观结构类型数量的识别、统计步骤包括:
(T1)将步骤(S4)中获取的单血小板微管结构荧光图像批量输入到已训练的血小板微管结构分类、计数的神经网络即微管结构分类模型;
在本实施例中,步骤(T1)中的神经网络为卷积神经网络;卷积神经网络(CNN)能够有效识别、提取出不同类别的图像的各个特征,在图像识别分类上准确率较高,能够很好地对输入的单血小板微管结构荧光图像进行分类;
训练神经网络使用的数据集为包含人工分类标签的单血小板微管结构荧光图像数据集,所述数据为自制的类CIFAR-10数据集,由存放在同一文件夹中的大量包含人工分类标签的单血小板微管结构荧光图像制作而成,像经典的CIFAR-10数据集一样,所述的类CIFAR-10数据集可以直接被卷积神经网络识别,并将其用于训练和测试神经网络;人工分类标签根据特征将单血小板微管结构荧光图像分为圆环类、线圈类、弥散类以及无法被归入这三类的其他类四种类别;
应当理解的是,卷积神经网络算法仅为本发明的较佳实现方式,不应理解为对本发明的唯一限定,其他的图像识别分类算法,如随机森林算法、SVM支持向量机算法等,也可应用于本发明,同样地,采用制作h5py文件等方式制作训练神经网络所使用的数据集,也可应用于本发明;
(T2)识别并记录各张单血小板微管结构荧光图像所示的血小板微管结构所属类别;
图6是本发明实施例提供的血小板微管结构四种类别的示意图,如图6所示,血小板微管结构所属类别,包括:圆环类、弥散类、线圈类以及无法被归入这三类的其他类,共有四类;
(T3)统计各类别的单血小板微管结构荧光图像所占比例并展示统计结果。
本发明所提供的基于机器学习方法的血小板微管结构图像的智能识别、计数系统,能够有效识别、切割输入的被检测者血小板微管结构荧光图像以及血小板细胞明场图像、统计出各类别的单血小板荧光图像所占比例并展示统计结果,既能够提供单血小板微管结构荧光图像与单血小板细胞明场图像中细胞的对应关系,又能够统计、显示被检测者各个类别的血小板微管结构的占比情况。总的来说,本发明能够有效识别、提取、统计各类血小板微管结构所占的比例,为被检测者健康状况分析以及血小板相关疾病的研究、检测、筛查提供有力的数据支撑。
基于上述任一实施例,本发明提供了一种血小板微管结构识别系统。图7是本发明实施例提供的血小板微管结构识别系统的架构图,如图7所示,包括:
荧光图像获取模块710,用于获取待识别的血小板微管结构的荧光图像;
荧光图像分割模块720,用于对荧光图像中各个血小板微管结构进行中心检测,获得各个血小板微管结构的中心位置,并基于各个中心位置从荧光图像中分割出各个血小板微管结构图像;
微管结构分类模块730,用于将各个血小板微管结构图像输入至微管结构分类模型,获得所述微管结构分类模型输出的各个血小板微管结构的类别;所述微管结构分类模型基于样本血小板微管结构图像及其对应的类别标签训练得到。
可以理解的是,上述各个模块的详细功能实现可参见前述方法实施例中的介绍,在此不做赘述。
另外,本发明实施例提供了另一种血小板微管结构识别装置,其包括:存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现上述实施例中的方法。
此外,本发明还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现上述实施例中的方法。
基于上述实施例中的方法,本发明实施例提供了一种计算机程序产品,当计算机程序产品在处理器上运行时,使得处理器执行上述实施例中的方法。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种血小板微管结构识别方法,其特征在于,包括以下步骤:
步骤S110,获取待识别的血小板微管结构的荧光图像;
步骤S120,对荧光图像中各个血小板微管结构进行中心检测,获得各个血小板微管结构的中心位置,并基于各个中心位置从荧光图像中分割出各个血小板微管结构图像;
步骤S130,将各个血小板微管结构图像输入至微管结构分类模型,获得所述微管结构分类模型输出的各个血小板微管结构的类别;所述微管结构分类模型基于样本血小板微管结构图像及其对应的类别标签训练得到。
2.根据权利要求1所述的方法,其特征在于,步骤S120具体包括:
步骤S121,对荧光图像中各个血小板微管结构进行霍夫圆变换,获得各个血小板微管结构的中心位置和半径;
步骤S122,以各个血小板微管结构的中心位置为中心,半径的两倍为边长,确定各个血小板微管结构对应的分割方框;
步骤S123,基于各个血小板微管结构对应的分割方框,从荧光图像中分割出各个血小板微管结构图像。
3.根据权利要求2所述的方法,其特征在于,步骤S122之前还包括:
对荧光图像对应的血小板的明场图像中各个血小板进行霍夫圆变换,获得各个血小板的中心位置和半径;
基于荧光图像检测到的各个血小板微管结构的中心位置和半径,以及明场图像检测到的各个血小板的中心位置和半径,确定最终的各个血小板微管结构的中心位置和半径。
4.根据权利要求1所述的方法,其特征在于,步骤S120之前还包括:
对荧光图像进行预处理,获得预处理后的荧光图像;所述预处理依次包括图像大小调整、灰度化处理、对比度增强、图像滤波和二值化处理。
5.根据权利要求4所述的方法,其特征在于,所述灰度化处理具体采用浮点灰度处理;所述对比度增强具体采用分段线性函数法;所述图像滤波具体采用高斯滤波法。
6.一种血小板微管结构识别系统,其特征在于,包括:
荧光图像获取模块,用于获取待识别的血小板微管结构的荧光图像;
荧光图像分割模块,用于对荧光图像中各个血小板微管结构进行中心检测,获得各个血小板微管结构的中心位置,并基于各个中心位置从荧光图像中分割出各个血小板微管结构图像;
微管结构分类模块,用于将各个血小板微管结构图像输入至微管结构分类模型,获得所述微管结构分类模型输出的各个血小板微管结构的类别;所述微管结构分类模型基于样本血小板微管结构图像及其对应的类别标签训练得到。
7.根据权利要求6所述的系统,其特征在于,所述荧光图像分割模块具体包括:
中心检测模块,用于对荧光图像中各个血小板微管结构进行霍夫圆变换,获得各个血小板微管结构的中心位置和半径;
分割区域确定模块,用于以各个血小板微管结构的中心位置为中心,半径的两倍为边长,确定各个血小板微管结构对应的分割方框;
分割执行模块,用于基于各个血小板微管结构对应的分割方框,从荧光图像中分割出各个血小板微管结构图像。
8.根据权利要求7所述的系统,其特征在于,所述中心检测模块还用于:
对荧光图像对应的血小板的明场图像中各个血小板进行霍夫圆变换,获得各个血小板的中心位置和半径;
基于荧光图像检测到的各个血小板微管结构的中心位置和半径,以及明场图像检测到的各个血小板的中心位置和半径,确定最终的各个血小板微管结构的中心位置和半径。
9.根据权利要求6所述的系统,其特征在于,所述荧光图像获取模块还用于:
对荧光图像进行预处理,获得预处理后的荧光图像;所述预处理依次包括图像大小调整、灰度化处理、对比度增强、图像滤波和二值化处理。
10.根据权利要求9所述的系统,其特征在于,所述灰度化处理具体采用浮点灰度处理;所述对比度增强具体采用分段线性函数法;所述图像滤波具体采用高斯滤波法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311696671.1A CN117831031A (zh) | 2023-12-11 | 2023-12-11 | 一种血小板微管结构识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311696671.1A CN117831031A (zh) | 2023-12-11 | 2023-12-11 | 一种血小板微管结构识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117831031A true CN117831031A (zh) | 2024-04-05 |
Family
ID=90516467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311696671.1A Pending CN117831031A (zh) | 2023-12-11 | 2023-12-11 | 一种血小板微管结构识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117831031A (zh) |
-
2023
- 2023-12-11 CN CN202311696671.1A patent/CN117831031A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103518224B (zh) | 用于分析微生物生长的方法 | |
US10692216B2 (en) | Colony contrast gathering | |
US6137899A (en) | Apparatus for the identification of free-lying cells | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
Tonti et al. | An automated approach to the segmentation of HEp-2 cells for the indirect immunofluorescence ANA test | |
JP2013526717A5 (zh) | ||
CN112580748B (zh) | 一种对染色图像的分类细胞计数的方法 | |
JP2014115755A (ja) | 画像処理装置、画像処理システム及びプログラム | |
JP6733983B2 (ja) | 画像解析装置 | |
Davidson et al. | Automated detection and staging of malaria parasites from cytological smears using convolutional neural networks | |
CN111077150A (zh) | 一种基于计算机视觉和神经网络的大便智能分析方法 | |
Dinç et al. | DT-Binarize: A decision tree based binarization for protein crystal images | |
CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
Marcuzzo et al. | Automated Arabidopsis plant root cell segmentation based on SVM classification and region merging | |
CN115176289A (zh) | 使用卷积神经网络的细胞系发育图像表征 | |
CN117831031A (zh) | 一种血小板微管结构识别方法及系统 | |
Dinç et al. | Dt-binarize: A hybrid binarization method using decision tree for protein crystallization images | |
Sankaran et al. | Quantitation of Malarial parasitemia in Giemsa stained thin blood smears using Six Sigma threshold as preprocessor | |
CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 | |
CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 | |
US10540535B2 (en) | Automatically identifying regions of interest on images of biological cells | |
Zhang et al. | A robust and high-performance white blood cell segmentation algorithm | |
Gorokhov et al. | Bacterial colony detection method for microbiological photographic images |
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 |