EP1908009A2 - Verfahren und einrichtung zur segmentierung von bereichen - Google Patents

Verfahren und einrichtung zur segmentierung von bereichen

Info

Publication number
EP1908009A2
EP1908009A2 EP06760799A EP06760799A EP1908009A2 EP 1908009 A2 EP1908009 A2 EP 1908009A2 EP 06760799 A EP06760799 A EP 06760799A EP 06760799 A EP06760799 A EP 06760799A EP 1908009 A2 EP1908009 A2 EP 1908009A2
Authority
EP
European Patent Office
Prior art keywords
mask
data
filter
values
input data
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.)
Withdrawn
Application number
EP06760799A
Other languages
English (en)
French (fr)
Inventor
Rupert Ecker
Georg E. Steiner
Vincent Laurain
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TISSUEGNOSTICS GmbH
Original Assignee
TISSUEGNOSTICS GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by TISSUEGNOSTICS GmbH filed Critical TISSUEGNOSTICS GmbH
Publication of EP1908009A2 publication Critical patent/EP1908009A2/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the invention relates to a method according to the preamble of claim 1. Furthermore, the invention relates to a device for carrying out this method according to the preamble of claim 8 and a computer program product.
  • the aim of the invention is to segment the locally limited areas appearing in such images, in particular brightness ranges, in order to have the recorded images or images as well as possible or true to nature or to make them available for further evaluation.
  • a single-stage dilation is applied to the determined segmentation starting points or that discrimination of the gray values or the gray value mask during labeling results in discrimination with a predetermined gray value.
  • a data distribution diagram or a histogram, in particular a brightness histogram of the input data is created for separating the input data into bright foreground data and dark background data.
  • the difference quotient of the smoothed diagram or histogram and the absolute values of the difference quotients are calculated and if necessary a constant value is added.
  • the data obtained are with the Input data correlated, in particular multiplied, and possibly rescaled.
  • the threshold value chosen is the value at which the function obtained adopts a specific, predetermined limit value, in particular the value zero, or has approached this value.
  • the method according to the invention is used particularly advantageously when images or images of cell nuclei or cell membrane agglomerates dyed dark with respect to other cell areas or against the cytoplasm or colored stained nuclei or cell nuclei agglomerates contained in tissue sections are to be segmented. In the following the invention will be explained in more detail with reference to the drawing.
  • Fig. 1 shows an input data set or the recorded areas.
  • FIG. 2 shows a foreground mask or the foreground data.
  • Fig. 3 shows the mask of the segmentation start points.
  • Fig. 4 shows an input data set, Laplace and Gaussian filtered input data and a less restrictive mask.
  • Fig. 5 shows Laplacian and Gaussian filtered input data, a less restrictive mask and a restrictive mask.
  • Figures 6a, 6b, 6c and 6d show a less restrictive mask, a labeled, less restrictive mask, laplaced filtered image data and a restrictive mask.
  • Fig. 7 shows the mask of the input data and the segmentation mask.
  • Fig. 8 shows the procedure for the dilation of the segmentation start points.
  • Fig. 9 shows the flow chart concerning the determination of the threshold value for separating the foreground data from the background data.
  • FIG. 10 shows a device for carrying out the method according to the invention.
  • an image is recorded by means of an image acquisition unit and a corresponding set of digital input data made available.
  • the input data are separated by specifying a brightness threshold value into a foreground mask containing correspondingly high brightness values and a background mask containing lower values.
  • the dark background data is no longer used.
  • the input data are fed to a filter unit 4, in which a correlation, in particular multiplication, of the input data with the foreground mask takes place.
  • a correlation could also be a weighted addition of the data or values or another Type of linkage.
  • the output data of the filter unit 4 are fed to two different filter units, preferably on the one hand to a Gaussian filter 5 and on the other hand to a local maximum filter 6. Instead of a Gaussian filter, especially low-pass filters or filters that reduce sharp contours come into consideration.
  • the output data of the two filters are supplied to a subtraction unit 7, in which the two data sets resulting from the respective filterings are subtracted and which have a threshold value, in particular the value zero approximate data or filter areas at the output of the subtraction unit are provided as segmentation start points.
  • a threshold value in particular the value zero approximate data or filter areas at the output of the subtraction unit are provided as segmentation start points.
  • an edge-detecting filter preferably a high-pass filter, in particular a Laplace filter 9, is provided for the input data, to which at most a median filter and / or Gaussian filter 8 is connected upstream.
  • the edge-detecting filter in the present case a Laplace filter 9, is followed by a threshold value generator 10, in which the data obtained by the filter 9 are subjected to a threshold value setting with a specific threshold value, in particular zero.
  • the zero crossing of the values is an indication of the gradient maximum, so that the best possible differences to neighboring regions can be obtained.
  • the data set obtained with the threshold value value is correlated, in particular multiplied, with the foreground mask, whereby a less restrictive mask is obtained.
  • a labeling unit 12 is connected to the output of the correlator or multiplier 11, in which the outputs of the multiplier 11 corresponding to the less restrictive mask are made with respect to the determination of the local gray values of each of the locally limited areas or clusters and the average gray values of the respective areas are determined.
  • the obtained gray values in each cluster undergo discrimination with a predetermined threshold. This gives a restrictive mask.
  • the data set corresponding to the less restrictive mask is fed to a comparator 13, which is connected downstream of the subtraction unit 7.
  • the segmentation starting points not included in the less restrictive mask are eliminated.
  • a growing unit 14 growth takes place starting from the individual segmentation starting points in the region of the restrictive mask and at most one following growth of these areas in the less restrictive mask and optionally subsequently in the foreground mask, wherein the data sets concerning the restrictive mask are supplied by the labeling unit 12 and the data sets concerning the less restrictive mask are supplied by the multiplier 11 and the discriminator 3, respectively, to the growing unit 14.
  • a memory unit and / or evaluation and / or display unit 15 is connected.
  • a device according to the invention results in a relatively low computational effort to improve the results obtained when the features of claim 10 are provided.
  • cell preparations in particular cell sections, are stained in order to identify the cell nuclei differently from the remaining cell components.
  • the cell nuclei or the nuclear agglomerates have a different coloration to the remaining cell constituents or the image background or other constituents contained in the tissue section, and can be localized in the recorded image.
  • the image there is the uncertainty that in cell nuclear agglomerates the cell nuclei are covered or not reproduced in their entirety, or the brightness ranges do not have sharp boundaries or brightness values that are not easily distinguishable, ie. Color values or gray values are present. This should be counteracted according to the invention. From the image area to be examined of a tissue preparation or
  • Tissue sections 1 are placed over the inserted receiving unit 2, e.g. a video camera or a microscope, received digital input data.
  • the input data of the image area in a light foreground data containing foreground mask and a dark background data containing background mask in the discriminator 3 are separated.
  • Fig. 1 shows an example of an input data set.
  • FIG. 2 shows a mask with which the background of the input data can be separated from the foreground or shows the input data record after discrimination with the predefined or computationally determined brightness threshold value.
  • the foreground data or the foreground mask can be correlated in advance with the input data, in particular multiplied.
  • two different filters eg both a Gaussian filter and a local maximum filter, are applied next to one another in the filter unit 4.
  • the filter size of the local maximum filter is advantageously half the size of the Gaussian filter previously applied to the data.
  • the data sets resulting from these two filters are subtracted in the subtraction unit 7 and the image areas fulfilling a threshold criterion, in particular those having the value zero, are regarded or selected as segmentation starting points.
  • the mask or the data record of the segmentation starting points is shown for example in FIG. 3.
  • the segmentation starting points lie within the bright areas of the foreground mask, and the segmentation starting points correspond to the bright areas of the background ground mask.
  • an edge-detecting filter in particular the Laplace filter 9 is applied to the input data corresponding to FIG. 1, if appropriate after median filtering and / or Gaussian filtering.
  • the data obtained, in particular lap data is subjected to a threshold value setting, in particular with a threshold value of zero, and the data set thus obtained is correlated, in particular multiplied, with the data of the foreground mask.
  • a threshold value setting in particular with a threshold value of zero
  • a function could be used to close holes in the mask.
  • the less restrictive mask is subjected to labeling with regard to the determination of the local gray values of each of the locally limited regions or clusters, and the average gray values of the respective regions are determined, whereupon the gray values obtained in each cluster undergo discrimination with a given threshold.
  • This threshold is calculated from the respective data average of the laplaced filtered data within each individual cluster of the less restrictive mask.
  • the cluster becomes a continuous white or bright area in the less restrictive mask.
  • FIG. 5 shows on the left the lap-laced and Gauss-filtered input data corresponding to the middle illustration of FIG. 4.
  • the less restrictive mask is shown in the middle in FIG.
  • the combination of the Laplacian and Gaussian filtered input data and the less restrictive mask results in the restrictive mask which is shown on the right in FIG.
  • each individual contiguous region in the less restrictive mask of FIG. 6 are assigned an ascending number. This process enables a subsequent, separate processing or analysis of each individual region.
  • Fig. 6b the label image is shown.
  • the individual regions are assigned ascending numbers, which in FIG. 6b depict gray values corresponding to the colors from dark blue (SP : ' Niern) to dark red (middle region); /
  • each eh .. * ie region of Fig. 6b is placed successively on the spatially corresponding, laplace filtered image data of Fig. 6c.
  • the mean value is calculated from the laplace filtered image data.
  • Each of these values then serves as a threshold for the respective region.
  • segmented regions shown on the right in Fig. 7 may subsequently be used, e.g. also be filtered interactively with a defined surface area, gray value or probability threshold, in order to improve their further processing or further evaluation.
  • the segmented input data is visually, e.g. printed on a screen or printed or possibly stored with the calculated parameters.
  • a background threshold value for separating the input data into a background and foreground area in the discriminator 3 is as shown in FIG. 9.
  • the background is assumed to be the dark image areas and the foreground the bright image areas.
  • Brightness histogram of the input data is shown in which the optimum range for the background threshold is marked in advance accordingly.
  • This threshold value is determined by means of a procedure explained in more detail with reference to FIG. 7 by analytical processing and processing of the brightness data distribution diagram, in particular histogram, of the input data.
  • a histogram in particular a brightness histogram, of the input data is calculated, the difference quotient of the smoothed histogram is calculated, the absolute values of the difference quotients are calculated and, if necessary, a constant value is added
  • Data are multiplied by the input data and, if necessary, rescaled, and the threshold value chosen is that value at which the function obtained is zero or has approached this value.
  • the background becomes as well as possible from the areas relevant to the segmentation, i. foreground or foreground data, separated.
  • 2 is the mask with which the background of the input data from the foreground can be separated, shown. For the further processing steps or the further segmentation then only the foreground area of the input data is relevant.
  • the inventive device can be realized to achieve high computing speeds with hardware components.
  • the filters used can be of various types.
  • the use of filters acting in the same way is readily possible.
  • the threshold values are selected according to the desired accuracy or the desired data separation and are to be specified.
  • the provided correlation methods may e.g. in a weighted addition of the data or in a multiplication, possibly also in a division or other combination of the data, exist, as long as a corresponding increased distinctness of the data with the correlation is achieved.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Studio Circuits (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Segmentierung von lokal begrenzten, Bereichen. Erfindungsgemäß ist vorgesehen, dass die von dem zu untersuchenden Bildbereich erhaltenen Eingangsdaten durch Vorgabe eines Schwellwertes in eine Vordergrundmaske und eine Hintergrundmaske getrennt werden, dass zur Ermittlung von Segmentierungsstartpunkten auf die Eingangsdaten zwei unterschiedliche Filteroperationen angewendet, die sich ergebenden Datensätze subtrahiert und die Bildbereiche als Segmentierungsstartpunkte angesehen werden, dass zur Erstellung einer weniger restriktiven Maske auf die Eingangsdaten, eine Filteroperation angewendet wird, und die resultierenden Daten einer Schwellwertsetzung unterzogen werden, dass zur Erstellung einer restriktiven Maske die weniger restriktive Maske einem Labeling in Hinblick auf die Ermittlung der lokalen Werte unterzogen wird und die durchschnittlichen Werte ermittelt werden, dass in der weniger restriktiven Maske nicht enthaltene Segmentierungsstartpunkte ausgeschieden werden, dass ein Wachsen in den jeweiligen Bereichen der restriktiven Maske vorgenommen wird, und die in der restriktiven Maske erhaltenen Bereiche als die segmentierten Helligkeitsbereiche angesehen werden.

Description

Verfahren und Einrichtung zur Segmentierung von Bereichen
Die Erfindung betrifft ein Verfahren gemäß dem Oberbegriff des Patentanspruches 1. Des weiteren betrifft die Erfindung eine Einrichtung zur Durchführung dieses Verfahrens gemäß dem Oberbegriff des Anspruches 8 sowie ein Computerprogrammprodukt.
Die Auswertung von Bildern von menschlichen, pflanzlichen oder tierischen Zellen oder Körnern von Metallen bzw. Metalllegierungen oder zweidimensionalen Wahrscheinlichkeitsverteilungen od.dgl. erfolgt durch Aufnahme entsprechender Bilder und Auswertung dieser, insbesondere vergrößerten bzw. durch ein Mikroskop abgebildeten, Bilder.
Für die Auswertung ist eine möglichst exakte Darstellung der Verteilungen, insbesondere Helligkeitsverteilungen, bzw. deren Grenzen auf den aufgenommenen Bildern erforderlich. Ziel der Erfindung ist es, die in derartigen Bildern aufscheinenden lokal begrenzten Bereiche, insbesondere Helligkeitsbereiche, zu segmentieren, um die aufgenommenen Bilder bzw. Abbildungen möglichst gut bzw. naturgetreu zur Verfügung zu haben bzw. einer weiteren Auswertung zur Verfügung zu stellen.
Erfindungsgemäß werden diese Ziele bei einem Verfahren der eingangs genannten Art mit den im Kennzeichen des Anspruches 1 enthaltenen Merkmalen erreicht. Eine Einrichtung zur Durchführung des erfindungsgemäßen Verfahrens ist mit den Merkmalen des Anspruches 8 charakterisiert.
Mit der erfindungsgemäßen Vorgangsweise bzw. Einrichtung wird eine weitgehend natur- bzw. formgetreue Segmentierung bzw. Abbildung von lokal begrenzten Bereichen von Farbbildern oder Grauwertbildern erreicht. Die erhaltenen Daten bzw. Abbildungen können weiter ausgewertet werden. Die erfiήdungsgemäße Vorgangsweise erfordert bei größter Exaktheit einen nicht allzu großen Rechenaufwand und liefert demzufolge rasch die gewünschten Ergebnisse.
Zur Verbesserung der Darstellung kann vorgesehen sein, dass auf die ermittelten Segmentierungsstartpunkte eine einstufige Dilation angewendet wird bzw. dass bei Diskriminierung der Grauwerte bzw. der Grauwertmaske beim Labeling eine Diskriminierung mit einem vorgegebenen Grauwert erfolgt. Vorteilhafterweise kann für eine Verbesserung der erhaltenen Bildqualität vorgesehen sein, dass zur Trennung der Eingangsdaten in helle Vordergrunddaten und dunkle Hintergrunddaten ein Datenverteilungsdiagramm bzw. ein Histogramm, insbesondere Helligkeitshistogramm, der Eingangsdaten erstellt wird. Es werden ferner der Differenzquotient des geglätteten Diagramms bzw. Histogramms und die Absolutwerte der Differenzquotienten berechnet und gegebenenfalls ein konstanter Wert addiert. Die erhaltenen Daten werden mit den Eingangsdaten korreliert, insbesondere multipliziert, und gegebenenfalls umskaliert. Als Schwellwert wird derjenige Wert gewählt, an dem die erhaltene Funktion einen spezifischen, vorgegebenen Grenzwert, insbesondere den Wert Null, annimmt bzw. sich diesem Wert angenähert hat. Das erfindungsgemäße Verfahren wird insbesondere dann vorteilhaft eingesetzt, wenn Abbildungen bzw. Bilder von gegenüber anderen Zellbereichen bzw. gegenüber dem Zytoplasma dunkel gefärbten Zellkernen bzw. Zellkemagglomerate bzw. in Gewebeschnitten enthaltene, gefärbte Zellkerne bzw. Zellkemagglomerate segmentiert werden sollen. Im folgenden wird die Erfindung anhand der Zeichnung näher erläutert.
Fig. 1 zeigt einen Eingangsdatensatz bzw. die aufgenommenen Bereiche.
Fig. 2 zeigt eine Vordergrundmaske bzw. die Vordergrunddaten.
Fig. 3 zeigt die Maske der Segmentierungsstartpunkte.
Fig. 4 zeigt einen Eingangsdatensatz, laplace- und gaußgefilterte Eingangsdaten und eine weniger restriktive Maske.
Fig. 5 zeigt laplace- und gaußgefilterte Eingangsdaten, eine weniger restriktive Maske und eine restriktive Maske.
Fig. 6a, 6b, 6c und 6d zeigen eine weniger restriktive Maske, eine gelabelte, weniger restriktive Maske, laplacegefilterte Bilddaten und eine restriktive Maske. Fig. 7 zeigt die Maske der Eingangsdaten und die Segmentierungsmaske.
Fig. 8 zeigt die Vorgangsweise bei der Dilation der Segmentierungsstartpunkte.
Fig. 9 zeigt das Flussdiagramm betreffend die Ermittlung des Schwellwertes zur Trennung der Vordergrunddaten von den Hintergrunddaten.
Fig. 10 zeigt eine Einrichtung zur Durchführung des erfindungsgemäßen Verfahrens.
Vorab wird eine erfindungsgemäße Einrichtung anhand der Fig. 10 im Prinzip erläutert.
Von einem Gewebepräparat bzw. Gewebeschnitt 1 wird mittels einer Bildaufnahmeeinheit ein Bild aufgenommen und entsprechend ein Satz digitaler Eingangsdaten zur Verfügung gestellt.
In einem Diskriminator 3 werden die Eingangsdaten durch Vorgabe eines Helligkeitsschwellwertes in eine entsprechend hohe Helligkeitswerte enthaltende Vordergrundmaske und in eine niedere Werte enthaltende Hintergrundmaske aufgetrennt. Die dunklen Hintergrunddaten werden nicht weiter verwendet. Die Eingangsdaten werden einer Filtereinheit 4 zugeführt, in der eine Korrelation, insbesondere Multiplikation, der Eingangsdaten mit der Vordergrundmaske stattfindet. Als Korrelation könnte auch eine gewichtete Addition der Daten bzw. Werte oder eine andere Art einer Verknüpfung erfolgen. Die Ausgangsdaten der Filtereinheit 4 werden zwei unterschiedlichen Filtereinheiten, vorzugsweise einerseits einem Gaußfilter 5 und anderseits einem Lokalmaximumfilter 6 zugeführt. Anstelle eines Gaußfilters kommen vor allem Tiefpassfilter bzw. Filter, die scharfe Konturen verringern, in Betracht. Die Ausgangsdaten der beiden Filter, im vorliegenden Fall des Gaußfilters 5 und des Lokalmaximumfilters 6, werden einer Subtraktionseinheit 7 zugeführt, in der die beiden sich bei den jeweiligen Filterungen ergebenden Datensätze subtrahiert werden und die einen Schwellwert, insbesondere den Wert Null, besitzenden bzw. diesen sich annähernden Daten bzw. Filterbereiche am Ausgang der Subtraktionseinheit als Segmentierungsstartpunkte zur Verfügung gestellt werden. Diese Segmentierungsstartpunkte werden in der Subtraktionseinheit auch gespeichert, um für weitere Berechnungen zur Verfügung zu stehen.
Des weiteren ist für die Eingangsdaten ein Kanten detektierender Filter, vorzugsweise ein Hochpassfilter, insbesondere ein Laplacefilter 9, vorgesehen, dem allenfalls ein Medianfilter und/oder Gaußfilter 8 vorgeschaltet ist. Dem Kanten detektierenden Filter, im vorliegenden Fall ein Laplacefilter 9, ist ein Schwellwertbildner 10 nachgeschaltet, in dem die durch den Filter 9 erhaltenen Daten einer Schwellwertsetzung mit einem spezifischen Schwellwert, insbesondere Null, unterzogen werden. Der Nulldurchgang der Werte ist ein Indiz für das Gradienten-Maximum, so dass möglichst gute Unterschiede zu Nachbarregionen erhalten werden können. In einem dem Schwellwertbildner 10 nachgeschalteten Korrelator, insbesondere Multiplikator 11 , wird der mit der Schwellwertsetzung erhaltene Datensatz mit der Vordergrundmaske korreliert, insbesondere multipliziert, womit eine weniger restriktive Maske erhalten wird.
Zur Erstellung einer restriktiven Maske ist an den Ausgang des Korrelators bzw. Multiplikators 11 eine Labelingeinheit 12 angeschlossen, in der die der weniger restriktiven Maske entsprechenden Ausgangssignale des Multiplikators 11 in Hinblick auf die Ermittlung der lokalen Grauwerte jedes einzelnen der lokal begrenzten Bereiche bzw. Cluster vorgenommen wird und die durchschnittlichen Grauwerte der jeweiligen Bereiche ermittelt werden. In Folge werden die erhaltenen Grauwerte in jedem Cluster einer Diskriminierung mit einem vorgegebenen Schwellwert unterzogen. Damit wird eine restriktive Maske erhalten.
Der der weniger restriktiven Maske entsprechende Datensatz wird einem Vergleicher 13 zugeführt, der der Subtraktionseinheit 7 nachgeschaltet ist. In dem Vergleicher 13 werden die nicht in der weniger restriktiven Maske enthaltenden Segmentierungsstartpunkte ausgeschieden.
In einer Growingeinheit 14 erfolgt ein Wachsen ausgehend von den einzelnen Segmentierungsstartpunkten im Bereich der restriktiven Maske und allenfalls ein folgendes Wachsen dieser Bereiche in der weniger restriktiven Maske und gegebenenfalls anschließend in der Vordergrundmaske, wobei die Datensätze betreffend die restriktive Maske von der Labelingeinheit 12 und die Datensätze betreffend die weniger restriktiven Maske vom Multiplikator 11 bzw. vom Diskriminator 3 der Growingeinheit 14 zugeführt sind.
An die Growingeinheit 14 ist eine Speichereinheit und/oder Auswerteinheit und/oder Anzeigeeinheit 15 angeschlossen.
Zwischen die Subtraktionseinheit 7 und den Vergleicher 13 kann eine Dilationseinheit 16 für die errechneten Segmentierungspunkte zwischengeschaltet sein. Eine erfindungsgemäße Einrichtung ergibt bei relativ geringem Rechenaufwand eine Verbesserung der erhaltenen Ergebnisse, wenn die Merkmale des Anspruches 10 vorgesehen sind.
Im folgenden wird die erfindungsgemäße Vorgangsweise anhand der Segmentierung von Zellen beispielsweise näher erläutert. Dazu werden Zellpräparate, insbesondere Zellschnitte, gefärbt, um die Zellkerne von den restlichen Zellbestandteilen unterschiedlich zu kennzeichnen. Damit besitzen die Zellkerne bzw. die Zellkernagglomerate gegenüber den restlichen Zellbestandteilen bzw. dem Bild- Hintergrund bzw. weiteren in dem Gewebeschnitt enthaltenen Bestandteilen eine unterschiedliche Färbung, und können in dem aufgenommenen Bild lokalisiert werden. Für die Auswertung des Bildes besteht die Unsicherheit, dass in Zellkemagglomeraten die Zellkerne abgedeckt bzw. nicht zur Gänze wiedergegeben sind bzw. die Helligkeitsbereiche keine scharfen Begrenzungen aufweisen bzw. nicht gut unterscheidbare Helligkeitswerte, d.h. Farbwerte oder Grauwerte, vorliegen. Dem soll erfindungsgemäß entgegengewirkt werden. Von dem zu untersuchenden Bildbereich eines Gewebepräparates bzw.
Gewebeschnittes 1 werden über die eingesetzte Aufnahmeeinheit 2, z.B. einer Videokamera oder einem Mikroskop, digitale Eingangsdaten erhalten. Durch Vorgabe eines gewählten bzw. aufgrund eines für diese Eingangsdaten vorgegebenen bzw. ermittelten Helligkeitsschwellwertes, werden die Eingangsdaten des Bildbereiches in eine helle Vordergrunddaten enthaltende Vordergrundmaske und eine dunkle Hintergrunddaten enthaltende Hintergrundmaske in dem Diskriminator 3 getrennt. Fig. 1 zeigt ein Beispiel für einen Eingangsdatensatz. Fig. 2 zeigt eine Maske, mit welcher der Hintergrund der Eingangsdaten vom Vordergrund getrennt werden kann bzw. zeigt den Eingangsdatensatz nach Diskriminierung mit dem vorgegebenen bzw. rechnerisch ermittelten Helligkeitsschwellwert.
Zur Ermittlung von Segmentierungsstartpunkten können vorab die Vordergrunddaten bzw. die Vordergrundmaske mit den Eingangsdaten korreliert, insbesondere multipliziert, werden. Auf die gegebenenfalls derart abgeänderten Vordergrunddaten werden in der Filtereinheit 4 nebeneinander zwei unterschiedliche Filter, z.B. sowohl ein Gaußfilter als auch ein Lokalmaximumfilter, angewendet. Die Filtergröße des Lokalmaximumfilters ist vorteilhafterweise halb so groß wie die des zuvor auf die Daten angewendeten Gaußfilters. Daraufhin werden die sich bei diesen beiden Filterungen ergebenden Datensätze in der Subtraktionseinheit 7 subtrahiert und die ein Schwellwertkriterium erfüllenden, insbesondere die den Wert Null besitzenden, Bildbereiche als Segmentierungsstartpunkte angesehen bzw. gewählt. Die Maske bzw. der Datensatz der Segmentierungsstartpunkte ist beispielsweise in Fig. 3 dargestellt. Die Segmentierungsstartpunkte liegen innerhalb der hellen Bereiche der Vordergrundmaske bzw. die Segmentierungsstartpunkte korrespondieren mit den hellen Bereichen der V^rdergrundmaske.
/ Es ist möglich, auf diese Segmentierungsstartpunkte eine einstufige Dilation anzuwenden und die sich ergebenden Punktbereiche als Segmentierungsstartpunkt anzusehen. Dadurch wird vermieden, dass in weiterer Folge zwei eng nebeneinanderliegende Segmentierungsstartpunkte zu Segmentierungsfehlern führen.
In weiterer Folge werden zwei unterschiedlich restriktive Segmentierungsmasken ermittelt, und zwar eine weniger restriktive Maske und eine restriktive Maske.
Dazu wird vorerst auf die Eingangsdaten entsprechend Fig. 1 , gegebenenfalls nach einer Medianfilterung und/oder einer Gaußfilterung, ein Kanten detektierender Filter, insbesondere der Laplacefilter 9 angewendet. Zur Erstellung der weniger restriktiven Maske werden die erhaltenen Daten, insbesondere Laplacedaten, einer Schwellwertsetzung, insbesondere mit Schwellwert Null, unterzogen und der damit erhaltene Datensatz wird mit den Daten der Vordergrundmaske korreliert, insbesondere multipliziert. In Fig. 4 ist diese Vorgangsweise dargestellt. Links in Fig. 4 sind die Eingangsdaten entsprechend Fig. 1 dargestellt. In Fig. 4 Mitte sind die laplace- und gaußgefilterten Eingangsdaten dargestellt. In Fig. 4 rechts ist die erhaltene restriktive Maske dargestellt. Auf diese weniger restriktive Maske könnte eine Funktion zum Schließen von Löchern in der Maske angewendet werden. Zur Erstellung der restriktiven Maske in der Labeling-Einheit 12 wird die weniger restriktive Maske einem Labeling in Hinblick auf die Ermittlung der lokalen Grauwerte jedes einzelnen der lokal begrenzten Bereiche bzw. Cluster unterzogen und die durchschnittlichen Grauwerte der jeweiligen Bereiche ermittelt, worauf die erhaltenen Grauwerte in jedem Cluster einer Diskriminierung mit einem vorgegebenen Schwellwert unterzogen werden. Dieser Schwellwert wird aus dem jeweiligen Datenmittelwert der laplacegefilterten Daten innerhalb jedes einzelnen Clusters der weniger restriktiven Maske berechnet. Als Cluster wird dabei ein zusammenhängender weißer bzw. heller Bereich in der weniger restriktiven Maske angesehen. In Fig. 5 sind links die laplace- und gaußgefilterten Eingangsdaten entsprechend der mittleren Abbildung der Fig. 4 dargestellt. Die weniger restriktive Maske ist in Fig. 5 in der Mitte dargestellt. Die Kombination der laplace- und gaußgefilterten Eingangsdaten und der weniger restriktiven Maske führt zu der restriktiven Maske, die in Fig. 5 rechts abgebildet ist.
Für das Labeling wird den Bildpunkten jeder einzelnen zusammenhängenden Region in der weniger restriktiven Maske gemäß Fig. 6 eine aufsteigende Zahl zugewiesen. Dieser Vorgang ermöglicht eine nachträgliche, separate Bearbeitung bzw. Analyse jeder einzelnen Region. In Fig. 6b ist das Labelbild dargestellt. Den einzelnen Regionen sind aufsteigende Zahlen zugeordnet, die in Fig. 6b in den Farben von dunkelblau (SP:' Niern) bis dunkelrot (Mittelbereich) entsprechenden Grauwerten abgebilde; /
Jede eh.. *ie Region aus Fig. 6b wird nacheinander über die räumlich korrespondierenden, laplacegefilterten Bilddaten gemäß Fig. 6c gelegt. Für jede einzelne Region wird der Mittelwert aus den laplacegefilterten Bilddaten berechnet. Jeder dieser Werte dient anschließend als Schwellwert für die jeweilige Region. Durch Anwendung der einzelnen Schwellwerte auf die jeweilig korrespondierenden Regionen im Laplacebild, wird aus der weniger restriktiven Maske die restriktive Maske gemäß Fig. 6d abgeleitet
In weiterer Folge werden die nicht in der weniger restriktiven Maske enthaltenen Segmentierungsstartpunkte ausgeschieden. Dies erfolgt durch einen entsprechenden Vergleich der weniger restriktiven Maske mit der Maske mit den bereits ermittelten Segmentierungsstartpunkten im Vergleicher 13.
Im folgenden wird in der Growingeinheit 14 innerhalb der Bereiche der restriktiven Maske ein Wachsen ausgehend von den in den einzelnen Bereichen vorliegenden Segmentierungsstartpunkten vorgenommen, gefolgt von einem Wachsen dieser erhaltenen Bereiche in der weniger restriktiven Maske. Damit wird bereits eine gute Segmentierung der in den anfänglich erhaltenen Bilddaten vorliegenden Helligkeitsverteilungen erreicht.
Anschließend könnte das Wachsen der in der weniger restriktiven Maske wachsen gelassenen Bereiche in der Vordergrundmaske fortgesetzt werden. Es zeigte sich, dass die in der Vordergrundmaske wachsen gelassenen Bereiche der ursprünglichen Verteilung weitgehend nahe kommen. In Fig. 7 ist links die Eingangsmaske, d.h. die Maske entsprechend Fig. 1 dargestellt. Rechts in Fig. 7 sind die segmentierten Eingangsdaten dargestellt, nachdem ein Wachsen in der Vordergrundmaske vorgenommen wurde. Liegen einzelne Segmentierungsstartpunkte nicht in der restriktiven Segmentierungsmaske, so kann die restriktive Segmentierungsmaske vor dem Start des Diiationsprozesses modifiziert werden.
In Fig. 8 ist der Bearbeitungsablauf zur Dilation von Segmentierungsstartbereichen in einer vorgegebenen Segmentierungsmaske, d.h. der restriktiven Maske, dargestellt. Das Ergebnis dieser Bearbeitung sind formgetreue segmentierte Eingangsdaten (Fig. 8).
Die in Fig. 7 rechts dargestellten segmentierten Gebiete können in weiterer Folge, z.B. auch mit einem definierten Flächeninhalt, Grauwert bzw. Wahrscheinlichkeitsschwellwert, interaktiv gefiltert werden, um ihre Weiterverarbeitung bzw. weitere Auswertung zu verbessern.
Aus diesen segmentierten Abbildungen bzw. Daten können diverse Parameter der abgebildeten Zellkerne, Helligkeits- bzw. Wahrscheinlichkeitsverteilungen, Korngrößen usw. berechnet werden.
Die segmentierten Eingangsdaten werden visuell, z.B. auf einem Bildschirm ausgegeben bzw. ausgedruckt oder allenfalls mit den berechneten Parametern abgespeichert.
Zur Berechnung eines Hintergrundschwellwertes zur Trennung der Eingangsdaten in einen Hintergrund- und Vordergrundbereich im Diskriminator 3 wird wie in Fig. 9 dargestellt vorgegangen. Als Hintergrund werden die dunklen Bildbereiche angenommen und als Vordergrund die hellen Bildbereiche. Im rechten Bild von Fig. 1 ist das Intensitätsbzw. Helligkeitshistogramm der Eingangsdaten dargestellt, in dem der optimale Bereich für den Hintergrundschwellwert vorab entsprechend markiert ist. Dieser Schwellwert wird mit Hilfe einer anhand von Fig. 7 näher erläuterten Vorgangsweise durch eine analytische Ver- und Bearbeitung des Helligkeitsdatenverteilungsdiagrammes, insbesondere Histogramms, der Eingangsdaten ermittelt.
Dazu ist vorteilhafterweise vorgesehen, dass zur Trennung der Eingangsdaten in helle Vordergrunddaten und dunkle Hintergrunddaten ein Histogramm, insbesondere Helligkeitshistogramm, der Eingangsdaten erstellt wird, der Differenzquotient des geglätteten Histogramms errechnet wird, die Absolutwerte der Differenzquotienten berechnet und gegebenenfalls ein konstanter Wert addiert wird, die erhaltenen Daten mit den Eingangsdaten multipliziert und gegebenenfalls umskaliert werden, und dass als Schwellwert derjenige Wert gewählt wird, an dem die erhaltene Funktion Null ist bzw. sich diesem Wert angenähert hat.
Durch die Anwendung des berechneten optimalen Schwellwertes auf die Eingangsdaten, wird der Hintergrund bestmöglich von den für die Segmentierung relevanten Bereichen, d.h. den Vordergrund bzw. den Vordergrunddaten, getrennt. In Fig.
2 ist die Maske, mit welcher der Hintergrund der Eingangsdaten von dem Vordergrund getrennt werden kann, dargestellt. Für die weiteren Verarbeitungsschritte bzw. die weitere Segmentierung ist dann nur mehr der Vordergrundbereich der Eingangsdaten relevant.
Die erfindungsgemäße Einrichtung kann zur Erzielung hoher Rechengeschwindigkeiten mit Hardware-Bauteilen realisiert werden. Die eingesetzten Filter können unterschiedlichster Art sein. Vorteilhafterweise kommen übliche Tiefpassfilter bzw. Hochpassfilter bzw. Gaußfilter und Laplacefilter in Frage. Der Einsatz von in gleicher Weise wirkender Filter ist ohne weiteres möglich.
Die Schwellwerte werden je nach der gewünschten Genauigkeit bzw. der gewünschten Datentrennung gewählt und sind spezifisch vorzugeben. Die vorgesehenen Korrelierungsverfahren können z.B. in einer gewichteten Addition der Daten oder in einer Multiplikation, allenfalls auch in einer Division bzw. anderen Verknüpfung der Daten, bestehen, soferne eine entsprechende erhöhte Unterscheidbarkeit der Daten mit der Korrelation erreicht wird.
Die Erfindung wurde unter Bezugnahme auf die Auswertung von Helligkeitswerten bzw. Ermittlung von Grauwerden erläutert. Bei der Auswertung von Datenfeldern treten anstelle dieser Werte die im Datenfeld enthaltenen, von anderen Größen abgeleiteten
Werte bzw. ermittelten Werte. In vergleichbarer Weise könnten der Auswertung auch
Farbwerte zugrundegelegt werden.

Claims

Patentansprüche:
1. Verfahren zur Segmentierung von lokal begrenzten, zweidimensionalen Bereichen, vorzugsweise Helligkeitsverteilungen bzw. -bereichen oder Datenfelder, insbesondere für Abbildungen von Zellkernagglomeraten bzw. -verbänden, Korngrößenverteilungen od.dgl., dadurch gekennzeichnet,
- dass die von dem zu untersuchenden Bildbereich erhaltenen Eingangsdaten durch Vorgabe eines Schwellwertes, insbesondere Helligkeitsschwellwertes, in eine größeren bzw. höheren Werten, insbesondere Helligkeitswerten, entsprechende Vordergrunddaten enthaltende Vordergrundmaske und eine geringen Werten, insbesondere Helligkeitswerten, entsprechende Hintergrunddaten enthaltende Hintergrundmaske getrennt werden, - dass zur Ermittlung von Segmentierungsstartpunkten auf die, vorzugsweise mit der Vordergrundmaske korrelierten, insbesondere multiplizierten, Eingangsdaten zwei unterschiedliche Filteroperationen, nämlich ein scharfe Konturen bzw. Kontraste verringernder Filter, vorzugsweise ein Tiefpassfilter, insbesondere ein Gaußfilter, und ein Filter zur Feststellung lokaler Maxima in einer Region bzw. ein Lokalmaximumfilter angewendet werden ,
- dass sodann die sich bei den beiden unterschiedlichen Filteroperationen ergebenden Datensätze subtrahiert und die einen spezifischen Grenzwert bzw. Grenzwertbereich, vorzugsweise den Wert Null, besitzenden Bildbereiche als Segmentierungsstartpunkte angesehen werden, - dass zur Erstellung einer weniger restriktiven Maske auf die Eingangsdaten, gegebenenfalls nach einer Medianfilterung und/oder einer Gaußfilterung, eine die hochfrequenten Anteile betonende Filteroperation bzw. eine Kanten detektierende Filteroperation, vorzugsweise ein Hochpassfilter, insbesondere ein Laplacefilter angewendet wird, und die resultierenden Daten einer Schwellwertsetzung mit einem spezifischen Schwellwert, vorzugsweise dem Wert Null, unterzogen und der damit erhaltene Datensatz mit den Daten der Vordergrundmaske korreliert, insbesondere multipliziert, wird.
- dass zur Erstellung einer restriktiven Maske die weniger restriktive Maske einem Labeling in Hinblick auf die Ermittlung der lokalen Werte, insbesondere Grauwerte, jedes einzelnen der lokal begrenzten Bereiche bzw. Cluster unterzogen und die durchschnittlichen Werte, insbesondere Grauwerte, der jeweiligen Bereiche ermittelt werden und die erhaltenen Werte, insbesonere Grauwerte, in jedem Cluster einer Diskriminierung mit einem vorgegebenen Schwellwert unterzogen werden,
- dass in der weniger restriktiven Maske nicht enthaltene Segmentierungsstartpunkte ausgeschieden werden, - dass ein Wachsen ausgehend von den einzelnen Segmentierungsstartpunkten in den jeweiligen Bereichen der restriktiven Maske vorgenommen wird,
- dass ein Wachsen dieser Bereiche in der weniger restriktiven Maske und gegebenenfalls anschließend in der Vordergrundmaske fortgesetzt wird und
- dass die in der restriktiven Maske oder in der Vordergrundmaske erhaltenen Bereiche als die segmentierten Helligkeitsbereiche angesehen werden.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass auf die ermittelten Segmentierungsstartpunkte eine ein- oder mehrstufige Dilation angewendet wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass bei Diskriminierung der Grauwerte bzw. der Grauwertmaske beim Labeling eine Diskriminierung mit einem vorgegebenen Grauwert erfolgt.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Filtergröße des Lokalmaximumfilters mit der Größe des Gaußfilters korreliert bzw. abgeglichen wird.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet,
- dass zur Trennung der Eingangsdaten, insbesondere in helle Vordergrunddaten und dunkle Hintergrunddaten ein die Datenverteilung darstellendes Diagramm, insbesondere ein Helligkeitshistogramm, der Eingangsdaten erstellt wird,
- dass der Differenzquotient des geglätteten die Datenverteilung darstellenden Diagramms errechnet wird,
- dass die Absolutwerte der Differenzquotienten berechnet werden und gegebenenfalls ein konstanter Wert addiert wird,
- dass die erhaltenen Daten mit den Eingangsdaten korreliert, insbesondere multipliziert, und gegebenenfalls umskaliert werden, und
- dass als Schwellwert derjenige Wert gewählt wird, an dem die erhaltene Funktion einem spezifischem Grenzwert, vorzugsweise dem Wert Null, entspricht bzw. sich diesem Grenzwert angenähert hat.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass die Abbildungen bzw. Bilder von gegenüber anderen Zellbereichen bzw. gegenüber dem Zytoplasma hell gefärbten Zellkernen bzw. Zellkernagglomeraten abgebildet und segmentiert werden.
7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass in Gewebeschnitten enthaltene gefärbte Zellkerne bzw. Zellkernagglomerate segmentiert werden.
8. Einrichtung zur Segmentierung von lokal begrenzten, zweidimensionalen Bereichen, vorzugsweise Helligkeitsverteilungen bzw. -bereichen, insbesondere für Abbildungen von Zellkernagglomeraten bzw. -verbänden, Korngrößenverteilungen, Datenfeldern od.dgl., insbesondere zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, - dass ein Diskriminator (3) vorgesehen ist, der die von dem zu untersuchenden Bildbereich erhaltenen Eingangsdaten durch Vorgabe eines Schwellwertes, insbesondere Helligkeitsschwellwertes, in eine größeren Werten, insbesondere hellen Werten, entsprechende Vordergrunddaten enthaltende Vordergrundmaske und eine kleineren Werten, insbesondere dunklen Werten, entsprechende Hintergrunddaten enthaltende Hintergrundmaske trennt,
- dass zur Ermittlung von Segmentierungsstartpunkten eine Filtereinheit (4) vorgesehen ist, die auf die, vorzugsweise mit der Vordergrundmaske korrelierten, insbesondere multiplizierten, Eingangsdaten unabhängig zwei Filter, nämlich ein scharfe Konturen bzw. Kontraste verringernder Filter, vorzugsweise ein Tiefpassfilter, insbesondere ein Gaußfilter (5), und ein Lokalmaximumfilter (6), anwendet,
- dass eine Subtraktionseinheit (7) vorgesehen ist, die die bei diesen beiden Filterungen ergebenden Datensätze subtrahiert und die einen spezifischen Grenzwert bzw. Grenzwertbereich, insbesondere den Wert Null, besitzenden Bildbereiche als Segmentierungsstartpunkte ermittelt und speichert bzw. für weitere Berechnungen zur Verfügung stellt,
- dass zur Erstellung einer weniger restriktiven Maske ein Kanten detektierender bzw. ein die hochfrequenten Anteile betonender Filter, vorzugsweise ein Hochpassfilter, insbesondere ein Laplacefilter (9), für die Eingangsdaten, gegebenenfalls mit vorgeordnetem Medianfilter und/oder Gaußfilter (8), vorgesehen ist, dem ein Korrelator, vorzugsweise ein Multiplikator (11), nachgeschaltet ist, mit dem die Daten einer Schwellwertsetzung mit spezifischem Schwellwert, insbesondere dem Schwellwert Null, unterzogen und der damit erhaltene Datensatz mit den Daten der Vordergrundmaske korreliert, insbesondere multipliziert wird.
- dass zur Erstellung einer restriktiven Maske eine Labeling-Einheit (12) vorgesehen ist, welche die weniger restriktive Maske einem Labeling in Hinblick auf die Ermittlung der lokalen Werte, insbesondere Grauwerte, jedes einzelnen der lokal begrenzten Bereiche bzw. Cluster unterzieht, und die durchschnittlichen Werte, insbesondere Grauwerte, der jeweiligen Bereiche ermittelt, wobei die erhaltenen Werte, insbesondere Grauwerte, in jedem Cluster einer Diskriminierung mit einem vorgegebenen Schwellwert unterzogen werden, - dass ein Vergleicher (13) vorgesehen ist, der in der weniger restriktiven Maske nicht enthaltene Segmentierungsstartpunkte ausscheidet,
- dass eine Growing-Einheit (14) vorgesehen ist, die ein Wachsen ausgehend von den einzelnen Segmentierungsstartpunkten in den jeweiligen Bereichen der restriktiven Maske vornimmt, und das Wachsen dieser Bereiche in der weniger restriktiven Maske und gegebenenfalls anschließend in der Vordergrundmaske fortsetzt und
- dass die in der restriktiven Maske oder in der Vordergrundmaske erhaltenen Bereiche als die gewünschten segmentierten Helligkeitsbereiche abgespeichert, angezeigt und/oder weiterverarbeitet bzw. einer Speichereinheit und/oder einer Anzeigeeinheit und/oder einer weiteren Auswerteinheit (15) zugeführt werden.
9. Einrichtung nach Anspruch 8, dadurch gekennzeichnet, dass für die ermittelten Segmentierungsstartpunkte eine einstufige Dilations-Einheit (16) vorgesehen ist.
10. Einrichtung nach einem der Ansprüche 8 oder 9, dadurch gekennzeichnet, - dass der Diskriminator (3) zur Trennung der Eingangsdaten, insbesondere in helle Vordergrunddaten und dunkle Hintergrunddaten, einen die Datenverteilung darstellenden Diagrammbildner, insbesondere Histogrammbildner, für die Eingangsdaten υmfasst,
- dass ein Differenzquotient-Bildner für das geglättete Disagramm, insbesondere Histogramm, vorgesehen ist, der die Absolutwerte der Differenzquotienten berechnet und gegebenenfalls einen konstanten Wert addiert,
- dass ein Korreiator, insbesondere Multiplikator, zur Verknüpfung der vom Differenzquotient-Bildner erhaltenen Daten mit den Eingangsdaten vorgesehen ist und
- dass ein Schwellwert-Bildner vorgesehen ist, der denjenigen Wert auswählt, an dem die erhaltene Funktion einen spezifischen Schwellwert, insbesondere Null, annimmt bzw. sich diesem Wert angenähert hat.
11. Einrichtung nach Anspruch 10, dadurch gekennzeichnet, dass die Einrichtung einen Rechner und die zur Durchführung der Funktionen erforderliche Hardware und Software umfasst.
12. Verwendung einer Einrichtung nach einem der Ansprüche 8 bis 10 zur Segmentation von gegenüber anderen Zellbereichen bzw. gegenüber dem Zytoplasma dunkel gefärbten Zellkernen bzw. Zellkernagglomeraten und/oder von in Gewebeschnitten enthaltenen gefärbten Zellkernen bzw. Zellkernagglomeraten.
13. Computerprogrammprodukt mit Programmcode-Mitteln, die auf einem computerlesbaren Datenträger gespeichert sind, um das Verfahren nach jedem beliebigen der Ansprüche 1 bis 7 durchzuführen, wenn das Programmprodukt auf einem Computer ausgeführt wird.
EP06760799A 2005-07-26 2006-07-24 Verfahren und einrichtung zur segmentierung von bereichen Withdrawn EP1908009A2 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
AT0125405A AT503459B1 (de) 2005-07-26 2005-07-26 Verfahren und einrichtung zur segmentierung von bereichen
PCT/AT2006/000312 WO2007012098A2 (de) 2005-07-26 2006-07-24 Verfahren und einrichtung zur segmentierung von bereichen

Publications (1)

Publication Number Publication Date
EP1908009A2 true EP1908009A2 (de) 2008-04-09

Family

ID=37683684

Family Applications (1)

Application Number Title Priority Date Filing Date
EP06760799A Withdrawn EP1908009A2 (de) 2005-07-26 2006-07-24 Verfahren und einrichtung zur segmentierung von bereichen

Country Status (7)

Country Link
US (1) US8023737B2 (de)
EP (1) EP1908009A2 (de)
AT (1) AT503459B1 (de)
AU (1) AU2006274475B2 (de)
CA (1) CA2616011A1 (de)
WO (1) WO2007012098A2 (de)
ZA (1) ZA200800131B (de)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT503459B1 (de) * 2005-07-26 2007-10-15 Tissuegnostics Gmbh Verfahren und einrichtung zur segmentierung von bereichen
US8184175B2 (en) * 2008-08-26 2012-05-22 Fpsi, Inc. System and method for detecting a camera
JP6019798B2 (ja) * 2012-06-22 2016-11-02 ソニー株式会社 情報処理装置、情報処理システム及び情報処理方法
EP2864467B1 (de) 2012-06-22 2019-04-03 Leica Biosystems Nussloch GmbH Vorrichtung zum transport von biopsiegewebeproben
JP6487320B2 (ja) 2012-06-22 2019-03-20 ライカ ビオズュステムス ヌスロッホ ゲーエムベーハー 組織サンプル容器及び方法
CA2845830C (en) 2013-03-15 2020-10-27 Leica Biosystems Nussloch Gmbh Tissue cassette with retractable member
CA2845832C (en) 2013-03-15 2020-09-22 Leica Biosystems Nussloch Gmbh Tissue cassette with biasing element
US9052256B2 (en) 2013-03-15 2015-06-09 Leica Biosystems Nussloch Gmbh Method for processing and embedding tissue
TW201510934A (zh) 2013-09-13 2015-03-16 Novatek Microelectronics Corp 影像銳化方法與影像處理裝置
CN105243652B (zh) * 2015-11-19 2019-06-07 Tcl集团股份有限公司 图像降噪的方法及装置
JP6774813B2 (ja) * 2016-08-12 2020-10-28 日本電子株式会社 画像処理装置、画像処理方法、および分析装置
US10456113B2 (en) * 2016-09-08 2019-10-29 B-K Medical Aps Wall-to-wall vessel segmentation in US imaging using a combination of VFI data and US imaging data
WO2019025514A2 (en) * 2017-08-04 2019-02-07 Ventana Medical Systems, Inc. METHODS AND AUTOMATED SYSTEMS FOR DETECTING CELLS IN IMAGES OF COLORED SAMPLES
CN114205583B (zh) * 2022-01-20 2024-01-16 深圳市瑞驰信息技术有限公司 一种基于h265的视频编码方法、系统及电子设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4907156A (en) * 1987-06-30 1990-03-06 University Of Chicago Method and system for enhancement and detection of abnormal anatomic regions in a digital image
JP3679512B2 (ja) * 1996-07-05 2005-08-03 キヤノン株式会社 画像抽出装置および方法
US6859554B2 (en) * 2001-04-04 2005-02-22 Mitsubishi Electric Research Laboratories, Inc. Method for segmenting multi-resolution video objects
AUPR647801A0 (en) * 2001-07-19 2001-08-09 Cea Technologies Inc. Chromatin segmentation
FR2852427B1 (fr) * 2003-03-14 2005-10-14 Ct De Lutte Contre Le Cancer F Procede et dispositif de determination de parametres quantitatifs histochimiques et immunohistochimiques
US7474775B2 (en) * 2005-03-31 2009-01-06 University Of Iowa Research Foundation Automatic detection of red lesions in digital color fundus photographs
AT503459B1 (de) * 2005-07-26 2007-10-15 Tissuegnostics Gmbh Verfahren und einrichtung zur segmentierung von bereichen
US8515171B2 (en) * 2009-01-09 2013-08-20 Rochester Institute Of Technology Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2007012098A2 *

Also Published As

Publication number Publication date
WO2007012098A3 (de) 2007-05-03
US8023737B2 (en) 2011-09-20
AU2006274475A1 (en) 2007-02-01
ZA200800131B (en) 2008-10-29
WO2007012098A2 (de) 2007-02-01
AU2006274475B2 (en) 2010-10-21
CA2616011A1 (en) 2007-02-01
AT503459A4 (de) 2007-10-15
US20080193014A1 (en) 2008-08-14
AT503459B1 (de) 2007-10-15

Similar Documents

Publication Publication Date Title
DE69329554T2 (de) Verfahren zur identifizierung von objekten unter verwendung von datenverarbeitungstechniken
AT503459B1 (de) Verfahren und einrichtung zur segmentierung von bereichen
DE69428089T2 (de) Gerät und Verfahren zur Bildanalyse
DE69630935T2 (de) Bilverarbeitungsverfahren und -vorrichtung zur automatischen Erfassung von Bereichen eines vorbestimmten Krebstyps in einem Intensitätsbild
DE602004008471T2 (de) Verfahren und anordnung zur bestimmung einer objektkontur
DE102007013971B4 (de) Verfahren und Vorrichtung zur Ermittlung einer Zellkontur einer Zelle
DE69322095T2 (de) Verfahren und gerät zur identifizierung eines objekts mittels eine geordneten folge von grenz-pixel-parametern
DE102008040807B4 (de) Verfahren zur Korrektur von den Blutfluss darstellenden Bilddaten, Medizinisches Gerät und Analysesystem
EP2284795A2 (de) Quantitative Analyse, Visualisierung und Bewegungskorrektur in dynamischen Prozessen
WO2000010119A1 (de) Verfahren zum erkennen von objekten in digitalisierten abbildungen
DE102007028226B4 (de) Auswertungsverfahren für eine zeitliche Sequenz von Röntgenbildern und hiermit korrespondierende Gegenstände
EP2400458B1 (de) Verfahren und Vorrichtung zur Segmentierung von biologischen Zellen in einer Aufnahme
DE69332428T2 (de) Angiographie-Apparat und -verfahren
WO2019166361A1 (de) Verfahren zum aufteilen eines oder mehrerer bilder einer probe in nach farbstoffen aufgeteilte bilddaten, computerprogrammprodukt, computerlesbares medium, auf dem das computerprogrammprodukt gespeichert ist, und system zum aufteilen eines oder mehrerer bilder einer probe in nach farbstoffen aufgeteilte bilddaten
DE102010041619B4 (de) Verfahren und Röntgensystem zur Summation von DSA-Serienbildern
DE60313662T2 (de) Histologische bewertung des nuklearpleomorphismus
EP1865462A1 (de) Verfahren zur Binarisierung eines digitalen Grauwertbildes
DE102018214198A1 (de) System zum Bewerten eines Bildes, Betriebsassistenzverfahren und Steuereinheit für eine Arbeitsvorrichtung sowie Arbeitsvorrichtung
DE102005034374B3 (de) Verfahren zur automatischen Erstellung einer Hintergrundmaske bei Bildern mit verrauschten Hintergrundbereichen, Anwendungen dazu sowie ein Kernspintomographiegerät zur Durchführung der Verfahren und Computersoftwareprodukt
DE102010028382A1 (de) Verfahren und Computersystem zur Bearbeitung tomographischer Bilddaten aus einer Röntgen-CT-Untersuchung eines Untersuchungsobjektes
DE19754909C2 (de) Verfahren und Vorrichtung zur Erfassung und Bearbeitung von Abbildungen biologischen Gewebes
DE19930598A1 (de) Zeitaufgelöste Analyse und/oder Visualisierung dynamischer Prozesse in dynamischen biologischen Systemen
DE102006012943B4 (de) Verfahren zur automatischen Auswertung eines Abbildungsdatensatzes eines Objektes und medizinisches Abbildungssystem
EP4099272A1 (de) Mikroskopiesystem und verfahren zum erzeugen stilisierter kontrastbilder
DE19834718A1 (de) Digitale Bildverarbeitung für ein Qualitätskontrollsystem

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20080118

AK Designated contracting states

Kind code of ref document: A2

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU LV MC NL PL PT RO SE SI SK TR

17Q First examination report despatched

Effective date: 20080820

DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20150203