NL2024777B1 - Blood leukocyte segmentation method based on color component combination and contour fitting - Google Patents

Blood leukocyte segmentation method based on color component combination and contour fitting Download PDF

Info

Publication number
NL2024777B1
NL2024777B1 NL2024777A NL2024777A NL2024777B1 NL 2024777 B1 NL2024777 B1 NL 2024777B1 NL 2024777 A NL2024777 A NL 2024777A NL 2024777 A NL2024777 A NL 2024777A NL 2024777 B1 NL2024777 B1 NL 2024777B1
Authority
NL
Netherlands
Prior art keywords
segmentation
leukocyte
image
contour
points
Prior art date
Application number
NL2024777A
Other languages
English (en)
Inventor
Li Zuoyong
Zhang Zuchang
Xiao Guobao
Liu Weixia
Zhou Chang'en
Wang Chuansheng
Original Assignee
Univ Minjiang
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 Univ Minjiang filed Critical Univ Minjiang
Application granted granted Critical
Publication of NL2024777B1 publication Critical patent/NL2024777B1/en

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695Preprocessing, e.g. image segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/12Edge-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination of colour characteristics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10056Microscopic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30024Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Claims (3)

Conclusies
1. Een bloedleukocytsegmentatiewerkwijze op basis van kleurcomponentcombinatie en contourmontage, bevattende: ten eerste, het verbeteren van het contrast van de leukocytkernen door gebruik te maken van kleurcomponentcombinatie, en het verder segmenteren van de kernen door gebruik te maken van een klassieke dorsersegmentatiewerkwijze; ten tweede, het verwijderen van de achtergrond van een beeld door gebruik te maken van kleurvoorkennis, en het uitvoeren van randdetectie en contourmontage om een resultaat van leukocytsegmentatie te verkrijgen; en ten slotte, het aftrekken van het resultaat van de kernsegmentatie van het resultaat van de leukocytsegmentatie om een resultaat van cytoplasma-segmentatie te verkrijgen.
2. De bloedleukocyt-segmentatiewerkwijze op basis van kleurcomponentcombinatie en contourmontage volgens Conclusie 1, waarbij de stap van het versterken van het contrast van de leukocytkernen door gebruik te maken van kleurcomponentcombinatie, en het verder segmenteren van de kernen door gebruik te maken van een klassieke dorsersegmentatiewerkwijze, specifiek wordt uitgevoerd als volgt: stap S11, het verbeteren van een kerngebied door het gebruik van kleurcomponentcombinatie aan, die formeel als volgt is gedefinieerd: L=1+1,-kxI, (1) Waarbij /,, I, en I, respectievelijk rode, blauwe en groene componenten in de RGB-kleurruimte vertegenwoordigen; stap S12, na de verbetering van de kern, het extraheren van de kernregio met behulp van de klassieke beelddorsersegmentatiewerkwijze Otsu, als volgt: stap S121, bepaling van een segmentatiedrempel: Voor een bepaald verbeterd beeld 7, met N pixels en L grijsniveaus {0,1, …, L-1}, bepaling van de segmentatiedrempel t* met behulp van het Otsu-algoritme, dat formeel als volgt wordt beschreven: t= Arg Max je {OO (LM, — 14,)7} (2) Waarbij w, de verhouding van de doelpixels (pixels met grijze niveaus {t + 1, t + 2, … L-1}) in het segmentatieresultaat dat overeenkomt met de segmentatiedrempel £ ten opzichte van de totale pixels van het beeld, en w; de verhouding van de achtergrondpixels (pixels met grijze niveaus {0,1,....t}) in het segmentatieresultaat dat overeenkomt met de segmentatiedrempel 7 ten opzichte van de totale pixels van het beeld; #4 en 44 vertegenwoordigen de gemiddelde grijswaarden van de doelpixels en de achtergrondpixels; stap S122, beelddorsersegmentatie: met t* als segmentatiedrempel, waarbij de volgende dorsersegmentatie op beeld I; wordt uitgevoerd.
B(i,j) Jb as LG) 3) lo, anders stap S13, correctie van het resultaat van de kernsegmentatie op basis van de morfologische operatie: eerst het selecteren van een grootst verbonden wit gebied, d.w.z. een doelgebied, en dan het uitvoeren van beeldvulling om het aanvankelijke kernsegmentatieresultaat te corrigeren om het uiteindelijke kernsegmentatieresultaat te verkrijgen.
3. De bloedleukocytsegmentatiewerkwijze op basis van kleurcomponentcombinatie en contourmontage volgens conclusie 1, waarbij de stap van het verwijderen van de achtergrond van een afbeelding met behulp van kleurenvoorkennis en het uitvoeren van randdetectie en contourmontage om een resultaat van de leukocytsegmentatie te verkrijgen, specifiek wordt uitgevoerd als volgt: stap S21, verwijderen van de achtergrond van de afbeelding op basis van de voorkennis van de kleur: het verwijderen van de achtergrond van het beeld door middel van segmentatie van de dorsmachine: H(j), ds (ij, 2) (EJ IT [255,255,255], anders (4) waarbij t een drempelwaardeparameter vertegenwoordigt en + een verwijderde achtergrond, d.w.z. het beeld nadat het wit is geworden; stap S22: het uitvoeren van randdetectie op het achtergrond-verwijderde beeld om de initiële contour van een leukocyt te extraheren; en om de contour van een leukocyt bij een hechting te passen, eerst twee breekpunten vinden bij een opening van de leukocyt, en dan een boogsegment tussen de twee breekpunten plaatsen om de scheiding van de leukocyt en de hechting te bereiken, waarbij het * selectieproces van het breekpunt als volgt is: stap S221, met behulp van een Harris-hoekdetector om hoekpunten in de contour van de leukocyt te detecteren;
stap S222, met elk hoekpunt als oorsprong van de coördinaten, het bepalen van een lokaal Cartesiaans coördinatensysteem dat bestaat uit coördinatenpunten (0, d), (0, -d), (-d, 0), en (d, 0), waarbij d= |0.1xH |, H staat voor het totale aantal rijen van de beeldmatrix, en het symbool IC] voor afronding naar beneden;
stap S223, het maken van vier stralen van het beeldmiddenpunt naar de vier cartesiaanse coördinatenpunten bepaald in stap S222, en het berekenen van het aantal contourpunten waar elke straal de contour van de leukocyt snijdt; als het aantal contourpunten waar een of meer van de vier stralen doorheen gaan 0 is, het bepalen van het corresponderende hoekpunt als breekpunt, of anders, het bepalen van het corresponderende hoekpunt als niet-breekpunt, op dezelfde manier, als de aanvankelijke contour van de leukocyt meer dan twee breekpunten heeft, het uitvoeren van de volgende stappen; of anders, het beëindigen van het proces om de aanvankelijke contour van de leukocyt te identificeren als de uiteindelijke contour van de leukocyt; stap S224: het berekenen van afstanden tussen het kernmiddelpunt en de twee breekpunten respectievelijk en het aangeven van de afstanden als a en b; het berekenen van een afstand tussen de twee breekpunten en het aangeven van de afstand als c; het gebruiken van de twee breekpunten en het kernmiddelpunt om een driehoek te construeren, en het berekenen van een ingesloten hoek 6 tussen lijnen tussen twee breekpunten en het kernmiddelpunt:
8 = arccos [er] (5) 2xaxh stap S225: het vinden van punten op de as van het lijnstuk tussen de twee breekpunten met een hellingshoek van 8 met het lijnstuk tussen de twee breekpunten, en tussen deze punten een punt dat het dichtst bij het middelpunt van het beeld ligt als p2; en stap S226, het berekenen van een afstand tussen het punt p2 en een willekeurig breekpunt en het aangeven van de afstand als r; het construeren van een cirkel met p2 als middelpunt en r als straal; en het scheiden van de adherente leukocyten door de boog tussen de twee breekpunten te gebruiken als de passende contour van de leukocyten tussen de twee breekpunten.
NL2024777A 2019-05-21 2020-01-28 Blood leukocyte segmentation method based on color component combination and contour fitting NL2024777B1 (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910426535.8A CN110148126B (zh) 2019-05-21 2019-05-21 基于颜色分量组合和轮廓拟合的血液白细胞分割方法

Publications (1)

Publication Number Publication Date
NL2024777B1 true NL2024777B1 (en) 2020-12-01

Family

ID=67592296

Family Applications (1)

Application Number Title Priority Date Filing Date
NL2024777A NL2024777B1 (en) 2019-05-21 2020-01-28 Blood leukocyte segmentation method based on color component combination and contour fitting

Country Status (2)

Country Link
CN (1) CN110148126B (nl)
NL (1) NL2024777B1 (nl)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766680B (zh) * 2019-10-28 2021-06-22 闽江学院 一种基于几何约束的白细胞图像分割方法
CN110796668B (zh) * 2019-10-28 2022-04-01 闽江学院 一种基于稀疏限制的白细胞细胞核分割方法
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
CN114639102B (zh) * 2022-05-11 2022-07-22 珠海横琴圣澳云智科技有限公司 基于关键点与尺寸回归的细胞分割方法和装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8428331B2 (en) * 2006-08-07 2013-04-23 Northeastern University Phase subtraction cell counting method
CN101493400B (zh) * 2008-01-25 2012-06-27 深圳迈瑞生物医疗电子股份有限公司 一种基于形状特征的自动分类校正的方法
CN101944232B (zh) * 2010-09-02 2013-08-14 北京航空航天大学 一种利用最短路径的粘连细胞精确分割方法
CN103985119B (zh) * 2014-05-08 2017-01-18 山东大学 一种彩色血细胞图像中白细胞的细胞质和细胞核分割方法
CN107492088B (zh) * 2016-06-11 2020-12-04 青岛华晶生物技术有限公司 一种妇科显微图像中白细胞自动识别与统计方法
CN106372642B (zh) * 2016-08-31 2023-11-03 北京航空航天大学 基于轮廓曲线分割弧合并与组合的椭圆快速检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHUANSHENG WANG ET AL: "White Blood Cell Image Segmentation Based on Color Component Combination and Contour Fitting", CURRENT BIOINFORMATICS, vol. 15, 17 October 2019 (2019-10-17), pages 463 - 471, XP055714985, ISSN: 1574-8936, DOI: 10.2174/1574893614666191017102310 *
GU GUANGHUACUI DONG: "Flexible Combination Segmentation Algorithm for leukocyte images [J", CHINESE JOURNAL OF SCIENTIFIC INSTRUMENT, vol. 29, no. 9, 2008, pages 1977 - 1981
NISHA RAMESH ET AL: "Isolation and two-step classification of normal white blood cells in peripheral blood smears", JOURNAL OF PATHOLOGY INFORMATICS, vol. 3, no. 1, 1 January 2012 (2012-01-01), pages 13, XP055210785, ISSN: 2153-3539, DOI: 10.4103/2153-3539.93895 *
SHAHIN A I ET AL: "A novel white blood cells segmentation algorithm based on adaptive neutrosophic similarity score", HEALTH INFORMATION SCIENCE AND SYSTEMS, BIOMED CENTRAL LTD, LONDON, UK, vol. 6, no. 1, 18 December 2017 (2017-12-18), pages 1 - 12, XP021251842, DOI: 10.1007/S13755-017-0038-5 *
ZHENG XINWANG YONGWANG GUOYUO: "White Blood Cell Segmentation Using Expectation-Maximization and Automatic Support Vector Machine Learning [J", JOURNAL OF DATA ACQUISITION AND PROCESSING, vol. 28, no. 5, 2013, pages 614 - 619

Also Published As

Publication number Publication date
CN110148126B (zh) 2021-01-29
CN110148126A (zh) 2019-08-20

Similar Documents

Publication Publication Date Title
NL2024777B1 (en) Blood leukocyte segmentation method based on color component combination and contour fitting
NL2024774B1 (en) Blood leukocyte segmentation method based on adaptive histogram thresholding and contour detection
Tomari et al. Computer aided system for red blood cell classification in blood smear image
JP6503382B2 (ja) 血液学用デジタルホログラフィ顕微鏡検査データ分析
Shafique et al. Computer-assisted acute lymphoblastic leukemia detection and diagnosis
Ramesh et al. Isolation and two-step classification of normal white blood cells in peripheral blood smears
Mohammed et al. An efficient CAD system for ALL cell identification from microscopic blood images
Tosta et al. Segmentation methods of H&E-stained histological images of lymphoma: A review
Miao et al. Simultaneous Segmentation of Leukocyte and Erythrocyte in Microscopic Images Using a Marker‐Controlled Watershed Algorithm
Liu et al. Bone marrow cells detection: a technique for the microscopic image analysis
CN114998332B (zh) 核型异常细胞的确定方法和装置
Pandit et al. Survey on automatic rbc detection and counting
Razavi et al. Minugan: Dual segmentation of mitoses and nuclei using conditional gans on multi-center breast h&e images
Tomari et al. Red blood cell counting analysis by considering an overlapping constraint
Niazi et al. An automated method for counting cytotoxic T-cells from CD8 stained images of renal biopsies
KR20200136004A (ko) 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법
CN113313719A (zh) 基于视觉注意机制和模型拟合的白细胞分割方法
Saxena et al. Study of Computerized Segmentation & Classification Techniques: An Application to Histopathological Imagery
Rege et al. Automatic leukemia identification system using otsu image segmentation and mser approach for microscopic smear image database
Taher et al. Extraction of sputum cells using thresholding techniques for lung cancer detection
Arunachalam Applications of Machine learning and Image processing techniques in the detection of leukemia
Chitra et al. Detection of aml in blood microscopic images using local binary pattern and supervised classifier
Pavithra et al. White blood cell analysis using watershed and circular hough transform technique
Guerrero et al. Improvements in lymphocytes detection using deep learning with a preprocessing stage
Hasikin et al. A new region-based adaptive thresholding for sperm motility segmentation