RU2088922C1 - Способ распознавания и измерения диагностических характеристик цитологических препаратов - Google Patents
Способ распознавания и измерения диагностических характеристик цитологических препаратов Download PDFInfo
- Publication number
- RU2088922C1 RU2088922C1 RU93039067A RU93039067A RU2088922C1 RU 2088922 C1 RU2088922 C1 RU 2088922C1 RU 93039067 A RU93039067 A RU 93039067A RU 93039067 A RU93039067 A RU 93039067A RU 2088922 C1 RU2088922 C1 RU 2088922C1
- Authority
- RU
- Russia
- Prior art keywords
- image
- cytological
- samples
- fragments
- recognition
- Prior art date
Links
Images
Abstract
Способ распознавания и измерения диагностических характеристик цитологического препарата относится к области медицинской техники. Способ позволяет распознавать, в частности увеличенные изображения клеток мазка периферической крови. Способ включает телевизионный съем, оцифровку и обработку оцифрованного изображения. Новым является то, что при обработке оцифрованного изображения первичные связанные фрагменты, однородные по оптической плотности, инерционно объединяют в образцы, соответствующие заданной модели распределения механической нагрузки в несущих структурах клетки. Полученные в результате процесса распознавания образцы измеряют и запоминают геометрические, текстурные, механические популяционные характеристики клеток. 2 ил.
Description
Изобретение относится к области медицинской техники и может быть использовано для автоматического разпознавания и измерения характеристик клеток цитологических препаратов различных типов, таких как мазки крови и костного мозга, шейки матки и других. Измеряемые характеристики могут быть использованы при диагностике (прогнозе течения)онкологических и иных заболеваний.
Известен ряд способов распознавания, измерения и диагностики цитологических объектов по увеличенным изображениям цитологических препаратов ([1] [3] ). Недостатком известных способов являются высокие требования к производительности вычислительных средств, узкая специализация на заданный тип цитологического препарата, недостаточная информативность измеряемых признаков, недостаточная точность распознавания и измерения сложных сцен.
В качестве прототипа выбран способ, изложенный в [1] В указанном способе увеличенное оцифрованное изображение (ОИ) цитологического препарата мазка шейки матки с окраской по Папаниколау сканируют с помощью цветной телевизионной камеры, а полученный видеосигнал подвергают обработке, выделяя геометрические, цветояркостные и текстурные характеристики клеток.
Недостатком известного способа является низкая информативность используемых при распознавании признаков объектов, в связи с чем имеет место большая вероятность ошибок распознавания, особенно при наличии близко расположенных объектов и при наличии шума на изображении.
Задачей настоящего изобретения является повышение диагностической информативности измеряемых признаков цитологических препаратов с ориентацией на получение новой информации, недоступной при визуальном исследовании.
Указанная задача решается за счет использования нового способа распознавания, основного на контекстной кластеризации однородных по оптической плотности фрагментов изображения. Способ отличается тем, что помимо обычно применяемых общих приемов сегментации, не связанных с природой цитологических образцов, используется априорная модель механических свойств структур клеток. При этом исходят из того, что внутриклеточное давление, упругие свойства ядра и цитоплазмы могут поддерживаться только при определенных цветояркостных, геометрических и текстурных свойствах соседних фрагментов клеточных структур.
При этом способ распознавания и измерения диагностических характеристик цитологических препаратов включает в себя телевизионный съем увеличенного изображения цитологического препарата в поле зрения светового микроскопа, получение оцифрованного изображения (ОИ) и обработку ОИ. Новым является то, что при обработке ОИ получают первичные связные фрагменты изображения, однородные по оптической плотности или цветности, которые затем итерационно объединяют в образцы с применением семейства моделей механических свойств структур клетки. Полученные в результате процесса распознавания образы проверяют на соответствие критериям модели заданного типа клеток, а затем измеряют и запоминают геометрические, текстурные и другие характеристики клеток.
На фиг.1 изображено устройство для осуществления способа; на фиг.2 - кольцевое объединение цитоплазмы вокруг ядра с ядрышком. На чертеже изображены: 1 микроскоп, 2 манипулятор стекол, 3 телевизионная камера, 4 контроллер ввода телевизионного сигнала, 5 персональная ЭВМ или спецпроцессор.
Способ осуществляют следующим образом.
Изготавливают цитологический препарат, например препарат мазка косного мозга с окраской Фельген, Романовский-Гимза или Ag-NOR. Под микроскопом с объективом 100 x в препарате разыскивают интересные в диагностическом отношении кадры. Затем эти кадры с помощью телевизионной камеры преобразуют в телевизионный сигнал, который передают в контроллер ввода ТВ-сигнала, где его оцифровывают и далее передают в ПЭВМ для обработки. Обработку осуществляют следующим образом.
Выбирают некоторое множество пороговых значений оптической плотности 0≅od1<.<odm. Оцифрованное изображение F, состоящее из множества пикселейpl} с оптической плотностью od(pl), разбивают на множество первичных связных фрагментов {f } которые являются однородными в отношении оптической плотности od:
где No число получающихся фрагментов f Такое разбиение можно получить при помощи любого из множества описанных в литературе алгоритмов. Далее итерационно объединяют те пары смежных фрагментов, для которых выполняется описываемое ниже условие объединения, отражающее механические свойства структур клетки, до тех пор, пока это возможно.
где No число получающихся фрагментов f
На k-й итерации, k 1. используют оператор Uob, объединяющий некоторые упорядоченные пары соседних фрагментов из числа Nk-1, полученных на (k-1)-й итерации фрагментов:
f = Uob(f ,f ),i,j = 1,2,...,Nk-1, (2)
что дает новое разбиение При этом оператор (2) применяется при выполнении условий
где H значение вектора признаков (см. ниже) фрагмента f ,nb - доля общей границы между f ,f в периметре f , Ww1,w7} вектор параметров.
f
что дает новое разбиение При этом оператор (2) применяется при выполнении условий
где H
Геометрически условие (3) соответствует построению близких к выпуклым объектов с относительно малым значением отношения периметр/площадь. За счет изменения значений вектора параметров W можно менять условия объединения, получая тем самым различные операторы построения образцов с учетом класса цитологических препаратор. Например, при построении образа ядра можно подклеивать небольшие включения со значительными отличиями в оптической плотности путем усиления ограничений типа nb ≥w6 в (4) и ослабления порогов в (3). Промежуточным критерием окончания процесса формирования объектов является локальная минимизация числа Nk областей в кадре.
В качестве признаков H используют оптическую плотность, цвет, площадь, периметр и некоторые другие признаки. Значения признаков H и величины общей границы вычисляют итерационно.
Используя типа (2) (4), строят объекты с простой структурой, такие как ядра и однородные области цитоплазмы. Для контекстного объединения фрагментов областей используют целое семейство моделей, учитывающих априорную информацию о структуре клетки. Одновременно используют возможность динамического "выращивания" образцов по естественному сценарию от формирования ядра к формированию ближней цитоплазмы и далее к полной клетке. Это особенно важно в случаях скопления клеток, когда границы клеток не являются однозначно определенными и необходимо использовать дополнительную информацию. Например, при построении окружающей ядро цитоплазмы используют информацию об окрестности ядра при помощи следующей схемы объединения. Пусть {f } совокупность областей, соседних с ядром f а области {f } являются соседними одновременно с ядрами f и f Область f включают в "кольцо" f окружающее ядро f если
причем H -H >w12 где H значение признаков для неполного кольца с исключенной областью f
Сформированное кольцо рассматривается как новый первичный фасет для объемлющего объекта (ядра вокруг ядрышка, цитоплазмы вокруг ядра). Отметим также функцию формирования дескриптора клетки. В этой функции проверяются отношения вложенности сегментированных объектов заданных типов (ядрышек в ядра, ядер в цитоплазму). Сформированный дескриптор клетки содержит информацию о ее составе и используется в модуле измерений клеток.
причем H
Сформированное кольцо рассматривается как новый первичный фасет для объемлющего объекта (ядра вокруг ядрышка, цитоплазмы вокруг ядра). Отметим также функцию формирования дескриптора клетки. В этой функции проверяются отношения вложенности сегментированных объектов заданных типов (ядрышек в ядра, ядер в цитоплазму). Сформированный дескриптор клетки содержит информацию о ее составе и используется в модуле измерений клеток.
Claims (1)
- Способ распознавания и измерения диагностических характеристик цитологических препаратов, включающий телевизионный съем увеличенного изображения цитологического препарата мазка периферической крови с окраской, в частности по Крокеру, и обработку оцифрованного изображения, отличающийся тем, что при обработке оцифрованного изображения первичные сегментированные связные фрагменты, однородные по оптической плотности, итерационно объединяют в образцы, соответствующие заданной модели распределения механической нагрузки в несущих структурах клетки, при этом при несоответствии полученных результатов априорной модели удаляют образцы, не соответствующие этой модели, а удаленные фрагменты восстанавливают по контрольным точкам сегментированного изображения, затем полученные образцы измеряют и запоминают геометрические, текстурные, механические и популяционные характеристики клеток.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU93039067A RU2088922C1 (ru) | 1993-07-29 | 1993-07-29 | Способ распознавания и измерения диагностических характеристик цитологических препаратов |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU93039067A RU2088922C1 (ru) | 1993-07-29 | 1993-07-29 | Способ распознавания и измерения диагностических характеристик цитологических препаратов |
Publications (2)
Publication Number | Publication Date |
---|---|
RU93039067A RU93039067A (ru) | 1997-02-10 |
RU2088922C1 true RU2088922C1 (ru) | 1997-08-27 |
Family
ID=20145894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU93039067A RU2088922C1 (ru) | 1993-07-29 | 1993-07-29 | Способ распознавания и измерения диагностических характеристик цитологических препаратов |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2088922C1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU197198U1 (ru) * | 2019-10-28 | 2020-04-10 | Юлия Борисовна Камалова | Портативное устройство распознавания и классификации зерен пыльцы |
-
1993
- 1993-07-29 RU RU93039067A patent/RU2088922C1/ru active
Non-Patent Citations (1)
Title |
---|
1. Hall T.H. Detection of Abnormal Cells in cervical smears using a newral nerwork-based pattern recognition system, Anal.Quant. Cytol. Hystol., v. 12, N 3, 1990, p. 194 - 195. 2. Mac Anlay C., Palcic B, An ed ge relocation segmentation algorithm, Anal, Quant. Cytol. Hystol, v. 12, N 3, 1990, p. 165 - 171. 3. Bartels P, graham A, Paplanus S, Dytch H, Wied G, Computer assessment of cells and tissuues: Classification procedurs and ehpert sistems. Quantitativ / Mage Analysis in Cancer Cytology and Histology, Mary J.I., 1986, p. 3330 - 3337. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU197198U1 (ru) * | 2019-10-28 | 2020-04-10 | Юлия Борисовна Камалова | Портативное устройство распознавания и классификации зерен пыльцы |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1484595B1 (en) | Color space transformations for use in identifying objects of interest in biological specimens | |
JP4607100B2 (ja) | 画像パターン認識システム及び方法 | |
US4175860A (en) | Dual resolution method and apparatus for use in automated classification of pap smear and other samples | |
US8486704B2 (en) | Methods of chromogen separation-based image analysis | |
US6246785B1 (en) | Automated, microscope-assisted examination process of tissue or bodily fluid samples | |
EP0628186B1 (en) | Method for identifying normal biomedical specimens | |
CA2200457C (en) | Biological analysis system self-calibration apparatus | |
WO1996041303A1 (en) | Interactive method and apparatus for sorting biological specimens | |
JPH09509487A (ja) | 細胞試料自動分類装置及び方法 | |
JP4864709B2 (ja) | 分散プロット分布を用いてスライドの染色品質を決定するシステム | |
JP4897488B2 (ja) | 分散プロット分布を用いてスライドを分類するシステム | |
JPH06231229A (ja) | 悪性変化を測定することによる癌性又は前癌性組織の自動検出 | |
RU2088922C1 (ru) | Способ распознавания и измерения диагностических характеристик цитологических препаратов | |
US11430130B2 (en) | Image processing method and computer-readable recording medium having recorded thereon image processing program | |
JPH08315144A (ja) | パターン分類装置及びそのパターン分類方法 | |
Guerrero et al. | Improvements in lymphocytes detection using deep learning with a preprocessing stage | |
Brugal | Pattern recognition, image processing, related data analysis and expert systems integrated in medical microscopy | |
CN109543696A (zh) | 一种基于神经网络的图像识别方法及其应用 | |
Carter | Automated Leukocyte Differential Analyzers | |
CN113870222A (zh) | Dna染色和伊红染色的对比分析方法及系统 | |
Blackledge et al. | Pattern Recognition in Cytopathology for Papanicolaou Screening | |
Luck et al. | PAPNET TM: an automated cytology screener using image processing and neural networks | |
CN115917612A (zh) | 使用深度学习校正用于数字病理学图像的多扫描仪中的差异 | |
Poon | Algorithms for detecting and segmenting nucleated blood cells | |
Wu et al. | Image capture, analysis and quantification |