RU2755553C1 - Способ определения местонахождения лейкоцитов костного мозга на основе агрегации насыщения - Google Patents
Способ определения местонахождения лейкоцитов костного мозга на основе агрегации насыщения Download PDFInfo
- Publication number
- RU2755553C1 RU2755553C1 RU2020133630A RU2020133630A RU2755553C1 RU 2755553 C1 RU2755553 C1 RU 2755553C1 RU 2020133630 A RU2020133630 A RU 2020133630A RU 2020133630 A RU2020133630 A RU 2020133630A RU 2755553 C1 RU2755553 C1 RU 2755553C1
- Authority
- RU
- Russia
- Prior art keywords
- leukocytes
- image
- bone marrow
- parts
- color
- Prior art date
Links
- 210000000265 leukocyte Anatomy 0.000 title claims abstract description 72
- 210000001185 bone marrow Anatomy 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002776 aggregation Effects 0.000 title description 7
- 238000004220 aggregation Methods 0.000 title description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000003066 decision tree Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000010845 search algorithm Methods 0.000 claims abstract description 4
- 210000003743 erythrocyte Anatomy 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 239000003814 drug Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000021164 cell adhesion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Изобретение относится к области обработки медицинских изображений. Техническим результатом является повышение точности определения местоположения лейкоцитов костного мозга на изображении. Способ определения местонахождения лейкоцитов костного мозга включает следующие этапы: осуществляют медианную фильтрацию изображения лейкоцитов костного мозга; производят изменение цвета изображения лейкоцитов костного мозга; применяют алгоритм поиска K-средних к каналу S-насыщения; производят вычисление среднего значения первых двух частей канала H и вычисление первых двух частей в соответствии со средними точками первых двух частей; рассчитывают составные части лейкоцитов на нескольких изображениях и записывают значения; в соответствии с записанными результатами применяют алгоритм дерева решений; осуществляют морфологическую обработку результатов предыдущего этапа; устанавливают расположения лейкоцитов, выделенных на предыдущем этапе. 3 з.п. ф-лы, 7 ил.
Description
ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННЫЕ ЗАЯВКИ
При патентовании изобретения по настоящей заявке испрашивается конвенционный приоритет по патентной заявке No. 201810495118.4, поданной 22 мая 2018 г., которая включена в настоящую заявку в полном объеме.
ОБЛАСТЬ ТЕХНИКИ
Изобретение относится к области медицинской обработки изображений и, в частности, к способу локализации лейкоцитов костного мозга, основанному на агрегации насыщения.
УРОВЕНЬ ТЕХНИКИ
В костном мозге существуют различные типы белых кровяных телец, и разница в цвете различных типов белых кровяных телец после окрашивания также велика. По сравнению с периферической кровью плотность лейкоцитов в костном мозге выше, и у некоторых пациентов в мазке крови имеется неспецифическая адгезия клеток. Поэтому позиционирование лейкоцитов костного мозга всегда было сложной задачей. В последние годы эксперты и большое количество технического персонала предложили множество эффективных решений. Однако большинство решений может решить только конкретные проблемы, и нет никакого общего решения, которое может быть применено к большинству ситуаций.
Текущее определение местонахождения лейкоцитов костного мозга основано на алгоритме вычисления порога, которое отделяет лейкоциты от периферии и эритроцитов. Например, Wu et al., "Новый метод сегментации цветного изображения и его применение к анализу изображений белых кровяных телец" (Signal Processing, 2006 8-я Международная конференция по) использует алгоритм вычисления порога Оцу для сегментации и определения положения белых кровяных телец. Ko et al., "Автоматическая сегментация лейкоцитов с использованием пошаговых правил сортировки и градиент вектора волнового потока" (Микрон, 2011, 42(7): 695-705) сначала используется алгоритм вычисления порога для приблизительной оценки местоположения клетки, а затем используется сдвиг среднего значения для дальнейшей оптимизации. В то же время некоторые ученые предложили и другие эффективные схемы, такие как метод применения морфологической обработки, охарактеризованный в статье "Сегментация лейкоцитов с использованием морфологических операторов и масштабно-пространственного анализа" (Компьютерная графика и обработка изображений, 2007: 294-304.) Дорини Л.Б. и др. Существуют также такие методы, как группировка по общему признаку. Однако эти методы имеют определенные ограничения. Например, в алгоритм вычисления порога Оцу одно из условий состоит в том, что площадь периферии и площадь передней части примерно одинаковы. Фактическое цифровое изображение костного мозга может иметь большую долю лейкоцитов или не иметь их, а цвет белых кровяных телец может быть распределен по Большой области, даже перекрываясь с более темными красными кровяными тельцами. Поэтому, хотя порог может быть применен к большинству цифровых изображений, в некоторых особых случаях это решение может не очень хорошо определять положение лейкоцитов. Алгоритм агрегации может также иметь ту же проблему, когда цветовое распределение белых кровяных телец сравнительно рассеяно.
РАСКРЫТИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ
Задачей настоящего изобретения является обеспечение способом локализации лейкоцитов костного мозга на основе обеспечения агрегации, который обеспечивает алгоритм определения местонахождения лейкоцитов при более высокой плотности лейкоцитов в костном мозге, а явление неспецифической адгезии клеток происходит в мазках крови некоторых пациентов. Проблема заключается в том, что площадь лейкоцитов может быть выбрана более точно.
Настоящее изобретение осуществляется таким образом, что способ определения местонахождения лейкоцитов костного мозга основан на агрегации насыщения, включающий следующие этапы:
1) медианная фильтрация изображения лейкоцитов костного мозга для удаления некоторого шума;
(2) изменение цвета изображения лейкоцитов костного мозга, преобразование изображения из канала КЗС (аддитивной цветомодели) (красный, зеленый и синий) в канал ЦНЗ ("цвет-насыщенности-значения") (цвет, насыщенность, яркость);
(3) применение алгоритма поиска K-средних к каналу S-насыщения, разделения его на три части, выбора первой части Р1 или первой части и второй части Р1+Р2 для получения площади лейкоцитов. Следующим является этап отбора;
(4) вычисление среднего значения (H1, Н2) первых двух частей канала Н в (3) и вычисление первых двух частей (3) в соответствии со средней точкой (S1, S2) первых двух частей (3) Отношение площадей (соотношение);
(5) расчет составной части лейкоцитов на нескольких изображениях и запись значения Н1-Н2, S1-S2 и соотношения при записи в части Р1 или Р2;
(6) в соответствии с записанными результатами в (5) применяют алгоритм дерева решений, чтобы установить условия для выполнения выбора;
(7) морфологическая обработка результата (6) для удаления несвязанной области при заполнении точечного отверстия;
(8) установление расположения белых кровяных телец, выделенных в (7).
При этом на этапе (3) алгоритм поиска K-средних применяется к каналу S (насыщения), и метод разделяют на три части. Частично первая часть Р1, скорее всего, будет областью белых кровяных телец, вторая часть Р2 может быть областью красных кровяных телец или как красных кровяных телец, так и белых кровяных телец, а третья часть РЗ обычно является периферийной областью, поэтому нужно только выбрать часть Р1 или (Р1+Р2). Получают площадь белых кровяных телец.
При этом среднее значение (H1, Н2) первых двух частичных каналов Н в (3) вычисляют на этапе (4). Вычисляют среднюю точку (S1, S2) первых двух частей (3) и вычисляют отношение площадей (соотношение) первых двух частей (3). Формула расчета HI приведена ниже:
где Р1 это двоичное изображение, значение пикселя, принадлежащее первой части, равно 1, а остальные равны 0. Сумма значений пикселей Р1 составляет Σ(p1), P1.*H, показывающая результат умножения пикселей в одной и той же позиции;
Р1 это двоичное изображение, значение пикселя, принадлежащее первой части, равно 1, а остальные равны 0. Сумма значений пикселей Р1 равна Σ(p2), P2.*H, показывающая результат умножения пикселей в одной и той же позиции.
На этапе (6), в соответствии с результатом записи на этапе (5), применяют алгоритм дерева решений для определения правила формулировки. Выбранное условие, при котором функцию потерь алгоритма дерева решений с добавлением количества оконечных листовых узлов используют для сокращения, чтобы предотвратить чрезмерной аппроксимации.
Кроме того, на этапе (7) результат (6) подвергают морфологической обработке для удаления несвязанной области и заполнения области лейкоцитов. Точечное отверстие, специфический процесс заключается в следующем: сначала выбирают соответствующий структурный элемент b, чтобы выполнить операцию обтравки на двоичном изображении, полученном на этапе (6), удаляют несвязанную область, а затем выполняют операцию расширения,
где f является двоичным изображением, полученным на этапе (6), которое является операцией расширения и операцией обтравки;
В результате, точечное отверстие в f заполняется при морфологической реконструкции;
1. Последовательность действий способа проста, изобретение эффективно и имеет широкий диапазон применения. По сравнению с существующими пороговыми алгоритмами последовательность действий настоящего изобретения обладает более высокой адаптивностью.
2. Решает проблему широкого спектра цветового распределения различных типов лейкоцитов, а также темного цвета эритроцитов, вызванного окрашиванием. Комбинируя алгоритм K-средних и алгоритм дерева решений настоящего изобретения, область лейкоцитов может быть выбрана более точно.
Вне зависимости от этой части заявки преимущества более подробно раскрыты для метода позиционирования лейкоцитов, известного из уровня техники.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Фиг. 1 - пример изображения лейкоцитов костного мозга;
Фиг. 2 - медианно-фильтрованное изображение лейкоцитов костного мозга, согласно варианту осуществления;
Фиг. 3 - состоящее из трех частей изображение, полученное в результате применения алгоритма K-средних к S каналу цветного преобразованного изображения, согласно варианту осуществления;
Фиг. 4 - изображение, полученное в результате применения алгоритма выбора дерева решений, согласно варианту осуществления;
Фиг. 5 - изображение, полученное в результате удаления нерелевантных областей и заполнения точечных отверстий, согласно варианту осуществления;
Фиг. 6 - изображение, полученное в результате локализации лейкоцитов после разделения, согласно варианту осуществления;
Фиг. 7 - блок-схема устройства для локализации лейкоцитов костного мозга, согласно варианту осуществления.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
Настоящее изобретение будет дополнительно подробно раскрыто далее со ссылкой на прилагаемые чертежи и варианты осуществления изобретения. Очевидно, что конкретные варианты осуществления изобретения, изложенные в описании, являются лишь пояснением для понимания сущности изобретения и не предназначены для ограничения объема правовой охраны.
Способ определения местоположения лейкоцитов костного мозга, основанный на агрегации насыщения, включает в себя следующие этапы.
На этапе 1 осуществляют медианную фильтрацию изображения лейкоцитов костного мозга для удаления некоторого шума. На Фиг. 1 приведен пример изображения лейкоцитов костного мозга, а результат фильтрации изображения лейкоцитов костного мозга показан на Фиг. 2. При медианной фильтрации размер шаблона фильтрации может быть равен (5*5).
На этапе 2 выполняют цветовое преобразование изображения лейкоцитов костного мозга с медианной фильтрацией, полученного на этапе 1, для преобразования изображения с медианной фильтрацией из канала КЗС (аддитивной цветомодели) (красный, зеленый и синий) в канал ЦНЗ ("цвет-насыщенности-значения") (цвет, насыщенность, яркость). Конкретная формула, используемая на этапе 2, выглядит следующим образом:
где диапазон КЗС значений составляет [0, 1].
На этапе 3 алгоритм K-средних применяется к каналу S (насыщенности) цветопреобразованного изображения, чтобы разделить цветопреобразованное изображение на три части. Фиг. 3 представляет собой состоящее из трех частей изображение, полученное в результате применения алгоритма K-средних к каналу S. Как показано на Фиг. 3, первая часть Р1 может быть областью белых кровяных телец, вторая часть Р2 может быть областью красных кровяных телец или областью, включающей красные кровяные тельца и белые кровяные тельца, а третья часть Р3 обычно может быть периферийной областью (фоном). Поэтому для получения площади лейкоцитов необходимо выбрать только первую часть Р1 или первую и вторую части Р1+Р2. Ниже приведены этапы отбора.
На этапе 4 вычисляют средние значения (H1, Н2) канала Н в первой части Р1 и второй части Р2 на этапе 3 и вычисляют отношение площадей первой части Р1 и второй части Р2 на этапе 3 в соответствии со средними точками (S1, S2) первой части Р1 и второй части Р2 на этапе 3. Формула расчета H1 и Н2 приведена ниже:
где Р1 представляет двоичное изображение первой части Р1, значение пикселя первой части Р1 равно 1, а остальные - 0. представляет собой сумму значений 
пикселей в первой части P1, и Р1.*Н представляет собой результат умножения значений пикселей в одной и той же позиции; и
где Р2 представляет двоичное изображение второй части Р2, значение пикселя второй части Р2 равно 1, а остальные - 0. представляет собой сумму значений 
пикселей во второй части Р2, а также P2*H представляет собой результат умножения значений пикселей в одной и той же позиции.
На этапе 5 выполняют статистический анализ нескольких изображений для идентификации первых частей и вторых частей, в которые включены белые кровяные клетки, и фиксируют значения Н1-Н2, S1-S2 и отношения площадей идентифицированных первых частей (Р1) и вторых частей (Р2). Например, статистический процесс выполняют на 230 изображениях. На 120 из 230 изображений лейкоциты включены в первую часть (Р1). На НО из 230 изображений лейкоциты включены в первую часть и вторую часть (Р1+Р2). Также подбирают изображения без лейкоцитов.
На этапе 6, в соответствии с зафиксированными результатами на этапе 5, применяют алгоритм дерева решений для определения условий для выполнения выбора. Функция потерь алгоритма дерева решений добавляется с количеством оконечных листовых узлов, которые будут использоваться для сокращения, чтобы предотвратить чрезмерной аппроксимации. Затем на цветопреобразованном изображении производится выбор в соответствии с условиями получения двоичного изображения. После выбора результат отображен на Фиг 4.
На этапе 7 результат этапа 6 морфологически обрабатывают для удаления нерелевантных областей и заполнения точечных отверстий в области лейкоцитов на морфологически обработанном изображении. Результат показан на Фиг. 5. Конкретный процесс заключается в следующем.
Первоначально выбирают соответствующий структурный элемент Ь для выполнения операции обтравки на двоичном изображении, полученном на этапе 6, удаления нерелевантных областей, а затем выполняют операцию расширения.
где f представляет двоичное изображение, полученное на этапе 6, ⊕ представляет собой операцию расширения, и 
представляет собой операцию обтравки;
Наконец, точечные отверстия на изображении f заполняются морфологической реконструкцией.
где 
представляет собой результат реконструкции, и - операция логического умножения.
После морфологической обработки и заполнения точечных отверстий белые кровяные тельца выделяют из изображения.
На этапе 8 установлены расположение лейкоцитов, выделенных на этапе 7, и результаты показаны на Фиг. 6.
Фиг. 7 представляет собой блок-схему устройства 700 для локализации лейкоцитов костного мозга, согласно варианту осуществления. Например, устройство 700 может быть компьютером, облачным сервером и т.п.
Ссылаясь на фиг.7, устройство 700 включает в себя один или несколько из следующих компонентов: процессор 702, память 704, элемент питания 706, компонент для аудиовизуального представления 708, интерфейс ввода-вывода 710.
Процессор 702 сконфигурирован для управления общими операциями устройства 700, например, операции, связанные с локализацией лейкоцитов костного мозга. Процессор 702 сконфигурирован для выполнения команд по осуществлению всего способа или его части. В некоторых вариантах осуществления изобретения процессор 702 включает в себя мультимедийный модуль, сконфигурированный для облегчения взаимодействия между компонентом для аудиовизуального представления 708 и процессором 702.
Память 704 сконфигурирована для хранения различных типов данных для поддержки работы устройства 700. Примеры таких данных включают инструкции для любых приложений или методов, реализуемых устройством 700, изображения клеток, базы данных и т.д. Память 704 может быть реализована с использованием любого типа энергонезависимых или энергонезависимых запоминающих устройств или их комбинации, таких как статическая оперативная память (SRAM), электрически стираемая программируемая постоянная память (EEPROM), стираемая программируемая постоянная память (EPROM), программируемая постоянная память (PROM), память, доступная только для чтения (ROM), магнитная память, флэш-память или магнитный или оптический диск.
Элемент питания 706 сконфигурирован для обеспечения питанием различных компонентов устройства 700. Элемент питания 706 включает в себя систему управления питанием, один или несколько источников питания и любые другие компоненты, связанные с генерацией, управлением и распределением мощности в устройстве 700.
Компонент для аудиовизуального представления 708 включает в себя экран, обеспечивающий выходной интерфейс между устройством 700 и пользователем устройства 700. В некоторых вариантах осуществления экран может включать жидкокристаллический дисплей и сенсорную панель.
Интерфейс 710 ввода-вывода выполнен для обеспечения интерфейса для процессора 702 и периферийных интерфейсных модулей, таких как клавиатура, колесико-кнопка мыши, кнопки и тому подобное.
В некоторых вариантах осуществления изобретения устройство 700 может быть реализовано с одной или несколькими прикладными интегральными схемами (ASIC), процессорами для цифровой обработки сигналов (DSPs), устройствами цифровой обработки сигналов (DSPDs), программируемыми логическими устройствами (PLDs), программируемой пользователем матрицей логических элементов (FPGA), контроллерами, микроконтроллерами, микропроцессорами или другими электронными компонентами для выполнения описанных способов.
Настоящее изобретение также обеспечивает долговременный машиночитаемый носитель информации, включающий инструкции, включенные в память 704. Команды выполняются процессором 702 устройства 700 для осуществления способа локализации лейкоцитов. Например, долговременным машиночитаемым носителем информации может быть ПЗУ, ОЗУ, CD-ROM, магнитная лента, дискета, оптическое устройство хранения данных и тому подобное.
Описанный выше метод локализации лейкоцитов костного мозга на основе агрегации насыщения имеет преимущества в связи с его простотой, эффективностью и широким диапазоном применения. По сравнению с существующим пороговым алгоритмом, принцип осуществления имеет более высокую адаптивность. Во-вторых, применение алгоритма K-средних и алгоритма дерева решений позволяет более точно выбрать площадь лейкоцитов.
Другие варианты изобретения будут очевидны для специалистов в данной области техники из описания и примеров осуществления, приведенных в заявке. Настоящая заявка предназначена для охвата любых изменений, любой специалист в данной области может внести изменения посредством эквивалентных признаков и дополнений в пределах технической сущности настоящего изобретения, раскрытой в описании, при этом все изменения подпадают в объем испрашиваемой правовой охраны. Предполагается, все упомянутое выше является только примером конкретного осуществления настоящего изобретения и не ограничивает объем испрашиваемой правовой охраны, а объем охраны настоящего изобретения определяется формулой изобретения.
Следует понимать, что настоящее изобретения не ограничивается конструктивным выполнением, которое было описано выше и проиллюстрировано на прилагаемых чертежах, и что различные модификации и изменения могут быть сделаны без изменения сущности настоящего изобретения. Предполагается, что объем представленной информации будет ограничен только формулой изобретения.
Claims (21)
1. Способ определения местонахождения лейкоцитов костного мозга, включающий следующие этапы:
на этапе 1 осуществляют медианную фильтрацию изображения лейкоцитов костного мозга для удаления некоторого шума;
на этапе 2 осуществляют изменение цвета изображения лейкоцитов костного мозга медианной фильтрацией с преобразованием изображения из канала аддитивной цветомодели в канал модели "цвет-насыщенности-значения";
на этапе 3 осуществляют применение алгоритма поиска K-средних к каналу S-насыщения, разделение цветоизмененного изображения на три части, при этом первая часть является областью белых кровяных телец, вторая часть является областью красных кровяных телец или областью, включающей красные кровяные тельца и белые кровяные тельца, а третья часть является периферийной областью;
на этапе 4 производят вычисление средних значений (H1, Н2) канала Н в первой части и второй части, полученных на этапе 3, и вычисление отношения площадей первой части и второй части в соответствии со средними точками (S1, S2) первой части и второй части;
на этапе 5 осуществляют статистический анализ на нескольких изображениях для определения первых частей и вторых частей, которые включают лейкоциты, и фиксируют значения Н1-Н2, S1-S2 и отношения площадей идентифицированных первых частей и вторых частей;
на этапе 6 в соответствии с зафиксированными результатами на этапе 5 применяют алгоритм дерева решений, чтобы установить условия для выполнения выбора и осуществления выбора на цветоизмененном изображении в соответствии с условиями для получения двоичного изображения;
на этапе 7 осуществляют морфологическую обработку результата этапа 6 для удаления несвязанной области при заполнении точечных отверстий в области лейкоцитов в морфологически обработанном изображении и выделении лейкоцитов на изображении;
на этапе 8 устанавливают расположение лейкоцитов, выделенных на этапе 7.
2. Способ по п. 1, характеризующийся тем, что для расчета H1 применяют формулу:
где P1 представляет двоичное изображение первой части, значение пикселя первой части равно 1, а остальные - 0, Σ(P1) представляет собой сумму значений пикселей в первой части, P1. * H представляет собой результат умножения значений пикселей в одной и той же позиции, и
где Р2 представляет двоичное изображение второй части, значение пикселя второй части равно 1, а остальные - 0, Σ(P2) представляет собой сумму значений пикселей во второй части, а P2. * H представляет собой результат умножения значений пикселей в одной и той же позиции.
3. Способ по п. 1, характеризующийся тем, что на этапе 6 функцию потерь алгоритма дерева решений добавляют с количеством оконечных листовых узлов, чтобы использовать для сокращения с предотвращением чрезмерной аппроксимации.
4. Способ по п. 1, характеризующийся тем, что этап 7 содержит:
выбор соответствующего структурного элемента b для выполнения операции обтравки на двоичном изображении, полученном на этапе 6, удаления несвязных областей и выполнения операции расширения, выполненной с использованием формулы:
где f представляет двоичное изображение, полученное на этапе 6, 
представляет собой операцию расширения, и 
представляет собой операцию обтравки; и
заполнение точечных отверстий на изображении f морфологической реконструкцией, где заполнение выполняют с использованием формулы:
где 
представляет собой результат реконструкции, и 
- операция логического умножения.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810495118.4 | 2018-05-22 | ||
| CN201810495118.4A CN108805865B (zh) | 2018-05-22 | 2018-05-22 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
| PCT/CN2019/087875 WO2019223706A1 (zh) | 2018-05-22 | 2019-05-22 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2755553C1 true RU2755553C1 (ru) | 2021-09-17 |
Family
ID=64091391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020133630A RU2755553C1 (ru) | 2018-05-22 | 2019-05-22 | Способ определения местонахождения лейкоцитов костного мозга на основе агрегации насыщения |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US11403481B2 (ru) |
| EP (1) | EP3798972A4 (ru) |
| JP (1) | JP6994275B2 (ru) |
| KR (1) | KR20200135839A (ru) |
| CN (1) | CN108805865B (ru) |
| AU (1) | AU2019273339B2 (ru) |
| IL (1) | IL277040A (ru) |
| RU (1) | RU2755553C1 (ru) |
| TW (1) | TWI711008B (ru) |
| WO (1) | WO2019223706A1 (ru) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805865B (zh) * | 2018-05-22 | 2019-12-10 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
| CN110751196B (zh) * | 2019-10-12 | 2020-09-18 | 东北石油大学 | 一种油水两相流透明管壁内类油滴附着物识别方法 |
| CN113570628B (zh) * | 2021-07-30 | 2024-04-02 | 西安科技大学 | 一种基于活动轮廓模型的白细胞分割方法 |
| CN113902817A (zh) * | 2021-11-23 | 2022-01-07 | 杭州智微信息科技有限公司 | 一种基于灰度值的细胞图片拼接方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2303812C2 (ru) * | 2004-12-29 | 2007-07-27 | Общество с ограниченной ответственностью "НПФ РЕНАМ" | Способ распознавания и подсчета клеток в биологических средах человека и животных и устройство для его осуществления |
| RU2308745C1 (ru) * | 2006-10-09 | 2007-10-20 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами |
| US20080212868A1 (en) * | 2005-06-15 | 2008-09-04 | Tissue Gnostics Gmbh | Process for Segmenting Leukocytes |
| CN102298700A (zh) * | 2011-06-09 | 2011-12-28 | 华东师范大学 | 一种骨髓病理图像中细胞识别与定位方法 |
| CN104484877A (zh) * | 2014-12-12 | 2015-04-01 | 山东大学 | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 |
| CN106780522A (zh) * | 2016-12-23 | 2017-05-31 | 杭州华卓信息科技有限公司 | 一种基于深度学习的骨髓液细胞分割方法 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2430142A1 (en) * | 2000-12-07 | 2002-06-13 | Phase It Intelligent Solutions Ag | Expert system for classification and prediction of genetic diseases |
| KR101191454B1 (ko) * | 2010-05-14 | 2012-10-16 | 계명대학교 산학협력단 | 비모수적 확률 모델과 질감 정보를 이용한 백혈구 분할 방법 |
| CN102279146A (zh) * | 2011-03-11 | 2011-12-14 | 桂林优利特医疗电子有限公司 | 基于激光鞘流技术的血液细胞五分类方法 |
| US20130094750A1 (en) | 2011-10-12 | 2013-04-18 | Tolga Tasdizen | Methods and systems for segmentation of cells for an automated differential counting system |
| CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
| CN103077529B (zh) * | 2013-02-27 | 2016-04-06 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
| CN103473739B (zh) * | 2013-08-15 | 2016-06-22 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与系统 |
| JP6316569B2 (ja) * | 2013-11-01 | 2018-04-25 | 株式会社ブレイン | 物品識別システムとそのプログラム |
| CN104392460B (zh) * | 2014-12-12 | 2015-11-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
| US9836839B2 (en) * | 2015-05-28 | 2017-12-05 | Tokitae Llc | Image analysis systems and related methods |
| CN106248559B (zh) * | 2016-07-14 | 2018-10-23 | 中国计量大学 | 一种基于深度学习的白细胞五分类方法 |
| CN106327490A (zh) * | 2016-08-22 | 2017-01-11 | 中国计量大学 | 一种基于白细胞检测的细胞核分割方法 |
| EP3321851A3 (en) | 2016-11-09 | 2018-08-01 | AmCad BioMed Corporation | Cytological image processing device, and method for quantifying characteristics of cytological image |
| CN107274444A (zh) * | 2017-05-15 | 2017-10-20 | 北京林业大学 | 球形类植物的计数方法及装置 |
| CN107730499A (zh) * | 2017-10-31 | 2018-02-23 | 河海大学 | 一种基于nu‑支持向量机的白细胞分类方法 |
| CN108805865B (zh) * | 2018-05-22 | 2019-12-10 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
-
2018
- 2018-05-22 CN CN201810495118.4A patent/CN108805865B/zh active Active
-
2019
- 2019-05-22 TW TW108117724A patent/TWI711008B/zh active
- 2019-05-22 US US16/979,490 patent/US11403481B2/en active Active
- 2019-05-22 RU RU2020133630A patent/RU2755553C1/ru active
- 2019-05-22 AU AU2019273339A patent/AU2019273339B2/en active Active
- 2019-05-22 WO PCT/CN2019/087875 patent/WO2019223706A1/zh active Application Filing
- 2019-05-22 KR KR1020207030282A patent/KR20200135839A/ko active IP Right Grant
- 2019-05-22 JP JP2020547398A patent/JP6994275B2/ja active Active
- 2019-05-22 EP EP19807105.2A patent/EP3798972A4/en active Pending
-
2020
- 2020-08-31 IL IL277040A patent/IL277040A/en unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2303812C2 (ru) * | 2004-12-29 | 2007-07-27 | Общество с ограниченной ответственностью "НПФ РЕНАМ" | Способ распознавания и подсчета клеток в биологических средах человека и животных и устройство для его осуществления |
| US20080212868A1 (en) * | 2005-06-15 | 2008-09-04 | Tissue Gnostics Gmbh | Process for Segmenting Leukocytes |
| RU2308745C1 (ru) * | 2006-10-09 | 2007-10-20 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами |
| CN102298700A (zh) * | 2011-06-09 | 2011-12-28 | 华东师范大学 | 一种骨髓病理图像中细胞识别与定位方法 |
| CN104484877A (zh) * | 2014-12-12 | 2015-04-01 | 山东大学 | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 |
| CN106780522A (zh) * | 2016-12-23 | 2017-05-31 | 杭州华卓信息科技有限公司 | 一种基于深度学习的骨髓液细胞分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200135839A (ko) | 2020-12-03 |
| CN108805865A (zh) | 2018-11-13 |
| IL277040A (en) | 2020-10-29 |
| JP6994275B2 (ja) | 2022-02-04 |
| TW202004663A (zh) | 2020-01-16 |
| EP3798972A4 (en) | 2022-03-02 |
| AU2019273339A1 (en) | 2020-08-27 |
| JP2021510831A (ja) | 2021-04-30 |
| TWI711008B (zh) | 2020-11-21 |
| AU2019273339B2 (en) | 2021-03-04 |
| EP3798972A1 (en) | 2021-03-31 |
| WO2019223706A1 (zh) | 2019-11-28 |
| CN108805865B (zh) | 2019-12-10 |
| US20210004640A1 (en) | 2021-01-07 |
| US11403481B2 (en) | 2022-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2755553C1 (ru) | Способ определения местонахождения лейкоцитов костного мозга на основе агрегации насыщения | |
| AU2018102232A4 (en) | Bone marrow cell marking method and system | |
| CN103473739B (zh) | 一种基于支持向量机的白细胞图像精确分割方法与系统 | |
| CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| EP3635682B1 (en) | Systems and methods for analysis of heterotopic ossification in 3d images | |
| Madhloom et al. | An image processing application for the localization and segmentation of lymphoblast cell using peripheral blood images | |
| CN112435243A (zh) | 一种全切片数字病理图像的自动分析系统及方法 | |
| Zhi et al. | AdipoCount: a new software for automatic adipocyte counting | |
| CN105096347B (zh) | 图像处理装置和方法 | |
| Ravindran et al. | Determination and classification of blood types using image processing techniques | |
| CN110110667B (zh) | 一种硅藻图像的处理方法、系统及相关组件 | |
| US9652844B2 (en) | Method and apparatus for automatic cancer diagnosis scoring of tissue samples | |
| EP3535685A1 (en) | Systems and methods for encoding image features of high-resolution digital images of biological specimens | |
| US20220405899A1 (en) | Generating image masks from digital images via color density estimation and deep learning models | |
| Tomari et al. | Red blood cell counting analysis by considering an overlapping constraint | |
| JP2023517703A (ja) | 空間マルチパラメータ細胞・細胞内撮像プラットフォームからの組織サンプルの全スライド画像における管／腺及び内腔、管／腺のクラスタ、並びに個々の核を含む組織学的構造のスケーラブルで高精度なコンテクストガイドセグメンテーション | |
| Tyas et al. | Erythrocyte (red blood cell) dataset in thalassemia case | |
| US10176577B2 (en) | System for determining a cancer diagnosis score derived from stained nuclei | |
| KR20180006120A (ko) | Dl과 pde을 복합 적용하여 최적화한 영상 세그먼테이션 방법 및 시스템 | |
| Li et al. | Object extraction from image with big size based on bilateral grid | |
| Battenberg et al. | A system for automatic cell segmentation of bacterial microscopy images | |
| Anber et al. | Fractional Differentiation Based Image Enhancement for Automatic Detection of Malignant Melanoma | |
| Kiss et al. | High Resolution Digital Tissue Image Processing using Texture Image Databases |