TW201738843A - 細胞核影像輪廓擷取裝置及其方法 - Google Patents

細胞核影像輪廓擷取裝置及其方法 Download PDF

Info

Publication number
TW201738843A
TW201738843A TW105112999A TW105112999A TW201738843A TW 201738843 A TW201738843 A TW 201738843A TW 105112999 A TW105112999 A TW 105112999A TW 105112999 A TW105112999 A TW 105112999A TW 201738843 A TW201738843 A TW 201738843A
Authority
TW
Taiwan
Prior art keywords
contour
cell
gravity
image
center
Prior art date
Application number
TW105112999A
Other languages
English (en)
Other versions
TWI594207B (zh
Inventor
鄭茗徽
陳彥君
尤崇智
潘柏瑋
吳春森
Original Assignee
財團法人金屬工業研究發展中心
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 財團法人金屬工業研究發展中心 filed Critical 財團法人金屬工業研究發展中心
Priority to TW105112999A priority Critical patent/TWI594207B/zh
Priority to CN201610914518.5A priority patent/CN107316311B/zh
Priority to US15/363,543 priority patent/US10234442B2/en
Application granted granted Critical
Publication of TWI594207B publication Critical patent/TWI594207B/zh
Publication of TW201738843A publication Critical patent/TW201738843A/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • 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
    • G06V20/693—Acquisition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G01N15/1433—Signal processing using image recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/755—Deformable models or variational models, e.g. snakes or active contours
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Medicinal Chemistry (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Food Science & Technology (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Dispersion Chemistry (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)

Abstract

本發明為一種於細胞影像中找出目標細胞的細胞核的方法，其中細胞影像包括目標細胞及至少一變異細胞，且目標細胞包含細胞質及細胞核，該方法包括：(a)處理細胞影像，以使細胞質、細胞核及變異細胞具不同色彩深淺；(b)分別標定細胞質、細胞核及變異細胞之輪廓；(c)分別計算各輪廓之重心；(d)分別計算細胞質輪廓重心與細胞核輪廓重心及變異細胞輪廓重心的距離；以及(e)自細胞核輪廓重心及變異細胞輪廓重心找出與細胞質輪廓重心之間具有最短距離的特定重心，並定義具特定重心之對應輪廓為細胞核。

Description

細胞核影像輪廓擷取裝置及其方法
本發明係關於一種細胞核影像輪廓擷取裝置及其方法，特別係能夠自細胞影像中排除發炎細胞並擷取細胞核影像輪廓之裝置及其方法。
人類乳突病毒(HPV)是一種乳頭瘤病毒科乳頭瘤病毒屬的DNA病毒。該類病毒主要感染人體的表皮與黏膜組織。目前約有170種類型的HPV被鑑定出來，其中有些類型的HPV入侵人體後會引起疣或癌症，但其他則沒有任何症狀。經研究，99.7%的子宮頸癌都是因感染HPV所造成。
根據世界衛生組織(WHO)的報告，子宮頸癌是全球婦女第二常見的癌症。根據行政院衛福部統計，台灣婦女子宮頸癌的年發生率約為每十萬名女性中有27例，年齡標準化死亡率為每十萬例9.18人，每年平均1000餘名女性死於子宮頸癌，即每天有3人因子宮頸癌而死亡。因此，需要子宮頸癌的病理檢測來得知子宮頸細胞是否有病變。
2012年全球病理檢測市場約有19.8億美元，預估 2020年將達57億美元，複合成長率高達14.3%，其中亞太市場複合成長率22.2%，躍居全球市場之冠，成為最具市場發展潛力之地區。而北美+歐洲佔79%，仍為全球最普遍使用數位病理檢測與辨識的區域。全球病理檢測市場分類為全視野切片攝影(Whole Slide Imaging,WSI)、影像分析資訊儲存(Image Analysis-Informatics & Storage)及通訊整合平台(Communication and Integrated Platforms)等產品，其中WSI市場需求最大。由此看出，全球數位病理篩檢診斷系統比預期成長更為快速，正因過去病理篩檢完全是人力來一片片分析與觀察，跟不上現在抹片成長率與數量，故對於能輔助病理師特徵分析與辨識比對的系統，完全是符合臨床需求與市場預期，可解決病理師與醫師人力不足與過勞等問題。
一般子宮頸癌化細胞會變形且細胞核會變大，故在子宮頸細胞是否癌化的判斷上，會利用細胞特徵參數來進行分析，細胞特徵參數包括細胞核質半徑比、細胞核質面積比、細胞核形態、細胞膜形態、細胞染色密度等。例如，癌化細胞的細胞核會變大，造成細胞核與細胞質的面積或半徑比例(核質比)較正常細胞的核質比大，故在判斷是否為癌化細胞時，核質比變大的細胞就會是癌化細胞。現有的病理篩檢系統是如何對子宮頸細胞影像進行切割、特徵計算與癌化分類之方法，但實際的抹片影像中存在有許多雜訊，其中發炎細胞的大小與顏色與子宮頸細胞的細胞核最為相似，很容易造成細胞核輪廓擷取時將發炎細胞誤判為細胞核，近而導致細胞切割與特徵計算錯誤，使得後續的細胞癌化分類辨 識效果不佳。例如，理想的細胞切片影像中，是沒有發炎細胞的，使其細胞核明顯可辨(如第1(a)圖所示)，但女性陰道口一定存在有或多或少的發炎細胞，故子宮頸抹片在採樣的過程中，會將女性陰道口附近的發炎細胞一併採樣，這些發炎細胞的大小及顏色與子宮頸細胞的細胞核有著高相似度的影像特徵，這些發炎細胞會散落於細胞質外(如第1(b)圖所示)或細胞質內(如第1(c)圖所示)。因此，對數位影像軟體辨識系統而言，容易將散落在子宮頸細胞質中的發炎細胞誤判為子宮頸細胞的細胞核。此外，若未排除發炎細胞，系統會將所有發炎細胞皆定義為細胞核來進行細胞特徵參數分析(如核質比)，使後來在計算核質比時會把所有發炎細胞的面積或半徑皆列入計算，造成核質比變大，因而誤判細胞為癌化細胞或是有異常。因此，為避免錯誤判的之情形發生，需要更進一步的排除影像中的雜訊(如發炎細胞)，使系統在篩檢子宮頸細胞影像時準確率更高。
本案申請人鑑於習知技術中的不足，經過悉心試驗與研究，並一本鍥而不捨之精神，終於構思出本案，能夠克服先前技術之不足，以下為本案之簡要說明。
為了避免發炎細胞對細胞核輪廓擷取時的誤判影響，本發明透過輪廓擷取區域的位置與色彩分析，使擷取方法可以自動排除發炎細胞，使整個軟體辨識系統可以擷取到正確的細胞核位置，讓後續的細胞特徵計算與癌化分類辨識正確性可以進 一步提升。
因此，本發明提供一種於細胞影像中確定細胞的細胞核的裝置，該細胞包括細胞核及細胞質，該裝置包括：細胞質輪廓擷取單元，用於擷取細胞影像中細胞質的細胞質輪廓；深色區域輪廓擷取單元，耦接於細胞質輪廓擷取單元，用於擷取細胞影像中複數個深色區域的複數個深色區域輪廓；影像處理單元，耦接於細胞質輪廓擷取單元及深色區域輪廓擷取單元，用於分別對細胞質輪廓及複數個深色區域輪廓進行影像處理；重心計算單元，耦接於影像處理單元，用於計算細胞質輪廓的細胞質輪廓重心及複數個深色區域輪廓各自的深色區域輪廓重心；距離計算單元，耦接於重心計算單元，用於從該距離中找出一最短距離，並判斷出具有該最短距離的一特定深色區域輪廓重心，及定義特定深色區域輪廓重心所對應的特定深色區域為細胞核。
本發明另提出一種於細胞影像中確定細胞的細胞核的方法，該細胞包括細胞核及細胞質，該方法包括：(a)擷取細胞影像中細胞質的細胞質輪廓；(b)擷取細胞影像中複數個深色區域的複數個深色區域輪廓；(c)分別該細胞質輪廓及複數個深色區域輪廓進行影像處理；(d)計算細胞質輪廓的細胞質輪廓重心及複數個深色區域輪廓各自的深色區域輪廓重心；(e)計算細胞質輪廓重心與各自的深色區域輪廓重心的距離；以及(f)從該距離中找出一最短距離，並判斷出具有該最短距離的一特定深色區域輪廓重心，及定義特定深色區域輪廓中心所對應的特定深色區域為細胞 核。
本發明另提出一種於細胞影像中找出目標細胞的細胞核的方法，其中細胞影像包括目標細胞及至少一變異細胞，且目標細胞包含細胞質及細胞核，該方法包括：(a)處理細胞影像，以使細胞質、細胞核及變異細胞具不同色彩深淺；(b)分別標定細胞質、細胞核及變異細胞之輪廓；(c)分別計算各輪廓之重心；(d)分別計算細胞質輪廓重心與細胞核輪廓重心及變異細胞輪廓重心的距離；以及(e)自細胞核輪廓重心及變異細胞輪廓重心找出與細胞質輪廓重心之間具有一最短距離的特定重心，並定義具特定重心之對應輪廓為細胞核。
本發明另提出一種於細胞影像中找出目標細胞的細胞核的方法，其中細胞影像包括目標細胞及至少一變異細胞，且目標細胞包含細胞質及細胞核，該方法包括：(a)處理細胞影像，以使細胞質、細胞核及變異細胞具不同色彩深淺；(b)分別標定細胞質、細胞核及變異細胞之輪廓；(c)分別計算各輪廓之幾何參考點；(d)分別計算細胞質輪廓幾何參考點與細胞核輪廓幾何參考點及變異細胞輪廓幾何參考點的距離；以及(e)自細胞核輪廓幾何參考點及變異細胞輪廓幾何參考點找出與細胞質輪廓幾何參考點之間具有最短距離的特定幾何參考點，並定義具特定幾何參考點之對應輪廓為細胞核。
為使本發明能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下，但非用以限制本發明之實施例範圍。
200‧‧‧細胞核辨識系統
210‧‧‧細胞質輪廓擷取單元
220‧‧‧深色區域輪廓擷取單元
230‧‧‧影像處理單元
240‧‧‧重心計算單元
250‧‧‧距離計算單元
260‧‧‧判斷單元
S301-S307‧‧‧步驟
S401-S406‧‧‧步驟
S501-S506‧‧‧步驟
601‧‧‧細胞質輪廓
602‧‧‧較小面積輪廓
603‧‧‧深色區域輪廓
710‧‧‧細胞質輪廓
711‧‧‧細胞質重心
720-725‧‧‧深色區域重心
726‧‧‧深色區域輪廓
第1(a)圖為沒有發炎細胞的子宮頸抹片影像。
第1(b)圖為發炎細胞散落於細胞質外的子宮頸抹片影像。
第1(c)圖為發炎細胞散落於細胞質內的子宮頸抹片影像。
第2圖為本發明之細胞核辨識系統之示意圖；第3圖為本發明之細胞核辨識方法之示意圖；第4圖為本發明之擷取細胞質輪廓的方法示意圖；第5圖為本發明之擷取深色區域輪廓的方法示意圖；第6(a)圖為本發明之細胞影像經處理後的細胞質輪廓之示意圖；第6(b)圖為本發明之細胞影像經處理後的深色區域輪廓之示意圖；第7(a)圖為本發明之一實施例的子宮頸細胞影像；第7(b)圖為本發明之一實施例的子宮頸細胞影像之細胞質輪廓及深色區域輪廓經計算出各自重心後的示意圖；以及第7(c)圖為本發明之一實施例的子宮頸細胞影像經辨識系統判斷出的細胞核位置。
以下在實施方式中詳細敘述本發明之詳細特徵以及優點，其內容足以使任何熟習相關技術者了解本發明之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖 式，任何熟習相關技術者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點，但非以任何觀點限制本發明之範圍。
本發明的各種實施例中，係提出一種於細胞影像中確定細胞的細胞核位置的方法及裝置。本發明利用辨識系統來擷取區域的位置與色彩分析，並經由各區域的重心及距離計算，可以找到細胞核位置，並排除發炎細胞，以提高後續細胞特徵計算與癌化分類辨識正確性。
本發明的細胞影像係細胞檢體經採樣後(如子宮頸抹片)，利用一般習知常規方式進行處理，再利用顯微攝影裝置拍攝經處理之細胞檢體，而得到單顆的細胞影像。一般細胞影像中包含發炎細胞及該單顆細胞的細胞質與細胞核，由於發炎細胞與細胞核在細胞影像中的大小與顏色相似，且顏色通常較深，故同時定義為深色區域，而細胞質則定義為細胞質區域。任何會造成影像中深色區域的變異細胞(如發炎細胞)皆是本發明的細胞核影像輪廓擷取裝置要排除的對象。
請參閱第2圖及第3圖，其分別為本發明之細胞核辨識系統及方法之示意圖。本發明的細胞核辨識系統200包括細胞質輪廓擷取單元210、深色區域輪廓擷取單元220、影像處理單元230、重心計算單元240、距離計算單元250及判斷單元260。
得到細胞影像後，分別利用細胞質輪廓擷取單元210及深色區域輪廓擷取單元220分別對細胞質及發炎細胞與細胞核 等深色區域進行輪廓的截取(第3圖之步驟301與步驟302)。細胞質輪廓與深色區域輪廓的擷取方法如第4圖及第5圖所示。
請參閱第4圖，其為本發明之擷取細胞質輪廓的方法示意圖。當得到細胞影像後(步驟401)，會利用色彩改善濾波器處理細胞影像(步驟402)，以強化細胞邊緣，增加影像色彩與對比度，並弱化深色區域的影像。接著利用邊緣偵測方法擷取細胞質輪廓(步驟403)，影像處理單元230對擷取出的初步細胞質輪廓進行一次或一次以上的侵蝕與膨脹影像處理方法(步驟404-405)，使細胞質輪廓擷取更加完整。在一實施例中，含發炎細胞之細胞影像經細胞質輪廓截取方法後得到細胞質輪廓601，如第6(a)圖所示。最後對擷取出的區域進行面積計算，並取大於一閾值(T)的面積，以取出面積夠大的細胞質區域(步驟406)。在第6(a)圖中，較小面積輪廓602經由步驟406排除。
色彩改善濾波器及邊緣偵測方法為本領域習用之技術，任何可用於增強影像色彩與對比度及偵測邊緣的方法，皆在本發明的範圍中。在另一實施例中，色彩改善濾波器包括雙向濾波器(Bilateral Filter)、均值濾波器(Mean Filter)及高斯平滑濾波器(Gaussian smoothing filter)，邊緣偵測方法包括方法(Sobel operator)、分水嶺演算法及蛇型演算法，亦可利用拉普拉斯濾波器(Laplacian Filter)、索伯濾波器(Sobel Filter)、布里威特濾波器(Prewitt Filter)及羅柏式濾波器(Roberts Filter)進行邊緣偵測，且閾值(T)為500個像素。
請參閱第5圖，其為本發明之擷取深色區域輪廓的方法示意圖。當得到細胞影像後(步驟501)，會利用直方圖均化(Histogram Equalization)或對數轉換(Log Transformations)之影像處理方法對影像對比度進行調整(步驟502)，再利用色彩改善濾波器處理細胞影像(步驟503)，以凸顯出可能為細胞核的深色區域影像，增加影像色彩與對比度，並弱化淺色區域的影像。接著利用邊緣偵測方法擷取深色區域輪廓(步驟504)，影像處理單元230對擷取出的初步深色區域輪廓進行一次或一次以上的侵蝕與膨脹影像處理方法(步驟505-506)，使深色區域輪廓擷取更加完整。在一實施例中，含發炎細胞之細胞影像經深色區域輪廓截取方法後得到深色區域輪廓603，如第6(b)圖所示。
利用細胞質輪廓擷取單元210及深色區域輪廓擷取單元220擷取出細胞質輪廓及深色區域輪廓後，重心計算單元240計算細胞質輪廓及深色區域輪廓內所有像素的重心座標，分別得到細胞質重心(Ac)及多個可能為細胞核的深色區域重心(AN1、AN2、AN3…ANn)(第3圖之步驟303與步驟304)。本發明的重心計算方法為本技術領域習知之計算方法。在一實施例中，子宮頸細胞影像如第7(a)圖所示。子宮頸細胞影像經由細胞質輪廓擷取單元210及深色區域輪廓擷取單元220得到細胞質輪廓710及深色區域輪廓726，針對細胞質輪廓710及深色區域輪廓726中像素計算重心，得到細胞質重心711及深色區域重心720-725，如第7(b)圖所示。在另一實施例中，細胞質與深色區域的其他幾何參考點(如軸 心、中心等)亦可用於找出細胞中細胞核的位置。
計算出細胞質重心與深色區域重心後，距離計算單元250計算每個深色區域重心與細胞質重心之間的距離(第3圖之步驟305)，得到細胞質重心(Ac)與深色區域重心AN1之間的距離為d1、細胞質重心(Ac)與深色區域重心AN2之間的距離為d2、細胞質重心(Ac)與深色區域重心AN3之間的距離為d3…細胞質重心(Ac)與深色區域重心ANn之間的距離為dn。本發明的距離計算方法為本技術領域習知之計算方法。在一實施例中，距離計算方法為歐基里德距離計算方法(Euclidean Distance)。在一實施例中，如第7(b)圖所示，距離計算單元250計算細胞質重心710與每個深色區域重心720-725的距離。例如，細胞質重心710與深色區域重心720之間的距離為d1，細胞質重心710與深色區域重心721之間的距離為d2，細胞質重心710與深色區域重心722之間的距離為d3，細胞質重心710與深色區域重心723之間的距離為d4，細胞質重心710與深色區域重心724之間的距離為d5，以及細胞質重心710與深色區域重心725之間的距離為d6。
最後判斷單元260比較每個距離(d1、d2、d3…dn)的長短，取出與細胞質重心距離最短者Min[(d1、d2、d3…dn)](第3圖之步驟306)，並判斷具有最短距離之輪廓區域為細胞核(第3圖之步驟307)。在一實施例中，判斷單元260從d1-d6中取出最短的距離d1，並判斷d1所代表的深色區域重心720所擁有的輪廓區域為細胞核。
實施例
1.一種於細胞影像中確定細胞的細胞核的裝置，細胞包括細胞核及細胞質，該裝置包括：細胞質輪廓擷取單元，用於擷取細胞影像中細胞質的細胞質輪廓；深色區域輪廓擷取單元，耦接於細胞質輪廓擷取單元，用於擷取細胞影像中複數個深色區域的複數個深色區域輪廓；影像處理單元，耦接於細胞質輪廓擷取單元及深色區域輪廓擷取單元，用於分別對細胞質輪廓及複數個深色區域輪廓進行影像處理；重心計算單元，耦接於影像處理單元，用於計算細胞質輪廓的細胞質輪廓重心及複數個深色區域輪廓各自的深色區域輪廓重心；距離計算單元，耦接於重心計算單元，用於計算細胞質輪廓重心與各自的深色區域輪廓重心的距離；以及判斷單元，耦接於距離計算單元，用於從該距離中找出一最短距離，並判斷出具有該最短距離的一特定深色區域輪廓重心，及定義特定深色區域輪廓重心所對應的特定深色區域為細胞核。
2.如實施例1所述之裝置，其中細胞影像為單顆細胞的影像，且細胞影像為子宮頸細胞之影像。
3.如實施例1或2所述之裝置，其中影像處理包括侵蝕及膨脹。
4.如實施例1~3中任一實施例所述之裝置，其中細胞質輪廓擷取單元及深色區域輪廓擷取單元經由索伯方法(Sobel operator)、分水嶺演算法或蛇型演算法擷取細胞質輪廓及等深色區域輪廓，且距離計算單元經由歐基里德距離計算方法計算距離。
5.一種於細胞影像中確定細胞的細胞核的方法，該細胞包括細胞核及細胞質，該方法包括：(a)擷取細胞影像中細胞質的細胞質輪廓；(b)擷取細胞影像中複數個深色區域的複數個深色區域輪廓；(c)分別該細胞質輪廓及複數個深色區域輪廓進行影像處理；(d)計算細胞質輪廓的細胞質輪廓重心及複數個深色區域輪廓各自的深色區域輪廓重心；(e)計算細胞質輪廓重心與各自的深色區域輪廓重心的距離；以及(f)從該距離中找出一最短距離，並判斷出具有該最短距離的一特定深色區域輪廓重心，及定義特定深色區域輪廓重心所對應的特定深色區域為細胞核。
6.如實施例5所述之方法，其中細胞影像是經由顯微攝影方式擷取。
7.如實施例5或6所述之方法，其中影像處理包括侵蝕及膨脹。
8.如實施例5~7任一實施例所述之方法，其中步驟(a)還包括：(a1)該細胞影像經由雙向濾波器來增加該細胞影像的對比度。
9.如實施例5~8任一實施例所述之方法，其中步驟(b)還包括：(b1)細胞影像經由雙向濾波器來增加細胞影像的對比度；以及(b2)利用直方圖均化或對數轉換方法來強化複數個深色區域。
10.如實施例5~9任一實施例所述之方法，其中步驟(d)中，細胞質輪廓重心及各自的深色區域輪廓重心是基於細胞質輪 廓及等深色區域輪廓內的像素而計算。
11.一種於細胞影像中找出目標細胞的細胞核的方法，其中細胞影像包括目標細胞及至少一變異細胞，且目標細胞包含細胞質及細胞核，該方法包括：(a)處理細胞影像，以使細胞質、細胞核及變異細胞具不同色彩深淺；(b)分別標定細胞質、細胞核及變異細胞之輪廓；(c)分別計算各輪廓之重心；(d)分別計算細胞質輪廓重心與細胞核輪廓重心及變異細胞輪廓重心的距離；以及(e)自細胞核輪廓重心及變異細胞輪廓重心找出與細胞質輪廓重心之間具有一最短距離的特定重心，並定義具特定重心之對應輪廓為細胞核。
12.如實施例11所述之方法，其中細胞影像係經處理，而使得細胞質具第一色彩深淺，且細胞核及變異細胞具第二色彩深淺。
13.一種於細胞影像中找出目標細胞的細胞核的方法，其中細胞影像包括目標細胞及至少一變異細胞，且目標細胞包含細胞質及細胞核，該方法包括：(a)處理細胞影像，以使細胞質、細胞核及變異細胞具不同色彩深淺；(b)分別標定細胞質、細胞核及變異細胞之輪廓；(c)分別計算各輪廓之幾何參考點；(d)分別計算細胞質輪廓幾何參考點與細胞核輪廓幾何參考點及變異細胞輪廓幾何參考點的距離；以及(e)自細胞核輪廓幾何參考點及變異細胞輪廓幾何參考點找出與細胞質輪廓幾何參考點之間具有最短距離的特定幾何參考點，並定義具特定幾何參考點之對應輪廓為細胞核。
本發明時屬難能的創新發明，深具產業價值，援依法提出申請。此外，本發明可以由本領域技術人員做任何修改，但不脫離如所附申請專利範圍所要保護的範圍。
S301-S307‧‧‧步驟

Claims (13)

  1. 一種細胞核影像輪廓擷取裝置，該裝置包括：一細胞質輪廓擷取單元，用於擷取細胞影像中的細胞質輪廓；一深色區域輪廓擷取單元，耦接於該細胞質輪廓擷取單元，用於擷取該細胞影像中的複數個深色區域輪廓；一影像處理單元，耦接於該細胞質輪廓擷取單元及該深色區域輪廓擷取單元，用於分別對該細胞質輪廓及該等深色區域輪廓進行一影像處理；一重心計算單元，耦接於該影像處理單元，用於計算該細胞質輪廓的一細胞質輪廓重心及該等深色區域輪廓各自的深色區域輪廓重心；一距離計算單元，耦接於該重心計算單元，用於計算該細胞質輪廓重心與該各自的深色區域輪廓重心的一距離；以及一判斷單元，耦接於該距離計算單元，用於從該距離中找出一最短距離，並判斷出具有該最短距離的一特定深色區域輪廓重心，及定義該特定深色區域輪廓重心所對應的一特定深色區域為該細胞核。
  2. 如申請專利範圍第1項所述之細胞核影像輪廓擷取裝置，其中該細胞影像為一單顆細胞的影像，且該細胞影像為一子宮頸細胞之影像。
  3. 如申請專利範圍第1項所述之細胞核影像輪廓擷取裝置，其中該影像處理包括一侵蝕及一膨脹。
  4. 如申請專利範圍第1項所述之細胞核影像輪廓擷取裝置，其中該細胞質輪廓擷取單元及該深色區域輪廓擷取單元經由一索伯方法、一分水嶺演算法或一蛇型演算法擷取該細胞質輪廓及該 等深色區域輪廓，且該距離計算單元經由一歐基里德距離計算方法計算該距離。
  5. 一種細胞核影像輪廓擷取方法，該方法包括：(a)擷取該細胞影像中的一細胞質輪廓；(b)擷取該細胞影像中複數個深色區域的複數個深色區域輪廓；(c)分別對該細胞質輪廓及該等深色區域輪廓進行一影像處理；(d)計算該細胞質輪廓的一細胞質輪廓重心及該等深色區域輪廓各自的深色區域輪廓重心；(e)計算該細胞質輪廓重心與該各自的深色區域輪廓重心的一距離；以及(f)從該距離中找出一最短距離，並判斷出具有該最短距離的一特定深色區域輪廓重心，及定義該特定深色區域輪廓重心所對應的一特定深色區域為該細胞核。
  6. 如申請專利範圍第5項所述之細胞核影像輪廓擷取方法，其中該細胞影像是經由顯微攝影方式擷取。
  7. 如申請專利範圍第5項所述之細胞核影像輪廓擷取方法，其中該影像處理包括一侵蝕及一膨脹。
  8. 如申請專利範圍第5項所述之細胞核影像輪廓擷取方法，其中該步驟(a)還包括：(a1)該細胞影像經由一雙向濾波器來增加該細胞影像的對比度。
  9. 如申請專利範圍第5項所述之方法，其中該步驟(b)還包括：(b1)該細胞影像經由一雙向濾波器來增加該細胞影像的對比度；以及 (b2)利用一直方圖均化或一對數轉換方法來強化該等深色區域。
  10. 如申請專利範圍第5項所述之方法，其中該步驟(d）中，該細胞質輪廓重心及該各自的深色區域輪廓重心是基於該細胞質輪廓及該等深色區域輪廓內的像素而計算。
  11. 一種於一細胞影像中找出一目標細胞的一細胞核的方法，其中該細胞影像包括該目標細胞及至少一變異細胞，且該目標細胞包含一細胞質及該細胞核，該方法包括：(a)處理該細胞影像，以使該細胞質、該細胞核及該變異細胞具不同色彩深淺；(b)分別標定該細胞質、該細胞核及該變異細胞之輪廓；(c)分別計算各該輪廓之重心；(d)分別計算該細胞質輪廓重心與該細胞核輪廓重心及該變異細胞輪廓重心的一距離；以及(e)自該細胞核輪廓重心及該變異細胞輪廓重心找出與該細胞質輪廓重心之間具有一最短距離的一特定重心，並定義具該特定重心之一對應輪廓為該細胞核。
  12. 如申請專利範圍第11項所述之方法，該細胞影像係經處理，而使得該細胞質具一第一色彩深淺，且該細胞核及該變異細胞具一第二色彩深淺。
  13. 一種於一細胞影像中找出一目標細胞的一細胞核的方法，其中該細胞影像包括該目標細胞及至少一變異細胞，且該目標細胞包含一細胞質及該細胞核，該方法包括：(a)處理該細胞影像，以使該細胞質、該細胞核及該變異細胞具不同色彩深淺；(b)分別標定該細胞質、該細胞核及該變異細胞之輪廓； (c)分別計算各該輪廓之幾何參考點；(d)分別計算該細胞質輪廓幾何參考點與該細胞核輪廓幾何參考點及該變異細胞輪廓幾何參考點的一距離；以及(e)自該細胞核輪廓幾何參考點及該變異細胞輪廓幾何參考點找出與該細胞質輪廓幾何參考點之間具有一最短距離的一特定幾何參考點，並定義具該特定幾何參考點之一對應輪廓為該細胞核。
TW105112999A 2016-04-26 2016-04-26 細胞核影像輪廓擷取裝置及其方法 TWI594207B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW105112999A TWI594207B (zh) 2016-04-26 2016-04-26 細胞核影像輪廓擷取裝置及其方法
CN201610914518.5A CN107316311B (zh) 2016-04-26 2016-10-20 细胞核图像轮廓捕获设备及其方法
US15/363,543 US10234442B2 (en) 2016-04-26 2016-11-29 Device and method for finding cell nucleus of target cell from cell image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW105112999A TWI594207B (zh) 2016-04-26 2016-04-26 細胞核影像輪廓擷取裝置及其方法

Publications (2)

Publication Number Publication Date
TWI594207B TWI594207B (zh) 2017-08-01
TW201738843A true TW201738843A (zh) 2017-11-01

Family

ID=60089705

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105112999A TWI594207B (zh) 2016-04-26 2016-04-26 細胞核影像輪廓擷取裝置及其方法

Country Status (3)

Country Link
US (1) US10234442B2 (zh)
CN (1) CN107316311B (zh)
TW (1) TWI594207B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI652627B (zh) 2017-11-16 2019-03-01 財團法人金屬工業研究發展中心 大尺度細胞影像分析方法及其系統
TWI683283B (zh) * 2018-04-03 2020-01-21 薩摩亞商銳準醫光股份有限公司 一種生物樣本之影像合成方法及採用該方法之光學系統
WO2019208703A1 (ja) * 2018-04-26 2019-10-31 日本電気株式会社 情報処理装置、制御方法、及びプログラム
CN109034208B (zh) * 2018-07-03 2020-10-23 怀光智能科技（武汉）有限公司 一种高低分辨率组合的宫颈细胞切片图像分类系统
US10769784B2 (en) 2018-12-21 2020-09-08 Metal Industries Research & Development Centre Image analyzing method and electrical device
CN110148455B (zh) * 2019-05-22 2023-09-26 柯晶 宫颈液基薄片图像之炎性细胞消除方法
EP3836020B1 (en) * 2019-12-12 2024-08-28 National Cheng Kung University A method for determining cellular nuclear-to-cytoplasmic ratio
CN112396583B (zh) * 2020-11-18 2024-01-26 深思考人工智能机器人科技（北京）有限公司 一种基于巴氏染色方式的dna倍体定量分析的方法及系统
CN116645390B (zh) * 2023-07-27 2023-10-03 吉林省星博医疗器械有限公司 一种荧光图像细胞快速分割方法和系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005027015A2 (en) * 2003-09-10 2005-03-24 Bioimagene, Inc. Method and system for quantitatively analyzing biological samples
US7907769B2 (en) * 2004-05-13 2011-03-15 The Charles Stark Draper Laboratory, Inc. Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation
CN1624475A (zh) * 2004-12-20 2005-06-08 华中科技大学 宫颈癌细胞辅助检测方法
JP5088329B2 (ja) * 2007-02-13 2012-12-05 日本電気株式会社 細胞特徴量算出装置および細胞特徴量算出方法
JP5365011B2 (ja) * 2008-01-29 2013-12-11 日本電気株式会社 病理診断支援装置、病理診断支援方法、およびプログラム
CN101510309B (zh) * 2009-03-30 2010-12-01 西安电子科技大学 基于复小波纹理区域合并的改进分水岭sar图像分割方法
CN103907023B (zh) * 2011-09-13 2016-10-05 皇家飞利浦有限公司 检测生物学样品中的异常的系统和方法
CN102831607B (zh) * 2012-08-08 2015-04-22 深圳市迈科龙生物技术有限公司 宫颈液基细胞图像分割方法
TWI496112B (zh) * 2013-09-13 2015-08-11 Univ Nat Cheng Kung 細胞影像分割方法以及核質比評估方法
CN103489188A (zh) * 2013-09-23 2014-01-01 华南理工大学 一种宫颈lct图像的异常细胞核定位方法

Also Published As

Publication number Publication date
CN107316311A (zh) 2017-11-03
TWI594207B (zh) 2017-08-01
US10234442B2 (en) 2019-03-19
US20170309017A1 (en) 2017-10-26
CN107316311B (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
TWI594207B (zh) 細胞核影像輪廓擷取裝置及其方法
CN117078672B (zh) 基于计算机视觉的手机屏幕缺陷智能检测方法
CN109472781B (zh) 一种基于串行结构分割的糖尿病视网膜病变检测系统
Joshi et al. Optic disk and cup boundary detection using regional information
WO2016091016A1 (zh) 一种基于胞核标记分水岭变换的粘连白细胞分割方法
AU2020103260A4 (en) Rice blast grading system and method
EP2948897B1 (en) Method and systems for cell-level fish dot counting
CN101996329B (zh) 一种对血管形变区域的检测装置和方法
Wang et al. Level set segmentation of optic discs from retinal images
CN105761260B (zh) 一种皮肤图像患处分割方法
CN104766316B (zh) 中医望诊中新型嘴唇分割算法
CN110120056A (zh) 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法
Kumar et al. An unsupervised approach for overlapping cervical cell cytoplasm segmentation
Sagar et al. Color channel based segmentation of skin lesion from clinical images for the detection of melanoma
WO2018176319A1 (zh) 超声图像的分析方法及装置
Rad et al. Coarse-to-fine texture analysis for inner cell mass identification in human blastocyst microscopic images
Madhankumar et al. Characterization of skin lesions
Hatanaka et al. Vertical cup-to-disc ratio measurement for diagnosis of glaucoma on fundus images
CN104933723A (zh) 基于稀疏表示的舌图像分割方法
Hashim et al. Optic disc boundary detection from digital fundus images
TW201721127A (zh) 檢測細胞受人類乳突病毒（ｈｐｖ）感染的裝置及其檢測方法
Padmanaban et al. Localization of optic disc using Fuzzy C Means clustering
Aramesh et al. A new method for segmentation of retinal blood vessels using Morphological image processing technique
CN103815926B (zh) 乳腺癌检测方法和装置
Li et al. Automatic detection of leukocytes for cytometry with color decomposition