TWI637146B - Cell classification method - Google Patents
Cell classification method Download PDFInfo
- Publication number
- TWI637146B TWI637146B TW106136046A TW106136046A TWI637146B TW I637146 B TWI637146 B TW I637146B TW 106136046 A TW106136046 A TW 106136046A TW 106136046 A TW106136046 A TW 106136046A TW I637146 B TWI637146 B TW I637146B
- Authority
- TW
- Taiwan
- Prior art keywords
- cell
- candidate
- image
- cells
- nuclear
- Prior art date
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一種細胞分類方法，一系統將多張相關於多個細胞的細胞圖層影像合成為一包括該等細胞的影像的細胞合成影像，再根據該細胞合成影像及一篩選條件，從該細胞合成影像中的該等細胞中篩選出多個候選細胞，並獲得多筆候選細胞資料，接著利用該等候選細胞資料對該細胞圖層影像進行特徵擷取而獲得多個分別相關於該等候選細胞的細胞膜的特徵值，與多個分別相關於該等候選細胞的細胞核的特徵值。最後該系統至少根據多個分別對應該等細胞圖層影像的上限值、該等細胞膜特徵值，及該等細胞核特徵值，決定出每一候選細胞為目標細胞或是非目標細胞。
Description
本發明是有關於一種分類方法，特別是指一種細胞分類方法。
細胞的表現在自然與病理現象上常被用來做為臨床上的研究，針對臨床研究需求，細胞顯微影像分析的技術常應用於分析細胞計數、細胞面積大小、個別或群體細胞軌跡移動觀察等細胞的表現，利用顯微序列影像中活體細胞之運動，能協助臨床診斷上影像特徵採集，進而能對影像中的細胞的表現進行快速且客觀地分類。
現有細胞顯微影像分類的技術是先將細胞以螢光染劑染色，例如免疫螢光(Immunofluorescence,IF)、免疫細胞化學(Immunocytochemistry,ICC)、免疫組織化學染色法(immunohistochemistry,IHC)等染色法，當細胞暴露於雷射光束時，染色的細胞的螢光染劑受到雷射的激發，釋放一定波長的光，然後藉由一分析系統拍攝出細胞的影像，最後該分析系統分析
該影像以獲得細胞的物理特性及生化特徵，並根據細胞的物理特性及生化特徵對細胞進行分類。
然而，僅根據細胞釋放的光所獲得的細胞的物理特性及生化特徵進行分類的準確性不高。
因此，本發明的目的，即在提供一種具有高準確度的細胞分類方法。
於是，本發明細胞分類方法，由一系統來實施，該系統儲存有多張相關於多個細胞的細胞圖層影像，每一細胞圖層影像相關於該等細胞的細胞膜、細胞質，及細胞核之其中至少一者，該細胞分類方法包含一步驟(A)、一步驟(B)、一步驟(C)、一步驟(D)，及一步驟(E)。
在步驟(A)中，該系統將該等細胞圖層影像合成為一包括該等細胞的影像的細胞合成影像。
在步驟(B)中，該系統根據該細胞合成影像及一相關於細胞大小的篩選條件，從該細胞合成影像中的該等細胞中篩選出多個候選細胞，並獲得多筆分別相關於該等候選細胞的影像位置及大小的候選細胞資料。
在步驟(C)中，該系統對於每一相關於該等細胞的細胞膜
的細胞圖層影像，利用該等候選細胞資料對該細胞圖層影像進行特徵擷取而獲得多個分別相關於該等候選細胞的細胞膜的細胞膜特徵。
在步驟(D)中，該系統對於每一相關於該等細胞的細胞核的細胞圖層影像，利用該等候選細胞資料對該細胞圖層影像進行特徵擷取而獲得多個分別相關於該等候選細胞的細胞核的細胞核特徵值。
步驟(E)中，該系統至少根據多個分別對應該等細胞圖層影像的上限值、該等細胞圖層影像的該等細胞膜特徵值，及該等細胞圖層影像的該等細胞核特徵值，決定出每一候選細胞為目標細胞或是非目標細胞。
本發明之功效在於：藉由該系統利用該等候選細胞資料對該細胞圖層影像進行特徵擷取，以獲得該等細胞膜特徵值及該等細胞核特徵值，並至少根據該等上限值、該等細胞膜特徵值，及該等細胞核特徵值，將該等候選細胞分類成目標細胞及非目標細胞，藉此，針對細胞特有的型態進行分類以提高細胞分類的準確性。
1‧‧‧系統
11‧‧‧儲存單元
12‧‧‧處理單元
201~213‧‧‧步驟
2071~2078‧‧‧子步驟
2101~2108‧‧‧子步驟
301~305‧‧‧步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：
圖1是一方塊圖，示例地繪示一用來實施本發明細胞分類方法之一實施例的系統；圖2是一示意圖，說明多張相關於多個細胞的細胞圖層影像；圖3是一流程圖，說明該實施例的一候選細胞資料獲得程序；圖4是一示意圖，說明一包括該等細胞的影像的細胞合成影像；圖5是一流程圖，說明步驟207所包含的子步驟；圖6是一示意圖，說明一相關於該候選細胞的細胞膜的候選細胞膜影像輪廓；圖7是一流程圖，說明步驟210所包含的子步驟；及圖8是一流程圖，說明該實施例的一目標細胞決定程序。
參閱圖1，說明用來實施本發明細胞分類方法之一實施例的一系統1，該系統1包含一儲存單元11及一電連接該儲存單元11的處理單元12。
該儲存單元11儲存有多張相關於多個細胞的細胞圖層影像、多個分別對應該等細胞圖層影像的細胞膜上限值，及多個分別對應該等細胞圖層影像的細胞核上限值，每一細胞圖層影像相關於該等細胞的細胞膜、細胞質，及細胞核之其中至少一者。在本實施例中，該儲存單元11儲存有3張細胞圖層影像，每一細胞圖層影像
相關於該等細胞的細胞膜、細胞質，及細胞核之其中之一者(如圖2)。
本發明細胞分類方法之一實施例包含一候選細胞資料獲得程序及一目標細胞決定程序。
參閱圖1及圖3，以下說明該系統1實施該實施例之該候選細胞資料獲得程序的步驟流程。
在步驟201中，該處理單元12將該等細胞圖層影像作影像強化。
在步驟202中，該處理單元12將該等細胞圖層影像作影像雜訊消除。
值得注意的是，在步驟201及202中的影像強化及影像雜訊消除為現有技術，故在此不多加贅述。
在步驟203中，該處理單元12將該等細胞圖層影像合成為一包括該等細胞的影像的細胞合成影像(如圖4)。要特別注意的是，在本實施例中，是以較亮為主的方式，亦即以像素值較高的像素為主的方式，合成影像。
在步驟204中，該處理單元12根據該細胞合成影像的背景的多個像素二值化該細胞合成影像。在本實施例中，該處理單元12以該細胞合成影像的背景的該等像素值平均值再乘上一預定值以作為一臨界值，並以該臨界值二值化該細胞合成影像，其中該預
定值大於1。舉例來說，若像素值小於該臨界值，則二值化後的像素值為像素的最小值；若像素值大於該臨界值，則二值化後的像素值為像素的最大值。
在步驟205中，該處理單元12根據二值化的該細胞合成影像及一相關於細胞大小的篩選條件篩選出候選細胞，以獲得多筆分別相關於該等候選細胞的影像位置及大小的候選細胞資料，並將該等候選細胞資料儲存至該儲存單元11。在本實施例中，該篩選條件為二值化的該細胞合成影像中的像素數目大於一預設值的細胞為候選細胞。
在步驟206中，該處理單元12根據該儲存單元11儲存的該等候選細胞資料，擷取相關於該等細胞的細胞膜的細胞圖層影像中的候選細胞的細胞膜，並將該等候選細胞的細胞膜的影像合成為一候選細胞膜合成影像。
在步驟207中，該處理單元12判定是否能以距離轉換(distance transform,DT)演算法，對於該候選細胞膜合成影像中的候選細胞分離出一候選叢細胞。當該處理單元12判定出該候選細胞能以距離轉換演算法分離出該候選叢細胞時，進行步驟208，否則進行步驟209。
搭配參閱圖5，以下說明步驟207所包含的子步驟2071~2078。
在步驟2071中，對於該候選細胞膜合成影像中的每一候選細胞，該處理單元12根據該候選細胞膜合成影像，以適應性演算法計算出一相關於像素值的細胞膜臨界值。值得注意的是，在本實施例中，該適應性演算法是先以大津演算法(Otsu algorithm)計算出一相關於該候選細胞膜合成影像的第一門檻值，再由該候選細胞膜合成影像的影像灰階統計直方圖(histogram)獲得一第一平均值及一第一標準差，最後該細胞膜臨界值即為該第一門檻值與一第一權重之積加上該第一平均值及該第一標準差之積，如下式細胞膜臨界值=第一門檻值×第一權重+第一平均值×第一標準差。
在步驟2072中，對於該候選細胞膜合成影像中的每一候選細胞，該處理單元12根據該細胞膜臨界值，二值化該候選細胞膜合成影像。
在步驟2073中，對於該候選細胞膜合成影像中的每一候選細胞，該處理單元12根據二值化的該候選細胞膜合成影像及相關於該候選細胞的影像位置及大小的候選細胞資料，獲得一相關於該候選細胞的細胞膜的候選細胞膜影像輪廓。
在步驟2074中，對於該候選細胞膜合成影像中的每一候選細胞，該處理單元12計算出一相關於該候選細胞膜影像輪廓的細胞膜輪廓平均長度。值得注意的是，搭配參閱圖6，在本實施例中，
會先畫出一最小能包圍該候選細胞膜影像輪廓的圓，並獲得一通過該圓的圓心且為該候選細胞膜影像輪廓兩點最長距離的第一直線41，再獲得一垂直於該第一直線41且為該候選細胞膜影像輪廓兩點最長距離的第二直線42，最後根據該第一直線41與該第二直線42得到該細胞膜輪廓平均長度，其中該細胞膜輪廓平均長度為該第一直線41的長度平方加上該第二直線42的長度平方後開根號。
在步驟2075中，對於該候選細胞膜合成影像中的每一候選細胞，且對於該候選細胞膜影像輪廓內的每一像素，該處理單元12計算出一相關於該像素與該候選細胞膜影像輪廓之最短距離的細胞膜輪廓最短距離，以獲得一相關於該細胞膜輪廓最短距離與該細胞膜輪廓平均長度之比值的細胞膜輪廓比值。
在步驟2076中，該處理單元12根據該等細胞膜輪廓比值，該處理單元12映射該候選細胞膜影像輪廓的每一像素值至像素的最大值。
在步驟2077中，該處理單元12正規化映射後的該候選細胞膜影像輪廓，以獲得一細胞膜輪廓波峰數。
在步驟2078中，該處理單元12根據該細胞膜輪廓波峰數，判定能否分離出該候選叢細胞。在本實施例中，該細胞膜輪廓波峰數大於1該處理單元12即判定能分離出該候選叢細胞。
在步驟208中，根據該候選細胞膜合成影像獲得一筆相
關於該候選叢細胞的影像位置及大小的候選叢細胞資料，並將該候選叢細胞資料作為該候選細胞資料儲存至該儲存單元11，並重複進行步驟206~207。
在步驟209中，該處理單元12根據該儲存單元11儲存的該等候選細胞資料，擷取相關於該等細胞的細胞核的細胞圖層影像中的候選細胞的細胞核，並將該等候選細胞的細胞核的影像合成為一候選細胞核合成影像。
在步驟210中，對於該候選細胞核合成影像中的每一候選細胞，該處理單元12判定是否能以距離轉換演算法分離出該候選叢細胞。當該處理單元12判定出該候選細胞能以距離轉換演算法分離出該候選叢細胞時，進行步驟211，否則進行步驟212。
搭配參閱圖7，以下說明步驟210所包含的子步驟2101~2108。
在步驟2101中，對於該候選細胞核合成影像中的每一候選細胞，該處理單元12根據該候選細胞核合成影像，以適應性演算法計算出一相關於像素值的細胞核臨界值。值得注意的是，在本實施例中，該適應性演算法是先以三角法圖像二值化法(triangle algorithm)計算出一相關於該候選細胞核合成影像的第二門檻值，再由該候選細胞核合成影像的影像灰階統計直方圖獲得一第二平均值及一第二標準差，最後該細胞核臨界值即為該第二門檻值與
一第二權重之積加上該第二平均值及該第二標準差之積，如下式細胞核臨界值=第二門檻值×第二權重+第二平均值×第二標準差。
在步驟2102中，對於該候選細胞核合成影像中的每一候選細胞，該處理單元12根據該細胞核臨界值，二值化該候選細胞核合成影像。
在步驟2103中，對於該候選細胞核合成影像中的每一候選細胞，該處理單元12根據二值化的該候選細胞核合成影像及相關於該候選細胞的影像位置及大小的候選細胞資料，獲得一相關於該候選細胞的細胞核的候選細胞核影像輪廓。
在步驟2104中，對於該候選細胞核合成影像中的每一候選細胞，該處理單元12計算出一相關於該候選細胞核影像輪廓的細胞核輪廓平均長度。值得注意的是，在本實施例中，類似於計算該細胞膜輪廓平均長度，先畫出一最小能包圍該候選細胞核影像輪廓的圓，並獲得一通過該圓的圓心且為該候選細胞核影像輪廓兩點最長距離的第一直線，再獲得一垂直於該第一直線且為該候選細胞核影像輪廓兩點最長距離的第二直線，最後根據該第一直線與該第二直線得到該細胞核輪廓平均長度，其中該細胞核輪廓平均長度為該第一直線的長度平方加上該第二直線的長度平方後開根號。
在步驟2105中，對於該候選細胞核合成影像中的每一候
選細胞，且對於該候選細胞核影像輪廓內的每一像素，該處理單元12計算出一相關於該像素與該候選細胞核影像輪廓之最短距離的細胞核輪廓最短距離，以獲得一相關於該細胞核輪廓最短距離與該細胞核輪廓平均長度之比值的細胞核輪廓比值。
在步驟2106中，該處理單元12根據該等細胞核輪廓比值，映射該候選細胞核影像輪廓的每一像素值至像素的最大值。
在步驟2107中，該處理單元12正規化映射後的該候選細胞核影像輪廓，以獲得一細胞核輪廓波峰數。
在步驟2108中，該處理單元12根據該細胞核輪廓波峰數，判定能否分離出該候選叢細胞。在本實施例中，該細胞核輪廓波峰數大於1該處理單元12即判定能分離出該候選叢細胞。
在步驟211中，該處理單元12根據該候選細胞核合成影像獲得一筆相關於該候選叢細胞的影像位置及大小的候選叢細胞資料，並將該候選叢細胞資料作為該候選細胞資料儲存至該儲存單元11。
在步驟212中，對於每一相關於該等細胞的細胞膜的細胞圖層影像，該處理單元12利用該等候選細胞資料對該細胞圖層影像進行特徵擷取而獲得多個分別相關於該等候選細胞的細胞膜的細胞膜特徵值，並將該等細胞膜特徵值儲存至該儲存單元11。在本實施例中，每一細胞膜特徵值為相關於該細胞圖層影像的候選細胞
的細胞膜的一像素平均值、一像素最高值、一像素最低值、一像素中間值、一最大寬度，及一最小寬度之其中一者。
在步驟213中，對於每一相關於該等細胞的細胞核的細胞圖層影像，該處理單元12利用該等候選細胞資料對該細胞圖層影像進行特徵擷取而獲得多個分別相關於該等候選細胞的細胞核的細胞核特徵值，並將該等細胞核特徵值儲存至該儲存單元11。在本實施例中，每一細胞核特徵值為相關於該細胞圖層影像的候選細胞的細胞核的一圓形度、一縱橫比、一不對稱率、一橢圓圓度、一飽和度、一分散度、一偏心度、一不變矩之其中一者。
要再特別注意的是，在本實施例中，步驟206~208是在步驟209~211之前，且步驟212是在步驟213之前，在其他實施例中，步驟206~208可在步驟209~211之後或同時進行，且步驟212可在步驟213之後或同時進行，不限於此。
參閱圖1及圖8，以下說明該系統1實施該實施例之該目標細胞決定程序的步驟流程。
在步驟301中，該處理單元12判定該等候選細胞之一者之每一細胞圖層影像對應該候選細胞的細胞膜特徵值是否皆小於該等細胞圖層影像所對應的細胞膜上限值。當該處理單元12判定出該等細胞圖層影像對應的細胞膜特徵值皆小於該等細胞圖層影像所對應的細胞膜上限值時，進行步驟302，否則表示該候選細胞為
非目標細胞，進行步驟305。
在步驟302中，該處理單元12判定每一細胞圖層影像對應該候選細胞的細胞核特徵值是否皆小於該等細胞圖層影像所對應的細胞核上限值。當該處理單元12判定出該等細胞圖層影像對應的細胞核特徵值皆小於該等細胞圖層影像所對應的細胞核上限值時，進行步驟303，否則表示該候選細胞為非目標細胞，進行步驟305。
在步驟303中，該處理單元12根據所擷取的候選細胞的細胞膜的影像、所擷取的候選細胞的細胞核的影像與一用於對該等影像進行分類的分類器判定該候選細胞是否為目標細胞。當該處理單元12判定出該候選細胞為目標細胞時，進行步驟304，否則表示該候選細胞為非目標細胞，進行步驟305。在本實施例中，輸入該等細胞圖層影像中的候該選細胞的細胞膜及細胞核的影像至該分類器，該分類器根據已知資料判定該候選細胞是否為目標細胞，該分類器例如利用機器學習(Machine Learning)演算法的類神經網路(neural network,NN)。
在步驟304中，該處理單元12儲存該候選細胞的細胞膜特徵值、細胞核特徵值、所擷取的候選細胞的細胞膜的影像，及所擷取的候選細胞的細胞核的影像儲存至該儲存單元11的一第一儲存區。
在步驟305中，該處理單元12儲存該候選細胞的細胞膜特徵值、細胞核特徵值、所擷取的候選細胞的細胞膜的影像，及所擷取的候選細胞的細胞核的影像儲存至該儲存單元11的一第二儲存區，該第二儲存區例如為標註無效的暫存區。
要特別注意的是，在其他實施例中，步驟301~303之順序可相互交換，不以此為限。在其他另一實施例中，可僅執行步驟301~303之一者，若判定結果為肯定進行步驟304，否則進行步驟305，不以此為限。
要再特別注意的是，在本實施例中，該目標細胞決定程序會重複執行直到所有的候選細胞皆判定完。
綜上所述，不同於先前技術僅僅是依據染色強度進行分類，本發明細胞分類方法，藉由該處理單元12利用該等候選細胞資料對該細胞圖層影像進行特徵擷取，以獲得該等細胞膜特徵值及該等細胞核特徵值，並至少根據該等上限值、該等細胞膜特徵值，及該等細胞核特徵值，將該等候選細胞分類成目標細胞及非目標細胞，藉此，針對細胞特有的型態進行分類以提高細胞分類的準確性，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍
內。
Claims (11)
- 一種細胞分類方法，由一系統來實施，該系統儲存有多張相關於多個細胞的細胞圖層影像，每一細胞圖層影像相關於該等細胞的細胞膜、細胞質，及細胞核之其中至少一者，該細胞分類方法包含以下步驟：(A)藉由該系統，將該等細胞圖層影像合成為一包括該等細胞的影像的細胞合成影像；(B)藉由該系統，根據該細胞合成影像及一相關於細胞大小的篩選條件，從該細胞合成影像中的該等細胞中篩選出多個候選細胞，並獲得多筆分別相關於該等候選細胞的影像位置及大小的候選細胞資料；(C)藉由該系統，對於每一相關於該等細胞的細胞膜的細胞圖層影像，利用該等候選細胞資料對該細胞圖層影像進行特徵擷取而獲得多個分別相關於該等候選細胞的細胞膜的細胞膜特徵值；(D)藉由該系統，對於每一相關於該等細胞的細胞核的細胞圖層影像，利用該等候選細胞資料對該細胞圖層影像進行特徵擷取而獲得多個分別相關於該等候選細胞的細胞核的細胞核特徵值；及(E)藉由該系統，至少根據多個分別對應該等細胞圖層影像的上限值、該等細胞圖層影像的該等細胞膜特徵值，及該等細胞圖層影像的該等細胞核特徵值，決定出每一候選細胞中為目標細胞或是非目標細胞。
- 如請求項1所述的細胞分類方法，其中，在步驟(B)中，該篩選條件為：該等候選細胞的影像的像素數目大於一預設值。
- 如請求項1所述的細胞分類方法，其中，步驟(B)包含以下子步驟：(B-1)藉由該系統，根據該細胞合成影像的背景的多個像素二值化該細胞合成影像；及(B-2)藉由該系統，根據二值化的該細胞合成影像及一預設值獲得該等候選細胞與該等候選細胞資料，其中每一候選細胞的像素數目大於該預設值。
- 如請求項1所述的細胞分類方法，在步驟(B)及(C)之間還包含以下子步驟：(F)藉由該系統，根據該等候選細胞資料，擷取相關於該等細胞的細胞膜的細胞圖層影像中的候選細胞的細胞膜，並將該等候選細胞的細胞膜的影像合成為一候選細胞膜合成影像；(G)藉由該系統，對於該候選細胞膜合成影像中的每一候選細胞，判定是否能以距離轉換演算法分離出一候選叢細胞；及(H)藉由該系統，當判定出該候選細胞能以距離轉換演算法分離出該候選叢細胞時，根據該候選細胞膜合成影像獲得一筆相關於該候選叢細胞的影像位置及大小的候選叢細胞資料，並將該候選叢細胞資料作為該候選細胞資料。
- 如請求項4所述的細胞分類方法，其中，步驟(G)包含以下子步驟：(G-1)藉由該系統，對於該候選細胞膜合成影像中的每一候選細胞，根據該候選細胞膜合成影像，以適應性演算法計算出一相關於像素值的細胞膜臨界值；(G-2)藉由該系統，對於該候選細胞膜合成影像中的每一候選細胞，根據該細胞膜臨界值，二值化該候選細胞膜合成影像；(G-3)藉由該系統，對於該候選細胞膜合成影像中的每一候選細胞，根據二值化的該候選細胞膜合成影像及相關於該候選細胞的影像位置及大小的候選細胞資料，獲得一相關於該候選細胞的細胞膜的候選細胞膜影像輪廓；(G-4)藉由該系統，對於該候選細胞膜合成影像中的每一候選細胞，計算出一相關於該候選細胞膜影像輪廓的細胞膜輪廓平均長度；(G-5)藉由該系統，對於該候選細胞膜合成影像中的每一候選細胞，且對於該候選細胞膜影像輪廓內的每一像素，計算出一相關於該像素與該候選細胞膜影像輪廓之最短距離的細胞膜輪廓最短距離，以獲得一相關於該細胞膜輪廓最短距離與該細胞膜輪廓平均長度之比值的細胞膜輪廓比值；(G-6)藉由該系統，根據該等細胞膜輪廓比值，映射該候選細胞膜影像輪廓的每一像素值至像素的最大值；(G-7)藉由該系統，正規化映射後的該候選細胞膜影像輪廓，以獲得一細胞膜輪廓波峰數；及(G-8)藉由該系統，根據該細胞膜輪廓波峰數，判定能否分離出該候選叢細胞。
- 如請求項1所述的細胞分類方法，在步驟(B)及(C)之間還包含以下子步驟：(I)藉由該系統，根據該等候選細胞資料，擷取相關於該等細胞的細胞核的細胞圖層影像中的候選細胞的細胞核，並將該等候選細胞的細胞核的影像合成為一候選細胞核合成影像；(J)藉由該系統，對於該候選細胞核合成影像中的每一候選細胞，判定是否能以距離轉換演算法分離出一候選叢細胞；及(K)藉由該系統，當判定出該候選細胞能以距離轉換演算法分離出該候選叢細胞時，根據該候選細胞核合成影像獲得一筆相關於該候選叢細胞的影像位置及大小的候選叢細胞資料，並將該候選叢細胞資料作為該候選細胞資料。
- 如請求項6所述的細胞分類方法，其中，步驟(J)包含以下子步驟：(J-1)藉由該系統，對於該候選細胞核合成影像中的每一候選細胞，根據該候選細胞核合成影像，以適應性演算法計算出一相關於像素值的細胞核臨界值；(J-2)藉由該系統，對於該候選細胞核合成影像中的每一候選細胞，根據該細胞核臨界值，二值化該候選細胞核合成影像；(J-3)藉由該系統，對於該候選細胞核合成影像中的每一候選細胞，根據二值化的該候選細胞核合成影像及相關於該候選細胞的影像位置及大小的候選細胞資料，獲得一相關於該候選細胞的細胞核的候選細胞核影像輪廓；(J-4)藉由該系統，對於該候選細胞核合成影像中的每一候選細胞，計算出一相關於該候選細胞核影像輪廓的細胞核輪廓平均長度；(J-5)藉由該系統，對於該候選細胞核合成影像中的每一候選細胞，且對於該候選細胞核影像輪廓內的每一像素，計算出一相關於該像素與該候選細胞核影像輪廓之最短距離的細胞核輪廓最短距離，以獲得一相關於該細胞核輪廓最短距離與該細胞核輪廓平均長度之比值的細胞核輪廓比值；(J-6)藉由該系統，根據該等細胞核輪廓比值，映射該候選細胞核影像輪廓的每一像素值至像素的最大值；(J-7)藉由該系統，正規化映射後的該候選細胞核影像輪廓，以獲得一細胞核輪廓波峰數；及(J-8)藉由該系統，根據該細胞核輪廓波峰數，判定能否分離出該候選叢細胞。
- 如請求項1所述的細胞分類方法，其中，在步驟(C)中，每一細胞膜特徵值為相關於該細胞圖層影像的候選細胞的細胞膜的一像素平均值、一像素最高值、一像素最低值、一像素中間值、一最大寬度，及一最小寬度之其中一者。
- 如請求項1所述的細胞分類方法，其中，在步驟(D)中，每一細胞核特徵值為相關於該細胞圖層影像的候選細胞的細胞核的一圓形度、一縱橫比、一不對稱率、一橢圓圓度、一飽和度、一分散度、一偏心度，及一不變矩之其中一者。
- 如請求項1所述的細胞分類方法，其中，在步驟(E)中，對於每一細胞圖層影像，每一目標細胞的細胞膜特徵值及細胞核特徵值之其中一者小於該細胞圖層影像所對應的該上限值。
- 請求項1所述的細胞分類方法，其中，在步驟(E)中，根據該等上限值、該等細胞膜特徵值與該等細胞核特徵值，並根據所擷取的候選細胞的細胞膜的影像、所擷取的候選細胞的細胞核的影像與一用於對該等影像進行分類的分類器，決定出每一候選細胞為目標細胞或是非目標細胞。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106136046A TWI637146B (zh) | 2017-10-20 | 2017-10-20 | Cell classification method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106136046A TWI637146B (zh) | 2017-10-20 | 2017-10-20 | Cell classification method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI637146B true TWI637146B (zh) | 2018-10-01 |
| TW201917350A TW201917350A (zh) | 2019-05-01 |
Family
ID=64802740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW106136046A TWI637146B (zh) | 2017-10-20 | 2017-10-20 | Cell classification method |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI637146B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722718A (zh) * | 2012-05-22 | 2012-10-10 | 天津大学 | 一种细胞分类方法 |
| TW201329433A (zh) * | 2012-01-12 | 2013-07-16 | Nat Univ Chung Cheng | 應用於癌細胞檢測的影像分析系統及方法 |
| US20130225435A1 (en) * | 2010-07-19 | 2013-08-29 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and systems for analysis of single cells |
| CN203894760U (zh) * | 2014-02-19 | 2014-10-22 | 南京大学医学院附属鼓楼医院 | 一种肿瘤细胞自动识别与分类系统 |
| US20150242676A1 (en) * | 2012-01-12 | 2015-08-27 | Universite De Nice - Sophia Antipolis | Method for the Supervised Classification of Cells Included in Microscopy Images |
| US20170261930A1 (en) * | 2011-07-19 | 2017-09-14 | Ovizio Imaging Systems NV/SA | Method and system for detecting and/or classifying cancerous cells in a cell sample |
-
2017
- 2017-10-20 TW TW106136046A patent/TWI637146B/zh active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130225435A1 (en) * | 2010-07-19 | 2013-08-29 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and systems for analysis of single cells |
| US20170261930A1 (en) * | 2011-07-19 | 2017-09-14 | Ovizio Imaging Systems NV/SA | Method and system for detecting and/or classifying cancerous cells in a cell sample |
| TW201329433A (zh) * | 2012-01-12 | 2013-07-16 | Nat Univ Chung Cheng | 應用於癌細胞檢測的影像分析系統及方法 |
| US20150242676A1 (en) * | 2012-01-12 | 2015-08-27 | Universite De Nice - Sophia Antipolis | Method for the Supervised Classification of Cells Included in Microscopy Images |
| CN102722718A (zh) * | 2012-05-22 | 2012-10-10 | 天津大学 | 一种细胞分类方法 |
| CN203894760U (zh) * | 2014-02-19 | 2014-10-22 | 南京大学医学院附属鼓楼医院 | 一种肿瘤细胞自动识别与分类系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201917350A (zh) | 2019-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | DeepMitosis: Mitosis detection via deep detection, verification and segmentation networks | |
| US11282185B2 (en) | Information processing device, information processing method, and storage medium | |
| CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
| CN106228545B (zh) | 一种佛像类唐卡一致性破损区域的自动分割方法 | |
| US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
| JP5315411B2 (ja) | 有糸分裂像検出装置および計数システム、および有糸分裂像を検出して計数する方法 | |
| WO2016017533A1 (ja) | 識別装置および識別方法 | |
| CN111275727B (zh) | 细胞分割方法、装置及计算机可读存储介质 | |
| JP6197659B2 (ja) | 検出制御装置、プログラム及び検出システム | |
| Hati et al. | Plant recognition from leaf image through artificial neural network | |
| WO2019206968A1 (en) | Systems and methods for segmentation and analysis of 3d images | |
| CN110309781A (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
| US20130163844A1 (en) | Image processing apparatus, image processing method, non-transitory computer-readable medium, and image processing system | |
| WO2005076197A2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
| Patil et al. | Enhanced radial basis function neural network for tomato plant disease leaf image segmentation | |
| CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
| Wu et al. | Automatic kernel counting on maize ear using RGB images | |
| JP6070420B2 (ja) | 画像処理装置及びプログラム | |
| Quispe et al. | Automatic building change detection on aerial images using convolutional neural networks and handcrafted features | |
| CN109697450B (zh) | 细胞分类方法 | |
| KR101622748B1 (ko) | 입력 이미지로부터 객체를 검출하기 위한 방법, 장치 및 컴퓨터 판독가능 기록매체 | |
| CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
| WO2023104130A1 (zh) | 柚木林识别方法、系统及终端 |