TWI652627B

TWI652627B - 大尺度細胞影像分析方法及其系統

Info

Publication number: TWI652627B
Application number: TW106139770A
Authority: TW
Inventors: 張家泓; 陳彥君; 郭聿芬
Original assignee: 財團法人金屬工業研究發展中心
Priority date: 2017-11-16
Filing date: 2017-11-16
Publication date: 2019-03-01
Also published as: TW201923656A

Abstract

提供一種大尺度細胞影像分析方法及其系統。此方法包含：取得細胞影像；執行區塊分割步驟；以及執行特徵計算步驟。區塊分割步驟包含：對細胞影像進行亮度統計演算法以計算出第一閥值與第二閥值；利用第一閥值將細胞影像區分為背景區域與細胞區域；對細胞區域進行亮度平均以計算出第三閥值與第四閥值；以及利用第三閥值與第四閥值將細胞區域區分為細胞質區域與細胞核區域。特徵計算步驟係至少依據細胞區域、細胞核區域與細胞質區域來計算至少一特徵，其中至少一特徵包含細胞核面積與細胞面積的比值。

Description

大尺度細胞影像分析方法及其系統

本揭露實施例是有關於一種大尺度細胞影像分析方法，且特別是有關於一種大尺度細胞影像分析方法及其系統。

子宮頸癌是對婦女具有嚴重威脅的惡性腫瘤疾病之一，目前，透過子宮頸液基薄層抹片(Liquid-based monolayer smear)篩檢這種簡單又便宜的篩檢方式，可以有效地檢驗出早期癌前病變，使得子宮頸癌的發生率與死亡率被有效地降低。然而，傳統之透過人工方式的閱片及判斷只能作主觀的定性分析，容易因人為因素而導致誤判，且人工篩閱的效率低亦不符合市場的需求。

隨著科技的發展，透過電腦輔助影像判斷來對子宮頸抹片(pap smear)進行客觀的定量分析已是目前醫學診斷的趨勢。然而，現有的電腦輔助醫學影像判斷需要透過醫事人員先對子宮頸抹片影像進行目視判讀，並圈選出有興趣的區域(Region of Interest，ROI)或具有潛在異常的區域，之後才透過電腦對該區域進行分析，存在著人為誤判或忽略的高風險。再者，子宮頸抹片常發生細胞相互疊合或過度密集的情形，可能會造成分析上的誤差，甚至會有無法分析的問題。

本揭露之目的在於提出一種大尺度細胞影像分析方法及其系統，可直接針對大尺度細胞影像進行分析，而非傳統是針對挑選出來的部分區域或甚至單一細胞進行分析，可有效改善因人為因素而影響到篩檢結果之準確率的問題。

根據本揭露之上述目的，提出一種大尺度細胞影像分析方法，包含：取得細胞影像；執行區塊分割步驟；以及執行特徵計算步驟。區塊分割步驟包含：對細胞影像進行亮度統計演算法以計算出第一閥值與第二閥值；利用第一閥值將細胞影像區分為背景區域與細胞區域；對細胞區域進行亮度平均以計算出第三閥值與第四閥值；以及利用第三閥值與第四閥值將細胞區域區分為細胞質區域與細胞核區域。特徵計算步驟係至少依據細胞區域、細胞核區域與細胞質區域來計算至少一特徵，其中至少一特徵包含細胞核面積與細胞面積的比值。

在一些實施例中，上述細胞影像為大尺度細胞影像，上述細胞影像之像素尺寸為1024*1024或2048*2048。

在一些實施例中，上述亮度統計演算法係大津 (Otsu)演算法，其中第一閥值與第二閥值用以將細胞影像區分為背景區域、細胞質部分與細胞核部分，其中細胞區域包含細胞質部分與細胞核部分。

在一些實施例中，透過穩健式暗區分割(Robust Low-Intensity Segmentation，RLIS)演算法利用第三閥值與第四閥值以從細胞區域中區分出細胞核區域，其中細胞區域的亮度平均值為第三閥值，其中細胞區域中的每一像素之周圍像素的亮度平均值為第四閥值。

在一些實施例中，上述大尺度細胞影像分析方法更包含：執行輪廓優化步驟，執行於特徵計算步驟之前。輪廓優化步驟係透過適應性非迭代主動輪廓(Adaptive Non-Iterative Active Contours，ANAC)或離散化主動輪廓(Active Contours with discretization，ACWD)。

在一些實施例中，上述大尺度細胞影像分析方法更包含：執行影像分類步驟，將至少一特徵送入模型以取得分類結果，其中模型為透過機器學習所產生。

在一些實施例中，上述至少一特徵更包含第一區域亮度平均差與第二區域亮度平均差，其中第一區域亮度平均差為計算細胞質區域內之每一像素的亮度與每一像素周圍之多個像素之平均亮度的差值的平方和，其中第二區域亮度平均差為計算細胞核區域內之每一像素的亮度與每一像素周圍之多個像素之平均亮度的差值的平方和。

根據本揭露之上述目的，提出一種大尺度細胞影像分析系統，包含：用以接收至少一細胞影像的接收單元、儲存至少一指令的儲存單元以及用以執行指令的至少一運算單元。運算單元用以執行以下步驟：執行區塊分割步驟以及執行特徵計算步驟。區塊分割步驟包含：對細胞影像進行亮度統計演算法以計算出第一閥值與第二閥值；利用第一閥值將細胞影像區分為背景區域與細胞區域；對細胞區域進行亮度平均以計算出第三閥值與第四閥值；以及利用第三閥值與第四閥值將細胞區域區分為細胞質區域與細胞核區域。特徵計算步驟係至少依據細胞區域、細胞核區域與細胞質區域來計算至少一特徵，其中至少一特徵包含細胞核面積與細胞面積的比值。

在一些實施例中，上述亮度統計演算法係大津演算法，其中第一閥值與第二閥值用以將細胞影像區分為背景區域、細胞質部分與細胞核部分，其中細胞區域包含細胞質部分與細胞核部分。

在一些實施例中，透過穩健式暗區分割演算法利用第三閥值與第四閥值以從細胞區域中區分出細胞核區域，其中細胞區域的亮度平均值為第三閥值，其中細胞區域中的每一像素之周圍像素的亮度平均值為第四閥值。

在一些實施例中，上述運算單元更執行以下步驟：執行輪廓優化步驟，執行於特徵計算步驟之前。輪廓優化步驟係透過適應性非迭代主動輪廓或離散化主動輪廓。

在一些實施例中，上述運算單元更執行以下步驟：執行影像分類步驟，將至少一特徵送入模型以取得分類結果，其中模型為透過機器學習所產生。

為讓本揭露的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

1000、2000‧‧‧方法

1100~1600、1210~1230‧‧‧步驟

從以下結合所附圖式所做的詳細描述，可對本揭露之態樣有更佳的了解。需注意的是，根據業界的標準實務，各特徵並未依比例繪示。事實上，為了使討論更為清楚，各特徵的尺寸都可任意地增加或減少。

[圖1]係繪示根據本揭露的實施例之大尺度細胞影像分析方法的流程圖。

[圖2]係繪示根據本揭露的實施例之影像前處理步驟的流程圖。

以下仔細討論本發明的實施例。然而，可以理解的是，實施例提供許多可應用的概念，其可實施於各式各樣的特定內容中。所討論、揭示之實施例僅供說明，並非用以限定本發明之範圍。關於本文中所使用之『第一』、『第二』、…等，並非特別指次序或順位的意思，其僅為了區別以相同技術用語描述的元件或操作。

圖1係繪示根據本揭露的實施例之大尺度細胞影像分析方法1000的流程圖。大尺度細胞影像分析方法1000可分為五個階段：步驟1100，取得細胞影像；步驟1200，影像前處理；步驟1300，區塊分割；步驟1400，輪廓優化；步驟1500，特徵計算；步驟1600，影像分類。

在本揭露的實施例中，於步驟1100取得的細胞影像為大尺度細胞影像，例如1024*1024或2048*2048像素大小的細胞影像。舉例來說，當本揭露之大尺度細胞影像分析方法1000應用於子宮頸癌的篩檢時，於步驟1100取得的細胞影像為由單一子宮頸採樣玻片之影像切分出來的其中一部分，或以高倍數顯微放大比例擷取單一子宮頸採樣玻片部分區域而得的可拼接影像。應注意的是，本揭露之大尺度細胞影像分析方法1000並不受限於應用於子宮頸癌的篩檢，也可以應用於其他細胞影像的分析。

值得一提的是，傳統的電腦輔助醫學影像判斷乃是針對影像當中被醫事人員所事先圈選出的有興趣的區域(Region of Interest，ROI)或具有潛在異常的區域來進行分析，因此需要先透過人工選區或調整參數，相較之下，本揭露之大尺度細胞影像分析方法1000乃是直接針對於步驟1100取得的大尺度的完整的細胞影像來進行分析(分析方式將於後續段落說明)，因此整個過程為全自動，且適合應用於透過拼接方式合成全景影像的分析。具體而言，本揭露之大尺度細胞影像分析方法1000乃是直接針對擷取到或是輸入的完整細胞影像進行分析，而非傳統之針對挑選出來的部分區域或甚至是單一細胞進行分析，因此可有效降低傳統上因為人為誤判或忽略所造成的高風險。

在本揭露的實施例中，於步驟1200中針對步驟1100所取得的細胞影像進行影像前處理。圖2係繪示根據本揭露的實施例之影像前處理步驟1200的流程圖。影像前處理步驟1200包含三個步驟：步驟1210，彩色轉灰階；步驟1220，影像強化；步驟1230，雜訊去除。

在本揭露的實施例中，於步驟1210中針對步驟1100所取得的細胞影像由彩色影像轉換為灰階影像，本揭露並不限定彩色影像轉換為灰階影像的方式，可以是一般常用或已知的彩色影像轉換為灰階影像的方式。

在本揭露的實施例中，於步驟1220進行影像強化，以強化細胞影像之對比。影像強化的方式可為直方圖等化(Histogram Equalization，HE)演算法、適應性直方圖等化(Adaptive Histogram Equalization，AHE)演算法或對比限制適應性直方圖等化(Contrast Limited Adaptive Histogram Equalization，CLAHE)演算法。值得一提的是，對比限制適應性直方圖等化(CLAHE)演算法保留了適應性直方圖等化(AHE)演算法的效果之外，更額外限制細微雜訊增強，使影像更為清晰，故使用對比限制適應性直方圖等化(CLAHE)演算法具有較佳的影像強化效果。

在本揭露的實施例中，於步驟1230進行雜訊去除，雜訊去除的方式係透過使用雙邊濾波器(Bilateral Filter)演算法，可保持影像中的邊緣清晰同時降低影像中的雜訊。值得一提的是，步驟1210、步驟1220與步驟1230乃是用以針對步驟1100所取得的細胞影像進行影像前處理，以使得後續的影像分析(分析方式將於後續段落說明)的效率或結果更佳，因此對本揭露而言，步驟1210、步驟1220或步驟1230實質上為非必要步驟，於現實應用時，使用者可依實際需求來決定是否進行步驟1210、步驟1220或步驟1230。

請回到圖1，在本揭露的實施例中，於步驟1300進行區塊分割步驟，區塊分割步驟可分為兩個階段：(a)對細胞影像進行亮度統計演算法以計算出第一閥值與第二閥值；利用第一閥值將細胞影像區分為背景區域與細胞區域；(b)對細胞區域進行亮度平均以計算出第三閥值與第四閥值；以及利用第三閥值與第四閥值將細胞區域區分為細胞質區域與細胞核區域。

一般而言，所謂的二值化是將影像進行區分，分成感興趣的部分(前景)，以及不感興趣的部分(背景)，通常以某個亮度當作分割的標準，這個亮度稱作閾值(threshold)，通常以亮度超過閾值的像素當作前景，反之則為背景。閥值的計算方式通常分為兩種：固定閥值與自適應閥值，而大津(Otsu)演算法是其中一種自適應閥值的計算方式。另一方面，細胞影像通常可分為三個部份：背景、細胞質與細胞核，因此通常會透過雙重閥值(double thresholding)的方式來對細胞影像進行區塊分割。

在本揭露的實施例中，於區塊分割步驟的第一階段(a)中的亮度統計演算法係以大津(Otsu)演算法為基礎，透過細胞影像的直方圖(Histogram)並設定雙閥值(double thresholding)，從而計算出第一閥值與第二閥值。第一閥值與第二閥值可用以將細胞影像區分為背景區域、細胞質部分與細胞核部分，其中細胞區域包含細胞質部分與細胞核部分。因此，可透過亮度較亮的第一閥值將細胞影像區分為背景區域與細胞區域。值得一提的是，為了增進計算速度，本揭露提出之亮度統計演算法係透過矩陣運算的方式，並以大津(Otsu)演算法為基礎，來計算出第一閥值與第二閥值。

以下說明區塊分割步驟的第一階段(a)的計算流程，根據灰階影像的強度m(從0至=255)來計算灰階影像的直方圖H，而期望強度直方圖H_E(m)可表示為H_E(m)=H(m)×m，則直方圖H與期望強度直方圖H_E(m)可分別經累計而成直方圖C_H與C_HE。第二閥值向量τ_T0與第一閥值向量τ_T1分別以式(1)與式(2)表示如下，

接著將直方圖分成三組，如式(3)所示，

其中μ_E0、μ_E1、μ_E2分別代表三組所期望的強度，J是由所期望的強度所組成的矩陣，其中，λ_τ代表τ_T0與 τ_T1的長度，其中ω₀、ω₁、ω₂為三組的權重，以式(4)表示，

接著計算三組的變異數v，以式(5)表示，

其中，為灰階影像中期望強度的平均，則第一閥值即為τ_T1(n')，第二閥值即為τ_T0(n')，其中n'為使得變異數v(n')最大的整數。

在本揭露的實施例中，於區塊分割步驟的第二階段(b)中所進行的亮度平均係透過穩健式暗區分割(Robust Low-Intensity Segmentation，RLIS)演算法配合第三閥值與第四閥值以從細胞區域中區分出細胞核區域。具體做法為，將於區塊分割步驟的第一階段(a)所區分出的細胞區域進行亮度平均(廣域亮度平均)，並以亮度平均值來作為第三閥值，另外，計算細胞區域中每個像素周圍亮度的平均(區域亮度平均)值來作為第四閥值。最後，於細胞區域中，亮度同時小於第三閥值與第四閥值者，即為細胞核區域，反之，則為細胞質區域。意即，利用第三閥值與第四閥值將細胞區域區分為細胞質區域與細胞核區域。

以下說明區塊分割步驟的第二階段(b)的計算流程，以式(6)至式(9)表示，S={(x,y)：I_gray(x,y)<τ} (6)

I_dark(S')=0 (9)

其中，S為I_gray的座標組，且I_gray的強度低於第三閥值τ，I_μ為在座標組S上經過k×k均值濾波器所模糊的影像。若是座標組S的強度值不大於I_μ(S,k)與第四閥值τ'，則I_dark設定為1，反之I_dark設定為0。依此方式可得出二值化影像I_dark，其中I_dark的輪廓即為細胞核區域的輪廓。

請回到圖1，在本揭露的實施例中，於步驟1400進行輪廓優化步驟，輪廓優化步驟係透過適應性非迭代主動輪廓(Adaptive Non-Iterative Active Contours，ANAC)或離散化主動輪廓(Active Contours with discretization，ACWD)。其中，適應性非迭代主動輪廓(ANAC)係依據比較各像素亮度與細胞區域或細胞核區域之輪廓內部平均亮度的差異，以及各像素亮度與細胞區域或細胞核區域之輪廓外部平均亮度的差異進行輪廓調整。其中，離散化主動輪廓(ACWD)係透過將輪廓像素之法向量上的亮度離散化計算，進行輪廓調整。值得一提的是，步驟 1400乃是用以優化細胞區域或細胞核區域的輪廓，以使得後續的特徵計算(計算方式將於後續段落說明)的結果更為準確，因此對本揭露而言，步驟1400實質上為非必要步驟，於現實應用時，使用者可依實際需求來決定是否進行步驟1400。

以下說明適應性非迭代主動輪廓(ANAC)的計算流程，以式(10)至式(13)表示，

其中，S_i為未優化前的細胞區域或細胞核區域的輪廓的座標組，M_μ(x,y,k)為未優化前的輪廓內的像素M(x,y)經過k×k均值濾波器所模糊的像素，σ_i為未優化前的輪廓內的標準差，μ_i為未優化前的輪廓內的平均亮度，σ₀為未優化前的輪廓外的標準差，μ₀為未優化前的輪廓外的平均亮度。首先設定像素M(x,y)為1且計算介於M(x,y)與M_μ(x,y,k)之間的差值γ(x,y)。ε代表評估函數(evaluation function)，且若像素未位於邊緣上則會等於0。評估函數從像素強度值與平均來測出差值的平方。對標準差執行正規化來達成自動加權(automatic weighting)。當ε小於0，則M'(x,y)等於1。則M'(x,y)的輪廓即為優化後的輪廓。

以下說明離散化主動輪廓(ACWD)的計算流程，首先計算外向單位單位法向量(outward unit normal vecter)，如式(14)所示，

其中為未優化前的輪廓的座標C_t(i)的切線，以式(15)表示，且k_s控制平滑度(smoothness)。定義d=d_i+d_o，其中d_i為內向距離(inward distance)，d_o為外向距離(outward distance)。根據C_t(i)，計算出在上的像素R(i,j)與其強度，如式(16)與式(17)所示，

為了避免離散點(outlier)的影響，將調整為，算式如式(18)至式(20)所示，

其中為的總和。若是大於0，表示輪廓內的強度高於輪廓外的強度。在算出之後，透過類似於大津演算法的離散方式來計算最佳輪廓的座標，算式如式(21)至式(24)所示，

其中為的平均，在其他的二值化影像中將內的像素標記為1，且透過數學形態學(Mathematical morphology)來調整這些像素，則在二值化影像中為1的輪廓即為優化後的輪廓。

請回到圖1，在本揭露的實施例中，於步驟1500進行特徵計算步驟，此處的特徵可能不只一種，舉例來說，其中一種特徵可為：細胞核面積與細胞面積的比值，其計算方式是依據細胞區域輪廓取得在大尺度細胞影像中細胞總面積大小，以及依據細胞核區域輪廓取得在大尺度細胞影像中細胞核總面積大小，並將後者除以前者。值得一提的是，在本揭露的實施例中，是直接計算大尺度影像中的細胞核面積與細胞面積的比值，相較之下，傳統的作法是針對單一細胞或部分區域細胞核面積與細胞面積的比值，因此本揭露的方式可有效降低傳統上因為細胞疊合或過度密集所產生的判斷誤差。

舉例來說，於步驟1500的其中另二種特徵可為：第一區域亮度平均差與第二區域亮度平均差，其中第一區域亮度平均差為計算細胞質區域內每一像素的亮度與每一像素周圍的像素之平均亮度的差值的平方和；其中第二區域亮度平均差為計算細胞核區域內每一像素的亮度與每一像素周圍的像素之平均亮度的差值的平方和。第一區域亮度平均差與第二區域亮度平均差可分別表現出細胞質與細胞核的紋理特徵。

請回到圖1，在本揭露的實施例中，於步驟1600進行影像分類步驟，將從步驟1500所計算出的特徵送入透過機器學習所產生的模型，以取得分類結果。舉例來說，將從步驟1500所計算出的細胞核面積與細胞面積的比值送入透過機器學習所產生的模型，以取得分類結果。其中，分類結果為一種預測，用以預測於步驟1100所取得的細胞影像所對應的是正常細胞或癌化細胞，醫事人員可透過分類結果進行初步判斷。具體而言，本揭露的之大尺度細胞影像分析方法1000可用以輔助醫事人員進行初篩。。舉例來說，若是僅以細胞核面積與細胞面積的比值跟第一預設值進行比較來判斷正常細胞或癌化細胞可能不夠精準，因此可再搭配其他判斷條件，在本揭露的另一實施例中，將從步驟1500所計算出的第一區域亮度平均差、第二區域亮度平均差以及細胞核面積與細胞面積的比值送入透過機器學習所產生的模型，以取得分類結果，分類結果用以預設於步驟1100所取得的細胞影像所對應的是正常細胞或癌化細胞。

值得一提的是，於步驟1100所取得的細胞影像可為已知的正常細胞影像或異常的癌化細胞影像，藉由輸入多張正常細胞影像與多張異常的癌化細胞影像，便可透過模型訓練的方式來修正於步驟1600中的模型，從而進一步提高於步驟1600中的模型的可靠度。

本揭露另提出一種大尺度細胞影像分析系統，包含：用以接收至少一細胞影像的接收單元、儲存至少一指令的儲存單元以及用以執行指令的至少一運算單元。運算單元用以基於接收單元所接收到的細胞影像來執行指令，所述指令包含步驟1200至步驟1600。具體而言，大尺度細胞影像分析系統乃是應用大尺度細胞影像分析方法1000所建置而成的系統，因此關於運算單元所執行的步驟及過程不再贅述。值得一提的是，大尺度細胞影像分析系統是以電腦程式語言Python實踐，採用單執行緒搭配3.4千兆赫(GHz)時脈的中央處理單元(Central Processing Unit，CPU)，可在小於1秒內的時間完成對一張2048*2048像素大小的細胞影像的分類結果。

以上概述了數個實施例的特徵，因此熟習此技藝者可以更了解本揭露的態樣。熟習此技藝者應了解到，其可輕易地把本揭露當作基礎來設計或修改其他的製程與結構，藉此實現和在此所介紹的這些實施例相同的目標及/或達到相同的優點。熟習此技藝者也應可明白，這些等效的建構並未脫離本揭露的精神與範圍，並且他們可以在不脫離本揭露精神與範圍的前提下做各種的改變、替換與變動。

Claims

一種大尺度細胞影像分析方法，包含：取得一細胞影像；執行一區塊分割步驟，包含：對該細胞影像進行一亮度統計演算法，以計算出一第一閥值與一第二閥值；利用該第一閥值將該細胞影像區分為一背景區域與一細胞區域；對該細胞區域進行亮度平均以計算出一第三閥值與一第四閥值；以及利用該第三閥值與該第四閥值將該細胞區域區分為一細胞質區域與一細胞核區域；以及執行一特徵計算步驟，至少依據該細胞區域、該細胞核區域與該細胞質區域來計算至少一特徵，其中該至少一特徵包含一細胞核面積與細胞面積的比值。
如申請專利範圍第1項所述之大尺度細胞影像分析方法，其中該細胞影像為大尺度細胞影像，其中該細胞影像之像素尺寸為1024*1024或2048*2048。
如申請專利範圍第1項所述之大尺度細胞影像分析方法，其中該亮度統計演算法係大津(Otsu)演算法，其中該第一閥值與該第二閥值用以將該細胞影像區分為該背景區域、一細胞質部分與一細胞核部分，其中該細胞區域包含該細胞質部分與該細胞核部分。
如申請專利範圍第1項所述之大尺度細胞影像分析方法，其中透過穩健式暗區分割(Robust Low-Intensity Segmentation，RLIS)演算法利用該第三閥值與該第四閥值以從該細胞區域中區分出該細胞核區域，其中該細胞區域的亮度平均值為該第三閥值，其中該細胞區域中的每一像素之周圍像素的亮度平均值為該第四閥值。
如申請專利範圍第1項所述之大尺度細胞影像分析方法，更包含：執行一輪廓優化步驟，執行於該特徵計算步驟之前，該輪廓優化步驟係透過適應性非迭代主動輪廓(Adaptive Non-Iterative Active Contours，ANAC)或離散化主動輪廓(Active Contours with discretization，ACWD)。
如申請專利範圍第1項所述之大尺度細胞影像分析方法，更包含：執行一影像分類步驟，將該至少一特徵送入一模型以取得分類結果，其中該模型為透過機器學習所產生。
如申請專利範圍第1項所述之大尺度細胞影像分析方法，其中該至少一特徵更包含一第一區域亮度平均差與一第二區域亮度平均差，其中該第一區域亮度平均差為計算該細胞質區域內之每一像素的亮度與該每一像素周圍之複數個像素之平均亮度的差值的平方和，其中該第二區域亮度平均差為計算該細胞核區域內之每一像素的亮度與該每一像素周圍之複數個像素之平均亮度的差值的平方和。
一種大尺度細胞影像分析系統，包含：一接收單元，用以接收至少一細胞影像；一儲存單元，儲存至少一指令；以及至少一運算單元，用以執行該指令，以執行以下步驟：執行一區塊分割步驟，包含：對該細胞影像進行一亮度統計演算法以計算出一第一閥值與一第二閥值；利用該第一閥值將該細胞影像區分為一背景區域與一細胞區域；對該細胞區域進行亮度平均以計算出一第三閥值與一第四閥值；以及利用該第三閥值與該第四閥值將該細胞區域區分為一細胞質區域與一細胞核區域；以及執行一特徵計算步驟，至少依據該細胞區域、該細胞核區域與該細胞質區域來計算一特徵，其中該特徵包含一細胞核面積與細胞面積的比值。
如申請專利範圍第8項所述之大尺度細胞影像分析系統，其中該細胞影像為大尺度細胞影像，其中該細胞影像之像素尺寸為1024*1024或2048*2048。
如申請專利範圍第8項所述之大尺度細胞影像分析系統，其中該亮度統計演算法係大津(Otsu)演算法，其中該第一閥值與該第二閥值用以將該細胞影像區分為該背景區域、一細胞質部分與一細胞核部分，其中該細胞區域包含該細胞質部分與該細胞核部分。
如申請專利範圍第8項所述之大尺度細胞影像分析系統，其中透過穩健式暗區分割(Robust Low-Intensity Segmentation，RLIS)演算法利用該第三閥值與該第四閥值以從該細胞區域中區分出該細胞核區域，其中該細胞區域的亮度平均值為該第三閥值，其中該細胞區域中的每一像素之周圍像素的亮度平均值為該第四閥值。
如申請專利範圍第8項所述之大尺度細胞影像分析系統，其中該運算單元更執行以下步驟：執行一輪廓優化步驟，執行於該特徵計算步驟之前，該輪廓優化步驟係透過適應性非迭代主動輪廓(Adaptive Non-Iterative Active Contours，ANAC)或離散化主動輪廓(Active Contours with discretization，ACWD)。
如申請專利範圍第8項所述之大尺度細胞影像分析系統，其中該運算單元更執行以下步驟：執行一影像分類步驟，將該至少一特徵送入一模型以取得分類結果，其中該模型為透過機器學習所產生。
如申請專利範圍第8項所述之大尺度細胞影像分析系統，其中該至少一特徵更包含一第一區域亮度平均差與一第二區域亮度平均差，其中該第一區域亮度平均差為計算該細胞質區域內之每一像素的亮度與該每一像素周圍之複數個像素之平均亮度的差值的平方和，其中該第二區域亮度平均差為計算該細胞核區域內之每一像素的亮度與該每一像素周圍之複數個像素之平均亮度的差值的平方和。