TWI711008B - 一種基於飽和度聚類的骨髓白血球細胞定位方法 - Google Patents
一種基於飽和度聚類的骨髓白血球細胞定位方法 Download PDFInfo
- Publication number
- TWI711008B TWI711008B TW108117724A TW108117724A TWI711008B TW I711008 B TWI711008 B TW I711008B TW 108117724 A TW108117724 A TW 108117724A TW 108117724 A TW108117724 A TW 108117724A TW I711008 B TWI711008 B TW I711008B
- Authority
- TW
- Taiwan
- Prior art keywords
- white blood
- blood cells
- bone marrow
- algorithm
- saturation
- Prior art date
Links
- 210000000265 leukocyte Anatomy 0.000 title claims abstract description 69
- 210000001185 bone marrow Anatomy 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 210000003743 erythrocyte Anatomy 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000009499 grossing Methods 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 230000021164 cell adhesion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 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
Images
Classifications
-
- 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
- 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
- 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
本發明提供了一種基於飽和度聚類的骨髓白血球細胞定位方法,首先對骨髓白血球細胞圖片進行預處理,去除一部分噪點同時平滑圖片;運用K均值演算法對骨髓白血球細胞圖片的飽和度通道聚類,根據決策樹演算法選擇出白血球細胞所在的類別;然後通過形態學處理演算法去除白血球細胞的二值圖片的無關區域,同時填充白血球細胞的點洞;最終對白血球細胞定位。本發明演算法簡單、有效。對比現有基於閾值演算法,本演算法適應範圍更廣,同時結合決策樹演算法,使得最終效果更加準確。
Description
本發明屬於醫學影像處理領域,尤其涉及一種基於飽和度聚類的骨髓白血球細胞定位方法。
骨髓中的白血球細胞種類多樣,經染色後不同種類白血球細胞的顏色差異也較大。相對於外周血,骨髓中的白血球細胞密度更大,部分患者的血液抹片出現細胞黏連現象。因此骨髓白血球細胞的定位一直都是一個富有挑戰性的課題。近年來,專家以及廣大技術人員提出了許多有效的解決方案。但是大多數方案只能解決特定的問題,沒有提出一個普遍的方案能適用於多數場景。
目前骨髓白血球細胞的定位主要是基於閾值演算法,將白血球細胞從背景和紅血球細胞中分離出來。例如Wu等人的文章“A novel color image segmentation method and its application to white blood cell image analysis”(Signal Processing,2006 8th International Conference)運用Ostu閾值演算法分割定位白血球細胞;Ko等人的文章“Automatic white blood cell segmentation using stepwise merging rules and gradient vector flow snake”(Micron,2011,42(7):695-705)首先運用閾值演算法大致估計細胞的位置,然後利用均值漂移做進一步優化。同時也有學者提出了其他有效方案,例如Dorini L B等人的文章“White blood cell segmentation using morphological operators and scale-space analysis”(Computer Graphics and Image Processing,2007:294-304.)應用形態學處理的方法分割定位白血球細胞;此外還有像聚類的方法。但是這些方法均具有一定
侷限性,例如閾值演算法中的Ostu閾值演算法,其中一個假設就是背景和前景的區域面積大致相同,實際骨髓數位圖片中白血球細胞比例可能很大,或者沒有白血球細胞,而且白血球細胞的顏色分佈在一個很大區間,甚至和染色較深的紅血球細胞有重疊。因此,雖然閾值可以適用於大多數數位圖片,但是一些特殊情況下該方案不能很好的定位白血球細胞。當白血球細胞的顏色分佈比較分散時,聚類演算法也出現同樣問題。
本發明的目的在於提供一種基於飽和度聚類的骨髓白血球細胞定位方法,通過該方法提供一種白血球細胞定位演算法,針對骨髓中的白血球細胞密度更大,部分患者的血液抹片出現細胞黏連現象的問題,能夠更加精確的選擇出白血球細胞的區域。
本發明是這樣實現的,一種基於飽和度聚類的骨髓白血球細胞定位方法,包括如下步驟:(1)對骨髓白血球細胞圖片進行中值濾波去除部分噪點;(2)對骨髓白血球細胞圖片進行顏色變換,將圖片從RGB(紅綠藍)通道轉換到HSV(顏色,飽和度,亮度)通道;(3)對S(飽和度)通道應用K均值演算法,將其分為3個部分,選擇第一部分P1或者第一二部分P1+P2得到白血球細胞的區域,下面是選擇的步驟;(4)計算步驟(3)中第一二部分H通道的平均值(H1,H2),根據步驟(3)中第一二部分的均值點(S1,S2),計算步驟(3)中第一二部分區域的面積比值(ratio);(5)統計多張圖片中白血球細胞所在的部分,記錄在P1或者P2部分時H1-H2,S1-S2和ratio的值;(6)根據步驟(5)中的記錄結果,應用決策樹演算法,找出規律制定選擇的條件;
(7)對步驟(6)的結果進行形態學處理去除無關區域,同時填充點洞;(8)對步驟(7)中分離的白血球細胞進行定位。
作為優選,所述步驟(3)中對S(飽和度)通道應用K均值演算法,將其分為3個部分,其中第一部分P1為可能為白血球細胞區域,第二部分P2可能為紅血球細胞區域或者既有紅血球細胞也有白血球細胞,第三部分P3一般是背景區域,因此只需要選擇P1或者(P1+P2)部分就可以得到白血球細胞的區域。
進一步地,所述步驟(4)中,計算步驟(3)中第一二部分H通道的平均值(H1,H2),根據步驟(3)中第一二部分的均值點(S1,S2),計算步驟(3)中第一二部分區域的面積比值(ratio),下面給出H1和H2的計算公式:H1=Σ(P1.*H)/Σ(P1)
H2=Σ(P2.*H)/Σ(P2)
其中P1是二值圖,屬於第一部分的像素值為1,其它為0。Σ(P1)為P1像素值的和,P1.*H表示相同位置像素相乘的結果;P2是二值圖,屬於第一部分的像素值為1,其它為0。Σ(P2)為P2像素值的和,P2.*H表示相同位置像素相乘的結果。
進一步地,所述步驟(6)中,根據步驟(5)中的記錄結果,應用決策樹演算法,找出規律制定選擇的條件,其中決策樹演算法的損失函數加上葉子節點個數,用於剪枝防止過擬合。
進一步地,所述步驟(7)中,對步驟(6)的結果運用形態學處理去除無關區域,填充白血球細胞區域的點洞,具體過程如下:首先,選擇合適的結構元b對步驟(6)中得到的二值圖做腐蝕操作,去除無關區域;然後再做膨脹操作;f=fΘb
f=f⊕b
其中f為步驟(6)中得到的二值圖,⊕是膨脹操作,Θ是腐蝕操作;
最後通過形態學重構填充f中的點洞。
g=f
相比於現有技術的缺點和不足,本發明具有以下有益效果:
1、本發明演算法簡單、有效、適用範圍廣。對比現有基於閾值的演算法,本發明演算法有更強的自我調整性。
2、針對不同種類白血球細胞顏色分佈範圍廣的問題,以及因染色導致紅血球細胞顏色較深的情況。採用本發明專利的K均值演算法和決策樹演算法結合,能夠更加精確的選擇出白血球細胞的區域。
圖1是骨髓白血球細胞圖片。
圖2是經中值濾波的骨髓白血球細胞圖片。
圖3是對S通道應用K均值演算法得到的三部分結果圖。
圖4是應用決策樹演算法選擇後的結果圖。
圖5是去除無關區域並填充點洞的結果圖。
圖6是分離後的白血球細胞定位結果圖。
為了使本發明的目的、技術方案及優點更加清楚明白,以下結合附圖及實施例,對本發明進行進一步詳細說明。應當理解,此處所描述的具體實施例僅用以解釋本發明,並不用於限定本發明。
一種基於飽和度聚類的骨髓白血球細胞定位方法,包括如下步驟:
(1)對圖1的骨髓白血球細胞圖片進行中值濾波,結果如圖2所示:其中濾波模板大小為(5*5)。
其中RGB值的範圍為[0,1];
(3)對S(飽和度)通道應用K均值演算法,將其分為3個部分:如圖3所示,其中第一部分(P1)為可能為白血球細胞區域,第二部分(P2)可能為紅血球細胞區域或者既有紅血球細胞也有白血球細胞,第三部分(P3)一般是背景區域。因此我們只需要選擇P1或者(P1+P2)部分就可以得到白血球細胞的區域,下面是選擇的步驟;
(4)計算步驟(3)中第一二部分H通道的平均值(H1,H2),根據步驟(3)中第一二部分的均值點(S1,S2),計算步驟(3)中第一二部分區域的面積比值(ratio),下面給出H1和H2的計算公式:H1=Σ(P1.*H)/Σ(P1)
H2=Σ(P2.*H)/Σ(P2)
其中P1是二值圖,屬於第一部分的像素值為1,其它為0。Σ(P1)為P1像素值的和,P1.*H表示相同位置像素相乘的結果;P2是二值圖,屬於第一部分的像素值為1,其它為0。Σ(P2)為P2像素值的和,P2.*H表示相同位置像素相乘的結果;
(5)統計多張圖片中白血球細胞所在的部分,記錄在P1或者P2部分時H1-H2,S1-S2和ratio的值;我們在實施過程中一共統計230張圖片,其中120張圖片中的白血球細胞在第一部分(P1),110張圖片中的白血球細胞在第一二部分(P1+P2),同時我們還收集了部分無白血球細胞的圖片;
(6)根據步驟(5)中的記錄結果,應用決策樹演算法,找出規律制定選擇的條件,其中決策樹演算法的損失函數加上葉子節點個數,用於剪枝防止過擬合,選擇後結果如圖4所示;
(7)對步驟(6)的結果運用形態學處理去除無關區域,填充白血球細胞區域的點洞,結果如圖5所示。具體過程如下:首先,選擇合適的結構元b對步驟(6)中得到的二值圖做腐蝕操作,去除無關區域,然後再做膨脹操作。
f=fΘb
f=f⊕b
其中f為步驟(6)中得到的二值圖,⊕是膨脹操作,Θ是腐蝕操作。
最後通過形態學重構填充f中的點洞。
g=f
(8)對步驟(6)中分離的白血球細胞進行定位,結果如圖6所示。
上述基於飽和度聚類的骨髓白血球細胞定位方法具有的優點為:演算法簡單、有效、適用範圍廣;對比現有基於閾值的演算法,本發明演算法有更強的自我調整性。其次應用將K均值演算法和決策樹演算法結合,能夠更加精確的選擇出白血球細胞的區域。
以上所述僅為本發明的較佳實施例而已,並不用以限制本發明,凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等,均應包含在本發明的保護範圍之內。
Claims (3)
- 一種基於飽和度聚類的骨髓白血球細胞定位方法,其特徵在於,包括如下步驟:(1)對骨髓白血球細胞圖片進行中值濾波去除部分噪點;(2)對骨髓白血球細胞圖片進行顏色變換,將圖片從RGB(紅綠藍)通道轉換到HSV(顏色,飽和度,亮度)通道;(3)對S(飽和度)通道應用K均值演算法,將其分為3個部分,選擇第一部分P1或者第一二部分P1+P2得到白血球細胞的區域,下面是選擇的步驟;(4)計算步驟(3)中第一二部分H通道的平均值(H1,H2),根據步驟(3)中第一二部分的均值點(S1,S2),計算步驟(3)中第一二部分區域的面積比值(ratio),下面給出H1和H2的計算公式:H1=Σ(P1.*H)/Σ(P1) H2=Σ(P2.*H)/Σ(P2)其中P1是二值圖,屬於第一部分的像素值為1,其它為0;Σ(p1)為P1像素值的和,P1.*H表示相同位置像素相乘的結果;P2是二值圖,屬於第一部分的像素值為1,其它為0;Σ(p2)為P2像素值的和,P2.*H表示相同位置像素相乘的結果;(5)統計多張圖片中白血球細胞所在的部分,記錄在P1或者P2部分時H1-H2,S1-S2和ratio的值;(6)根據步驟(5)中的記錄結果,應用決策樹演算法,找出規律制定選擇的條件;(7)對步驟(6)的結果進行形態學處理去除無關區域,同時填充點洞,具體過程如下:首先,選擇合適的結構元b對步驟(6)中得到的二值圖做腐蝕操作,去除無關區域,然後再做膨脹操作, f=fΘb f=f⊕b其中f為步驟(6)中得到的二值圖,⊕是膨脹操作,Θ是腐蝕操作;最後通過形態學重構填充f中的點洞;g=f
- 如請求項1所述之基於飽和度聚類的骨髓白血球細胞定位方法,其特徵在於,所述步驟(3)中對S(飽和度)通道應用K均值演算法,將其分為3個部分,其中第一部分P1為可能為白血球細胞區域,第二部分P2可能為紅血球細胞區域或者既有紅血球細胞也有白血球細胞,第三部分P3一般是背景區域,因此只需要選擇P1或者(P1+P2)部分就可以得到白血球細胞的區域。
- 如請求項1所述之基於飽和度聚類的骨髓白血球細胞定位方法,其特徵在於,所述步驟(6)中,根據步驟(5)中的記錄結果,應用決策樹演算法,找出規律制定選擇的條件,其中決策樹演算法的損失函數加上葉子節點個數,用於剪枝防止過擬合。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
CN201810495118.4 | 2018-05-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202004663A TW202004663A (zh) | 2020-01-16 |
TWI711008B true TWI711008B (zh) | 2020-11-21 |
Family
ID=64091391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108117724A TWI711008B (zh) | 2018-05-22 | 2019-05-22 | 一種基於飽和度聚類的骨髓白血球細胞定位方法 |
Country Status (10)
Country | Link |
---|---|
US (1) | US11403481B2 (zh) |
EP (1) | EP3798972A4 (zh) |
JP (1) | JP6994275B2 (zh) |
KR (1) | KR20200135839A (zh) |
CN (1) | CN108805865B (zh) |
AU (1) | AU2019273339B2 (zh) |
IL (1) | IL277040A (zh) |
RU (1) | RU2755553C1 (zh) |
TW (1) | TWI711008B (zh) |
WO (1) | WO2019223706A1 (zh) |
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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080212868A1 (en) * | 2005-06-15 | 2008-09-04 | Tissue Gnostics Gmbh | Process for Segmenting Leukocytes |
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 |
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 |
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 |
CN106248559A (zh) * | 2016-07-14 | 2016-12-21 | 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 |
TW201710949A (zh) * | 2015-05-28 | 2017-03-16 | 脫其泰有限責任公司 | 圖像分析系統及相關方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002047007A2 (en) * | 2000-12-07 | 2002-06-13 | Phase It Intelligent Solutions Ag | Expert system for classification and prediction of genetic diseases |
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 |
KR101191454B1 (ko) * | 2010-05-14 | 2012-10-16 | 계명대학교 산학협력단 | 비모수적 확률 모델과 질감 정보를 이용한 백혈구 분할 방법 |
US20130094750A1 (en) * | 2011-10-12 | 2013-04-18 | Tolga Tasdizen | Methods and systems for segmentation of cells for an automated differential counting system |
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 |
CN104484877B (zh) * | 2014-12-12 | 2017-08-15 | 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 |
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 |
EP3321851A3 (en) * | 2016-11-09 | 2018-08-01 | AmCad BioMed Corporation | Cytological image processing device, and method for quantifying characteristics of cytological image |
CN106780522B (zh) * | 2016-12-23 | 2019-08-30 | 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 |
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 AU AU2019273339A patent/AU2019273339B2/en active Active
- 2019-05-22 EP EP19807105.2A patent/EP3798972A4/en active Pending
- 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 WO PCT/CN2019/087875 patent/WO2019223706A1/zh active Application Filing
- 2019-05-22 RU RU2020133630A patent/RU2755553C1/ru active
-
2020
- 2020-08-31 IL IL277040A patent/IL277040A/en unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080212868A1 (en) * | 2005-06-15 | 2008-09-04 | Tissue Gnostics Gmbh | Process for Segmenting Leukocytes |
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 |
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 |
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 |
TW201710949A (zh) * | 2015-05-28 | 2017-03-16 | 脫其泰有限責任公司 | 圖像分析系統及相關方法 |
CN106248559A (zh) * | 2016-07-14 | 2016-12-21 | 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 |
Also Published As
Publication number | Publication date |
---|---|
WO2019223706A1 (zh) | 2019-11-28 |
CN108805865A (zh) | 2018-11-13 |
AU2019273339B2 (en) | 2021-03-04 |
TW202004663A (zh) | 2020-01-16 |
US11403481B2 (en) | 2022-08-02 |
JP6994275B2 (ja) | 2022-02-04 |
JP2021510831A (ja) | 2021-04-30 |
US20210004640A1 (en) | 2021-01-07 |
EP3798972A4 (en) | 2022-03-02 |
AU2019273339A1 (en) | 2020-08-27 |
CN108805865B (zh) | 2019-12-10 |
IL277040A (en) | 2020-10-29 |
KR20200135839A (ko) | 2020-12-03 |
EP3798972A1 (en) | 2021-03-31 |
RU2755553C1 (ru) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI711008B (zh) | 一種基於飽和度聚類的骨髓白血球細胞定位方法 | |
CN107452010B (zh) | 一种自动抠图算法和装置 | |
Rehman et al. | Microscopic malaria parasitemia diagnosis and grading on benchmark datasets | |
CN104392460B (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
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 | |
CN108320289B (zh) | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 | |
Isa | Automated edge detection technique for Pap smear images using moving K-means clustering and modified seed based region growing algorithm | |
CN110415255B (zh) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 | |
Salem et al. | A comparative study of white blood cells segmentation using otsu threshold and watershed transformation | |
CN105761260B (zh) | 一种皮肤图像患处分割方法 | |
Duan et al. | A WBC segmentation methord based on HSI color space | |
CN104484877A (zh) | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 | |
Ahasan et al. | White blood cells nucleus segmentation from microscopic images of strained peripheral blood film during leukemia and normal condition | |
CN109523524A (zh) | 一种基于集成学习的眼底图像硬性渗出检测方法 | |
Li et al. | Hybrid supervision learning for pathology whole slide image classification | |
CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
Tran et al. | An automated method for the nuclei and cytoplasm of Acute Myeloid Leukemia detection in blood smear images | |
Khairudin et al. | A fast and efficient segmentation of soil-transmitted helminths through various color models and k-Means clustering | |
CN115272333B (zh) | 一种杯盘比数据的存储系统 | |
Choukikar et al. | Segmenting the Optic Disc in retinal images using bi-histogram equalization and thresholding the connected regions | |
Masoudi et al. | Diagnosis of Hodgkin's disease by identifying Reed-Sternberg cell nuclei in histopathological images of lymph nodes stained with Hematoxylin and Eosin | |
CN109191481A (zh) | 不良曝光条件下的鞋印图像快速阈值分割方法 | |
Nemane et al. | A novel method of white blood cell segmentation and counting |