CN101103373A - 改进的图像分割方法 - Google Patents

改进的图像分割方法 Download PDF

Info

Publication number
CN101103373A
CN101103373A CNA2006800020193A CN200680002019A CN101103373A CN 101103373 A CN101103373 A CN 101103373A CN A2006800020193 A CNA2006800020193 A CN A2006800020193A CN 200680002019 A CN200680002019 A CN 200680002019A CN 101103373 A CN101103373 A CN 101103373A
Authority
CN
China
Prior art keywords
pixel
image
recognition image
image according
threshold value
Prior art date
Legal status (The legal status 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 status listed.)
Granted
Application number
CNA2006800020193A
Other languages
English (en)
Other versions
CN101103373B (zh
Inventor
迈克尔·扎赫尼塞尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cytyc Corp
Original Assignee
Cytyc Corp
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 Cytyc Corp filed Critical Cytyc Corp
Publication of CN101103373A publication Critical patent/CN101103373A/zh
Application granted granted Critical
Publication of CN101103373B publication Critical patent/CN101103373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/12—Edge-based segmentation
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06T2207/10072—Tomographic images
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Transition And Organic Metals Composition Catalysts For Addition Polymerization (AREA)
  • Lubrication Of Internal Combustion Engines (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

提供了一种改进的图像分割算法，用于识别图像中的每个对象。基于一系列图像的属性值来分类图像的像素。然后，从一系列属性值的极点开始将这些像素逐一添加到标记图像。计算每个定位的对象的特征，并将这些特征与预定的验收标准相匹配。如果存在匹配，则将对象输出到输出图像。重复将像素添加到图像的步骤、估计所生成的对象的特征的步骤、以及输出对象的步骤，直至达到停止点。

Description

改进的图像分割方法
相关申请
本申请要求于2005年1月10日提交的美国临时申请第60/642,110号的优先权并且是该申请的非临时申请，其全部内容结合于此作为参考。
技术领域
总的来说，本发明涉及图像分析领域。更具体地，本发明涉及新的图像分割方法。
背景技术
在病理学和细胞学中，经常期望使用自动或半自动仪器来定位和测量细胞或细胞核。这样的仪器可用于研究或检查。后者的实例是使用Papanicolou测试(或Pap测试)来检查***。这些仪器获取并分析数字图像，来定位关注的细胞或将幻灯片分类为正常的和可疑的。
在对数字图像中的对象的分析中，从图像背景中区分对象十分重要。为了表征细胞或对象，必须首先定位对象。定位数字图像中对象的过程被称作“分割”。各种技术被用于分割过程以定位关注的对象，使得后续的计算机分析可以表征对象。例如，包含细胞的图像的分割可使得细胞核和/或细胞质被定位。
定位和分类图像中的对象这项工作的传统方法包括几个阶段：首先-分割图像以创建对象的二元掩模(binary mask)；然后-通过向每个连接的像素集分配不同的标记，来标记该掩模中的对象；以及最后-测量标记对象的各种特征。
用于分割图像的技术之一是“阈值(thresholding)”。在这种技术中，选择图像亮度的阈值，然后将图像中每个像素和该阈值进行比较。具有超过该阈值的亮度值的像素被认为是背景像素，具有低于阈值的值的像素被认为是对象像素。可基于图像直方图来选择用于定位对象的阈值，该直方图是在图像中得到的暗度值的频率分布。阈值算法可使用这些直方图找到单个阈值。例如，阈值可以在最暗像素和最亮像素之间。可选地，可将阈值选为大量“背景”像素和很少的“对象”像素之间的拐点。找出图像中每个对象的理想阈值是非常难的工作。通常，单个阈值对于整个图像中具有不同亮度值的多个对象不是最佳的。
一旦选择了阈值且完成阈值过程，则“对象”像素可以形成图像中对象的二元掩模。在掩模周围的边界可用于表示每个对象。边界能够或不能精确地反应对象。已开发了多种方法，用于一旦定位了对象就净化(refine)其边界。这样的方法可使用边界附近的暗度信息，或者限制诸如梯度、曲率、“接近圆(closeness to circle)”等来净化边界。
当前用于图像分割的已知技术通常很复杂且很耗时。这些技术在分割过程中不总会产生高精度，特别在待定位的对象和其周围背景之间的反差很小的情况下。因此，当前的分割算法通常不能适当地定位对象。例如，在细胞图像分析中，因为定位的边界太大或太小，所以可能错误地分割细胞核。这可能导致错误肯定事件(仪器错误地将正常对象称为可疑对象)，或者错误否定事件(仪器错过真正可疑对象)。
存在改进的用于自动成像的分割和自动成像装置的需要，具体地，存在精确识别对象边界的需要。
无论当前已知的分割技术的确切价值、特征、和优点是什么，它们都没有实现或完成本发明的目的。
发明内容
本发明提供了一种识别图像中每个对象的方法，该方法包括以下步骤：(a)基于图像的一系列属性值来分类像素；(b)从一系列属性值中的极点开始，将分类的像素逐一添加到“标记图像”，以定位标记图像中的对象；(c)如果对象的特征与预定的验收标准相匹配，则将对象输出到输出图像上；以及(d)重复执行步骤b和c直至达到停止点，停止点表示一系列属性值中的另一极点。
本发明提供了一种包括计算机可读介质的产品，该计算机可读介质具有包含于其中的用于识别图像中每个对象的计算机可读程序代码。该介质包括：(a)基于图像的一系列属性值来分类像素的计算机可读程序代码；(b)从一系列属性值中的极点开始，将分类的像素逐一添加到标记图像以定位标记图像中的对象的计算机可读程序代码；(c)如果对象的特征与预定的验收标准相匹配则将对象输出到输出图像上的计算机可读程序代码；以及(d)重复执行步骤b和c直至达到停止点的计算机可读程序代码，停止点表示在一系列属性值中的另一极点。
本发明提供了一种根据多个阈值识别图像中每个对象的方法，该方法包括以下步骤：(a)基于像素的一系列属性值来分类像素，其中，一系列属性值对应于多个阈值；(b)从一系列属性值中的极点开始，将像素逐一添加到标记图像来创建新对象或更新旧对象；(c)计算创建的新对象的特征和更新的旧对象的特征；(d)使创建的新对象和更新的旧对象的计算的特征与预定标准相比配；(e)如果特征满足验收标准则将创建的新对象和更新的旧对象输出到输出图像上；以及(f)重复执行步骤b至e直至达到停止点，从下列中的任一项中选择停止点：一系列值中的另一极点，表示一系列属性值中的背景像素值的点，或者表示与新对象和更新的旧对象无关的像素值的点。
附图说明
图1示出了叠加到细胞组中的细胞上的亮度“等值线图”。
图2示出了根据本发明一个实施例的图像分割算法的步骤。
图3a-3n共同示出了根据本发明一个实施例的将像素添加到标记图像中期间的处理。
图4示出了根据本发明优选实施例的图像分割算法的步骤。
图5描述了根据本发明一个实施例的在五个不同阈值的图像中的多个对象的生长。
图6示出了根据本发明一个实施例的显示在不同阈值处定位的对象的输出图像，其中，仅保存对象的最好状态。
具体实施方式
虽然在优选实施例中示出并描绘了本发明，但可以多种不同配置应用和制造本发明。在附图中描述、并且将在此详细描述本发明的优选实施例，应当理解，本公开被认为是本发明原理的范例和对其构造的相关的功能说明，本发明不限于所示出的实施例。本领域技术人员可以想象在本发明范围内的多个其他可能改变。
这里描述了用于识别数字二维图像中的对象边界的改进的自动图像分割技术。虽然这里描述的图像分割技术识别细胞核，但技术本身可应用于识别数字图像中的任一对象，例如，生物学应用中的细胞质或组织结构，或者非生物学应用中的对象(例如，电路板上的不同组件或者卫星图像上的人造和自然特征)。该技术可延伸到三维图像，例如，由X射线、CAT(算机体层摄影术)扫描、或MRI(磁共振成像)装置生成的三维图像。在这种三维图像中的三维像素元素被认为是“三维像素(voxel)”。三维像素的群集可三维地表示器官或肿瘤。
数字二维图像可被认为是三维表面，其中，高度维表示每个像素的灰度值(即，亮度)。在其表面的等值线图(contour map)中，可通过找到位于特定大小范围内且是足够圆以成为细胞核的等值线，来完成识别细胞核。如果一个等值线包括在另一个之中，则应选择两个中较好的一个。图1示出了叠加到细胞组中的细胞上的这样的“等值线图”。图像上关注的对象是连续像素集。
生成这些等值线(其等同于根据全部可能的阈值生成所有对象)是数学上很复杂且耗时的工作。一种自然的方法是根据每个阈值简单地分割图像，标记对象，测量其特征，并保存具有最好特征的对象，去除作为“较好”对象的子集或超集的对象。该方法计算量非常大。
图2示出了根据本发明一个实施例的图像分割算法，其通过执行下列步骤来识别图像中发现的每个对象。首先，该算法基于图像的一系列属性值来分类像素(步骤202)。然后，从一系列属性值中的极点开始，将分类的像素逐一添加到“标记图像”来定位标记图像中的对象(步骤204)。标记图像是其中每个独特对象的像素被分配唯一值或“标记”的图像。同样，用于开始值的极点可以位于一系列属性值的最低或最高端。可以基于但不限于诸如亮度、色调、梯度等的属性来分类像素。然后，将定位的对象的特征与预定标准进行比较。如果对象与标准匹配，则算法将对象输出到输出图像，如步骤206所示。也为图像定义停止点。该停止点表示在一系列属性值中的点，在该点算法将停止重复执行步骤204和206(步骤208)。该停止点可以是在一系列属性值中的另一极点。在一个实施例中，该停止点是表示一系列属性值中的背景像素值的点。在另一实施例中，停止点是表示与被定位对象无关的像素值的点。
图4示出了根据本发明优选实施例的算法。在步骤402中，根据图像的一系列属性值来分类图像中的像素。这一系列属性值对应于图像中的多个阈值。从所使用的属性值的直方图来确定阈值。可以基于但不限于诸如亮度、色调、梯度等的属性来分类像素。同样，可通过亮度、色调、梯度等来实现对直方图的标记(indexing)。不是以每个阈值来分割图像，而是从一系列属性值中的极点开始，将分类的像素逐一添加到空白标记图像，如步骤404所示，其中，在该过程中创建新对象或者更新旧对象。如果添加的像素与已放置在标记图像上的另一像素或对象(旧对象)不相邻，则创建新对象(见图3a、3b、和3e)。如果添加的像素与旧像素相邻，则使像素与旧对象相结合以更新旧对象(见图3c、3d、3f、3g、3h、3i、3j、3k、3m、和3n)。此外，如果添加的像素连接两个旧对象，则更新两个旧对象并合并为一个对象(见图31)。在步骤406中，计算这些新的或更新的对象的特征。然后，在步骤408中，使这些特征与预定的验收标准相匹配。在步骤410，如果存在匹配(即，满足验收标准)，则将新的或更新的对象(表示定位的细胞核)输出到输出图像上。算法重复执行步骤404-410，直至达到停止点(步骤412)。应当注意，在处理阈值(即，属性值)期间的任意时刻都可以将对象输出到输出图像。此外，该停止点可以是在一系列属性值中的另一极点。在一个实施例中，该停止点是表示一系列属性值中背景像素值的点。在另一实施例中，停止点是表示与被定位对象无关的像素值的点。
算法跟踪在上述步骤中创建或更新的对象以及其特征。对象也被分配标记(例如，见图3a和图3b)。无论何时添加了接触现存对象的像素，则为其分配该对象的标记，并更新该对象的特征以反应新像素的添加(例如，见图3d和图3g)。当添加了连接两个对象的像素时，这两个对象的标记和特征融合成一个(例如，见图31)。图3a-3n示出了如何将多个像素逐次添加到原始空白掩模/标记图像中，并且如何根据需要将标记分配给每个像素。
由于设计算法的方式，在特定阈值的条件下，在处理图像期间的任何给定时间存在图像掩模的记录，以及在那个特定阈值处找到的所有对象的标记和特征的记录。但是，不是为每个阈值重新生成那些数据，算法建立于前一阈值的数据上。这大大提高了算法的效率。
在本发明的一个实施例中，只有在当前阈值计算的对象的当前特征比其在所有先前阈值计算的特征与验收标准更好的匹配时，才将对象输出到输出图像。为了确定更好的匹配，使用来自前一最好匹配的数据。为了计算在所有阈值处的所有对象中与验收标准最匹配的对象的最佳集，使用被称作动态规划(dynamic programming)的方法。规划(program)一次一个地穿过阈值，保存可仅使用迄今为止定位到的对象形成的对象的最佳集的轨迹。每个对象都“记得”其迄今为止获得的最好状态。图5描绘了在五个不同阈值的图像中的对象的生长。在一个阈值处分离的单个对象可在另一阈值处相连。图中的每个对象都“指向”其前一最好状态。没有箭头的对象指向其自身(未示出)。这意味着，这些对象的当前状态比其先前状态中的任一个都好。因此，对象的新状态仅需与其箭头所指的状态相比较，这是因为该状态表示迄今为止获得的最好状态。如果在给定阈值融合两个对象，则新融合的对象的箭头指向形成融合对象的两个对象中更好的一个。
在通过每个阈值时，规划保存包含来自迄今为止形成的对象集中的最好对象的输出图像。每当对象变为比先前记录的最好状态更好的新状态时，则将更新的对象拉入输出图像中。图6示出了当其生长时的输出图像。首先，其包括来自第一阈值的对象。然后，其包括来自第一和第二阈值的最好对象，然后来自前三个阈值的最好对象等。最终的输出图像包括所有被标记为最好对象并且稍后不会被更好的对象所排除的对象(与图5比较)。
因此，根据本算法的一个实施例，当对象与验收标准相匹配时，不是将对象直接输出到输出图像，而是可以基于对象的当前状态和其多个状态中的前一状态之间的比较有条件地输出。
虽然文中描述的根据本发明的算法，基于诸如面积和周长的特征来识别细胞核，并接受适合圆形度验收标准(周长的平方除以面积)的对象，但其他特征和标准可用于识别对象。验收标准可针对特定成像应用(生物或者非生物)进行调节。当基于除了圆形度以外的标准来识别对象时，可代替地使用其它特征。转动惯量、偏心率、较长和较短的椭圆轴、椭圆的最佳拟合、周围像素的对比度、灰度值或光学密度的平均值或标准偏差，以及纹理特征均为可容易测量并用于指定最佳分割的验收标准的特征的一些其他实例。例如，其他验收标准也可以使用诸如大小、形状、纹理、颜色、浓度、对比度等。多个标准集可允许在同一时间定位单一图像中不同类型的对象(例如，细胞核、不同形状的细胞核、细胞质、细胞核或细胞质的“内含物”以及成组的细胞)。然而，应当理解，本发明不限于使用这些特征或验收标准。
如果周长的合理估计是所需的全部，则当将像素添加到对象时更新该对象的周长测量值可以只使用四个与该像素直接相邻的像素来实现。因此，每次“放置”像素，则只需检查该像素和其四个最近的相邻像素来确定应当如何更新对象特征。影响了多于这四个相邻像素的唯一情况是当融合两个对象且两个中的一个必须被分配另一个的标记时。然而，融合过程中的最优化使算法的运行时间接近与像素数量成线性比例的运行时间。因此，该周长测量值显示了可以如何从先前对象计算对象特征，即，其显示了算法建立于来自前一阈值的数据并增加了算法的效率。
作为另一实施例，椭圆率(测量的对象与由转动惯量矩阵限定的椭圆进行比较)可用作识别细胞核的特征。基于椭圆率的分割可使分割结果变得更好，这是因为其可以从不规则形状的人造物品中识别拉长的细胞核。
因此，可以看出，本发明的算法提供了多种改进：减少用于分割图像的处理时间；消除耗时的预处理以定位关注的潜在对象，然后建立关注区域以在第二过程中更精确地限定对象，处理具有不同暗度和对比度的图像以最小化错误否定情况，处理具有不正常群集的图像以最小化错误否定负情况，使用多个验收标准同时识别单一图像中的多个对象。
应当注意，本发明的算法不同于其他公布的迭代图像分析技术，例如，区域生长算法和活动轮廓(也称作“snake”)。区域生长算法通过首先将图像划分为多个单独区域(单个像素、小的像素组、具有相同灰度级的相邻像素等)来执行。接下来，通过使其与和其接触并具有相似特征的其他区域相融合来使像素“生长”。这通常是迭代过程，一旦没有类似区域的更多融合可以被进行，则该过程停止。该技术的目的在于使区域的最终集对应于被分割的对象。
在本发明的分割算法中，预先确定对象将要“生长”的方法：仅存在可以进行生长的一条路径，并且算法简单“观察”当对象沿着路径行进时变化的对象的特征。测量的特征不影响下一次添加哪个像素或者融合哪个区域。在一次通过图像之后，报告在该路径中观测的“最好对象”。
在区域生长技术中，区域的特征确定哪个区域被生长或融合。不是沿着线性路径，而是区域生长技术类似于搜索具有多个分支的树。对象特征用于决定选取哪个分支。通常，构造穿过图像的多条通路，并报告区域的最终状态。区域生长算法不存储通过对象获得的最好状态；相反，算法将不得不“备份”，以返回到较好状态。
也称作“snake”的“活动轮廓”是重叠在图像上的由多边形或者由参数方程表示的对象轮廓。在活动轮廓图像分析技术中，这些线“演化”以改善其自身形状和与下层图像的对应(correspondence)。再次，这是在进一步演化不能改善轮廓时就终止的迭代过程。
本发明对单个像素进行操作，并仅使用每个像素的直接相邻像素执行操作。在活动轮廓技术中，不是用像素而是用数学函数表示轮廓。本算法与活动轮廓技术之间的区别与所提到的与区域生长技术的区别相同。
本发明算法不同于其他分割算法的关键区别在于其他算法包括通过树或图来寻找最好路径，使用对象特征来选择下一次移动的方向的迭代过程。有时当算法运行时，这需要回溯，以便以最好可能结果结束。本算法遵循线性、预定路径，经过并记住其路上的所有“最好”对象。
此外，本发明提供了一种包括计算机可读程序代码的产品，该可读程序代码执行一个或多个模块以分割图像和识别对象。此外，本发明包括基于计算机程序代码的产品，其为具有存储于其中的程序代码的存储介质，该代码可用于指示计算机执行与本发明相关联的任一方法。计算机存储介质包括但不限于下列介质：CD-ROM、DVD、磁带、光盘、硬盘驱动器、软盘、铁电体存储器、闪存、铁磁存储器、光存储器、电荷耦合器件、磁卡或光卡、智能卡、EEPROM、EPROM、RAM、ROM、DRAM、SRAM、SDRAM、或者任意其他适当静态或动态存储器或数据存储装置。
在基于计算机程序代码的产品中实现的是软件模块，用于：
a)基于图像的一系列属性值来分类像素；
b)从一系列属性值中的极点开始将分类的像素逐一添加到标记图像，以定位标记图像中的对象；
c)如果对象的特征与预定验收标准相匹配，则将对象输出到输出图像上；以及
d)重复执行步骤(b)和(c)，直至达到停止点，所述停止点表示在所述一系列属性值中的另一极点。
结论
在上述实施例中示出了一种用于改进的图像分割方法的有效实施的***和方法。虽然已经示出和描述了各个优选实施例，但是应当理解，本发明不限于这种公开，而是覆盖落入所附权利要求限定的、在本发明的精神和范围内的全部更改。例如，本发明不限于软件/程序、计算环境、或特定计算硬件。此外，不应当由图像类型(生物学、非生物学、二维、或三维等)、图像中阈值的数量、图像中将识别的对象类型、或者用于识别对象的特征和验收标准来限制本发明的算法。

Claims (33)

1.一种识别图像中每个对象的方法，所述方法包括以下步骤：
a)基于所述图像的一系列属性值来对像素进行分类；
b)从所述一系列属性值中的极点开始，将所分类的像素逐一添加到标记图像以在所述标记图像中定位对象；
c)如果所述对象的特征与预定的验收标准相匹配，则将所述对象输出到输出图像上；以及
d)重复执行步骤b和c直至达到停止点，所述停止点表示在所述一系列属性值中的另一极点。
2.根据权利要求1所述的识别图像中每个对象的方法，其中，基于下列属性值中的任一个来对所述像素进行分类：亮度、色调、或梯度。
3.根据权利要求1所述的识别图像中每个对象的方法，其中，通过将像素逐一添加到标记图像以创建新对象或更新的旧对象来定位所述对象。
4.根据权利要求3所述的识别图像中每个对象的方法，其中，如果所添加的像素与已放置在所述标记图像上的另一像素或对象不相邻，则创建所述新对象。
5.根据权利要求3所述的识别图像中每个对象的方法，其中，如果所添加的像素与已存在的所述旧对象相邻，或者如果所添加的像素连接已存在于所述图像上的两个旧对象，则创建所述更新的旧对象。
6.根据权利要求1所述的识别图像中每个对象的方法，其中，为所述对象分配标记，并且为每个添加的像素更新所述标记。
7.根据权利要求6所述的识别图像中每个对象的方法，其中，所述对象的所述标记建立于先前添加的像素的标记上。
8.根据权利要求1所述的识别图像中每个对象的方法，其中，从先前添加像素时定位的对象的特征来计算所述对象的所述特征。
9.根据权利要求1所述的识别图像中每个对象的方法，其中，只有在添加所述分类的像素时计算的所述对象的特征比为所有先前添加的像素计算的所述对象的特征更匹配所述验收标准时，才将所述对象输出到所述输出图像。
10.根据权利要求1所述的识别图像中每个对象的方法，其中，对生物学或非生物学应用中的二维或三维图像执行所述方法。
11.根据权利要求10所述的识别图像中每个对象的方法，其中，所述生物学应用中的所述对象是下列中的任一项：细胞、细胞核、细胞质、细胞核或细胞质的内含物、集群细胞、或者在通过诸如X射线、CAT扫描、或磁共振成像的成像装置生成的图像中的对象。
12.根据权利要求10所述的识别图像中每个对象的方法，其中，所述非生物学应用中的所述对象为下列中的任一项：电路板上的组件、或卫星图像中的人造或自然物。
13.根据权利要求1所述的识别图像中每个对象的方法，其中，所述特征是下列中的任一项：周长、面积、对象转动惯量、偏心率、椭圆轴、椭圆的最佳拟合、对比度、灰度值、光学密度平均值、标准偏差、或纹理。
14.根据权利要求1所述的识别图像中每个对象的方法，其中，所述验收标准是下列中的任一项：大小、形状、纹理、颜色、或密度。
15.根据权利要求1所述的识别图像中每个对象的方法，其中，所述方法使用多种验收标准，以同时识别所述图像中不同种类的对象。
16.根据权利要求1所述的识别图像中每个对象的方法，其中，所述停止点是表示所述一系列属性值中的背景像素值的点，或者是表示与所述被定位的对象无关的像素值的点。
17.一种包括其中含有用于识别图像中每个对象的计算机可读程序代码的计算机可读介质的产品，所述介质包括：
基于所述图像的一系列属性值来分类像素的计算机可读程序代码；
从所述一系列属性值中的极点开始，将所分类的像素逐一添加到标记图像以定位所述标记图像中的对象的计算机可读程序代码；
如果所述对象的特征与预定的验收标准相匹配，则将所述对象输出到输出图像上的计算机可读程序代码；以及重复执行步骤b和c直至达到停止点的计算机可读程序代码，其中，所述停止点表示所述一系列属性值中的另一极点。
18.根据权利要求17所述的包括其中含有用于识别图像中的每个对象的计算机可读程序代码的计算机可读介质的产品，其中，
所述停止点是表示所述一系列属性值中的背景像素值的点，或者是表示与所述被定位的对象无关的像素值的点。
19.一种用于根据多个阈值识别图像中每个对象的方法，所述方法包括以下步骤：
a)基于所述像素的一系列属性值来对所述图像中的像素进行分类，其中，所述一系列属性值对应于所述多个阈值；
b)从所述一系列属性值中的极点开始，将像素逐一添加到标记图像以创建新对象或更新旧对象；
c)计算所述创建的新对象和所述更新的旧对象的特征；
d)使所述创建的新对象和所述更新的旧对象的所述计算的特征与预定标准相比配；
e)如果所述特征满足验收标准，则将所述创建的新对象和所述更新的旧对象输出到输出图像上；以及
f)重复执行步骤b至e直至达到停止点，所述停止点选自下列中任一项：所述一系列值中的另一极点、表示所述一系列属性值中的背景像素值的点、或者表示与所述新对象和所述更新的旧对象无关的像素值的点。
20.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，基于下列属性值中的任一个来对所述像素进行分类：亮度、色调、或梯度。
21.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，从使用亮度、色调、或梯度的所述属性值标记的直方图中确定所述多个阈值。
22.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，如果所添加的像素与已放置在所述标记图像上的另一像素或对象不相邻，则创建所述新对象。
23.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，如果所添加的像素与已存在的所述旧对象相邻，或者如果所添加的像素连接所述旧对象中的任一个，则创建所述更新的旧对象。
24.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，对生物学或非生物学应用中的二维或三维图像执行所述方法。
25.根据权利要求24所述的用于根据多个阈值识别图像中每个对象的方法，其中，在所述生物学应用中的所述对象是下列中任一项：细胞、细胞核、细胞质、细胞核或细胞质的内含物、集群细胞、或者在通过诸如X射线、CAT扫描、或磁共振成像的成像装置生成的图像中的对象。
26.根据权利要求24所述的用于根据多个阈值识别图像中每个对象的方法，其中，在所述非生物学应用中的所述对象为下列中任一项：电路板上的组件、或者卫星图像上的人造或自然物。
27.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，所述特征是下列中的任一项：周长、面积、对象转动惯量、偏心率、椭圆轴、椭圆的最佳拟合、对比度、灰度值、光学密度平均值、标准偏差、或纹理。
28.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，所述验收标准是下列中的任一项：大小、形状、纹理、颜色、或密度。
29.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，所述方法使用多种验收标准，以同时识别所述图像中不同种类的对象。
30.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，为所述创建的新对象和所述更新的旧对象分配标记，并且为每个添加的像素更新所述标记。
31.根据权利要求30所述的用于根据多个阈值识别图像中每个对象的方法，其中，所述标记建立于先前添加的像素的标记上。
32.根据权利要求19所述的用于根据多个阈值下识别图像中每个对象的方法，其中，从先前添加像素时定位的对象的特征来计算所述创建的新对象和所述更新的旧对象的所述特征。
33.根据权利要求19所述的用于根据多个阈值识别图像中每个对象的方法，其中，只有当添加所述分类的像素时计算的所述更新的旧对象的特征比为所有先前添加的像素计算的所述更新的旧对象的特征更匹配所述验收标准时，才将所述更新的旧对象输出到所述输出图像。
CN2006800020193A 2005-01-10 2006-01-10 改进的图像分割方法 Active CN101103373B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US64211005P 2005-01-10 2005-01-10
US60/642,110 2005-01-10
US11/328,354 US7689038B2 (en) 2005-01-10 2006-01-09 Method for improved image segmentation
US11/328,354 2006-01-09
PCT/US2006/000726 WO2006076312A2 (en) 2005-01-10 2006-01-10 Method for improved image segmentation

Publications (2)

Publication Number Publication Date
CN101103373A true CN101103373A (zh) 2008-01-09
CN101103373B CN101103373B (zh) 2010-06-02

Family

ID=36593741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006800020193A Active CN101103373B (zh) 2005-01-10 2006-01-10 改进的图像分割方法

Country Status (15)

Country Link
US (2) US7689038B2 (zh)
EP (1) EP1836680B1 (zh)
JP (1) JP4825222B2 (zh)
KR (1) KR101255865B1 (zh)
CN (1) CN101103373B (zh)
AT (1) ATE477556T1 (zh)
AU (1) AU2006205061B2 (zh)
BR (1) BRPI0606705B1 (zh)
CA (1) CA2591241C (zh)
DE (1) DE602006016066D1 (zh)
DK (1) DK1836680T3 (zh)
MX (1) MX2007008363A (zh)
PT (1) PT1836680E (zh)
TW (1) TWI307058B (zh)
WO (1) WO2006076312A2 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107079112A (zh) * 2014-10-28 2017-08-18 惠普发展公司，有限责任合伙企业 图像数据分割
CN108475429A (zh) * 2016-01-21 2018-08-31 分子装置有限公司 三维显微镜图像的分割的***和方法
CN109478230A (zh) * 2016-03-18 2019-03-15 光学技术注册协会莱布尼兹研究所 通过分割概览图像来检查分布式对象的方法
CN114445421A (zh) * 2021-12-31 2022-05-06 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种鼻咽癌***区域的识别分割方法、装置及***

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480412B2 (en) * 2003-12-16 2009-01-20 Siemens Medical Solutions Usa, Inc. Toboggan-based shape characterization
US7689038B2 (en) * 2005-01-10 2010-03-30 Cytyc Corporation Method for improved image segmentation
US20070177799A1 (en) * 2006-02-01 2007-08-02 Helicos Biosciences Corporation Image analysis
US9020964B1 (en) * 2006-04-20 2015-04-28 Pinehill Technology, Llc Generation of fingerprints for multimedia content based on vectors and histograms
US7773807B2 (en) * 2006-08-29 2010-08-10 Siemens Medical Solutions Usa, Inc. Seed segmentation using l∞ minimization
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
JP2009082463A (ja) * 2007-09-28 2009-04-23 Fujifilm Corp 画像分析装置、画像処理装置、画像分析プログラム、画像処理プログラム、画像分析方法、および画像処理方法
US8175390B2 (en) * 2008-03-28 2012-05-08 Tandent Vision Science, Inc. System and method for illumination invariant image segmentation
US9602777B2 (en) 2008-04-25 2017-03-21 Roche Diagnostics Hematology, Inc. Systems and methods for analyzing body fluids
JP2012515931A (ja) * 2008-04-25 2012-07-12 ウィンケルマン、ジェイムズ 全血球数及び白血球百分率を決定するシステム及び方法
TWI385595B (zh) * 2008-08-22 2013-02-11 Univ Ishou Image segmentation method using image region merging algorithm
US8260002B2 (en) * 2008-09-26 2012-09-04 Axis Ab Video analytics system, computer program product, and associated methodology for efficiently using SIMD operations
TWI405145B (zh) 2008-11-20 2013-08-11 Ind Tech Res Inst 以圖素之區域特徵為基礎的影像分割標記方法與系統，及其電腦可記錄媒體
US8379960B2 (en) * 2009-03-30 2013-02-19 Ge Healthcare Bio-Sciences Corp. System and method for distinguishing between biological materials
TWI381321B (zh) * 2009-04-30 2013-01-01 Ind Tech Res Inst 重組多張影像與辨識方法以及影像擷取與辨識系統
US8335374B2 (en) 2009-08-12 2012-12-18 Genetix Corporation Image segmentation
US8630509B2 (en) * 2009-11-03 2014-01-14 Samsung Electronics Co., Ltd. Structured grids for label propagation on a finite number of layers
TWI419061B (zh) 2010-01-18 2013-12-11 Pixart Imaging Inc 多物件影像辨識方法
US8593457B2 (en) * 2010-05-27 2013-11-26 National Tsing Hua University Method of three-dimensional image data processing
JP5677441B2 (ja) * 2010-08-30 2015-02-25 パナソニックＩｐマネジメント株式会社 観察装置、観察プログラム及び観察システム
US9111343B2 (en) 2011-01-18 2015-08-18 Roche Diagnostics Hematology, Inc. Microscope slide coordinate system registration
CN102103744A (zh) * 2011-01-28 2011-06-22 武汉大学 基于最小生成树与统计学习理论的图像分割方法
CN102096816B (zh) * 2011-01-28 2012-12-26 武汉大学 基于最小生成树的多尺度多层次影像分割方法
ES2961409T3 (es) 2011-04-15 2024-03-11 Roche Diagnostics Hematology Inc Sistema y procedimiento para determinar un volumen plaquetario para una muestra de sangre, programa informático y medio legible por ordenador
US8964171B2 (en) 2011-07-22 2015-02-24 Roche Diagnostics Hematology, Inc. Identifying and measuring reticulocytes
US9123120B2 (en) * 2012-08-24 2015-09-01 DR Vision Technologies LLC Progressive decision for cellular process selection
US9292763B2 (en) * 2013-07-25 2016-03-22 Analog Devices Global System, method, and medium for image object and contour feature extraction
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
EP3264362A1 (en) 2015-02-23 2018-01-03 Konica Minolta, Inc. Image processing device, image processing method, and image processing program
EP3286337A4 (en) 2015-04-23 2018-12-12 Cedars-Sinai Medical Center Automated delineation of nuclei for three dimensional (3-d) high content screening
WO2016190129A1 (ja) * 2015-05-22 2016-12-01 コニカミノルタ株式会社 画像処理装置、画像処理方法、および画像処理用のプログラム
JP6975177B2 (ja) * 2016-06-03 2021-12-01 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. 生物学的対象物の検出
WO2019035079A1 (en) 2017-08-17 2019-02-21 Abbott Point Of Care Inc. DEVICES, SYSTEMS AND METHODS FOR PERFORMING OPTICAL AND ELECTROCHEMICAL ASSAYS
US10402623B2 (en) 2017-11-30 2019-09-03 Metal Industries Research & Development Centre Large scale cell image analysis method and system
US11244459B2 (en) * 2018-12-16 2022-02-08 Masahiko Sato Method for segmentation of grayscale images and segmented area tracking
KR102260169B1 (ko) * 2019-10-08 2021-06-02 주식회사 수아랩 데이터 생성 방법
CN112862829B (zh) * 2019-11-27 2024-03-12 武汉Tcl集团工业研究院有限公司 标签图片的分割方法、装置及存储介质
CN117522760B (zh) * 2023-11-13 2024-06-25 书行科技(北京)有限公司 图像处理方法、装置、电子设备、介质及产品

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4484081A (en) * 1980-09-19 1984-11-20 Trw Inc. Defect analysis system
US6021213A (en) * 1996-06-13 2000-02-01 Eli Lilly And Company Automatic contextual segmentation for imaging bones for osteoporosis therapies
WO1999057683A1 (en) * 1998-05-04 1999-11-11 The Johns Hopkins University Method and apparatus for segmenting small structures in images
GB9918681D0 (en) 1999-08-09 1999-10-13 Smithkline Beecham Plc Novel method
US7167583B1 (en) * 2000-06-28 2007-01-23 Landrex Technologies Co., Ltd. Image processing system for use with inspection systems
US7187389B2 (en) * 2001-04-12 2007-03-06 International Business Machines Corporation System and method for simultaneous display of multiple object categories
GB0115615D0 (en) * 2001-06-27 2001-08-15 Univ Coventry Image segmentation
US6985612B2 (en) * 2001-10-05 2006-01-10 Mevis - Centrum Fur Medizinische Diagnosesysteme Und Visualisierung Gmbh Computer system and a method for segmentation of a digital image
US7123766B2 (en) * 2002-02-11 2006-10-17 Cedara Software Corp. Method and system for recognizing and selecting a region of interest in an image
GB0226787D0 (en) * 2002-11-18 2002-12-24 Qinetiq Ltd Measurement of mitotic activity
US7689038B2 (en) * 2005-01-10 2010-03-30 Cytyc Corporation Method for improved image segmentation

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107079112A (zh) * 2014-10-28 2017-08-18 惠普发展公司，有限责任合伙企业 图像数据分割
CN107079112B (zh) * 2014-10-28 2020-09-29 惠普发展公司，有限责任合伙企业 一种分割图像数据的方法、***及计算机可读存储介质
CN108475429A (zh) * 2016-01-21 2018-08-31 分子装置有限公司 三维显微镜图像的分割的***和方法
CN108475429B (zh) * 2016-01-21 2022-04-12 分子装置有限公司 三维显微镜图像的分割的***和方法
CN109478230A (zh) * 2016-03-18 2019-03-15 光学技术注册协会莱布尼兹研究所 通过分割概览图像来检查分布式对象的方法
CN114445421A (zh) * 2021-12-31 2022-05-06 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种鼻咽癌***区域的识别分割方法、装置及***
CN114445421B (zh) * 2021-12-31 2023-09-29 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种鼻咽癌***区域的识别分割方法、装置及***

Also Published As

Publication number Publication date
TW200703148A (en) 2007-01-16
ATE477556T1 (de) 2010-08-15
AU2006205061A1 (en) 2006-07-20
US7689038B2 (en) 2010-03-30
JP4825222B2 (ja) 2011-11-30
MX2007008363A (es) 2007-09-06
WO2006076312A2 (en) 2006-07-20
KR101255865B1 (ko) 2013-04-17
AU2006205061B2 (en) 2010-08-12
EP1836680A2 (en) 2007-09-26
KR20070097053A (ko) 2007-10-02
CA2591241A1 (en) 2006-07-20
US20100150443A1 (en) 2010-06-17
TWI307058B (en) 2009-03-01
BRPI0606705A2 (pt) 2009-07-07
WO2006076312A3 (en) 2006-09-21
JP2008527546A (ja) 2008-07-24
EP1836680B1 (en) 2010-08-11
DE602006016066D1 (de) 2010-09-23
CA2591241C (en) 2014-07-22
DK1836680T3 (da) 2010-12-06
US20070036436A1 (en) 2007-02-15
CN101103373B (zh) 2010-06-02
PT1836680E (pt) 2010-11-16
BRPI0606705B1 (pt) 2018-06-19
US7881532B2 (en) 2011-02-01

Similar Documents

Publication Publication Date Title
CN101103373B (zh) 改进的图像分割方法
Rodriguez et al. Automated three-dimensional detection and shape classification of dendritic spines from fluorescence microscopy images
CN105612554B (zh) 用于表征通过视频医疗设备获取的图像的方法
US9251420B2 (en) System for mapping and identification of plants using digital image processing and route generation
US10121245B2 (en) Identification of inflammation in tissue images
CN113574534A (zh) 使用基于距离的相似性标签的机器学习
Troya-Galvis et al. Unsupervised quantification of under-and over-segmentation for object-based remote sensing image analysis
Cong et al. Model-based segmentation of nuclei
Morel et al. Segmentation of unbalanced and in-homogeneous point clouds and its application to 3D scanned trees
CN110827291A (zh) 一种用于自动化脑mri定量分析的方法和装置
CN111950544A (zh) 一种确定病理图像中感兴趣区域的方法及装置
Zubairova et al. LSM-W 2: laser scanning microscopy worker for wheat leaf surface morphology
Wu et al. Classification of quickbird image with maximal mutual information feature selection and support vector machine
Coelho et al. Principles of bioimage informatics: focus on machine learning of cell patterns
Guo et al. Updating land cover map based on change detection of high-resolution remote sensing images
CN113657179A (zh) 图像识别及建模方法、装置、电子设备及存储介质
Edwards et al. A cognitive view of spatial uncertainty
Dong et al. Unsupervised semantic segmenting TLS data of individual tree based on smoothness constraint using open-source datasets
González-Aguilera et al. Intelligent recording of cultural heritage: From point clouds to semantic enriched models
Pardo Sánchez Development and validation of data analysis automation methods using pattern recognition
Kassim et al. VASCilia (Vision Analysis StereoCilia): A Napari Plugin for Deep Learning-Based 3D Analysis of Cochlear Hair Cell Stereocilia Bundles
Pocock 3D Scan Campaign Classification with Representative Training Scan Selection
Funck Towards Efficient Processing of Multi-Temporal 3D Point Clouds: Refactoring the Processing Workflow
CN118132786A (zh) 一种相似图片的检索方法、装置、设备及存储介质
Li Locality sensitive modelling approach for object detection, tracking and segmentation in biomedical images

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant