CN107463913B - 基于Lab的图像胶原纤维识别计算***及方法 - Google Patents
基于Lab的图像胶原纤维识别计算***及方法 Download PDFInfo
- Publication number
- CN107463913B CN107463913B CN201710684074.5A CN201710684074A CN107463913B CN 107463913 B CN107463913 B CN 107463913B CN 201710684074 A CN201710684074 A CN 201710684074A CN 107463913 B CN107463913 B CN 107463913B
- Authority
- CN
- China
- Prior art keywords
- image
- fiber
- collagen
- blue halo
- blue
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10056—Microscopic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医学图像胶原纤维识别计算***及方法,基于不同类型胶原纤维经天狼星红等强酸性染料结合后在偏振光下存在增强的双折射光属性,并利用了Lab颜色空间对黄色过渡到红色的强大的解释性,以及独立于颜色信息之外对亮度信息量化方式经过图像预处理剔除杂质曝光点等步骤,设定标准提取目标颜色所在的区间,得到目标颜色的分布图,最后计算比例等步骤,能够准确地识别出图像中的纤维部分,并能够精确地计算纤维面积和纤维率,不丢失、不遗漏、不增加胶原纤维图像特征,高效高质量完成医学图像的分析。相较于传统人工观察方法提高精度,降低误差率,与现有的胶原定量法相比,准确度更高,实用性强,便于应用和推广。
Description
技术领域
本发明属于图像处理技术领域,涉及一种基于Lab颜色空间的图像胶原纤维定量方法。
背景技术
随着电子计算机技术的发展,图像中的各个部分已经能够被初步识别和分离,计算机还能够计算图像中的各个组成部分的面积,并逐渐从二维空间向三维空间发展。医学上一般使用图像分析***用于组织图像分析,如果图像是彩色显示,需要使用彩色图像分析仪,除了灰度测量以外,还可以将不同的灰度编成不同的颜色,但根据提取或复合彩色图像的多个通道(包括RGB)等各个办法,对于胶原纤维的图像处理效果均不理想。
胶原纤维(Collagen Fiber)是***中分布最广含量最多的一种纤维,广泛分布于各种脏器,其中皮肤、巩膜、肌腱最丰富。但现有的对胶原纤维图像的处理方法无法取得令人满意的效果。例如,基于Quant center分析软件的胶原定量法,是进入Quant center的histo quant软件选取整幅明场光源背景下拍摄的图片上红色区域进行测量进而分析出目的组织区域总面积:红色胶原面积,从而获得胶原的容积率,但在应用过程中发现易出现假阳性染色的分辨情况。
发明内容
为解决上述问题,本发明公开了一种医学图像胶原纤维识别计算***及方法,基于Lab颜色空间技术,对偏振光下的染色图像提取其纤维部分并进行比值计算,从而实现胶原纤维的准确识别。
Lab颜色空间是L*a*b(CIELAB)颜色空间的一种非正式缩写,该颜色空间将可见颜色分为三种变量并分别用数学方法将其量化,其中用L来代表亮度,a和b分别代表绿/红和蓝/黄间的偏移程度。在该空间中,L的值域是[0,100]亮度范围是由纯黑色(L=0)渐变为纯白色(L=100)。当L=0并且另外两个颜色通道,a=0和b=0时,呈现的颜色为中性灰度值。红-绿间的渐变程度由a轴来表示,当a>0的时候成现红色,a<0的时候呈现绿色。同理,b轴被用来表示蓝-黄间的渐变程度,并且当b<0时呈现蓝色,b>0时呈现黄色。两个颜色通道的值域都是[-128,127]。在本项研究中,根据b通道数值,我们首先广义地将颜色分为冷色和暖色。在图1中,椭圆形色相环的上半环(b≥0)仅含有暖色,下半环(b≤0)仅含有冷色。
与RGB颜色空间不同,Lab颜色空间可以将‘颜色’与‘亮度’完全分离开。例如,L通道仅反映颜色的亮度而不干涉颜色的种类(色相)。相反,a和b通道反映颜色的种类(色相)但与亮度无关。因此,我们利用Lab颜色空间的这个特殊性质,并根据不同颜色色相区间,通过不同程度的亮度等级来将纤维部分所在的像素点提取出来。除此之外,该颜色空间拥有感官统一性,三通道上的数值上的变化程度与视觉感官上的变化程度相对应。因为我们通过视觉来对颜色进行分组,所以我们将颜色空间分为多个区间,每个区间内不同颜色之间色相相似。
天狼星红和其衬染液都是强酸性染料,易与胶原分子中的碱性基团结合,吸附牢靠。偏振光镜下检查,胶原纤维有正的单轴双折射光的属性,与天狼星红染色液结合后,可增强双折射,提高分辨率,从而大致区分出不同纤维类型(I型呈黄色、橙红色,III型呈黄绿色)。从而能够避免明场图片易出现假阳性染色的分辨情况,以及因为增强折射而减少了假阴性的染色问题。
本发明提供如下技术方案:
基于Lab的医学图像胶原纤维识别计算方法,包括如下步骤:
步骤1,将含有胶原纤维的组织进行染色并在偏振光下拍照,将拍照获得的图像导入计算机中并转换至Lab颜色空间,图像中,胶原纤维具有双折射性呈现染色加强状态;
步骤2,提取曝光区域
步骤2-1,初步获得包含蓝色光晕的二值图,二值图中每个连续区域都是一个包含像素点的集合An而且集合互相之间互相独立,An中的像素点满足b≤b0,这些独立集合的全集表示如下:
A=A1∪A2...∪An
b0为蓝色光晕的提取阈值;
步骤2-2,初步获得包含曝光区域的二值图,二值图中每个连续区域都是一个包含像素点的集合Bm而且集合互相之间互相独立,Bm中的像素点满足L≥L0,这些独立集合的全集表示如下:
B=B1∪B2...∪Bm
L0为曝光区域的亮度提取阈值;
去除二值图中的噪点,取集合B中与A有交集的元素组成集合C:
步骤2-3,对蓝色光晕进行形态学转换
取集合A中与B有交集的元素组成集合D:
使用matlab函数对蓝色光晕进行膨胀;
对蓝色光晕与图像边界的缺口进行填充;
使用matlab函数对蓝色光晕的内部进行填充;
通过matlab函数将蓝色光晕收缩获得集合F;
步骤2-4,求集合C和集合F的交集:
PO=C∩F
步骤3,提取纤维部分
步骤3-1,提取满足L0≤L≤100,且b>0的所有像素点的集合PRule;
步骤3-2,基于集合PRule和PO求得纤维部分像素的集合:
PF=PRule\PO。
进一步的,还包括计算纤维面积NFibers的步骤:
NFibers=|PF|。
进一步的,还包括计算纤维率的步骤:
提取有效图像部分:在图片上标记出有效图像部分的边界,计算机识别标记,并只将标记内部的像素点计入有效图像部分NTotal;
通过以下公式计算纤维率r:
进一步的,步骤2-3中进行膨胀时采用imdilate方法。
进一步的,步骤2-3中对蓝色光晕与图像边界的缺口进行的填充通过在图像边界***一条线段实现,线段的首末端分别为蓝色光晕与图像边界的接触点。
进一步的,步骤2-3中进行填充时采用imfill方法。
进一步的,步骤2-3中进行收缩时采用imerode方法。
基于Lab的医学图像胶原纤维识别计算***,包括图像采集模块、曝光区域提取模块、纤维提取模块;
所述图像采集模块用于获取含有胶原纤维的组织的染色偏振图像,并将图像转换至Lab颜色空间,图像中,胶原纤维具有双折射性呈现染色加强状态;
所述曝光区域提取模块
用于初步获得包含蓝色光晕的二值图,二值图中每个连续区域都是一个包含像素点的集合An而且集合互相之间互相独立,An中的像素点满足b≤bo,独立集合的全集为A=A1∪A2...∪An;
用于初步获得包含曝光区域的二值图,二值图中每个连续区域都是一个包含像素点的集合Bm而且集合互相之间互相独立,Bm中的像素点满足L≥L0,独立集合的全集表示为B=B1∪B2...∪Bm;
用于去除二值图中的噪点,取集合B中与A有交集的元素组成集合C;
用于对蓝色光晕进行形态学转换,取集合A中与B有交集的元素组成集合D;使用matlab函数对蓝色光晕进行膨胀;对蓝色光晕与图像边界的缺口进行填充;使用matlab函数对蓝色光晕的内部进行填充;通过matlab函数将蓝色光晕收缩获得集合F;求集合C和集合F的交集PO;
所述纤维提取模块用于提取满足L≥L′,且b>0的所有像素点的集合PRule;并基于集合PRule和PO求得纤维部分像素的集合PF=PRule\PO。
进一步的,还包括纤维面积计算模块,用于计算纤维面积NFibers:
NFibers=|PF|。
进一步的,还包括纤维率计算模块,用于计算纤维率,方式为:
提取有效图像部分:在图片上标记出有效图像部分的边界,计算机识别标记,并只将标记内部的像素点计入有效图像部分NTotal;
通过以下公式计算纤维率r:
与现有技术相比,本发明具有如下优点和有益效果:
本发明基于不同类型胶原纤维经天狼星红(Sirius Red)等强酸性染料结合后在偏振光下存在增强的双折射光属性,并利用了Lab颜色空间对黄色过渡到红色的强大的解释性由a通道的数值量化红色的饱和程度,b通道量化黄色的饱和程度),以及独立于颜色信息之外对亮度信息量化方式经过图像预处理剔除杂质曝光点等步骤,设定标准提取目标颜色所在的区间,得到目标颜色的分布图,最后计算比例等步骤实现胶原纤维的区域识别和定量。本发明能够准确地识别出图像中的纤维部分,并能够精确地计算纤维面积和纤维率,不丢失、不遗漏、不增加胶原纤维图像特征,高效高质量完成医学图像的分析。相较于传统人工观察方法提高精度,降低误差率,与现有的胶原定量法相比,准确度更高,实用性强,便于应用和推广。
附图说明
图1为Lab色彩空间a、b关系示意图。
图2为步骤1获得的肺部组织切片示意图,其中标示出了各个组成部分。
图3为曝光区域与蓝色光晕的分解图。
图4为初步提取出蓝色光晕的二值图。
图5为初步提取出曝光区域的二值图。
图6为包含有集合C的二值图。
图7为包含有集合D的二值图。
图8为包含有集合E的二值图。
图9为包含有集合F的二值图。
图10为圈出曝光区域的肺部组织切片示意图。
图11为三张肺部切片图。
图12为本发明方法流程图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提供的基于Lab的医学图像胶原纤维识别计算方法,如图12所示,包括如下步骤:
步骤1,为了获得肺部组织中纤维率,我们将小鼠肺部切片进行染色并在偏振光下拍照,然后将其导入计算机并数字化,转换至Lab颜色空间,对于数字化后的图片,我们认为纤维部分的特征为暖色,较亮。上述染色剂应采用令胶原纤维在偏振光下具有双折射性呈现染色加强表现的种类,如天狼星红等,这样拍照获得的图像中,胶原纤维均呈现染色加强状态。图2为该切片图像,图上包括背景、曝光区域、蓝色光晕、肺片组织和纤维,还有部分噪点。本发明中针对图像中这些部分进行了如下解析和定义:
由于载玻片上会存在部分杂质,显微镜照出来的相片会存在部分过亮区域,即为曝光区域,该类区域被认作为白色区域但是其中的色相可能会包含冷色和暖色。在所有曝光区域的外层都可能包裹着一层蓝色的光晕,曝光区域与蓝色光晕会存在部分相交部分,区域会根据像素点中的L和b来呈现由白色到蓝色的渐变。在这里我们这部分像素为渐变区域,图3显示了曝光区域与蓝色光晕之间的关联性。由于染剂的化学作用,纤维在显微镜下呈现高亮的暖色。如果某部分像素点亮度较低但不为纯黑色,我们就将其认作为肺片组织。在我们所处理的图像里,背景中的所有像素点都呈现接近纯黑色并同时存在肺片细胞内部与外部的区域。该部分的L值非常小,所以即使呈现黑色,也有可能同时存在冷色与暖色像素。基于上述定义,我们对图像中的各个部分进行识别和分离,从而最终得到纤维部分图像。
步骤2,提取曝光区域,这部分的主要目的在于定位图像中的曝光区域。曝光部分的像素点的L值很高,而且可能同时存在冷色与暖色的像素。我们通过定位蓝色光晕的位置来找到曝光区域。最终我们可以得到一个包含曝光区域像素的集合。具体包括以下步骤:
步骤2-1,蓝色光晕初步提取
在所有曝光区域的外层都可能包裹着一层蓝色的光晕,而且我们可以通过设定b值上限b0来获得这部分光晕。首先我们通过设定b值上限(b≤-15,由实验得)来获得包含蓝色光晕部分及部分背景中的噪点的二值图(如图4所示),假设二值图中每个连续区域都是一个包含像素点的集合An而且集合互相之间互相独立,An中的像素点满足b≤b0(-15),我们用A来表示这些独立集合的全集:
A=A1∪A2...∪An
该全集中包含蓝色光晕及黑色背景中的噪点。从图4中我们可以看出,蓝色光晕部分并不是完全将曝光区域包裹的。这也许是因为在蓝环上存在暖色的纤维,使其在最开始提取的时候出现断裂,另外一个原因是蓝环有部分在图像***,由于图像范围的限制使之出现分段。例如,在图4中蓝环部分的上边缘有一部分并不完整,即存在光晕边缘缺损的情况。
步骤2-2,曝光区域初步提取
通过设定L值下限(L≥41,由实验获得),我们可以获得一个包含曝光区域及部分纤维和黑色背景中的噪点的二值图(如图5所示),同理,假设二值图中每个连续区域都是一个包含像素点的集合而且互相之间互相独立,Bm中的像素点满足L≥L0(41),我们用B来表示这些独立集合的全集:
B=B1∪B2...∪Bm
图5中显示了B中各个子集之间的关系,其中包括所有曝光区域以及部分过亮纤维和黑色背景中的噪点。
为了将图中可能被B包含的纤维部分及噪点除去,我们引入一个新的集合C满足如下关系:
为了将背景中的噪点消除,我们取B中与A有交集的元素来组成C,如图6所示。理论上来说,C中仅包含曝光区域及与其相连的过渡区域。但是,由于有部分纤维与曝光区域(或过渡区域)相连并被识别为一个整体,所以C中会存在部分纤维。最后,C中会包含曝光区域及与其连通的纤维,二者共同组成了一个初步的曝光区域,如图6所示的左上方部分。接下来我们会对C进行进一步优化直至其只含有曝光区域。
步骤2-3,对蓝色光晕进行形态学转换
目前A中既包含蓝色光晕也包含背景噪点。因此我们引入一个新集合D通过如下关系来对A进行优化:
集合D中,每个元素都是来自于A并且与B存在交集。这意味着D仅含有提取的蓝色光晕以及过渡区域。如图7所示,只有被提取的蓝色光晕部分被显示,原有的背景中的噪点已经被从D中去除。
为了从C中去除所有纤维部分,我们对D中的蓝色光晕部分进行形态学变换从而使他们闭合然后对封闭后的环进行填充。我们通过如下三步来实现:
第一步:首先通过使用matlab函数(imdilate)对蓝色光晕中的图像(蓝色光晕及蓝色光晕包围的图像)进行膨胀。
第二步:通过在图像边界***一条线段,我们对蓝色光晕与图像边界的缺口进行填充,线段的首末端分别为蓝色光晕与图像边界的接触点。
图8为经第二步填充后的闭合边界。同样也可以观察到,在图7中没有被闭合的上边界(图像边缘)在图8被闭合。已知每一个闭合并填充后的区域包含蓝色光晕及光晕内的区域。我们用E来代表这类区域的全集。
第三步:使用matlab函数(imfill)对蓝色光晕的内部进行填充。
通过第三步,闭合边界的内部区域被填充。由于之前对其进行过膨胀处理,我们将对图像进行一次逆向处理,通过matlab函数(imerode)将图像收缩之前膨胀的同等程度。然而,由于膨胀与收缩的过程并不是完全可逆的,收缩处理并不能完全地将其回复到膨胀前的形状。尽管如此,由于膨胀和收缩过程被控制在有限的范围内,填充区域外部的变化并不显著所以可以被忽略。当进行收缩后,我们将获得一个包含蓝色光晕部分在内的填充区域,如图9所示。在这里,我们用F来表示包含图9区域的集合。
步骤2-4,优化粗糙曝光区域
我们需要将C中与曝光区域相连的纤维部分剔除掉。之前提到过曝光区域是由蓝色光晕所包裹的。因此,C中的每个独立的连续区域都比其在F中相对应的区域要小,除了部分有纤维连通的区域。通过比较图6与图9就会很明显的发现其中的对比关系。现在我们可以通过求交集来使该部分纤维被剔除掉,如下式:
PO=C∩F
该关系成立是因为F中不会存在纤维部分。因此,新集合PO所表示的曝光区域会比C中的粗糙曝光区域更小但是更加精确。集合PO中含有所有组成曝光区域的像素。图10中,被圈的曝光区域为通过算法所获取的PO。
步骤3,提取纤维部分
步骤3-1,如果一个像素点的(L,a,b)满足L>=L’,它就会被提取出来,L’是通过实验数据先验获得。理论上来说,阈值L’=L′(a,b)由所有a值及b>0的所有可能组合来确定。但是这在数学上是不可实现的。由于颜色是在Lab颜色空间中排布的,所以相似色相会在空间中分布的非常接近而且其间的变化是连续的。选取图1中a,b平面中代表暖色的上半部分,并将其等价分为6部分的扇形区域,每一部分的圆心角为30°。通过实践,我们对每一个部分都测出一个相对应的阈值L’。如下表1所示。
扇形区域 | 角度θ(图1) | 扇形区域的亮度提取阈值L’ |
1 | [0°,30°) | 22 |
2 | [30°,60°) | 23 |
3 | [60°,90°) | 22 |
4 | [90°,120°) | 24 |
5 | [120°,150°) | 22 |
6 | [150°,180°] | 22 |
表1
通过使用表1中所示的阈值,我们提取出每一组(α,b)中满足-L’≤L≤100的所有像素点。我们用PRule来代指某一幅照片中根据以上规则提取出的所有像素点的集合。然而,除了纤维之外,集合PRule可能仍然含有在曝光区域部分的暖色像素。由于这些规则并未将纤维与暖色的曝光点分离开,我们对其进行一步额外操作,来求得纤维部分像素的集合PF:
PF=PRule\PO
集合PF为PO对于Prule的相对补集,即PF=Prule-PO。
由于计算机中的图片以像素作为最小单位,所以图片中纤维占据的面积可以通过计算该处像素点的个数来估计出来。基于上述求得的纤维部分像素的集合,能够计算纤维面积NFibers:
NFibers=|PF|
Nfiber为PF集合的元素个数。
此外,我们还可以进一步计算纤维率,纤维率为纤维部分的面积NFibers比肺部切片的总面积NTotal。除了肺部切片以外,部分图片会存在肺部切片之外的部分,而这个部分也恰恰是不能计入像素点总数的NTotal。在实际应用中,为了获得准确的NTotal,在输出图片时,我们会人工在图片标注出肺部切片部分的边界。计算机会识别标记,并只将标记内部的像素点计入NTotal。
通过以下公式计算纤维率r:
为了实现上述方法,本发明还提供了基于Lab的医学图像胶原纤维识别计算***,包括图像采集模块、曝光区域提取模块、纤维提取模块;
图像采集模块用于获取含有胶原纤维的组织的染色偏振图像,并将图像转换至Lab颜色空间;图像中,胶原纤维呈现染色加强状态;
曝光区域提取模块
用于初步获得包含蓝色光晕的二值图,二值图中每个连续区域都是一个包含像素点的集合An而且集合互相之间互相独立,An中的像素点满足b≤b0,独立集合的全集为A=A1∪A2...∪An;
用于初步获得包含曝光区域的二值图,二值图中每个连续区域都是一个包含像素点的集合Bm而且集合互相之间互相独立,Bm中的像素点满足L≥L0,独立集合的全集表示为B=B1∪B2...∪Bm;
用于去除二值图中的噪点,取集合B中与A有交集的元素组成集合C;
用于对蓝色光晕进行形态学转换,取集合A中与B有交集的元素组成集合D;使用matlab函数对蓝色光晕进行膨胀;对蓝色光晕与图像边界的缺口进行填充;使用matlab函数对蓝色光晕的内部进行填充;通过matlab函数将蓝色光晕收缩获得集合F;求集合C和集合F的交集PO;
纤维提取模块用于提取满足L0≤L≤100,且b>0的所有像素点的集合PRule;基于集合PRule和PO求得纤维部分像素的集合PF=PRule\PO。
还包括纤维面积计算模块,用于计算纤维面积NFibers:
NFibers=|PF|。
还包括纤维率计算模块,用于计算纤维率,方式为:
提取有效图像部分:在图片上标记出肺部切片部分的边界,计算机识别标记,并只将标记内部的像素点计入有效图像部分NTotal;
通过以下公式计算纤维率r:
将本发明识别后的纤维图像,用人工识别方法验证,准确率极高,毫无疑问采用本发明识别方法能够避免人工识别带来的误差,且能够快速计算纤维面积和纤维率。以三张肺部切片图像为例,采用本发明方法和胶原定量法分别计算纤维率,对比如下表2。
表2
可以看出,胶原定量法误差极大,无法满足识别需求,而本方案获得的纤维定量比率比胶原定量法要准确地多,避免了假阳性率的发生,具有极强的实用性。
本发明方法不仅可以应用于肺部切片图片的胶原纤维识别和计算,还能够应用于其他包含有胶原纤维的组织切片图片中。基于对胶原纤维的准确识别和定量,本发明能够应用于人体图像建模,运动、美容效果评测,病理分析等与人体有关的各种领域中。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.基于Lab的医学图像胶原纤维识别计算方法,其特征在于,包括如下步骤:
步骤1,将含有胶原纤维的组织进行染色并在偏振光下拍照,将拍照获得的图像导入计算机中并转换至Lab颜色空间,图像中,胶原纤维具有双折射性呈现染色加强状态;
步骤2,提取曝光区域
步骤2-1,初步获得包含蓝色光晕的二值图,二值图中每个连续区域都是一个包含像素点的集合An而且集合互相之间互相独立,An中的像素点满足b≤b0,这些独立集合的全集表示如下:
A=A1∪A2....∪An
b0为蓝色光晕的提取阈值;
步骤2-2,初步获得包含曝光区域的二值图,二值图中每个连续区域都是一个包含像素点的集合Bm而且集合互相之间互相独立,Bm中的像素点满足L≥L0,这些独立集合的全集表示如下:
B=B1∪B2...∪Bm
L0为曝光区域的亮度提取阈值;
去除二值图中的噪点,取集合B中与A有交集的元素组成集合C:
步骤2-3,对蓝色光晕进行形态学转换
取集合A中与B有交集的元素组成集合D:
使用matlab函数对蓝色光晕进行膨胀;
对蓝色光晕与图像边界的缺口进行填充;
使用matlab函数对蓝色光晕的内部进行填充;
通过matlab函数将蓝色光晕收缩获得集合F;
步骤2-4,求集合C和集合F的交集:
PO=C∩F
步骤3,提取纤维部分
步骤3-1,提取满足L0≤L≤100,且b>0的所有像素点的集合PRulq;
步骤3-2,基于集合PRule和PO求得纤维部分像素的集合:
PF=PRule\P0。
2.根据权利要求1所述的基于Lab的医学图像胶原纤维识别计算方法,其特征在于,还包括计算纤维面积NFibers的步骤:
NFibers=|PF|。
4.根据权利要求1所述的基于Lab的医学图像胶原纤维识别计算方法,其特征在于:步骤2-3中进行膨胀时采用imdilate方法。
5.根据权利要求1所述的基于Lab的医学图像胶原纤维识别计算方法,其特征在于:步骤2-3中对蓝色光晕与图像边界的缺口进行的填充通过在图像边界***一条线段实现,线段的首末端分别为蓝色光晕与图像边界的接触点。
6.根据权利要求1所述的基于Lab的医学图像胶原纤维识别计算方法,其特征在于:步骤2-3中进行填充时采用imfill方法。
7.根据权利要求1所述的基于Lab的医学图像胶原纤维识别计算方法,其特征在于:步骤2-3中进行收缩时采用imerode方法。
8.基于Lab的医学图像胶原纤维识别计算***,其特征在于:包括图像采集模块、曝光区域提取模块、纤维提取模块;
所述图像采集模块用于获取含有胶原纤维的组织的染色偏振图像,并将图像转换至Lab颜色空间,图像中,胶原纤维具有双折射性呈现染色加强状态;
所述曝光区域提取模块
用于初步获得包含蓝色光晕的二值图,二值图中每个连续区域都是一个包含像素点的集合An而且集合互相之间互相独立,An中的像素点满足b≤bO,独立集合的全集为A=A1∪A2...∪An;b0为蓝色光晕的提取阈值;
用于初步获得包含曝光区域的二值图,二值图中每个连续区域都是一个包含像素点的集合Bm而且集合互相之间互相独立,Bm中的像素点满足L≥L0,独立集合的全集表示为B=B1∪B2...∪Bm;L0为曝光区域的亮度提取阈值;
用于去除二值图中的噪点,取集合B中与A有交集的元素组成集合C;
用于对蓝色光晕进行形态学转换,取集合A中与B有交集的元素组成集合D;使用matlab函数对蓝色光晕进行膨胀;对蓝色光晕与图像边界的缺口进行填充;使用matlab函数对蓝色光晕的内部进行填充;通过matlab函数将蓝色光晕收缩获得集合F;求集合C和集合F的交集PO;
所述纤维提取模块用于提取满足L≥L′,且b>0的所有像素点的集合PRule;并基于集合PRule和PO求得纤维部分像素的集合PF=PRule\PO,L’为亮度提取阈值。
9.根据权利要求8所述的基于Lab的医学图像胶原纤维识别计算***,其特征在于:还包括纤维面积计算模块,用于计算纤维面积NFibers:
NFibers=|PF|。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710684074.5A CN107463913B (zh) | 2017-08-11 | 2017-08-11 | 基于Lab的图像胶原纤维识别计算***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710684074.5A CN107463913B (zh) | 2017-08-11 | 2017-08-11 | 基于Lab的图像胶原纤维识别计算***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463913A CN107463913A (zh) | 2017-12-12 |
CN107463913B true CN107463913B (zh) | 2020-07-14 |
Family
ID=60547640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710684074.5A Active CN107463913B (zh) | 2017-08-11 | 2017-08-11 | 基于Lab的图像胶原纤维识别计算***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463913B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230387B (zh) * | 2017-12-29 | 2020-10-27 | 杭州筹图科技有限公司 | 一种纤维间隔特征量化的方法及装置 |
CN113129356B (zh) * | 2020-01-16 | 2022-08-23 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜***及其图像染色面积识别方法及存储介质 |
CN111462143B (zh) * | 2020-03-22 | 2022-12-02 | 华中科技大学 | 一种基于分水岭算法的虫体识别计数方法和*** |
CN112700422A (zh) * | 2021-01-06 | 2021-04-23 | 百果园技术(新加坡)有限公司 | 一种过曝点检测方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2573945T3 (es) * | 2008-09-16 | 2016-06-13 | Novartis Ag | Cuantificación reproducible de expresión de biomarcadores |
JP5953035B2 (ja) * | 2011-11-28 | 2016-07-13 | 学校法人慶應義塾 | 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム |
CN104778729A (zh) * | 2014-01-09 | 2015-07-15 | 上海帝仪科技有限公司 | 不均匀光照条件下的虹膜提取方法及设备 |
CN105550651B (zh) * | 2015-12-14 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及*** |
CN106228545B (zh) * | 2016-07-14 | 2018-11-13 | 西北民族大学 | 一种佛像类唐卡一致性破损区域的自动分割方法 |
-
2017
- 2017-08-11 CN CN201710684074.5A patent/CN107463913B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107463913A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463913B (zh) | 基于Lab的图像胶原纤维识别计算***及方法 | |
CN112150428B (zh) | 一种基于深度学习的医学图像分割方法 | |
CN108376400B (zh) | 一种骨髓细胞自动分类方法 | |
CN110120048B (zh) | 结合改进U-Net和CMF的三维脑肿瘤图像分割方法 | |
Li et al. | Dual U-Net for the segmentation of overlapping glioma nuclei | |
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 | |
Duan et al. | A WBC segmentation methord based on HSI color space | |
Bai et al. | Automatic segmentation of cervical region in colposcopic images using K-means | |
Lampert et al. | Strategies for training stain invariant CNNs | |
CN115063592B (zh) | 一种基于多尺度的全扫描病理特征融合提取方法及*** | |
CN110969631B (zh) | 一种精细化照片染发方法及*** | |
CN109255775A (zh) | 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及*** | |
CN111476794B (zh) | 一种基于unet的宫颈病理组织分割方法 | |
US11763453B1 (en) | Automatic generation method of fine-labeled digital pathological data set based on hyperspectral imaging | |
CN114511567B (zh) | 舌体与舌苔图像识别分离方法 | |
Mannam et al. | Convolutional neural network denoising in fluorescence lifetime imaging microscopy (FLIM) | |
Zhang et al. | FD-Net: Feature distillation network for oral squamous cell carcinoma lymph node segmentation in hyperspectral imagery | |
Reddy | Extraction of image features for an effective CBIR system | |
CN112560911A (zh) | 中医舌图像分类方法及*** | |
CN105869151B (zh) | 舌分割及舌苔舌质分离方法 | |
CN104766068A (zh) | 一种多规则融合的随机游走舌像提取方法 | |
Mohammed et al. | Segmentation of acute lymphoblastic leukemia using CY color space | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
Raina et al. | Exploiting Bilateral Symmetry in Brain Lesion Segmentation with Reflective Registration. | |
CN109949906A (zh) | 病理切片图像处理和模型训练方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |