CN110544262A - 一种基于机器视觉的子宫颈细胞图像分割方法 - Google Patents
一种基于机器视觉的子宫颈细胞图像分割方法 Download PDFInfo
- Publication number
- CN110544262A CN110544262A CN201910725869.5A CN201910725869A CN110544262A CN 110544262 A CN110544262 A CN 110544262A CN 201910725869 A CN201910725869 A CN 201910725869A CN 110544262 A CN110544262 A CN 110544262A
- Authority
- CN
- China
- Prior art keywords
- cell
- cervical
- image
- nucleus
- cytoplasm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003709 image segmentation Methods 0.000 title claims abstract description 29
- 210000004027 cell Anatomy 0.000 claims abstract description 116
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 61
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 7
- 210000004940 nucleus Anatomy 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000001413 cellular effect Effects 0.000 claims description 6
- 230000001086 cytosolic effect Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 3
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 3
- 201000010881 cervical cancer Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000975 dye Substances 0.000 description 3
- 239000008188 pellet Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003527 eukaryotic cell Anatomy 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- -1 mucus Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06T7/10—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于机器视觉的子宫颈细胞图像分割方法,该方法涉及医学图像处理技术领域。该方法包括:先对子宫颈细胞原图进行切块处理,然后分别对细胞质团块和细胞核进行检测,筛选等处理,其中细胞核的检测除了图像处理方法外还运用到了细胞学上的先验知识对细胞核进行筛选,大大提高细胞核筛选的准确率,结合得到的细胞质团块以及细胞核进行细胞的定位,本发明能够实现细胞的快速定位,帮助医疗人员提高辨识效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种基于机器视觉的子宫颈细胞图像分割方法。
背景技术
传统的子***细胞辨识主要是专业医生对接受子宫颈细胞检测测者的子宫颈细胞医学图像进行观察,并凭借专业知识和经验判断受检测者子宫颈细胞是否发生病变,是否存在患上子***的风险,虽然对于经验丰富、专业知识扎实的医生来说,这种辨识方法的准确度也相当高、然而由于子宫颈医学图像往往太大,加上各种影响判断的图像噪声的影响,这一辨识方式往往需要耗费很多的时间,不仅在时间成本、还是时间成本上都是巨大的,而且对人体细胞病变的辨识一旦拖延,就有可能会出现不可挽回的情况,因此,这是一项既要求精度,也要求速度的技术。
图像分割是把图像中人们感兴趣的特定的区域提取出来的技术和过程,随着医疗水平的提高,医疗图像分割已经成为了医疗分析技术的重点对象。子宫颈细胞分割,由于子***的高发病率和高死亡率严重威胁女性的身体健康和生命安全,也便成为了临床诊疗中重点关注的技术。各种经典的图像分割方法应用于医学图像分割,但是由于医学图像的特殊性以及复杂性,虽然有一定的进展,但是在实际应用中并没有取得很好的效果。
细胞核包含主要的遗传物质,对细胞是否病变的判断也就不可避免的需要去对细胞核进行处理,而细胞质虽然只包含少量的遗传物质,但是由于细胞质的敏感性,一旦细胞发生病变,细胞质就会以不同的方式来表现细胞的病变程度。因此对子宫颈细胞图的分割也主要集中在对细胞核和细胞质的检测上。利用聚类方案获取超像素图像,然后依托超像素图像,利用阈值法实现前景(细胞质团块)和背景(细胞质团块以外的区域)的分离,便能实现细胞质团块的分割。细胞核具有相对较低的灰度值,均匀的纹理和清晰的边界,几乎是圆形的边界这些特点,可以通过分水岭法去进行检测,但是由于子宫颈细胞图像的复杂性,不确定性,总时参杂各种难以预测的噪声。
发明内容
本发明的目的就是为了对子宫颈细胞图像中的细胞进行分割定位,帮助医生提高子宫颈细胞辨识效率而提供一种基于机器视觉的子宫颈细胞图像分割方法。
本发明的目的可以通过以下技术方案来实现:
一种基于机器视觉的子宫颈细胞图像分割方法,该分割方法应用于子宫颈细胞的医学图像,子宫颈细胞的医学图像主要有三个特点:
1)图像非常大,一般占用存储空间超过30GB;
2)每张图像上面细胞非常多,有些地方密密麻麻的聚集很多很多细胞,有些地方细胞数量很少,甚至有些区域周围很大的范围内没有任何细胞;
3)子宫颈细胞图在采集时,细胞图像受光线,染料,粘液、血液和炎症细胞的存在会造成细胞图像中出现很多影响处理细胞图的干扰因素,也就是在图像中出现一些看起来可能与细胞有些相似,但实际并非真正的细胞的物体。
通过对难以直接处理的超大医学细胞图进行切割成容易处理的小图,对切割下来的小图进行去噪声处理之后再进行细胞分割的处理,本发明一种基于机器视觉的子宫颈细胞图像分割方法,包括以下步骤:
步骤1:对子宫颈细胞的原图像按照具体需求进行切块处理,得到多张子宫颈细胞子图;
步骤2:对每张子宫颈细胞子图通过去噪处理去掉图像中影响细胞切割的物体,所述物体包括由于染料不均匀造成的燃料快、液体的暗纹和毛刺;
步骤3:对所有经过去噪处理的子宫颈细胞子图进一步统一对图像的数据类型和格式进行处理并缩小尺寸,得到所有经过预处理的子宫颈细胞子图;
步骤4:采用聚类方法针对所有经过预处理的子宫颈细胞子图通过计算得到超像素,基于得到的超像素利用阈值法实现前景与背景的分离,再对细胞质团块运用开运算,得到细胞质区域;
步骤5:采用改进的最大稳定极值区域方法对所有经过预处理的子宫颈细胞子图进行细胞核检测,得到筛选细胞核;
步骤6:结合得到的细胞质区域和筛选细胞核进一步进行细胞区域估计,对估计结果进行精修后即为子宫颈细胞图像分割结果。
进一步地,所述步骤1具体包括:对子宫颈细胞的原图像按照保证图像分辨率的基础上利用具有不同对于图像的处理能力的设备进行不同需求对应大小的切块处理,得到多张子宫颈细胞子图。
进一步地,所述步骤2中的去噪处理采用双边滤波的去噪方法。
进一步地,所述步骤3具体包括:对所有经过去噪处理的子宫颈细胞子图进一步统一对图像的数据类型和格式进行处理,即图像格式的颜色空间统一为RGB格式,图像数据值统一为0~255,并缩小尺寸,得到所有经过预处理的子宫颈细胞子图。
进一步地,所述的步骤4具体包括以下分步骤:
步骤41:对所有经过预处理的子宫颈细胞子图进行quickshift聚类,得到聚类标签;
步骤42:对得到的聚类标签使用平均颜色强度计算方法得到区域邻接图;
步骤43:对得到的区域邻接图进行相似区域合并得到超像素图像;
步骤44:基于超像素图像利用阈值法获得前景,实现细胞质团块与背景的分离;
步骤45:对细胞质团块运用数学形态学上的开运算,得到细胞质区域。
进一步地,所述的步骤5包括以下分步骤:
步骤51:将所有经过预处理的子宫颈细胞子图转换为灰度图像,采用最大稳定极值区域算法(MSER)对图像中的细胞核进行检测,得到细胞核候选项;
步骤52:根据细胞学先验知识对细胞核候选项进行过滤并对细胞核候选项中经过过滤后剩余的细胞核候选项进行打分;
步骤53:根据得到的经过过滤后剩余的细胞核候选项和对应分数,运用非极大值抑制算法(NMS抑制),通过去除重复的细胞核候选项得到筛选细胞核。
进一步地,所述的步骤6包括以下分步骤:
步骤61:对获得的细胞质团块和筛选细胞核通过交运算进一步筛选不符合要求的细胞核,对应的数学描述公式为:
式中,N表示筛选细胞核,M表示细胞质团块,NT表示进一步筛选得到的细胞核,NF表示进一步筛选去掉的细胞核;
步骤62:通过经过进一步筛选的细胞核结合前景对图像中的细胞形态进行评估,得到评估结果;
步骤63:对估计结果进行精修后即为子宫颈细胞图像分割结果。
进一步地,所述的步骤62包括以下分步骤:
步骤621:将前景边界的每个点与对应直线距离最近的细胞核相关联;
步骤622:利用插值法通过跟踪与该细胞核相关的极端丛边界点获得每个重叠区域的细胞边界;
步骤623:对细胞边界进行距离变换得到几何质心;
步骤624:利用细胞边界进一步结合几何中心计算单个形状先验,得到的形状先验即为评估结果。
进一步地,所述步骤624中的形状先验的计算公式为:
hc(x)=max hi(x),hi∈C
式中,C表示簇内细胞集合,hc表示每个簇的形状先验,β表示通过交叉验证估计的自由参数,t(·)表示计算点x到初始分割的几何质心的距离。
与现有技术相比,本发明具有以下优点:
一、本发明中超像素及数学形态学的合理运用:本发明利用子宫颈细胞图中细胞分布的特点,通过对图像进行超像素求取来整体处理细胞质团块,提高处理速度,并运用数学形态学来对得到的细胞质团块进行处理,提高精确度。
二、本发明中改进的最大稳定极值区域算法:根据细胞核本身具有的特性,运用最大稳定极值区域算法能够很方便快速地得到细胞核候选项,利用细胞学的先验知识以及改进的非极大值抑制法来改进最大稳定极值区域算法,提高了细胞核检测的鲁棒性。
三、本发明中结合得到的细胞核候选项以及细胞质团块进一步筛选细胞核,进一步提高细胞核检测的鲁棒性。
附图说明
图1为本发明的一种基于机器视觉的子宫颈细胞图像分割方法结构简略图;
图2为本发明的一种基于机器视觉的子宫颈细胞图像分割方法的细胞质团块以及细胞核检测流程图;
图3为本发明的一种基于机器视觉的子宫颈细胞图像分割方法的核心算法结构图;
图4为本发明的一种基于机器视觉的子宫颈细胞图像分割方法的整体方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图4所示,本发明公开了一种基于机器视觉的子宫颈细胞图像分割方法,实现对子宫颈细胞医学原图上面的细胞自动定位,以帮助医生进行子宫颈细胞的图像辨识,本发明通过双边滤波的去噪方法对图像进行包边去噪,通过适当地缩小图像来降低运算量来达到提高运算速度的效果。
本发明包括以下流程:
(1)对子宫颈细胞的医学原图进行切块处理,根据具体的需求,对子宫颈细胞图进行适当的切块处理,得到相对容易处理的子宫颈细胞小图;
(2)对每张小图进行去除噪声的处理,去掉图像中可能回影响细胞分割的物体,包括由于染料不均匀造成的燃料快、液体的暗纹、毛刺等;
(3)对图像的数据类型、格式进行处理,统一到颜色空间为RGB,值在0~255,便于后续的处理操作,另外,为了提高处理的速度,可以适当地缩小图小地尺寸;
(4)采用聚类方案计算得到子宫颈细胞子图的超像素,依托超像素,利用阈值法实现前景(细胞质团块)和背景的分离,再对细胞质团进行运用数学形态学上的开运算,得到细胞质;
(5)采用改进的最大稳定极值区域方案进行细胞核检测,这里的改进包括细胞学形态上的先验知识以及加入改进的非极大值抑制方法。
(6)结合得到的细胞质团块以及细胞核进一步筛选细胞核,并且进行细胞区域估计。
在流程(1)中,子宫颈细胞医学原图的大小远超一般机器设备的运行上限,根本没法直接处理,而处理医学图像,为了保证辨识的准确度,图像的分辨率的要求就需要得到保证,因此需要在保证图像分辨率的基础上对原图进行切块处理,具体的辨识要求、不同的设备对图像的处理能力也各不相同,因此需要根据需求对图像进行适当大小的切割。
在流程(2)和(3)中,采用能够达到保持边缘、降噪平滑的效果的双边滤波,然后将图像缩小为原来地0.5倍,将图像的数据值统一到0~255,降低计算量,降低出错地概率,提高处理速度。
在流程(4),对预处理过的子宫颈细胞小图进行quickshift聚类,得到聚类标签,再对得到的聚类标签使用平均颜色强度计算得到区域邻接图,对得到的区域邻接图进行相似区域合并即可得到原图的超像素图像,然后依托得到的超像素图像,利用阈值法获得前景(即细胞质区域),从而实现细胞团块和背景(细胞团块以外的区域)的有效分离,然后再利用数学形态学上的开运算除去孤立的小点,毛刺和小桥等细小噪点,提高细胞质团块检测的鲁棒性。
在本发明所述流程(5)中,包括以下分步骤:
步骤51:将所有经过预处理的子宫颈细胞子图转换为灰度图像,采用最大稳定极值区域算法对图像中的细胞核进行检测,得到细胞核候选项;
步骤52:根据细胞学先验知识对细胞核候选项进行过滤并对细胞核候选项中经过过滤后剩余的细胞核候选项进行打分;
步骤53:根据得到的经过过滤后剩余的细胞核候选项和对应分数,运用非极大值抑制算法,通过去除重复的细胞核候选项得到筛选细胞核。
为了能够尽可能地将所有的细胞核都检测出来,进行最大稳定极值区域算法是,将其中的关键参数设置如下:
梯度值_delta=5,最小细胞核参数_min_area=50,最大细胞核参数_max_area=1200
对细胞核进行初步的检测,并得到细胞核候选项;接下来是,利用细胞核的外观及其形状属性的对细胞核候选项进行筛选,并且在筛选的时候利用属性给每个细胞核候选项设置一个分数,这个分数就是这个候选核是否为真核的可信度,确定不是核的分数为0,确定一定是核的分数为1,两个关键参数的取值:平均强度=0.4,离心率=0.9。这一步能够筛选掉一大部分不是真正的细胞核的候选项;在上面的基础上,运用非极大值抑制算法,去除掉重复的细胞核候选项,大大提高细胞核检测的鲁棒性。
在流程(6)中,对得到的细胞质团块以及细胞核候选项进行交运算,进一步筛选掉不符合的细胞核,由于细胞核实在细胞质内的,所以,对于检测到的细胞核胡选项,如果不在细胞质团块内部,则说明这个候选核一定不是细胞核,是一个错误的检测,数学表达式如下:
式中,N表示筛选细胞核,M表示细胞质团块,NT表示进一步筛选得到的细胞核,NF表示进一步筛选去掉的细胞核;注意,这里的M是指细胞质团块中的一块,而不是全部的细胞质团块。
然后是细胞区域的估计,具体如下:
1)将簇边界的每个点与最近的核相关联;这表明假定细胞拥有该边界点。这里应用的唯一约束是,连接簇边界到细胞核的线必须完全在簇内(这意味着本实施例中假设细胞区域形成一个凸集)。在含有大量细胞的团块中,可能会发生一些细胞核没有与之相联系的边界(即细胞核的边界)。细胞完全在簇内,此时假设细胞为圆形,半径等于到簇内最近的细胞核的距离。
2)利用插值法通过,跟踪与该细胞相关的极端丛边界点,推断每个重叠区域中的细胞边界。
3)对2)得到的边界进行距离变换得到几何质心。
4)使用上述的得到的边界去计算单个形状先验。
以上4)中的形状先验的计算公式为:
hc(x)=max hi(x),hi∈C
式中,C表示簇内细胞集合,hc表示每个簇的形状先验,β表示通过交叉验证估计的自由参数,t(·)表示计算点x到初始分割的几何质心的距离。
以上处理可以简化为以下处理过程:
(1)距离变换;
(2)分水岭算法;
(3)细胞的形状先验;
如图1所示,是一种基于机器视觉的子宫颈细胞图像分割方法的整体流程简略图,处理过程可以一目了然,就是分为两部分,先是对子宫颈细胞原图进行小块的切割才能进行后续的分割处理,然后是对切割得到的子宫颈细胞细胞小图进行本发明的核心处理部分。
如图2所示,为本发明的一种基于机器视觉的子宫颈细胞图像分割方法的细胞质团块以及细胞核检测流程图,采用先分后合的思想:先细胞质团块和细胞核分开进行检测,再通过细胞核和细胞质的位置关系筛选细胞核。
如图3所示,为本发明的一种基于机器视觉的子宫颈细胞图像分割方法的核心算法结构图,在利用细胞质团块对细胞核进行最后的筛选之后,再结合细胞质团块以及最终得到的细胞核,利用距离变换、分水岭算法,以及细胞形状先验确定细胞的位置,至此实现细胞分割。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于机器视觉的子宫颈细胞图像分割方法,其特征在于,包括以下步骤:
步骤1:对子宫颈细胞的原图像按照具体需求进行切块处理,得到多张子宫颈细胞子图;
步骤2:对每张子宫颈细胞子图通过去噪处理去掉图像中影响细胞切割的物体,所述物体包括由于染料不均匀造成的燃料快、液体的暗纹和毛刺;
步骤3:对所有经过去噪处理的子宫颈细胞子图进一步统一对图像的数据类型和格式进行处理并缩小尺寸,得到所有经过预处理的子宫颈细胞子图;
步骤4:采用聚类方法针对所有经过预处理的子宫颈细胞子图通过计算得到超像素,基于得到的超像素利用阈值法实现前景与背景的分离,再对细胞质团块运用开运算,得到细胞质区域;
步骤5:采用改进的最大稳定极值区域方法对所有经过预处理的子宫颈细胞子图进行细胞核检测,得到筛选细胞核;
步骤6:结合得到的细胞质区域和筛选细胞核进一步进行细胞区域估计,对估计结果进行精修后即为子宫颈细胞图像分割结果。
2.根据权利要求1所述的一种基于机器视觉的子宫颈细胞图像分割方法,其特征在于,所述步骤1具体包括:对子宫颈细胞的原图像按照保证图像分辨率的基础上利用具有不同对于图像的处理能力的设备进行不同需求对应大小的切块处理,得到多张子宫颈细胞子图。
3.根据权利要求1所述的一种基于机器视觉的子宫颈细胞图像分割方法,其特征在于,所述步骤2中的去噪处理采用双边滤波的去噪方法。
4.根据权利要求1所述的一种基于机器视觉的子宫颈细胞图像分割方法,其特征在于,所述步骤3具体包括:对所有经过去噪处理的子宫颈细胞子图进一步统一对图像的数据类型和格式进行处理,即图像格式的颜色空间统一为RGB格式,图像数据值统一为0~255,并缩小尺寸,得到所有经过预处理的子宫颈细胞子图。
5.根据权利要求1所述的一种基于机器视觉的子宫颈细胞图像分割方法,其特征在于,所述的步骤4具体包括以下分步骤:
步骤41:对所有经过预处理的子宫颈细胞子图进行quickshift聚类,得到聚类标签;
步骤42:对得到的聚类标签使用平均颜色强度计算方法得到区域邻接图;
步骤43:对得到的区域邻接图进行相似区域合并得到超像素图像;
步骤44:基于超像素图像利用阈值法获得前景,实现细胞质团块与背景的分离;
步骤45:对细胞质团块运用数学形态学上的开运算,得到细胞质区域。
6.根据权利要求1所述的一种基于机器视觉的子宫颈细胞图像分割方法,其特征在于,所述的步骤5包括以下分步骤:
步骤51:将所有经过预处理的子宫颈细胞子图转换为灰度图像,采用最大稳定极值区域算法对图像中的细胞核进行检测,得到细胞核候选项;
步骤52:根据细胞学先验知识对细胞核候选项进行过滤并对细胞核候选项中经过过滤后剩余的细胞核候选项进行打分;
步骤53:根据得到的经过过滤后剩余的细胞核候选项和对应分数,运用非极大值抑制算法,通过去除重复的细胞核候选项得到筛选细胞核。
7.根据权利要求1所述的一种基于机器视觉的子宫颈细胞图像分割方法,其特征在于,所述的步骤6包括以下分步骤:
步骤61:对获得的细胞质团块和筛选细胞核通过交运算进一步筛选不符合要求的细胞核,对应的数学描述公式为:
式中,N表示筛选细胞核,M表示细胞质团块,NT表示进一步筛选得到的细胞核,NF表示进一步筛选去掉的细胞核;
步骤62:通过经过进一步筛选的细胞核结合前景对图像中的细胞形态进行评估,得到评估结果;
步骤63:对估计结果进行精修后即为子宫颈细胞图像分割结果。
8.根据权利要求7所述的一种基于机器视觉的子宫颈细胞图像分割方法,其特征在于,所述的步骤62包括以下分步骤:
步骤621:将前景边界的每个点与对应直线距离最近的细胞核相关联;
步骤622:利用插值法通过跟踪与该细胞核相关的极端丛边界点获得每个重叠区域的细胞边界;
步骤623:对细胞边界进行距离变换得到几何质心;
步骤624:利用细胞边界进一步结合几何中心计算单个形状先验,得到的形状先验即为评估结果。
9.根据权利要求8所述的一种基于机器视觉的子宫颈细胞图像分割方法,其特征在于,所述步骤624中的形状先验的计算公式为:
hc(x)=max hi(x),hi∈C
式中,C表示簇内细胞集合,hc表示每个簇的形状先验,β表示通过交叉验证估计的自由参数,t(·)表示计算点x到初始分割的几何质心的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725869.5A CN110544262B (zh) | 2019-08-07 | 2019-08-07 | 一种基于机器视觉的子宫颈细胞图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725869.5A CN110544262B (zh) | 2019-08-07 | 2019-08-07 | 一种基于机器视觉的子宫颈细胞图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544262A true CN110544262A (zh) | 2019-12-06 |
CN110544262B CN110544262B (zh) | 2023-05-02 |
Family
ID=68710079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910725869.5A Active CN110544262B (zh) | 2019-08-07 | 2019-08-07 | 一种基于机器视觉的子宫颈细胞图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544262B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429761A (zh) * | 2020-02-28 | 2020-07-17 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学人工智能模拟教学***及其方法 |
CN111724381A (zh) * | 2020-06-24 | 2020-09-29 | 武汉互创联合科技有限公司 | 基于多视图交叉验证的显微图像细胞计数与姿态识别方法 |
CN116309280A (zh) * | 2022-12-16 | 2023-06-23 | 上海药明康德新药开发有限公司 | 一种淋巴细胞标注方法和*** |
CN117253228A (zh) * | 2023-11-14 | 2023-12-19 | 山东大学 | 一种基于核像距离内编码的细胞团簇空间约束方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831607A (zh) * | 2012-08-08 | 2012-12-19 | 深圳市迈科龙生物技术有限公司 | 宫颈液基细胞图像分割方法 |
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及*** |
CN109815888A (zh) * | 2019-01-21 | 2019-05-28 | 武汉兰丁医学高科技有限公司 | 一种新型巴氏染色方法及异常宫颈细胞自动识别方法 |
-
2019
- 2019-08-07 CN CN201910725869.5A patent/CN110544262B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831607A (zh) * | 2012-08-08 | 2012-12-19 | 深圳市迈科龙生物技术有限公司 | 宫颈液基细胞图像分割方法 |
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及*** |
CN109815888A (zh) * | 2019-01-21 | 2019-05-28 | 武汉兰丁医学高科技有限公司 | 一种新型巴氏染色方法及异常宫颈细胞自动识别方法 |
Non-Patent Citations (1)
Title |
---|
郑欣等: "基于YOLO模型的宫颈细胞簇团智能识别方法", 《液晶与显示》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429761A (zh) * | 2020-02-28 | 2020-07-17 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学人工智能模拟教学***及其方法 |
CN111724381A (zh) * | 2020-06-24 | 2020-09-29 | 武汉互创联合科技有限公司 | 基于多视图交叉验证的显微图像细胞计数与姿态识别方法 |
CN111724381B (zh) * | 2020-06-24 | 2022-11-01 | 武汉互创联合科技有限公司 | 基于多视图交叉验证的显微图像细胞计数与姿态识别方法 |
CN116309280A (zh) * | 2022-12-16 | 2023-06-23 | 上海药明康德新药开发有限公司 | 一种淋巴细胞标注方法和*** |
CN117253228A (zh) * | 2023-11-14 | 2023-12-19 | 山东大学 | 一种基于核像距离内编码的细胞团簇空间约束方法及*** |
CN117253228B (zh) * | 2023-11-14 | 2024-02-09 | 山东大学 | 一种基于核像距离内编码的细胞团簇空间约束方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110544262B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544262A (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
US10229488B2 (en) | Method and system for determining a stage of fibrosis in a liver | |
Jiang et al. | A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering | |
CN106815853B (zh) | 对眼底图像中视网膜血管的分割方法和装置 | |
CN106327507B (zh) | 一种基于背景和前景信息的彩色图像显著性检测方法 | |
CN110458835B (zh) | 一种图像处理方法、装置、设备、***及介质 | |
CN110009638B (zh) | 基于局部统计特征的桥梁拉索图像外观缺陷检测方法 | |
CN103984958A (zh) | ***细胞分割方法及*** | |
CN105828691B (zh) | 图像处理装置、图像处理方法 | |
CN111402267A (zh) | ***癌病理图像中上皮细胞核的分割方法、装置和终端 | |
CN107492084B (zh) | 基于随机性的典型成团细胞核图像合成方法 | |
CN106504261B (zh) | 一种图像分割方法及装置 | |
CN109544583A (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
CN114494318B (zh) | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 | |
CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
JP6819445B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN104835155A (zh) | 基于分形的早期乳腺癌钙化点计算机辅助检测方法 | |
JPWO2016117018A1 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及*** | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN111429461A (zh) | 一种新型的重叠脱落上皮细胞分割方法 |
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 |