CN111311628A - 一种全自动高性能白细胞分割方法 - Google Patents
一种全自动高性能白细胞分割方法 Download PDFInfo
- Publication number
- CN111311628A CN111311628A CN202010087468.4A CN202010087468A CN111311628A CN 111311628 A CN111311628 A CN 111311628A CN 202010087468 A CN202010087468 A CN 202010087468A CN 111311628 A CN111311628 A CN 111311628A
- Authority
- CN
- China
- Prior art keywords
- image
- saturation
- sub
- white blood
- mask
- 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.)
- Pending
Links
- 210000000265 leukocyte Anatomy 0.000 title claims abstract description 58
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 18
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 15
- 210000004027 cell Anatomy 0.000 claims description 17
- 210000003855 cell nucleus Anatomy 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005530 etching Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 210000004940 nucleus Anatomy 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 abstract description 6
- 239000008280 blood Substances 0.000 abstract description 6
- 238000003759 clinical diagnosis Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 4
- 238000004820 blood count Methods 0.000 description 2
- 230000001086 cytosolic effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 208000037386 Typhoid Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 206010024378 leukocytosis Diseases 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 201000004792 malaria Diseases 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007447 staining method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000037816 tissue injury Diseases 0.000 description 1
- 201000008297 typhoid fever Diseases 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种全自动高性能白细胞分割方法。在患者的临床诊疗中,对血涂片上的白细胞进行分类和计数非常重要。但是血液科医生进行手动白细胞分类和计数比较耗时,而且容易出错。本发明所提供的算法首先通过缩放后的饱和度图像对核区域进行分割等一系列处理,然后再通过绿色图像和经红色图像归一化的蓝色图像的进行差分等图像处理,从而达到对子图像中的细胞浆区域进行自动准确的分割的目的。
Description
技术领域
本发明涉及图像处理领域,特别是一种全自动高性能白细胞分割方法。
背景技术
白细胞是人体免疫***的重要组成部分,在临床上通常将白细胞形态和数目的变化作为诊断的参考依据。
在以前大部分都是由有经验的血液科工作人员采用光学显微镜靠人工识别分类白细胞,然后根据显微白细胞中的细胞核,细胞质和染色体颜色等信息来判别白细胞种类,并记录白细胞种类的个数。根据医院统计,大约有20%左右的血常规标本需要人工镜检复查。这种人工方式每次调焦和观察识别的时间都比较长,负责显微白细胞人工镜检的血液科工作人员要花费大量的时间,浪费了医务资源。
而现在因为数字图像处理技术的出现,改由机器分割识别白细胞,省时省力,准确率在95%以上。机器对显微图像中白细胞的识别通常要经历这样几个过程:图像的预处理、图像细胞的分割、对其进行特征提取然后分类。其中对图像细胞的分割是最重要的一步,因为之后的特征提取和分类的准确性都是以细胞分割的准确率为前提的。
白细胞在不同疾病的诊断中起着重要作用。血液科医生通过分析通过液涂片形成的白细胞图像以获得更精确、更准确的结果。正常成年人的白细胞总数为(4.0~10.0)×109/L,但是它会随着时间的变化以及不同生物的功能状态而变化。每个类别中的数值变化和数据变化都具有重要的临床意义。通过分析不同类型白细胞的数量和形态变化,可以诊断人体健康。白细胞的具体变化如下:
(1)白细胞计数增加。当白细胞总数当其超过10,000时,被认为是白细胞增多。白细胞计数增加多见于急性感染,组织损伤,大手术,白血病等。
(2)白细胞数减少。当白细胞总数少于4000时被认为是白细胞的减少。白细胞数量减少通常在伤寒和副伤寒,疟疾,X射线和放射性核素照射等情况下出现。
由此可以看出白细胞的增加和减少可以为疾病的鉴别诊断提供依据。白细胞的图像分割是全自动白细胞计数过程中非常关键的步骤,因为后续的特征提取和分类的准确性均取决于白细胞能否正确分割。但是白细胞图像的分割和提取有许多挑战和难点,分别列举如下。
1.)细胞的形状,大小,边缘和位置不具有统一性,变化各异。又由于血液涂层厚度的不均一性以及照明的不平衡性,在图像采集的过程中,细胞边界与背景之间的图像对比度不稳定。
2.)染色方法和着色剂在不同的试剂中有所不同。因此,来自不同媒介的数字图像的色调有所不同。
3.)细胞浆区域与背景非常相似,因此很难正确地分割细胞浆区域。
4.)前人已经在血液涂片数字图像分割中尝试了一些方法,这些分割方法包括边缘和边界检测,区域增长,滤波,形态学分析,强度阈值化,边缘分析,面积增长,可变形模型拟合和分水岭聚类算法等等。比如,里特等提出了一种全自动方法,用于对从外周血涂片上获取的图像中不与边界重叠的所有对象进行分割和边界识别。CellaVision开发出了白细胞分割的软件和设备,其方法在5个类别的分类中已达到约89%的正确率。
发明内容
为解决上述问题,本发明实施例的目的在于提供一种全自动高性能白细胞分割方法。
本发明实施例解决其问题所采用的技术方案是:
一种全自动高性能白细胞分割方法,包括以下步骤:
把RGB图像转化为HSL颜色空间的图像;
从缩放的饱和度图像中检测细胞核;
在全分辨率子图像上标记核区域;
分割出细胞浆的部分并计算其面积。
进一步,所述从缩放的饱和度图像中检测细胞核,具体包括以下步骤:
根据饱和度计算第一直方图;
从第一直方图获取第一二进制阈值;
如果饱和度大于第一二进制阈值,则ScaledMask(x,y)=NucleolusColor,如果饱和度小于第一二进制阈值,则ScaledMask(x,y)=background;
利用图像处理中形态学分析方法,对ScaledMask(x,y)进行图像腐蚀算法对ScaledMask(x,y)作清除小噪音处理;
在图像边界附近清除细胞,以确保白细胞的完整性;
如果(Green(x,y)-Blue(x,y))/(Red(x,y)+1)<=0,则将ScaledMask(x,y)设置为背景;
腐蚀ScaledMask(x,y)再次清除小噪音;
跟踪ScaledMask(x,y)的连接区域;
过滤连通的区域,当满足条件(AreaArray[i].Size>MaxNeoclusAcreage||AreaArray[i].Size<MinNeoclusBlockAcreage))时,将区域[i]设置为为背景,其中MaxNeoclusAcreage和MinNeoclusBlockAcreage是经验值常量;
将彼此距离比较近的区域连通归为同一个细胞;
计算归为同一个细胞一组连通区域中心作为最终的白细胞中心,并将坐标转换为无缩放图像中的坐标位置。
进一步,所述在全分辨率子图像上标记核区域,具体包括下面的步骤:
使用白细胞中心坐标剪取白细胞的子图像组,所述子图像组包括红色图像、蓝色图像、绿色图像、饱和度图像和亮度图像;
根据饱和度对白细胞的子图像组计算第二图像直方图;
从第二图像直方图获取第二二进制阈值;
如果饱和度大于第二二进制阈值,则Mask(x,y)=细胞核颜色,如果饱和度小于第二二进制阈值,则mask(x,y)=background。
进一步,所述分割出细胞浆的部分并计算其面积,具体包括下面的步骤:
对白细胞的子图像组应用高斯低通滤波器;
如果(Green(x,y)-Blue(x,y))/(Red(x,y)+1)>Tab和Mask(x,y)==background,则Mask(x,y)=细胞浆颜色,否则Mask(x,y)=background,其中Tab是经验值常量,细胞浆颜色是[1,255]之间的常量整数,background=0;
获取绿色子图像的平均值;
腐蚀Mask(x,y)以清除小噪音;
用Mask(x,y)替换RGB子图像的红色图像,并保存最终图像以方便从人工检查的角度比较分割结果是否正确。
上述全自动高性能白细胞分割方法具有以下的有益效果:自动化识别程度高,性能好,能较好地识别出白细胞。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是包括3个白细胞的血细胞图像。图像是用Wright染色捕获血液涂片数字图像,并放大500倍;
图2是经过缩放的饱和度图像;
图3是经过缩放、再经过二值化的的饱和度图像;
图4是从检测到的一个白细胞的全尺寸图像中切出的绿色子图像;
图5是由算法自动生成的子图像的掩模;
图6是一幅检测结果图。
具体实施方式
参照图1,为提升白细胞分割算法的正确率和自适应性,以及解决或者部分的解决上述的问题,本发明首先采集用Wright染色后的血液涂片数字图像,并将其放大500倍,然后使用以下流程图细分白细胞:
步骤S100、把RGB图像转化为HSL(Hue,Saturation,Lightness)颜色空间的图像。HSL颜色空间的模型对应于圆柱坐标系中的一个双圆锥体和圆球体(白色在上顶点,黑色在下顶点,最大横切面的圆心是半程灰色),HSL颜色空间的图像包括色相,饱和度,亮度三个子图像;
步骤S200、从缩放的饱和度图像中检测细胞核;
步骤S300、在全分辨率子图像上标记细胞核区域;
步骤S400、分割出细胞浆的部分并计算其面积。
进一步,缩放的饱和度图中,红色,绿色,蓝色具有0.5比例因子的图像可加快计算速度。缩放的饱和度图像参照图2。在步骤S200中,从缩放的饱和度图像中检测细胞核,具体包括以下步骤:
步骤S201、根据饱和度计算第一直方图;
步骤S202、从第一直方图获取第一二进制阈值;原理是最小化背景和前景区域的偏差总和;这种二进制阈值方法具有较强的鲁棒性;参照图3,图3是经过二值化后的图像;
步骤S203、如果饱和度大于第一二进制阈值,则ScaledMask(x,y)=NucleolusColor,如果饱和度小于第一二进制阈值,则ScaledMask(x,y)=background;
步骤S204、利用图像处理中形态学分析方法,对ScaledMask(x,y)进行图像腐蚀算法对ScaledMask(x,y)作清除小噪音处理;
步骤S205、在图像边界附近清除细胞,以确保白细胞的完整性;
步骤S206、如果{Green(x,y)-Blue(x,y)}/(Red(x,y)+1)<=0,则将ScaledMask(x,y)设置为背景;
步骤S207、腐蚀ScaledMask(x,y)再次清除小噪音;
步骤S208、跟踪ScaledMask的连接区域;
步骤S209、过滤连通的区域,当满足条件(AreaArray[i].Size>MaxNeoclusAcreage||AreaArray[i].Size<MinNeoclusBlockAcreage))时,将区域[i]设置为为背景,其中MaxNeoclusAcreage和MinNeoclusBlockAcreage是经验值常量;
步骤S210、将彼此距离比较近的区域连通归为同一个细胞;
步骤S211、计算归为同一个细胞一组连通区域中心作为最终的白细胞中心,并将坐标转换为无缩放图像中的坐标位置。
进一步,在步骤S300中,在全分辨率子图像上标记核区域,具体包括下面的步骤:
步骤S301、使用白细胞中心坐标截取白细胞子图像,其中白细胞中心坐标从步骤S211中得到。红色图像,蓝色图像,绿色图像,饱和度图像和亮度图像。参照图4,从检测到的第一个白细胞的全尺寸图像中切出的绿色子图像;
步骤S302、根据饱和度对白细胞的子图像组计算第二图像直方图;
步骤S303、从第二图像直方图获取第二二进制阈值;原理是最小化背景和前景区域的偏差总和;这种二进制阈值方法具有较强的鲁邦性;
步骤S304、如果饱和度大于第二二进制阈值,则Mask(x,y)=细胞核颜色,如果饱和度小于第二二进制阈值,则mask(x,y)=background。
进一步,在步骤S400中,分割出细胞浆的部分并计算其面积,具体包括下面的步骤:
步骤S401、对步骤S301中得到的白细胞的子图像组应用高斯低通滤波器;
步骤S402、如果(Green(x,y)-Blue(x,y))/(Red(x,y)+1)>Tab和Mask(x,y)==background,则Mask(x,y)=细胞浆颜色,否则Mask(x,y)=background,其中Tab是经验值常量,细胞浆颜色是[1,255]之间的常量整数,background=0;参照图5,图5是生成的掩膜Mask(x,y);
步骤S403、获取绿色子图像的平均值;
步骤S404、腐蚀Mask(x,y)以清除小噪音;
步骤S405、用Mask(x,y)替换RGB子图像的红色图像,并保存最终图像以方便从人工检查的角度比较分割结果是否正确;参照图6,图6是最终输出结果。
Claims (4)
1.一种全自动高性能白细胞分割方法,其特征在于,包括以下步骤:
把RGB图像转化为HSL颜色空间的图像;
从缩放的饱和度图像中检测细胞核;
在全分辨率子图像上标记核区域;
分割出细胞浆的部分并计算其面积。
2.根据权利要求1所述的一种全自动高性能白细胞分割方法,其特征在于,所述从缩放的饱和度图像中检测细胞核,具体包括以下步骤:
根据饱和度计算第一直方图;
从第一直方图获取第一二进制阈值;
如果饱和度大于第一二进制阈值,则ScaledMask(x,y)=NucleolusColor,如果饱和度小于第一二进制阈值,则ScaledMask(x,y)=background;
利用图像处理中形态学分析方法,对ScaledMask(x,y)进行图像腐蚀算法对ScaledMask(x,y)作清除小噪音处理;
在图像边界附近清除细胞,以确保白细胞的完整性;
如果(Green(x,y)-Blue(x,y))/(Red(x,y)+1)<=0,则将ScaledMask(x,y)设置为背景;
腐蚀ScaledMask(x,y)再次清除小噪音;
跟踪ScaledMask(x,y)的连接区域;
过滤连通的区域,当满足条件(AreaArray[i].Size>MaxNeoclusAcreage||AreaArray[i].Size<MinNeoclusBlockAcreage))时,将区域[i]设置为为背景,其中MaxNeoclusAcreage和MinNeoclusBlockAcreage是经验值常量;
将彼此距离比较近的区域连通归为同一个细胞;
计算归为同一个细胞一组连通区域中心作为最终的白细胞中心,并将坐标转换为无缩放图像中的坐标位置。
3.根据权利要求2所述的一种全自动高性能白细胞分割方法,其特征在于,所述在全分辨率子图像上标记核区域,具体包括下面的步骤:
使用白细胞中心坐标剪取白细胞的子图像组,所述子图像组包括红色图像、蓝色图像、绿色图像、饱和度图像和亮度图像;
根据饱和度对白细胞的子图像组计算第二图像直方图;
从第二图像直方图获取第二二进制阈值;
如果饱和度大于第二二进制阈值,则Mask(x,y)=细胞核颜色,如果饱和度小于第二二进制阈值,则mask(x,y)=background。
4.根据权利要求3所述的一种全自动高性能白细胞分割方法,其特征在于,所述分割出细胞浆的部分并计算其面积,具体包括下面的步骤:
对白细胞的子图像组应用高斯低通滤波器;
如果(Green(x,y)-Blue(x,y))/(Red(x,y)+1)>Tab和Mask(x,y)==background,则Mask(x,y)=细胞浆颜色,否则Mask(x,y)=background,其中Tab是经验值常量,细胞浆颜色是[1,255]之间的常量整数,background=0;
获取绿色子图像的平均值;
腐蚀Mask(x,y)以清除小噪音;
用Mask(x,y)替换RGB子图像的红色图像,并保存最终图像以方便从人工检查的角度比较分割结果是否正确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087468.4A CN111311628A (zh) | 2020-02-11 | 2020-02-11 | 一种全自动高性能白细胞分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087468.4A CN111311628A (zh) | 2020-02-11 | 2020-02-11 | 一种全自动高性能白细胞分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311628A true CN111311628A (zh) | 2020-06-19 |
Family
ID=71161779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087468.4A Pending CN111311628A (zh) | 2020-02-11 | 2020-02-11 | 一种全自动高性能白细胞分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311628A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184696A (zh) * | 2020-10-14 | 2021-01-05 | 中国科学院近代物理研究所 | 一种细胞核和细胞器计数及其面积计算方法与*** |
CN113158950A (zh) * | 2021-04-30 | 2021-07-23 | 天津深析智能科技发展有限公司 | 一种重叠染色体自动分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190163950A1 (en) * | 2017-11-30 | 2019-05-30 | Metal Industries Research & Development Centre | Large scale cell image analysis method and system |
CN110120056A (zh) * | 2019-05-21 | 2019-08-13 | 闽江学院 | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 |
-
2020
- 2020-02-11 CN CN202010087468.4A patent/CN111311628A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190163950A1 (en) * | 2017-11-30 | 2019-05-30 | Metal Industries Research & Development Centre | Large scale cell image analysis method and system |
CN110120056A (zh) * | 2019-05-21 | 2019-08-13 | 闽江学院 | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 |
Non-Patent Citations (2)
Title |
---|
NURUL HAZWANI ABD HALIM ET AL: "Automatic Blasts Counting for Acute Leukemia Based on Blood Samples" * |
张立伟: "白细胞显微图像分类研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184696A (zh) * | 2020-10-14 | 2021-01-05 | 中国科学院近代物理研究所 | 一种细胞核和细胞器计数及其面积计算方法与*** |
CN112184696B (zh) * | 2020-10-14 | 2023-12-29 | 中国科学院近代物理研究所 | 一种细胞核和细胞器计数及其面积计算方法与*** |
CN113158950A (zh) * | 2021-04-30 | 2021-07-23 | 天津深析智能科技发展有限公司 | 一种重叠染色体自动分割方法 |
CN113158950B (zh) * | 2021-04-30 | 2022-04-05 | 天津深析智能科技发展有限公司 | 一种重叠染色体自动分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El-kenawy et al. | Automatic identification from noisy microscopic images | |
CA2130340C (en) | Method for identifying objects using data processing techniques | |
CN107492088B (zh) | 一种妇科显微图像中白细胞自动识别与统计方法 | |
Ahirwar et al. | Advanced image analysis based system for automatic detection and classification of malarial parasite in blood images | |
Ritter et al. | Segmentation and border identification of cells in images of peripheral blood smear slides | |
CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
CN111079620B (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
Nayak et al. | A new algorithm for automatic assessment of the degree of TB-infection using images of ZN-stained sputum smear | |
Alreza et al. | Design a new algorithm to count white blood cells for classification leukemic blood image using machine vision system | |
CN110148126B (zh) | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 | |
WO2003009233A1 (en) | Chromatin segmentation | |
Pandit et al. | Survey on automatic rbc detection and counting | |
CN112504947A (zh) | 一种外周血细胞形态学分析计数方法 | |
JP4864709B2 (ja) | 分散プロット分布を用いてスライドの染色品質を決定するシステム | |
CN111311628A (zh) | 一种全自动高性能白细胞分割方法 | |
Rachna et al. | Detection of Tuberculosis bacilli using image processing techniques | |
Bergmeir et al. | Segmentation of cervical cell images using mean-shift filtering and morphological operators | |
Tomari et al. | Red blood cell counting analysis by considering an overlapping constraint | |
JP4897488B2 (ja) | 分散プロット分布を用いてスライドを分類するシステム | |
CN113313719A (zh) | 基于视觉注意机制和模型拟合的白细胞分割方法 | |
AU2019410266A1 (en) | A system and method for monitoring bacterial growth of bacterial colonies and predicting colony biomass | |
CN114742803A (zh) | 一种结合深度学习与数字图像处理算法的血小板聚集检测方法 | |
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 | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
Thomas et al. | A novel approach to detect acute lymphoblastic leukemia |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200619 |