CN113313719A - 基于视觉注意机制和模型拟合的白细胞分割方法 - Google Patents
基于视觉注意机制和模型拟合的白细胞分割方法 Download PDFInfo
- Publication number
- CN113313719A CN113313719A CN202110652216.6A CN202110652216A CN113313719A CN 113313719 A CN113313719 A CN 113313719A CN 202110652216 A CN202110652216 A CN 202110652216A CN 113313719 A CN113313719 A CN 113313719A
- Authority
- CN
- China
- Prior art keywords
- leukocyte
- segmentation
- white blood
- image
- blood cell
- 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 120
- 230000011218 segmentation Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000000007 visual effect Effects 0.000 title claims abstract description 23
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 21
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 17
- 230000001086 cytosolic effect Effects 0.000 claims description 10
- 230000001464 adherent effect Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 7
- 210000004940 nucleus Anatomy 0.000 abstract description 7
- 230000023404 leukocyte cell-cell adhesion Effects 0.000 abstract description 6
- 210000005259 peripheral blood Anatomy 0.000 abstract description 4
- 239000011886 peripheral blood Substances 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 6
- 210000000601 blood cell Anatomy 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000005859 cell recognition Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 208000014951 hematologic disease Diseases 0.000 description 2
- 208000032839 leukemia Diseases 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 208000023141 Abnormal leukocyte morphology Diseases 0.000 description 1
- 208000019838 Blood disease Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 210000003651 basophil Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000003979 eosinophil Anatomy 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 208000018706 hematopoietic system disease Diseases 0.000 description 1
- 210000002865 immune cell Anatomy 0.000 description 1
- 230000036737 immune function Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000001616 monocyte Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 210000004976 peripheral blood cell Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于视觉注意机制和模型拟合的白细胞分割方法。本发明首先提出了一个基于视觉注意机制的颜色空间体积，以突出显示细胞核区域，然后使用自适应阈值方法分割细胞核。然后，提出了一个基于边界先验知识并移除背景区域，将得到的中心区域作为初始白细胞区域，进一步通过边缘检测获取白细胞轮廓，将得到的白细胞轮廓减去细胞核得到细胞质分割结果。最后，本发明提出了一个基于模型拟合策略的方法来解决白细胞粘连的问题，有效地将白细胞（包括细胞核、细胞质）从外周血涂片图像中分割出来，并对分割得到的白细胞进行计数和分类，有效地降低人为误差的影响。
Description
技术领域
本发明涉及一种基于视觉注意机制和模型拟合的白细胞分割方法。
背景技术
白细胞是人体最主要的免疫细胞，对维持人体的免疫功能非常重要。白细胞包括五种细胞，中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞。人体外周血液中白细胞总数、各类白细胞的比例和形态是诊断白血病等人类血液疾病的重要指标。白细胞分类计数是医院血常规检查的重要组成部分，即计算外周血白细胞总数和各类白细胞的百分比。这种计数可以通过白细胞计数的分类和异常形态学分析来诊断是否有血液疾病，如白血病、传染病、炎症、艾滋病。
早期医院主要是通过人工镜检实现白细胞分类计数的，一般由专业的病理医师在高倍显微镜下观测染色后的血细胞图片中的白细胞的颜色和形态，并对其分类计数。通常人工镜检的准确率较高，但需要耗费很多的时间，效率较低，且观测者的专业知识技能和从业经验决定于检测结果的准确性，因此不适合大量人群的血常规检测。血细胞自动分析仪不仅省时效率高，而且可以有效地降低人为误差的影响。血细胞自动分析仪通常采用物理、物理和化学相结合等方法对白细胞进行五分类计数，但未对白细胞的异常形态进行分析。临床应用中通过人工复检的方式对异常的白细胞形态进行分析检查。
根据以上所提出的一些问题，近些年已经有一些学者提出了相关的白细胞分割算法。对与传统算法，有阈值分割、基于主动轮廓的分割方法和基于显著性的分割方法。其中阈值分割方法中包括大津法，区域增长法，分水岭法以及它们的组合算法。Cseke等人提出了种基于自动选择阈值快速分割细胞核的方法，该算法首先基于Otsu算法自适应得到最佳的分割阈值。Dorini等人提出了一种基于分水岭方法分割白细胞的算法，该算法分为两个阶段实现整个白细胞分割：首先采用基于图像森林变换的分水岭算法提取细胞核，然后基于阈值法和形态学运算等基本操作实现细胞质的分割。基于机器学习的分割方法包括有监督的方法和无监督的方法。其中有监督的方法包括卷积神经网络的方法和SVM的方法，无监督的方法包含K-means、模糊C均值法和最大期望算法等方法。Zheng等人通过K-means聚类得到粗分割结果，然后对每个图像像素进行分类，在粗分割结果上训练SVM得到更准确的分割结果。Osowski等人提出了一种基于遗传算法和支持向量机的血细胞识别算法，该算法首先使用遗传算法提取特征，然后使用SVM实现细胞识别和分类。
然而，现有的白细胞分割方法均存在一定的局限性.主要存在以下三个方面的问题：(1)现有算法得到的分割精度不高，有待进一步提升.(2)现有算法存在过分割以及欠分割现象。(3)现有算法得到的白细胞分割尚未很好的解决粘连性的问题。
发明内容
本发明的目的在于针对现有的技术不足,提供一种基于视觉注意机制和模型拟合的白细胞分割方法，解决了需要人工肉眼通过专业知识技能和从业经验决定于检测结果的准确性去繁琐过程以及现有技术中白细胞分割精度不高和粘连白细胞的分离问题，提升了血液白细胞分割精度。
为实现上述目的，本发明的技术方案是：一种基于视觉注意机制和模型拟合的白细胞分割方法，包括如下步骤：
S1、基于颜色空间体积的细胞核分割；
S2、基于边界先验知识的背景移除及细胞质分割；
S3、基于断点检测及模型拟合的粘连白细胞分离。
在本发明一实施例中，所述步骤S1具体实现如下：
S11、通过L*a*b*和RGB颜色空间中的L*、a*、R和B分量的线性组合构造一个颜色空间体积，公式如下：
b'＝B-R
其中，图像I'为颜色空间体积，(i,j)表示图像中像素点的坐标位置；
S12、使用Otsu算法自适应地找到阈值T；
S13、基于阈值T分割细胞核，公式如下：
其中，图像Nu为细胞核分割结果。
在本发明一实施例中，所述步骤S2具体实现如下：
S21、使用SLIC算法将输入的图像I分割为n个区域，前m个区域是边界区域，其余n-m个区域是位于中间未接触边界的区域；
S22、基于边界先验知识移除前m个边界区域，获得的中心区域作为初始的白细胞区域；
S23、利用Canny边缘检测算法，得到白细胞轮廓，并对白细胞轮廓进行图像填充得到最终的白细胞分割结果；
S24、通过将整个白细胞区域减去细胞核区域来获得细胞质区域，即细胞质分割结果。
在本发明一实施例中，所述步骤S3具体实现如下：
S31、对于输入的白细胞图像进行边缘检测，记为E；
S32、从E中获取最大的连通边作为白细胞的轮廓，记为C；
S33、对C进行断点检测，如果存在两断点，则记为A，B；否则，不存在断点；
S34、从C中随机采样一些数据点，并生成经过断点处的候选圆；然后从候选圆中估算出具有最大内点数的最佳圆O，该生成的候选圆的内点数计算如下：
其中，n是数据点数量，δ是内部噪声标度，d(xi,θ)是数据点xi与圆θ之间的残差值；
S35、在拟合得到的最佳圆O上，根据两断点A和B的位置截取一段圆弧L；
S36、将截取得到的圆弧L填补至原来残缺的轮廓处，得到了接近于真实白细胞轮廓的拟合轮廓，最后通过图像填充即可获得白细胞的二值图像。
相较于现有技术，本发明具有以下有益效果：
本发明能够有效地将白细胞(包括细胞核、细胞质)从外周血涂片图像中分割出来，并对分割得到的白细胞进行计数和分类，有效地降低人为误差的影响。首先，通过视觉注意机制的颜色空间体积以突出显示细胞核区域并抑制背景区域。然后，用边界先验知识以移除背景区域的方法，将得到的结果作为初始白细胞区域。最后，通过边缘检测算法获取白细胞轮廓以得到最终的白细胞分割结果。并且，当存在白细胞粘连情况时，使用一种基于模型拟合策略的方法来解决白细胞粘连的问题。通过这种方式，能很好的提升分割的准确性以及解决白细胞之间的粘连情况。
附图说明
图1为本发明方法流程图。
图2为本发明基于视觉注意机制和自适应阈值的细胞核分割效果图。
图3为本发明细胞质的分割的效果图。
图4为本发明断点检测和模型拟合算法的流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明一种基于视觉注意机制和模型拟合的白细胞分割方法，包括如下步骤：
S1、基于颜色空间体积的细胞核分割；
S2、基于边界先验知识的背景移除及细胞质分割；
S3、基于断点检测及模型拟合的粘连白细胞分离。
以下为本发明具体实现过程。
本发明研究了一种基于视觉注意机制和模型拟合的白细胞分割算法。首先提出了一个基于视觉注意机制的颜色空间体积，以突出显示细胞核区域，然后使用自适应阈值方法分割细胞核。然后，该算法提出了一个基于边界先验知识并移除背景区域，将得到的中心区域作为初始白细胞区域，进一步通过边缘检测获取白细胞轮廓，将得到的白细胞轮廓减去细胞核得到细胞质分割结果。最后，本发明提出了一个基于模型拟合策略的方法来解决白细胞粘连的问题。基于视觉注意机制和模型拟合的白细胞分割算法流程如图1所示。
具体步骤如下：
1、基于颜色空间体积的细胞核
在外周血细胞图像中，由于染色后的细胞核较周围区域具有较深的颜色特点，因此，细胞核区域可视为人类感兴趣的区域(显著性区域)，为了提高细胞核分割的效果，本发明提出了一种基于视觉注意机制和自适应阈值的细胞核分割算法，该算法的步骤如下：
(1)首先，通过L*a*b*和RGB颜色空间中的L*、a*、R和B分量的线性组合构造一个颜色空间体积，公式如下：
b'＝B-R
其中，图像I'为颜色空间体积，(i,j)表示图像中像素点的坐标位置；
(2)然后，使用Otsu算法自适应地找到阈值T；
(3)最后，基于阈值T分割细胞核，公式如下：
其中，图像Nu为细胞核分割结果。
如图2为基于视觉注意机制和自适应阈值的细胞核分割效果图。从图中可以看出，由基于视觉注意机制的颜色空间体积能很好的增强和突出细胞核区域，且能够抑制背景区域，如图2(b)所示。通过自适应阈值方法很容易从颜色空间体积找到分割细胞核的阈值T。基于阈值T即可得到细胞核的二值图，如图2(c)所示。
2、基于边界先验知识的背景移除及细胞质分割
其次，本发明介绍了一种分割白细胞的方法。首先，本发明对输入的白细胞图像使用简单线性迭代聚类(SLIC)算法进行超像素分割，并基于边界先验知识去除图像边界区域，结果得到位于中心位置的初始白细胞区域。然后，使用Canny边缘检测算法获取白细胞轮廓，并对白细胞轮廓进行图像填充得到最终的白细胞分割结果。最后，通过将整个白细胞区域减去细胞核区域来获得细胞质区域，即细胞质分割结果。细胞质分割的详细步骤如下：
(1)使用SLIC算法将输入的图像I分割为n个区域，前m个区域是边界区域，其余n-m个区域是位于中间未接触边界的区域。
(2)基于边界先验知识移除前m个边界区域，获得的中心区域作为初始的白细胞区域。
(3)利用Canny边缘检测算法,得到白细胞轮廓，并对白细胞轮廓进行图像填充得到最终的白细胞分割结果。
(4)通过将整个白细胞区域减去细胞核区域来获得细胞质区域，即细胞质分割结果。
如图3为细胞质的分割的效果图。首先基于超像素分割和背景先验知识去除大部分的背景区域，得到的结果为整个白细胞区域和包括少部分的背景杂质，如图3(b)所示，该方法能有效地去除非目标区域的干扰而使算法专注于目标区域的分割，在一定程度上是提升了算法的效率。为了得到清晰且完整的白细胞轮廓，本发明使用了经典的Canny边缘检测算法提取白细胞轮廓，如图3(c)所示。在白细胞轮廓完整无断点的情况下，使用图像填充获取最终的白细胞整体分割结果，如图3(d)所示。最后通过白细胞整体区域减去细胞核区域得到细胞质分割结果，如图3(e)所示。
3、基于断点检测及模型拟合的粘连白细胞分离
最后，本发明主要研究探讨白细胞粘连的问题的解决。第2点我们介绍了白细胞分割的算法，基于Canny检测提取白细胞轮廓，并通过图像填充得到最终的白细胞分割结果。但是当白细胞与其他细胞(如：红细胞)之间存在粘连情况的时候，获取得到的白细胞轮廓是不完整，存在断弧。这种情况下，进行图像填充将会失效，也就是得不到完整的白细胞二值图像。基于这个问题，本发明提出了一种基于断点检测的方法判断白细胞是否具有粘连的情况，当白细胞具有粘连情况时，本发明提出的算法将可以获取得到两个断点所在的位置坐标，并基于模型拟合的方法对断点处的位置拟合出一条圆弧，弥补原来的缺口，该拟合出的最终轮廓是接近于真实的白细胞轮廓，从而提高白细胞分割的准确率。
基于断点检测及模型拟合的算法步骤如下：
(1)首先，对于输入的白细胞图像进行边缘检测，记为E；
(2)然后，从E中获取最大的连通边作为白细胞的轮廓，记为C；
(3)对C进行断点检测，如果存在两断点，则记为A，B；否则，不存在断点；
(4)从C中随机采样一些数据点，并生成经过断点处的候选圆。然后从候选圆中估算出具有最大内点数的最佳圆O，该生成的候选圆的内点数计算如下：
其中，n是数据点数量，δ是内部噪声标度，d(xi,θ)是数据点xi与圆θ之间的残差值；
(5)在拟合得到的最佳圆O上，根据两断点A和B的位置截取一段圆弧L；
(6)将截取得到的圆弧L填补至原来残缺的轮廓处，得到了接近于真实白细胞轮廓的拟合轮廓，最后通过图像填充即可获得白细胞的二值图像；
如图4为断点检测和模型拟合算法的流程图。从图可以看出，当一幅白细胞图像存在粘连问题时，其边缘检测得到的白细胞轮廓是不完整地且有缺口的。基于这个先验知识，本发明提出了一种基于断点检测来判断白细胞是否存在粘连的情况，该方法能够检测出粘连白细胞轮廓的两个断点，如图4中断点A和断点B。当判断白细胞存在粘连情况时，本文算法进一步使用模型拟合的策略来拟合出一个与真实白细胞轮廓大小尺寸接近的圆，在基于检测到的两断点坐标信息，在拟合的圆上截取两断点A和B之间的一段圆弧，并将该圆弧填补之原图缺口处位置，即可得到一个清晰完整地且与真实白细胞轮廓尺寸大小接近的新的轮廓。最后通过图像填充便可得到整个白细胞二值图。
本发明方法具体应用如下：
本发明提出了一种基于视觉注意机制和模型拟合的白细胞分割算法。首先提出了一个基于视觉注意机制的颜色空间体积，以突出显示细胞核区域，然后使用自适应阈值方法分割细胞核。然后，该算法提出了一个基于边界先验知识并移除背景区域，将得到的中心区域作为初始白细胞区域，进一步通过边缘检测获取白细胞轮廓。最后，本发明提出了一个基于模型拟合策略的方法来解决白细胞粘连的问题。整体方法流程参见图1。
(1)通过颜色空间转换构建一个颜色空间体积，再通过Ostu算法自适应找到阈值，基于阈值分割细胞核，通过视觉注意机制的颜色空间体积可以很好的突出细胞核区域。
(2)使用SLIC聚类算法进行超像素分割，并且基于边界先验知识去除图像边界区域，接着使用Canny边缘检测算法获取白细胞轮廓，并对白细胞轮廓进行填充得到白细胞分割结果，再通过将白细胞区域减去细胞核区域得到细胞质分割结果。
(3)通过图像填充得到最终的白细胞分割结果，针对存在白细胞轮廓不完整的情况，提出了一种基于断点检测来判断白细胞是否存在粘连的情况，该方法能够检测出粘连白细胞轮廓的两个断点，从而进一步使用一种基于模型拟合策略的方法来解决白细胞粘连的问题，提升分割白细胞的准确性，用于辅助医生进行血常规检查。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (4)
1.一种基于视觉注意机制和模型拟合的白细胞分割方法，其特征在于，包括如下步骤：
S1、基于颜色空间体积的细胞核分割；
S2、基于边界先验知识的背景移除及细胞质分割；
S3、基于断点检测及模型拟合的粘连白细胞分离。
2.根据权利要求1所述的一种基于视觉注意机制和模型拟合的白细胞分割方法，其特征在于，所述步骤S1具体实现如下：
S11、通过L*a*b*和RGB颜色空间中的L*、a*、R和B分量的线性组合构造一个颜色空间体积，公式如下：
b′＝B-R
其中，图像I'为颜色空间体积，(i,j)表示图像中像素点的坐标位置；
S12、使用Otsu算法自适应地找到阈值T；
S13、基于阈值T分割细胞核，公式如下：
其中，图像Nu为细胞核分割结果。
3.根据权利要求1所述的一种基于视觉注意机制和模型拟合的白细胞分割方法，其特征在于，所述步骤S2具体实现如下：
S21、使用SLIC算法将输入的图像I分割为n个区域，前m个区域是边界区域，其余n-m个区域是位于中间未接触边界的区域；
S22、基于边界先验知识移除前m个边界区域，获得的中心区域作为初始的白细胞区域；
S23、利用Canny边缘检测算法，得到白细胞轮廓，并对白细胞轮廓进行图像填充得到最终的白细胞分割结果；
S24、通过将整个白细胞区域减去细胞核区域来获得细胞质区域，即细胞质分割结果。
4.根据权利要求1所述的一种基于视觉注意机制和模型拟合的白细胞分割方法，其特征在于，所述步骤S3具体实现如下：
S31、对于输入的白细胞图像进行边缘检测，记为E；
S32、从E中获取最大的连通边作为白细胞的轮廓，记为C；
S33、对C进行断点检测，如果存在两断点，则记为A，B；否则，不存在断点；
S34、从C中随机采样一些数据点，并生成经过断点处的候选圆；然后从候选圆中估算出具有最大内点数的最佳圆O，该生成的候选圆的内点数计算如下：
其中，n是数据点数量，δ是内部噪声标度，d(xi,θ)是数据点xi与圆θ之间的残差值；
S35、在拟合得到的最佳圆O上，根据两断点A和B的位置截取一段圆弧L；
S36、将截取得到的圆弧L填补至原来残缺的轮廓处，得到了接近于真实白细胞轮廓的拟合轮廓，最后通过图像填充即可获得白细胞的二值图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652216.6A CN113313719A (zh) | 2021-06-11 | 2021-06-11 | 基于视觉注意机制和模型拟合的白细胞分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652216.6A CN113313719A (zh) | 2021-06-11 | 2021-06-11 | 基于视觉注意机制和模型拟合的白细胞分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113313719A true CN113313719A (zh) | 2021-08-27 |
Family
ID=77378224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110652216.6A Pending CN113313719A (zh) | 2021-06-11 | 2021-06-11 | 基于视觉注意机制和模型拟合的白细胞分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313719A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114937018A (zh) * | 2022-05-30 | 2022-08-23 | 福建师范大学 | 基于颜色空间体积和超像素的白细胞分割方法 |
| WO2023220913A1 (zh) * | 2022-05-17 | 2023-11-23 | 京东方科技集团股份有限公司 | 细胞图像处理方法、电子设备以及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100072846A (ko) * | 2008-12-22 | 2010-07-01 | 한국전자통신연구원 | 영상 분할 장치 및 방법 |
| CN110148126A (zh) * | 2019-05-21 | 2019-08-20 | 闽江学院 | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 |
-
2021
- 2021-06-11 CN CN202110652216.6A patent/CN113313719A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100072846A (ko) * | 2008-12-22 | 2010-07-01 | 한국전자통신연구원 | 영상 분할 장치 및 방법 |
| CN110148126A (zh) * | 2019-05-21 | 2019-08-20 | 闽江学院 | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| HAONAN ZHENG: "White Blood Cell Segmentation Based on Visual Attention Mechanism and Model Fitting", 《2020 INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING AND INTELLIGENT CONTROL (ICCEIC)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023220913A1 (zh) * | 2022-05-17 | 2023-11-23 | 京东方科技集团股份有限公司 | 细胞图像处理方法、电子设备以及存储介质 |
| CN114937018A (zh) * | 2022-05-30 | 2022-08-23 | 福建师范大学 | 基于颜色空间体积和超像素的白细胞分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Automation‐assisted cervical cancer screening in manual liquid‐based cytology with hematoxylin and eosin staining | |
| CN112070772B (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
| Ramoser et al. | Leukocyte segmentation and classification in blood-smear images | |
| NL2024774B1 (en) | Blood leukocyte segmentation method based on adaptive histogram thresholding and contour detection | |
| Miao et al. | Simultaneous Segmentation of Leukocyte and Erythrocyte in Microscopic Images Using a Marker‐Controlled Watershed Algorithm | |
| Alreza et al. | Design a new algorithm to count white blood cells for classification leukemic blood image using machine vision system | |
| NL2024777B1 (en) | Blood leukocyte segmentation method based on color component combination and contour fitting | |
| Mohamed et al. | An enhanced threshold based technique for white blood cells nuclei automatic segmentation | |
| CN113313719A (zh) | 基于视觉注意机制和模型拟合的白细胞分割方法 | |
| Zhou et al. | Leukocyte image segmentation based on adaptive histogram thresholding and contour detection | |
| Pandit et al. | Survey on automatic rbc detection and counting | |
| Gautam et al. | White blood nucleus extraction using K-Mean clustering and mathematical morphing | |
| Huang et al. | Leukocyte nucleus segmentation and recognition in color blood-smear images | |
| Bhavnani et al. | Segmentation and counting of WBCs and RBCs from microscopic blood sample images | |
| Ghane et al. | Classification of chronic myeloid leukemia cell subtypes based on microscopic image analysis | |
| Zheng et al. | White blood cell segmentation based on visual attention mechanism and model fitting | |
| Vale et al. | Automatic segmentation and classification of blood components in microscopic images using a fuzzy approach | |
| CN111311628A (zh) | 一种全自动高性能白细胞分割方法 | |
| Ruberto et al. | A leucocytes count system from blood smear images. | |
| Rege et al. | Automatic leukemia identification system using otsu image segmentation and mser approach for microscopic smear image database | |
| CN110766680B (zh) | 一种基于几何约束的白细胞图像分割方法 | |
| Deb et al. | A noble technique for detecting anemia through classification of red blood cells in blood smear | |
| CN110210578B (zh) | 基于图论的***组织病理学显微图像聚类*** | |
| Khong et al. | A novel approach for efficient implementation of nucleus detection and segmentation using correlated dual color space | |
| CN112634338A (zh) | 基于灰度共生矩阵的脑脊液细胞特征提取方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |