CN113592783A - 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 - Google Patents
角膜共聚焦图像中细胞基础指标的精准量化方法及装置 Download PDFInfo
- Publication number
- CN113592783A CN113592783A CN202110772766.1A CN202110772766A CN113592783A CN 113592783 A CN113592783 A CN 113592783A CN 202110772766 A CN202110772766 A CN 202110772766A CN 113592783 A CN113592783 A CN 113592783A
- Authority
- CN
- China
- Prior art keywords
- cell
- corneal
- cell boundary
- confocal image
- image
- 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 82
- 230000011218 segmentation Effects 0.000 claims abstract description 161
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012805 post-processing Methods 0.000 claims abstract description 27
- 210000004087 cornea Anatomy 0.000 claims abstract description 26
- 238000011002 quantification Methods 0.000 claims abstract description 26
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001413 cellular effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013434 data augmentation Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 108010068977 Golgi membrane glycoproteins Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003511 endothelial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/11—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种角膜共聚焦图像中细胞基础指标的精准量化方法,包括:获取待识别的角膜共聚焦图像并输入到细胞边界分割模型,根据细胞边界分割模型输出细胞边界概率图;其中,细胞边界分割模型是以角膜共聚焦图像样本作为输入、以角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;对细胞边界概率图进行预设后处理,得到细胞边界分割图;基于细胞边界分割图,获取角膜共聚焦图像的细胞区域,根据角膜共聚焦图像的细胞区域计算角膜细胞的基础指标。本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法及装置,可实现角膜共聚焦图像中细胞边界的自动化高效分割及角膜细胞基础指标的精准量化。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种角膜共聚焦图像中细胞基础指标的精准量化方法及装置。
背景技术
共聚焦显微镜相当于活体病理检查,在临床上能很好的给予医生诊断依据,使患者得到及时有效的治疗。但是,目前共聚焦显微镜无法对各层细胞的基础指标进行精准量化。目前,实际使用共聚焦显微镜对患者进行角膜检查时,主要是依靠有经验的眼科医生在共聚焦图像中先选取特定区域,然后手工计数。但这一操作费时费力,而且只能获得细胞数目和密度,对于其他形态指标无法精准量化。
实现角膜细胞边界的自动化识别是进行角膜细胞基础指标量化的前提。现有技术提出利用传统图像处理步骤例如带宽滤波、二值化、分水岭算法等,进行细胞边界分割。但由于共聚焦图像中光照不均、噪声较大,并且传统特征鲁棒性不强,无法适应例如光照多样、细胞形态多样、存在各种病变区域的角膜图像情况,同时,传统特征需要人工根据实际图像设定阈值,不适用于复杂的真实场景。因此,自动化识别角膜细胞的边界成为亟待解决的技术问题。
发明内容
为解决现有技术中的问题,本发明提供一种角膜共聚焦图像中细胞基础指标的精准量化方法及装置。
本发明提供一种角膜共聚焦图像中细胞基础指标的精准量化方法,包括:获取待识别的角膜共聚焦图像;将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图;其中,所述细胞边界分割模型是以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;对所述细胞边界概率图进行预设后处理,得到细胞边界分割图;基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述预设后处理包括以下处理过程中的至少一种:对所述细胞边界概率图进行平滑处理后,进行全局自适应阈值二值化处理,生成具有边界轮廓的二值图像;对所述二值图像进行形态细化处理,生成所述边界轮廓为单像素宽的细化后二值图像;去除所述细化后二值图像中图像边缘上不完整的细胞区域;去除所述细化后二值图像中所述边界轮廓上的突出线条;去除孤立点;去除面积小于预设阈值的闭合区域。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述角膜细胞的基础指标包括细胞数目、细胞密度、正常细胞比例、细胞面积变异系数、细胞面积的最小值、细胞面积的最大值、细胞面积的平均值及细胞面积的方差中的至少一种。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,具体包括:将所述细胞边界分割图的前景从细胞边界区域变为非细胞边界区域;计算所述细胞边界分割图中所有的连通分量,去除所述所有的连通分量中与所述细胞边界分割图的边缘临接的所述连通分量实现去背景处理,仅保留用于标识所述细胞区域的所述连通分量。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标,具体包括:根据用于标识所述细胞区域的所述连通分量,计算所有所述细胞区域的个数,得到所述细胞数目;根据用于标识所述细胞区域的所述连通分量,计算每个所述细胞区域所占像素个数,根据每个所述细胞区域所占像素个数以及单个像素对应的真实物理尺度,得到每个所述细胞区域的面积,根据每个所述细胞区域的面积得到所述细胞面积的最小值、所述细胞面积的最大值、所述细胞面积的平均值及所述细胞面积的方差;根据每个所述细胞区域的面积得到细胞区域总面积,将所述细胞数目除以所述细胞区域总面积,得到所述细胞密度;将所述细胞面积的方差与所述细胞密度相乘得到所述细胞面积变异系数;获取正常细胞区域,计算所述正常细胞区域的个数占所述细胞数目的比例,得到所述正常细胞比例。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述方法还包括:将所述角膜共聚焦图像与所述细胞边界分割图进行叠加,得到可视化图像,将所述可视化图像及所述角膜细胞的基础指标进行可视化展示。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图,具体包括:将所述角膜共聚焦图像输入到编码器的骨架网络块,输出第一特征图;将所述第一特征图输入到所述编码器的膨胀卷积块,输出第二特征图;将所述第二特征图输入到所述编码器的自注意力块,输出第三特征图;将所述第三特征图输入到解码器,输出所述细胞边界概率图。
本发明还提供一种角膜共聚焦图像中细胞基础指标的精准量化装置,包括:图像获取模块,用于:获取待识别的角膜共聚焦图像;细胞边界概率图获取模块,用于:将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图;其中,所述细胞边界分割模型是以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;细胞边界分割图获取模块,用于:对所述细胞边界概率图进行预设后处理,得到细胞边界分割图;细胞基础指标计算模块,用于:基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述角膜共聚焦图像中细胞基础指标的精准量化方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述角膜共聚焦图像中细胞基础指标的精准量化方法的步骤。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法及装置,通过将角膜共聚焦图像输入到细胞边界分割模型,根据细胞边界分割模型输出细胞边界概率图,对细胞边界概率图进行预设后处理,得到细胞边界分割图,基于细胞边界分割图,获取角膜共聚焦图像的细胞区域,根据角膜共聚焦图像的细胞区域计算角膜细胞的基础指标,可现角膜共聚焦图像中细胞边界的自动化高效分割及角膜细胞基础指标的精准量化。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法流程图之一;
图2是本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法中后处理流程示意图;
图3是本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法流程图之二;
图4是本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置的结构示意图;
图5示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图5描述本发明的角膜共聚焦图像中细胞基础指标的精准量化方法及装置。
图1是本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法流程图之一。如图1所示,所述方法包括:
步骤101、获取待识别的角膜共聚焦图像;
步骤102、将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图;其中,所述细胞边界分割模型是以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;
步骤103、对所述细胞边界概率图进行预设后处理,得到细胞边界分割图;
步骤104、基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标。
首先获取利用共聚焦显微镜拍摄的待识别的角膜共聚焦图像。然后,将待识别的角膜共聚焦图像输入到预先训练好的细胞边界分割模型,根据细胞边界分割模型输出细胞边界概率图。细胞边界概率图中对应每个像素点的概率值范围为0~1。在训练细胞边界分割模型时,以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到细胞边界分割模型。对应角膜共聚焦图像样本,细胞边界的像素点的输出标签设置为1,非细胞边界的像素点的输出标签设置为0。
在训练细胞边界分割模型之前,首先需要获取角膜共聚焦图像样本及角膜细胞边界图像样本。其中,角膜细胞边界图像样本是对角膜共聚焦图像样本进行了角膜细胞边界标注后得到的图像样本。角膜共聚焦图像样本可以通过利用共聚焦显微镜拍摄角膜区域获取。得到角膜共聚焦图像样本后,人工标注每张角膜共聚焦图像样本中的单像素细胞边界,标注工具可以使用GIMP图像处理软件,用描边的方式绘制细胞边界,得到角膜细胞边界图像样本。根据角膜细胞边界图像样本,设置角膜共聚焦图像样本中各个像素点的输出标签,将表示细胞边界的像素点输出标签设置为1,非细胞边界的像素点的输出标签设置为0。然后按照预设比例将有标注的图像数据(即角膜共聚焦图像样本和对应的输出标签)随机分成训练数据集和验证数据集,用于训练和验证细胞边界分割模型。
训练时,考虑到人工标注的细胞边界是单像素的,表示为二值图像时,单像素边界区域值为1,非边界区域值为0,因此单像素细胞边界出现强度值的明显变化,但同时,实际角膜共聚焦图像中细胞边界区域厚度不一,单像素边界附近的像素区域往往呈现类似边界的特征,这不利于网络训练的稳定性。因此,在训练细胞边界分割模型时,可以拓宽单像素边界的宽度,构建细胞边界宽度为多像素的角膜细胞边界图像样本,以此设置输出标签进行细胞边界分割模型训练,帮助模型更快收敛,提高模型表达的稳定性。
得到细胞边界分割模型后,将待识别的角膜共聚焦图像输入到预先训练好的细胞边界分割模型,根据细胞边界分割模型输出细胞边界概率图。细胞边界概率图中对应每个像素点的概率值范围为0~1,表示了相应像素点属于细胞边界的概率,然后通过后处理步骤来确定细胞边界,得到细胞边界分割图,实现细胞边界分割。
在得到细胞边界分割图之后,基于细胞边界分割图,获取角膜共聚焦图像的细胞区域。细胞边界分割图中示出了细胞边界,各个细胞边界围起来的部分即是各个细胞的细胞区域。根据识别的细胞区域,可以计算细胞的基础指标。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,通过将角膜共聚焦图像输入到细胞边界分割模型,根据细胞边界分割模型输出细胞边界概率图,对细胞边界概率图进行预设后处理,得到细胞边界分割图,基于细胞边界分割图,获取角膜共聚焦图像的细胞区域,根据角膜共聚焦图像的细胞区域计算角膜细胞的基础指标,可实现角膜共聚焦图像中细胞边界的自动化高效分割及角膜细胞基础指标的精准量化。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述预设后处理包括以下处理过程中的至少一种:对所述细胞边界概率图进行平滑处理后,进行全局自适应阈值二值化处理,生成具有边界轮廓的二值图像;对所述二值图像进行形态细化处理,生成所述边界轮廓为单像素宽的细化后二值图像;去除所述细化后二值图像中图像边缘上不完整的细胞区域;去除所述细化后二值图像中所述边界轮廓上的突出线条;去除孤立点;去除面积小于预设阈值的闭合区域。
角膜共聚焦图像通过细胞边界分割模型得到的细胞边界概率图中,像素值的范围是0~1,表示了每个像素点属于细胞边界的概率,可以通过后处理得到细胞边界分割图,细胞边界分割图中像素值是0 或1,确定了细胞边界与非细胞边界区域,并且边界宽度为单像素。
图2是本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法中后处理流程示意图。如图2所示,首先,对细胞边界概率图进行高斯平滑(去噪),采用OTSU算法自适应地计算全图中区别细胞边界与非细胞边界的阈值,以此阈值进行全局二值化操作,生成有边界轮廓的二值图像;然后,对二值图像进行形态细化操作(比如取中间像素点),生成边界轮廓为单像素宽的细化后二值图像;接着,将细化后二值图像的上、下、左、右边缘像素值置为0,去除边缘上不完整的细胞区域,这些不完整的细胞区域不应该用于细胞基础指标的计算;接下来,由于边界轮廓上会有一些突出线条,这些突出线条没有形成闭合的细胞区域,因此对细化后二值图像去除突出线条,称为去毛刺操作;细化后二值图像中还会有一些被当做边界类别的孤立点,也没有形成闭合的细胞区域,因此通过去除小连通域的方式进行去孤立点操作;最后,细化后二值图像中可能会有一些很小的闭合区域,但真实细胞面积大小总有一个下界,面积小于一定阈值的闭合区域不能被当作细胞区域,因此通过去除孔洞的方式进行去除小面积闭合区域操作,生成最终的细胞边界分割图。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,通过对细胞边界概率图进行预设后处理,得到细胞边界分割图,提高了细胞边界分割的准确性。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,其特征在于,所述角膜细胞的基础指标包括细胞数目、细胞密度、正常细胞比例、细胞面积变异系数、细胞面积的最小值、细胞面积的最大值、细胞面积的平均值及细胞面积的方差中的至少一种。
在得到细胞边界分割图之后,基于细胞边界分割图,获取角膜共聚焦图像的细胞区域。细胞边界分割图中示出了细胞边界,各个细胞边界围起来的部分即是各个细胞的细胞区域。根据识别的细胞区域,可以计算细胞的基础指标,如计算细胞数目、细胞密度、正常细胞比例、细胞面积变异系数、细胞面积的最小值、细胞面积的最大值、细胞面积的平均值及细胞面积的方差等细胞基础指标。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,通过基于细胞边界分割图,获取角膜共聚焦图像的细胞区域,根据角膜共聚焦图像的细胞区域计算角膜细胞的基础指标,实现了角膜细胞基础指标的自动化获取。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,具体包括:将所述细胞边界分割图的前景从细胞边界区域变为非细胞边界区域;计算所述细胞边界分割图中所有的连通分量,去除所述所有的连通分量中与所述细胞边界分割图的边缘临接的所述连通分量实现去背景处理,仅保留用于标识所述细胞区域的所述连通分量。
基于得到的细胞边界分割图,计算细胞形态的基础指标之前,首先需要获取细胞区域。获取角膜共聚焦图像的细胞区域首先将细胞边界分割图的前景从细胞边界区域变为非细胞边界区域。可以通过对二值的细胞边界分割图取反,使得属于细胞边界的值为0,其他区域值为1,然后乘以255,将前景从细胞边界变为非细胞边界区域(前景显示为白色,背景显示为黑色);然后计算所有连通分量,除去连通分量中邻接图像上、下、左、右边缘的区域(去除背景区域,这里的背景区域是指细胞外所形成的连通区域),剩下的连通分量即为所有细胞区域。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,通过将细胞边界分割图的前景从细胞边界区域变为非细胞边界区域,计算细胞边界分割图中所有的连通分量,去除所有的连通分量中与细胞边界分割图的边缘临接的连通分量实现去背景处理,仅保留用于标识细胞区域的连通分量,实现了细胞区域的准确获取,为细胞的基础指标的计算提供基础。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标,具体包括:根据用于标识所述细胞区域的所述连通分量,计算所有所述细胞区域的个数,得到所述细胞数目;根据用于标识所述细胞区域的所述连通分量,计算每个所述细胞区域所占像素个数,根据每个所述细胞区域所占像素个数以及单个像素对应的真实物理尺度,得到每个所述细胞区域的面积,根据每个所述细胞区域的面积得到所述细胞面积的最小值、所述细胞面积的最大值、所述细胞面积的平均值及所述细胞面积的方差;根据每个所述细胞区域的面积得到细胞区域总面积,将所述细胞数目除以所述细胞区域总面积,得到细胞密度;将所述细胞面积的方差与所述细胞密度相乘得到所述细胞面积变异系数;获取正常细胞区域,计算所述正常细胞区域的个数占所述细胞数目的比例,得到正常细胞比例。
通过计算用于标识细胞区域的连通分量的个数,计算所有细胞区域的个数,得到细胞数目。通过计算用于标识细胞区域的连通分量所占像素个数,计算每个细胞区域所占像素个数,根据单个像素对应的真实物理尺度,得到每个细胞区域的面积,即每个角膜细胞的面积。根据每个角膜细胞的面积进行统计,进而得到细胞面积的最小值、细胞面积的最大值、细胞面积的平均值和细胞面积的方差。计算所有细胞区域的个数,将所有细胞区域的个数除以细胞区域总面积,或直接由计算得到的细胞数目除以细胞区域总面积,得到细胞密度。将细胞面积的方差乘以细胞密度,得到细胞面积变异系数。计算正常细胞区域个数(正常细胞数目)与所有细胞区域个数(细胞数目)的比例,得到正常细胞比例。
一般来说,角膜各层中正常的细胞具有特定多边形性质,可以通过角膜细胞是否符合相应的多边形形态进行角膜正常与否的判断。而计算正常细胞比例则也可以通过获取符合正常细胞的多边形形态的细胞数量,然后将获取的细胞数量与总的细胞数目相除,得到正常细胞比例。例如,对于角膜内皮层来说,正常细胞的形态是六边形的,这时可以通过判断角膜细胞是否是六边形的结构来判断角膜细胞是否正常,并可以通过计算六边形细胞的比例得到正常细胞比例。
角膜共聚焦图像中,角膜细胞之间是紧密相连在一起,通过角膜细胞边界进行分割的。每个角膜细胞的每个边只和一个其余角膜细胞相邻。因此,判断角膜细胞的多边形形态可以通过计算角膜细胞邻接的细胞数量进行。获取正常细胞区域具体包括:计算细胞区域邻接的细胞个数,根据细胞区域邻接的细胞个数获得相应细胞区域的细胞多边形形态,根据细胞多边形形态确定细胞区域是否为正常细胞区域。计算正常细胞区域的个数占细胞数目的比例,得到正常细胞比例。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,通过基于用于标识细胞区域的连通分量计算角膜细胞的基础指标,提高了细胞基础指标计算的简便性和精确性。
根据本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,所述方法还包括:将所述角膜共聚焦图像与所述细胞边界分割图进行叠加,得到可视化图像,将所述可视化图像及所述角膜细胞的基础指标进行可视化展示。
细胞边界分割图可以只在前景展示细胞边界。将待识别的角膜共聚焦图像与预测得到的细胞边界分割图进行叠加,得到可视化图像,通过可视化图像可以直观看到细胞的边界分割结果是否准确。通过展示可视化图像和基础指标计算结果,在可视化图像上可以直观看到角膜共聚焦图像的细胞边界分割结果,基础指标可以给出细胞数目、细胞密度、正常细胞比例、细胞面积变异系数、以及细胞面积的最小值、最大值、平均值和方差八个结果。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,通过将角膜共聚焦图像与细胞边界分割图进行叠加,得到可视化图像,将可视化图像及角膜细胞的基础指标进行可视化展示,提高了结果显示直观性。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,在所述获取待识别的角膜共聚焦图像之前,所述方法还包括:获取所述角膜共聚焦图像样本,并对所述角膜共聚焦图像样本进行细胞边界标注后得到角膜细胞边界图像样本;对所述角膜共聚焦图像样本及所述角膜细胞边界图像样本进行数据增广处理;其中,所述数据增广处理包括随机缩放、随机裁剪、随机水平、竖直翻转、亮度抖动和对比度抖动中的至少一种。
深度卷积神经网络往往需要对大量训练数据进行学***和竖直翻转、亮度和对比度抖动。角膜共聚焦图像样本及其对应的角膜细胞边界图像样本要进行相同的数据增广操作,构建成最终用于训练模型的样本集。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,通过采用随机缩放、随机裁剪、随机水平、竖直翻转、亮度抖动和对比度抖动中的至少一种进行样本的数据增广,保障了模型训练效果。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化方法,所述将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图,具体包括:将所述角膜共聚焦图像输入到编码器的骨架网络块,输出第一特征图;将所述第一特征图输入到所述编码器的膨胀卷积块,输出第二特征图;将所述第二特征图输入到所述编码器的自注意力块,输出第三特征图;将所述第三特征图输入到解码器,输出所述细胞边界概率图。
下面给出细胞边界分割模型及训练过程的一个具体实例。
细胞边界分割模型:
细胞边界分割模型是一个全卷积神经网络,可以接受任意尺寸的输入图像。该网络是一个编码-解码过程,其中编码部分依次通过骨架网络块、膨胀卷积块和自注意力块,来提取图像的视觉特征,解码部分采用反卷积层逐层上采样的方式得到细胞边界概率图。
编码部分的骨架网络块可以使用各种现有卷积神经网络的骨架网络,包括但不限于使用VGG、ResNet、DenseNet等,采用这些经典的骨架网络时,可以直接利用在大规模图像数据集ImageNet上训练好的参数来初始化模型,加快卷积网络在小规模数据集(比如医学图像数据集)上的收敛速度。膨胀卷积块,采用膨胀卷积层堆叠的方式提取特征,把每个膨胀卷积层提取的特征图融合起来作为该模块的输出。膨胀卷积的卷积核是在标准卷积核中间填充0,填充0的个数称为膨胀率,使用膨胀卷积可以增加特征图中像素点的感受野,提高空间信息感知能力,更有利于细胞面积偏大的边界预测情况。自注意力块采用空间维度自注意力模块和通道维度自注意力模块并行提取特征的方式,对输入的特征图分别在空间维度和通道维度进行加权,自适应地学习注意力权重,决定编码器更注重哪些特征向量。其中,空间维度注意力模块通过对输入特征图进行卷积操作、维度变换操作和矩阵乘法操作,得到空间上的注意力权重图,输入特征图与空间权重图相乘就进行了空间维度加权;同样地,通道维度注意力模块通过对输入特征图进行维度变换操作和矩阵乘法操作,得到通道上的注意力权重图,通道权重图与输入特征图相乘就进行了通道维度加权;最终将输入特征图、空间和通道加权后的特征图融合起来作为自注意力块的输出。自注意力块可以自适应地学习特征向量的重要性,帮助网络更关注那些与细胞边界预测任务相关的特征。
解码部分采用反卷积层进行逐层上采样,参考U-Net的跳跃连接结构,在上采样过程中,将反卷积层输出的特征图与编码过程中对应大小的特征图进行拼接,拼接后的特征图可以通过多个卷积层,实现浅层特征和深层特征的融合,对预测细胞边界这种低层语义任务很有帮助。解码部分的最后通过一个卷积层和softmax层得到待识别图像中的细胞边界概率图。
具体实施时,编码部分中的骨架网络块使用ResNet34的前三个残差块,膨胀卷积块使用膨胀率分别为1、2、4、8的膨胀卷积层堆叠。
细胞边界分割模型训练过程:
具体训练时,先初始化细胞边界分割模型的参数,其中骨架网络块直接使用在大规模图像数据集ImageNet上训练好的参数,输入训练图像,前向通过编码部分提取视觉特征,解码部分构建出细胞边界概率图,将预测得到的细胞边界概率图和角膜细胞边界图像样本(预先标注好了细胞边界)进行比对或与设置的输出标签比对,计算加权交叉熵损失值,然后根据反向传播算法,更新模型参数,不断重复“前向-反向”的训练过程直至达到预设训练周期数,最后选择在验证数据集上损失值最小的模型作为训练好的细胞边界分割模型。
具体实施时,考虑到人工标注的细胞边界是单像素的,表示为二值图像时,单像素边界区域值为1,非边界区域值为0,因此单像素细胞边界出现强度值的明显变化,但同时,实际角膜共聚焦图像中细胞边界区域厚度不一,单像素边界附近的像素区域往往呈现类似边界的特征,这不利于网络训练的稳定性。因此,在训练细胞边界分割模型时,拓宽单像素边界的宽度,构建边界宽度为多像素的角膜细胞边界图像样本,以此作为模型训练的标准结果,帮助模型更快收敛,提高模型表达的稳定性。
具体实施时,细胞边界分割模型的本质是判断输入图像的像素点是否属于细胞边界区域,给出像素点属于细胞边界的概率。训练过程中,需要最小化损失函数,由于目标细胞边界图中属于细胞边界的像素点数量与不属于细胞边界的像素点数量不均衡,因此采用加权交叉熵损失函数作为监督信号,给角膜细胞边界图像样本中的正类(细胞边界类)像素的损失值赋予较大的权重,负类(非细胞边界类)像素的损失值赋予较小的权重,帮助模型更好地学习边界特征。
具体实施时,初始学习率设为0.001,学习率随着训练周期增加而阶梯式衰减,更新模型参数选用Adam优化器,权重衰减设为0.0005,可以设置总的训练周期数为500,每个训练批次图像数量为8。
细胞边界分割模型训练好后,首先将待识别的角膜共聚焦图像输入到已经训练好的细胞边界分割模型,得到待识别图像中的细胞边界概率图,细胞边界概率图中取值范围为0~1,其中0表示该像素不属于细胞边界,1表示该像素属于细胞边界。然后对细胞边界概率图进行一系列后处理步骤,后处理步骤包括自适应阈值二值化(OTSU算法)、细化、去边缘细胞区域、去毛刺、去孤立点、去小面积闭合区域,最终得到单像素边界图,即细胞边界分割图。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,能自动高效地对图像中的细胞边界进行分割,计算图像中的细胞数目、细胞密度、正常细胞比例、细胞面积变异系数、以及细胞面积的最小值、最大值、平均值和方差这八个基础指标,并可实现可视化展示。
图3是本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法流程图之二。如图3所示,所述方法包括:
获取待识别的角膜共聚焦图像;
将待识别的角膜共聚焦图像输入到已训练的边界分割模型,得到待识别图像中细胞的边界概率图;
对边界概率图进行一系列后处理步骤,得到待识别图像中细胞的边界分割图;
基于边界分割图,获得待识别的角膜共聚焦图像中的细胞区域;
基于获得的细胞区域计算细胞的基础指标,包括细胞数目、细胞密度、正常细胞比例、细胞面积变异系数、以及细胞面积的最小值、最大值、平均值和方差。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,包括角膜共聚焦图像获取、细胞边界分割、基础指标计算和可视化展示的步骤,获取待识别的角膜共聚焦图像后,利用训练好的细胞边界分割模型和一系列后处理步骤,得到待识别图像中细胞的细胞边界分割图,然后基于细胞边界分割图计算待识别图像中细胞的基础指标,最后给出包含细胞边界分割和基础指标结果的可视化展示结果。
通过本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法,不仅可以自动高效地获取角膜共聚焦图像中各层细胞的边界,通过可视化图像直接看到细胞边界的分割结果,而且可以自动计算出细胞数目、细胞密度、正常细胞比例、细胞面积变异系数、以及细胞面积的最小值、最大值、平均值和方差这八个基础指标,并可实现可视化展示。
下面对本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置进行描述,下文描述的角膜共聚焦图像中细胞基础指标的精准量化装置与上文描述的角膜共聚焦图像中细胞基础指标的精准量化方法可相互对应参照。
图4是本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置的结构示意图。如图4所示,所述装置包括图像获取模块10、细胞边界概率图获取模块20、细胞边界分割图获取模块30及细胞基础指标计算模块40,其中:图像获取模块10用于:获取待识别的角膜共聚焦图像;细胞边界分割模块20用于:将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图;其中,所述细胞边界分割模型是以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;细胞边界分割图获取模块30用于:对所述细胞边界概率图进行预设后处理,得到细胞边界分割图;细胞基础指标计算模块40用于:基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置,通过将角膜共聚焦图像输入到细胞边界分割模型,根据细胞边界分割模型输出细胞边界概率图,对细胞边界概率图进行预设后处理,得到细胞边界分割图,基于细胞边界分割图,获取角膜共聚焦图像的细胞区域,根据角膜共聚焦图像的细胞区域计算角膜细胞的基础指标,可实现角膜共聚焦图像中细胞边界的自动化高效分割及角膜细胞基础指标的精准量化。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化装置,细胞边界分割图获取模块30在用于对所述细胞边界概率图进行预设后处理时,具体用于采用以下处理过程中的至少一种进行所述预设后处理:对所述细胞边界概率图进行平滑处理后,进行全局自适应阈值二值化处理,生成具有边界轮廓的二值图像;对所述二值图像进行形态细化处理,生成所述边界轮廓为单像素宽的细化后二值图像;去除所述细化后二值图像中图像边缘上不完整的细胞区域;去除所述细化后二值图像中所述边界轮廓上的突出线条;去除孤立点;去除面积小于预设阈值的闭合区域。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置,通过对细胞边界概率图进行预设后处理,得到细胞边界分割图,提高了细胞边界分割的准确性。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化装置,所述角膜细胞的基础指标包括细胞数目、细胞密度、正常细胞比例、细胞面积变异系数、细胞面积的最小值、细胞面积的最大值、细胞面积的平均值及细胞面积的方差中的至少一种。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置,通过基于细胞边界分割图,获取角膜共聚焦图像的细胞区域,根据角膜共聚焦图像的细胞区域计算角膜细胞的基础指标,实现了角膜细胞基础指标的自动化获取。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化装置,所述细胞基础指标计算模块40在用于基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域时,具体用于:将所述细胞边界分割图的前景从细胞边界区域变为非细胞边界区域;计算所述细胞边界分割图中所有的连通分量,去除所述所有的连通分量中与所述细胞边界分割图的边缘临接的所述连通分量实现去背景处理,仅保留用于标识所述细胞区域的所述连通分量。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置,通过将细胞边界分割图的前景从细胞边界区域变为非细胞边界区域,计算细胞边界分割图中所有的连通分量,去除所有的连通分量中与细胞边界分割图的边缘临接的连通分量实现去背景处理,仅保留用于标识细胞区域的连通分量,实现了细胞区域的准确获取,为细胞的基础指标的计算提供基础。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化装置,所述细胞基础指标计算模块40在用于根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标时,具体用于:根据用于标识所述细胞区域的所述连通分量,计算所有所述细胞区域的个数,得到所述细胞数目;根据用于标识所述细胞区域的所述连通分量,计算每个所述细胞区域所占像素个数,根据每个所述细胞区域所占像素个数以及单个像素对应的真实物理尺度,得到每个所述细胞区域的面积,根据每个所述细胞区域的面积得到所述细胞面积的最小值、所述细胞面积的最大值、所述细胞面积的平均值及所述细胞面积的方差;根据每个所述细胞区域的面积得到细胞区域总面积,将所述细胞数目除以所述细胞区域总面积,得到所述细胞密度;将所述细胞面积的方差与所述细胞密度相乘得到所述细胞面积变异系数;获取正常细胞区域,计算所述正常细胞区域的个数占所述细胞数目的比例,得到所述正常细胞比例。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置,通过基于用于标识细胞区域的连通分量计算角膜细胞的基础指标,提高了细胞基础指标计算的简便性和精确性。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化装置,所述装置还包括可视化展示模块,所述可视化展示模块用于:将所述角膜共聚焦图像与所述细胞边界分割图进行叠加,得到可视化图像,将所述可视化图像及所述角膜细胞的基础指标进行可视化展示。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置,通过将角膜共聚焦图像与细胞边界分割图进行叠加,得到可视化图像,将可视化图像及角膜细胞的基础指标进行可视化展示,提高了结果显示直观性。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化装置,所述装置还包括样本构建模块,所述样本构建模块用于:获取所述角膜共聚焦图像样本,并对所述角膜共聚焦图像样本进行细胞边界标注后得到角膜细胞边界图像样本;对所述角膜共聚焦图像样本及所述角膜细胞边界图像样本进行数据增广处理;其中,所述数据增广处理包括随机缩放、随机裁剪、随机水平、竖直翻转、亮度抖动和对比度抖动中的至少一种。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置,通过采用随机缩放、随机裁剪、随机水平、竖直翻转、亮度抖动和对比度抖动中的至少一种进行样本的数据增广,保障了模型训练效果。
根据本发明提供的一种角膜共聚焦图像中细胞基础指标的精准量化装置,所述细胞边界概率图获取模块20在用于将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图时,具体用于:将所述角膜共聚焦图像输入到编码器的骨架网络块,输出第一特征图;将所述第一特征图输入到所述编码器的膨胀卷积块,输出第二特征图;将所述第二特征图输入到所述编码器的自注意力块,输出第三特征图;将所述第三特征图输入到解码器,输出所述细胞边界概率图。
本发明提供的角膜共聚焦图像中细胞基础指标的精准量化装置,通过利用包括骨架网络块、膨胀卷积块和自注意力块的编码器提取特征,以及利用解码器输出细胞边界概率图,保障了细胞边界分割模型的功能实现。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行角膜共聚焦图像中细胞基础指标的精准量化方法,该方法包括:获取待识别的角膜共聚焦图像;将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图;其中,所述细胞边界分割模型是以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;对所述细胞边界概率图进行预设后处理,得到细胞边界分割图;基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的角膜共聚焦图像中细胞基础指标的精准量化方法,该方法包括:获取待识别的角膜共聚焦图像;将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图;其中,所述细胞边界分割模型是以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;对所述细胞边界概率图进行预设后处理,得到细胞边界分割图;基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的角膜共聚焦图像中细胞基础指标的精准量化方法,该方法包括:获取待识别的角膜共聚焦图像;将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图;其中,所述细胞边界分割模型是以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;对所述细胞边界概率图进行预设后处理,得到细胞边界分割图;基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种角膜共聚焦图像中细胞基础指标的精准量化方法,其特征在于,包括:
获取待识别的角膜共聚焦图像;
将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图;其中,所述细胞边界分割模型是以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;
对所述细胞边界概率图进行预设后处理,得到细胞边界分割图;
基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标。
2.根据权利要求1所述的角膜共聚焦图像中细胞基础指标的精准量化方法,其特征在于,所述预设后处理包括以下处理过程中的至少一种:
对所述细胞边界概率图进行平滑处理后,进行全局自适应阈值二值化处理,生成具有边界轮廓的二值图像;对所述二值图像进行形态细化处理,生成所述边界轮廓为单像素宽的细化后二值图像;去除所述细化后二值图像中图像边缘上不完整的细胞区域;去除所述细化后二值图像中所述边界轮廓上的突出线条;去除孤立点;去除面积小于预设阈值的闭合区域。
3.根据权利要求1所述的角膜共聚焦图像中细胞基础指标的精准量化方法,其特征在于,所述角膜细胞的基础指标包括细胞数目、细胞密度、正常细胞比例、细胞面积变异系数、细胞面积的最小值、细胞面积的最大值、细胞面积的平均值及细胞面积的方差中的至少一种。
4.根据权利要求3所述的角膜共聚焦图像中细胞基础指标的精准量化方法,其特征在于,所述基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,具体包括:
将所述细胞边界分割图的前景从细胞边界区域变为非细胞边界区域;计算所述细胞边界分割图中所有的连通分量,去除所述所有的连通分量中与所述细胞边界分割图的边缘临接的所述连通分量实现去背景处理,仅保留用于标识所述细胞区域的所述连通分量。
5.根据权利要求4所述的角膜共聚焦图像中细胞基础指标的精准量化方法,其特征在于,所述根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标,具体包括:
根据用于标识所述细胞区域的所述连通分量,计算所有所述细胞区域的个数,得到所述细胞数目;
根据用于标识所述细胞区域的所述连通分量,计算每个所述细胞区域所占像素个数,根据每个所述细胞区域所占像素个数以及单个像素对应的真实物理尺度,得到每个所述细胞区域的面积,根据每个所述细胞区域的面积得到所述细胞面积的最小值、所述细胞面积的最大值、所述细胞面积的平均值及所述细胞面积的方差;
根据每个所述细胞区域的面积得到细胞区域总面积,将所述细胞数目除以所述细胞区域总面积,得到所述细胞密度;
将所述细胞面积的方差与所述细胞密度相乘得到所述细胞面积变异系数;
获取正常细胞区域,计算所述正常细胞区域的个数占所述细胞数目的比例,得到所述正常细胞比例。
6.根据权利要求3所述的角膜共聚焦图像中细胞基础指标的精准量化方法,其特征在于,所述方法还包括:
将所述角膜共聚焦图像与所述细胞边界分割图进行叠加,得到可视化图像,将所述可视化图像及所述角膜细胞的基础指标进行可视化展示。
7.根据权利要求1所述的角膜共聚焦图像中细胞基础指标的精准量化方法,其特征在于,所述将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图,具体包括:
将所述角膜共聚焦图像输入到编码器的骨架网络块,输出第一特征图;将所述第一特征图输入到所述编码器的膨胀卷积块,输出第二特征图;将所述第二特征图输入到所述编码器的自注意力块,输出第三特征图;将所述第三特征图输入到解码器,输出所述细胞边界概率图。
8.一种角膜共聚焦图像中细胞基础指标的精准量化装置,其特征在于,包括:
图像获取模块,用于:获取待识别的角膜共聚焦图像;
细胞边界概率图获取模块,用于:将所述角膜共聚焦图像输入到细胞边界分割模型,根据所述细胞边界分割模型输出细胞边界概率图;其中,所述细胞边界分割模型是以角膜共聚焦图像样本作为输入、以所述角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签,通过机器学习训练得到的;
细胞边界分割图获取模块,用于:对所述细胞边界概率图进行预设后处理,得到细胞边界分割图;
细胞基础指标计算模块,用于:基于所述细胞边界分割图,获取所述角膜共聚焦图像的细胞区域,根据所述角膜共聚焦图像的所述细胞区域计算角膜细胞的基础指标。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述角膜共聚焦图像中细胞基础指标的精准量化方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述角膜共聚焦图像中细胞基础指标的精准量化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772766.1A CN113592783B (zh) | 2021-07-08 | 2021-07-08 | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772766.1A CN113592783B (zh) | 2021-07-08 | 2021-07-08 | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592783A true CN113592783A (zh) | 2021-11-02 |
CN113592783B CN113592783B (zh) | 2024-01-19 |
Family
ID=78246459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772766.1A Active CN113592783B (zh) | 2021-07-08 | 2021-07-08 | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592783B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693646A (zh) * | 2022-03-31 | 2022-07-01 | 中山大学中山眼科中心 | 一种基于深度学习的角膜内皮细胞活性因子的分析方法 |
CN115393351A (zh) * | 2022-10-27 | 2022-11-25 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 |
CN116580041A (zh) * | 2023-05-30 | 2023-08-11 | 山东第一医科大学附属眼科研究所(山东省眼科研究所、山东第一医科大学附属青岛眼科医院) | 基于voronoi图的角膜内皮细胞边界分割方法和装置 |
CN116862940A (zh) * | 2023-09-04 | 2023-10-10 | 深圳市瑞沃德生命科技有限公司 | 一种细胞边缘处理方法及其装置 |
CN117765532A (zh) * | 2024-02-22 | 2024-03-26 | 中国科学院宁波材料技术与工程研究所 | 基于共聚焦显微图像的角膜朗格汉斯细胞分割方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160668A (zh) * | 2015-08-26 | 2015-12-16 | 爱威科技股份有限公司 | 图像分割方法、***与细胞图像分割方法、*** |
US20170091948A1 (en) * | 2015-09-30 | 2017-03-30 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for automated analysis of cell images |
JP2017221555A (ja) * | 2016-06-17 | 2017-12-21 | 学校法人同志社 | 角膜内皮細胞品質評価支援システム |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN111210398A (zh) * | 2018-11-02 | 2020-05-29 | 电子科技大学 | 基于多尺度池化的白细胞识别*** |
CN111696094A (zh) * | 2020-06-12 | 2020-09-22 | 杭州迪英加科技有限公司 | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 |
CN112330690A (zh) * | 2020-11-02 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 基于显微图像的细胞分割方法、装置、设备及存储介质 |
US20210052157A1 (en) * | 2019-08-21 | 2021-02-25 | Case Western Reserve University | Assessment of endothelial cells and corneas at risk from ophthalmological images |
US20210089807A1 (en) * | 2019-09-25 | 2021-03-25 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
CN112750106A (zh) * | 2020-12-31 | 2021-05-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
CN113034505A (zh) * | 2021-04-30 | 2021-06-25 | 杭州师范大学 | 一种基于边缘感知网络的腺体细胞图像分割方法及装置 |
-
2021
- 2021-07-08 CN CN202110772766.1A patent/CN113592783B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160668A (zh) * | 2015-08-26 | 2015-12-16 | 爱威科技股份有限公司 | 图像分割方法、***与细胞图像分割方法、*** |
US20170091948A1 (en) * | 2015-09-30 | 2017-03-30 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for automated analysis of cell images |
JP2017221555A (ja) * | 2016-06-17 | 2017-12-21 | 学校法人同志社 | 角膜内皮細胞品質評価支援システム |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN111210398A (zh) * | 2018-11-02 | 2020-05-29 | 电子科技大学 | 基于多尺度池化的白细胞识别*** |
US20210052157A1 (en) * | 2019-08-21 | 2021-02-25 | Case Western Reserve University | Assessment of endothelial cells and corneas at risk from ophthalmological images |
US20210089807A1 (en) * | 2019-09-25 | 2021-03-25 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
CN111696094A (zh) * | 2020-06-12 | 2020-09-22 | 杭州迪英加科技有限公司 | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 |
CN112330690A (zh) * | 2020-11-02 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 基于显微图像的细胞分割方法、装置、设备及存储介质 |
CN112750106A (zh) * | 2020-12-31 | 2021-05-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
CN113034505A (zh) * | 2021-04-30 | 2021-06-25 | 杭州师范大学 | 一种基于边缘感知网络的腺体细胞图像分割方法及装置 |
Non-Patent Citations (2)
Title |
---|
MORITZ C. DANIEL 等: ""Automated segmentation of the corneal endothelium in a large set of ‘real-world’ specular microscopy images using the U-Net architecture"", 《]SCIENTIFIC REPORTS》, vol. 9, no. 1, pages 1 - 7 * |
潘细朋: ""基于深度卷积网络的病理图像细胞检测、分割及识别算法研究"", 《中国博士学位论文全文数据库 (医药卫生科技辑)》, vol. 2021, no. 1, pages 059 - 42 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693646A (zh) * | 2022-03-31 | 2022-07-01 | 中山大学中山眼科中心 | 一种基于深度学习的角膜内皮细胞活性因子的分析方法 |
CN115393351A (zh) * | 2022-10-27 | 2022-11-25 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 |
CN116580041A (zh) * | 2023-05-30 | 2023-08-11 | 山东第一医科大学附属眼科研究所(山东省眼科研究所、山东第一医科大学附属青岛眼科医院) | 基于voronoi图的角膜内皮细胞边界分割方法和装置 |
CN116862940A (zh) * | 2023-09-04 | 2023-10-10 | 深圳市瑞沃德生命科技有限公司 | 一种细胞边缘处理方法及其装置 |
CN116862940B (zh) * | 2023-09-04 | 2024-02-06 | 深圳市瑞沃德生命科技有限公司 | 一种细胞边缘处理方法及其装置 |
CN117765532A (zh) * | 2024-02-22 | 2024-03-26 | 中国科学院宁波材料技术与工程研究所 | 基于共聚焦显微图像的角膜朗格汉斯细胞分割方法和装置 |
CN117765532B (zh) * | 2024-02-22 | 2024-05-31 | 中国科学院宁波材料技术与工程研究所 | 基于共聚焦显微图像的角膜朗格汉斯细胞分割方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113592783B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592783B (zh) | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 | |
CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
CN110070531B (zh) | 用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
CN103984958A (zh) | ***细胞分割方法及*** | |
CN110675339A (zh) | 基于边缘修复和内容修复的图像修复方法及*** | |
CN114445670B (zh) | 图像处理模型的训练方法、装置、设备及存储介质 | |
TW202013311A (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
CN107085726A (zh) | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN110517273B (zh) | 基于动态梯度阈值的细胞学图像分割方法 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
CN111524144A (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
CN113763371B (zh) | 病理图像的细胞核分割方法及装置 | |
CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
CN116258861B (zh) | 基于多标签学习的半监督语义分割方法以及分割装置 | |
CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 | |
CN114140844A (zh) | 人脸静默活体检测方法、装置、电子设备及存储介质 | |
CN116485817A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN112200887A (zh) | 一种基于梯度感知的多聚焦图像融合方法 | |
CN117253071B (zh) | 基于多级伪标签增强的半监督目标检测方法及*** | |
CN116682109B (zh) | 一种病理显微图像的分析方法、装置、设备及存储介质 |
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 |