CN114240978A - 基于自适应形态学的细胞边缘分割方法和装置 - Google Patents

基于自适应形态学的细胞边缘分割方法和装置 Download PDF

Info

Publication number
CN114240978A
CN114240978A CN202210188942.1A CN202210188942A CN114240978A CN 114240978 A CN114240978 A CN 114240978A CN 202210188942 A CN202210188942 A CN 202210188942A CN 114240978 A CN114240978 A CN 114240978A
Authority
CN
China
Prior art keywords
result
segmentation
cell
initial
cells
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
Application number
CN202210188942.1A
Other languages
English (en)
Other versions
CN114240978B (zh
Inventor
吕行
邝英兰
范献军
蓝兴杰
黄仁斌
叶莘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Hengqin Shengao Yunzhi Technology Co ltd
Zhuhai Livzon Cynvenio Diagnostics Ltd
Original Assignee
Zhuhai Hengqin Shengao Yunzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Hengqin Shengao Yunzhi Technology Co ltd filed Critical Zhuhai Hengqin Shengao Yunzhi Technology Co ltd
Priority to CN202210188942.1A priority Critical patent/CN114240978B/zh
Publication of CN114240978A publication Critical patent/CN114240978A/zh
Application granted granted Critical
Publication of CN114240978B publication Critical patent/CN114240978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20036—Morphological 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于自适应形态学的细胞边缘分割方法和装置，其中方法包括：利用细胞分割模型，对待分割细胞图像进行实例分割，得到初始分割结果；基于初始分割结果中细胞的统计特征，对初始分割结果进行自适应迭代腐蚀处理，得到待分割细胞图像对应的最优腐蚀结果；其中，自适应迭代腐蚀处理过程中的卷积参数会随着初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，最优腐蚀结果中细胞的统计特征与初始分割结果中细胞的统计特征相匹配；利用分水岭算法，基于最优腐蚀结果，对初始分割结果进行精细分割，得到最终分割结果。本发明可以分割出更精确且更符合细胞原有形态的平滑边缘，提高了细胞边缘分割的准确性。

Description

基于自适应形态学的细胞边缘分割方法和装置
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种基于自适应形态学的细胞边缘分割方法和装置。
背景技术
近年来，循环遗传异常细胞(CACs, Circulating genetically abnormal cells)被报道在非小细胞肺癌(NSCLC ,Non Small Cell Lung Cancer)病人的外周血中被发现。针对于外周血中CACs的检测可以更早的预测到肿瘤存在，具有广阔的应用前景。目前，对CACs进行检测的方法，是通过采集外周血液的暗视野(DF，Dark Field)显微镜图像，利用CACs的形态学信息，例如，形状、大小，并基于人工干预，标记DF显微镜图像中的CACs，对标记的CACs进行计数，依据计数结果确定CACs在血液中的含量。但依据CACs的形态学信息并结合人工干预进行CACs的检测、确认和计数的方式，检测的主观性较强、可靠性不高，且由于需要人工参与，检测的效率较低、检测成本较高。如果采用计算机辅助分析，首先需要对DF图像中的细胞进行精准分割，这是进一步对各个细胞进行自动化分析的基础。
对于DF图像中细胞的分割，传统的方法是基于形态学或者分水岭等方法来实现，这些方法对于拥挤的细胞效果较差，而DF图像中细胞拥挤的情况非常普遍。近年来，人们越来越多地采用基于深度卷积神经网络的实例分割算法来实现对于DF图像中细胞的分割。基于深度学***滑，以及部分细胞信息点被排除在细胞边缘之外从而产生信息点“孤岛”等问题，难以适用于边缘敏感的CACs细胞分割任务中。可见，现有的细胞分割方法难以保证细胞边缘的精确分割，难以适用于CACs细胞的分割任务。
发明内容
本发明提供一种基于自适应形态学的细胞边缘分割方法和装置，用以解决现有技术中难以保证细胞边缘的精确分割，难以适用于CACs细胞的分割任务。
本发明提供一种基于自适应形态学的细胞边缘分割方法，包括：
确定待分割细胞图像；
利用细胞分割模型，对所述待分割细胞图像进行实例分割，得到所述待分割细胞图像的初始分割结果；
基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果；其中，所述自适应迭代腐蚀处理过程中的卷积参数会随着所述初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，所述最优腐蚀结果中细胞的统计特征与所述初始分割结果中细胞的统计特征相匹配；
利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果。
根据本发明提供的一种基于自适应形态学的细胞边缘分割方法，所述卷积参数包括卷积核尺寸；所述基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果，具体包括：
确定以初始卷积核尺寸为首的多个尺寸递减的卷积核尺寸；
依次基于各个卷积核尺寸，对上一腐蚀处理结果进行迭代腐蚀，得到当前腐蚀处理结果；其中，每次迭代腐蚀会在达到对应卷积核尺寸的迭代停止条件时终止；
将当前腐蚀处理结果作为所述最优腐蚀结果；
其中，首次腐蚀时，基于所述初始卷积核尺寸对所述初始分割结果进行腐蚀；任一卷积核尺寸的迭代停止条件为当前腐蚀处理结果中的细胞数量与所述初始分割结果中的细胞数量之间的差值小于所述任一卷积核尺寸对应的预设差值阈值，且所述任一卷积核尺寸越小，所述任一卷积核尺寸对应的预设差异阈值越小。
根据本发明提供的一种基于自适应形态学的细胞边缘分割方法，所述初始卷积核尺寸是基于如下步骤确定的：
基于所述初始分割结果中各像素所属细胞的标签信息，统计所述初始分割结果中各细胞的面积；
基于所述初始分割结果中各细胞的面积，计算各细胞的平均面积；
基于所述各细胞的平均面积，确定所述初始卷积核尺寸。
根据本发明提供的一种基于自适应形态学的细胞边缘分割方法，所述利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果，具体包括：
精细分割步骤：利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到当前的精细分割结果；
反馈调节步骤：若所述初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征不匹配，则调整所述初始卷积核尺寸，对所述初始分割结果重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，并基于所述新的最优腐蚀结果，执行所述精细分割步骤，得到当前的精细分割结果；
循环步骤：重复执行所述反馈调节步骤，直至所述初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征相匹配；
结果确定步骤：确定当前的精细分割结果为所述最终分割结果。
根据本发明提供的一种基于自适应形态学的细胞边缘分割方法，所述调整所述初始卷积核尺寸，对所述初始分割结果重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，并基于所述新的最优腐蚀结果，执行所述精细分割步骤，具体包括：
对所述待分割细胞图像进行子图划分，得到所述待分割细胞图像的多个子图区域；
获取所述初始分割结果和所述精细分割结果中对应各个子图区域的细胞数量；
若所述初始分割结果和所述精细分割结果中对应任一子图区域的细胞数量不匹配，则调整所述初始卷积核尺寸，并对所述初始分割结果中对应所述任一子图区域的部分重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果；
基于所述新的最优腐蚀结果，对所述初始分割结果中对应所述任一子图区域的部分重新进行精细分割。
根据本发明提供的一种基于自适应形态学的细胞边缘分割方法，所述调整所述初始卷积核尺寸，具体包括：
基于多个预设卷积核尺寸，缩小所述初始卷积核尺寸。
根据本发明提供的一种基于自适应形态学的细胞边缘分割方法，所述利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，具体包括：
对所述最优腐蚀结果进行连通域分析，得到所述最优腐蚀结果中的多个连通域；
基于所述最优腐蚀结果中的多个连通域，利用分水岭算法对所述初始分割结果进行精细分割。
根据本发明提供的一种基于自适应形态学的细胞边缘分割方法，所述细胞分割模型是基于如下步骤确定的：
获取训练样本，并将所述训练样本划分为训练集和测试集；所述训练样本包括样本细胞图像，或，包括样本细胞图像和所述样本细胞图像中各细胞的掩膜标注信息；
基于所述训练集对分割模型进行训练，并在训练过程中利用所述测试集对所述分割模型进行阶段性的性能测试，保存性能测试结果最优时的分割模型作为所述细胞分割模型。
根据本发明提供的一种基于自适应形态学的细胞边缘分割方法，所述获取训练样本，具体包括：
获取细胞显微图像；
若所述细胞显微图像的通道数大于所述细胞分割模型的输入条件对应的预设通道数，则将所述细胞显微图像分解为多个低通道图像；
对所述多个低通道图像进行图像质量评估，得到所述多个低通道图像的质量评估得分；
基于所述多个低通道图像的质量评估得分，获取质量评估得分最高的多个低通道图像；
将所述质量评估得分最高的多个低通道图像组合为所述样本细胞图像；其中，所述质量评估得分最高的多个低通道图像组合后的通道数等于所述预设通道数。
本发明还提供一种基于自适应形态学的细胞边缘分割装置，包括：
图像确定单元，用于确定待分割细胞图像；
实例分割单元，用于利用细胞分割模型，对所述待分割细胞图像进行实例分割，得到所述待分割细胞图像的初始分割结果；
自适应腐蚀单元，用于基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果；其中，所述自适应迭代腐蚀处理过程中的卷积参数会随着所述初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，所述最优腐蚀结果中细胞的统计特征与所述初始分割结果中细胞的统计特征相匹配；
精细分割单元，用于利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果。
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基于自适应形态学的细胞边缘分割方法的步骤。
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基于自适应形态学的细胞边缘分割方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于自适应形态学的细胞边缘分割方法的步骤。
本发明提供的基于自适应形态学的细胞边缘分割方法和装置，在利用细胞分割模型对待分割细胞图像进行实例分割，得到初始分割结果后，对初始分割结果进行自适应迭代腐蚀处理，得到最优腐蚀结果，其中，自适应迭代腐蚀处理过程中的卷积参数会随着初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，以较大程度地将粘连重叠的细胞分离开，同时尽可能地保留原有细胞的形态，再在最优腐蚀结果的指引下利用分水岭算法进行精细分割，可以分割出更精确且更符合细胞原有形态的平滑边缘，提高了细胞边缘分割的准确性。
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是本发明提供的细胞边缘分割方法的流程示意图之一；
图2是本发明提供的细胞边缘分割方法与现有方法的效果对比图；
图3是本发明提供的自适应迭代腐蚀方法的流程示意图；
图4是本发明提供的初始卷积核确定方法的流程示意图；
图5是本发明提供的精细分割方法的流程示意图之一；
图6是本发明提供的反馈调节步骤的流程示意图；
图7是本发明提供的精细分割方法的流程示意图之二；
图8是本发明提供的细胞边缘分割方法的详细示意图；
图9是本发明提供的细胞边缘分割装置的结构示意图；
图10是本发明提供的电子设备的结构示意图。
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。
图1为本发明实施例提供的细胞分割方法的流程示意图，如图1所示，该方法包括：
步骤110，确定待分割细胞图像。
具体地，可以获取包含细胞的显微镜图像，作为待分割细胞图像。其中，可以选取DAPI视野图像作为上述待分割细胞图像。此处，待分割图像包含的细胞可以是循环肿瘤细胞中的CACs细胞，也可以是其他需要进行精确边缘分割的细胞，本发明实施例对此不作具体限定。
步骤120，利用细胞分割模型，对所述待分割细胞图像进行实例分割，得到所述待分割细胞图像的初始分割结果。
具体地，预先训练细胞分割模型，该细胞分割模型为实例分割模型，例如Mask-RCNN网络等。其中，细胞分割模型可以采用Resnet 50+ 特征金字塔FPN作为特征提取网络，进一步采用ROI Align模块来实现小目标的感兴趣区域提取，最终通过多分支网络，同步实现对于感兴趣区域内的前景与背景的分割，以及前景区域的分类。由于前景中仅有细胞，因而分类任务是一个二分类任务。在细胞分割模型的训练过程中，将所述样本图像和样本图像中每个细胞的掩膜二值图像等作为元数据输入到细胞分割模型中进行多次epoches训练，从而得到训练好的细胞分割模型。将待分割细胞图像输入到细胞分割模型中进行实例分割，可以得到待分割图像的初始分割结果。其中，初始分割结果中包含待分割图像中每个细胞像素点以及各个细胞像素点所属的细胞标签。
步骤130，基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果；
其中，所述自适应迭代腐蚀处理过程中的卷积参数会随着所述初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，所述最优腐蚀结果中细胞的统计特征与所述初始分割结果中细胞的统计特征相匹配。
具体地，如图2左侧所示，由于待分割细胞图像中细胞之间可能存在重叠，因此细胞分割模型输出的初始分割结果中各个细胞边界之间容易产生大量重叠，细胞边缘分割不准确。因此，需要对重叠的细胞边缘进行精细分割，从而得到精准的细胞边缘。为了解决重叠细胞的问题，部分工作会利用分水岭算法等对实例分割得到的初始分割结果进行进一步的分割操作。然而，针对细胞拥挤、细胞重叠情况较为严重的待分割图像，上述方式的边缘分割效果欠佳。如图2中间所示，利用分水岭算法对初始分割结果进行精细分割后得到的分割结果中，细胞边缘之间仍然存在大量重叠，且细胞边缘不平滑，另外，部分细胞像素点被划分到所有细胞边缘之外，产生了大量信息孤岛，在进行下游任务时，这些处于信息孤岛中的细胞像素点将没有办法判别其归属。
对此，本发明实施例在对初始分割结果进行精细分割之前，基于初始分割结果中细胞的统计特征，对初始分割结果对应的二值图像进行自适应迭代腐蚀处理，实现重叠细胞的分离，从而得到待分割细胞图像对应的最优腐蚀结果。此处，自适应迭代腐蚀处理过程中的卷积参数会随着初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小。其中，细胞的统计特征可以包括初始分割结果或当前腐蚀结果中细胞的总数，还可以包括初始分割结果或当前腐蚀结果中细胞的分布情况，例如各个子图区域中细胞的数量。
虽然实例分割过程中对于重叠细胞的细胞边缘分割效果欠佳，但是实例分割所识别出的细胞数量或细胞分布（即统计特征）是可靠的，因此当前腐蚀结果中细胞的统计特征与初始分割结果中细胞的统计特征之间的差异可以表征当前腐蚀结果中重叠细胞的分割情况与实际情况之间的差距。此处，当前腐蚀结果中重叠细胞的分割情况与实际情况之间的差距越大，越需要进行效果更明显的腐蚀操作，以更大程度地分离重叠细胞，相应地，当前腐蚀结果中重叠细胞的分割情况与实际情况之间的差距越小，表明大部分的重叠细胞已被分离，仅有少部分重叠部分较不明显的重叠细胞，故需要进行更精细的细胞分离操作，同时尽可能保留细胞的原有形态，以保证细胞边缘的平滑性。
具体而言，在腐蚀过程中，根据当前腐蚀结果中细胞的统计特征与初始分割结果中细胞的统计特征之间的差异调整腐蚀过程中使用的卷积参数，例如卷积核尺寸和卷积步长。其中，当前腐蚀结果中细胞的统计特征与初始分割结果中细胞的统计特征之间的差异越大，可以使用更大的卷积参数以进行更快速、效果更明显的迭代腐蚀操作，以将大部分重叠细胞迅速分离。随着当前腐蚀结果中细胞的统计特征与初始分割结果中细胞的统计特征之间的差异变小，可以缩小卷积参数以进行更精细、幅度更小的迭代腐蚀操作，在分离重叠细胞的基础上尽量保留细胞的原有形态从而保证细胞边缘的平滑。在当前腐蚀结果中细胞的统计特征与初始分割结果中细胞的统计特征相匹配，即，当前腐蚀结果中的细胞总数与初始分割结果中的细胞总数相同，或当前腐蚀结果中的细胞分布与初始分割结果中的细胞分布相同时，即可停止迭代腐蚀，得到最优腐蚀结果。其中，最优腐蚀结果中细胞的统计特征与初始分割结果中细胞的统计特征相匹配。
可见，通过对初始分割结果对应的二值图像进行自适应迭代腐蚀处理，得到待分割细胞图像对应的最优腐蚀结果后，再进行后续的精细分割操作，一方面可以对初始分割结果中重叠的细胞进行分割，较大程度地将粘连重叠的细胞分离开，从而优化后续分水岭算法的效果，避免由于细胞重叠导致分水岭算法失效；另一方面，由于自适应迭代腐蚀过程中使用的卷积参数能够随着当前腐蚀结果中细胞的统计特征与初始分割结果中细胞的统计特征之间差异的减少而减小，因此可以避免腐蚀过度，从而尽可能保留原有细胞的形态，后续分水岭算法在最优腐蚀结果的指引下进行精细分割时，可以分割出更符合细胞原有形态的平滑边缘。
步骤140，利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果。
具体地，基于上述最优腐蚀结果，利用分水岭算法，对初始分割结果进行精细分割。其中，可以将最优腐蚀结果中得到的细胞区域的标识作为函数参数传递给分水岭算法，分水岭算法在进行精细分割时，可以以最优腐蚀结果中得到的细胞区域作为初始值进行精细分割，得到待分割细胞图像的最终分割结果。由于自适应迭代腐蚀操作较大程度地将粘连重叠的细胞分离开，且尽可能地保留了原有细胞的形态，因此，在自适应迭代腐蚀后得到的最优腐蚀结果的指引下，分水岭算法可以分割出更精确且更符合细胞原有形态的平滑边缘，如图2右侧所示。
本发明实施例提供的方法，在利用细胞分割模型对待分割细胞图像进行实例分割，得到初始分割结果后，对初始分割结果进行自适应迭代腐蚀处理，得到最优腐蚀结果，其中，自适应迭代腐蚀处理过程中的卷积参数会随着初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，以较大程度地将粘连重叠的细胞分离开，同时尽可能地保留原有细胞的形态，再在最优腐蚀结果的指引下利用分水岭算法进行精细分割，可以分割出更精确且更符合细胞原有形态的平滑边缘，提高了细胞边缘分割的准确性。
基于上述实施例，所述卷积参数包括卷积核尺寸；
图3为本发明实施例提供的自适应迭代腐蚀方法的流程示意图，如图3所示，步骤130具体包括：
步骤131，确定以初始卷积核尺寸为首的多个尺寸递减的卷积核尺寸；
步骤132，依次基于各个卷积核尺寸，对上一腐蚀处理结果进行迭代腐蚀，得到当前腐蚀处理结果；其中，每次迭代腐蚀会在达到对应卷积核尺寸的迭代停止条件时终止；
步骤133，将当前腐蚀处理结果作为所述最优腐蚀结果；
其中，首次腐蚀时，基于所述初始卷积核尺寸对所述初始分割结果进行腐蚀；任一卷积核尺寸的迭代停止条件为当前腐蚀处理结果中的细胞数量与所述初始分割结果中的细胞数量之间的差值小于所述任一卷积核尺寸对应的预设差值阈值，且所述任一卷积核尺寸越小，所述任一卷积核尺寸对应的预设差异阈值越小。
具体地，可以设置多个以初始卷积核尺寸为首的尺寸递减的卷积核尺寸，例如7*7、5*5和3*3，其中7*7为初始卷积核尺寸。其中，初始卷积核尺寸可以基于待分割细胞图像中细胞的形态确定得到，细胞越大，初始卷积核尺寸可以设置得越大。
依次基于各个卷积核尺寸，对上一腐蚀处理结果进行迭代腐蚀，得到当前腐蚀处理结果，其中，每次迭代腐蚀会在达到对应卷积核尺寸的迭代停止条件时终止。即，按照尺寸递减的顺序，基于当前卷积核尺寸对上一腐蚀处理结果进行一次迭代腐蚀，此次迭代腐蚀会在达到当前卷积核尺寸的迭代停止条件后终止，并将下一个卷积核尺寸作为当前卷积核尺寸进行又一次迭代腐蚀。以7*7、5*5和3*3三个卷积核尺寸为例，首先基于7*7卷积核，迭代对上一腐蚀处理结果进行腐蚀，直至达到7*7卷积核的迭代停止条件，其中，首次腐蚀时的腐蚀对象为实例分割得到的初始分割结果；随后，基于5*5卷积核，接着迭代对上一腐蚀处理结果进行腐蚀，直至达到5*5卷积核的迭代停止条件；最后，基于3*3卷积核，继续迭代对上一腐蚀处理结果进行腐蚀，直至达到3*3卷积核的迭代停止条件。当基于最后一个卷积核尺寸进行的迭代腐蚀终止后，将得到的当前腐蚀处理结果作为最优腐蚀结果。
此处，任一卷积核尺寸的迭代停止条件为当前腐蚀处理结果中的细胞数量与初始分割结果中的细胞数量之间的差值小于该卷积核尺寸对应的预设差值阈值，且该卷积核尺寸越小，该卷积核尺寸对应的预设差异阈值越小。另外，最后一个卷积核尺寸对应的预设差异阈值可以设置为0，表明需要在当前腐蚀处理结果中细胞的统计特征与初始分割结果中细胞的统计特征相匹配时停止此次迭代。例如，基于7*7卷积核进行迭代腐蚀时，迭代停止条件可以为当前腐蚀处理结果中的细胞数量与初始分割结果中的细胞数量之间的差值小于初始分割结果中细胞数量的10%；基于5*5卷积核进行迭代腐蚀时，迭代停止条件可以为当前腐蚀处理结果中的细胞数量与初始分割结果中的细胞数量之间的差值小于初始分割结果中细胞数量的5%；基于3*3卷积核进行迭代腐蚀时，迭代停止条件可以为当前腐蚀处理结果中的细胞数量等于初始分割结果中的细胞数量。
基于上述任一实施例，图4为本发明实施例提供的初始卷积核确定方法的流程示意图，如图4所示，所述初始卷积核尺寸是基于如下步骤确定的：
步骤410，基于所述初始分割结果中各像素所属细胞的标签信息，统计所述初始分割结果中各细胞的面积；
步骤420，基于所述初始分割结果中各细胞的面积，计算各细胞的平均面积；
步骤430，基于所述各细胞的平均面积，确定所述初始卷积核尺寸。
具体地，基于初始分割结果中各像素所属细胞的标签信息，可以确定初始分割结果中的各个细胞包含的像素数量，从而统计得到各个细胞的面积。根据各个细胞的面积，计算各个细胞的平均面积。基于各个细胞的平均面积，可以确定初始卷积核尺寸。其中，各个细胞的平均面积越大，确定的初始卷积核尺寸越大。由于初始卷积核尺寸与各个细胞的平均面积正相关，因此可以选择与各个细胞大小相适应的初始卷积核尺寸，避免选取过大的初始卷积核尺寸导致过度腐蚀，同时还可以在保证腐蚀效果的同时选择尽量大的初始卷积核尺寸，以提高自适应迭代腐蚀的效率。
基于上述任一实施例，步骤140具体包括：
精细分割步骤：利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到当前的精细分割结果；
反馈调节步骤：若所述初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征不匹配，则调整所述初始卷积核尺寸，对所述初始分割结果重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，并基于所述新的最优腐蚀结果，执行所述精细分割步骤，得到当前的精细分割结果；
循环步骤：重复执行所述反馈调节步骤，直至所述初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征相匹配；
结果确定步骤：确定当前的精细分割结果为所述最终分割结果。
具体地，如图5所示，在进行自适应迭代腐蚀操作得到最优腐蚀结果后，执行精细分割步骤，利用分水岭算法，基于最优腐蚀结果对初始分割结果进行精细分割，得到当前的精细分割结果。随后，获取当前的精细分割结果中细胞的统计特征。此处，可以利用初始分割结果中细胞的统计特征作为调整标准，根据初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征之间的差异，判断是否需要重新进行自适应迭代腐蚀处理和精细分割操作，以进一步提高细胞边缘分割的准确性。
具体而言，若初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征不匹配，例如初始分割结果中的细胞总数和当前的精细分割结果中的细胞总数不同，或初始分割结果中的细胞分布和当前的精细分割结果中的细胞分布不同，则表明此次精细分割结果不准确，需要对最优腐蚀结果进行形态学调整，执行反馈调节步骤。其中，可以调整自适应迭代腐蚀处理过程中的初始卷积核尺寸，然后基于调整后的初始卷积核尺寸，对初始分割结果重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，并基于新的最优腐蚀结果，再执行上述精细分割步骤，得到当前的精细分割结果。
若当前的精细分割结果中细胞的统计特征与初始分割结果中细胞的统计特征仍不匹配，则执行循环步骤，重复执行上述反馈调节步骤，继续调整初始卷积核尺寸，重新执行自适应迭代腐蚀处理和精细分割步骤，直至初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征相匹配。随后，将当前的精细分割结果确定为最终分割结果。
基于上述任一实施例，图6为本发明实施例提供的反馈调节步骤的流程示意图，如图6所示，所述调整所述初始卷积核尺寸，对所述初始分割结果重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，并基于所述新的最优腐蚀结果，执行所述精细分割步骤，具体包括：
步骤610，对所述待分割细胞图像进行子图划分，得到所述待分割细胞图像的多个子图区域；
步骤620，获取所述初始分割结果和所述精细分割结果中对应各个子图区域的细胞数量；
步骤630，若所述初始分割结果和所述精细分割结果中对应任一子图区域的细胞数量不匹配，则调整所述初始卷积核尺寸，并对所述初始分割结果中对应所述任一子图区域的部分重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果；
步骤640，基于所述新的最优腐蚀结果，对所述初始分割结果中对应所述任一子图区域的部分重新进行精细分割。
具体地，可以对待分割细胞图像进行子图划分，得到待分割细胞图像的多个子图区域。随后，获取初始分割结果和精细分割结果中对应各个子图区域的细胞数量。此处，初始分割结果和精细分割结果均与待分割细胞图像相对应，因此，将待分割细胞图像划分为多个子图区域后，也可以获取初始分割结果和精细分割结果中对应各个子图区域的部分，并获取初始分割结果和精细分割结果中对应各个子图区域的部分包含的细胞数量。
若初始分割结果和精细分割结果中对应任一子图区域i的细胞数量不匹配，表明针对该子图区域i的精细分割不准确，需要进行调整。因此，调整自适应迭代腐蚀过程中的初始卷积核尺寸，并对初始分割结果中对应该子图区域i的部分重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，再基于上述新的最优腐蚀结果，对初始分割结果中对应该子图区域i的部分重新进行精细分割。此处，将待分割细胞图像划分为多个更小的子图区域后，判断各个子图区域的精细分割是否准确，从而进队精细分割不准确的部分子图区域重新进行自适应迭代腐蚀和精细分割，减少了自适应迭代腐蚀和精细分割的计算量，提高了细胞边缘分割的效率。
基于上述任一实施例，所述调整所述初始卷积核尺寸，具体包括：
基于多个预设卷积核尺寸，缩小所述初始卷积核尺寸。
具体地，当初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征不匹配，或，初始分割结果和精细分割结果中对应任一子图区域的细胞数量不匹配时，表明精细分割不准确。导致精细分割不准确的原因可能在于自适应迭代腐蚀处理时腐蚀过度，使得最优腐蚀结果中的细胞状态和待分割细胞图像中细胞的实际状态有所差别，故而使得精细分割结果不准确。因此，为了提高细胞边缘分割的准确性，可以缩小自适应迭代腐蚀处理过程中的初始卷积核尺寸，从较小的卷积核尺寸开始迭代腐蚀，以避免腐蚀过度。此处，可以预先设置多个预设卷积核尺寸，然后从中选取比当前的初始卷积核尺寸更小的卷积核尺寸，作为调整后的初始卷积核尺寸。
基于上述任一实施例，图7为本发明实施例提供的精细分割方法的流程示意图之二，如图7所示，所述利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，具体包括：
步骤710，对所述最优腐蚀结果进行连通域分析，得到所述最优腐蚀结果中的多个连通域；
步骤720，基于所述最优腐蚀结果中的多个连通域，利用分水岭算法对所述初始分割结果进行精细分割。
具体地，为了提高细胞边缘分割的精准性，分水岭算法可以根据细胞的形态特征考虑分割形状的规则性，从而提高分割的最终性能。此处，可以通过连通域分割方法，对最优腐蚀结果进行连通域分析，得到多个连通域，并给予上述最优腐蚀结果每个独立连通域一个标识。其中，单个独立连通域对应自适应腐蚀处理得到的一个细胞。
随后，基于上述最优腐蚀结果中的多个连通域所指示的细胞形态特征，利用分水岭算法对初始分割结果进行精细分割。其中，可以将最优腐蚀结果中每个独立连通域的标识将作为函数参数传递给分水岭分割算法进行精细分割，得到相应的细胞分割结果。
基于上述任一实施例，所述细胞分割模型是基于如下步骤确定的：
获取训练样本，并将所述训练样本划分为训练集和测试集；所述训练样本包括样本细胞图像，或，包括样本细胞图像和所述样本细胞图像中各细胞的掩膜标注信息；
基于所述训练集对分割模型进行训练，并在训练过程中利用所述测试集对所述分割模型进行阶段性的性能测试，保存性能测试结果最优时的分割模型作为所述细胞分割模型。
具体地，首先需要获取大量的训练样本。训练样本可以包括样本细胞图像，也可以既包括样本细胞图像又包括样本细胞图像中各细胞的掩膜标注信息。其中，训练样本中是否需要样本细胞图像中各细胞的掩膜标注信息，可以根据细胞分割模型是采用全监督方式训练还是采用半监督方式训练而定。此处，可以获取大量细胞显微图像作为样本细胞图像以供训练细胞分割模型。掩膜标注信息可以由具有专业资质的标注人员通过标注软件来形成。例如，可以采用标注软件如Labelme等开源软件，标注出样本细胞图像中每个细胞的掩膜图，掩膜图对于细胞核边缘的描绘应尽可能的准确。
在获取训练样本之后，还可以对训练样本进行清理与预处理，去除一些成像不合格或者标注不完整的数据。随后，根据上述掩膜标注信息，确定样本细胞图像中各个细胞的位置及边缘以生成细胞核区域的掩膜二值图，并合理划分数据集，将训练样本划分为训练集和测试集。
然后，利用上述训练集和测试集对选取的分割模型进行训练及调优。其中，分割模型可以采用Mask-RCNN网络来对细胞进行实例分割，具体可以采用Resnet 50+ 特征金字塔FPN作为特征提取网络，采用了ROI Align模块来实现小目标的感兴趣区域提取，最终通过多分支网络，同步实现对于感兴趣区域内的前景与背景的分割，以及前景区域的分类。在分割模型的训练过程中，可以将训练集中的样本细胞图像、上述样本细胞图像中各细胞的掩膜二值图像等作为元数据输入到分割模型中，进行多次（例如100次）epoches训练。
在训练过程中，可以按照一定的程序在测试集上进行阶段性的性能测试（这里可以采用mAP），最终根据性能表现结果合理选择和存储最优模型，将性能最优的分割模型作为细胞分割模型，以提高细胞分割模型的分割性能。然后，将细胞分割模型封装并部署到应用服务器或者工作站中，并建立数据推断流程；数据推断流程一般应包括上述的数据预处理及组织过程，以及模型的调用和推断，以及模型推断结果的输出和存储等。其中性能最优的分割模型应该在测试集上的表现大于某些阈值，例如在mAP上表现大于0.9，在Dice上大于0.95等。同时，性能最优的分割模型还应具有较好的泛化能力，例如，在测试集和训练集的性能表现上相差不大于10%。
基于上述任一实施例，所述获取训练样本，具体包括：
获取细胞显微图像；
若所述细胞显微图像的通道数大于所述细胞分割模型的输入条件对应的预设通道数，则将所述细胞显微图像分解为多个低通道图像；
对所述多个低通道图像进行图像质量评估，得到所述多个低通道图像的质量评估得分；
基于所述多个低通道图像的质量评估得分，获取质量评估得分最高的多个低通道图像；
将所述质量评估得分最高的多个低通道图像组合为所述样本细胞图像；其中，所述质量评估得分最高的多个低通道图像组合后的通道数等于所述预设通道数。
具体地，根据所选择的细胞分割模型的网络结构，其输入条件中要求的输入图像的通道数有所不同，例如目前大部分的实例分割网络通常会要求三通道图像输入。然而，细胞图像一般会多于三通道，因而需要将多通道的细胞图像分解为满足细胞分割模型输入条件要求的较低通道的图像，得到细胞分割模型的输入数据。
因此，可以获取细胞显微图像，然后判断上述细胞显微图像的通道数是否大于细胞分割模型的输入条件对应的预设通道数（例如三通道）。若上述细胞显微图像的通道数大于上述预设通道数，则将细胞显微图像逐层分解为多个低通道图像。其中，低通道图像可以为单通道图像。随后，对上述多个低通道图像进行图像质量评估，得到上述多个低通道图像的质量评估得分。此处，可以采用自动聚焦评判算法对上述多个低通道图像进行图像质量评估，例如采用无参图像清晰度评价函数，如能量梯度函数、Tengengrad梯度函数、Lapacian梯度函数以及一些统计函数，如信息熵及Range函数等对多个低通道图像进行图像质量评估。
根据上述多个低通道图像的质量评估得分，获取质量评估得分最高的多个低通道图像，再将上述质量评估得分最高的多个低通道图像进行组合，得到通道数满足细胞分割模型输入条件的样本细胞图像。其中，上述质量评估得分最高的多个低通道图像组合后的通道数应当等于预设通道数。
基于上述任一实施例，图8为本发明实施例提供的细胞边缘分割方法的详细示意图，该方法可以用于循环肿瘤细胞（CTC）的精准分割，可应用于CTC细胞中CACs细胞的检出，但具体的检测目标可以根据实际应用场景确定，本发明实施例对此不作具体限定。如图8所示，该方法包括：
步骤810，获取原始训练样本，上述原始训练样本包括细胞显微图像和细胞显微图像中各细胞的掩膜标注信息。
其中，可以选取DAPI视野图像作为上述细胞显微图像，基于此实现对细胞的精准检测与边缘分割。掩膜标注信息由具有专业资质的标注人员通过标注软件来形成，例如可以采用标注软件如Labelme等开源软件，掩膜标注信息中应至少包括细胞显微图像中每个细胞的掩膜图，掩膜图对于细胞核边缘的描绘应尽可能的准确。根据上述掩膜标注信息，确定细胞显微图像中细胞核的区域，从图像中提取细胞核区域可以生成细胞核的掩膜二值图。获取原始训练样本之后，可以对原始训练样本进行清理与预处理，去除一些成像不合格或者标注不完整的数据。
步骤820，根据掩膜标注信息，确定细胞显微图像中各个细胞的位置及边缘以生成细胞核区域的掩膜二值图，并合理划分数据集。
此步骤的目的在于组织细胞分割模型的输入数据。为了提高细胞分割模型的性能，细胞分割模型的图像输入为经过质量控制的图像，送入模型进行训练以及进行实际分割的图像皆为一次扫描中质量最优的图像数据。此处，细胞分割模型一般会要求三通道图像输入，而细胞显微图像一般会多于三通道，因而需要采用自动图像质量评估的方式来选取质量最佳的多通道图像来组成模型的数据输入。其中，自动图像评估方式可以包括无参图像清晰度评价函数，如能量梯度函数，Tengengrad梯度函数，Lapacian梯度函数 以及一些统计函数，如信息熵及Range函数等。另一方面，需要把上述掩膜标注信息转化为细胞坐标或者掩膜二值图，并将数据整理成适合于进一步网络训练时需要的元数据格式。另外，在样本收集的过程中，需要注意训练集和测试集的分离，尽量做到测试集和实际样品分布与形态相一致。
步骤830，利用样本细胞图像及其掩膜标注信息对细胞分割模型进行训练和调优。
其中，利用训练集中的样本细胞图像及其掩膜标注信息对细胞分割模型进行训练，直至达到预设终止条件，以完成细胞分割模型的训练。上述细胞分割网络是一种端到端的实例分割网络，可以为单阶段实例分割或者多阶段实例分割网络，其要点在于能够有效分割出各个独立细胞核，并给予分别的标识。
此外，在模型训练过程中，可以建立合理的评估指标，在测试集上对模型进行阶段性性能评估，选择出性能最优的模型作为投入使用的细胞分割模型。其中，性能最优的模型指的是在测试集上的表现大于某些阈值，如在mAP上表现大于0.9，在Dice上大于0.95等的模型。同时，该模型也应具有较好的泛化能力，例如在测试集和训练集的性能表现相差应不大于10%。
步骤840，对最优模型进行封装和部署，并对新的待分割细胞图像进行实例分割。
具体的，将上述最优模型进行封装并部署到应用服务器或者工作站中，并建立数据推断流程；数据推断流程一般应包括上述的数据预处理及组织过程，以及模型的调用和推断，以及模型推断结果的输出和存储等。通过训练完成的细胞分割模型对待分割细胞图像进行实例分割，可以获得待分割细胞图像视野中每个细胞的初始分割结果。
步骤850，对细胞分割模型输出的初始分割结果进行形态学后处理，获取待分割细胞图像中每个细胞核的腐蚀结果与标识。
此处，首先根据初始分割结果统计出待分割细胞图像中细胞的平均面积，根据细胞的平均面积，设定自适应迭代腐蚀的初始卷积核尺寸。设定以初始卷积核尺寸为首的多个递减的卷积核尺寸，并以此基于上述多个卷积核尺寸进行迭代腐蚀。
以5*5和3*3两个递减的卷积核尺寸为例，首先设定一个while循环，使用第一个卷积核尺寸（即初始卷积核尺寸5*5）对初始分割结果的二值图或上一腐蚀结果（首轮腐蚀时的腐蚀对象为初始分割结果的二值图，第二轮及以后腐蚀时的腐蚀对象为上一轮腐蚀得到的腐蚀结果，即上一腐蚀结果）进行迭代腐蚀处理。当腐蚀后统计出的当前腐蚀结果中连通域的数量与初始分割结果中细胞的数量间的差值小于5*5卷积核尺寸对应的阈值（例如初始分割结果中细胞数量的5%）时，停止迭代，终止该while循环。
随后，设定另一个while循环，选择下一卷积核尺寸3*3，利用该卷积核尺寸对上一腐蚀结果进行迭代腐蚀处理，直至腐蚀后统计出的当前腐蚀结果中连通域的数量等于初始分割结果中细胞的数量，停止迭代，终止该while循环，得到最优腐蚀结果。
完成自适应迭代腐蚀处理后，对最优腐蚀结果进行连通域分析，得到多个连通域，并给每一个独立连通域赋予一个唯一标识，从而完成对于最优腐蚀结果中各细胞的标识。
步骤860，基于最优腐蚀结果中各细胞的标识，通过分水岭算法对每个细胞进行进一步精细分割，获取待分割细胞图像的最终分割结果。
此处，分水岭算法可以根据细胞的形态特征考虑分割形状的规则性以提高分割的最终性能，因此将最优腐蚀结果中各细胞的标识作为函数参数传递给分水岭分割算法以获取精细分割结果。精细分割后，还可以对精细分割结果进行细胞数量的统计，如果统计得到的细胞数量与初始分割结果中的细胞数量存在差异，则将对最优腐蚀结果进行形态学调整，并重新进行上述分水岭算法，直到精细分割结果中的细胞数量与初始分割结果中的细胞数量一致。其中，对最优腐蚀结果进行形态学调整时，可以缩小自适应迭代腐蚀过程中的初始卷积核尺寸，随后再重复进行自适应迭代腐蚀，得到新的最优腐蚀结果。
通过上述方式，可以分割出更精确且更符合细胞原有形态的平滑边缘，提高了细胞边缘分割的准确性，因此更适用于CACs细胞分割等边缘敏感的分割任务。
下面对本发明提供的细胞边缘分割装置进行描述，下文描述的细胞边缘分割装置与上文描述的细胞边缘分割方法可相互对应参照。
基于上述任一实施例，图9为本发明实施例提供的细胞边缘分割装置的结构示意图，如图9所示，该装置包括：图像确定单元910、实例分割单元920、自适应腐蚀单元930和精细分割单元940。
其中，图像确定单元910用于确定待分割细胞图像；
实例分割单元920用于利用细胞分割模型，对所述待分割细胞图像进行实例分割，得到所述待分割细胞图像的初始分割结果；
自适应腐蚀单元930用于基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果；其中，所述自适应迭代腐蚀处理过程中的卷积参数会随着所述初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，所述最优腐蚀结果中细胞的统计特征与所述初始分割结果中细胞的统计特征相匹配；
精细分割单元940用于利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果。
本发明实施例提供的装置，在利用细胞分割模型对待分割细胞图像进行实例分割，得到初始分割结果后，对初始分割结果进行自适应迭代腐蚀处理，得到最优腐蚀结果，其中，自适应迭代腐蚀处理过程中的卷积参数会随着初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，以较大程度地将粘连重叠的细胞分离开，同时尽可能地保留原有细胞的形态，再在最优腐蚀结果的指引下利用分水岭算法进行精细分割，可以分割出更精确且更符合细胞原有形态的平滑边缘，提高了细胞边缘分割的准确性。
基于上述实施例，所述卷积参数包括卷积核尺寸；
自适应腐蚀单元930具体用于：
确定以初始卷积核尺寸为首的多个尺寸递减的卷积核尺寸；
依次基于各个卷积核尺寸，对上一腐蚀处理结果进行迭代腐蚀，得到当前腐蚀处理结果；其中，每次迭代腐蚀会在达到对应卷积核尺寸的迭代停止条件时终止；
将当前腐蚀处理结果作为所述最优腐蚀结果；
其中，首次腐蚀时，基于所述初始卷积核尺寸对所述初始分割结果进行腐蚀；任一卷积核尺寸的迭代停止条件为当前腐蚀处理结果中的细胞数量与所述初始分割结果中的细胞数量之间的差值小于所述任一卷积核尺寸对应的预设差值阈值，且所述任一卷积核尺寸越小，所述任一卷积核尺寸对应的预设差异阈值越小。
基于上述任一实施例，所述初始卷积核尺寸是基于如下步骤确定的：
基于所述初始分割结果中各像素所属细胞的标签信息，统计所述初始分割结果中各细胞的面积；
基于所述初始分割结果中各细胞的面积，计算各细胞的平均面积；
基于所述各细胞的平均面积，确定所述初始卷积核尺寸。
基于上述任一实施例，精细分割单元940具体用于执行：
精细分割步骤：利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到当前的精细分割结果；
反馈调节步骤：若所述初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征不匹配，则调整所述初始卷积核尺寸，对所述初始分割结果重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，并基于所述新的最优腐蚀结果，执行所述精细分割步骤，得到当前的精细分割结果；
循环步骤：重复执行所述反馈调节步骤，直至所述初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征相匹配；
结果确定步骤：确定当前的精细分割结果为所述最终分割结果。
基于上述任一实施例，所述调整所述初始卷积核尺寸，对所述初始分割结果重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，并基于所述新的最优腐蚀结果，执行所述精细分割步骤，具体包括：
对所述待分割细胞图像进行子图划分，得到所述待分割细胞图像的多个子图区域；
获取所述初始分割结果和所述精细分割结果中对应各个子图区域的细胞数量；
若所述初始分割结果和所述精细分割结果中对应任一子图区域的细胞数量不匹配，则调整所述初始卷积核尺寸，并对所述初始分割结果中对应所述任一子图区域的部分重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果；
基于所述新的最优腐蚀结果，对所述初始分割结果中对应所述任一子图区域的部分重新进行精细分割。
基于上述任一实施例，所述调整所述初始卷积核尺寸，具体包括：
基于多个预设卷积核尺寸，缩小所述初始卷积核尺寸。
基于上述任一实施例，所述利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，具体包括：
对所述最优腐蚀结果进行连通域分析，得到所述最优腐蚀结果中的多个连通域；
基于所述最优腐蚀结果中的多个连通域，利用分水岭算法对所述初始分割结果进行精细分割。
基于上述任一实施例，所述细胞分割模型是基于如下步骤确定的：
获取训练样本，并将所述训练样本划分为训练集和测试集；所述训练样本包括样本细胞图像，或，包括样本细胞图像和所述样本细胞图像中各细胞的掩膜标注信息；
基于所述训练集对分割模型进行训练，并在训练过程中利用所述测试集对所述分割模型进行阶段性的性能测试，保存性能测试结果最优时的分割模型作为所述细胞分割模型。
基于上述任一实施例，所述获取训练样本，具体包括：
获取细胞显微图像；
若所述细胞显微图像的通道数大于所述细胞分割模型的输入条件对应的预设通道数，则将所述细胞显微图像分解为多个低通道图像；
对所述多个低通道图像进行图像质量评估，得到所述多个低通道图像的质量评估得分；
基于所述多个低通道图像的质量评估得分，获取质量评估得分最高的多个低通道图像；
将所述质量评估得分最高的多个低通道图像组合为所述样本细胞图像；其中，所述质量评估得分最高的多个低通道图像组合后的通道数等于所述预设通道数。
图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行细胞边缘分割方法，该方法包括：确定待分割细胞图像；利用细胞分割模型，对所述待分割细胞图像进行实例分割，得到所述待分割细胞图像的初始分割结果；基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果；其中，所述自适应迭代腐蚀处理过程中的卷积参数会随着所述初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，所述最优腐蚀结果中细胞的统计特征与所述初始分割结果中细胞的统计特征相匹配；利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果。
此外，上述的存储器1030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计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的细胞边缘分割方法，该方法包括：确定待分割细胞图像；利用细胞分割模型，对所述待分割细胞图像进行实例分割，得到所述待分割细胞图像的初始分割结果；基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果；其中，所述自适应迭代腐蚀处理过程中的卷积参数会随着所述初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，所述最优腐蚀结果中细胞的统计特征与所述初始分割结果中细胞的统计特征相匹配；利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果。
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方法提供的细胞边缘分割方法，该方法包括：确定待分割细胞图像；利用细胞分割模型，对所述待分割细胞图像进行实例分割，得到所述待分割细胞图像的初始分割结果；基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果；其中，所述自适应迭代腐蚀处理过程中的卷积参数会随着所述初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，所述最优腐蚀结果中细胞的统计特征与所述初始分割结果中细胞的统计特征相匹配；利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果。
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)

1.一种基于自适应形态学的细胞边缘分割方法，其特征在于，包括：
确定待分割细胞图像；
利用细胞分割模型，对所述待分割细胞图像进行实例分割，得到所述待分割细胞图像的初始分割结果；
基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果；其中，所述自适应迭代腐蚀处理过程中的卷积参数会随着所述初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，所述最优腐蚀结果中细胞的统计特征与所述初始分割结果中细胞的统计特征相匹配；
利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果。
2.根据权利要求1所述的基于自适应形态学的细胞边缘分割方法，其特征在于，所述卷积参数包括卷积核尺寸；所述基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果，具体包括：
确定以初始卷积核尺寸为首的多个尺寸递减的卷积核尺寸；
依次基于各个卷积核尺寸，对上一腐蚀处理结果进行迭代腐蚀，得到当前腐蚀处理结果；其中，每次迭代腐蚀会在达到对应卷积核尺寸的迭代停止条件时终止；
将当前腐蚀处理结果作为所述最优腐蚀结果；
其中，首次腐蚀时，基于所述初始卷积核尺寸对所述初始分割结果进行腐蚀；任一卷积核尺寸的迭代停止条件为当前腐蚀处理结果中的细胞数量与所述初始分割结果中的细胞数量之间的差值小于所述任一卷积核尺寸对应的预设差值阈值，且所述任一卷积核尺寸越小，所述任一卷积核尺寸对应的预设差异阈值越小。
3.根据权利要求2所述的基于自适应形态学的细胞边缘分割方法，其特征在于，所述初始卷积核尺寸是基于如下步骤确定的：
基于所述初始分割结果中各像素所属细胞的标签信息，统计所述初始分割结果中各细胞的面积；
基于所述初始分割结果中各细胞的面积，计算各细胞的平均面积；
基于所述各细胞的平均面积，确定所述初始卷积核尺寸。
4.根据权利要求2所述的基于自适应形态学的细胞边缘分割方法，其特征在于，所述利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果，具体包括：
精细分割步骤：利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到当前的精细分割结果；
反馈调节步骤：若所述初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征不匹配，则调整所述初始卷积核尺寸，对所述初始分割结果重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，并基于所述新的最优腐蚀结果，执行所述精细分割步骤，得到当前的精细分割结果；
循环步骤：重复执行所述反馈调节步骤，直至所述初始分割结果中细胞的统计特征和当前的精细分割结果中细胞的统计特征相匹配；
结果确定步骤：确定当前的精细分割结果为所述最终分割结果。
5.根据权利要求4所述的基于自适应形态学的细胞边缘分割方法，其特征在于，所述调整所述初始卷积核尺寸，对所述初始分割结果重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果，并基于所述新的最优腐蚀结果，执行所述精细分割步骤，具体包括：
对所述待分割细胞图像进行子图划分，得到所述待分割细胞图像的多个子图区域；
获取所述初始分割结果和所述精细分割结果中对应各个子图区域的细胞数量；
若所述初始分割结果和所述精细分割结果中对应任一子图区域的细胞数量不匹配，则调整所述初始卷积核尺寸，并对所述初始分割结果中对应所述任一子图区域的部分重新进行自适应迭代腐蚀处理，得到新的最优腐蚀结果；
基于所述新的最优腐蚀结果，对所述初始分割结果中对应所述任一子图区域的部分重新进行精细分割。
6.根据权利要求4或5所述的基于自适应形态学的细胞边缘分割方法，其特征在于，所述调整所述初始卷积核尺寸，具体包括：
基于多个预设卷积核尺寸，缩小所述初始卷积核尺寸。
7.根据权利要求1至5任一项所述的基于自适应形态学的细胞边缘分割方法，其特征在于，所述利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，具体包括：
对所述最优腐蚀结果进行连通域分析，得到所述最优腐蚀结果中的多个连通域；
基于所述最优腐蚀结果中的多个连通域，利用分水岭算法对所述初始分割结果进行精细分割。
8.根据权利要求1至5任一项所述的基于自适应形态学的细胞边缘分割方法，其特征在于，所述细胞分割模型是基于如下步骤确定的：
获取训练样本，并将所述训练样本划分为训练集和测试集；所述训练样本包括样本细胞图像，或，包括样本细胞图像和所述样本细胞图像中各细胞的掩膜标注信息；
基于所述训练集对分割模型进行训练，并在训练过程中利用所述测试集对所述分割模型进行阶段性的性能测试，保存性能测试结果最优时的分割模型作为所述细胞分割模型。
9.根据权利要求8所述的基于自适应形态学的细胞边缘分割方法，其特征在于，所述获取训练样本，具体包括：
获取细胞显微图像；
若所述细胞显微图像的通道数大于所述细胞分割模型的输入条件对应的预设通道数，则将所述细胞显微图像分解为多个低通道图像；
对所述多个低通道图像进行图像质量评估，得到所述多个低通道图像的质量评估得分；
基于所述多个低通道图像的质量评估得分，获取质量评估得分最高的多个低通道图像；
将所述质量评估得分最高的多个低通道图像组合为所述样本细胞图像；其中，所述质量评估得分最高的多个低通道图像组合后的通道数等于所述预设通道数。
10.一种基于自适应形态学的细胞边缘分割装置，其特征在于，包括：
图像确定单元，用于确定待分割细胞图像；
实例分割单元，用于利用细胞分割模型，对所述待分割细胞图像进行实例分割，得到所述待分割细胞图像的初始分割结果；
自适应腐蚀单元，用于基于所述初始分割结果中细胞的统计特征，对所述初始分割结果进行自适应迭代腐蚀处理，得到所述待分割细胞图像对应的最优腐蚀结果；其中，所述自适应迭代腐蚀处理过程中的卷积参数会随着所述初始分割结果中细胞的统计特征与当前腐蚀结果中细胞的统计特征之间差异的减少而减小，所述最优腐蚀结果中细胞的统计特征与所述初始分割结果中细胞的统计特征相匹配；
精细分割单元，用于利用分水岭算法，基于所述最优腐蚀结果，对所述初始分割结果进行精细分割，得到所述待分割细胞图像的最终分割结果。
CN202210188942.1A 2022-03-01 2022-03-01 基于自适应形态学的细胞边缘分割方法和装置 Active CN114240978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210188942.1A CN114240978B (zh) 2022-03-01 2022-03-01 基于自适应形态学的细胞边缘分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210188942.1A CN114240978B (zh) 2022-03-01 2022-03-01 基于自适应形态学的细胞边缘分割方法和装置

Publications (2)

Publication Number Publication Date
CN114240978A true CN114240978A (zh) 2022-03-25
CN114240978B CN114240978B (zh) 2022-05-13

Family

ID=80748224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210188942.1A Active CN114240978B (zh) 2022-03-01 2022-03-01 基于自适应形态学的细胞边缘分割方法和装置

Country Status (1)

Country Link
CN (1) CN114240978B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708286A (zh) * 2022-06-06 2022-07-05 珠海横琴圣澳云智科技有限公司 基于伪标注动态更新的细胞实例分割方法和装置
CN115063797A (zh) * 2022-08-18 2022-09-16 珠海横琴圣澳云智科技有限公司 基于弱监督学习和分水岭处理的荧光信号分割方法和装置
CN117372274A (zh) * 2023-10-31 2024-01-09 珠海横琴圣澳云智科技有限公司 扫描图像重聚焦方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080136820A1 (en) * 2006-10-20 2008-06-12 Microsoft Corporation Progressive cut: interactive object segmentation
CN107358580A (zh) * 2017-06-16 2017-11-17 广东欧珀移动通信有限公司 高光区域的消除方法、装置及终端
CN111489327A (zh) * 2020-03-06 2020-08-04 浙江工业大学 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法
WO2021151272A1 (zh) * 2020-05-20 2021-08-05 平安科技（深圳）有限公司 细胞图像分割方法、装置、电子设备及可读存储介质
CN113781515A (zh) * 2021-09-16 2021-12-10 广州安方生物科技有限公司 细胞图像分割方法、装置和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080136820A1 (en) * 2006-10-20 2008-06-12 Microsoft Corporation Progressive cut: interactive object segmentation
CN107358580A (zh) * 2017-06-16 2017-11-17 广东欧珀移动通信有限公司 高光区域的消除方法、装置及终端
CN111489327A (zh) * 2020-03-06 2020-08-04 浙江工业大学 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法
WO2021151272A1 (zh) * 2020-05-20 2021-08-05 平安科技（深圳）有限公司 细胞图像分割方法、装置、电子设备及可读存储介质
CN113781515A (zh) * 2021-09-16 2021-12-10 广州安方生物科技有限公司 细胞图像分割方法、装置和计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZIHAO WANG ET AL: "A generic approach for cell segmentation based on Gabor filtering and area-constrained ultimate erosion", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 *
王伟 等: "低倍率镜检图像无标记红白细胞识别方法研究", 《重庆邮电大学学报(自然科学版)》 *
王鑫 等: "基于迭代腐蚀的粘连细胞图像分割研究", 《南京理工大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708286A (zh) * 2022-06-06 2022-07-05 珠海横琴圣澳云智科技有限公司 基于伪标注动态更新的细胞实例分割方法和装置
CN114708286B (zh) * 2022-06-06 2022-08-26 珠海横琴圣澳云智科技有限公司 基于伪标注动态更新的细胞实例分割方法和装置
CN115063797A (zh) * 2022-08-18 2022-09-16 珠海横琴圣澳云智科技有限公司 基于弱监督学习和分水岭处理的荧光信号分割方法和装置
CN117372274A (zh) * 2023-10-31 2024-01-09 珠海横琴圣澳云智科技有限公司 扫描图像重聚焦方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN114240978B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114240978B (zh) 基于自适应形态学的细胞边缘分割方法和装置
CN110135503B (zh) 一种装配机器人零件深度学习识别方法
CN111986183B (zh) 一种染色体散型图像自动分割识别***及装置
Phoulady et al. A framework for nucleus and overlapping cytoplasm segmentation in cervical cytology extended depth of field and volume images
CN112598713A (zh) 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法
CN110378313B (zh) 细胞团识别方法、装置及电子设备
US20060204953A1 (en) Method and apparatus for automated analysis of biological specimen
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
Pandit et al. Literature review on object counting using image processing techniques
Öztürk et al. Comparison of HOG, MSER, SIFT, FAST, LBP and CANNY features for cell detection in histopathological images
Fatichah et al. Overlapping white blood cell segmentation and counting on microscopic blood cell images
CN111126162A (zh) 一种识别图像中炎症细胞的方法、装置及存储介质
CN113962976A (zh) 用于病理玻片数字图像的质量评估方法
CN112884782A (zh) 生物对象分割方法、装置、计算机设备和存储介质
CN113393454A (zh) 活检组织中病理目标实例分割方法和装置
CN115170518A (zh) 基于深度学习和机器视觉的细胞检测方法及***
CN116485817A (zh) 图像分割方法、装置、电子设备及存储介质
CN110060246B (zh) 一种图像处理方法、设备及存储介质
CN112381084B (zh) 断层图像的轮廓自动识别方法
CN114037868B (zh) 图像识别模型的生成方法及装置
CN115908802A (zh) 摄像头遮挡检测方法、装置、电子设备及可读存储介质
CN113538500B (zh) 图像分割方法、装置、电子设备和存储介质
CN114119588A (zh) 一种训练眼底黄斑病变区域检测模型的方法、装置及***
Gim et al. A novel framework for white blood cell segmentation based on stepwise rules and morphological features
CN114004851B (zh) 一种细胞图像分割方法、装置及细胞计数方法

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
TR01 Transfer of patent right

Effective date of registration: 20221215

Address after: 519000 3 3 level 3, No. 266 Tong Hang Road, Xiangzhou District, Zhuhai, Guangdong.

Patentee after: ZHUHAI LIVZON CYNVENIO DIAGNOSTICS Ltd.

Patentee after: Zhuhai Hengqin Shengao Yunzhi Technology Co.,Ltd.

Address before: 519031 Room 102, 202 and 402, building 2, No. 100, Feipeng Road, Guangdong Macao cooperative traditional Chinese medicine science and Technology Industrial Park, Hengqin new area, Zhuhai City, Guangdong Province

Patentee before: Zhuhai Hengqin Shengao Yunzhi Technology Co.,Ltd.

TR01 Transfer of patent right