CN114332095A - 一种基于多层结构的细胞分割方法、装置及电子设备 - Google Patents
一种基于多层结构的细胞分割方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114332095A CN114332095A CN202111499610.7A CN202111499610A CN114332095A CN 114332095 A CN114332095 A CN 114332095A CN 202111499610 A CN202111499610 A CN 202111499610A CN 114332095 A CN114332095 A CN 114332095A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- contour
- segmentation
- points
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 241000270295 Serpentes Species 0.000 claims abstract description 13
- 210000004027 cell Anatomy 0.000 claims description 138
- 230000007797 corrosion Effects 0.000 claims description 13
- 238000005260 corrosion Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 210000003855 cell nucleus Anatomy 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- ZAKOWWREFLAJOT-CEFNRUSXSA-N D-alpha-tocopherylacetate Chemical compound CC(=O)OC1=C(C)C(C)=C2O[C@@](CCC[C@H](C)CCC[C@H](C)CCCC(C)C)(C)CCC2=C1C ZAKOWWREFLAJOT-CEFNRUSXSA-N 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 239000012535 impurity Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002919 epithelial cell Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004698 lymphocyte Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种基于多层结构的细胞分割方法、装置及电子设备，该方法包括：获取待分割的细胞图像；预处理所述细胞图像，得到预处理后图像；采用分水岭算法和改进的GVF Snake模型对所述预处理后图像进行粗分割，得到所述细胞粗轮廓；采用凸包检测、角点检测与椭圆拟合相结合对所述细胞粗轮廓进行细胞精细分割，得到细胞轮廓。该方案通过预处理、粗分割、精细分割，完成了多层结构的细胞分割，细胞分割精度高、效率高。
Description
技术领域
本发明属于细胞分割技术领域，特别涉及一种基于多层结构的细胞分割方法、装置及电子设备。
背景技术
微成像和大数据的发展让人们开始关注计算机辅助诊断疾病，如乳腺癌、***、结肠癌、***癌等。此外，细胞的细胞核中含有大量的病理信息，在自动诊断中具有重要作用，其分割结果直接影响细胞生理状态。生物学家收集并标记包含各种细胞核的数据集，人工诊断严重依赖于临床医生的经验，且非常耗时。
现有的细胞分割方法大体采用传统分割方法和深度学习分割方法。传统分割方法过度分割特别严重，且传统分割方法在总体框架中缺乏对重叠细胞的检测和分割。而深度学习分割方法根据不同的分割目标和背景设计损失函数，再进行深度分割，或利用学习模型对细胞边界进行优化搜索。然而，这种损失函数作用于特定的场景，降低了模型的泛化能力。另外，深度学习分割方法严重依赖于充分且校准良好的数据集。
发明内容
本说明书实施例的目的是提供一种基于多层结构的细胞分割方法、装置及电子设备。
为解决上述技术问题，本申请实施例通过以下方式实现的：
第一方面，本申请提供一种基于多层结构的细胞分割方法，该方法包括：
获取待分割的细胞图像；
预处理细胞图像，得到预处理后图像；
采用分水岭算法和改进的GVF Snake模型对预处理后图像进行粗分割，得到细胞粗轮廓；
采用凸包检测、角点检测与椭圆拟合相结合对细胞粗轮廓进行细胞精细分割，得到细胞轮廓。
在其中一个实施例中：预处理细胞图像，得到预处理后图像，包括：
根据小波变换的去噪算法，对细胞图像进行去噪处理，得到去噪图像；
基于去噪图像提取细胞核特征；
基于决策树方法，根据细胞核特征，得到预处理后图像。
在其中一个实施例中：分水岭算法包括：
对预处理后图像进行二值化操作，得到二值化图像；
中值滤波器对二值化图像滤除噪声，得到去噪二值化图像；
腐蚀、膨胀算法对去噪二值化图像进行前景、背景标注，得到腐蚀膨胀图像；
获取腐蚀膨胀图像的所有像素点的灰度值；
从所有像素点的灰度值中找出最小灰度值；
从最小灰度值和预设阈值中选取较小的作为初始阈值；
将初始阈值与相邻像素点中的灰度值进行比较，将相邻像素点中灰度值大于或等于预设阈值的像素点标记为边界点；
初始阈值按照预设步长进行增长，得到增长阈值，增长阈值分别与相邻像素点中灰度值进行比较，将相邻像素点中灰度值大于或等于增长阈值的像素点标记为边界点；
增长阈值直至增长至灰度值中的最大值，结束增长，所有边界点构成细胞第一轮廓。
在其中一个实施例中：改进的GVF Snake模型包括：
泛函定义为：
其中，Eint(v)＝α×v′+β×v″为能量泛函的内部力，α,β分别为轮廓曲线的弹性系数和刚性系数，v′,v″分别表示曲线上单个像素点的斜率和曲率，Eimg(v)为图像力，Econ(v)为条件力；
外部力Eext(v)为：
其中，Gσ(x,y)为灰度值；I(x,y)为分水岭算法后图像的灰度图；
联合求解泛函定义和外部力公式，得到细胞粗轮廓。
在其中一个实施例中：能量泛函的内部力Eint(v)中梯度幅值和相角通过下述改进：
利用高斯函数对图像平滑处理，再使用一阶微分算子对平滑后图像卷积，定位导数最大的像素点位置；计算灰度梯度的幅值和方向，分别获得水平方向和垂直方向的梯度幅值；进行非极大值抑制和改进连接，从而检测出目标边缘；
其中，梯度幅值G(i,j)和相角θ(i,j)分别如下所示：
选取双阈值分割的阈值上限和阈值下限，对目标边缘的像素点扫描的过程中，若像素点的梯度幅值高于阈值上限，则像素点为边缘点；若像素点的梯度幅值低于阈值下限，则像素点不是边缘点；对于处于阈值上限与阈值下限之间的像素点，则根据边缘的连通性进行判断。
在其中一个实施例中：采用凸包检测、角点检测与椭圆拟合相结合对细胞粗轮廓进行细胞精细分割，得到细胞轮廓，包括：
采用凸包检测，根据细胞粗轮廓，确定第一凹点组；
采用角点检测方法对潜在的凹点进行筛选，补充第一凹点组，得到第二凹点组；
根据第二凹点组中凹点，将细胞粗轮廓分割为若干轮廓段；
采用凹点连接轮廓段；
将轮廓段拟合为椭圆，得到细胞轮廓。
在其中一个实施例中：采用角点检测方法对潜在的凹点进行筛选，补充第一凹点组，得到第二凹点组，包括：
采用角点探测器检测细胞粗轮廓的所有角点，得到第一角点组；
比较第一角点组中所有角点的曲率与预设曲率，选取角点的曲率大于预设曲率的角点，得到第二角点组；
第二角点组中满足三个角点条件：凹性、矢量空间和比例的所有角点，作为第二凹点组。
在其中一个实施例中：轮廓段满足：
L1i＜α|LC1-LCi|，L1i为线段长度，LC1和LCi为当前段长度以及标准段长度，α为调整参数；
rl1i≥0.75，rl1i为等高线上的点与点的比值。
第二方面，本申请提供一种基于多层结构的细胞分割装置，该装置包括：
获取模块，用于获取待分割的细胞图像；
预处理模块，用于预处理细胞图像，得到预处理后图像；
粗分割模块，用于采用分水岭算法和改进的GVF Snake模型对预处理后图像进行粗分割，得到细胞粗轮廓；
精细分割模块，用于采用凸包检测、角点检测与椭圆拟合相结合对细胞粗轮廓进行细胞精细分割，得到细胞轮廓。
第三方面，本申请提供一种电子设备，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，处理器执行程序时实现如第一方面的基于多层结构的细胞分割方法。
由以上本说明书实施例提供的技术方案可见，该方案：
本申请能够进行细胞分割和重叠细胞分离，可以有效消除细胞重叠的影响。且对重叠细胞分割精度有所改善，保存了更详细的细胞边界信息。
本申请具有较好的定性和定量结果，具有轻量的时间和较低的计算复杂度。
本申请多层结构的细胞分割不依赖于大数据训练，能够处理没有足够标记的场景数据库，模型的鲁棒性和泛化能力提升。
附图说明
为了更清楚地说明本说明书实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的基于多层结构的细胞分割方法的流程示意图；
图2为本申请基于决策树方法对去噪图像进行分类的示意图；
图3为本申请提供的基于多层结构的细胞分割装置的结构示意图；
图4为本申请提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
在不背离本申请的范围或精神的情况下，可对本申请说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本申请的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
本申请中的“份”如无特别说明，均按质量份计。
下面结合附图和实施例对本发明进一步详细说明。
参照图1，其示出了适用于本申请实施例提供的基于多层结构的细胞分割方法的流程示意图。
如图1所示，基于多层结构的细胞分割方法，可以包括：
S110、获取待分割的细胞图像。
具体的，待分割的细胞图像可以为通过扫描设备或其他方式得到细胞图像。
由于扫描设备和照明的影响，白噪声和加性量化噪声是细胞图像中常见的噪声。白噪声的功率谱密度在每个频率上保持不变，量化噪声表现为相干噪声。为了消除噪声对噪声图像的影响，需对细胞图像进行预处理。
S120、预处理细胞图像，得到预处理后图像，包括：
根据小波变换的去噪算法，对细胞图像进行去噪处理，得到去噪图像；
基于去噪图像提取细胞核特征；
基于决策树方法，根据细胞核特征，得到预处理后图像。
具体的，设定原始图像为f(x,y)，噪声为n，带噪声图像为p(x,y)，f(x,y)的宽和高为W和H。
p(x,y)＝f(x,y)+n,x∈[1,W],y∈[1,H] (1)
应用BayesShrink阈值估计，建立阈值函数，缩小小波系数，得到去噪图像p＇(x,y)。小波变换去噪算法对细胞图像去噪后更加平稳，且提高了图像的对比度，增强了图像质量，改善了细胞边界的清晰度。
病理医师可以使用Image J测量软件，基于去噪图像提取细胞核特征，其中，细胞核特征可以包括细胞面积、长度、长轴、短轴、紧度、圆度、椭圆度、宽度等。
如图2所示(图2中示出了决策树的部分)，基于决策树方法，根据提取的细胞核特征和细胞阈值(细胞阈值可以根据实际需求进行设定)，对去噪图像中杂质和细胞进行分类，分为杂质、上皮细胞和淋巴细胞，将杂质和淋巴细胞去掉，保留上皮细胞，保留有上皮细胞的图像即为预处理后图像。
S130、采用分水岭算法和改进的GVF Snake模型对预处理后图像进行粗分割，得到细胞粗轮廓。
分水岭算法把图像看成是测地学上的拓扑地貌，图像中每一点的海拔高度正比于该点的灰度值，假设每一个区域最小值的位置打一个洞让水按照均匀的速率从洞中上涌，从低到高淹没地形。处于不同的低洼点中的水将要越过分隔互相连通时，修建大坝阻止水盆会合。当水平面升高只能看到坝顶分界线时，这时的轮廓就是提取的图像边界。
其中，分水岭算法包括：
对预处理后图像进行二值化操作，得到二值化图像；
中值滤波器对二值化图像滤除噪声，得到去噪二值化图像；
腐蚀、膨胀算法对去噪二值化图像进行前景、背景标注，得到腐蚀膨胀图像；
获取腐蚀膨胀图像的所有像素点的灰度值；
从所有像素点的灰度值中找出最小灰度值；
从最小灰度值和预设阈值(预设阈值可以根据实际需求进行设置)中选取较小的作为初始阈值；
初始阈值和相邻像素点中灰度值进行比较，将相邻像素点中灰度值大于或等于初始阈值的像素点标记为边界点(即在这些像素点上设置大坝)；相邻像素点中灰度值小于初始阈值的像素点则不为边界点；
初始阈值按照预设步长(预设步长可以根据实际需求进行设置)进行增长，得到增长阈值，增长阈值分别与相邻像素点中灰度值进行比较，将相邻像素点中灰度值大于或等于增长阈值的像素点标记为边界点；相邻像素点中灰度值小于增长阈值的像素点则不为边界点；
增长阈值直至增长至灰度值中的最大值，结束增长，所有区域都在分水岭线上相遇，这些大坝对整个腐蚀膨胀图像的像素点进行了分区，即所有边界点构成细胞第一轮廓。
经过分水岭算法对预处理后图像的粗分割，得到了分割后细胞图像及分布在一起的细胞团簇和杂质。为了进一步去除杂质，分割出相邻或者重叠的细胞，通过改进传统GVF(gradient vector flow，梯度向量流)Snake(蛇)模型得到的细胞分割方法对粗分割结果进行二次分割。
经典GVF Snake模型是结合图像自身的能量分布，设置整体的初始轮廓，通过求解能量参数方程泛函最小值，迭代达到最优的过程，泛函定义为：
式(2)中，Eint(v)＝α×v′+β×v″为能量泛函的内部力，保证提取出图像***轮廓曲线的不间断和光滑，控制轮廓曲线的形变状态。α,β为不定参数，分别为轮廓曲线的弹性系数和刚性系数，通常设置为常数。v′,v″是参能量数方程v(x(s),y(s))对于s的一阶导数和二阶导数，表示曲线上单个像素点的斜率和曲率，其中，s为图像边界的自变量。Eimg(v)为图像力，Econ(v)为条件力。此处的公式针对分水岭算法后图像的灰度图I(x,y)来说，外部力Eext(v)的数学描述为：
其中，Gσ(x,y)为灰度值。
通过求解式(2)、(3)，可求得细胞轮廓。
在细胞图像采集的过程中，不可避免地受到噪声的影响，中值滤波算法可以提出一部分噪声，但是不能完全消除影响，由于边界信息在噪声的影响下对比度下降，从而被检测所忽略。
下述对Eint(v)中梯度幅值和相角进行改进。首先利用高斯函数对图像平滑处理，再使用一阶微分算子对平滑后图像卷积，定位导数最大的像素点位置。然后计算灰度梯度的幅值和方向，分别获得水平方向和垂直方向的梯度幅值。然后进行非极大值抑制和改进连接，从而检测出目标边缘。
其中，梯度幅值G(i,j)和相角θ(i,j)分别如下所示：
采用双阈值分割对上述检测出的目标边缘进行继续分割得到更加准确的目标边缘。选取双阈值分割的阈值上限和阈值下限，对目标边缘的像素点扫描的过程中，若该像素点的梯度幅值高于阈值上限，则该像素点一定为边缘点；若该像素点的梯度幅值低于阈值下限，则该像素点一定不是边缘点；对于处于阈值上限与阈值下限之间的像素点，则根据边缘的连通性进行判断。
可以理解的，当梯度方向接近于竖直或水平方向时，它们二者之一将具有较小的幅值，式(4)计算梯度幅值时，在水平或者竖直两者之一一定会弱化梯度幅值，若在这个方向存在边界，则阈值处理后会丢失边界信息。由于细胞边界呈现椭圆形，所以这种模型缺陷会导致细胞边界的丢失，从而影响最终分割结果的准确性。而人工设定的高低阈值也具有一定缺陷，若阈值上限过小会出现大量的伪边界，过大会发生边界漏检。若阈值下限过大会发生漏检现象，不同制片方法产生的细胞涂片存在不同的阈值，因此固定的阈值设定方法同样不能满足实际检测的需要。因此本申请从梯度幅值计算与阈值选择这两个方向来改善算子，进而改进GVF Snake模型。
在经过粗分割之后，还存在部分重叠细胞，因此需要经过精细分割来进一步提升精度。重叠的单元格会导致形状上的统计误差，它们会进一步影响细胞的分类。
S140、采用凸包检测、角点检测与椭圆拟合相结合对细胞粗轮廓进行细胞精细分割，得到细胞轮廓，包括：
采用凸包检测，根据细胞粗轮廓，确定第一凹点组；
采用角点检测方法对潜在的凹点进行筛选，补充第一凹点组，得到第二凹点组；
根据第二凹点组中凹点，将细胞粗轮廓分割为若干轮廓段；
采用凹点连接轮廓段；
将轮廓段拟合为椭圆，得到细胞轮廓。
在一个实施例中，采用角点检测方法对潜在的凹点进行筛选，补充第一凹点组，得到第二凹点组，包括：
采用角点探测器检测细胞粗轮廓的所有角点，得到第一角点组；
比较第一角点组中所有角点的曲率与预设曲率，选取角点的曲率大于预设曲率的角点，得到第二角点组；
第二角点组中满足三个角点条件：凹性、矢量空间和比例的所有角点，作为第二凹点组。
在一个实施例中，轮廓段满足：
L1i＜α|LC1-LCi|，L1i为线段长度，LC1和LCi为当前段长度以及标准段长度，α为调整参数；
rl1i≥0.75，rl1i为等高线上的点与点的比值。
凸包是由最外层的点连接而成的多边形图像。每一种重叠细胞单元都有特定的凸壳图案。采用基于Graham的凸包检测方法进行重叠检测识别。对粗糙的分割结果进行凸处理。查找生成的凸图像，与得到细胞粗轮廓的图像(下式中用原图表示)相减，对相减后的结果进行统计，从而判断重叠的类别。
重叠细胞的细胞轮廓交界处会有凹点，得到第一凹点组，但是有些凹点可能不明显，有些凹点可能明显，明显凹点的梯度变化比不明显凹点的梯度变化更明显，且不明显凹点的曲率变化小，很难被检测到。下述采用角点检测方法对潜在的凹点进行筛选。
可以采用Harris角点探测器进行凹点筛选，Harris角点探测器是在Moravec角点探测器的基础上，采用了7个方向变化的圆窗。描述边界曲率的点的平均强度变化(MIG)可以由参数R来评价，参数R可以采用SPSS软件手动获取得到。设定一个临界参数R，根据临界参数R得到临界曲率，如果角点的曲率大于或等于临界曲率，则判定该角点可能为凹点，如果角点的曲率小于临界曲率，则判定该角点不是凹点。
采用角点检测方法对角点进行一个初步筛选，筛选出一些可能为凹点的角点，下述通过窗口半径进一步从可能为凹点的角点中筛选凹点。
对二值图像进行角点检测，窗口半径是影响角点检测的关键因素，窗口半径较大会导致重叠，而有助于降低图像噪声的影响，窗口半径较小则有利于检测不明显的角点。窗口半径太大能够检测出明显的角点，而窗口半径太小会导致轮廓中角点过多，增加计算复杂度和错误率。因此，根据实际需求选择合适的窗口半径，可以使检测到的角点正确率高，有助于构建真实的边界。
由于图像采集时产生的噪声的影响，会导致检测到假凹点。因此可以采用比值检测方法对部分重叠细胞进行识别进一步筛选凹点。
当角点满足三个角点条件：凹性、矢量空间和比例时，判定该角点为凹点，当不满足上述三个角点条件时，判定该角点不是凹点。
利用上述提取的凹点将细胞粗轮廓分割成N部分，N为轮廓段总数。所有轮廓段均由凹点连接，并应用轮廓段进行椭圆拟合，其中，大于或等于三个的轮廓段将分组拟合为椭圆。
分组可以有效地处理凹点，消除不合格线段。将所有初始组记为Gr1,Gr2,...,GrN，将中第一个轮廓段记为C1。表示等高线与等高线之间的线段l1i。当满足如下条件时，该分段属于真实细胞边界：
条件：L1i＜α|LC1-LCi|，L1i为线段长度，LC1和LCi为该段以及标准段长度，α为手动设置的调整参数。
条件2：rl1i≥0.75，rl1i为等高线上的点与点的比值。
对所有轮廓段进行迭代分组，直至分割完成。
本申请实施例提供的基于多层结构的细胞分割方法，通过预处理、粗分割、精细分割，完成了多层结构的细胞分割，具有高精度、高效率和低硬件依赖等优势。
本申请实施例提供的基于多层结构的细胞分割方法，能够进行细胞分割和重叠细胞分离，可以有效消除细胞重叠的影响。且对重叠细胞分割精度有所改善，保存了更详细的细胞边界信息。
本申请实施例提供的基于多层结构的细胞分割方法，具有较好的定性和定量结果，具有轻量的时间和较低的计算复杂度。
本申请实施例提供的基于多层结构的细胞分割方法，不依赖于大数据训练，能够处理没有足够标记的场景数据库，模型的鲁棒性和泛化能力提升。
参照图3，其示出了根据本申请一个实施例描述的基于多层结构的细胞分割装置的结构示意图。
如图3所示，基于多层结构的细胞分割装置200，可以包括：
获取模块210，用于获取待分割的细胞图像；
预处理模块220，用于预处理细胞图像，得到预处理后图像；
粗分割模块230，用于采用分水岭算法和改进的GVF Snake模型对预处理后图像进行粗分割，得到细胞粗轮廓；
精细分割模块240，用于采用凸包检测、角点检测与椭圆拟合相结合对细胞粗轮廓进行细胞精细分割，得到细胞轮廓。
可选的，预处理模块220还用于：
根据小波变换的去噪算法，对细胞图像进行去噪处理，得到去噪图像；
基于去噪图像提取细胞核特征；
基于决策树方法，根据细胞核特征，得到预处理后图像。
可选的，分水岭算法包括：
对预处理后图像进行二值化操作，得到二值化图像；
中值滤波器对二值化图像滤除噪声，得到去噪二值化图像；
腐蚀、膨胀算法对去噪二值化图像进行前景、背景标注，得到腐蚀膨胀图像；
获取腐蚀膨胀图像的所有像素点的灰度值；
从所有像素点的灰度值中找出最小灰度值；
从最小灰度值和预设阈值中选取较小的作为初始阈值；
将初始阈值与相邻像素点中的灰度值进行比较，将相邻像素点中灰度值大于或等于预设阈值的像素点标记为边界点；
初始阈值按照预设步长进行增长，得到增长阈值，增长阈值分别与相邻像素点中灰度值进行比较，将相邻像素点中灰度值大于或等于增长阈值的像素点标记为边界点；
增长阈值直至增长至灰度值中的最大值，结束增长，所有边界点构成细胞第一轮廓。
可选的，改进的GVF Snake模型包括：
泛函定义为：
其中，Eint(v)＝α×v′+β×v″为能量泛函的内部力，α,β分别为轮廓曲线的弹性系数和刚性系数，v′,v″分别表示曲线上单个像素点的斜率和曲率，Eimg(v)为图像力，Econ(v)为条件力；
外部力Eext(v)为：
其中，Gσ(x,y)为灰度值；I(x,y)为分水岭算法后图像的灰度图；
联合求解泛函定义和外部力公式，得到细胞粗轮廓。
可选的，能量泛函的内部力Eint(v)中梯度幅值和相角通过下述改进：
利用高斯函数对图像平滑处理，再使用一阶微分算子对平滑后图像卷积，定位导数最大的像素点位置；计算灰度梯度的幅值和方向，分别获得水平方向和垂直方向的梯度幅值；进行非极大值抑制和改进连接，从而检测出目标边缘；
其中，梯度幅值G(i,j)和相角θ(i,j)分别如下所示：
选取双阈值分割的阈值上限和阈值下限，对目标边缘的像素点扫描的过程中，若像素点的梯度幅值高于阈值上限，则像素点为边缘点；若像素点的梯度幅值低于阈值下限，则像素点不是边缘点；对于处于阈值上限与阈值下限之间的像素点，则根据边缘的连通性进行判断。
可选的，精细分割模块240还用于：
采用凸包检测，根据细胞粗轮廓，确定第一凹点组；
采用角点检测方法对潜在的凹点进行筛选，补充第一凹点组，得到第二凹点组；
根据第二凹点组中凹点，将细胞粗轮廓分割为若干轮廓段；
采用凹点连接轮廓段；
将轮廓段拟合为椭圆，得到细胞轮廓。
可选的，精细分割模块240还用于：
采用角点探测器检测细胞粗轮廓的所有角点，得到第一角点组；
比较第一角点组中所有角点的曲率与预设曲率，选取角点的曲率大于预设曲率的角点，得到第二角点组；
第二角点组中满足三个角点条件：凹性、矢量空间和比例的所有角点，作为第二凹点组。
可选的，轮廓段满足：
L1i＜α|LC1-LCi|，L1i为线段长度，LC1和LCi为当前段长度以及标准段长度，α为调整参数；
rl1i≥0.75，rl1i为等高线上的点与点的比值。
本实施例提供的一种基于多层结构的细胞分割装置，可以执行上述方法的实施例，其实现原理和技术效果类似，在此不再赘述。
图4为本发明实施例提供的一种电子设备的结构示意图。如图4所示，示出了适于用来实现本申请实施例的电子设备300的结构示意图。
如图4所示，电子设备300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口306。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行上述基于多层结构的细胞分割方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。
附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
作为另一方面，本申请还提供了一种存储介质，该存储介质可以是上述实施例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本申请的基于多层结构的细胞分割方法。
存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种基于多层结构的细胞分割方法，其特征在于，所述方法包括：
获取待分割的细胞图像；
预处理所述细胞图像，得到预处理后图像；
采用分水岭算法和改进的GVF Snake模型对所述预处理后图像进行粗分割，得到所述细胞粗轮廓；
采用凸包检测、角点检测与椭圆拟合相结合对所述细胞粗轮廓进行细胞精细分割，得到细胞轮廓。
2.根据权利要求1所述的方法，其特征在于，所述预处理所述细胞图像，得到预处理后图像，包括：
根据小波变换的去噪算法，对所述细胞图像进行去噪处理，得到去噪图像；
基于所述去噪图像提取细胞核特征；
基于决策树方法，根据所述细胞核特征，得到所述预处理后图像。
3.根据权利要求1所述的方法，其特征在于，所述分水岭算法包括：
对所述预处理后图像进行二值化操作，得到二值化图像；
中值滤波器对所述二值化图像滤除噪声，得到去噪二值化图像；
腐蚀、膨胀算法对所述去噪二值化图像进行前景、背景标注，得到腐蚀膨胀图像；
获取所述腐蚀膨胀图像的所有像素点的灰度值；
从所有像素点的灰度值中找出最小灰度值；
从最小灰度值和预设阈值中选取较小的作为初始阈值；
将所述初始阈值与相邻像素点中的灰度值进行比较，将所述相邻像素点中灰度值大于或等于所述预设阈值的像素点标记为边界点；
所述初始阈值按照预设步长进行增长，得到增长阈值，所述增长阈值分别与所述相邻像素点中灰度值进行比较，将所述相邻像素点中灰度值大于或等于所述增长阈值的像素点标记为边界点；
所述增长阈值直至增长至灰度值中的最大值，结束增长，所有边界点构成细胞第一轮廓。
4.根据权利要求3所述的方法，其特征在于，所述改进的GVF Snake模型包括：
泛函定义为：
其中，Eint(v)＝α×v′+β×v″为能量泛函的内部力，α,β分别为轮廓曲线的弹性系数和刚性系数，v′,v″分别表示曲线上单个像素点的斜率和曲率，Eimg(v)为图像力，Econ(v)为条件力；
外部力Eext(v)为：
Eext(v)＝-|▽[Gσ(x,y)*I(x,y)]|2
其中，Gσ(x,y)为灰度值；I(x,y)为所述分水岭算法后图像的灰度图；
联合求解泛函定义和外部力公式，得到所述细胞粗轮廓。
5.根据权利要求4所述的方法，其特征在于，所述能量泛函的内部力Eint(v)中梯度幅值和相角通过下述改进：
利用高斯函数对图像平滑处理，再使用一阶微分算子对平滑后图像卷积，定位导数最大的像素点位置；计算灰度梯度的幅值和方向，分别获得水平方向和垂直方向的梯度幅值；进行非极大值抑制和改进连接，从而检测出目标边缘；
其中，梯度幅值G(i,j)和相角θ(i,j)分别如下所示：
选取双阈值分割的阈值上限和阈值下限，对所述目标边缘的像素点扫描的过程中，若所述像素点的梯度幅值高于所述阈值上限，则所述像素点为边缘点；若所述像素点的梯度幅值低于所述阈值下限，则所述像素点不是边缘点；对于处于所述阈值上限与所述阈值下限之间的所述像素点，则根据边缘的连通性进行判断。
6.根据权利要求1所述的方法，其特征在于，所述采用凸包检测、角点检测与椭圆拟合相结合对所述细胞粗轮廓进行细胞精细分割，得到细胞轮廓，包括：
采用凸包检测，根据所述细胞粗轮廓，确定第一凹点组；
采用角点检测方法对潜在的凹点进行筛选，补充所述第一凹点组，得到第二凹点组；
根据所述第二凹点组中凹点，将所述细胞粗轮廓分割为若干轮廓段；
采用所述凹点连接所述轮廓段；
将所述轮廓段拟合为椭圆，得到所述细胞轮廓。
7.根据权利要求6所述的方法，其特征在于，所述采用角点检测方法对潜在的凹点进行筛选，补充所述第一凹点组，得到第二凹点组，包括：
采用角点探测器检测所述细胞粗轮廓的所有角点，得到第一角点组；
比较所述第一角点组中所有所述角点的曲率与预设曲率，选取所述角点的曲率大于所述预设曲率的角点，得到第二角点组；
所述第二角点组中满足三个角点条件：凹性、矢量空间和比例的所有角点，作为第二凹点组。
8.根据权利要求6所述的方法，其特征在于，所述轮廓段满足：
L1i＜α|LC1-LCi|，L1i为线段长度，LC1和LCi为当前段长度以及标准段长度，α为调整参数；
rl1i≥0.75，rl1i为等高线上的点与点的比值。
9.一种基于多层结构的细胞分割装置，其特征在于，所述装置包括：
获取模块，用于获取待分割的细胞图像；
预处理模块，用于预处理所述细胞图像，得到预处理后图像；
粗分割模块，用于采用分水岭算法和改进的GVF Snake模型对所述预处理后图像进行粗分割，得到所述细胞粗轮廓；
精细分割模块，用于采用凸包检测、角点检测与椭圆拟合相结合对所述细胞粗轮廓进行细胞精细分割，得到细胞轮廓。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的基于多层结构的细胞分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111499610.7A CN114332095A (zh) | 2021-12-09 | 2021-12-09 | 一种基于多层结构的细胞分割方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111499610.7A CN114332095A (zh) | 2021-12-09 | 2021-12-09 | 一种基于多层结构的细胞分割方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114332095A true CN114332095A (zh) | 2022-04-12 |
Family
ID=81051311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111499610.7A Pending CN114332095A (zh) | 2021-12-09 | 2021-12-09 | 一种基于多层结构的细胞分割方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332095A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830025A (zh) * | 2023-02-16 | 2023-03-21 | 南昌大学 | 白细胞分类计数方法、***、存储介质及计算机设备 |
| CN117576098A (zh) * | 2024-01-16 | 2024-02-20 | 武汉互创联合科技有限公司 | 基于分割的细胞***均衡度评估方法及设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091571A (zh) * | 2019-12-12 | 2020-05-01 | 珠海圣美生物诊断技术有限公司 | 细胞核分割方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-12-09 CN CN202111499610.7A patent/CN114332095A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091571A (zh) * | 2019-12-12 | 2020-05-01 | 珠海圣美生物诊断技术有限公司 | 细胞核分割方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| DONGYAO JIA 等: "Multi-layer segmentation framework for cell nuclei using improved GVF Snake model, Watershed, and ellipse fitting", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》, 27 February 2021 (2021-02-27), pages 2 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830025A (zh) * | 2023-02-16 | 2023-03-21 | 南昌大学 | 白细胞分类计数方法、***、存储介质及计算机设备 |
| CN117576098A (zh) * | 2024-01-16 | 2024-02-20 | 武汉互创联合科技有限公司 | 基于分割的细胞***均衡度评估方法及设备 |
| CN117576098B (zh) * | 2024-01-16 | 2024-04-19 | 武汉互创联合科技有限公司 | 基于分割的细胞***均衡度评估方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114972329B (zh) | 基于图像处理的表面缺陷检测仪的图像增强方法及*** | |
| CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
| CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
| Liasis et al. | Satellite images analysis for shadow detection and building height estimation | |
| Duan et al. | Detection and segmentation of iron ore green pellets in images using lightweight U-net deep learning network | |
| CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
| CN114332095A (zh) | 一种基于多层结构的细胞分割方法、装置及电子设备 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
| CN106845347A (zh) | 海上油膜识别提取方法及*** | |
| CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
| Wu et al. | Image segmentation | |
| CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
| CN110706224A (zh) | 基于暗场图像的光学元件弱划痕检测方法、***和装置 | |
| CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及*** | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| Yu et al. | Optimized self-adapting contrast enhancement algorithm for wafer contour extraction | |
| Jiang et al. | Ship contour extraction from SAR images based on faster R-CNN and chan–vese model | |
| CN110097569B (zh) | 基于颜色马尔科夫链显著性模型的油罐目标检测方法 | |
| Yang et al. | Generalized weld bead region of interest localization and improved faster R-CNN for weld defect recognition | |
| CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和*** | |
| CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
| CN111008949B (zh) | 牙齿图像的软硬组织检测方法 | |
| Wang et al. | Improved Morphological Band‐Pass Filtering Algorithm and Its Application in Circle Detection | |
| Malekshahi et al. | Detection and removal of rain from video using predominant direction of Gabor filters |
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 |