CN117575977A - 一种用于卵巢组织分析的卵泡区域增强方法 - Google Patents
一种用于卵巢组织分析的卵泡区域增强方法 Download PDFInfo
- Publication number
- CN117575977A CN117575977A CN202410063209.6A CN202410063209A CN117575977A CN 117575977 A CN117575977 A CN 117575977A CN 202410063209 A CN202410063209 A CN 202410063209A CN 117575977 A CN117575977 A CN 117575977A
- Authority
- CN
- China
- Prior art keywords
- cell
- domain
- membrane
- connected domain
- target
- 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
- 230000002611 ovarian Effects 0.000 title claims abstract description 92
- 230000003325 follicular Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 210000004027 cell Anatomy 0.000 claims abstract description 165
- 210000000170 cell membrane Anatomy 0.000 claims abstract description 114
- 210000001519 tissue Anatomy 0.000 claims abstract description 102
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 48
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 10
- 239000012528 membrane Substances 0.000 claims description 79
- 238000004891 communication Methods 0.000 claims description 70
- 210000004940 nucleus Anatomy 0.000 claims description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 210000001672 ovary Anatomy 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种用于卵巢组织分析的卵泡区域增强方法,包括:获取卵巢组织灰度图像,将其分割为若干个超像素区域,并从中筛选出若干个细胞核连通域,获取若干个连通域,并从中筛选出若干个细胞膜连通域,获取每个细胞膜连通域与每个细胞核连通域的关联程度,从而得到每个细胞核连通域的细胞区域,获取每个细胞核连通域的细胞区域内每个像素点的细胞可能性,由此得到卵巢组织灰度图像的增强图像。本发明通过分析细胞核与细胞膜的特征,获取卵泡细胞区域,并对卵泡细胞区域内的像素点进行自适应增益因子的线性变换增强,由此提高了卵巢组织灰度图像中的卵泡区域增强效果。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于卵巢组织分析的卵泡区域增强方法。
背景技术
为了观察卵巢组织中可能存在的病变,需要对卵泡区域的细胞进行观察,由于卵巢组织中的卵泡细胞在图像中分布较为密集,并且细胞之间膜的界限较为模糊,不易将细胞进行区分,因此为了对卵泡细胞的观察更为准确,需要对采集图像中的卵泡区域进行增强处理,保障卵巢组织分析准确性,当前常使用线性变换进行图像增强处理。
现有的问题:当线性变换算法中的增益因子选取不合适时,会导致图像增强效果较差,并且采集图像中细胞之间的边缘可能较为模糊,会导致卵泡区域检测不准确,无法准确的对卵泡区域进行增强,从而降低了卵巢组织图像中的卵泡区域增强效果。
发明内容
本发明提供一种用于卵巢组织分析的卵泡区域增强方法,以解决现有的问题。
本发明的一种用于卵巢组织分析的卵泡区域增强方法采用如下技术方案:
本发明一个实施例提供了一种用于卵巢组织分析的卵泡区域增强方法,该方法包括以下步骤:
采集一张卵巢组织图像,进行灰度化处理,得到卵巢组织灰度图像;将卵巢组织灰度图像分割为若干个超像素区域,并从所有超像素区域中筛选出若干个细胞核连通域;
在卵巢组织灰度图像中不是细胞核连通域的区域内,根据像素点灰度值和像素点之间的距离,得到若干个连通域和每个连通域的细胞膜可能性,并从所有连通域中筛选出若干个细胞膜连通域;
将任意一个细胞核连通域,记为参考核连通域;将任意一个细胞膜连通域,记为参考膜连通域;根据参考核连通域中心点、参考膜连通域的骨架线上所有像素点的法线的交点、参考膜连通域的细胞膜可能性,得到参考膜连通域与参考核连通域的关联程度;
根据所有细胞膜连通域分别与参考核连通域的关联程度,得到参考核连通域的细胞区域;在参考核连通域的细胞区域内,根据参考核连通域中心点到细胞区域中心点的距离、细胞膜连通域与参考核连通域的关联程度、每个像素点分别到细胞膜连通域和参考核连通域的最短距离,得到每个像素点的细胞可能性;
根据所有细胞核连通域的细胞区域内所有像素点的细胞可能性,得到卵巢组织灰度图像的增强图像。
进一步地,所述将卵巢组织灰度图像分割为若干个超像素区域,并从所有超像素区域中筛选出若干个细胞核连通域,包括的具体步骤如下:
使用超像素分割算法,将卵巢组织灰度图像分割为若干个超像素区域;
将卵巢组织灰度图像分割的任意一个超像素区域,记为主超像素区域;
使用最小外接圆算法和最大内切圆算法,分别得到主超像素区域的最小外接圆和最大内切圆;
将主超像素区域的最小外接圆的半径减去最大内切圆的半径的差值,记为主连通域的类圆程度;
在卵巢组织灰度图像分割的所有超像素区域中,将类圆程度大于预设的核阈值的超像素区域,记为细胞核连通域。
进一步地,所述在卵巢组织灰度图像中不是细胞核连通域的区域内,根据像素点灰度值和像素点之间的距离,得到若干个连通域和每个连通域的细胞膜可能性,并从所有连通域中筛选出若干个细胞膜连通域,包括的具体步骤如下:
在卵巢组织灰度图像中,将不是细胞核连通域的区域,记为背景区域;
在背景区域中,将灰度值大于预设的灰度阈值的所有像素点构成的区域,记为目标区域;
使用区域生长算法,将目标区域分割为若干个连通域;
将目标区域分割的任意一个连通域,记为目标连通域;
在目标连通域中,计算每个像素点到目标连通域中心点的距离,将所有像素点到目标连通域中心点的距离的均值,记为目标连通域的连续程度;
根据目标连通域内所有像素点的灰度值、目标连通域的连续程度,得到目标连通域的细胞膜可能性;
在目标区域分割的所有连通域中,将细胞膜可能性大于预设的膜阈值的连通域,记为细胞膜连通域。
进一步地,所述根据目标连通域内所有像素点的灰度值、目标连通域的连续程度,得到目标连通域的细胞膜可能性对应的具体计算公式为:
;
其中A为目标连通域的细胞膜可能性,V为目标连通域内所有像素点灰度值的方差,B为目标连通域的连续程度,为以自然常数为底的指数函数,k为预设的指数函数调整值。
进一步地,所述根据参考核连通域中心点、参考膜连通域的骨架线上所有像素点的法线的交点、参考膜连通域的细胞膜可能性,得到参考膜连通域与参考核连通域的关联程度,包括的具体步骤如下:
使用形态学细化算法,得到参考膜连通域的骨架线;
在参考膜连通域的骨架线上,计算任意两个像素点的法线的交点,使用K均值聚类算法,对所有像素点的法线的交点进行聚类操作,得到卵巢组织灰度图像中的一个聚类中心点;
计算所述所有像素点的法线的交点分别到聚类中心点的距离,将所述交点分别到聚类中心点的距离的均值,记为参考膜连通域的包裹程度;
根据参考膜连通域的细胞膜可能性、参考膜连通域的包裹程度、聚类中心点到参考核连通域中心点的距离,得到参考膜连通域与参考核连通域的关联程度。
进一步地,所述根据参考膜连通域的细胞膜可能性、参考膜连通域的包裹程度、聚类中心点到参考核连通域中心点的距离,得到参考膜连通域与参考核连通域的关联程度对应的具体计算公式为:
;
其中S为参考膜连通域与参考核连通域的关联程度,为参考膜连通域的细胞膜可能性,/>为参考膜连通域的包裹程度,T为聚类中心点到参考核连通域中心点的距离,为线性归一化函数。
进一步地,所述根据所有细胞膜连通域分别与参考核连通域的关联程度,得到参考核连通域的细胞区域,包括的具体步骤如下:
在所有细胞膜连通域分别与参考核连通域的关联程度中,将大于预设的判断阈值的关联程度对应的细胞膜连通域,记为参考核连通域的细胞膜连通域;
将参考核连通域的细胞膜连通域,记为目标膜连通域;
将参考核连通域和所有的目标膜连通域构成的区域,记为参考区域;
使用最小外接圆算法,得到参考区域的最小外接圆;
将参考区域的最小外接圆内的区域,记为参考核连通域的细胞区域。
进一步地,所述在参考核连通域的细胞区域内,根据参考核连通域中心点到细胞区域中心点的距离、细胞膜连通域与参考核连通域的关联程度、每个像素点分别到细胞膜连通域和参考核连通域的最短距离,得到每个像素点的细胞可能性,包括的具体步骤如下:
在参考核连通域的细胞区域内,将任意一个像素点,记为目标点;
根据所有目标膜连通域分别与参考核连通域的关联程度、目标点分别到参考核连通域和所有目标膜连通域的最短距离、参考核连通域的细胞区域中心点到参考核连通域中心点的距离,得到目标点的细胞可能性。
进一步地,所述根据所有目标膜连通域分别与参考核连通域的关联程度、目标点分别到参考核连通域和所有目标膜连通域的最短距离、参考核连通域的细胞区域中心点到参考核连通域中心点的距离,得到目标点的细胞可能性对应的具体计算公式为:
;
其中P为目标点的细胞可能性,为第i个目标膜连通域与参考核连通域的关联程度,/>为目标点到第i个目标膜连通域的最短距离,c为目标点到参考核连通域的最短距离,R为参考核连通域的细胞区域中心点到参考核连通域中心点的距离,n为目标膜连通域的数量,/>为线性归一化函数。
进一步地,所述根据所有细胞核连通域的细胞区域内所有像素点的细胞可能性,得到卵巢组织灰度图像的增强图像,包括的具体步骤如下:
在所有细胞核连通域的细胞区域内,将细胞可能性大于预设的细胞阈值的像素点,记为细胞点;
在卵巢组织灰度图像内,将不是细胞点的其它像素点,记为正常点;将每个细胞点的细胞可能性加1的和值,记为每个细胞点的增益因子;将每个正常点的增益因子设置为1;
根据卵巢组织灰度图像内所有像素点的增益因子,使用线性变换算法进行图像增强,得到卵巢组织灰度图像的增强图像。
本发明的技术方案的有益效果是:
本发明实施例中,获取卵巢组织灰度图像,将其分割为若干个超像素区域,并从中筛选出若干个细胞核连通域,其通过细胞核检测,提高了卵泡细胞区域检测的准确性。获取若干个连通域和每个连通域的细胞膜可能性,并从中筛选出若干个细胞膜连通域,获取每个细胞膜连通域与每个细胞核连通域的关联程度,从而得到每个细胞核连通域的细胞区域,由此进一步提高了卵泡细胞区域检测的准确性,从而令后续的卵泡细胞区域增强更加精准。获取每个细胞核连通域的细胞区域内每个像素点的细胞可能性,由此得到卵巢组织灰度图像的增强图像,其根据细胞可能性,来自适应增益因子,提高了卵泡细胞区域的增强效果。至此本发明通过分析细胞核与细胞膜的特征,获取卵泡细胞区域,并对卵泡细胞区域内的像素点进行自适应增益因子的线性变换增强,由此提高了卵巢组织灰度图像中的卵泡区域增强效果。
附图说明
为了更清楚地说明本发明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为本发明一种用于卵巢组织分析的卵泡区域增强方法的步骤流程图;
图2为本实施例所提供的一个卵巢组织灰度图像示意图;
图3为本实施例所提供的一个细胞核的最小外接圆和最大内切圆示意图;
图4为本实施例所提供的一个细胞核周围的细胞膜分割示意图;
图5为本实施例所提供的一个细胞的最小外接圆示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于卵巢组织分析的卵泡区域增强方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于卵巢组织分析的卵泡区域增强方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于卵巢组织分析的卵泡区域增强方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集一张卵巢组织图像,进行灰度化处理,得到卵巢组织灰度图像;将卵巢组织灰度图像分割为若干个超像素区域,并从所有超像素区域中筛选出若干个细胞核连通域。
本实施例的主要目的是,准确检测出采集图像中的卵泡区域,并对卵泡区域内的像素点灰度值进行自适应线性变换增加,得到高质量的增强图像,方便后续对卵巢组织中的卵泡区域进行观察。
采集显微镜下的一张卵巢组织图像,对卵巢组织图像进行灰度化处理,得到卵巢组织灰度图像。其中,图像灰度化处理为公知技术,具体方法在此不做介绍。图2为本实施例所提供的一个卵巢组织灰度图像示意图。
已知在观察卵巢组织中的卵泡区域时,会发现图像中卵泡细胞的细胞膜边缘粘连在一起,细胞之间的边界并不明显,相邻卵泡细胞区域之间的灰度对比度较差,难以有效准确的观察到想要观察的区域。通过观察图像中细胞的形态特征可以得知,卵泡细胞的细胞核呈圆形,细胞膜连续并且灰度值低。因此为了可以准确观察卵泡区域的细胞,需要先将每个卵泡细胞分割处出来,由于细胞内的细胞核同周围区域的差异较为明显,且细胞核的特征明显,因此以细胞核的位置为中心,通过判断细胞的细胞膜的连续性和细胞膜开口方向,对细胞核的包裹性来判断,计算出某一细胞膜属于某一细胞的可能性,再分析细胞膜、细胞核和像素点之间的位置关系,得到卵泡细胞区域归属的可能性,由此通过该可能性,得到图像的增益因子。
通过观察卵巢组织灰度图像可以发现,细胞与细胞之间存在细胞膜的粘连,并且细胞分布紧密,而同一细胞组织区域内的像素点灰度值相似,细胞中的细胞核是一个圆形区域,可通过提取出圆形区域标记为细胞核。对于一个圆来说,其最小外接圆和最大内切圆都是其本身,因此当某一连通域的最小外接圆和最大内切圆的半径差异越小,越可能为细胞核。
使用超像素分割算法,将卵巢组织灰度图像分割为若干个超像素区域。
所需说明的是:超像素分割算法为公知技术,具体方法在此不做介绍。该算法分割的超像素区域,为一个个连通域,所述超像素区域也被称为超像素块。
将卵巢组织灰度图像分割的任意一个超像素区域,记为主超像素区域。
使用最小外接圆算法,得到主超像素区域的最小外接圆。使用最大内切圆算法,得到主超像素区域的最大内切圆。其中,最小外接圆算法和最大内切圆算法均为公知技术,具体方法在此不做介绍。
将主超像素区域的最小外接圆半径减去主超像素区域的最大内切圆半径的差值,记为主连通域的类圆程度。图3为本实施例所提供的一个细胞核的最小外接圆和最大内切圆示意图。图3中为该细胞核的最小外接圆半径,/>为该细胞核的最大内切圆半径。
按照上述方式,得到每个超像素区域的类圆程度。
本实施例预设的核阈值为5,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在卵巢组织灰度图像分割的所有超像素区域中,将类圆程度大于预设的核阈值的超像素区域,记为细胞核连通域。
步骤S002:在卵巢组织灰度图像中不是细胞核连通域的区域内,根据像素点灰度值和像素点之间的距离,得到若干个连通域和每个连通域的细胞膜可能性,并从所有连通域中筛选出若干个细胞膜连通域。
已知细胞膜是在细胞***包围着细胞内部物质的一层膜性结构,细胞膜是一个连续的区域并且可以包裹住细胞核,其可以通过分析图像中灰度梯度的变化,确定可能是细胞膜的区域,并判断在细胞核***是否有可以包裹着细胞核的连续边缘。对这些连续边缘上各个像素点的法线方向进行延伸,根据该法线的交点在细胞内部交点的聚集程度,判断所述连续边缘对细胞核的包裹性。
通过观察图像可以发现,细胞膜的像素点灰度值高于其两侧的细胞质和细胞间质的像素点灰度值,表现为较亮区域,因此可以通过灰度梯度的变化方向来判断细胞膜的连续性。由于图像中细胞核周围还存在其他的高亮区域,因此图像中的高亮像素点包括细胞膜以及细胞内的其他组织。
并且由于图像中部分细胞膜在图像中表现并不明显,因此在确定图像中细胞膜的过程中会得到多段不连续的细胞膜连通域,需要计算每一个细胞膜连通域为真正细胞膜的可能性。图4为本实施例所提供的一个细胞核周围的细胞膜分割示意图。
在卵巢组织灰度图像中,将不是细胞核连通域的区域,记为背景区域。
本实施例预设的灰度阈值为140,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在背景区域中,将灰度值大于预设的灰度阈值的所有像素点构成的区域,记为目标区域。即目标区域包含细胞膜区域。
因此使用区域生长算法,将目标区域分割为若干个连通域。故这些连通域中存在着为细胞膜的连通域。
将目标区域分割的任意一个连通域,记为目标连通域。
使用连通域重心计算算法,得到目标连通域的中心点。
其中,区域生长算法和连通域重心计算算法均为公知技术,具体方法在此不做介绍。
在目标连通域中,计算每个像素点到目标连通域中心点的距离,将所有像素点到目标连通域中心点的距离的均值,记为目标连通域的连续程度。
由此可知目标连通域的细胞膜可能性的计算公式为:
;
其中A为目标连通域的细胞膜可能性,V为目标连通域内所有像素点灰度值的方差,B为目标连通域的连续程度,为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数,k为预设的指数函数调整值,避免指数函数过早趋于0。本实施例设定/>,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是:细胞膜区域内的像素点灰度值像素,故V越小,目标连通域越可能为细胞膜,并且细胞膜为连续的弧线,细胞膜内其它组织连通域的长度应小于细胞膜,故B越大,说明目标连通域越长,越可能为细胞膜。因此用表示目标连通域的细胞膜可能性,A越大,目标连通域越可能为细胞膜。
按照上述方式,得到目标区域分割的每个连通域的细胞膜可能性。
本实施例预设的膜阈值为0.5,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在目标区域分割的所有连通域中,将细胞膜可能性大于预设的膜阈值的连通域,记为细胞膜连通域。
步骤S003:将任意一个细胞核连通域,记为参考核连通域;将任意一个细胞膜连通域,记为参考膜连通域;根据参考核连通域中心点、参考膜连通域的骨架线上所有像素点的法线的交点、参考膜连通域的细胞膜可能性,得到参考膜连通域与参考核连通域的关联程度。
根据细胞膜对细胞内部物质的包裹特性可以得知,由细胞膜所形成弧线开口一定会朝向细胞核的方向。即在一条细胞膜弧线上各个点的法线都会在某一点相交。
在卵巢组织灰度图像中,将任意一个细胞核连通域,记为参考核连通域,将任意一个细胞膜连通域,记为参考膜连通域。
使用连通域重心计算算法,得到参考核连通域的中心点。
使用形态学细化算法,得到参考膜连通域的骨架线。其中,形态学细化算法为公知技术,具体方法在此不做介绍。
在参考膜连通域的骨架线上,计算任意两个像素点的法线的交点,使用K均值聚类算法,对所有像素点的法线的交点进行聚类操作,得到卵巢组织灰度图像中的一个聚类中心点。
计算所述所有像素点的法线的交点分别到聚类中心点的距离,将所述交点分别到聚类中心点的距离的均值,记为参考膜连通域的包裹程度。
所需说明的是:K均值聚类算法为公知技术,具体方法在此不做介绍。已知聚类数K为K均值聚类算法的主要参数,由于细胞膜对应的骨架线上所有像素点的法线的交点应为一个点,因此本实施例令聚类数K为1,故只得到一个聚类簇和该聚类簇的聚类中心点。当两个法线不存在交点或者交点不在卵巢组织灰度图像中时,其不作为聚类时的交点,且包裹程度和后续分析中不使用图像外的交点。
由此可根据所述交点的聚集性以及聚类中心点与参考核连通域中心点的距离,来反映参考膜连通域与参考核连通域是否对应。故参考膜连通域与参考核连通域的关联程度S的计算公式为:
;
其中S为参考膜连通域与参考核连通域的关联程度,为参考膜连通域的细胞膜可能性,/>为参考膜连通域的包裹程度,T为聚类中心点到参考核连通域中心点的距离。为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:L越小,说明参考膜连通域的骨架线上所有像素点的法线的交点,越集中于一点,即参考膜连通域越可能为细胞膜,越大,参考膜连通域越可能为细胞膜,而T越小,说明参考膜连通域为参考核连通域的细胞膜的可能性越大,因此用/>的归一化值,表示参考膜连通域与参考核连通域的关联程度,S越大,参考膜连通域越可能为参考核连通域的细胞膜。
按照上述方式,得到每个细胞膜连通域和参考核连通域的关联程度。
步骤S004:根据所有细胞膜连通域分别与参考核连通域的关联程度,得到参考核连通域的细胞区域;在参考核连通域的细胞区域内,根据参考核连通域中心点到细胞区域中心点的距离、细胞膜连通域与参考核连通域的关联程度、每个像素点分别到细胞膜连通域和参考核连通域的最短距离,得到每个像素点的细胞可能性。
本实施例预设的判断阈值为0.6,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在所有细胞膜连通域分别与参考核连通域的关联程度中,将大于预设的判断阈值的关联程度对应的细胞膜连通域,记为参考核连通域的细胞膜连通域。由此得到参考核连通域对应的若干个细胞膜连通域。
所需说明的是:若不存在参考核连通域的细胞膜连通域,则后续不对参考核连通域进行分析。重新选取一个细胞核连通域进行分析。
将参考核连通域的细胞膜连通域,记为目标膜连通域。
将参考核连通域和所有的目标膜连通域构成的区域,记为参考区域。
使用最小外接圆算法,得到参考区域的最小外接圆。当参考核连通域为一个真正的细胞核时,参考区域的最小外接圆应为一个细胞的最小外接圆,由此检测出卵泡细胞区域。图5为本实施例所提供的一个细胞的最小外接圆示意图。
所需说明的是:图5中最小外接圆内细胞核1应为该细胞真正的细胞核,而细胞核2核细胞核3是根据类圆程度得到的虚假的细胞核,这些虚假的细胞核会在获取细胞核连通域的细胞膜连通域的过程中,以及后续过程中被排除掉。
由此根据细胞核、细胞膜和参考区域的最小外接圆内像素点的距离关系,判断在参考区域的最小外接圆内所有像素点和细胞的所属关系。对于参考区域的最小外接圆内的一个像素点,其距离细胞核越近、离细胞膜越远,则属于这个细胞的概率越大,且越重要,反之离细胞核越远、离细胞膜越近,则属于这个细胞的概率越小,且越不重要。同时,参考核连通域越靠近参考区域的最小外接圆的圆心,则参考核连通域属于当前细胞的可能性越大。
将参考区域的最小外接圆内的区域,记为参考核连通域的细胞区域。
按照上述方式,可得到每个细胞核连通域的细胞区域。
在参考核连通域的细胞区域内,将任意一个像素点,记为目标点。
由此可知目标点的细胞可能性P的计算公式为:
;
其中P为目标点的细胞可能性,为第i个目标膜连通域与参考核连通域的关联程度,/>为目标点到第i个目标膜连通域的最短距离,c为目标点到参考核连通域的最短距离,R为参考核连通域的细胞区域中心点到参考核连通域中心点的距离,n为目标膜连通域的数量。/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:参考核连通域的细胞区域中心点,也就是参考区域的最小外接圆的圆心点。当目标点在第i个目标膜连通域内,应为0,当目标点在参考核连通域内时,c应为0。/>越小,说明目标点越靠近第i个目标膜连通域,即为细胞的可能性越小,/>越大,说明目标点越靠近参考核连通域,即为细胞的可能性越大,其中c加1是为了防止分母为0。而越大,说明第i个目标膜连通域越可能为参考核连通域的细胞膜,则/>越可信。R为0时,说明参考核连通域的细胞区域中心点到参考核连通域中心点重合,则该细胞区域越可能为真正的细胞区域,因此用/>的归一化值,表示目标点的细胞可能性,其中R加1是为了防止分母为0。
按照上述方式,得到参考核连通域的细胞区域内每个像素点的细胞可能性。
步骤S005:根据所有细胞核连通域的细胞区域内所有像素点的细胞可能性,得到卵巢组织灰度图像的增强图像。
本实施例预设的细胞阈值为0.7,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在参考核连通域的细胞区域内,将细胞可能性大于预设的细胞阈值的像素点,记为细胞点。由此得到参考核连通域的细胞区域内的若干个细胞点。
按照上述方式,得到每个细胞核连通域的细胞区域内的若干个细胞点和细胞点的细胞可能性。由此得到卵巢组织灰度图像内的若干个细胞点和细胞点的细胞可能性,即细胞点大概率为卵巢组织灰度图像内的卵泡细胞区域的像素点,并且细胞可能性越大,为卵泡细胞的可能性越大,需要越大的灰度对比度增强。
所需说明的是:若卵巢组织灰度图像内某一细胞点同时处于多个细胞核连通域的细胞区域内,则该细胞点存在多个细胞可能性,本实施例取所述多个细胞可能性中的最大值,作为该细胞点细胞可能性。
在卵巢组织灰度图像内,将不是细胞点的其它像素点,记为正常点,将每个细胞点的细胞可能性加1的和值,记为每个细胞点的增益因子,将每个正常点的增益因子设置为1。由此得到卵巢组织灰度图像内每个像素点的增益因子。
根据卵巢组织灰度图像内所有像素点的增益因子,使用线性变换算法进行图像增强,得到卵巢组织灰度图像的增强图像。
所需说明的是:图像增强的线性变换算法为公知技术,增益因子和偏置因子为线性变换算法的主要参数,增益因子用于调整图像的对比度,较大的增益因子会增加对比度,使得图像更加锐利明亮,而较小的增益因子会减少对比度,使图像更加柔和。偏置因子用于调整图像的亮度,较大的偏置因子会使图像变得更亮,而较小的偏置因子会使图像变暗。本实施例不改变图像的亮度,因此令预设的偏置因子b为0,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。在卵巢组织灰度图像内,对于不是细胞点的像素点,令增益因子为1,即不进行对比度增强,对于细胞点,令增益因子为1加细胞可能性,即细胞可能性越大的细胞点,进行较大的对比度增强,提高卵泡区域的可视性。卵巢组织灰度图像的线性变换公式为:,其中b为预设的偏置因子,/>为卵巢组织灰度图像内第j个像素点的增益因子,/>为卵巢组织灰度图像内第j个像素点的灰度值,/>为卵巢组织灰度图像内第j个像素点线性变换后的灰度值,m为卵巢组织灰度图像内的像素点数量。当/>大于255时,使用灰度截断,即将超过255的灰度值截断为255,或者使用灰度归一化,即对超过255的灰度值进行线性缩放,将其映射到0到255的范围内,此为公知技术。
至此,本发明完成。
综上所述,在本发明实施例中,获取卵巢组织灰度图像,将其分割为若干个超像素区域,并从中筛选出若干个细胞核连通域。获取若干个连通域和每个连通域的细胞膜可能性,并从中筛选出若干个细胞膜连通域。获取每个细胞膜连通域与每个细胞核连通域的关联程度,从而得到每个细胞核连通域的细胞区域,获取每个细胞核连通域的细胞区域内每个像素点的细胞可能性,由此得到卵巢组织灰度图像的增强图像。本发明通过分析细胞核与细胞膜的特征,获取卵泡细胞区域,并对卵泡细胞区域内的像素点进行自适应增益因子的线性变换增强,由此提高了卵巢组织灰度图像中的卵泡区域增强效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,该方法包括以下步骤:
采集一张卵巢组织图像,进行灰度化处理,得到卵巢组织灰度图像;将卵巢组织灰度图像分割为若干个超像素区域,并从所有超像素区域中筛选出若干个细胞核连通域;
在卵巢组织灰度图像中不是细胞核连通域的区域内,根据像素点灰度值和像素点之间的距离,得到若干个连通域和每个连通域的细胞膜可能性,并从所有连通域中筛选出若干个细胞膜连通域;
将任意一个细胞核连通域,记为参考核连通域;将任意一个细胞膜连通域,记为参考膜连通域;根据参考核连通域中心点、参考膜连通域的骨架线上所有像素点的法线的交点、参考膜连通域的细胞膜可能性,得到参考膜连通域与参考核连通域的关联程度;
根据所有细胞膜连通域分别与参考核连通域的关联程度,得到参考核连通域的细胞区域;在参考核连通域的细胞区域内,根据参考核连通域中心点到细胞区域中心点的距离、细胞膜连通域与参考核连通域的关联程度、每个像素点分别到细胞膜连通域和参考核连通域的最短距离,得到每个像素点的细胞可能性;
根据所有细胞核连通域的细胞区域内所有像素点的细胞可能性,得到卵巢组织灰度图像的增强图像。
2.根据权利要求1所述一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,所述将卵巢组织灰度图像分割为若干个超像素区域,并从所有超像素区域中筛选出若干个细胞核连通域,包括的具体步骤如下:
使用超像素分割算法,将卵巢组织灰度图像分割为若干个超像素区域;
将卵巢组织灰度图像分割的任意一个超像素区域,记为主超像素区域;
使用最小外接圆算法和最大内切圆算法,分别得到主超像素区域的最小外接圆和最大内切圆;
将主超像素区域的最小外接圆的半径减去最大内切圆的半径的差值,记为主连通域的类圆程度;
在卵巢组织灰度图像分割的所有超像素区域中,将类圆程度大于预设的核阈值的超像素区域,记为细胞核连通域。
3.根据权利要求1所述一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,所述在卵巢组织灰度图像中不是细胞核连通域的区域内,根据像素点灰度值和像素点之间的距离,得到若干个连通域和每个连通域的细胞膜可能性,并从所有连通域中筛选出若干个细胞膜连通域,包括的具体步骤如下:
在卵巢组织灰度图像中,将不是细胞核连通域的区域,记为背景区域;
在背景区域中,将灰度值大于预设的灰度阈值的所有像素点构成的区域,记为目标区域;
使用区域生长算法,将目标区域分割为若干个连通域;
将目标区域分割的任意一个连通域,记为目标连通域;
在目标连通域中,计算每个像素点到目标连通域中心点的距离,将所有像素点到目标连通域中心点的距离的均值,记为目标连通域的连续程度;
根据目标连通域内所有像素点的灰度值、目标连通域的连续程度,得到目标连通域的细胞膜可能性;
在目标区域分割的所有连通域中,将细胞膜可能性大于预设的膜阈值的连通域,记为细胞膜连通域。
4.根据权利要求3所述一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,所述根据目标连通域内所有像素点的灰度值、目标连通域的连续程度,得到目标连通域的细胞膜可能性对应的具体计算公式为:
;
其中A为目标连通域的细胞膜可能性,V为目标连通域内所有像素点灰度值的方差,B为目标连通域的连续程度,为以自然常数为底的指数函数,k为预设的指数函数调整值。
5.根据权利要求1所述一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,所述根据参考核连通域中心点、参考膜连通域的骨架线上所有像素点的法线的交点、参考膜连通域的细胞膜可能性,得到参考膜连通域与参考核连通域的关联程度,包括的具体步骤如下:
使用形态学细化算法,得到参考膜连通域的骨架线;
在参考膜连通域的骨架线上,计算任意两个像素点的法线的交点,使用K均值聚类算法,对所有像素点的法线的交点进行聚类操作,得到卵巢组织灰度图像中的一个聚类中心点;
计算所述所有像素点的法线的交点分别到聚类中心点的距离,将所述交点分别到聚类中心点的距离的均值,记为参考膜连通域的包裹程度;
根据参考膜连通域的细胞膜可能性、参考膜连通域的包裹程度、聚类中心点到参考核连通域中心点的距离,得到参考膜连通域与参考核连通域的关联程度。
6.根据权利要求5所述一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,所述根据参考膜连通域的细胞膜可能性、参考膜连通域的包裹程度、聚类中心点到参考核连通域中心点的距离,得到参考膜连通域与参考核连通域的关联程度对应的具体计算公式为:
;
其中S为参考膜连通域与参考核连通域的关联程度,为参考膜连通域的细胞膜可能性,/>为参考膜连通域的包裹程度,T为聚类中心点到参考核连通域中心点的距离,/>为线性归一化函数。
7.根据权利要求1所述一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,所述根据所有细胞膜连通域分别与参考核连通域的关联程度,得到参考核连通域的细胞区域,包括的具体步骤如下:
在所有细胞膜连通域分别与参考核连通域的关联程度中,将大于预设的判断阈值的关联程度对应的细胞膜连通域,记为参考核连通域的细胞膜连通域;
将参考核连通域的细胞膜连通域,记为目标膜连通域;
将参考核连通域和所有的目标膜连通域构成的区域,记为参考区域;
使用最小外接圆算法,得到参考区域的最小外接圆;
将参考区域的最小外接圆内的区域,记为参考核连通域的细胞区域。
8.根据权利要求7所述一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,所述在参考核连通域的细胞区域内,根据参考核连通域中心点到细胞区域中心点的距离、细胞膜连通域与参考核连通域的关联程度、每个像素点分别到细胞膜连通域和参考核连通域的最短距离,得到每个像素点的细胞可能性,包括的具体步骤如下:
在参考核连通域的细胞区域内,将任意一个像素点,记为目标点;
根据所有目标膜连通域分别与参考核连通域的关联程度、目标点分别到参考核连通域和所有目标膜连通域的最短距离、参考核连通域的细胞区域中心点到参考核连通域中心点的距离,得到目标点的细胞可能性。
9.根据权利要求8所述一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,所述根据所有目标膜连通域分别与参考核连通域的关联程度、目标点分别到参考核连通域和所有目标膜连通域的最短距离、参考核连通域的细胞区域中心点到参考核连通域中心点的距离,得到目标点的细胞可能性对应的具体计算公式为:
;
其中P为目标点的细胞可能性,为第i个目标膜连通域与参考核连通域的关联程度,/>为目标点到第i个目标膜连通域的最短距离,c为目标点到参考核连通域的最短距离,R为参考核连通域的细胞区域中心点到参考核连通域中心点的距离,n为目标膜连通域的数量,为线性归一化函数。
10.根据权利要求1所述一种用于卵巢组织分析的卵泡区域增强方法,其特征在于,所述根据所有细胞核连通域的细胞区域内所有像素点的细胞可能性,得到卵巢组织灰度图像的增强图像,包括的具体步骤如下:
在所有细胞核连通域的细胞区域内,将细胞可能性大于预设的细胞阈值的像素点,记为细胞点;
在卵巢组织灰度图像内,将不是细胞点的其它像素点,记为正常点;将每个细胞点的细胞可能性加1的和值,记为每个细胞点的增益因子;将每个正常点的增益因子设置为1;
根据卵巢组织灰度图像内所有像素点的增益因子,使用线性变换算法进行图像增强,得到卵巢组织灰度图像的增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410063209.6A CN117575977B (zh) | 2024-01-17 | 2024-01-17 | 一种用于卵巢组织分析的卵泡区域增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410063209.6A CN117575977B (zh) | 2024-01-17 | 2024-01-17 | 一种用于卵巢组织分析的卵泡区域增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575977A true CN117575977A (zh) | 2024-02-20 |
CN117575977B CN117575977B (zh) | 2024-04-02 |
Family
ID=89862893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410063209.6A Active CN117575977B (zh) | 2024-01-17 | 2024-01-17 | 一种用于卵巢组织分析的卵泡区域增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575977B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030108230A1 (en) * | 2000-03-23 | 2003-06-12 | Satoru Miyano | Cell lineage extracting method |
US20030165263A1 (en) * | 2002-02-19 | 2003-09-04 | Hamer Michael J. | Histological assessment |
US20050136549A1 (en) * | 2003-10-30 | 2005-06-23 | Bioimagene, Inc. | Method and system for automatically determining diagnostic saliency of digital images |
US20060188140A1 (en) * | 2003-09-10 | 2006-08-24 | Bioimagene, Inc. | Method and system for digital image based tissue independent simultaneous nucleus cytoplasm and membrane quantitation |
US20130279789A1 (en) * | 2010-12-22 | 2013-10-24 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Device and method for determining objects in a color recording |
WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
US20170103521A1 (en) * | 2014-02-21 | 2017-04-13 | Ventana Medical Systems, Inc. | Medical image analysis for identifying biomarker-positive tumor cells |
US20170372117A1 (en) * | 2014-11-10 | 2017-12-28 | Ventana Medical Systems, Inc. | Classifying nuclei in histology images |
US20190042826A1 (en) * | 2017-08-04 | 2019-02-07 | Oregon Health & Science University | Automatic nuclei segmentation in histopathology images |
CN112823376A (zh) * | 2018-10-15 | 2021-05-18 | 文塔纳医疗***公司 | 图像增强以实现改善的核检测和分割 |
US20220051404A1 (en) * | 2019-11-14 | 2022-02-17 | Tencent Technology (Shenzhen) Company Limited | Pathological section image processing method and apparatus, system, and storage medium |
CN115345893A (zh) * | 2022-09-15 | 2022-11-15 | 吉林大学中日联谊医院 | 基于图像处理的卵巢组织癌变区域分割方法 |
CN116503392A (zh) * | 2023-06-26 | 2023-07-28 | 细胞生态海河实验室 | 一种用于卵巢组织分析的卵泡区域分割方法 |
CN116912255A (zh) * | 2023-09-14 | 2023-10-20 | 济南宝林信息技术有限公司 | 一种用于卵巢组织分析的卵泡区域分割方法 |
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 |
-
2024
- 2024-01-17 CN CN202410063209.6A patent/CN117575977B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030108230A1 (en) * | 2000-03-23 | 2003-06-12 | Satoru Miyano | Cell lineage extracting method |
US20030165263A1 (en) * | 2002-02-19 | 2003-09-04 | Hamer Michael J. | Histological assessment |
US20060188140A1 (en) * | 2003-09-10 | 2006-08-24 | Bioimagene, Inc. | Method and system for digital image based tissue independent simultaneous nucleus cytoplasm and membrane quantitation |
US20050136549A1 (en) * | 2003-10-30 | 2005-06-23 | Bioimagene, Inc. | Method and system for automatically determining diagnostic saliency of digital images |
US20130279789A1 (en) * | 2010-12-22 | 2013-10-24 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Device and method for determining objects in a color recording |
US20170103521A1 (en) * | 2014-02-21 | 2017-04-13 | Ventana Medical Systems, Inc. | Medical image analysis for identifying biomarker-positive tumor cells |
US20170372117A1 (en) * | 2014-11-10 | 2017-12-28 | Ventana Medical Systems, Inc. | Classifying nuclei in histology images |
WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
US20190042826A1 (en) * | 2017-08-04 | 2019-02-07 | Oregon Health & Science University | Automatic nuclei segmentation in histopathology images |
CN112823376A (zh) * | 2018-10-15 | 2021-05-18 | 文塔纳医疗***公司 | 图像增强以实现改善的核检测和分割 |
US20220051404A1 (en) * | 2019-11-14 | 2022-02-17 | Tencent Technology (Shenzhen) Company Limited | Pathological section image processing method and apparatus, system, and storage medium |
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 |
CN115345893A (zh) * | 2022-09-15 | 2022-11-15 | 吉林大学中日联谊医院 | 基于图像处理的卵巢组织癌变区域分割方法 |
CN116503392A (zh) * | 2023-06-26 | 2023-07-28 | 细胞生态海河实验室 | 一种用于卵巢组织分析的卵泡区域分割方法 |
CN116912255A (zh) * | 2023-09-14 | 2023-10-20 | 济南宝林信息技术有限公司 | 一种用于卵巢组织分析的卵泡区域分割方法 |
Non-Patent Citations (1)
Title |
---|
FANG HU等: "Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation", 《ARXIV》, 21 March 2023 (2023-03-21), pages 1 - 23 * |
Also Published As
Publication number | Publication date |
---|---|
CN117575977B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei | |
CN108765369B (zh) | 肺结节的检测方法、装置、计算机设备和存储介质 | |
CN111951221B (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
US20220092789A1 (en) | Automatic pancreas ct segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
CN110448335B (zh) | 一种基于超声图像的胎儿头围全自动测量方法和装置 | |
CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
US10234442B2 (en) | Device and method for finding cell nucleus of target cell from cell image | |
CN116630358B (zh) | 一种脑部肿瘤ct影像的阈值分割方法 | |
CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN116310882B (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
CN114359288B (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
CN116503392A (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN109147932B (zh) | 癌细胞her2基因扩增分析方法及*** | |
CN117830308B (zh) | 一种介入手术前后血管造影智能对比分析方法 | |
CN110211117B (zh) | 医学影像中识别线管状物的处理***及优化分割的方法 | |
CN117252893B (zh) | 一种乳腺癌病理图像的分割处理方法 | |
CN113822279B (zh) | 基于多特征融合的红外目标检测方法、装置、设备及介质 | |
CN117611563A (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN116385438A (zh) | 一种核磁共振肿瘤区域提取方法 | |
CN117575977B (zh) | 一种用于卵巢组织分析的卵泡区域增强方法 | |
CN116342607B (zh) | 输电线缺陷的识别方法、装置、电子设备及存储介质 | |
CN113066108B (zh) | 基于eco算法的抗遮挡视觉目标跟踪方法及装置 | |
CN115457549A (zh) | 一种基于深度学习的衰老细胞显微图像识别方法 | |
CN115131628A (zh) | 一种基于分型辅助信息的乳腺图像分类方法及设备 | |
Parpulov et al. | Convolutional neural network application for cells segmentation in immunocytochemical study |
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 |