CN107561264A - 基于图像处理的β淀粉样斑块识别和测量方法 - Google Patents
基于图像处理的β淀粉样斑块识别和测量方法 Download PDFInfo
- Publication number
- CN107561264A CN107561264A CN201710791859.2A CN201710791859A CN107561264A CN 107561264 A CN107561264 A CN 107561264A CN 201710791859 A CN201710791859 A CN 201710791859A CN 107561264 A CN107561264 A CN 107561264A
- Authority
- CN
- China
- Prior art keywords
- beta
- patch
- speck
- amyloyd
- amyloyd patch
- 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 33
- 210000004556 brain Anatomy 0.000 claims abstract description 64
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 claims abstract description 41
- 238000012744 immunostaining Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 102000013455 Amyloid beta-Peptides Human genes 0.000 claims abstract description 7
- 108010090849 Amyloid beta-Peptides Proteins 0.000 claims abstract description 7
- 230000036039 immunity Effects 0.000 claims abstract description 7
- 241000699666 Mus <mouse, genus> Species 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 8
- 238000005530 etching Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 241000699670 Mus sp. Species 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000004043 dyeing Methods 0.000 claims 1
- 238000010166 immunofluorescence Methods 0.000 claims 1
- 230000008021 deposition Effects 0.000 abstract description 4
- 208000024827 Alzheimer disease Diseases 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 208000037259 Amyloid Plaque Diseases 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 230000006907 apoptotic process Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- MUKYLHIZBOASDM-UHFFFAOYSA-N 2-[carbamimidoyl(methyl)amino]acetic acid 2,3,4,5,6-pentahydroxyhexanoic acid Chemical compound NC(=N)N(C)CC(O)=O.OCC(O)C(O)C(O)C(O)C(O)=O MUKYLHIZBOASDM-UHFFFAOYSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 102000014303 Amyloid beta-Protein Precursor Human genes 0.000 description 1
- 108010079054 Amyloid beta-Protein Precursor Proteins 0.000 description 1
- 241000282693 Cercopithecidae Species 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 108010006519 Molecular Chaperones Proteins 0.000 description 1
- 206010029350 Neurotoxicity Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 206010044221 Toxic encephalopathy Diseases 0.000 description 1
- 241000819233 Tribulus <sea snail> Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 206010002022 amyloidosis Diseases 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000008499 blood brain barrier function Effects 0.000 description 1
- 210000001218 blood-brain barrier Anatomy 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003118 histopathologic effect Effects 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011173 large scale experimental method Methods 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 210000005171 mammalian brain Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 210000000274 microglia Anatomy 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000014511 neuron projection development Effects 0.000 description 1
- 230000002887 neurotoxic effect Effects 0.000 description 1
- 231100000228 neurotoxicity Toxicity 0.000 description 1
- 230000007135 neurotoxicity Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 210000002856 peripheral neuron Anatomy 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229940047183 tribulus Drugs 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于图像处理的β淀粉样斑块识别和测量方法，属于生物图像处理技术领域，该方法的具体步骤包括：将模式生物的大脑的切片使用β‑淀粉样蛋白单克隆抗体免疫染色；免疫染色之后，模式生物大脑切片细胞外的β淀粉样斑块在荧光显微镜下呈现为亮斑块，使用荧光显微镜拍摄免疫染色后的模式生物大脑切片的图片；对图片进行处理识别β淀粉样斑块所在的亮斑区域；通过图像处理对识别出的亮斑所指示的β淀粉样斑块进行自动的数量统计和特征的计算，获得统计数据；将统计数据与该模式生物的特征信息匹配存档供统计分析。通过识别和测量荧光显微镜拍摄的图片中的亮斑的方法来定量的反映β淀粉样斑块的沉积情况。
Description
技术领域
本发明涉及生物图像处理技术领域，具体地说是一种基于图像处理的β淀粉样斑块识别和测量方法。
背景技术
阿尔茨海默病是引起痴呆的最常见原因，被认为是我们这代危害公共健康最大的疾病。阿尔茨海默病典型的病理特征是细胞外β淀粉样斑块(β-amyloid plaques, Aβ斑)沉积。自动并高效的测量β淀粉样斑块的数量等特征可以帮助研究阿尔茨海默病的发生程度以及发病机制。
β-淀粉样蛋白（amyloid β-protein，Aβ），由β淀粉样前体蛋白(β-amyloidprecursor protein, APP)水解而来，由细胞分泌，在细胞基质沉淀聚积后具有很强的神经毒性作用。它可由多种细胞产生，循环于血液、脑脊液和脑间质液中，大多与伴侣蛋白分子结合，少数以游离状态存在。它的沉积不仅与神经元的退行性病变有关，而且可以激活一系列病理事件，包括星型胶质细胞和小胶质细胞的激活、血脑屏障的破环和微循环的变化等，是阿尔茨海默病病人脑内老年斑周边神经元变性和死亡的主要原因。Aβ的神经毒性作用在阿尔茨海默病的病程进展中发挥着主要作用。1991年，Kowall 等将 Aβ注入大鼠或猴的大脑皮质中，发现注射部位发生组织坏死，周围神经元缺失及神经角质增生，并与剂量有明显的相关性。Aβ对神经系统的毒性作用是使血管壁淀粉样变直接导致血管硬化，弹性变差，甚至容易破裂或形成血栓，还诱使神经细胞过早凋亡。动物实验显示，Aβ对神经元的作用与其状态有关。溶解状态的 Aβ在短时间内可促使神经突生长，提高神经元的存活率，而沉积状态的 Aβ对神经元呈现相反的作用，引起与阿尔茨海默病相似的病理变化，最显著地改变发生在衰老的哺乳类动物大脑。
阿尔茨海默病是老年人中最常见的一种痴呆症,其组织病理学表现主要为脑内老年斑、神经元纤维缠结以及由凋亡引起的区域性神经细胞死亡等。患者脑内老年斑主要是由具有神经毒性和血管毒性的β淀粉样蛋白。
因此，开发自动并高效的测量β淀粉样斑块的数量等特征势在必行。
目前在科学实验及研究中，对β淀粉样斑块的测量仅局限于手动的对β淀粉样斑块的数量进行计数。传统手动计数的方法有很多局限性：首先，对每个图片中数以百计的β淀粉样斑块进行人为的统计非常耗时，且不同人的主观判断也有差异；其次，手动测量只能对β淀粉样斑块的数量进行计数，对于其它的特征不能给出精确的测量，如大小、分布等特征；另外，日益增长的大规模实验，仅仅通过手动测量的话，效率太低。
发明内容
本发明的技术任务是解决现有技术的不足，提供一种基于图像处理的β淀粉样斑块识别和测量方法。
本发明的技术方案是按以下方式实现的，该基于图像处理的β淀粉样斑块识别和测量方法，该方法的具体步骤包括：
将模式生物的大脑的切片使用Aβ单克隆抗体免疫染色；
免疫染色之后，模式生物大脑切片细胞外的β淀粉样斑块在荧光显微镜下呈现为亮斑块，使用荧光显微镜拍摄免疫染色后的模式生物大脑切片的图片；
对图片进行处理识别β淀粉样斑块所在的亮斑区域；
通过图像处理对识别出的亮斑所指示的β淀粉样斑块进行自动的数量统计和特征的计算，获得统计数据；
将统计数据与该模式生物的特征信息匹配存档供统计分析。
选用实验小鼠作为模式生物的该方法的具体步骤如下：
（1）将小鼠大脑的切片使用Aβ单克隆抗体免疫染色；
（2）通过上面的免疫染色之后，β淀粉样斑块在荧光显微镜下呈现为较亮的斑块。接着我们使用荧光显微镜拍摄免疫染色后的小鼠大脑图片；为了保证拍摄出的图片的分辨率和清晰度足够高，我们对每一张小鼠大脑切片拍摄六个视野，分上下，左中右共六部分，这六个图片组成一个完整的小鼠大脑切片的图像；
（3）对图片进行处理识别β淀粉样斑块所在的亮斑区域：a.将彩色图片转换成灰度图片；b.使用最大类间方差法选取灰度阀值，将图片中的大脑区域从背景中初步分割出来；c.使用膨胀和腐蚀操作将前面初步分割出的大脑区域内的一些孔洞等进行填充，并得到更加准确的大脑区域；d.计算识别出的大脑区域内的所有像素点的平均灰度值mean和标准差std；e.通过设定一个阀值mean+3×std来筛选出灰度值大于这个阀值的像素点；f.对筛选出的像素点进行处理，将那些连在一起的像素点组成一个亮斑；
（4）对识别出的亮斑所指示的β淀粉样斑块进行自动的数量统计和特征的计算；自动测量如下特征：
β淀粉样斑块数目：识别出的亮斑的个数；
每个β淀粉样斑块的大小：用每个亮斑所覆盖的像素点个数作为其面积，用于表示其大小；
β淀粉样斑块的平均大小：所有亮斑的面积的平均值；
β淀粉样斑块的总面积：所有亮斑的面积的加和；
β淀粉样斑块在大脑区域所占的比例：β淀粉样斑块的总面积除以大脑区域的总面积；
β淀粉样斑块的分布：为每个亮斑计算其质心到整个大脑区域的质心的距离，作为其分布的位置；获得统计数据；
（5）将统计数据与该模式生物的特征信息匹配存档供统计分析。
本发明与现有技术相比所产生的有益效果是：
该基于图像处理的β淀粉样斑块识别和测量方法是研究开发的一种算法，用于分析模式生物小鼠的大脑中β淀粉样斑块的沉积情况，并自动测量β淀粉样斑块的数量、大小、以及分布特征。本技术可以应用于以小鼠为模式生物的阿尔茨海默病的科学研究中。
该基于图像处理的β淀粉样斑块识别和测量方法通过使用Aβ单克隆抗体免疫染色对小鼠的大脑切片进行染色之后，β淀粉样斑块在荧光显微镜下呈现为较亮的斑块。因此我们可以通过识别和测量荧光显微镜拍摄的图片中的亮斑的方法来定量的反映β淀粉样斑块的沉积情况。
该基于图像处理的β淀粉样斑块识别和测量方法可以帮助研究阿尔茨海默病的发生程度以及发病机制。
附图说明
附图1是小鼠大脑切片荧光显微镜拍摄免疫染色后的小鼠大脑试例图片的其中一个视野的图片；
附图2是从附图1的视野图片中识别出的脑部区域；
附图3是程序在脑部区域内识别出的亮斑；
附图4是程序自动将识别出的亮斑标记出的结果。
具体实施方式
下面结合附图对本发明的基于图像处理的β淀粉样斑块识别和测量方法作以下详细说明。
如附图所示，本发明的基于图像处理的β淀粉样斑块识别和测量方法，选用实验小鼠作为模式生物的该方法的具体步骤如下：
（1）将小鼠大脑的切片使用Aβ单克隆抗体免疫染色；
（2）通过上面的免疫染色之后，β淀粉样斑块在荧光显微镜下呈现为较亮的斑块。接着我们使用荧光显微镜拍摄免疫染色后的小鼠大脑图片；为了保证拍摄出的图片的分辨率和清晰度足够高，我们对每一张小鼠大脑切片拍摄六个视野，分上下，左中右共六部分，这六个图片组成一个完整的小鼠大脑切片的图像；
（3）对图片进行处理识别β淀粉样斑块所在的亮斑区域：a.将彩色图片转换成灰度图片；b.使用最大类间方差法选取灰度阀值，将图片中的大脑区域从背景中初步分割出来；c.使用膨胀和腐蚀操作将前面初步分割出的大脑区域内的一些孔洞等进行填充，并得到更加准确的大脑区域；d.计算识别出的大脑区域内的所有像素点的平均灰度值mean和标准差std；e.通过设定一个阀值mean+3×std来筛选出灰度值大于这个阀值的像素点；f.对筛选出的像素点进行处理，将那些连在一起的像素点组成一个亮斑；
（4）对识别出的亮斑所指示的β淀粉样斑块进行自动的数量统计和特征的计算；自动测量如下特征：
β淀粉样斑块数目：识别出的亮斑的个数；
每个β淀粉样斑块的大小：用每个亮斑所覆盖的像素点个数作为其面积，用于表示其大小；
β淀粉样斑块的平均大小：所有亮斑的面积的平均值；
β淀粉样斑块的总面积：所有亮斑的面积的加和；
β淀粉样斑块在大脑区域所占的比例：β淀粉样斑块的总面积除以大脑区域的总面积；
β淀粉样斑块的分布：为每个亮斑计算其质心到整个大脑区域的质心的距离，作为其分布的位置；获得统计数据；
根据实施例的附图所示；
步骤（4）中涉及到的数值，给予数据的样例：
原始图片的大小：1360*1024（pixels，即像素点）；
本幅图上的脑部区域所占的面积：379126（pixels）；
识别出的亮斑的个数：62个；
每个亮斑的面积的平均值：80.225806（pixels）；
所有亮斑的总面积：4974（pixels）；
大脑区域内的所有像素点的平均灰度值（mean）：25.37；
大脑区域内的所有像素点的标准差（std）：6.5；
阀值mean+3×std：44.87。
（5）将统计数据与该模式生物的特征信息匹配存档供统计分析。
该方法步骤中所涉及到的：
最大类间方差法是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。它是按图像的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
图像二值化（Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。图像的二值化处理就是将图像上的点的灰度值为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，首先要把灰度图像二值化，得到二值化图像，有利于在对图像做进一步处理，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阈值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阈值选取技术来分割该图像。
Claims (6)
1.基于图像处理的β淀粉样斑块识别和测量方法，其特征在于该方法的具体步骤包括：
将模式生物的大脑的切片使用β-淀粉样蛋白单克隆抗体免疫染色；
免疫染色之后，模式生物大脑切片细胞外的β淀粉样斑块在荧光显微镜下呈现为亮斑块，使用荧光显微镜拍摄免疫染色后的模式生物大脑切片的图片；
对图片进行处理识别β淀粉样斑块所在的亮斑区域；
通过图像处理对识别出的亮斑所指示的β淀粉样斑块进行自动的数量统计和特征的计算，获得统计数据；
将统计数据与该模式生物的特征信息匹配存档供统计分析。
2.根据权利要求1所述的基于图像处理的β淀粉样斑块识别和测量方法，其特征在于：模式生物选用实验小鼠。
3.根据权利要求1所述的基于图像处理的β淀粉样斑块识别和测量方法，其特征在于：对图片进行处理识别β淀粉样斑块所在的亮斑区域的过程是：a.将彩色图片转换成灰度图片；b.使用最大类间方差法选取灰度阀值，将图片中的大脑区域从背景中初步分割出来；c.使用膨胀和腐蚀操作将前面初步分割出的大脑区域内的一些孔洞等进行填充，并得到更加准确的大脑区域；d.计算识别出的大脑区域内的所有像素点的平均灰度值mean和标准差std；e.通过设定一个阀值mean+3×std来筛选出灰度值大于这个阀值的像素点；f.对筛选出的像素点进行处理，将那些连在一起的像素点组成一个亮斑。
4.根据权利要求1所述的基于图像处理的β淀粉样斑块识别和测量方法，其特征在于：对识别出的亮斑所指示的β淀粉样斑块进行自动的数量统计和特征的计算，自动测量如下特征：
β淀粉样斑块数目：识别出的亮斑的个数；
每个β淀粉样斑块的大小：用每个亮斑所覆盖的像素点个数作为其面积，用于表示其大小；
β淀粉样斑块的平均大小：所有亮斑的面积的平均值；
β淀粉样斑块的总面积：所有亮斑的面积的加和；
β淀粉样斑块在大脑区域所占的比例：β淀粉样斑块的总面积除以大脑区域的总面积；
β淀粉样斑块的分布：为每个亮斑计算其质心到整个大脑区域的质心的距离，作为其分布的位置。
5.一种根据权利要求1所述的基于图像处理的β淀粉样斑块识别和测量方法中的荧光斑块的识别方法，其特征在于：
针对模式生物大脑切片免疫荧光染色在荧光显微镜下具有荧光斑块所在的亮斑区域获得的彩色图片：
a.将彩色图片转换成灰度图片；
b.使用最大类间方差法选取灰度阀值，将图片中的大脑区域从背景中初步分割出来；
c.使用膨胀和腐蚀操作将前面初步分割出的大脑区域内的一些孔洞等进行填充，并得到更加准确的大脑区域；
d.计算识别出的大脑区域内的所有像素点的平均灰度值mean和标准差std；
e.通过设定一个阀值mean+3×std来筛选出灰度值大于这个阀值的像素点；
f.对筛选出的像素点进行处理，将那些连在一起的像素点组成一个亮斑。
6.基于图像处理的β淀粉样斑块识别和测量方法，其特征在于：该方法的具体步骤如下：
（1）将小鼠大脑的切片使用Aβ单克隆抗体免疫染色；
（2）通过上面的免疫染色之后，β淀粉样斑块在荧光显微镜下呈现为较亮的斑块；接着我们使用荧光显微镜拍摄免疫染色后的小鼠大脑图片；为了保证拍摄出的图片的分辨率和清晰度足够高，我们对每一张小鼠大脑切片拍摄六个视野，共六部分，这六个图片组成一个完整的小鼠大脑切片的图像；
（3）对图片进行处理识别β淀粉样斑块所在的亮斑区域：a.将彩色图片转换成灰度图片；b.使用最大类间方差法选取灰度阀值，将图片中的大脑区域从背景中初步分割出来；c.使用膨胀和腐蚀操作将前面初步分割出的大脑区域内的一些孔洞等进行填充，并得到更加准确的大脑区域；d.计算识别出的大脑区域内的所有像素点的平均灰度值mean和标准差std；e.通过设定一个阀值mean+3×std来筛选出灰度值大于这个阀值的像素点；f.对筛选出的像素点进行处理，将那些连在一起的像素点组成一个亮斑；
（4）对识别出的亮斑所指示的β淀粉样斑块进行自动的数量统计和特征的计算；自动测量如下特征：
β淀粉样斑块数目：识别出的亮斑的个数；
每个β淀粉样斑块的大小：用每个亮斑所覆盖的像素点个数作为其面积，用于表示其大小；
β淀粉样斑块的平均大小：所有亮斑的面积的平均值；
β淀粉样斑块的总面积：所有亮斑的面积的加和；
β淀粉样斑块在大脑区域所占的比例：β淀粉样斑块的总面积除以大脑区域的总面积；
β淀粉样斑块的分布：为每个亮斑计算其质心到整个大脑区域的质心的距离，作为其分布的位置；获得统计数据；
（5）将统计数据与该模式生物的特征信息匹配存档供统计分析；
该方法所涉及到的统计数据，统计分析利用统计学方法来统计分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710791859.2A CN107561264B (zh) | 2017-09-05 | 2017-09-05 | 基于图像处理的β淀粉样斑块识别和测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710791859.2A CN107561264B (zh) | 2017-09-05 | 2017-09-05 | 基于图像处理的β淀粉样斑块识别和测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107561264A true CN107561264A (zh) | 2018-01-09 |
| CN107561264B CN107561264B (zh) | 2020-03-27 |
Family
ID=60979150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710791859.2A Active CN107561264B (zh) | 2017-09-05 | 2017-09-05 | 基于图像处理的β淀粉样斑块识别和测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107561264B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108387553A (zh) * | 2018-02-09 | 2018-08-10 | 重庆东渝中能实业有限公司 | 针对白细胞与血小板共存全息图的分块重建与分类计数方法 |
| CN109508713A (zh) * | 2018-12-12 | 2019-03-22 | 平安科技（深圳）有限公司 | 图片获取方法、装置、终端和存储介质 |
| CN110427880A (zh) * | 2019-08-01 | 2019-11-08 | 齐鲁工业大学 | 一种基于图像处理的线虫脂肪酸定量方法及系统 |
| CN110780080A (zh) * | 2019-11-08 | 2020-02-11 | 安邦（厦门）生物科技有限公司 | 一种血型分析仪及血型分析方法 |
| CN111518206A (zh) * | 2019-02-01 | 2020-08-11 | 长春金赛药业有限责任公司 | 人源化抗Aβ单克隆抗体及其应用 |
| CN111518205A (zh) * | 2019-02-01 | 2020-08-11 | 长春金赛药业有限责任公司 | 人源化抗Aβ单克隆抗体及其应用 |
| CN111518207A (zh) * | 2019-02-01 | 2020-08-11 | 长春金赛药业有限责任公司 | 人源化抗Aβ单克隆抗体及其应用 |
| CN112914477A (zh) * | 2021-03-04 | 2021-06-08 | 广东工业大学 | 一种荧光分析的胶囊内窥镜系统及控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102186504A (zh) * | 2008-09-18 | 2011-09-14 | 西塞医疗中心 | 用于检测阿尔兹海默病的光学方法 |
| CN104778711A (zh) * | 2015-04-27 | 2015-07-15 | 厦门大学 | 一种卵裂阶段的细胞计数定位方法 |
| CN106190945A (zh) * | 2015-05-05 | 2016-12-07 | 深圳华大基因研究院 | 自动识别稀有细胞的方法及系统 |
| CN106530311A (zh) * | 2016-10-25 | 2017-03-22 | 帝麦克斯(苏州)医疗科技有限公司 | 切片图像处理方法及装置 |
-
2017
- 2017-09-05 CN CN201710791859.2A patent/CN107561264B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102186504A (zh) * | 2008-09-18 | 2011-09-14 | 西塞医疗中心 | 用于检测阿尔兹海默病的光学方法 |
| CN104778711A (zh) * | 2015-04-27 | 2015-07-15 | 厦门大学 | 一种卵裂阶段的细胞计数定位方法 |
| CN106190945A (zh) * | 2015-05-05 | 2016-12-07 | 深圳华大基因研究院 | 自动识别稀有细胞的方法及系统 |
| CN106530311A (zh) * | 2016-10-25 | 2017-03-22 | 帝麦克斯(苏州)医疗科技有限公司 | 切片图像处理方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| ELLIOT ENSINK ET AL: "Segment and Fit Thresholding: A New Method for Image Analysis Applied to Microarray and Immunofluorescence Data", 《ANAL. CHEM.》 * |
| GHEORGHE LORDANESCU, ET AL.: "Automatic segmentation of amyloid plaques in MR images using unsupervised SVM.", 《MAGN RESON MED》 * |
| 潘佚，等: "基于数学形态学的红细胞计数算法。", 《南华大学学报（自然科学版）》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108387553A (zh) * | 2018-02-09 | 2018-08-10 | 重庆东渝中能实业有限公司 | 针对白细胞与血小板共存全息图的分块重建与分类计数方法 |
| CN109508713A (zh) * | 2018-12-12 | 2019-03-22 | 平安科技（深圳）有限公司 | 图片获取方法、装置、终端和存储介质 |
| CN111518206A (zh) * | 2019-02-01 | 2020-08-11 | 长春金赛药业有限责任公司 | 人源化抗Aβ单克隆抗体及其应用 |
| CN111518205A (zh) * | 2019-02-01 | 2020-08-11 | 长春金赛药业有限责任公司 | 人源化抗Aβ单克隆抗体及其应用 |
| CN111518207A (zh) * | 2019-02-01 | 2020-08-11 | 长春金赛药业有限责任公司 | 人源化抗Aβ单克隆抗体及其应用 |
| CN111518206B (zh) * | 2019-02-01 | 2022-03-29 | 长春金赛药业有限责任公司 | 人源化抗Aβ单克隆抗体及其应用 |
| CN111518205B (zh) * | 2019-02-01 | 2022-03-29 | 长春金赛药业有限责任公司 | 人源化抗Aβ单克隆抗体及其应用 |
| CN111518207B (zh) * | 2019-02-01 | 2022-03-29 | 长春金赛药业有限责任公司 | 人源化抗Aβ单克隆抗体及其应用 |
| CN110427880A (zh) * | 2019-08-01 | 2019-11-08 | 齐鲁工业大学 | 一种基于图像处理的线虫脂肪酸定量方法及系统 |
| CN110427880B (zh) * | 2019-08-01 | 2023-05-02 | 齐鲁工业大学 | 一种基于图像处理的线虫脂肪酸定量方法及系统 |
| CN110780080A (zh) * | 2019-11-08 | 2020-02-11 | 安邦（厦门）生物科技有限公司 | 一种血型分析仪及血型分析方法 |
| CN112914477A (zh) * | 2021-03-04 | 2021-06-08 | 广东工业大学 | 一种荧光分析的胶囊内窥镜系统及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107561264B (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107561264A (zh) | 基于图像处理的β淀粉样斑块识别和测量方法 | |
| CN113256641B (zh) | 一种基于深度学习的皮肤病灶图像分割方法 | |
| US20140169647A1 (en) | Method and a system for processing an image comprising dendritic spines | |
| Ambrosen et al. | Validation of structural brain connectivity networks: The impact of scanning parameters | |
| Holilah et al. | Detection of Alzheimer’s disease with segmentation approach using K-Means Clustering and Watershed Method of MRI image | |
| CN109308701A (zh) | 深度级联模型的sd-oct图像ga病变分割方法 | |
| Li et al. | Deep learning based neuronal soma detection and counting for Alzheimer's disease analysis | |
| Huang et al. | An automated computational framework for retinal vascular network labeling and branching order analysis | |
| Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
| Gambino et al. | Automatic skull stripping in MRI based on morphological filters and fuzzy c-means segmentation | |
| Shi et al. | High-throughput fat quantifications of hematoxylin-eosin stained liver histopathological images based on pixel-wise clustering | |
| CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
| Ljosa et al. | Probabilistic segmentation and analysis of horizontal cells | |
| CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 | |
| CN113763343B (zh) | 基于深度学习的阿兹海默症检测方法及计算机可读介质 | |
| Gill | Detection of diseased section in leaves using image processing | |
| Piórkowski et al. | Evaluation of local thresholding algorithms for segmentation of white matter hyperintensities in magnetic resonance images of the brain | |
| Nasir et al. | Enhanced $ k $-Means Clustering Algorithm for Detection of Human Intestinal Parasites | |
| Pastor-Escuredo et al. | Spatio-temporal filtering with morphological operators for robust cell migration estimation in” in-vivo” images | |
| Jian et al. | Identification and grading of tea using computer vision | |
| Huang et al. | A computational framework for studying neuron morphology from in vitro high content neuron-based screening | |
| Zaki et al. | Tracing of retinal blood vessels through edge information | |
| Kande et al. | Retinal vessel segmentation using histogram matching | |
| Erwin et al. | Feature Extraction for Retina Image Based on Difference Approaches | |
| Acharya et al. | Surface roughness classification of mangosteen with gray level co-occurrence matrix based texture analysis |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 250353 College of information, Qilu University of technology, 3501 Daxue Road, Changqing District, Jinan City, Shandong Province Patentee after: Qilu University of Technology (Shandong Academy of Sciences) Country or region after: China Address before: 250353 College of information, Qilu University of technology, 3501 Daxue Road, Changqing District, Jinan City, Shandong Province Patentee before: Qilu University of Technology Country or region before: China |