CN109003255A - 荧光原位杂交图像的细胞核分割方法及系统 - Google Patents
荧光原位杂交图像的细胞核分割方法及系统 Download PDFInfo
- Publication number
- CN109003255A CN109003255A CN201810597308.7A CN201810597308A CN109003255A CN 109003255 A CN109003255 A CN 109003255A CN 201810597308 A CN201810597308 A CN 201810597308A CN 109003255 A CN109003255 A CN 109003255A
- Authority
- CN
- China
- Prior art keywords
- image
- nucleus
- fish
- pixel
- processing
- 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 41
- 238000007901 in situ hybridization Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 7
- 201000011510 cancer Diseases 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 40
- 238000006073 displacement reaction Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000031016 anaphase Effects 0.000 claims description 4
- 206010006187 Breast cancer Diseases 0.000 abstract description 7
- 208000026310 Breast neoplasm Diseases 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 208000005718 Stomach Neoplasms Diseases 0.000 abstract description 3
- 206010017758 gastric cancer Diseases 0.000 abstract description 3
- 201000011549 stomach cancer Diseases 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 101150054472 HER2 gene Proteins 0.000 description 3
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 3
- 108700020302 erbB-2 Genes Proteins 0.000 description 3
- 238000003364 immunohistochemistry Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229960000575 trastuzumab Drugs 0.000 description 3
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 101100314454 Caenorhabditis elegans tra-1 gene Proteins 0.000 description 1
- 230000004544 DNA amplification Effects 0.000 description 1
- 101710100968 Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 1
- 108020004511 Recombinant DNA Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 239000013068 control sample Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 231100001231 less toxic Toxicity 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000002626 targeted therapy Methods 0.000 description 1
- 230000008685 targeting 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种荧光原位杂交图像的细胞核分割方法及系统，所述方法通过预处理、二值化、孔洞填充、形态学操作、二次分水岭等处理过程，实现FISH图像中细胞核的识别、分割。所述系统包括FISH图像接收模块、图像预处理模块、细胞核检测模块和报告生成模块。本发明在对乳腺癌、胃癌及其他癌细胞的FISH图像进行分割得到细胞核区域的时候，能够通过多次预处理减少图像荧光散射效果，可有效改善直接分水岭容易产生过分割的问题，从而提升FISH图像识别细胞的分割质量。
Description
技术领域
本发明涉及医疗病理分析技术领域，运用计算机图像处理方法自动识别荧光原位杂交图像中的细胞核区域，更具体地指一种荧光原位杂交图像的细胞核分割方法及系统。
背景技术
癌症治疗领域中，例如乳腺癌、胃癌，靶向药物赫赛汀具有高效、低毒、选择性强的特点，是一种针对Her-2/neu受体的高纯度重组DNA衍生物的人源化单克隆抗体。由于靶向药物赫赛汀仅对HER2扩增的乳腺癌有效，故准确的检测HER2有无扩增是临床应用赫赛汀的绝对必要条件，也是成功进行靶向治疗的前提和关键。对于临床常规和研究，应用最广泛的技术是免疫组织化学(IHC)和荧光原位杂交(英文全称Fluorescence in situhybridization,简称FISH)。IHC的优点是应用广泛、成本相对较低、染色切片易于保存和使用常规光学显微镜，其缺点是预分析问题的影响、系统控制样本的存储、持续时间和性质。荧光原位杂交图像(FISH)的优点是相对快速和敏感、不需要细胞培养，结果比核型更容易解释，其缺点是高成本，切片评分判定所需的时间长，荧光显微镜的高采购成本。
随着计算机的快速发展，为了提高病理学家判读乳腺癌、胃癌及其他癌细胞FISH图像的效率，使用计算机分析FISH图像中的红绿比值是一大研究热门。计算机分析FISH图像主要包括三个阶段：细胞核识别、红绿点识别、比值计算。其中能否正确识别FISH图像中的细胞核是最后红绿比值结果准确的关键因素。然而，由于荧光散射，FISH图像的细胞核边缘模糊不易识别；同时FISH图像中的细胞粘连往往增加识别细胞的难度。现有研究关于FISH图像细胞核的识别往往难以兼顾以上两个问题。
发明内容
针对现有技术中FISH图像的细胞核边缘模糊不易识别、图像中的细胞粘连的技术问题，本发明提出了一种荧光原位杂交图像的细胞核分割方法及系统。
为实现上述目的，本发明提出的一种荧光原位杂交图像的细胞核分割方法，其特殊之处在于，所述方法包括如下步骤：
1)将FISH图像中红、绿、蓝三通道图像的每一个像素点的像素值自减adt_value，实现图像的整体位移；采集三通道图像中的红色通道和绿色通道中大于otsu阈值像素点的位置，将蓝色通道中相应位置的像素点的像素值做加权处理，弥补细胞核通道中由于红绿点造成的孔洞；将蓝色通道图像中所有像素点的像素值自减h与原蓝色通道图像做灰度重建，得到重建图像img_restruct；
2)对重建图像img_restruct进行二值化处理得到二值图像bw；
3)二值图像bw中呈现出两种孔洞，即核内孔洞和核间孔洞，根据孔洞的几何特性做填充处理，得到孔洞图像img_hole；
4)对孔洞图像img_hole进行形态学操作以平滑图像，得到形态学图像img_morph；
5)对形态学图像img_morph做距离变换处理，将图像上的所有像素点的像素值自减adt_value2与自身做灰度重建再与自身做差得到前景标记临时图像fgm_tmp，去除标记面积过小的区域得到前景标记图像fgm；然后，对前景标记图像fgm做第一次分水岭得到背景标记图像bgm；对去除不属于fgm和bgm的极小值区域的梯度图像做第二次分水岭，得到细胞核分割图像及细胞核的面积、圆形度。
优选地，所述步骤1)中将蓝色通道中相应位置的像素点的像素值做加权处理的具体方法为将采集的红色通道和绿色通道中大于otsu阈值像素点的位置在蓝色通道图像中找到对应的像素点，将对应像素点的像素值加权10％～30％。
优选地，在所述步骤1)中所述FISH图像为经过预处理的FISH图像，对FISH图像进行预处理的过程包括对比度处理、曝光度处理、位移处理及灰度校正处理。
优选地，所述对比度处理采用的对比度公式为：
所述曝光度处理采用的曝光度公式为：
newValue＝oldValue*(2exposureCompensation)
其中，oldValue为每个像素点原始值，newValue为预处理后像素值，contrast为对比度参数，默认设置为1，设置为大于0将FISH图像中对比度增强，设置为小于0将FISH图像中对比度减弱；exposureCompensation为曝光度参数，默认设置为0，取值范围[-5,5]，设置为大于0将FISH图像中高光部分增强，设置为小于0将FISH图像中高光部分减弱。
优选地，所述位移处理采用的位移公式为：
newValue＝(flaglow·*oldValue+offset)+(～flaglow)·*oldValue+offset/2)
其中，oldValue为每个像素点原始值，newValue为预处理后像素值，位移参数offset默认设置为0，取值范围[-100,100]，设置为大于0将FISH图像中阴影部分变弱，设置为小于0将FISH图像中阴影部分变强，flaglow表示的是低于图像像素的部分，为异常服务。
优选地，所述灰度校正处理采用的灰度校正公式为
其中，其中，oldValue为每个像素点原始值，newValue为预处理后像素值，灰度校正gamma参数默认设置为1，取值范围为大于0，设置为大于1时将FISH图像中间调变弱，设置为小于1大于0将FISH图像中间调变强。
优选地，所述步骤1)中adt_value的取值范围为[20 50]像素，h取值为1.5像素。
优选地，所述步骤5)中adt_value2取值为2.5，所述面积过小的区域指的是面积小于8像素的区域。
本发明还提出一种基于上述荧光原位杂交图像的细胞核分割方法的分析系统，其特殊之处在于，所述系统包括FISH图像接收模块、图像预处理模块、细胞核检测模块和报告生成模块；
所述FISH图像接收模块：用于接收待处理的癌细胞FISH图像；
所述图像预处理模块：用于对FISH图像进行预处理，减少后期结果由于荧光散射造成的误差；
所述细胞核检测模块：用于对经过预处理的FISH图像，通过计算机执行细胞核分割方法，识别图像中的细胞核范围；
所述报告生成模块：用于根据细胞核检测模块发送的结果，输出细胞核分割图像及细胞核的面积、圆形度。
进一步地，所述图像预处理模块包括对比度处理模块、曝光度处理模块、位移处理模块及灰度校正模块；所述细胞核检测模块包括R通道分离模块、B通道分离模块、G通道分离模块和细胞核检测模块。
本发明提出的荧光原位杂交图像的细胞核分割方法及系统在对FISH图像进行分割得到细胞核区域的时候，能够通过多次预处理减少图像荧光散射效果，可有效改善直接分水岭容易产生过分割的问题，从而提升FISH图像识别细胞的分割质量，利用该方法及系统进行癌细胞HER2基因扩增分析时，能显著提高准确率。
附图说明
图1为本发明荧光原位杂交图像的细胞核分割方法的流程图；
图2为本发明实施例进行细胞分割的给定FISH图像；
图3为本发明实施例的给定FISH图像经过预处理后的示意图；
图4为本发明实施例的给定FISH图像二值化后的示意图；
图5为本发明实施例的给定FISH图像二值化后经孔洞填充的示意图；
图6为本发明实施例的给定FISH图像孔洞填充后经平滑的示意图；
图7为本发明实施例的给定FISH图像识别出的细胞和示意图；
图8为本发明荧光原位杂交图像的细胞核分割方法的分析系统的结构框图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。
本发明提出一种荧光原位杂交图像的细胞核分割方法的流程如图1所示，是对于给定的乳腺癌FISH图像(如图2所示)找到细胞核区域的过程，具体步骤包括：
1)将经过预处理的FISH图像(如图3所示)中红、绿、蓝三通道图像的每一个像素点的像素值自减adt_value，确保自减后图像任意位置仍大于等于0，实现图像的整体位移；adt_value的取值范围为[2050]像素。采集三通道图像中的红色通道和绿色通道中大于otsu阈值像素点的位置，将采集的这些像素点的位置在蓝色通道图像中找到对应的像素点，将对应像素点的像素值加权10％或者20％或者30％，弥补细胞核通道中由于红绿点造成的孔洞；将蓝色通道图像中所有像素点的像素值自减h与原蓝色通道图像做灰度重建，h取值为1.5像素。得到重建图像img_restruct。
2)使用最大类间方差法(otsu)对重建图像img_restruct进行二值化处理得到二值图像bw。二值图像bw如图4所示。
3)二值图像bw中呈现出两种孔洞，即核内孔洞和核间孔洞，根据孔洞的几何特性做填充处理，得到孔洞图像img_hole。孔洞图像img_hole如图5所示。
4)对孔洞图像img_hole进行形态学操作以平滑图像，得到形态学图像img_morph。形态学操作平滑图像img_hole，使用圆形结构元素对img_hole做一次开闭操作，得到形态学图像图像img_morph。形态学图像图像img_morph如图6所示。
5)对形态学图像img_morph做距离变换处理，将图像上的所有像素点的像素值自减adt_value2与自身做灰度重建再与自身做差得到前景标记临时图像fgm_tmp，adt_value2取值为2.5，去除标记面积过小的区域(即面积小于8像素的区域)得到前景标记图像fgm；然后，对前景标记图像fgm做第一次分水岭得到背景标记图像bgm；对去除不属于fgm和bgm的极小值区域的梯度图像做第二次分水岭，得到细胞核分割图像及细胞核的面积、圆形度。细胞核分割图像如图7所示。
其中，步骤1)中输入的图像为经过预处理的荧光原位杂交图像(FISH)图像，对FISH图像进行预处理的过程包括对比度处理、曝光度处理、位移处理及灰度校正。
其中，对比度公式为：
曝光度公式为：
newValue＝oldValue*(2exposureCompensation)
位移公式为：
newValue＝(flaglow·*oldValue+offset)+(～flaglow)·*oldValue+offset/2)
灰度校正公式为
其中，FISH图像为RGB三通道图像，取值范围[0 255]，每个像素点P的原始值为oldValue，经由预处理后像素值为newValue，对比度公式中contrast参数默认为1，此时不对图像做任何处理，大于1时可增强图像亮度，取值范围大于等于1；曝光度公式中exposureCompensation参数默认为0，此时不对图像做任何处理，大于0会使得图像中高光部分变强，小于0会使得图像中高光部分变弱，取值范围[-5,5]；位移公式中offset参数默认为0，此时不对图像做任何处理，大于0会使得图像中阴影部分变弱，小于0会使得图像中阴影部分变强，取值范围[-100,100]；灰度校正公式中gamma参数默认为1，此时不对图像做任何处理，大于1时会使得图像中中间调变弱，小于1大于0会使得图像中中间调变强，取值范围大于0。位移公式中flaglow表示的是低于图像像素的部分，为异常服务。经过预处理的FISH图像如图3所示。
本发明还提出一种实现上述荧光原位杂交图像的细胞核分割方法的分析系统，如图8所示，包括FISH图像接收模块、图像预处理模块、细胞核检测模块和报告生成模块。
FISH图像接收模块：用于接收待处理的癌细胞FISH图像。
图像预处理模块：用于对FISH图像进行预处理，减少后期结果由于荧光散射造成的误差；图像预处理模块包括对比度处理模块、曝光度处理模块、位移处理模块及灰度校正模块。为了减少后期结果由于荧光散射造成的误差，对FISH图像从对比度、曝光度、位移及灰度校正系数四方面进行预处理。
细胞核检测模块：用于对经过预处理的FISH图像，通过计算机执行细胞核分割方法，识别图像中的细胞核范围；细胞核检测模块包括R通道分离模块(用于从FISH图像中分离出红色通道图像)、B通道分离模块(用于从FISH图像中分离出蓝色通道图像)、G通道分离模块(用于从FISH图像中分离出绿色通道图像)、细胞核检测模块(用于根据三个通道的图像检测分析出细胞核分割图像及细胞核的面积、圆形度)；
所述报告生成模块：用于根据细胞核检测模块发送的结果，输出细胞核分割图像及细胞核的面积、圆形度。
上述荧光原位杂交图像的细胞核分割方法的分析系统是本发明提出的一个实施例，并不是实现本发明目的的唯一方法。
本发明实施案例测试所用乳腺HER2FISH图像来自某三甲医院病理科，共采集病历57例，其中HER2基因扩增26例，HER2基因未扩增31例。
判断细胞分割的准确率，采用本发明和论文[1]中的细胞核检测算法分割细胞核，将计算机分割结果与病理学家标记的图像细胞核相对比，利用Dice系数计算细胞核分割效果，结果如表1所示，本发明的检测结果明细优于论文[1]。
表1.细胞核分割检测结果
| 本发明 | 论文1 | |
| DICE均值 | 62.002％ | 39.42％ |
| DICE方差 | 0.229％ | 0.233％ |
论文[1]Z.Theodosiou,F.Raimondo,M.E.Garefalaki,G.Karayannopoulou,K.Lyroudia,I.Pitas,I.Kostopoulos,”FISH IMAGE ANALYSIS SYSTEM FOR BREASTCANCER STUDIES”,Chinese Journal of Atmospheric Sciences,2012,36(5):1027-1040
本发明在对乳腺癌FISH图像进行分割得到细胞核区域的时候，能够通过多次预处理减少图像荧光散射效果，可有效改善直接分水岭容易产生过分割的问题，从而提升FISH图像识别细胞的分割质量。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种荧光原位杂交图像的细胞核分割方法，其特征在于：所述方法包括如下步骤：
1)将FISH图像中红、绿、蓝三通道图像的每一个像素点的像素值自减adt_value，实现图像的整体位移；采集三通道图像中的红色通道和绿色通道中大于otsu阈值像素点的位置，将蓝色通道中相应位置的像素点的像素值做加权处理，弥补细胞核通道中由于红绿点造成的孔洞；将蓝色通道图像中所有像素点的像素值自减h与原蓝色通道图像做灰度重建，得到重建图像img_restruct；
2)对重建图像img_restruct进行二值化处理得到二值图像bw；
3)二值图像bw中呈现出两种孔洞，即核内孔洞和核间孔洞，根据孔洞的几何特性做填充处理，得到孔洞图像img_hole；
4)对孔洞图像img_hole进行形态学操作以平滑图像，得到形态学图像img_morph；
5)对形态学图像img_morph做距离变换处理，将图像上的所有像素点的像素值自减adt_value2与自身做灰度重建再与自身做差得到前景标记临时图像fgm_tmp，去除标记面积过小的区域得到前景标记图像fgm；然后，对前景标记图像fgm做第一次分水岭得到背景标记图像bgm；对去除不属于fgm和bgm的极小值区域的梯度图像做第二次分水岭，得到细胞核分割图像及细胞核的面积、圆形度。
2.根据权利要求1所述的荧光原位杂交图像的细胞核分割方法，其特征在于：所述步骤1)中将蓝色通道中相应位置的像素点的像素值做加权处理的具体方法为将采集的红色通道和绿色通道中大于otsu阈值像素点的位置在蓝色通道图像中找到对应的像素点，将对应像素点的像素值加权10％～30％。
3.根据权利要求1所述的荧光原位杂交图像的细胞核分割方法，其特征在于：在所述步骤1)中所述FISH图像为经过预处理的FISH图像，对FISH图像进行预处理的过程包括对比度处理、曝光度处理、位移处理及灰度校正处理。
4.根据权利要求1所述的荧光原位杂交图像的细胞核分割方法，其特征在于：所述步骤1)中adt_value的取值范围为[2050]像素，h取值为1.5像素。
5.根据权利要求1所述的荧光原位杂交图像的细胞核分割方法，其特征在于：所述步骤5)中adt_value2取值为2.5，所述面积过小的区域指的是面积小于8像素的区域。
6.根据权利要求3所述的荧光原位杂交图像的细胞核分割方法，其特征在于：所述对比度处理采用的对比度公式为：
所述曝光度处理采用的曝光度公式为：
newValue＝oldValue*(2exposureCompensation)
其中，oldValue为每个像素点原始值，newValue为预处理后像素值，contrast为对比度参数，默认设置为1，设置为大于0将FISH图像中对比度增强，设置为小于0将FISH图像中对比度减弱；exposureCompensation为曝光度参数，默认设置为0，取值范围[-5，5]，设置为大于0将FISH图像中高光部分增强，设置为小于0将FISH图像中高光部分减弱。
7.根据权利要求3所述的荧光原位杂交图像的细胞核分割方法，其特征在于：所述位移处理采用的位移公式为：
newValue＝(flaglow*oldValue+offset)+(～flaglow)*oldValue+offset/2)
其中，oldValue为每个像素点原始值，newValue为预处理后像素值，位移参数offset默认设置为0，取值范围[-100，100]，设置为大于0将FISH图像中阴影部分变弱，设置为小于0将FISH图像中阴影部分变强，flaglow表示的是低于图像像素的部分，为异常服务。
8.根据权利要求3所述的荧光原位杂交图像的细胞核分割方法，其特征在于：所述灰度校正处理采用的灰度校正公式为
其中，其中，oldValue为每个像素点原始值，newValue为预处理后像素值，灰度校正gamma参数默认设置为1，取值范围为大于0，设置为大于1时将FISH图像中间调变弱，设置为小于1大于0将FISH图像中间调变强。
9.一种根据权利要求1所述的荧光原位杂交图像的细胞核分割方法的分析系统，其特征在于：所述系统包括FISH图像接收模块、图像预处理模块、细胞核检测模块和报告生成模块；
所述FISH图像接收模块：用于接收待处理的癌细胞FISH图像；
所述图像预处理模块：用于对FISH图像进行预处理，减少后期结果由于荧光散射造成的误差；
所述细胞核检测模块：用于对经过预处理的FISH图像，通过计算机执行细胞核分割方法，识别图像中的细胞核范围；
所述报告生成模块：用于根据细胞核检测模块发送的结果，输出细胞核分割图像及细胞核的面积、圆形度。
10.根据权利要求9所述的荧光原位杂交图像的细胞核分割方法的分析系统，其特征在于：所述图像预处理模块包括对比度处理模块、曝光度处理模块、位移处理模块及灰度校正模块；所述细胞核检测模块包括R通道分离模块、B通道分离模块、G通道分离模块和细胞核检测模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810597308.7A CN109003255B (zh) | 2018-06-11 | 2018-06-11 | 荧光原位杂交图像的细胞核分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810597308.7A CN109003255B (zh) | 2018-06-11 | 2018-06-11 | 荧光原位杂交图像的细胞核分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109003255A true CN109003255A (zh) | 2018-12-14 |
| CN109003255B CN109003255B (zh) | 2020-11-10 |
Family
ID=64600002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810597308.7A Active CN109003255B (zh) | 2018-06-11 | 2018-06-11 | 荧光原位杂交图像的细胞核分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109003255B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636801A (zh) * | 2019-01-29 | 2019-04-16 | 上海杏脉信息科技有限公司 | 自动获取her2荧光原位杂交结果的方法、设备及介质 |
| CN114049330A (zh) * | 2021-11-16 | 2022-02-15 | 长春理工大学 | 一种荧光原位杂交图像中荧光特征融合方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104813366A (zh) * | 2012-12-04 | 2015-07-29 | 通用电气公司 | 使用免疫染色掩膜选择性细化ish分析结果的系统和方法 |
| CN106296635A (zh) * | 2015-05-29 | 2017-01-04 | 厦门鹭佳生物科技有限公司 | 一种荧光原位杂交(fish)图像并行处理与分析方法 |
| CN107748256A (zh) * | 2017-10-11 | 2018-03-02 | 上海医盈网络科技有限公司 | 一种循环肿瘤细胞的液体活检检测方法 |
| US20180088048A1 (en) * | 2016-04-29 | 2018-03-29 | Northwestern University | Devices, methods, and systems relating to super resolution imaging |
-
2018
- 2018-06-11 CN CN201810597308.7A patent/CN109003255B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104813366A (zh) * | 2012-12-04 | 2015-07-29 | 通用电气公司 | 使用免疫染色掩膜选择性细化ish分析结果的系统和方法 |
| CN106296635A (zh) * | 2015-05-29 | 2017-01-04 | 厦门鹭佳生物科技有限公司 | 一种荧光原位杂交(fish)图像并行处理与分析方法 |
| US20180088048A1 (en) * | 2016-04-29 | 2018-03-29 | Northwestern University | Devices, methods, and systems relating to super resolution imaging |
| CN107748256A (zh) * | 2017-10-11 | 2018-03-02 | 上海医盈网络科技有限公司 | 一种循环肿瘤细胞的液体活检检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| FRANCESCO RAIMONDO ET AL: "Automated Evaluation of Her-2/neu Status in Breast Tissue From Fluorescent In Situ Hybridization Images", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| Z.THEODOSIOU ET AL: "FISH IMAGE ANALYSIS SYSTEM FOR BREAST CANCER STUDIES", 《CHINESE JOURNAL OF ATMOSPHERIC SCIENCES》 * |
| 李月娇: "FISH图像基因扩增状态判别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636801A (zh) * | 2019-01-29 | 2019-04-16 | 上海杏脉信息科技有限公司 | 自动获取her2荧光原位杂交结果的方法、设备及介质 |
| CN114049330A (zh) * | 2021-11-16 | 2022-02-15 | 长春理工大学 | 一种荧光原位杂交图像中荧光特征融合方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109003255B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11756318B2 (en) | Convolutional neural networks for locating objects of interest in images of biological samples | |
| EP3486836B1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
| CN110400318B (zh) | 一种免疫组化病理图像cd4阳性细胞核分割方法及系统 | |
| CN108648182B (zh) | 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法 | |
| CN109147932A (zh) | 癌细胞her2基因扩增分析方法及系统 | |
| EP3644228B1 (en) | Method and apparatus for segmenting cellular image | |
| CN112990015B (zh) | 一种病变细胞自动识别方法、装置和电子设备 | |
| US20200193139A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
| Konsti et al. | Effect of image compression and scaling on automated scoring of immunohistochemical stainings and segmentation of tumor epithelium | |
| CN114841947A (zh) | 肺腺癌h&e染色病理图像肿瘤区域多尺度特征提取与预后分析方法、装置 | |
| WO2021139447A1 (zh) | 一种宫颈异常细胞检测装置及方法 | |
| CN116091421A (zh) | 一种体外受精胚胎卵裂球图像自动分割及面积计算的方法 | |
| CN109003255A (zh) | 荧光原位杂交图像的细胞核分割方法及系统 | |
| CN113393443A (zh) | 一种he病理图像细胞核分割方法及系统 | |
| CN117252893B (zh) | 一种乳腺癌病理图像的分割处理方法 | |
| CN116228706A (zh) | 基于深度学习的细胞自噬免疫荧光图像分析系统和方法 | |
| CN113012167B (zh) | 一种细胞核与细胞质的联合分割方法 | |
| CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
| CN117314793B (zh) | 基于bim模型的建筑施工数据采集方法 | |
| CN113469939B (zh) | 一种基于特性曲线的her-2免疫组化自动判读系统 | |
| CN115994918A (zh) | 一种细胞分割方法及系统 | |
| CN116229457A (zh) | 基于卷积神经网络的多模态显微图像细胞分割方法 | |
| Massoudi et al. | Employing temporal information for cell segmentation using max-flow/min-cut in phase-contrast video microscopy | |
| Gavrielides et al. | Automated evaluation of HER-2/neu immunohistochemical expression in breast cancer using digital microscopy |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231020 Address after: Room 901, Unit 2, Building 22, Tongxin Garden, No. 40 Jinqiao Avenue, Jiang'an District, Wuhan City, Hubei Province, 430000 Patentee after: Ke Kai Address before: 430000 room 4, 14 / F, building 8, oceanwide international SOHO city (phase I), Wuhan CBD, Jianghan District, Wuhan City, Hubei Province Patentee before: WUHAN HAIXINGTONG TECHNOLOGY CO.,LTD. |