[go: up one dir, main page]

CN108805865A - 一种基于饱和度聚类的骨髓白细胞定位方法 - Google Patents

一种基于饱和度聚类的骨髓白细胞定位方法 Download PDF

Info

Publication number
CN108805865A
CN108805865A CN201810495118.4A CN201810495118A CN108805865A CN 108805865 A CN108805865 A CN 108805865A CN 201810495118 A CN201810495118 A CN 201810495118A CN 108805865 A CN108805865 A CN 108805865A
Authority
CN
China
Prior art keywords
leucocyte
myeloplast
saturation degree
result
picture
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
CN201810495118.4A
Other languages
English (en)
Other versions
CN108805865B (zh
Inventor
方凤奇
李强
陆炬
李舜
刘永涛
胡佳佳
黄震
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.)
Hangzhou Zhi Wei Mdt Infotech Ltd
Original Assignee
Hangzhou Zhi Wei Mdt Infotech 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 Hangzhou Zhi Wei Mdt Infotech Ltd filed Critical Hangzhou Zhi Wei Mdt Infotech Ltd
Priority to CN201810495118.4A priority Critical patent/CN108805865B/zh
Publication of CN108805865A publication Critical patent/CN108805865A/zh
Priority to EP19807105.2A priority patent/EP3798972A4/en
Priority to US16/979,490 priority patent/US11403481B2/en
Priority to KR1020207030282A priority patent/KR20200135839A/ko
Priority to AU2019273339A priority patent/AU2019273339B2/en
Priority to TW108117724A priority patent/TWI711008B/zh
Priority to PCT/CN2019/087875 priority patent/WO2019223706A1/zh
Priority to JP2020547398A priority patent/JP6994275B2/ja
Priority to RU2020133630A priority patent/RU2755553C1/ru
Application granted granted Critical
Publication of CN108805865B publication Critical patent/CN108805865B/zh
Priority to IL277040A priority patent/IL277040A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image 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
    • G06T2207/10024—Color 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Processing (AREA)
  • Micro-Organisms Or Cultivation Processes Thereof (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种基于饱和度聚类的骨髓白细胞定位方法，首先对骨髓白细胞图片进行预处理，去除一部分噪点同时平滑图片；运用K均值算法对骨髓白细胞图片的饱和度通道聚类，根据决策树算法选择出白细胞所在的类别；然后通过形态学处理算法去除白细胞的二值图片的无关区域，同时填充白细胞的点洞；最终对白细胞定位。本发明算法简单、有效。对比现有基于阈值算法，本算法适应范围更广，同时结合决策树算法，使得最终效果更加准确。

Description

一种基于饱和度聚类的骨髓白细胞定位方法
技术领域
本发明属于医学图像处理领域，尤其涉及一种基于饱和度聚类的骨髓白细胞定位方法。
背景技术
骨髓中的白细胞种类多样，经染色后不同种类白细胞的颜色差异也较大。相对于外周血，骨髓中的白细胞密度更大，部分患者的血涂片出现细胞黏连现象。因此骨髓白细胞的定位一直都是一个富有挑战性的课题。近年来，专家以及广大技术人员提出了许多有效的解决方案。但是大多数方案只能解决特定的问题，没有提出一个普遍的方案能适用于多数场景。
目前骨髓白细胞的定位主要是基于阈值算法，将白细胞从背景和红细胞中分离出来。例如Wu等人的文章“A novel color image segmentation method and itsapplication to white blood cell image analysis”(Signal Processing,2006 8thInternational Conference on)运用Ostu阈值算法分割定位白细胞；Ko等人的文章“Automatic white blood cell segmentation using stepwise merging rules andgradient vector flow snake”(Micron,2011,42(7):695-705)首先运用阈值算法大致估计细胞的位置，然后利用均值漂移做进一步优化。同时也有学者提出了其他有效方案，例如Dorini L B等人的文章“White blood cell segmentation using morphologicaloperators and scale-space analysis”(Computer Graphics and Image Processing，2007:294-304.)应用形态学处理的方法分割定位白细胞；此外还有像聚类的方法。但是这些方法均具有一定局限性，例如阈值算法中的Ostu阈值算法，其中一个假设就是背景和前景的区域面积大致相同，实际骨髓数字图片中白细胞比例可能很大，或者没有白细胞，而且白细胞的颜色分布在一个很大区间，甚至和染色较深的红细胞有重叠。因此，虽然阈值可以适用于大多数数字图片，但是一些特殊情况下该方案不能很好的定位白细胞。当白细胞的颜色分布比较分散时，聚类算法也出现同样问题。
发明内容
本发明的目的在于提供一种基于饱和度聚类的骨髓白细胞定位方法，通过该方法提供一种白细胞定位算法，针对骨髓中的白细胞密度更大，部分患者的血涂片出现细胞黏连现象的问题，能够更加精确的选择出白细胞的区域。
本发明是这样实现的，一种基于饱和度聚类的骨髓白细胞定位方法，包括如下步骤：
(1)对骨髓白细胞图片进行中值滤波去除部分噪点；
(2)对骨髓白细胞图片进行颜色变换，将图片从RGB(红绿蓝)通道转换到HSV(颜色，饱和度，亮度)通道；
(3)对S(饱和度)通道应用K均值算法，将其分为3个部分，选择第一部分P1或者第一二部分P1+P2部分得到白细胞的区域，下面是选择的步骤；
(4)计算(3)中第一二部分H通道的平均值(H1,H2)，根据(3)中第一二部分的均值点(S1,S2)，计算(3)中第一二部分区域的面积比值(ratio)；
(5)统计多张图片中白细胞所在的部分，记录在P1或者P2部分时H1-H2，S1-S2和ratio的值；
(6)根据(5)中的记录结果，应用决策树算法，找出规律制定选择的条件；
(7)对(6)的结果进行形态学处理去除无关区域，同时填充点洞；
(8)对(7)中分离的白细胞进行定位。
作为优选，所述步骤步骤(3)中对S(饱和度)通道应用K均值算法，将其分为3个部分，其中第一部分P1为可能为白细胞区域，第二部分P2可能为红细胞区域或者既有红细胞也有白细胞，第三部分P3一般是背景区域，因此只需要选择P1或者(P1+P2)部分就可以得到白细胞的区域。
进一步地，所述步骤(4)中，计算(3)中第一二部分H通道的平均值(H1,H2)，根据(3)中第一二部分的均值点(S1,S2)，计算(3)中第一二部分区域的面积比值(ratio)，下面给出H1和H2的计算公式：
H1＝∑(P1.*H)/∑(P1)
H2＝∑(P2.*H)/∑(P2)
其中P1是二值图，属于第一部分的像素值为1，其它为0。∑(p1)为P1像素值的和，P1.*H表示相同位置像素相乘的结果；
P2是二值图，属于第一部分的像素值为1，其它为0。∑(p2)为P2像素值的和，P2.*H表示相同位置像素相乘的结果。
进一步地，所述步骤(6)中，根据(5)中的记录结果，应用决策树算法，找出规律制定选择的条件，其中决策树算法的损失函数加上叶子节点个数，用于剪枝防止过拟合；
进一步地，所述步骤(7)中，对(6)的结果运用形态学处理去除无关区域，填充白细胞区域的点洞，具体过程如下：首先，选择合适的结构元b对(6)中得到的二值图做腐蚀操作，去除无关区域；然后再做膨胀操作；
其中f为(6)中得到的二值图，是膨胀操作，是腐蚀操作；
最后通过形态学重构填充f中的点洞。
g＝f
其中是一次重构的结果，∩是并。
相比于现有技术的缺点和不足，本发明具有以下有益效果：
1、本发明算法简单、有效、适用范围广。对比现有基于阈值的算法，本发明算法有更强的自适应性。
2、针对不同种类白细胞颜色分布范围广的问题，以及因染色导致红细胞颜色较深的情况。采用本发明专利的K均值算法和决策树算法结合，能够更加精确的选择出白细胞的区域。
这部分优点能否针对背景技术中采用的白细胞定位方法做更为具体的详述。
附图说明
图1是骨髓白细胞图片；
图2是经中值滤波的骨髓白细胞图片；
图3是对S通道应用K均值算法得到的三部分结果图；
图4是应用决策树算法选择后的结果图；
图5是去除无关区域并填充点洞的结果图；
图6是分离后的白细胞定位结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于饱和度聚类的骨髓白细胞定位方法，包括如下步骤：
(1)对图1的骨髓白细胞图片进行中值滤波，结果如图2所示：其中滤波模板大小为(5*5)。
(2)对骨髓白细胞图片进行颜色变换，将(1)中的经中值滤波的图片从RGB(红绿蓝)通道转换到HSV(颜色，饱和度，亮度)通道，其具体公式如下：
V＝max(R，G，B)
其中RGB值的范围为[0,1]；
对S(饱和度)通道应用K均值算法，将其分为3个部分：如图3所示，其中第一部分(P1)为可能为白细胞区域，第二部分(P2)可能为红细胞区域或者既有红细胞也有白细胞，第三部分(P3)一般是背景区域。因此我们只需要选择P1或者(P1+P2)部分就可以得到白细胞的区域，下面是选择的步骤；
(3)计算(3)中第一二部分H通道的平均值(H1,H2)，根据(3)中第一二部分的均值点(S1,S2)，计算(3)中第一二部分区域的面积比值(ratio),下面给出H1的计算公式：
H1＝∑(P1.*H)/∑(P1)
H2＝∑(P2.*H)/∑(P2)
其中P1是二值图，属于第一部分的像素值为1，其它为0。∑(p1)为P1像素值的和，P1.*H表示相同位置像素相乘的结果；
P2是二值图，属于第一部分的像素值为1，其它为0。∑(p2)为P2像素值的和，P2.*H表示相同位置像素相乘的结果；
(4)统计多张图片中白细胞所在的部分，记录在P1或者P2部分时H1-H2，S1-S2和ratio的值；我们在实施过程中一共统计230张图片，其中120张图片中的白细胞在第一部分(P1)，110张图片中的白细胞在第一二部分(P1+P2)，同时我们还收集了部分无白细胞的图片；
(5)根据(5)中的记录结果，应用决策树算法，找出规律制定选择的条件，其中决策树算法的损失函数加上叶子节点个数，用于剪枝防止过拟合，选择后结果如图4所示；
(6)对(6)的结果运用形态学处理去除无关区域，填充白细胞区域的点洞，结果如图5所示。具体过程如下：
首先，选择合适的结构元b对(6)中得到的二值图做腐蚀操作，去除无关区域，然后再做膨胀操作。
其中f为(6)中得到的二值图，是膨胀操作，是腐蚀操作。
最后通过形态学重构填充f中的点洞。
g＝f
其中是一次重构的结果，∩是并。
(7)对(7)中分离的白细胞进行定位，结果如图6所示。
上述基于饱和度聚类的骨髓白细胞定位方法具有的优点为：算法简单、有效、适用范围广；对比现有基于阈值的算法，本发明算法有更强的自适应性。其次应用将K均值算法和决策树算法结合，能够更加精确的选择出白细胞的区域。
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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于饱和度聚类的骨髓白细胞定位方法，其特征在于，包括如下步骤：
(1)对骨髓白细胞图片进行中值滤波去除部分噪点；
(2)对骨髓白细胞图片进行颜色变换，将图片从RGB(红绿蓝)通道转换到HSV(颜色，饱和度，亮度)通道；
(3)对S饱和度通道应用K均值算法，将其分为3个部分，选择第一部分P1或者第一二部分P1+P2部分得到白细胞的区域，下面是选择的步骤；
(4)计算(3)中第一二部分H通道的平均值(H1，H2)，根据(3)中第一二部分的均值点(S1，S2)，计算(3)中第一二部分区域的面积比值(ratio)；
(5)统计多张图片中白细胞所在的部分，记录在P1或者P2部分时H1-H2，S1-S2和ratio的值；
(6)根据(5)中的记录结果，应用决策树算法，找出规律制定选择的条件；
(7)对(6)的结果进行形态学处理去除无关区域，同时填充点洞；
(8)对(7)中分离的白细胞进行定位。
2.根据权利要求1所述的基于饱和度聚类的骨髓白细胞定位方法，其特征在于，所述步骤步骤(3)中对S(饱和度)通道应用K均值算法，将其分为3个部分，其中第一部分P1为可能为白细胞区域，第二部分P2可能为红细胞区域或者既有红细胞也有白细胞，第三部分P3一般是背景区域，因此只需要选择P1或者(P1+P2)部分就可以得到白细胞的区域。
3.如权利要求1所述的基于饱和度聚类的骨髓白细胞定位方法，其特征在于，所述步骤(4)中计算(3)中第一二部分H通道的平均值(H1，H2)，计算(3)中第一二部分的均值点(S1，S2)，计算(3)中第一二部分区域的面积比值(ratio)，下面给出H1的计算公式：
H1＝∑(P1.*H)/∑(P1)
H2＝∑(P2.*H)/∑(P2)
其中P1是二值图，属于第一部分的像素值为1，其它为0。∑(p1)为P1像素值的和，P1.*H表示相同位置像素相乘的结果；
P2是二值图，属于第一部分的像素值为1，其它为0。∑(p2)为P2像素值的和，P2.*H表示相同位置像素相乘的结果。
4.根据权利要求1所述的基于饱和度聚类的骨髓白细胞定位方法，其特征在于，所述步骤(6)中，根据(5)中的记录结果，应用决策树算法，找出规律制定选择的条件，其中决策树算法的损失函数加上叶子节点个数，用于剪枝防止过拟合。
5.根据权利要求1所述的基于饱和度聚类的骨髓白细胞定位方法，其特征在于，所述步骤(7)中，对(6)的结果运用形态学处理去除无关区域，填充白细胞区域的点洞，具体过程如下：首先，选择合适的结构元b对(6)中得到的二值图做腐蚀操作，去除无关区域，然后再做膨胀操作，
其中f为(6)中得到的二值图，是膨胀操作，是腐蚀操作；
最后通过形态学重构填充f中的点洞；
g＝.f
其中是一次重构的结果，∩是并。
CN201810495118.4A 2018-05-22 2018-05-22 一种基于饱和度聚类的骨髓白细胞定位方法 Active CN108805865B (zh)

Priority Applications (10)

Application Number Priority Date Filing Date Title
CN201810495118.4A CN108805865B (zh) 2018-05-22 2018-05-22 一种基于饱和度聚类的骨髓白细胞定位方法
US16/979,490 US11403481B2 (en) 2018-05-22 2019-05-22 Method for localization of bone marrow white blood cells based on saturation clustering
EP19807105.2A EP3798972A4 (en) 2018-05-22 2019-05-22 Saturation clustering-based method for positioning bone marrow white blood cells
KR1020207030282A KR20200135839A (ko) 2018-05-22 2019-05-22 채도 클러스터에 의한 골수 백혈구 위치 결정 방법
AU2019273339A AU2019273339B2 (en) 2018-05-22 2019-05-22 Saturation clustering-based method for positioning bone marrow white blood cells
TW108117724A TWI711008B (zh) 2018-05-22 2019-05-22 一種基於飽和度聚類的骨髓白血球細胞定位方法
PCT/CN2019/087875 WO2019223706A1 (zh) 2018-05-22 2019-05-22 一种基于饱和度聚类的骨髓白细胞定位方法
JP2020547398A JP6994275B2 (ja) 2018-05-22 2019-05-22 飽和度クラスタリングに基づく骨髄白血球の位置特定方法
RU2020133630A RU2755553C1 (ru) 2018-05-22 2019-05-22 Способ определения местонахождения лейкоцитов костного мозга на основе агрегации насыщения
IL277040A IL277040A (en) 2018-05-22 2020-08-31 A method for the location of white blood cells from bone marrow based on saturation grouping

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810495118.4A CN108805865B (zh) 2018-05-22 2018-05-22 一种基于饱和度聚类的骨髓白细胞定位方法

Publications (2)

Publication Number Publication Date
CN108805865A true CN108805865A (zh) 2018-11-13
CN108805865B CN108805865B (zh) 2019-12-10

Family

ID=64091391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810495118.4A Active CN108805865B (zh) 2018-05-22 2018-05-22 一种基于饱和度聚类的骨髓白细胞定位方法

Country Status (10)

Country Link
US (1) US11403481B2 (zh)
EP (1) EP3798972A4 (zh)
JP (1) JP6994275B2 (zh)
KR (1) KR20200135839A (zh)
CN (1) CN108805865B (zh)
AU (1) AU2019273339B2 (zh)
IL (1) IL277040A (zh)
RU (1) RU2755553C1 (zh)
TW (1) TWI711008B (zh)
WO (1) WO2019223706A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019223706A1 (zh) * 2018-05-22 2019-11-28 杭州智微信息科技有限公司 一种基于饱和度聚类的骨髓白细胞定位方法
CN110751196A (zh) * 2019-10-12 2020-02-04 东北石油大学 一种油水两相流透明管壁内类油滴附着物识别方法
CN113902817A (zh) * 2021-11-23 2022-01-07 杭州智微信息科技有限公司 一种基于灰度值的细胞图片拼接方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570628B (zh) * 2021-07-30 2024-04-02 西安科技大学 一种基于活动轮廓模型的白细胞分割方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040076984A1 (en) * 2000-12-07 2004-04-22 Roland Eils Expert system for classification and prediction of generic diseases, and for association of molecular genetic parameters with clinical parameters
US20080212868A1 (en) * 2005-06-15 2008-09-04 Tissue Gnostics Gmbh Process for Segmenting Leukocytes
CN102279146A (zh) * 2011-03-11 2011-12-14 桂林优利特医疗电子有限公司 基于激光鞘流技术的血液细胞五分类方法
CN103020639A (zh) * 2012-11-27 2013-04-03 河海大学 一种白细胞自动识别计数方法
CN103077529A (zh) * 2013-02-27 2013-05-01 电子科技大学 基于图像扫描的植物叶片特征分析系统
CN103473739A (zh) * 2013-08-15 2013-12-25 华中科技大学 一种基于支持向量机的白细胞图像精确分割方法与系统
CN104392460A (zh) * 2014-12-12 2015-03-04 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
CN104484877A (zh) * 2014-12-12 2015-04-01 山东大学 一种基于Meanshift聚类和形态学操作的AML细胞分割方法
JP2015088084A (ja) * 2013-11-01 2015-05-07 株式会社ブレイン 物品識別システムとそのプログラム
CN106327490A (zh) * 2016-08-22 2017-01-11 中国计量大学 一种基于白细胞检测的细胞核分割方法
CN107274444A (zh) * 2017-05-15 2017-10-20 北京林业大学 球形类植物的计数方法及装置
CN107730499A (zh) * 2017-10-31 2018-02-23 河海大学 一种基于nu‑支持向量机的白细胞分类方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2303812C2 (ru) * 2004-12-29 2007-07-27 Общество с ограниченной ответственностью "НПФ РЕНАМ" Способ распознавания и подсчета клеток в биологических средах человека и животных и устройство для его осуществления
RU2308745C1 (ru) * 2006-10-09 2007-10-20 Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами
KR101191454B1 (ko) * 2010-05-14 2012-10-16 계명대학교 산학협력단 비모수적 확률 모델과 질감 정보를 이용한 백혈구 분할 방법
CN102298700A (zh) * 2011-06-09 2011-12-28 华东师范大学 一种骨髓病理图像中细胞识别与定位方法
US20130094750A1 (en) * 2011-10-12 2013-04-18 Tolga Tasdizen Methods and systems for segmentation of cells for an automated differential counting system
US9836839B2 (en) * 2015-05-28 2017-12-05 Tokitae Llc Image analysis systems and related methods
CN106248559B (zh) * 2016-07-14 2018-10-23 中国计量大学 一种基于深度学习的白细胞五分类方法
EP3321851A3 (en) * 2016-11-09 2018-08-01 AmCad BioMed Corporation Cytological image processing device, and method for quantifying characteristics of cytological image
CN106780522B (zh) * 2016-12-23 2019-08-30 杭州华卓信息科技有限公司 一种基于深度学习的骨髓液细胞分割方法
CN108805865B (zh) * 2018-05-22 2019-12-10 杭州智微信息科技有限公司 一种基于饱和度聚类的骨髓白细胞定位方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040076984A1 (en) * 2000-12-07 2004-04-22 Roland Eils Expert system for classification and prediction of generic diseases, and for association of molecular genetic parameters with clinical parameters
US20080212868A1 (en) * 2005-06-15 2008-09-04 Tissue Gnostics Gmbh Process for Segmenting Leukocytes
CN102279146A (zh) * 2011-03-11 2011-12-14 桂林优利特医疗电子有限公司 基于激光鞘流技术的血液细胞五分类方法
CN103020639A (zh) * 2012-11-27 2013-04-03 河海大学 一种白细胞自动识别计数方法
CN103077529A (zh) * 2013-02-27 2013-05-01 电子科技大学 基于图像扫描的植物叶片特征分析系统
CN103473739A (zh) * 2013-08-15 2013-12-25 华中科技大学 一种基于支持向量机的白细胞图像精确分割方法与系统
JP2015088084A (ja) * 2013-11-01 2015-05-07 株式会社ブレイン 物品識別システムとそのプログラム
CN104392460A (zh) * 2014-12-12 2015-03-04 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
CN104484877A (zh) * 2014-12-12 2015-04-01 山东大学 一种基于Meanshift聚类和形态学操作的AML细胞分割方法
CN106327490A (zh) * 2016-08-22 2017-01-11 中国计量大学 一种基于白细胞检测的细胞核分割方法
CN107274444A (zh) * 2017-05-15 2017-10-20 北京林业大学 球形类植物的计数方法及装置
CN107730499A (zh) * 2017-10-31 2018-02-23 河海大学 一种基于nu‑支持向量机的白细胞分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
候慧: "基于距离变换的改进分水岭算法在白细胞图像分割中的应用", 《计算技术与自动化》 *
庞春颖: "改进FCM和LFP相结合的白细胞图像分类", 《中国图像图形学报》 *
王旭: "基于颜色和形态特征的痰涂片图像结核菌识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019223706A1 (zh) * 2018-05-22 2019-11-28 杭州智微信息科技有限公司 一种基于饱和度聚类的骨髓白细胞定位方法
CN110751196A (zh) * 2019-10-12 2020-02-04 东北石油大学 一种油水两相流透明管壁内类油滴附着物识别方法
CN110751196B (zh) * 2019-10-12 2020-09-18 东北石油大学 一种油水两相流透明管壁内类油滴附着物识别方法
CN113902817A (zh) * 2021-11-23 2022-01-07 杭州智微信息科技有限公司 一种基于灰度值的细胞图片拼接方法

Also Published As

Publication number Publication date
JP2021510831A (ja) 2021-04-30
US20210004640A1 (en) 2021-01-07
TW202004663A (zh) 2020-01-16
CN108805865B (zh) 2019-12-10
KR20200135839A (ko) 2020-12-03
EP3798972A1 (en) 2021-03-31
WO2019223706A1 (zh) 2019-11-28
AU2019273339A1 (en) 2020-08-27
US11403481B2 (en) 2022-08-02
EP3798972A4 (en) 2022-03-02
JP6994275B2 (ja) 2022-02-04
RU2755553C1 (ru) 2021-09-17
IL277040A (en) 2020-10-29
AU2019273339B2 (en) 2021-03-04
TWI711008B (zh) 2020-11-21

Similar Documents

Publication Publication Date Title
CN108805865A (zh) 一种基于饱和度聚类的骨髓白细胞定位方法
CN109636784B (zh) 基于最大邻域和超像素分割的图像显著性目标检测方法
Sarrafzadeh et al. Nucleus and cytoplasm segmentation in microscopic images using K-means clustering and region growing
US8385654B2 (en) Salience estimation for object-based visual attention model
CN106407917A (zh) 基于动态尺度分配的视网膜血管提取方法及系统
Marcial-Basilio et al. Detection of pornographic digital images
CN108537239A (zh) 一种图像显著性目标检测的方法
CN110415255B (zh) 一种免疫组化病理图像cd3阳性细胞核分割方法及系统
CN108320289B (zh) 一种基于稀疏表示和形态学操作的骨髓细胞分割方法
Saxen et al. Color-based skin segmentation: an evaluation of the state of the art
CN101655983A (zh) 主颜色提取装置和方法
CN103971367B (zh) 水文资料图像分割方法
CN109523524A (zh) 一种基于集成学习的眼底图像硬性渗出检测方法
CN115147746B (zh) 基于无人机遥感图像的盐碱地质识别方法
CN107180439A (zh) 一种基于Lab色度空间的色偏特征提取和色偏检测方法
CN113724235A (zh) 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法
CN103325101B (zh) 彩色特征的提取方法及装置
Lézoray et al. Histogram and watershed based segmentation of color images
CN111080748A (zh) 基于互联网的图片自动合成系统
CN110020673A (zh) 一种hsv色彩空间颜色识别与噪声过滤的方法
CN106340038B (zh) 一种基于单目图像中物体的深度次序推理方法
KR101191454B1 (ko) 비모수적 확률 모델과 질감 정보를 이용한 백혈구 분할 방법
Nemane et al. A novel method of white blood cell segmentation and counting
Cruz et al. Morphological Image Processing and Blob Analysis for Red Blood Corpuscles Segmentation and Counting
Touria et al. Interactive image segmentation based on graph cuts and automatic multilevel thresholding for brain images

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: Room 112, building 4, 368 wangjiali, Chang'an village, Wenyan street, Xiaoshan District, Hangzhou, Zhejiang 311200

Patentee after: HANGZHOU ZHIWEI INFORMATION TECHNOLOGY Co.,Ltd.

Address before: Room 509.510.511.512, 5 / F, building 4, Haichuang technology center, 1288 Wenyi West Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 310000

Patentee before: HANGZHOU ZHIWEI INFORMATION TECHNOLOGY Co.,Ltd.

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20181113

Assignee: Zhuji Zhiwei Information Technology Co.,Ltd.

Assignor: HANGZHOU ZHIWEI INFORMATION TECHNOLOGY Co.,Ltd.

Contract record no.: X2021330000051

Denomination of invention: A localization method of bone marrow leukocytes based on saturation clustering

Granted publication date: 20191210

License type: Common License

Record date: 20210616