[go: up one dir, main page]

TW201818349A - 細胞學影像處理裝置及細胞學影像特徵量化方法 - Google Patents

細胞學影像處理裝置及細胞學影像特徵量化方法 Download PDF

Info

Publication number
TW201818349A
TW201818349A TW106137944A TW106137944A TW201818349A TW 201818349 A TW201818349 A TW 201818349A TW 106137944 A TW106137944 A TW 106137944A TW 106137944 A TW106137944 A TW 106137944A TW 201818349 A TW201818349 A TW 201818349A
Authority
TW
Taiwan
Prior art keywords
edge
line segment
pixels
image
matrix
Prior art date
Application number
TW106137944A
Other languages
English (en)
Other versions
TWI630581B (zh
Inventor
陳正剛
蕭逸嫻
張天鈞
詹一秀
施翔蓉
王宣貿
Original Assignee
安克生醫股份有限公司
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 安克生醫股份有限公司 filed Critical 安克生醫股份有限公司
Publication of TW201818349A publication Critical patent/TW201818349A/zh
Application granted granted Critical
Publication of TWI630581B publication Critical patent/TWI630581B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/06—Means for illuminating specimens
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
    • G02B21/365—Control or image processing arrangements for digital or video microscopes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Optics & Photonics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Studio Devices (AREA)

Abstract

細胞學影像處理裝置及細胞學影像特徵量化方法。細胞學影像處理裝置執行細胞學影像特徵量化方法，其包含步驟：讀取包含複數個畫素之一細胞學影像；根據各畫素在一色彩空間中之複數個色彩屬性至少其中之一，去除該細胞學影像之一背景部分，以產生一去背影像；劃分該去背影像為一細胞核部分及一細胞質部分；偵測該去背影像之複數邊緣畫素，以圈選該去背影像中的複數個細胞核區塊；根據該等細胞核區塊，產生一參數集；以及視覺化該去背影像，以產生一輸出影像。

Description

細胞學影像處理裝置及細胞學影像特徵量化方法
本發明係關於一種細胞學影像處理裝置及細胞學影像特徵量化方法。具體而言，本發明之細胞學影像處理裝置執行細胞學影像特徵量化方法，以獲得細胞學影像中的細胞核區塊，根據細胞核區塊，輸出一參數集以及一視覺化影像。
隨著科技的快速發展，將資料數位化及影像數位化的技術已逐步地成熟。因此，各行各業也相當依賴電子產品(例如：電腦、平板電腦、智慧型手機)來儲存資料及呈現影像。
習知的臨床細胞學檢查方式係經由光學顯微鏡擷取患者之細胞染色玻片以產生細胞學影像。隨後，醫生可根據患者細胞學影像上細胞核及細胞質之分布情形，判斷其相關可能之病變。然而，在僅單就細胞學影像，而無對細胞學影像進行進階的處理而獲得相關量化參數或分析影像的情況下，不同醫師對於相同的細胞學影像將可能作出相當不同的診斷結果，而使得這樣過於主觀的診斷結果影響到對患者病情判斷的準確性。
有鑑於此，如何對細胞學影像進行進階的處理而獲得相關量化參數或分析影像，以提供醫生關於細胞學影像的進階資訊來輔助其作出 診斷，降低不同醫師對於相同的細胞學影像作出之診斷結果間的分歧，進而提高對患者病情判斷的準確性，乃是業界亟待解決的問題。
本發明之目的在於提供細胞學影像的相關量化參數及分析影像。本發明可將細胞學影像劃分為細胞核部分及細胞質部分，並圈選出細胞核區塊，藉以產生細胞學影像的相關量化參數，並提供視覺化影像。如此一來，相較於習知技術，本發明可提供醫生關於細胞學影像的進階資訊來輔助其作出診斷，降低不同醫師對於相同的細胞學影像作出之診斷結果間的分歧，進而提高對患者病情判斷的準確性。
為達上述目的，本發明揭露一種用於一細胞學影像處理裝置之細胞學影像特徵量化方法。該細胞學影像特徵量化方法包含下列步驟：(a)讀取一細胞學影像，該細胞學影像包含複數個畫素；(b)根據各該畫素在一色彩空間中之複數個色彩屬性至少其中之一，去除該細胞學影像之一背景部分，以產生一去背影像；(c)劃分該去背影像為一細胞核部分及一細胞質部分；(d)根據該細胞核部分及該細胞質部分，產生一核質顏色比；。
此外，本發明更揭露一種用於一細胞學影像處理裝置之細胞學影像特徵量化方法。該細胞學影像特徵量化方法包含下列步驟：(a)讀取一細胞學影像，該細胞學影像包含複數個畫素；(b)根據各該畫素在一色彩空間中之複數個色彩屬性至少其中之一，去除該細胞學影像之一背景部分，以產生一去背影像；(c)劃分該去背影像為一細胞核部分及一細胞質部分；(d)偵測該去背影像之複數邊緣畫素，以圈選該去背影像中的複數個細胞核區塊；(e)產生一參數集，該參數集包含下列至少其中之一：一細胞核 排列方向變異度、一核內細胞質封入體指數及一細胞核重疊和緊貼指數，其中該細胞核排列方向變異度係根據該等細胞核區塊而產生，該核內細胞質封入體指數係根據該細胞核部分而產生，該細胞核重疊和緊貼指數係根據該等細胞核區塊及該細胞核部分而產生；(f)視覺化該去背影像，以產生一輸出影像。
此外，本發明更揭露一種細胞學影像處理裝置，其包含一儲存器及一處理器。該處理器電性連接至該儲存器。該處理器執行下列步驟：(a)自該儲存器，讀取一細胞學影像，該細胞學影像包含複數個畫素；(b)根據各該畫素在一色彩空間中之複數個色彩屬性至少其中之一，去除該細胞學影像之一背景部分，以產生一去背影像；(c)劃分該去背影像為一細胞核部分及一細胞質部分；(d)偵測該去背影像之複數邊緣畫素，以圈選該去背影像中的複數個細胞核區塊；(e)產生一參數集，該參數集包含下列至少其中之一：一細胞核排列方向變異度、一核內細胞質封入體指數、一核質顏色比及一細胞核重疊和緊貼指數，其中該核質顏色比係根據該細胞核部分及該細胞質部分而產生，該細胞核排列方向變異度係根據該等細胞核區塊而產生，該核內細胞質封入體指數係根據該細胞核部分而產生，該細胞核重疊和緊貼指數係根據該等細胞核區塊及該細胞核部分而產生；(f)視覺化該去背影像，以產生一輸出影像。
色彩屬性在參閱圖式及隨後描述之實施方式後，此技術領域具有通常知識者便可瞭解本發明之其他目的，以及本發明之技術手段及實施態樣。
1‧‧‧細胞學影像特徵量化裝置
11‧‧‧輸入介面
13‧‧‧輸出介面
15‧‧‧處理器
17‧‧‧儲存器
101‧‧‧細胞學影像
103‧‧‧去背影像
105‧‧‧輸出影像
701‧‧‧背景部分
703‧‧‧細胞核
705‧‧‧細胞質
1101‧‧‧細胞核區塊
1201‧‧‧細胞核部分
1203‧‧‧細胞質部分
1301‧‧‧偏長型細胞核區塊
1401‧‧‧重疊細胞核部分
1501‧‧‧核內細胞質封入體區塊
1601‧‧‧細胞核長軸
第1圖描繪本發明第一實施例之細胞學影像特徵量化裝置1之示意圖；第2A圖係描繪本發明第一實施例之細胞學影像特徵量化方法之流程圖；第2B圖及第2C圖係分別描繪本發明其他實施例之細胞學影像特徵量化方法之流程圖；第3圖、第4A圖、第4B圖及第4C圖係描繪本發明第二實施例進行邊緣偵測階段的方法之流程圖；第5圖、第6A圖、第6B圖及第6C圖係描繪本發明第四實施例進行邊緣偵測階段的方法之流程圖；第7A圖係描繪細胞學影像；第7B圖係描繪去背影像；第8A圖係描繪灰階影像；第8B圖係描繪去背影像之該等邊緣畫素；第9圖係描繪細胞核長軸與水平線間之夾角；第10圖係描繪量化參數集；第11圖係描繪視覺化呈現圈選之細胞核區塊；第12圖係描繪視覺化呈現核質比；第13圖係描繪視覺化呈現細胞核區塊之至少一偏長形細胞核區塊；第14圖係描繪視覺化呈現細胞核部分中之重疊和緊貼細胞核； 第15圖係描繪視覺化呈現核內細胞質封入體區塊；第16圖係描繪視覺化呈現細胞核長軸分佈；
以下將透過實施方式來解釋本發明之內容。然而，該等實施方式並非用以限制本發明需在如該等實施方式所述之任何環境、應用或方式方能實施。因此，關於實施方式之說明僅為闡釋本發明之目的，而非用以限制本發明之範圍。應理解，在以下實施方式及圖式中，與本發明非直接相關之元件已省略而未繪示。
本發明之第一實施例如第1圖及第2A圖所示。第1圖係為本發明之一細胞學影像處理裝置1之示意圖。細胞學影像處理裝置1包含輸入介面11、輸出介面13、處理器15及儲存器17。處理器15電性連接至輸入介面11、輸出介面13及儲存器17。
輸入介面11用以接收由一光學顯微鏡(或任何具有高放大倍率之影像感測器)所產生之染色後之細胞學影像101(例如：放大倍率為400倍之細胞學影像，如第7A圖所示，其包含例如：背景部分701、細胞核703、細胞質705)。輸入介面11可為一有線介面(例如：USB傳輸介面，但不限於此)或一無線傳輸介面(例如：WIFI傳輸介面)，其可連接至光學顯微鏡，或連接至一儲存裝置其儲存該細胞學影像。處理器15透過輸入介面11接收細胞學影像101並將其儲存於儲存器17中。輸出介面13可為一資料傳輸介面或一影像傳輸介面，用以輸出處理器15所產生的細胞學影像的相關量化參數及視覺化影像。
處理裝置15用以執行本發明之細胞影像特徵量化方法，以產 生細胞學影像的相關量化參數及視覺化影像。本發明之細胞影像特徵量化方法可藉由一電腦程式產品實現。電腦程式產品，儲存有包含複數個程式指令之一電腦程式，在所述電腦程式被載入並安裝於一電子裝置(例如：細胞學影像處理裝置1)後，電子裝置之處理器執行所述電腦程式所包含之該等程式指令，以執行本發明之細胞影像特徵量化方法。電腦程式產品可為，例如：唯讀記憶體(read only memory；ROM)、快閃記憶體、軟碟、硬碟、光碟(compact disk；CD)、隨身碟、磁帶、可由網路存取之資料庫或熟習此項技藝者所習知且具有相同功能之任何其它儲存器。
本發明之細胞影像特徵量化方法之流程圖如第2A圖所示。首先，於步驟S201，處理器15自儲存器17讀取一細胞學影像101。細胞學影像101包含複數個畫素(pixel)，以呈現一放大倍率之複數個細胞。各畫素於細胞學影像101的位置由一水平方向之x值及一垂直方向之y值表示，故細胞學影像101中之該等畫素形成一二維矩陣。
須說明者，細胞學影像101可由一RGB(Red,Green,Blue；RGB)色彩空間表示、一HSV(Hue,Saturation,Value；HSV)色彩空間表示或任一色彩空間表示，且任一色彩空間表示可以自由轉換至以另一色彩空間表示。舉例而言，若讀取之細胞學影像101以RGB色彩空間表示時，處理器15可將以RGB色彩空間表示的細胞學影像101轉換為以HSV色彩空間表示。由於色彩空間之轉換方式屬於本領域之公知常識，故在此不加以贅述。
接著，於步驟S203，處理器15根據細胞學影像101之該等畫素在一色彩空間中之複數個色彩屬性至少其中之一，將細胞學影像101之該 等畫素劃分為一細胞部分及一背景部分，並去除細胞學影像影像101之背景部分，以產生一去背影像103，如第7B圖所示(例如：即將7A圖中背景部分701去除)。須說明者，此處背景部分701係指細胞學影像101經染色後，影像中未經染色之部分(通常位於未存在細胞之區域)。隨後，於步驟S205中，處理器15將去背影像103的該等畫素劃分為一細胞核部分1201及一細胞質部分1203，如第12圖所示。須說明者，劃分細胞學影像101之該等畫素及去背影像103之該等畫素可採用一分群演算法，以針對各個畫素之特定一個、兩個或三個屬性(即色彩屬性)以一比例組合，分別進行一維、二維或三維之分群，甚至是進行多回合之分群。此外，本發明所採用的分群演算法可為K-means，但不限於此，故任何達到相同目的之分群演算法皆屬於本發明之保護範疇。
舉例而言，當色彩空間為HSV色彩空間時(即由色相(Hue)、飽和度(Saturation)及明度(Value)三個屬性所組成)，處理器15可針對色相、飽和度或明度三個屬性至少其中之一進行三回合之K-means分群，其中前兩回合分群目的為去除背景部分，而第三回合分群目的為區分細胞質部分及細胞核部分。詳言之，於第一回合K-means分群中，採用色相作為標準，根據該等畫素之色相的最高值及最低值間之差值，將差值均分為六等份，以決定六個初始參考點(references)。假設該等畫素的色相最高值為80且最低值為30，則六個初始參考點的色相分別為30、40、50、60、70及80。據此，根據六個初始參考點進行該等畫素之一維K-means分群，可將細胞學影像101之該等畫素劃分為六個群組，並根據該六個群組將該等畫素劃分為一細胞部分及一背景部分。如此一來，處理器15可將被分類為背 景部分的畫素除去，產生去背影像103。
接著，針對去背影像103執行第二回合K-means分群。於第二回合K-means分群中，採用以飽和度為標準來選擇參考點，根據去背影像103之該等畫素之飽和度的最高值及最低間之差值，決定六個參考點。據此，根據該六個參考點進行去背影像103之該等畫素之一維K-means分群，可進一步地自去背影像103劃分出於第一回合K-means分群中未被分類為背景部分的畫素，並將其去除，以更新去背影像103。須說明者，根據分群結果將該等畫素劃分為細胞部分及背景部分之基準可由使用者決定，或預先設定一閥值來決定，以決定哪些分群中的畫素屬於細胞部分，剩餘的群組中的畫素為背景部分。
經過前述兩回合之一維K-means分群後，處理器15針對去背影像103之該等畫素進行第三回合之K-means分群，以將該等畫素劃分為細胞核部分1201及細胞質部分1203。不同於前兩回合之K-means分群，於第三回合K-means分群中，處理器15同時針對飽和度與明度以一權重比例進行二維K-means分群，例如：以飽和度與明度間之比例為5：3來進行二維K-means分群。
假設該等畫素的飽和度之最高值為80且最低值為30，則二維初始參考點之第一維度的值分別為飽和度30、40、50、60、70及80。另一方面，假設該等畫素的明度之最高值為100且最低值為25，則二維初始參考點之第二維度的值分別為明度25、40、55、70、85及100。因此，六個二維初始參考點分別為(30,25)、(40,40)、(50,55)、(60,70)、(70,85)及(80,100)。因此，處理器15於進行二維K-means分群時，各畫素與參考點間的距 離係等於，其中△d1為飽和度差，△d2為明度差。
又舉例而言，當色彩空間為RGB色彩空間時(即由紅色(red)、綠色(green)、藍色(blue)三個屬性組成)，處理器15可針對紅色、綠色或藍色三個屬性至少其中之一進行三回合之K-means分群，其中前兩回合分群目的為去除背景部分，而第三回合分群目的為區分細胞質部分及細胞核部分。詳言之，於第一回合K-means分群中，採用綠色作為標準，根據該等畫素之綠色的最高值及最低值間之差值，將差值均分為六等份，以決定六個初始參考點(references)。
假設該等畫素的綠色最高值為95且最低值為10，則六個初始參考點的綠色分別為10、27、44、61、78及95。據此，根據六個初始參考點進行該等畫素之一維K-means分群，可將細胞學影像101之該等畫素劃分為六個群組，並根據該六個群組將該等畫素劃分為一細胞部分及一背景部分。如此一來，處理器15可將被分類為背景部分的畫素除去，產生去背影像103。接著，執行第二回合K-means分群，不同於第一回合，第二回合係採用藍色作為標準，以執行相同操作，故可進一步地自去背影像103劃分出於第一回合K-means分群中未被分類為背景部分的畫素，並將其去除，以更新去背影像103。經過前述兩回合之一維K-means分群後，處理器15針對去背影像103之該等畫素進行第三回合之K-means分群，以將該等畫素劃分為細胞核部分1201及細胞質部分1203。類似地，第三回合則採用紅色作為標準，執行前述相同操作。
於將去背影像103之該等畫素劃分為細胞核部分1201及細胞 質部分1203後，處理器15執行步驟S207，以偵測去背影像103之複數邊緣畫素。如此一來，於偵測出去背影像103之該等邊緣畫素後，處理器15即可該等邊緣畫素連線，以圈選去背影像103中的複數個細胞核區塊1101，如第11圖所示。
隨後，於步驟S209中，處理器15根據該等細胞核區塊1101、細胞核部分1201及細胞質部分1203，產生一參數集。參數集可包含下列至少其中之一：一細胞核排列方向變異度(nuclear polarity)、一核內細胞質封入體指數(index of inclusions)、一核質顏色比及一細胞核重疊和緊貼指數(index of overlapping and molding)，其中該核質顏色比係根據該細胞核部分及該細胞質部分而產生，該細胞核排列方向變異度係根據該等細胞核區塊而產生，該核內細胞質封入體指數係根據該細胞核部分而產生，該細胞核重疊和緊貼指數係根據該等細胞核區塊及該細胞核部分而產生。
舉例而言，細胞核排列方向變異度可經由計算圈選之該等細胞核之一細胞核長軸與一水平線間之一夾角的標準差所產生(夾角計算方式如第9圖所示)。再舉例而言，核內細胞質封入體指數可經由將複數核內細胞質封入體區塊1501(如第15圖所示)之一總面積除以細胞核部分1201之一總面積產生。
再舉例而言，核質顏色比可例如為核濃染指標(hyperchromasia index)，其可經由將細胞核部分之該等色彩屬性之一函數值除以細胞質部分之該等色彩屬性之一函數值產生，例如：當於HSV色彩空間時，核質顏色比可為核質飽和度-明度比或核質色相-明度比。核質飽和度-明度比可經由將細胞核部分之平均飽和度與其平均明度間之比值(即函 數值)除以細胞質部分之平均飽和度與其平均明度間之比值(即函數值)而得到。核質色相-明度比可經由將細胞核部分之平均色相與其平均明度間之比值除以細胞質部分之平均色相與其平均明度間之比值而得到。此外，核質顏色比指標亦可為核質色相比或核質飽和度比。核質色相比可經由將細胞核部分之一平均色相值(即函數值)除以細胞質部分之一平均色相值(即函數值)而得到。核質飽和度比可經由將細胞核部分之一平均飽和度值(即函數值)除以細胞質部分之一平均飽和度值(即函數值)產生。
再舉例而言，該細胞核重疊和緊貼指數可經由將細胞核部分中非屬於細胞核區塊1101之一剩餘區塊面積除以細胞核部分1201之總面積所產生。須說明者，如第10圖所示，該等相關量化參數可由使用者決定，或預先設定一標準，所屬技術領域者應可輕易了解根據細胞特徵資訊量化之相關運作，茲不贅言。
如前述說明可知，核質顏色比可根據細胞核部分1201及細胞質部分1203而產生，細胞核排列方向變異度可根據該等細胞核區塊1101而產生，核內細胞質封入體指數可根據該細胞核部分1201而產生，細胞核重疊和緊貼指數可根據該等細胞核區塊1101及細胞核部分1201而產生。換言之，處理器15於執行步驟S205以將去背影像103的該等畫素劃分為細胞核部分1201及細胞質部分1203後，即可根據細胞核部分1201及細胞質部分1203計算核質顏色比，而無需等待執行完步驟S207以圈選出去背影像中的複數個細胞核區塊1101後才計算。
須說明者，本發明之實施例例圖為劉氏染色(Riu’s stain)後之細胞學影像。以核質顏色比舉例而言，細胞核、細胞質染色色彩由藍 色、紫色(紫色由紅色、藍色組成)組成，細胞病變將影響劉氏染色染劑呈色結果，或濃或淡，造成細胞核與細胞質在色相與飽和度對比上的不同。另外，細胞核與細胞質明度同時提升，也會造成兩者在紅色成分與藍色成分對比上的不同。雖然不同之染色方式可能造成染色之效果不同，所屬技術中具有通常知識者應可理解根據不同染色方式去調整權重/參數比例之相關運作，故在此不加以贅述。
又舉例而言，核內細胞質封入體指數可利用公式1來計算，將被判定為核內細胞質封入體區塊1501之面積除以細胞核部分1201之總面積，以獲得核內細胞質封入體區塊1501之比例。
其中，area inclusions 為核內細胞質封入體區塊1501之總面積、area nuclei 為細胞核部分1201之總面積。
另外，細胞核重疊和緊貼指數係利用公式2來計算，計算係經由將細胞核部分中非屬於細胞核區塊1101之一剩餘區塊面積除以細胞核部分之面積產生。換言之，細胞核重疊和緊貼指數係代表細胞核部分中重疊和緊貼之細胞核面積(包括細胞核邊緣較破裂、不規則之細胞核及細胞核重疊之該些面積)所佔的比例。
其中，area discrete nuclei 為細胞核區塊1101之總面積，area nuclei 為細胞核部分1201之總面積。
於某些實施例中，該等參數集更包括面積、圓整度、橢圓度及一延伸度(Elongation)等參數。舉例而言，一細胞核區塊之延伸度可利 用公式3來計算。
其中，d 1為細胞核區塊之一長軸長，d 2為細胞核區塊之一短軸長。
最後，處理器15執行步驟S211，視覺化去背影像103，以產生一輸出影像105，以呈現該等細胞核區塊1101、細胞核部分1201及細胞質部分1203。舉例而言，於第12圖中，細胞核部分1201及細胞質部分1203，輸出影像105係用以視覺化呈現一核質比(nuclei-to-cytoplasm ratio；NCR)；於第11圖中，輸出影像105係用以視覺化呈現被圈選出的該等細胞核區塊1101；於第13圖中，輸出影像105係用以視覺化呈現細胞核區塊之偏長形細胞核區塊1301；於第14圖中，輸出影像105係用以視覺化呈現細胞核部分中之一重疊細胞核部分1401；於第15圖中，輸出影像105係用以視覺化呈現核內細胞質封入體區塊1501；以及於第16圖中，輸出影像105係用以視覺化呈現一細胞核長軸分佈(例如：細胞核長軸1601)。
如前述說明可知，本發明之細胞影像特徵量化方法可分為三階段的運算：第一階段為分群階段，第二階段為邊緣偵測階段，以及第三階段為細胞核型態相關參數計算與特徵視覺化階段。於本實施例中，以透過範例說明分群階段的運算，隨後邊緣偵測階段及細胞核型態相關參數計算與特徵視覺化階段將於後續實施例中詳述。
須說明者，於產生核質顏色比後，處理器15即可將產生的核質顏色比資訊透過影像顯示或是藉由輸出裝置等方式提供給使用者。因此，於其他實施例中，使用者可透過設定使得細胞學影像處理裝置1僅產生 核質顏色比，而無需進行後續進行細胞核區塊圈選、基於圈選之細胞核區塊產生其他參數及視覺化去背影像等步驟。如第2B圖所示，處理器15於執行步驟S205以將去背影像103的該等畫素劃分為細胞核部分1201及細胞質部分1203後，可僅執行步驟S206，以根據該細胞核部分及該細胞質部分計算核質顏色比。換言之，使用者可視其需求選擇需要所需輸出的參數，使得處理器15執行相應的步驟，而無需執行完所有步驟。
另外，於其他實施例中，基於使用者所需求輸出的參數，第2A圖中之步驟S209可替換為步驟S208，如第2C圖所示，即所產生的參數集可包含細胞核排列方向變異度、核內細胞質封入體指數及一細胞核重疊和緊貼指數至少其中之一，而無需包含核質顏色比。
本發明之第二實施例，請一併參考第3圖至第4C圖。第二實施例係第一實施例之延伸，其說明邊緣偵測階段之相關操作，即第一實施例之步驟S207更包含第3、4A、4B、4C圖所示之步驟。首先，步驟S301中，處理器15根據去背影像103之該等畫素之該等色彩屬性至少其中之一，根據去背影像103產生一二維灰階矩陣。舉例而言，於HSV色彩空間中，處理器15以飽和度與明度間之5：-3權重比例，將去背影像103轉成一灰階影像105，如第8A圖所示。灰階影像105的每個畫素具有一灰階值，故處理器可將該等畫素之灰階值以二維灰階矩陣表示。須說明者，上述權重比例係用以舉例說明並非用以限制本發明。此外，若於RGB色彩空間，所屬技術中具有通常知識者亦可瞭解如何將將去背影像103轉成灰階影像105，故在此不加以贅述。
接著，於步驟S303中，處理器15將二維灰階矩陣乘上一具 有一第i個參數之德里切過濾(Deriche filter)矩陣，以得到一第i個二維梯度矩陣，其中i為1~3。第i個二維梯度矩陣記載各畫素相對於其相鄰該等畫素之一水平方向梯度(Dx)與一垂直方向梯度(Dy)。第i參數係為一高斯分布參數，故具有不同參數之德里切過濾矩陣係代表對灰階影像105進行不同程度之模糊化，以抹除灰階影像105中之雜訊。
隨後，於步驟S305中，處理器15套用一遮罩至第i個二維梯度矩陣。舉例而言，遮罩的大小為一3x3矩陣，處理器15係藉由遮罩對第i個二維梯度矩陣中的每個3x3子矩陣中該些畫素之水平方向梯度及垂直方向梯度進行審視，以找出可能為邊緣畫素的畫素。詳言之，處理器15判斷目前遮罩中之一中間畫素之一總梯度大小是否於該遮罩內為一相對最大值，若否，將該將目前遮罩中之中間畫素之水平方向梯度與垂直方向梯度設為0(即非最大值壓制)。舉例而言，處理器15判斷遮罩中之中間畫素和其梯度方向上前一點與後一點之強度，若該中間畫素之總梯度大小大於兩者則保留該中間畫素之總梯度大小，反之將總梯度大小設為0，以更新第i個二維梯度矩陣。須說明者，當該梯度方向不位於該遮罩中之畫素點時(例如：非0度、45度、90度、135度、180度、…、360度時)，可藉由將經過路徑之左右畫素值內插而得一虛擬畫素作為該梯度方向。又舉例而言，於另一非最大值壓制方法中，處理器15可判斷目前遮罩中之一中間畫素之一總梯度大小是否皆小於鄰近之該等畫素之複數總梯度大小。若是，則代表此中間畫素應不為邊緣畫素，故處理器15將目前遮罩中之中間畫素之水平方向梯度與垂直方向梯度設為0，以更新第i個二維梯度矩陣。各畫素之總梯度大小係基於公式4計算。
於執行步驟S305後，於更新後之第i個二維梯度矩陣中，水平方向梯度與垂直方向梯度不等於0之畫素係被初步判斷為邊緣畫素。接著，處理器15對初步判斷為邊緣畫素之這些畫素進行一細線化(thinning)操作，即步驟S307，其目的在於更銳利化該等邊緣畫素。於步驟S307中，處理器15再次套用遮罩至更新後之第i個二維梯度矩陣，以依序判斷目前遮罩中之中間畫素之一鄰近垂直畫素與一鄰近水平畫素之該等總梯度大小是否皆不等於0。若是，處理器15將目前遮罩中之中間畫素之水平方向及垂直方向梯度設為0，以再次更新第i個二維梯度矩陣。如此一來，更新後之第i個二維梯度矩陣中，總梯度大小不等於0之畫素係被判斷為邊緣畫素，如第8B圖所示。
處理器15執行如第4A-4C圖所示之該些步驟，對上述第i個二維梯度矩陣中被判斷為邊緣畫素之該等畫素進行連線，以圈選出複數個細胞核區塊1101。首先，於步驟S401中，處理器15以一八連通(8-connection connectivity)規則，連線該等邊緣畫素以形成複數線段。針對尚未連線之各邊緣畫素，處理器15判斷一目前邊緣畫素所欲連線之一下一邊緣畫素之總梯度大小是否大於一第一閥值，且目前邊緣畫素之一總梯度方向與其所欲連線之下一邊緣畫素之總梯度方向間之一夾角是否小於一第二閥值。舉例而言，總梯度方向可基於公式5計算。
當欲連線之一下一邊緣畫素之總梯度大小大於該第一閥值且夾角亦小於第二閥值時，處理器15將目前邊緣畫素與下一邊緣畫素連 線，並將已連線之下一邊緣畫素作為目前邊緣畫素。隨後，處理器15繼續判斷是否有下一邊緣畫素可以連線，並進行連線，直到判斷無下一邊緣畫素可連線時，即形成一線段。隨後，處理器15針對前述連線之各線段，進行如下述步驟之該等判斷，來判斷哪些線段上的該等邊緣畫素為細胞核邊緣畫素。
於步驟S403中，處理器15判斷線段之長度是否小於第三閥值之四分之三倍或線段之該等畫素之平均梯度是否小於第四閥值，以汰除過短或平均梯度過小之線段。當線段之長度小於第三閥值之四分之三倍或線段之該等畫素之平均梯度小於第四閥值時，處理器15執行步驟S413，以消除此線段及其所對應之該等邊緣畫素。須說明者，上述第三閥值可為正常細胞核邊緣周長。
隨後，為確認線段是否大致上為封閉曲線，處理器15更執行步驟S405，判斷線段之起始邊緣畫素與終點邊緣畫素之距離是否小於第五閥值。若線段之起始邊緣畫素與終點邊緣畫素小於第五閥值，則代表此線段大致上為封閉曲線且所圍之區塊可能為細胞核區塊。隨後，若線段之起始邊緣畫素與終點邊緣畫素之距離小於第五閥值，處理器15執行步驟S415。
此外，若線段之起始邊緣畫素與終點邊緣畫素之距離不小於第五閥值，處理器15執行步驟S407，判斷線段之起始邊緣畫素與終點邊緣畫素間之距離是否小於第六閥值。若線段之起始邊緣畫素與終點邊緣畫素間之距離小於第六閥值，則代表此線段有機會經由邊緣補點程序，使其起始邊緣畫素與終點邊緣畫素間之距離小於第五閥值，故處理器15執行步驟S409，對線段進行邊緣補點程序。須說明者，該第六閥值可為該線段之長 度乘以一定之比例，例如：0.25，意即該線段可容許最多不超過四分之一比例之起始邊緣畫素與終點邊緣畫素間之距離(即未連線之線段)。
舉例而言，於邊緣補點程序中，處理器15可根據計算起始邊緣畫素與終點邊緣畫素間的垂直距離及水平距離，判斷水平距離是否大於垂直距離。若水平距離大於垂直距離，則由水平方向開始進行補點，水平方向每前進一單位畫素，垂直方向依起始邊緣畫素與終點邊緣畫素間之連線之斜率前進。反之，若水平距離不大於垂直距離，則由垂直方向開始進行補點，垂直方向每前進一單位畫素，水平方向依始邊緣畫素與終點邊緣畫素間之連線之斜率前進。
於進行邊緣補點程序後，處理器15執行步驟S411，以判斷經邊緣補點程序後之線段之起始邊緣畫素與終點邊緣畫素之距離是否已小於第五閥值。若線段之起始邊緣畫素與終點邊緣畫素之距離仍不小於第五閥值，則代表無法將該未連線線段補上，故處理器15執行步驟S413，消除線段及其所對應之該等邊緣畫素。反之，若線段之起始邊緣畫素與終點邊緣畫素之距離已小於第五閥值，則處理器15執行步驟S415。
隨後，接著，於步驟S415中，處理器15判斷線段之該等邊緣畫素之總梯度方向是否朝向線段之圓心(即線段所圍成區域之圓心)，以判斷線段所圍之區域內之該等畫素是否為一核內細胞質封入體區塊(inclusion)。一般而言，細胞質之明度較細胞核為亮，因此細胞質之邊緣畫素之總梯度方向將由圓心指向細胞核邊緣畫素，與細胞核之邊緣畫素之總梯度方向係指向圓心恰好相反。因此，當線段之該等邊緣畫素之總梯度方向不朝向線段之圓心時，處理器15執行步驟S425，將線段所圍之區域內 之該等畫素劃分為核內細胞質封入體區塊，並執行步驟S413，消除此線段及其所對應之該等邊緣畫素。須說明者，核內細胞質封入體係指細胞核內包含一或多個由膜所包圍之球狀細胞質、內含細胞質胞器，通常被判斷為一種惡性特徵，因此藉由此方法可將此種細胞核標註，協助後續進一步之判斷。因此，該等被劃分為核內細胞質封入體區塊可於後續用以視覺化呈現核內細胞質封入體區塊，如第15圖所示。
當線段之該等邊緣畫素之總梯度方向朝向線段之圓心時，處理器15執行步驟S417，判斷線段之周長是否小於第三閥值。若小於第三閥值，處理器15執行步驟S413，將線段及其所對應之該等邊緣畫素消除。若不小於第三閥值，則處理器15執行步驟S419，進一步判斷線段之圓整度是否大於等於第七閥值。詳言之，處理器15係使用以下公式6計算線段之圓整度。
其中，A為線段所圍之面積、P為線段之周長。
若線段之圓整度大於等於第七閥值時，處理器15執行步驟S423，將線段之該等邊緣畫素標註為一細胞核邊緣，且判斷為完整且偏圓形之細胞核邊緣。另一方面，當若線段之圓整度小於第七閥值時，處理器15執行步驟S421，判斷線段之橢圓度是否大於等於一第八閥值。詳言之，處理器15係使用以下公式7計算線段之橢圓度。
其中，A為線段所圍之面積、P為線段之周長、d1為線段所圍區域之長軸長度以及d2為線段所圍區域之短軸長度。
若線段之橢圓度大於等於第八閥值，則執行步驟S423，將線段之該等邊緣畫素標註為一細胞核邊緣，且判斷為完整且偏長型(橢圓形)之細胞核邊緣，作為後續將該等偏長型之細胞核邊緣視覺化以呈現細胞核區塊之至少一偏長形細胞核區塊。反之，若線段之橢圓度小於第八閥值，則判斷為不規則形狀之細胞核邊緣，並執行步驟S413，消除此線段及其所對應之該等邊緣畫素。
據此，經由第4B、4C圖所示之操作，未消除之該等線段之該等邊緣畫素係為細胞核邊緣畫素，故處理器15針對各第i個二維梯度矩陣，可獲得第i個邊緣矩陣及其該等邊緣畫素之第i個連線資訊。隨後，處理器15藉由整合第1個邊緣矩陣、第2個邊緣矩陣與第3個邊緣矩陣以及第1個連線資訊、第2個連線資訊及第3個連線資訊，以獲得一整合邊緣矩陣及其該等邊緣畫素之一整合連線資訊。如此一來，於此邊緣偵測階段，處理器15可根據整合邊緣矩陣及其該等邊緣畫素之整合連線資訊，最大化圈選出去背影像中的細胞核區塊，以避免遺漏之可能，並獲得核內細胞質封入體區塊。
此外，前述的整合第1個邊緣矩陣、第2個邊緣矩陣與第3個邊緣矩陣以及第1個連線資訊、第2個連線資訊及第3個連線資訊之方式可透過比較第1個邊緣矩陣、第2個邊緣矩陣與第3個邊緣矩陣中的該些線段之重心來達到。舉例而言，於得到第2個邊緣矩陣後，處理器15判斷第2個邊緣矩陣中是否存在至少一新線段，其重心與第1個邊緣矩陣中該等線段所圍之每個範圍之每個重心間之重心距離皆大於一細胞核平均短軸長。若重心距離皆大於一細胞核平均短軸長，則代表此至少一新線段未於第1邊緣矩陣中 出現，故將此至少一新線段之該等邊緣畫素加入該第一邊緣矩陣，以產生該整合邊緣矩陣，以及將與此至少一新線段相關連之連線資訊加入至第1連線資訊，以產生該整合連線資訊。
類似地，於獲得整合邊緣矩陣及整合連線資訊後，處理器15亦判斷第3個邊緣矩陣中是否存在至少一新線段，其重心與整合邊緣矩陣中該等線段所圍之每個區域之每個重心間之重心距離皆大於細胞核平均短軸長。若重心距離皆大於一細胞核平均短軸長，則代表此至少一新線段未於整合邊緣矩陣中出現，故將此至少一新線段之該等邊緣畫素加入至整合邊緣矩陣，以更新整合邊緣矩陣，以及將與此至少一新線段相關連之連線資訊加入至整合連線資訊，以更新整合連線資訊。如此一來，透過上述線段所圍之範圍之重心的比較，處理器15得以整合第1個邊緣矩陣、第2個邊緣矩陣與第3個邊緣矩陣以及第1個連線資訊、第2個連線資訊及第3個連線資訊。
須說明者，前述實施例係以產生3個邊緣矩陣及其相對應的連線資訊作為範例說明；然而，所屬技術領域中具有通常知識者，可基於前述說明瞭解，本發明亦可僅整合2個邊緣矩陣及其相對應的連線資訊即可，或者本發明亦可產生3個以上的邊緣矩陣及其相對應的連線資訊並將其整合。據此，任何數量的邊緣矩陣及其連線資訊之產生及整合皆屬於本發明保護之範疇。
本發明之第三實施例為第二實施例進一步之延伸。於本實施例中，當獲得多個邊緣矩陣以及其連線資訊後，而於整合這些邊緣矩陣及其連線資訊之前，針對各個邊緣矩陣，處理器15可基於該些線段之邊緣畫 素及去背影像103，再次確認是否仍有其他可能為細胞核邊緣的線段。
具體而言，處理器15基於第i個邊緣矩陣及其第i個連線資訊，將去背影像103中該等線段所圍之區域內之該等畫素設成一背景畫素，以產生一暫時去背影像103_temp。須說明者，本發明可先將暫時去背影像先進行適當的正規化(Normalization)處理，以更凸顯暫時去背影像之該等畫素。
隨後，類似於步驟S301，處理器105根據將暫時去背影像103_temp轉換一灰階影像，以產生一二維灰階矩陣，以及針對二維灰階矩陣執行步驟S303至步驟S307以及步驟S401至S425，獲得暫時去背影像103_temp之第i個邊緣矩陣及第i個連線資訊。
隨後，處理器105判斷暫時去背影像103_temp之第i個邊緣矩陣及第i個連線資訊是否存在邊緣畫素。若存在邊緣畫素，則表示邊緣畫素所連線之線段所圍之區塊為細胞核區塊，故將暫時去背影像103_temp之第i個邊緣矩陣及第i個連線資訊併入至去背影像103之第i個邊緣矩陣及第i個連線資訊中。
隨後，處理器15基於更新之去背影像103之第i個邊緣矩陣及第i個連線資訊中重新產生新的暫時去背影像103_temp。同樣地，處理器15將新的暫時去背影像103_temp轉為灰階影像，以產生二維灰階矩陣，並針對二維灰階矩陣執行步驟S303至步驟S307以及步驟S401至S425，以將新的暫時去背影像103_temp之第i個邊緣矩陣及第i個連線資訊併入至去背影像103之第i個邊緣矩陣及第i個連線資訊中。如此一來，透過上述操作，處理器15可持續產生新的暫時去背影像103_temp，並將新的暫時去背影像 103_temp之第i個邊緣矩陣及第i個連線資訊併入至去背影像103之第i個邊緣矩陣及第i個連線資訊中，直到新的暫時去背影像103_temp中不存在邊緣畫素，即代表暫時去背影像103_temp已無可圈選的細胞核區塊。
本發明之第四實施例亦為第二實施例進一步之延伸。於本實施例中，當整合這些邊緣矩陣及其連線資訊後，處理器15可基於該些線段之邊緣畫素及去背影像103，再次確認是否仍有其他可能為細胞核邊緣的線段。
詳言之，處理器15執行步驟S501，基於整合邊緣矩陣及其該等邊緣畫素之連線資訊，將去背影像103中屬於各線段之該等邊緣畫素及被各線段涵蓋在內之該等畫素設成背景畫素，以產生一暫時去背影像103_temp。接著，處理器15根據暫時去背影像103_temp之該等畫素之該等色彩屬性至少其中之一，將暫時去背影像103_temp轉為一黑白影像，以產生一二維二值化矩陣。舉例而言，於HSV色彩空間中，處理器15根據暫時去背影像103_temp之該等畫素之明度，將暫時去背影像103_temp轉為一黑白影像，以產生一二維二值化矩陣。舉例而言，處理器15可將暫時去背影像103_temp中屬於細胞核部分的該等畫素之明度調至最亮以及將屬於細胞質部分的該等畫素之明度調至最暗以產生該黑白影像。此外，若於RGB色彩空間，所屬技術中具有通常知識者亦可瞭解如何將暫時去背影像103_temp轉為一黑白影像，故在此不加以贅述。
隨後，處理器15執行步驟S505，將二維二值化矩陣乘上具有一參數之一德里切過濾矩陣，以得到一二維梯度矩陣。如同先前所述，二維梯度矩陣記載各畫素相對於其相鄰該等畫素之該水平方向梯度與該垂 直方向梯度。接著，類似於步驟S305，處理器15執行步驟S507，套用遮罩至二維梯度矩陣。當遮罩中之中間畫素之總梯度大小非為於該遮罩內之一相對最大值時，將中間畫素之水平方向梯度與垂直方向梯度設為0，以更新二維梯度矩陣。
之後，類似於步驟S307，處理器15執行步驟S509，套用遮罩至更新後之二維梯度矩陣。當遮罩中之中間畫素之鄰近垂直畫素與鄰近水平畫素之該等總梯度大小皆不等於0時，將中間畫素之水平方向及垂直方向梯度設為0，以更新二維梯度矩陣。更新後之二維梯度矩陣中水平方向及垂直方向梯度不等於0之該等畫素係為邊緣畫素。
然後，類似於步驟S401，處理器15執行步驟S601，以八連通規則，連線該等邊緣畫素以形成複數線段。不同於先前所述，目前邊緣畫素之總梯度方向與其所連線之下一邊緣畫素之總梯度方向間之一夾角需小於一第二閥值。
接著，處理器15針對各線段執行如第6B、6C圖所示之該等步驟。於步驟S603中，處理器15判斷線段是否長度小於第三閥值之四分之三倍。若小於第三閥值之四分之三倍時，處理器15執行步驟S613，消除線段及線段所對應之該等邊緣畫素。反之，若不小於第三閥值之四分之三倍時，處理器15執行步驟S605，判斷線段之起始邊緣畫素與終點邊緣畫素間之距離是否小於第五閥值。當小於第五閥值時，處理器15執行步驟S615。
另一方面，當不小於第五閥值時，處理器15執行步驟S607，判斷線段之起始邊緣畫素與終點邊緣畫素之距離是否小於第六閥值。當小於第六閥值，處理器15執行步驟S609，對線段進行邊緣補點程序。隨後， 於步驟S611中，處理器15判斷經邊緣補點程序後之線段，其線段之起始邊緣畫素與終點邊緣畫素間之距離是否小於第五閥值。若不小於第五閥值，則處理器15執行步驟S613，消除線段及線段所對應之該等邊緣畫素。
若經邊緣補點程序後，線段之起始邊緣畫素與終點邊緣畫素間之距離已小於第五閥值，則處理器15執行步驟S615。於步驟S615中，處理器15判斷線段之該等邊緣畫素之總梯度方向是否朝向線段所圍之區域之圓心。若不朝向圓心，則將線段所圍之區域內之該等畫素劃分為核內細胞質封入體區塊，並執行步驟S613，消除此線段及其所對應之該等邊緣畫素。
若線段之該等邊緣畫素之總梯度方向朝向線段之圓心，則處理器15執行步驟S617，判斷線段之周長是否小於第三閥值。當小於第三閥值時，則執行步驟S613，消除此線段及其所對應之該等邊緣畫素。當大於第三閥值時，則處理器15執行步驟S619。於步驟S619中，則處理器15判斷線段之圓整度是否大於等於第七閥值。當大於等於第七閥值，處理器15執行步驟S623，將線段之該等邊緣畫素標註為一細胞核邊緣，且判斷為完整且偏圓形之細胞核邊緣。
另一方面，當線段之圓整度小於第七閥值時，處理器15執行步驟S621，判斷線段之橢圓度是否大於等於第八閥值。若線段之橢圓度大於等於第八閥值，則執行步驟S623，將線段之該等邊緣畫素標註為一細胞核邊緣，且判斷為完整且偏長型(橢圓形)之細胞核邊緣，作為後續將該等偏長型之細胞核邊緣視覺化以呈現細胞核區塊之至少一偏長形細胞核區塊。反之，若線段之橢圓度小於第八閥值，則判斷為不規則形狀之細胞核邊緣，並執行步驟S613，消除此線段及其所對應之該等邊緣畫素。
經上述操作後未消除之該等線段之該等邊緣畫素係為細胞核邊緣畫素，故處理器15可獲得一邊緣矩陣及該邊緣矩陣之該等邊緣畫素之一連線資訊。如此一來，透過上述操作，處理器15可將基於暫時去背影像103_temp所獲得之邊緣矩陣及其連線資訊併入至第二實施例所產生之整合邊緣矩陣及整合邊緣矩陣之該等邊緣畫素之整合連線資訊中，以盡可能地準確地圈選出去背影像103中的該等細胞核區塊1101。
此外，於上述實施例中，於圈選該等細胞核區塊1101後，處理器15可進一步針對細胞質部分1203，判斷細胞質部分中是否存在複數個畫素，其位於圈選之該等細胞核區塊1101內且不屬於核內細胞質封入體區塊1501，若是，則處理器15將位於圈選之該等細胞核區塊1101內且不屬於核內細胞質封入體區塊1501之該等畫素重新劃分至細胞核部分1201。
綜上所述，相較於習知技術，本發明藉由將細胞學影像劃分為細胞核部分及細胞質部分，並圈選出細胞核區塊，可提供細胞學影像的相關量化參數及分析影像。如此一來，本發明所提供之關於細胞學影像的進階資訊得以輔助醫生對細胞學影像作出診斷，降低不同醫師對於相同的細胞學影像作出之診斷結果間的分歧，進而提高對患者病情判斷的準確性。
上述實施方式僅用來例舉本發明之部分實施態樣，以及闡釋本發明之技術特徵，而非用來限制本發明之保護範疇及範圍。任何本發明所屬技術領域中具有通常知識者可輕易完成之改變或均等性之安排均屬於本發明所主張之範圍，而本發明之權利保護範圍以申請專利範圍為準。

Claims (17)

  1. 一種細胞學影像特徵量化方法，用於一細胞學影像處理裝置，該細胞學影像特徵量化方法包含下列步驟：(a)讀取一細胞學影像，該細胞學影像包含複數個畫素(pixel)；(b)根據各該畫素在一色彩空間中之複數個色彩屬性至少其中之一，去除該細胞學影像之一背景部分，以產生一去背影像；(c)劃分該去背影像為一細胞核部分及一細胞質部分；以及(d)根據該細胞核部分及該細胞質部分，產生一核質顏色比。
  2. 如請求項1所述之細胞學影像特徵量化方法，其中該步驟(b)更包含下列步驟：(b1)根據該細胞學影像之該等畫素之該等色彩屬性至少其中之一，決定複數個第一初始參考點；(b2)根據該等第一初始參考點，針對該細胞學影像之該等畫素，進行一分群，去除該細胞學影像之該背景部分，以獲得該去背影像；(b3)根據該去背影像之該等畫素之該等色彩屬性至少其中之一，決定複數個第二初始參考點；(b4)根據該等第二初始參考點，針對該去背影像之該等畫素，進行該分群，去除該去背影像之該背景部分，以更新該去背影像；其中，該步驟(c)更包含下列步驟：(c1)根據該去背影像之該等畫素之該等色彩屬性至少其中之一及其一權重比例，決定複數個第三初始參考點，並根據該等第三初始參考點及該權重比例，針對該去背影像之該等畫素進行一分群，以劃分該去背 影像為該細胞核部分及該細胞質部分。
  3. 如請求項1所述之細胞學影像特徵量化方法，其中，該核質顏色比係經由將該細胞核部分之該等色彩屬性之一函數值除以該細胞質部分之該等色彩屬性之一函數值產生。
  4. 一種細胞學影像特徵量化方法，用於一細胞學影像處理裝置，該細胞學影像特徵量化方法包含下列步驟：(a)讀取一細胞學影像，該細胞學影像包含複數個畫素(pixel)；(b)根據各該畫素在一色彩空間中之複數個色彩屬性至少其中之一，去除該細胞學影像之一背景部分，以產生一去背影像；(c)劃分該去背影像為一細胞核部分及一細胞質部分；(d)偵測該去背影像之複數邊緣畫素，以圈選該去背影像中的複數個細胞核區塊；(e)產生一參數集，該參數集包含下列至少其中之一：一細胞核排列方向變異度(nuclear polarity)、一核內細胞質封入體指數(index of inclusions)及一細胞核重疊和緊貼指數(index of overlapping and molding)，其中該細胞核排列方向變異度係根據該等細胞核區塊而產生，該核內細胞質封入體指數係根據該細胞核部分而產生，該細胞核重疊和緊貼指數係根據該等細胞核區塊及該細胞核部分而產生；以及(f)視覺化該去背影像，以產生一輸出影像。
  5. 如請求項4所述之細胞學影像特徵量化方法，其中該步驟(b)更包含下列步驟：(b1)根據該細胞學影像之該等畫素之該等色彩屬性至少其中之一， 決定複數個第一初始參考點；(b2)根據該等第一初始參考點，針對該細胞學影像之該等畫素，進行一分群，去除該細胞學影像之該背景部分，以獲得該去背影像；(b3)根據該去背影像之該等畫素之該等色彩屬性至少其中之一，決定複數個第二初始參考點；(b4)根據該等第二初始參考點，針對該去背影像之該等畫素，進行該分群，去除該去背影像之該背景部分，以更新該去背影像；其中，該步驟(c)更包含下列步驟：(c1)根據該去背影像之該等畫素之該等色彩屬性至少其中之一及其一權重比例，決定複數個第三初始參考點，並根據該等第三初始參考點及該權重比例，針對該去背影像之該等畫素進行一分群，以劃分該去背影像為該細胞核部分及該細胞質部分。
  6. 如請求項4所述之細胞學影像特徵量化方法，其中該步驟(d)更包含下列步驟：(d1-1)根據該去背影像之該等畫素之該等色彩屬性至少其中之一，產生一二維灰階矩陣；(d1-2)將該二維灰階矩陣乘上一具有一第i個參數之德里切過濾(Deriche filter)矩陣，以得到一第i個二維梯度矩陣，該第i個二維梯度矩陣記載各該畫素相對於其相鄰該等畫素之一水平方向梯度與一垂直方向梯度，其中i之初始值為1；(d1-3)套用一遮罩至該第i個二維梯度矩陣，判斷該遮罩中之一中間畫素之一總梯度大小是否於該遮罩內為一相對最大值，若否，將該中間 畫素之該水平方向梯度與該垂直方向梯度設為0，以更新該第i個二維梯度矩陣；以及(d1-4)套用該遮罩至更新後之該第i個二維梯度矩陣，判斷該遮罩中之該中間畫素之一鄰近垂直畫素與一鄰近水平畫素之該等總梯度大小是否皆不等於0，若是，將該中間畫素之該水平方向及該垂直方向梯度設為0，以更新該第i個二維梯度矩陣，其中更新後之該第i個二維梯度矩陣中該總梯度大小不等於0之該等畫素係為該等邊緣畫素；(d1-5)將i設為2，並執行上述步驟(d1-2)至步驟(d1-4)，以獲得一第2個二維梯度矩陣；以及(d1-6)將i設為3，並執行上述步驟(d1-2)至步驟(d1-4)，以獲得一第3個二維梯度矩陣；其中，針對該第i個二維梯度矩陣，i為1至3，該步驟(d)更包含下列步驟：(d2-1)以一八連通(8-connection connectivity)規則，連線該等邊緣畫素以形成複數線段，其中一目前邊緣畫素所連線之一下一邊緣畫素之該總梯度大小大於一第一閥值，且該目前邊緣畫素之一總梯度方向與其所連線之該下一邊緣畫素之該總梯度方向間之一夾角小於一第二閥值；(d2-2)消除一長度小於一第三閥值之四分之三倍或一平均梯度小於一第四閥值之該線段及該線段所對應之該等邊緣畫素；(d2-3)判斷該等線段之一起始邊緣畫素與一終點邊緣畫素間之一距離是否小於一第五閥值；(d2-4)針對該起始邊緣畫素與該終點邊緣畫素間之該距離不小於該 第五閥值之該線段，判斷該線段之該起始邊緣畫素與該終點邊緣畫素間之該距離是否小於一第六閥值，當小於該第六閥值時，對該線段進行一邊緣補點程序；(d2-5)針對經由該邊緣補點程序處理之該線段，判斷該線段之該起始邊緣畫素與該終點邊緣畫素間之該距離是否小於該第五閥值，並消除該距離不小於該第五閥值之該線段及該線段所對應之該等邊緣畫素；(d2-6)針對各該線段，判斷該線段所對應之該等邊緣畫素之該總梯度方向是否朝向該線段所圍之一區域之一圓心；(d2-7)針對該等邊緣畫素之該總梯度方向不朝向該圓心之該線段，將該線段所圍之該區域內之該等畫素劃分為一核內細胞質封入體區塊，並消除該線段及該線段所對應之該等邊緣畫素；(d2-8)針對該邊緣畫素之該總梯度方向朝向該圓心之該線段，判斷該線段之一周長是否小於該第三閥值，並消除該周長小於該第三閥值之該線段及該線段所對應之該等邊緣畫素；(d2-9)針對該周長不小於該第三閥值之該線段，判斷該線段之一圓整度(circularity)是否小於一第七閥值；(d2-10)針對該圓整度小於該第七閥值之該線段，判斷該線段之一橢圓度(ellipticity)是否小於一第八閥值，並消除該橢圓度小於該第八閥值之該線段及該線段所對應之該等邊緣畫素；以及(d2-11)根據未消除之該等線段及該等線段所對應之該等邊緣畫素，產生一第i個邊緣矩陣及該第i個邊緣矩陣之該等邊緣畫素之一第i個連線資訊； 其中，該步驟(d)更包含下列步驟：(d2-12)整合該第1個邊緣矩陣、該第2個邊緣矩陣與該第3個邊緣矩陣以及該第1個連線資訊、該第2個連線資訊及該第3個連線資訊，以獲得一整合邊緣矩陣及該整合邊緣矩陣之該等邊緣畫素之一整合連線資訊；以及(d2-13)根據該整合邊緣矩陣及該整合邊緣矩陣之該等邊緣畫素之該整合連線資訊，圈選該去背影像中的該等細胞核區塊。
  7. 如請求項6所述之細胞學影像特徵量化方法，其中步驟(d)更包含下列步驟：(d3-1)基於該第i個邊緣矩陣及該第i個邊緣矩陣之該等邊緣畫素之該第i個連線資訊，將該去背影像中被各該線段所圍之一區域內之該等畫素設成一背景畫素，以產生一暫時去背影像；(d3-2)根據該暫時去背影像之該等畫素之該等色彩屬性至少其中之一，產生一二維灰階矩陣，並執行步驟(d1-2)至步驟(d1-4)以及步驟(d2-1)至(d2-11)，以獲得該暫時去背影像之該第i個邊緣矩陣及該第i個邊緣矩陣之該等邊緣畫素之該第i個連線資訊；(d3-3)判斷該暫時去背影像之該第i個邊緣矩陣是否存在該等邊緣畫素；(d3-4)若存在該等邊緣畫素，則將該暫時去背影像之該第i個邊緣矩陣及該第i個邊緣矩陣之該等邊緣畫素之該第i個連線資訊併入至該去背影像之該第i個邊緣矩陣及該第i個邊緣矩陣之該等邊緣畫素之該第i個連線資訊中；以及 (d3-5)重複上述步驟(d3-1)至步驟(d3-4)直到於步驟(d3-3)中判斷該等邊緣畫素不存在。
  8. 如請求項6所述之細胞學影像特徵量化方法，其中該步驟(d)更包含下列步驟：(d4-1)基於該整合邊緣矩陣及該整合邊緣矩陣之該等邊緣畫素之該連線資訊，將該去背影像中被各該線段所圍之該區域內之該等畫素設成該背景畫素，以產生一暫時去背影像；(d4-2)根據該暫時去背影像之該等畫素之該等色彩屬性至少其中之一，產生一二維二值化矩陣；(d4-3)將該二維二值化矩陣乘上具有一參數之一德里切過濾(Deriche filter)矩陣，以得到一二維梯度矩陣，該二維梯度矩陣記載各該畫素相對於其相鄰該等畫素之該水平方向梯度與該垂直方向梯度；(d4-4)套用該遮罩至該二維梯度矩陣，判斷該遮罩中之該中間畫素之該總梯度大小是否於該遮罩內為一相對最大值，若否，將該中間畫素之該水平方向及該垂直方向梯度設為0，以更新該二維梯度矩陣；(d4-5)套用該遮罩至更新後之該二維梯度矩陣，判斷該遮罩中之該中間畫素之該鄰近垂直畫素與該鄰近水平畫素之該等總梯度大小是否皆不等於0，若是，將該中間畫素之該水平方向及該垂直方向梯度設為0，以更新該二維梯度矩陣，其中更新後之該二維梯度矩陣中該總梯度大小不等於0之該等畫素係為該等邊緣畫素；其中，針對該二維梯度矩陣，該步驟(d)更包含下列步驟：(d5-1)以該八連通規則，連線該等邊緣畫素以形成複數線段，其中 該目前邊緣畫素之該總梯度方向與其所連線之該下一邊緣畫素之該總梯度方向間之該夾角小於該第二閥值；(d5-2)消除該長度小於該第三閥值之四分之三倍之該線段及該線段所對應之該等邊緣畫素；(d5-3)判斷該等線段之該起始邊緣畫素與該終點邊緣畫素間之該距離是否小於該第五閥值；(d5-4)針對該起始邊緣畫素與該終點邊緣畫素間之該距離不小於該第五閥值之該線段，判斷該線段之該起始邊緣畫素與該終點邊緣畫素間之該距離是否小於該第六閥值，當小於該第六閥值時，對該線段進行該邊緣補點程序；(d5-5)針對經由該邊緣補點程序處理之該線段，判斷該線段之該起始邊緣畫素與該終點邊緣畫素間之該距離是否小於該第五閥值，並消除該距離大於該第五閥值之該線段及該線段所對應之該等邊緣畫素；(d5-6)針對各該線段，判斷該線段所對應之該等邊緣畫素之該總梯度方向是否朝向該線段所圍之該區域之該圓心；(d5-7)針對該等邊緣畫素之該總梯度方向不朝向該圓心之該線段，將該線段所圍之該區域內之該等畫素劃分為該核內細胞質封入體區塊，並消除該線段及該線段所對應之該等邊緣畫素；(d5-8)針對該邊緣畫素之該總梯度方向朝向該圓心之該線段，判斷該線段之該周長是否小於該第三閥值，並消除該周長小於該第三閥值之該線段及該線段所對應之該等邊緣畫素；(d5-9)針對該周長不小於該第三閥值之該線段，判斷該線段之該圓 整度是否小於該第七閥值；(d5-10)針對該圓整度小於該第七閥值之該線段，判斷該線段之該橢圓度是否小於該第八閥值，並消除該橢圓度小於該第八閥值之該線段及該線段所對應之該等邊緣畫素；以及(d5-11)根據未被消除之該等線段及該等線段所對應之該等邊緣畫素，產生一邊緣矩陣及該邊緣矩陣之該等邊緣畫素之一連線資訊；以及(d5-12)將該邊緣矩陣及該邊緣矩陣之該等邊緣畫素之該連線資訊併入至該整合邊緣矩陣及該整合邊緣矩陣之該等邊緣畫素之該整合連線資訊。
  9. 如請求項6所述之細胞學影像特徵量化方法，其中該步驟(c)更包含下列步驟：針對該細胞質部分，判斷該細胞質部分中是否存在複數個畫素，其位於圈選之該等細胞核區塊內且不屬於該核內細胞質封入體區塊，若是，則將位於圈選之該等細胞核區塊內且不屬於該核內細胞質封入體區塊之該等畫素重新劃分至該細胞核部分。
  10. 如請求項6所述之細胞學影像特徵量化方法，其中該步驟(d2-12)更包含下列步驟：判斷該第2個邊緣矩陣中該等線段中是否存在至少一第一新線段，其之一重心與該第1個邊緣矩陣中該等線段所圍之該等區域之複數個重心每一者間之複數重心距離皆大於一細胞核平均短軸長；若存在該至少一第一新線段，將該至少一第一新線段之該等邊緣畫素加入至該第1個邊緣矩陣，以產生該整合邊緣矩陣，以及將與該至少 一第一新線段相關連之一連線資訊加入至該第1連線資訊，以產生該整合連線資訊；判斷該第3個邊緣矩陣中該等線段中是否存在至少一第二新線段，其之一重心與該整合邊緣矩陣中該等線段所圍之該等區域之複數個重心每一者間之複數重心距離皆大於該細胞核平均短軸長；若存在該至少一第二新線段，將該至少一第二新線段之該等邊緣畫素加入至該整合邊緣矩陣，以更新該整合邊緣矩陣，以及將與該至少一第二新線段相關連之一連線資訊加入至該整合連線資訊，以更新該整合連線資訊。
  11. 如請求項6所述之細胞學影像特徵量化方法，其中該邊緣補點程序包含下列步驟：根據該線段之該起始邊緣畫素與該終點邊緣畫素間之一斜率、一水平距離及一垂直距離，以一畫素單位逐步地自該起始邊緣畫素往該終點邊緣畫素新增複數個該邊緣畫素。
  12. 如請求項4所述之細胞學影像特徵量化方法，其中該輸出影像係用以視覺化呈現一核質比(nuclei-to-cytoplasm ratio；NCR)、該等細胞核區塊、該等細胞核區塊之至少一偏長形細胞核區塊、該細胞核部分中之一重疊細胞核部分、至少一該核內細胞質封入體區塊以及一細胞核長軸分佈至少其中之一。
  13. 如請求項4所述之細胞學影像特徵量化方法，其中，該細胞核排列方向變異度(nuclear polarity)係經由計算圈選之該等細胞核區塊之一細胞核長軸與一水平線間之一夾角的標準差所產生； 其中，該核內細胞質封入體(index of inclusions)指數係經由將該細胞核部分內之複數封入體區塊之一總面積除以該細胞核部分之一總面積產生；以及其中，該細胞核重疊和緊貼(index of overlapping and molding)指數係經由將該細胞核部分中非屬於該等細胞核區塊之一剩餘區塊面積除以該細胞核部分之該總面積所產生。
  14. 一種細胞學影像處理裝置，包含：一儲存器，用以儲存一細胞學影像，該細胞學影像包含複數個畫素；一處理器，電性連接至該儲存器，用以執行下列步驟：(a)自該儲存器，讀取該細胞學影像；(b)根據各該畫素在一色彩空間中之複數個色彩屬性至少其中之一，去除該細胞學影像之一背景部分，以產生一去背影像；(c)劃分該去背影像為一細胞核部分及一細胞質部分；(d)偵測該去背影像之複數邊緣畫素，以圈選該去背影像中的複數個細胞核區塊；(e)產生一參數集，該參數集包含下列至少其中之一：一細胞核排列方向變異度、一核內細胞質封入體指數、一核質顏色比及一細胞核重疊和緊貼指數，其中該核質顏色比係根據該細胞核部分及該細胞質部分而產生，該細胞核排列方向變異度係根據該等細胞核區塊而產生，該核內細胞質封入體指數係根據該細胞核部分而產生，該細胞核重疊和緊貼指數係根據該等細胞核區塊及該細胞核部分而產生；以及(f)視覺化該去背影像，以產生一輸出影像。
  15. 如請求項14所述之細胞學影像處理裝置，更包含一輸入介面以及一輸出介面，其中該處理器更透過該輸入介面讀取該細胞學影像，並將該細胞學影像儲存於儲存器中，以及該處理器透過該輸出介面傳送該輸出影像。
  16. 如請求項14所述之細胞學影像處理裝置，其中該步驟(b)更包含下列步驟：(b1)根據該細胞學影像之該等畫素之該等色彩屬性至少其中之一，決定複數個第一初始參考點；(b2)根據該等第一初始參考點，針對該細胞學影像之該等畫素，進行一分群，去除該細胞學影像之該背景部分，以獲得該去背影像；(b3)根據該去背影像之該等畫素之該等色彩屬性至少其中之一，決定複數個第二初始參考點；(b4)根據該等第二初始參考點，針對該去背影像之該等畫素，進行該分群，去除該去背影像之該背景部分，以更新該去背影像；其中，該步驟(c)更包含下列步驟：(c1)根據該去背影像之該等畫素之該等色彩屬性至少其中之一及其一權重比例，決定複數個第三初始參考點，並根據該等第三初始參考點及該權重比例，針對該去背影像之該等畫素進行一分群，以劃分該去背影像為該細胞核部分及該細胞質部分。
  17. 如請求項14所述之細胞學影像處理裝置，其中該步驟(d)更包含下列步驟：(d1-1)根據該去背影像之該等畫素之該等色彩屬性至少其中之一， 產生一二維灰階矩陣；(d1-2)將該二維灰階矩陣乘上一具有一第i個參數之德里切過濾(Deriche filter)矩陣，以得到一第i個二維梯度矩陣，該第i個二維梯度矩陣記載各該畫素相對於其相鄰該等畫素之一水平方向梯度與一垂直方向梯度，其中i之初始值為1；(d1-3)套用一遮罩至該第i個二維梯度矩陣，判斷該遮罩中之一中間畫素之一總梯度大小是否於該遮罩內為一相對最大值，若否，將該中間畫素之該水平方向梯度與該垂直方向梯度設為0，以更新該第i個二維梯度矩陣；以及(d1-4)套用該遮罩至更新後之該第i個二維梯度矩陣，判斷該遮罩中之該中間畫素之一鄰近垂直畫素與一鄰近水平畫素之該等總梯度大小是否皆不等於0，若是，將該中間畫素之該水平方向及該垂直方向梯度設為0，以更新該第i個二維梯度矩陣，其中更新後之該第i個二維梯度矩陣中該總梯度大小不等於0之該等畫素係為該等邊緣畫素；(d1-5)將i設為2，並執行上述步驟(d1-2)至步驟(d1-4)，以獲得一第2個二維梯度矩陣；以及(d1-6)將i設為3，並執行上述步驟(d1-2)至步驟(d1-4)，以獲得一第3個二維梯度矩陣；其中，針對該第i個二維梯度矩陣，i為1至3，該步驟(d)更包含下列步驟：(d2-1)以一八連通(8-connection connectivity)規則，連線該等邊緣畫素以形成複數線段，其中一目前邊緣畫素所連線之一下一邊緣畫素之 該總梯度大小大於一第一閥值，且該目前邊緣畫素之一總梯度方向與其所連線之該下一邊緣畫素之該總梯度方向間之一夾角小於一第二閥值；(d2-2)消除該等線段中一長度小於一第三閥值之四分之三倍或一平均梯度小於一第四閥值之該線段及該線段所對應之該等邊緣畫素；(d2-3)判斷該等線段之一起始邊緣畫素與一終點邊緣畫素間之一距離是否小於一第五閥值；(d2-4)針對該起始邊緣畫素與該終點邊緣畫素間之該距離不小於該第五閥值之該線段，判斷該線段之該起始邊緣畫素與該終點邊緣畫素間之該距離是否小於一第六閥值，當小於該第六閥值時，對該線段進行一邊緣補點程序；(d2-5)針對經由該邊緣補點程序處理之該線段，判斷該線段之該起始邊緣畫素與該終點邊緣畫素間之該距離是否小於該第五閥值，並消除該距離不小於該第五閥值之該線段及該線段所對應之該等邊緣畫素；(d2-6)針對各該線段，判斷該線段所對應之該等邊緣畫素之該總梯度方向是否朝向該線段所圍之該區域之一圓心；(d2-7)針對該等邊緣畫素之該總梯度方向不朝向該圓心之該線段，將該線段所圍之一區域內之該等畫素劃分為一核內細胞質封入體區塊，並消除該線段及該線段所對應之該等邊緣畫素；(d2-8)針對該邊緣畫素之該總梯度方向朝向該圓心之該線段，判斷該線段之一周長是否小於該第三閥值，並消除該周長小於該第三閥值之該線段及該線段所對應之該等邊緣畫素；(d2-9)針對該周長不小於該第三閥值之該線段，判斷該線段之一圓 整度(circularity)是否小於一第七閥值；(d2-10)針對該圓整度小於該第七閥值之該線段，判斷該線段之一橢圓度(ellipticity)是否小於一第八閥值，並消除該橢圓度小於該第八閥值之該線段及該線段所對應之該等邊緣畫素；以及(d2-11)根據未消除之該等線段及該等線段所對應之該等邊緣畫素，產生一第i個邊緣矩陣及該第i個邊緣矩陣之該等邊緣畫素之一第i個連線資訊；其中，該步驟(d)更包含下列步驟：(d2-12)整合該第1個邊緣矩陣、該第2個邊緣矩陣與該第3個邊緣矩陣以及該第1個連線資訊、該第2個連線資訊及該第3個連線資訊，以獲得一整合邊緣矩陣及該整合邊緣矩陣之該等邊緣畫素之一整合連線資訊；以及(d2-13)根據該整合邊緣矩陣及該整合邊緣矩陣之該等邊緣畫素之該整合連線資訊，圈選該去背影像中的該等細胞核區塊。
TW106137944A 2016-11-09 2017-11-02 細胞學影像處理裝置及細胞學影像特徵量化方法 TWI630581B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201662419928P 2016-11-09 2016-11-09
US62/419,928 2016-11-09

Publications (2)

Publication Number Publication Date
TW201818349A true TW201818349A (zh) 2018-05-16
TWI630581B TWI630581B (zh) 2018-07-21

Family

ID=60153049

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106137944A TWI630581B (zh) 2016-11-09 2017-11-02 細胞學影像處理裝置及細胞學影像特徵量化方法

Country Status (5)

Country Link
US (1) US10497116B2 (zh)
EP (1) EP3321851A3 (zh)
JP (1) JP6598838B2 (zh)
CN (1) CN108074268A (zh)
TW (1) TWI630581B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI722297B (zh) * 2018-06-28 2021-03-21 國立高雄科技大學 醫學影像之體內邊緣偵測處理系統及其方法
TWI738131B (zh) * 2019-11-28 2021-09-01 財團法人資訊工業策進會 影像系統及檢測方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2020079703A1 (en) * 2018-10-18 2020-04-23 Payeli Sravan Kumar Monitoring follicular fluid flow using image processing
CN114764789B (zh) * 2022-03-30 2024-05-21 广州锟元方青医疗科技有限公司 病理细胞的量化方法、系统、装置及存储介质
CN116912133B (zh) * 2023-09-12 2023-12-19 深圳市瑞沃德生命科技有限公司 一种梯度方向矫正方法及其装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2894113B2 (ja) * 1992-11-04 1999-05-24 松下電器産業株式会社 画像クラスタリング装置
CA2570483A1 (en) * 2004-06-21 2006-01-05 Exelixis, Inc. Pgds as modifiers of the pten pathway and methods of use
ES2617882T3 (es) * 2005-05-13 2017-06-20 Tripath Imaging, Inc. Método de análisis de imagen basado en la separación de cromógenos
JP4852890B2 (ja) * 2005-05-31 2012-01-11 株式会社ニコン 細胞の自動良否判定システム
EP2227774B1 (en) * 2007-12-04 2014-07-09 University College Dublin, National University of Ireland Dublin Method and system for image analysis
JP5426181B2 (ja) * 2009-01-21 2014-02-26 シスメックス株式会社 検体処理システム、細胞画像分類装置、及び検体処理方法
US8948474B2 (en) * 2010-01-25 2015-02-03 Amcad Biomed Corporation Quantification method of the feature of a tumor and an imaging method of the same
US20110256763A1 (en) * 2010-04-07 2011-10-20 Jan De Geest Mitigation of crosstalk resonances in interconnects
WO2012100190A2 (en) * 2011-01-21 2012-07-26 Carnegie Mellon University Identifying location biomarkers
WO2013049153A2 (en) * 2011-09-27 2013-04-04 Board Of Regents, University Of Texas System Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
TWI496112B (zh) * 2013-09-13 2015-08-11 Univ Nat Cheng Kung 細胞影像分割方法以及核質比評估方法
CN105139383B (zh) * 2015-08-11 2018-08-10 北京理工大学 基于定义圆hsv颜色空间的医学图像分割方法
EP3792825B1 (en) * 2015-12-18 2022-05-11 Abbott Laboratories Methods and systems for assessing histological stains

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI722297B (zh) * 2018-06-28 2021-03-21 國立高雄科技大學 醫學影像之體內邊緣偵測處理系統及其方法
TWI738131B (zh) * 2019-11-28 2021-09-01 財團法人資訊工業策進會 影像系統及檢測方法
US11398057B2 (en) 2019-11-28 2022-07-26 Institute For Information Industry Imaging system and detection method

Also Published As

Publication number Publication date
CN108074268A (zh) 2018-05-25
US10497116B2 (en) 2019-12-03
JP6598838B2 (ja) 2019-10-30
JP2018116685A (ja) 2018-07-26
EP3321851A2 (en) 2018-05-16
TWI630581B (zh) 2018-07-21
EP3321851A3 (en) 2018-08-01
US20180130205A1 (en) 2018-05-10

Similar Documents

Publication Publication Date Title
TWI630581B (zh) 細胞學影像處理裝置及細胞學影像特徵量化方法
JP4504203B2 (ja) 画像分析に基づいたエストロゲン及びプロゲステロン表現のスコアリング
US9779503B2 (en) Methods for measuring the efficacy of a stain/tissue combination for histological tissue image data
CN107850586B (zh) 图像解析装置、图像解析方法、图像解析系统、以及存储介质
AU2013258519B2 (en) Method and apparatus for image scoring and analysis
US11176412B2 (en) Systems and methods for encoding image features of high-resolution digital images of biological specimens
JP6168426B2 (ja) 疾患分析装置、制御方法、及びプログラム
US8346022B2 (en) System and method for generating an intrinsic image using tone mapping and log chromaticity
US20250164376A1 (en) Information processing apparatus, information processing method, and program
CN110838094B (zh) 病理切片染色风格转换方法和电子设备
JP7731556B2 (ja) 病理スライドイメージに対する免疫表現型と関連付けられた情報を提供する方法及び装置
WO2019065105A1 (ja) 画像解析装置、方法およびプログラム
JP2023517703A (ja) 空間マルチパラメータ細胞・細胞内撮像プラットフォームからの組織サンプルの全スライド画像における管／腺及び内腔、管／腺のクラスタ、並びに個々の核を含む組織学的構造のスケーラブルで高精度なコンテクストガイドセグメンテーション
EP3629286A1 (en) Image analysis evaluation method, computer program, and image analysis evaluation device
JP6819445B2 (ja) 情報処理装置、制御方法、及びプログラム
JP7631469B2 (ja) 組織領域における複数の細胞型について密度および空間関係を効率的に決定するための方法
Lukashevich et al. An approach to cell nuclei counting in histological image analysis
CN110009627B (zh) 用于处理图像的方法和装置
JP2022104405A (ja) 画像解析方法、推定装置、推定システム、制御プログラム、記録媒体
Song et al. A circumscribing active contour model for delineation of nuclei and membranes of megakaryocytes in bone marrow trephine biopsy images
JP5762571B2 (ja) 画像処理方法、画像処理装置、画像処理プログラム、および記録媒体
Phan et al. Biomedical Imaging Informatics for Diagnostic Imaging Marker Selection
Kiss et al. High Resolution Digital Tissue Image Processing using Texture Image Databases