[发明专利]基于组合视图的显微图像细胞计数与姿态识别方法及系统

说明书

本发明属于智能医疗辅助和计算机视觉技术领域，公开了一种基于组合视图的显微图像细胞计数与姿态识别方法及系统，获取目标在不同焦段下拍摄的多张图像，通过人工观察，标注每张图像中包含的细胞个数，将标注了细胞个数的图像作为训练样本，训练一个深度神经网络细胞个数预测模型；对获取的图像进行去噪、对比度增强预处理，并在每张图像上利用深度卷积神经网络得到的特征检测边缘；在每张图像上根据边缘拟合椭圆，将所有图像上的椭圆收集起来作为候选集合；在多张图像的组合上对候选椭圆进行验证和筛选。本发明可以有效克服显微图像的质量退化问题，克服了单视图固有的缺陷，改善椭圆拟合的质量，进而提升细胞计数和姿态识别的准确性。

技术领域

本发明属于智能医疗辅助和计算机视觉技术领域，尤其涉及一种基于组合视图的显微图像细胞计数与姿态识别方法及系统。

背景技术

目前，体外受精(IVF)是针对不孕不育症的有效治疗方法之一。为了保证体外受精质量，需要对多组胚胎样本进行质量评估优选。专业机构的医生可以通过显微镜对受精卵细胞的形态进行持续观察，并给出评估结果。这种方式简单直接，但需要相当专业的背景知识和大量的人工参与，门槛较高且效率低下。因此，许多研究者尝试用图像智能解译的方式来代替人工参与。

霍夫曼调制相衬(HMC)显微成像技术是最常用的透明目标无创图像采集方法。然而，由于培养皿中的细胞处于半透明和重叠状态、细胞代谢物和碎片等杂质干扰、成像光照条件和噪声带来的质量问题等因素，自动从图像中提取细胞的数量、姿态等信息仍然面临极大的挑战。现有的方案主要通过对图像中目标几何形状的拟合来实现细胞计数或定位功能，其重要假设是细胞的形态可以用近似圆或椭圆表示。现有技术1研究了基于粒子群算法的霍夫变换参数优化模型，实现对单胚胎的圆形拟合，但并未考虑分裂后有多个细胞的情况；现有技术2提出了一种基于最小二乘法的多细胞计数方法，通过拟合圆形来检测培养过程中细胞的数量。然而，这类方法仅考虑圆形作为几何要素，对非圆形态的细胞并不适用。因此，一些研究者使用椭圆来获得更广泛的形状适应性。现有技术3提出基于Hough变换的椭圆检测方法来实现4细胞时期的检测任务；现有技术4通过等周图分割得到细胞边缘，再通过最小二乘法进行椭圆拟合。与圆形相比，椭圆的适用场景更加广泛，但是仅仅利用单幅图像提供的信息难以克服杂质、噪声、轮廓弱化、重叠等因素带来的挑战。为了解决这一问题，现有技术5提出了一种使用Z-stack(即单细胞时期在不同聚焦水平下的一组图像)的细胞分割方法，提出了利用多焦段多视图融合增强的思想，但其应用仅限于单细胞时期。

通过上述分析，现有技术存在的问题及缺陷为：(1)现有技术对几何形状的拟合依赖的轮廓边缘信息，对噪声、遮挡和成像质量比较敏感，导致几何形状拟合的质量不佳。

(2)现有技术无法适用于图像中的细胞数量未知的情况。

(3)多焦段多视图的融合应用目前仅限于单细胞时期，尚未扩展到多细胞时期。

解决以上问题及缺陷的难度为：(1)通用的轮廓边缘提取算法难以克服应用场景下噪声、遮挡和成像质量的影响，需要引入语义级的信息来提高轮廓的感知能力。

(2)当图像中包含细胞的数量未知时，需要求解一个数量估计和姿态估计的联合问题，相较于数量已知的情况，该问题的未知量更多、复杂性更高、难度也更大。

(3)多焦段多视图数据按照何种方式进行融合才能增强细胞计数和定位的效果，同时适应细胞数量未知的场景，尚无现有工作可以借鉴。

解决以上问题及缺陷的意义为：融合高层语义信息可以提升轮廓感知的能力，降低传统方法边缘质量带来的不稳定性；通过解决细胞数量未知时的计数和定位问题，建立细胞数量和姿态联合估计的统一框架，方法的适用场景得到扩展；建立多视图融合增强的有效机制，克服单视图固有的缺陷，提升结果准确性。

发明内容

针对现有技术存在的问题，本发明提供了一种基于组合视图的显微图像细胞计数与姿态识别方法及系统。