技术摘要：
本发明属于智能医疗辅助和计算机视觉技术领域，公开了一种显微图像细胞计数与姿态识别方法及系统，采用目标在不同焦段下拍摄的多张图像，而非仅仅利用特定焦段的一张图像；在多张图像经预处理后的平均图像上检测边缘，并对边缘进行细化。根据边缘图像拟合所有可能的椭  全部
背景技术：
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。Habibie  I等人[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；Yun  Tian等人[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。Charalambos等人 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；Amarjot  Singh1等人 [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，Giusti等人[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)现有技术仅仅考虑单细胞、四 细胞等时期的图像，细胞数量是已知的，如果图像中的细胞数量未知则无法适用。 (2)多焦段多视图的融合相比单视图有显著优势，但其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)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。 (2)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：可以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 5 CN 111724378 A 说　明　书 2/9 页 的有效机制，克服单视图固有的缺陷，提升结果准确性。 参考文献： [1] .WangD ,Lu  H ,Bo  C .Visual  tracking  via  weighted  local  cosine  similarity[J].IEEE  Transactions  on  Cybernetics,2017,45(9):1838-1850. [2] .Yun  Tian ,Yabo  Yin ,Fuqing  Duan ,Weizhou  Wang ,Wei  Wang ,Mingquan  Zhou ,Automatic  blastomere  recognition  from  a  single  embryo  image , Computational  and  Mathematical  Methods  in  Medicine,2014. [3] .Charalambos  Strouthopoulos ,George  Anifandis ,An  automated  blastomere  identification  method  for  the  evaluation  of  day  2embryos  during  IVF/ICSI  treatments,Computer  Methods  and  Programs  in  Biomedicine,Volume  156, 2018,Pages  53-59,ISSN  0169-2607. [4] .A .Singh ,J .Buonassisi ,P .Saeedi  and  J .Havelock ,"Automatic  blastomere  detection  in  day  1to  day  2human  embryo  images  using  partitioned  graphs  and  ellipsoids,"2014IEEE  International  Conference  on  Image  Processing (ICIP) ,Paris,2014,pp.917-921. [5].Giusti  A,Corani  G,Gambardella  L,et  al.Blastomere  segmentation  and  3D  morphology  measurements  of  early  embryos  from  Hoffman  Modulation  Contrast  image  stacks[C]//Biomedical  Imaging:From  Nano  to  Macro ,2010  IEEE  International  Symposium  on.IEEE,2010.
技术实现要素：
为了解决现有技术存在的问题，本发明提供了一种显微图像细胞计数与姿态识别 方法及系统。 本发明是这样实现的，一种显微图像细胞计数与姿态识别方法包括： 首先，进行数据的预处理和准备。采用目标在不同焦段下拍摄的多张图像，而非仅 仅利用特定焦段的一张图像。 然后，在多张图像经预处理后的平均图像上检测边缘，并对边缘进行细化。 再者，根据边缘图像拟合所有可能的椭圆。 最后，利用聚类分析的方法对椭圆进行筛选。该方案可以有效克服显微图像的质 量退化问题，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。 进一步，本发明提供的显微图像细胞计数与姿态识别方法具体包括： (1)数据采集与预处理。 优选地，步骤(1)具体包括如下子步骤： (1 .1)数据采集。利用霍夫曼调制相衬系统显微镜拍摄图像，间隔15分钟拍摄一 组。每组为不同的焦距段拍摄出的多张图像，分别记为I1，I2，I3，I4，I5，I6，I7，对应的是- 15，-30，-45,0,15,30,45焦距。采集图像的样例如图3所示； (1.2)数据预处理。首先分别对每幅图像进行去噪和对比度增强处理，然后计算多 张图像的平均图像I*。通过检测图像I*中镜筒边缘的圆环进行感兴趣区域提取，经过裁剪 得到仅包含细胞区域的平均图像I*。 6 CN 111724378 A 说　明　书 3/9 页 采用多张图像的平均图像，可以最大化利用胚胎边缘图像信息，从而提高边缘的 完整度，改善椭圆拟合的效果。 (2)细胞边缘检测。对于裁剪得到的平均图像I*，本发明采用传统的基于梯度的边 缘检测算法(canny算子或otsu算法)对图像进行边缘检测，此时得到的二值边缘图较粗，直 接拟合会产生很多重复的椭圆。于是本发明采用骨架提取算法对较粗的边缘进行细化，得 到新的细的边缘。 (3)初始椭圆拟合。 (3.1)初始椭圆集生成 对于得到的待实验图像数据I*及检测出的边缘，本发明找到由连通的边缘点构成 的弧段，利用最小二乘法估计出由这些弧段可能构成的所有的初始椭圆集Einitial； (3.2)椭圆评分 本发明需要对得到的初始椭圆集Einitial中每个椭圆进行评分，为椭圆筛选作准 备。椭圆的评分分为内点覆盖率评分与角度覆盖率评分。进行椭圆评分的步骤如下： (3.2.1)对I*图像的所有边缘像素进行标记，记为p； (3.2.2)遍历椭圆集Einitial中每个椭圆，记第i个椭圆在I*图像中覆盖的像素值的 个数为pi(pi∈p)；则第i个椭圆的内点覆盖率记为 ρi＝#{pi：pi∈SI(e)}/β    (1) 其中，SI(e)代表第i个椭圆的内点，β代表的是椭圆的周长，由以下公式近似计算； (3.2.3)将第i个椭圆的角度覆盖率记为Si，可以由以下表达式计算： 其中n为该椭圆中所包含的弧线段的个数，θj为弧线段的对应的角度。 至此，本发明得到了初始椭圆中每个椭圆的内点率以及角度覆盖率。 (4)初始椭圆筛选。 (4.1)形态筛选 针对初始椭圆集Einitial包含图中可能出现的所有椭圆，许多椭圆无法表述胚胎细 胞实际的大小，所以本发明需要进一步进行形态筛选。 (4.1.1)细胞大小筛选 计算一个系数R，表示单个细胞占整个感兴趣区域的百分比。R的计算方法如下所 示： H表示细胞大小，A表示图像感兴趣区域大小。根据大量的实验数据的分析，本发明 设置单个细胞的大小与胚胎大小的关系为： 7 CN 111724378 A 说　明　书 4/9 页 其中num为细胞的个数。 (4.1.2)细胞形态筛选 在现实情况下，细胞图像中不应该出现曲率太大的椭圆，本发明设定细胞的曲率 应该满足如下条件： 其中a为椭圆的短半轴，c为椭圆的长半轴。 至此，本发明可以删除形态不满足条件的椭圆，得到符合形态特征的椭圆集合ER。 (4.2)质量筛选。根据公式(1)、(3)计算出的ρi与Si，删除在I*图像中不满足内点覆 盖率与角度覆盖率的椭圆。实验数据表明，内点覆盖率参数设置为0.1，角度覆盖率参数在 单细胞中设定为1/3，多细胞中设定为1/6时效果较好。通过以上质量验证本发明得到候选 椭圆集Ecandidate； (4.3)删除重叠椭圆。在实际情况中，很少出现细胞两两重叠度很高或相互包含的 情况；由此当出现两个椭圆重叠度高于一定程度时，本发明删除这两个椭圆中内点覆盖较 低的那个椭圆，具体步骤如下： (4.3.1)遍历候选椭圆集Ecandidate，记所有椭圆为E1、E2、…、En两两组合，则会出现 n*(n-1)/2种组合(E1，E2)(E1，E3)…(En-1,En)，通过以下公式计算出两个椭圆的重叠度S： (4.3.2)由以下公式计算可以排除椭圆相互包含的情况： cont＝H1∪H2    (8) 当cont等于H1或者H2的时候，就说明两个椭圆互相包含。 (4.3.3)当两个椭圆重叠度S高于55％或椭圆相互包含的时候，删除组合中内点覆 盖率较低的那个椭圆； (4.3.4)删除后的椭圆标记为假，下次不再做判断；直至所有的组合都被验证，得 到椭圆集合Eend； (4.3.5)对初始椭圆集合Einitial进行mean-shift聚类，将椭圆圆心坐标聚类保存 为Ce，然后以Eend中椭圆Ei圆心为中心，在半径为r的范围内寻找Ce中点的个数Ni，当Ni大于一 定值的时候，则Ei选作真实的椭圆，直到遍历Eend中所有椭圆，被选作真实的椭圆就是最后 的结果。 本发明的另一目的在于提供一种显微图像细胞计数与姿态识别系统包括： 数据预处理模块，在不同焦段下对目标拍摄，获得多张图像，并进行预处理； 边缘检测细化模块，在多张图像经预处理后的平均图像上检测边缘，并对边缘进 行细化； 椭圆拟合模块，根据边缘图像拟合所有可能的椭圆； 椭圆筛选模块，利用聚类分析的方法对椭圆进行筛选。 8 CN 111724378 A 说　明　书 5/9 页 本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程 序使电子设备执行所述显微图像细胞计数与姿态识别方法，包括下列步骤： 步骤一，进行数据的预处理和准备，采用目标在不同焦段下拍摄的多张图像，并进 行预处理； 步骤二，在多张图像经预处理后的平均图像上检测边缘，并对边缘进行细化； 步骤三，根据边缘图像拟合所有可能的椭圆； 步骤四，利用聚类分析的方法对椭圆进行筛选。 本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包 括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求所述的 所述显微图像细胞计数与姿态识别方法。 结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明采用在多 个焦段下拍摄的多张图像，能更充分地利用信息，改善边缘的清晰度和完整性，进而提高椭 圆拟合的准确度。 本发明提供的基于聚类的椭圆筛选策略，能够在没有任何先验知识和人工干预的 情况下，自动确定正确椭圆的个数，并据此找到最佳的椭圆。 本发明在一个实验样例上的对比结果如图4、图5和图6所示。 本发明提出的方法可以自适应地确定图像中包含的细胞数量，无需在已知的特定 阶段拍摄图像，具有较广泛的适用范围；利用多焦段多视图的综合信息进行椭圆的拟合和 验证，克服了单视图固有的缺陷，得到的椭圆参数更加准确。 附图说明 为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使 用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的 附图。 图1是本发明实施例提供的显微图像细胞计数与姿态识别方法流程图。 图2是本发明实施例提供的显微图像细胞计数与姿态识别系统示意图； 图中：1、数据预处理模块；2、边缘检测细化模块；3、椭圆拟合模块；4、椭圆筛选模 块。 图3是本发明实施例提供的采集的多张图像样例，每一行为一个样本图。 图4是本发明实施例在一个图像样例上进行边缘检测的结果示意图； 图中从左至右：原始图像；otsu算法得到的边缘图；canny算子得到的边缘图。 图5是本发明实施例在一个图像样例上进行初始椭圆检测的结果示意图； 图中第一行是传统方法在单张图像上的结果，第二行是本发明在多张不同焦段图 像的平均图像上的结果；从左至右分别为：原始图像、边缘图像、初始椭圆。 图6是本发明实施例在一个图像样例上进行椭圆筛选的结果示意图； 图7是本发明实施例提供的完整实验流程图。 图7中第一行是传统方法在单张图像上的结果，第二行是本发明在多张不同焦段 图像的平均图像上的结果；从左至右分别为：初始椭圆和筛选后的椭圆。 9 CN 111724378 A 说　明　书 6/9 页