基于细胞荧光图像的肿瘤细胞表型识别计数方法技术

本发明专利技术公开一种基于细胞荧光图像的肿瘤细胞表型识别计数方法，首先采集细胞核荧光图像和多张细胞质荧光图像，然后将荧光图像转换为灰度图像；通过机器学习算法确定每张灰度图像的阈值校正因子；再根据阈值校正因子校正灰度图像转换二值图过程中的二值化阈值；通过细胞质二值图生成与肿瘤细胞表型相对应的细胞质掩膜，并结合细胞核二值图生成细胞二值图，最后识别细胞二值图中的肿瘤细胞，并统计肿瘤细胞的细胞数量。结合了基于规则和统计机器学习两种方法，可以在不同图像情况下实现全自动且灵活地识别并计数多种循环肿瘤细胞表型，识别精度高、计数准确、误差小，而且缩识别计数时间短。

Tumor cell phenotype recognition and counting method based on cell fluorescence image

【技术实现步骤摘要】
基于细胞荧光图像的肿瘤细胞表型识别计数方法
本专利技术涉及图像分析领域，特别是涉及一种基于细胞荧光图像的肿瘤细胞表型识别计数方法。
技术介绍
循环肿瘤细胞(CTC)是从原肿瘤脱落进入血液循环的肿瘤细胞，其计数具有诊断、预后、药物抗性预测等临床肿瘤学的意义。循环肿瘤细胞往往是通过免疫荧光进行鉴定，一般使用细胞核、白细胞和肿瘤特定蛋白标志物的染色，并且被定义为细胞核与肿瘤特定蛋白标志物阳性但白细胞标志物阴性。此外，循环肿瘤细胞的异质性促使这些细胞拥有不同的表型且表达不同的肿瘤特定蛋白，例如上皮循环肿瘤细胞表达细胞角蛋白(cytokeratin)和上皮细胞黏附分子(EpCAM)，间充质循环肿瘤细胞表达波形蛋白(vimentin)，混合循环肿瘤细胞则同时表达细胞角蛋白和波形蛋白等等。目前计数循环肿瘤细胞主要是人工计数，但是人工计数需要耗费庞大的时间与精力，因此在临床上要计数大量癌症病人并不具可行性。为了解决人工计数的问题，现有的技术方案可分为两种：基于规则的方案和基于统计机器学习的方案。前者是把鉴定循环肿瘤细胞的规则明确地编程到系统中，例如设定循环肿瘤细胞的形状、大小、荧光信号的共定位等；后者是通过机器学习方法自动从图像提取对应的特征对循环肿瘤细胞进行鉴定。目前这两个技术方案都无法实现在不同图像情况下全自动且灵活地计数不同循环肿瘤细胞表型。基于规则的方案虽然可以把识别不同循环肿瘤细胞表型的规则写入系统里，但是在不同图像情况下还是需要人工调整系统参数，因此无法达成全自动化效果。而机器学习方式虽然可以实现全自动化，但若要识别不同循环肿瘤细胞表型则需要大量对应的训练集图像，并且只能对已知的表型进行训练识别。基于上述原因，现有的技术方案只能针对最常见的上皮循环肿瘤细胞进行识别计数，其他表型如间充质、混合与未知的循环肿瘤细胞表型是无法计数的。
技术实现思路
为解决以上技术问题，本专利技术提供一种基于细胞荧光图像的肿瘤细胞表型识别计数方法，在不同图像情况下实现全自动且灵活地识别并计数循环肿瘤细胞表型。技术方案如下：提供了一种基于细胞荧光图像的肿瘤细胞表型识别计数方法，在第一种可实现方式中，包括：采集细胞核荧光图像和多张细胞质荧光图像，每张细胞质荧光图像分别对应一种细胞质标志物；将细胞质荧光图像和细胞核荧光图像分别转换为细胞质灰度图像和细胞核灰度图像；通过机器学习算法计算每张细胞质灰度图像和细胞核灰度图像的阈值校正因子；根据阈值校正因子校正每张灰度图像对应的二值化阈值，并根据二值化阈值将细胞质灰度图像和细胞核灰度图像分别转换为细胞质二值图和细胞核二值图；通过细胞质二值图生成与肿瘤细胞表型相对应的细胞质掩膜，并结合细胞核二值图生成细胞二值图；识别细胞二值图中的肿瘤细胞，并统计肿瘤细胞的细胞数量。结合第一种可实现方式，在第二种可实现方式中，所述将细胞质荧光图像和细胞核荧光图像分别转换为细胞质灰度图像和细胞核灰度图像，包括：对细胞质灰度图像和细胞核灰度图像进行去噪处理。结合第一或第二种可实现方式，在第三种可实现方式中，所述将细胞质荧光图像和细胞核荧光图像分别转换为细胞质灰度图像和细胞核灰度图像，包括：对细胞质灰度图像和细胞核灰度图像进行对比度增强处理。结合第一至三种可实现方式中的任意一种可实现方式，在第四种可实现方式中，所述通过机器学习算法计算每张细胞质灰度图像和细胞核灰度图像的阈值校正因子，包括：采集多张细胞荧光图像，并设定每张细胞荧光图像对应的阈值校正因子；提取每张细胞荧光图像的图像特征构建原始训练样本数据集；根据原始训练样本数据集训练随机森林回归模型；基于训练完成的随机森林回归模型，计算每张细胞质灰度图像和细胞核灰度图像对应的阈值校正因子。结合第四种可实现方式，在第五种可实现方式中，提取的图像特征包括：图像直方图的均差、标准差、偏度、峰度、能量、熵、光滑度，以及经过Gabor过滤器处理过后图像直方图的均值、方差、偏度和峰度。结合第一至五种可实现方式中的任意一种可实现方式，在第六种可实现方式中，将细胞质灰度图像和细胞核灰度图像分别转换为细胞质二值图和细胞核二值图后，分别对细胞质二值图和细胞核二值图进行细胞分隔处理。结合第一至六种可实现方式中的任意一种可实现方式，在第七种可实现方式中，所述通过分隔后的细胞质二值图生成与肿瘤细胞表型相对应的细胞质掩膜，包括：根据肿瘤细胞表型与细胞质标志物表达组合之间的对应关系，确定肿瘤细胞表型对应的所有细胞质二值图，结合所有的细胞质二值图生成细胞质掩膜。结合第一至七种可实现方式中的任意一种可实现方式，在第八种可实现方式中，所述通过分隔后的细胞质二值图生成与肿瘤细胞表型相对应的细胞质掩膜，并结合分隔后的细胞核二值图生成细胞二值图，包括：滤除细胞核二值图中的非细胞核物体。结合第八种可实现方式，在第九种可实现方式中，根据设定的像素阈值范围和偏心率阈值，滤除细胞核二值图中的非细胞核物体。结合第一至九种可实现方式中的任意一种可实现方式，在第十种可实现方式中，采用斑点检测算法识别细胞二值图中的肿瘤细胞。有益效果：采用本专利技术的基于细胞荧光图像的肿瘤细胞表型识别计数方法，结合了基于规则和统计机器学习两种方法，可以在不同图像情况下实现全自动且灵活地识别并计数多种循环肿瘤细胞表型，识别精度高、计数准确、误差小，而且缩识别计数时间短。附图说明图1为本专利技术的方法流程图；图2为本专利技术计算阈值校正因子的流程图；图3为本专利技术对20种细胞表型识别计数的平均百分比误差和标准偏差百分比误差数据；图4为本专利技术对20种细胞表型识别计数的敏感度和特异度数据；图5为本专利技术与ImageJ系统和CellProfiler系统的效果对比图；图6为本专利技术对5种不同表型的循环肿瘤细胞的识别效果图。具体实施方式下面结合实施例和附图对本专利技术作进一步说明。如图1所示的基于细胞荧光图像的肿瘤细胞表型识别计数方法的流程图，该识别计算方法包括：步骤1、采集多张细胞核荧光图像和细胞质荧光图像。其中细胞核荧光图像是在细胞经过细胞核标志物，如细胞核染色试剂DAPI染色后采集的荧光图像。细胞质荧光图像是在细胞经过不同种类的细胞质标志物，如白细胞标志物-白细胞共同抗原，肿瘤特定蛋白标志物-角细胞蛋白或细胞表面波形蛋白等，染色后采集的荧光图像。采集的细胞质荧光图像与所使用的细胞质标志物一一对应。如此可以一次识别多种不同细胞表型的肿瘤细胞。步骤2、对所有细胞质荧光图像和细胞核荧光图像进行灰度处理，得到多份细胞质灰度图像和细胞核灰度图像。进行灰度处理后，采用现有的双边过滤方法对细胞质灰度图像和细胞核灰度图像进行去噪，并通过现有的限制对比度自适应直方图均衡算法增强所有灰度图像的对比度，以获得更多的图像信息，提高结果的准确性。步骤3、通过机器学习方法确定每张细胞质灰度图像和细胞核灰度图像的校正因本文档来自技高网...

【技术保护点】
1.一种基于细胞荧光图像的肿瘤细胞表型识别计数方法，其特征在于，包括：/n采集细胞核荧光图像和多张细胞质荧光图像，每张细胞质荧光图像分别对应一种细胞质标志物；/n将细胞质荧光图像和细胞核荧光图像分别转换为细胞质灰度图像和细胞核灰度图像；/n通过机器学习算法计算细胞质灰度图像和细胞核灰度图像的阈值校正因子；/n根据阈值校正因子校正每张灰度图像对应的二值化阈值，并根据二值化阈值将细胞质灰度图像和细胞核灰度图像分别转换为细胞质二值图和细胞核二值图；/n通过细胞质二值图生成与肿瘤细胞表型相对应的细胞质掩膜，并结合细胞核二值图生成细胞二值图；/n识别细胞二值图中的肿瘤细胞，并统计肿瘤细胞的细胞数量。/n

【技术特征摘要】
1.一种基于细胞荧光图像的肿瘤细胞表型识别计数方法，其特征在于，包括：
采集细胞核荧光图像和多张细胞质荧光图像，每张细胞质荧光图像分别对应一种细胞质标志物；
将细胞质荧光图像和细胞核荧光图像分别转换为细胞质灰度图像和细胞核灰度图像；
通过机器学习算法计算细胞质灰度图像和细胞核灰度图像的阈值校正因子；
根据阈值校正因子校正每张灰度图像对应的二值化阈值，并根据二值化阈值将细胞质灰度图像和细胞核灰度图像分别转换为细胞质二值图和细胞核二值图；
通过细胞质二值图生成与肿瘤细胞表型相对应的细胞质掩膜，并结合细胞核二值图生成细胞二值图；
识别细胞二值图中的肿瘤细胞，并统计肿瘤细胞的细胞数量。


2.根据权利要求1所述的基于细胞荧光图像的肿瘤细胞表型识别计数方法，其特征在于，所述将细胞质荧光图像和细胞核荧光图像分别转换为细胞质灰度图像和细胞核灰度图像，包括：对细胞质灰度图像和细胞核灰度图像进行去噪处理。


3.根据权利要求1或2所述的基于细胞荧光图像的肿瘤细胞表型识别计数方法，其特征在于，所述将细胞质荧光图像和细胞核荧光图像分别转换为细胞质灰度图像和细胞核灰度图像，包括：对细胞质灰度图像和细胞核灰度图像进行对比度增强处理。


4.根据权利要求1-3任一所述的基于细胞荧光图像的肿瘤细胞表型识别计数方法，其特征在于，所述通过机器学习算法计算每张细胞质灰度图像和细胞核灰度图像的阈值校正因子，包括：
采集多张细胞荧光图像，并设定每张细胞荧光图像对应的阈值校正因子；
提取每张细胞荧光图像的图像特征构建原始训练样本数据集；
根据原始训练样本数据集训练随机森林回归模型；
基...

【专利技术属性】
技术研发人员：郑国旋，韩平畴，
申请(专利权)人：江西微润芯璟科技有限公司，
类型：发明
国别省市：江西;36