Detection of Erythrocyte Cells in Microscopy Images

• Autorzy: Frejlichowski D.

Warianty tytułu

PL

Detekcja komórek erytrocytów na obrazach mikroskopowych na potrzeby automatycznej lub półautomatycznej diagnozy

• Języki publikacji: EN

Abstrakty

EN

In the paper an algorithm for automatic detection of red blood cells in microscopic images is described and investigated. For this purpose digital microscopic images stained by means of the MGG (May-Grunwald-Giemsa) method are applied. This method consists in three main stages. The first one is composed of the conversion to binary image using the modified histogram thresholding. The second one comprises the localisation and extraction of each separate object. The last stage covers the selection of erythrocytes and the rejection of other cells. The method described in the paper method gave the average efficiency above 83%, which is a promising result considering the specific characteristics of the investigated data as well as the large number of cells within an image.

PL

W artykule przedstawiono i omówiono algorytm przeznaczony do automatycznej detekcji czerwonych krwinek na obrazach mikroskopowych. Do tego celu użyto cyfrowych obrazów mikroskopowych, barwionych metodą MGG (May-Grunwald-Giemsa). Metoda opiera się na trzech głównych etapach. Pierwszy to konwersja do obrazu binarnego przy użyciu zmodyfikowanego progowania histogramowego. Drugi to lokalizacja i ekstrakcja każdego obiektu oddzielnie. Ostatni to selekcja erytrocytów i odrzucenie pozostałych komórek krwi. Opisywana w artykule metoda dała średnią skuteczność przekraczającą 83 %, co jest obiecującym wynikiem, biorąc pod uwagę specyficzne cechy badanych danych oraz dużą liczbę komórek na obrazie.

Słowa kluczowe

EN

computer-assisted diagnosis; detection of blood cells; erythrocyte; MGG images

PL

komputerowo wspomagana diagnoza; detekcja komórek krwi; erytrocyty; obrazy MGG

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2012
• Tom: R. 88, nr 10b
• Strony: 264--267
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Frejlichowski D.

• West Pomeranian University of Technology, Szczecin, Faculty of Computer Science nad Information Technology, Żołnierska 52, 71-210, Szczecin, Poland,

Bibliografia

• [1] Ranzato M., Taylor P.E., House J.M., Flagan R.C., LeCun Y., Perona P., Automatic recognition of biological particles in microscopic images, Pattern Recognition Letters 28 (2007), iss.1, 31-39
• [2] Uebele V., Abe S., Lan M.S., A neural-network-based fuzzy classifier, IEEE Transactions on System, Man and Cybernetics, 25 (1995), no. 2, 353-361
• [3] Song X.B., Abu-Mostafa Y., Sill J., Kasdan H., Pavel M., Robust image recognition by fusion of contextual information, Information Fusion, 3 (2002), iss. 4, 277-287
• [4] Sabino D.M.U., da Fontoura Costa L., Rizzatti E.G., Zago A.M., A texture approach to leukocyte recognition, Real-Time Imaging, 10 (2004), iss. 4, 205-216
• [5] Yang X., Luo L., Study of Leukocyte Features in Peripheral Blood for Automatic Classification, Journal Of Applied Sciences, 12 (1994), iss. 2, 120-126
• [6] Nin X., Tang J., Cell morphology Extraction and Identification Technology, Laser Journal, 26 (2005), iss. 4, 95-97
• [7] Diaz G., Gonzalez F.A., Romero E., A semi-automatic method for quantification and classification of erythrocytes infected with malaria parasites in microscopic imageses, Journal of Biomedical Informatics, 42 (2009), iss. 2, 296-307
• [8] Bronkorsta P.J.H., Reinders M.J.T., Hendriks E.A., Grimbergen J., Heethaar R.M., Brakenhoff G.J., On-line detection of red blood cell shape using deformable templates, Pattern Recognition Letters, 21 (2000), iss. 5, 413-424
• [9] Di Ruberto C., Dempster A., Khan S., Jarra B., Analysis of infected blood cell images using morphological operators, Image and Vision Computing, 20 (2002), iss. 2, 133–146
• [10] Frejlichowski D., Pre-processing, Extraction and Recognition of Binary Erythrocyte Shapes for Computer-Assisted Diagnosis Based on MGG Images, In: L.Bolc et al. (Eds.): ICCVG 2010, Part I, Lecture Notes in Computer Science, 6374 (2010), 368-375
• [11] Luengo-Oroz M.A., Angulo J., Flandrin G., Klossa J., Mathematical Morphology in Polar-Logarithmic Coordinates. In: Marques, J.S., Perez de la Blanca, N., Pina, P. (Eds.) IbPRIA 2005, Lecture Notes in Computer Science, 3523 (2005), 199-205
• [12] Frejlichowski D., Identification of Erythrocyte Types in Greyscale MGG Images for Computer-Assisted Diagnosis, In: J. Vitriŕ, J.M. Sanches, and M. Hernández (Eds.): IbPRIA 2011, Lecture Notes in Computer Science, 6669 (2011), 636-643
• [13] Ta Vinh-Thong, Lézoray O., Elmoataz A., Schüpp S., Graphbased tools for microscopic cellular image segmentation, Pattern Recognition, 42 (2009), iss. 6, 2009
• [14] Angulo J., Flandrin G., Automated detection of working area of peripheral blood smears using mathematical morphology, Anal. Cell. Pathol., 25 (2003), iss. 1, 37-49
• [15] Garrido A., de la Blanca N.P., Applying deformable templates for cell image segmentation, Pattern Recognition, 33 (2000), iss. 5, 821–832
• [16] Jones T., Carpenter A., Golland P., Voronoi-based segmentation of cells on image manifolds, In: ICPR (2002), vol. 2, 286–289
• [17] Zimmer C., Labruyere E., Meas-Yedid V., Guillen N., Olivo-Marin J.-C., Segmentation and tracking of migrating cells in videomicroscopy with parametric active contours: a tool for cellbased drug testing, IEEE Trans. Med. Imaging, 21 (2002), no. 10, 1212-1221
• [18] Malpica N., de Solórzano C.O., Vaquero J.J., Santos A., Vallcorba I., Garcia-Sagredo J.M., del Pozo, F., Applying watershed algorithms to the segmentation of clustered nuclei, Cytometry, 28 (1997), iss. 4, 289-297