Detektion und berandungsgenaue Segmentierung von Erythrozyten

  • Sebastian Mues-Hinterwäller
  • Heiko Kuziela
  • Matthias Grobe
  • Thomas Wittenberg
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

Dieser Beitrag soll einen Lösungsweg zur Detektion und berandungsgenauen Segmentierung von Erythrozyten (rote Blutkörperchen) liefern, die im mikroskopischen Durchlichtverfahren aufgenommen werden. Eine anschließende morphologische Untersuchung der segmentierten Erythrozyten soll Rückschlüsse auf eine vorliegende pathologische Veränderung zulassen. Weiterhin soll über die Anzahl von Erythrozyten in Bildausschnitten der Dichtegradient über den gesamten Objektträger bestimmt werden. Der Dichtegradient ist Maß für die Bestimmung eines validen Sektors auf dem jeweiligen Objektträger. Das zu untersuchende Bildmaterial wurde nach dem panoptischen Verfahren eingefärbt. Durch die hier vorgestellte Methode können sowohl einzelne Erythrozyten segmentiert, als auch häufig vorkommende Erythrozyten—Cluster in Hinblick auf die genaue Berandung erfolgreich getrennt werden.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Kuziela H, Pouwels C, Luthe H, et al. Automatisches Differentialblutbild anhand digitalisierter mikroskopischer Aufnahmen. Biomedizinische Technik, Band 49, Ergänzungsband 2 2004.Google Scholar
  2. 2.
    Hengen H, Spoor S, Pandit M. Analysis of Blood and Bone Marrow Smears using Digital Image Processing Techniques. SPIE Medical Imaging 2002.Google Scholar
  3. 3.
    Wu K, Gauthier D, Levine M. Live Cell Image Segmentation. Center for Intelligent Machines, McGill University Montreal 1995;.Google Scholar
  4. 4.
    Grobe M, Volk H, Münzenmayer C, et al. Segmentierung von überlappenden Zellen in Fluoreszenz-und Durchlichtaufnahmen. Bildverarbeitung für die Medizin 2003.Google Scholar
  5. 5.
    Swolin B, Simonsson P, Backman S, et al. Differential counting of blood leukocytes using automated microscopy and a decision support system based an artificial neural networks-evaluation of DiffMaster Octavia. Blackwell Publishing Ltd Clin Lab Haem 2003;p. 139–147.Google Scholar
  6. 6.
    Mallot HPA. Sehen und die Verarbeitung visueller Information. Vieweg Verlag; 2000.Google Scholar
  7. 7.
    Dörrer R, Fischer J, Greiner W, et al. Ein lernendes System zur Zellbildanalyse. Institut für Physikalische Elektronik, Universität Stuttgart 1987.Google Scholar
  8. 8.
    Beucher S, Lantuejoul C. Use of Watersheds in contour detection. Int Workshop on Image Processing 1979;p. 2.1–2.12.Google Scholar
  9. 9.
    Bamford P, Lovell B. A Water immersion algorithm for cytological image segmentation. Proc of Segment 1996.Google Scholar
  10. 10.
    Freeman H. Analysis and Manipulation of linear map data. Academic Press 1980;p. 151–168.Google Scholar
  11. 11.
    Caesar T, Gloger JM, Mandler E. Preprocessing an feature extraction for handwriting recognition system. Int Conference on Document Analysiy and Recognition 1993;p. 408–411.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2005

Authors and Affiliations

  • Sebastian Mues-Hinterwäller
    • 1
  • Heiko Kuziela
    • 1
  • Matthias Grobe
    • 1
  • Thomas Wittenberg
    • 1
  1. 1.Fraunhofer Institut für Integrierte Schaltungen (IIS)Erlangen

Personalised recommendations