一種腫瘤組織微排列圖像的自動(dòng)分割方法
【專利摘要】本發(fā)明公開了一種腫瘤組織微排列圖像的自動(dòng)分割方法，提取病理圖像中某數(shù)據(jù)位的圖像，對(duì)該圖像經(jīng)過一系列圖像處理后，利用Delaunay三角剖分法按順序找到每張數(shù)據(jù)縮略圖中各個(gè)腫瘤組織坐標(biāo)，依次提取出單個(gè)腫瘤組織圖像，并獲取每個(gè)腫瘤組織的相關(guān)信息。本發(fā)明能夠快速提取不同數(shù)據(jù)位的數(shù)據(jù)，比手動(dòng)分割方案更加準(zhǔn)確，便于準(zhǔn)確快速開展后續(xù)癌癥等級(jí)分析工作，減少了人工提取的工作量和計(jì)算機(jī)的計(jì)算量及存儲(chǔ)量。
【專利說明】
一種腫瘤組織微排列圖像的自動(dòng)分割方法
技術(shù)領(lǐng)域
[0001]本發(fā)明屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，特別涉及了一種腫瘤組織微排列圖像的自動(dòng)分割方法。
【背景技術(shù)】
[0002]隨著大幅切片圖像數(shù)字掃描技術(shù)的產(chǎn)生以及掃描效率性的提高，組織病理切片的數(shù)字化顯示和存儲(chǔ)變得現(xiàn)實(shí)可行。利用數(shù)字化技術(shù)可以對(duì)病理圖像進(jìn)行更高質(zhì)量的分析。因?yàn)閺慕M織切片病理成像圖相中幾乎可以找出各種癌癥和組織的特征，并可以用來輔助醫(yī)生診斷，但是現(xiàn)有的針對(duì)醫(yī)學(xué)圖像處理的技術(shù)研究仍然很少，所以研究一套針對(duì)病理圖像的分割算法十分重要。
[0003]醫(yī)學(xué)圖像分割在醫(yī)學(xué)研究、臨床診斷、病例分析、手術(shù)計(jì)劃、計(jì)算機(jī)輔助手術(shù)等醫(yī)學(xué)研究與實(shí)踐領(lǐng)域中有著廣泛的應(yīng)用于研究?jī)r(jià)值，具體表現(xiàn)在以下方面，首先是用于感興趣區(qū)域提取;其次是用于組織器官的定量測(cè)量和分析，有助于醫(yī)生診斷、隨訪或修訂對(duì)病人的治療方案。這就體現(xiàn)了計(jì)算機(jī)輔助分析技術(shù)中圖像分割的重要性。在組織病理圖像的研究中，很大一部分集中在特定組織結(jié)構(gòu)的分辨上，如淋巴癌組織微排列分割、腫瘤組織微排列分割。這些組織的顏色、大小、形狀、紋理的表示對(duì)預(yù)測(cè)病人的疾病狀況都是十分重要的指標(biāo)，例如在腫瘤診斷中，細(xì)胞聚集程度和染色顏色都是重要的預(yù)測(cè)癌癥等級(jí)的生物標(biāo)志。然而人工的分割提取是一項(xiàng)十分費(fèi)時(shí)費(fèi)力的任務(wù)，不利于臨床治療。如果有計(jì)算機(jī)輔助的自動(dòng)檢測(cè)工具將會(huì)大大幫助臨床醫(yī)生做出快速的診斷結(jié)果。
[0004]與放射和其他形式的圖像相比，處理病理組織學(xué)圖像的最大挑戰(zhàn)不僅在于數(shù)據(jù)的獲取，而且在于高分辨率的組織提取。舉例來說，放大40倍的前列腺切片組織圖像就有200，000*100，000個(gè)像素，大小為40G。除了高密度，組織圖像本身結(jié)構(gòu)也很復(fù)雜，包含很多組織結(jié)構(gòu)，而且這些結(jié)構(gòu)沒有明顯的邊界，同一結(jié)構(gòu)還存在很多的形態(tài)，這些都給處理帶來巨大挑戰(zhàn)。受到觀察時(shí)間和視野的限制，顯微鏡下手動(dòng)分析是困難的。而處理獲取到的數(shù)據(jù)最大的困難是讀取數(shù)據(jù)量巨大，對(duì)計(jì)算機(jī)配置要求比較高，因此對(duì)于普通計(jì)算機(jī)如何讀取是一個(gè)挑戰(zhàn)。

【發(fā)明內(nèi)容】

[0005]為了解決上述【背景技術(shù)】提出的技術(shù)問題，本發(fā)明旨在提供一種腫瘤組織微排列圖像的自動(dòng)分割方法，克服現(xiàn)有手動(dòng)分割提取不同數(shù)據(jù)位的腫瘤組織存在的問題。
[0006]為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為:
一種腫瘤組織微排列圖像的自動(dòng)分割方法，包括以下步驟:
(1)讀取腫瘤組織微排列全掃描數(shù)據(jù)，判斷有多少張不同數(shù)據(jù)位的圖像，
提取其中某個(gè)數(shù)據(jù)位的圖像；
(2)對(duì)提取的圖像進(jìn)行灰度化處理，得到灰度圖像，通過閾值變換法把灰度圖像轉(zhuǎn)換成二值圖像，再將二值圖像依次經(jīng)開操作和閉操作，從而得到清晰的邊緣形狀； (3)刪去圖像中非零像素值個(gè)數(shù)小于預(yù)設(shè)閾值的小塊區(qū)域，然后再對(duì)圖像進(jìn)行空洞填充處理；
(4 )找到圖像中每個(gè)塊的質(zhì)心坐標(biāo)，利用De I aunay三角剖分法計(jì)算各塊質(zhì)心坐標(biāo)之間的距離，質(zhì)心距離小于預(yù)設(shè)值的各分散塊屬于同一個(gè)腫瘤組織，將屬于同一個(gè)腫瘤組織的分散塊連接起來，再對(duì)圖像按步驟(3)進(jìn)行處理；
(5)對(duì)圖像進(jìn)行凸變換操作，得到Delaunay三角頂點(diǎn)集，即各個(gè)腫瘤組織的質(zhì)心坐標(biāo)集合；
(6 )計(jì)算De I aunay三角頂點(diǎn)集中任意兩點(diǎn)之間連線的斜率，保留斜率在預(yù)設(shè)值范圍內(nèi)的所有De Iaunay三角連線；
(7)在圖像中找到每一行第一個(gè)腫瘤組織的質(zhì)心坐標(biāo)，并根據(jù)步驟(6)得到的Delaunay三角連線找到各行每個(gè)腫瘤組織的質(zhì)心坐標(biāo)，并存入坐標(biāo)排布矩陣，再將病人腫瘤組織信息記錄表中的信息按照表格順序存入信息矩陣中，其中坐標(biāo)排布矩陣中各元素值與信息矩陣中相應(yīng)位置處的元素值一一對(duì)應(yīng)，從而建立信息矩陣與坐標(biāo)排布矩陣的映射關(guān)系；
(8)讀取腫瘤組織微排列全掃描數(shù)據(jù)中不同數(shù)據(jù)位的數(shù)據(jù)全圖，按照步驟(7)得到的坐標(biāo)排布矩陣，在不同數(shù)據(jù)位的數(shù)據(jù)全圖中依次取出每個(gè)腫瘤組織的圖像，并根據(jù)步驟(7)建立的映射關(guān)系，獲取各個(gè)腫瘤組織的相關(guān)信息。
[0007]進(jìn)一步地，在步驟(2)中，通過對(duì)圖像的R、G、B分量進(jìn)行加權(quán)平均法，將圖像轉(zhuǎn)換為灰度圖像，轉(zhuǎn)換公式:
F(i，j)=0.30R(i，j)+0.59G(i，j)+0.11B(i，j)
上式中，？(1，」)表示灰度圖像第1行第」列的像素值，以1，」)、6(1，」)和8(1，」)分別為原圖R、G、B分量第i行第j列的像素值。
[0008]進(jìn)一步地，在步驟(3)中，預(yù)先設(shè)定刪去小塊的閾值為100，采用8鄰域連通法統(tǒng)計(jì)二值圖像中每個(gè)小塊非零像素的個(gè)數(shù)，刪除非零像素個(gè)數(shù)小于閾值100的小塊。
[0009]進(jìn)一步地，在步驟(4)中，質(zhì)心距離小于55的各分散塊屬于同一個(gè)腫瘤組織。
[0010]進(jìn)一步地，在步驟(4)中，預(yù)先設(shè)定刪去小塊的閾值為300。
[0011]進(jìn)一步地，在步驟(6)中，計(jì)算Delaunay三角頂點(diǎn)集中任意兩點(diǎn)之間連線的斜率，保留斜率在-0.5?0.5范圍內(nèi)的所有Delaunay三角連線。
[0012]采用上述技術(shù)方案帶來的有益效果:
(1)現(xiàn)有的人工手動(dòng)分割方法存在著很多弊端，首先是長(zhǎng)時(shí)間操作中主觀判斷因素會(huì)影響結(jié)果的提取，其次是在不同分辨率視野有限的情況下進(jìn)行手動(dòng)分割觀察速度是非常慢的，而本發(fā)明以大數(shù)據(jù)量的腫瘤微排列圖為對(duì)象，分割提取得到腫瘤組織更標(biāo)準(zhǔn)，且消耗的時(shí)間更少，從而準(zhǔn)確快速地開展后續(xù)的病理圖像針對(duì)性癌癥等級(jí)分析，減少了人工提取的工作量；
(2)本發(fā)明在提取單個(gè)微排列組織的同時(shí)，在每個(gè)組織上做出病人信息，方便臨床醫(yī)生直接觀看，并在此基礎(chǔ)上做出后續(xù)診斷；
(3)本發(fā)明方法針對(duì)計(jì)算讀取巨大數(shù)據(jù)困難，采取坐標(biāo)搜索的方法來讀取每個(gè)微排列組織，從而來自動(dòng)分割得到每個(gè)組織，減少了計(jì)算機(jī)的計(jì)算量及存儲(chǔ)量。
【附圖說明】
[0013]圖1是本發(fā)明的總體流程圖。
[0014]圖2是本發(fā)明中經(jīng)步驟2灰度處理后的灰度圖像示意圖。
[0015]圖3是本發(fā)明中經(jīng)步驟2處理后的二值圖像示意圖。
[0016]圖4是本發(fā)明中經(jīng)步驟6處理后的圖像示意圖。
[0017]圖5是本發(fā)明最終提取出的不同數(shù)據(jù)位的組織微排列數(shù)據(jù)顯示示意圖。
【具體實(shí)施方式】
[0018]以下將結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。
[0019]如圖1所示，一種腫瘤組織微排列圖像的自動(dòng)分割方法，包括以下步驟:
步驟1、讀取腫瘤組織微排列全掃描數(shù)據(jù)，判斷有多少張不同數(shù)據(jù)位的圖像，
提取其中某個(gè)數(shù)據(jù)位的圖像。
[0020]步驟2、對(duì)提取的圖像進(jìn)行灰度化處理，得到灰度圖像，通過閾值變換法把灰度圖像轉(zhuǎn)換成二值圖像，再將二值圖像依次經(jīng)開操作和閉操作，從而得到清晰的邊緣形狀。
[0021]在本實(shí)施例中，通過對(duì)圖像的R、G、B分量進(jìn)行加權(quán)平均法，將圖像轉(zhuǎn)換為灰度圖像，轉(zhuǎn)換公式小(1，]_)=0.30以1，]_)+0.596(1，]_)+0.118(1，]_)，其中，？(1，]_)表示灰度圖像第1行第」列的像素值，以1，」)、6(1，」)和以1，」)分別為原圖1?、6、8分量第1行第」列的像素值。
[0022]轉(zhuǎn)換后的灰度圖像如圖2所示，背景和組織明顯分為兩類，通過閾值變換法將灰度圖像轉(zhuǎn)換成二值圖像，然后對(duì)二值圖像先進(jìn)行兩次開操作，使圖像的輪廓變得光滑，斷開狹窄的間斷和消除細(xì)的突出物，再進(jìn)行一次閉操作，消彌狹窄的間斷和長(zhǎng)細(xì)的鴻溝，消除小的空洞，并填補(bǔ)輪廓線中的斷裂，這樣就得到很清晰的邊緣形狀了，如圖3所示。
[0023]步驟3、刪去圖像中非零像素值個(gè)數(shù)小于預(yù)設(shè)閾值的小塊區(qū)域，然后再對(duì)圖像進(jìn)行空洞填充處理。
[0024]在本實(shí)施例中，預(yù)先設(shè)定刪去小塊的閾值為100，采用8鄰域連通法統(tǒng)計(jì)二值圖像中每個(gè)小塊非零像素的個(gè)數(shù)，刪除非零像素個(gè)數(shù)小于閾值100的小塊。
[0025]然后是先取反色圖，把白色區(qū)域邊界以內(nèi)全部處理為白色然后再取反色圖，這樣就實(shí)現(xiàn)了填充空洞操作。
[0026]步驟4、找到圖像中每個(gè)塊的質(zhì)心坐標(biāo)，利用DeI aunay三角剖分法計(jì)算各塊質(zhì)心坐標(biāo)之間的距離，質(zhì)心距離小于預(yù)設(shè)值的各分散塊屬于同一個(gè)腫瘤組織，將屬于同一個(gè)腫瘤組織的分散塊連接起來，再對(duì)圖像按步驟3進(jìn)行去小塊和填充空洞處理，在本實(shí)施例中，設(shè)定去小塊的閾值為300。
[0027]步驟5、對(duì)圖像進(jìn)行凸變換操作，得到Delaunay三角頂點(diǎn)集。在凸變換操作前，由于圖片制作的邊界陰影問題，需要去除圖片中4個(gè)像素寬度的邊界，這樣在凸變換時(shí)就不會(huì)受到邊界陰影的影響了。
[0028]步驟6、計(jì)算DeIaunay三角頂點(diǎn)集中任意兩點(diǎn)之間連線的斜率，保留斜率在預(yù)設(shè)值范圍內(nèi)的所有DeIaunay三角連線，如圖4所示。在本實(shí)施例中，保留斜率在-0.5?0.5范圍內(nèi)的所有De Iaunay三角連線。
[0029]步驟7、在圖像中找到每一行第一個(gè)腫瘤組織的質(zhì)心坐標(biāo)，并根據(jù)步驟6得到的Delaunay三角連線找到各行每個(gè)腫瘤組織的質(zhì)心坐標(biāo)，并存入坐標(biāo)排布矩陣，再將病人腫瘤組織信息記錄表中的信息按照表格順序存入信息矩陣中，其中坐標(biāo)排布矩陣中各元素值與信息矩陣中相應(yīng)位置處的元素值一一對(duì)應(yīng)，從而建立信息矩陣與坐標(biāo)排布矩陣的映射關(guān)系O
[0030]步驟8、讀取腫瘤組織微排列全掃描數(shù)據(jù)中不同數(shù)據(jù)位(即不同分辨率)的數(shù)據(jù)全圖，按照步驟7得到的坐標(biāo)排布矩陣，在不同數(shù)據(jù)位的數(shù)據(jù)全圖中依次取出每個(gè)腫瘤組織的圖像，如圖5所示，并根據(jù)步驟7建立的映射關(guān)系，獲取各個(gè)腫瘤組織的相關(guān)信息。
[0031]以上實(shí)施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1.一種腫瘤組織微排列圖像的自動(dòng)分割方法，其特征在于，包括以下步驟: (1)讀取腫瘤組織微排列全掃描數(shù)據(jù)，判斷有多少張不同數(shù)據(jù)位的圖像， 提取其中某個(gè)數(shù)據(jù)位的圖像； (2)對(duì)提取的圖像進(jìn)行灰度化處理，得到灰度圖像，通過閾值變換法把灰度圖像轉(zhuǎn)換成二值圖像，再將二值圖像依次經(jīng)開操作和閉操作，從而得到清晰的邊緣形狀； (3)刪去圖像中非零像素值個(gè)數(shù)小于預(yù)設(shè)閾值的小塊區(qū)域，然后再對(duì)圖像進(jìn)行空洞填充處理； (4 )找到圖像中每個(gè)塊的質(zhì)心坐標(biāo)，利用De I aunay三角剖分法計(jì)算各塊質(zhì)心坐標(biāo)之間的距離，質(zhì)心距離小于預(yù)設(shè)值的各分散塊屬于同一個(gè)腫瘤組織，將屬于同一個(gè)腫瘤組織的分散塊連接起來，再對(duì)圖像按步驟(3)進(jìn)行處理； (5 )對(duì)圖像進(jìn)行凸變換操作，得到De I aunay三角頂點(diǎn)集； (6 )計(jì)算De I aunay三角頂點(diǎn)集中任意兩點(diǎn)之間連線的斜率，保留斜率在預(yù)設(shè)值范圍內(nèi)的所有De Iaunay三角連線； (7)在圖像中找到每一行第一個(gè)腫瘤組織的質(zhì)心坐標(biāo)，并根據(jù)步驟(6)得到的Delaunay三角連線找到各行每個(gè)腫瘤組織的質(zhì)心坐標(biāo)，并存入坐標(biāo)排布矩陣，再將病人腫瘤組織信息記錄表中的信息按照表格順序存入信息矩陣中，其中坐標(biāo)排布矩陣中各元素值與信息矩陣中相應(yīng)位置處的元素值一一對(duì)應(yīng)，從而建立信息矩陣與坐標(biāo)排布矩陣的映射關(guān)系； (8)讀取腫瘤組織微排列全掃描數(shù)據(jù)中不同數(shù)據(jù)位的數(shù)據(jù)全圖，按照步驟(7)得到的坐標(biāo)排布矩陣，在不同數(shù)據(jù)位的數(shù)據(jù)全圖中依次取出每個(gè)腫瘤組織的圖像，并根據(jù)步驟(7)建立的映射關(guān)系，獲取各個(gè)腫瘤組織的相關(guān)信息。2.根據(jù)權(quán)利要求1所述一種腫瘤組織微排列圖像的自動(dòng)分割方法，其特征在于:在步驟(2)中，通過對(duì)圖像的R、G、B分量進(jìn)行加權(quán)平均法，將圖像轉(zhuǎn)換為灰度圖像，轉(zhuǎn)換公式: F(i，j)=0.30R(i，j)+0.59G(i，j)+0.11B(i，j) 上式中，？(1，」)表示灰度圖像第1行第」列的像素值，以1，」)、6(1，」)和以1，」)分別為原圖R、G、B分量第i行第j列的像素值。3.根據(jù)權(quán)利要求1所述一種腫瘤組織微排列圖像的自動(dòng)分割方法，其特征在于:在步驟(3)中，預(yù)先設(shè)定刪去小塊的閾值為100，采用8鄰域連通法統(tǒng)計(jì)二值圖像中每個(gè)小塊非零像素的個(gè)數(shù)，刪除非零像素個(gè)數(shù)小于閾值100的小塊。4.根據(jù)權(quán)利要求1所述一種腫瘤組織微排列圖像的自動(dòng)分割方法，其特征在于:在步驟(4)中，質(zhì)心距離小于55的各分散塊屬于同一個(gè)腫瘤組織。5.根據(jù)權(quán)利要求1所述一種腫瘤組織微排列圖像的自動(dòng)分割方法，其特征在于:在步驟(4)中，預(yù)先設(shè)定刪去小塊的閾值為300。6.根據(jù)權(quán)利要求1所述一種腫瘤組織微排列圖像的自動(dòng)分割方法，其特征在于:在步驟(6)中，計(jì)算Delaunay三角頂點(diǎn)集中任意兩點(diǎn)之間連線的斜率，保留斜率在-0.5?0.5范圍內(nèi)的所有De Iaunay三角連線。
【文檔編號(hào)】G06T7/60GK105869169SQ201610222421
【公開日】2016年8月17日
【申請(qǐng)日】2016年4月11日
【發(fā)明人】徐軍, 郎彬
【申請(qǐng)人】南京信息工程大學(xué)