The invention relates to a segmentation and classification method for the nucleus of HCC pathological image, reading the original HCC image, K means clustering of the image to get the nucleus after the segmentation, refining the nucleus after the segmentation using morphological operation, and then registering three aspects, and then manually selecting the finer with the pathologist. The nucleus shape feature matrix is obtained by four similarity parameters, and the cell nucleus boundary feature matrix is obtained by calculating the nucleus boundary characteristics after the registration of the nucleus. The fusion of the cell nucleus shape feature matrix and the nucleus boundary feature matrix is put into the random forest classifier to get the result. . The present invention uses K means clustering and morphological operation to divide the nucleus, and classifies the nuclei by two types of features, such as shape and boundary, so that the classification accuracy of each class of nuclei is improved, and more cell itself is taken into consideration.
【技术实现步骤摘要】
一种面向HCC病理图像细胞核的分割与分类方法
本专利技术涉及一种图像处理技术,具体为一种面向HCC病理图像细胞核的分割与分类方法。
技术介绍
图像的分割与分类是图像处理中基本的操作,传统的方法是通过Matlab的一系列图像分割函数对图像进行处理,从而达到分割的目的。随后对目标物体进行特征提取,利用特征的特异性对对象进行分类。虽然随着各方面研究的不断推进,图像分割和分类已经有了一个较大的进展,但是在医学方面病理图像分割的精确度依然存在很大的提升空间,尤其是对于癌细胞的分割和分类。肝癌是致死率全球第二的癌症,在临床诊断中,早期对于肝癌细胞的识别对于医生的诊断和患者的治疗都具有重大意义,对于降低肝癌的发病率和致死率也都有着极为关键的作用。且随着科技的发展,计算机辅助诊断(CAD)技术不断应用于各种领域,均得到了实质性的进展和效果。因此计算机技术与医疗诊断的结合迫在眉睫。在细胞核分割方面,现有方法一方面使用的网络较复杂,实现起来时间复杂度较高且很困难。另一方面对于图像的分辨率和倍率要求较高,即对噪声特别敏感。且当细胞粘连程度不均匀时分割起来很困难。在HCC病理图像细胞核分割方面,现有的方法分割精度较低,分割后的细胞核无法用于后续的分割。而对于细胞核分类方面,存在多种多样的分类方式,但适用于肝癌细胞的特征较少,不具有针对性。
技术实现思路
针对现有技术中面向HCC病理图像中细胞核的分割存在分割困难、分类准确率低以及不具有针对性等不足,本专利技术要解决的问题是提供一种能够能实现对于病理图像的快速分割、提高细胞核分类准确率的面向HCC病理图像细胞核的分割与分类方法。为解决上 ...
【技术保护点】
1.一种面向HCC病理图像细胞核的分割与分类方法,其特征在于包括以下步骤:1)读取原始HCC图像;2)对原始HCC图像进行k‑means聚类,得到分割后的细胞核;3)使用形态学操作对分割后的细胞核进行精炼;4)将精炼得到的细胞核进行三个方面的配准;5)将配准后的细胞核与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵;6)根据配准后的细胞核计算细胞核边界特征,得到细胞核边界特征矩阵;7)将步骤5)得到的细胞核形状特征矩阵和步骤6)得到的细胞核边界特征矩阵进行融合后,放到随机森林分类器中进行分类得到结果。
【技术特征摘要】
1.一种面向HCC病理图像细胞核的分割与分类方法,其特征在于包括以下步骤:1)读取原始HCC图像;2)对原始HCC图像进行k-means聚类,得到分割后的细胞核;3)使用形态学操作对分割后的细胞核进行精炼;4)将精炼得到的细胞核进行三个方面的配准;5)将配准后的细胞核与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵;6)根据配准后的细胞核计算细胞核边界特征,得到细胞核边界特征矩阵;7)将步骤5)得到的细胞核形状特征矩阵和步骤6)得到的细胞核边界特征矩阵进行融合后,放到随机森林分类器中进行分类得到结果。2.按权利要求1所述的面向HCC病理图像细胞核的分割与分类方法,其特征在于:步骤2)中,对原始HCC图像进行k-means聚类,得到分割后的细胞核,方法如下:201)读取步骤1)中的图像,调用k-means.m函数,根据读取图像的尺寸,设定背景和前景初始凝聚点startdata;202)进行k-means聚类,设定idClass=1为背景,idClass=2为前景,将所有像素点聚为两类,即背景和前景;203)得到聚类后的初始细胞分割结果。3.按权利要求1所述的面向HCC病理图像细胞核的分割与分类方法,其特征在于:步骤3)中,使用形态学操作对分割后的细胞核进行精炼,方法为:301)调用函数im2bw,将k-means聚类后结果转化为二值图像;302)使用medfilt2函数对二值图像进行中值滤波;303)将步骤301)和步骤302)中的图像进行或运算来优化图像;304)使用bwfill函数填充细胞核的黑洞并去除噪声;305)对细胞核进行开运算,设定结构元素为disk,阈值在4-6之间,进一步细化粘连细胞之间的边界。4.按权利要求1所述的面向HCC病理图像细胞核的分割与分类方法,其特征在于:步骤4)中,将精炼得到的细胞核进行三个方面的配准,方法为:401)病理学家手动选取150~170张图像作为细胞核形状库;402)将各图像块的中心和细胞核质心对齐,进行平移变换,使用公式如下:(Δxi,Δyi)=(xc,yc)-(xi,yi)其中,(xc,yc)表示一个图像块的中心坐标,(xi,yi)表示图像块中每个细胞核中心坐标,(Δxi,Δyi)表示与图像块中心坐标和细胞核中心坐标之间相对应的坐标平移向量;403)将细胞面积调整到以1000像素为基准,进行尺度变换,使用公式如下:σi=1000/areai其中,σi是比例因子,areai是每个细胞核的面积,通过面积所占的像素数目表示;404)将所有的细胞核长轴对齐到质心为原点的x轴,进行方向变换,使用公式如下:其中,θ表示每...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。