一种面向HCC病理图像细胞核的分割与分类方法技术

本发明专利技术涉及一种面向HCC病理图像细胞核的分割与分类方法，读取原始HCC图像；对图像进行k‑means聚类，得到分割后的细胞核；使用形态学操作对分割后的细胞核进行精炼，再进行三个方面的配准，然后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；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；将细胞核形状特征矩阵和细胞核边界特征矩阵融合，放到随机森林分类器中分类得到结果。本发明专利技术使用k‑means聚类和形态学操作对细胞核进行分割，通过所提出的形状和边界两类特征对细胞核进行分类识别，从而使每类细胞核分类准确率得到提高，兼顾了更多细胞本身的情况，更有针对性。

A method for segmentation and classification of nuclei in HCC pathological images

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。为解决上述技术问题，本专利技术采用的技术方案是：本专利技术一种面向HCC病理图像细胞核的分割与分类方法，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(RF)分类器中进行分类得到结果。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。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。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表示每个核的主轴与水平轴的正方向之间的角度。步骤5)中，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，方法为：501)获取病理学家手动选择的细胞核形状库；502)设定相似度参数分别为Jaccard，Dice_Ratio，precision和recall，中每个参数的公式如下：其中，SR表示分割区域，TR表示真实细胞区域，Jaccard(SR,TR)用于度量分割结果和真实结果之间的差异，Dice_Ratio(SR,TR)表示描述相似性的Dice系数，precision(SR,TR)和recall(SR,TR)分别表示precision精确度和recall召回率；pixelSR表示分割结果的像素数，pixelTR表示真实结果的像素数，Num表示分割结果与真实结果取交集或者并集后得到的像素数目；503)将需要分类的图像数据分为训练数据和测试数据，将训练数据与细胞核形状库进行相似度匹配，得到细胞核形状特征矩阵；504)将得到的细胞核形状特征矩阵存到内存中。步骤6)中，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，方法为：601)通过步骤4)对每个细胞核进行变换，得到预处理后的细胞核；602)调用edge函数，将参数设置为“canny”，提取每个预处理后的细胞核的边界；603)计算预处理后的每个细胞核的长轴和短轴，并画出椭圆模板；604)设定边界点的极角角度为θ＝π/15，并通过具有相同间隔的不同极角确定椭圆边界点，共12个；605)计算细胞核边界点和椭圆边界点之间的欧氏距离，并根据距离最小值确定细胞核上的边界特征点，欧氏距离公式如下：其中edgepoint为细胞核边界点，point为椭圆边界点，x，y为边界点坐标；606)通过12个特征点确定每个细胞核所对应的三角形共个，将每个三角形中的任意两个角的余弦值的比作为特征，公式如下：其中i,j,k分别代表三角形的三个顶点，BF为边界特征的缩略表示。步骤7)中，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(RF)分类器中进行分类得到结果，方法为：701)将测试数据存入内存，创建可执行的函数调用；702)调用步骤5)和步骤6)结合的特征，输入到随机森林(RF)分类器中进行分类；703)输出HCC病理图像的识别分类准确率并保存。本专利技术具有以下有益效果及优点：1.本专利技术使用k-means聚类方法和形态学操作对细胞核进行分割，并通过所提出的两类特征对细胞核进行分类识别，从而使每类细胞核分类准确率得到提高。2.本专利技术方法能实现对于病理图像的快速分割，得到分割结果后，可以对粘连细胞进行处理。分类方面，我们提出了新颖的细胞核形态特征，相对于传统的LBP,灰度共生矩阵等特征，兼顾了更多细胞本身的情况，也保留了更完整的细胞信息。且更有针对性，对于肝癌细胞的分类能达到一个很好的效果。附图说明图1为本专利技术明图像处理中的细胞核分割以及特征提取与分类的流程图；图2A为原始病理图像的细胞核图像；图2B为k-means分割后的细胞核图像；图2本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：姜慧研，段晓禹，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21