生物对象检测制造技术

随着数字组织病理学机器的能力增长，存在对减轻找到这样的图像中的感兴趣结构的病理学专家的负担的增加的需要。数字组织病理学图像在大小方面可以是至少若干吉字节，并且其可以包含数百万感兴趣细胞结构。已经提出用于找到这样的图像中的结构的自动化算法，诸如主动轮廓模型(ACM)。ACM算法可以具有检测具有可变的颜色或者纹理分布的图像中的区域的困难。这样的区域常常在包含细胞核的图像中被找到，因为细胞核不总是具有均匀的外观。本申请描述了识别数字组织病理学信息中的不均匀的结构(例如，细胞核)的技术。建议使用诸如形状紧密度度量的形态变量来搜索预计算的超像素信息，以识别候选对象。

【技术实现步骤摘要】
【国外来华专利技术】生物对象检测
本专利技术总体上涉及一种被配置为识别图像信息中的生物对象的轮廓的诊断辅助系统、一种用于识别图像信息中的生物对象的轮廓的图像处理方法，并且此外涉及一种用于控制处理单元的计算机程序单元和一种计算机可读介质。
技术介绍
数字病理学试图增加识别包含从人类或者动物患者取得的样本的病理学载玻片中的对象的困难过程的自动化。数字病理学是困难的，因为采集硬件中的改进已经使得在大小方面具有许多吉字节的病理学载玻片能够被记录。这样的载玻片通常包含针对医学专家的数十万或者数百万的潜在感兴趣的靶。检测数字病理学图像中的对象的边界的一个方法是经由所谓的“种子区域”的使用。这些种子区域通常基于跟随有形态学图像处理步骤的像素强度分析。一旦初始种子区域已经在数字图像中被识别，可以搜索对象边界。这样做的典型的方法使用主动轮廓模型(ACM)。ACM可以准确地找到数字病理学图像中的对象的边界。ACM技术通过在感兴趣的潜在对象的边界上施加平滑度来运行。能量最小化函数可以被用于找到对象的最终边界。尽管通常ACM方法可以是有用的，但是其成功取决于选择的初始种子区域的质量，以及边界的确切强度模式。对于具有“开放细胞结构”的病理学图像，ACM方法可能不总是找到正确的边界。此外，ACM不总是计算高效的，并且出于该原因可能不是针对交互式对象选择系统的好的选择。US2006/0050947A1讨论了识别潜在细胞核的组织病理学评估方法。该方法使用主成分分析来导出单色图像数据，之后是Otsu阈值化，以产生二进制图像。然而，还可以改进数字病理学图像处理方法。
技术实现思路
根据第一方面，提供了一种被配置为识别图像信息中的生物对象的轮廓的诊断辅助系统。所述诊断系统包括：-处理单元。所述处理单元被配置为：接收已经被分割为超像素的图像信息；选择所述图像信息中的初始位置处的所述图像信息中的超像素初始集合；确定超像素初始集合的第一形态变量；识别所述图像信息中的另一位置处的与超像素初始集合的超像素邻近的另一超像素集合；生成超像素初始集合和另一超像素集合的并集的第二形态变量；并且如果所述第二形态变量与所述第一形态变量的比较指示所述初始集合和所述另一集合的并集具有增加的形状紧密度，则将所述图像信息中的生物对象的轮廓定义为超像素初始集合和另一超像素集合的并集的边界。效应是生物图像信息中的轮廓检测中的改进的准确度，因为方法主要地不基于在纹理或者强度分析的基础上对超像素进行分组。例如，这在数字病理学图像中的细胞核的检测的情况下是有利的。当被包含在数字病理学图像中时，细胞核能够表现为具有定义所述细胞核的区内的可变的颜色和强度区域。ACM方法能够未能够识别细胞核的边界。因此，例如，提出的方法不取决于分组中的两个超像素是否具有不同的颜色强度。因此，根据该方法的诊断系统的应用导致具有不均匀的颜色或者纹理分布(诸如细胞核)的生物对象的边界的更准确的检测。技术的另一效应在于，可以离线预计算超像素，其允许形状紧密度度量的高效的评价。以这种方式，可以提供计算上高效的细胞核发现算法，从而允许所述技术在移动设备(诸如例如智能电话)上在低延时的交互模式中操作。因此，图像信息中的生物对象的轮廓可以以计算上高效的方式来识别。所述技术的另一效应在于，可以可靠地检测具有颜色强度的大内部变化的细胞核。可以更容易地检测这样的细胞核的边界，因为所述方法当对邻近超像素进行分组时使用形态变量作为用于检测的准则，而不是强度或者纹理准则。根据第一方面的实施例，提供了一种如在第一方面中定义的诊断辅助系统，还包括：-输入单元。所述输入单元被配置为从用户接收所述图像信息中的初始位置的指示，其中，所述超像素初始集合包括所述初始位置处的超像素，并且其中，所述处理单元还被配置为定义产生于应用开始于所述初始位置处的搜索算法的轮廓。因此，所述诊断辅助系统在用户的帮助下识别生物对象的轮廓以识别最佳算法起始点。因此，更少的计算周期被要求以找到生物对象，例如，细胞核。根据第一方面的实施例，提供了一种诊断辅助系统，其中，所述处理单元还被配置为使用随机过程生成所述初始位置，并且其中，所述超像素初始集合包括所述初始位置处的超像素。因此，在没有用户输入的情况下，可以自动地应用用于找到所述图像信息中的生物对象的轮廓的算法。根据第一方面的实施例，提供了一种如上文所讨论的诊断辅助系统，其中，所述处理单元还被配置为：通过将搜索区放置在初始位置和/或另一位置处来选择超像素初始集合和/或另一超像素集合；并且将所述超像素初始集合和/或所述另一超像素集合选择为接触所述初始位置和/或所述另一位置处的所述搜索区的超像素区域的集合。因此，如果超像素的边界与搜索区相交，则可以识别作为用于包括在被采取以表示要在所述图像信息中识别的所述生物对象的轮廓的超像素集合中的候选的超像素。根据第一方面的实施例，提供了一种诊断辅助系统，其中，所述处理单元还被配置为选择所述初始位置和所述另一位置来提供用于约束所述图像信息中的所述搜索区的放置的搜索路径，其中，所述搜索路径是以下中的一项：向外螺旋模式、随机行走或者向外扩展的圆圈的集合。因此，所述生物图像信息中的另外的超像素的识别在较少的计算步骤中是更可能或者可能的，因为不同的搜索模式可以具有某些类型的生物图像信息中的有利的性质。具体地，随机行走具有用于找到细长的细胞核的优点，而向外扩展的螺旋或者圆形模式可以具有发现圆形细胞核的优点。根据第一方面的实施例，提供了如上文所描述的诊断辅助系统，其中，所述处理单元还被配置为进行迭代，直到所述第二形态变量到达停止值，或者直到预设迭代数量已经完成。因此，在其中迭代被执行直到所述第二形态变量到达停止值的情况下，识别所述第二形态变量的最佳值，使能感兴趣的生物对象已经在所述图像信息中被识别的较高的确定性。备选地，如果预设迭代数量已经完成，则所述图像信息中的对象的第二形态变量可以利用高效的迭代数量来识别，从而改进所述算法的计算效率。根据第一方面的实施例，提供了一种如上文所讨论的诊断辅助系统，其中，所述处理单元还被配置为：生成多个初始位置；并且定义从所述多个初始位置中的每个相应初始位置开始的图像信息中的生物对象的多个候选轮廓；将所述多个候选轮廓显示给用户；接收选择所述多个候选轮廓中的轮廓的子集的用户输入；并且基于所述多个候选轮廓和选定的轮廓的子集来生成监督学习信息。因此，感兴趣生物对象的大数量的轮廓可以在所述图像信息中被识别。这些可以被呈现给用户，并且所述系统可以应用自动化学习原理来改进所述图像信息中的感兴趣的生物对象的轮廓的识别。根据第一方面的实施例，提供了一种如上文所描述的诊断辅助系统，其中，所述第一形态变量是所述初始集合的等周商，并且所述第二形态变量是所述初始集合和所述另一集合的并集的等周商。所述等周商是形状紧密度的量度。通过预计算和存储针对邻近超像素对的边缘长度，轮廓的识别可以高效地完成，这当图像文件极其大时是特别重要的，并且要识别的生物对象的轮廓的数量也是大的。根据第一方面的实施例，所述第一形态变量是所述初始集合的边界曲率，并且所述第二形态变量是所述初始集合和所述另一集合的并集的边界曲率。任选地，通过求和所述初始集合和/或所述另一集合的轮廓上的所有点上的边界曲率来找到所述边界曲率。根据第一方面本文档来自技高网...

【技术保护点】
1.一种被配置为识别图像信息中的生物对象的轮廓的诊断辅助系统(50)，包括：‑处理单元(52)；其中，所述处理单元被配置为：接收已经被分割为超像素的图像信息；选择所述图像信息中的初始位置处的所述图像信息中的超像素初始集合；确定所述超像素初始集合的第一形态变量；识别所述图像信息中的另一位置处的与所述超像素初始集合的超像素邻近的另一超像素集合；生成所述超像素初始集合和所述另一超像素集合的并集的第二形态变量；并且在所述第二形态变量与所述第一形态变量的比较指示所述初始集合和所述另一集合的所述并集具有增加的形状紧密度的情况下，将所述图像信息中的生物对象的所述轮廓定义为所述超像素初始集合和所述另一超像素集合的所述并集的边界。

【技术特征摘要】
【国外来华专利技术】2016.06.03 EP 16172787.01.一种被配置为识别图像信息中的生物对象的轮廓的诊断辅助系统(50)，包括：-处理单元(52)；其中，所述处理单元被配置为：接收已经被分割为超像素的图像信息；选择所述图像信息中的初始位置处的所述图像信息中的超像素初始集合；确定所述超像素初始集合的第一形态变量；识别所述图像信息中的另一位置处的与所述超像素初始集合的超像素邻近的另一超像素集合；生成所述超像素初始集合和所述另一超像素集合的并集的第二形态变量；并且在所述第二形态变量与所述第一形态变量的比较指示所述初始集合和所述另一集合的所述并集具有增加的形状紧密度的情况下，将所述图像信息中的生物对象的所述轮廓定义为所述超像素初始集合和所述另一超像素集合的所述并集的边界。2.根据权利要求1所述的诊断辅助系统(50)，还包括：-输入单元；其中，所述输入单元被配置为从用户接收所述图像信息中的初始位置的指示，其中，所述超像素初始集合包括所述初始位置处的所述超像素；并且其中，所述处理单元(52)还被配置为定义由应用开始于所述初始位置处的搜索算法产生的轮廓。3.根据权利要求1所述的诊断辅助系统(50)，其中，所述处理单元还被配置为：使用随机过程来生成所述初始位置，并且其中，所述超像素初始集合包括所述初始位置处的所述超像素。4.根据任一前述权利要求所述的诊断辅助系统(50)，其中，所述处理单元(52)还被配置为：通过将搜索区放置在所述初始位置和/或所述另一位置处来选择所述超像素初始集合和/或所述另一超像素集合，并且将所述超像素初始集合和/或所述另一超像素集合选择为接触所述初始位置和/或所述另一位置处的所述搜索区的超像素区域的集合。5.根据任一前述权利要求所述的诊断辅助系统(50)，其中，所述处理单元(52)还被配置为：选择所述初始位置和所述另一位置以提供用于约束所述搜索区在所述图像信息中的放置的搜索路径，其中，所述搜索路径是以下中的一项：向外螺旋模式、随机行走，或者向外扩展的圆圈的集合。6.根据任一前述权利要求所述的诊断辅助系统(50)，其中，所述处理单元(52)还被配置为：进行迭代直到所述第二形态变量到达停止值，或者直到预设迭代数量已经完成。7.根据任一前述权利要求所述的诊断辅助系统(50)，其中，所述处理单元(52)还被配置为：生成多个初始位置；并且定义从所述多个初始位置中的每个相应初始位置开始的所...

【专利技术属性】
技术研发人员：C·韦雷坎普，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：荷兰,NL