本发明专利技术提供的数字病理全景切片图像自动分析方法和系统，对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；对所述图像标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测，再根据所述图像特征提取模块的检测结果，对所述病理图像进行自动分类和量化指标计算，根据所述自动分类模块的分类结果，辅助医护人员诊断，从而能够实时地、准确地实现对数字病理切片全景图像自动分析。
【技术实现步骤摘要】
本专利技术涉及医学图像处理
，具体涉及一种数字病理切片全景图像自动分 析方法及系统。
技术介绍
目前临床上病理学诊断是最直观、最确切的疾病诊断金标准，通过显微镜对病变 组织的观察，从而对癌症进行确诊并分析得到癌症的恶性程度，为肿瘤患者术前诊断、治疗 方案和术后预期提供最佳方法。随着计算机和信息技术的快速发展，实现了对病理切片的 高分辨率全景成像，从而得到了数字化的病理切片数据，但是由于病理图像复杂性、多变和 数据量大灯自身特点，现有病理图像诊断依然依靠人工阅片实现，一方面工作繁重且专业 要求高，另一方面易受医生经验主观性的限制，而且随着近几年医学科学的迅猛发展，各地 医疗设施的完善，临床样本量大大增加，常规的人工屏幕看片已经不能满足医院病理科临 床及教学工作的需要。 基于机器学习的计算机辅助诊断算法成为了近年来国内外非常热门的前沿领域 之一。相对于传统的人工阅片诊断，计算机辅助诊断具有客观性、量化和低成本的优势，从 而提高病理分析准确性和工作效率。但是如何实现对数字病理切片图像依然存在很大的挑 战，现有技术方案只是通过远程会诊方式，利用互联网工具实现病理图像快速传输和共享， 然后病理医生或专家在各自客户端进行会诊并给出诊断结果，但是诊断结果很难做到实 时，也同样因为医生阅片经验不同而对同一切片诊断结果有差异。 目前计算机辅助诊断算法方面的研究还主要集中于CT、PET、MRI等功能性成像方 式，传统细胞图像如血液细胞分析等通过电子显微镜拍摄，然后通过计算机进行图像自动 化的量化分析已经得到广泛应用，但是对近年来快速发展的全景数字切片图像进行分析的 研究则相对较少，这主要是因为以下问题： (1)病理图像复杂性，由于受图像采集的影响，如切片制作完整性、染色均匀性等， 且病理图像中不仅有癌症细胞，同时还有脂肪、血管、纤维等其他组织相互干扰，导致图像 分析非常困难。 (2)病理图像多变性，不同癌症细胞表现的形态、分布特征等不一致，而且癌症细 胞形态多变，不规则，细胞在不同分裂时期表现多变，细胞核之间相互重叠等因素影响给病 理图像分析带来了很大挑战。 (3)计算复杂度，由于全景病理图像单张图像数据非常大，几千万到上亿像素点， 如何实现快速、实时的计算是病理图像分析算法一个技术难点。 这些技术问题制约了实际临床上的应用，据目前已发表的文献来看，目前尚没有 一个系统的解决方案实现全景病理切片的图像自动化分析，提取量化分析指标，尤其是难 以解决病理特征学习算法中的实时性和检测准确性之间的矛盾。
技术实现思路
有鉴如此，有必要提供一种实时性好、准确性高的数字病理切片全景图像自动分 析方法和系统。 为实现上述目的，本专利技术采用下述技术方案： -种数字病理切片全景图像自动分析方法，包括下述步骤： 步骤S10:对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特 征提取区域； 步骤S20:对感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征 进tx检测；步骤S30:根据检测结果，对所述病理图像进行自动分类和量化指标计算； 步骤S40:根据分类结果，辅助医护人员诊断。 作为本专利技术较为优选的实施例，步骤S10:对病理图像进行颜色增强和归一化标准 化处理，具体包括下述步骤： 步骤SI 1:根据颜色增强算法，对RGB三个通道进行直方图均衡化处理； 步骤S12:将均衡化后的彩色RGB空间转换到Lab空间，并提取直方图统计信息； 步骤S13:利用最大似然估计初步提取不同染色区域，以区分细胞核、细胞膜或细 胞质与其他非染色区域； 步骤S14:采用基于分水岭分割算法得到染色的细胞核，细胞膜或细胞质部分，并 利用K-means聚类计算得到各个染色区域的并统计被染色细胞核、细胞膜或细胞质的所占 的比例； 步骤S15:利用全景病理图像多层放大倍数的图像数据和染色分布分类，形成多尺 度图像块和待处理感兴趣特征提取区域。作为本专利技术较为优选的实施例，步骤S20,对所述图像标准化模块中的感兴趣特征 提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测，包括： 步骤S21:颜色特征提取，包括下述步骤： 步骤S210:采用基于分水岭分割算法提取染色细胞核、细胞质或细胞膜；步骤S211:对提取的细胞区域的Lab颜色空间中的三个通道数据进行求平均值和 方差，获取细胞的颜色强度和分布均匀性特征； 步骤S22:形态学特征提取，包括下述步骤： 利用上述提到的图像分割出的细胞核，统计细胞核区域的像素个数、细胞核最小 直径与最大直径的比值、圆形度4jtA/L2,其中A细胞核大小，L细胞核周长； 步骤S23:纹理特征提取，包括下述步骤： 步骤S230:对图像Lab三个通道数据分别运用mean-shift算法进行平滑处理； 步骤S231:用滤波器组对平滑处理后的图像数据进纹理行特征提取； 步骤S24:空间分布特征提取，包括下述步骤：步骤S240:利用上述图像分割方法提取细胞核；步骤S241:以细胞核为顶点构建坐标图，获得邻接矩阵A，其中细胞核为节点位置， 细胞核之间的连线为图的边，并通过定义加权矩阵B确定每个顶点与周围细胞核之间连接 的可能性，从而确定边数； 步骤S242:构建空间图谱特征；步骤S243:提取空间图谱特征的描述信息作为特征，其描述信息包括顶点数、边长 度、角度、边数、K-walks数、三角数、Wiener指数、Randic指数，其中，边长度为每对顶点之间 的欧式距离，角度为顶点出到11」的边数，1(1^11^数(池1?11? = 1:瓜〇6^)^表示为节点]^到1^1^11^的数量， 其中K-walk表示节点和边的顺序集（mein2e2…nk-ieknk)，三角数Ntri = trace(A3)/6)， Wiener指数为所有顶点对距离的求和，Randic指数为步骤S244:采用主成分分析算法对上述特征向量进行降维处理以筛查出差异性显 著的特征向量； 步骤S245:进行正则化并在高维空间上进行K-means聚类； 步骤S246:采用kd-tree构造空间图谱特征。作为本专利技术较为优选的实施例，步骤S242中，构建空间图谱特征，具体为:通过对 所述坐标图的所有聚类中心进行kd-tree构造，所述kd-tree是一种分割k维数据空间的数 据结构，k-d树是一个二叉树，每个节点表示一个空间范围。 作为本专利技术较为优选的实施例，步骤S245中，所述K-means聚类具体为： 首先从特征向量中随机选取k个聚类质心点为以^^^匕重复下面计算过程直到收敛为止:对于每一个样本i，计算其应该属于的类 于每一个类j，重新计算该类的质心 重复迭代第一步和第二步直到质心不变或者变化很小），可以得到输入图像的纹 理特征的初步描述。 作为本专利技术较为优选的实施例，步骤S30:根据所述图像特征提取模块的检测结 果，对所述病理图像进行自动分类和量化指标计算，具体包括下述步骤： 在离线环境中，提取训练样本数据图像的颜色、形态、纹理、空间特征集整合到一 个基于最大似然估计估计的EM学习模型，利用最大似然估计计算目标优化函数； 在线的环境中，使用训练好的分类器对采集到的图像进行识别，一旦有可疑的病 变区域被发现就自动进行颜色加强显示。 作为本专利技术较为本文档来自技高网...
【技术保护点】
一种数字病理切片全景图像自动分析方法，其特征在于，包括下述步骤：步骤S10：对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；步骤S20：对所述感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测；步骤S30：根据检测结果，对所述病理图像进行自动分类和量化指标计算；步骤S40：根据分类结果，辅助医护人员诊断。
【技术特征摘要】
【专利技术属性】
技术研发人员：秦文健，辜嘉，李凌，温铁祥，陈垦，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44
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。