The present invention discloses a segmentation method for pathological image of breast cancer, which mainly includes three modules: data preprocessing, nuclear detection and fine segmentation of nuclear boundary. The pathological experts first manually calibrated the cell boundary. The pathological images were standardized to eliminate the difference in staining. The training samples based on the pixel of the nucleus, the pixel of the nucleus and the background pixels are made, and the classifier of the convolution neural network is trained to realize the classifier based on the central pixel of the Patch small image. The trained convolution neural network model is detected on the whole pathological image, and the output probability graph is obtained. After the post-processing algorithm, the two value image is produced as the initialization contour of the active contour model, and the active contour model is used to fine segment the boundary of the nucleus. The invention is an algorithm with high segmentation accuracy, which can realize the segmentation of overlapping cells in breast cancer pathological images. The invention also discloses a segmentation device for pathological images of breast cancer.
【技术实现步骤摘要】
用于乳腺癌病理图像的分割方法和装置
本专利技术涉及生物医学信息
,特别是涉及一种用于乳腺癌病理图像的分割方法和装置。
技术介绍
为了解决传统组织病理学分析遇到的实际困难,数字病理学近年来得到了飞速的发展。数字病理学是一个新的、发展迅速的医学成像领域。组织切片被扫描仪以超高分辨率扫描后数字化,再应用计算机对得到的图像自动进行高精度多视野无缝隙拼接和处理,获得优质的可视化数据以应用于病理学的各个领域。数字化病理系统的应用最早始于1985年,20世纪90年代在美国开始被应用于商业领域,从2000年开始在医学院校逐步取代传统显微镜。此后,美国以及全世界范围内有50%的医学院校都已经或正在筹备引进数字化病理系统。病理图像分析系统的应用,极大地丰富了病理科研工作的方法,使得病理工作人员的思路开阔了许多,使得一些原来不可能的工作如:腺体形态计算、DNA计算、AGNOR计算变得简单起来。数字病理能够自动地分析、分割、检测感兴趣区域,能够定量地评估病变区域地恶性程度、结果相比于人工分析具有较高的可重复性。细胞核分割在病理图像辅助诊断系统中都是首要步骤,细胞核的形态、结构、空间分布对癌症的分期是重要的参考指标。要实现病理分期首先需要对病理图像中的细胞核进行准确的分割。但是由于病理图像中细胞核的重叠、细胞核结构的不一致性、背景的复杂性以及染色方式的差异等因素造成了细胞核分割非常困难。传统的分割算法,如自适应阈值分割、分水岭、区域生长算法对病理图像的分割效果较为有限,对重叠细胞核的分割能力也不足。近年来,主动轮廓模型分割算法在图像分割领域得到了广泛的应用,特别是在病理图像分 ...
【技术保护点】
1.一种用于乳腺癌病理图像的分割方法,其特征在于,所述方法包括:对乳腺癌病理图像通过标定与预处理操作生成训练样本;根据所述训练样本训练基于图像Patch中心像素的卷积神经网络分类模型,以完成所述乳腺癌病理图像中细胞核的检测操作;通过后处理算法将CNN模型在整张所述乳腺癌病理图像对细胞核的检测结果的概率图进行转换,生成二值图像,并将所述二值图像定义为主动轮廓模型的初始化形状轮廓;通过所述主动轮廓模型对细胞核的边界进行分割。
【技术特征摘要】
1.一种用于乳腺癌病理图像的分割方法,其特征在于,所述方法包括:对乳腺癌病理图像通过标定与预处理操作生成训练样本;根据所述训练样本训练基于图像Patch中心像素的卷积神经网络分类模型,以完成所述乳腺癌病理图像中细胞核的检测操作;通过后处理算法将CNN模型在整张所述乳腺癌病理图像对细胞核的检测结果的概率图进行转换,生成二值图像,并将所述二值图像定义为主动轮廓模型的初始化形状轮廓;通过所述主动轮廓模型对细胞核的边界进行分割。2.根据权利要求1所述的方法,其特征在于,所述对乳腺癌病理图像通过标定与预处理操作生成训练样本,包括:基于细胞核像素、细胞核边界像素以及所述乳腺癌病理图像背景像素对所述乳腺癌病理图像通过标定与预处理操作,生成所述训练样本。3.根据权利要求1所述的方法,其特征在于,所述对乳腺癌病理图像通过标定与预处理操作生成训练样本,还包括:选取特定细胞核使用病理图像标注软件对所述乳腺癌病理图像中的细胞核边界进行部分标定;基于标定的细胞核进行正负样本采集。4.根据权利要求1所述的方法,其特征在于,所述对乳腺癌病理图像通过标定与预处理操作生成训练样本,还包括:使用线性变换方法在Lab颜色空间对数据库中所有的所述乳腺癌病理图像进行颜色标准化处理;从数据库中随机挑选一张所述乳腺癌病理图像作为参考图像,并对剩余的所述乳腺癌病理图像运用标准化算法;其中,所述线性变换方法为:将RGB颜色空间的待处理的H&E染色的所述乳腺癌病理图像转化到特定的CIELab颜色空间,对Lab通道中的每一个像素进行一个线性转化,且线性转化公式为:其中,和分别表示L通道所有像素的均值和方差。5.根据权利要求1所述的方法,其特征在于,所述对乳腺癌病理图像通过标定与预处理操作生成训练样本,还包括:在被标注的细胞核边界内部取正样本像素点,并以所述正样本像素点为中心生成64*64像素大小的Patch作为正样本;将被标注的细胞核边界做三个像素的形态学腐蚀操作,并在所述三个像素宽的边界区域取像素点,以所述像素点为中心取64*64像素大小的Patch,获得边界Patches;对所述乳腺癌病理图像做去卷积操作,获取所述乳腺癌病理图像中不同的染色成分,并解析出所述乳腺癌病理图像的背景像素和前景像素;采用直方图均衡化算法对所述背景像素和所述前景像素进行强化操作...
【专利技术属性】
技术研发人员:万涛,秦曾昌,赵磊,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京,11
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。