智能化肺癌早期细胞病理图像识别处理方法技术

本发明专利技术是一种智能化肺癌早期细胞病理图像识别处理方法，其步骤分，图像预处理；图像分割；重叠细胞分离重构；细胞特征提取；细胞分类。优点：基于强化学习的图像分割方法通过增量的学习和与环境的不断交互寻找最优分割阈值，得到平均９１％的分割效果。重叠细胞的分离重构利用Ｂ样条及改进ｄｅＢｏｏｒ－Ｃｏｘ方法的优点更好的模拟出真实的细胞边缘，分类器设计采用常用的投票方法，避免单个分类器分类精度较低的情况，提高整体的分类精度，二级分类器的使用减少假阳性和假阴性的概率，实验证明本发明专利技术的有癌无癌的两类分类精度平均达到９３．８％，鳞癌、腺癌、小细胞癌的分类精度平均达到７５％，假阳率、假阴率平均只是在４％－６％之间。

【技术实现步骤摘要】

本专利技术涉及的是一种智能化的早期肺癌细胞病理图像识别处理方法，属 于计算机医学应用
技术背景随着图像处理技术在医学领域的广泛应用，借助图像处理与模式识别技 术进行细胞的识别也已经受到越来越多地关注。基于肺癌细胞病理图像识别 处理系统的设计与实现，其原理就是对细胞图像进行分割，提取出细胞所在 的区域，分离与重构重叠的细胞，然后对分割出来的独立细胞进行特征提取， 根据提取出来的特征进行分类识别，给出客观的细胞识别结果。然而现有技 术存在有对现有肺癌细胞识别精确度不高的现状，其因在于没有一个可以进 行肺癌细胞病理图像智能化识别的系统及其进行肺癌细胞的智能化识别的 方法。 '
技术实现思路
本专利技术的目的旨在提供一个可以进行肺癌细胞的智能化识别的方法。采用强化学习的方法来寻找图像分割灰度阈值，根据强化学习Agent与环境的 交互不断选择动作改变分割灰度阈值，学习最佳分割策略，从而得到最优的 灰度阈值对图像进行分割，提取出细胞所在的区域。对于重叠的细胞，采用 一种改进的deBoor-Cox方法不断的模拟细胞的边缘点，直到其逼近真正的 边缘点，再利用B样条曲线重构出光滑的边缘，达到分离出两个或者多个完整细胞的效果。在特征提取阶段，系统不仅对单个细胞的进行形态学、色度 学以及光密度特征提取，同时还注意到整张细胞图像的区域特征。最后，根 据提取出的特征设计出适合系统的分类器对肺癌细胞进行分割。 本专利技术的技术解决方案其方法包括以下步骤，一、 图像预处理把图像由彩色图像转换为灰度图像，并对转换过的灰度图像用邻域平均 的方法进行去噪，所述的邻域平均的方法是现有技术；二、 图像分割基于强化学习的图像分割阶段包含感知、动作选择、策略更新、奖赏感知和图像分割等步骤，其学习过程如下(1) 通过图像分割步骤对图像进行分割；(2) 在状态感知步骤中计算细胞涂片图片所处的状态；(3) 到动作选择步骤中根据图像所处的状态计算当前所需要选择的动 作，即增加或者减少分割阈值；(4) 继续回到图像分割步骤对图像进行分割；(5) 利用分割的结果到奖赏感知步骤中计算环境反馈；(6) 根据环境的反馈在策略更新步骤中更新策略，更新的策略影响动作 选择步骤所选择的动作；(7) 取细胞分离后的下一个部分，重复上述步骤(5)、 (6)，进行重构。 所述的强化学习图像分割，其具体步骤包括，步骤l，初始化Q矩阵，Q矩阵以二维数组形式记录在当前状态以及所 有后继状态下以策略n去选择动作做获得的累积奖赏。步骤2，对新样本图像采用sobel算子(一种常用的边缘检测算子)进 行边缘检测，得到边缘图像。边缘检测结果图像如图4所示。步骤3，对新样本图像进行类间方差最大分割，得到包含细胞核和胞浆 的二值图像。类间方差最大分割的结果图像如图5所示。步骤4，定义状态S为当前阈值分割结果的目标轮廓边缘和sobel边缘 检测得到的边缘相重叠的比值E以及当前阈值分割结果的目标区域面积与类 间方差最大法分割出来的目标区域面积重合的比值F，即S= (EXF);定义 动作为当前阈值增加或减少动作Ai代表的灰度级，A二;定义奖赏R为当前分割出的目标区域与图像实际最优分割的符合程 度。<formula>formula see original document page 8</formula>(2)为当前分割的边缘，E"^、为边缘检测提取的边缘。F^"^为当前分割的目标区域，"w"^w为采用类间方差最大法(0STU)分割 出来的目标区域。<formula>formula see original document page 8</formula>(3)BO为最优分割的背景，FO为最优分割的前景目标。BT为当前分割的背景， FT为当前分割的前景目标。步骤5，根据(1)、 (2)、 (3)式计算0-255每个分割阈值对应的状态和奖赏，如此每个阈值与状态和奖赏对应。步骤6，重复步骤(7)，直到最近10次的平均Q矩阵更新前后的均方差 小于0. 005。步骤7，给定一个初始阈值，重复步骤(8) (10)，直到阈值变化到最 优分割阈值。步骤8，根据当前阈值得到当前状态。步骤9，采用e -greedy策略(e -greedy策略以1- e的概率选择Q-矩 阵中奖赏最大的动作，以e的概率选择其他动作)选择动作，改变分割阈值。步骤IO，根据改变阈值后的新阈值得到对应的反馈奖赏更新Q矩阵。更 新公式如式(4): s为当前状态，a为对应s的动作，s'为执行动作a后的 下一状态，a'为对应s'动作。。' (4) 步骤ll，对新样本图像重复步骤2至10。三、重叠细胞分离重构重叠细胞的分离重构包括图像预处理、八链码边缘提取、边缘平滑、细胞边缘分离、边缘重构和图像重建等步骤，重叠细胞分离重构步骤如下(1) 通过图像预处理将原图像转化为二值图像，并进行形态学开运算, 以达到去噪声的效果，提取出重叠区域。(2) 用八链码提取细胞的边缘，得到图像的边缘坐标；(3) 边缘平滑中先对边缘取样，用3次B样条平滑该边缘；(4) 通过求边缘点的二阶导数，得到凹点和分离点，根据分离点把原(5) 图像边缘分离开来。(6) 在细胞分离后的一个部分的边缘上取样，用3次B样条平滑，求 取分离点处的切线及其交点，利用改进的deBoor-Cox算法求出一 系列的模拟边缘点，用B样条插值平滑得到重构边缘。(7) 最后把细胞已知边缘和重构的边缘，对应回原图像，并填充边缘 内部，得到细胞重构后的图像。(8) 取细胞分离后的下一个部分，重复步骤(5)、 (6)进行重构。 所述的改进的deBoor-Cox算法，其运算步骤包括，步骤l，把原图像转化为二值图像，进行形态学开运算，以达到去噪声 的效果，提取出重叠区域。步骤2，根据八链码顺时针遍历细胞图像边缘，得到图像有序的边缘坐 标，存储到一个数组当中。步骤3，在重叠细胞的原边缘取样，可每隔5个或10个像素取一个样点。 用3次B样条在这些样点中进行插值，得到重叠细胞光滑的边缘。步骤4，在上述光滑的边缘各处求取二阶导数，观察其二阶导数的符号。 由于提取图像边缘时是用顺时针遍历的方法，所以这里二阶导数为正的点就 是凹点。在一段连续的凹点所组成的凹线中，在其l/3和2/3处的凹点作为 分离点，这样选取时两细胞连接处对分离点的影响较小。步骤5，根据分离点把原图像边缘分离开来。步骤6，在分离后的细胞边缘上取样，用3次B样条插值进行平滑。取 样的方案可以和步骤3中的一致。步骤7，求取分离点处的切线及其交点。<table>table see original document page 21</column></row><table>这是为了避免使得重构的边缘过于直线化而失真。设定分离点(a， b)到 交点(x0， y0)的距离为d， S的取值范围是(Td，由人工根据自己的视觉判 断进行调整以获得最佳的效果。四、 细胞特征提取(1) 针对细胞结构与形态的特殊性，提取了其形态特征、色度特征、光 密度特征和纹理特征，形态特征包括细胞几何形态特征和区域几何特征，几 何形态特征包括细胞的周长、宽度、高度、面积、似圆度、矩形度本文档来自技高网...

【技术保护点】
智能化肺癌早期细胞病理图像识别处理方法，其特征在于该方法包括以下步骤：　　　　一、图像预处理　　　　把图像由彩色图像转换为灰度图像，并对转换过的灰度图像用邻域平均的方法进行去噪；　　　　二、图像分割　　　　基于强化学习的图像分割阶段包含感知、动作选择、策略更新、奖赏感知和图像分割等步骤，其学习过程如下：　　　　（１）通过图像分割步骤对图像进行分割；　　　　（２）在状态感知步骤中计算图片所处的状态；　　　　（３）到动作选择步骤中根据图像所处的状态计算当前所需要选择的动作，即增加或者减少分割阈值；　　　　（４）继续回到图像分割步骤对图像进行分割；　　　　（５）利用分割的结果到奖赏感知步骤中计算环境反馈；　　　　（６）根据环境的反馈在策略更新步骤中更新策略，更新的策略影响动作选择步骤所选择的动作；　　　　三、重叠细胞分离重构　　　　重叠细胞的分离重构包括图像预处理、八链码边缘提取、边缘平滑、细胞边缘分离、边缘重构和图像重建步骤，重叠细胞分离重构步骤如下：通过图像预处理将原图像转化为二值图像，并进行形态学开运算，　　　　（１）以达到去噪声的效果，提取出重叠区域；　　　　（２）用八链码提取细胞的边缘，得到图像的边缘坐标；　　　　（３）边缘平滑中先对边缘取样，用３次Ｂ样条平滑该边缘；　　　　（４）通过求边缘点的二阶导数，得到凹点和分离点，根据分离点把原图像边缘分离开来；　　　　（５）在细胞分离后的一个部分的边缘上取样，用３次Ｂ样条平滑，求取分离点处的切线及其交点，利用改进的ｄｅＢｏｏｒ－Ｃｏｘ算法求出一系列的模拟边缘点，用Ｂ样条插值平滑得到重构边缘；　　　　（６）最后把细胞已知边缘和重构的边缘，对应回原图像，并填充边缘内部，得到细胞重构后的图像；　　　　（７）取细胞分离后的下一个部分，重复上述步骤（５）、（６），进行重构。　　　　四、细胞特征提取　　　　（１）针对细胞结构与形态的特殊性，提取了其形态特征、色度特征、光密度特征和纹理特征，形态特征包括细胞几何形态特征和区域几何特征，几何形态特征包括细胞的周长、宽度、高度、面积、似圆度、矩形度、伸长度、傅立叶描述子和中心矩等特征，其中似圆度与矩形度分别表示细胞与圆形和矩形的相似程度，区域几何特征包括区域内细胞总数目和总面积及细胞面积与似圆度均方差，色度特征的提取主要依赖于颜色空间的定义，经过反复的实验，本实验最终选定｛Ｒ，Ｇ，Ｂ｝和｛Ｈ，Ｉ，Ｓ｝作为彩色特征空间，光密度特征包括...

【技术特征摘要】

【专利技术属性】
技术研发人员：叶玉坤，高阳，汪栋，张缨，赵波，朱亮，郭晓文，
申请(专利权)人：中国人民解放军第八一医院，南京大学，
类型：发明
国别省市：84[中国|南京]