图像分析制造技术

一种用于自动分析包括像素阵列的数字图像的方法，包括下列步骤：　　　　使用所选择像素的邻域中强度的局部平均和局部标准偏差的特性来从所述像素的一些或全部生成特性同现矩阵（ＰＣＭ）；以及　　　　作为对所述ＰＣＭ的分析结果，通过将选择的像素标记为属于特定分类来分割图像。（*该技术在2023年保护过期，可自由使用*）

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及数字图像的自动分析。本专利技术尤其涉及在组织或细胞标本的数字图像中的不同细胞分组的自动识别，并尤其用于根据在组织切片的数字图像中识别的细管结构(tubule formation)和上皮细胞的相对比例来评估乳房组织中癌症的存在和严重程度，并且在此主要描述的本专利技术正是关于这一方面。然而，本专利技术也可以应用于呈现适合于以类似方式识别的图像成分的各种其他种类结构的分析中，例如可以应用于包含特定类型的晶体形成的矿物标本的分析。
技术介绍
每年有数以千计的妇女不必要地死于乳腺癌，如果足够早地检测到该癌症，则理论上生存的可能性很高。如果在一个样本中未察觉癌组织的存在，则到下一次进行检查时，癌症可能已经发展并大大降低了存活的机会。因此，在样本中检测癌组织的重要性无论如何强调也不为过。典型的国家乳房筛选程序使用乳房X线照相术进行触摸不到的机体损害的早期检测。一旦检测到代表乳腺癌的机体损害，则取组织样本并由受过训练的组织病理学家进行检查以建立诊断和预后。这是一个耗费时间、劳动密集和代价昂贵的过程。执行这种检查的资格不容易获得并需要频繁地复查。检查本身需要由眼睛分析彩色图像，以观察者之间和观察者自身分析中值得考虑的变化为特征的高度主观的过程，即不同的组织病理学家和相同的组织病理学家在不同的时间对相同的样本可能出现观察的变化。例如，研究显示检查同样十个样本的两个不同的组织病理学家对这些样本中的三个会给出不同的鉴定，即有30％的误差。这一问题由一些样本的复杂度而加重，尤其在没有一个确定的结论的边缘情况下更是这样。如果没有足够可用的受过训练的人员，则这对于完成该分析的压力造成影响，从而可能会造成错误的评估和诊断的延迟。这些问题意味着实际上在乳腺癌筛选的程度和效果上有局限，因此一些妇女不能被正确识别为具有该疾病，并且在一些情况下，这样的失败可能造成过早的死亡。相反，其他人被错误地诊断为有乳腺癌，并因此可能不必要地遭受损伤性的治疗。
技术实现思路
因此，本专利技术的目的是提供一种图像分析方法，它能够被实现为一种鲁棒(robust)、客观和划算的工具以辅助乳腺癌的诊断和预后，尽管如前所述本专利技术也可以应用于其他领域。为了帮助理解这一目的，参照附图1，附图1是典型地出现在乳房组织的组织载玻片(slide)中的各种对象的简化表示。存在包括诸如在由上皮层2包围的用1表示的输送管(duct)的细管结构。输送管显示为各种形状的小的、明亮的区域，同时上皮细胞基本上显示为更有纹理且更暗。诸如用3标识的脂肪细胞显示具有与输送管1的同样的强度，但是通常基本上更大。与输送管1和脂肪细胞3同样强度的伸长区域也可能存在，比如用4表示的区域，并且这是组织中的撕裂(tear)或由收缩引起的裂缝的特征。载玻片的其余部分包括“背景”组织5，它一般显示为比输送管1、脂肪细胞3和撕裂/裂缝4更暗，但比上皮细胞2更亮并且纹理更均匀。健康的组织应当包含大量的细管结构，该细管结构包括通常具有两个上皮细胞边界的输送管。在癌组织中，细管往往断裂而上皮细胞增生，所以任何给定样本中这些结构之间的面积比能够用作癌症存在和严重程度的指示。更特别的是，组织病理学家按照惯例作出尺度M的主观评估，由下式给出M=TD+E...(1)]]>其中T是由细管结构(输送管加两个上皮细胞的边界)覆盖的载玻片中的表面积，D是由输送管覆盖的表面积，以及E是由所有上皮细胞(包括T中的那些)覆盖的表面积，并且使用阈值将该尺度的值的他们的评估与癌症等级相联系，典型地如下所示 尺度值 癌症等级≥75％1级≥10％，＜75％2级＜10％3级表1.用于癌症严重程度的组织病理学阈值其中1级最轻，而3级最严重。如果相同或类似尺度的客观评估通过一个图像分析的自动方法而获得，则尤其需要区分在一个包括上皮细胞的图像中的那些对象，因此一方面，本专利技术在于一种用于对包括像素阵列的数字图像进行自动分析的方法，该方法包括下列步骤利用在所选择像素的邻域(neighbourhood)中强度的局部平均和局部标准偏差的特性从所述的一些或全部像素中生成特性同现矩阵(property co-occurrencematrix)(PCM)；以及作为分析所述PCM的结果通过将所选择的像素标记为属于特定分类来分割图像。本专利技术也在于包括执行前述方法的装置的用于数字图像的自动分析的设备，以及在于一种包括在其上具有适于引起计算机执行上述方法的计算机程序代码装置的计算机可读介质的计算机程序产品和一种包括这样做的指令的计算机程序。特性同现矩阵(PCM)例如在Electronics and CommunicationEngineering Journal的1993年第5卷第2期第71-83页(Co-occurrence Matrices for Image Analysis，JF Haddon和JF Boyce)进行了描述，并且是例如在IEEE Trans.Syst.，Man，Cybern.的1973年Vol SMC-3的第610-621页(Texture Features for ImageClassification，RM Haralick，K Shanmugan和I Dinstein)中描述的标准灰度级同现矩阵的扩展或概括。它们是多维的直方图，其中每个元素是所选择的特性同时出现的频率。通过使用图像像素的邻域中局部平均和局部标准偏差的特性生成一个PCM，因此这样的PCM的分析能够区分构成比如说相对较低局部平均和相对较高局部标准偏差(比如在本专利技术的这一方面的优选实施方式中表示上皮细胞的暗的、有纹理的区域)区域的像素和构成比如说相对较高局部平均和相对较低局部标准偏差(比如在本专利技术的这一方面的优选实施方式中表示“背景”组织的更亮、更均匀的区域)区域的像素，或者区分在本专利技术的其他应用中的那些特性的其他组合的区域的像素。现在将参照附图借助于例子并在用于在乳房的潜在癌的组织载玻片的数字图像中的细管结构的基础上对癌症分级的自动系统的上下文中更详细地描述本专利技术的这些和其他方面。附图说明在附图中图1是乳房组织的组织载玻片中典型对象的简化表示，该组织可以按照本专利技术的优选实施例进行分析；图2是在用于获得和分析数字化图像的优选实施例中设备的框图；图3示出优选实施例中主要算法部分的布局和处理流程；图4是一幅图像中像素的示意图；图5示出用于在优选实施例中确定掩蔽(mask)点的过程；图6(a)示出了直方图中两个峰值之间的一个谷，而图6(b)中没有谷；图7是示出用于PCM轴的不同标记和边缘分布的图；图8(a)示出原始直方图，而图8(b)示出在两侧上延伸的这一零点，图8(c)-(f)示出通过在2、4、8和16个二进制数(bin)上进行平均的逐渐增大标度的同一个直方图；对于每一种分辨率示出所有峰值和谷的位置，这是与特定峰值或谷相关联的轨迹长度(tracklength)；图9示出一个PCM和使用EM算法拟合的两个高斯分布的位置和参数；所述分布的半径以两个标准偏差画出；图10示出如何计算从PCM中的一个地址到拟合的分布之间的距离，从而能够确定一个像素的分割值；图11示出与像素X相邻的8个像素(a，b，c，d，e，f，g，h)；图12示出在优选方法的过程中在图像分割之后的几个斑点(bl本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】

【专利技术属性】
技术研发人员：J·F·哈东，S·K·沃特森，
申请(专利权)人：秦内蒂克有限公司，
类型：发明
国别省市：