一种免疫组化数字图像处理方法技术

本发明专利技术公开了一种免疫组化数字图像处理方法,包括以下步骤：输入图像；色彩归一化处理；对图像进行高斯模糊处理；对图像进行噪声消除处理；归类器分类；噪声消除处理、计数；还包括学习步骤。本发明专利技术重点在于提高不同质量免疫组化病理图像的处理精确度与适应范围，从图像归一化着手，尽可能将不同图像特征转化为相同或相似情况，然后用SVM（支持向量机）以及K均值聚类方法等来进一步增强适应范围。对粘连个体进行分割及距离变换后，达到精确计数，保证了阳性率检测的准确率。本发明专利技术相比当前类似技术具有应用范围广、精确度高、自动化程度高等特点，可以对质量不佳图像进行修正，可以通过学习来处理不同类型图像，准确率方面可满足实际需求。

【技术实现步骤摘要】

本专利技术涉及一般的图像数据处理或产生，具体来讲尤其是涉及图像增强或复原。
技术介绍
本专利技术运用一套独特的数字图像处理流程，大幅提升对不同类型不同质量数字图像中不同类别细胞的识别准确率。传统的免疫组化切片检测方法为在显微视野下通过肉眼观察计算阳性率，其误差大，主观性强，耗时多。并且在提升准确率这个方面，往往都是对制作切片的方法、使用试剂和温度控制等部分进行改进。而在计算机领域，很少有成套的数字图像处理方法应用于免疫组化阳性率的检测，大部分的研究都是针对某种具体的数字图像处理算法，或者针对某种指定的图像的处理方法。如美国科学家Sonal Kothari等人2009年最新发表的文献“Automated cell counting and cluster segmentation using concavity detection and ellipse fitting techniques，，(《Biomedical Imaging: From Nano to Macro, 2009. ISBI '09. IEEE International Symposium on》，2009，795-798 (IEEE生物医学图像处理国际学术会议，第 795页-798页，2009年))仅描述一种用椭圆填充与边界轮廓提取来进行细胞分割的方法， 其准确率虽然可以达到85-90%，但仅仅只能针对圆形细胞的图像，且对处理粘连过大的细胞群的会出现分割不够而导致准确率大大降低。土耳其Rutgers大学与美国滨汐法利亚大学的Scott Doyle、Miclael Feldman ^ A 2008 ^ ^ ^ StJ Automated grading of breast cancer histopathology using spectral clustering with textural and architectural image features'^((Biomedical Imaging: From Nano to Macro, 2008. ISBI 2008. 5th IEEE International Symposium on》，2008，496-499 (IEEE生物医学图像处理国际学术会议，第496页-499页，2008年))提出基于谱聚类用纹理特征进行乳腺癌细胞进行分割与分级的方法，其准确率能达到90%，但仅仅针对乳腺细胞，通用性不足，且在图像大部分为浅色时，该方法的识别能力不足，造成准确率大大降低。又如力口拿大 Concordia 大学与 Notre—Dame 医院的 N. Kharma>H. Moghnieh、J. Yao 等人在 2007 年发表的Automatic segmentation of cells from microscopic imagery using ellipse detection (((IET Image Processing))vol. 1, 2007, 39-47 (IET 图像处理， 1卷，39-47页2007年))提出了运用椭圆检测方法进行显微镜下图像中的细胞的自动分割，准确率可以达到90-95%，但其只能运用于圆形的细胞，且其的目标仅仅是将细胞从背景图像中分离出来用于计数，没有考虑多种细胞情况下的分类，因而通用性不足。
技术实现思路
本专利技术的目的在于解决上述问题的不足，提供一种免疫组化阳性率检测方法，本方法采用数字图像处理方法，结合当前已有技术或产品并在其基础上进行创新，提出一套基于SVM的精确度高、稳定性好的免疫组化图像处理方法，并进行相关验证。为能达到上述专利技术的目的，本专利技术所采用的技术方案是提供，其特征在于包括以下步骤步骤一、通过计算机从图像采集设备获取图像；步骤二、将图像从RGB色彩空间转换到LAB色彩空间，进行色彩归一化处理，再将色彩归一化处理后的图像转换到HSV色彩空间；步骤三、对步骤二得到的图像进行高斯模糊处理，将高斯模糊处理后的图像进行噪声消除；步骤四、由人工给出训练标准，学习不同类型细胞的特征；步骤五、对步骤三得到图像根据步骤四学习得到的特征进行分类，得到阳性细胞集合、 阴性细胞集合及中间介质集合三部分；步骤六、对分类出的阳性细胞集合及阴性细胞集合只保留单个细胞和粘连的细胞簇; 将粘连较严重的细胞簇分割为若干个处理单位，粘连不严重的细胞簇和单个细胞直接作为单个处理单位，并对每个处理单位中的所有空洞进行填充，然后用距离变换方法将每个处理单位转化为峰值点，之后再对峰值点进行过滤，最后对阳性细胞对应的峰值点和阴性细胞对应的峰值点分别计数即可分别得到阳性细胞和阴性细胞的数量。根据本专利技术所提供的免疫组化数字图像处理方法，其特征在于步骤二具体包括以下步骤a、对原始图像进行彩色空间转换将图像从RGB彩色通道转换为LAB彩色空间；b、将图像调整为颜色在设定范围、亮度统一的图像在LAB空间中，图像变为三个两两垂直的通道即亮度通道L与色彩通道A和色彩通道B，其中A与B不变，对图像在L通道上进行滑动，滑动到预定位置后，还原为RGB颜色空间；c、将步骤b得到色彩均勻的图像转换到HSV空间。根据本专利技术所提供的免疫组化数字图像处理方法，其特征在于所述步骤四具体包括构建训练集T(r) (r=l, 2，3)，包含来自不同组织、不同设备、不同时间采集的样本，构造分类器，设样本集分别为S1, S2, S3,则可以分别对每一个集合内部计算各通道平均值A1、平均值^和平均值A3,引入公式(1)计算平均值A1、平均值^和平均值A3的包含三个待学习确定参数(ο·、A、r)的两两距离D12，D23，D13，设 =1,以距离间方差最大时为分类标准，通过训练过程可以确定其余参数戽L并以A1, A2, A3作为聚类处理过程聚类中心；所述公式(1)如下本文档来自技高网...

【技术保护点】
１．一种免疫组化数字图像处理方法，其特征在于：包括以下步骤：通过计算机从图像采集设备获取图像；将图像从ＲＧＢ色彩空间转换到ＬＡＢ色彩空间，进行色彩归一化处理，再将色彩归一化处理后的图像转换到ＨＳＶ色彩空间；对步骤二得到的图像进行高斯模糊处理，将高斯模糊处理后的图像进行噪声消除；由人工给出训练标准，学习不同类型细胞的特征；对步骤三得到图像根据步骤四学习得到的特征进行分类，得到阳性细胞集合、阴性细胞集合及中间介质集合三部分；对分类出的阳性细胞集合及阴性细胞集合只保留单个细胞和粘连的细胞簇；将粘连较严重的细胞簇分割为若干个处理单位，粘连不严重的细胞簇和单个细胞直接作为单个处理单位，并对每个处理单位中的所有空洞进行填充，然后用距离变换方法将每个处理单位转化为峰值点，之后再对峰值点进行过滤，最后对阳性细胞对应的峰值点和阴性细胞对应的峰值点分别计数即可分别得到阳性细胞和阴性细胞的数量。

【技术特征摘要】
1.一种免疫组化数字图像处理方法，其特征在于包括以下步骤 通过计算机从图像采集设备获取图像；将图像从RGB色彩空间转换到LAB色彩空间，进行色彩归一化处理，再将色彩归一化处理后的图像转换到HSV色彩空间；对步骤二得到的图像进行高斯模糊处理，将高斯模糊处理后的图像进行噪声消除； 由人工给出训练标准，学习不同类型细胞的特征；对步骤三得到图像根据步骤四学习得到的特征进行分类，得到阳性细胞集合、阴性细胞集合及中间介质集合三部分；对分类出的阳性细胞集合及阴性细胞集合只保留单个细胞和粘连的细胞簇；将粘连较严重的细胞簇分割为若干个处理单位，粘连不严重的细胞簇和单个细胞直接作为单个处理单位，并对每个处理单位中的所有空洞进行填充，然后用距离变换方法将每个处理单位转化为峰值点，之后再对峰值点进行过滤，最后对阳性细胞对应的峰值点和阴性细胞对应的峰值点分别计数即可分别得到阳性细胞和阴性细胞的数量。2.根据权利要求1所述的免疫组化数字图像处理方法，其特征在于步骤二具体包括以下步骤对原始图像进行彩色空间转换将图像从RGB彩色通道转换为LAB彩色空间； 将图像调整为颜色在设定范围、亮度统一的图像在LAB空间中，图像变为三个两两垂直的通道即亮度通道L与色彩通道A和色彩通道B，其中A与B不变，对图像在L通道上进行滑动，滑动到预定位置后，还原为RGB颜色空间； 将步骤b得到色彩均勻的图像转换到HSV空间。3.根据权利要求1所述的免疫组化数字图像处理方法，其特征在于所述步骤四具体包括构建训练集T(r) (r=l, 2, 3)，包含来自不同组织、不同设备、不同时间采集的样本，构造分类器，设样本集分别为S1, S2, S3,则可以分别对每一个集合内部计算各通道平均值A1、平均值^和平均值A3,引入公式(1)计算平均值A1、平均值^和平均值A3的包含三个待学习确定参数(ο·、A、r)的两两距离D12，D23，D13，设 =L以距离间方差最大时为分类标准，通过训练过程可以确定其余参数AL并以A1, A2, A3作为聚类处理过程聚类中心；所述公式(1)如下< =Jt^(F-Zii)]2s.)f+[^-V.)]2 ……(J=I^5S)(1)式中H，S, V代表任一待测像素点X (H, S, V)中对应的三个通道值，d i为待测像素点X到参考点C的距离，c是由人工进行初始训练选择得到的聚类中心，α β、；K为待学习确定参数，i对应于1，...

【专利技术属性】
技术研发人员：朱敏，易宗锐，杨寸月，孙怀强，
申请(专利权)人：四川大学，
类型：发明
国别省市：90