CN101833764A - 胸腺切片多尺度图像分割方法 - Google Patents

Abstract

一种图像处理技术领域的胸腺切片多尺度图像分割方法，首先将原始图像线性划分成若干个子图像块并构建多尺度图像数据关系；然后获取相邻子图像块信息并向下采样处理生成聚类等级图像，在进行图像聚类处理生成聚类等级子图像，最后进行向上采样处理，实现胸腺切片多尺度图像分割。本发明解决原始识别所带来的人员疲劳及误差问题，既解决了人工分析造成的强度大的问题，也提高了组织分割的精度，可以用于胸腺组织的识别，为诊断提供依据。获得胸腺切片组织图像的同时，由于去除了背景噪声，从而也减少了进一步精细分割的计算量。

Description

胸腺切片多尺度图像分割方法

技术领域

本发明涉及的是一种图像处理技术在医学领域中的应用方法，具体是一种胸腺切片多尺度图像分割方法。

背景技术

胸腺(thymus)为机体的重要淋巴器官。其功能与免疫紧密相关，分泌胸腺激素及激素类物质，具内分泌机能的器官。胸腺被认为对重症肌无力(MG)的发病中起重要作用。

经对现有技术文献的检索发现，Wekerle，H.和Müller-Hermelink，H.(The thymus inmyasthenia gravis.Current topics in pathology，1986，75：179)，以及Palace，J.，Vincent，A.等(Myasthenia gravis：diagnostic and management dilemmas.Current Opinion inNeurology，2001，14(5)：583)针对胸腺的病理检查对重症肌无力(myasthenia gravis，MG)的发病、诊断和治疗有重要意义。对于胸腺切片主要依靠经验丰富的病理专家在一个个的显微视野中对异常细胞的数量和位置进行识别，人工分析的强度大，操作人员易疲劳，人为误差不可避免。此外，大量文档式的胸腺切片数据，对于数据的存储与利用也相当不便。

同时，经对现有技术文献的检索发现，马春梅，刘贵如和王陆林(图像分割技术在医学图像处理中的应用研究.太原科技，2007，28(3)：64-67)以及Ma，Z.，Tavares，J.和Jorge R.(Segmentation of structures in medical images：review and a new computationalframework.In Proceedings of the CMBBE 2008-8th International Symposium on ComputerMethods in Biomechanics and Biomedical Engineering，2008.)随着图像处理技术飞速发展，各种图像分割及分类技术在医学领域中的应用也极为广泛。故利用数字图像处理技术，对胸腺切片图像进行多尺度分割。自动获得胸腺组织图像，减轻了人员工作强度。同时减少了进一步细分切片图像组织的计算量。

发明内容

本发明针对现有技术存在的上述不足，提供一种胸腺切片多尺度图像分割方法，解决原始识别所带来的人员疲劳及误差问题，既解决了人工分析造成的强度大的问题，也提高了组织分割的精度，可以用于胸腺组织的识别，为诊断提供依据。获得胸腺切片组织图像的同时，由于去除了背景噪声，从而也减少了进一步精细分割的计算量。

本发明是通过以下技术方案实现的，本发明包括如下步骤：

第一步，将原始图像线性划分成若干个子图像块并构建多尺度图像数据关系；

所述的若干个子图像块的面积相等。

所述的多尺度图像数据关系是指：将原始图像的左上角顶端的子图像块记为(1，1)，按照欧式坐标对所有子图像块进行二维坐标标记为(x，y)，其中x为子图像块所在的行的位置，y为子图像块所在的列的位置。

第二步，获取相邻子图像块信息，即每个子图像块依次获取其周围相邻的其他子图像块的坐标信息，并将其坐标信息记录到该中心子图像块中；

第三步，图像向下采样处理生成聚类等级图像：对每个子图像块降低分辨率采样后得到聚类等级图像。

第四步，图像聚类处理生成聚类等级子图像：将聚类等级图像按照原先建立的多尺度图像数据关系重新合成，然后通过聚类处理对图像进行前后景分类后，按照线性划分成若干个聚类等级子图像。

所述的聚类处理是指：采用非监督K平均算法聚类，即K平均算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”(引力中心)来进行计算的。K平均算法的工作过程：首先从n个数据对象任意选择k个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类；然后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值)；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数.k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

所述的若干个聚类等级子图像的面积相等。

第五步，图像向上采样处理：对聚类子图像进行提高分辨率采样后得到分割出的胸腺组织的二值图子图像块，实现胸腺切片多尺度图像分割。

所述的提高分辨率采样是指：采用第三步中向下采样的采样比例的倒数进行重新采样得到的二值图子图像块。

本发明解决原始识别所带来的人员疲劳及误差问题，既解决了人工分析造成的强度大的问题，也提高了组织分割的精度，可以用于胸腺组织的识别，为诊断提供依据。获得胸腺切片组织图像的同时，由于去除了背景噪声，从而也减少了进一步精细分割的计算量。

附图说明

图1为本发明实施例多级图像数据关系。

图2为本发明实施例原始胸腺切片子图像块(局部)。

图3为本发明实施例经过向下采样后的胸腺切片子图像块(局部)。

图4为本发明实施例经过图像合成后的胸腺切片图像。

图5为本发明实施例经过K平均分类后的胸腺组织图像。

图6为本发明实施例原子图像块和聚类分割出的胸腺组织的二值图子图像块的对比图像。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例采用的细胞切片来源于胸腺组织切片，具体整个实施过程如图1所示，包括以下步骤：

1、构建多尺度图像数据关系：将原始图像网格线性划分成子图像。分割的标准主要考虑到图像的大小与计算机的处理能力，为了便于计算，尽可能采用原图像的整数倍。本实施例实施例采用每个子图像块2000x2000像素点划分原始图像。各个子图像块以及各个在不同分辨率尺度下的子图像块，就具有了各自所处于原始图片行列的数据信息。将原始图像左上角的子图像块记为(1，1)，则其他的子图像块相应地记为(x，y)。其中x为子图像块所在的行的位置，y为子图像块所在的列的位置。

子图像块个数＝原图像总像素点/(子图像块行像素点X子图像块列像素点)        (1)

2、子图像块的周围信息复制。根据建立的各个子图像块之间的关系，逐个获取单个子图像块周围3x3邻域的其他子图像块信息，即假设该子图像块的位置为(x，y)，则获取(x±1，y±1)，8个领域子图像块的信息，并将这些邻域的图像信息复制到该子图像块中，这样每个子图像块就拥有各自相应的扩展子图像信息。扩展的子图像块在进行向下采样的时候就不会因为原始边界不连续而造成重新采样的误差。

3、对获得的子图像块进行向下采样。通过重新采样，采用近邻插值(Nearest-neighborinterpolation)，获得一个低分辨率的图像。缩小图像尺寸大小原则上可以任意，但是必须遵循的依据是保证向下采样后图像的灰度分布与原始图像的灰度分布总体保持一致。此外为了便于计算，将向下采样的尺度圆整为原图尺寸的整数倍。本实施例实施例将原始图像缩小尺寸400倍。如图2向下采样后结果如图3。

4、将重新采样后的图像，即聚类等级图像，按照原先建立的多尺度图像数据关系重新合成，如图4。由于子图像是经过领域复制后的扩展的子图像，重新合成后的图像克服了图像分割成子图像块后的边缘不连续问题。

5、K平均聚类算法。K平均算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”(引力中心)来进行计算的。K平均算法的工作过程：首先从n个数据对象任意选择k个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类；然后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值)；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数。k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。通过K平均聚类算法操作后，胸腺切片的前后景得到良好区分(如图5)，即整个胸腺组织得到很好地分割。去除后景噪声后，减少了后续进一步精细分割的计算量。

6、按照按照之前建立的多尺度图像数据关系将聚类后的图像进行分割，得到聚类子图像块。

分割的子图像块个数＝

聚类后二值图总像素点/(聚类子图像块行像素点X聚类子图像块列像素点)        (2)

7、图像合成，对分割后的图像按照先前向下采样率的倒数，向上采样回原始尺寸得到得到聚类后分割出的胸腺组织的二值图子图像块。如图6，为原子图像块和聚类分割后胸腺组织的二值子图像块的对比图像。

本实施例的胸腺切片多尺度图像分割方法，利用数字图像处理技术实现胸腺切片组织的分割。利用MATLAB，提供一种胸腺切片多尺度图像分割方法，使其解决原始识别所带来的人员疲劳及误差问题，既解决了人工分析造成的强度大的问题，也提高了组织分割的精度，可以用于胸腺组织的识别，为诊断提供依据。以本实施例实施例的一张完整的胸腺切片，数据大小为542M字节，图像数据相当庞大，普通的分类算法应用于普通运算能力的计算机将导致内存溢出。采用多尺度图像分割方法，则大大减少了单步的计算量，克服了数据溢出的问题。通过计算，获得的分类后的胸腺切片组织图像，占原始图像的43.7％，即去除了原始数据中56.3％的背景噪声信息，从而很大程度地减少了进一步精细分割的计算量。

Claims (9)

1.一种胸腺切片多尺度图像分割方法，其特征在于，包括如下步骤：

第一步，将原始图像线性划分成若干个子图像块并构建多尺度图像数据关系；

第二步，获取相邻子图像块信息；

第三步，图像向下采样处理生成聚类等级图像：

第四步，图像聚类处理生成聚类等级子图像：

第五步，图像向上采样处理，实现胸腺切片多尺度图像分割。

2.根据权利要求1所述的胸腺切片多尺度图像分割方法，其特征是，第一步中所述的若干个子图像块的面积相等。

3.根据权利要求1所述的胸腺切片多尺度图像分割方法，其特征是，第一步中所述的多尺度图像数据关系是指：将原始图像的左上角顶端的子图像块记为(1，1)，按照欧式坐标对所有子图像块进行二维坐标标记为(x，y)，其中x为子图像块所在的行的位置，y为子图像块所在的列的位置。

4.根据权利要求1所述的胸腺切片多尺度图像分割方法，其特征是，所述的第二步具体是指：每个子图像块依次获取其周围相邻的其他子图像块的坐标信息，并将其坐标信息记录到该中心子图像块中。

5.根据权利要求1所述的胸腺切片多尺度图像分割方法，其特征是，所述的第三步具体是指：对每个子图像块降低分辨率采样后得到聚类等级图像。

6.根据权利要求1所述的胸腺切片多尺度图像分割方法，其特征是，所述的第四步具体是指：将聚类等级图像按照原先建立的多尺度图像数据关系重新合成，然后通过聚类处理对图像进行前后景分类后，按照线性划分成若干个聚类等级子图像。

7.根据权利要求1所述的胸腺切片多尺度图像分割方法，其特征是，所述的第五步具体是指：对聚类子图像进行提高分辨率采样后得到分割出的胸腺组织的二值图子图像块。

8.根据权利要求1或6或7所述的胸腺切片多尺度图像分割方法，其特征是，所述的若干个聚类等级子图像的面积相等。

9.根据权利要求7所述的胸腺切片多尺度图像分割方法，其特征是，所述的提高分辨率采样是指：采用第三步中向下采样的采样比例的倒数进行重新采样得到的二值图子图像块。

Images