CN105550651A - 一种数字病理切片全景图像自动分析方法及系统 - Google Patents

Abstract

本发明提供的数字病理全景切片图像自动分析方法和系统，对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；对所述图像标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测，再根据所述图像特征提取模块的检测结果，对所述病理图像进行自动分类和量化指标计算，根据所述自动分类模块的分类结果，辅助医护人员诊断，从而能够实时地、准确地实现对数字病理切片全景图像自动分析。

Description

一种数字病理切片全景图像自动分析方法及系统

技术领域

本发明涉及医学图像处理技术领域，具体涉及一种数字病理切片全景图像自动分析方法及系统。

背景技术

目前临床上病理学诊断是最直观、最确切的疾病诊断金标准，通过显微镜对病变组织的观察，从而对癌症进行确诊并分析得到癌症的恶性程度，为肿瘤患者术前诊断、治疗方案和术后预期提供最佳方法。随着计算机和信息技术的快速发展，实现了对病理切片的高分辨率全景成像，从而得到了数字化的病理切片数据，但是由于病理图像复杂性、多变和数据量大灯自身特点，现有病理图像诊断依然依靠人工阅片实现，一方面工作繁重且专业要求高，另一方面易受医生经验主观性的限制，而且随着近几年医学科学的迅猛发展，各地医疗设施的完善，临床样本量大大增加，常规的人工屏幕看片已经不能满足医院病理科临床及教学工作的需要。

基于机器学习的计算机辅助诊断算法成为了近年来国内外非常热门的前沿领域之一。相对于传统的人工阅片诊断，计算机辅助诊断具有客观性、量化和低成本的优势，从而提高病理分析准确性和工作效率。但是如何实现对数字病理切片图像依然存在很大的挑战，现有技术方案只是通过远程会诊方式，利用互联网工具实现病理图像快速传输和共享，然后病理医生或专家在各自客户端进行会诊并给出诊断结果，但是诊断结果很难做到实时，也同样因为医生阅片经验不同而对同一切片诊断结果有差异。

目前计算机辅助诊断算法方面的研究还主要集中于CT、PET、MRI等功能性成像方式，传统细胞图像如血液细胞分析等通过电子显微镜拍摄，然后通过计算机进行图像自动化的量化分析已经得到广泛应用，但是对近年来快速发展的全景数字切片图像进行分析的研究则相对较少，这主要是因为以下问题：

(1)病理图像复杂性，由于受图像采集的影响，如切片制作完整性、染色均匀性等，且病理图像中不仅有癌症细胞，同时还有脂肪、血管、纤维等其他组织相互干扰，导致图像分析非常困难。

(2)病理图像多变性，不同癌症细胞表现的形态、分布特征等不一致，而且癌症细胞形态多变，不规则，细胞在不同分裂时期表现多变，细胞核之间相互重叠等因素影响给病理图像分析带来了很大挑战。

(3)计算复杂度，由于全景病理图像单张图像数据非常大，几千万到上亿像素点，如何实现快速、实时的计算是病理图像分析算法一个技术难点。

这些技术问题制约了实际临床上的应用，据目前已发表的文献来看，目前尚没有一个系统的解决方案实现全景病理切片的图像自动化分析，提取量化分析指标，尤其是难以解决病理特征学习算法中的实时性和检测准确性之间的矛盾。

发明内容

有鉴如此，有必要提供一种实时性好、准确性高的数字病理切片全景图像自动分析方法和系统。

为实现上述目的，本发明采用下述技术方案：

一种数字病理切片全景图像自动分析方法，包括下述步骤：

步骤S10：对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；

步骤S20：对感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测；

步骤S30：根据检测结果，对所述病理图像进行自动分类和量化指标计算；

步骤S40：根据分类结果，辅助医护人员诊断。

作为本发明较为优选的实施例，步骤S10：对病理图像进行颜色增强和归一化标准化处理，具体包括下述步骤：

步骤S11：根据颜色增强算法，对RGB三个通道进行直方图均衡化处理；

步骤S12：将均衡化后的彩色RGB空间转换到Lab空间，并提取直方图统计信息；

步骤S13：利用最大似然估计初步提取不同染色区域，以区分细胞核、细胞膜或细胞质与其他非染色区域；

步骤S14：采用基于分水岭分割算法得到染色的细胞核，细胞膜或细胞质部分，并利用K-means聚类计算得到各个染色区域的并统计被染色细胞核、细胞膜或细胞质的所占的比例；

步骤S15：利用全景病理图像多层放大倍数的图像数据和染色分布分类，形成多尺度图像块和待处理感兴趣特征提取区域。

作为本发明较为优选的实施例，步骤S20，对所述图像标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测，包括：

步骤S21：颜色特征提取，包括下述步骤：

步骤S210：采用基于分水岭分割算法提取染色细胞核、细胞质或细胞膜；

步骤S211：对提取的细胞区域的Lab颜色空间中的三个通道数据进行求平均值和方差，获取细胞的颜色强度和分布均匀性特征；

步骤S22：形态学特征提取，包括下述步骤：

利用上述提到的图像分割出的细胞核，统计细胞核区域的像素个数、细胞核最小直径与最大直径的比值、圆形度4πA/L²，其中A细胞核大小，L细胞核周长；

步骤S23：纹理特征提取，包括下述步骤：

步骤S230：对图像Lab三个通道数据分别运用mean-shift算法进行平滑处理；

步骤S231：用滤波器组对平滑处理后的图像数据进纹理行特征提取；

步骤S24：空间分布特征提取，包括下述步骤：

步骤S240：利用上述图像分割方法提取细胞核；

步骤S241：以细胞核为顶点构建坐标图，获得邻接矩阵A，其中细胞核为节点位置，细胞核之间的连线为图的边，并通过定义加权矩阵B确定每个顶点与周围细胞核之间连接的可能性，从而确定边数；

步骤S242：构建空间图谱特征；

步骤S243：提取空间图谱特征的描述信息作为特征，其描述信息包括顶点数、边长度、角度、边数、K-walks数、三角数、Wiener指数、Randic指数，其中，边长度为每对顶点之间的欧式距离，角度 $\mathrm{deg}\left(n_i\right)=$ ${\mathrm{\Σ}}_{j=1}^{Nn}{a}_{i,j},i=1,2,...,n),$ 边数 $N_e=\frac{1}{2}{\mathrm{\Σ}}_{i,j}{a}_{i,j},$ 其中a_i,j为顶点n_i到n_j的边数，K-walks数(N_kwalks＝trace(A^k)，A^k表示为节点n_i到n_jk-walks的数量，其中K-walk表示节点和边的顺序集(n₁e₁n₂e₂…n_k-1e_kn_k)，三角数N_tri＝trace(A3)/6)，Wiener指数为所有顶点对距离的求和，Randic指数为 $R={\mathrm{\Σ}}_{i\≠j,a_{i,j\≠0}}\frac{1}{\sqrt{\mathrm{deg}\left(n_i\right)\×\mathrm{deg}(n_j}};$

步骤S244：采用主成分分析算法对上述特征向量进行降维处理以筛查出差异性显著的特征向量；

步骤S245：进行正则化并在高维空间上进行K-means聚类；

步骤S246：采用kd-tree构造空间图谱特征。

作为本发明较为优选的实施例，步骤S242中，构建空间图谱特征，具体为：通过对所述坐标图的所有聚类中心进行kd-tree构造，所述kd-tree是一种分割k维数据空间的数据结构，k-d树是一个二叉树，每个节点表示一个空间范围。

作为本发明较为优选的实施例，步骤S245中，所述K-means聚类具体为：

首先从特征向量中随机选取k个聚类质心点为μ₁,μ₂,…μ_k∈Rⁿ，重复下面计算过程直到收敛为止：对于每一个样本i，计算其应该属于的类对于每一个类j，重新计算该类的质心 ${\mathrm{\μ}}_j:=\frac{{\mathrm{\Σ}}_{i=1}^{n}1\{c^{\left(j\right)}=j\}{x}^{\left(j\right)}}{{\mathrm{\Σ}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}};$

重复迭代第一步和第二步直到质心不变或者变化很小)，可以得到输入图像的纹理特征的初步描述。

作为本发明较为优选的实施例，步骤S30：根据所述图像特征提取模块的检测结果，对所述病理图像进行自动分类和量化指标计算，具体包括下述步骤：

在离线环境中，提取训练样本数据图像的颜色、形态、纹理、空间特征集整合到一个基于最大似然估计估计的EM学习模型，利用最大似然估计计算目标优化函数；

在线的环境中，使用训练好的分类器对采集到的图像进行识别，一旦有可疑的病变区域被发现就自动进行颜色加强显示。

作为本发明较为优选的实施例，所述目标优化函数为：

${\mathrm{\θ}}^{*}{=}_{\mathrm{\θ}}^{\arg \min }\{\mathrm{\μ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{y\∈C}{\mathrm{\Σ}}\hat{p}\left(y\right|x_i)\log \frac{\hat{p}\left(y\right|x_i)}{c_{i,}j}+\underset{i=1}{\overset{l+u}{\mathrm{\Σ}}}\underset{y\∈C}{\mathrm{\Σ}}\hat{p}\left(y\right|x_i)\log \frac{\hat{p}\left(y\right|x_i)}{p\left(y\right|x_i,\mathrm{\θ})}\}$

其中c_i,y为有标记样本x_i具有标记y的先验概率，满足∑_y∈Cc_i,y＝1。

此外，本发明还提供了一种数字病理切片全景图像自动分析系统，包括：

图像质量标准化模块：用于对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；

图像特征提取模块：对所述图像标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测；

自动分类模块：根据所述图像特征提取模块的检测结果，对所述病理图像进行自动分类和量化指标计算；及

辅助诊断模块：根据所述自动分类模块的分类结果，辅助医护人员诊断。

本发明采用上述技术方案带来的技术效果在于：

本发明提供的数字病理切片全景图像自动分析方法和系统，对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；对所述图像标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测，再根据所述图像特征提取模块的检测结果，对所述病理图像进行自动分类和量化指标计算，根据所述自动分类模块的分类结果，辅助医护人员诊断，从而能够实时地、准确地实现对数字病理切片全景图像自动分析。

附图说明

图1是本发明提供的数字病理切片全景图像自动分析方法的步骤流程图。

图2是对病理图像进行颜色增强和归一化标准化处理的步骤流程图。

图3是本发明提供的空间分布特征提取的步骤流程图。

图4是本发明还提供了一种数字病理切片全景图像自动分析系统的功能示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1所示，为本发明实施例一提供的数字病理切片全景图像自动分析方法100包括下述步骤：

步骤S10：对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；

可以理解，由于病理图像的颜色因光照不均匀等因素会有偏差，病理图像是经过染色后采集的图像数据，其颜色信息反映病变情况，因此需要对图像进行颜色增强和归一化标准化处理，从而去除因采集颜色数据偏差影像后面分析准确性。

优选地，请参阅图2，对病理图像进行颜色增强和归一化标准化处理，具体包括下述步骤：

步骤S11：根据颜色增强算法，对RGB三个通道进行直方图均衡化处理；

步骤S12：将均衡化后的彩色RGB空间转换到Lab空间，并提取直方图统计信息；

步骤S13：利用最大似然估计初步提取不同染色区域，以区分细胞核、细胞膜或细胞质与其他非染色区域；

步骤S14：采用基于分水岭分割算法得到染色的细胞核，细胞膜或细胞质部分，并利用K-means聚类计算得到各个染色区域的并统计被染色细胞核、细胞膜或细胞质的所占的比例；

步骤S15：利用全景病理图像多层放大倍数的图像数据和染色分布分类，形成多尺度图像块和待处理感兴趣特征提取区域。

可以理解，通过上述方法能够快速实现对病理图像进行颜色增强和归一化标准化处理，从而有效解决因全景数字病理图像数据量非常大而引起的计算速度慢的难题。

步骤S20：对所述感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测；

优选地，对所述感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测，包括下述步骤：

步骤S21：颜色特征提取，包括下述步骤：

步骤S210：采用基于分水岭分割算法提取染色细胞核、细胞质或细胞膜；

步骤S211：对提取的细胞区域的Lab颜色空间中的三个通道数据进行求平均值和方差，获取细胞的颜色强度和分布均匀性特征；

可以理解，因为病理图像是经过染色后的切片图像，其颜色强度、分布特征是病变细胞的有效的表现，因此有必要对颜色特征提取。

步骤S22：形态学特征提取，包括下述步骤：

利用上述提到的图像分割出的细胞核，统计细胞核区域的像素个数、细胞核最小直径与最大直径的比值、圆形度4πA/L²，其中A细胞核大小，L细胞核周长；

可以理解，因为肿瘤细胞形态学特征是对肿瘤疾病判断一个重要依据，需要通过计算机提取肿瘤形态特征来作为特征输入，从而更好的对肿瘤进行分级和分期处理。

步骤S23：纹理特征提取，包括下述步骤：

步骤S230：对图像Lab三个通道数据分别运用mean-shift算法进行平滑处理；

具体地，其处理过程是给定初始条件，即起始像素点位置，每个采样点的加权值w(x_i)，核函数为高斯核函数G(·)，误差ε，然后利用公式计算m(x)，如果|m(x)-x|＞ε将m(x)赋予x，并返回上一步重新计算m(x)，反之结束该像素点的迭代，指向下一个像素点，并返回计算m(x)直至整个图像遍历结束。

步骤S231：用滤波器组对平滑处理后的图像数据进纹理行特征提取。

可以理解，所述的滤波器组高斯核、高斯微分和拉普拉斯变化，设置不同的方差大小，得到每个像素点多维特征信息，提取图像局部的纹理统计信息，在纹理计算过程中我们引入积分图计算，其计算流程为：

对一组训练图像经过上述的纹理特征提取后，我们生成如下形式的训练样本：其中i为训练样本的空间位置，r为样本的区域，l为样本所属聚类中心的序号，我们进一步使用l的积分图)和平均值滤波器对滤波器组滤波后的图像数据计算。

步骤S24：空间分布特征提取，包括下述步骤：

请参阅图3，空间分布特征提取，包括下述步骤：

步骤S240：利用上述图像分割方法提取细胞核；

步骤S241：以细胞核为顶点构建坐标图，获得邻接矩阵A，其中细胞核为节点位置，细胞核之间的连线为图的边，并通过定义加权矩阵B确定每个顶点与周围细胞核之间连接的可能性，从而确定边数；

步骤S242：构建空间图谱特征；

优选地，构建空间图谱特征具体为：通过对所述坐标图的所有聚类中心进行kd-tree构造，所述kd-tree是一种分割k维数据空间的数据结构，k-d树是一个二叉树，每个节点表示一个空间范围。

步骤S243：提取空间图谱特征的描述信息作为特征，其描述信息包括顶点数、边长度、角度、边数、K-walks数、三角数、Wiener指数、Randic指数，其中，边长度为每对顶点之间的欧式距离，角度 $\mathrm{deg}\left(n_i\right)=$ ${\mathrm{\Σ}}_{j=1}^{Nn}{\mathrm{\α}}_{i,j},i=1,2,...,n),$ 边数 $N_e=\frac{1}{2}{\mathrm{\Σ}}_{i,j}{a}_{i,j},$ 其中a_i,j为顶点n_i到n_j的边数，K-walks数(N_kwalks＝trace(A^k)，A^k表示为节点n_i到n_jk-walks的数量，其中K-walk表示节点和边的顺序集(n₁e₁n₂e₂…n_k-1e_kn_k)，三角数N_tri＝trace(A3)/6)，Wiener指数为所有顶点对距离的求和，Randic指数为 $R={\mathrm{\Σ}}_{i\≠j,a_{i,j\≠0}}\frac{1}{\sqrt{\mathrm{deg}\left(n_i\right)\×\mathrm{deg}(n_j}};$

步骤S244：采用主成分分析算法对上述特征向量进行降维处理以筛查出差异性显著的特征向量；

步骤S245：进行正则化并在高维空间上进行K-means聚类；

优选地，所述K-means聚类具体为：

首先从特征向量中随机选取k个聚类质心点为μ₁,μ₂,…μ_k∈Rⁿ，重复下面计算过程直到收敛为止：对于每一个样本i，计算其应该属于的类对于每一个类j，重新计算该类的质心 ${\mathrm{\μ}}_j:=\frac{{\mathrm{\Σ}}_{i=1}^{n}1\{c^{\left(j\right)}=j\}{x}^{\left(j\right)}}{{\mathrm{\Σ}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}};$

重复迭代第一步和第二步直到质心不变或者变化很小)，可以得到输入图像的纹理特征的初步描述。

步骤S246：采用kd-tree构造空间图谱特征。

本发明针对复杂、多变的病理学诊断分析，提出了融合了颜色、形态、纹理和空间分布等多特征特征提取和描述方法，能够得到病变诊断信息和光学图像之间的定量关系，同时可以兼顾鲁棒性和计算速度。

步骤S30：根据检测结果，对所述病理图像进行自动分类和量化指标计算；

优选地，具体包括下述步骤：

在离线环境中，提取训练样本数据图像的颜色、形态、纹理、空间特征集整合到一个基于最大似然估计估计的EM学习模型，利用最大似然估计计算目标优化函数；具体地，在离线(off-line)的部分中，算法将循环的学习不同病例中l个已经标识好样本(如有效标记、模糊、噪声及多标记)病变区域(由医生协助)或u个未标识数据样本集并根据上述特征提取方法提取训练样本数据图像的颜色、形态、纹理、空间特征集整合到一个基于最大似然估计估计的EM学习模型，利用最大似然估计计算目标优化函数

${\mathrm{\θ}}^{*}{=}_{\mathrm{\θ}}^{\arg \min }\{\mathrm{\μ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{y\∈C}{\mathrm{\Σ}}\hat{p}\left(y\right|x_i)\log \frac{\hat{p}\left(y\right|x_i)}{c_{i,}j}+\underset{i=1}{\overset{l+u}{\mathrm{\Σ}}}\underset{y\∈C}{\mathrm{\Σ}}\hat{p}\left(y\right|x_i)\log \frac{\hat{p}\left(y\right|x_i)}{p\left(y\right|x_i,\mathrm{\θ})}\}$

其中c_i,y为有标记样本x_i具有标记y的先验概率，满足∑_y∈Cc_i,y＝1

在线的环境中，使用训练好的分类器对采集到的图像进行识别，一旦有可疑的病变区域被发现就自动进行颜色加强显示，具体地，在线(on-line)的部分中，则使用训练好的分类器对采集到的图像进行识别，一旦有可疑的病变区域被发现就自动进行颜色加强显示，并启动警报提醒医生进行关注，更好的辅助医生完成疾病诊断。

可以理解，通过构造基于最大似然估计的EM学习模型对有标记或无标记的病理数据进行弱监督学习，可以将训练过程和在线识别在概率理论上进行统一，具有很好的鲁棒性。一旦有可疑的病变区域被发现，则启动警报并记录多尺度空间图像提醒医生进行关注。

步骤S40：根据分类结果，辅助医护人员诊断。

可以理解，医护人员对病理图像的区域进行定位显示，并给出诊断提示与建议。

请参阅图4，本发明还提供了一种数字病理切片全景图像自动分析系统，包括：图像质量标准化模块110、图像特征提取模块120、自动分类模块130及辅助诊断模块140。其中，

图像质量标准化模块110：用于对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；

图像特征提取模块120：对所述图像质量标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测；

自动分类模块130：根据所述图像特征提取模块的检测结果，对所述病理图像进行自动分类和量化指标计算；及

辅助诊断模块140：根据所述自动分类模块的分类结果，辅助医护人员诊断。

上述系统的详细工作原理在前述已经详细说明，这里不再赘述。

本发明提供的数字病理切片全景图像自动分析方法和系统，对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；对所述图像标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测，再根据所述图像特征提取模块的检测结果，对所述病理图像进行自动分类，根据所述自动分类模块的分类结果，辅助医护人员诊断，从而能够实时地、准确地实现对数字病理切片全景图像自动分析。

本发明提供的数字病理切片全景图像自动分析方法和系统，能够实现全自动、实时的病理切片图像分析和图像识别方法，利用机器学习方法对病理切片癌细胞等难以检测的特征进行学习匹配，使得数字病理真正具有智能。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (8)

1.一种数字病理切片全景图像自动分析方法，其特征在于，包括下述步骤：

步骤S10：对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；

步骤S20：对所述感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测；

步骤S30：根据检测结果，对所述病理图像进行自动分类和量化指标计算；

步骤S40：根据分类结果，辅助医护人员诊断。

2.根据权利要求1所述的数字病理切片全景图像自动分析方法，其特征在于，步骤S10：对病理图像进行颜色增强和归一化标准化处理，具体包括下述步骤：

步骤S11：根据颜色增强算法，对RGB三个通道进行直方图均衡化处理；

步骤S12：将均衡化后的彩色RGB空间转换到Lab空间，并提取直方图统计信息；

步骤S13：利用最大似然估计初步提取不同染色区域，以区分细胞核、细胞膜或细胞质与其他非染色区域；

步骤S14：采用基于分水岭分割算法得到染色的细胞核，细胞膜或细胞质部分，并利用K-means聚类计算得到各个染色区域的并统计被染色细胞核、细胞膜或细胞质的所占的比例；

步骤S15：利用全景病理图像多层放大倍数的图像数据和染色分布分类，形成多尺度图像块和待处理感兴趣特征提取区域。

3.根据权利要求1所述的数字病理切片全景图像自动分析方法，其特征在于，步骤S20，对所述图像标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测，包括：

步骤S21：颜色特征提取，包括下述步骤：

步骤S210：采用基于分水岭分割算法提取染色细胞核、细胞质或细胞膜；

步骤S211：对提取的细胞区域的Lab颜色空间中的三个通道数据进行求平均值和方差，获取细胞的颜色强度和分布均匀性特征；

步骤S22：形态学特征提取，包括下述步骤：

利用上述提到的图像分割出的细胞核，统计细胞核区域的像素个数、细胞核最小直径与最大直径的比值、圆形度4πA/L²，其中A细胞核大小，L细胞核周长；

步骤S23：纹理特征提取，包括下述步骤：

步骤S230：对图像Lab三个通道数据分别运用mean-shift算法进行平滑处理；

步骤S231：用滤波器组对平滑处理后的图像数据进纹理行特征提取；

步骤S24：空间分布特征提取，包括下述步骤：

步骤S240：利用上述图像分割方法提取细胞核；

步骤S241：以细胞核为顶点构建坐标图，获得邻接矩阵A，其中细胞核为节点位置，细胞核之间的连线为图的边，并通过定义加权矩阵B确定每个顶点与周围细胞核之间连接的可能性，从而确定边数；

步骤S242：构建空间图谱特征；

步骤S243：提取空间图谱特征的描述信息作为特征，其描述信息包括顶点数、边长度、角度、边数、K-walks数、三角数、Wiener指数、Randic指数，其中，边长度为每对顶点之间的欧式距离，角度 $\mathrm{deg}\left(n_i\right)=$ ${\mathrm{\Σ}}_{j=1}^{Nn}{a}_{i,j},i=1,2,\mathrm{...},n),$ 边数 $N_e=\frac{1}{2}{\mathrm{\Σ}}_{i,j}{a}_{i,j},$ 其中a_i，j为顶点n_i到n_j的边数，K-walks数(N_kwalks＝trace(A^k)，A^k表示为节点n_i到n_jk-walks的数量，其中K-walk表示节点和边的顺序集(n₁e₁n₂e₂...n_k-1e_kn_k)，三角数N_tri＝trace(A³)/6)，Wiener指数为所有顶点对距离的求和，Randic指数为 $R={\mathrm{\Σ}}_{i\≠j,a_{i,j\≠0}}\frac{1}{\sqrt{\mathrm{deg}\left(n_i\right)\×\mathrm{deg}(n_j}};$

步骤S244：采用主成分分析算法对上述特征向量进行降维处理以筛查出差异性显著的特征向量；

步骤S245：进行正则化并在高维空间上进行K-means聚类；

步骤S246：采用kd-tree构造空间图谱特征。

4.根据权利要求3所述数字病理切片全景图像自动分析方法，其特征在于，步骤S242中，构建空间图谱特征，具体为：通过对所述坐标图的所有聚类中心进行kd-tree构造，所述kd-tree是一种分割k维数据空间的数据结构，k-d树是一个二叉树，每个节点表示一个空间范围。

5.根据权利要求4所述数字病理切片全景图像自动分析系统，其特征在于，步骤S245中，所述K-means聚类具体为：

首先从特征向量中随机选取k个聚类质心点为μ₁,μ₂,…μ_k∈Rⁿ，重复下面计算过程直到收敛为止：对于每一个样本i，计算其应该属于的类对于每一个类j，重新计算该类的质心 ${\mathrm{\μ}}_j:=\frac{{\mathrm{\Σ}}_{i=1}^{n}1\{c^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\Σ}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}};$

重复迭代第一步和第二步直到质心不变或者变化很小)，可以得到输入图像的纹理特征的初步描述。

6.根据权利要求1所述的数字病理切片全景图像自动分析方法，其特征在于，步骤S30：根据所述图像特征提取模块的检测结果，对所述病理图像进行自动分类和量化指标计算，具体包括下述步骤：

在离线环境中，提取训练样本数据图像的颜色、形态、纹理、空间特征集整合到一个基于最大似然估计估计的EM学习模型，利用最大似然估计计算目标优化函数；

在线的环境中，使用训练好的分类器对采集到的图像进行识别，一旦有可疑的病变区域被发现就自动进行颜色加强显示。

7.根据权利要求6所述的数字病理切片全景图像自动分析方法，其特征在于，所述目标优化函数为：

${\mathrm{\θ}}^{*}{=}_{\mathrm{\θ}}^{\arg \min }\{\mathrm{\μ}\underset{i=1}{\overset{l}{\Σ}}\underset{y\∈C}{\Σ}\hat{p}\left(y|x_i\right)log\frac{\hat{p}\left(y\right|x_i)}{c_i,j}+\underset{i=1}{\overset{l+u}{\Σ}}\underset{y\∈C}{\Σ}\hat{p}\left(y|x_i\right)log\frac{\hat{p}\left(y\right|x_i)}{p\left(y\right|x_i,\mathrm{\θ})}\}$

其中c_i,y为有标记样本x_i具有标记y的先验概率，满足∑_y∈cc_i,y＝1。

8.一种数字病理切片全景图像自动分析系统，其特征在于，包括：

图像质量标准化模块：用于对病理图像进行颜色增强和归一化标准化处理，并获取图像中感兴趣特征提取区域；

图像特征提取模块：对所述图像质量标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测；

自动分类模块：根据所述图像特征提取模块的检测结果，对所述病理图像进行自动分类和量化指标计算；及

辅助诊断模块：根据所述自动分类模块的分类结果，辅助医护人员诊断。