CN107590798B - 一种生物组织三维图像背景去除系统和方法 - Google Patents

Abstract

本发明公开了一种生物组织三维图像背景去除系统和方法。该系统包括图像提供模块，用于提供目标生物组织的同一断面的多通道荧光图像；归一化处理模块，用于对多通道荧光图像进行窗口分割，并对窗口中的每个像素进行归一化处理；映射窗口计算模块，用于计算多通道一对映射窗口的Dif值；采样模块，用于根据Dif值选择采样点，并获得采样像素；以及结果计算模块，用于将采样模块的采样像素作为背景估计值进行插值，获得整张图像的背景估计值；其中，归一化处理模块与图像提供模块以及映射窗口计算模块连接，采样模块与映射窗口计算模块以及结果计算模块连接。本发明的系统，结构简单，运行速度快，效率高。

Description

一种生物组织三维图像背景去除系统和方法

技术领域

本发明涉及一种图像处理技术领域，更具体地涉及一种生物组织三维图像背景去除系统和方法。

背景技术

近年来完整组织透明化技术和深度组织光学成像技术的迅猛发展使得人们获得完整生物组织和器官的高分辨率三维结构信息成为可能。这些结构信息对于理解生物组织的正常工作机制，进而理解组织病变的机理具有重要基础性的意义。然而，完整组织或器官深度成像面临的重要挑战之一是如何去除图像中的背景信号。组织由多种不同细胞和物质组成，组织中的自发荧光非常普遍，会显著增加图像的背景信号。同时，由于组织折射率的不均一引起的光散射也随着成像深度的增加而显著增加。背景信号的增加使得从高分辨率三维图像中提取定量结构信息变得非常具有挑战性。另外，完整组织高分辨率三维成像的数据量很容易达到兆兆字节以上的数据规模，迫切需要有快速和有效的背景去除算法。

现有技术的背景去除方法都存在“过小窗口问题”，很多有用的真实信号会被认为是背景信号而被去除，计算结果不可靠；并且现有技术的方法计算效率低。

因此，本领域急需开发新的计算结果准确且效率高的背景去除方法和系统。

发明内容

本发明的目的是提供一种效果好速度快的生物组织三维图像背景去除方法和系统。

在本发明的第一方面，本发明提供了一种生物组织三维图像背景去除系统。所述系统包括：

图像提供模块，用于提供目标生物组织的同一断面的多通道荧光图像；

归一化处理模块，用于对所述图像提供模块提供的多通道荧光图像进行窗口分割，并对窗口中的每个像素进行归一化处理；

映射窗口计算模块，用于计算经归一化处理的多通道一对映射窗口的Dif值；

采样模块，用于根据所述映射窗口计算模块计算所得的Dif值选择采样点，并获得采样像素；以及

结果计算模块，用于将所述采样模块的所述采样像素作为背景估计值进行插值，获得整张图像的背景估计值；

其中，所述归一化处理模块与所述图像提供模块以及所述映射窗口计算模块连接，所述采样模块与所述映射窗口计算模块以及所述结果计算模块连接。

优选地，所述系统还包括控制系统。

优选地，所述系统还包括结果输出模块。

优选地，所述系统还包括结果显示模块。

优选地，所述结果显示系统为显示屏。

在本发明的第二方面，本发明提供了一种生物组织三维图像背景去除方法。所述方法包括以下步骤：

(a)提供目标生物组织在同一断面的多通道荧光图像；

(b)将每个通道的图像分成相同大小的小窗口，并对所述小窗口中每个像素作归一化处理；

(c)计算多通道一对映射窗口的Dif值；

(d)根据计算所得Dif值选择采样点，获得采样像素；

(e)将所述采样像素作为背景估计值进行插值，获得整张图像的背景估计值。

优选地，所述目标生物组织经染料标记处理。

所述多通道荧光图像由不同波长的光生成的图像叠加获得。

所述小窗口的尺寸大于所述图像中最大目标的尺寸。

所述归一化处理为对所述每个像素的强度值进行归一化处理。

所述强度值表示为：

I(x,y)＝F(x,y)+B(x,y)

其中，(x,y)为像素；

I为真实观测值；

F为真实信号；

B为背景信号。

所述归一化处理的方法为每个像素的强度值减去所在窗口中最小强度值，然后除以该窗口中最大强度值减最小强度值的差值。

Dif＝I₁-I₂，其中I₁为所述图像中某一个通道的像素真实观测值；I₂为所述图像中另一个通道对应相同位置的像素真实观测值。

所述采样点的选择方法为：将计算所得Dif值进行由小到大排序，Dif值最小的点为第一个采样点，Dif值第二小的点为第二个采样点，以此类推。

在另一优选例中，所述采样点的选择方法还包括：选定一个采样点时，若之前已有选择的采样点在这个采样点附近，可择之前的采样点，放弃现在的采样点。

在另一优选例中，所述插值为线性插值。

目标生物组织在不同断面的多个多通道荧光图像叠加，可得目标生物组织的三维图像背景值。

应理解，在本发明范围内中，本发明的上述各技术特征和在下文(如实施例)中具体描述的各技术特征之间都可以互相组合，从而构成新的或优选的技术方案。限于篇幅，在此不再一一累述。

附图说明

图1为实测两条通道图像计算所得条件概率与Dif值的关系；

图2为归一化处理的流程图；

图3为背景值计算流程图；

图4a为本发明的一实施例中小鼠胃腺双通道图像的细胞核图像；

图4b为本发明的一实施例中小鼠胃腺双通道图像的肌动蛋白丝图像；

图5a为原始图像；

图5b为Rolling Ball算法处理结果图像；

图5c为One-class learning处理结果图像；

图5d为本发明的方法处理结果图像；

图6为本发明的系统一种典型的结构示意图。

具体实施方式

本发明人经过广泛而深入的研究，首次开发了一种生物组织三维图像快速背景去除计算方法。该方法基于多通道荧光图像的内在性质，不仅可以解决现有方法去除背景时容易出现的“过小窗口”问题，还能保证算法的运行效率，实现快速背景去除，非常适合应用于深度组织三维图像的背景去除。

在此基础上完成了本发明。

多通道图像是指由不同波长光所生成的图像通过简单叠加而获得的图像。通常，在荧光成像中，会用一种波长的染料标记一种分子或者细胞。因此，多通道图像中不同通道的图像信号代表着不同的物质，在三维空间上的位置应该互不重叠。本发明人提出基于多通道荧光图像的这一重要内在性质来迅速区分出每个通道中的背景信号与非背景信号的像素。具体地，在一个通道中被认为是信号的像素，在另外一个通道中则必然为背景像素。但是，由于分辨率、噪音等各种因素的限制，实际得到的多通道图像中，无法保证不同通道的图像信号在多通道图像中不重叠。

虽然在实际的荧光图像中无法保证多通道信号像素互相不重叠，但基于统计学的简单分析可以假设：如果用同一组织同一层图像的某一个通道的每个像素减去另一个通道对应相同位置的像素，那么像素强度差的数值越大，则该像素是背景像素的概率则越大。

形式化的描述以上的假设为：

如果有一个两通道的图像I1,I2，I(x,y)＝F(x,y)+B(x,y),Dif(x,y)＝I1(x,y)-I2(x,y)，那么概率P(F1(x,y)＝0,F2(x,y)>0)|Dif(x,y)＝a)>P(F1(x,y)＝0,F2(x,y)>0|Dif(x,y)＝b)如果a<b。

其中I(x,y)＝F(x,y)+B(x,y)是用来描述图像在像素(x,y)的信号强度。I为实际观测值，F为真实信号，B为背景信号。实际观测值等于真实信号加上背景信号。

以一组实测的真实数据(见实施例中具体的数据信息)，计算当给定Dif(x,y)的值时，像素(x,y)是背景的条件概率(Conditional probability)。计算结果如图1所示，在两个通道图像求差值时，会有四种情况方式，信号减信号，信号减背景，背景减信号，背景见背景。可以看出当信号减背景的情况发生时，差值Dif(x,y)越小，像素(x,y)是背景的概率就越大，与本发明人的假设相符，证明本发明人的假设是成立的。

基于这个假设，就可以选出较大概率的像素，作为背景像素。这些像素的强度值就是纯粹的背景信号的大小。通常，在同一张图像中，背景信号的变化幅度不大。所以，可以根据这些确定的具有较大概率的背景像素的强度值，通过线性插值估算整张图像的背景信号值。本发明中仅考虑概率在80％以上的像素。

对于每个通道的图像分成相同大小的小窗口进行像素值的归一化，归一化处理的流程如图2所示。小窗口的大小至少应该大于图像中最大目标的尺寸，这样可以保证窗口一定同时存在背景信号和真实信号。在每个小窗口中，对每个像素做强度归一化，即每个像素的强度值减去所在窗口中的最小强度值，然后除以该窗口中最大强度值减最小强度值的差值。这样，所有的像素的强度都归一化到[0,1]的区间中。归一化的目的是使得不同通道图像的像素值具有可比性。

计算Dif＝I1-I2。此时Dif(x,y)的大小可以反映(x,y)是背景信号的概率。Dif(x,y)越小，则(x,y)是背景信号的概率越大。所以，根据Dif(x,y)的值从小到大排序，数值最小的作为第一个采样点，然后选择值第二小的，以此类推。在此基础上，需要判断是否之前已经有选择的采样点在这个采样点的附近。这样做的目的在于使得最终的采样点尽量稀疏的分布在整张图像上，而不是局限于某一区域，这样便于减少采样点的个数。这个距离的选择，根据实验，本发明人推荐其为整张图像的像素数目的0.03％。

根据选择出来采样像素，作为背景估计值，然后进行插值，得到整张图像的背景估计值。背景值的计算流程如图3所示。

本发明的主要优点包括：

(a)本发明的方法可以避免“过小窗口问题”，结果可靠。

(b)本发明的方法操作简单，速度快，效率高。

(c)本发明的方法算法简单，便于实现。

(d)本发明的系统，结构简单，运行速度快，效率高。

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件，或按照制造厂商所建议的条件。除非另外说明，否则百分比和份数是重量百分比和重量份数。

需要说明的是，在本专利的权利要求和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

实施例1

数据来源：实验数据集是用激光共聚焦显微镜(Nikon A1Si)拍摄获得的小鼠胃腺组织的两通道(分别用红色荧光标记肌动蛋白丝和用蓝色标记细胞核)，共80层的三维图像堆栈(Stack)。每张图像的大小为2048×2048像素。图4a和图4b分别显示红色肌动蛋白通道和蓝色细胞核通道的一张代表图像。将80层图像等分成四组，每组20张图像，分别命名为Part1，Part2，Part3和Part4进行实验。然后，分别用滚球算法(Rolling Ball)、One-ClassLearning算法和本发明的方法对四组图像进行背景去除。

Rolling Ball算法采用图像处理软件ImageJ中的内置插件。One-Class Learning和本发明的方法都是用Matlab 2015实现。所有算法都在同一台电脑上运行。电脑配置为Windows 1064位系统，Intel(R)Core(TM)i7-6700HQ CPU，2.60GHz 8GB内存。实验中，Rolling Ball的滚球半径为100。One-Class Learning的参数为比例p＝20％，窗口大小ws＝50。本发明的方法的参数选择为，ws1＝128，ws2＝256，ws3＝11,th＝-0.2,dis＝32,q＝10％。其中，ws1和ws2为图像进行归一化时所用的窗口大小参数。因为图像不同区域的像素值变化很大，所以将图像分成小窗口进行归一化，ws1和ws2则是分别为两张图像的小窗口的尺寸(单位为像素)。ws3为估计Dif值时所使用的窗口尺寸。在具体估计Dif的值时，不是根据单个像素的差值进行估计的，而是根据小窗口(ws3)内像素值的平均值进行估计。目的在于使得本发明的方法具有更好的鲁棒性，因为某一个像素的值更容易受到噪音的影响，小窗口中的平均值则相对稳定。th为确定采样点所使用的阈值参数。Dif值小于th的，可以保证所选择的采样点大概率为背景像素。dis为距离参数(单位为像素)。当选择采样点时，需要首先判断在dis给出的距离内是否已经存在采样点。q为确定最终小窗口采样值的分位数。要求最终的采样值一定要小于长度为dis的窗口中q分位数，目的也是在于使算法更加鲁棒。不同算法对肌动蛋白图像的处理结果见图5a-5d。

用两种指标来比较不同算法的去背景效果和速度。去背景效果的比较标准为，算法结果与真实结果差的平方根

F为算法处理后的结果，G为由该研究领域的研究专家人工标记的结果(认为是最接近真实的结果)，n为总的像素数。专家将图像中真实信号标记出来，将非真实信号像素的强度值设为0。RMSE的结果越小，说明效果越好。表1中给出了用原始图像、Rolling Ball，One-Class Learning和本发明的方法计算得到的四组数据(Part1-Part4)的RMSE。可以看到，相对于原始图像，本发明的方法提高了21.38％，优于Rolling Ball和One-Class Learning算法。算法计算速度的比较采用平均像素处理时间为标准，即总用时除以总的像素个数。各个算法的处理速度在表2中给出。可以看到本发明的方法的计算速度与最常用的Rolling Ball的方法相同，而优于One-Class Learing算法。

表1去背景效果比较

表2速度比较(平均每个像素的处理时间)

本发明的方法也适用于三通道或者多通道图像。相对于两通道算法，三通道算法以及更多通道算法需要修改Dif值的计算方法。具体的，Dif定义为一个通道的中像素值与其它通道中该像素位置最大的值的差值。即，对于三通道图像(I₁，I₂，I₃)，Dif₁(x,y)＝I₁(x,y)–max(I₂(x,y),I₃(x,y))，对于n通道图像(I₁,I₂,I₃,…I_n)则为，Dif₁(x,y)＝I₁(x,y)–max(I2(x,y),…,I_n(x,y))。然后，基于该Dif值计算背景的算法，与两通道的算法相似。

实施例2

如图6所示，为本发明一种典型的生物组织三维图像背景去除系统结构示意图。该系统包括图像提供模块，用于提供目标生物组织的同一断面的多通道荧光图像；归一化处理模块，用于对图像提供模块提供的多通道荧光图像进行窗口分割，并对窗口中的每个像素进行归一化处理；映射窗口计算模块，用于计算经归一化处理的多通道一对映射窗口的Dif值；采样模块，用于根据映射窗口计算模块计算所得的Dif值选择采样点，并获得采样像素；以及结果计算模块，用于将采样模块的采样像素作为背景估计值进行插值，获得整张图像的背景估计值；其中，归一化处理模块与图像提供模块以及映射窗口计算模块连接，采样模块与映射窗口计算模块以及结果计算模块连接。该系统结构简单，运行速度快，效率高，结果可靠。

在本发明提及的所有文献都在本申请中引用作为参考，就如同每一篇文献被单独引用作为参考那样。此外应理解，在阅读了本发明的上述讲授内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (15)

1.一种生物组织三维图像背景去除系统，其特征在于，所述系统包括

图像提供模块，用于提供目标生物组织的同一断面的多通道荧光图像；

归一化处理模块，用于对所述图像提供模块提供的多通道荧光图像进行窗口分割，并对窗口中的每个像素进行归一化处理；

映射窗口计算模块，用于计算经归一化处理的多通道一对映射窗口的Dif值；

采样模块，用于根据所述映射窗口计算模块计算所得的Dif值选择采样点，并获得采样像素；以及

结果计算模块，用于将所述采样模块的所述采样像素作为背景估计值进行插值，获得整张图像的背景估计值；

其中，所述归一化处理模块与所述图像提供模块以及所述映射窗口计算模块连接，所述采样模块与所述映射窗口计算模块以及所述结果计算模块连接；

其中，所述Dif值是指一个通道中像素值与其它通道中该像素位置最大的值的差值。

2.如权利要求1所述的系统，其特征在于，所述系统还包括控制系统。

3.如权利要求1所述的系统，其特征在于，所述系统还包括结果输出模块。

4.如权利要求1所述的系统，其特征在于，所述系统还包括结果显示模块。

5.如权利要求4所述的系统，其特征在于，所述结果显示模块为显示屏。

6.一种生物组织三维图像背景去除计算方法，其特征在于，所述方法包括以下步骤：

(a)提供目标生物组织在同一断面的多通道荧光图像；

(b)将每个通道的图像分成相同大小的小窗口，并对所述小窗口中每个像素作归一化处理；

(c)计算多通道一对映射窗口的Dif值；

(d)根据计算所得Dif值选择采样点，获得采样像素；

(e)将所述采样像素作为背景估计值进行插值，获得整张图像的背景估计值；

其中，所述Dif值是指一个通道中像素值与其它通道中该像素位置最大的值的差值。

7.如权利要求6所述的方法，其特征在于，所述目标生物组织经染料标记处理。

8.如权利要求6所述的方法，其特征在于，所述多通道荧光图像由不同波长的光生成的图像叠加获得。

9.如权利要求6所述的方法，其特征在于，所述小窗口的尺寸大于所述图像中最大目标的尺寸。

10.如权利要求6所述的方法，其特征在于，所述归一化处理为对所述每个像素的强度值进行归一化处理。

11.如权利要求10所述的方法，其特征在于，所述强度值表示为：

I(x,y)＝F(x,y)+B(x,y)

其中，(x,y)为像素；

I为真实观测值；

F为真实信号；

B为背景信号。

12.如权利要求6所述的方法，其特征在于，所述归一化处理的方法为每个像素的强度值减去所在窗口中最小强度值，然后除以该窗口中最大强度值减最小强度值的差值。

13.如权利要求6所述的方法，其特征在于，Dif＝I₁-I₂，其中I₁为所述图像中某一个通道的像素真实观测值；I₂为所述图像中另一个通道对应相同位置的像素真实观测值。

14.如权利要求6所述的方法，其特征在于，所述采样点的选择方法为：将计算所得Dif值进行由小到大排序，Dif值最小的点为第一个采样点，Dif值第二小的点为第二个采样点，以此类推。

15.如权利要求6所述的方法，其特征在于，所述采样点的选择方法还包括：选定一个采样点时，若之前已有选择的采样点在这个采样点附近，可选择之前的采样点，放弃现在的采样点。

Images