CN108198170B - 一种纤维间隔的识别方法及装置 - Google Patents
一种纤维间隔的识别方法及装置 Download PDFInfo
- Publication number
- CN108198170B CN108198170B CN201711446060.6A CN201711446060A CN108198170B CN 108198170 B CN108198170 B CN 108198170B CN 201711446060 A CN201711446060 A CN 201711446060A CN 108198170 B CN108198170 B CN 108198170B
- Authority
- CN
- China
- Prior art keywords
- image
- collagen
- branch
- branches
- threshold value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 47
- 102000008186 Collagen Human genes 0.000 claims abstract description 288
- 108010035532 Collagen Proteins 0.000 claims abstract description 288
- 229920001436 collagen Polymers 0.000 claims abstract description 286
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 39
- 238000003066 decision tree Methods 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims description 53
- 239000008280 blood Substances 0.000 claims description 14
- 210000004369 blood Anatomy 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims 1
- 210000001519 tissue Anatomy 0.000 description 75
- 210000005228 liver tissue Anatomy 0.000 description 16
- 238000012549 training Methods 0.000 description 14
- 101000834948 Homo sapiens Tomoregulin-2 Proteins 0.000 description 12
- 102100026160 Tomoregulin-2 Human genes 0.000 description 12
- 210000004185 liver Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 206010016654 Fibrosis Diseases 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 230000004761 fibrosis Effects 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 208000019425 cirrhosis of liver Diseases 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 210000004738 parenchymal cell Anatomy 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000017074 necrotic cell death Effects 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 2
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 2
- 210000002744 extracellular matrix Anatomy 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010224 hepatic metabolism Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 206010008909 Chronic Hepatitis Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种纤维间隔的识别方法及装置，根据胶原图像和血管图像获得表征组织样本中面积大于第一阈值的胶原蛋白的位置分布的第一图像，以及表征组织样本中面积小于第一阈值，并且长度大于第二阈值的胶原蛋白的位置分布的第二图像，根据第一图像和第二图像获得胶原块图像，采用预设的决策树作为统一的标准，根据预设的决策树对胶原块图像中的各个胶原块进行分类，获得属于纤维间隔的胶原块，从而得到纤维间隔图像。采用上述纤维间隔的识别方案，一方面，无需对组织样本进行染色处理，减少识别过程中的干扰；另一方面，以预设的决策树作为统一的标准，避免人为识别带来的个体差异，所得的纤维间隔的识别结果稳定性高。
Description
技术领域
本发明涉及医疗技术领域，特别是涉及一种纤维间隔的识别方法及装置。
背景技术
生物组织纤维化是指由于炎症导致生物器官实质细胞发生坏死，生物组织内细胞外基质(Extracellular Matrix，ECM)异常增多和过度积累的病理过程。生物组织纤维化会引起生物器官中组织结构破坏、导致该生物器官功能下降，并最终使得该生物器官硬化。
生物组织纤维化可能出现在多种生物器官，以肝脏为例，慢性肝炎会导致肝脏组织中的实质细胞发生坏死，肝脏组织的纤维化程度随着实质细胞的坏死不断加重，使得肝脏新陈代谢异常，最终导致肝硬化甚至肝癌。
随着肝脏纤维化的程度加重，肝脏中会出现纤维间隔。因此，确定纤维间隔出现的位置，数量，以及大小，对确定肝脏纤维化的程度具有重要意义。
现有技术中，确定肝脏中的纤维间隔，采用如下方法：对肝脏组织的切片进行染色处理，由病理医生观察染色后的肝脏组织的切片，基于该病理医生的经验分析肝脏组织结构，确定肝脏中出现的纤维间隔。上述分析肝脏中纤维间隔的方法，主要依赖于人为的主观判断，一方面，染色处理会影响病理医生的判断；另一方面，不同的病理医生之间存在能力、以及经验等个体差异。对同一个肝脏组织的切片来说，肝脏中纤维间隔的分析结果也会有所不同。从而，上述分析肝脏中纤维间隔的方法，所得的分析结果稳定性差，影响诊断和治疗的有效性。
发明内容
本发明解决的技术问题在于提供一种纤维间隔的识别方法及装置，从而能够将预设的决策树作为统一的标准，采用图像分析技术手段，识别肝脏组织中的纤维间隔。
为此，本发明解决技术问题的技术方案是：
一种纤维间隔的识别方法，所述方法包括：
获取组织样本的胶原图像和血管图像，所述胶原图像用于表征胶原蛋白在所述组织样本中的位置分布，所述血管图像用于表征类血管结构在所述组织样本中的位置分布；
根据所述胶原图像和所述血管图像获得第一图像和第二图像，所述第一图像用于表征面积大于第一阈值的胶原蛋白和类血管结构在所述组织样本中的位置分布，所述第二图像用于表征面积小于所述第一阈值，并且长度大于第二阈值的胶原蛋白在所述组织样本中的位置分布；
根据所述第一图像和所述第二图像获得胶原块图像，所述胶原块图像包括多个胶原块，每个所述胶原块与预设的决策树中的胶原块的获取方式相同；
根据所述预设的决策树对所述胶原块图像中的每个所述胶原块进行分类，获得纤维间隔图像，所述预设的决策树用于表征胶原块的特征信息与该胶原块所属的类型的对应关系。
可选的，所述根据所述胶原图像和所述血管图像获得第一图像包括：
利用预设的第一掩膜对所述胶原图像进行图像闭运算，获得第三图像；
删除所述第三图像中面积小于所述第一阈值的胶原蛋白，获得第四图像；
利用预设的第二掩膜对所述第四图像进行图像闭运算，获得第五图像，所述第二掩膜比所述第一掩膜的面积大；
合并所述第五图像与所述血管图像获得第六图像；
将所述第六图像中面积小于第三阈值的孔洞进行填充获得所述第一图像。
可选的，所述根据所述胶原图像和所述血管图像获得第二图像包括：
从所述胶原图像中去除所述第一图像获得第七图像；
删除所述第七图像中面积小于第四阈值的胶原蛋白获得第八图像；
利用预设的第三掩膜对所述第八图像进行闭运算获得第九图像；
连接所述第九图像中方向相同，并且距离小于第五阈值的胶原蛋白获得第十图像；
删除所述第十图像中长度小于第六阈值的胶原蛋白获得所述第二图像。
可选的，所述根据所述第一图像和所述第二图像获得胶原块图像，包括：
对所述第一图像中的胶原蛋白进行分割获得第十一图像；
将所述第十一图像与所述第二图像合并获得所述胶原块图像。
可选的，所述对所述第一图像中的胶原蛋白进行分割获得第十一图像包括：
对所述第一图像进行连通域分析，获得每个连通域的距离变换图像，每个所述连通域的距离变换图像用于表征该连通域中的像素点与该像素点最近的边缘之间的距离；
根据每个所述连通域的距离变换图像对每个所述连通域进行分割，获得每个所述连通域的第十二图像，每个所述连通域的所述第十二图像包括该连通域中的分支和交叉点；
合并所有所述连通域的第十二图像获得第十三图像；
将所述第十三图像作为标记，利用分水岭算法对所述第一图像中的胶原蛋白进行分割获得所述第十一图像。
可选的，所述根据一个连通域的距离变换图像对该连通域进行分割，获得该连通域的第十二图像包括：
采用图像细化算法获得所述连通域的骨架；
获取所述骨架中的交叉点集合；
根据所述交叉点集合从所述骨架中获得第一分支集合，第二分支集合，所述第一分支集合包括所述骨架中连接一个交叉点的分支，所述第二分支集合包括所述骨架中两个交叉点之间的分支；
删除所述第一分支集合中的短分支获得第三分支集合，所述短分支是长度与最大宽度的差小于第七阈值的分支；
合并所述第三分支集合与所述第二分支集合获得第四分支集合；
对所述第四分支集合中的每个分支进行修正处理获得第五分支集合；
合并所述第五分支集合和所述交叉点集合获得所述连通域的第十二图像。
可选的，所述对所述第四分支集合中任意一个分支进行修正处理包括：
当所述分支的长度超过第八阈值时，利用自动阈值法获得分割阈值；
根据所述分割阈值区分所述分支中粗子分支和细子分支，所述粗子分支是所述分支中宽度不小于所述分割阈值的部分，所述细子分支是所述分支中宽度小于所述分割阈值的部分；
当所述粗子分支与所述细子分支的宽度的比不大于2，或者所述粗子分支与所述细子分支的长度比大于1/2时，确定所述分支是否是两个交叉点之间的分支，当所述分支是两个交叉点的分支，所述分支的长度超过第九阈值，以及所述分支的长宽比超过第十阈值都满足时，删除所述分支与所述分支的交叉点之间的像素点；
当所述粗子分支与所述细子分支的宽度的比大于2，并且所述粗子分支与所述细子分支的长度比不大于1/2时，根据所述分割阈值对所述分支进行切割，获得所述粗子分支和所述细子分支，并删除所述粗子分支和所述细子分支中长度小于第十一阈值的子分支。
一种纤维间隔的识别装置，所述装置包括：
第一获取模块，用于获取组织样本的胶原图像和血管图像，所述胶原图像用于表征胶原蛋白在所述组织样本中的位置分布，所述血管图像用于表征类血管结构在所述组织样本中的位置分布；
第二获取模块，用于根据所述胶原图像和所述血管图像获得第一图像和第二图像，所述第一图像用于表征面积大于第一阈值的胶原蛋白和类血管结构在所述组织样本中的位置分布，所述第二图像用于表征面积小于所述第一阈值，并且长度大于第二阈值的胶原蛋白在所述组织样本中的位置分布；
第三获取模块，用于根据所述第一图像和所述第二图像获得胶原块图像，所述胶原块图像包括多个胶原块，每个所述胶原块与预设的决策树中的胶原块的获取方式相同；
分类模块，根据所述预设的决策树对所述胶原块图像中的每个所述胶原块进行分类，获得纤维间隔图像，所述预设的决策树用于表征胶原块的特征信息与该胶原块所属的类型的对应关系。
可选的，所述第二获取模块包括：
第一运算单元，用于利用预设的第一掩膜对所述胶原图像进行图像闭运算，获得第三图像；
第一删除单元，用于删除所述第三图像中面积小于所述第一阈值的胶原蛋白，获得第四图像；
第二运算单元，利用预设的第二掩膜对所述第四图像进行图像闭运算，获得第五图像，所述第二掩膜比所述第一掩膜的面积大；
第一合并单元，用于合并所述第五图像与所述血管图像获得第六图像；
填充子单元，用于将所述第六图像中面积小于第三阈值的孔洞进行填充获得所述第一图像。
可选的，所述第二获取模块包括：
去除单元，用于从所述胶原图像中去除所述第一图像获得第七图像；
第二删除单元，用于删除所述第七图像中面积小于第四阈值的胶原蛋白获得第八图像；
第三运算单元，用于利用预设的第三掩膜对所述第八图像进行闭运算获得第九图像；
连接单元，用于连接所述第九图像中方向相同，并且距离小于第五阈值的胶原蛋白获得第十图像；
第三删除单元，用于删除所述第十图像中长度小于第六阈值的胶原蛋白获得所述第二图像。
可选的，所述第三获取模块包括：
分割单元，用于对所述第一图像中的胶原蛋白进行分割获得第十一图像；
第二合并单元，用于将所述第十一图像与所述第二图像合并获得所述胶原块图像。
可选的，所述分割单元包括：
分析子单元，用于对所述第一图像进行连通域分析，获得每个连通域的距离变换图像，每个所述连通域的距离变换图像用于表征该连通域中的像素点与该像素点最近的边缘之间的距离；
第一分割子单元，用于根据每个所述连通域的距离变换图像对每个所述连通域进行分割，获得每个所述连通域的第十二图像，每个所述连通域的所述第十二图像包括该连通域中的分支和交叉点；
合并子单元，用于合并所有所述连通域的第十二图像获得第十三图像；
第二分割子单元，用于将所述第十三图像作为标记，利用分水岭算法对所述第一图像中的胶原蛋白进行分割获得所述第十一图像。
可选的，
所述第一分割子单元，具体用于采用图像细化算法获得所述连通域的骨架；获取所述骨架中的交叉点集合；根据所述交叉点集合从所述骨架中获得第一分支集合，第二分支集合，所述第一分支集合包括所述骨架中连接一个交叉点的分支，所述第二分支集合包括所述骨架中两个交叉点之间的分支；删除所述第一分支集合中的短分支获得第三分支集合，所述短分支是长度与最大宽度的差小于第七阈值的分支；合并所述第三分支集合与所述第二分支集合获得第四分支集合；对所述第四分支集合中的每个分支进行修正处理获得第五分支集合；合并所述第五分支集合和所述交叉点集合获得所述连通域的第十二图像。
可选的，所述第一分割子单元执行对所述第四分支集合中任意一个分支进行修正处理包括：
当所述分支的长度超过第八阈值时，利用自动阈值法获得分割阈值；根据所述分割阈值区分所述分支中粗子分支和细子分支，所述粗子分支是所述分支中宽度不小于所述分割阈值的部分，所述细子分支是所述分支中宽度小于所述分割阈值的部分；当所述粗子分支与所述细子分支的宽度的比不大于2，或者所述粗子分支与所述细子分支的长度比大于1/2时，确定所述分支是否是两个交叉点之间的分支，当所述分支是两个交叉点的分支，所述分支的长度超过第九阈值，以及所述分支的长宽比超过第十阈值都满足时，删除所述分支与所述分支的交叉点之间的像素点；当所述粗子分支与所述细子分支的宽度的比大于2，并且所述粗子分支与所述细子分支的长度比不大于1/2时，根据所述分割阈值对所述分支进行切割，获得所述粗子分支和所述细子分支，并删除所述粗子分支和所述细子分支中长度小于第十一阈值的子分支。
通过上述技术方案可知，本发明有如下有益效果：
组织样本的胶原图像表征胶原蛋白在所述组织样本中的位置分布，血管图像表征类血管结构在所述组织样本中的位置分布，根据胶原图像和血管图像获得表征组织样本中面积大于第一阈值的胶原蛋白的位置分布的第一图像，以及表征组织样本中面积小于第一阈值，并且长度大于第二阈值的胶原蛋白的位置分布的第二图像，根据第一图像和第二图像获得胶原块图像，采用预设的决策树作为统一的标准，该预设的决策树用于表征胶原块的特征信息与该胶原块所属的类型的对应关系，根据预设的决策树对胶原块图像中的各个胶原块进行分类，获得属于纤维间隔的胶原块，从而得到纤维间隔图像。本发明提供的纤维间隔的识别方案，对组织样本进行成像，采用图像分析技术手段，并且，以预设的决策树作为统一的标准，识别组织样本中的纤维间隔，一方面，无需对组织样本进行染色处理，减少识别过程中的干扰；另一方面，以预设的决策树作为统一的标准，避免人为识别带来的个体差异，所得的纤维间隔的识别结果稳定性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的纤维间隔的识别方法流程图；
图2(a)为本发明实施例提供的大块的胶原蛋白示意图；
图2(b)为本发明实施例提供的细长的胶原蛋白示意图；
图3(a)为本发明实施例提供的方向相同并且距离小于第五阈值的胶原蛋白示意图；
图3(b)为本发明实施例提供的方向相同并且距离小于第五阈值的胶原蛋白连接后示意图；
图4为本发明实施例提供的胶原块图像示意图；
图5为本发明实施例提供的胶原块所属的类型示意图；
图6为本发明实施例提供的连通域的骨架示意图；
图7为本发明实施例提供的纤维间隔的识别装置结构示意图。
具体实施方式
为了给出识别组织样本中纤维间隔的实现方案，本发明实施例提供了一种纤维间隔的识别方法及装置，以下结合说明书附图对本发明的实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
生物组织纤维化可能出现在多种生物器官中，本发明实施例中以肝脏为例进行说明。肝脏出现炎症时，会导致肝脏组织中实质细胞发生坏死，导致肝脏组织的纤维化程度不断加重，使得肝脏新陈代谢异常，从而导致肝硬化甚至肝癌。随着肝脏纤维化的程度加重，肝脏的汇管区(Portal Tract，PT)之间，以及PT和中央静脉区(Central Vein，CV)之间，会出现纤维间隔。
现有技术中，识别肝脏组织中出现的纤维间隔的方法，一般是将肝脏组织的切片进行染色处理，由病理医生观察染色后的肝脏组织的切片，基于该病理医生的经验分析肝脏组织结构，确定肝脏组织中出现的纤维间隔。但是，一方面，染色处理会影响病理医生的判断；另一方面，由于不同病理医生个体差异的影响，对同一个肝脏组织的切片来说，对纤维间隔的识别结果也会存在差异
本发明实施例所提供的识别纤维间隔的技术方案，采用图像分析技术，将预设的决策树作为统一的分析标准，该预设的决策树能够表征胶原块的特征信息与该胶原块所属的类型的对应关系，从而确定胶原块图像中的胶原块是否属于纤维间隔，从而能够实现对组织样本中的纤维间隔进行自动分析，无需对组织样本进行染色，避免干扰；并且对同一组织样本进行分析时，能够获得相同的纤维间隔的识别结果，避免个体差异的影响。
在下述实施例中，没有特殊说明的情况下，各个图像指的都是二值图像，二值图像是由像素值为0和像素值为1的像素点组成的图像。例如：下述实施例中的胶原图像，血管图像，第一图像，第二图像，……，第十二图像，胶原块图像，以及纤维间隔图像等，都是二值图像。
下面对本发明所提供的技术方案进行详细阐述。
方法性实例
图1为本发明实施例提供的纤维间隔的识别方法流程图，包括：
101：获取组织样本的胶原图像和血管图像，胶原图像用于表征胶原蛋白在组织样本中的位置分布，血管图像用于表征类血管结构在组织样本中的位置分布。
组织样本的胶原图像，是能够表征胶原蛋白在组织样本中的位置分布的二值图像。
可以采用如下方式获取组织样本的胶原图像：采用非线性光学纤维成像系统对组织样本进行成像，获得组织样本的二次谐波(Second Harmonic Generation，SHG)信号，根据该SHG信号获得显示组织样本中胶原蛋白形态学特征的SHG图像；还获得组织样本的双光子自发荧光(Two-photon Excitation Fluorescence，TPEF)信号，根据该TPEF获得显示组织样本中组织细胞形态学特征的TPEF图像。
先对组织样本的图像中的SHG图像和TPEF图像分别进行去噪处理，消除椒盐噪声。可以采用多种去噪算法进行去噪处理，例如：采用中值滤波算法、均值滤波算法或高斯滤波算法等算法中的任意一种。当然，还可以采用其它去噪算法，这里不再一一赘述。
再采用Ostu’s自动阈值分割算法对TPEF图像进行处理，获得TPEF二值图像。其中，自动阈值分割算法，将图像中像素值不小于阈值的像素点的值置1，将像素值小于阈值的像素点的值置0。对TPEF二值图像进行图像填充，即将封闭区域中的像素点为0的像素点设置为1；删除小面积的连通域，即删除小块组织和异常胶原蛋白，从而，得到修正后的TPEF二值图像。
计算去噪后的SHG图像与修正后的TPEF二值图像的乘积，获得优化后的SHG图像；计算去噪后的TPEF图像与修正后的TPEF二值图像的乘积，获得优化后的TPEF图像。
其中，组织样本的胶原图像，即为优化后的SHG图像采用Ostu’s自动阈值分割算法处理后所得的二值图像。
组织样本的血管图像，即为能够表征类血管结构在组织样本中的位置分布的二值图像。目前，存在很多种实现方式获得该组织样本的血管图像。具体的，可以参考申请号为201710146719.X，发明名称为“一种肝脏组织结构分类的方法及装置”中具体的实现方式，这里不再赘述。当然，还可以采用其它方法获得该组织样本的血管图像，这里不进行具体限定。
102：根据胶原图像和血管图像获得第一图像和第二图像，第一图像用于表征面积大于第一阈值的胶原蛋白和类血管结构在组织样本中的位置分布，第二图像用于表征面积小于第一阈值，并且长度大于第二阈值的胶原蛋白在组织样本中的位置分布。
第一图像，是用于表征面积大于第一阈值的胶原蛋白在组织样本中的位置分布的二值图像。第一图像用于体现组织样本中存在的大块的胶原蛋白，即组织样本中的主要胶原蛋白，如图2(a)所示。
第二图像，是用于表征面积小于第一阈值，并且长度大于第二阈值的胶原蛋白在组织样本中的位置分布的二值图像。第二图像用于体现组织样本中存在的细长胶原蛋白，该细长胶原蛋白是除了第一图像中所示的主要胶原蛋白以外(即面积小于第一阈值的胶原蛋白)，长度大于第二阈值的胶原蛋白，如图2(b)所示。
其中，第一阈值和第二阈值可以根据实际需要预先设置，这里不进行具体限定。
在一个实例中，根据胶原图像和血管图像获得第一图像包括：
利用预设的第一掩膜对胶原图像进行图像闭运算，获得第三图像；
删除第三图像中面积小于第一阈值的胶原蛋白，获得第四图像；
利用预设的第二掩膜对第四图像进行图像闭运算，获得第五图像，第二掩膜比第一掩膜的面积大；
合并第五图像与血管图像获得第六图像；
将第六图像中面积小于第三阈值的孔洞进行填充获得第一图像。
利用预设的第一掩膜对胶原图像进行闭运算，用来消除汇管区或者中央静脉区中胶原蛋白断裂的部分。其中，可以根据实际需要设定该预设的第一掩膜的大小，该预设的第一掩膜是一个面积较小的区域，采用该预设的第一掩膜不能消除窦周区域，即不能消除网状胶原蛋白的网状结构。具体的，预设的第一掩膜可以是3×3的像素区域。
利用预设的第一掩膜对胶原图像进行闭运算后获得第三图像，删除第三图像中面积小于第一阈值的胶原蛋白，保留面积不小于第一阈值的胶原蛋白，即保留面积不小于第一阈值的主要胶原蛋白，删除面积小于第一阈值的次要胶原蛋白，获得第四图像。
再利用预设的第二掩膜对第四图像进行闭运算，即去除主要胶原蛋白中的孔洞，获得第五图像。其中，可以根据实际需要设定该预设的第二掩膜的大小，并且预设的第二掩膜比预设的第一掩膜面积大。
为了提高纤维间隔的识别率，将第五图像和血管图像合并，获得第六图像。一方面，第六图像可以表征主要胶原蛋白在组织样本中的位置分布，另一方面，第六图像还可以表征类血管结构在组织样本中的位置分布。在识别纤维间隔时，不仅可以依据胶原蛋白的特征，还可以依据类血管结构的特征。对第六图像中小于第三阈值的孔洞进行填充，获得第一图像。
其中，预设的第一掩膜的大小，预设的第二掩膜的大小，以及第三阈值可以根据实际需要预先设置，这里不进行具体限定。
基于上述实例，根据胶原图像和血管图像获得第二图像包括：
从胶原图像中去除第一图像获得第七图像；
删除第七图像中面积小于第四阈值的胶原蛋白获得第八图像；
利用预设的第三掩膜对第八图像进行闭运算获得第九图像；
连接第九图像中方向相同，并且距离小于第五阈值的胶原蛋白获得第十图像；
删除第十图像中长度小于第六阈值的胶原蛋白获得第二图像。
第一图像用于表征主要胶原蛋白和类血管结构在组织样本中的位置分布，获得第一图像以后，从胶原蛋白图像中去除第一图像，获得第七图像，即从组织样本的胶原蛋白图像中，删除主要的胶原蛋白，获得次要胶原蛋白。第七图像用于表征面积小于第一阈值的次要胶原蛋白在组织样本中的位置分布。
删除第七图像中面积小于第四阈值的胶原蛋白，即删除次要胶原蛋白中异常的胶原蛋白，获得第八图像。利用预设的第三掩膜对第八图像进行闭运算，去除第八图像中次要胶原蛋白中的孔洞，获得第九图像。
从所获得的第九图像中，查找方向相同，并且距离小于第五阈值的胶原蛋白。方向相同的胶原蛋白，指的是夹角小于预设的角度阈值的胶原蛋白，如图3(a)所示。距离小于第五阈值的胶原蛋白时，指的是距离很近的胶原蛋白，如图3(a)所示。将第九图像中，既满足方向相同，又满足距离小于第五阈值的胶原蛋白连接起来，获得第十图像如图3(b)所示。
获得第十图像以后，删除长度小于第六阈值的胶原蛋白，保留长度大于第六阈值的胶原蛋白，即删除长度较短的胶原蛋白，保留长度较长的胶原蛋白，获得第二图像。其中，长度大于第六阈值的胶原蛋白，在识别纤维间隔时，有作为识别标记的意义；而长度小于第六阈值的胶原蛋白，没有作为识别纤维间隔的识别标记的意义。
其中，预设的第三掩膜的大小，第四阈值，第五阈值，以及第六阈值可以根据实际需要预先设置，这里不进行具体限定。
103：根据第一图像和第二图像获得胶原块图像，胶原块图像包括多个胶原块，每个胶原块与预设的决策树中的胶原块的获取方式相同。
104：根据预设的决策树对胶原块图像中的每个胶原块进行分类，获得纤维间隔图像，预设的决策树用于表征胶原块的特征信息与该胶原块所属的类型的对应关系。
获得第一图像和第二图像后，第二图像中的胶原蛋白是次要胶原蛋白，其面积较小，不需要进一步进行处理。而第一图像中的胶原蛋白是主要胶原蛋白，主要胶原蛋白的面积较大，需要进一步进行处理，将第一图像中的大块胶原蛋白进行分割。对第一图像中的胶原蛋白进一步分割后，分割后的第一图像，与第二图像合并，组成胶原快图像。
将胶原块图像中的各个胶原块，按照预设的决策树进行分类，确定该胶原块是否属于纤维间隔，从而获得纤维间隔图像。其中，预设的决策树是预先获得的，能够表征胶原块的特征信息与该胶原块所属的类型的对应关系。
创建预设的决策树时，随机抽取大量的组织样本的SHG图像和TPEF图像作为训练样本，按照步骤101，获得每个训练样本的胶原图像和血管图像；再按照102，根据每个训练样本的胶原图像和血管图像，获得每个训练样本的第一图像和第二图像；然后，按照步骤103，根据每个训练样本的第一图像和第二图像，得到各个训练样本的胶原块图像，如图4所示。
获得各个训练样本的胶原块图像以后，由专业的病理医生，对每个训练样本的胶原块图像进行评估，标记每个训练样本的胶原块图像中属于纤维间隔的胶原块，并提取属于纤维间隔的胶原块的特征信息，建立属于纤维间隔的胶原块的特征信息与纤维间隔的对应关系。除此以外，病理医生还可以对每个训练样本的胶原块图像进行评估，标记每个训练样本的胶原块图像中属于汇管区(PT)或者中央静脉区(CV)的胶原块，并提取属于PT或者CV的胶原块的特征信息，建立属于PT的胶原块的特征信息与PT的对应关系，以及属于CV的胶原块的特征信息与CV的对应关系。
在创建预设的决策树时，为了提高采用预设的决策树识别的准确度，每个训练样本的可以采用多个病理医生进行标记，统计标记结果，确保标记的准确性；另外，仅将严格符合纤维间隔的胶原块标记为属于纤维间隔。
由于创建预设的决策树时，对训练样本的处理方法，与对待识别的组织样本的图像的处理方法相同，因此，根据待识别的组织样本的图像获得胶原块图像后，获得每个胶原块的特征信息，根据预设的决策树对胶原块图像中的每个胶原块进行分类，可以确定该待识别的组织样本的胶原块图像中，各个胶原块所属的类型，即确定该胶原块属于纤维间隔，还是属于PT，又或者属于CV，进而实现了对组织样本中存在的纤维间隔的自动识别，如图5所示。
其中，无论是对于待识别的组织样本的胶原块图像来说，还是对与创建预设的决策树时，各个训练样本的胶原块图像来说，胶原块的特征信息包括胶原块的宽度，胶原块的长宽比(即胶原块的长度和宽度的比值)，胶原块中类血管的面积，相连胶原块的总面积，以及相连胶原块的最大宽度等。
下面对步骤103中“根据第一图像和第二图像获得胶原块图像”的实现方法进行详细描述。
在一个实例中，根据第一图像和第二图像获得胶原块图像包括：
对第一图像中的胶原蛋白进行分割获得第十一图像；
将第十一图像与第二图像合并获得胶原块图像。
第二图像表征面积小于第一阈值，长度大于第六阈值的次要胶原蛋白，在组织样本中的位置分布。第二图像中的胶原蛋白面积较小，不需要进一步进行分割，第二图像是胶原块图像中的一部分。
而第一图像表征面积大于第一阈值的主要胶原蛋白，在组织样本中的位置分布。第一图像中的胶原蛋白面积大，为了更好的识别属于纤维间隔的胶原蛋白，需要对第一图像中的胶原蛋白进一步进行分割，将大块的胶原蛋白分割成小面积的胶原块，获得第十一图像。将第十一图像和第二图像合并，获得胶原块图像。
其中，对第一图像中的胶原蛋白进行分割获得第十一图像包括：
对第一图像进行连通域分析，获得每个连通域的距离变换图像，每个连通域的距离变换图像用于表征该连通域中的像素点与该像素点最近的边缘之间的距离；
根据每个连通域的距离变换图像对每个连通域进行分割，获得每个连通域的第十二图像，每个连通域的第二图像包括该连通域中的分支和交叉点；
合并所有连通域的第十二图像获得第十三图像；
将第十三图像作为标记，利用分水岭算法对第一图像中的胶原蛋白进行分割获得第十一图像。
连通域指的是没有孔洞的区域。对第一图像进行连通域分析，获得多个连通域。即第一图像中一个完整的，没有孔洞的，并且不与其它蛋白质区域相连接的独立的区域，即为一个连通域。
获得多个连通域以后，获得每个连通域的距离变换图像。一个连通域的距离变换图像，能够表征该连通域中，每个像素点与该像素点最近的边缘点之间的距离。根据连通域的距离变换图像，对第一图像中的每个连通域进行分割，获得每个连通域的第十二图像，每个连通域的第十二图像包括对该连通域进行分割后所得的分支和交叉点。合并每个连通域的第十二图像获得第十三图像，可知，第十三图像包括第一图像中所有连通域的分支和交叉点，根据第十三图像中的分支和交叉点作为标记，利用分水岭算法对第一图像中的胶原蛋白进行分割获得第十一图像。
其中，根据一个连通域的距离变换图像对该连通域进行分割，获得每个连通域的第十二图像包括：
采用图像细化算法获得所述连通域的骨架；
获取所述骨架中的交叉点集合；根据所述交叉点集合从所述骨架中获得第一分支集合，第二分支集合，所述第一分支集合包括所述骨架中连接一个交叉点的分支，所述第二分支集合包括所述骨架中两个交叉点之间的分支；
删除所述第一分支集合中的短分支获得第三分支集合，所述短分支是长度与最大宽度的差小于第七阈值的分支；
合并所述第三分支集合与所述第二分支集合获得第四分支集合；
对所述第四分支集合中的每个分支进行修正处理获得第五分支集合；
合并所述第五分支集合和所述交叉点集合获得所述连通域的第十二图像。
根据每个连通域的距离变换图像，采用图像细化算法，获得每个连通域的骨架，如图6所示。一般情况下，骨架上的点和该点最近的两个边缘点之间的距离基本相等。
对于一个连通域来说，利用连通域的骨架上的交叉点，将骨架分解成多个分支，连接一个交叉点的分支为第一分支集合，在两个交叉点之间的分支为第二分支集合。可以理解的是，第一分支集合中可以包括至少一个分支，第一分支集合中的分支，是连通域中的边缘的分支，仅有一端与交叉点相连，即仅有一端与其它分支相连。第二分支集合中也可以包括至少一个分支，第二分支集合中的分支，是连通域位于中间位置的分支，两端都与交叉点相连，即两端都与其它分支相连。
获得第一分支集合和第二分支集合以后，需要先后进行两次修正：
先进行第一次修正，是删除第一分支集合中长度与最大宽度的差小于第七阈值的分支，即删除第一分支集合中的短分支，获得第三分支集合。分支的长度，即为一个分支的距离最远的两个边缘点之间的距离。分支的最大宽度，指的是垂直于分支的长度的方向上，距离最远的两个边缘点之间的距离。即当分支的长度与该分支的最大宽度差不多时，表示该分支是较短并且较粗的分支，删除该分支。
再进行第二次修正，是对第三分支集合和第二分支集合合并后所得的第四分支集合进行修正处理，修正处理后获得该连通域的第五分支集合。合并该连通域的第五分支集合和该连通域的交叉点集合，则得到该连通域的第十二图像。
其中，第七阈值可以根据实际需要预先设置，这里不进行具体限定。
其中，在第二次修正中，对第四分支集合中任意一个分支进行修正处理包括：
当分支的长度超过第八阈值时，利用自动阈值法获得分割阈值；
根据分割阈值区分分支中粗子分支和细子分支，粗子分支是分支中宽度不小于分割阈值的部分，细子分支是分支中宽度小于分割阈值的部分；
当粗子分支与细子分支的宽度的比不大于2，或者粗子分支与细子分支的长度比大于1/2时，确定分支是否是两个交叉点之间的分支，当分支是两个交叉点的分支，分支的长度超过第九阈值，以及分支的长宽比超过第十阈值都满足时，删除分支与分支的交叉点之间的像素点；
当粗子分支与细子分支的宽度的比大于2，并且粗子分支与细子分支的长度比不大于1/2时，根据分割阈值对分支进行切割，获得粗子分支和细子分支，并删除粗子分支和细子分支中长度小于第十一阈值的子分支。
采用上述方法对第四分支集合中每个分支进行修正。从第四分支集合中获得一个分支后，先确定该分支的长度是否超过第八阈值，若该分支的长度不超过第八阈值，不对该分支做任何修正处理。
若该分支的长度超过第八阈值，则采用自动阈值法获得分割阈值，将宽度不小于该分割阈值的部分作为粗子分支，将宽度大于该分割阈值的部分作为细子分支。这里需要说明的是，此处仅将分支根据分割阈值区分为粗子分支和细子分支，粗子分支和细子分支都是该分支的一部分，并没有对该分支进行分割，该分支还是一个整体。然后，将粗子分支和细子分支进行比较，先确定粗子分支的宽度和长度，以及细子分支的宽度和长度，根据比较结果对该分支进行修正处理。
若粗子分支与细子分支的宽度的比不大于2，或者粗子分支与细子分支的长度比大于1/2，若该分支与一个交叉点相连，则不对该分支进行分割。则表示当一个分支仅与一个交叉点相连，并且粗子分支和细子分支的宽度相差不大，或者粗子分支较长时，无需进一步进行分割。
若粗子分支与细子分支的宽度的比不大于2，或者粗子分支与细子分支的长度比大于1/2，若该分支是两个交叉点之间的分支，则进一步确定该分支的长度超过第九阈值，与该分支的长宽比超过第十阈值时，表示该分支很长，需要进行分割，此时，删除该分支与该分支的交叉点之间的像素点，对该分支进行分割。则表示即使粗子分支和细子分支的宽度相差不大，或者粗子分支较长时，当一个分支是两个交叉点之间的分支，并且该分支长度较长，长宽比较大时，需要对该分支进一步进行分割。
当粗子分支与细子分支的宽度的比大于2，并且粗子分支与细子分支的长度比不大于1/2时，即当粗子分支与细子分支的宽度相差较大，并且，粗子分支的长度远小于细子分支的长度时，将该分支按照分割阈值进一步进行分割，即将不大于分割阈值的子分支和小于分割阈值的子分支分割开，可以获得至少一个粗子分支，以及至少一个细子分支。并且，分割后所得的至少一个粗子分支和至少一个细子分支中，若存在长度小于第十一阈值的子分支，则删除该长度小于第十一阈值的子分支。
这里需要说明的是，若分割后所得的至少一个粗子分支和至少一个细子分支中，还存在大于第八阈值的分支，则对该分支按照上述方法进行再次分割，直至不能继续分割为止。从而，完成对该第四分支集合中一个分支的修正处理。采用上述方法对该第四分支集合中每个分支都进行修正处理，从而获得第五分支集合。
其中，第八阈值，第九阈值，第十阈值，以及第十一阈值可以根据实际需要预先设置，这里不进行具体限定。
由上述内容可知，本发明提供的纤维间隔的识别方法，对组织样本进行成像，采用图像分析技术手段，并且，以预设的决策树作为统一的标准，识别组织样本中的纤维间隔，一方面，无需对组织样本进行染色处理，减少识别过程中的干扰；另一方面，以预设的决策树作为统一的标准，避免人为识别带来的个体差异，所得的纤维间隔的识别结果稳定性高。
图7为本发明实施例提供的纤维间隔的识别装置结构示意图，包括：
第一获取模块701，用于获取组织样本的胶原图像和血管图像，所述胶原图像用于表征胶原蛋白在所述组织样本中的位置分布，所述血管图像用于表征类血管结构在所述组织样本中的位置分布。
第二获取模块702，用于根据所述胶原图像和所述血管图像获得第一图像和第二图像，所述第一图像用于表征面积大于第一阈值的胶原蛋白和类血管结构在所述组织样本中的位置分布，所述第二图像用于表征面积小于所述第一阈值，并且长度大于第二阈值的胶原蛋白在所述组织样本中的位置分布。
第三获取模块703，用于根据所述第一图像和所述第二图像获得胶原块图像，所述胶原块图像包括多个胶原块，每个所述胶原块与预设的决策树中的胶原块的获取方式相同。
分类模块704，根据所述预设的决策树对所述胶原块图像中的每个所述胶原块进行分类，获得纤维间隔图像，所述预设的决策树用于表征胶原块的特征信息与该胶原块所属的类型的对应关系。
可选的，所述第二获取模块包括：
第一运算单元，用于利用预设的第一掩膜对所述胶原图像进行图像闭运算，获得第三图像；
第一删除单元，用于删除所述第三图像中面积小于所述第一阈值的胶原蛋白，获得第四图像；
第二运算单元，利用预设的第二掩膜对所述第四图像进行图像闭运算，获得第五图像，所述第二掩膜比所述第一掩膜的面积大；
第一合并单元，用于合并所述第五图像与所述血管图像获得第六图像；
填充子单元，用于将所述第六图像中面积小于第三阈值的孔洞进行填充获得所述第一图像。
可选的，所述第二获取模块包括：
去除单元，用于从所述胶原图像中去除所述第一图像获得第七图像；
第二删除单元，用于删除所述第七图像中面积小于第四阈值的胶原蛋白获得第八图像；
第三运算单元，用于利用预设的第三掩膜对所述第八图像进行闭运算获得第九图像；
连接单元，用于连接所述第九图像中方向相同，并且距离小于第五阈值的胶原蛋白获得第十图像；
第三删除单元，用于删除所述第十图像中长度小于第六阈值的胶原蛋白获得所述第二图像。
可选的，所述第三获取模块包括：
分割单元，用于对所述第一图像中的胶原蛋白进行分割获得第十一图像；
第二合并单元，用于将所述第十一图像与所述第二图像合并获得所述胶原块图像。
可选的，所述分割单元包括：
分析子单元，用于对所述第一图像进行连通域分析，获得每个连通域的距离变换图像，每个所述连通域的距离变换图像用于表征该连通域中的像素点与该像素点最近的边缘之间的距离；
第一分割子单元，用于根据每个所述连通域的距离变换图像对每个所述连通域进行分割，获得每个所述连通域的第十二图像，每个所述连通域的所述第十二图像包括该连通域中的分支和交叉点；
合并子单元，用于合并所有所述连通域的第十二图像获得第十三图像；
第二分割子单元，用于将所述第十三图像作为标记，利用分水岭算法对所述第一图像中的胶原蛋白进行分割获得所述第十一图像。
可选的，
所述第一分割子单元，具体用于采用图像细化算法获得所述连通域的骨架；获取所述骨架中的交叉点集合；根据所述交叉点集合从所述骨架中获得第一分支集合，第二分支集合，所述第一分支集合包括所述骨架中连接一个交叉点的分支，所述第二分支集合包括所述骨架中两个交叉点之间的分支；删除所述第一分支集合中的短分支获得第三分支集合，所述短分支是长度与最大宽度的差小于第七阈值的分支；合并所述第三分支集合与所述第二分支集合获得第四分支集合；对所述第四分支集合中的每个分支进行修正处理获得第五分支集合；合并所述第五分支集合和所述交叉点集合获得所述连通域的第十二图像。
可选的，所述第一分割子单元执行对所述第四分支集合中任意一个分支进行修正处理包括：
当所述分支的长度超过第八阈值时，利用自动阈值法获得分割阈值；根据所述分割阈值区分所述分支中粗子分支和细子分支，所述粗子分支是所述分支中宽度不小于所述分割阈值的部分，所述细子分支是所述分支中宽度小于所述分割阈值的部分；当所述粗子分支与所述细子分支的宽度的比不大于2，或者所述粗子分支与所述细子分支的长度比大于1/2时，确定所述分支是否是两个交叉点之间的分支，当所述分支是两个交叉点的分支，所述分支的长度超过第九阈值，以及所述分支的长宽比超过第十阈值都满足时，删除所述分支与所述分支的交叉点之间的像素点；当所述粗子分支与所述细子分支的宽度的比大于2，并且所述粗子分支与所述细子分支的长度比不大于1/2时，根据所述分割阈值对所述分支进行切割，获得所述粗子分支和所述细子分支，并删除所述粗子分支和所述细子分支中长度小于第十一阈值的子分支。
图7所示的装置，是图1所示的方法所对应的装置，具体实现方式与图1所示的方法类似，参考图1所示的方法的描述，这里不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种纤维间隔的识别方法，其特征在于，所述方法包括：
获取组织样本的胶原图像和血管图像，所述胶原图像用于表征胶原蛋白在所述组织样本中的位置分布，所述血管图像用于表征类血管结构在所述组织样本中的位置分布；
根据所述胶原图像和所述血管图像获得第一图像和第二图像，所述第一图像用于表征面积大于第一阈值的胶原蛋白和类血管结构在所述组织样本中的位置分布，所述第二图像用于表征面积小于所述第一阈值，并且长度大于第二阈值的胶原蛋白在所述组织样本中的位置分布；
根据所述第一图像和所述第二图像获得胶原块图像，所述胶原块图像包括多个胶原块，每个所述胶原块与预设的决策树中的胶原块的获取方式相同；
根据所述预设的决策树对所述胶原块图像中的每个所述胶原块进行分类，获得纤维间隔图像，所述预设的决策树用于表征胶原块的特征信息与该胶原块所属的类型的对应关系。
2.根据权利要求1所述的方法，其特征在于，所述根据所述胶原图像和所述血管图像获得第一图像包括：
利用预设的第一掩膜对所述胶原图像进行图像闭运算，获得第三图像；
删除所述第三图像中面积小于所述第一阈值的胶原蛋白，获得第四图像；
利用预设的第二掩膜对所述第四图像进行图像闭运算，获得第五图像，所述第二掩膜比所述第一掩膜的面积大；
合并所述第五图像与所述血管图像获得第六图像；
将所述第六图像中面积小于第三阈值的孔洞进行填充获得所述第一图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述胶原图像和所述血管图像获得第二图像包括：
从所述胶原图像中去除所述第一图像获得第七图像；
删除所述第七图像中面积小于第四阈值的胶原蛋白获得第八图像；
利用预设的第三掩膜对所述第八图像进行闭运算获得第九图像；
连接所述第九图像中方向相同，并且距离小于第五阈值的胶原蛋白获得第十图像；
删除所述第十图像中长度小于第六阈值的胶原蛋白获得所述第二图像。
4.根据权利要求1-3任意一项所述的方法，其特征在于，所述根据所述第一图像和所述第二图像获得胶原块图像，包括：
对所述第一图像中的胶原蛋白进行分割获得第十一图像；
将所述第十一图像与所述第二图像合并获得所述胶原块图像。
5.根据权利要求4所述的方法，其特征在于，所述对所述第一图像中的胶原蛋白进行分割获得第十一图像包括：
对所述第一图像进行连通域分析，获得每个连通域的距离变换图像，每个所述连通域的距离变换图像用于表征该连通域中的像素点与该像素点最近的边缘之间的距离；
根据每个所述连通域的距离变换图像对每个所述连通域进行分割，获得每个所述连通域的第十二图像，每个所述连通域的所述第十二图像包括该连通域中的分支和交叉点；
合并所有所述连通域的第十二图像获得第十三图像；
将所述第十三图像作为标记，利用分水岭算法对所述第一图像中的胶原蛋白进行分割获得所述第十一图像。
6.根据权利要求5所述的方法，其特征在于，所述根据一个连通域的距离变换图像对该连通域进行分割，获得该连通域的第十二图像包括：
采用图像细化算法获得所述连通域的骨架；
获取所述骨架中的交叉点集合；
根据所述交叉点集合从所述骨架中获得第一分支集合，第二分支集合，所述第一分支集合包括所述骨架中连接一个交叉点的分支，所述第二分支集合包括所述骨架中两个交叉点之间的分支；
删除所述第一分支集合中的短分支获得第三分支集合，所述短分支是长度与最大宽度的差小于第七阈值的分支；
合并所述第三分支集合与所述第二分支集合获得第四分支集合；
对所述第四分支集合中的每个分支进行修正处理获得第五分支集合；
合并所述第五分支集合和所述交叉点集合获得所述连通域的第十二图像。
7.根据权利要求6所述的方法，其特征在于，所述对所述第四分支集合中任意一个分支进行修正处理包括：
当所述分支的长度超过第八阈值时，利用自动阈值法获得分割阈值；
根据所述分割阈值区分所述分支中粗子分支和细子分支，所述粗子分支是所述分支中宽度不小于所述分割阈值的部分，所述细子分支是所述分支中宽度小于所述分割阈值的部分；
当所述粗子分支与所述细子分支的宽度的比不大于2，或者所述粗子分支与所述细子分支的长度比大于1/2时，确定所述分支是否是两个交叉点之间的分支，当所述分支是两个交叉点的分支，所述分支的长度超过第九阈值，以及所述分支的长宽比超过第十阈值都满足时，删除所述分支与所述分支的交叉点之间的像素点；
当所述粗子分支与所述细子分支的宽度的比大于2，并且所述粗子分支与所述细子分支的长度比不大于1/2时，根据所述分割阈值对所述分支进行切割，获得所述粗子分支和所述细子分支，并删除所述粗子分支和所述细子分支中长度小于第十一阈值的子分支。
8.一种纤维间隔的识别装置，其特征在于，所述装置包括：
第一获取模块，用于获取组织样本的胶原图像和血管图像，所述胶原图像用于表征胶原蛋白在所述组织样本中的位置分布，所述血管图像用于表征类血管结构在所述组织样本中的位置分布；
第二获取模块，用于根据所述胶原图像和所述血管图像获得第一图像和第二图像，所述第一图像用于表征面积大于第一阈值的胶原蛋白和类血管结构在所述组织样本中的位置分布，所述第二图像用于表征面积小于所述第一阈值，并且长度大于第二阈值的胶原蛋白在所述组织样本中的位置分布；
第三获取模块，用于根据所述第一图像和所述第二图像获得胶原块图像，所述胶原块图像包括多个胶原块，每个所述胶原块与预设的决策树中的胶原块的获取方式相同；
分类模块，根据所述预设的决策树对所述胶原块图像中的每个所述胶原块进行分类，获得纤维间隔图像，所述预设的决策树用于表征胶原块的特征信息与该胶原块所属的类型的对应关系。
9.根据权利要求8所述的装置，其特征在于，所述第二获取模块包括：
第一运算单元，用于利用预设的第一掩膜对所述胶原图像进行图像闭运算，获得第三图像；
第一删除单元，用于删除所述第三图像中面积小于所述第一阈值的胶原蛋白，获得第四图像；
第二运算单元，利用预设的第二掩膜对所述第四图像进行图像闭运算，获得第五图像，所述第二掩膜比所述第一掩膜的面积大；
第一合并单元，用于合并所述第五图像与所述血管图像获得第六图像；
填充子单元，用于将所述第六图像中面积小于第三阈值的孔洞进行填充获得所述第一图像。
10.根据权利要求9所述的装置，其特征在于，所述第二获取模块包括：
去除单元，用于从所述胶原图像中去除所述第一图像获得第七图像；
第二删除单元，用于删除所述第七图像中面积小于第四阈值的胶原蛋白获得第八图像；
第三运算单元，用于利用预设的第三掩膜对所述第八图像进行闭运算获得第九图像；
连接单元，用于连接所述第九图像中方向相同，并且距离小于第五阈值的胶原蛋白获得第十图像；
第三删除单元，用于删除所述第十图像中长度小于第六阈值的胶原蛋白获得所述第二图像。
11.根据权利要求8-10任意一项所述的装置，其特征在于，所述第三获取模块包括：
分割单元，用于对所述第一图像中的胶原蛋白进行分割获得第十一图像；
第二合并单元，用于将所述第十一图像与所述第二图像合并获得所述胶原块图像。
12.根据权利要求11所述的装置，其特征在于，所述分割单元包括：
分析子单元，用于对所述第一图像进行连通域分析，获得每个连通域的距离变换图像，每个所述连通域的距离变换图像用于表征该连通域中的像素点与该像素点最近的边缘之间的距离；
第一分割子单元，用于根据每个所述连通域的距离变换图像对每个所述连通域进行分割，获得每个所述连通域的第十二图像，每个所述连通域的所述第十二图像包括该连通域中的分支和交叉点；
合并子单元，用于合并所有所述连通域的第十二图像获得第十三图像；
第二分割子单元，用于将所述第十三图像作为标记，利用分水岭算法对所述第一图像中的胶原蛋白进行分割获得所述第十一图像。
13.根据权利要求12所述的装置，其特征在于，
所述第一分割子单元，具体用于采用图像细化算法获得所述连通域的骨架；获取所述骨架中的交叉点集合；根据所述交叉点集合从所述骨架中获得第一分支集合，第二分支集合，所述第一分支集合包括所述骨架中连接一个交叉点的分支，所述第二分支集合包括所述骨架中两个交叉点之间的分支；删除所述第一分支集合中的短分支获得第三分支集合，所述短分支是长度与最大宽度的差小于第七阈值的分支；合并所述第三分支集合与所述第二分支集合获得第四分支集合；对所述第四分支集合中的每个分支进行修正处理获得第五分支集合；合并所述第五分支集合和所述交叉点集合获得所述连通域的第十二图像。
14.根据权利要求13所述的装置，其特征在于，所述第一分割子单元执行对所述第四分支集合中任意一个分支进行修正处理包括：
当所述分支的长度超过第八阈值时，利用自动阈值法获得分割阈值；根据所述分割阈值区分所述分支中粗子分支和细子分支，所述粗子分支是所述分支中宽度不小于所述分割阈值的部分，所述细子分支是所述分支中宽度小于所述分割阈值的部分；当所述粗子分支与所述细子分支的宽度的比不大于2，或者所述粗子分支与所述细子分支的长度比大于1/2时，确定所述分支是否是两个交叉点之间的分支，当所述分支是两个交叉点的分支，所述分支的长度超过第九阈值，以及所述分支的长宽比超过第十阈值都满足时，删除所述分支与所述分支的交叉点之间的像素点；当所述粗子分支与所述细子分支的宽度的比大于2，并且所述粗子分支与所述细子分支的长度比不大于1/2时，根据所述分割阈值对所述分支进行切割，获得所述粗子分支和所述细子分支，并删除所述粗子分支和所述细子分支中长度小于第十一阈值的子分支。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711446060.6A CN108198170B (zh) | 2017-12-27 | 2017-12-27 | 一种纤维间隔的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711446060.6A CN108198170B (zh) | 2017-12-27 | 2017-12-27 | 一种纤维间隔的识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108198170A CN108198170A (zh) | 2018-06-22 |
| CN108198170B true CN108198170B (zh) | 2020-12-01 |
Family
ID=62584593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711446060.6A Active CN108198170B (zh) | 2017-12-27 | 2017-12-27 | 一种纤维间隔的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108198170B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112514001A (zh) * | 2018-07-30 | 2021-03-16 | 新加坡科技研究局 | 评价组织样本纤维化的方法和系统 |
| CN111667482B (zh) * | 2020-06-30 | 2023-08-22 | 杭州筹图科技有限公司 | 一种区域划分方法及相关设备 |
| WO2022000220A1 (zh) * | 2020-06-30 | 2022-01-06 | 杭州筹图科技有限公司 | 一种区域划分方法及相关设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101460976A (zh) * | 2006-06-05 | 2009-06-17 | 仁爱米拉索莱有限公司 | 用于影响人或动物组织的疾病的“体外”诊断方法 |
| CN105009174A (zh) * | 2013-01-08 | 2015-10-28 | 新加坡科技研究局 | 用于评估组织纤维化的方法及系统 |
| CN106127256A (zh) * | 2016-06-30 | 2016-11-16 | 张云超 | 一种肝纤维化检测方法及装置 |
| WO2016206596A1 (zh) * | 2015-06-26 | 2016-12-29 | 上海市肿瘤研究所 | Cthrc1在肝硬化诊断和治疗中的应用 |
-
2017
- 2017-12-27 CN CN201711446060.6A patent/CN108198170B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101460976A (zh) * | 2006-06-05 | 2009-06-17 | 仁爱米拉索莱有限公司 | 用于影响人或动物组织的疾病的“体外”诊断方法 |
| CN105009174A (zh) * | 2013-01-08 | 2015-10-28 | 新加坡科技研究局 | 用于评估组织纤维化的方法及系统 |
| WO2016206596A1 (zh) * | 2015-06-26 | 2016-12-29 | 上海市肿瘤研究所 | Cthrc1在肝硬化诊断和治疗中的应用 |
| CN106127256A (zh) * | 2016-06-30 | 2016-11-16 | 张云超 | 一种肝纤维化检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Automated Collagen Proportional Area Extraction in Liver Biopsy Images Using a Novel Classification via Clustering Algorithm;Dimosthenis C. Tsouros et al.;《2017 IEEE 30th International Symposium on Computer-Based Medical Systems (CBMS)》;IEEE;20171113;第30-34页 * |
| Fibrillar collagen scoring by second harmonic microscopy: A new tool in the assessment of liver fibrosis;Luc Gailhouste et al.;《Journal of Hepatology》;20100331;第52卷(第3期);第398-406页 * |
| 基于X射线相衬CT的肝纤维化微血管定量分析与血管类型区分研究;轩瑞娇;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20160415;第E064-60页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108198170A (zh) | 2018-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
| Kowal et al. | Computer-aided diagnosis of breast cancer based on fine needle biopsy microscopic images | |
| Nguyen et al. | Prostate cancer detection: Fusion of cytological and textural features | |
| CN106780522B (zh) | 一种基于深度学习的骨髓液细胞分割方法 | |
| CN108198170B (zh) | 一种纤维间隔的识别方法及装置 | |
| EP3175389B1 (en) | Automatic glandular and tubule detection in histological grading of breast cancer | |
| CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
| CN101826209B (zh) | 一种基于Canny模型的三维医学图像分割方法 | |
| Yuan et al. | MDL constrained 3-D grayscale skeletonization algorithm for automated extraction of dendrites and spines from fluorescence confocal images | |
| CN108230387B (zh) | 一种纤维间隔特征量化的方法及装置 | |
| CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
| Tomari et al. | Red blood cell counting analysis by considering an overlapping constraint | |
| CN108185990B (zh) | 一种连接pt和cv的纤维间隔的识别方法及装置 | |
| Madhloom et al. | Computer-aided acute leukemia blast cells segmentation in peripheral blood images | |
| Kamenetsky et al. | Analysis of the glomerular basement membrane in images of renal biopsies using the split-and-merge method: a pilot study | |
| CN113256617B (zh) | 一种病理切片虚拟免疫组化染色方法及系统 | |
| CN108573267B (zh) | 一种肝脏组织结构分类的方法及装置 | |
| Wang et al. | Binary and multiclass classification of histopathological images using machine learning techniques | |
| Kennel et al. | Automatic identification of cell files in light microscopic images of conifer wood | |
| Su et al. | A novel method for dendritic spines detection based on directional morphological filter and shortest path | |
| CN109754378B (zh) | 一种裂缝图像的毛刺去除方法 | |
| Grisan et al. | Automatic segmentation of chromosomes in Q-band images | |
| Acharya et al. | Segmentation of pap smear images to diagnose cervical cancer types and stages | |
| Oztan et al. | Biologically-driven cell-graphs for breast tissue grading | |
| JP2001014464A (ja) | 指紋画像処理装置及び指紋画像処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |