CN109389594B - 一种宫颈癌组织显微图像处理方法 - Google Patents

一种宫颈癌组织显微图像处理方法 Download PDF

Info

Publication number
CN109389594B
CN109389594B CN201811173155.XA CN201811173155A CN109389594B CN 109389594 B CN109389594 B CN 109389594B CN 201811173155 A CN201811173155 A CN 201811173155A CN 109389594 B CN109389594 B CN 109389594B
Authority
CN
China
Prior art keywords
image
cervical cancer
cancer tissue
segmentation
algorithm
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
Application number
CN201811173155.XA
Other languages
English (en)
Other versions
CN109389594A (zh
Inventor
李晨
胡志杰
孙洪赞
张乐
许宁
钱唯
马贺
陈昊
薛丹
尚麟静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201811173155.XA priority Critical patent/CN109389594B/zh
Publication of CN109389594A publication Critical patent/CN109389594A/zh
Application granted granted Critical
Publication of CN109389594B publication Critical patent/CN109389594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像分析技术领域，尤其涉及一种基于图论的宫颈癌组织显微图像分析方法。基于图论的宫颈癌组织显微图像分析方法包括以下步骤：采集宫颈癌组织显微图像数据，采用不同的算法对采集的每张原图进行分割，将分割结果进行融合得到融合图像；根据核的形态学和纹理特征将融合图像分成高分化，中分化，低分化三大类；对分类结果进行综合评估。本申请使用融合的分割算法加强了精度，形成了完整的分类流程，并且做出了分类评估。利用图论算法把宫颈癌组织病理图像根据核的空间结构分为高分化，中分化，低分化三大类，这可以应用在组织学家的日常实践中，加快诊断的时间，提高诊断的准确度。

Description

一种宫颈癌组织显微图像处理方法
技术领域
本发明属于图像分析技术领域，尤其涉及一种宫颈癌组织显微图像处理方法。
背景技术
现有技术使用分水岭算法对宫颈癌组织显微图像进行分割，定位细胞核的位置。如图1所示，该方法由左至右共包含三个步骤：
(a)获取宫颈癌组织原始显微切片图像；
(b)用自动阈值方法对组织图像中的细胞核进行定位；
(c)对于图像中重叠的细胞核，使用分水岭变换来分割遮挡的细胞核。
现有技术将定位到的细胞核中心作为种子点，利用细组织病理学图像上癌变细胞核的空间排列，提取定量指标来进行分析。这些图形特征可以根据图形构造方法的类型分为全局和局部。全局图(图2中a,b,c的图论方法依次为泰森多边形法,德劳内三角测量,最小生成树)研究图像中所有核的核结构；局部图(图2中d为细胞簇图)，观察局部邻域内的核结构，并关注局部簇内核的排列。
现有技术中存在以下缺点：
(1)现有技术，分水岭算法解决重叠以及粘连细胞核的时候会产生过度分割，与细胞实际形态有一定的差异，在组织边界区域以及非正常细胞核形态的区域会十分明显，识别到的细胞数量会多于真实数量，影响对于结构的判断。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题，本发明提供一种宫颈癌组织显微图像处理方法。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
一种基于图论的宫颈癌组织显微图像分析方法，其包括以下步骤：
步骤A：采集宫颈癌组织显微图像数据，采用不同的算法对采集的每张原图进行分割，将分割结果进行融合得到融合图像；
步骤B：根据核的形态学和纹理特征将融合图像分成高分化，中分化，低分化三大类；
步骤C：对分类结果进行综合评估。
优选的，在步骤A中，对采集的每张原图进行分割包括以下几种算法：
第一种基于聚类的k-means算法对原始图像进行分割，把细胞质和细胞核区分开；
第二种和第三种是基于边缘检测的方法，基于边缘检测的方法包括sobel边缘检测和canny边缘检测，通过灰度的不连续性来确定图像中的边缘点从而进行分割；
第四种是基于阈值的分割算法，按照灰度级，对像素集合进行划分；
第五种是基于区域形态学的分水岭算法。
优选的，在步骤A中，将分割结果进行融合的方法为：
对原始图像分割之后，进行五个边界提取结果的逻辑运算，先对sobel边缘检测结果按阈值为150分割变为二值图，之后按照多数投票算法，检测五种结果每个像素点灰度值，得到多数元素按多数元素灰度值组成融合图像。
优选的，多数元素指的是灰度值出现次数大于2的灰度值。
优选的，在步骤B中，对融合图像的分类方法为：
先把识别到的细胞核的重心位置作为种子点，作局部和全局分析。
优选的，分类时将其中60张图的groundtruth图像作为训练集。
优选的，全局分析包括以下几种方式进行分类；
最小生成树：对种子点用prim算法产生最小生成树，计算生成树的长度、线段的平均距离以及方差分布，按照长度、距离和方差分布来分类；
德劳内三角测量和泰森多边形法：这两种图论算法互补，均可反映出种子点的密集度，计算图中所有线段的平均距离和方差分布可完成分类。
优选的，局部分析包括以下方式进行分类；
细胞簇：对种子点按照距离连线，分析不同距离所能得到的细胞簇数量，同时计算每张图细胞簇连线的平均距离及方差，按照数量和距离即可分类。
优选的，在步骤C中，评估指标主要包含分类准确度，时间效率以及适用范围。
优选的，在评估过程中，分类系统会对输入的图像进行分割，提取出种子点位置后运用图论算法分类，输出识别成功率。
(三)有益效果
本发明的有益效果是：本申请采集宫颈癌组织显微图像数据，采用不同的算法对采集的每张原图进行分割，将分割结果进行融合得到融合图像，将融合图像中细胞核的重心位置用于特征提取。从而，本申请使用的宫颈癌组织显微图像处理方法进行图像处理，融合算法精确更高，细胞核轮廓明显，同时不会产生过度分割，在宫颈癌组织病理学显微图像分析中具有精度高，适用性广泛的优势。
附图说明
图1为现有技术中宫颈癌组织分割流程图，其中，图1a为原始图片，图1b为阈值处理对细胞核的图像，图1c为分水岭分割后的图像；
图2为现有技术中多种图论分析方法效果图，其中a、b、c、d图论方法依次为泰森多边形法,德劳内三角测量,最小生成树和细胞簇图；
图3为本发明具体实施方式提供的基于图论的宫颈癌组织显微图像分析方法的流程图；
图4为本发明具体实施方式提供的融合算法效果图，图a至图g分别为原图、经k-means分割得到的图像、经sobel边缘检测得到的图像、经canny边缘检测得到的图像、经阈值分割得到的图像、经分水岭得到的图像、融和的图像。
图5为分割识别图和gt图的对比，其中，图5a为分割得到的细胞核识别图，图5b为gt图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
参照图3，在本实施方式中，提供了一种基于图论的宫颈癌组织显微图像分析方法，其包括以下步骤：
步骤A：采集宫颈癌组织显微图像数据，采用不同的算法对采集的每张原图进行分割，将分割结果进行融合得到融合图像。
在步骤A中，采集到的原始图片格式包括*.bmp,*.BMP,*.dip,*DIP,*.jpg,*.JPG，*.jpeg,*JPEG,*.jpe,*.JPE,*.jfif,*JFIF,*.gif,*.GIF,*.tif,*.TIF,*tiff,*.tiff,*.png,*.PNG等：例如，本专利使用的实验数据集包含360张图片，每张图片大小为2560x1920像素。
对采集的每张原图进行分割包括以下几种算法：
第一种基于聚类的k-means算法对原始图像进行分割，把细胞质和细胞核区分开，从而达到所要的分割效果；
第二种和第三种是基于边缘检测的方法，基于边缘检测的方法包括sobel边缘检测和canny边缘检测，通过灰度的不连续性来确定图像中的边缘点从而进行分割；
第四种是基于阈值的分割算法，按照灰度级，对像素集合进行划分；
第五种是基于区域形态学的分水岭算法。
对原图进行分割以后还包括以手工绘制的groundtruth为基准对分割结果进行评估。
在分割算法过程中可以用Reborts算法、普利维特(Prewitt)、拉普拉斯(Laplace)算法代替融合的分割算法，进行图像的最优化分割。
将分割结果进行融合的方法为：
对原始图像分割之后，进行五个边界提取结果的逻辑运算，先对sobel边缘检测结果按阈值为150分割变为二值图，之后按照多数投票算法，检测五种结果每个像素点灰度值，得到多数元素按多数元素灰度值组成融合图像。其中，多数元素指的是灰度值出现次数大于2的灰度值。
参照图4，其中，图4a是数据集中的原始病理学组织图片，用五种方法对其进行分割，从图b可以看出将k-means算法识别出的细胞核数量很多，接近真实数值，但是杂质会比较多；从图c看出sobel边缘检测识别出的轮廓精准，这种算法受噪声影响比较大，对于边界不明显的细胞核识别率低；从图d可以得出canny边缘检测得到的部分区域是断续的，不完整的边缘信息，不过检测速度很快，同样受噪声影响大；从图e阈值方法得到的分割图清晰，计算简单并且不受图片亮度与对比度变化的影响，应用范围广，但是部分细胞核轮廓不明显，计算效率不高；从图f分水岭方法定位准确，然而识别中存在过度分割的问题。为了得到更好的分割结果，将以上多种方法融和，结果如图g所示，对照原图可以看出融合算法精确更高，细胞核轮廓明显，同时不会产生过度分割，在宫颈癌组织病理学显微图像分析中具有精度高，适用性广泛的优势。
步骤B：根据核的形态学和纹理特征将融合图像分成高分化，中分化，低分化三大类。
步骤B中，对融合图像的分类方法为：
在步骤B中，先把识别到的细胞核的重心位置作为种子点，作局部和全局分析。分类时将其中60张图的groundtruth图像作为训练集。
全局分析包括以下几种方式进行分类；
最小生成树：对种子点用prim算法产生最小生成树，计算生成树的长度、线段的平均距离以及方差分布，按照长度、距离和方差分布来分类；
德劳内三角测量和泰森多边形法：这两种图论算法互补，均可反映出种子点的密集度，计算图中所有线段的平均距离和方差分布可完成分类。
局部分析包括以下方式进行分类；
细胞簇：对种子点按照距离连线，分析不同距离所能得到的细胞簇数量，同时计算每张图细胞簇连线的平均距离及方差，按照数量和距离即可分类。
在此步骤中，可以用Floyd算法产生最短路径，用来代替最小生成树算法，根据路径长度进行高分化、中分化低分化的分类鉴别。
步骤C：对分类结果进行综合评估。
在步骤C中，评估指标主要包含分类准确度，时间效率以及适用范围。在评估过程中，分类系统会对输入的图像进行分割，提取出种子点位置后运用图论算法分类，输出识别成功率。
参照5a、5b所示，本申请对现有组织分割技术进行了改进，解决了过度分割的问题，使识别出的细胞核数量更加接近真实数量，利于减少误差，提高分类分析的准确率。细胞的图像分割识别结果如图5所示，图5a的是分割得到的细胞核识别图，图5b是标准gt图。从图中可以看出能精准的识别出细胞核位置，同时避免出现过度识别的问题。
总上所述，本实施方式提供的方法和现有技术相比，本申请使用融合的分割算法加强了精度，形成了完整的分类流程，并且做出了分类评估。利用图论算法把宫颈癌组织病理图像根据核的空间结构分为高分化，中分化，低分化三大类，这可以应用在组织学家的日常实践中。加快诊断的时间，提高诊断的准确度。图论算法的局部图和全局图形特性，这些特性与不同等级和不同风险的肿瘤有关，以此作为分类依据可以用来评估癌症的存在、级别、风险和结果。根据分类准确度，时间效率以及适用范围可以评估出不同方法的实用性能。
以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (2)

1.一种宫颈癌组织显微图像处理方法，其特征在于：包括以下步骤：
步骤A：采集宫颈癌组织显微图像数据，采用不同的算法对采集的每张原图进行分割，将分割结果进行融合得到融合图像；其中，
对采集的每张原图进行分割包括以下几种算法：
第一种基于聚类的k-means算法对原始图像进行分割，把细胞质和细胞核区分开；
第二种和第三种是基于边缘检测的方法，基于边缘检测的方法包括sobel边缘检测和canny边缘检测，通过灰度的不连续性来确定图像中的边缘点从而进行分割；
第四种是基于阈值的分割算法，按照灰度级，对像素集合进行划分；
第五种是基于区域形态学的分水岭算法；
将分割结果进行融合的方法为：
对原始图像分割之后，进行五个边界提取结果的逻辑运算，先对sobel边缘检测结果按阈值为150分割变为二值图，之后按照多数投票算法，检测五种结果每个像素点灰度值，得到多数元素按多数元素灰度值组成融合图像；
步骤B：确定所述融合图像中细胞核的重心位置，所述重心位置用于图像分析时的特征提取。
2.根据权利要求1所述的宫颈癌组织显微图像处理方法，其特征在于，多数元素指的是灰度值出现次数大于2的灰度值。
CN201811173155.XA 2018-10-09 2018-10-09 一种宫颈癌组织显微图像处理方法 Active CN109389594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811173155.XA CN109389594B (zh) 2018-10-09 2018-10-09 一种宫颈癌组织显微图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811173155.XA CN109389594B (zh) 2018-10-09 2018-10-09 一种宫颈癌组织显微图像处理方法

Publications (2)

Publication Number Publication Date
CN109389594A CN109389594A (zh) 2019-02-26
CN109389594B true CN109389594B (zh) 2020-12-25

Family

ID=65426784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811173155.XA Active CN109389594B (zh) 2018-10-09 2018-10-09 一种宫颈癌组织显微图像处理方法

Country Status (1)

Country Link
CN (1) CN109389594B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109975291A (zh) * 2019-03-08 2019-07-05 广州金域医学检验中心有限公司 数字病理切片的生成方法、装置和计算机设备
CN110123453B (zh) * 2019-05-31 2021-07-23 东北大学 一种基于无标记增强现实的手术导航系统
CN110210578B (zh) * 2019-06-19 2021-11-16 四川智动木牛智能科技有限公司 基于图论的宫颈癌组织病理学显微图像聚类系统
CN111127432B (zh) * 2019-12-24 2021-01-12 推想医疗科技股份有限公司 一种医学图像检测方法、装置、设备及存储介质
CN113034415B (zh) * 2021-03-23 2021-09-14 哈尔滨市科佳通用机电股份有限公司 一种铁路机车小部件图像扩增的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894490A (zh) * 2015-11-05 2016-08-24 广西师范大学 基于模糊积分多分类器融合的宫颈细胞图像识别方法及装置
CN106780475A (zh) * 2016-12-27 2017-05-31 北京市计算中心 一种基于病理组织切片图像组织区域的图像处理方法及装置
CN108550148A (zh) * 2018-04-13 2018-09-18 重庆大学 组织切片显微图像中的细胞核自动分割及分类识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8213695B2 (en) * 2007-03-07 2012-07-03 University Of Houston Device and software for screening the skin

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894490A (zh) * 2015-11-05 2016-08-24 广西师范大学 基于模糊积分多分类器融合的宫颈细胞图像识别方法及装置
CN106780475A (zh) * 2016-12-27 2017-05-31 北京市计算中心 一种基于病理组织切片图像组织区域的图像处理方法及装置
CN108550148A (zh) * 2018-04-13 2018-09-18 重庆大学 组织切片显微图像中的细胞核自动分割及分类识别方法

Also Published As

Publication number Publication date
CN109389594A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
CN109389594B (zh) 一种宫颈癌组织显微图像处理方法
Al-Hafiz et al. Red blood cell segmentation by thresholding and Canny detector
TWI307058B (en) Method for identifying objects in an image and computer readable medium
US8712142B2 (en) Method and apparatus for analysis of histopathology images and its application to cancer diagnosis and grading
Maurya et al. Road extraction using k-means clustering and morphological operations
Miao et al. Simultaneous Segmentation of Leukocyte and Erythrocyte in Microscopic Images Using a Marker‐Controlled Watershed Algorithm
CN110866430B (zh) 一种车牌识别方法及装置
JP4948647B2 (ja) 尿中粒子画像の領域分割方法及び装置
EP2733666B1 (en) Method for superpixel life cycle management
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
Tareef et al. Automated three-stage nucleus and cytoplasm segmentation of overlapping cells
CN114926441B (zh) 一种注塑件加工成型的缺陷检测方法及系统
CN107742113A (zh) 一种基于目标数量后验的sar图像集群目标检测方法
WO2013019856A1 (en) Automated malignancy detection in breast histopathological images
CN114155493A (zh) 基于视频分析技术的大坝流量预警系统及方法
CN117705815A (zh) 一种基于机器视觉的印刷缺陷检测方法
CN116258864B (zh) 一种村庄规划建设大数据管理系统
Saha et al. Segmentation of cervical nuclei using SLIC and pairwise regional contrast
Ramesh et al. Segmentation of haematopoeitic cells in bone marrow using circle detection and splitting techniques
CN113450373A (zh) 一种基于光学实况图像的运载火箭飞行过程特征事件实时判别方法
CN109784229B (zh) 一种地面建筑物数据融合的复合识别方法
Abdelsamea An enhancement neighborhood connected segmentation for 2D-Cellular Image
Sachin et al. Brain tumor detection based on bilateral symmetry information
Gim et al. A novel framework for white blood cell segmentation based on stepwise rules and morphological features
CN110210578B (zh) 基于图论的宫颈癌组织病理学显微图像聚类系统

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