CN110210308A - 生物组织图像的识别方法及装置 - Google Patents

Abstract

本发明提供一种生物组织图像的识别方法及装置，其中所述识别方法包括：对生物组织图像进行区域区分，并识别出若干个一级结构区域；基于至少一个所述一级结构区域，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域；基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，并且/或者从所述二级结构区域的外部识别出至少一个所述特征区域。本发明生物组织图像的识别方法，基于一级结构区域、二级结构区域的多级结构区域逐级划分，最终获得期望的特征区域，实现了对生物组织图像中各组织结构的准确分割，并且保证提供相对精准的识别结果。

Description

生物组织图像的识别方法及装置

技术领域

本发明主要涉及影像识别领域，特别是涉及一种针对生物组织图像的识别方法及装置。

背景技术

生物组织图像具有形态复杂、结构繁多的特点，现有的生物组织图像处理技术，仅能对图像中一些大致明显的组织结构进行区分，而对于图像中一些相互交织、交叠的细微组织结构，并不能实现精准的划分。

以肝组织学图像处理为例，在进行图像分割时，仅能将图像中大致的肝脏血管区域和纤维桥区域划分出来之后，将剩余间质纤维定义为细胞周纤维，然而，这样的图像处理技术并不能区分出与纤维桥相连的细胞周纤维，从而并不能实现对肝小叶不同区域的精准划分。

因此，有必要提供一种能够实现生物组织结构精准划分的生物组织图像的识别方法。

发明内容

为解决现有生物组织图像技术对于生物组织结构划分不够精准问题，本发明采用如下各方面的技术方案：

第一方面，本发明提供一种生物组织图像的识别方法，所述识别方法包括：

对生物组织图像进行区域区分，并识别出若干个一级结构区域；

基于至少一个所述一级结构区域，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域；

基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，并且/或者从所述二级结构区域的外部识别出至少一个所述特征区域。

优选地，所述第一筛选策略和第二筛选策略分别基于面积参数、距离参数、分布特征和边界坐标中的至少一种得到。

优选地，所述基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，包括：

对所有所述二级结构区域进行区域总面积计算，得到所述二级结构区域的总面积S；

计算所述二级结构区域中的有效面积S1，计算有效面积S1占总面积S的比例β1；

判断β1是否小于第一阈值；

若是，将部分所述二级结构区域筛选为特征区域。

优选地，所述有效面积S1为所述二级结构区域内所有像素点的面积之和。

优选地，所述基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，包括：

获取所述二级结构区域中的干扰区域，以所述干扰区域的中心为圆心，以第二阈值为半径得到干扰范围，将所述干扰范围内的所有所述二级结构区域划分为特征区域，和/或将所述干扰范围外，所有满足所述特征区域的分布特征的所述二级结构区域划分为特征区域。

优选地，所述干扰区域为在所述二级结构区域中，所述特征区域的密度超过第三阈值的特征集中区域。

优选地，所述从所述二级结构区域的外部识别出至少一个所述特征区域，包括：

将除所述二级结构区域外，满足所述特征区域的分布特征的区域划分为特征区域。

优选地，所述通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域，包括：

在剩余的所述生物组织图像中区分出备选区域；

融合至少两个相邻或交叠的所述一级结构区域，基于对融合后的每个单独的所述一级结构区域的划分，区分出若干个目标区域；

将所述目标区域内，满足所述二级结构区域的分布特征的所述备选区域划分为二级结构区域。

优选地，所述将所述目标区域内，满足所述二级结构区域的分布特征的所述备选区域划分为二级结构区域，包括：

将所述目标区域内，在预设角度方向相连通的所述备选区域划分为二级结构区域。

优选地，所述方法还包括：将所述目标区域内，满足所述特征区域的分布特征的所述备选区域划分为特征区域。

优选地，所述通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域，还包括：

基于所述一级结构区域筛选出备选区域，根据所述备选区域的像素点百分比与所述备选区域的最大像素点百分比的关系，将部分所述备选区域划分为二级结构区域。

优选地，所述根据所述备选区域的像素点百分比与所述备选区域的最大像素点百分比的关系，将部分所述备选区域划分为二级结构区域，包括：

当所述备选区域的像素点百分比等于所述备选区域的最大像素点百分比的1/2，将以所述一级结构区域的中心为圆心，以第四阈值为半径范围内的所述备选区域划分为二级结构区域。

优选地，还包括：采用色彩修正、对比度调节、比例调节、变形修复、滤波操作、图像分割算法的至少一种预处理手段对所述生物组织图像进行预处理。

第二方面，本发明提供一种生物组织图像的识别装置，所述识别装置包括：

第一识别模块，用于对生物组织图像进行区域区分，并识别出若干个一级结构区域；

第二识别模块，用于基于至少一个所述一级结构区域，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域；

第三识别模块，用于基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，并且/或者从所述二级结构区域的外部识别出至少一个所述特征区域。

第三方面，本发明提供一种计算机设备，包括存储介质和处理器，所述存储介质中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如第一方面所述生物组织图像的识别方法的步骤。

第四方面，本发明提供一种计算机可读存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如第一方面所述生物组织图像的识别方法的步骤。

相对于现有技术，本发明的技术方案至少具备如下优点：

1.本发明生物组织图像的识别方法，基于一级结构区域、二级结构区域的多级结构区域逐级划分，最终获得期望的特征区域，实现了对生物组织图像中各组织结构的准确分割，并且保证提供相对精准的识别结果。

2.本发明生物组织图像的识别方法，通过基于面积参数、距离参数、分布特征和边界坐标得到的第一筛选策略和第二筛选策略对各组织结构进行识别，能提供相对可靠、统一、标准化的识别结果，从而实现对生物组织图像的精准划分。

3.本发明生物组织图像的识别方法，针对预分割的一级结构区域、二级结构区域设定组织学相关的阈值以辅助区分，保证提供符合实际、相对合理的识别结果。

4.本发明生物组织图像的识别方法，通过色彩修正、对比度调节、比例调节、变形修复、滤波操作、图像分割算法等的预处理手段，能够进一步提升识别结果的可靠性，还可以避免无效识别，节约系统资源，提升识别效率。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明一种生物组织图像的识别方法一种实施例流程框图；

图2为本发明一种生物组织图像的识别方法识别的图像1；

图3为本发明一种生物组织图像的识别方法识别的图像2；

图4为本发明一种生物组织图像的识别方法识别的影像3；

图5为本发明一种生物组织图像的识别方法识别的图像4；

图6为本发明一种生物组织图像的识别方法识别的图像5；

图7为本发明一种生物组织图像识别装置一种实施例流程框图；

图8为本发明一个实施例中计算机设备的内部结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。为了便于展示所述一种生物组织图像的识别方法及装置的实际应用，下述实施例将引入方法具体的操作步骤，使所述生物组织图像的识别方法及装置的应用和效果展示更充分和便于理解，值得注意的是，本发明的保护范围不受所限。

请参见图1，本发明所提供的一种生物组织图像的识别方法，其中，具体的一种实施方式中，包括如下步骤：

S11、对生物组织图像进行区域区分，并识别出若干个一级结构区域；

为展示一种生物组织图像的识别方法，在本发明实施例中引入肝组织图像进行识别，具体参见图2-图6。在本发明实施例中，对肝组织图像进行图像的灰度特性处理及形态学特征识别处理，区分出三个一级结构区域，具体包括细胞结构区域、血管结构区域和纤维结构区域。具体的，参见图2，通过最大类间方差法，区分出图像中的细胞结构区域和纤维结构区域。其中，图A表示SHG增强图像，图B表示TPEF增强图像，图C表示SHG图像中间质纤维区域(白色区域)与非间质纤维区域(黑色区域)分离，图D表示TPEF增强图像中细胞区域(白色区域)与非细胞区域(黑色区域)分离。其次，通过血管的形态学特征与边界区域，区分出血管区域。所述一级结构区域的识别依据还可以是适用于黑白或彩色影像的影像波长值或波长值范围、明暗对比度等便于计算机识别的参数，或根据组织结构的分布特征。

在对生物组织图像进行区域区分之前，还可以采用色彩修正、对比度调节、比例调节、变形修复、滤波操作、图像分割算法的至少一种预处理手段对所述生物组织图像进行预处理。在本发明实施例中，对肝组织图像进行RGB通道调节及滤波操作，以使图像质量达到预期标准。进一步的，还可以采用单阈值分割算法对肝组织图像中的有效区域与背景进行准确分离。

通过色彩修正、对比度调节、比例调节、变形修复、滤波操作、图像分割算法等的预处理手段，能够进一步提升识别结果的可靠性，还可以避免无效识别，节约系统资源，提升识别效率。

S12、基于至少一个所述一级结构区域，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域；

具体地，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域，包括：

基于所述一级结构区域筛选出备选区域，根据所述备选区域的像素点百分比与所述备选区域的最大像素点百分比的关系，将部分所述备选区域划分为二级结构区域。

具体地，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域，还包括：

在剩余的所述生物组织图像中区分出备选区域；

融合至少两个相邻或交叠的所述一级结构区域，基于对融合后的每个单独的所述一级结构区域的划分，区分出若干个目标区域；

将所述目标区域内，满足所述二级结构区域的分布特征的所述备选区域划分为二级结构区域。

其中，所述将所述目标区域内，满足所述二级结构区域的分布特征的所述备选区域划分为二级结构区域，包括：将所述目标区域内，在预设角度方向相连通的所述备选区域划分为二级结构区域。

在本发明实施例中，基于一级结构区域中的血管区域进行二级结构区域的识别，具体地，第一筛选策略二级结构区域包括血管区纤维和纤维桥，所述血管区纤维和纤维桥均依附于所述血管区域识别得到。所述备选区域指间质纤维。

所述第一筛选策略基于面积参数、距离参数、分布特征和边界坐标中的至少一种得到。在本发明实施例中，第一筛选策略基于血管区纤维与血管区域的分布特征和距离参数得到，还基于血管区域与纤维桥的分布特征得到。

具体地，参见图3，采用SHG/TPEF法对肝组织图像的进行分割，图A显示了伪彩色处理后的SHG/TPEF图像预分割结果，图B显示分割后得到的血管区间质纤维；图C显示分割后得到的纤维桥，图D显示分割后的细胞周纤维。

进一步地，在本发明实施例中，基于所述血管区域，通过第一筛选策略，识别出血管区纤维所述，包括：

在每个血管区域边缘向外搜索间质纤维，根据所述备选区域间质纤维的像素点百分比与所述备选区域间质纤维的最大像素点百分比的关系，将部分所述备选区域间质纤维划分为血管区纤维二级结构区域。

备选区域当所述备选区域间质纤维的像素点百分比等于所述备选区域间质纤维的最大像素点百分比的1/2，将以所述血管区域的中心为圆心，以第四阈值D2为半径范围内的所述备选区域间质纤维划分为二级结构区域血管区纤维。其中，所述第四阈值D2根据二级结构区域与一级结构区域之间的分布关系、距离关系等确定。

进一步地，在本发明实施例中，基于纤维结构区域，通过第一筛选策略识别出从属于纤维结构区域中的纤维桥，包括：

在剩余的所述生物组织图像中区分出备选区域间质纤维；

融合至少两个相邻或交叠的所述血管区域，基于对融合后的每个单独的所述血管区域的划分，区分出若干个目标区域；

将所述目标区域内，满足所述纤维桥的分布特征的所述备选区域间质纤维划分为二级结构区域纤维桥。

其中，所述将所述目标区域内，满足所述二级结构区域纤维桥的分布特征的所述备选区域间质纤维划分为二级结构区域纤维桥，包括：将所述目标区域内，在预设角度方向相连通的所述备选区域间质纤维划分为二级结构区域纤维桥。

具体地，参见图4，图4显示了非细胞区域基于Delaunay三角剖分理论的融合，其中图A1、图B1显示了预分割的非细胞区域，图A2、图B2显示了基于Delaunay三角剖分理论将相邻或交叠的血管区域融合之后的血管区域，图A3、图B3显示了区分出的目标区域。在本发明实施例中，备选区域通过融合相邻或交叠的血管区域，并基于融合后的血管区域，进一步将参照血管区域识别出的，并满足纤维桥分布特征的间质纤维区域划分为纤维桥。具体地，基于Delaunay三角剖分理论将相邻或交叠的血管区域进行融合，并在融合后的血管区域上建立Voronoi图，得到以每个血管为中心的数个目标区域，也即感兴趣区Ii；测量每个目标区域内剩余间质纤维的方向分布，寻找间质纤维分布相对密集的区域并在此区域设置预设角度α，并可将各相邻血管连线方向预设角度α内所有连通的间质纤维初步划分为纤维桥。其中，感兴趣区域(ROI,region of interest)是指，机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。预设角度α根据间质纤维分布的疏密程度确定。通过纤维桥的分布特征，将间质纤维分布密集区域内所有将血管连接起来的“连通间质纤维”划分为纤维桥，能够精准地将纤维桥从肝组织图像中识别出来。

进一步地，在通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域之后，还包括：将除所述二级结构区域外的区域中，所有满足特征区域的分布特征的区域划分为特征区域。

在本发明实施例中，在初步划分出纤维桥之后，还可以将除所述纤维桥外所有剩余的满足细胞周纤维的分布特征的间质纤维初步划分为细胞周纤维。

S13、基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，并且/或者从所述二级结构区域的外部识别出至少一个所述特征区域。

在本发明实施例中，基于二级结构区域中的纤维桥和血管区纤维，进行细胞周纤维的识别。

所述第二筛选策略基于面积参数、距离参数、分布特征和边界坐标中的至少一种得到。在本发明实施例中，所述第二筛选策略基于血管区纤维和纤维桥的有效像素点的面积参数，以及细胞周纤维的分布特征得到。

参见图5，图A1、图B1显示了伪彩色处理后的SHG/TPEF图像预分割结果，图A2、图B2的白色区域即为血管区纤维和纤维桥组成的整体区域，图A3、图B3显示了血管区纤维和纤维桥所有像素点在血管区纤维和纤维桥组成的整体区域中的分布情况。

所述基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，包括：

对所有所述二级结构区域进行区域总面积计算，得到所述二级结构区域的总面积S；

计算所述二级结构区域中的有效面积S1，计算有效面积S1占总面积S的比例β1；

判断β1是否小于第一阈值β；

若是，将部分所述二级结构区域筛选为特征区域。

其中，所述有效面积S1为所述二级结构区域内所有像素点的面积之和。

在本发明实施例中，基于二级结构区域中的纤维桥和细胞区纤维进行细胞周纤维的识别所述基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，具体包括：

将血管区纤维和纤维桥作为一个整体区域，计算血管区纤维和纤维桥所覆盖区域的总面积S；

计算血管区纤维和纤维桥所有像素点S1在S中所占百分比β1，也即血管区纤维和纤维桥在S中的密度；

如果β1＜β，则说明需进行进一步对纤维桥进行细化分割：

若β1≥β，即认为纤维桥的预分割是准确的，可直接进行后续步骤。

其中，β是与目标组织结构特征相符的阈值，以肝组织图像为例，β是基于一般的肝组织结构中，血管区纤维和纤维桥的所有有效结构占血管区纤维和纤维桥所组成的整体区域的比例得到。

进一步地，所述基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，包括：

获取所述二级结构区域中的干扰区域，以所述干扰区域的中心为圆心，以第二阈值D1为半径得到干扰范围，将所述干扰范围内的所有所述二级结构区域划分为特征区域，和/或将所述干扰范围外，所有满足所述特征区域的分布特征的所述二级结构区域划分为特征区域。

具体地，获取血管区纤维和纤维桥构成的整体区域中的干扰区域，以所述干扰区域的中心为圆心，以第二阈值D1为半径得到干扰范围，将血管区纤维和纤维桥构成的整体区域中，所述干扰范围内的区域划分为特征区域细胞周纤维，和/或将所述干扰范围外，所有满足所述细胞周纤维的分布特征的所述纤维桥划分为特征区域细胞周纤维。

所述干扰区域为在所述二级结构区域中，所述特征区域的密度ρ1超过第三阈值ρ第三阈值的特征集中区域，所述密度定义为分布密度，即单位体积内所述特征区域分布的疏密程度，在本发明实施例中所述特征区域表现为相对稀疏的区域。所述特征集中区域可能为大面积的孔洞区域，也可能是其他规则或不规则形状的区域。

参见图6，图A1、B1显示伪彩色处理后的SHG/TPEF图像预分割结果，图A2、图B2中白色区域为血管区间质纤维和纤维桥组成的整体区域中各纤维桥内部所有的大面积孔洞区域，图A3、图B3显示了伪彩色处理后的SHG/TPEF图像纤维桥和细胞周纤维再分割结果。

在本发明实施例中，寻找S中各纤维桥内部所有纤维桥内部的特征集中区域，特征集中区域表现为面积超过一定阈值的孔洞，将以各孔洞为中心，D1为半径的范围内所有预分割的纤维桥划分为细胞周纤维。

进一步地，在本发明实施例中，将所述干扰范围外，所有满足细胞周纤维的分布特征的所述纤维桥划分为细胞周纤维。

所述特征区域的分布特征是指，与特征区域的组织形态相对应的特征，在本发明实施例中，细胞周纤维的分布特征为离散分布。在本发明的其他实施例中，所述分布特征还包括细胞形态学等的特征，如细胞大小、细胞排布、细胞边界形态等。

进一步地，所述从所述二级结构区域的外部识别出至少一个所述特征区域，包括：将除所述二级结构区域外，满足所述特征区域的分布特征的区域划分为特征区域。

在本发明实施例中，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域之后，将所有剩余的呈离散分布的间质纤维初步划分为细胞周纤维。

进一步地，经过上述识别方法后，重新测定以血管区纤维和纤维桥作为整体区域的总区域面积S’,并计算血管区纤维和纤维桥所有像素点S2在总区域面积S’中所占百分比β2；

若β2≥β，则完成生物组织图像识别；

否则，重复上述生物组织图像识别方法的步骤。

本发明通过对β2的统计分析可知，经纤维桥和细胞周纤维的再分割后，β2已基本处于第一阈值β以上，符合组织学认知，说明通过本发明生物组织图像的识别方法，能够实现对肝细胞组织图像中各组织结构的准确分割，特别是实现了对符合肝组织学定义的细胞周纤维的精准分割。

本发明实施例基于一级结构区域、二级结构区域的多级结构区域逐级划分，最终获得期望的特征区域，实现了对生物组织图像中各组织结构的准确分割，并且保证提供相对精准的识别结果。同时，通过基于面积参数、距离参数、分布特征和边界坐标得到的第一筛选策略和第二筛选策略对各组织结构进行识别，能提供相对可靠、统一、标准化的识别结果，从而实现对生物组织图像的精准划分。此外，针对预分割的一级结构区域、二级结构区域设定组织学相关的阈值以辅助区分，也保证能够提供符合实际、相对合理的识别结果。除了应用在实施例中涉及肝组织之外，还可应用在胃、皮肤、肌肉等组织的图像识别中，具有广泛的应用场景。

请参考图7，本发明的实施例还提供一种生物组织图像的识别装置，包括第一识别模块11、第二识别模块12和第三识别模块13，其中：

第一识别模块11用于对生物组织图像进行区域区分，并识别出若干个一级结构区域；

为展示一种生物组织图像的识别方法，在本发明实施例中引入肝组织图像进行识别，具体参见图2-图6。在本发明实施例中，对肝组织图像进行图像的灰度特性处理及形态学特征识别处理，区分出三个一级结构区域，具体包括细胞结构区域、血管结构区域和纤维结构区域。具体的，参见图2，通过最大类间方差法，区分出图像中的细胞结构区域和纤维结构区域。其中，图A表示SHG增强图像，图B表示TPEF增强图像，图C表示SHG图像中间质纤维区域(白色区域)与非间质纤维区域(黑色区域)分离，图D表示TPEF增强图像中细胞区域(白色区域)与非细胞区域(黑色区域)分离。其次，通过血管的形态学特征与边界区域，区分出血管区域。所述一级结构区域的识别依据还可以是适用于黑白或彩色影像的影像波长值或波长值范围、明暗对比度等便于计算机识别的参数，或根据组织结构的分布特征。

在对生物组织图像进行区域区分之前，还可以采用色彩修正、对比度调节、比例调节、变形修复、滤波操作、图像分割算法的至少一种预处理手段对所述生物组织图像进行预处理。在本发明实施例中，对肝组织图像进行RGB通道调节及滤波操作，以使图像质量达到预期标准。进一步的，还可以采用单阈值分割算法对肝组织图像中的有效区域与背景进行准确分离。

通过色彩修正、对比度调节、比例调节、变形修复、滤波操作、图像分割算法等的预处理手段，能够进一步提升识别结果的可靠性，还可以避免无效识别，节约系统资源，提升识别效率。

第二识别模块12用于基于至少一个所述一级结构区域，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域；

具体地，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域，包括：

基于所述一级结构区域筛选出备选区域，根据所述备选区域的像素点百分比与所述备选区域的最大像素点百分比的关系，将部分所述备选区域划分为二级结构区域。

具体地，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域，还包括：

在剩余的所述生物组织图像中区分出备选区域；

融合至少两个相邻或交叠的所述一级结构区域，基于对融合后的每个单独的所述一级结构区域的划分，区分出若干个目标区域；

将所述目标区域内，满足所述二级结构区域的分布特征的所述备选区域划分为二级结构区域。

其中，所述将所述目标区域内，满足所述二级结构区域的分布特征的所述备选区域划分为二级结构区域，包括：将所述目标区域内，在预设角度方向相连通的所述备选区域划分为二级结构区域。

在本发明实施例中，基于一级结构区域中的血管区域进行二级结构区域的识别，具体地，二级结构区域包括血管区纤维和纤维桥，所述血管区纤维和纤维桥均依附于所述血管区域识别得到。所述备选区域指间质纤维。

所述第一筛选策略基于面积参数、距离参数、分布特征和边界坐标中的至少一种得到。在本发明实施例中，第一筛选策略基于血管区纤维与血管区域的分布特征和距离参数得到，还基于血管区域与纤维桥的分布特征得到。

具体地，参见图3，采用SHG/TPEF法对肝组织图像的进行分割，图A显示了伪彩色处理后的SHG/TPEF图像预分割结果，图B显示分割后得到的血管区间质纤维；图C显示分割后得到的纤维桥，图D显示分割后的细胞周纤维。

进一步地，在本发明实施例中，基于所述血管区域，通过第一筛选策略，识别出血管区纤维，包括：

在每个血管区域边缘向外搜索间质纤维，根据所述间质纤维的像素点百分比与所述间质纤维的最大像素点百分比的关系，将部分所述间质纤维划分为血管区纤维。

当所述间质纤维的像素点百分比等于所述间质纤维的最大像素点百分比的1/2，将以所述血管区域的中心为圆心，以第四阈值D2为半径范围内的所述间质纤维划分为血管区纤维。其中，所述D2根据二级结构区域与一级结构区域之间的分布关系、距离关系等确定。

进一步地，在本发明实施例中，基于纤维结构区域，通过第一筛选策略识别出从属于纤维结构区域中的纤维桥，包括：

在剩余的所述生物组织图像中区分出间质纤维；

融合至少两个相邻或交叠的所述血管区域，基于对融合后的每个单独的所述血管区域的划分，区分出若干个目标区域；

将所述目标区域内，满足所述纤维桥的分布特征的所述间质纤维划分为纤维桥。

其中，所述将所述目标区域内，满足所述纤维桥的分布特征的所述间质纤维划分为纤维桥，包括：将所述目标区域内，在预设角度方向相连通的所述间质纤维划分为纤维桥。

具体地，参见图4，图4显示了非细胞区域基于Delaunay三角剖分理论的融合，其中图A1、图B1显示了预分割的非细胞区域，图A2、图B2显示了基于Delaunay三角剖分理论将相邻或交叠的血管区域融合之后的血管区域，图A3、图B3显示了区分出的目标区域。在本发明实施例中，通过融合相邻或交叠的血管区域，并基于融合后的血管区域，进一步将参照血管区域识别出的，并满足纤维桥分布特征的间质纤维区域划分为纤维桥。具体地，基于Delaunay三角剖分理论将相邻或交叠的血管区域进行融合，并在融合后的血管区域上建立Voronoi图，得到以每个血管为中心的数个目标区域，也即感兴趣区Ii；测量每个目标区域内剩余间质纤维的方向分布，寻找间质纤维分布相对密集的区域并在此区域设置预设角度α，并可将各相邻血管连线方向预设角度α内所有连通的间质纤维初步划分为纤维桥。其中，感兴趣区域(ROI,region of interest)是指，机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。预设角度α根据间质纤维分布的疏密程度确定。通过纤维桥的分布特征，将间质纤维分布密集区域内所有将血管连接起来的“连通间质纤维”划分为纤维桥，能够精准地将纤维桥从肝组织图像中识别出来。

进一步地，在通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域之后，还包括：将除所述二级结构区域外的区域中，所有满足特征区域的分布特征的区域划分为特征区域。

在本发明实施例中，在初步划分出纤维桥之后，还可以将除所述纤维桥外所有剩余的满足细胞周纤维的分布特征的间质纤维初步划分为细胞周纤维。

第三识别模块13用于基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，并且/或者从所述二级结构区域的外部识别出至少一个所述特征区域。

在本发明实施例中，基于二级结构区域中的纤维桥和血管区纤维，进行细胞周纤维的识别。

所述第二筛选策略基于面积参数、距离参数、分布特征和边界坐标中的至少一种得到。在本发明实施例中，所述第二筛选策略基于血管区纤维和纤维桥的有效像素点的面积参数，以及细胞周纤维的分布特征得到。

参见图5，图A1、图B1显示了伪彩色处理后的SHG/TPEF图像预分割结果，图A2、图B2的白色区域即为血管区纤维和纤维桥组成的整体区域，图A3、图B3显示了血管区纤维和纤维桥所有像素点在血管区纤维和纤维桥组成的整体区域中的分布情况。

所述基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，包括：

对所有所述二级结构区域进行区域总面积计算，得到所述二级结构区域的总面积S；

计算所述二级结构区域中的有效面积S1，计算有效面积S1占总面积S的比例β1；

判断β1是否小于第一阈值β；

若是，将部分所述二级结构区域筛选为特征区域。

其中，所述有效面积S1为所述二级结构区域内所有像素点的面积之和。

在本发明实施例中，基于二级结构区域中的纤维桥和细胞区纤维进行细胞周纤维的识别，具体包括：

将血管区纤维和纤维桥作为一个整体区域，计算血管区纤维和纤维桥所覆盖区域的总面积S；

计算血管区纤维和纤维桥所有像素点S1在S中所占百分比β1，也即血管区纤维和纤维桥在S中的密度；

如果β1＜β，则说明需进行进一步对纤维桥进行细化分割：

若β1≥β，即认为纤维桥的预分割是准确的，可直接进行后续步骤。

其中，β是与目标组织结构特征相符的阈值，以肝组织图像为例，β是基于一般的肝组织结构中，血管区纤维和纤维桥的所有有效结构占血管区纤维和纤维桥所组成的整体区域的比例得到。

进一步地，所述基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，包括：

获取所述二级结构区域中的干扰区域，以所述干扰区域的中心为圆心，以第二阈值D1为半径得到干扰范围，将所述干扰范围内的所有所述二级结构区域划分为特征区域，和/或将所述干扰范围外，所有满足所述特征区域的分布特征的所述二级结构区域划分为特征区域。

具体地，获取血管区纤维和纤维桥构成的整体区域中的干扰区域，以所述干扰区域的中心为圆心，以D1为半径得到干扰范围，将血管区纤维和纤维桥构成的整体区域中，所述干扰范围内的区域划分为细胞周纤维，和/或将所述干扰范围外，所有满足所述细胞周纤维的分布特征的所述纤维桥划分为细胞周纤维。

所述干扰区域为在所述二级结构区域中，所述特征区域的密度ρ1超过第三阈值ρ的特征集中区域，所述密度定义为分布密度，即单位体积内所述特征区域分布的疏密程度，在本发明实施例中所述特征区域表现为相对稀疏的区域。所述特征集中区域可能为大面积的孔洞区域，也可能是其他规则或不规则形状的区域。

参见图6，图A1、B1显示伪彩色处理后的SHG/TPEF图像预分割结果，图A2、图B2中白色区域为血管区间质纤维和纤维桥组成的整体区域中各纤维桥内部所有的大面积孔洞区域，图A3、图B3显示了伪彩色处理后的SHG/TPEF图像纤维桥和细胞周纤维再分割结果。

在本发明实施例中，寻找S中各纤维桥内部所有纤维桥内部的特征集中区域，特征集中区域表现为面积超过一定阈值的孔洞，将以各孔洞为中心，D1为半径的范围内所有预分割的纤维桥划分为细胞周纤维。

进一步地，在本发明实施例中，将所述干扰范围外，所有满足细胞周纤维的分布特征的所述纤维桥划分为细胞周纤维。

所述特征区域的分布特征是指，与特征区域的组织形态相对应的特征，在本发明实施例中，细胞周纤维的分布特征为离散分布。在本发明的其他实施例中，所述分布特征还包括细胞形态学等的特征，如细胞大小、细胞排布、细胞边界形态等。

进一步地，所述从所述二级结构区域的外部识别出至少一个所述特征区域，包括：将除所述二级结构区域外，满足所述特征区域的分布特征的区域划分为特征区域。

在本发明实施例中，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域之后，将所有剩余的呈离散分布的间质纤维初步划分为细胞周纤维。

进一步地，经过上述识别方法后，重新测定以血管区纤维和纤维桥作为整体区域的总区域面积S’,并计算血管区纤维和纤维桥所有像素点S2在总区域面积S’中所占百分比β2；

若β2≥β，则完成生物组织图像识别；

否则，重复上述生物组织图像识别方法的步骤。

本发明通过对β2的统计分析可知，经纤维桥和细胞周纤维的再分割后，β2已基本处于第一阈值β以上，符合组织学认知，说明通过本发明生物组织图像的识别方法，能够实现对肝细胞组织图像中各组织结构的准确分割，特别是实现了对符合肝组织学定义的细胞周纤维的精准分割。

本发明实施例基于一级结构区域、二级结构区域的多级结构区域逐级划分，最终获得期望的特征区域，实现了对生物组织图像中各组织结构的准确分割，并且保证提供相对精准的识别结果。同时，通过基于面积参数、距离参数、分布特征和边界坐标得到的第一筛选策略和第二筛选策略对各组织结构进行识别，能提供相对可靠、统一、标准化的识别结果，从而实现对生物组织图像的精准划分。此外，针对预分割的一级结构区域、二级结构区域设定组织学相关的阈值以辅助区分，也保证能够提供符合实际、相对合理的识别结果。除了应用在实施例中涉及肝组织之外，还可应用在胃、皮肤、肌肉等组织的图像识别中，具有广泛的应用场景。

在一个实施例中，本发明还提出了一种计算机设备，所述计算机设备包括存储介质、处理器及存储在所述存储介质上并可在所述处理介质上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：对生物组织图像进行区域区分，并识别出若干个一级结构区域；基于至少一个所述一级结构区域，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域；基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，并且/或者从所述二级结构区域的外部识别出至少一个所述特征区域。

请参考图8，图8为一个实施例中计算机设备的内部结构示意图。如图8所示，该计算机设备包括通过系统总线连接的处理器1、存储介质2、存储器3和网络接口4。其中，该计算机设备的存储介质2存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器1执行时，可使得处理器1实现一种生物组织图像的识别方法，处理器1能实现图2所示实施例中的一种生物组织图像的识别装置中的第一识别模块11、第二识别模块12和第三识别模块13的功能。该计算机设备的处理器1用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器3中可存储有计算机可读指令，该计算机可读指令被处理器1执行时，可使得处理器1执行一种生物组织图像的识别方法。该计算机设备的网络接口4用于与终端连接通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

此外，本发明还提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：对生物组织图像进行区域区分，并识别出若干个一级结构区域；基于至少一个所述一级结构区域，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域；基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，并且/或者从所述二级结构区域的外部识别出至少一个所述特征区域。一个或多个处理器能实现图2所示实施例中的在生物组织图像的识别装置中的第一识别模块11、第二识别模块12和第三识别模块13的功能。

综合上述实施例可知，本发明最大的有益效果在于：

基于一级结构区域、二级结构区域的多级结构区域逐级划分，最终获得期望的特征区域，实现了对生物组织图像中各组织结构的准确分割，并且保证提供相对精准的识别结果。同时，通过基于面积参数、距离参数、分布特征和边界坐标得到的第一筛选策略和第二筛选策略对各组织结构进行识别，能提供相对可靠、统一、标准化的识别结果，从而实现对生物组织图像的精准划分。此外，针对预分割的一级结构区域、二级结构区域设定组织学相关的阈值以辅助区分，也保证能够提供符合实际、相对合理的识别结果。除了应用在实施例中涉及肝组织之外，还可应用在胃、皮肤、肌肉等组织的图像识别中，具有广泛的应用场景。

以上所述仅是本发明的部分实施方式，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 (16)

1.一种生物组织图像的识别方法，其特征在于，所述识别方法包括：

对生物组织图像进行区域区分，并识别出若干个一级结构区域；

基于至少一个所述一级结构区域，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域；

基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，并且/或者从所述二级结构区域的外部识别出至少一个所述特征区域。

2.根据权利要求1所述的生物组织图像的识别方法，其特征在于，所述第一筛选策略和第二筛选策略分别基于面积参数、距离参数、分布特征和边界坐标中的至少一种得到。

3.根据权利要求1所述的生物组织图像的识别方法，其特征在于，所述基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，包括：

对所有所述二级结构区域进行区域总面积计算，得到所述二级结构区域的总面积S；

计算所述二级结构区域中的有效面积S1，计算有效面积S1占总面积S的比例β1；

判断β1是否小于第一阈值；

若是，将部分所述二级结构区域筛选为特征区域。

4.根据权利要求3所述的生物组织图像的识别方法，其特征在于，所述有效面积S1为所述二级结构区域内所有像素点的面积之和。

5.根据权利要求1或3所述的生物组织图像的识别方法，其特征在于，所述基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，包括：

获取所述二级结构区域中的干扰区域，以所述干扰区域的中心为圆心，以第二阈值为半径得到干扰范围，将所述干扰范围内的所有所述二级结构区域划分为特征区域，

和/或将所述干扰范围外，所有满足所述特征区域的分布特征的所述二级结构区域划分为特征区域。

6.根据权利要求5所述的生物组织图像的识别方法，其特征在于，所述干扰区域为在所述二级结构区域中，所述特征区域的密度超过第三阈值的特征集中区域。

7.根据权利要求1所述的生物组织图像的识别方法，其特征在于，所述从所述二级结构区域的外部识别出至少一个所述特征区域，包括：

将除所述二级结构区域外，满足所述特征区域的分布特征的区域划分为特征区域。

8.根据权利要求1所述的生物组织图像的识别方法，其特征在于，所述通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域，包括：

在剩余的所述生物组织图像中区分出备选区域；

融合至少两个相邻或交叠的所述一级结构区域，基于对融合后的每个单独的所述一级结构区域的划分，区分出若干个目标区域；

将所述目标区域内，满足所述二级结构区域的分布特征的所述备选区域划分为二级结构区域。

9.根据权利要求8所述的生物组织图像的识别方法，其特征在于，所述将所述目标区域内，满足所述二级结构区域的分布特征的所述备选区域划分为二级结构区域，包括：

将所述目标区域内，在预设角度方向相连通的所述备选区域划分为二级结构区域。

10.根据权利要求8所述的生物组织图像的识别方法，其特征在于，所述方法还包括：将所述目标区域内，满足所述特征区域的分布特征的所述备选区域划分为特征区域。

11.根据权利要求8所述的生物组织图像的识别方法，其特征在于，所述通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域，还包括：

基于所述一级结构区域筛选出备选区域，根据所述备选区域的像素点百分比与所述备选区域的最大像素点百分比的关系，将部分所述备选区域划分为二级结构区域。

12.根据权利要求11所述的生物组织图像的识别方法，其特征在于，所述根据所述备选区域的像素点百分比与所述备选区域的最大像素点百分比的关系，将部分所述备选区域划分为二级结构区域，包括：

当所述备选区域的像素点百分比等于所述备选区域的最大像素点百分比的1/2，将以所述一级结构区域的中心为圆心，以第四阈值为半径范围内的所述备选区域划分为二级结构区域。

13.根据权利要求1所述的生物组织图像的识别方法，其特征在于，还包括：采用色彩修正、对比度调节、比例调节、变形修复、滤波操作、图像分割算法的至少一种预处理手段对所述生物组织图像进行预处理。

14.一种生物组织图像的识别装置，其特征在于，所述识别装置包括：

第一识别模块，用于对生物组织图像进行区域区分，并识别出若干个一级结构区域；

第二识别模块，用于基于至少一个所述一级结构区域，通过第一筛选策略识别出至少一个从属于任一所述一级结构区域的二级结构区域；

第三识别模块，用于基于至少一个所述二级结构区域，通过第二筛选策略从所述二级结构区域的内部识别出至少一个特征区域，并且/或者从所述二级结构区域的外部识别出至少一个所述特征区域。

15.一种计算机设备，其特征在于，包括存储介质和处理器，所述存储介质中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至13中任一项所述生物组织图像的识别方法的步骤。

16.一种计算机可读存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至13中任一项所述生物组织图像的识别方法的步骤。