CN113436206A - 一种基于聚类分割的病理组织切片扫描区域定位方法 - Google Patents
一种基于聚类分割的病理组织切片扫描区域定位方法 Download PDFInfo
- Publication number
- CN113436206A CN113436206A CN202110673550.XA CN202110673550A CN113436206A CN 113436206 A CN113436206 A CN 113436206A CN 202110673550 A CN202110673550 A CN 202110673550A CN 113436206 A CN113436206 A CN 113436206A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- region
- pathological tissue
- cluster
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000001575 pathological effect Effects 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000005520 cutting process Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 6
- 230000008520 organization Effects 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 239000003086 colorant Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于聚类分割的病理组织切片扫描区域定位方法,包括如下步骤:对玻片图像进行图像预切割;采用高斯滤波对图像进行图像降噪处理;采用灰度世界算法对图像进行色彩校正处理;将图像所处于的RGB空间转换为Lab空间以分离红色和蓝色;采用聚类算法对图像的背景和组织区域的像素点进行分类以实现对图像的聚类分割;对图像进行形态学处理以去除噪声区域;去除图像的高光区域,并使用矩形框对得到的组织区域分割结果进行最小外接矩形包围。本发明对采集到的玻片图像进行病理组织区域定位无需任何人工对玻片图像的标注,同时能够在光照变化的条件下给出准确结果,具有较好的鲁棒性,实现快速高效的确定扫描区域的位置。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于聚类分割的病理组织切片扫描区域定位方法。
背景技术
目前,对于病理组织切片的图像处理主要采用的是基于机器学习的方法,而基于机器学习的方法主要有以下两种:
第一种,利用Lab颜色空间对于红色和蓝色的显著性以及Frangi滤波器对玻片预览图进行增强以突出组织区域,并采用基于阈值的方法对组织区域进行初步分割;由于玻片预览图像中存在的噪声、气泡等干扰,造成阈值分割后有很多错分的区域,然后分别采集区域特征,再人工标注不同区域是否属于组织并训练SVM模型,最后使用训练好的模型对初步分割结果中的区域进行校正;这种方法需要人工标注大量的数据来训练模型,费时费力;
第二种,基于自动求取最优分割阈值的OSTU算法对预览图像进行分割,然后采用形态学处理的方法作为后出来去除分割结果中的噪声区域;这种方法设计简单,执行效率高,但对玻片拍摄时的光照以及玻片制作的要求较高,不具有很好的鲁棒性。
而病理切片组织扫描的基本步骤是:将玻片放置在扫描系统的运动平台,扫描系统拍摄玻片的预览图并基于此对扫描区域定位,扫描系统控制运动平台进行扫描。一般情况下,扫描时的放大倍数较大,扫描完成后的图像数量较多,进而导致扫描时间延长。如图1(a)所示,可以看出玻片预览图中玻片的可扫描区域远大于实际组织区域,即图1(b)中的红色框区域,因此,为了减少扫描时间及无效的扫描次数,如何快速高效地确定扫描区域的位置至关重要,成为一个亟需解决的问题。
因此,现有技术存在缺陷,需要改进。
发明内容
本发明的目的是克服现有技术的不足,提供一种基于聚类分割的病理组织切片扫描区域定位方法。
本发明的技术方案如下:
一种基于聚类分割的病理组织切片扫描区域定位方法,包括如下步骤:
S1,对获取到的玻片图像进行图像预切割处理;
S2,对步骤S1切割产生的新图像进行图像降噪处理;
S3,对步骤S2处理后的图像进行色彩校正处理;
S4,将步骤S3处理后的图像所处于的RGB空间转换为Lab空间以将红色和蓝色进行分离;
S5,采用聚类算法对步骤S4处理后的图像的背景和组织区域的像素点进行分类以实现对图像的聚类分割;
S6,对步骤S5处理后的图像进行形态学处理;
S7,采用聚类算法对步骤S4处理后的图像进行聚类分割以获得图像的高光区域,并根据获得的图像的高光区域信息将步骤S6处理后的图像中的对应位置设置为背景以纠正高光区域引起的步骤S5分割错误。
进一步地,步骤S1对获取到的玻片图像后进行图像预切割处理是裁去图像中固定像素长度的区域,从而得到去掉固定像素长度的新图像。
进一步地,步骤S2采用高斯滤波的方式对步骤S1切割产生的新图像进行图像降噪处理,其包括如下步骤:
S201,构造高斯核;
S202,将步骤S201构造的高斯核与待处理的图像进行卷积运算以实现高斯滤波。
进一步地,步骤S3采用灰度世界算法对步骤S2处理后的图像进行色彩校正处理。
进一步地,步骤S4通过Lab空间将亮度与色彩进行分离,且在Lab空间中,L代表亮度,a的正数代表红色,a的负端代表绿色,b的正数代表黄色,b的负端代表蓝色,其包括如下步骤:
S401,对步骤S3处理后的图像原有的三个通道进行gamma校正;
S402,将图像所处于的RGB空间转换为XYZ空间;
S403,将图像所处于的XYZ空间转换为Lab空间。
进一步地,步骤S5采用的聚类算法为Kmeans算法;步骤S5包括如下步骤:
S501,随机选择聚类中心μk的初始值;
S502,计算每个像素点到各聚类中心的距离,使得每个样本归属到距离其最近的聚类中心;
S503,对属于聚类中心μk的所有像素点计算坐标均值并作为新的μk;
S504,重复步骤S502~步骤S503,直到所有的聚类中心μk不再变化或者达到设定的迭代次数。
进一步地,步骤S6使用开处理对步骤S5处理后的图像进行处理,包括如下步骤:
令需要处理的图像为x,结构元素为B;
S601,使用结构元素B对图像x进行腐蚀操作;
S602,使用结构元素B对图像x进行膨胀操作。
进一步地,步骤S7采用聚类算法对步骤S4处理后的图像Lab空间中的L-光照通道进行聚类分割以得到高光区域,然后根据获得的图像的高光区域信息将步骤S6产生的结果中的对应高光区域的位置设置为背景以纠正高光区域引起的步骤S5分割错误,并使用矩形框对得到的组织区域分割结果进行最小外接矩形包围,从而实现对病理组织区域的扫描区域定位。
采用上述方案,本发明具有以下有益效果:
本发明对采集到的玻片图像进行病理组织区域定位无需任何人工对玻片图像的标注,同时能够在光照变化的条件下给出准确结果,具有较好的鲁棒性,且执行效率高,有效减少扫描时间及无效的扫描次数,进一步提升了病理组织切片的扫描效率,实现快速高效的确定扫描区域的位置。
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示出的结构获得其他的附图。
图1为现有技术中扫描系统拍摄的玻片预览图;
图2为本发明基于聚类分割的病理组织切片扫描区域定位方法的流程图;
图3为本发明基于聚类分割的病理组织切片扫描区域定位方法的玻片预切割示意图;
图4为本发明基于聚类分割的病理组织切片扫描区域定位方法的结果示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明。
参照图2至图4所示,本发明提供一种基于聚类分割的病理组织切片扫描区域定位方法,包括如下步骤:
S1,图像预切割;获取自动扫描系统拍摄的玻片图像并预览,并对玻片图像中左侧固定像素长度的区域进行裁剪,只保留右侧有可能存在组织区域的部分,即对获取到的玻片图像后进行图像预切割处理裁去图像中固定像素长度的区域,以得到一个去掉固定像素长度的新图像,也就是说通过将与本任务无关的区域切除,从而节省后续的处理时间以及提高效率;具体的,如图3所示,假设玻片的宽为W且高为H,由于制片时涂抹组织的区域大致位于图3(a)的右侧区域,实际中具体位置是变动的,假设图 3(a)中的标签区域(即固定像素长度的区域)和组织区域进行分离的虚线的位置为W*,再假设有N张玻片图像,那么每张玻片图像中的虚线位置为i=1,2...,N,N张玻片的平均虚线位置为在实际实施时,计算得到玻片图像中标签区域和组织区域进行分离的虚线的位置而预切割后的图像高度与切割前保持一致,从而切割得到一个宽为且高为H的新图像(其中,W和H分别为切割之前原始图像的宽和高);
S2,图像降噪;采用高斯滤波的方式对步骤S1切割产生的新图像进行图像降噪处理,具体的,图像降噪处理的步骤如下:
S201,构造高斯核;由于高斯滤波采用是的根据高斯函数来选择权值的线性平滑滤波器,其滤波器核(即高斯核)来源于高斯分布函数,二维高斯分布函数定义为:根据定义可知,靠近原点的位置值较大,距离原点越远则值越低,将其进行离散化得到大小为5*5的卷积核,该卷积核如下所示:
相应地,卷积核也是中心数值最大,并向四周减小,减小的幅度并不是随意的,而是要求整个卷积核近似高斯函数的图像;由于高斯滤波实质为一种加权平均滤波,为了实现平均,其高斯核还带有一个系数,系数可以为八十四分之一,即高斯核的系数等于矩阵中所有数值之和的倒数;
S202,进行卷积运算;将步骤S201构造的高斯核与待处理的图像进行卷积运算以实现高斯滤波,从而完成对步骤S1切割产生的新图像(即待处理的图像)的图像降噪处理;通过高斯滤波给予图像当前像素邻近的像素灰度值更高的权重,使得图像更将符合像素点越近越相似的特点;
S3,色彩校正;采用灰度世界算法对步骤S2处理后的图像进行色彩校正处理,从而将图像中的色彩还原为更接近真实的色彩,进而消除环境光的影响以尽可能的获得原始场景图像,为后续的图像处理减少可能的影响;
S4,色彩空间转换;将步骤S3处理后的图像所处于的RGB空间转换为Lab空间以将红色和蓝色进行分离,通过Lab空间将亮度与色彩进行分离,使得含有病理组织的区域能够较好地与偏白色的背景区域区分开来,更有利于后续的图像处理,其中,在Lab空间中,L代表亮度,a的正数代表红色,a的负端代表绿色,b的正数代表黄色,b的负端代表蓝色;具体的,在实际转换过程中,图像所处于的RGB空间无法直接转换成Lab空间,需要以XYZ空间作为中介,包括如下步骤:
假设r、g、b为图像的三个通道,三者的取值范围均为[0,255];
S403,将图像所处于的XYZ空间转换为Lab空间;具体的,步骤S403 具体是通过如下公式 a=500[f(X/Xn)-f(Y/Yn)], b=500[f(Y/Yn)-f(Z/Zn)]实现将步骤S402转化的XYZ空间转换为Lab空间的操作,其中,Xn,Yn,Zn=95.047,100.00,108.883;经过上述三个步骤后,RGB空间的图像即可转换到Lab空间;
S5,聚类分割;采用聚类算法对步骤S4处理后的图像的背景和组织区域的像素点进行分类以实现对图像的聚类分割,具体的,步骤S5采用的聚类算法为Kmeans算法;具体的,步骤S5包括如下步骤:
由于Kmeans算法以距离作为相似性的评价指标,按照距离将样本聚成不同的簇,两个点的距离越近,其相似度就越大;对于任意图像x,图像中所有像素集合为Ω={p1,...,pn},其中,pi∈RM,表示每个像素点的特征长度为M,通过Kmeans算法寻找K个聚类中心μk(k=1,...K),使得每个像素点与其对应的聚类中心μk的距离最小,并引入二值变量rnk∈{0,1}来表示像素点pn对于聚类中心μk∈RM,其中,n=1,...N,k=1,...,K,如果rnk=1则表示像素点 pn属于聚类中心μk,反之亦然,因此,定义如下优化函数:
其中,d()为距离函数,用来衡量像素点pn和聚类中心μk之间的相似度(也即距离),本实施例中采用欧式距离,即d=||·||2,通过Kmeans算法寻找使得上述优化函数J最小的所有像素点的归属值rnk和聚类中心μk;具体操作包括如下步骤:
S501,随机选取K个点作为初始聚类中心,即随机选择聚类中心μk的初始值;
S502,计算每个像素点到各聚类中心的距离,使得每个样本归属到距离其最近的聚类中心,即根据公式计算使得优化函数J 最小的像素点归属值rnk;在给定pn和μk的情况下,优化函数J是rnk的线性函数,且由于pn之间相互独立,对于每一个pn,只需将其分配到距离最近的聚类中心,即
S503,对属于聚类中心μk的所有像素点计算坐标均值并作为新的μk,即固定已经计算出的rnk,在此基础上计算使得优化函数J最小的聚类中心μk,且优化函数J是μk的二次函数,令其导数为0,那么得到:且对于第K个聚类,rnk=1的个数即为该聚类点的个数,且这些点(即聚类中心的所有像素点)的均值即为新的μk;
S504,重复步骤S502~步骤S503,直到所有的聚类中心μk不再变化或者达到设定的迭代次数,即从步骤S502继续执行直到收敛,也就是聚类中心μk不再变化或者达到设定的迭代次数;
在本实施例中,M=6,即每个像素点都具有6个特征,6个特征分别是R、G、B、L、a、b的通道值;K=2,即两个聚类中心分别为组织区域和背景区域;
S6,形态学处理,即对步骤S5处理后的图像进行形态学处理以去除噪声区域;具体的,步骤S6使用开处理对步骤S5处理后的图像进行处理,包括如下步骤:
假设需要处理的图像为x,结构元素为B;
S601,使用结构元素B对图像x进行腐蚀操作,具体的,步骤S601是采用公式实现对图像x进行的腐蚀操作,移动结构元素B 时,如果结构元素B与x的交集完全属于x的区域内,则保存该位置点,且所有满足该条件(即结构元素B与x的交集完全属于x的区域内)的点构成x被结构元素B腐蚀的结果;
S602,使用结构元素B对图像x进行膨胀操作,具体的,步骤S602是采用公式实现对步骤S601处理后的图像x进行的膨胀操作,也就是将结构元素B在图像x上进行卷积操作,如果移动结构元素B的过程中,结构元素B与x存在重叠区域,则记录该位置,所有移动结构元素B与x存在交集的位置的集合为图像x在结构元素B作用下的膨胀结果;
上述两个步骤前后执行即为开操作,执行完成后,可以去除图像中的噪声区域,便于后续的图像处理;
S7,去除步骤S6处理后的图像的高光区域,即采用聚类算法对步骤S4 处理后的图像进行聚类分割以获得图像的高光区域,并根据获得的图像的高光区域信息将步骤S6处理后的图像中的对应位置设置为背景以纠正高光区域引起的步骤S5分割错误;具体的,步骤S7采用聚类算法对步骤S4处理后的图像Lab空间中的L-光照通道进行K=2的聚类分割以得到高光区域,然后根据或获得的高光区域信息将步骤S6产生的结果中的对应高光区域的位置设置为背景以纠正高光区域引起的步骤S5分割错误,并使用矩形框对得到的组织区域分割结果进行最小外接矩形(通过给定二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形)包围,被包围的区域即为扫描区域(即使用分割结果的最小外接矩形作为扫描区域),从而实现对病理组织区域的扫描区域定位。
与现有技术相比,本发明具有以下有益效果:
本发明对采集到的玻片图像进行病理组织区域定位无需任何人工对玻片图像的标注,同时能够在光照变化的条件下给出准确结果,具有较好的鲁棒性,且执行效率高,有效减少扫描时间及无效的扫描次数,进一步提升了病理组织切片的扫描效率,实现快速高效的确定扫描区域的位置。
以上仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于聚类分割的病理组织切片扫描区域定位方法,其特征在于,包括如下步骤:
S1,对获取到的玻片图像进行图像预切割处理;
S2,对步骤S1切割产生的新图像进行图像降噪处理;
S3,对步骤S2处理后的图像进行色彩校正处理;
S4,将步骤S3处理后的图像所处于的RGB空间转换为Lab空间以将红色和蓝色进行分离;
S5,采用聚类算法对步骤S4处理后的图像的背景和组织区域的像素点进行分类以实现对图像的聚类分割;
S6,对步骤S5处理后的图像进行形态学处理;
S7,采用聚类算法对步骤S4处理后的图像进行聚类分割以获得图像的高光区域,并根据获得的图像的高光区域信息将步骤S6处理后的图像中的对应位置设置为背景以纠正高光区域引起的步骤S5分割错误。
2.根据权利要求1所述的基于聚类分割的病理组织切片扫描区域定位方法,其特征在于,步骤S1对获取到的玻片图像后进行图像预切割处理是裁去图像中固定像素长度的区域,从而得到去掉固定像素长度的新图像。
3.根据权利要求1所述的基于聚类分割的病理组织切片扫描区域定位方法,其特征在于,步骤S2采用高斯滤波的方式对步骤S1切割产生的新图像进行图像降噪处理,其包括如下步骤:
S201,构造高斯核;
S202,将步骤S201构造的高斯核与待处理的图像进行卷积运算以实现高斯滤波。
4.根据权利要求1所述的基于聚类分割的病理组织切片扫描区域定位方法,其特征在于,步骤S3采用灰度世界算法对步骤S2处理后的图像进行色彩校正处理。
5.根据权利要求1所述的基于聚类分割的病理组织切片扫描区域定位方法,其特征在于,步骤S4通过Lab空间将亮度与色彩进行分离,且在Lab空间中,L代表亮度,a的正数代表红色,a的负端代表绿色,b的正数代表黄色,b的负端代表蓝色,其包括如下步骤:
S401,对步骤S3处理后的图像原有的三个通道进行gamma校正;
S402,将图像所处于的RGB空间转换为XYZ空间;
S403,将图像所处于的XYZ空间转换为Lab空间。
7.根据权利要求1所述的基于聚类分割的病理组织切片扫描区域定位方法,其特征在于,步骤S5采用的聚类算法为Kmeans算法;步骤S5包括如下步骤:
S501,随机选择聚类中心μk的初始值;
S502,计算每个像素点到各聚类中心的距离,使得每个样本归属到距离其最近的聚类中心;
S503,对属于聚类中心μk的所有像素点计算坐标均值并作为新的μk;
S504,重复步骤S502~步骤S503,直到所有的聚类中心μk不再变化或者达到设定的迭代次数。
9.根据权利要求1所述的基于聚类分割的病理组织切片扫描区域定位方法,其特征在于,步骤S6使用开处理对步骤S5处理后的图像进行处理,包括如下步骤:
令需要处理的图像为x,结构元素为B;
S601,使用结构元素B对图像x进行腐蚀操作;
S602,使用结构元素B对图像x进行膨胀操作。
10.根据权利要求1所述的基于聚类分割的病理组织切片扫描区域定位方法,其特征在于,步骤S7采用聚类算法对步骤S4处理后的图像Lab空间中的L-光照通道进行聚类分割以得到高光区域,然后根据获得的图像的高光区域信息将步骤S6产生的结果中的对应高光区域的位置设置为背景以纠正高光区域引起的步骤S5分割错误,并使用矩形框对得到的组织区域分割结果进行最小外接矩形包围,从而实现对病理组织区域的扫描区域定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673550.XA CN113436206B (zh) | 2021-06-17 | 2021-06-17 | 一种基于聚类分割的病理组织切片扫描区域定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673550.XA CN113436206B (zh) | 2021-06-17 | 2021-06-17 | 一种基于聚类分割的病理组织切片扫描区域定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436206A true CN113436206A (zh) | 2021-09-24 |
CN113436206B CN113436206B (zh) | 2022-03-15 |
Family
ID=77756320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110673550.XA Active CN113436206B (zh) | 2021-06-17 | 2021-06-17 | 一种基于聚类分割的病理组织切片扫描区域定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436206B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092170A (zh) * | 2023-04-06 | 2023-05-09 | 广东聚智诚科技有限公司 | 一种基于大数据技术的专利价值分析系统 |
CN117765533A (zh) * | 2024-02-22 | 2024-03-26 | 天津医科大学第二医院 | 一种用于口腔黏膜癌预测的图像处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107493403A (zh) * | 2017-08-11 | 2017-12-19 | 宁波江丰生物信息技术有限公司 | 一种数字病理切片扫描系统 |
CN110415255A (zh) * | 2019-06-14 | 2019-11-05 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
CN110728666A (zh) * | 2019-10-08 | 2020-01-24 | 中山大学附属第三医院 | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 |
CN111696065A (zh) * | 2020-06-16 | 2020-09-22 | 桂林电子科技大学 | 一种基于图像处理的宝石图像高光去除方法 |
CN112419185A (zh) * | 2020-11-20 | 2021-02-26 | 湖北工业大学 | 基于光场迭代的精确高反光去除方法 |
-
2021
- 2021-06-17 CN CN202110673550.XA patent/CN113436206B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107493403A (zh) * | 2017-08-11 | 2017-12-19 | 宁波江丰生物信息技术有限公司 | 一种数字病理切片扫描系统 |
CN110415255A (zh) * | 2019-06-14 | 2019-11-05 | 广东省人民医院(广东省医学科学院) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 |
CN110728666A (zh) * | 2019-10-08 | 2020-01-24 | 中山大学附属第三医院 | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 |
CN111696065A (zh) * | 2020-06-16 | 2020-09-22 | 桂林电子科技大学 | 一种基于图像处理的宝石图像高光去除方法 |
CN112419185A (zh) * | 2020-11-20 | 2021-02-26 | 湖北工业大学 | 基于光场迭代的精确高反光去除方法 |
Non-Patent Citations (2)
Title |
---|
余胜威: "《MATLAB图像滤波去噪分析及其应用》", 30 September 2015 * |
孙欣欣,等: "基于最佳分析窗口的高光检测", 《计算机工程与设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092170A (zh) * | 2023-04-06 | 2023-05-09 | 广东聚智诚科技有限公司 | 一种基于大数据技术的专利价值分析系统 |
CN117765533A (zh) * | 2024-02-22 | 2024-03-26 | 天津医科大学第二医院 | 一种用于口腔黏膜癌预测的图像处理方法及系统 |
CN117765533B (zh) * | 2024-02-22 | 2024-04-26 | 天津医科大学第二医院 | 一种用于口腔黏膜癌预测的图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113436206B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN113436206B (zh) | 一种基于聚类分割的病理组织切片扫描区域定位方法 | |
US20140093163A1 (en) | Perceptually lossless color compression | |
CN109658381A (zh) | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 | |
CN102800094A (zh) | 一种快速彩色图像分割方法 | |
CN105308944A (zh) | 对移动设备捕获的数字图像中的对象进行分类的系统和方法 | |
JPH1023452A (ja) | 画像抽出装置および方法 | |
CN114821114A (zh) | 一种基于视觉系统的坡口切割机器人图像处理方法 | |
CN115331245B (zh) | 一种基于图像实例分割的表格结构识别方法 | |
CN114140445B (zh) | 基于重点关注区域提取的乳腺癌病理图像识别方法 | |
CN112508952B (zh) | 一种病理切片双物镜自适应扫描控制方法及系统 | |
CN113052859A (zh) | 基于自适应种子点密度聚类超像素分割方法 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
EP2782065B1 (en) | Image-processing device removing encircling lines for identifying sub-regions of image | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
CN115578741A (zh) | 一种基于Mask R-cnn算法和类型分割的扫描文件版面分析方法 | |
CN112509026A (zh) | 一种绝缘子裂缝长度识别方法 | |
CN111612802A (zh) | 一种基于现有图像语义分割模型的再优化训练方法及应用 | |
CN111681185B (zh) | 一种基于沥青混合料X-ray扫描图像的有限元建模方法 | |
CN117557557A (zh) | 一种基于细胞核分割模型的甲状腺病理切片细胞检测方法 | |
CN112651368B (zh) | 一种用于大尺寸细胞显微图像的dna倍体分析方法 | |
CN115731172A (zh) | 基于图像增强和纹理提取的裂缝检测方法、装置及介质 | |
CN113763407A (zh) | 一种超声图像的结节边缘分析方法 | |
JPH09106458A (ja) | 画像処理方法 | |
CN113642608B (zh) | 一种基于卷积神经网络的人形靶分割方法 |
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 |