CN116258676A - 结直肠癌ihc病理图像的细胞密度量化方法及系统 - Google Patents
结直肠癌ihc病理图像的细胞密度量化方法及系统 Download PDFInfo
- Publication number
- CN116258676A CN116258676A CN202211730534.0A CN202211730534A CN116258676A CN 116258676 A CN116258676 A CN 116258676A CN 202211730534 A CN202211730534 A CN 202211730534A CN 116258676 A CN116258676 A CN 116258676A
- Authority
- CN
- China
- Prior art keywords
- ihc
- image
- sub
- tumor
- colorectal cancer
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 101
- 206010009944 Colon cancer Diseases 0.000 title claims abstract description 59
- 208000001333 Colorectal Neoplasms Diseases 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011002 quantification Methods 0.000 title abstract description 19
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 93
- 230000011218 segmentation Effects 0.000 claims abstract description 77
- 230000008595 infiltration Effects 0.000 claims abstract description 24
- 238000001764 infiltration Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 238000004393 prognosis Methods 0.000 claims description 16
- 230000004083 survival effect Effects 0.000 claims description 16
- 230000007170 pathology Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010186 staining Methods 0.000 claims description 6
- 208000015634 Rectal Neoplasms Diseases 0.000 claims description 5
- 206010038038 rectal cancer Diseases 0.000 claims description 5
- 201000001275 rectum cancer Diseases 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000002055 immunohistochemical effect Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 10
- 210000004027 cell Anatomy 0.000 description 71
- 210000001519 tissue Anatomy 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 210000001744 T-lymphocyte Anatomy 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 210000001151 cytotoxic T lymphocyte Anatomy 0.000 description 7
- 210000003855 cell nucleus Anatomy 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000002865 immune cell Anatomy 0.000 description 4
- 210000004940 nucleus Anatomy 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001632422 Radiola linoides Species 0.000 description 1
- 206010064390 Tumour invasion Diseases 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000009400 cancer invasion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 238000001325 log-rank test Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000012549 training Methods 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
- G06T7/11—Region-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
- G06T7/136—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30028—Colon; Small intestine
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结直肠癌IHC病理图像的细胞密度量化方法及系统,包括:获取结直肠癌的第一IHC病理图像,并进行组织分割,得到肿瘤浸润边缘区域;根据非重叠的第一滑窗对肿瘤浸润边缘区域进行遍历和截取,对应得到多个第一子图像块;依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度;根据各第一子图像块中第一目标细胞对应的第一密度,分别计算肿瘤区域和非肿瘤区域中第一目标细胞的第二密度,以使完成对结直肠癌的第一IHC病理图像中第一目标细胞的量化。本发明能够精确提取IHC病理图像中的目标信息,能够提高对IHC病理图像中信息提取的精确度。
Description
技术领域
本发明涉及图像处理的技术领域,尤其涉及一种结直肠癌IHC病理图像的细胞密度量化方法及系统。
背景技术
结直肠癌是世界上最常见的恶性肿瘤之一,近年来大量研究表明,有利的免疫环境与延长患者生存时间显著相关,肿瘤内及肿瘤周边微环境中免疫细胞的分布情况具有强大的预后价值。确切来说,一项国际多中心研究结果表明,对于I-III期结直肠癌患者,由CD3阳性和CD8阳性免疫细胞在肿瘤中心及浸润边缘区域的表达所确定的预后指标具有比传统TNM分期更为强大的预后作用。因此,自动地识别肿瘤组织与肿瘤浸润边缘,统计CD3阳性和CD8阳性免疫细胞密度,并量化预后因子,有助于对结直肠癌患者进行更加可靠的预后分析。
然而,由于全视野数字病理切片图像具有超高分辨率以及超大量像素,而免疫细胞又作为一种细粒度微观特征,人工评估其密度不可避免地导致一致性差、评估周期过长、人力成本过高等问题,大大阻碍了其临床推广。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种结直肠癌IHC病理图像的细胞密度量化方法及系统,能够实现自动且精准地识别结直肠癌IHC染色数字病理切片,以使对结直肠癌IHC病理图像中目标细胞的精准量化。
第一方面,本发明提供了一种结直肠癌IHC病理图像的细胞密度量化方法,方法包括:
获取结直肠癌的第一IHC病理图像,并进行组织分割,得到肿瘤浸润边缘区域;
根据非重叠的第一滑窗对所述肿瘤浸润边缘区域进行遍历和截取,对应得到多个第一子图像块;
依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度;
根据各第一子图像块中第一目标细胞对应的第一密度,分别计算肿瘤区域和非肿瘤区域中第一目标细胞的第二密度,以使完成对结直肠癌的第一IHC病理图像中第一目标细胞的量化。
本发明采用非重叠的第一滑窗对所述肿瘤浸润边缘区域进行遍历和截取,能够减少使用重叠滑窗重复处理相同的数据,能够提高识别IHC病理图像中目标信息的效率;并且,采用多种窗口为对应的子图像块进行分割,能够精细化对子图像块的处理,从而提高对IHC病理图像中信息提取的精确度,进而提高对结直肠癌IHC病理图像中目标细胞的精准量化。
进一步,所述依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度,包括:
第二窗口按照从大到小的顺序对第一子图像块进行像素点遍历和分割,对应得到连通域;
根据第一目标细胞,取所有的连通域的区域,为所述第一目标细胞的分割结果;
对每个第一子图像块的分割结果中的第一目标细胞进行计数,得到每个第一子图像块中第一目标细胞对应的第一密度。
本发明采用对具有超高分辨率以及超大量像素的全视野数字病理切片图像进行精确分割后,能够得到目标细胞的细粒度微观特征,能够精细化对子图像块的处理,从而提高对IHC病理图像中信息提取的精确度,进而提高对结直肠癌IHC病理图像中目标细胞的精准量化;并且,采用步进局部阈值分割和计数,能够减少由于人工计数不可避免地导致一致性差、评估周期过长、人力成本过高的问题,能够推广到临床应用。
进一步,所述第二窗口按照从大到小的顺序对第一子图像块进行像素点遍历和分割,对应得到连通域,具体为:
首次使用第二窗口进行遍历和分割时,将在第二窗口内的第一子图像块的最大灰度值和最小灰度值的差值与对应的第一阈值进行对比,若所述差值大于或者等于对应的第一阈值,则对应的第二窗口内的第一子图像块的区域为对应的第一目标区域;
提取对应第一目标区域中的所有连通域,并计算对应的第一目标区域中的连通域对应的像素面积和紧凑度;
判断对应的像素面积和对应的第二阈值的数值大小,以及紧凑度与第三阈值的数值大小,若对应的像素面积大于对应的第二阈值且对应的紧凑度大于对应的第三阈值,则对应的像素面积为第一连通域;
在首次遍历和分割后,按照第二窗口从大到小的顺序,对应剩余的第二窗口每次都对上次剩余的第一子图像块进行处理,得到对应的第一目标区域,并使用带有前景标记的分水岭算法进行分割,得到对应的第一连通域,直到计算完剩余的第二窗口对第一子图像块取的第一连通域。
本发明采用不同大小的窗口对子图像块进行局部阈值分割,并将获得的第一连通域信息取并,能够最大程度地提取子图像块中的目标信息,能够减少使用同一窗口进行信息提取而遗漏其他的可组成连通域的信息,从而能够对子图像块精确化提取信息,进而提高对IHC病理图像中信息提取的精确度。
进一步,所述根据非重叠第一滑窗对所述浸润边缘区域截取对应的第一子图像块,具体为:
选取步长等于第一子图像块边长的滑动窗口为第一滑窗,根据非重叠第一滑窗对所述浸润边缘区域截取对应的第一子图像块;
为对应的第一子图像块进行超像素分割和聚类,得到去除背景区域的第一子图像块。
进一步,所述获取结直肠癌的第一IHC病理图像,并进行组织分割,得到肿瘤浸润边缘区域,具体为:
按照免疫组织化学远离使用染色剂分布对第一目标细胞进行抗原抗体匹配染色,得到对应的物理切片,并将所述物理切片进行数字图像化处理,得到对应的第一IHC病理图像;
对所述第一IHC病理图像进行分割,得到肿瘤区域与非肿瘤区域之间交界线的坐标,根据所述交界线的坐标和预设的膨胀核进行形态学的膨胀操作,到肿瘤浸润边缘区域。
进一步,所述对所述第一IHC病理图像进行分割,得到肿瘤区域与非肿瘤区域之间交界线的坐标,包括:
根据超像素分割算法对第一IHC病理图像进行降维处理,得到降维后的第二IHC病理图像,并对所述第二IHC病理图像使用聚类算法,得到对应的肿瘤区域和非肿瘤区域,根据所述肿瘤区域和非肿瘤区域,确定肿瘤区域与非肿瘤区域之间的交界线。
本发明采用超像素分割算法对IHC病理图像进行处理,能够得到紧凑整齐且近乎均匀的超像素,从而能够提高对IHC病理图像的信息提取的精准度;并且,超像素分割算法需要设置的参数少,能够减少对IHC病理图像进行降维处理的复杂度,从而提高对IHC病理图像的信息提取的效率。
进一步,所述根据超像素分割算法对第一IHC病理图像进行降维处理,得到降维后的第二IHC病理图像,包括:
对所述第一IHC病理图像进行下采样,并根据双线性差法得到若干倍率下的下采样后的第三IHC病理图像,根据超像素分割算法对第三IHC病理图像进行降维,得到降维后的第二IHC病理图像。
本发明采用双线性差法得到若干倍率下的第二IHC病理图像,能够弥补下采样后的IHC病理图像中灰度值不连续的地方,从而能够提高对IHC病理图像信息提取的精确度。
进一步,所述的结直肠癌IHC病理图像的细胞密度量化方法,在获得肿瘤区域和非肿瘤区域中第一目标细胞的第二密度之后,还包括:
根据对应的第二密度,计算预后指标;其中,
依次计算对应的第二密度在对应的密度队列中的百分数位置,对应得到第一百分数位置;
对所有的第一百分数位置进行归一化并以均值为预后指标。
再进一步,所述的结直肠癌IHC病理图像的细胞密度量化方法,在对所有的第一百分数位置进行归一化并以均值为预后指标之后,还包括:
根据所述预后指标,为对应的患者进行免疫风险分级;
依次为分级后的患者绘制生存曲线,并检验不同级的患者的生存情况是否存在统计学差异;
同时评估所述预后指标对直肠癌患者生存的影响程度以及与其他指标相比的独立性。
本发明对结直肠癌IHC病理图像经过超像素分割算法、聚类和步进阈值分割算法处理后,采用预后指标对患者进行风险分级,有利于研究结直肠癌患者临床结果与免疫环境的关系,减少病理医生对结直肠癌患者诊断治疗的工作量。
第二方面,本发明还提供一种结直肠癌IHC病理图像的细胞密度量化系统,包括:
组织分割模块,用于获取结直肠癌的第一IHC病理图像,并进行组织分割,得到肿瘤浸润边缘区域;
子图像块获取模块,用于根据非重叠的第一滑窗对所述肿瘤浸润边缘区域进行遍历和截取,对应得到多个第一子图像块;
子图像块第一密度计算模块,用于依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度;
子图像块第二密度计算模块,用于根据各第一子图像块中第一目标细胞对应的第一密度,分别计算肿瘤区域和非肿瘤区域中第一目标细胞的第二密度,以使完成对结直肠癌的第一IHC病理图像中第一目标细胞的量化。
附图说明
图1是本发明实施例提供的结直肠癌IHC病理图像的细胞密度量化的流程示意图;
图2是本发明实施例提供的对子图像块分割前后的对比示意图;
图3是本发明实施例提供的结直肠癌IHC病理图像的细胞密度量化的流程示意图;
图4是本发明实施例提供的结直肠癌IHC病理图像的细胞密度量化系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1是本发明实施例提供的结直肠癌IHC病理图像的细胞密度量化的流程示意图,包括步骤S11~S14,具体为:
步骤S11、获取结直肠癌的第一IHC病理图像,并进行组织分割,得到肿瘤浸润边缘区域。
具体地,按照免疫组织化学远离使用染色剂分布对第一目标细胞进行抗原抗体匹配染色,得到对应的物理切片,并将所述物理切片进行数字图像化处理,得到对应的第一IHC病理图像;对所述第一IHC病理图像进行分割,得到肿瘤区域与非肿瘤区域之间交界线的坐标,根据所述交界线的坐标和预设的膨胀核进行形态学的膨胀操作,到肿瘤浸润边缘区域。
其中,对所述第一IHC病理图像进行分割,得到肿瘤区域与非肿瘤区域之间交界线的坐标,包括:根据超像素分割算法对第一IHC病理图像进行降维处理,得到降维后的第二IHC病理图像,并对所述第二IHC病理图像使用聚类算法,得到对应的肿瘤区域和非肿瘤区域,根据所述肿瘤区域和非肿瘤区域,确定肿瘤区域与非肿瘤区域之间的交界线;其中,根据超像素分割算法对第一IHC病理图像进行降维处理,得到降维后的第二IHC病理图像,包括:对所述第一IHC病理图像进行下采样,并根据双线性差法得到若干倍率下的下采样后的第三IHC病理图像,根据超像素分割算法对第三IHC病理图像进行降维,得到降维后的第二IHC病理图像。
具体地,对所述第一IHC病理图像进行分割,得到肿瘤区域与非肿瘤区域的操作包括步骤S101~S107,具体为:
步骤S101、对所述第一IHC病理图像进行下采样,并根据双线性差法得到若干倍率下的下采样后的第三IHC病理图像。
优选地,根据双线性差法得到5倍率下的下采样后的第三IHC病理图像。
步骤S102、初始化超像素分割算法的种子点,依照设定的超像素个数,均匀地在第三IHC病理图像内分配种子点,确保相邻种子点之间距离相同。
优选地,设定1500个超像素个数。
步骤S103、扰乱初始化后的种子点,在初始种子点周围设定大小的邻域内,计算邻域内所有像素点的梯度值,并选取梯度值最小的像素点作为新的种子点所在位置。
优选地,初始化的种子点的邻域为3×3的像素点邻域范围。
步骤S104、遍历第三IHC病理图像中的所有像素,通过距离度量判断每个像素点与覆盖范围内的所有种子点的距离,并选取距离最小的种子点作为该像素点的聚类中心;每个像素点的覆盖范围和与覆盖范围内的种子点的距离可以分别表示为:
S=2Ns , (1)
步骤S105、更新每个超像素的种子点,新种子点的位置为超像素类内坐标的重心;
步骤S106、重复执行所述步骤S103和步骤S104,直到误差收敛。
步骤S107、对超像素分割的结果进一步实行K均值聚类。
优选地,聚类算法为K均值聚类;其中,K取3,对应分别得到背景区域、肿瘤组织区域、非肿瘤组织区域。
值得注意的是,根据分割后的肿瘤组织区域和非肿瘤组织区域,可以确定肿瘤区域与非肿瘤区域之间的交界线,并根据交界线的坐标和预设的膨胀核进行形态学的膨胀操作,可以到肿瘤浸润边缘区域。
优选地,预设20×20的膨胀核。
步骤S12、根据非重叠的第一滑窗对所述肿瘤浸润边缘区域进行遍历和截取,对应得到多个第一子图像块。
具体地,选取步长等于第一子图像块边长的滑动窗口为第一滑窗,根据非重叠第一滑窗对所述浸润边缘区域截取对应的第一子图像块;为对应的第一子图像块进行超像素分割和聚类,得到去除背景区域的第一子图像块。
优选地,对超像素分割设置600个超像素个数。
优选地,聚类的算法为K均值聚类算法。
优选地,根据正方形的非重叠第一滑窗对所述浸润边缘区域截取对应的第一子图像块,所述浸润边缘区域为对第二IHC病理图像放大10倍后的对应区域。
步骤S13、依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度。
优选地,步进局部阈值分割是基于bernsen算法的步进局部阈值分割。
具体地,依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度,包括:第二窗口按照从大到小的顺序对第一子图像块进行像素点遍历和分割,对应得到连通域;根据第一目标细胞,取所有的连通域的区域,为所述第一目标细胞的分割结果;对每个第一子图像块的分割结果中的第一目标细胞进行计数,得到每个第一子图像块中第一目标细胞对应的第一密度。
其中,所述第二窗口按照从大到小的顺序对第一子图像块进行像素点遍历和分割,对应得到连通域,包括步骤S301~S304,具体为:
步骤S301、首次使用第二窗口进行遍历和分割时,将在第二窗口内的第一子图像块的最大灰度值和最小灰度值的差值与对应的第一阈值进行对比,若所述差值大于或者等于对应的第一阈值,则对应的第二窗口内的第一子图像块的区域为对应的第一目标区域;若所述差值小于对应的第一阈值,则对应的第二窗口内的第一子图像块的区域为背景区域。
步骤S302、提取对应第一目标区域中的所有连通域,并计算对应的第一目标区域中的连通域对应的像素面积和紧凑度。
步骤S303、判断对应的像素面积和对应的第二阈值的数值大小,以及紧凑度与第三阈值的数值大小,若对应的像素面积大于对应的第二阈值且对应的紧凑度大于对应的第三阈值,则对应的像素面积为第一连通域;
步骤S304、在首次遍历和分割后,按照第二窗口从大到小的顺序,对应剩余的第二窗口每次都对上次剩余的第一子图像块进行处理,得到对应的第一目标区域,并使用带有前景标记的分水岭算法进行分割,得到对应的第一连通域,直到计算完剩余的第二窗口对第一子图像块取的第一连通域。
优选地,包括为三种不同大小的第二窗口,第一第二窗口大小设为80×80的正方形窗口,第二第二窗口在第一第二窗口进行缩小,设为40×40,第三第二窗口在第二第二窗口上进一步缩小,设为20×20。
优选地,第一第二窗口对应的第一第二阈值和第一第三阈值分别为1800和0.94,第二第二窗口对应的第二第二阈值和第二第三阈值分别为900和0.96,第三第二窗口对应的第三第二阈值和第三第三阈值分别为900和0.96。
优选地,第二第二窗口对应的带有前景标记的分水岭算法的极小值参数为3,第三第二窗口对应带有前景标记的分水岭算法的极小值参数为1。
值得注意的是,根据三种不同大小的第二窗口,可以分别得到对应含有第一目标细胞的第一连通域,根据对应的第一连通域,得到对第一目标细胞的最终细胞核分割结果,可以表示为:
SDAB=S1|S2|S3, (3)
其中,S1、S2和S3分别为根据第一第二窗口得到的第一第一连通域、根据第二第二窗口得到的第二第一连通域和根据第三第二窗口得到的第三第一连通域,SDAB为对三个连通域取并。
此外,第一目标细胞包括:CD3阳性T淋巴细胞和CD8阳性细胞毒性T淋巴细胞。则取所有的第一连通域的区域,为所述第一目标细胞的细胞核分割结果,得到的是包括CD3阳性T淋巴细胞的细胞核分割结果和CD8阳性细胞毒性T淋巴细胞的细胞核分割结果;对每个第一子图像块的细胞核分割结果中的第一目标细胞进行计数并除以子图像块的面积,得到每个第一子图像块中第一目标细胞对应的第一密度,包括:含有CD3阳性T淋巴细胞的第一第一密度和含有CD8阳性细胞毒性T淋巴细胞的第二第一密度。
示例性地,参见图2,是本发明实施例提供的对子图像块分割前后的对比示意图,使用非重叠第一滑窗在10倍放大下的全视野浸润边缘区域对应在第二IHC病理图像中截取大小为1024×1024的正方形子图像块,图2(a)是一个子图像块分割第一目标细胞的细胞核前的示意图,图2(b)是一个子图像块分割第一目标细胞的细胞核后带有勾画的示意图。
本发明采用对具有超高分辨率以及超大量像素的全视野数字病理切片图像进行精确分割后,能够得到目标细胞的细粒度微观特征,能够精细化对子图像块的处理,从而提高对IHC病理图像中信息提取的精确度,进而提高对结直肠癌IHC病理图像中目标细胞的精准量化;并且,采用步进局部阈值分割和计数,能够减少由于人工计数不可避免地导致一致性差、评估周期过长、人力成本过高的问题,能够推广到临床应用。
步骤S14、根据各第一子图像块中第一目标细胞对应的第一密度,分别计算肿瘤区域和非肿瘤区域中第一目标细胞的第二密度,以使完成对结直肠癌的第一IHC病理图像中第一目标细胞的量化。
具体地,各第一子图像块中第一目标细胞对应的第一密度,根据肿瘤区域和非肿瘤区域,对各第一子图像块中第一目标细胞对应的第一密度分别取平均值,对应得到所属患者的肿瘤组织区域的CD3阳性T淋巴细胞的第一第二密度、肿瘤浸润边缘区域的CD3阳性T淋巴细胞的第二第二密度、肿瘤组织区域的CD8阳性细胞毒性T淋巴细胞的第三第二密度、肿瘤浸润边缘区域的CD8阳性细胞毒性T淋巴细胞的第四第二密度。
其中,在获得肿瘤区域和非肿瘤区域中第一目标细胞的第二密度之后,还包括:根据对应的第二密度,计算预后指标;具体为:依次计算对应的第二密度在对应的密度队列中的百分数位置,对应得到第一百分数位置;对所有的第一百分数位置进行归一化并以均值为预后指标。
值得注意的是,按照每个患者的第二密度值在对应队列所处的百分数位置,将所属患者的肿瘤组织区域的CD3阳性T淋巴细胞的第一第二密度、肿瘤浸润边缘区域的CD3阳性T淋巴细胞的第二第二密度、肿瘤组织区域的CD8阳性细胞毒性T淋巴细胞的第三第二密度、肿瘤浸润边缘区域的CD8阳性细胞毒性T淋巴细胞的第四第二密度进行归一化,让四个第二密度的值在0到1之间之后,再对归一化后的四个第二密度取平均值为免疫风险评分值,并将免疫风险评分值作为预后指标。
此外,在对所有的第一百分数位置进行归一化并以均值为预后指标之后,还包括:根据所述预后指标,为对应的患者进行免疫风险分级;依次为分级后的患者绘制生存曲线,并检验不同级的患者的生存情况是否存在统计学差异;同时评估所述预后指标对直肠癌患者生存的影响程度以及与其他指标相比的独立性。
优选地,根据预后指标的高低,将患者分为3组免疫风险等级,包括:免疫风险评分高、免疫风险评分中和免疫风险评分低。
值得注意的是,分组的阈值是根据训练数据对患者队列中所有病例平均分配为各组免疫风险等级而确定的。
优选地,采用Kaplan-Meier法绘制患者的生存曲线。
优选地,采用log-rank检验来评估不同级的患者的生存情况是否存在统计学差异。
优选地,采用Cox比例风险回归模型评估所述预后指标对直肠癌患者生存的影响程度以及与其他指标相比的独立性。
本发明采用非重叠的第一滑窗对所述肿瘤浸润边缘区域进行遍历和截取,能够减少使用重叠滑窗重复处理相同的数据,能够提高识别IHC病理图像的效率;并且,采用多种大小的窗口为对应的子图像块进行分割,能够精细化对子图像块的处理,从而提高对IHC病理图像中信息提取的精确度,进而提高对结直肠癌IHC病理图像中目标细胞的精准量化。
本发明还提供了完整的结直肠癌IHC病理图像的细胞密度量化的过程,参见图3,是本发明实施例提供的结直肠癌IHC病理图像的细胞密度量化的流程示意图。
本发明还提供了一种结直肠癌IHC病理图像的细胞密度量化系统,参见图4,是本发明实施例提供的结直肠癌IHC病理图像的细胞密度量化系统的结构示意图,包括:组织分割模块41、子图像块获取模块42、子图像块第一密度计算模块43、子图像块第二密度计算模块44。
组织分割模块41,用于获取结直肠癌的第一IHC病理图像,并进行组织分割,得到肿瘤浸润边缘区域;
子图像块获取模块42,用于根据非重叠的第一滑窗对所述肿瘤浸润边缘区域进行遍历和截取,对应得到多个第一子图像块;
子图像块第一密度计算模块43,用于依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度;
子图像块第二密度计算模块44,用于根据各第一子图像块中第一目标细胞对应的第一密度,分别计算肿瘤区域和非肿瘤区域中第一目标细胞的第二密度,以使完成对结直肠癌的第一IHC病理图像中第一目标细胞的量化。
其中,结直肠癌IHC病理图像的细胞密度量化系统还包括:预后指标计算及患者分层模块45,用于根据对应的第二密度,计算预后指标;其中,依次计算对应的第二密度在对应的密度队列中的百分数位置,对应得到第一百分数位置;对所有的第一百分数位置进行归一化并以均值为预后指标;并且,根据所述预后指标,为对应的患者进行免疫风险分级;依次为分级后的患者绘制生存曲线,并检验不同级的患者的生存情况是否存在统计学差异;同时评估所述预后指标对直肠癌患者生存的影响程度以及与其他指标相比的独立性。
本发明对结直肠癌IHC病理图像经过超像素分割算法、聚类和步进阈值分割算法处理后,采用预后指标对患者进行风险分级,有利于研究结直肠癌患者临床结果与免疫环境的关系,减少病理医生对结直肠癌患者诊断治疗的工作量。
本领域内的技术人员应明白,本申请的实施例还可提供包括计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种结直肠癌IHC病理图像的细胞密度量化方法,其特征在于,所述方法包括:
获取结直肠癌的第一IHC病理图像,并进行组织分割,得到肿瘤浸润边缘区域;
根据非重叠的第一滑窗对所述肿瘤浸润边缘区域进行遍历和截取,对应得到多个第一子图像块;
依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度;
根据各第一子图像块中第一目标细胞对应的第一密度,分别计算肿瘤区域和非肿瘤区域中第一目标细胞的第二密度,以使完成对结直肠癌的第一IHC病理图像中第一目标细胞的量化。
2.如权利要求1所述的结直肠癌IHC病理图像的细胞密度量化方法,其特征在于,所述依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度,包括:
第二窗口按照从大到小的顺序对第一子图像块进行像素点遍历和分割,对应得到连通域;
根据第一目标细胞,取所有的连通域的区域,为所述第一目标细胞的分割结果;
对每个第一子图像块的分割结果中的第一目标细胞进行计数,得到每个第一子图像块中第一目标细胞对应的第一密度。
3.如权利要求2所述的结直肠癌IHC病理图像的细胞密度量化方法,其特征在于,所述第二窗口按照从大到小的顺序对第一子图像块进行像素点遍历和分割,对应得到连通域,具体为:
首次使用第二窗口进行遍历和分割时,将在第二窗口内的第一子图像块的最大灰度值和最小灰度值的差值与对应的第一阈值进行对比,若所述差值大于或者等于对应的第一阈值,则对应的第二窗口内的第一子图像块的区域为对应的第一目标区域;
提取对应第一目标区域中的所有连通域,并计算对应的第一目标区域中的连通域对应的像素面积和紧凑度;
判断对应的像素面积和对应的第二阈值的数值大小,以及紧凑度与第三阈值的数值大小,若对应的像素面积大于对应的第二阈值且对应的紧凑度大于对应的第三阈值,则对应的像素面积为第一连通域;
在首次遍历和分割后,按照第二窗口从大到小的顺序,对应剩余的第二窗口每次都对上次剩余的第一子图像块进行处理,得到对应的第一目标区域,并使用带有前景标记的分水岭算法进行分割,得到对应的第一连通域,直到计算完剩余的第二窗口对第一子图像块取的第一连通域。
4.如权利要求1所述的结直肠癌IHC病理图像的细胞密度量化方法,其特征在于,所述根据非重叠第一滑窗对所述浸润边缘区域截取对应的第一子图像块,具体为:
选取步长等于第一子图像块边长的滑动窗口为第一滑窗,根据非重叠第一滑窗对所述浸润边缘区域截取对应的第一子图像块;
为对应的第一子图像块进行超像素分割和聚类,得到去除背景区域的第一子图像块。
5.如权利要求1所述的结直肠癌IHC病理图像的细胞密度量化方法,其特征在于,所述获取结直肠癌的第一IHC病理图像,并进行组织分割,得到肿瘤浸润边缘区域,具体为:
按照免疫组织化学远离使用染色剂分布对第一目标细胞进行抗原抗体匹配染色,得到对应的物理切片,并将所述物理切片进行数字图像化处理,得到对应的第一IHC病理图像;
对所述第一IHC病理图像进行分割,得到肿瘤区域与非肿瘤区域之间交界线的坐标,根据所述交界线的坐标和预设的膨胀核进行形态学的膨胀操作,到肿瘤浸润边缘区域。
6.如权利要求5所述的结直肠癌IHC病理图像的细胞密度量化方法,其特征在于,所述对所述第一IHC病理图像进行分割,得到肿瘤区域与非肿瘤区域之间交界线的坐标,包括:
根据超像素分割算法对第一IHC病理图像进行降维处理,得到降维后的第二IHC病理图像,并对所述第二IHC病理图像使用聚类算法,得到对应的肿瘤区域和非肿瘤区域,根据所述肿瘤区域和非肿瘤区域,确定肿瘤区域与非肿瘤区域之间的交界线。
7.如权利要求6所述的结直肠癌IHC病理图像的细胞密度量化方法,其特征在于,所述根据超像素分割算法对第一IHC病理图像进行降维处理,得到降维后的第二IHC病理图像,包括:
对所述第一IHC病理图像进行下采样,并根据双线性差法得到若干倍率下的下采样后的第三IHC病理图像,根据超像素分割算法对第三IHC病理图像进行降维,得到降维后的第二IHC病理图像。
8.如权利要求1所述的结直肠癌IHC病理图像的细胞密度量化方法,其特征在于,在获得肿瘤区域和非肿瘤区域中第一目标细胞的第二密度之后,还包括:
根据对应的第二密度,计算预后指标;其中,
依次计算对应的第二密度在对应的密度队列中的百分数位置,对应得到第一百分数位置;
对所有的第一百分数位置进行归一化并以均值为预后指标。
9.如权利要求8所述的结直肠癌IHC病理图像的细胞密度量化方法,其特征在于,在对所有的第一百分数位置进行归一化并以均值为预后指标之后,还包括:
根据所述预后指标,为对应的患者进行免疫风险分级;
依次为分级后的患者绘制生存曲线,并检验不同级的患者的生存情况是否存在统计学差异;
同时评估所述预后指标对直肠癌患者生存的影响程度以及与其他指标相比的独立性。
10.一种结直肠癌IHC病理图像的细胞密度量化系统,其特征在于,包括:
组织分割模块,用于获取结直肠癌的第一IHC病理图像,并进行组织分割,得到肿瘤浸润边缘区域;
子图像块获取模块,用于根据非重叠的第一滑窗对所述肿瘤浸润边缘区域进行遍历和截取,对应得到多个第一子图像块;
子图像块第一密度计算模块,用于依次使用不同大小的第二窗口对第一子图像块进行步进局部阈值分割,并计数分割结果中的第一目标细胞,得到每个第一子图像块中第一目标细胞对应的第一密度;
子图像块第二密度计算模块,用于根据各第一子图像块中第一目标细胞对应的第一密度,分别计算肿瘤区域和非肿瘤区域中第一目标细胞的第二密度,以使完成对结直肠癌的第一IHC病理图像中第一目标细胞的量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211730534.0A CN116258676B (zh) | 2022-12-30 | 2022-12-30 | 结直肠癌ihc病理图像的细胞密度量化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211730534.0A CN116258676B (zh) | 2022-12-30 | 2022-12-30 | 结直肠癌ihc病理图像的细胞密度量化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258676A true CN116258676A (zh) | 2023-06-13 |
CN116258676B CN116258676B (zh) | 2024-03-19 |
Family
ID=86681829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211730534.0A Active CN116258676B (zh) | 2022-12-30 | 2022-12-30 | 结直肠癌ihc病理图像的细胞密度量化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258676B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275727A (zh) * | 2020-01-19 | 2020-06-12 | 北方工业大学 | 细胞分割方法、装置及计算机可读存储介质 |
CN113724235A (zh) * | 2021-09-02 | 2021-11-30 | 山东省千佛山医院 | 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法 |
CN115497093A (zh) * | 2022-09-20 | 2022-12-20 | 广东省人民医院 | 结直肠癌ihc染色图肿瘤浸润前沿的免疫分级方法、系统和存储介质 |
-
2022
- 2022-12-30 CN CN202211730534.0A patent/CN116258676B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275727A (zh) * | 2020-01-19 | 2020-06-12 | 北方工业大学 | 细胞分割方法、装置及计算机可读存储介质 |
CN113724235A (zh) * | 2021-09-02 | 2021-11-30 | 山东省千佛山医院 | 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法 |
CN115497093A (zh) * | 2022-09-20 | 2022-12-20 | 广东省人民医院 | 结直肠癌ihc染色图肿瘤浸润前沿的免疫分级方法、系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116258676B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8077958B2 (en) | Computer-aided pathological diagnosis system | |
CN112435243A (zh) | 一种全切片数字病理图像的自动分析系统及方法 | |
CA2660113C (en) | System and methods for scoring images of a tissue micro array | |
Weyn et al. | Automated breast tumor diagnosis and grading based on wavelet chromatin texture description | |
US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
JP4948647B2 (ja) | 尿中粒子画像の領域分割方法及び装置 | |
US20160070949A1 (en) | Method And Apparatus | |
Yogesan et al. | Entropy‐based texture analysis of chromatin structure in advanced prostate cancer | |
CN113628157A (zh) | 利用病理图像来表征肿瘤微环境的系统和方法 | |
US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
Win et al. | Comparative study on automated cell nuclei segmentation methods for cytology pleural effusion images | |
WO2005076197A2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
Indhumathi et al. | An automatic segmentation algorithm for 3D cell cluster splitting using volumetric confocal images | |
CN111402267A (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
Nielsen et al. | Automatic segmentation of cell nuclei in Feulgen‐stained histological sections of prostate cancer and quantitative evaluation of segmentation results | |
JP2022163056A (ja) | 1つ又は複数の組織サンプルにおける細胞組成情報を決定する装置 | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
Bag et al. | Computational analysis of p63+ nuclei distribution pattern by graph theoretic approach in an oral pre-cancer (sub-mucous fibrosis) | |
CN116258676B (zh) | 结直肠癌ihc病理图像的细胞密度量化方法及系统 | |
Brázdil et al. | Automated annotations of epithelial cells and stroma in hematoxylin–eosin‐stained whole‐slide images using cytokeratin re‐staining | |
Nagase et al. | Automatic calculation and visualization of nuclear density in whole slide images of hepatic histological sections | |
Korzynska et al. | The METINUS Plus method for nuclei quantification in tissue microarrays of breast cancer and axillary node tissue section | |
US20100111397A1 (en) | Method and system for analyzing breast carcinoma using microscopic image analysis of fine needle aspirates | |
Vidal et al. | A fully automated approach to prostate biopsy segmentation based on level-set and mean filtering | |
Fernandez-Gonzalez et al. | Quantitative image analysis in mammary gland biology |
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 |