CN117252893B - 一种乳腺癌病理图像的分割处理方法 - Google Patents
一种乳腺癌病理图像的分割处理方法 Download PDFInfo
- Publication number
- CN117252893B CN117252893B CN202311531926.9A CN202311531926A CN117252893B CN 117252893 B CN117252893 B CN 117252893B CN 202311531926 A CN202311531926 A CN 202311531926A CN 117252893 B CN117252893 B CN 117252893B
- Authority
- CN
- China
- Prior art keywords
- window
- pathological
- image
- segmentation
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 188
- 230000001575 pathological effect Effects 0.000 title claims abstract description 98
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 30
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 230000007170 pathology Effects 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 20
- 210000004027 cell Anatomy 0.000 description 11
- 210000003855 cell nucleus Anatomy 0.000 description 11
- 206010028980 Neoplasm Diseases 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 7
- 210000004940 nucleus Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000000805 cytoplasm Anatomy 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 108010077544 Chromatin Proteins 0.000 description 1
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 1
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 1
- 239000000980 acid dye Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000024245 cell differentiation Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 210000004766 cell nucleus structure Anatomy 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 230000019522 cellular metabolic process Effects 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 1
- 210000002744 extracellular matrix Anatomy 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分割技术领域，具体涉及一种乳腺癌病理图像的分割处理方法，包括：获取乳腺癌患者的病理灰度图像，基于病理灰度图像中每个像素点的灰度值确定病理灰度图像的全局分割阈值；利用不同尺寸的窗口分别对病理灰度图像进行处理，根据每种窗口尺寸下病理灰度图像中每个窗口内除中心像素点外的其他像素点的灰度值分布、以及全局分割阈值，得到每种窗口尺寸下病理灰度图像中每个窗口对应的局部分割阈值；获取每种窗口尺寸的分割评价值，根据所有种窗口尺寸的分割评价值确定最优窗口尺寸；利用最优窗口尺寸对应的局部分割阈值对病理灰度图像进行分割得到病理分割图像。本发明获得的病理分割图像的准确度的较高。
Description
技术领域
本发明涉及图像分割技术领域，具体涉及一种乳腺癌病理图像的分割处理方法。
背景技术
近年来被确诊为癌症的患者数量数以万计，其中乳腺癌是女性最常见的癌症。在医学场景下，医师常根据自身经验，通过观察乳腺癌患者的病理图像中的细胞核的形态、结构以及空间分布，对癌症进行分期诊断。但是由于病理图像中细胞核的重叠、细胞核结构的不一致性、背景的复杂性以及染色方式的差异等因素造成了细胞核分割较为困难。能够较为准确的分割乳腺癌患者的病理图像中的细胞核区域，对于辅助病理医师的日常判断具有非常重要的临床意义。而现有的区域分割方法常采用单一的阈值分割进行处理，该方法阈值选取较为单一，进而导致细胞核区域分割的结果较不准确。
发明内容
为了解决利用现有的区域分割方法进行细胞核区域分割的结果较不准确的技术问题，本发明的目的在于提供一种乳腺癌病理图像的分割处理方法，所采用的技术方案具体如下：
获取乳腺癌患者的病理灰度图像，基于病理灰度图像中每个像素点的灰度值确定病理灰度图像的全局分割阈值；
利用不同尺寸的窗口分别对病理灰度图像进行处理，根据每种窗口尺寸下病理灰度图像中每个窗口内除中心像素点外的其他像素点的灰度值分布、以及全局分割阈值，得到每种窗口尺寸下病理灰度图像中每个窗口对应的局部分割阈值；
根据每种窗口尺寸下病理灰度图像中所有窗口对应的局部分割阈值确定每种窗口尺寸的分割评价值，根据所有种窗口尺寸的分割评价值确定最优窗口尺寸；
利用最优窗口尺寸对应的局部分割阈值对病理灰度图像进行分割得到病理分割图像。
优选地，所述根据每种窗口尺寸下病理灰度图像中每个窗口内除中心像素点外的其他像素点的灰度值分布、以及全局分割阈值，得到每种窗口尺寸下病理灰度图像中每个窗口对应的局部分割阈值，具体包括：
对于任意一种尺寸下病理灰度图像中任意一个窗口，将窗口内除中心像素点之外的像素点记为参考像素点，根据窗口内每个参考像素点的灰度值与全局分割阈值之间的差异得到窗口内每个参考像素点的影响系数；
根据窗口内每个参考像素点的影响系数以及所有参考像素点的影响系数的概率密度分布情况，得到窗口内每个参考像素点的影响权重；
利用窗口内每个参考像素点的影响权重对参考像素点的灰度值进行加权求和，得到窗口对应的局部分割阈值。
优选地，所述根据窗口内每个参考像素点的影响系数以及所有参考像素点的影响系数的概率密度分布情况，得到窗口内每个参考像素点的影响权重，具体包括：
计算窗口内所有参考像素点的影响系数的均值和方差；
对于窗口内任意一个参考像素点，基于所述均值和方差、以及参考像素点的影响系数，得到参考像素点的概率密度值，将所述概率密度值的归一化值作为参考像素点的影响权重。
优选地，所述影响权重的计算公式具体为：
；
其中，表示病理灰度图像中第i个窗口内第r个参考像素点的影响权重，/>表示病理灰度图像中第i个窗口内所有参考像素点的影响系数的方差，/>表示病理灰度图像中第i个窗口内所有参考像素点的影响系数的均值，/>表示病理灰度图像中第i个窗口内第r个参考像素点的影响系数，exp( )表示以自然常数e为底的指数函数，π为圆周率，Norm( )为归一化函数。
优选地，所述根据窗口内每个参考像素点的灰度值与全局分割阈值之间的差异得到窗口内每个参考像素点的影响系数，具体包括：
将窗口内每个参考像素点的灰度值与全局分割阈值之间的差值的绝对值作为窗口内每个参考像素点的影响系数。
优选地，所述基于病理灰度图像中每个像素点的灰度值确定病理灰度图像的全局分割阈值，具体包括：
利用大津阈值分割算法获取病理灰度图像的全局分割阈值。
优选地，所述根据每种窗口尺寸下病理灰度图像中所有窗口对应的局部分割阈值确定每种窗口尺寸的分割评价值，具体包括：
对于任意一种窗口尺寸下的病理灰度图像；
计算每个窗口对应的局部分割阈值与全局分割阈值之间的差值绝对值的归一化值，得到每个窗口的阈值优选度；对于任意一个窗口，获取窗口内每个参考像素点对应的窗口作为参考窗口；根据每个窗口与其对应的参考窗口之间的重叠情况以及窗口对应的局部分割阈值之间的差异情况，得到每个窗口的局部权重；
利用所述局部权重对所有窗口的阈值优选度进行加权求和，获得该种窗口尺寸的分割评价值。
优选地，所述局部权重的计算公式具体为：
；
其中，表示第i个窗口的局部权重，/>表示第i个窗口内包含的参考像素点的数量，/>表示病理灰度图像中第i个窗口对应的局部分割阈值，/>表示第i个窗口对应的第r个参考窗口对应的局部分割阈值，/>表示第i个窗口与第r个参考窗口之间重叠的像素点数量，Norm( )表示归一化函数，exp( )表示以自然常数e为底的指数函数。
优选地，所述根据所有种窗口尺寸的分割评价值确定最优窗口尺寸，具体包括：
将所有种窗口尺寸的分割评价值的最大值对应的窗口尺寸作为最优窗口尺寸。
优选地，所述不同尺寸的窗口中最小的尺寸为3*3，最大的尺寸的窗口边长为病理灰度图像边长的1/10。
本发明实施例至少具有如下有益效果：
本发明首先，基于病理灰度图像中每个像素点的灰度值确定病理灰度图像的全局分割阈值，获取到可以对病理灰度图像整体进行阈值分割的单一阈值，即全局阈值，以便后续分析局部阈值与全局阈值之间的差异，进而确定分割效果较佳的局部阈值。然后，利用不同尺寸的窗口分别对病理灰度图像进行处理，考虑到了单一窗口尺寸进行局部阈值分析的结果可能会存在偶然性，使得最终区域分割的结果更加准确。进而对每种窗口尺寸下病理灰度图像中每个窗口内除中心像素点外的其他像素点的灰度值分布、以及全局分割阈值进行分析，考虑窗口内除中心像素点外的其他像素点的灰度值对窗口内局部范围内的分割影响，结合全局分割阈值，能够自适应的获得每个窗口对应的局部分割阈值。进一步的，需要对每种窗口尺寸下病理灰度图像中所有窗口对应的局部分割阈值进行分析，对每种窗口尺寸以及每种情况下局部分割阈值对应的分割效果进行评价，以确定最优窗口尺寸，分割评价值表征了在每种窗口尺寸下利用对应的局部分割阈值进行分割处理的效果好坏程度。最后，利用最优窗口尺寸对应的局部分割阈值进行分割的效果最好，获得的病理分割图像的准确度的较高。
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和优点，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的介绍，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它附图。
图1是本发明的一种乳腺癌病理图像的分割处理方法的方法流程图；
图2是本发明实施例中的乳腺癌患者的病理灰度图像；
图3是本发明实施例中利用全局分割阈值进行分割处理的图像；
图4是本发明实施例中利用最优窗口尺寸对应的局部分割阈值进行分割处理的图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种乳腺癌病理图像的分割处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种乳腺癌病理图像的分割处理方法的具体方案。
本发明的主要目的是：首先利用图像处理技术，对获取到的乳腺癌患者的乳腺癌病理图像进行处理，获得病理图像进行整体区域分割的全局阈值，然后根据病理图像中不同区域大小的灰度值分布情况，自适应的确定不同区域内的局部阈值，进而将局部阈值与全局阈值进行比较，确定分割效果最佳的阈值，最终获得细胞核最优的分割图像。分割图像中细胞核的分割效果较佳，削减了细胞质内其他结构对细胞核观察的影响。
请参阅图1，其示出了本发明一个实施例提供的一种乳腺癌病理图像的分割处理方法的方法流程图，该方法包括以下步骤：
步骤一，获取乳腺癌患者的病理灰度图像，基于病理灰度图像中每个像素点的灰度值确定病理灰度图像的全局分割阈值。
由于大多数细胞都是透明的，完全没有或者几乎没有固定色素，在本实施例中，采用苏木精—伊红染色法对乳腺癌患者的病理切片进行染色处理。苏木精染液为碱性，主要使细胞核内的染色质与胞质内的核酸着紫蓝色；伊红为酸性染料，主要使细胞质和细胞外基质中的成分着红色。获取染色后的乳腺癌病理图像，考虑到细胞可能着色不均匀的情况，对乳腺癌病理图像进行标准化处理后，再进行灰度化处理，获得乳腺癌患者的病理灰度图像。其中，对图像进行标准化处理以及灰度化处理均为公知技术，在此不再过多介绍。
然后，基于病理灰度图像中每个像素点的灰度值确定病理灰度图像的全局分割阈值。全局分割阈值用于对病理灰度图像整体进行区域分割处理。在本实施例中，病理灰度图像如图2所示，采用大津阈值分割算法对病理灰度图像进行分割处理后的图像如图3所示，其中细胞部分的分割效果较差。进一步的，可以获得分割处理过程中所使用的阈值作为全局分割阈值，即分割时使得类间方差最大的阈值。其中，利用大津阈值分割算法对图像进行分割处理为公知技术，在此不再过多介绍。
步骤二，利用不同尺寸的窗口分别对病理灰度图像进行处理，根据每种窗口尺寸下病理灰度图像中每个窗口内除中心像素点外的其他像素点的灰度值分布、以及全局分割阈值，得到每种窗口尺寸下病理灰度图像中每个窗口对应的局部分割阈值。
利用局部阈值对病理灰度图像进行阈值分割处理时，局部范围的分割受邻域像素点的影响较大，故可以通过遍历，将病理灰度图像划分为不同大小的局部范围，自适应的确定不同大小局部范围内的局部阈值，进而可以通过比较局部阈值与全局阈值，确定分割效果较优的局部阈值。
首先，利用不同尺寸的窗口分别对病理灰度图像进行处理。在本实施例中，将最小的窗口尺寸设置为3*3，按照设定步长不断增大窗口尺寸，设定步长的取值为2，最大窗口尺寸的窗口边长为病理灰度图像边长的1/10，实施者可根据具体实施场景进行设置。基于每种窗口尺寸，将病理灰度图像分别均匀分割为窗口尺寸大小的相同的局部区域。
由于对病理灰度图像进行局部阈值分割的结果受局部范围内邻域像素点的影响较大，故本实施例中采用不断扩大局部范围，扩大邻域像素点的数量，扩大均值法计算中心像素点阈值的数据输入，进而能够使得均值结果更具普遍性和更加准确。减少偶然性情况的发生，例如局部范围内某一像素点的灰度值过大或者过小，可能会影响到局部范围内阈值的获取。
基于此，通过对每种窗口尺寸下病理灰度图像中每个窗口内除中心像素点外的其他像素点的灰度值分布、以及全局分割阈值进行分析，获得每种窗口尺寸下病理灰度图像中每个窗口对应的局部分割阈值。
具体地，对于任意一种尺寸下病理灰度图像中任意一个窗口，将窗口内除中心像素点之外的像素点记为参考像素点，根据窗口内每个参考像素点的灰度值与全局分割阈值之间的差异得到窗口内每个参考像素点的影响系数。即将窗口内每个参考像素点的灰度值与全局分割阈值之间的差值的绝对值作为窗口内每个参考像素点的影响系数。
在本实施例中，以3*3的窗口尺寸为例进行说明，则该种窗口尺寸下病理灰度图像中第i个窗口内第r个参考像素点的影响系数可以表示为，其中，/>表示病理灰度图像中第i个窗口内第r个参考像素点的影响系数，/>表示病理灰度图像中第i个窗口内第r个参考像素点的灰度值，T为全局分割阈值。
在一个窗口的局部范围内中心像素点受邻域像素点的影响较大，邻域像素点的灰度值大小较为重要。利用参考像素点的影响系数反映了参考像素点作为局部范围内中心像素点的邻域像素点，对中心像素点的影响程度。
反映了参考像素点的灰度值与全局分割阈值之间的差异情况，该差异取值越大，说明参考像素点与全局分割阈值的联系越大。利用影响系数既保留了参考像素点的灰度值特征，又兼顾了全局分割阈值对局部范围内像素点分割结果的影响。
进一步的，根据窗口内每个参考像素点的影响系数以及所有参考像素点的影响系数的概率密度分布情况，得到窗口内每个参考像素点的影响权重。具体地，计算窗口内所有参考像素点的影响系数的均值和方差；对于窗口内任意一个参考像素点，基于所述均值和方差、以及参考像素点的影响系数，得到参考像素点的概率密度值，将所述概率密度值的归一化值作为参考像素点的影响权重。
在本实施例中，在3*3窗口尺寸下的病理灰度图像中，以第i个窗口内第r个参考像素点为例进行说明，则第i个窗口内第r个参考像素点的影响权重的计算公式可以表示为：
其中，表示病理灰度图像中第i个窗口内第r个参考像素点的影响权重，/>表示病理灰度图像中第i个窗口内所有参考像素点的影响系数的方差，/>表示病理灰度图像中第i个窗口内所有参考像素点的影响系数的均值，/>表示病理灰度图像中第i个窗口内第r个参考像素点的影响系数，exp( )表示以自然常数e为底的指数函数，π为圆周率，Norm( )为归一化函数，在本实施例中，采用最大值最小值归一化的方法，实施者可根据具体实施场景进行选择。
采用概率密度函数对参考像素点对局部范围内阈值分割的影响程度的分布情况进行描述，即影响权重越大，对应的参考像素点的灰度值对局部范围内阈值分割的影响程度越大。进一步的，可以将影响权重作为对应参考像素点的灰度值的权重进行加权求和，能够自适应的获取每个局部范围内的局部阈值。即利用窗口内每个参考像素点的影响权重对参考像素点的灰度值进行加权求和，得到窗口对应的局部分割阈值，可以表示为，其中，/>表示病理灰度图像中第i个窗口对应的局部分割阈值，/>表示病理灰度图像中第i个窗口内包含的参考像素点的数量，/>表示病理灰度图像中第i个窗口内第r个参考像素点的影响权重，/>表示病理灰度图像中第i个窗口内第r个参考像素点的灰度值。
按照相同的方法，可以获得每种尺寸下的病理灰度图像中每个窗口对应的局部分割阈值，结合了每种尺寸下的病理灰度图像中每个窗口内像素点的灰度值分布情况，进行特征分析，考虑了参考像素点对局部范围内的影响，自适应的获得每个窗口对应的局部分割阈值。
步骤三，根据每种窗口尺寸下病理灰度图像中所有窗口对应的局部分割阈值确定每种窗口尺寸的分割评价值，根据所有种窗口尺寸的分割评价值确定最优窗口尺寸。
对病理灰度图像进行全局阈值分割处理，是采用单一阈值对病理灰度图像进行阈值分割处理，病理灰度图像以唯一的标准划分像素点的灰度值，因此，不可避免的会出现误分割的现象，使得一部分本属于背景部分的像素点被划分为细胞部分，或者将本属于细胞部分的像素点被划分为背景部分，使得阈值分割结果较不理想。基于此，本发明实施例考虑采用局部阈值与全局阈值的特征差异，即能扩大局部阈值的输入范围，又能弥补全局阈值分割忽视的图像细节，以获得效果最佳的分割结果。
首先，结合每种窗口尺寸下病理灰度图像中每个窗口对应的局部分割阈值与全局分割阈值之间的差异情况，对每个自适应获取的窗口对应的局部分割阈值进行评价，即根据每种窗口尺寸下病理灰度图像中所有窗口对应的局部分割阈值确定每种窗口尺寸的分割评价值。
具体地，对于任意一种窗口尺寸下的病理灰度图像；根据每个窗口对应的局部分割阈值与全局分割阈值之间的差异情况，得到每个窗口的阈值优选度，即计算每个窗口对应的局部分割阈值与全局分割阈值之间的差值绝对值的归一化值，得到每个窗口的阈值优选度。
在本实施例中，在3*3窗口尺寸下的病理灰度图像中，以第i个窗口为例进行说明，则第i个窗口的阈值优选度的计算公式可以表示为：
其中，表示病理灰度图像中第i个窗口的阈值优选度，/>表示病理灰度图像中第i个窗口对应的局部分割阈值，T为全局分割阈值，exp( )表示以自然常数e为底的指数函数。
表示了局部分割阈值与全局分割阈值之前的差异情况，该差异越大，利用局部分割阈值进行区域分割的效果越差，对应的阈值优选度的取值越小。该差异越小，利用局部分割阈值进行区域分割的效果越好，对应的阈值优选度的取值越大。
窗口的阈值优选度表征了利用窗口对应的局部分割阈值进行区域分割的效果的好坏程度。阈值优选度的取值越大，说明利用窗口对应的局部分割阈值对窗口所在的局部区域进行分割的效果越好。阈值优选度的取值越小，说明利用窗口对应的局部分割阈值对窗口所在的局部区域进行分割的效果越差。
由于可能存在噪声点的影响，导致窗口的局部分割阈值产生偏差，进而导致窗口对应的分割评价较不准确，可能会影响后续对该种窗口尺寸的分割效果的评价结果，同时，考虑到相邻窗口之间存在一定的重叠部分，使得相邻的窗口之间的灰度分布较为相似，进而使得对应的局部分割阈值较为接近，故需要考虑每个窗口内像素点所在的其他窗口之间的重叠情况以及窗口对应的局部分割阈值之间的差异情况。即为每个窗口设置一个权值，以便后续在评判每种尺寸的窗口对应的分割效果时，能够根据每个窗口的权值降低可能包含噪声的部分对应的关注程度，获取更加准确的效果评价值。
对于任意一个窗口，获取窗口内除中心像素点外其他像素点对应的窗口作为窗口对应的参考窗口，即窗口内参考像素点对应的窗口为参考窗口；根据每个窗口与其对应的参考窗口之间的重叠情况以及窗口对应的局部分割阈值之间的差异情况，得到每个窗口的局部权重；利用所述局部权重对所有窗口的阈值优选度进行加权求和，获得该种窗口尺寸的分割评价值。其中，每个像素点对应的窗口为以每个像素点为中心的窗口。
其中，在本实施例中，在3*3窗口尺寸下的病理灰度图像中，以第i个窗口为例进行说明，则第i个窗口的局部权重的计算公式可以表示为：
；
其中，表示第i个窗口的局部权重，/>表示第i个窗口内包含的参考像素点的数量，/>表示病理灰度图像中第i个窗口对应的局部分割阈值，/>表示第i个窗口对应的第r个参考窗口对应的局部分割阈值，/>表示第i个窗口与第r个参考窗口之间重叠的像素点数量，Norm( )表示归一化函数，exp( )表示以自然常数e为底的指数函数。
反映了第i个窗口与其相邻的窗口之间的局部分割阈值的差异情况，/>反映了第i个窗口与其相邻的窗口之间的重叠占比情况，局部分割阈值的差异越小，该重叠占比越大，说明第i个窗口与其相邻的窗口之间的相关关系越大，局部分割阈值差异和重叠占比之间越呈现负相关的关系，此时第i个窗口受噪声影响的可能性较小，此时/>的取值较小，对应的窗口权值应当越大。
当局部分割阈值的差异越大，重叠占比情况越大时，说明第i个窗口与其相邻的窗口之间的差异越大，即相关关系越小，对应的的取值越大，对应的窗口内差异越大，越可能属于噪声的情况，对应的窗口权值取值越小。窗口的局部权重反映了窗口内的阈值分割结果受关注程度。
在窗口所在的局部范围内中心像素点受邻域像素点的影响较大，邻域像素点的灰度值的取值过大或者过小均会影响局部阈值的选取，因此，本实施例中，不仅只考虑了一种窗口尺寸，通过不断扩大窗口尺寸，以削弱结果的偶然性。
由于局部阈值分割受邻域像素点影响较大，采用窗口逐渐扩大邻域范围进行局部阈值分析，并将局部阈值与全局阈值进行比较做差，获取局部阈值优选度，不同窗口条件下局部阈值与全局阈值差值不同，局部阈值优选度最大，该中心像素点阈值受邻域像素点影响最小，区域分割的效果最好。
基于此，根据所有种窗口尺寸的分割评价值确定最优窗口尺寸，即将所有种窗口尺寸的分割评价值的最大值对应的窗口尺寸作为最优窗口尺寸。局部阈值分割与全局阈值分割结合，兼顾了两者的优点，弥补了各自的不足，局部分割阈值与全局饿阈值之间的差异越小，利用局部分割阈值进行区域分割的效果越佳，中心点像素对邻域像素点考虑程度越深，获得的局部分割阈值进行区域分割的准确度越高。
步骤四，利用最优窗口尺寸对应的局部分割阈值对病理灰度图像进行分割得到病理分割图像。
具体地，利用最优窗口尺寸对病理灰度图像进行均匀分割得到多个病理区域，在每个病理区域内均对应一个局部分割阈值。对于任意一个病理区域，当像素点的灰度值大于该病理区域对应的局部分割阈值时，将像素点的像素值设置为255；当像素点的灰度值小于或等于该病理区域对应的局部分割阈值时，将像素点的像素值设置为0，获得利用最优窗口尺寸对应的局部分割阈值进行图像区域分割的二值图像。如图4为利用最优窗口尺寸对应的局部分割阈值进行分割处理的图像。
癌细胞的基本组成包括细胞核、细胞膜和细胞质，细胞核是细胞最重要的组成成分，是遗传物质贮存以及遗传信息复制和转录的场所，是细胞代谢、增殖以及分化的控制中心。癌细胞核与正常的细胞相比体积大，而且染色很深，正常细胞核质比为1:4至1:6，但癌细胞的核质比可以达到1:1，说明癌细胞的核非常巨大。因此，只要找出二值图像中相应的图像轮廓，即为细胞核轮廓。
在本实施例中，采用开运算对二值图像进行去噪平滑处理，通过边缘检测反向提取图像轮廓，识别图像轮廓，获取细胞核最优的分割图像，记为病理分割图像。其中，对图像进行开运算的方法以及边缘检测为公知技术，在此不再过多介绍。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (7)
1.一种乳腺癌病理图像的分割处理方法，其特征在于，该方法包括以下步骤：
获取乳腺癌患者的病理灰度图像，基于病理灰度图像中每个像素点的灰度值确定病理灰度图像的全局分割阈值；
利用不同尺寸的窗口分别对病理灰度图像进行处理，根据每种窗口尺寸下病理灰度图像中每个窗口内除中心像素点外的其他像素点的灰度值分布、以及全局分割阈值，得到每种窗口尺寸下病理灰度图像中每个窗口对应的局部分割阈值；
根据每种窗口尺寸下病理灰度图像中所有窗口对应的局部分割阈值确定每种窗口尺寸的分割评价值，根据所有种窗口尺寸的分割评价值确定最优窗口尺寸；
利用最优窗口尺寸对应的局部分割阈值对病理灰度图像进行分割得到病理分割图像；
所述根据每种窗口尺寸下病理灰度图像中每个窗口内除中心像素点外的其他像素点的灰度值分布、以及全局分割阈值，得到每种窗口尺寸下病理灰度图像中每个窗口对应的局部分割阈值，具体包括：
对于任意一种尺寸下病理灰度图像中任意一个窗口，将窗口内除中心像素点之外的像素点记为参考像素点，根据窗口内每个参考像素点的灰度值与全局分割阈值之间的差异得到窗口内每个参考像素点的影响系数；
根据窗口内每个参考像素点的影响系数以及所有参考像素点的影响系数的概率密度分布情况，得到窗口内每个参考像素点的影响权重；
利用窗口内每个参考像素点的影响权重对参考像素点的灰度值进行加权求和，得到窗口对应的局部分割阈值；
所述根据窗口内每个参考像素点的影响系数以及所有参考像素点的影响系数的概率密度分布情况，得到窗口内每个参考像素点的影响权重，具体包括：
计算窗口内所有参考像素点的影响系数的均值和方差；
对于窗口内任意一个参考像素点，基于所述均值和方差、以及参考像素点的影响系数，得到参考像素点的概率密度值，将所述概率密度值的归一化值作为参考像素点的影响权重；
所述影响权重的计算公式具体为：
；
其中，表示病理灰度图像中第i个窗口内第r个参考像素点的影响权重，/>表示病理灰度图像中第i个窗口内所有参考像素点的影响系数的方差，/>表示病理灰度图像中第i个窗口内所有参考像素点的影响系数的均值，/>表示病理灰度图像中第i个窗口内第r个参考像素点的影响系数，exp( )表示以自然常数e为底的指数函数，π为圆周率，Norm( )为归一化函数。
2.根据权利要求1所述的一种乳腺癌病理图像的分割处理方法，其特征在于，所述根据窗口内每个参考像素点的灰度值与全局分割阈值之间的差异得到窗口内每个参考像素点的影响系数，具体包括：
将窗口内每个参考像素点的灰度值与全局分割阈值之间的差值的绝对值作为窗口内每个参考像素点的影响系数。
3.根据权利要求1所述的一种乳腺癌病理图像的分割处理方法，其特征在于，所述基于病理灰度图像中每个像素点的灰度值确定病理灰度图像的全局分割阈值，具体包括：
利用大津阈值分割算法获取病理灰度图像的全局分割阈值。
4.根据权利要求1所述的一种乳腺癌病理图像的分割处理方法，其特征在于，所述根据每种窗口尺寸下病理灰度图像中所有窗口对应的局部分割阈值确定每种窗口尺寸的分割评价值，具体包括：
对于任意一种窗口尺寸下的病理灰度图像；
计算每个窗口对应的局部分割阈值与全局分割阈值之间的差值绝对值的归一化值，得到每个窗口的阈值优选度；对于任意一个窗口，获取窗口内每个参考像素点对应的窗口作为参考窗口；根据每个窗口与其对应的参考窗口之间的重叠情况以及窗口对应的局部分割阈值之间的差异情况，得到每个窗口的局部权重；
利用所述局部权重对所有窗口的阈值优选度进行加权求和，获得该种窗口尺寸的分割评价值。
5.根据权利要求4所述的一种乳腺癌病理图像的分割处理方法，其特征在于，所述局部权重的计算公式具体为：
；
其中，表示第i个窗口的局部权重，/>表示第i个窗口内包含的参考像素点的数量，/>表示病理灰度图像中第i个窗口对应的局部分割阈值，/>表示第i个窗口对应的第r个参考窗口对应的局部分割阈值，/>表示第i个窗口与第r个参考窗口之间重叠的像素点数量，Norm( )表示归一化函数，exp( )表示以自然常数e为底的指数函数。
6.根据权利要求1所述的一种乳腺癌病理图像的分割处理方法，其特征在于，所述根据所有种窗口尺寸的分割评价值确定最优窗口尺寸，具体包括：
将所有种窗口尺寸的分割评价值的最大值对应的窗口尺寸作为最优窗口尺寸。
7.根据权利要求1所述的一种乳腺癌病理图像的分割处理方法，其特征在于，所述不同尺寸的窗口中最小的尺寸为3*3，最大的尺寸的窗口边长为病理灰度图像边长的1/10。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531926.9A CN117252893B (zh) | 2023-11-17 | 2023-11-17 | 一种乳腺癌病理图像的分割处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531926.9A CN117252893B (zh) | 2023-11-17 | 2023-11-17 | 一种乳腺癌病理图像的分割处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252893A CN117252893A (zh) | 2023-12-19 |
| CN117252893B true CN117252893B (zh) | 2024-02-23 |
Family
ID=89137229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311531926.9A Active CN117252893B (zh) | 2023-11-17 | 2023-11-17 | 一种乳腺癌病理图像的分割处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252893B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788829B (zh) * | 2024-02-27 | 2024-05-07 | 长春师范大学 | 一种用于入侵植物种子检测的图像识别系统 |
| CN118304200B (zh) * | 2024-06-07 | 2024-10-18 | 科普云医疗软件(深圳)有限公司 | 一种抑菌的皮肤清洁剂的制备方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
| CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
| CN107808381A (zh) * | 2017-09-25 | 2018-03-16 | 哈尔滨理工大学 | 一种单细胞图像分割方法 |
| CN109767439A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 |
| CN110288582A (zh) * | 2019-06-26 | 2019-09-27 | 电子科技大学 | 一种细胞核的准确分割方法 |
| CN110473635A (zh) * | 2019-08-14 | 2019-11-19 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
| CN111275696A (zh) * | 2020-02-10 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 一种医学图像处理的方法、图像处理的方法及装置 |
| 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 |
| CN114511588A (zh) * | 2021-12-24 | 2022-05-17 | 上海派影医疗科技有限公司 | 一种乳腺组织病理图像良恶性判别方法及装置 |
| CN114943770A (zh) * | 2022-07-26 | 2022-08-26 | 江苏菲尔浦物联网有限公司 | 一种基于人工智能与建筑物信息的视觉定位方法及系统 |
| CN115439493A (zh) * | 2022-09-13 | 2022-12-06 | 上海派影医疗科技有限公司 | 一种乳腺组织切片癌变区域分割方法及装置 |
| 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 |
| CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
| CN116071355A (zh) * | 2023-03-06 | 2023-05-05 | 山东第一医科大学第二附属医院 | 一种用于外周血管影像的辅助分割系统及方法 |
| CN116109663A (zh) * | 2023-04-04 | 2023-05-12 | 山东大学第二医院 | 基于多阈值分割的胃部ct影像分割方法 |
| WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
| CN116580216A (zh) * | 2023-07-12 | 2023-08-11 | 北京大学 | 病理图像匹配方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
-
2023
- 2023-11-17 CN CN202311531926.9A patent/CN117252893B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
| CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
| CN107808381A (zh) * | 2017-09-25 | 2018-03-16 | 哈尔滨理工大学 | 一种单细胞图像分割方法 |
| CN109767439A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 |
| CN110288582A (zh) * | 2019-06-26 | 2019-09-27 | 电子科技大学 | 一种细胞核的准确分割方法 |
| CN110473635A (zh) * | 2019-08-14 | 2019-11-19 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
| 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 |
| CN111275696A (zh) * | 2020-02-10 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 一种医学图像处理的方法、图像处理的方法及装置 |
| CN114511588A (zh) * | 2021-12-24 | 2022-05-17 | 上海派影医疗科技有限公司 | 一种乳腺组织病理图像良恶性判别方法及装置 |
| CN114943770A (zh) * | 2022-07-26 | 2022-08-26 | 江苏菲尔浦物联网有限公司 | 一种基于人工智能与建筑物信息的视觉定位方法及系统 |
| CN115439493A (zh) * | 2022-09-13 | 2022-12-06 | 上海派影医疗科技有限公司 | 一种乳腺组织切片癌变区域分割方法及装置 |
| 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 |
| CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
| WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
| CN116071355A (zh) * | 2023-03-06 | 2023-05-05 | 山东第一医科大学第二附属医院 | 一种用于外周血管影像的辅助分割系统及方法 |
| CN116109663A (zh) * | 2023-04-04 | 2023-05-12 | 山东大学第二医院 | 基于多阈值分割的胃部ct影像分割方法 |
| CN116580216A (zh) * | 2023-07-12 | 2023-08-11 | 北京大学 | 病理图像匹配方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252893A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117252893B (zh) | 一种乳腺癌病理图像的分割处理方法 | |
| CN111462042B (zh) | 癌症预后分析方法及系统 | |
| CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
| CN111402267B (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 | |
| Smaoui et al. | A developed system for melanoma diagnosis | |
| SG194407A1 (en) | A method and system for determining a stage of fibrosis in a liver | |
| Goceri et al. | Quantitative validation of anti‐PTBP1 antibody for diagnostic neuropathology use: Image analysis approach | |
| WO2023124562A1 (zh) | 基于机器学习的细胞分割和分型方法、装置、设备及介质 | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| Jia et al. | Multi-layer segmentation framework for cell nuclei using improved GVF Snake model, Watershed, and ellipse fitting | |
| CN113743421B (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
| CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
| CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
| CN109147932B (zh) | 癌细胞her2基因扩增分析方法及系统 | |
| CN113657449A (zh) | 一种含噪标注数据的中医舌象腐腻分类方法 | |
| CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
| Sarnecki et al. | A robust nonlinear tissue-component discrimination method for computational pathology | |
| CN116168012A (zh) | 色斑检测模型训练方法、装置和计算机设备 | |
| CN111210449A (zh) | 一种前列腺癌病理图像中腺体空腔的自动化分割方法 | |
| CN115131628A (zh) | 一种基于分型辅助信息的乳腺图像分类方法及设备 | |
| CN117934516B (zh) | 一种线粒体荧光图像自动分割方法及系统 | |
| CN110210578A (zh) | 基于图论的宫颈癌组织病理学显微图像聚类系统 | |
| CN116758068B (zh) | 一种基于人工智能的骨髓图片细胞形态分析方法 | |
| CN117542527B (zh) | 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质 | |
| CN117575977B (zh) | 一种用于卵巢组织分析的卵泡区域增强方法 |
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 |