[发明专利]一种肿瘤病理图像自动快速分割方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及一种肿瘤病理图像自动快速分割方法。

背景技术

癌症在发达国家已经成为主要死亡原因之一，以结直肠癌为例，是目前世界第三大恶性肿瘤。目前的病理切片诊断由于具有全彩色、图像分辨率高的特点，已经成为肿瘤检测的重要手段之一。但是目前肿瘤诊断完全依靠病理学医生的人工操作，不但效率慢，而且准确性受医生主观判断影响大。因此，基于病理的计算机辅助诊断系统具有很大的意义，有研究表明，病理计算机辅助诊断系统的输出结果可以为医生在肿瘤检测、定征和诊断决策时提供一种参考。

图像分割是肿瘤病理计算机辅助系统的重要环节。近十几年来，国内外在医学图像分割方面已经提出了很多算法，包括阈值分割、区域生长、基于模型的方法(包括活动轮廓模型，水平集，马尔科夫随机场等)、基于图论的方法(包括图割，归一化割等)、基于机器学习的方法、基于聚类的方法(包括K均值，模糊C均值等)。这些方法存在一些主要缺点：(1)多数方法需要手工交互；(2)多数方法对噪声敏感，且由于超声图像对比度低，具有与组织相关的纹理，故准确分割较为困难；(3)多数方法算法复杂度高，处理时间长，难以满足临床要求。

准确、快速、自动化分割是图像分割的目标。但分割的准确性、效率以及自动化水平也是相互矛盾的。近些年来，也有一些多分辨率自动分割方法相继被提出，这些方法的一般思路为：(1)在低分辨率下，通过某种全局特征自动找到能够将肿瘤涵括在内的感兴趣区域；(2)在高分辨率下，通过某种局部特征进行进一步优化分割。但是这些方法存在以下问题：(1)多分辨率的值是固定的，往往鲁棒性不高，仅对部分图像有效，影响了自动分割的准确性；(2)目前自动分割的技术路线和病理学医生的人工思路有较大分歧，带来的结果有两种，一是算法不适应病理学图像，分割精度不高；二是算法复杂程度非常高，处理时间非常长，难以达到临床上对自动分割的速度要求。

发明内容

发明目的：针对现有技术中存在的不足，本发明的目的在于提供一种肿瘤病理图像自动快速分割方法，具有准确、快速、自动化等特点。

技术方案：为了实现上述发明目的，本发明采用的技术方案如下：

一种肿瘤病理图像自动快速分割方法，其特征在于：首先采用高斯金字塔算法对肿瘤原始病理图像进行滤波，分别得到从1倍、2倍、4倍、8倍、16倍的病理学图像，通过RGB颜色直方图模型和形态学“闭操作”在1倍分辨率图像上确定包含肿瘤的初始感兴趣区域；同时应用巴氏距离从1倍分辨率到4倍分辨率进行初始肿瘤感兴趣区域的迭代优化，当巴氏距离达到设定阈值，判断RGB颜色直方图模型对肿瘤感兴趣区域贡献已经降低到0；再使用收敛指数滤波算法进行深度精确分割的自适应高分辨率选择，从而在最适合的高分辨率下进行进一步分割；最后使用基于随机投影的词袋模型将肿瘤感兴趣区域中的正常组织和肿瘤组织分割出来，实现最终肿瘤分割。

所述的肿瘤病理图像自动快速分割方法，包括如下步骤：

1)建立基于词袋BoW模型的肿瘤分类训练、测试数据库，构建texton字典，并训练出线性支持向量机LinearSVM模型(LinearSVM模型参考论文“LIBLINEAR:A library for large linear classification”的方法)；

2)将待分割的肿瘤病理图像，分别生成从1倍、2倍、4倍、8倍、16倍分辨率的病理图像；

3)从1倍分辨率图像开始使用RGB颜色直方图模型和形态学闭操作得到包含肿瘤的初始感兴趣区域；

4)在得到的初步分割结果基础上，重复步骤3)，得到更新后的感兴趣区域，并通过巴氏距离计算2个感兴趣区域的差异，如果差异大于阈值，继续重复步骤(3)，直到差异小于阈值跳转到高一倍分辨率图像，终止条件达到阈值或者达到4倍分辨率，得到优化后的感兴趣区域；

5)在优化后感兴趣区域中，在中心区域选择200×200像素框的图像；

6)用收敛指数滤波算法对步骤5)所选的区域进行细胞检测，如果细胞数量小于阈值，则跳转到高一层分辨率，继续重复步骤5)、6)；终止条件达到阈值，得到BoW分类最佳分辨率；

7)在步骤6)确定的最佳分辨率所映射的优化后感兴趣区域中，按照长宽200×200像素分割成若干块图片，用MR8滤波器对每一个块图片进行滤波，得到MR8特征；

8)在步骤7)基础上，用随机投影算法对图像进行降维，得到稀疏化的MR8特征；

9)用稀疏化后的MR8特征和步骤1)所得到的texton词典进行数据编码得到新的直方图特征；