[发明专利]一种肿瘤病理图像自动快速分割方法

摘要

本发明公开了一种肿瘤病理图像自动快速分割方法，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；同时应用巴式距离从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，当巴式距离达到设定阈值，判断RGB颜色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。该方法具有准确、快速、自动化等特点。

主权项

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；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；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；10)用步骤1)得到的LinearSVM模型对所得到的直方图特征进行分类，筛选出在优化后的感兴趣区域中的肿瘤部分，最终分割出肿瘤；步骤1)具体操作如下：首先由临床医生对肿瘤病理学图像进行人工分割，确定哪些区域是肿瘤组织，哪些区域是正常组织，形成分类好的ground truth数据库；基于ground truth数据库，分别对从8倍和16倍分辨率，按照200×200像素对数据库进行分割；并按照50/50形成训练数据集和测试数据集；用MR8滤波器对每一个块图片进行滤波，得到40000维的MR8特征；用随机投影算法对MR8特征降维，得到稀疏化的MR8特征；用L1‑norm范数对训练数据集进行texton词典聚类；Texton聚类模型公式表示如下minD,A(||X-DΛ||+λΣi=1N||αi||1+γΣi=1N|kχi-μ||1]]>s.t.djTdj=1]]>式中，Λ＝[α1,α2,...,αN]∈RL×N是编码矩阵，X＝[x1,x2,...,xN]∈RM×N是原始图像矩阵，D＝[d1,d2,...dL]∈RM×L是Texton聚类模型，αi,i＝1,2...,N是xi的L维编码向量；是αi的均值；参数λ和γ是正标量，用来控制Texton的子词典dj是一个正交矩阵。