生物对象检测的制作方法

本发明总体上涉及一种被配置为识别图像信息中的生物对象的轮廓的诊断辅助系统、一种用于识别图像信息中的生物对象的轮廓的图像处理方法，并且此外涉及一种用于控制处理单元的计算机程序单元和一种计算机可读介质。

背景技术：

数字病理学试图增加识别包含从人类或者动物患者取得的样本的病理学载玻片中的对象的困难过程的自动化。数字病理学是困难的，因为采集硬件中的改进已经使得在大小方面具有许多吉字节的病理学载玻片能够被记录。这样的载玻片通常包含针对医学专家的数十万或者数百万的潜在感兴趣的靶。

检测数字病理学图像中的对象的边界的一个方法是经由所谓的“种子区域”的使用。这些种子区域通常基于跟随有形态学图像处理步骤的像素强度分析。一旦初始种子区域已经在数字图像中被识别，可以搜索对象边界。这样做的典型的方法使用主动轮廓模型(acm)。acm可以准确地找到数字病理学图像中的对象的边界。acm技术通过在感兴趣的潜在对象的边界上施加平滑度来运行。能量最小化函数可以被用于找到对象的最终边界。

尽管通常acm方法可以是有用的，但是其成功取决于选择的初始种子区域的质量，以及边界的确切强度模式。对于具有“开放细胞结构”的病理学图像，acm方法可能不总是找到正确的边界。此外，acm不总是计算高效的，并且出于该原因可能不是针对交互式对象选择系统的好的选择。

us2006/0050947a1讨论了识别潜在细胞核的组织病理学评估方法。该方法使用主成分分析来导出单色图像数据，之后是otsu阈值化，以产生二进制图像。然而，还可以改进数字病理学图像处理方法。

技术实现要素：

根据第一方面，提供了一种被配置为识别图像信息中的生物对象的轮廓的诊断辅助系统。所述诊断系统包括：

-处理单元。

所述处理单元被配置为：接收已经被分割为超像素的图像信息；选择所述图像信息中的初始位置处的所述图像信息中的超像素初始集合；确定超像素初始集合的第一形态变量；识别所述图像信息中的另一位置处的与超像素初始集合的超像素邻近的另一超像素集合；生成超像素初始集合和另一超像素集合的并集的第二形态变量；并且如果所述第二形态变量与所述第一形态变量的比较指示所述初始集合和所述另一集合的并集具有增加的形状紧密度，则将所述图像信息中的生物对象的轮廓定义为超像素初始集合和另一超像素集合的并集的边界。

效应是生物图像信息中的轮廓检测中的改进的准确度，因为方法主要地不基于在纹理或者强度分析的基础上对超像素进行分组。例如，这在数字病理学图像中的细胞核的检测的情况下是有利的。当被包含在数字病理学图像中时，细胞核能够表现为具有定义所述细胞核的区内的可变的颜色和强度区域。acm方法能够未能够识别细胞核的边界。因此，例如，提出的方法不取决于分组中的两个超像素是否具有不同的颜色强度。因此，根据该方法的诊断系统的应用导致具有不均匀的颜色或者纹理分布(诸如细胞核)的生物对象的边界的更准确的检测。

技术的另一效应在于，可以离线预计算超像素，其允许形状紧密度度量的高效的评价。以这种方式，可以提供计算上高效的细胞核发现算法，从而允许所述技术在移动设备(诸如例如智能电话)上在低延时的交互模式中操作。因此，图像信息中的生物对象的轮廓可以以计算上高效的方式来识别。

所述技术的另一效应在于，可以可靠地检测具有颜色强度的大内部变化的细胞核。可以更容易地检测这样的细胞核的边界，因为所述方法当对邻近超像素进行分组时使用形态变量作为用于检测的准则，而不是强度或者纹理准则。

根据第一方面的实施例，提供了一种如在第一方面中定义的诊断辅助系统，还包括：

-输入单元。

所述输入单元被配置为从用户接收所述图像信息中的初始位置的指示，其中，所述超像素初始集合包括所述初始位置处的超像素，并且其中，所述处理单元还被配置为定义产生于应用开始于所述初始位置处的搜索算法的轮廓。

因此，所述诊断辅助系统在用户的帮助下识别生物对象的轮廓以识别最佳算法起始点。因此，更少的计算周期被要求以找到生物对象，例如，细胞核。

根据第一方面的实施例，提供了一种诊断辅助系统，其中，所述处理单元还被配置为使用随机过程生成所述初始位置，并且其中，所述超像素初始集合包括所述初始位置处的超像素。

因此，在没有用户输入的情况下，可以自动地应用用于找到所述图像信息中的生物对象的轮廓的算法。

根据第一方面的实施例，提供了一种如上文所讨论的诊断辅助系统，其中，所述处理单元还被配置为：通过将搜索区放置在初始位置和/或另一位置处来选择超像素初始集合和/或另一超像素集合；并且将所述超像素初始集合和/或所述另一超像素集合选择为接触所述初始位置和/或所述另一位置处的所述搜索区的超像素区域的集合。

因此，如果超像素的边界与搜索区相交，则可以识别作为用于包括在被采取以表示要在所述图像信息中识别的所述生物对象的轮廓的超像素集合中的候选的超像素。

根据第一方面的实施例，提供了一种诊断辅助系统，其中，所述处理单元还被配置为选择所述初始位置和所述另一位置来提供用于约束所述图像信息中的所述搜索区的放置的搜索路径，其中，所述搜索路径是以下中的一项：向外螺旋模式、随机行走或者向外扩展的圆圈的集合。

因此，所述生物图像信息中的另外的超像素的识别在较少的计算步骤中是更可能或者可能的，因为不同的搜索模式可以具有某些类型的生物图像信息中的有利的性质。具体地，随机行走具有用于找到细长的细胞核的优点，而向外扩展的螺旋或者圆形模式可以具有发现圆形细胞核的优点。

根据第一方面的实施例，提供了如上文所描述的诊断辅助系统，其中，所述处理单元还被配置为进行迭代，直到所述第二形态变量到达停止值，或者直到预设迭代数量已经完成。

因此，在其中迭代被执行直到所述第二形态变量到达停止值的情况下，识别所述第二形态变量的最佳值，使能感兴趣的生物对象已经在所述图像信息中被识别的较高的确定性。备选地，如果预设迭代数量已经完成，则所述图像信息中的对象的第二形态变量可以利用高效的迭代数量来识别，从而改进所述算法的计算效率。

根据第一方面的实施例，提供了一种如上文所讨论的诊断辅助系统，其中，所述处理单元还被配置为：生成多个初始位置；并且定义从所述多个初始位置中的每个相应初始位置开始的图像信息中的生物对象的多个候选轮廓；将所述多个候选轮廓显示给用户；接收选择所述多个候选轮廓中的轮廓的子集的用户输入；并且基于所述多个候选轮廓和选定的轮廓的子集来生成监督学习信息。

因此，感兴趣生物对象的大数量的轮廓可以在所述图像信息中被识别。这些可以被呈现给用户，并且所述系统可以应用自动化学习原理来改进所述图像信息中的感兴趣的生物对象的轮廓的识别。

根据第一方面的实施例，提供了一种如上文所描述的诊断辅助系统，其中，所述第一形态变量是所述初始集合的等周商，并且所述第二形态变量是所述初始集合和所述另一集合的并集的等周商。

所述等周商是形状紧密度的量度。通过预计算和存储针对邻近超像素对的边缘长度，轮廓的识别可以高效地完成，这当图像文件极其大时是特别重要的，并且要识别的生物对象的轮廓的数量也是大的。

根据第一方面的实施例，所述第一形态变量是所述初始集合的边界曲率，并且所述第二形态变量是所述初始集合和所述另一集合的并集的边界曲率。任选地，通过求和所述初始集合和/或所述另一集合的轮廓上的所有点上的边界曲率来找到所述边界曲率。

根据第一方面的实施例，提供了一种如先前地所描述的诊断辅助系统，其中，所述图像信息包含组织样本的显微图像，并且所述轮廓对应于细胞核的壁。

因此，可以更加高效的多地针对细胞核图像搜索数字病理学图像。

根据第二方面，提供了一种用于识别图像信息中的生物对象的轮廓的图像处理方法。所述图像处理方法包括：

a)接收已经被分割为超像素的图像信息；

b)选择所述图像信息中的初始位置处的所述图像信息中的超像素初始集合；

c)确定超像素初始集合的第一形态变量；

d)识别所述图像信息中的另一位置处的与超像素初始集合的超像素邻近的另一超像素集合；

e)生成超像素初始集合和另一超像素集合的并集的第二形态变量；

f)如果所述第二形态变量与所述第一形态变量的比较指示所述初始集合和所述另一集合的并集具有增加的形状紧密度，则将所述图像信息中的生物对象的轮廓定义为超像素初始集合和另一超像素集合的并集的边界。

因此，提供了一种使得能够以较大的计算效率识别图像信息中的生物对象的轮廓(例如，细胞核壁的轮廓)的图像处理方法。

根据第二方面的实施例，提供了一种根据先前第二方面的图像处理方法，其中，在步骤b)和/或d)中，对超像素初始集合和/或另一超像素集合的选择基于：

b1)将搜索区放置在所述初始位置和/或所述另一位置处；

b2)将所述超像素初始集合和/或所述另一超像素集合选择为接触所述初始位置和/或所述另一位置处的搜索区的超像素区域的集合。

根据第二方面的实施例，提供了一种如根据第二方面或者其实施例讨论的图像处理方法，其中，所述第一形态变量是所述初始集合的等周商，并且所述第二形态变量是所述初始集合和所述另一集合的并集的等周商。

根据第二方面的实施例，提供了一种根据上文所描述的第二方面或者其实施例之一的图像处理方法，其中，所述初始位置和所述另一位置被选择以提供用于约束所述图像信息中的所述搜索区的放置的搜索路径，其中，搜索路径是以下中的一项：向外螺旋模式、随机行走，或者向外扩展的圆圈周长的集合。

根据第三方面，提供了一种用于控制在第一方面或者其实施例中定义的处理单元和/或设备的计算机程序单元，所述计算机程序单元当所述计算机程序单元由所述处理单元和/或计算机运行时适于执行第二方面或者其实施例的方法。

根据第四方面，提供了一种存储有第三方面的计算机程序单元的计算机可读介质。

因此，其可以被看作接收例如从组织病理学载玻片取得的已经被分割为超像素的生物性质的数字图像信息的基本思想。然后，建议在已经被分割为超像素的数字图像信息中检测生物对象(例如，细胞核)的轮廓。所述检测通过根据形态变量的值如何改变对所述生物图像信息中的超像素一起连续地分组来执行。所述形态变量针对所述超像素的给定分组来确定。

在以下描述中，术语“生物对象的边界”意指数字图像信息中的可检测的差异，其定义所述图像中的特定位置处的项(诸如细胞核)的边界。在细胞核的情况下，单个细胞核可以具有可变的形状，诸如圆形、椭圆形或者其他形状。细胞核可以在大小方面变化。例如，上皮细胞的细胞核可以比浸润的免疫细胞的细胞核更大得多(大多达5倍)。因此，轮廓是生物学上导出的数字图像信息中的任何线，其可以在生物对象(诸如细胞核)内部与外部之间区分。这样的线可以甚至是对应于破裂细胞核的“折断的”(不连续的)线。

在以下描述中，术语“图像信息”可以指代数字信息，其当根据适当的成像标准绘制时可以被重新组装以提供示出生物对象的显示图像的像素。所述图像信息可以根据例如raw标准来压缩。所述图像信息可以以bitmap或者jpeg格式，并且本领域的技术人员已知其他格式。

在以下描述中，术语“超像素”指代图像信息中的像素的邻近区域，其已经使用超像素分割算法被定义为邻近区域。这样的算法被用于将数字图像信息划分为在例如颜色和/或纹理方面空间一致的区域。在高分辨率处，细胞核例如在苏木精和曙红(h&e)图像中清楚地可见。超像素分割可以帮助分割和识别h&e图像中的细胞核的部分。换言之，超像素是在生物图像信息像素的集合中具有一致颜色和/或纹理的像素的邻近子集。

在以下描述中，术语“搜索区”可以指代可以交叠若干超像素或者仅覆盖所述图像信息的一个超像素的图像信息的部分。备选地，“搜索区”可以被认为是搜索地点。如果超像素的边界与搜索地点相交，那么所述搜索区还可以被认为“接触”所述(一个或多个)超像素。

在以下描述中，术语第一和第二“形态变量”定义给定关于超像素或者超像素集合的形状的信息的度量。

在以下描述中，术语“形状紧密度”指代表示形状的面积除以该形状的周长的数值量。具有非常不同的半轴的椭圆(偏心椭圆)将被定义为具有低形状紧密度，而完美圆圈将具有高形状紧密度。这样的度量适用于所有几何形状并且独立于缩放和/或取向。公共紧密度量度是等周商。这是形状的面积与具有相同周长的圆圈的面积的比率。

附图说明

将参考以下附图描述示范性实施例：

图1示出了在变换为超像素区域之前和之后的生物图像信息的模拟集合；

图2示出了第一方面的诊断辅助系统；

图3示出了图示根据范例的搜索算法的操作的图像的序列；

图4a)至4c)示出了搜索模式的特定范例；

图5a)和5b)示出了使用提出的搜索算法的范例的典型的结果；

图6示出了根据第二方面的方法；

图7示出了诊断辅助系统的应用；并且

图8示出了诊断辅助系统的客户端-服务器应用。

具体实施方式

细胞核检测是针对h&e和免疫组织化学(ihc)图像两者的困难的问题。典型的方法是使用图像强度检测初始位置，初始化轮廓位置和形状，并且应用主动轮廓模型(acm)以准确地定义细胞核的边界。该方法假定已经检测到有用的细胞核候选。此外，来自候选细胞核的细胞核的最终边界仅能够通过在边界上施加平滑度找到，如由能量最小化函数表达的。

该方法可以不是在鲁棒性或者算法效率方面的优选的解决方案。当在分析中的细胞包括开放结构时，换言之，例如当细胞或者细胞核的不同部分具有归因于细胞质的内移的非常不同的颜色强度时，acm方法中的轮廓的初始化能够遇到困难。

在这样的情况下，现有技术方法未能检测到生物对象(诸如细胞核)的轮廓，因为初始种子区域可以针对acm初始化步骤不利地被定位，或者潜在的初始种子区域根本未被检测到。换言之，生物对象(诸如细胞核)常常具有可变的形状。其在大小方面变化，并且呈现内部纹理和颜色变化，从而导致当应用acm算法时找到不正确的边界的增加的机会。

根据以上描述的方面提供了解决以上问题的方法。初始地将介绍根据第二方面的方法，其是用于识别图像信息中的生物对象的轮廓的图像处理方法。

根据第二方面的方法包括：

a)接收图像信息，其已经被分割为超像素；

b)选择图像信息中的初始位置处的图像信息中的超像素初始集合；

c)确定超像素初始集合的第一形态变量；

d)识别图像信息中的另一位置处的与超像素初始集合的超像素邻近的另一超像素集合；

e)生成超像素初始集合和另一超像素集合的并集的第二形态变量；

f)如果第二形态变量与第一形态变量的比较指示初始集合和另一集合的并集具有增加的形状紧密度，则将图像信息中的生物对象的轮廓定义为超像素初始集合和另一超像素集合的并集的边界。

因此，检测不取决于图像信息中的生物对象的区的颜色或者纹理性质。代替地，其取决于超像素的组当所述组连续地被添加到集合时的形状紧密度。

现在将从第二方面的方法开始解释图像处理方法的原理。

图1a)图示了从组织病理学载玻片取得的典型的原始数字图像信息的综合印象。图1a)示出了具有多个生物对象(例如，诸如免疫细胞核12和上皮细胞核，诸如14和16)的组织病理学载玻片10。上皮细胞核14和16包含具有不同的大小和纹理的多个对象。在颜色图像中，细胞核内的对象还可以具有不同的颜色。

图1b)图示了图1a)的图像信息的得到的超像素分割。作为不同的颜色、纹理和大小的结果，细胞核的主体使用被应用到生物图像信息的超像素分割算法被划分为超像素的组，如在14a和16a处在图1b)中看到的。可以注意，仅基于颜色或者纹理相似性量度对近邻超像素进行分组通常将不启用细胞核14和16的安全识别，因为许多细胞核呈现细胞核内部的颜色强度和纹理的大的变化。

为了获得有效细胞核边界，提出了应用新超像素分组方法。在接收到已经使用超像素分割算法分割的生物图像信息之后，对应于细胞核边界14、16(例如14a和16a周围的超像素区域)的数字图像信息中的超像素集合通常形成比数字图像信息10的另一部分中的任何其他超像素集合更紧密的形状。因此，建议评价数字图像信息10的超像素分割中的多个超像素集合的形状紧密度，并且将导致显著的形状紧密度的超像素集合定义为将数字图像信息的区域定义为细胞核的超像素集合。

可以被用作形态变量的形状紧密度的一个量度是所谓的等周商，但是技术读者将理解，可以应用其他形状紧密度量度。

可以被用作形态变量的用于描述形状的备选量度是超像素或者超像素集合的边界曲率。通过对轮廓上的所有点上的边界曲率求和，产生单个积分值，其还将描述形状。

对于二维形状而言，等周商被定义为其面积和具有相同周长的圆形的面积的比率。等周商的等式在(1)中被定义：

变量a表示两个二维形状的面积，并且l是二维形状的周长。形状紧密度q位于域[0，1]中。

因此，非常细长的形状将具有接近于0的q，同时对于圆圈而言，q＝1。在本申请中，第一形态变量是超像素初始集合的形状紧密度，并且第二形态变量是另一超像素集合的形状紧密度。但是将意识到，存在用于第一形态变量和第二形态变量的评估的其他度量。

具体地，应注意到，目前描述的技术不限于二维数字图像情况，并且实施例可以适用于使用形状紧密度量度(诸如例如球形)的三维生物图像信息。

因此，尽管优选的，但是将等周商用作评估形状紧密度的形态变量不是必需的。

具有q的较高值的一个超像素集合关于具有q的较低值的另一超像素集合的选择是用于搜索算法的构建的基础。存在形成候选超像素集合(建议分组)的许多不同的方法。算法的公共元素在于，超像素集合以最大化形状紧密度q的目的来修改。任选地，超像素集合中的搜索当q在最大迭代处足够高时或者当一些其他停止准则被满足时结束。

现在将提供根据第二方面的本算法的搜索流程的详细范例。

正式地，让s指代并集必须定义细胞核的超像素区域的集合。提供了数字图像信息中的初始输入位置(x0，y0)。初始集合s通过将搜索区(其可以是诸如具有半径r的圆圈的形状)放置在位置(x0，y0)处起始。

位于搜索区内并且没有搜索区的情况下的超像素的识别可以以许多不同的方式确定。例如，如果被包括在特定超像素内的像素存在于搜索区内，那么该整个特定超像素可以被指派为在初始集合中。作为另一范例，如果超像素的边界与搜索区相交，那么边界的任一侧的超像素可以被指派为在初始集合中。

在该范例中，其边界与搜索区相交(接触)的所有超像素区域被添加到集合s。

对于初始集合s而言，计算指代s的形状紧密度的第一形态变量。例如，可以通过对初始集合s中的像素的数量进行计数来计算被定义为初始集合s的超像素的形状的区。例如，可以通过对位于初始集合s的边界上的像素的数量计数来计算初始集合s的周长。作为范例，q可以根据以上(1)来计算，找到初始集合s的等周商q。当然，评估a和i的值的其他方法是可能的。

这产生初始集合s0，具有作为第一形态变量的相关联的形状紧密度q0。

在另一步骤中，位置(x1，y1)处的后续搜索区(在该范例中，圆圈)接近于初始输入位置(x0,y0)放置。

现在，让s1指代与后续搜索区相交的所有超像素区域的集合。针对集合s0和s1的并集找到第二形态变量(例如，如等周商的形状紧密度量度)。

然后，比较第一形态变量和第二形态变量。如果第二形态变量大于第一形态变量，则s被重新定义为集合s0和s1的并集。如果第二形态变量与第一形态变量相比较保持恒定或者减小，那么在该范例中未修改s。技术人员将意识到，可以提供各种各样的停止准则。

搜索区优选地被添加在预定义搜索模式中，其被设计为允许找到细胞核的好的可能性。随后将讨论搜索模式的一些实施方式。

图2图示了根据第二方面的方法。

图3a)至3f)图示了根据上文所描述的方法的数字图像信息中的细胞核检测序列的迭代。

图3a)示出了由较小的细胞核21a、21b和21c和细胞外基质区域19a和19b围绕的数字图像信息中的细胞核20。数字图像信息先前已经被分割为超像素a-r。

超像素c和e是细胞核内边界。在这种情况下，超像素分割算法已经添加细胞核区内的区域c和e，还使正确地定义细胞核20的过程复杂。

在该范例中感兴趣的是细胞核20的轮廓。这表示细胞核20的边界。

图3b)示出了搜索方法的第一迭代。已经在22处定义了图像信息中的初始位置(例如，通过用户或者初始起始位置的随机放置)。第一搜索区24(在这种情况下，圆形搜索区)的边界在这种情况下被示出为虚线。

超像素初始集合被定义为区域a、b和d，其全部具有接触第一搜索区24的超像素区域(换言之，超像素边界与搜索区的边界相交)。超像素a、b和d被定义为超像素初始集合。

a、b和d的边界被定义为粗线26。应注意到，c和e是被包含在细胞核边界20内的超像素，其已经被分割。然而，第一搜索区24不接触c和e的边界。因此，c和e的面积而非其周长被用于计算a、b和d的边界26的形状紧密度。初始集合a、b和d的形状紧密度使用a、b和d的面积和a、b和d的总周长被生成为第一形态变量。

图3c)示出了具有第二搜索区27(在这种情况下圆圈)居中在其周围的数字图像信息中的第二起始位置26的后续放置的后续迭代。搜索区27接触超像素f和d。因此，f和d形成另一超像素集合。因此，超像素初始集合和另一超像素集合的并集是具有如由粗线28示出的周长的a、f、d和b。然后生成超像素初始集合和另一超像素集合的并集(a、f、d和b)的第二形态变量。当集合a、f、d和b的形状紧密度大于a、b和d的形状紧密度时，第二形态变量大于第一形态变量，并且集合a、f、d和b被定义为暂时地是细胞核20的轮廓的最适合的估计。

图3d)示出了其中第三搜索区32已经放置、居中在第三初始位置30上的后续迭代。第三搜索区32接触超像素b、d和e。因此，超像素e被添加到另一超像素集合。计算该另一超像素集合的第三形态变量。在这种情况下，第三形态变量增加。

图3e)示出了其中第四搜索区34已经被添加、居中在第四初始位置36上的后续迭代。可以看到，添加第四搜索区34将导致细胞核20的形状紧密度中的另外的增加。

图3f)示出了后续迭代，其中，搜索区38以第五初始位置40为中心放置，从而使得形态变量被生成，其包含另一集合(包括超像素g和h)与当前初始集合(包括超像素a至f)的集合并集。可以看到，细胞核20的边界外部的大超像素g和h的另一集合的添加导致形状紧密度中的急剧降低，因为超像素g和h的额外长度(未示出全部长度)比超像素g和h的额外面积大得多。

因此，针对前四个圆形的放置到达提供最后的候选细胞核区域边界的该情况下的最佳形状紧密度。

图3的范例根据被放置在距初始开始位置的增加的距离处的圆圈的向外增长模式放置连续的搜索区。

图4a)图示了任选的搜索模式，其中，在第一初始位置和搜索区以初始位置为中心的情况下的位置(x0，y0)。

图4b)证明了另一任选搜索模式，其中，搜索路径44不限于矩形模式，但是代替地跟随在圆形搜素区居中在其上的初始位置(x0，y0)处开始的向外螺旋(蜗牛壳)模式。

图4c)示出了根据其生成搜索区的随机路径46。随机路径可以使用例如“随机行走”算法从初始位置(x0，y0)生成。

对于技术人员而言将显而易见的是，许多其他搜索路径可以被提供在搜索算法中。

根据实施例，可以提供搜索区的许多不同的形状。例如，代替于圆形，搜索区可以是正方形、矩形或者三角形。任选地，搜索区的直径可以随着算法进展在连续的步骤中增加。备选地，搜索区的直径可以随着算法进展而减小。这启用特定细胞核类型的算法的定制。

在方法的实施例中，在步骤a)中，接收已经分割为超像素的图像信息。技术人员将意识到，将图像分割为超像素是图像处理中的公知的预处理步骤。其是组织部分(诸如细胞膜、细胞质和细胞核)的检测的若干备选方法之一。超像素分割方法假定近邻像素具有类似的性质，并且可以分组并且聚类为超像素，从而有效地减少用于进一步分析的数据量。

任选地，在实施例中，存在接收尚未被分割为超像素的数字组织病理学图像信息并且将接收到的数字组织病理学图像信息分割为用于方法的步骤a)中的图像信息的初始步骤。

因此，根据实施例，提供了图像处理方法，其中，在步骤b)和/或d)中，对超像素初始集合和/或另一超像素集合的选择基于：

b1)将搜索区放置在初始位置和/或另一位置处；

b2)将超像素初始集合和/或另一超像素集合选择为接触初始位置和/或另一位置周围的搜索区的超像素区域的集合。

根据实施例，第一形态变量是初始集合的等周商，并且第二形态变量是初始集合和另一集合的并集的等周商。

根据实施例，第一形态变量是初始集合的边界曲率，并且第二形态变量是初始集合和另一集合的并集的边界曲率。任选地，通过求和初始集合和/或另一集合的轮廓上的所有点上的边界曲率来找到边界曲率。

根据实施例，初始位置和另一位置被选择以提供用于约束图像信息中的搜索区的放置的搜索路径，其中，搜索路径是以下中的一项：向外螺旋模式、随机行走；或者向外扩展的圆圈周长的集合。

根据实施例，提供了另外的步骤：

a1)经由用户接口接收初始位置的指示；以及

其中，在步骤b)中，超像素初始集合包括初始位置处的超像素。

由用户对初始位置的选择使得好的候选开始位置迅速地找到。优选地，用户接口是触摸屏。然后，对于用户而言使用触摸屏在图像信息周围“滚动”并且将初始位置的指示放置在图像信息中的感兴趣的位置处是可能的。

任选地，用户可以放置多个初始位置。任选地，用户接口可以是计算机鼠标指针、键盘或者计算机跟踪板。

根据实施例，提供了另外的步骤：

b3)使用随机过程生成初始位置。在步骤b)中，超像素初始集合包括初始位置处的超像素。

因此，算法可以在没有用户监督的情况下开始。

根据实施例，步骤a)至f)迭代地重复直到第二形态变量到达停止值，或者直到预设迭代数量已经完成。

因此，在第一情况下，例如，特定形状因子或者形状因子范围可以在算法被停止之前被要求以确保真实的细胞核已经被识别。备选地，算法可以在特定迭代数量之后被停止，所述特定迭代数量可以特定于特定类型的组织病理学背景以便节省处理周期。

根据实施例，提供了另外的步骤：

g)从多个初始开始位置重复步骤a)到f)，因此识别多个候选轮廓。g1)将多个候选轮廓显示给用户；

g2)接收所述多个候选轮廓中的轮廓的子集的用户输入。

g3)基于多个候选轮廓和选定的轮廓的子集，生成监督学习信息。

等周商向这样的细胞核提供好的准则，但是方法还可以通过生成多个候选细胞核改进。例如，在单个像素处，可以存在从其选择的不同的细胞核边界。

因此，在实施例中还建议提供从候选细胞核的集合提取真实边界的监督学习方法。该优点在于，候选细胞核启用常常已经正确的分割，使得可以在最终分类任务中准确地评价细胞核边界吸收特征和大小特征。

根据实施例，提供了另外的步骤：

h)在用户接口上显示轮廓。

根据额外方面，提供了一种被配置为识别图像信息中的生物对象的轮廓的用户接口。用户接口被配置为接收已经被分割为超像素的图像信息；启用图像信息中的初始位置处的图像信息中的超像素初始集合的用户选择；并且将用户选择传递到处理单元。

用户接口还被配置为如果通过处理单元的第二形态变量与第一形态变量的比较指示初始集合和另一集合的并集与初始集合相比具有增加的形状紧密度，则显示图像信息中的生物对象的轮廓。

例如，用户接口可以包括触摸板显示器或者pc监视器。

因此，所识别的轮廓可以被突出显示给用户(例如，通过以不同的颜色将所识别的轮廓着色)，以使得所识别的轮廓强度启用另外的检查。

任选地，所识别的轮廓被布置为当更多候选轮廓被发现时在所显示的生物图像信息中“持续”。任选地，所识别的轮廓被布置为当用户使用用户接口围绕图像滚动时在显示的生物图像信息中“持续”。任选地，致动事件(诸如当轮廓被显示在触摸屏上时轻叩轮廓)使得轮廓从轮廓被隐藏。任选地，轻叩形状类似靶对象(诸如细胞核)的用户接口的区使得轮廓被显示。

根据第二方面的实施例，用户接口接收致动事件，诸如触摸屏表面上的轻叩，其中，触摸屏正显示图像信息。轻叩使用第二方面的上文所描述的方法起始针对轮廓的搜索，其中，初始位置由在触摸屏上做出轻叩的位置提供。当轮廓已经使用上文所描述的方法识别时，其被显示给用户。以这种方式，用户接口被配置为响应地并且迅速地“按需”根据包含超像素的初始图像信息生成轮廓。

根据实施例，用户接口接收跟踪信息(诸如触摸板上的手指滑动或者鼠标移动)，其指示用户围绕图像信息的视场“平移”。然后，通过自动化方法，识别视场中的多个候选位置。任选地，可以随机地识别候选位置。任选地，候选位置可以根据基于图像信息中的颜色和/或纹理信息识别候选起始位置的种子算法来识别。然后，多个候选细胞核(优选地所有细胞核)在“当前”视场中被识别。

因此，当用户到处滚动时生成包含超像素的视场中的轮廓是可能的。如所讨论的，轮廓发现算法的计算效率使得轮廓在低延时的情况下生成，这在人类图形用户接口(gui)交互中是重要的考虑。

根据实施例，图像信息是组织样本的显微图像，并且轮廓对应于细胞核的壁。

根据实施例，图像信息是组织样本的显微图像，并且轮廓对应于破损的细胞核的壁。

图5a)和5b)图示了合成h&e图像。具有不同的颜色的超像素被分组，因为颜色相似性未被用作准则。

在图5a)中，实现0.58的相对高的形状紧密度，如由定义收敛算法结果的浅色线看到的。该轮廓将被接受，因为形状紧密度是相对高的。

图5b)示出了其中收敛到0.33的形状紧密度(相对低的结果)的算法的情况，如由细胞核49“逃出”的线47看到的。由于低形状紧密度，因而该边界将被拒绝。

根据第一方面，提供了一种被配置为识别图像信息中的生物对象的轮廓的诊断辅助系统50。诊断系统包括：

-处理单元。

处理单元被配置为：接收已经被分割为超像素的图像信息；选择图像信息中的初始位置处的图像信息中的超像素初始集合；确定超像素初始集合的第一形态变量；识别图像信息中的另一位置处的与超像素初始集合的超像素邻近的另一超像素集合；生成超像素初始集合和另一超像素集合的并集的第二形态变量；并且如果第二形态变量与第一形态变量的比较指示初始集合和另一集合的并集具有增加的形状紧密度，则将图像信息中的生物对象的轮廓定义为超像素初始集合和另一超像素集合的并集的边界。

图6示出了根据第一方面的诊断系统。诊断辅助系统50包括处理单元52。

任选地，诊断辅助系统可以被实现为台式计算设备，诸如个人计算机。备选地，诊断辅助系统可以被实现为触摸屏计算设备，诸如“ipad”(tm)或者智能电话。任选地，诊断辅助系统被实现为“云计算”系统中的服务器。

处理单元52可以是能够对图像信息执行操作的许多数字处理设备之一。例如，处理单元52是通用中央处理单元(cpu)。备选地，处理单元是数字信号处理器(dsp)或者现场可编程门阵列(fpga)。任选地，处理单元52可以是图形处理单元(gpu)。任选地，处理单元52可以是先前地记载的元件的组合。以这种方式，图像信息中的生物对象的轮廓的识别可以被“卸载”到更计算上适合的设备。

图7示出了包括多个样本槽56和交互式用户接口54的数字组织病理学机器55。任选地，数字组织病理学机器55被连接到pc60，pc60在显示屏62上显示轮廓识别操作的结果。因此，在样本已经被输入到机器中之后，可以迅速地分析数字组织病理学结果。

使用先前地讨论的轮廓识别的可能的计算复杂性中的降低使以“客户端-服务器”方式对图像处理的划分。超像素生成方法通常是相对计算密集的。

备选地，在本文中详述的轮廓发现算法将是相对地计算上较不复杂的。因此，一个方法是在具有适合地计算密集的硬件的第一设备上预处理超像素发现步骤，并且将包括超像素的图像信息提供给第二设备以找到并且显示轮廓，这减少了第二设备承载重计算负载的需要。

因此，根据第一额外方面，提供了一种处理数字病理学图像的服务器侧方法。方法包括：

sp)接收数字组织病理学成像信息；

sq)将超像素组成算法应用到数字病理学成像信息以因此提供超像素图像；并且

sr)将超像素图像发送到包括诊断辅助系统的客户端侧设备。

任选地，可以在数字病理学机器57内提供服务器侧方法。备选地，服务器侧方法可以提供从数字病理学机器到数据库或者到“云”计算服务的图像的加密上载，其中，超像素的生成被提供。

根据第二额外方面，提供了一种处理数字病理学图像的客户端侧方法。所述方法包括：

ca)接收已经被分割为服务器侧设备处的超像素的超像素图像；

cb)选择超像素图像中的初始位置处的超像素图像中的超像素初始集合；

cc)确定超像素初始集合的第一形态变量；

cd)识别图像信息中的另一位置处的与超像素初始集合的超像素邻近的另一超像素集合；

ce)生成超像素初始集合和另一超像素集合的并集的第二形态变量；

cf)如果第二形态变量与第一形态变量的比较指示初始集合和另一集合的并集具有增加的形状紧密度，则将超像素图像中的生物对象的轮廓定义为超像素初始集合和另一超像素集合的并集的边界。

根据第三额外方面，提供了一种服务器侧通信装置，其被配置为将超像素图像发送到包括根据第一额外方面的方法的诊断辅助系统的客户端侧设备。任选地，超像素图像可以从云服务器以加密的格式下载。

根据第四额外方面，提供了一种客户端侧通信装置，其被配置为接收已经被分割为服务器侧设备处的超像素的超像素图像，并且根据第二额外方面的方法将超像素图像中的生物对象的轮廓定义为超像素初始集合和另一超像素集合的并集的边界。

第一至第四额外方面的实施例可以包括相对于第一至第四方面或者其实施例在本文中讨论的主题中的任一个。

因此，例如，当超像素图像已经在服务器处预计算时，可以使用触摸板或者智能电话在超像素图像中迅速地找到轮廓。

图8示出了在其中其执行处理数字病理学图像的服务器侧方法的功能的实施例中的数字组织病理学机器57。超像素信息使用无线收发器62从数字组织病理学机器55(在该范例中其用作服务器)无线地传递。手持式客户端设备64(在这种情况下，平板计算机)被配置为与数字组织病理学机器57通信以接收超像素信息。用户可以在接收到的超像素信息上四处滚动，并且客户端侧算法在最小延时的情况下实时识别超像素图像中的图像轮廓，因为计算上超像素生成步骤已经先前地在服务器侧完成，并且降低复杂性轮廓发现算法具有要在手持式平板电脑上找到的更适度的计算硬件上运行的适当的复杂性。

根据第三方面，提供了一种用于控制根据第一方面或者其实施例所述的处理单元和/或系统的计算机程序单元，其当计算机程序单元由处理单元运行时适于执行根据第二方面或者其实施例之一所述的方法。

根据第四方面，提供了一种存储有根据第三方面所述的计算机程序单元的计算机可读介质。

计算机程序单元因此可以被存储在计算机单元上，其还可以是本发明的实施例。该计算单元可以适于执行上文所描述的方法的步骤或者引起上文所描述的方法的步骤的执行。此外，其可以适于操作上文所描述的装置的部件。

计算单元可以适于自动地操作和/或运行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。数据处理器因此可以被装备以执行本发明的方法。

本发明的该示范性实施例覆盖具有从开始安装的本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序的计算机程序两者。计算机程序可以被存储/被分布在适合的介质上，诸如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质，但是计算机程序也可以以其他形式分布，诸如经由因特网或其他有线或无线电信系统分布。

然而，计算机程序还可以被呈现在如万维网的网络上，并且可以从这样的网络被下载到数据处理器的工作存储器中。根据本发明的另一示范性实施例，提供用于制造可用于下载的计算机程序单元的介质，该计算机程序单元被布置为执行根据本发明的先前地所描述的实施例之一的方法。

应当指出，参考不同的主题描述了本发明的实施例。具体地，参考方法类型权利要求描述一些实施例，然而参考设备类型权利要求描述其他实施例。然而，本领域的技术人员将从上文和以下描述理解到，除非另外通知，否则除属于一种类型的主题的特征的任何组合之外，与不同的主题有关的特征之间的其他组合也被认为是利用本申请公开。

所有特征可以被组合以提供超过特征的简单加和的协同效应。

尽管已经在附图和前述描述中详细图示和描述本发明，但是这样的图示和描述将被认为是说明性或者示范性而非限制性的。本发明不限于所公开的实施例。

通过研究附图、说明书和从属权利要求，本领域的技术人员在实践请求保护的本发明时可以理解和实现所公开的实施例的其他变型。

在权利要求中，词语“包括”不排除其他元件或者步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。互不相同的从属权利要求中记载了特定措施的仅有事实并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应当被解释为对范围的限制。