一种乳腺癌病理学图像有丝分裂核自动分割方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别设及一种乳腺癌病理学图像有丝分裂核自动 分割方法。
【背景技术】
[0002] 据国家卫生部统计，乳腺癌在我国女性患癌中占据了很大的比例，成为了危害女 性的生命安全的最大杀手之一，其发病年龄下从20岁到70、80岁，且发病率随着年龄的增长 而呈上升势态。目前我国大多数乳腺癌患者集中在45~55运个年龄段，发病率占全身各种 恶性肿瘤的7-10%，在女性中仅次于子宫癌的发病率。而目前关于乳腺癌的病因尚未完全 清楚，其早期发现和早期诊断则显得至关重要。
[0003] 在乳腺癌严重程度评估中，有丝分裂计数是一个很重要的指标。但是，现有的有丝 分裂计数全靠人工进行，主要是依靠经验丰富的专家在显微镜下进行人工观察，非常繁琐， 效率低，而且不同的专家往往有不同的结果，可重复性低。因此，采用图像处理技术设计合 适的算法，利用计算机对显微镜图像进行分析，自动完成有丝分裂核的分割与识别，实现有 丝分裂的自动检测与计数，对当前乳腺癌的诊断和筛查均具有极其重要的意义。
[0004] 经过标准H&E染色后的切片，发生了有丝分裂的细胞核和未发生有丝分裂的细胞 核在外观上看起来相差不大，且都拥有不规则的外表，有丝分裂核表现出来的多样性使得 对其进行自动检测与计数的研究极具有挑战性，已成为当前的研究热点。
[0005] 现有方法的标准流程是首先采用图像分割方法提取大量的候选区域，然后提取候 选区域的各种形状、纹理等特征并训练分类器完成有丝分裂的自动识别。大量的诸如阔值 分割、分水岭分割、形态学方法、基于LoG的blob检测等图像分割方法被用来分割细胞核，然 而运些算法过于简单，在分割出有丝分裂核(正样本)的同时往往会分割出大量的非有丝分 裂部分(负样本），其平均正负样本的比例达到1:100,而正负样本分布不平衡给后续的分类 器训练带来了很大的困难。
【发明内容】
[0006] 本发明提供了一种乳腺癌病理学图像有丝分裂核自动分割方法，其目的在于克服 上述现有技术中的不足，通过构建前景和背景的颜色概率模型，同时考虑像素之间的空间 关系，采用Graph Cuts的方法完成前景、背景的分割的迭代方法，获得准确的分割结果，且 大大减少了后续分类器训练的难度。
[0007] -种乳腺癌病理学图像有丝分裂核自动分割方法，包括W下步骤：
[0008] 步骤1:对待分割的原始图像进行高斯平滑处理，获得平滑图像；
[0009] 步骤2:从平滑图像中提取八义，7)，邑^，7)，6^，7)通道，按^下公式计算获得8尺图 像；
[0010]
[0011] 步骤3:利用不同尺度的LoG滤波器对BR图像进行卷积滤波，W每个像素点的最大 响应作为滤波图像；
[0012] 步骤4:采用化SU算法计算滤波图像的二值化阔值T，利用二值化阔值T对滤波图像 进行前景和背景分割，获得标记图M(x，y);
[0013] 【所述标记图用于区分背景区域和前景区域;】
[0014] 步骤5: W标记图中像素值为0的像素对应在待分割的原始图中的像素作为背景像 素，待分割的原始图中的其余像素为前景像素，利用背景像素集与前景像素集分别训练前 景颜色模型P(z;目f )和背景颜色模型p(z ;目b);
[0015] 步骤6:根据待分割的原始图像I(x，y)、标记图M(x，y)、前景颜色高斯模型和背景 颜色高斯模型构建s-t图G=IV, E}，采用最大流的方法计算s-t图G的最小割，并用最小割对 图G进行分割，更新标记图M(x，y);
[0016] 步骤7:返回步骤5,重新训练前景和背景颜色模型，更新s-t图G中边的权重，计算 最大流对图G进行分割，进而更新M(x，y)直到满足迭代中止条件，进入步骤8;
[0017] 步骤8:对最新的标记图中每个像素与1进行"与"位运算，得到二值分割结果图。
[0018] 对所述步骤4中的标记图M(x，y)按W下公式进行计算：
[0019]
[0020] 所述前景颜色模型p(z;目f)和背景颜色模型p(z;目b)按W下过程获得：
[0021] 首先，采用K均值算法分别对前景像素和背景像素进行聚类，获得前景颜色模型的 聚类结果数量为Kf，背景颜色模型的聚类结果数量为Kb;
[0022] 其次，用聚类结果来初始化训练前景高斯模型和背景高斯模型：
[0023] 前景高斯模型：
[0024] 背景高斯模型：
[002引其中，.WXz;的，&)表示第k个高斯分布模型，心化和Sk分别为该高斯分布模型的 先验概率、均值和协方差矩阵，
表示所有用于训练模型的像素的个数，Nk表示属于第k类像素的个数，zT表示矢量Z的转置；
[0026] 所述构建的s-t图G=IV, E}，其中，V为节点集合，包含待分割的原始图像中的所有 像素点W及一个前景标识点和背景标识点，共WX化2个节点；
[0027] E为边的集合，包含相邻边和关系边；
[002引其中，W和H分别表示待分割的原始图像的宽度和高度；
[0029] 其中，所述相邻边是指每个像素点与其四邻域像素的连接边，共2X[4XWXH-3X (W+H)+2]条边;所述关系边是指每个像素分别到前景标识点和背景标识点的连接边，共2X WXH条边；
[0030] 相邻边的权重按公式
计算获得；
[0031] 其中，zi，z^eR3分别表示相邻像素 i和j的颜色RGB矢量，参数丫 =40,参数e则由下 式计算
[0032]
[0033]
[0034]
[0035]
[0036] 其中，《f(x，y)和《b(x，y)分别表示像素(x，y)到前景标识点和背景标识点的权 重，参数^ = 9 丫。
[0037] 【所述相邻边用于描述分割的光滑性，所述关系边用于描述每个像素到前景标识 点和背景标识点的关系;】
[0038] 所述步骤6中用最小割对图G进行分割，更新标记图M(x，y)是指将像素分割成前景 点和背景点两类，然后按照W下规则更新标记图：
[0039] 1^，7)=2，1'节点^，7)属于背景点。
[0040] 采用9X9大小的结构元素对步骤8获得的分割结果进行形态学开操作，得到最终 的分割结果图。
[0041] 所述步骤2中不同尺度的LoG滤波器的尺度取值依次为2寻，2。，2^ 21，zi，22。
[0042] 有益效果
[0043] 本发明提供了一种乳腺癌病理学图像有丝分裂核自动分割方法，首先在对图像进 行高斯平滑后计算其BR图W突出细胞与背景的对比；再采用一组不同尺度的LoG滤波器对 BR图进行滤波，然后计算在每个位置上的各个尺度上的最大响应作为滤波结果;并自适应 的计算一个较高的阔值对滤波后的图像进行二值化操作，估计出可能性大的前景像素，其 他像素则置为背景像素。在此基础上一方面对当前的前景像素和背景像素的RGB矢量分别 训练一个高斯混合模型GMMW描述前景像素和背景像素的颜色分布；另一方面，WRGB图像 建立一张 s-t图G=IV, E}，其中节点集合V中包含所有像素点和前景标识点和背景标识点， 边的集合E中不仅包含描述每个像素与其四邻域像素之间关系的部分，还包含每个像素到 源节点和宿节点关系的部分，并分别计算各条边的权重。采用增广路径的方法计算s-t图G ={V，E}的最大流(max flow)，从而间接求出该图的最小割(min化t)，完成对整幅图像的分 害d，实现了对前景区域和背景区域的新的估计，然后重复训练GMM和基于Graph-Cut的分割， 直到收敛或满足规定的迭代次数。最后对分割的结果进行形态学的开操作，W过滤小的前 景区域，完成最终的有丝分类核的分割。该方法在分割是不仅考虑了单个像素颜色特征属 于前景或背景的概率，还考虑了相邻像素间的关系，保证了分割结果的平滑性，在保证高的 召回率(成功找到有丝分裂核)的同时能有效降低非有丝分裂核的个数，提高了精度。
【附图说明】
[0044] 图1是本发明的流程图；
[0045] 图2是原始的RGB图像Kx, y);
[0046] 图3是根据I(x，y)计算得到的blue ratio图像BR(x，y);
[0047] 图4是根据图像BR(x，y)计算得到的最大LoG响应图像LU, y);
[004引图5是第一次迭代的结果；
[0049] 图6是第二次迭代的结果；
[0050] 图7是第S次迭代的结果；
[0051] 图8是第四次迭代的结果；
[0052] 图9是第五次迭代的结果；
[0053] 图10是经形态学开操作后的结果；
[0054] 图11是直接对图像LU, y)进行二值化的分割结果；
[0055] 图12是对应原始图像Kx, y)的人工分割结果，作为分割的金标准。
【具体实施方式】
[0056] 下面将结合附图和实施例对本发明做进一步的说明。
[0057] 如图1所示，本发明的方法主要包括W下步骤:对原始图像I(x，y)进行预处理，计 算其BR图像；用一组不同尺度的LoG滤波器对BR图像进行滤波，计算最大响应图像LU,y); 根据Otsu算法求最大响应图像的全局阔值，进而计算出标记图M(x，y);根据标记图M(x，y) 收集图像I(x，y)上像素，分别训练前景高斯混合颜色模型p(x;0f)和背景高斯混合颜色模 型p(x; 0b);根据图像I(x，y)、标记图M(x，y)和高斯混合模型构建s-t图G= {V，E};计算s-t 图G的最大流对图G进行分割，并更新标记图M(x，y);重新训练前景和背景颜色模型，更新S-t图G中边的权重，计算最大流对图G进行分割，进而更新M(x，y)直到满足迭代中止条件;对M (x，y)的每个像素与1进行"与"位操作，并对位操作后的结果进行形态学开操作，得到最终 的分割结果作为候选区域。
[0化引步骤1:采用高斯滤波器
对原始的彩色图像I(x，y) = [Hx, y) ;g(x，y) ;b(x，y)](如图2所示)的