一种肿瘤组织微排列图像的自动分割方法
【专利摘要】本发明公开了一种肿瘤组织微排列图像的自动分割方法，提取病理图像中某数据位的图像，对该图像经过一系列图像处理后，利用Delaunay三角剖分法按顺序找到每张数据缩略图中各个肿瘤组织坐标，依次提取出单个肿瘤组织图像，并获取每个肿瘤组织的相关信息。本发明能够快速提取不同数据位的数据，比手动分割方案更加准确，便于准确快速开展后续癌症等级分析工作，减少了人工提取的工作量和计算机的计算量及存储量。
【专利说明】
一种肿瘤组织微排列图像的自动分割方法
技术领域
[0001]本发明属于医学图像处理技术领域，特别涉及了一种肿瘤组织微排列图像的自动分割方法。
【背景技术】
[0002]随着大幅切片图像数字扫描技术的产生以及扫描效率性的提高，组织病理切片的数字化显示和存储变得现实可行。利用数字化技术可以对病理图像进行更高质量的分析。因为从组织切片病理成像图相中几乎可以找出各种癌症和组织的特征，并可以用来辅助医生诊断，但是现有的针对医学图像处理的技术研究仍然很少，所以研究一套针对病理图像的分割算法十分重要。
[0003]医学图像分割在医学研究、临床诊断、病例分析、手术计划、计算机辅助手术等医学研究与实践领域中有着广泛的应用于研究价值，具体表现在以下方面，首先是用于感兴趣区域提取;其次是用于组织器官的定量测量和分析，有助于医生诊断、随访或修订对病人的治疗方案。这就体现了计算机辅助分析技术中图像分割的重要性。在组织病理图像的研究中，很大一部分集中在特定组织结构的分辨上，如淋巴癌组织微排列分割、肿瘤组织微排列分割。这些组织的颜色、大小、形状、纹理的表示对预测病人的疾病状况都是十分重要的指标，例如在肿瘤诊断中，细胞聚集程度和染色颜色都是重要的预测癌症等级的生物标志。然而人工的分割提取是一项十分费时费力的任务，不利于临床治疗。如果有计算机辅助的自动检测工具将会大大帮助临床医生做出快速的诊断结果。
[0004]与放射和其他形式的图像相比，处理病理组织学图像的最大挑战不仅在于数据的获取，而且在于高分辨率的组织提取。举例来说，放大40倍的前列腺切片组织图像就有200，000*100，000个像素，大小为40G。除了高密度，组织图像本身结构也很复杂，包含很多组织结构，而且这些结构没有明显的边界，同一结构还存在很多的形态，这些都给处理带来巨大挑战。受到观察时间和视野的限制，显微镜下手动分析是困难的。而处理获取到的数据最大的困难是读取数据量巨大，对计算机配置要求比较高，因此对于普通计算机如何读取是一个挑战。
【发明内容】
[0005]为了解决上述【背景技术】提出的技术问题，本发明旨在提供一种肿瘤组织微排列图像的自动分割方法，克服现有手动分割提取不同数据位的肿瘤组织存在的问题。
[0006]为了实现上述技术目的，本发明的技术方案为:
一种肿瘤组织微排列图像的自动分割方法，包括以下步骤:
(1)读取肿瘤组织微排列全扫描数据，判断有多少张不同数据位的图像，
提取其中某个数据位的图像；
(2)对提取的图像进行灰度化处理，得到灰度图像，通过阈值变换法把灰度图像转换成二值图像，再将二值图像依次经开操作和闭操作，从而得到清晰的边缘形状； (3)删去图像中非零像素值个数小于预设阈值的小块区域，然后再对图像进行空洞填充处理；
(4 )找到图像中每个块的质心坐标，利用De I aunay三角剖分法计算各块质心坐标之间的距离，质心距离小于预设值的各分散块属于同一个肿瘤组织，将属于同一个肿瘤组织的分散块连接起来，再对图像按步骤(3)进行处理；
(5)对图像进行凸变换操作，得到Delaunay三角顶点集，即各个肿瘤组织的质心坐标集合；
(6 )计算De I aunay三角顶点集中任意两点之间连线的斜率，保留斜率在预设值范围内的所有De Iaunay三角连线；
(7)在图像中找到每一行第一个肿瘤组织的质心坐标，并根据步骤(6)得到的Delaunay三角连线找到各行每个肿瘤组织的质心坐标，并存入坐标排布矩阵，再将病人肿瘤组织信息记录表中的信息按照表格顺序存入信息矩阵中，其中坐标排布矩阵中各元素值与信息矩阵中相应位置处的元素值一一对应，从而建立信息矩阵与坐标排布矩阵的映射关系；
(8)读取肿瘤组织微排列全扫描数据中不同数据位的数据全图，按照步骤(7)得到的坐标排布矩阵，在不同数据位的数据全图中依次取出每个肿瘤组织的图像，并根据步骤(7)建立的映射关系，获取各个肿瘤组织的相关信息。
[0007]进一步地，在步骤(2)中，通过对图像的R、G、B分量进行加权平均法，将图像转换为灰度图像，转换公式:
F(i，j)=0.30R(i，j)+0.59G(i，j)+0.11B(i，j)
上式中，？(1，」)表示灰度图像第1行第」列的像素值，以1，」)、6(1，」)和8(1，」)分别为原图R、G、B分量第i行第j列的像素值。
[0008]进一步地，在步骤(3)中，预先设定删去小块的阈值为100，采用8邻域连通法统计二值图像中每个小块非零像素的个数，删除非零像素个数小于阈值100的小块。
[0009]进一步地，在步骤(4)中，质心距离小于55的各分散块属于同一个肿瘤组织。
[0010]进一步地，在步骤(4)中，预先设定删去小块的阈值为300。
[0011]进一步地，在步骤(6)中，计算Delaunay三角顶点集中任意两点之间连线的斜率，保留斜率在-0.5?0.5范围内的所有Delaunay三角连线。
[0012]采用上述技术方案带来的有益效果:
(1)现有的人工手动分割方法存在着很多弊端，首先是长时间操作中主观判断因素会影响结果的提取，其次是在不同分辨率视野有限的情况下进行手动分割观察速度是非常慢的，而本发明以大数据量的肿瘤微排列图为对象，分割提取得到肿瘤组织更标准，且消耗的时间更少，从而准确快速地开展后续的病理图像针对性癌症等级分析，减少了人工提取的工作量；
(2)本发明在提取单个微排列组织的同时，在每个组织上做出病人信息，方便临床医生直接观看，并在此基础上做出后续诊断；
(3)本发明方法针对计算读取巨大数据困难，采取坐标搜索的方法来读取每个微排列组织，从而来自动分割得到每个组织，减少了计算机的计算量及存储量。
【附图说明】
[0013]图1是本发明的总体流程图。
[0014]图2是本发明中经步骤2灰度处理后的灰度图像示意图。
[0015]图3是本发明中经步骤2处理后的二值图像示意图。
[0016]图4是本发明中经步骤6处理后的图像示意图。
[0017]图5是本发明最终提取出的不同数据位的组织微排列数据显示示意图。
【具体实施方式】
[0018]以下将结合附图，对本发明的技术方案进行详细说明。
[0019]如图1所示，一种肿瘤组织微排列图像的自动分割方法，包括以下步骤:
步骤1、读取肿瘤组织微排列全扫描数据，判断有多少张不同数据位的图像，
提取其中某个数据位的图像。
[0020]步骤2、对提取的图像进行灰度化处理，得到灰度图像，通过阈值变换法把灰度图像转换成二值图像，再将二值图像依次经开操作和闭操作，从而得到清晰的边缘形状。
[0021]在本实施例中，通过对图像的R、G、B分量进行加权平均法，将图像转换为灰度图像，转换公式小(1，]_)=0.30以1，]_)+0.596(1，]_)+0.118(1，]_)，其中，？(1，]_)表示灰度图像第1行第」列的像素值，以1，」)、6(1，」)和以1，」)分别为原图1?、6、8分量第1行第」列的像素值。
[0022]转换后的灰度图像如图2所示，背景和组织明显分为两类，通过阈值变换法将灰度图像转换成二值图像，然后对二值图像先进行两次开操作，使图像的轮廓变得光滑，断开狭窄的间断和消除细的突出物，再进行一次闭操作，消弥狭窄的间断和长细的鸿沟，消除小的空洞，并填补轮廓线中的断裂，这样就得到很清晰的边缘形状了，如图3所示。
[0023]步骤3、删去图像中非零像素值个数小于预设阈值的小块区域，然后再对图像进行空洞填充处理。
[0024]在本实施例中，预先设定删去小块的阈值为100，采用8邻域连通法统计二值图像中每个小块非零像素的个数，删除非零像素个数小于阈值100的小块。
[0025]然后是先取反色图，把白色区域边界以内全部处理为白色然后再取反色图，这样就实现了填充空洞操作。
[0026]步骤4、找到图像中每个块的质心坐标，利用DeI aunay三角剖分法计算各块质心坐标之间的距离，质心距离小于预设值的各分散块属于同一个肿瘤组织，将属于同一个肿瘤组织的分散块连接起来，再对图像按步骤3进行去小块和填充空洞处理，在本实施例中，设定去小块的阈值为300。
[0027]步骤5、对图像进行凸变换操作，得到Delaunay三角顶点集。在凸变换操作前，由于图片制作的边界阴影问题，需要去除图片中4个像素宽度的边界，这样在凸变换时就不会受到边界阴影的影响了。
[0028]步骤6、计算DeIaunay三角顶点集中任意两点之间连线的斜率，保留斜率在预设值范围内的所有DeIaunay三角连线，如图4所示。在本实施例中，保留斜率在-0.5?0.5范围内的所有De Iaunay三角连线。
[0029]步骤7、在图像中找到每一行第一个肿瘤组织的质心坐标，并根据步骤6得到的Delaunay三角连线找到各行每个肿瘤组织的质心坐标，并存入坐标排布矩阵，再将病人肿瘤组织信息记录表中的信息按照表格顺序存入信息矩阵中，其中坐标排布矩阵中各元素值与信息矩阵中相应位置处的元素值一一对应，从而建立信息矩阵与坐标排布矩阵的映射关系O
[0030]步骤8、读取肿瘤组织微排列全扫描数据中不同数据位(即不同分辨率)的数据全图，按照步骤7得到的坐标排布矩阵，在不同数据位的数据全图中依次取出每个肿瘤组织的图像，如图5所示，并根据步骤7建立的映射关系，获取各个肿瘤组织的相关信息。
[0031]以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
【主权项】
1.一种肿瘤组织微排列图像的自动分割方法，其特征在于，包括以下步骤: (1)读取肿瘤组织微排列全扫描数据，判断有多少张不同数据位的图像， 提取其中某个数据位的图像； (2)对提取的图像进行灰度化处理，得到灰度图像，通过阈值变换法把灰度图像转换成二值图像，再将二值图像依次经开操作和闭操作，从而得到清晰的边缘形状； (3)删去图像中非零像素值个数小于预设阈值的小块区域，然后再对图像进行空洞填充处理； (4 )找到图像中每个块的质心坐标，利用De I aunay三角剖分法计算各块质心坐标之间的距离，质心距离小于预设值的各分散块属于同一个肿瘤组织，将属于同一个肿瘤组织的分散块连接起来，再对图像按步骤(3)进行处理； (5 )对图像进行凸变换操作，得到De I aunay三角顶点集； (6 )计算De I aunay三角顶点集中任意两点之间连线的斜率，保留斜率在预设值范围内的所有De Iaunay三角连线； (7)在图像中找到每一行第一个肿瘤组织的质心坐标，并根据步骤(6)得到的Delaunay三角连线找到各行每个肿瘤组织的质心坐标，并存入坐标排布矩阵，再将病人肿瘤组织信息记录表中的信息按照表格顺序存入信息矩阵中，其中坐标排布矩阵中各元素值与信息矩阵中相应位置处的元素值一一对应，从而建立信息矩阵与坐标排布矩阵的映射关系； (8)读取肿瘤组织微排列全扫描数据中不同数据位的数据全图，按照步骤(7)得到的坐标排布矩阵，在不同数据位的数据全图中依次取出每个肿瘤组织的图像，并根据步骤(7)建立的映射关系，获取各个肿瘤组织的相关信息。2.根据权利要求1所述一种肿瘤组织微排列图像的自动分割方法，其特征在于:在步骤(2)中，通过对图像的R、G、B分量进行加权平均法，将图像转换为灰度图像，转换公式: F(i，j)=0.30R(i，j)+0.59G(i，j)+0.11B(i，j) 上式中，？(1，」)表示灰度图像第1行第」列的像素值，以1，」)、6(1，」)和以1，」)分别为原图R、G、B分量第i行第j列的像素值。3.根据权利要求1所述一种肿瘤组织微排列图像的自动分割方法，其特征在于:在步骤(3)中，预先设定删去小块的阈值为100，采用8邻域连通法统计二值图像中每个小块非零像素的个数，删除非零像素个数小于阈值100的小块。4.根据权利要求1所述一种肿瘤组织微排列图像的自动分割方法，其特征在于:在步骤(4)中，质心距离小于55的各分散块属于同一个肿瘤组织。5.根据权利要求1所述一种肿瘤组织微排列图像的自动分割方法，其特征在于:在步骤(4)中，预先设定删去小块的阈值为300。6.根据权利要求1所述一种肿瘤组织微排列图像的自动分割方法，其特征在于:在步骤(6)中，计算Delaunay三角顶点集中任意两点之间连线的斜率，保留斜率在-0.5?0.5范围内的所有De Iaunay三角连线。
【文档编号】G06T7/60GK105869169SQ201610222421
【公开日】2016年8月17日
【申请日】2016年4月11日
【发明人】徐军, 郎彬
【申请人】南京信息工程大学