基于k-means聚类的病理图像扫描焦点分类方法
【技术领域】
[0001] 本发明涉及显微技术领域，尤其涉及一种基于k-means聚类的病理图像扫描焦点 分类方法。
【背景技术】
[0002] 数字切片扫描仪是近年来发展迅速的医疗设备，数字切片扫描系统能将载玻片全 信息、全方位快速扫描，使传统物质化的载玻片变成新一代数字化病理切片，数字切片扫描 仪是对病理诊断技术实现划时代的变革。数字切片扫描仪在扫描过程中必不可少的一个环 节就是对焦，即通过Z轴的上下移动与相机抓图配合，找到切片不同位置一定数量的焦点 后，计算出切片的焦平面，用于为切片扫描做准备。现有的对焦方法主要有两种，一种是一 次性对完所有焦点，但是采用这种方法对焦的误差大，扫描图像模糊;另一种方法是对完一 部分焦点扫描一部分，即动态对焦，这种方法会产生一个问题：当切片较大或组织为岛型 时，第一次计算的焦平面对较远的焦点可能不适用，导致较远的焦点对焦困难。
【发明内容】
[0003] 针对现有的数字切片扫描仪的对焦方法存在的上述问题，现提供一种旨在实现可 使动态对焦的第一次焦平面计算适用于所有待计算焦点，加快对焦速度，提高对焦精度的 基于k-means聚类的病理图像扫描焦点分类方法。
[0004] 具体技术方案如下：
[0005] 基于k-means聚类的病理图像扫描焦点分类方法，提供一病理切片，包括下述步 骤：
[0006] S1.从所述病理切片中获取K个焦点；
[0007] S2.将K个所述焦点采用迭代自组织数据分析法逐个获取N个质心点；
[0008] S3.根据获取的N个所述质心点对K个所述焦点进行分类，以划分每个所述焦点所 属的类，每个所述质心点对应一类；
[0009] S4.根据划分后的每类对应的所述焦点调整每类的所述质心点的位置，结束。
[0010]优选的，所述步骤S2的具体过程为：
[0011] S21.选取一所述焦点作为第i = l个所述质心点，分别获取K-ι个所述焦点与所述 第i个所述质心点的距离Ddj)，并将K-1个所述距离Ddj)累加以获取总距离sum^)，
[0012] 其中，i、j均为正整数，Ddj)表示第j个所述焦点与所述第i个质心点之间的距离， l<i<K,l<
[0013] S22.根据公式（1)获取第i+1个质心点：
[0014] Random_Di( j)〈0 (1)，
[00?5] 其中，Random为小于或等于sum(Di)的整数，当Random满足公式（1)时，所述距离Di (j)对应的第j个所述焦点即为第i = i+l个质心点；
[0016] S23.判断i是否等于N，若是，执行步骤S24;若否，执行步骤S3;
[0017] S24.分别获取κ-l个所述焦点与所述第i个所述质心点的所述距离Ddj)，并将κ-l 个所述距离DKj)累加以获取所述总距离sun^m)，返回，执行步骤S22。
[0018] 优选的，在所述步骤S3中逐个获取每个所述焦点分别到每个所述质心点的距离， 将所述焦点归为相应的距离中最短的距离对应的所述质心点对应的类。
[0019] 优选的，在所述步骤S3中根据公式(2)获取每个所述焦点分别到每个所述质心点 的距离：
[0020]
⑵，
[0021] 其中，Xj表示第j个所述焦点的位置坐标，Yi表示第i个所述质心点的位置坐标，Cj 表示所述第j个所述焦点到第i个所述质心点的距离。
[0022] 优选的，在所述步骤S4中逐个获取归属于每类的所有所述焦点的位置坐标的平均 坐标，将所述平均坐标作为与所述类对应的所述质心点的位置坐标。
[0023] 优选的，在所述步骤S4中根据公式(3)获取归属于每类的所有所述焦点的位置坐 标的平均坐标：
[0024]
(3)
[0025] 其中，Μ表示归属于第i个所述质心点对应的类中的所有所述焦点，Qi表示第i个所 述质心点对应的类的所述质心点的平均坐标。
[0026]上述技术方案的有益效果：
[0027]在本技术方案中，采用迭代自组织数据分析法对待计算焦点分类排序，有效的加 快了对焦速度，提高对焦精度，提升了焦平面的适用性。
【附图说明】
[0028]图1为本发明所述的基于k-means聚类的病理图像扫描焦点分类方法的一种实施 例的流程图。
【具体实施方式】
[0029]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其 他实施例，都属于本发明保护的范围。
[0030] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相 互组合。
[0031] 下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
[0032] 如图1所示，基于k-means聚类的病理图像扫描焦点分类方法，提供一病理切片，包 括下述步骤：
[0033] S1.从病理切片中获取K个焦点；
[0034] S2.将K个焦点采用迭代自组织数据分析法逐个获取N个质心点；
[0035] S3.根据获取的N个质心点对K个焦点进行分类，以划分每个焦点所属的类，每个质 心点对应一类；
[0036] S4.根据划分后的每类对应的焦点调整每类的质心点的位置，结束。
[0037] 在本实施例中，采用迭代自组织数据分析法对待计算焦点分类排序，有效的加快 了对焦速度，提高对焦精度，提升了焦平面的适用性。
[0038] 在优选的实施例中，步骤S2的具体过程为：
[0039] S21.选取一焦点作为第i = l个质心点，分别获取K-1个焦点与第i个质心点的距离 DKj)，并将K-1个距离m(j)累加以获取总距离sunKDO，
[0040]其中，i、j均为正整数，Di(j)表示第j个焦点与第i个质心点之间的距离，1<ΒΚ， 1<
[00411 S22.根据公式（1)获取第i+1个质心点：
[0042] Random_Di(j)〈0 (1)，
[0043] 其中，Random为小于或等于sum(Di)的整数，当Random满足公式（1)时，距离Di(j)对 应的第j个焦点即为第i = i+1个质心点；
[0044] S23.判断i是否等于N，若是，执行步骤S24;若否，执行步骤S3;
[0045] S24.分别获取K-1个焦点与第i个质心点的距离Di(j)，并将K-1个距离Di(j)累加以 获取总距离sum(Di)，返回，执行步骤S22〇
[0046] 在本实施例中，质心点的选取个数和位置会直接影响聚类结果的好坏，因此采用 迭代自组织数据分析法算法计算质心点个数，可提高对焦精度。
[0047] 在优选的实施例中，在步骤S3中逐个获取每个焦点分别到每个质心点的距离，将 焦点归为相应的距离中最短的距离对应的质心点对应的类。
[0048]进一步地，在步骤S3中根据公式(2)获取每个焦点分别到每个质心点的距离：
[0049] Cj = argmin||Xj-Yi||2 (2)，
[0050] 其中，X」表示第j个焦点的位置坐标，h表示第i个质心点的位置坐标，(^表示第j个 焦点到第i个质心点的距离。
[0051 ]在优选的实施例中，在步骤S4中逐个获取归属于每类的所有焦点的位置坐标的平 均坐标，将平均坐标作为与类对应的质心点的位置坐标。
[0052] 进一步地，在步骤S4中根据公式(3)获取归属于每类的所有焦点的位置坐标的平 均坐标·
[0053] (3)
[0054] 其中，Μ表示归属于第i个质心点对应的类中的所有焦点，Qi表示第i个质心点对应 的类的质心点的平均坐标。
[0055] 在本实施例中，将平均坐标作为与类对应的质心点的位置坐标，完成焦点聚类后， 通过对不同类焦点的排序，即可实现高效的焦点识别。
[0056] 以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范 围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的 等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
【主权项】
1. 基于k-means聚类的病理图像扫描焦点分类方法，其特征在于，提供一病理切片，包 括下述步骤：51. 从所述病理切片中获取K个焦点；52. 将K个所述焦点采用迭代自组织数据分析法逐个获取N个质屯、点；53. 根据获取的N个所述质屯、点对K个所述焦点进行分类，W划分每个所述焦点所属的 类，每个所述质屯、点对应一类；54. 根据划分后的每类对应的所述焦点调整每类的所述质屯、点的位置，结束。2. 如权利要求1所述的基于k-means聚类的病理图像扫描焦点分类方法，其特征在于， 所述步骤S2的具体过程为：521. 选取一所述焦点作为第i = 1个所述质屯、点，分别获取K-I个所述焦点与所述第i个 所述质屯、点的距离化(j)，并将K-I个所述距离Di(j)累加 W获取总距离sum(Di)， 其中，i、j均为正整数，Di(j)表示第j个所述焦点与所述第i个质屯、点之间的距离，1< i <K，1< j<K，i辛j;522. 根据公式（I)获取第i+1个质屯、点： Random-Di (j)<0 (1)， 其中，Random为小于或等于sum化i)的整数，当Random满足公式（1)时，所述距离化(j)对 应的第j个所述焦点即为第i = i+l个质屯、点；523. 判断i是否等于N，若是，执行步骤S24;若否，执行步骤S3;524. 分别获取K-I个所述焦点与所述第i个所述质屯、点的所述距离Di(j)，并将K-I个所 述距离化(j)累加 W获取所述总距离S皿(Di)，返回，执行步骤S22。3. 如权利要求1所述的基于k-means聚类的病理图像扫描焦点分类方法，其特征在于， 在所述步骤S3中逐个获取每个所述焦点分别到每个所述质屯、点的距离，将所述焦点归为相 应的距离中最短的距离对应的所述质屯、点对应的类。4. 如权利要求3所述的基于k-means聚类的病理图像扫描焦点分类方法，其特征在于， 在所述步骤S3中根据公式(2)获取每个所述焦点分别到每个所述质屯、点的距离： Cj = a;r 卵 in||Xj-Yi||2 (2)， 其中，Xj表示第j个所述焦点的位置坐标，Yi表示第i个所述质屯、点的位置坐标，Cj表示 所述第j个所述焦点到第i个所述质屯、点的距离。5. 如权利要求4所述的基于k-means聚类的病理图像扫描焦点分类方法，其特征在于， 在所述步骤S4中逐个获取归属于每类的所有所述焦点的位置坐标的平均坐标，将所述平均 坐标作为与所述类对应的所述质屯、点的位置坐标。6. 如权利要求5所述的基于k-means聚类的病理图像扫描焦点分类方法，其特征在于， 在所述步骤S4中根据公式(3)获取归属于每类的所有所述焦点的位置坐标的平均坐标：C3) 其中，M表示归属于第i个所述质屯、点对应的类中的所有所述焦点，Qi表示第i个所述质 屯、点对应的类的所述质屯、点的平均坐标。
【专利摘要】本发明公开了基于k-means聚类的病理图像扫描焦点分类方法，该方法提供一病理切片，包括下述步骤：S1.从所述病理切片中获取K个焦点；S2.将K个所述焦点采用迭代自组织数据分析法逐个获取N个质心点；S3.根据获取的N个所述质心点对K个所述焦点进行分类，以划分每个所述焦点所属的类，每个所述质心点对应一类；S4.根据划分后的每类对应的所述焦点调整每类的所述质心点的位置，结束。本发明采用迭代自组织数据分析法对待计算焦点分类排序，有效的加快了对焦速度，提高对焦精度，提升了焦平面的适用性。
【IPC分类】G06K9/62
【公开号】CN105654111
【申请号】
【发明人】刘炳宪, 谢菊元, 王焱辉, 王克惠, 丁科迪
【申请人】宁波江丰生物信息技术有限公司
【公开日】2016年6月8日
【申请日】2015年12月21日