一种肿瘤病理图像自动快速分割方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别涉及一种肿瘤病理图像自动快速分割方法。
【背景技术】
[0002] 癌症在发达国家已经成为主要死亡原因之一，以结直肠癌为例，是目前世界第三 大恶性肿瘤。目前的病理切片诊断由于具有全彩色、图像分辨率高的特点，已经成为肿瘤检 测的重要手段之一。但是目前肿瘤诊断完全依靠病理学医生的人工操作，不但效率慢，而且 准确性受医生主观判断影响大。因此，基于病理的计算机辅助诊断系统具有很大的意义，有 研宄表明，病理计算机辅助诊断系统的输出结果可以为医生在肿瘤检测、定征和诊断决策 时提供一种参考。
[0003]图像分割是肿瘤病理计算机辅助系统的重要环节。近十几年来，国内外在医学图 像分割方面已经提出了很多算法，包括阈值分割、区域生长、基于模型的方法（包括活动轮 廓模型，水平集，马尔科夫随机场等）、基于图论的方法（包括图割，归一化割等）、基于机 器学习的方法、基于聚类的方法（包括K均值，模糊C均值等）。这些方法存在一些主要缺 点：（1)多数方法需要手工交互；（2)多数方法对噪声敏感，且由于超声图像对比度低，具有 与组织相关的纹理，故准确分割较为困难；（3)多数方法算法复杂度高，处理时间长，难以 满足临床要求。
[0004] 准确、快速、自动化分割是图像分割的目标。但分割的准确性、效率以及自动化水 平也是相互矛盾的。近些年来，也有一些多分辨率自动分割方法相继被提出，这些方法的一 般思路为：（1)在低分辨率下，通过某种全局特征自动找到能够将肿瘤涵括在内的感兴趣 区域；（2)在高分辨率下，通过某种局部特征进行进一步优化分割。但是这些方法存在以下 问题：（1)多分辨率的值是固定的，往往鲁棒性不高，仅对部分图像有效，影响了自动分割 的准确性；（2)目前自动分割的技术路线和病理学医生的人工思路有较大分歧，带来的结 果有两种，一是算法不适应病理学图像，分割精度不高；二是算法复杂程度非常高，处理时 间非常长，难以达到临床上对自动分割的速度要求。
【发明内容】
[0005]发明目的：针对现有技术中存在的不足，本发明的目的在于提供一种肿瘤病理图 像自动快速分割方法，具有准确、快速、自动化等特点。
[0006] 技术方案：为了实现上述发明目的，本发明采用的技术方案如下：
[0007] -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，实现最终肿瘤分割。
[0008] 所述的肿瘤病理图像自动快速分割方法，包括如下步骤：
[0009] 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
[0010] 典，并训练出线性支持向量机LinearSVM模型（LinearSVM模型参考论文 "LIBLINEAR:Alibraryforlargelinearclassification" 的方法）；
[0011] 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；
[0012] 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；
[0013] 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 过巴式距离计算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；
[0014] 5)在优化后感兴趣区域中，在中心区域选择200X200像素框的图像；
[0015] 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；
[0016] 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 200X200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；
[0017] 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；
[0018] 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；
[0019] 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。
[0020] 步骤1)具体操作如下：
[0021] 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groundtruth数据库；基于groundtruth数据库，分别 对从8倍和16倍分辨率，按照200X200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Ll-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
[0024]式中，A= [a"a2，…，aN]GRlxn 是编码矩阵，X=[X"x2,? ? ?，xN]GRmx% 原始图像矩阵，D=[屯，d2, . . .djGRM>a是Texton聚类模型，ai,i= 1，2. . .，N是义4的 L维编码向量
i是a均值；参数A和y是正标量，用来控制texton的子 词典dj是一个正交矩阵。
[0025] 本模型较传统Ll-norm范数模型增加了
一项和=1的约束条 件，目的是考虑到每个分类中的训练样本Xi相似性较大，所以xi对应的编码向量也基本上 相似，因此在公式中强制编码向量a,接近其均值y。也就是求解
本质 上增加这一项可以减少内部分类变化，提高最终的分类精确性。
[0026] 每个子分类含texton数量为40个；用texton词典对稀疏化后的MR8特征进行编 码得到新的直方图特征；用SVM针对训练集和测试集进行SVM建模，得到针对肿瘤的SVM模 型。
[0027] 步骤2)中，1倍到16倍分辨率通过高斯金字塔滤波算法获得，具体包括：对原始 32倍分辨率图像分别进行高斯模糊和偶数行采样，分别得到16倍、8倍、4倍、2倍、1倍图 像；公式表示如下：
[0029] 式中，i是金字塔级数，a，b分别是图像长和宽；W(m，n) =W(m)XW(n)是长度为5 的高斯卷积核。
[0030] 步骤3)中，初始R0I区域获得，具体为：对1倍图像分别采样R，B通道的颜色直方 图信息，记作hisK，hisB;分别对hisK，hisB进行平滑处理，并用均值算法获得hisK，hisd9 均值；以均值为中心点分别上下浮动15个单位，作为R通道和B通道的颜色分割阈值；对图 像进行第一次处理；用形态学闭操作算法，闭操作参数选择为11 ;将图像中所有的点进行 融合，并形成1个闭合模板；将图像映射到1倍图像中得到初始感兴趣区域。
[0031] 步骤4)中，优化R0I区域获得，具体包括：在初始感兴趣区域循环执行步骤3)，每 次得到新的感兴趣区域和