一种基于图像边缘识别的病理大体标本大小自动测量方法与流程

本发明涉及生物医学工程技术领域，尤其涉及一种基于图像边缘识别的病理大体标本大小自动测量方法。

背景技术：

病理科是一个几乎不与患者接触的科室，但这里出具的每一个结果，都可能是病人生命的分水岭。在肿瘤诊断领域，病理诊断被誉为疾病诊断的“金标准”，其质量直接影响到临床诊治的质量，因而在医疗活动中有着非常重要的地位，也成了临床和病理医师重点关注的问题。

病理诊断可分为取材、制片、染色和阅片诊断四个环节。目前，取材环节主要通过病理医生人工进行，病理医师在进行外科大体标本的组织取材时，需要手工测量大体标本的尺寸大小，并对其进行客观、详尽的描述说明，最后拍照存档。随着病人数量的不断增长，病理医生的工作量与日俱增，然而中国的病理科医生的缺口却在10万以上，缺口在短期内难于得到解决，给病理诊断的进一步发展带来了极大的困难。

技术实现要素：

本发明的目的在于提供一种基于图像边缘识别的病理大体标本大小自动测量方法。

本发明采用的技术方案是：

一种基于图像边缘识别的病理大体标本大小自动测量方法，其包括以下步骤：

步骤1，对纯色背景且带标尺的病理大体标本图像进行颜色空间转化，转成灰度值图像；

步骤2，对灰度化的图像病理大体标本进行边缘检测，从而获得参照物和大体标本的边缘轮廓坐标点集；

步骤3，根据轮廓坐标点集求取参照物和大体标本轮廓的外接矩形，并计算出四条边的中心点坐标；通过中心点之间的欧氏距离，计算出图像中各物体的大小；

步骤4，根据参照物的实际大小计算原始图像每度量比的像素，从而计算出大体标本的实际大小。

进一步地，步骤1中将病理大体标本图像由rgb颜色模式进行处理转化成8位的灰度值图像。

进一步地，步骤2的边缘识别包括以下步骤：

步骤2-1，高斯平滑滤波，去除图片噪声；设置二维高斯分布矩阵的高斯核大小并与灰度图像进行卷积实现滤波，高斯核大小为ksize×ksize的二维高斯分布矩阵如下式生成：

其中，σ＝0.3×(0.5×(ksize-1)-1)-0.8，1≤i,j≤ksize；

步骤2-2，计算梯度值和梯度方向；选用sobel算子计算二维图像在x轴和y轴的差分值，进而计算图上各点的梯度值g和梯度方向θ；

步骤2-3，非极大值抑制,即寻找像素点局部最大值；沿着梯度方向，比较它前面和后面的梯度值，对沿其正负方向上的梯度幅值最大值进行保留，非极值的点进行抑制置0；

步骤2-4，用双阈值法连接边缘；设置高阈值th和低阈值tl，判定非极大值抑制后的图像中大于th的点是边缘并置1，判定小于tl的点不是边缘并置0；针对在tl和th之间的点，通过已确定的边缘点发起周围8邻域方向的广度优先搜索，判定图中可达的点是边缘，不可达的点不是边缘，进而得出边缘图。

进一步地，步骤2-1中设置高斯核大小为5×5与灰度图像进行卷积实现滤波。

进一步地，步骤2-2中将下面两个3×3模板sx和sy分别与滤波后的图像进行卷积得出x轴和y轴的差分值图gx和gy，进而计算图上各点的梯度值g和梯度方向θ，具体算式如下：

θ＝arctan(gy/gx)

其中，-π≤θ≤π，以进行分隔把θ近似到水平、垂直和两个对角线方向。

进一步地，步骤3中根据中心点坐标计算左右中心点(x1,y1)和(x2,y2)之间的欧式距离d，该距离即为物体图像宽度；同理再计算上下中心点的欧式距离求得物体图像高度；从而得出参照物和大体标本在图像中的大小，如下公式所示：

本发明采用以上技术方案，通过准确识别病理大体标本图像中参照物和单个大体标本的边缘，然后计算边缘外切矩形中心点之间的欧式距离，进而根据参照物计算出原始图像每度量比的像素，最终计算出大体标本的实际大小。本发明针对大体标本图像的自动识别，可以准确地计算标本的实际大小，能够减少病理医生的工作量，进而对缓解医疗资源的紧张形势具有一定意义。

附图说明

以下结合附图和具体实施方式对本发明做进一步详细说明；

图1为带标尺的病理大体标本的原始图像；

图2为带标尺的病理大体标本的图像灰度化示意图；

图3为本发明物体边缘识别的示意图；

图4为根据轮廓计算图像中各物体的像素大小示意图；

图5为计算每度量比像素得到的病理大体标本的实际大小示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

如图1至图5之一所示，本发明公开了一种基于图像边缘识别的病理大体标本大小自动测量方法，其包括以下步骤：

步骤1，对纯色背景且带标尺的病理大体标本图像进行颜色空间转化，转成灰度值图像；

具体地，病理大体标本图像是rgb颜色模式，需要对其进行处理，转化成8位的灰度值图像，便于后续的处理计算。

步骤2，对灰度化的图像病理大体标本进行边缘检测，从而获得参照物和大体标本的边缘轮廓坐标点集；

具体地，先对病理大体标本的灰度图像，进行边缘检测，主要包括以下4个步骤：

步骤2-1：高斯平滑滤波，去除图片噪声。一个高斯核大小为ksize×ksize的二维高斯分布矩阵如下式生成：

其中，σ＝0.3×(0.5×(ksize-1)-1)-0.8，1≤i,j≤ksize。

本实施例中优选设置核大小为5×5与灰度图像进行卷积实现滤波。

步骤2-2：计算梯度值和梯度方向。边缘最重要的特征是灰度值剧烈变化，灰度值的变化用差分值来表示。

本实施例中选用sobel算子来计算二维图像在x轴(水平方向)和y轴(垂直方向)的差分值，将下面两个3×3模板(sx和sy)分别与滤波后的图像进行卷积，得出x轴和y轴的差分值图gx和gy，计算图上各点的梯度值g和梯度方向θ：

θ＝arctan(gy/gx)

其中，-π≤θ≤π，以进行分隔，把θ近似到水平、垂直和两个对角线方向(0°，45°，90°，135°)。

步骤2-3：非极大值抑制(nms)。即寻找像素点局部最大值：沿着梯度方向，比较它前面和后面的梯度值，在沿其正负方向上的梯度幅值最大，则保留，否则抑制，即置0。换言之，把不是极值的点，全部置成0，去掉了大部分弱的边缘，使得图像边缘变细；

步骤2-4：用双阈值法连接边缘。设置高阈值th和低阈值tl，那么非极大值抑制后的图像中大于th的点是边缘，置1，小于tl的点不是边缘，置0。在tl和th之间的点，通过已确定的边缘点，发起周围8邻域方向的搜索(广度优先搜索)，图中可达的是边缘，不可达的点不是边缘，得出边缘图。

步骤3，根据轮廓坐标点集求取参照物和大体标本轮廓的外接矩形，并计算出四条边的中心点坐标；通过中心点之间的欧氏距离，计算出图像中各物体的大小；

具体地，根据边缘图，先计算出外切矩形框，然后计算出矩形四条边的中心点坐标。根据中心点坐标，计算左右中心点(x1,y1)和(x2,y2)之间的欧式距离d，该距离即为物体图像宽度；同理，计算上下中心点的欧式距离，求得物体图像高度。从而得出参照物和大体标本在图像中的大小。

步骤4，根据参照物的实际大小计算原始图像每度量比的像素，从而计算出大体标本的实际大小。

本发明采用以上技术方案，通过准确识别病理大体标本图像中参照物和单个大体标本的边缘，然后计算边缘外切矩形中心点之间的欧式距离，进而根据参照物计算出原始图像每度量比的像素，最终计算出大体标本的实际大小。

此外，在本申请实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。