基于磁共振图像与数字病理图像融合的样本分类系统技术方案

本发明专利技术属于医学图像处理技术领域，具体涉及一种基于磁共振图像与数字病理图像融合的样本分类系统，旨在解决现有影像学或病理学的单一样本分类的局限性，导致样本分类精度较低的问题。本系统包括获取图像模块，配置为获取第一、第二图像；预处理模块，配置为对第一、第二图像进行预处理；勾画模块，配置为通过勾画方法获取预处理后各图像的感兴趣区域，并进一步处理；提取特征模块，配置为分别提取处理后的各图像感兴趣区域的特征；筛选排序模块，配置为对提取的特征进行筛选排序；分类输出模块，配置为将筛选排序后的特征，通过分类模型得到分类结果。本发明专利技术将磁共振图像和数字病理图像进行融合，解决了单一样本分类的缺陷，提高了分类的精度。

A sample classification system based on the fusion of MR images and digital pathological images

【技术实现步骤摘要】
基于磁共振图像与数字病理图像融合的样本分类系统
本专利技术属于医学图像处理
，具体涉及一种基于磁共振图像与数字病理图像融合的样本分类系统。
技术介绍
近年来，图像融合分类已成为图像理解和计算机视觉领域中一项具有重要应用价值的新技术，尤其是在医学工程领域中，由于医学仪器的成像机理及应用环境的不同，不同的医学影像为医生提供了不同的医学信息，图像融合分类可以将各种有价值的信息综合在一起，成为临床诊断和医学研究的重要手段。其中，多模态磁共振图像和数字病理图像是临床疾病诊断较常用的图像。宏观的多模态磁共振图像能够整体全面的反映样本信息，但其准确性受限，与真正的组织病理学“金标准”还存在着差距。而数字病理图像能够反映组织成分变化、细胞活动、核分裂程度等微观信息，但无法反映全面整体信息。因此，传统基于影像学的样本分类或基于病理学的样本分类，仅从单一学科知识角度出发，不同尺度的观测信息之间相互孤立，进而影响了最终的分类效能和鲁棒性。然而多模态磁共振图像和数字病理图像信息中均包含有大量高维且可定量的未被完全发掘的信息，这些高维特征信息借助模式识别能够用于构建精准的样本分类。因此，结合不同尺度的观测信息，即宏观与微观信息，可以有效帮助揭示更加全面的信息，从而能够实现更加精准的样本分类。
技术实现思路
为了解决现有技术中的上述问题，即为了解决现有影像学或病理学的单一样本分类的局限性，导致样本分类精度较低的问题，本专利技术提出了一种基于磁共振图像与数字病理图像融合的样本分类系统，该系统包括获取图像模块、预处理模块、勾画模块、提取特征模块、筛选排序模块、分类输出模块；所述获取图像模块，配置为获取第一图像、第二图像；所述第一图像为多模态磁共振图像，所述第二图像为数字病理图像；所述预处理模块，配置为对所述第一图像、所述第二图像进行预处理，得到第一预处理图像、第二预处理图像；所述勾画模块，配置为通过勾画方法分别获取所述第一预处理图像、所述第二预处理图像对应的第一感兴趣区域、第二感兴趣区域；对所述第一感兴趣区域进行膨胀处理，得到第三感兴趣区域；对所述第二感兴趣区域依次进行栅格化处理、颜色通道分离处理、阈值分割处理，得到第四感兴趣区域；所述提取特征模块，配置为基于预设多种预设类别的特征提取方法，分别提取所述第三感兴趣区域、所述第四感兴趣区域的多种预设类别的特征，构建特征集；所述筛选排序模块，配置为对所述特征集，通过预设的特征筛选方法和重要性排序方法获取精细化特征集；所述分类输出模块，配置为基于所述精细化特征集，通过预设的分类模型获取分类结果。在一些优选的实施方式中，预处理模块中“对所述第一图像、所述第二图像进行预处理，得到第一预处理图像、第二预处理图像”，其方法为：基于所述第一图像、所述第二图像，通过Z-score标准化方法进行图像标准化处理，得到第三图像、第四图像；通过窗宽窗位方法对所述第三图像进行灰度分布优化处理，得到第五图像；通过Macenko颜色校正方法对所述第四图像进行颜色校正处理，得到第六图像；基于所述第五图像、所述第六图像，通过基于深度卷积神经网络的超分辨率方法进行降噪处理，得到第一预处理图像、第二预处理图像。在一些优选的实施方式中，勾画模块中“对所述第一感兴趣区域进行膨胀处理，得到第三感兴趣区域”，其方法为：通过预设N*N尺寸的滤波器对所述第一感兴趣区域进行膨胀处理，得到第三感兴趣区域。在一些优选的实施方式中，勾画模块中“对所述第二感兴趣区域依次进行栅格化处理、颜色通道分离处理、阈值分割处理，得到第四感兴趣区域”，其方法为：将所述第二感兴趣区域划分成多个M*M尺寸的区域；通过颜色通道分离方法获取划分后各区域的染色通道；基于各染色通道，通过阈值分割方法获取细胞核区域、细胞质区域和细胞区域，将所述细胞核区域、所述细胞质区域和所述细胞区域构成的区域，作为第四感兴趣区域。在一些优选的实施方式中，所述第二感兴趣区域为所述第二预处理图像在L倍率下，通过勾画方法得到勾画区域，并在2L倍率下对所述勾画区域进行边界复核后确定的区域。在一些优选的实施方式中，所述第三感兴趣区域其提取的特征包括：一阶统计特征、形态学特征、纹理特征、小波变换特征。在一些优选的实施方式中，所述第四感兴趣区域其提取的特征包括：一阶统计特征、形态学特征和所述形态学特征通过均值、方差、中位值、十分位值、四分位值构建的特征。在一些优选的实施方式中，分类输出模块中“通过预设的特征筛选方法和重要性排序方法获取精细化特征集”，其方法为：通过单变量分析方法和共线性检验方法对所述特征集中的各特征进行筛选，筛选后通过统计检验方法和机器学习方法进行特征重要性的排序。在一些优选的实施方式中，所述预设的分类模型通过机器学习方法训练得到。本专利技术的有益效果：本专利技术将磁共振图像和数字病理图像进行融合，解决了单一样本分类的缺陷，提高了分类的精度。本专利技术通过对多模态磁共振图像和数字病理图像进行预处理，获取标准的图像。基于预处理后的图像通过勾画方法获取感兴趣区域，并分别对多模态磁共振图像和数字病理图像的感兴趣区域进一步处理，得到精准的感兴趣区域，保证后续特征提取的准确性和鲁棒性。基于提取的感兴趣区域，获取不同尺度图像的特征并进行融合，并通过分析和统计筛除冗余和不符合统计检验要求的特征，获取精细化的特征。根据精细化的特征，通过基于机器学习方法训练的分类模型得到分类结果。实现对图像更加全面的描述，解决了单一样本分类的缺陷，从而提升分类的精度和稳定性。附图说明通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。图1是本专利技术一种实施例的基于磁共振图像与数字病理图像融合的样本分类系统的框架示意图；图2是本专利技术一种实施例的本专利技术方法与其他方法对比的效果示意图；图3是本专利技术一种实施例的基于磁共振图像与数字病理图像融合的样本分类系统的详细处理过程的示意图；图4是本专利技术一种实施例的基于磁共振图像与数字病理图像融合的样本分类方法的流程示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，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。本专利技术的基于磁共振图像与数字病理图像融合的样本分类系统，如图1所示，该系统包括获取图像模块100、预处理模块200、勾本文档来自技高网...

【技术保护点】
1.一种基于磁共振图像与数字病理图像融合的样本分类系统，其特征在于，该系统包括获取图像模块、预处理模块、勾画模块、提取特征模块、筛选排序模块、分类输出模块；/n所述获取图像模块，配置为获取第一图像、第二图像；所述第一图像为多模态磁共振图像，所述第二图像为数字病理图像；/n所述预处理模块，配置为对所述第一图像、所述第二图像进行预处理，得到第一预处理图像、第二预处理图像；/n所述勾画模块，配置为通过勾画方法分别获取所述第一预处理图像、所述第二预处理图像对应的第一感兴趣区域、第二感兴趣区域；对所述第一感兴趣区域进行膨胀处理，得到第三感兴趣区域；对所述第二感兴趣区域依次进行栅格化处理、颜色通道分离处理、阈值分割处理，得到第四感兴趣区域；/n所述提取特征模块，配置为基于预设多种预设类别的特征提取方法，分别提取所述第三感兴趣区域、所述第四感兴趣区域的多种预设类别的特征，构建特征集；/n所述筛选排序模块，配置为对所述特征集，通过预设的特征筛选方法和重要性排序方法获取精细化特征集；/n所述分类输出模块，配置为基于所述精细化特征集，通过预设的分类模型获取分类结果。/n

【技术特征摘要】
1.一种基于磁共振图像与数字病理图像融合的样本分类系统，其特征在于，该系统包括获取图像模块、预处理模块、勾画模块、提取特征模块、筛选排序模块、分类输出模块；
所述获取图像模块，配置为获取第一图像、第二图像；所述第一图像为多模态磁共振图像，所述第二图像为数字病理图像；
所述预处理模块，配置为对所述第一图像、所述第二图像进行预处理，得到第一预处理图像、第二预处理图像；
所述勾画模块，配置为通过勾画方法分别获取所述第一预处理图像、所述第二预处理图像对应的第一感兴趣区域、第二感兴趣区域；对所述第一感兴趣区域进行膨胀处理，得到第三感兴趣区域；对所述第二感兴趣区域依次进行栅格化处理、颜色通道分离处理、阈值分割处理，得到第四感兴趣区域；
所述提取特征模块，配置为基于预设多种预设类别的特征提取方法，分别提取所述第三感兴趣区域、所述第四感兴趣区域的多种预设类别的特征，构建特征集；
所述筛选排序模块，配置为对所述特征集，通过预设的特征筛选方法和重要性排序方法获取精细化特征集；
所述分类输出模块，配置为基于所述精细化特征集，通过预设的分类模型获取分类结果。


2.根据权利要求1所述的基于磁共振图像与数字病理图像融合的样本分类系统，其特征在于，预处理模块中“对所述第一图像、所述第二图像进行预处理，得到第一预处理图像、第二预处理图像”，其方法为：
基于所述第一图像、所述第二图像，通过Z-score标准化方法进行图像标准化处理，得到第三图像、第四图像；
通过窗宽窗位方法对所述第三图像进行灰度分布优化处理，得到第五图像；通过Macenko颜色校正方法对所述第四图像进行颜色校正处理，得到第六图像；
基于所述第五图像、所述第六图像，通过基于深度卷积神经网络的超分辨率方法进行降噪处理，得到第一预处理图像、第二预处理图像。


3.根据权利要求1所述的基于磁共振图像与数字病理图像融合的样本分类系统，其特征在于，勾画模块中“对所述第一感兴趣区域进行膨胀处理，得...

【专利技术属性】
技术研发人员：田捷，刘振宇，邵立智，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11