一种前列腺癌病理图像中腺体空腔的自动化分割方法技术

本发明专利技术公开了属于图像处理技术和机器学习算法领域的一种前列腺癌病理图像中腺体空腔的自动化分割方法。该分割方法包括以下步骤：首先利用图像处理技术对前列腺癌病理图像中的腺体空腔进行初步分割，然后在初步分割的结果中提取空腔及其邻域的图像特征，最后利用逻辑回归分类算法去除初步分割结果中的假阳性空腔，从而达到高准确度的腺体空腔自动分割的目的。

An automatic segmentation method of glandular cavity in pathological image of prostate cancer

【技术实现步骤摘要】
一种前列腺癌病理图像中腺体空腔的自动化分割方法
本专利技术涉及图像处理技术和机器学习算法领域，具体涉及一种前列腺癌病理图像中腺体空腔的自动化分割方法。
技术介绍
根据2019年美国癌症协会（TheAmericanCancerSociety）统计报告（Cancerstatistics2019），前列腺癌是美国男性癌症发病率最高的癌症，年发病人数达174650人，占所有新男性癌症患者总数的20%，严重威胁男性身体和心理健康。前列腺癌的分级对于前列腺癌的诊断和治疗具有重要作用，Gleason分级方法是目前应用最广泛、最受认可的前列腺癌分级方法，该方法通过观察前列腺癌组织切片的染色图像中的腺体、上皮细胞核的分布和形态等将癌症分为1至5级，进一步的可将整张病理染色图像细分为主要癌症级和次要癌症级，如4+3表示患者的主要癌症分级是4级，其次是3级。然而，通常一张病理染色图像中可包含上万个上皮细胞和上千个腺体，人工肉眼观察病理图像对病理科医生来说是一项艰巨的任务，且易受观察者自身主观因素的影响，评判结果的稳定性和一致性难以得到保证。随着科学技术的发展，人工智能已逐渐成为解决医学问题的重要工具之一。机器学习是人工智能技术的一个重要分支，在精准及智能医疗的研究中占据主要地位。已有众多研究者致力于研究使用机器学习方法对前列腺癌病理染色图像进行自动分级，其中，精确的分割腺体结构对分级的可靠性具有重要的影响。在病理染色图像中，存在有两类腺体：带有空腔（lumen）的腺体和空腔被填满的腺体，前者是由空腔及环绕空腔的上皮细胞组成，后者则是由于上皮细胞发生癌变扩增导致空腔缩小，甚至最终被填满。如果可以准确的分割这两种腺体，将大大提高前列腺癌病理染色图像分级的准确度，而其中，准确分割带有空腔腺体的一个重要前提就是将腺体内的空腔准确定位分割出来。在前列腺癌病理染色图像中，存在有大量和空腔相似的伪影，如细胞癌变导致的孔洞，组织切片制备过程中由于撕裂导致的空白区域等，这些噪音直接造成分割结果中包含很多假阳性的空腔，降低分割准确度。
技术实现思路
本专利技术提出了一种前列腺癌病理图像中腺体空腔的自动化分割方法，该方法是结合图像处理技术和机器学习算法建立的，其利用了图像处理技术中的图像分割和形态学处理方法初步分割空腔，然后对空腔及其邻域像素进行特征提取，将特征输入本专利技术训练的逻辑回归（LogisticRegression）分类模型中剔除假阳性空腔，从而得到准确的空腔分割结果。本专利技术提出的一种前列腺癌病理图像中腺体空腔的自动化分割方法，该方法包括如下步骤：步骤1：将病理染色图像分割为若干超像素（superpixel）；步骤2：使用无监督聚类模型将超像素聚类，并选择最符合空腔性质的簇；步骤3：形态学处理步骤2得到的簇，去除位于图像边界的簇，得到初步分割的空腔；步骤4：提取初步分割的空腔及其邻域的图像特征；步骤5：利用逻辑回归分类模型，输入图像特征，对空腔进行分类。所述步骤1中的超像素是指图像中具有相似纹理、颜色和亮度等特征的，由相邻像素构成的，且有一定视觉意义的不规则像素块；分割超像素的算法是SLIC（simplelineariterativecluster），SLIC算法的具体步骤包括：—给定将要分割的超像素的数量，根据超像素的数量确定采样步长，以步长对像素进行采样初始化聚类中心，将聚类中心移至3x3小块中梯度最小的位置；—计算每个像素和每个聚类中心的距离，距离的计算是根据每个像素的R、G、B通道像素值和坐标X、Y构成的5维向量，计算5维向量的欧几里得距离作为每个像素到每个聚类中心的距离；—根据距离决定每个像素所归属的聚类中心，并根据聚类的簇更新新的聚类中心；—重复以上步骤若干次，直到重复次数达到设定值或者聚类中心不再移动；—使用连通域算法（connectedcomponents）合并簇中的孤立点，得到最终的超像素分割结果。所述步骤2中的具体步骤包括：步骤2.1：将病理染色图像由RGB色彩空间转换到LAB色彩空间；步骤2.2：计算每个超像素的L通道的灰度中位数（或平均值）作为每个超像素的特征值；步骤2.3：利用无监督聚类算法对超像素的特征值进行聚类；步骤2.4：取特征值中位数最大的超像素簇作为最符合空腔性质的簇。所述步骤3的具体步骤包括：步骤3.1：使用形态学填孔去除步骤2中得到的每个簇内的孔洞，然后使用形态学开运算去除空腔边界的缝隙，最后使用形态学闭运算去除空腔边界的毛刺；步骤3.2：位于图像边界上的簇可能是病理染色图像的背景，也可能是部分空腔，对于分割腺体是无用的，因此并不考虑，去除位于边界上的簇之后就得到了初步分割的空腔。所述步骤4的具体步骤包括：步骤4.1：选择一张染色良好的病理图像，使用直方图匹配的方法对每张病理图像进行色彩标准化；步骤4.2：使用步骤1~3的方法分割每张病理图像中的空腔，进一步的获取如下8个区域：—ori：空腔内部区域；—dia：空腔内部和外部邻域，获取方法是使用形态学膨胀对空腔内部区域进行区域扩张，膨胀卷积核（kernel）的大小为kxk，k的计算方法是：其中S为空腔的面积，N为根据空腔大小分布人为决定的最小膨胀大小；—xor：空腔外部邻域，通过将dia区域与ori区域进行异或操作获得；—nor：包含空腔外部邻域的最小矩形区域，即包含dia的最小外部矩形区域；—rnor：放缩为固定大小后的包含空腔外部邻域的最小矩形区域；—rori：rnor区域中的空腔内部区域；—rdia：rnor区域中的空腔内部区域和空腔外部邻域；—rxor：rnor区域中的的空腔外部邻域；步骤4.3：对8个区域对应的各个单通道图像共24张图像提取特征，具体的，基于ori、dia、xor、rori、rdia和rxor共6个区域18张单通道图像提取色彩统计值特征、纹理特征和形状特征，其中形状特征只需基于6个区域的任意一张单通道图像；基于rnor区域的3张单通道图像提取LBP（LocalBinaryPattern）统计直方图特征；步骤4.4：对R、G、B各个单通道图像提取的特征作为单通道图像特征，然后计算将任意两个单通道图像特征向量对应元素相乘的结果和三个单通道图像特征向量对应元素相乘的结果作为多通道图像特征，此处是为了计算交互作用特征，但是针对的是不同通道下的同种特征之间的交互特征。所述步骤5中的逻辑回归模型的基本形式是：其中为预测值，X为输入特征，β为输入特征的系数；本专利技术中的逻辑回归模型采用L1正则对系数β进行惩罚，其惩罚函数的形式是：其中y为预测值的真实值，N表示样本数，p表示特征数，λ为L1正则惩罚系数；模型具体的训练步骤是：—将病理图像特征标准化；—将所有空腔样本随机分为训练集和测试集；—对训练集进行多次本文档来自技高网...

【技术保护点】
1.一种前列腺癌病理图像中腺体空腔的自动化分割方法，其特征在于：包括以下步骤：/n步骤1：将病理染色图像分割为若干超像素；/n步骤2：使用无监督聚类模型将超像素聚类，并判断选择与空腔性质最接近的簇；/n步骤3：形态学处理步骤2得到的簇，去除位于图像边界的簇，得到初步分割的空腔；/n步骤4：提取初步分割的空腔及其邻域的图像特征；/n步骤5：利用逻辑回归分类模型，输入图像特征，对空腔进行分类。/n

【技术特征摘要】
1.一种前列腺癌病理图像中腺体空腔的自动化分割方法，其特征在于：包括以下步骤：
步骤1：将病理染色图像分割为若干超像素；
步骤2：使用无监督聚类模型将超像素聚类，并判断选择与空腔性质最接近的簇；
步骤3：形态学处理步骤2得到的簇，去除位于图像边界的簇，得到初步分割的空腔；
步骤4：提取初步分割的空腔及其邻域的图像特征；
步骤5：利用逻辑回归分类模型，输入图像特征，对空腔进行分类。


2.根据权利要求1所述的一种前列腺癌病理图像中腺体空腔的自动化分割方法，其特征在于：所述步骤1中分割超像素的方法是SLIC算法，分割超像素的个数n的计算方式为：



其中表示病理染色图像的宽，表示病理染色图像的长。


3.根据权利要求1所述的一种前列腺癌病理图像中腺体空腔的自动化分割方法，其特征在于：所述步骤2的具体步骤包括：
步骤2.1：将病理染色图像由RGB色彩空间转换到LAB色彩空间；
步骤2.2：计算每个超像素的L通道的灰度中位数（或平均值）作为每个超像素的特征值；
步骤2.3：利用聚类算法对超像素的特征值进行聚类；
步骤2.4：取特征值中位数最大的超像素簇作为与空腔性质最接近的簇。


4.根据权利要求1所述的一种前列腺癌病理图像中腺体空腔的自动化分割方法，其特征在于：所述步骤3中的形态学处理包括形态学填孔、开运算和闭运算；去除边界超像素簇的方法是超像素簇中位于图像边界的像素个数，若个数大于设定阈值则去除该超像素簇。


5.根据权利要求1所述的一种前列腺癌病理图像中腺体空腔的自动化分割方法，其特征在于：所述步骤4提取初步分割的空腔及其邻域的图像特征的具体步骤包括：
步骤4.1：选择一张染色良好的病理图像，使用直方图匹配的方法对每张病理图像进行色彩标准化；
步骤4.2：使用步骤1~3的方法分割每张病理图像中的空腔，进一步的获取如下7个区域：
—ori：空腔内部区域；
—dia：空腔内部和外部邻域，获取方法是使用形态学膨胀对空腔内部区域进行区域扩张，膨胀卷积核（kernel）的大小为kxk，k的计算方法是：



其中S为空腔的面积，N为根据空腔大小分布人为决定的最小膨胀大小；
—xor：空腔外部邻域，通过将dia区域与ori区域进行异或操作获得；
—rnor：将包含空腔外部邻域的最小矩形区域放缩为固定大小的区域；
—rori：rnor区域中的空腔内部区域；
—rdia：rnor区域中的空腔内部区域和空腔外部邻域；
—rxor：rnor区域中的的空腔外部邻域；
步骤4.3：取7个区域对应的R、G、B各个单通道图像共21张图像提取特征，具体的，基于ori、dia、xor、rori、rdia和rxor共6个区域18张单通道图像提取色彩统计值特征、纹理特征和形状特征，其中形状特征只需基于6个区域的任意一张单通道图像；基于rnor区域的3张单通道图像提取LBP（LocalBinaryPattern）统计直方图特征；
步骤4.4：对R、G、B各个单通道图像提取的特征作为单通道图像特征，然后将任意两个单通道图像特征向量对应元素相乘的结果和三个单通道图像特征向量对应元素相乘的结果作为多通道图像特征，此处是为了计算交互作用特征，但是针对的是不同通道下的同种特征之间的交互特征。


6.根据权利要求1所述的一种前列腺癌病理图像中腺体空腔的自动化分割方法，其特征在于：所述步骤5中的逻辑回归模型采用L1正则对特征系数进行惩罚，惩罚函数的形式为：

<...

【专利技术属性】
技术研发人员：华芮，李嘉路，张游龙，
申请(专利权)人：深圳市华嘉生物智能科技有限公司，
类型：发明
国别省市：广东;44