CN108830874A - 一种数字病理全切片图像空白区域自动分割方法 - Google Patents
一种数字病理全切片图像空白区域自动分割方法 Download PDFInfo
- Publication number
- CN108830874A CN108830874A CN201810355521.7A CN201810355521A CN108830874A CN 108830874 A CN108830874 A CN 108830874A CN 201810355521 A CN201810355521 A CN 201810355521A CN 108830874 A CN108830874 A CN 108830874A
- Authority
- CN
- China
- Prior art keywords
- full slice
- slice image
- threshold value
- digital pathology
- pathology full
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007170 pathology Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000012805 post-processing Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种数字病理全切片图像空白区域自动分割方法，S1、将数字病理全切片图像由RGB颜色空间转换到HSV颜色空间；S2、求出所述HSV颜色空间的饱和度通道阈值和亮度通道阈值；S3、使用所述饱和度通道阈值和所述亮度通道阈值对所述数字病理全切片图像进行二值化操作，得到初步分割结果；S4、对所述初步分割结果进行形态学后处理，得到最终分割结果。本发明通过颜色空间变换和自适应阈值方法对数字病理全切片图像进行二值化，然后进行形态学后处理，最终使计算机能够准确地对数字病理全切片空白区域进行自动分割，结果更加准确。
Description
技术领域
本发明涉及数字图像处理技术领域，更具体的说是涉及一种数字病理全切片图像空白区域自动分割方法。
背景技术
数字病理全切片图像，是将传统的玻璃病理切片通过全自动显微镜或光学放大***扫描采集得到的大尺寸高分辨数字图像，是病理医生在诊断时的重要依据。近年来，随着病理学和计算机技术的快速发展，数字病理全切片图像的数量迅速增长，通过图像算法或机器学习方法对其进行处理和分析，对辅助病理医生快速诊断以及计算机自动诊断有很大参考价值。
但是，数字病理全切片图像在扫描时除细胞组织等内容外，图像***通常为没有实际内容的空白区域，在处理数字病理全切片图像时如果不加区分一同处理空白区域，不仅会增加处理时间，也会影响算法精度。此外，由于采集环境不同，导致不同的数字病理全切片图像切片的亮度和色调有差异，因此使用固定灰度阈值对所有数字病理全切片进行空白区域分割可能造成结果不准确。
因此，如何提供一种结果准确的数字病理全切片图像空白区域的分割方法，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供的一种数字病理全切片图像空白区域自动分割方法，通过颜色空间变换和自适应阈值方法对数字病理全切片进行二值化，然后进行形态学后处理，最终使计算机能够准确地对数字病理全切片空白区域进行自动分割，结果更加准确。
为了实现上述目的，本发明采用如下技术方案：
一种数字病理全切片图像空白区域自动分割方法，包括以下操作步骤：
S1、将数字病理全切片图像由RGB颜色空间转换到HSV颜色空间；
S2、求出所述HSV颜色空间中饱和度通道和亮度通道的阈值；
S3、使用所述饱和度通道阈值和所述亮度通道阈值对所述数字病理全切片图像进行二值化操作，得到初步分割结果；
S4、对所述初步分割结果进行形态学后处理，得到最终分割结果。
优选地，步骤S2中，所述饱和度通道阈值计算和所述亮度通道阈值计算包括全局均值法或最大类间方差法。图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。其中，全局均值法是对整幅图像选取单一的阈值来进行二值化；最大类间方差法是指是一种自适应的阈值确定的方法，又叫大津法，它是按图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此，使类间方差法最大的分割意味着错分概率最小。
优选地，步骤S4中，所述形态学后处理包括开运算、闭运算或去除小面积噪点。开运算，就是先腐蚀后膨胀的过程，可以用来消除小物体，在纤细点处分离物体，并且在平滑较大物体的边界的同时不明显改变其面积。闭运算，就是先膨胀后腐蚀的过程，闭运算可以用来排除小型黑洞，即黑色区域。小面积噪点就是指面积小于某个阈值的连通区域，去除指让这种小面积噪点在二值图中的值变得与周围相同。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种数字病理全切片图像空白区域自动分割方法，无需手动设置阈值，即可实现任何全切片区域自动分割，根据分割进行后续处理时，可以将空白区域剔除，只处理包含病理组织部分，不仅能够提高方法的准确度，还能大幅度减少计算量；同时，本发明得到的空白区域的分割结果对后续基于机器学习或图像处理的数字病理全切片分析方法具有很大的提升效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的自动分割方法的流程图。
图2附图为本发明提供的自动分割方法的流程中的各个状态图，其中，
图(a)为数字病理全切片的原始状态图；
图(b)为数字病理全切片的初步分割结果的状态图；
图(c)为数字病理全切片的最终分割结果的状态图。
具体实施方式
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，都属于本发明保护的范围。
参照图1-2，一种数字病理全切片图像空白区域自动分割方法，应用于任意全切片，具体包括以下步骤：
S1、将数字病理全切片图像由RGB颜色空间转换到HSV颜色空间；
RGB，即红绿蓝颜色空间是依据人眼识别的颜色定义出的空间，可表示大部分颜色，但是它将色调、饱和度和亮度三个量放在一起表示，难以进行图像处理，因此需要转换到HSV，即色调、饱和度和亮度颜色空间。
S2、求出数字病理全切片图像中S饱和度通道阈值和V亮度通道的阈值；
设数字病理全切片像素宽度和高度分别为W和H，位置坐标为(i，j)的像素的S通道和V通道数值分别为S(i，j)和V(i，j)，数字病理全切片在S通道和V通道的阈值分别为St和Vt。
St和Vt的计算采用全局均值计算方法时，阈值计算公式为：
St和Vt的计算采用最大类间方差法时，在饱和度通道中小于St的像素个数及其占整幅图像的比例分别记为N0和ω0，其平均灰度为μ0；不小于St的像素个数及其占整幅图像的比例分别记为N1和ω1，其平均灰度为μ1。图像的总平均灰度记为μ,两种像素的类间方差记为g。则有：
g＝ω0(μ0-μ)2+ω1(μ1-μ)2＝ω0ω1(μ0-μ1)2
阈值St计算公式为：
Vt的计算与St相似。
S3、使用步骤S2中得到的饱和度通道阈值和亮度通道阈值对数字病理全切片图像进行二值化操作，得到初步分割结果；
数字病理全切片在HSV颜色空间中，如果一个像素点的饱和度通道值小于其阈值且亮度通道值大于其阈值，则标记为空白，否则标记为有内容。如图2(b)所示，设数字病理全切片的初步分割结果为二值图像B，B中位置坐标为(i，j)的值为B(i，j)，其余符号与步骤S2中相同，则计算公式为
S4、对步骤S3中得到的初步分割结果进行形态学后处理，得到最终分割结果。
如图2(c)所示，为了抑制初步分割结果中的噪声点与不平滑轮廓，可以使用形态学操作进行后处理，方法中包括开运算、闭运算或去除小面积噪点。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种数字病理全切片图像空白区域自动分割方法，其特征在于，包括以下操作步骤：
S1、将数字病理全切片图像由RGB颜色空间转换到HSV颜色空间；
S2、求出所述HSV颜色空间的饱和度通道阈值和亮度通道阈值；
S3、使用所述饱和度通道阈值和所述亮度通道阈值对所述数字病理全切片图像进行二值化操作，得到初步分割结果；
S4、对所述初步分割结果进行形态学后处理，得到最终分割结果。
2.根据权利要求1所述的一种数字病理全切片图像空白区域自动分割方法，其特征在于，步骤S2中，所述饱和度通道阈值和所述亮度通道阈值计算采用全局均值法或最大类间方差法。
3.根据权利要求1所述的一种数字病理全切片图像空白区域自动分割方法，其特征在于，步骤S4中，所述形态学后处理包括开运算、闭运算或去除小面积噪点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810355521.7A CN108830874A (zh) | 2018-04-19 | 2018-04-19 | 一种数字病理全切片图像空白区域自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810355521.7A CN108830874A (zh) | 2018-04-19 | 2018-04-19 | 一种数字病理全切片图像空白区域自动分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108830874A true CN108830874A (zh) | 2018-11-16 |
Family
ID=64154859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810355521.7A Pending CN108830874A (zh) | 2018-04-19 | 2018-04-19 | 一种数字病理全切片图像空白区域自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830874A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009708A (zh) * | 2019-04-10 | 2019-07-12 | 上海大学 | 基于图像色彩分割的发色变换方法、***及终端 |
| CN110097510A (zh) * | 2019-04-11 | 2019-08-06 | 平安科技（深圳）有限公司 | 一种纯色花朵识别方法、装置及存储介质 |
| CN110223303A (zh) * | 2019-05-13 | 2019-09-10 | 清华大学 | He染色器官病理图像分割方法、装置 |
| CN110276761A (zh) * | 2019-06-18 | 2019-09-24 | 福州数据技术研究院有限公司 | 一种基于otsu阈值的肝部组织病理图像分割方法 |
| CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
| CN113469939A (zh) * | 2021-05-26 | 2021-10-01 | 透彻影像(北京)科技有限公司 | 一种基于特性曲线的her-2免疫组化自动判读*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1066100A (ja) * | 1996-08-21 | 1998-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 画像領域分割装置 |
| CN102930547A (zh) * | 2012-11-13 | 2013-02-13 | 中国农业大学 | 风力传送条件下棉花异性纤维图像在线分割方法及*** |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及*** |
| WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
| CN105894487A (zh) * | 2014-08-25 | 2016-08-24 | 武汉科技大学 | 钢材图像编号的提取与分割方法 |
| CN106023151A (zh) * | 2016-05-09 | 2016-10-12 | 厦门大学 | 一种开放环境下中医舌象目标检测方法 |
| CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及*** |
| CN106666767A (zh) * | 2016-11-18 | 2017-05-17 | 辽宁工业大学 | 一种基于视觉技术的高效葵花籽脱壳方法 |
| CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
-
2018
- 2018-04-19 CN CN201810355521.7A patent/CN108830874A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1066100A (ja) * | 1996-08-21 | 1998-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 画像領域分割装置 |
| CN102930547A (zh) * | 2012-11-13 | 2013-02-13 | 中国农业大学 | 风力传送条件下棉花异性纤维图像在线分割方法及*** |
| CN105894487A (zh) * | 2014-08-25 | 2016-08-24 | 武汉科技大学 | 钢材图像编号的提取与分割方法 |
| WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
| CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及*** |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及*** |
| CN106023151A (zh) * | 2016-05-09 | 2016-10-12 | 厦门大学 | 一种开放环境下中医舌象目标检测方法 |
| CN106666767A (zh) * | 2016-11-18 | 2017-05-17 | 辽宁工业大学 | 一种基于视觉技术的高效葵花籽脱壳方法 |
| CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张广宇: "一种有效的舌体分割算法研究", 《电脑知识与技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009708A (zh) * | 2019-04-10 | 2019-07-12 | 上海大学 | 基于图像色彩分割的发色变换方法、***及终端 |
| CN110097510A (zh) * | 2019-04-11 | 2019-08-06 | 平安科技（深圳）有限公司 | 一种纯色花朵识别方法、装置及存储介质 |
| CN110097510B (zh) * | 2019-04-11 | 2023-10-03 | 平安科技（深圳）有限公司 | 一种纯色花朵识别方法、装置及存储介质 |
| CN110223303A (zh) * | 2019-05-13 | 2019-09-10 | 清华大学 | He染色器官病理图像分割方法、装置 |
| CN110276761A (zh) * | 2019-06-18 | 2019-09-24 | 福州数据技术研究院有限公司 | 一种基于otsu阈值的肝部组织病理图像分割方法 |
| CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
| CN113469939A (zh) * | 2021-05-26 | 2021-10-01 | 透彻影像(北京)科技有限公司 | 一种基于特性曲线的her-2免疫组化自动判读*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830874A (zh) | 一种数字病理全切片图像空白区域自动分割方法 | |
| US8073233B2 (en) | Image processor, microscope system, and area specifying program | |
| Pape et al. | 3-D histogram-based segmentation and leaf detection for rosette plants | |
| US8265393B2 (en) | Photo-document segmentation method and system | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| US9177378B2 (en) | Updating landmarks to improve coregistration as regions of interest are corrected | |
| CN112215800B (zh) | 基于机器学习的重叠染色体识别和分割方法 | |
| CN106650794B (zh) | 一种受物体表面高光反射影响的图像高光消除方法及*** | |
| CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、***及装置 | |
| Mandal et al. | Segmentation of blood smear images using normalized cuts for detection of malarial parasites | |
| CN111931751B (zh) | 深度学习训练方法、目标物识别方法、***和存储介质 | |
| JP2013111420A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
| WO2020038312A1 (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
| CN110763677A (zh) | 甲状腺冰冻切片诊断方法及*** | |
| CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
| CN110428380B (zh) | 紫色土土壤图像阴影增强方法 | |
| JP6070420B2 (ja) | 画像処理装置及びプログラム | |
| CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与*** | |
| CN111105427A (zh) | 一种基于连通区域分析的肺部图像分割方法及*** | |
| Salih et al. | Adaptive local exposure based region determination for non-uniform illumination and low contrast images | |
| CN117252825A (zh) | 基于口腔全景片图像的龋齿识别方法和装置 | |
| EP2875488A1 (en) | Biological unit segmentation with ranking based on similarity applying a shape and scale descriptor | |
| CN111612776A (zh) | 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 | |
| CN113450372B (zh) | 基于人工智能的输电线图像智能增强方法与*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |
|
| RJ01 | Rejection of invention patent application after publication |