CN111292315A - 一种病理切片组织区域快速配准算法 - Google Patents

一种病理切片组织区域快速配准算法 Download PDF

Info

Publication number
CN111292315A
CN111292315A CN202010151108.6A CN202010151108A CN111292315A CN 111292315 A CN111292315 A CN 111292315A CN 202010151108 A CN202010151108 A CN 202010151108A CN 111292315 A CN111292315 A CN 111292315A
Authority
CN
China
Prior art keywords
tissue region
region map
mutual information
map
algorithm
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
Application number
CN202010151108.6A
Other languages
English (en)
Inventor
陈杰
郑众喜
王柄智
杨一明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202010151108.6A priority Critical patent/CN111292315A/zh
Publication of CN111292315A publication Critical patent/CN111292315A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种病理切片组织区域快速配准算法，包括以下步骤：S100、从数字切片A1中获取缩略图a1，从数字切片A2中获取缩略图a2；S200、从缩略图a1中分割出组织区域图b1，从缩略图a2中分割出组织区域图b2；S300、以组织区域图b1为模板，以组织区域图b1和组织区域图b2的互信息度量为目标函数，从旋转角度、尺度变换、是否翻转三个维度搜索最优变换矩阵，使得组织区域图b1和变换后的组织区域图b2互信息度量最大，得到粗配准结果c1；S400、以组织区域图b1作为模板，以粗配准结果c1作为初始化图像，优化组织区域图b1和粗配准结果c1中的相似性度量，即可快速收敛至最优解，得到精细配准结果。本发明配准流程泛化能力更好，配准效率更高。

Description

一种病理切片组织区域快速配准算法
技术领域
本发明涉及图像匹配技术领域，尤其涉及一种病理切片组织区域快速配准算法。
背景技术
临床上，病理科组织学免疫组化染色会从同一个组织上取多张切片，用不同的染色剂进行染色，医生阅片时都是在脑海中做配准。这种方法在切片染色过淡时很难在脑海中有效配准，医生需要反复对比才能在脑海中将区域重叠起来。
目前已有的方案是直接在取数字扫描切片上的图像执行配准，但不同的切片通常存在旋转、翻转、位移和轻微形变情况。直接配准方法既耗时长，又不能保证能正确配准。
发明内容
本发明旨在提供一种病理切片组织区域快速配准算法，配准流程泛化能力更好，配准效率更高。
为达到上述目的，本发明是采用以下技术方案实现的：
本发明公开一种病理切片组织区域快速配准算法，包括以下步骤：
S100、从数字切片A1中获取缩略图a1，从数字切片A2中获取缩略图a2；
S200、从缩略图a1中分割出组织区域图b1，从缩略图a2中分割出组织区域图b2；
S300、以组织区域图b1为模板，以组织区域图b1和组织区域图b2的互信息度量为目标函数，从旋转角度、尺度变换、是否翻转三个维度搜索最优变换矩阵，使得组织区域图b1和变换后的组织区域图b2互信息度量最大，得到粗配准结果c1；
S400、以组织区域图b1作为模板，以粗配准结果c1作为初始化图像，优化组织区域图b1和粗配准结果c1中的相似性度量，即可快速收敛至最优解，得到精细配准结果。
优选的，步骤S200中，分割算法包括阈值分割算法、区域生长分割算法、基于深度学习的分割算法。
优选的，步骤S300中，最优变换矩阵的确定方法包括以下步骤：
S3111、将组织区域图b2旋转角度p，得到组织区域图b2′1，比较组织区域图b2′1与组织区域图b1，得到互信息度量k1；
S3112、将组织区域图b2′1旋转角度p，得到组织区域图b2′2，比较组织区域图b2′2与组织区域图b1，得到互信息度量k2；
……
S311i、将组织区域图b2′i-1旋转角度p，得到组织区域图b2′i，比较组织区域图b2′i与组织区域图b1，得到互信息度量ki；
……
S311n、将组织区域图b2′n-1旋转角度p，得到组织区域图b2′n，比较组织区域图b2′n与组织区域图b1，得到互信息度量kn；
S312、从互信息度量k1～互信息度量kn中选取最大互信息度量kmax，确定相对应的最适合的旋转角度，获得组织区域图b2_1，
其中1＜i＜n，n*p＝360°。
优选的，步骤S300中，最优变换矩阵的确定方法还包括以下步骤：
S3211、将组织区域图b2_1变换倍率q，得到组织区域图b2_1′1，比较组织区域图b2_1′1与组织区域图b1，得到互信息度量x1；
……
S321h、将组织区域图b2_1′h-1变换倍率q，得到组织区域图b2_1′h，比较组织区域图b2_1′h与组织区域图b1，得到互信息度量xh；
……
S321m、将组织区域图b2_1′m-1变换倍率q，得到组织区域图b2_1′m，比较组织区域图b2_1′m与组织区域图b1，得到互信息度量xm；
S322、从互信息度量x1～互信息度量xm中选取最大互信息度量xmax，确定相对应的最适合的变换倍率，获得组织区域图b2_2。
优选的，步骤S300中，最优变换矩阵的确定方法还包括以下步骤：
S331、翻转组织区域图b2_2，得到组织区域图b2_2′，比较组织区域图b2_2′与组织区域图b1，得到互信息度量y，比较互信息度量y和最大互信息度量xmax，得到对应的粗配准结果c1。
优选的，每次旋转的角度p＝1°。
优选的，每次变换的倍率q＝0.05倍，
步骤S3211～S321m中，组织区域图b2_1的整体变换倍率从0.8倍～1.2倍。
优选的，步骤S300中，
互信息度量通过测量联合分布p(x，y)和完全独立p(x)*p(y)相关分布之间的距离来计算X和Y图像的相似度，计算公式为：
Figure BDA0002401510600000031
。
优选的，步骤S400中，优化组织区域图b1和粗配准结果c1中的相似性度量为基于强度的图像匹配方法。
优选的，步骤S400中，优化组织区域图b1和粗配准结果c1中的相似性度量的算法包括梯度下降算法。
本发明的有益效果：
1、本发明解决了阳性对照等与配准无关区域对配准算法结果产生影响的问题；
2、本发明解决了直接配准耗时过长和难以优化的问题；
3、本发明配准流程泛化能力更好，配准效率更高。
附图说明
图1为缩略图a1的示意图；
图2为缩略图a2的示意图；
图3为组织区域图b1的示意图；
图4为组织区域图b2的示意图；
图5为步骤S300的流程示意图；
图6为粗配准结果c1的示意图；
图7为组织区域图b1和粗配准结果c1重叠显示效果；
图8为步骤S400中组织区域图b1和精细配准结果重叠显示效果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
如图1～8所示，本发明包括以下步骤：
S100、缩略图获取：
从待配准的数字切片WSI中获取缩略图a1和缩略图a2；
S200、有效区域分割：
使用分割算法将缩略图中的有效区域分割出来，分割算法包括不限于阈值分割、区域生长等传统分割算法和基于深度学习的分割算法，从缩略图a1中分割出组织区域图b1，从缩略图a2中分割出组织区域图b2；
S300、图像粗配准：
以组织区域图b1为模板，以组织区域图b1和组织区域图b2的互信息度量为目标函数，从旋转角度、尺度变换、是否翻转三个维度搜索最优变换矩阵，使得组织区域图b1和变换后的组织区域图b2互信息度量最大，得到粗配准结果。
搜索最优变换矩阵的方法时先计算组织区域图b2以0～359°旋转角度变换后与组织区域图b1的互信息量，取最大互信息量时的角度为旋转角；
再设当前旋转角度为初始量，以0.05倍为粒度计算0.8～1.2之间各个尺度变换的互信息量，取最大互信息量时的倍率为尺度变换量；
最终比较镜像翻转前后的互信息量，取最大时的状态为最优状态，使用当前旋转角度、尺度变化量和是否翻转计算变换矩阵。
其中互信息度量通过测量联合分布p(x,y)和完全独立p(x)*p(y)相关分布之间的距离来计算X和Y图像的相似度，计算公式为：
Figure BDA0002401510600000051
S400、图像精细配准：
以组织区域图b1作为模板，以粗配准结果c1作为初始化图像，使用包括不限于梯度下降算法等优化算法优化组织区域图b1和粗配准结果c1中的相似性度量，即可快速收敛至最优解，得到精细配准结果，
本步骤采用的方法为经典的基于强度的图像匹配方法，流程内细节不在专利保护范围内，仅作为本方案整个流程中的一环。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种病理切片组织区域快速配准算法，其特征在于包括以下步骤：
S100、从数字切片A1中获取缩略图a1，从数字切片A2中获取缩略图a2；
S200、从缩略图a1中分割出组织区域图b1，从缩略图a2中分割出组织区域图b2；
S300、以组织区域图b1为模板，以组织区域图b1和组织区域图b2的互信息度量为目标函数，从旋转角度、尺度变换、是否翻转三个维度搜索最优变换矩阵，使得组织区域图b1和变换后的组织区域图b2互信息度量最大，得到粗配准结果c1；
S400、以组织区域图b1作为模板，以粗配准结果c1作为初始化图像，优化组织区域图b1和粗配准结果c1中的相似性度量，即可快速收敛至最优解，得到精细配准结果。
2.根据权利要求1所述的配准算法，其特征在于：步骤S200中，分割算法包括阈值分割算法、区域生长分割算法、基于深度学习的分割算法。
3.根据权利要求1所述的配准算法，其特征在于：步骤S300中，最优变换矩阵的确定方法包括以下步骤：
S3111、将组织区域图b2旋转角度p，得到组织区域图b2′1，比较组织区域图b2′1与组织区域图b1，得到互信息度量k1；
S3112、将组织区域图b2′1旋转角度p，得到组织区域图b2′2，比较组织区域图b2′2与组织区域图b1，得到互信息度量k2；
……
S311i、将组织区域图b2′i-1旋转角度p，得到组织区域图b2′i，比较组织区域图b2′i与组织区域图b1，得到互信息度量ki；
……
S311n、将组织区域图b2′n-1旋转角度p，得到组织区域图b2′n，比较组织区域图b2′n与组织区域图b1，得到互信息度量kn；
S312、从互信息度量k1～互信息度量kn中选取最大互信息度量kmax，确定相对应的最适合的旋转角度，获得组织区域图b2_1，
其中1＜i＜n，n*p＝360°。
4.根据权利要求3所述的配准算法，其特征在于：步骤S300中，最优变换矩阵的确定方法还包括以下步骤：
S3211、将组织区域图b2_1变换倍率q，得到组织区域图b2_1′1，比较组织区域图b2_1′1与组织区域图b1，得到互信息度量x1；
……
S321h、将组织区域图b2_1′h-1变换倍率q，得到组织区域图b2_1′h，比较组织区域图b2_1′h与组织区域图b1，得到互信息度量xh；
……
S321m、将组织区域图b2_1′m-1变换倍率q，得到组织区域图b2_1′m，比较组织区域图b2_1′m与组织区域图b1，得到互信息度量xm；
S322、从互信息度量x1～互信息度量xm中选取最大互信息度量xmax，确定相对应的最适合的变换倍率，获得组织区域图b2_2。
5.根据权利要求1所述的配准算法，其特征在于：步骤S300中，最优变换矩阵的确定方法还包括以下步骤：
S331、翻转组织区域图b2_2，得到组织区域图b2_2′，比较组织区域图b2_2′与组织区域图b1，得到互信息度量y，比较互信息度量y和最大互信息度量xmax，得到对应的粗配准结果c1。
6.根据权利要求3所述的配准算法，其特征在于：每次旋转的角度p＝1°。
7.根据权利要求4所述的配准算法，其特征在于：每次变换的倍率q＝0.05倍，
步骤S3211～S321m中，组织区域图b2_1的整体变换倍率从0.8倍～1.2倍。
8.根据权利要求3-7中任一所述的配准算法，其特征在于：步骤S300中，
互信息度量通过测量联合分布p(x,y)和完全独立p(x)*p(y)相关分布之间的距离来计算X和Y图像的相似度，计算公式为：
Figure FDA0002401510590000031
9.根据权利要求1所述的配准算法，其特征在于：步骤S400中，优化组织区域图b1和粗配准结果c1中的相似性度量为基于强度的图像匹配方法。
10.根据权利要求9所述的配准算法，其特征在于：步骤S400中，优化组织区域图b1和粗配准结果c1中的相似性度量的算法包括梯度下降算法。
CN202010151108.6A 2020-03-05 2020-03-05 一种病理切片组织区域快速配准算法 Pending CN111292315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010151108.6A CN111292315A (zh) 2020-03-05 2020-03-05 一种病理切片组织区域快速配准算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010151108.6A CN111292315A (zh) 2020-03-05 2020-03-05 一种病理切片组织区域快速配准算法

Publications (1)

Publication Number Publication Date
CN111292315A true CN111292315A (zh) 2020-06-16

Family

ID=71030181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010151108.6A Pending CN111292315A (zh) 2020-03-05 2020-03-05 一种病理切片组织区域快速配准算法

Country Status (1)

Country Link
CN (1) CN111292315A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751371A (zh) * 2020-06-24 2020-10-09 武汉中纪生物科技有限公司 一种免疫组化数字玻片阅片***及方法
CN111768393A (zh) * 2020-07-01 2020-10-13 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN111768394A (zh) * 2020-07-01 2020-10-13 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN112381838A (zh) * 2020-11-14 2021-02-19 四川大学华西医院 一种数字病理切片图像的自动切图方法
CN115482181A (zh) * 2021-05-31 2022-12-16 数坤(北京)网络科技股份有限公司 一种图像信息提取方法、装置、电子设备和可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509114A (zh) * 2011-11-22 2012-06-20 李京娜 基于改进的结构相似度的图像配准方法
CN104050666A (zh) * 2014-06-10 2014-09-17 电子科技大学 基于分割的脑部mr图像配准方法
CN106096616A (zh) * 2016-06-08 2016-11-09 四川大学华西医院 一种基于深度学习的磁共振影像特征提取及分类方法
CN106204415A (zh) * 2015-05-04 2016-12-07 南京邮电大学 一种新型的图像配准方法
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509114A (zh) * 2011-11-22 2012-06-20 李京娜 基于改进的结构相似度的图像配准方法
CN104050666A (zh) * 2014-06-10 2014-09-17 电子科技大学 基于分割的脑部mr图像配准方法
CN106204415A (zh) * 2015-05-04 2016-12-07 南京邮电大学 一种新型的图像配准方法
CN106096616A (zh) * 2016-06-08 2016-11-09 四川大学华西医院 一种基于深度学习的磁共振影像特征提取及分类方法
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HASHIMOTO N等: "《Multiple Tissue Blocks: Towards High-Resolution Whole-Organ 3D Histological Images》", 《PATHOBIOLOGY》 *
汪婷: "《生物医学图像归一化及配准方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陈杰 等: "《纤维支气管镜肺泡灌洗对支气管扩张合并感染患者治疗效果的影响》", 《医疗装备》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751371A (zh) * 2020-06-24 2020-10-09 武汉中纪生物科技有限公司 一种免疫组化数字玻片阅片***及方法
CN111751371B (zh) * 2020-06-24 2021-01-08 武汉中纪生物科技有限公司 一种免疫组化数字玻片阅片***及方法
CN111768393A (zh) * 2020-07-01 2020-10-13 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN111768394A (zh) * 2020-07-01 2020-10-13 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN112381838A (zh) * 2020-11-14 2021-02-19 四川大学华西医院 一种数字病理切片图像的自动切图方法
CN112381838B (zh) * 2020-11-14 2022-04-19 四川大学华西医院 一种数字病理切片图像的自动切图方法
CN115482181A (zh) * 2021-05-31 2022-12-16 数坤(北京)网络科技股份有限公司 一种图像信息提取方法、装置、电子设备和可读存储介质
CN115482181B (zh) * 2021-05-31 2024-05-24 数坤(北京)网络科技股份有限公司 一种图像信息提取方法、装置、电子设备和可读存储介质

Similar Documents

Publication Publication Date Title
CN111292315A (zh) 一种病理切片组织区域快速配准算法
CN111798462B (zh) 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN110321920B (zh) 图像分类方法、装置、计算机可读存储介质和计算机设备
CN110599528B (zh) 一种基于神经网络的无监督三维医学图像配准方法及***
CN112967236B (zh) 图像的配准方法、装置、计算机设备和存储介质
US7245766B2 (en) Method and apparatus for determining a region in an image based on a user input
WO2019000455A1 (zh) 图像分割的方法及***
WO2020211530A1 (zh) 用于检测眼底图片的模型训练方法和装置、眼底图片的检测方法和装置、计算机设备和介质
CN108596894A (zh) 一种用于多参数磁共振影像的***自动分区方法
CN113379764B (zh) 一种基于域对抗自监督学习的病理图像分割方法
CN110782428A (zh) 一种用于构建临床脑部ct图像roi模板的方法及***
CN113177592B (zh) 一种图像分割方法、装置、计算机设备及存储介质
CN115423754A (zh) 一种图像分类方法、装置、设备及存储介质
CN111709929A (zh) 一种肺部癌变区域分割与分类检测***
Zhao et al. Al-net: Attention learning network based on multi-task learning for cervical nucleus segmentation
CN112614093A (zh) 基于多尺度空间注意力网络的乳腺病理图像分类方法
CN115294086A (zh) 医学影像分割方法、分割模型训练方法、介质及电子设备
CN110223331B (zh) 一种大脑mr医学图像配准方法
Ramella Saliency-based segmentation of dermoscopic images using colour information
CN112950684B (zh) 基于表面配准的目标特征提取方法、装置、设备和介质
CN110288617B (zh) 基于共享抠图和roi渐变的人体切片图像自动分割方法
Wang et al. Image registration based on maximization of gradient code mutual information
CN111932575A (zh) 基于模糊c均值和概率标签融合的图像分割方法及***
WO2020140380A1 (zh) 一种光学相干断层扫描图像的快速分割方法及装置
CN116468923A (zh) 一种基于加权重采样聚类不稳定性的图像强化方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200616