CN111784630A - 一种病理图像的成分分割方法、装置 - Google Patents

一种病理图像的成分分割方法、装置 Download PDF

Info

Publication number
CN111784630A
CN111784630A CN202010422487.8A CN202010422487A CN111784630A CN 111784630 A CN111784630 A CN 111784630A CN 202010422487 A CN202010422487 A CN 202010422487A CN 111784630 A CN111784630 A CN 111784630A
Authority
CN
China
Prior art keywords
segmentation
value
preview image
image
gray
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
CN202010422487.8A
Other languages
English (en)
Inventor
周丕轩
郝昀超
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.)
Guangzhou Xinrui Medical Technology Co ltd
Original Assignee
Guangzhou Xinrui Medical Technology Co ltd
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 Guangzhou Xinrui Medical Technology Co ltd filed Critical Guangzhou Xinrui Medical Technology Co ltd
Priority to CN202010422487.8A priority Critical patent/CN111784630A/zh
Publication of CN111784630A publication Critical patent/CN111784630A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30092—Stomach; Gastric

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (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

本申请提供一种病理图像的成分分割方法、装置。该方法包括：获取预览图中每个像素点的灰度值；其中，所述预览图是基于获取的病理图像生成的；根据预设的分割算法，获取所述预览图中像素点的分割值；通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类；基于所述多个聚类，在所述预览图中生成多个分割框；在所述病理图像上获取与所述预览图中多个分割框的位置相同的目标位置；基于所述目标位置，对所述病理图像进行分割。通过该方式，能够分割形成具有独立组织影像的小图片。与现有技术相比，独立组织影像的小图片能够便于浏览、分发、传输和处理。

Description

一种病理图像的成分分割方法、装置
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种病理图像的成分分割方法、装置，电子设备及存储介质。
背景技术
随着数字病理切片扫描仪的出现，可以将多组织切片扫描成为全高清高精度的数字切片。但是随之而来的问题是，由于数字切片分辨率极高，往往超过100000000×100000000，并且通常是3通道RGB全彩色图像，数据量十分庞大，并且大多数情况下，此种数字切片(病理图像)中组织只占少部分，大部分都是背景图像，进而严重影响了数字切片的浏览、存储、分发、传输和处理。
发明内容
本申请实施例的目的在于提供一种病理图像的成分分割方法、装置，电子设备及存储介质，以改善“数字切片(病理图像)分辨率极高，组织只占少部分，大部分都是背景图像，严重影响了数字切片的浏览、存储、分发、传输和处理”的问题。
本发明是这样实现的：
第一方面，本申请实施例提供一种病理图像的成分分割方法，包括：获取预览图中每个像素点的灰度值；其中，所述预览图是基于获取的病理图像生成的；根据预设的分割算法，获取所述预览图中像素点的分割值；通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类；基于所述多个聚类，在所述预览图中生成多个分割框；在所述病理图像上获取与所述预览图中多个分割框的位置相同的目标位置；基于所述目标位置，对所述病理图像进行分割。
在本申请实施例中，通过分割算法获取预览图中像素点的分割值，可以将预览图中组织的像素点与背景像素点进行分割，再通过聚类算法，将预览图中组织的像素点进行分类，最后基于分类结果在病理图像上进行图像分割，使得最终将一张分辨率极高，且组织只占少部分的数字切片分割成多个具有独立组织影像的小图片，与现有技术相比，具有独立组织影像的小图片便于浏览、分发、传输和处理。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，在所述获取预览图中每个像素点的灰度值之前，所述方法包括：在获取到所述病理图像后，将所述病理图像进行复制；将所述复制后的病理图像的分辨率缩小预设比例；生成所述预览图。
在本申请实施例中，通过对病理图像进行复制，然后将复制后的病理图像的分辨率缩小预设比例，使得预览图的分辨率较小，便于后续对预览图的处理。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，获取预览图中每个像素点的灰度值，包括：采用RGB均值灰度化，得到每个像素点的灰度值；所述RGB均值灰度化的公式为：I＝(R+G+B)/3；其中，I表示第I个像素点的灰度值；R表示所述第I个像素点的红色通道的像素值；G表示所述第I个像素点的绿色通道的像素值；B表示所述第I个像素点的蓝色通道的像素值。
在本申请实施例中，通过RGB均值灰度化，得到每个像素点的灰度值，使得后续通过该灰度值进行分割，所得到的分割值更加准确。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据预设的分割算法，获取所述预览图中像素点的分割值，包括：基于所述预览图中每个像素点的灰度值，获取每个所述灰度值的概率；获取每个所述灰度值的概率所对应的衡量值；将数值最大的衡量值所对应的灰度值作为所述分割值；其中，所述衡量值的公式为：V(t)＝P0(t)·P1(t)·[M0(t)-M1(t)]2；其中，V(t)表示灰度值为t时对应的衡量值，P0(t)表示数值小于t的所有灰度值所对应的概率的和；P1(t)表示数值大于等于t的所有灰度值所对应的概率的和；M0(t)表示数值小于t的所有灰度值所对应的概率的平均期望；M1(t)表示数值大于等于t的所有灰度值所对应的概率的平均期望。
在本申请实施例中，衡量值表示当灰度值为t时，灰度值小于t和灰度值大于t所对应的概率分布，衡量值越大，则表示灰度值小于t和灰度值大于t所对应的概率分布差异越大，因此，灰度值t作为分割值，得到的分割效果更好。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述基于所述预览图中每个像素点的灰度值，获取每个所述灰度值的概率，包括：基于所述预览图中每个像素点的灰度值，生成所述灰度值的直方图；其中，所述直方图的横坐标表示灰度值的范围；所述直方图的纵坐标表示每个所述灰度值对应的像素点的个数；将所述直方图作归一化处理，以使得所述直方图的纵坐标表示每个所述灰度值的概率。
在本申请实施例中，通过对生成的预览图的直方图进行归一化处理，便于准确地获取每个灰度值的概率。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类，包括：在所述预览图上初始化K个锚点；基于所述灰度值小于所述分割值的像素点与所述K个锚点的距离，获取K个聚类；其中，每个所述聚类中的像素点与该聚类中的锚点的距离小于每个所述聚类中的像素点与其他锚点的距离；获取所述K个聚类中的每个所述聚类的质心；并将所述质心确定为目标锚点，得到K个目标锚点；基于所述K个目标锚点，获取K个目标聚类；获取所述K个目标聚类中的每个所述目标聚类的质心，直至所述目标聚类的质心与所述目标聚类的目标锚点相同时，得到所述灰度值小于所述分割值的像素点的多个聚类。
在本申请实施例中，以聚类的质心来确定多个聚类，便于形成多个独立组织的聚类。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述基于所述多个聚类，在所述预览图中生成多个分割框，包括：以所述多个聚类中的每个聚类的质心作为中心，在所述预览图中生成具有预设长度的边框的多个分隔框。
在本申请实施例中，基于每个聚类的质心为中心，预设长度的边框作为分割框，便于后续基于生成的分割框在病理图像上获取与分割框的位置相同的目标位置，进而基于目标位置进行病理图像的分割，分割效果较好。
第二方面，本申请实施例提供一种病理图像的成分分割装置，包括：处理模块，用于获取预览图中每个像素点的灰度值；其中，所述预览图是基于获取的病理图像生成的；根据预设的分割算法，获取所述预览图中像素点的分割值；通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类；基于所述多个聚类，在所述预览图中生成多个分割框；分割模块，用于在所述病理图像上获取与所述预览图中多个分割框的位置相同的目标位置；基于所述目标位置，对所述病理图像进行分割。
第三方面，本申请实施例提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于调用存储在所述存储器中的程序，执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
第四方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图。
图2为本申请实施例提供的一种病理图像的成分分割方法的步骤流程图。
图3为本申请实施例提供的一种胃活检切片的示意图。
图4为本申请实施例提供的一种归一化处理后的直方图。
图5为本申请实施例提供的一种基于K-Means算法进行聚类的步骤流程图。
图6为本申请实施例提供的一种基于K-Means算法进行聚类的示意图。
图7为本申请实施例提供的一种包括聚类的质心的示意图。
图8为本申请实施例提供的一种基于坐标点生成分割框的示意图。
图9为本申请实施例提供的一种包括多个独立组织影像的小图片的示意图。
图10为本申请实施例提供的一种病理图像的成分分割装置的模块框图。
图标：100-电子设备；101-处理器；102-存储器；103-显示单元；200-病理图像的成分分割装置；201-处理模块；202-分割模块。
具体实施方式
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描述。
通过数字病理切片扫描仪，可以将多组织切片扫描成为全高清高精度的数字切片。但是数字切片(病理图像)分辨率极高，组织只占少部分，大部分都是背景图像，进而严重影响了数字切片的浏览、存储、分发、传输和处理。
鉴于上述问题，本申请发明人经过研究探索，提出以下实施例以解决上述问题。
请参阅图1，为本申请实施例提供的一种应用病理图像的成分分割方法及装置的电子设备100的示意性结构框图。本申请实施例中，电子设备100可以是，但不限于个人电脑(PC，Personal Computer)、平板电脑、医用交互设备等。在结构上，电子设备100可以包括处理器101和存储器102和显示单元103。
处理器101、存储器102以及显示单元103直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。病理图像的成分分割装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器102中或固化在电子设备100的操作***(Operating System，OS)中的软件模块。处理器101用于执行存储器102中存储的可执行模块，例如，病理图像的成分分割装置所包括的软件功能模块及计算机程序等，以实现病理图像的成分分割方法。处理器101可以在接收到执行指令后，执行计算机程序。
其中，处理器101可以是一种集成电路芯片，具有信号处理能力。处理器101也可以是通用处理器，例如，可以是中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器102可以是，但不限于，随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory，EPROM)，以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)。存储器102用于存储程序，处理器101在接收到执行指令后，执行该程序。
其中，显示单元103用于实现与用户的交互。显示单元103可以是，但不限于液晶显示器、触控显示器等。
应当理解，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2，图2为本申请实施例提供的病理图像的成分分割方法的流程示意图，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的病理图像的成分分割方法不以图2及以下所示的顺序为限制。该方法包括：步骤S101-步骤S106。
步骤S101：获取预览图中每个像素点的灰度值；其中，所述预览图是基于获取的病理图像生成的。
步骤S102：根据预设的分割算法，获取所述预览图中像素点的分割值。
步骤S103：通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类。
步骤S104：基于所述多个聚类，在所述预览图中生成多个分割框。
步骤S105：在所述病理图像上获取与所述预览图中多个分割框的位置相同的目标位置。
步骤S106：基于所述目标位置，对所述病理图像进行分割。
在本申请实施例中，通过分割算法获取预览图中像素点的分割值，可以将预览图中组织的像素点与背景像素点进行分割，再通过聚类算法，将预览图中组织的像素点进行分类，最后基于分类结果在病理图像上进行图像分割，使得最终将一张分辨率极高，且组织只占少部分的数字切片分割成多个具有独立组织影像的小图片，与现有技术相比，具有独立组织影像的小图片便于浏览、分发、传输和处理。
下面结合具体的示例对上述方法进行详细说明。
步骤S101：获取预览图中每个像素点的灰度值；其中，所述预览图是基于获取的病理图像生成的。
病理图像为包含多个组织的数字切片，请参考图3，图3示出的是胃活检切片。其中，胃活检切片包含了10个胃部组织。当然，图3仅是示例性的，上述的病理图像还可以胸腔组织图像、心脏组织图像，对此，本申请不作限定。
在获取到病理图像后，基于病理图像生成预览图。其中，基于病理图像生成预览图可以是，将病理图像进行复制。将复制后的图像作为预览图。
由于病理图像的分辨率极高，复制得到的预览图的分辨率也极高，因此，为了便于后续对预览图的处理，基于病理图像生成预览图还可以是，将病理图像进行复制，将复制后的病理图像的分辨率缩小预设比例，生成预览图。
其中，预设比例可以根据病理图像的分辨率的大小而定，比如病理图像的分辨率为100000000×100000000，则复制后的图像的分辨率也为100000000×100000000，则此时预设比例可以是1000000，也即将分辨率为100000000×100000000的图像缩小一百万倍，进而生成分辨率为100×100的预览图。当然，预设比例还可以1000、10000等等，本申请不作限定。
本步骤中，获取预览图中每个像素点的灰度值，可以采用RGB均值灰度化，得到每个像素点的灰度值。
其中，RGB均值灰度化的公式为：I＝(R+G+B)/3；
I表示第I个像素点的灰度值；R表示所述第I个像素点的红色通道的像素值；G表示所述第I个像素点的绿色通道的像素值；B表示所述第I个像素点的蓝色通道的像素值。灰度值的范围通常为0～255。
本申请实施例中，通过RGB均值灰度化，得到每个像素点的灰度值，使得后续通过该灰度值进行分割，所得到的分割值更加准确。
上述获取预览图中每个像素点的灰度值，还可以采用RGB分量法，得到每个像素点的灰度值。也即，每个像素点包括红色通道的像素值R、绿色通道的像素值G和蓝色通道的像素值B，可以根据实际情况选择任意一种像素值作为灰度值，比如，病理图像中包含的组织主要以红色为主，则获取预览图中每个像素点的灰度值可以是将每个像素点中的红色通道的像素值R作为灰度值。
上述获取预览图中每个像素点的灰度值，还可以采用RGB最大值法，得到每个像素点的灰度值。也即，每个像素点包括红色通道的像素值R、绿色通道的像素值G和蓝色通道的像素值B，将三个像素值中最大的像素值作为该像素点的灰度值。比如，某个像素点红色通道的像素值R为48、绿色通道的像素值G为60、蓝色通道的像素值B为75，则将蓝色通道的像素值B作为该像素点的灰度值。
需要说明的是，获取预览图中每个像素点的灰度值的方式，可以根据实际情况选择上述三种方式中的任意一种，本申请不作限定。
步骤S102：根据预设的分割算法，获取所述预览图中像素点的分割值。
在获取到每个像素点的灰度值后，可以根据每个像素点的灰度值来区分组织像素点和背景像素点，具体的，根据预设的分割算法，获取预览图中像素点的分割值，包括：基于预览图中每个像素点的灰度值，获取每个灰度值的概率；获取每个灰度值的概率所对应的衡量值；将数值最大的衡量值所对应的灰度值作为分割值。
可选地，获取每个灰度值的概率包括：基于预览图中每个像素点的灰度值，生成灰度值的直方图。其中，直方图的横坐标表示灰度值的范围；直方图的纵坐标表示每个灰度值对应的像素点的个数；将直方图作归一化处理，以使得直方图的纵坐标表示每个所述灰度值的概率。
为了便于理解，请参阅图4，图4为归一化处理后的直方图。图4中直方图的横坐标i表示灰度值的范围，范围为0～255。纵坐标P(i)表示每个灰度值对应的概率。需要解释的是，概率值越大，则说明图像中该灰度值的像素点越多。通常情况下，病理图像由两部分组成，组织和背景。参考图4的直方图可知，图中包含两个波峰，两个波峰分别可以对应组织和背景的像素点。由于病理图像中为了凸显组织的颜色，背景通常为白色等浅色，因此，背景的灰度值更加靠近255，则第二个波峰以及第二个波峰附近的灰度值则表征背景的灰度值。而第一波峰以及第一个波峰附近的灰度值则表征组织的灰度值。
可以理解的是，在其他实施例中，也可以直接基于预览图中每个像素点的灰度值，计算得到每个灰度值的概率，本申请不作限定。
其中，衡量值的公式为：V(t)＝P0(t)·P1(t)·[M0(t)-M1(t)]2；
其中，V(t)表示灰度值为t时对应的衡量值。
P0(t)表示数值小于t的所有灰度值所对应的概率的和。P0(t)的计算公式为：
Figure BDA0002495653370000101
p(i)表示灰度值为i的概率。
P1(t)表示数值大于等于t的所有灰度值所对应的概率的和。P1(t)的计算公式为：
Figure BDA0002495653370000102
L表示图像的阶，通常情况下，图像为256阶，则L＝256。
M0(t)表示数值小于t的所有灰度值所对应的概率的平均期望；M0(t)的计算公式为：
Figure BDA0002495653370000103
M1(t)表示数值大于等于t的所有灰度值所对应的概率的平均期望；M1(t)的计算公式为：
Figure BDA0002495653370000111
在计算得到V(t)后，取V(t)最大时的t作为分割值。为了便于理解，可继续参考图4，衡量值表示当灰度值为t时，灰度值小于t和灰度值大于t所对应的概率分布，衡量值越大，则表示灰度值小于t和灰度值大于t所对应的概率分布差异越大，此时当t为直方图中的波谷时，则两边的概率分布差异越大，因此，以波谷的灰度值t作为分割值，可以便于将组织的像素点和背景的像素点进行分割，通过该方式得到的分割效果更好。
步骤S103：通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类。
从上述说明可知，小于分割值的像素点为组织对应的像素点，因此，在获取到分割值后，可以在预览图中将灰度值大于分割值的像素点删除，仅保留灰度值小于分割值的像素点，然后基于聚类算法，获取剩余的像素点的聚类。需要说明的是，基于聚类算法，获取剩余的像素点的聚类是基于像素点之间的距离进行聚类的。
请参阅图5，具体的，本申请通过K个中心点的K-Means算法来进行聚类，包括：步骤S201-步骤S205。
步骤S201：在预览图上初始化K个锚点。
步骤S202：基于所述灰度值小于所述分割值的像素点与所述K个锚点的距离，获取K个聚类。
其中，每个所述聚类中的像素点与该聚类中的锚点的距离小于每个所述聚类中的像素点与其他锚点的距离。
步骤S203：获取所述K个聚类中的每个所述聚类的质心；并将所述质心确定为目标锚点，得到K个目标锚点。
其中，质心的计算公式为：
Figure BDA0002495653370000112
aj＝第j个聚类的质心，ci表示第j个聚类中的像素点的个数，x表示像素点的坐标。
步骤S204：基于所述K个目标锚点，获取K个目标聚类。
步骤S205：获取所述K个目标聚类中的每个所述目标聚类的质心，直至所述目标聚类的质心与所述目标聚类的目标锚点相同时，得到灰度值小于所述分割值的像素点的多个聚类。
其中，初始化的K个锚点与实际病理图像上所包含的组织数量有关，比如，如图3所示出的胃活检切片包括10个胃组织，相应的，预览图中也包括10个胃组织。则K的数量需大于等于10，比如K可以是12、15、18等等，本申请不作限定。
下面均以K＝12为例对上述步骤进行举例说明。假设图3为预览图，则在预览图中随机初始化12个锚点，此时，获取预览图中像素点与每个锚点的距离，将像素点与之最近的锚点作为一类，得到12个聚类。为了便于理解，请参阅图6，图6中A组织的像素点一部分与锚点1距离最近，另一部分与锚点2最近，则A组织中的一部分像素点归于锚点1这一类，另一部分像素点归于锚点2这一类。B组织中的一部分与锚点2距离最近，另一部分与锚点3最近，则B组织中的一部分像素点归于锚点2这一类，另一部分像素点归于锚点3这一类。再得到12个聚类后，获取K个聚类中的每个聚类的质心；并将质心确定为目标锚点，得到K个目标锚点。请参阅图7，锚点1对应的聚类的质心为4，锚点2对应的聚类的质心为5，锚点3对应的聚类的质心为6。以质心4、质心5、质心6作为新的锚点，然后再重复上述步骤，生成12个目标聚类，直至目标聚类的质心与目标聚类的锚点相同时，得到剩余的像素点的多个聚类。需要说明的是，最后生成的聚类的数量为10个(其中有两个重合的质心)，每个聚类即为每个胃组织。
步骤S104：基于所述多个聚类，在所述预览图中生成多个分割框。
在通过上述步骤得到多个聚类后，根据聚类生成多个分割框。比如以多个聚类中的每个聚类的质心作为中心，在预览图中生成具有预设长度的边框的多个分隔框。其中预设长度可以自定义设置，比如1000像素、10厘米、20厘米等，本申请不作限定。
可选地，也可以基于每个聚类中的像素点的坐标来确定分割框。比如以每个聚类中的像素点中横坐标最小和最大的两个点对应的坐标作为分割框的两个边的坐标，以每个聚类中的像素点中横坐标最小和最大的两个点对应的坐标作为分割框的两个边的坐标。如图8所示，聚类1中，像素点A(x1，y1)对应的横坐标最小，像素点D(x4，y4)对应的横坐标最大，像素点B((x2，y2))对应的纵坐标最大，像素点C(x3，y3)对应的纵坐标最小，则将这个x1、x4、y2和y3这四个坐标所围成的图形作为分割框。
步骤S105：在所述病理图像上获取与所述预览图中多个分割框的位置相同的目标位置。
在获取到预览图中的多个分割框的位置后，可以基于分割框的坐标位置，获取病理图像中的相同坐标位置。
步骤S106：基于所述目标位置，对所述病理图像进行分割。
最后，基于目标位置进行病理图像的分割，得到多个有独立组织影像的小图片(如图9所示)。
综上所述，在本申请实施例中，通过分割算法获取预览图中像素点的分割值，可以将预览图中组织的像素点与背景像素点进行分割，再通过聚类算法，将预览图中组织的像素点进行分类，最后基于分类结果在病理图像上进行图像分割，使得最终将一张分辨率极高，且组织只占少部分的数字切片分割成多个具有独立组织影像的小图片，与现有技术相比，具有独立组织影像的小图片便于浏览、分发、传输和处理。
请参阅图10，基于同一发明构思，本申请实施例还提供一种病理图像的成分分割装置200，包括：处理模块201和分割模块202。
其中，处理模块201用于获取预览图中每个像素点的灰度值；其中，所述预览图是基于获取的病理图像生成的；根据预设的分割算法，获取所述预览图中像素点的分割值；通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类；基于所述多个聚类，在所述预览图中生成多个分割框。
其中，分割模块202用于在所述病理图像上获取与所述预览图中多个分割框的位置相同的目标位置；基于所述目标位置，对所述病理图像进行分割。
可选地，处理模块201还用于在所述获取预览图中每个像素点的灰度值之前，获取到所述病理图像后，将所述病理图像进行复制；将所述复制后的病理图像的分辨率缩小预设比例；生成所述预览图。
可选地，处理模块201具体用于采用RGB均值灰度化，得到每个像素点的灰度值；所述RGB均值灰度化的公式为：I＝(R+G+B)/3；其中，I表示第I个像素点的灰度值；R表示所述第I个像素点的红色通道的像素值；G表示所述第I个像素点的绿色通道的像素值；B表示所述第I个像素点的蓝色通道的像素值。
可选地，处理模块201具体用于基于所述预览图中每个像素点的灰度值，获取每个所述灰度值的概率；获取每个所述灰度值的概率所对应的衡量值；将数值最大的衡量值所对应的灰度值作为所述分割值；其中，所述衡量值的公式为：V(t)＝P0(t)·P1(t)·[M0(t)-M1(t)]2；其中，V(t)表示灰度值为t时对应的衡量值，P0(t)表示数值小于t的所有灰度值所对应的概率的和；P1(t)表示数值大于等于t的所有灰度值所对应的概率的和；M0(t)表示数值小于t的所有灰度值所对应的概率的平均期望；M1(t)表示数值大于等于t的所有灰度值所对应的概率的平均期望。
可选地，处理模块201具体用于基于所述预览图中每个像素点的灰度值，生成所述灰度值的直方图；其中，所述直方图的横坐标表示灰度值的范围；所述直方图的纵坐标表示每个所述灰度值对应的像素点的个数；将所述直方图作归一化处理，以使得所述直方图的纵坐标表示每个所述灰度值的概率。
可选地，处理模块201具体用于在所述预览图上初始化K个锚点；基于所述灰度值小于所述分割值的像素点与所述K个锚点的距离，获取K个聚类；其中，每个所述聚类中的像素点与该聚类中的锚点的距离小于每个所述聚类中的像素点与其他锚点的距离；获取所述K个聚类中的每个所述聚类的质心；并将所述质心确定为目标锚点，得到K个目标锚点；基于所述K个目标锚点，获取K个目标聚类；获取所述K个目标聚类中的每个所述目标聚类的质心，直至所述目标聚类的质心与所述目标聚类的目标锚点相同时，得到所述剩余的像素点的多个聚类。
可选地，分割模块202具体用于以所述多个聚类中的每个聚类的质心作为中心，在所述预览图中生成预设长度的边框的多个分隔框。
需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
基于同一发明构思，本申请实施例还提供一种存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种病理图像的成分分割方法，其特征在于，包括：
获取预览图中每个像素点的灰度值；其中，所述预览图是基于获取的病理图像生成的；
根据预设的分割算法，获取所述预览图中像素点的分割值；
通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类；
基于所述多个聚类，在所述预览图中生成多个分割框；
在所述病理图像上获取与所述预览图中多个分割框的位置相同的目标位置；
基于所述目标位置，对所述病理图像进行分割。
2.根据权利要求1所述的病理图像的成分分割方法，其特征在于，在所述获取预览图中每个像素点的灰度值之前，所述方法包括：
在获取到所述病理图像后，将所述病理图像进行复制；
将所述复制后的病理图像的分辨率缩小预设比例；生成所述预览图。
3.根据权利要求1所述的病理图像的成分分割方法，其特征在于，获取预览图中每个像素点的灰度值，包括：
采用RGB均值灰度化，得到每个像素点的灰度值；
所述RGB均值灰度化的公式为：I＝(R+G+B)/3；其中，I表示第I个像素点的灰度值；R表示所述第I个像素点的红色通道的像素值；G表示所述第I个像素点的绿色通道的像素值；B表示所述第I个像素点的蓝色通道的像素值。
4.根据权利要求1所述的病理图像的成分分割方法，其特征在于，所述根据预设的分割算法，获取所述预览图中像素点的分割值，包括：
基于所述预览图中每个像素点的灰度值，获取每个所述灰度值的概率；
获取每个所述灰度值的概率所对应的衡量值；
将数值最大的衡量值所对应的灰度值作为所述分割值；
其中，所述衡量值的公式为：V(t)＝P0(t)·P1(t)·[M0(t)-M1(t)]2；其中，V(t)表示灰度值为t时对应的衡量值，P0(t)表示数值小于t的所有灰度值所对应的概率的和；P1(t)表示数值大于等于t的所有灰度值所对应的概率的和；M0(t)表示数值小于t的所有灰度值所对应的概率的平均期望；M1(t)表示数值大于等于t的所有灰度值所对应的概率的平均期望。
5.根据权利要求4所述的病理图像的成分分割方法，其特征在于，所述基于所述预览图中每个像素点的灰度值，获取每个所述灰度值的概率，包括：
基于所述预览图中每个像素点的灰度值，生成所述灰度值的直方图；其中，所述直方图的横坐标表示灰度值的范围；所述直方图的纵坐标表示每个所述灰度值对应的像素点的个数；
将所述直方图作归一化处理，以使得所述直方图的纵坐标表示每个所述灰度值的概率。
6.根据权利要求1所述的病理图像的成分分割方法，其特征在于，所述通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类，包括：
在所述预览图上初始化K个锚点；
基于所述灰度值小于所述分割值的像素点与所述K个锚点的距离，获取K个聚类；其中，每个所述聚类中的像素点与该聚类中的锚点的距离小于每个所述聚类中的像素点与其他锚点的距离；
获取所述K个聚类中的每个所述聚类的质心；并将所述质心确定为目标锚点，得到K个目标锚点；
基于所述K个目标锚点，获取K个目标聚类；
获取所述K个目标聚类中的每个所述目标聚类的质心，直至所述目标聚类的质心与所述目标聚类的目标锚点相同时，得到所述灰度值小于所述分割值的像素点的多个聚类。
7.根据权利要求6所述的病理图像的成分分割方法，其特征在于，所述基于所述多个聚类，在所述预览图中生成多个分割框，包括：
以所述多个聚类中的每个聚类的质心作为中心，在所述预览图中生成具有预设长度的边框的多个分隔框。
8.一种病理图像的成分分割装置，其特征在于，包括：
处理模块，用于获取预览图中每个像素点的灰度值；其中，所述预览图是基于获取的病理图像生成的；根据预设的分割算法，获取所述预览图中像素点的分割值；通过聚类算法，获取灰度值小于所述分割值的像素点的多个聚类；基于所述多个聚类，在所述预览图中生成多个分割框；
分割模块，用于在所述病理图像上获取与所述预览图中多个分割框的位置相同的目标位置；基于所述目标位置，对所述病理图像进行分割。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；
所述存储器用于存储程序；
所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1-7中任一项所述的方法。
10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被计算机运行时执行如权利要求1-7中任一项所述的方法。
CN202010422487.8A 2020-05-18 2020-05-18 一种病理图像的成分分割方法、装置 Pending CN111784630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010422487.8A CN111784630A (zh) 2020-05-18 2020-05-18 一种病理图像的成分分割方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010422487.8A CN111784630A (zh) 2020-05-18 2020-05-18 一种病理图像的成分分割方法、装置

Publications (1)

Publication Number Publication Date
CN111784630A true CN111784630A (zh) 2020-10-16

Family

ID=72754145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010422487.8A Pending CN111784630A (zh) 2020-05-18 2020-05-18 一种病理图像的成分分割方法、装置

Country Status (1)

Country Link
CN (1) CN111784630A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330627A (zh) * 2020-11-03 2021-02-05 广州信瑞医疗技术有限公司 一种切片图像处理方法及模型训练方法和***
CN112581438A (zh) * 2020-12-10 2021-03-30 腾讯科技（深圳）有限公司 切片图像识别方法、装置和存储介质及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899584A (zh) * 2015-06-29 2015-09-09 宁波江丰生物信息技术有限公司 一种基于模糊思想的染色切片识别方法
US20150363053A1 (en) * 2014-06-11 2015-12-17 Canon Kabushiki Kaisha Image display apparatus, display control apparatus and display control method
CN105869169A (zh) * 2016-04-11 2016-08-17 南京信息工程大学 一种肿瘤组织微排列图像的自动分割方法
CN106485287A (zh) * 2016-10-25 2017-03-08 帝麦克斯(苏州)医疗科技有限公司 扫描区域的获取方法、数字切片的获取方法及装置
CN107992875A (zh) * 2017-12-25 2018-05-04 北京航空航天大学 一种基于图像带通滤波的显著目标检测方法
CN108615236A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种图像处理方法及电子设备
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
CN111784698A (zh) * 2020-07-02 2020-10-16 广州信瑞医疗技术有限公司 一种图像的自适应分割方法、装置，电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150363053A1 (en) * 2014-06-11 2015-12-17 Canon Kabushiki Kaisha Image display apparatus, display control apparatus and display control method
CN104899584A (zh) * 2015-06-29 2015-09-09 宁波江丰生物信息技术有限公司 一种基于模糊思想的染色切片识别方法
CN105869169A (zh) * 2016-04-11 2016-08-17 南京信息工程大学 一种肿瘤组织微排列图像的自动分割方法
CN106485287A (zh) * 2016-10-25 2017-03-08 帝麦克斯(苏州)医疗科技有限公司 扫描区域的获取方法、数字切片的获取方法及装置
CN107992875A (zh) * 2017-12-25 2018-05-04 北京航空航天大学 一种基于图像带通滤波的显著目标检测方法
CN108615236A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种图像处理方法及电子设备
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
CN111784698A (zh) * 2020-07-02 2020-10-16 广州信瑞医疗技术有限公司 一种图像的自适应分割方法、装置，电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宁旭 等: "病理切片图像分割技术的研究", 《中国医学物理学杂志》, vol. 22, no. 5, pages 648 - 650 *
钱慧芳 等: "基于聚类的纺织品彩色印花图案分割", 《第十四届全国图象图形学学术会议》, pages 208 - 211 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330627A (zh) * 2020-11-03 2021-02-05 广州信瑞医疗技术有限公司 一种切片图像处理方法及模型训练方法和***
CN112581438A (zh) * 2020-12-10 2021-03-30 腾讯科技（深圳）有限公司 切片图像识别方法、装置和存储介质及电子设备
CN112581438B (zh) * 2020-12-10 2022-11-08 腾讯医疗健康(深圳)有限公司 切片图像识别方法、装置和存储介质及电子设备

Similar Documents

Publication Publication Date Title
US10410087B2 (en) Automated methods and systems for locating document subimages in images to facilitate extraction of information from the located document subimages
WO2018205232A1 (zh) 一种针对拼接结果自动精确定位参考线的方法
CN112102164B (zh) 一种图像处理方法、装置、终端及存储介质
CN112991180B (zh) 图像拼接方法、装置、设备以及存储介质
CN109767466B (zh) 画面渲染方法、装置、终端及对应的存储介质
WO2020177584A1 (zh) 一种图文排版方法及其相关装置
CN112241933A (zh) 人脸图像处理方法、装置、存储介质及电子设备
US8649578B2 (en) Method and system for defining a breast window
CN111784630A (zh) 一种病理图像的成分分割方法、装置
CN104011581A (zh) 图像处理装置、图像处理***、图像处理方法和图像处理程序
CN113126937B (zh) 一种显示终端调整方法及显示终端
KR20190082080A (ko) 피처 매칭을 이용하는 멀티-카메라 프로세서
JP7155530B2 (ja) 回路装置、電子機器及びエラー検出方法
CN111784698A (zh) 一种图像的自适应分割方法、装置，电子设备及存储介质
WO2023202283A1 (zh) 图像生成模型的训练方法、图像生成方法、装置及设备
CN116071300A (zh) 一种基于上下文特征融合的细胞核分割方法及相关设备
CN116681790A (zh) 一种超声造影图像生成模型的训练方法及图像的生成方法
US20170287138A1 (en) Apparatus and method for dividing image into regions
CN110163820A (zh) 一种医学图像调整方法及数字病理切片浏览***
JP2004362443A (ja) パラメータ決定方式
CN112330787B (zh) 图像标注方法、装置、存储介质和电子设备
WO2018152710A1 (zh) 图像校正的方法及装置
CN111340722A (zh) 图像处理方法、处理装置、终端设备及可读存储介质
CN111210898A (zh) 一种对dicom数据进行处理的方法和装置
CN108270973B (zh) 一种拍照处理方法、移动终端及计算机可读存储介质

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