[發(fā)明專利]胸腺切片多尺度圖像分割方法

有效

• 申請?zhí)枺?/td>: 201010159998.1
• 申請日: 2010-04-29
• 公開（公告）號: CN101833764A
• 公開（公告）日: 2010-09-15
• 發(fā)明（設計）人: 李晟;胡潔;石軍;王偉明;彭穎紅
• 申請（專利權(quán)）人: 上海交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王錫麟;王桂忠

技術領域

本發(fā)明涉及的是一種圖像處理技術在醫(yī)學領域中的應用方法，具體是一種胸腺切片多尺度圖像分割方法。

背景技術

胸腺(thymus)為機體的重要淋巴器官。其功能與免疫緊密相關，分泌胸腺激素及激素類物質(zhì)，具內(nèi)分泌機能的器官。胸腺被認為對重癥肌無力(MG)的發(fā)病中起重要作用。

經(jīng)對現(xiàn)有技術文獻的檢索發(fā)現(xiàn)，Wekerle，H.和Müller-Hermelink，H.(The?thymus?inmyasthenia?gravis.Current?topics?in?pathology，1986，75：179)，以及Palace，J.，Vincent，A.等(Myasthenia?gravis：diagnostic?and?management?dilemmas.Current?Opinion?inNeurology，2001，14(5)：583)針對胸腺的病理檢查對重癥肌無力(myasthenia?gravis，MG)的發(fā)病、診斷和治療有重要意義。對于胸腺切片主要依靠經(jīng)驗豐富的病理專家在一個個的顯微視野中對異常細胞的數(shù)量和位置進行識別，人工分析的強度大，操作人員易疲勞，人為誤差不可避免。此外，大量文檔式的胸腺切片數(shù)據(jù)，對于數(shù)據(jù)的存儲與利用也相當不便。

同時，經(jīng)對現(xiàn)有技術文獻的檢索發(fā)現(xiàn)，馬春梅，劉貴如和王陸林(圖像分割技術在醫(yī)學圖像處理中的應用研究.太原科技，2007，28(3)：64-67)以及Ma，Z.，Tavares，J.和Jorge?R.(Segmentation?of?structures?in?medical?images：review?and?a?new?computationalframework.In?Proceedings?of?the?CMBBE?2008-8th?International?Symposium?on?ComputerMethods?in?Biomechanics?and?Biomedical?Engineering，2008.)隨著圖像處理技術飛速發(fā)展，各種圖像分割及分類技術在醫(yī)學領域中的應用也極為廣泛。故利用數(shù)字圖像處理技術，對胸腺切片圖像進行多尺度分割。自動獲得胸腺組織圖像，減輕了人員工作強度。同時減少了進一步細分切片圖像組織的計算量。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術存在的上述不足，提供一種胸腺切片多尺度圖像分割方法，解決原始識別所帶來的人員疲勞及誤差問題，既解決了人工分析造成的強度大的問題，也提高了組織分割的精度，可以用于胸腺組織的識別，為診斷提供依據(jù)。獲得胸腺切片組織圖像的同時，由于去除了背景噪聲，從而也減少了進一步精細分割的計算量。

本發(fā)明是通過以下技術方案實現(xiàn)的，本發(fā)明包括如下步驟：

第一步，將原始圖像線性劃分成若干個子圖像塊并構(gòu)建多尺度圖像數(shù)據(jù)關系；

所述的若干個子圖像塊的面積相等。

所述的多尺度圖像數(shù)據(jù)關系是指：將原始圖像的左上角頂端的子圖像塊記為(1，1)，按照歐式坐標對所有子圖像塊進行二維坐標標記為(x，y)，其中x為子圖像塊所在的行的位置，y為子圖像塊所在的列的位置。

第二步，獲取相鄰子圖像塊信息，即每個子圖像塊依次獲取其周圍相鄰的其他子圖像塊的坐標信息，并將其坐標信息記錄到該中心子圖像塊中；

第三步，圖像向下采樣處理生成聚類等級圖像：對每個子圖像塊降低分辨率采樣后得到聚類等級圖像。

第四步，圖像聚類處理生成聚類等級子圖像：將聚類等級圖像按照原先建立的多尺度圖像數(shù)據(jù)關系重新合成，然后通過聚類處理對圖像進行前后景分類后，按照線性劃分成若干個聚類等級子圖像。

所述的聚類處理是指：采用非監(jiān)督K平均算法聚類，即K平均算法接受輸入量k；然后將n個數(shù)據(jù)對象劃分為k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”(引力中心)來進行計算的。K平均算法的工作過程：首先從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度(距離)，分別將它們分配給與其最相似的(聚類中心所代表的)聚類；然后再計算每個所獲新聚類的聚類中心(該聚類中所有對象的均值)；不斷重復這一過程直到標準測度函數(shù)開始收斂為止。一般都采用均方差作為標準測度函數(shù).k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。

所述的若干個聚類等級子圖像的面積相等。