本發(fā)明涉及圖像處理，特別是一種免疫組化數(shù)字病理圖像處理方法。

背景技術(shù)：

1、免疫組織化學(xué)(immunohistochemistry，ihc)是使用抗原抗體特異性結(jié)合的原理，使用酶，蛋白或化學(xué)染料，在組織切片或細(xì)胞片上原位顯示生物體內(nèi)大分子蛋白或基因表達(dá)的一種實(shí)用性生物學(xué)實(shí)驗(yàn)技術(shù)，廣泛應(yīng)用于腫瘤、炎癥等各種疾病的病理診斷中。隨著數(shù)字病理技術(shù)的發(fā)展，傳統(tǒng)的顯微鏡觀察逐漸被數(shù)字化病理圖像替代，病理圖像分析的自動(dòng)化需求也日益增長(zhǎng)。現(xiàn)有的免疫組化圖像處理技術(shù)主要依賴于手工標(biāo)注和基于簡(jiǎn)單圖像處理手段的半自動(dòng)化分析。然而，手動(dòng)標(biāo)注耗時(shí)耗力且容易受到主觀因素的影響，導(dǎo)致分析結(jié)果的準(zhǔn)確性和一致性較差。自動(dòng)化的免疫組化圖像分析技術(shù)開始應(yīng)用于臨床，但由于圖像復(fù)雜性和染色效果的多樣性，現(xiàn)有自動(dòng)化方法在處理圖像噪聲、精確分割細(xì)胞區(qū)域以及染色強(qiáng)度定量分析等方面仍存在較多技術(shù)瓶頸。

2、現(xiàn)有的免疫組化圖像處理技術(shù)在染色強(qiáng)度檢測(cè)和細(xì)胞區(qū)域的精準(zhǔn)分割上存在不足。一方面，現(xiàn)有方法常常依賴于簡(jiǎn)單的閾值分割技術(shù)，難以處理染色不均勻和噪聲影響，導(dǎo)致染色區(qū)域的識(shí)別精度較低；另一方面，現(xiàn)有的染色強(qiáng)度分析方法大多基于單通道的亮度或簡(jiǎn)單的顏色特征提取，忽略了染色區(qū)域的多維信息融合，無法充分反映病理圖像中細(xì)胞的真實(shí)染色狀態(tài)。因此，為了提高免疫組化數(shù)字病理圖像處理的準(zhǔn)確性和效率，亟需一種能夠綜合考慮圖像多維特征信息的自動(dòng)化處理方法，以實(shí)現(xiàn)對(duì)染色區(qū)域的精確分割與染色強(qiáng)度的定量分析。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種免疫組化數(shù)字病理圖像處理方法解決染色區(qū)域識(shí)別精度低和染色強(qiáng)度分析不精確的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明提供了一種免疫組化數(shù)字病理圖像處理方法，其包括，獲取免疫組化染色的病理圖像并進(jìn)行預(yù)處理；對(duì)預(yù)處理后的病理圖像進(jìn)行區(qū)域劃分，對(duì)每個(gè)子區(qū)域進(jìn)行特征提取并融合，生成多維特征向量；基于多維特征向量，采用區(qū)域生長(zhǎng)與合并算法對(duì)病理圖像進(jìn)行優(yōu)化；對(duì)優(yōu)化后的病理圖像進(jìn)行染色強(qiáng)度檢測(cè)，并通過k-means聚類算法對(duì)染色區(qū)域進(jìn)行分類；基于分類結(jié)果，進(jìn)行定量分析并生成免疫組化圖像分析報(bào)告。

5、作為本發(fā)明所述免疫組化數(shù)字病理圖像處理方法的一種優(yōu)選方案，其中：所述獲取免疫組化染色的病理圖像并進(jìn)行預(yù)處理，具體步驟如下，

6、通過高分辨率的數(shù)字病理掃描儀獲取免疫組化染色的病理圖像，并轉(zhuǎn)化為可分析的數(shù)字圖像格式；

7、使用高斯濾波器在圖像上應(yīng)用加權(quán)平均的卷積核減少圖像中的隨機(jī)噪聲，同時(shí)保留邊緣細(xì)節(jié)；

8、通過直方圖均衡化增強(qiáng)圖像的對(duì)比度；

9、使用中值濾波器去除圖像中的小型斑點(diǎn)和紋理噪聲，減少誤判，同時(shí)保護(hù)圖像的邊緣信息。

10、作為本發(fā)明所述免疫組化數(shù)字病理圖像處理方法的一種優(yōu)選方案，其中：所述對(duì)預(yù)處理后的病理圖像進(jìn)行區(qū)域劃分，具體步驟如下，

11、使用四分樹分割算法，將預(yù)處理后的病理圖像遞歸地劃分為若干大小相等的子區(qū)域，通過對(duì)每個(gè)子區(qū)域顏色和亮度的方差以及紋理度量進(jìn)行線性組合，計(jì)算非均勻性指標(biāo)，表達(dá)式為：

12、;

13、其中，表示第i個(gè)子區(qū)域的顏色方差，是第i個(gè)子區(qū)域的顏色方差的調(diào)節(jié)系數(shù)，表示第i個(gè)子區(qū)域的紋理度量，m是第i個(gè)子區(qū)域的紋理度量的調(diào)節(jié)系數(shù)，表示第i個(gè)子區(qū)域的亮度方差，n是第i個(gè)子區(qū)域的亮度方差的調(diào)節(jié)系數(shù)，是第i個(gè)子區(qū)域的非均勻性指標(biāo)；

14、基于歷史分割結(jié)果中已劃分區(qū)域的非均勻性，定義一個(gè)非均勻性標(biāo)準(zhǔn)閾值，當(dāng)某個(gè)子區(qū)域的非均勻性達(dá)到非均勻性標(biāo)準(zhǔn)閾值時(shí)停止劃分。

15、作為本發(fā)明所述免疫組化數(shù)字病理圖像處理方法的一種優(yōu)選方案，其中：所述對(duì)每個(gè)子區(qū)域進(jìn)行特征提取并融合，生成多維特征向量，具體步驟如下，

16、使用大津算法對(duì)每個(gè)病理圖像的子區(qū)域進(jìn)行二值化處理，區(qū)分染色區(qū)域和背景，并通過分水嶺算法提取病理圖像中的形態(tài)特征；

17、通過灰度共生矩陣，識(shí)別每個(gè)病理圖像的子區(qū)域內(nèi)像素的灰度共生關(guān)系，提取病理圖像中的紋理特征；

18、使用直方圖分析法統(tǒng)計(jì)圖像的顏色分布，提取病理圖像中的顏色特征；

19、對(duì)于每個(gè)子區(qū)域的形態(tài)特征、紋理特征和顏色特征進(jìn)行非線性融合，生成多維特征向量，表達(dá)式為：

20、;

21、其中，是第i個(gè)子區(qū)域的形態(tài)特征向量，是第i個(gè)子區(qū)域的紋理特征向量，是第i個(gè)子區(qū)域的顏色特征向量，是第i個(gè)子區(qū)域的多維特征向量。

22、作為本發(fā)明所述免疫組化數(shù)字病理圖像處理方法的一種優(yōu)選方案，其中：所述基于多維特征向量，采用區(qū)域生長(zhǎng)與合并算法對(duì)病理圖像進(jìn)行優(yōu)化，具體步驟如下，

23、通過非線性組合的方式計(jì)算每個(gè)子區(qū)域與相鄰子區(qū)域的相似度，表達(dá)式為：

24、;

25、其中，是當(dāng)前生長(zhǎng)區(qū)域的顏色特征向量，是相鄰子區(qū)域的顏色特征向量，是當(dāng)前區(qū)域的紋理特征向量，是相鄰子區(qū)域的紋理特征向量，是當(dāng)前生長(zhǎng)區(qū)域的形態(tài)特征向量，是相鄰子區(qū)域的形態(tài)特征向量，表示當(dāng)前子區(qū)域與相鄰子區(qū)域的相似度；

26、基于歷史分割過程中成功分割的區(qū)域特征相似性，定義一個(gè)相似度標(biāo)準(zhǔn)閾值；

27、選擇一個(gè)當(dāng)前子區(qū)域與相鄰子區(qū)域的相似度最低的子區(qū)域作為種子點(diǎn)；

28、從選定的種子點(diǎn)開始，基于每個(gè)子區(qū)域中的顏色特征、紋理特征和形態(tài)特征，在種子點(diǎn)生成初始生長(zhǎng)區(qū)域，并按照遞增的方式逐步檢查種子點(diǎn)周圍的相鄰子區(qū)域，從內(nèi)到外遞歸擴(kuò)展生長(zhǎng)區(qū)域，將與當(dāng)前生長(zhǎng)區(qū)域的相似度≥相似度標(biāo)準(zhǔn)閾值的相鄰子區(qū)域，逐步合并到當(dāng)前生長(zhǎng)區(qū)域；

29、通過區(qū)域生長(zhǎng)和區(qū)域合并，提升病理圖像中的染色區(qū)域和背景區(qū)域的邊界清晰度，增強(qiáng)染色區(qū)域的連貫性，最終生成優(yōu)化后的病理圖像。

30、作為本發(fā)明所述免疫組化數(shù)字病理圖像處理方法的一種優(yōu)選方案，其中：所述對(duì)優(yōu)化后的病理圖像進(jìn)行染色強(qiáng)度檢測(cè)，具體步驟如下，

31、將優(yōu)化后的病理圖像從rgb色彩空間轉(zhuǎn)換到lab色彩空間；

32、從lab色彩空間的病理圖像中分離出a通道和b通道的顏色值分布；

33、對(duì)a通道和b通道中的像素進(jìn)行分析，計(jì)算每個(gè)像素與參考顏色的差異值，表達(dá)式為：

34、;

35、其中，表示lab色彩空間中像素與參考顏色的差異值，表示像素在lab色彩空間中的a通道值，表示像素在lab色彩空間中的b通道值，表示參考顏色m的a通道均值，表示參考顏色m的b通道均值，x表示病理圖像中像素的水平坐標(biāo)，y表示病理圖像中的垂直坐標(biāo)；

36、所述參考顏色是基于歷史數(shù)據(jù)中已知的染色區(qū)域顏色定義的；

37、基于顏色差異值，對(duì)優(yōu)化后的病理圖像進(jìn)行初步的二值化處理，并基于otsu's通過最大化前景和背景之間的類間方差，自動(dòng)計(jì)算最佳顏色差異值；

38、當(dāng)≥時(shí)，則標(biāo)記為陽性染色區(qū)域；

39、當(dāng)＜時(shí)，則標(biāo)記為陰性染色區(qū)域。

40、作為本發(fā)明所述免疫組化數(shù)字病理圖像處理方法的一種優(yōu)選方案，其中：通過k-means聚類算法對(duì)染色區(qū)域進(jìn)行分類，具體步驟如下，

41、對(duì)于陽性染色區(qū)域的每個(gè)像素，提取陽性染色區(qū)域內(nèi)每個(gè)像素的l通道、a通道和b通道，基于每個(gè)陽性染色區(qū)域內(nèi)每個(gè)像素的坐標(biāo)，生成三維特征向量；

42、根據(jù)分類的類型總數(shù)，設(shè)定聚類數(shù)為k，并隨機(jī)初始化k個(gè)質(zhì)心；

43、基于三維特征向量，通過k-means聚類算法計(jì)算每個(gè)像素到質(zhì)心的歐氏距離，將每個(gè)像素分配到最近的質(zhì)心；

44、基于分配結(jié)果，重新計(jì)算每個(gè)聚類的質(zhì)心位置，直到質(zhì)心位置不再發(fā)生變化，最終將陽性染色區(qū)中的像素劃分為弱陽性、中陽性和強(qiáng)陽性。

45、作為本發(fā)明所述免疫組化數(shù)字病理圖像處理方法的一種優(yōu)選方案，其中：所述基于分類結(jié)果，進(jìn)行定量分析并生成免疫組化圖像分析報(bào)告，具體步驟如下，

46、基于分類結(jié)果，使用顏色反卷積算法，根據(jù)每個(gè)陽性染色類別的像素?cái)?shù)量與陽性染色區(qū)域的總像素?cái)?shù)量，分析優(yōu)化后的病理圖像中每個(gè)類別的面積占比和染色強(qiáng)度；

47、根據(jù)定量分析結(jié)果，生成免疫組化圖像分析報(bào)告。

48、第二方面，本發(fā)明提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的免疫組化數(shù)字病理圖像處理方法的任一步驟。

49、第三方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的免疫組化數(shù)字病理圖像處理方法的任一步驟。

50、本發(fā)明有益效果為：通過對(duì)免疫組化染色的病理圖像進(jìn)行預(yù)處理、特征提取與融合，并結(jié)合區(qū)域生長(zhǎng)與合并算法對(duì)圖像進(jìn)行優(yōu)化，實(shí)現(xiàn)了對(duì)染色區(qū)域的精確分割和分類分析。其中，特征融合生成的多維特征向量有效提升了染色區(qū)域如細(xì)胞膜，細(xì)胞核的識(shí)別精度，而區(qū)域生長(zhǎng)與合并算法則增強(qiáng)了染色區(qū)域的連貫性和邊界清晰度。使得整個(gè)病理圖像處理過程更加自動(dòng)化和精確，滿足了臨床對(duì)高效、準(zhǔn)確的免疫組化圖像中陽性、陰性細(xì)胞分析的需求。