技术领域
[0001] 本
发明属于
宫颈癌组织病理图像诊断技术领域，具体涉及一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法。
背景技术
[0003] 现有技术使用条件随机场对宫颈
阴道镜图像进行分类，
组织病理学图像作为一个
基础事实。如图1所示，该方法由上至下共包含五个步骤：
[0004] (1)预处理包括图像校准，
图像配准和解剖特征提取三部分；
[0005] (2)图像分段使用基于k均值聚类方法，识别
颜色和强度上是同质的各组织类型中的子区域；
[0006] (3)包括但不限于
醋酸变白、镶嵌、点状和非典型血管的诊断相关特征；
[0007] (4)基于按照概率方式结合相邻区域的分类结果的CRF模型的分类器：利用n个不同特征f1、f2、f3、…fn的特征函数(Y1、Y2、Y3和Y4)的具有鳞状上皮、柱状上皮、转化区和宫颈口的四种不同组织类型的四种聚类情况(W1、W2、W3和W4)。从K最近邻(KNN)分类器和线性差别分析(LDA)分类器的全体结果来确定(假定只有诊断特征)条件概率分布，应用最大后验(MAP)估计以确定后验概率分布的参数。
[0008] (5)新的基于窗口的方式用于确定检测和诊断
算法的灵敏度和特异性。
[0009] 1.2现有技术的客观缺点
[0010] (1)现有技术，宫颈癌组织病理学图像只是作为基础事实，仍需要经验丰富的病理学家对图像做出判断，然而不同病理学家或者不同时间的同一病理学家对同一病理图像的判断也有差异，这可能产生较大的误差。
[0011] (2)现有技术，仍需经验丰富的病理学家进行判断，但是病理学家的数量有限，而且欠发达地区医疗资源缺乏，病理学家同样稀缺；经验不够丰富的医学生或病理学家，对组织病理学图像不能做出可靠的判断。
[0012] (3)现有技术，仅能使用一个基于条件随机场的分类器判断局部区域是否异常，并不能给出宫颈癌的分级结果，比如癌前病变(CINI，CINII，CINIII三级)和
恶性肿瘤(高中低分化三级)。
发明内容
[0013] (一)要解决的技术问题
[0014] 为了解决现有技术的上述问题，本发明提供一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法，能够根据宫颈癌组织病理图像，获得宫颈癌的分级结果。
[0015] (二)技术方案
[0016] 为了达到上述目的，本发明采用的主要技术方案包括以下步骤：
[0017] 一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法，所述方法包括：
[0018] 101、获取数字化宫颈癌组织病理学图像；
[0019] 102、对获取的数字化宫颈癌组织病理学图像进行预处理；
[0020] 103、采用分割算法对经过预处理的数字化宫颈癌组织病理学图像进行聚类分割和分
块，获得多个图像小块；
[0021] 104、从步骤103中获得的每个图像小块中提取特征，然后对提取到的特征进行特征选择；
[0022] 105、采用条件随机场模型对选择到的特征进行数字化宫颈癌组织病理学图像分级，获得宫颈癌组织病理学图像的分级结果；
[0023] 所述条件随机场模型为采用条件随机场和数字化宫颈癌组织病理学图像训练获得的模型。
[0024] 优选地，所述步骤101中获取的数字化宫颈癌组织病理学图像的格式包括：*.bmp、*.BMP、*.dip、*DIP、*.jpg、*.JPG、*.jpeg、*JPEG、*.jpe、*.JPE、*.jfif、*JFIF、*.gif、*.GIF、*.tif、*.TIF、*.tiff、*.TIFF、*.png和*.PNG。
[0025] 优选地，所述步骤102还包括如下步骤：
[0026] 102A、采用中值
滤波器对数字化宫颈癌组织病理学图像进行图像去噪；
[0027] 102B、将经过图像去噪的数字化宫颈癌组织病理学图像通过直方图均衡化来增强图像的
对比度。
[0028] 优选地，所述步骤103还包括如下步骤：
[0029] 103A、采用基于K-means聚类的
图像分割方法对对经过预处理的数字化宫颈癌组织病理学图像进行聚类分割；
[0030] 其中，设置聚类数K为4，把图像聚为细胞核、
细胞质、细胞间质、图像标注这四类，再结合适当的形态学操作生成细胞核二值图；
[0031] 103B、根据图像分割的结果
定位细胞核，得到细胞核
重心坐标，并把原图像的灰度图分割为100×100
像素的图像小块。
[0032] 优选地，所述步骤104还包括如下步骤：
[0033] 104A、提取每个图像小块平均DAISY特征描述符作为该图像小块的DAISY特征作为局部特征；
[0034] 104B、提取全图纹理特征和全图平均DAISY特征作为全局特征；
[0035] 104C、使用主成分分析法PCA对获取的局部特征和全局特征进行处理，获得
特征向量组。
[0036] 优选地，所述步骤105还包括：
[0037] 将选择得到的所述特征向量组输入条件随机场模型进行分级，并输出宫颈癌组织病理学图像的分级结果。
[0038] 优选地，所述基于条件随机场的分类器用如下公式表示：
[0039]
[0040] 其中，c表示类别标签，x为输入图像，Z(θ，x)是对分布进行归一化的分区函数，θ＝{θψ，θφ，θλ}是模型参数,而i是对应于图形中网格的图像中的索引，n为全图图像小块数目。
[0041] 优选地，所述特征向量组包括：全图细胞核的平均DAISY特征向量、全图的全局平均DAISY特征向量和全灰度图的灰度直方图向量。
[0042] 优选地，所述步骤102中对获取的数字化宫颈癌组织病理学图像进行预处理时，采用均值滤波方法，对所述数字化宫颈癌组织病理学图像进行图像去噪。
[0043] 所述步骤103中采用的分割算法为分
水岭算法；
[0044] 所述步骤103中采用主成分分析方法或线性判别分析法对提取到的特征进行特征选择。
[0045] 优选地，所述条件随机场模型包括：高分化模型、中分化模型和低分化模型；
[0046] 所述高分化模型为高分化的数字化宫颈癌组织病理学图像的特征向量组的平均值；
[0047] 所述中分化模型为中分化的数字化宫颈癌组织病理学图像的特征向量组的平均值；
[0048] 所述低分化模型为低分化的数字化宫颈癌组织病理学图像的特征向量组的平均值；
[0049] 所述条件随机场模型能够根据输入的数字化宫颈癌组织病理学图像的特征向量组分别与所述高分化模型、中分化模型和低分化模型计算相似率，最后选取相似率最高的模型类别作为最终的分级结果；
[0050] 所述分级结果包括：高分化、中分化和低分化。
[0051] (三)有益效果
[0052] 本发明的有益效果是：本发明提供一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法，能够把条件随机场分类器应用于宫颈癌组织病理图像的自动分析，形成了一套宫颈癌显微图像的自动诊断系统。本发明可以适当减缓病理学家资源分配不均、不够充分的问题，也可以指导医学生与经验不充足的医生进行合理诊断。本发明也可以解决不同医生间和同一医生不同状态下的矛盾问题，给病人一个较为可靠的诊断结果。本发明还可以较为精确地给出患者的病理状态，包括高分化、中分化、低分化等3个级别，提高诊断准确率。
附图说明
[0053] 图1为本发明背景技术中现有技术的流程示意图；
[0054] 图2为本发明
实施例中一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法的方法
流程图；
[0055] 图3为本发明实施例中一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法的方法流程图；
[0056] 图4为本发明实施例中一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法中的图像分块示意图；
[0057] 图5为本发明实施例中一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法中的简单线性链条件随机场图；
[0058] 图6为本发明实施例中一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法中的多层泊松环形布局示意图；
[0059] 图7为本发明实施例中一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法中的分析流程图。
具体实施方式
[0060] 为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。下面结合附图对本发明的具体实施方式做详细说明。
[0061] 实施例一
[0062] 如图2所示：本实施例公开了一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法，所述方法包括：
[0063] 101、获取数字化宫颈癌组织病理学图像。
[0064] 102、对获取的数字化宫颈癌组织病理学图像进行预处理。
[0065] 103、采用分割算法对经过预处理的数字化宫颈癌组织病理学图像进行聚类分割和分块，获得多个图像小块。
[0066] 104、从步骤103中获得的每个图像小块中提取特征，然后对提取到的特征进行特征选择。
[0067] 105、采用条件随机场对选择到的特征进行数字化宫颈癌组织病理学图像分级，获得宫颈癌组织病理学图像的分级结果。
[0068] 应说明的是：本实施例中所述步骤101中获取的数字化宫颈癌组织病理学图像的格式包括：*.bmp、*.BMP、*.dip、*DIP、*.jpg、*.JPG、*.jpeg、*JPEG、*.jpe、*.JPE、*.jfif、*JFIF、*.gif、*.GIF、*.tif、*.TIF、*.tiff、*.TIFF、*.png和*.PNG。
[0069] 例如，本实施例中采用一个包含307张高中低分化的宫颈癌组织病理学图像
数据库进行系统训练，训练集高中低分化各20张，测试集247张，每张图片大小为2560×1920像素。
[0070] 详细地，本实施例中所述步骤102还包括如下步骤：
[0071] 102A、采用中值滤波器对数字化宫颈癌组织病理学图像进行图像去噪。
[0072] 102B、将经过图像去噪的数字化宫颈癌组织病理学图像通过直方图均衡化来增强图像的对比度。
[0073] 应说明的是本实施例中所述的步骤103还包括如下步骤：
[0074] 103A、采用基于K-means聚类的图像分割方法对对经过预处理的数字化宫颈癌组织病理学图像进行聚类分割。
[0075] 其中，设置聚类数K为4，把图像聚为细胞核、细胞质、细胞间质、图像标注这四类，再结合适当的形态学操作生成细胞核二值图。
[0076] 103B、根据图像分割的结果定位细胞核，得到细胞核重心坐标，并把原图像的灰度图分割为100×100像素的图像小块。
[0077] 本实施例中所述步骤104还包括如下步骤：
[0078] 104A、提取每个图像小块平均DAISY特征描述符作为该图像小块的DAISY特征作为局部特征。
[0079] 104B、提取全图纹理特征和全图平均DAISY特征作为全局特征。
[0080] 104C、使用主成分分析法PCA对获取的局部特征和全局特征进行处理，获得特征向量组。
[0081] 应说明的是：DAISY是面向稠密特征提取的可快速计算的局部图像特征描述子，它本质思想和SIFT是一样的：分块统计梯度方向直方图，不同的是，DAISY在分块策略上进行了改进，利用高斯卷积来进行梯度方向直方图的分块汇聚，这样利用高斯卷积的可快速计算性就可以快速稠密地进行特征描述子的提取。
[0082] 本实施例中所述步骤105还包括：
[0083] 将选择得到的所述特征向量组输入条件随机场模型进行分级，并输出宫颈癌组织病理学图像的分级结果。
[0084] 具体地，本实施例中所述基于条件随机场的分类器用如下公式表示：
[0085]
[0086] 其中，c表示类别标签，x为输入图像，Z(θ，x)是对分布进行归一化的分区函数，θ＝{θψ，θφ，θλ}是模型参数,而i是对应于图形中网格的图像中的索引，n为全图图像小块数目。
[0087] 应说明的是：本实施例中所述的特征向量组包括：全图细胞核的平均DAISY特征向量、全图的全局平均DAISY特征向量和全灰度图的灰度直方图向量。
[0088] 本实施例中所述步骤102中对获取的数字化宫颈癌组织病理学图像进行预处理时，采用均值滤波方法，对所述数字化宫颈癌组织病理学图像进行图像去噪。
[0089] 所述步骤103中采用的分割算法为分水岭算法。
[0090] 所述步骤103中采用主成分分析方法或线性判别分析法对提取到的特征进行特征选择。
[0091] 最后应说明的是：本实施例中所述条件随机场模型包括：高分化模型、中分化模型和低分化模型。
[0092] 所述高分化模型为高分化的数字化宫颈癌组织病理学图像的特征向量组的平均值。
[0093] 所述中分化模型为中分化的数字化宫颈癌组织病理学图像的特征向量组的平均值。
[0094] 所述低分化模型为低分化的数字化宫颈癌组织病理学图像的特征向量组的平均值。
[0095] 所述条件随机场模型能够根据输入的数字化宫颈癌组织病理学图像的特征向量组分别与所述高分化模型、中分化模型和低分化模型计算相似率，最后选取相似率最高的模型类别作为最终的分级结果。
[0096] 所述分级结果包括：高分化、中分化和低分化。
[0097] 详细地，本实施例中关于特征提取、选择和条件随机场模型的分级具体如下：
[0098] 1、对每个图像小块进行DAISY特征提取。
[0099] 2、把该图像小块中所有特征点的DAISY描述符相加取平均值，得到该小块对应的一个相同纬度的DAISY特征向量。
[0100] 3、应用条件随机场的布局，计算出每个细胞核所在小块的DAISY特征向量(由0.6倍的内环平均DAISY特征向量与0.25倍的中环平均DAISY特征向量以及0.15倍的外环平均DAISY特征向量的和得到蓝色小块的最终DAISY特征向量)，再计算全图所有细胞核小块的平均特征向量，可以得到该图细胞核的平均DAISY特征向量，即A。
[0101] 4、对全灰度图提取DAISY特征，并取平均值，可得全局平均DAISY特征向量，即B。
[0102] 5、取全灰度图的灰度直方图向量，即可得到一个256维的特征向量，即C。
[0103] 6、分别对训练集的每张图像提取A，B，C，3种特征向量。
[0104] 7、对高分化数字化宫颈癌组织病理学图像的A，B，C，3种特征向量取平均值作为高分化模型的特征，中分化和低分化同理。
[0105] 8、提取输入图像的A，B，C，3种特征向量。
[0106] 9、输入图像的A，B，C，3种特征向量分别与高分化模型、中分化模型和低分化模型计算相似率，选择相似率最高那类作为最终分类结果。
[0107] 应说明的是：这里所述的训练集是指多张用于构建条件随机场模型的数字化宫颈癌组织病理学图像，其中，步骤101中获取的数字化宫颈癌组织病理学图像为用于测试或实际应用中用于图像诊断分级的数字化宫颈癌组织病理学图像。
[0108] 实施例二
[0109] 如图3所示：本实施例公开一种基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法，包括如下步骤：
[0110] 步骤1：采集数字化宫颈癌组织病理学图像用于系统训练，图片格式包括*.bmp，*.BMP，*.dip，*DIP，*.jpg，*.JPG，*.jpeg，*JPEG，*.jpe，*.JPE，*.jfif，*JFIF，*.gif，*.GIF，*.tif，*.TIF，*.tiff，*.TIFF，*.png，*.PNG等：例如，本实施例采用一个包含307张高中低分化的宫颈癌组织病理学图像数据库进行系统训练(训练集高中低分化各20张，测试集247张)，每张图片大小为2560×1920像素。
[0111] 步骤2：对采集到的图像进行预处理：先使用中值滤波器对图像去噪，再使用直方图均衡化来增强
图像对比度。(这里可以得到灰度图)
[0112] 如图4所示：步骤3：对预处理完的图像进行分割与分块：采用一种基于K-means聚类的图像分割方法，设置聚类数K为4，把图像聚为细胞核、细胞质、细胞间质、图像标注这四类，再结合适当的形态学操作生成细胞核二值图(只关注细胞核，因为细胞核是分割的目标)。根据图像分割结果定位细胞核，得到细胞核重心坐标，并把原图像的灰度图分割为100×100像素的小块(忽略图像边缘像素，图像实际大小为2500×1900像素)。
[0113] 步骤4：特征提取与选择：提取每个小块平均DAISY特征描述符作为该小块的DAISY特征，即局部特征，再提取全图纹理特征(灰度直方图)和全图平均DAISY特征作为全局特征，然后使用主成分分析法(PCA)进行特征选择与
降维。
[0114] DAISY是面向稠密特征提取的可快速计算的局部图像特征描述子，它本质思想和SIFT是一样的：分块统计梯度方向直方图，不同的是，DAISY在分块策略上进行了改进，利用高斯卷积来进行梯度方向直方图的分块汇聚，这样利用高斯卷积的可快速计算性就可以快速稠密地进行特征描述子的提取。
[0115] 步骤5：条件随机场分类器：把由步骤4得到的特征向量或特征矩阵输入条件随机场模型进行分级，并输出分级结果(高分化、中分化、低分化)。
[0116] 本实施例中的模型是基于条件随机场设计的，其中图4为一个X和Y有相同的图结构的线性链条件随机场，其中空心圆表示该变量不是由模型生成的。
[0117] 该模型是一种概率无向图模型，常用于分割和标记序列数据，如图像分割、图像分类、
词性标注、中文分词等。
[0118] 条件随机场设计：条件随机场的布局是本发明的保护点。
[0119] 条件随机场的多层泊松环形布局设计如下图所示，形如“靶子”，由三圈黑色像素点(或小块)的参数计算中心蓝色像素点(小块)的条件概率(这里像素点和小块的意思是两者可以互相类比，把网格化的正方形图形小块看作一个像素点，便于应用所设计的条件随机场布局)。
[0120] 这种布局具有以下功能与优势。
[0121] 该布局的多层泊松环形设计可以有效获取目标区域周围的信息数据，比如在组织病理图像中可以获取到目标区域周围的细胞核和细胞质以及一些组织液。
[0122] 该布局可以根据实际图像的大小来增减“靶子”的环数，对于较大图像可以适当增加环数，对于较小图像可以缩至两环，适用于由不同摄像机所拍摄的不同大小组织病理学显微图像，也适用于全幅组织病理学显微图像和剪切处理后的组织病理学显微图像。
[0123] 该布局可以采用类似“打靶计分”的计算模式，越靠近中心区域“得分”越高，比重越大。泊松亮斑：当单色光照射在直径恰当的小圆板或圆珠时，会在之后的光屏上出现环状的互为同心圆的衍射条纹，并且在所有同心圆的圆心处会出现一个极小的亮斑，即泊松亮斑。而我们称泊松亮斑外的同心圆为“泊松环”，该布局是“泊松环”在数字图像上的一种近似表征。详情参见图6多层泊松环形布局示意图。
[0124]
[0125] 条件随机场可用公式(1)表示，其中c表示类别标签，x为输入图像，Z(θ，x)是对分布进行归一化的分区函数，θ＝{θψ，θφ，θλ}是模型参数,而i是对应于图形中网格的图像中的索引，n为全图小块数目。
[0126] 该公式从数学层面上来解释本发明设计的条件随机场，包含了对应的特征信息。
[0127] 如图7所示：根据细胞核坐标定位包含细胞核的小块，把这些小块作为布局中心的蓝色小块，由0.6倍的内环平均DAISY特征向量与0.25倍的中环平均DAISY特征向量以及0.15倍的外环平均DAISY特征向量的和得到蓝色小块的最终DAISY特征向量。
[0128] 再计算所有包含细胞核小块的平均DAISY特征向量，可以得到这幅图像的细胞核平均DAISY特征向量(200维)。
[0129] 根据原图灰度图的灰度直方图可以得到一个256维的特征向量。
[0130] 根据原图灰度图的平均DAISY特征向量得到一个200维的特征向量。
[0131] 分别输入训练集中的高分化子集、中分化子集和低分化子集，得到3类模型(每类模型都包含20幅图像的3个特征向量的平均值)。
[0132] 再输入测试集计算每幅图像的3个特征向量，计算每幅图像与3个模型的相似率(相似率＝细胞核平均DAISY特征相似度*全图灰度直方图相似度*全局DAISY特征相似度，相似度使用矩阵相似度计算方法，使用corr2函数)，选择相似率最高的模型类别作为最终分类和诊断结果。
[0133] 最后应说明的是可能替代方案如下：
[0134] (1)用均值滤波(mean filtering)代替中值滤波方法，进行图像去噪。
[0135] (2)用分水岭(watershed)方法代替K-means聚类方法，进行图像分割。
[0136] (3)用二元鲁棒不变可扩展关键点(BRISK)代替DAISY特征，进行局部特征提取。
[0137] (4)用颜色矩(color moment)特征代替灰度直方图特征，进行全局特征提取。
[0138] (5)用线性判别分析法(LDA)代替主成分分析法，进行特征选择。
[0139] 宫颈癌组织病理学图像的分类在国际上大多使用
决策树、
支持向量机以及
人工神经网络等分类方法，并处于研究阶段。本实施例中把条件随机场作分类器应用于宫颈癌组织病理学图像的分级，实现了科研技术向实际成果的转化。
[0140] 在条件随机场模型的设计中，本实施例全新设计了多层泊松环形布局，用以结合使用宫颈癌组织病理学显微图像的局部特征与全局特征，使系统的诊断结果更为高效可靠。
[0141] 以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
