[发明专利]用于分割图像中的对象的方法

说明书

技术领域

本发明大体涉及数字图像，并且更具体而言，涉及分割数字图像中的对象，以从图像中提取内容。

背景技术

将复杂的三维材料的图像分割成离散且可识别的对象或目标供分析是有挑战性的问题，因为与材料相关联的可变性非常高，而且成像系统本身之间有不一致性，以及成像系统本身会引入异常。

例如，由于与沾污生物材料和基于荧光的显微成像相关联的额外引入的可变性的原因，将生物组织样本的图像分割或刻划成其组成部分(诸如细胞和细胞核)会引起特定重大问题。薄的组织切片的三维性质会引入扩大了超过10倍的失焦假象。作为示例，处于子细胞级别的蛋白质表达的量化在用于量化组织样本的蛋白质表达的图像分析过程中是必要步骤。这个类型的定量分析使得生物学家和病理学家能够以高的细节级别来分析给定的癌瘤内的成千上万的细胞的分子图。它还提供关于蛋白质表达的复杂路径的新见解。随着自动化图像获取平台(诸如通用电气的InCell 2000分析器)的出现，越来越多地需要呈自动化方法的形式的多内容图像分析，用于从组织样本中提取这种内容和分析该内容。

尤其关于生物样本分析，存在许多与检测和刻划细胞核相关联的问题。细胞是三维对象，而且这样的细胞的图像捕捉对应于组织的给定的薄片的二维投影。通常观察到在聚焦面之外的部分细胞体积。核的形状和尺寸还会在不同的组织类型上有很大的变化，而且甚至在同一组织类型内也会有很大的变化。例如，肺组织中的上皮细胞的形状不同于肺组织中的基质细胞核的形状。给定的癌症的级别也可显著地影响核的形状和尺寸。例如，乳癌中的细胞核的尺寸是诊断指标。

除了细胞变化之外，着色质量和组织处理还随样本的不同而变化；虽然能降低非特定粘合和组织自身荧光，但是典型地不能消除它们；图像获取系统进一步引入噪声，特别地，例如，如果图像获取摄像机未被主动地冷却的话；而且大多数显微镜被制造成能容忍照明的高达20%的不均匀性。

发明内容

本发明的方法提供一种鲁棒性得到高度提升的方法，其中，技术效果在于将图像分割成离散的或目标对象。该方法根据多个大体较弱或较不一致的分割结果来建立强的或可靠地一致的分割结果。各个较弱的分割方法生成捕捉不同的但又互补的信息的概率图。基于各种参数或预先限定的规则，诸如例如加权平均值或总和，强分割结合了来自较弱的分割方法的概率结果。对结合的但较强的联合分割应用分水岭方法以及一个或多个形态学约束，以识别和分割图像的核区域。首先使用较一般的工作流来描述方法，在该工作流中，将弱分割算法联合起来生成强分割算法，可出于多种目的而将该算法应用于多种图像。然后对其中生物样本的图像被分割成细胞的特定的但非限制性的示例应用一般方法。虽然特定的示例使用对生物材料的图像特别有用的分割算法的子集(其包括基于曲率的分割、图像梯度、加伯（Gabor）滤波器和强度)，但是，本发明的方法可应用于其它类型的主题，并且所以可包括备选的算法子集。

用于将数字图像分割成多个目标对象的本发明的方法的实施例包括：生成图像的多个概率图，其中，各个概率图源自不同的分割分类器；基于该多个概率图来生成联合概率图；基于一个或多个局部对象最大值来映射多个图像点；至少部分地基于映射点来应用一个或多个对象约束，以识别局部对象信息；在给定局部对象信息和背景掩模的情况下，对联合概率图应用一个或多个区域阈值，以将图像分割成区域；至少部分地通过合并分割区域与对应的局部对象最大值来创建分割图像；以及至少暂时将分割图像存储或显示在数字装置上。

附图说明

当参照附图来阅读以下详细描述时，本发明的这些和其它特征、方面与优点将变得更好理解，在附图中，相同符号在所有图中表示相同部件，其中：

图1是用于分割图像的本发明的方法和系统的示例的流程图。

图2是用于分割图像的本发明的方法和系统的特定示例的流程图。

图3A至图3D是基于概率图的四个弱分类器的示例。使用基于曲率的分类器来生成图3A，使用加伯滤波器组来生成图3B，使用梯度分类器来生成图3C，以及使用强度分类器来生成图3D。

图4A是使用强分割分类器的示例而生成的概率图的示例，图4B是显示了检测到的对象中心的图的示例，图4C是使用形态学约束的加权图像的示例，图4D是分割图像的示例，以及图4E是与映射核合并的最终分割图像的示例。