[发明专利]一种面向HCC病理图像细胞核的分割与分类方法

说明书

本发明涉及一种面向HCC病理图像细胞核的分割与分类方法，读取原始HCC图像；对图像进行k‑means聚类，得到分割后的细胞核；使用形态学操作对分割后的细胞核进行精炼，再进行三个方面的配准，然后与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵；根据配准后的细胞核计算细胞核边界特征得到细胞核边界特征矩阵；将细胞核形状特征矩阵和细胞核边界特征矩阵融合，放到随机森林分类器中分类得到结果。本发明使用k‑means聚类和形态学操作对细胞核进行分割，通过所提出的形状和边界两类特征对细胞核进行分类识别，从而使每类细胞核分类准确率得到提高，兼顾了更多细胞本身的情况，更有针对性。

技术领域

本发明涉及一种图像处理技术，具体为一种面向HCC病理图像细胞核的分割与分类方法。

背景技术

图像的分割与分类是图像处理中基本的操作，传统的方法是通过Matlab的一系列图像分割函数对图像进行处理，从而达到分割的目的。随后对目标物体进行特征提取，利用特征的特异性对对象进行分类。虽然随着各方面研究的不断推进，图像分割和分类已经有了一个较大的进展，但是在医学方面病理图像分割的精确度依然存在很大的提升空间，尤其是对于癌细胞的分割和分类。肝癌是致死率全球第二的癌症，在临床诊断中，早期对于肝癌细胞的识别对于医生的诊断和患者的治疗都具有重大意义，对于降低肝癌的发病率和致死率也都有着极为关键的作用。且随着科技的发展，计算机辅助诊断(CAD)技术不断应用于各种领域，均得到了实质性的进展和效果。因此计算机技术与医疗诊断的结合迫在眉睫。

在细胞核分割方面，现有方法一方面使用的网络较复杂，实现起来时间复杂度较高且很困难。另一方面对于图像的分辨率和倍率要求较高，即对噪声特别敏感。且当细胞粘连程度不均匀时分割起来很困难。在HCC病理图像细胞核分割方面，现有的方法分割精度较低，分割后的细胞核无法用于后续的分割。而对于细胞核分类方面，存在多种多样的分类方式，但适用于肝癌细胞的特征较少，不具有针对性。

发明内容

针对现有技术中面向HCC病理图像中细胞核的分割存在分割困难、分类准确率低以及不具有针对性等不足，本发明要解决的问题是提供一种能够能实现对于病理图像的快速分割、提高细胞核分类准确率的面向HCC病理图像细胞核的分割与分类方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明一种面向HCC病理图像细胞核的分割与分类方法，包括以下步骤：

1)读取原始HCC图像；

2)对原始HCC图像进行k-means聚类，得到分割后的细胞核；

3)使用形态学操作对分割后的细胞核进行精炼；

4)将精炼得到的细胞核进行三个方面的配准；

5)将配准后的细胞核与病理学家手动选择的细胞核形状库通过四个相似度参数进行计算得到细胞核形状特征矩阵；

6)根据配准后的细胞核计算细胞核边界特征，得到细胞核边界特征矩阵；

7)将步骤5)得到的细胞核形状特征矩阵和步骤6)得到的细胞核边界特征矩阵进行融合后，放到随机森林(RF)分类器中进行分类得到结果。

步骤2)中，对原始HCC图像进行k-means聚类，得到分割后的细胞核，方法如下：

201)读取步骤1)中的图像，调用k-means.m函数，根据读取图像的尺寸，设定背景和前景初始凝聚点startdata；

202)进行k-means聚类，设定idClass＝1为背景，idClass＝2为前景，将所有像素点聚为两类，即背景和前景；

203)得到聚类后的初始细胞分割结果。