图像处理在免疫组化中的图像分割法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ １ ） ： １ － １ ０ ．
［ ３ ］ 冯进功． 基于数学形态学的医学图像处理研究［ Ｄ １ ｌ 哈尔滨 ： 黑龙江大学 ， ２ ０ ０ ９ ：
１ ． ２ 基 于 区 域 的 分 割 方 法
义 。 ｅ
【 参考文献 】
［ １ ］ 田娅 ， 饶妮妮 ， 蒲立新． 国 内医学 图像处理技术 的最新动态【 Ｊ Ｉ ． 电子科技大学 ，
２ ０ ０ ２： ４ ８ ５ ￣． ８ ９ ．
［ ２ ］ 开颜 ， 吴军辉 ， 徐立鸿 ． 彩色 图像分割方法综述叨． 中国图像 图形学报 ， ２ ０ ０ ５ ， １ ０
技 术 的分 割 方 法 １ ． １ 基 于阈值 的分 割方法
１ ． ５ 基于ｃ 一 均值 聚类算法 的免疫组化彩色图像 分割方法 聚类是将一组 给定 的未知类标号的样本分 成内在的多个 类别 ． 使 得同一类 中的样本具有较高的相似度 ． 而不同类中的样本差别大 聚 类分析是 揭示 和刻 画数据 的内在结构 ， 它的内容包括统计学 、 生物学 、 以及机器学习等很 多的研究领域 ， 并在模式识 别 、 数据分析和挖掘 、 图 像处理等领域获得 了广泛 的应用 。常用的聚类 方法可分为如下几类 ： 划分方法 ． 层次 聚类方法 ． 基于密度的方法 ． 基于网格的方法和基于模
１ 在免疫组化 中的 图像分割法
通过 图像处理免疫组化彩色 图像 ． 为了准 确分 析彩色图像 中不 同 的区域 ． 图像分割是关 键的一步 ． 其结果影 响后续定量检 测的准确度 测 的精度ｇ ｌ 图像 分割是 指把 图像分成 各具 独特的特征的 区域并对感 兴趣 的 目 标提取 出来 图像分 割是 图像处理 的最关键步骤 ， 也是进一 步进 行图像理解 的基础 ．分割 的好坏直接影 响到后续 图像 处理 的结 果 在进行免疫组化 图像 的分 割时． 往往采用 单一的方法不能得 到令 人满 意的结果 ． 常常采用综合 的方法才 能进行 图像 的分割 。纵观 国内 外有关 免疫组 化图像 分割的研究 ． 免疫 组化 图像的分割是一个世界性 难题 ． 没有一种通用 的图像分 割方 法 ． 也不存 在一种判 断是否分割成 功的客观标 准 很多文 献中提到的免疫组化 图像 的分割一般是利用 细 胞 图像 特有的统计特性 、 图像 中细胞及细胞 的轮廓 、 边缘 和纹理等视 觉特性 进行分割 ． 传统 的分割方法 可包括基 于阈值的分割方 法 、 基于 边缘检测 的方法及基 于区域 的分割方法三类 ． 此外 还有一些结合特殊
Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ＆ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｖｉ ｓ ｉ ｏ ｎ
科 技 视 界
科 刘 瑞珍 （ 赣 南 医学院 解 剖学教 研 室 ， 江西 赣州 ３ ４ １ ０ ０ ０ ）
０ 引 言
现在 ． 随着计算机及其 相关技术 的迅速 的发 展 ． 图像处 理在医学 中应 用越来 越广泛 如 Ｍ Ｒ Ｉ 图像 、 ｃ Ｔ图像 、 Ｐ Ｅ Ｔ图像 、 Ｓ Ｐ Ｅ Ｃ Ｔ图像 、 病 理学 以及细胞学所应用 的显微 医学 图像或细胞 图像 ｌ １ １ 图像处理应用 于病理诊断可 以提高诊断质量 ． 而免疫组化作 为常规 病理方法很难判 断 的肿瘤 的性质分期 的辅助方法 ． 对于诊断结果非 常重要 。 由于免疫 组化染色需是通过病理切 片的着色情况来判定结果 ． 而人眼对相 同强 度单色光 的主观感觉不 同． 必将会影响对结果 的判定 。应用计算机进 行 图像处理 ． 则可避免这种主观感觉 的偏差 现 目标提取 。 典 型的分割技术是以图像 四叉树或金字塔作为基本数据 结构 的分裂 ． 合并方法 １ ＿ ３ 基 于边缘检测 的分割方法 ： 多为分为五类 ： 基于像 素属性法 ； 基 于变形模 板法 ； 基于 数学形 、 态学 法 ； 基于 代价 函数法 ； 基 于边缘 流 法［ ５ １ 。这些方 法不依赖 于已处理像素的结果 ， 其缺点是对 噪声很 敏感 ． 而且 当边 缘像素值变化 不明显 的时候容易产 生假边界或不连接 的边 界． 而且易受伪轮廓或边 界空 白的干扰 ． 不 能保证得到闭合 连通 的边 界 。 １ ． ４ 结 合特殊技术 的分割方法 ： 包 括数学形 态学 、 小波 变换 、 遗传 算 法 等引入 到图像分割算法 的改进 ． 新技术的运用也就大大发展了分割 算 法。
将被处理 图像看作 由一些亮度 目 标 和与其 分离 良好的背景组成 ， 用简单 的阈值将 图像分 割成 两个 区域 。主要包 括有全局阈值法 、 双阈 值法 、 自 适应 阈值 分割法 、 多尺度 阈值法 等［ ４ １ 。 因为阈值法算法 简单 、 稳 定性 好 ． 得到 了广泛 的应用 ． 但 是 由于它 的分 割效果 和所 选取 的阈值 有很 大的关 系． 所以如何确定 阈值成为此类方 法的关键所在 。 目 前有 许 多新的方法如模糊理论 、 遗传算法在 图像理论 中的应用 ， 如Ｋ ｉ ｔ ｔ ｌ ｅ Ｊ 等人的极大 化模 糊度散度 来进行 阈值 的选取 ： Ｈ ｕ ａ ｎ ｇ Ｌ Ｋ等 人的极小 化某种模糊 测度决定灰度 阈值的方法 ： 盛国芳 提出了基于遗传算法 的 最佳熵 阈值 的分割方法
型 的 方 法
２ 结 束语
随着计算机及 其相关技术 的迅速 的发展及 图形 图像 技术的 日 渐 成熟 ． 计算机 图像处理技术和免疫组化分析方法相结合推动免疫组化 研究 由定性 向定量 的发展 ， 使更科学 ， 更准确 。 因此 ， 选择一个适合的 分割法对免疫组化 图像进行处理 ． 有利于判断和确定细胞组织结构的 变化 ， 对 疾病 的 诊 断 、 细 胞信 息 的定 量 分 析等 研 究具 有 重要 的意
［ ３ ］ 冯进功． 基于数学形态学的医学图像处理研究［ Ｄ １ ｌ 哈尔滨 ： 黑龙江大学 ， ２ ０ ０ ９ ：
１ ． ２ 基 于 区 域 的 分 割 方 法
义 。 ｅ
【 参考文献 】
［ １ ］ 田娅 ， 饶妮妮 ， 蒲立新． 国 内医学 图像处理技术 的最新动态【 Ｊ Ｉ ． 电子科技大学 ，
２ ０ ０ ２： ４ ８ ５ ￣． ８ ９ ．
［ ２ ］ 开颜 ， 吴军辉 ， 徐立鸿 ． 彩色 图像分割方法综述叨． 中国图像 图形学报 ， ２ ０ ０ ５ ， １ ０
技 术 的分 割 方 法 １ ． １ 基 于阈值 的分 割方法
１ ． ５ 基于ｃ 一 均值 聚类算法 的免疫组化彩色图像 分割方法 聚类是将一组 给定 的未知类标号的样本分 成内在的多个 类别 ． 使 得同一类 中的样本具有较高的相似度 ． 而不同类中的样本差别大 聚 类分析是 揭示 和刻 画数据 的内在结构 ， 它的内容包括统计学 、 生物学 、 以及机器学习等很 多的研究领域 ， 并在模式识 别 、 数据分析和挖掘 、 图 像处理等领域获得 了广泛 的应用 。常用的聚类 方法可分为如下几类 ： 划分方法 ． 层次 聚类方法 ． 基于密度的方法 ． 基于网格的方法和基于模
１ 在免疫组化 中的 图像分割法
通过 图像处理免疫组化彩色 图像 ． 为了准 确分 析彩色图像 中不 同 的区域 ． 图像分割是关 键的一步 ． 其结果影 响后续定量检 测的准确度 测 的精度ｇ ｌ 图像 分割是 指把 图像分成 各具 独特的特征的 区域并对感 兴趣 的 目 标提取 出来 图像分 割是 图像处理 的最关键步骤 ， 也是进一 步进 行图像理解 的基础 ．分割 的好坏直接影 响到后续 图像 处理 的结 果 在进行免疫组化 图像 的分 割时． 往往采用 单一的方法不能得 到令 人满 意的结果 ． 常常采用综合 的方法才 能进行 图像 的分割 。纵观 国内 外有关 免疫组 化图像 分割的研究 ． 免疫 组化 图像的分割是一个世界性 难题 ． 没有一种通用 的图像分 割方 法 ． 也不存 在一种判 断是否分割成 功的客观标 准 很多文 献中提到的免疫组化 图像 的分割一般是利用 细 胞 图像 特有的统计特性 、 图像 中细胞及细胞 的轮廓 、 边缘 和纹理等视 觉特性 进行分割 ． 传统 的分割方法 可包括基 于阈值的分割方 法 、 基于 边缘检测 的方法及基 于区域 的分割方法三类 ． 此外 还有一些结合特殊
Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ＆ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｖｉ ｓ ｉ ｏ ｎ
科 技 视 界
科 刘 瑞珍 （ 赣 南 医学院 解 剖学教 研 室 ， 江西 赣州 ３ ４ １ ０ ０ ０ ）
０ 引 言
现在 ． 随着计算机及其 相关技术 的迅速 的发 展 ． 图像处 理在医学 中应 用越来 越广泛 如 Ｍ Ｒ Ｉ 图像 、 ｃ Ｔ图像 、 Ｐ Ｅ Ｔ图像 、 Ｓ Ｐ Ｅ Ｃ Ｔ图像 、 病 理学 以及细胞学所应用 的显微 医学 图像或细胞 图像 ｌ １ １ 图像处理应用 于病理诊断可 以提高诊断质量 ． 而免疫组化作 为常规 病理方法很难判 断 的肿瘤 的性质分期 的辅助方法 ． 对于诊断结果非 常重要 。 由于免疫 组化染色需是通过病理切 片的着色情况来判定结果 ． 而人眼对相 同强 度单色光 的主观感觉不 同． 必将会影响对结果 的判定 。应用计算机进 行 图像处理 ． 则可避免这种主观感觉 的偏差 现 目标提取 。 典 型的分割技术是以图像 四叉树或金字塔作为基本数据 结构 的分裂 ． 合并方法 １ ＿ ３ 基 于边缘检测 的分割方法 ： 多为分为五类 ： 基于像 素属性法 ； 基 于变形模 板法 ； 基于 数学形 、 态学 法 ； 基于 代价 函数法 ； 基 于边缘 流 法［ ５ １ 。这些方 法不依赖 于已处理像素的结果 ， 其缺点是对 噪声很 敏感 ． 而且 当边 缘像素值变化 不明显 的时候容易产 生假边界或不连接 的边 界． 而且易受伪轮廓或边 界空 白的干扰 ． 不 能保证得到闭合 连通 的边 界 。 １ ． ４ 结 合特殊技术 的分割方法 ： 包 括数学形 态学 、 小波 变换 、 遗传 算 法 等引入 到图像分割算法 的改进 ． 新技术的运用也就大大发展了分割 算 法。
将被处理 图像看作 由一些亮度 目 标 和与其 分离 良好的背景组成 ， 用简单 的阈值将 图像分 割成 两个 区域 。主要包 括有全局阈值法 、 双阈 值法 、 自 适应 阈值 分割法 、 多尺度 阈值法 等［ ４ １ 。 因为阈值法算法 简单 、 稳 定性 好 ． 得到 了广泛 的应用 ． 但 是 由于它 的分 割效果 和所 选取 的阈值 有很 大的关 系． 所以如何确定 阈值成为此类方 法的关键所在 。 目 前有 许 多新的方法如模糊理论 、 遗传算法在 图像理论 中的应用 ， 如Ｋ ｉ ｔ ｔ ｌ ｅ Ｊ 等人的极大 化模 糊度散度 来进行 阈值 的选取 ： Ｈ ｕ ａ ｎ ｇ Ｌ Ｋ等 人的极小 化某种模糊 测度决定灰度 阈值的方法 ： 盛国芳 提出了基于遗传算法 的 最佳熵 阈值 的分割方法
型 的 方 法
２ 结 束语
随着计算机及 其相关技术 的迅速 的发展及 图形 图像 技术的 日 渐 成熟 ． 计算机 图像处理技术和免疫组化分析方法相结合推动免疫组化 研究 由定性 向定量 的发展 ， 使更科学 ， 更准确 。 因此 ， 选择一个适合的 分割法对免疫组化 图像进行处理 ． 有利于判断和确定细胞组织结构的 变化 ， 对 疾病 的 诊 断 、 细 胞信 息 的定 量 分 析等 研 究具 有 重要 的意