專利名稱：Ki-67免疫組化病理圖像自動定量分析系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及病理圖像分析技術(shù)領(lǐng)域，特別是一種Ki-67免疫組化病理圖像自動定 量分析系統(tǒng)。
背景技術(shù)：
由于免疫組化技術(shù)的發(fā)展和進步，免疫組化技術(shù)已廣泛應(yīng)用于腫瘤病理的診斷和 鑒別診斷，及腫瘤預(yù)后的綜合性評估等領(lǐng)域。它是常規(guī)病理診斷工作中不可缺少的重要內(nèi) 容，也是目前病理醫(yī)師實踐循證醫(yī)學的重要內(nèi)容。近年來研究證實Ki-67是增殖細胞中的 核抗原，其表達反映了細胞增殖狀況，現(xiàn)已成為檢測腫瘤細胞增殖動力學的有效指標。更多 的研究發(fā)現(xiàn)，人類多種惡性腫瘤有Ki-67表達。這些腫瘤增生抗原已證明與許多腫瘤的預(yù) 后有關(guān)，即Ki-67陽性細胞多者，其惡性度增高，預(yù)后不良，其中以惡性淋巴瘤、乳腺癌較為 明顯。而且在乳腺癌的研究中發(fā)現(xiàn)Ki-67陽性者，淋巴結(jié)轉(zhuǎn)移率高，并與激素受體的表達呈 負相關(guān)。目前Ki-67免疫組化定量結(jié)果的判斷是由病理科醫(yī)師在顯微鏡下，依據(jù)免疫組化 圖像中陽性目標的數(shù)量、陽性目標的著色位點和染色的強度進行半定量分析，但常常因為 病理醫(yī)師的主觀因素造成人為誤差，從而影響了對腫瘤的整體預(yù)后的評估，誤導(dǎo)了腫瘤治療。近年，醫(yī)學圖像處理分析系統(tǒng)迅速發(fā)展，病理圖像分析也逐漸從定性分析向定量 分析轉(zhuǎn)化。但現(xiàn)有的醫(yī)學圖像分析系統(tǒng)側(cè)重點在通用圖象處理方面，其分析過程主要采用 人工交互式分析，即用戶首先對醫(yī)學圖象進行分割(自動或人工干預(yù))，然后再對分割指定 的目標進行特征參數(shù)抽取，最后用戶還需選擇多視場分析的結(jié)果進行統(tǒng)計。同時，系統(tǒng)大部 分只能針對單目標進行分析。Ki-67免疫組化病理圖像組織分布為陽性細胞核、陰性細胞核、基質(zhì)、空隙等。各 組織目標染色分布為陽性細胞核為紅褐色，陰性細胞核為藍色，基質(zhì)為淺藍色，空隙為白 色。所有組織目標著色有深有淺，程度不一，不同組織顏色分布上存在異質(zhì)同色和同質(zhì)異色 現(xiàn)象。各組織目標形態(tài)紋理分布組織紋理結(jié)構(gòu)復(fù)雜，形態(tài)各異。陽性細胞核與巢狀分析 區(qū)中的陰性細胞核呈近圓型狀，非巢狀分析區(qū)的陰性細胞核呈索型狀，基質(zhì)組織呈不規(guī)則 絮狀，空隙呈大小不一的不規(guī)則弧形區(qū)域。Ki-67免疫組化定量分析結(jié)果參數(shù)有陽性強度 (平均灰度、平均積分光密度)、陽性/巢區(qū)陰性細胞核數(shù)量比值、陽性/巢區(qū)陰性細胞核面 積比值、陽性面密度、陽性數(shù)密度等。采用現(xiàn)有的醫(yī)學圖像分析技術(shù)對ki-67免疫組化進行定量分析存在如下缺陷由 于存在異質(zhì)同色和同質(zhì)異色現(xiàn)象，分割操作繁瑣，大多數(shù)情況下需要人工干預(yù)修補，分割結(jié) 果因人而異；對復(fù)雜的多目標的病理圖象，難以精確分析；沒有專項針對ki-67免疫組化參 數(shù)提取功能，需要借助其他的軟件完成定量參數(shù)提取分析；病理切片具有多視野圖像的特 點，現(xiàn)有醫(yī)學圖像分析技術(shù)沒有自動批處理功能。因此，在常規(guī)臨床應(yīng)用中，醫(yī)生普遍感到操作比較復(fù)雜，分析時間較長，對于低倍鏡ki-67免疫組化病理圖象，更是無法進行精確分割。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，該系統(tǒng) 不僅有利于一次性自動完成Ki-67免疫組化結(jié)果的定量分析，而且工作效率和精確度高。為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是一種Ki-67免疫組化病理圖像自動定量 分析系統(tǒng)，包括計算機，其特征在于所述計算機上設(shè)有一致性處理模塊、圖像分割模塊、巢 區(qū)識別模塊、參數(shù)提取模塊及統(tǒng)計分析入庫模塊；
所述一致性處理模塊對圖像的染色效果、灰度差異進行一致性處理；
所述圖像分割模塊融合顏色空間、色差、紋理和模糊連接度特征對圖像進行多目標分
割；
所述巢區(qū)識別模塊基于協(xié)同神經(jīng)網(wǎng)絡(luò)法，結(jié)合紋理特征空間分析、模糊聚類、相似度法 構(gòu)造協(xié)同多級分類模塊，以進行巢狀分析區(qū)的識別選擇；
所述參數(shù)提取模塊在單視野圖像巢狀分析區(qū)針對各種分割出的目標進行形態(tài)學參數(shù) 提??；
所述統(tǒng)計分析入庫模塊統(tǒng)計分析一個病理號下的多視野圖像量化參數(shù)，并自動入庫保存。本發(fā)明的有益效果是實現(xiàn)了一次性自動完成ki-67免疫組化結(jié)果的定量分析，包 括ki-67病理圖像一致性處理、圖象分割、組織目標巢區(qū)的識別提取、定量檢測、統(tǒng)計分析、 參數(shù)自動入庫等功能，并可以進行自動批處理，方便了醫(yī)務(wù)工作者的使用。本發(fā)明彌補了對組織結(jié)構(gòu)復(fù)雜的腫瘤免疫組化染色結(jié)果病理圖像進行識別分類 量化指標的分析方法方面的不足。本發(fā)明在病理學上的意義深遠，量化分類指標可以減少 病理科醫(yī)師因主觀因素造成的誤差，提高免疫病理的準確性和工作效率，為腫瘤病人的藥 物選擇提供更準確的依據(jù)。下面結(jié)合附圖及具體實施例對本發(fā)明作進一步的詳細說明。


圖1是本發(fā)明實施例的系統(tǒng)模塊示意圖。圖2是本發(fā)明實施例的工作流程圖。
具體實施例方式本發(fā)明的Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，包括計算機，如圖1所示， 所述計算機上設(shè)有一致性處理模塊、圖像分割模塊、巢區(qū)識別模塊、參數(shù)提取模塊、修補模 塊及統(tǒng)計分析入庫模塊；
所述一致性處理模塊對圖像的染色效果、灰度差異進行一致性處理；
所述圖像分割模塊融合顏色空間、色差、紋理和模糊連接度特征對圖像進行多目標分
割；
所述巢區(qū)識別模塊基于協(xié)同神經(jīng)網(wǎng)絡(luò)法，結(jié)合紋理特征空間分析、模糊聚類、相似度法 構(gòu)造協(xié)同多級分類模塊，以進行巢狀分析區(qū)的識別選擇；
5所述參數(shù)提取模塊在單視野圖像巢狀分析區(qū)針對各種分割出的目標進行形態(tài)學參數(shù) 提??；
所述修補模塊對巢區(qū)識別模塊的巢區(qū)識別選擇結(jié)果進行修正分割、連接、斷開、擦除選 擇區(qū)、重畫選擇區(qū)等人工干預(yù)修補，修補結(jié)束后自動進入?yún)?shù)提取模塊；
所述統(tǒng)計分析入庫模塊統(tǒng)計分析一個病理號下的多視野圖像量化參數(shù)，并自動入庫保存。樣本數(shù)據(jù)的一致性才能保證各實驗室結(jié)果的可比性和準確性。由于切片染色制備、圖像采集等技術(shù)的影響，存在染色效果差異、灰度變化等問題，本發(fā)明從以下幾個方面 對免疫組化樣本、病理圖像采集過程及采集到的病理圖像進行一致性處理
1、采用商品化的實驗試劑進行染色制作采用先進的免疫組化自動染色儀進行染色， 減少了人為因素造成的誤差，同時，配合商品化的實驗試劑的使用，為切片染色提供了一個 高效、便捷和穩(wěn)定的技術(shù)平臺。2、圖像灰度的一致性處理受光線的影響，同一切片不同視野在采集過程存在灰 度不一致問題。本發(fā)明的解決方案a.采用入射光定標技術(shù)，即采集過程中將顯微鏡光源 調(diào)整與標定值一致。b.對采集得到的圖像自動進行同態(tài)濾波及基于直方圖的灰度變換的 歸一化預(yù)處理。c.在定量分析中，亮度定標采用自適應(yīng)設(shè)定方式，即對每一幅免疫組化病 理圖像自動提取圖像中的空隙區(qū)域(最亮區(qū)域)的平均灰度作為其亮度標定值。d.尺寸定 標對不同的放大倍數(shù)采集的圖像定義標尺，以備定量分析時達到空間的一致性。免疫組化病理圖像是多通道真彩色圖像，具有模糊性和不均勻的特點，同一種組 織的灰度會出現(xiàn)較大的差異，某些組織目標邊緣模糊，目標的邊緣、拐角及區(qū)域間的關(guān)系難 以精確地描述，目標斷裂等等，針對這些問題，本發(fā)明研究設(shè)計融合顏色空間、色差、紋理、 模糊連接度等特征對圖像進行多目標分割。關(guān)鍵技術(shù)如下
①采用基于混沌遺傳的二維最大熵選擇最佳分割閾值在自動選取分割閾值方法中， 基于二維最大熵選擇閾值是最重要方法之一，它結(jié)合了圖像的灰度及鄰域信息，抗噪能力 強。現(xiàn)有基于遺傳的二維最大熵圖像分割是利用遺傳算法選取最佳閾值向量，提高了二維 最大熵算法的速度，但遺傳算法的全局收斂性差，穩(wěn)定性不強，為此，本發(fā)明利用混沌所具 有的隨機、遍歷特性，設(shè)計混沌操作算子代替?zhèn)鹘y(tǒng)遺傳算法中的交叉算子，首先利用混沌擾 動操作和變異操作在較大范圍內(nèi)尋找較優(yōu)解，然后在較優(yōu)解的附近利用混沌擾動尋找最優(yōu) 解，同時利用混沌遺傳算法作為費用函數(shù)優(yōu)化手段，選取最佳分割閾值，以解決傳統(tǒng)遺傳算 法全局收斂性差、穩(wěn)定性不強的缺點。②融合多顏色空間與色差的模糊邊界進行分割特征提取針對真彩色免疫組化病 理圖像中各目標組織之間低對比度并且邊界模糊的特點，在經(jīng)過同態(tài)濾波圖像的基礎(chǔ)上進 行模糊增強，選擇Carmy算子提取各組織目標邊緣，同時提取各組織的顏色、邊緣等分割特 征。③基于柔性形態(tài)學的方法很多區(qū)域特征如面積、中心、長短軸等都與矩有直接的 關(guān)系，采用不變矩、柔性形態(tài)特征等作為分割特征，以滿足平移、伸縮、旋轉(zhuǎn)不變性的組織分 割。S基于約簡紋理譜值的分割特征提取紋理分析的方法很多，如共生矩 陣，GAbor小波，分形維等。但是共生矩陣提取的紋理性質(zhì)缺少視覺相似性；而GAbor小波雖最符合人類的視覺特征，但其計算量太大，難以滿足即時處理；分形維數(shù)門限值確定困難，分割精度差。利用約簡紋理譜特征及形狀特征，作為一種新的紋理分析方法，算法簡單，抗噪能力強。上述算法中，②、③、④適合于病理圖像分割特征提取，①適合于選擇最佳分割閾值。本發(fā)明對上述提出的多種方法進行融合，在自動、快速、高精度的前提下，建立適合于ki-67免疫組化病理圖像分割的方法和模型。由于ki-67免疫組化圖像包含多種染色質(zhì)組織(陽性細胞核、陰性細胞核、基質(zhì)、空隙等)的真彩色圖像，信息量大，且組織結(jié)構(gòu)是柔性的不規(guī)則巢狀形態(tài)區(qū)域，各組織區(qū)邊界存在互相交叉滲透現(xiàn)象，所采集的圖像中混雜非定量分析區(qū)，所以必須研究巢狀分析區(qū)域的識別選擇算法。本發(fā)明并以協(xié)同神經(jīng)網(wǎng)絡(luò)法為主，結(jié)合紋理特征空間分析、模糊聚類、相似度法等方法構(gòu)造協(xié)同多級分類模塊，實現(xiàn)巢狀分析區(qū)的識別選擇。關(guān)鍵技術(shù)如下
①原型模式的選擇原型的選擇決定了協(xié)同模型的識別能力。原型選擇的主要方法有一基于經(jīng)驗選擇法、基于遺傳算法選擇法、基于聚類法選擇法等。經(jīng)驗選擇法使用范圍有限，要求必須對分類對象全面深刻了解；遺傳算法訓練時間很長而且訓練效率低；聚類法能對給定的樣本進行自動聚合，而且時間復(fù)雜性也較遺傳算法低，且原型流形模式中融合多樣本信息。因此，本發(fā)明主要研究基于聚類思想的原型選擇方法，根據(jù)ki-67免疫組化圖像的特點，提出原型集模式選擇的基本思路病理圖像中各組織目標存在同型多態(tài)的現(xiàn)象，常規(guī)一種類別選擇一個原型的方法不適用于多態(tài)同類樣本的識別。對此，本發(fā)明提出在多原型模式中協(xié)同競爭最優(yōu)原型的思想，即在同型樣本中選擇不同形態(tài)的多個原型，作為該類別的原型集，將測試樣本首先與原型集中原型進行相似匹配競爭，取最大相似的原型作為最優(yōu)原型輸出，然后再一次測試樣本分別與各型的最優(yōu)原型進行相似匹配，以最大相似結(jié)果作為分類結(jié)果。根據(jù)組織目標形態(tài)特征復(fù)雜多樣、模糊不確定的特點，采用基于模糊動態(tài)聚類的思想選擇同型異態(tài)組織目標的原型集。本發(fā)明對各種動態(tài)聚類方法進行分析比較，提出改進或融合的模糊動態(tài)聚類算法聚類同型異態(tài)的組織目標樣本，以聚類中心集作為該型組織目標的原型集。初始期望聚類數(shù)可由診斷專家組給出。②序參量構(gòu)造與注意參數(shù)的設(shè)置協(xié)同模式識別過程可視為若干序參量競爭的過程，經(jīng)典的構(gòu)造算法是直接求由原型模式向量所組成矩陣的M-P廣義逆矩陣，然后得到序參量。這種基于偽逆的方法所求的序參量能很好地反映輸入模式和原型模式之間的相似程度，但所需的運算量很大，而且采用在原型集競爭最優(yōu)原型方法求類型組織目標原型，對不同的測試樣本，最優(yōu)原型并不相同，需要重新計算M-P廣義逆矩陣，計算量更大，不實用。本發(fā)明引入樣本間測地線距離的度量方法，作為距離評價函數(shù)，直接依據(jù)測試樣本與各原型模式之間距離關(guān)系構(gòu)造序參量，避免求逆矩陣，解決快速學習問題。③反饋修正、調(diào)整學習本發(fā)明研究設(shè)計協(xié)同分類模型的自學習能力，使之能夠不斷的學習被拒識別或誤識別的樣本。將學習樣本中誤識率最高的模式作為反饋量來修正原型模式，進一步提高系統(tǒng)的學習擴展能力。以上是本發(fā)明的較佳實施例，凡依本發(fā)明技術(shù)方案所作的改變，所產(chǎn)生的功能作用未超出本發(fā)明技術(shù)方案的范圍時，均屬于本發(fā)明的保護范圍。
權(quán)利要求
一種Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，包括計算機，其特征在于所述計算機上設(shè)有一致性處理模塊、圖像分割模塊、巢區(qū)識別模塊、參數(shù)提取模塊及統(tǒng)計分析入庫模塊；所述一致性處理模塊對圖像的染色效果、灰度差異進行一致性處理；所述圖像分割模塊融合顏色空間、色差、紋理和模糊連接度特征對圖像進行多目標分割；所述巢區(qū)識別模塊基于協(xié)同神經(jīng)網(wǎng)絡(luò)法，結(jié)合紋理特征空間分析、模糊聚類、相似度法構(gòu)造協(xié)同多級分類模塊，以進行巢狀分析區(qū)的識別選擇；所述參數(shù)提取模塊在單視野圖像巢狀分析區(qū)針對各種分割出的目標進行形態(tài)學參數(shù)提?。凰鼋y(tǒng)計分析入庫模塊統(tǒng)計分析一個病理號下的多視野圖像量化參數(shù)，并自動入庫保存。
2.根據(jù)權(quán)利要求1所述的Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，其特征在于 所述計算機上還設(shè)有修補模塊，所述修補模塊對巢區(qū)識別模塊的巢區(qū)識別選擇結(jié)果進行人 工干預(yù)修補，修補結(jié)束后自動進入?yún)?shù)提取模塊。
3.根據(jù)權(quán)利要求1所述的Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，其特征在于 所述圖像分割模塊對圖像進行多目標分割時，采用基于混沌遺傳的二維最大熵算法選擇最 佳分割閾值，其方法為設(shè)計混沌操作算子代替?zhèn)鹘y(tǒng)遺傳算法中的交叉算子，首先利用混沌 擾動操作和變異操作在較大范圍內(nèi)尋找較優(yōu)解，然后在較優(yōu)解的附近利用混沌擾動尋找最 優(yōu)解，同時利用混沌遺傳算法作為費用函數(shù)優(yōu)化手段，以選取最佳分割閾值。
4.根據(jù)權(quán)利要求3所述的Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，其特征在于 所述圖像分割模塊對圖像進行多目標分割時，融合多顏色空間與色差的模糊邊界進行分割 特征提取，其方法為在經(jīng)過同態(tài)濾波圖像的基礎(chǔ)上進行模糊增強，選擇Canny算子提取各 組織目標邊緣，同時提取各組織的顏色、邊緣分割特征。
5.根據(jù)權(quán)利要求4所述的Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，其特征在于 所述圖像分割模塊對圖像進行多目標分割時，還采用不變矩、柔性形態(tài)特征作為分割特征， 以滿足平移、伸縮、旋轉(zhuǎn)不變性的組織分割。
6.根據(jù)權(quán)利要求5所述的Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，其特征在于 所述圖像分割模塊對圖像進行多目標分割時，還基于約簡紋理譜值進行分割特征提取，以 進行紋理分析。
7.根據(jù)權(quán)利要求1所述的Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，其特征在于 所述巢區(qū)識別模塊進行巢區(qū)識別選擇時，按如下方法進行原型模式的選擇在同型樣本中 選擇不同形態(tài)的多個原型，作為該類別的原型集，將測試樣本首先與原型集中原型進行相 似匹配競爭，取最大相似的原型作為最優(yōu)原型輸出，然后再一次測試樣本分別與各型的最 優(yōu)原型進行相似匹配，以最大相似結(jié)果作為分類結(jié)果。
8.根據(jù)權(quán)利要求7所述的Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，其特征在于 所述巢區(qū)識別模塊進行巢區(qū)識別選擇時，按如下方法進行序參量構(gòu)造與注意參數(shù)的設(shè)置 引入樣本間測地線距離的度量方法，作為距離評價函數(shù)，直接依據(jù)測試樣本與各原型模式 之間距離關(guān)系構(gòu)造序參量。
9.根據(jù)權(quán)利要求8所述的Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，其特征在于 所述巢區(qū)識別模塊進行巢區(qū)識別選擇時，按如下方法進行反饋修正、調(diào)整學習使協(xié)同分類 模型能夠不斷學習被拒識別或誤識別的樣本，將學習樣本中誤識率最高的模式作為反饋量 來修正原型模式，以提高系統(tǒng)的學習擴展能力。
全文摘要
本發(fā)明涉及病理圖像分析技術(shù)領(lǐng)域，特別是一種Ki-67免疫組化病理圖像自動定量分析系統(tǒng)，包括計算機，其上設(shè)有一致性處理模塊、圖像分割模塊、巢區(qū)識別模塊、參數(shù)提取模塊及統(tǒng)計分析入庫模塊；一致性處理模塊對圖像進行一致性處理；圖像分割模塊融合顏色空間、色差、紋理和模糊連接度特征對圖像進行多目標分割；巢區(qū)識別模塊構(gòu)造協(xié)同多級分類模塊，以進行巢區(qū)識別選擇；參數(shù)提取模塊在單視野圖像巢狀分析區(qū)針對各種分割出的目標進行形態(tài)學參數(shù)提??；統(tǒng)計分析入庫模塊統(tǒng)計分析一個病理號下的多視野圖像量化參數(shù)，并自動入庫保存。該系統(tǒng)不僅有利于一次性自動完成Ki-67免疫組化結(jié)果的定量分析，而且工作效率和精確度高。
文檔編號G06K9/62GK101799926SQ201010163020
公開日2010年8月11日 申請日期2010年5月5日 優(yōu)先權(quán)日2010年5月5日
發(fā)明者劉秉瀚, 楊清海, 王偉智 申請人:福州大學