一种启发式的图像过滤和分割框架:在血管免疫组化中的应用

抽象的

癌组织样本中的血管密度可能代表肿瘤生长水平的增加。然而，在组织图像中识别血管是困难和耗时的，而且很大程度上依赖于观察者的经验。为了克服这一缺点，计算机辅助图像分析框架已被研究，以提高目标识别的组织学图像。提出了一种新的血管图像显著区域自动提取算法。实验结果表明，该框架能够推导出与人工标定的血管边界相似的血管边界，即使是对于目标边界与背景杂波对比度较弱的血管区域。

1.介绍

计算机辅助诊断(CADx)的高通量组织库和数字化组织(组织)图像显示，通过协助鉴别良性和难以诊断的可疑肿瘤区域，减轻了病理学家的工作量[1- - - - - -5］.CADX系统预计将改善临床实践[1，2和人类观察者在解释组织学图像时的表现[3.- - - - - -5］.例如，肿瘤周围血管空间分布的定性评价可能代表肿瘤生长中血管生成(新毛细血管的生长)水平的增加[6- - - - - -9］.为了研究致瘤性(产生肿瘤的能力)的增加水平，可以使用免疫组化(IHC)染色方法来确定癌变组织样本中的血管密度。然而，组织病理学图像的解释相对困难和耗时，而血管的识别在很大程度上依赖于观察者的经验。

为了克服该缺点，已经广泛和集中地研究了计算机辅助图像分析框架，以提高组织学图像中对象鉴定的性能[1］.一般来说，一个临床决策支持系统从质量控制开始，以几个癌症终点的预测建模结束[10］.然而，将这些计算机辅助诊断算法应用于临床仍是不现实的。主要的困难在于定量描述组织学图像，考虑到各种成像方法和疾病特异性纹理。因此，迫切需要一种计算机辅助图像分析方法来量化血管生成的有用因素:血管面积、空间分布和密度。血管区域提取是实现这一目标的关键步骤。然而，发展稳健的血管图像自动分析算法面临许多挑战，包括血管结构和特征的广泛变化，以及由弱对比度、背景杂波和染色污染造成的血管边界缺失。

基于用于血管定量的图像分析方法，我们提出的框架包括两个主要组成部分:(1）一种使用颜色，亮度和像素强度的空间变化的图像过滤算法，以便更高效地进行视觉搜索。(2）一种图像分割算法，将从像素强度测量得到的全局特征信息融合到曲线演化和曲率流分量中。

图像滤波相对于分割方法的一个重要优点是能够提高图像分割的准确性;操作者可以更容易地区分血管区域的位置。例如，染色和扫描条件的一些变化，如图像采集协议、捕获设备属性和照明条件，可能会降低量化的准确性，使它们无法使用。

此外，血管图像的结构和形态可能比较复杂，如图所示1(一)和1 (b)．传统船舶图像分析方法[11- - - - - -13无法准确地检测出血管的位置。因此，我们提出了一种允许前景(即血管)区域易于检测的图像滤波算法。

本文提出了一种新的血管图像自动提取算法，该算法突出了血管区域，降低了非血管区域的纹理噪声。我们通过对原始图像的高斯颜色模型进行检测来提取大尺度层，利用原始颜色层的归一化颜色来提取细节层。然后，我们将原始图像的颜色层、大尺度层和细节层重新组合，生成具有两个特性的图像:显著的血管区域和均匀的背景。最后，利用亮度量化对图像进行抽象，生成视觉上重要的血管区域。

对于血管图像的量化，本文提出的图像分割算法分为两个步骤。第一步，采用基于区域的活动轮廓方法，即图划分活动轮廓(GPAC)方法，得到初步结果。GPAC将全局特征信息整合到曲线演化和曲率流分量中。由于在血管图像的GPAC分割中往往不可避免的会出现误分类，由于目标边界与背景杂波的对比度较弱，第二步利用统计强度信息进一步提高了分割精度。第二步的基本概念是使用局部自适应阈值来区分第一步形成的子船区域和背景。它减轻了子船区域内其他结构造成的干扰，同时保留或只引入了感兴趣的船舶物体的特性的可容忍的失真。

本文的其余部分组织如下：我们在第节中提出了建议的框架2，讨论从实验中获得的结果3.，最后，在部分中得出本文4．(注:这项工作的早期版本是在会议论文中提出的[14].本期刊版本通过完整理论、实验和比较的更具体示例扩展了先前的工作。）

2.材料和方法

使用了三个非小细胞肺癌细胞系，CL1-0转染，VEGF亚型189和A549。用ATCC完全培养基RPMI 1640培养，2 mM L-谷氨酰胺、1.5 g/L碳酸氢钠、4.5 g/L葡萄糖、100 U/mL青霉素g钠、100μg/mL硫酸链霉素和10%胎牛血清，在含5% CO的湿化气氛中₂在37°C的空气中冷冻切片免疫组化分析，肿瘤标本血管密度定量分析。使用抗cd31小鼠单克隆抗体(克隆MEC 13.3, PharMingen)进行分析。本文提出的启发式组织血管图像分析框架，基于图像滤波和分割算法，将在以下部分进行详细介绍。

2．1.自动免疫染色血管图像滤波算法

一种血管抽象算法[14提出了一种基于计算血管区域显著图的方法。我们的做法如下。首先，我们检测附着在物体上的染色，利用原始图像颜色层上的归一化颜色，提取血管区域的细节。该方法可以降低生物图像中由于结构变化较大而产生的纹理噪声。其次，为了保持模式分布，我们使用双边滤波平滑高斯颜色模型的第一分量，并强调尖锐的特征。因此，我们可以在保留血管区域的同时，通过重建详细的、大规模的层状图像来增强其清晰度。图中总结了整个算法的概述2．

由于图像采集的平台照明变化，执行NiBlack的自适应阈值处理以去除光偏差[15］.Niblack方法的基本概念是构建阈值表面，根据当地的平均值和标准偏差的灰度值，在每个像素周围的小邻域上以形式计算 在哪里是一个负常数。这种方法倾向于产生光照的分布。结果，光偏度通过将原始光强除以阈值面来减小。其定义的强度和颜色通道是一个线性加权的组合，,作强度估计[16]：

血管区域的强度分布是异构的，并且还杂乱地弄乱了原始图像的背景。因此，在这些图像中使用感知均匀颜色空间是必要的。我们将原始RGB图像转换为高斯颜色空间[17]使用以下内容：

对于人类颜色视觉，三个组成部分中的第一个，,的高斯颜色模型，由高斯加权谱能量分布的泰勒展开 nm and scale nm, was used as an input for large-scale calculation. The invariant(物体的反射特性，与视点、表面方向、光照方向或光照强度无关)用归一化颜色表示，得到原始图像的细节层。

获取归一化颜色后，我们使用了双边去耦程序[16将图像分解成与血管区域内的清晰细节相对应的层。双边过滤器[18]组合域和范围滤波通过用加权平均相似的像素值（重量）在像素差上）和附近（重量在空间位置上)像素值。双边滤波的目标是将感知上相似的颜色组合在一起，只保留感知上可见的边缘。给定一个图像,输出像素的双侧过滤器曾是 致正化

我们使用归一化颜色的双边滤波器组合来推断详细层。大尺度层由高斯颜色模型第一分量的双边滤波器的单个迭代得到。然后，我们使用原始图像的颜色层、大规模层和细节层的逐元素乘积重新组合图像。

为了提取上一步得到的图像中的血管区域，我们通过亮度量化对视觉显著区域建模，如下图[19]： 在哪里为伪量化像，为仓宽，垃圾箱边界最近吗,是控制从一个容器转换到另一个容器的锐度的参数。我们的方法的结果如图所示2（h） 及9．

２.２.组织图像分割算法

拟议分段方案的主要阶段如下：图划分活动轮廓(GPAC)方法[20.]；颜色空间变换与预处理;Otsu的聚类方法[21]；纵横比测试与细化;和验证。数字3.显示了拟议分段方案的概览图。

2.2.1。图划分活动轮廓方法

基于图的分割方法的主要目标是寻找亲和图的最佳划分，记为G，其中图像的每个像素都被视为一个图节点，图像像素的每个可能的成对关系表示为一个图边缘。GPAC方法[20.]是一种基于两两相似度分割的变分框架，它有一个重要的特征叫做稳定性。这意味着它通常收敛到相同的结果，尽管变化的曲线初始化和噪声。该算法在减少计算量的同时，将图像中血管区域的近似值作为局部自适应阈值的输入。

2.2.2. 颜色空间变换与预处理

血管区域的强度分布是不均匀的，原始图像的背景也是杂乱无章的。因此，在这样的图像中使用感知均匀的颜色空间是必要的。因此，我们将原始RGB图像转换为YCbCr颜色空间。由于在图像采集过程中平台照明的变化，使用空间域中的sigmoid函数增强图像对比度的过程来校正光偏移。

2.2.3。阈值选择

Otsu的方法[21]是一种基于强度估计的双峰聚类技术，用于直方图分布分析。通过最小化阈值形成的子船区域的类内方差，将第一步形成的子船区域从背景中区分出来。

2.2.4。纵横比测试和改进

派生五种不同的区域类型，如表所示1，根据他们的空间色彩模式，如图所示4．纵横比测试包括三个标准，用于区分Type 3区域与其他类型模式。以下列出了这些标准的定义。

标准1。如果候选血管区域为Type 5(即全为灰色，无白色组织)，则该区域将成为背景的一部分(即SAR = 1)，从而消除了不必要的计算。

标准2。计算每个候选船只区域的周边面积比(SAR): 其中周围组织代表候选血管区域的灰色部分，包括灰色和白色区域。

标准3。计算每个候选区域的面积图像比(AIR): 进行长宽比测试是为了识别3型模式(即半灰半白)。然后安排相对血管区域进行细化步骤程序，如图所示5．

2.2.5. 验证

我们的助手手工计算了图片中的船号;我们认为这是基本真理。我们将她的数字与自动生成的数字进行了如下比较: 其中，computer为区域号(基于自动检测的边界)，ground truth (GT)由上定义。

3.结果与讨论

3.1. 免疫染色血管图像自动滤波算法

为了用不同的复杂血管样本创建合成血管图像，我们使用了“图像类比”[22，有效地应用了标记图像的统计信息(图6(a))到一个新的未标记图像(图6(c))。具体来说，是合成血管图像(图6（d））是通过涂覆给定的血管样品（图6(b))并标明容器图像的组成部分。实验结果合成血管图像如图所示7显示非洋放区域内的过滤图像可以使用模糊提高图像分割精度- 群集聚类，如图所示8，并保存血管区域。我们应用了三类模糊- 为血管图像进行聚类，并认为第一聚类为血管像素。群集错误定义为 用模糊填充图像分割得到的二值图像在哪里-means聚类，ground truth (GT)由图中得到6(c)。

使用我们的方法的凸血管区域检测和抽象的实验结果，如图所示9，显示血管边界的清晰度增强，血管区域的细节也得到保留。例如,图10（a）显示了图中的详细图层2（a）在血管区域中具有低对比度，而背景区域具有高对比度和纹理噪声。我们提出过滤方法的结果表明，我们的方法可以增加血管区域的对比度，并降低了背景区域中的噪音，如图所示10 (b)．

在我们的实验中，如果血管区域的裕度非常薄 - 例如，当血管腔被仅少数血管壁区域包围时，如图所示10（c）-最后的抽象，如图所示10（d），就会把空腔当作背景。这个问题目前正在使用机器学习技术进行研究。在实践中，我们已经在广泛的复杂血管图像上获得了很好的提取结果，如图所示9．

3.2。组织学图像分割算法

3.2.1。计算结果

数据11（a）和11（c）显示分割结果。数据11 (b)和11 (d)显示由专家提供的标注的血管位置。如图所示11（a）右上角对比度较低的血管区域相对较难识别，而背景区域对比度和纹理噪声较高。结果表明，我们的方法可以描绘血管区域的主要部分，并且在血管腔周围有少量血管壁区域的血管区域仍然表现良好。

3.2.2。比较的结果

数字12比较了所提分割方法在不同空间色差条件下的分割结果。在某些条件下，在颜色样式与血管区域的关系方面，应用长宽比测试的结果要好得多。显然，该算法能够较好地划分血管区域。

4。结论

本文提出了一种利用原始图像的颜色、亮度和其他细节自动检测和提取血管区域的框架。目前，我们正在利用各种非监督分类来处理血管区域空洞所造成的问题，并致力于实现一种全自动、客观、基于计算机的图像分析工具，用于血管图像的量化。我们演示了实现的工具可以计算容器数量及其面积。产生的结果与人类视觉计数高度相关，由我们部门的助理进行。我们的下一步是探索各种图像纹理特征，以实现进一步量化和自动化评估血管图像。

利益冲突

提交人声明没有关于本文的出版物的利益冲突。

工具书类

1. M. N. Gurcan, L. E. Boucheron, a . Can, a . Madabhushi, N. M. rajpot, B. Yener，《组织病理学图像分析:综述》，生物医学工程IEEE评论， vol. 2, pp. 147 - 171,2009。视图:出版商的网站|谷歌学术
2. P. Belhomme, M. Oger, j - j。Michels, B. Plancoulaine，和P. Herlin，“基于体视学采样和扩散图的虚拟显微镜计算机辅助诊断系统”，诊断病理学，第6卷，增刊1，第三篇，2011年。视图:出版商的网站|谷歌学术
3. K.Weind，C.F.F.Maier，B.K.Rutt和M. Moussa，“乳腺癌的侵袭性癌和纤维肉瘤：微血管分布的比较 - 对成像方式的影响 -放射学，第208卷，第2期，第477-483页，1998年。视图:出版商的网站|谷歌学术
4. 答:S.-Y。免疫组织学定量:事实还是虚构?讨论影响结果的变量，”应用免疫组化和分子形态学，第12卷，第2期1，页1 - 7,2004。视图:谷歌学术
5. P. J. Tadrous，《病理学中数字图像分析的客观性概念》，病理，第42卷，第3期，第207-211页，2010年。视图:出版商的网站|谷歌学术
6. L. T. G. Mikalsen, H. P. Dhakal， Ø。S. Bruland等，“乳腺癌患者平均血管大小和坚固度的临床影响”，《公共科学图书馆•综合》，卷。8，不。10，物品ID E75954,2013。视图:出版商的网站|谷歌学术
7. P. Carmeliet和R. K. Jain，《癌症和其他疾病中的血管生成》自然，第407卷，第5期。2000年。视图:出版商的网站|谷歌学术
8. G. Bergers和L.E.Benjamin，“肿瘤发生和血管生成开关”自然评论癌症，第3卷，第2期。6，页401-410,2003。视图:出版商的网站|谷歌学术
9. J. Laitakari, V. Näyhä，和F. Stenbäck，“喉肿瘤发展中血管生成的大小、形状、结构和方向”，临床病理学杂志(第57卷)4，页394 - 401,2004。视图:出版商的网站|谷歌学术
10. S. Kothari, J. H. Phan, T. H. Stokes，和m.d. Wang，“全幻灯片图像定量分析的病理成像信息学”，美国医学信息学协会杂志，第20卷，第2期。6, pp. 1099-1108, 2013。视图:出版商的网站|谷歌学术
11. K. A.Vermeer，F.M. Vos，H.G.G.Lemij和A. M.Vossepoel，一种基于视网膜血管检测的模型方法，“生物与医学计算机第34卷第3期4，页209-219,2004。视图:出版商的网站|谷歌学术
12. J. J.Staal，M. D. Abramoff，M.Niemeijer，M. A. Viergever和B.Van Ginneken，“视网膜彩色图像中的基于Ridge的船只分割”，“医学成像上的IEEE交易，第23卷，第2期。4，页501-509,2004。视图:出版商的网站|谷歌学术
13. B.S.Y.Lam和H.Yan，“基于Mumford-Shah模型和骨骼化的血管提取”，年机器学习与控制论国际会议论文集，第4227-4232，大连，中国，2006年8月。视图:出版商的网站|谷歌学术
14. 学术界。祖文萃,研究。吕雅琴，袁雅琴。常,黄永发。“自动免疫染色血管图像过滤的视觉搜索效率”IEEE医学和生物工程学会（EMBC'10）年度国际会议记录，pp.5653-5656，IEEE，Buenos Aires，阿根廷，2010年8月至9月。视图:出版商的网站|谷歌学术
15. W. niblack，数字图像处理导论，Prentice Hall，Englewood Cliffs，NJ，1986年。
16. E. Eisemann和F. Durand，“闪光摄影通过内在的致敬，”美国计算机学会图形汇刊，第23卷，第2期。3，pp。673-678,2004。视图:出版商的网站|谷歌学术
17. 人类。Geusebroek, R. van den Boomgaard, A. W. M. Smeulders, H. Geerts，《颜色不变性》，图案分析和机器智能的IEEE交易，第23卷，第2期。12，页1338 - 1350,2001。视图:出版商的网站|谷歌学术
18. C.Tomasi和R.Manduchi，“灰度和彩色图像的双边滤波”，年IEEE第6届计算机愿景会议的诉讼程序，第839-846页，IEEE, 1998年1月。视图:谷歌学术
19. H. Winnemoeller, S. C. Olsen，和B. Gooch，《实时视频抽象》，美国计算机学会图形汇刊，第25卷，第3期，第1221-12262006页。视图:出版商的网站|谷歌学术
20. B. Sumengen和B. S. Manjunath，“用于图像分割的图形分割活动轮廓(GPAC)”，图案分析和机器智能的IEEE交易第28卷第2期4，页509-521,2006。视图:出版商的网站|谷歌学术
21. N.OTSU，“灰级直方图的阈值选择方法”，IEEE系统、人与控制论汇刊，卷。9，不。1，pp。62-66,1979。视图:出版商的网站|谷歌学术
22. A. Hertzmann，C. E. Jacobs，N. Oliver，B.无崎和D. H. Salesin，Image类别，“第28届计算机图形与交互技术年会论文集，第327-340页，ACM，美国加州洛杉矶，2001年8月。视图:出版商的网站|谷歌学术

版权

版权所有©2015 cchi - hsuan Tsou et al。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。