[发明专利]生物对象检测

说明书

随着数字组织病理学机器的能力增长，存在对减轻找到这样的图像中的感兴趣结构的病理学专家的负担的增加的需要。数字组织病理学图像在大小方面可以是至少若干吉字节，并且其可以包含数百万感兴趣细胞结构。已经提出用于找到这样的图像中的结构的自动化算法，诸如主动轮廓模型(ACM)。ACM算法可以具有检测具有可变的颜色或者纹理分布的图像中的区域的困难。这样的区域常常在包含细胞核的图像中被找到，因为细胞核不总是具有均匀的外观。本申请描述了识别数字组织病理学信息中的不均匀的结构(例如，细胞核)的技术。建议使用诸如形状紧密度度量的形态变量来搜索预计算的超像素信息，以识别候选对象。

技术领域

本发明总体上涉及一种被配置为识别图像信息中的生物对象的轮廓的诊断辅助系统、一种用于识别图像信息中的生物对象的轮廓的图像处理方法，并且此外涉及一种用于控制处理单元的计算机程序单元和一种计算机可读介质。

背景技术

数字病理学试图增加识别包含从人类或者动物患者取得的样本的病理学载玻片中的对象的困难过程的自动化。数字病理学是困难的，因为采集硬件中的改进已经使得在大小方面具有许多吉字节的病理学载玻片能够被记录。这样的载玻片通常包含针对医学专家的数十万或者数百万的潜在感兴趣的靶。

检测数字病理学图像中的对象的边界的一个方法是经由所谓的“种子区域”的使用。这些种子区域通常基于跟随有形态学图像处理步骤的像素强度分析。一旦初始种子区域已经在数字图像中被识别，可以搜索对象边界。这样做的典型的方法使用主动轮廓模型(ACM)。ACM可以准确地找到数字病理学图像中的对象的边界。ACM技术通过在感兴趣的潜在对象的边界上施加平滑度来运行。能量最小化函数可以被用于找到对象的最终边界。

尽管通常ACM方法可以是有用的，但是其成功取决于选择的初始种子区域的质量，以及边界的确切强度模式。对于具有“开放细胞结构”的病理学图像，ACM方法可能不总是找到正确的边界。此外，ACM不总是计算高效的，并且出于该原因可能不是针对交互式对象选择系统的好的选择。

US 2006/0050947 A1讨论了识别潜在细胞核的组织病理学评估方法。该方法使用主成分分析来导出单色图像数据，之后是Otsu阈值化，以产生二进制图像。然而，还可以改进数字病理学图像处理方法。

发明内容

根据第一方面，提供了一种被配置为识别图像信息中的生物对象的轮廓的诊断辅助系统。所述诊断系统包括：

-处理单元。

所述处理单元被配置为：接收已经被分割为超像素的图像信息；选择所述图像信息中的初始位置处的所述图像信息中的超像素初始集合；确定超像素初始集合的第一形态变量；识别所述图像信息中的另一位置处的与超像素初始集合的超像素邻近的另一超像素集合；生成超像素初始集合和另一超像素集合的并集的第二形态变量；并且如果所述第二形态变量与所述第一形态变量的比较指示所述初始集合和所述另一集合的并集具有增加的形状紧密度，则将所述图像信息中的生物对象的轮廓定义为超像素初始集合和另一超像素集合的并集的边界。

效应是生物图像信息中的轮廓检测中的改进的准确度，因为方法主要地不基于在纹理或者强度分析的基础上对超像素进行分组。例如，这在数字病理学图像中的细胞核的检测的情况下是有利的。当被包含在数字病理学图像中时，细胞核能够表现为具有定义所述细胞核的区内的可变的颜色和强度区域。ACM方法能够未能够识别细胞核的边界。因此，例如，提出的方法不取决于分组中的两个超像素是否具有不同的颜色强度。因此，根据该方法的诊断系统的应用导致具有不均匀的颜色或者纹理分布(诸如细胞核)的生物对象的边界的更准确的检测。

技术的另一效应在于，可以离线预计算超像素，其允许形状紧密度度量的高效的评价。以这种方式，可以提供计算上高效的细胞核发现算法，从而允许所述技术在移动设备(诸如例如智能电话)上在低延时的交互模式中操作。因此，图像信息中的生物对象的轮廓可以以计算上高效的方式来识别。