一种细胞有丝分裂检测方法
【专利摘要】本发明公开了一种细胞有丝分裂检测方法，包括以下步骤：图像矩阵向量化；新矩阵的构造；矩阵低秩分解；稀疏矩阵的每一列构造新矩阵；矩阵求和；低秩分解过程迭代；矩阵与操作。本发明所公开的细胞有丝分裂检测方法，将有丝分裂细胞看作低秩表示中的稀疏部分，非有丝分裂部分看作低秩部分，和已有的基于模式识别的检测方法相比，不需要进行大量的预训练，能够非常快速的得到检测结果，并且在相同的实验条件下，能够获得更高的F-measure和Recall值。
【专利说明】—种细胞有丝分裂检测方法
【技术领域】
[0001] 本发明公开了一种细胞有丝分裂检测方法，涉及图像信息处理【技术领域】。
【背景技术】
[0002]据国家癌症中心和卫生部疾病预防控制局公布的2009年乳腺癌发病数据显示:全国肿瘤登记地区乳腺癌发病率位居女性恶性肿瘤的第I位，中国女性乳腺癌发病率在逐渐上升，目前已从五年前0.017%增加到去年0.052%，上升超过三倍。另据《2012中国肿瘤年报》显示，目前我国肿瘤的发病率为285.91/10万，平均每天每分钟有6人被诊断为恶性肿瘤，乳腺癌在全国恶性肿瘤发病率中排名第6位，其发病率呈逐年上升的趋势，并且发病年龄有年轻化的趋势。乳腺癌已成为当前社会的重大公共卫生问题。自20世纪90年代全球乳腺癌死亡率呈现出下降趋势；究其原因，一是乳腺癌筛查工作的开展，使早期病例的比例增加；二是乳腺癌综合治疗的开展，提高了疗效。乳腺癌已成为疗效最佳的实体肿瘤之
O
[0003]图1是病理医生诊断乳腺癌的流程图。在乳腺癌的诊断过程中，病理医生首先从乳腺病变区域中提取组织样本，提取的样本被制作成组织切片。切片通常由H&E(Hematoxylin&Eosin)进行着色。H&E着色是病理学家广泛使用的方法,距今已有一百多年的历史，着色的目的是显示细胞的成份，H着色使得细胞核呈现蓝色，而E着色使得细胞质和结缔组织呈现粉红色。随后病理学家运用高倍显微镜来分析这些活组织切片并根据诺丁汉评分系统(Nottingham grading system)对乳腺癌进行病理分级。
[0004]诺丁汉评分系统是由世界卫生组织推荐的乳腺癌国际评分系统。该系统综合评价了 H&E着色切片的三种形态学特征:腺小管的构成、细胞核的多形性以及有丝分裂的个数。病理医生根据以上提到的三种形态学特征的良性和恶性程度给出1-3分的打分，最后三个分值的总和(在1-9分范围内)便是该患者的诺丁汉评分系统的分值。医生最后根据该分值的高低确定相应的治疗方案。因此病理医生对三种形态学特征的准确打分非常重要。
[0005]现有的基于数字病理切片计算机辅助自动分析方法主要集中在细胞核的检测，也有部分腺小管的检测结果。对乳腺癌评级而言，有丝分裂细胞的个数是一个重要的指标。因为它对肿瘤的扩散和侵略性进行了评估。在临床实验中，病理学家对H&E着色的切片在显微镜放大的情况下人工的计算有丝分裂的个数，通常放大40倍。在40倍视角下的可见区域被称为高能量区域(high power field, HPF)。当前的病理诊断都是基于病理学家的个人经验，对于同一个切片，不同的病理学家由于经验的差别等因素对病理图像的人工分析具有差异性，即使是同一个病理学家在不同的时间段受疲劳程度以及心情好坏等的影响也会产生不同的诊断结果。针对这种情况，迫切需要一种基于图像分析的自动化分析工具(如图1中的虚线矩形框)来对数字病理学切片进行量化评估。这种量化的描述不仅能帮助临床诊断(比如减少不同的观察者或者同一个观察者在不同时间段之间的诊断差异性)，而且能够帮助病理学家理解使用某种具体诊断方法的潜在原因。此外，还能帮助研究人员理解疾病产生的生物学机理。[0006]有丝分裂细胞的检测是一个非常具有挑战性的课题。一方面，对于研究者来说缺乏足够多可利用的数据；另一方面，有丝分裂细胞本身比较小并且形状和纹理变化很大，因此很容易跟其他物体、甚至是切片获取过程中引入的噪声混淆。有丝分裂的四个主要阶段为有丝分裂前期、中期、后期和末期。在不同的阶段，细胞核的形状变化非常大。在大多数阶段，有丝分裂的细胞核和非有丝分裂的细胞核非常相似，或者是类似于其它深蓝色的点，没有经过专业训练的人很难区分它们。另一个复杂的问题是，在有丝分裂的末期，细胞核会分裂成两个深蓝色的斑点，即一个有丝分裂会有两个不同的细胞核，但它们还不是完整意义上的单个细胞。一个有丝分裂的末期被认为是一个单一的有丝分裂，不能认为是两个有丝分裂。
[0007]目前，只有少量关于有丝分裂自动检测的工作。Belien等人考虑在福尔根(Feulgen)反应着色的乳腺癌区域计算有丝分裂的次数。Schlachter等人对突光反应(fluorescence)着色的结肠直肠癌进行有丝裂检测。Roullier等人提出对免疫组化着色的乳腺癌切片进行有丝分裂细胞检测，这种着色方法能够突出具体的有丝分裂细胞，方便了检测。最近，不少学者尝试用模式识别的方法来对H&E着色的切片进行处理，以区分有丝分裂细胞和非有丝分裂细胞。Irshad等人利用形态学特征和纹理特征对每一个候选目标构造一个143维的特征集，然后用决策树分类器来对每一个目标进行分类；Tek等人结合常用的形状特征和颜色特征来描述目标，然后用级联的Adaboost对目标自动分类；这些方法对特征的选择非常敏感。针对这种情况，Malon等人提出利用卷积神经网络的方法来自动获取有效的特征表示，并将这些特征和手动设计的细胞核特征结合起来，卷积神经网络的使用从某种程度上来说减少了手动筛选样本的敏感性。以上基于模式识别的方法第一步通常需要将组织病理图像中的有丝分裂细胞和非有丝分裂细胞分割出来，然后再对每个分割块进行特征提取。然而一个合适的分割定义非常难而且费时；另一方面，要训练一个泛化能力较强的分类器，需要大量的训练样本，这对本来就稀少的数据来说具有很大的挑战性。
【发明内容】
[0008]本发明所要解决的技术问题是:针对现有技术的缺陷，提供一种细胞有丝分裂检测方法，该方法不需要进行复杂的特征提取，不需要先对图像进行分割，也不需要进行大量的预训练，只需要简单的灰度特征，使用起来非常快速方便。
[0009]本发明为解决上述技术问题采用以下技术方案:
[0010]一种细胞有丝分裂检测方法，具体包括以下步骤:
[0011]步骤1、用多光谱显微镜对有丝分裂中的细胞进行不同波段的扫描，并用不同的聚焦平面来数字化扫描得到的图片，形成图片矩阵；将扫描得到每幅图片所对应的图片矩阵分别用一个列向量来表示，该列向量的长度与原图片矩阵大小相同；
[0012]步骤2、用步骤I产生的列向量构造第一类矩阵，所述第一类矩阵的每一列分别按顺序对应步骤I中产生的每一个列向量；
[0013]步骤3、对步骤2得到的第一类矩阵进行低秩分解，分解成大小相同的低秩矩阵和稀疏矩阵；
[0014]步骤4、将步骤3得到的稀疏矩阵的每一个列向量都分别转化成相应的第二类矩阵；[0015]步骤5、对步骤4中得到的所有第二类矩阵求和，得到第三类矩阵；
[0016]步骤6、循环执行步骤I至步骤5直到完成所有波段的数据处理，得到复数个大小相同的第三类矩阵；
[0017]步骤7、对步骤6中得到的复数个第三类矩阵进行与计算，得到最终的检测结果，其中的非零部分即为有丝分裂部分。
[0018]作为本发明的进一步优选方案，步骤I中将图片矩阵转化成列向量时，像素点的个数保持不变，大小为MXN的图片应转化成长度为MXN的列向量，其中M、N分别为自然数。
[0019]作为本发明的进一步优选方案，步骤3中对矩阵进行低秩分解，所得到的低秩矩阵和稀疏矩阵其大小均与低秩分解前的原第一类矩阵的大小一致。
[0020]作为本发明的进一步优选方案，步骤3中所述低秩分解的具体计算方法如下:
[0021]D = [I1,..., In] e Rmxn表示n个连续的细胞有丝分裂病理图像，其中j ∈ n，Ij ∈ Rm表示第j幅图像，每幅图像由包含m个像素的列向量组成；矩阵D分解成低秩矩阵B e RmxIP低秩表示中的异常值S e {O, 1}mXn两部分，B为背景图像，代表非有丝分裂部分，S为前景图像，代表有丝分裂细胞；
[0022]
【权利要求】
1.一种细胞有丝分裂检测方法，其特征在于，具体包括以下步骤: 步骤1、用多光谱显微镜对有丝分裂中的细胞进行不同波段的扫描，并用不同的聚焦平面来数字化扫描得到的图片，形成图片矩阵；将扫描得到每幅图片所对应的图片矩阵分别用一个列向量来表示，该列向量的长度与原图片矩阵大小相同； 步骤2、用步骤1产生的列向量构造第一类矩阵，所述第一类矩阵的每一列分别按顺序对应步骤1中产生的每一个列向量； 步骤3、对步骤2得到的第一类矩阵进行低秩分解，分解成大小相同的低秩矩阵和稀疏矩阵； 步骤4、将步骤3得到的稀疏矩阵的每一个列向量都分别转化成相应的第二类矩阵； 步骤5、对步骤4中得到的所有第二类矩阵求和，得到第三类矩阵； 步骤6、循环执行步骤I至步骤5直到完成所有波段的数据处理，得到复数个大小相同的第三类矩阵； 步骤7、对步骤6中得到的复数个第三类矩阵进行与计算，得到最终的检测结果，其中的非零部分即为有丝分裂部分。
2.如权利要求1所述一种细胞有丝分裂检测方法，其特征在于:步骤I中将图片矩阵转化成列向量时，像素点的个数保持不变，大小为MX N的图片应转化成长度为MX N的列向量，其中M、N分别为自然数。
3.如权利要求1所述一种细胞有丝分裂检测方法，其特征在于:步骤3中对矩阵进行低秩分解，所得到的低秩矩阵和稀疏矩阵其大小均与低秩分解前的原第一类矩阵的大小一致。
4.如权利要求1所述一种细胞有丝分裂检测方法，其特征在于:步骤3中所述低秩分解的具体计算方法如下: D = [I1,..., In] e Rmxn表示η个连续的细胞有丝分裂病理图像，其中j e n, Ij e Rm表示第j幅图像，每幅图像由包含m个像素的列向量组成；矩阵D分解成低秩矩阵B e Rmxn和低秩表示中的异常值S e {O, l}mXn两部分，B为背景图像，代表非有丝分裂部分，S为前景图像，代表有丝分裂细胞；
【文档编号】G06K9/64GK103903015SQ201410105108
【公开日】2014年7月2日 申请日期:2014年3月20日 优先权日:2014年3月20日
【发明者】徐军, 刘雅 申请人:南京信息工程大学