圖像處理在免疫組化中的圖像分割法

張蘭鳳 劉瑞珍

(贛南醫學院 解剖學教研室，江西 贛州341000)

0 引言

現在，隨著計算機及其相關技術的迅速的發展，圖像處理在醫學中應用越來越廣泛如MRI圖像、CT圖像、PET圖像、SPECT圖像、病理學以及細胞學所應用的顯微醫學圖像或細胞圖像[1]。圖像處理應用于病理診斷可以提高診斷質量，而免疫組化作為常規病理方法很難判斷的腫瘤的性質分期的輔助方法，對于診斷結果非常重要。由于免疫組化染色需是通過病理切片的著色情況來判定結果，而人眼對相同強度單色光的主觀感覺不同，必將會影響對結果的判定。應用計算機進行圖像處理，則可避免這種主觀感覺的偏差。

1 在免疫組化中的圖像分割法

通過圖像處理免疫組化彩色圖像，為了準確分析彩色圖像中不同的區域，圖像分割是關鍵的一步，其結果影響后續定量檢測的準確度測的精度[2]。圖像分割是指把圖像分成各具獨特的特征的區域并對感興趣的目標提取出來。圖像分割是圖像處理的最關鍵步驟，也是進一步進行圖像理解的基礎，分割的好壞直接影響到后續圖像處理的結果。在進行免疫組化圖像的分割時，往往采用單一的方法不能得到令人滿意的結果，常常采用綜合的方法才能進行圖像的分割。縱觀國內外有關免疫組化圖像分割的研究，免疫組化圖像的分割是一個世界性難題，沒有一種通用的圖像分割方法，也不存在一種判斷是否分割成功的客觀標準。很多文獻中提到的免疫組化圖像的分割一般是利用細胞圖像特有的統計特性、圖像中細胞及細胞的輪廓、邊緣和紋理等視覺特性進行分割，傳統的分割方法可包括基于閾值的分割方法、基于邊緣檢測的方法及基于區域的分割方法三類，此外還有一些結合特殊技術的分割方法[3]。

1.1 基于閾值的分割方法

將被處理圖像看作由一些亮度目標和與其分離良好的背景組成，用簡單的閾值將圖像分割成兩個區域。主要包括有全局閾值法、雙閾值法、自適應閾值分割法、多尺度閾值法等[4]。因為閾值法算法簡單、穩定性好，得到了廣泛的應用，但是由于它的分割效果和所選取的閾值有很大的關系，所以如何確定閾值成為此類方法的關鍵所在。目前有許多新的方法如模糊理論、遺傳算法在圖像理論中的應用，如Kittle J等人的極大化模糊度散度來進行閾值的選取；Huang LK等人的極小化某種模糊測度決定灰度閾值的方法；盛國芳提出了基于遺傳算法的最佳熵閾值的分割方法。

1.2 基于區域的分割方法

依據區域內部的均勻性，通過對其區域的合并、分裂及合并與分裂相結合的操作來實現圖像的分割。基于區域的方法主要包括有區域生長法和分裂－合并分割法兩種。

1.2.1 區域生長，它的基本思想是將具有相似性質的像素集合起來構成一個區域。將這些新的像素當作新的種子像素繼續進行上面的過程，直到再也沒有滿足條件的像素可被包括進來，通過區域生長，一個區域就長成了。

1.2.2 分裂-合并分割法：分裂－合并分割法是區域生長的逆過程，它從整個圖像出發，不斷分裂得到多個子區域，然后再把子區域合并，實現目標提取。典型的分割技術是以圖像四叉樹或金字塔作為基本數據結構的分裂.合并方法。

1.3 基于邊緣檢測的分割方法：多為分為五類：基于像素屬性法；基于變形模板法；基于數學形、態學法；基于代價函數法；基于邊緣流法[5]。這些方法不依賴于已處理像素的結果，其缺點是對噪聲很敏感，而且當邊緣像素值變化不明顯的時候容易產生假邊界或不連接的邊界，而且易受偽輪廓或邊界空白的干擾，不能保證得到閉合連通的邊界[6]。

1.4 結合特殊技術的分割方法：包括數學形態學、小波變換、遺傳算法等引入到圖像分割算法的改進，新技術的運用也就大大發展了分割算法。

1.5 基于C－均值聚類算法的免疫組化彩色圖像分割方法

聚類是將一組給定的未知類標號的樣本分成內在的多個類別，使得同一類中的樣本具有較高的相似度，而不同類中的樣本差別大[7]。聚類分析是揭示和刻畫數據的內在結構，它的內容包括統計學、生物學、以及機器學習等很多的研究領域，并在模式識別、數據分析和挖掘、圖像處理等領域獲得了廣泛的應用。常用的聚類方法可分為如下幾類：劃分方法，層次聚類方法，基于密度的方法，基于網格的方法和基于模型的方法。

2 結束語

隨著計算機及其相關技術的迅速的發展及圖形圖像技術的日漸成熟，計算機圖像處理技術和免疫組化分析方法相結合推動免疫組化研究由定性向定量的發展，使更科學，更準確[9]。因此，選擇一個適合的分割法對免疫組化圖像進行處理，有利于判斷和確定細胞組織結構的變化，對疾病的診斷、細胞信息的定量分析等研究具有重要的意義。

［1］田婭，饒妮妮，蒲立新.國內醫學圖像處理技術的最新動態[J].電子科技大學，2002：485-489.

［2］開顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述[J].中國圖像圖形學報，2005，10(1)：1-10.

［3］馮進功.基于數學形態學的醫學圖像處理研究[D].哈爾濱：黑龍江大學，2009：3－5.

［4］韓思奇，王蕾.圖像分割的閾值法綜述[J].系統工程與電子技術，2002，4(6)：91-102.

［5］Milan Sonka,Vaclav Hlavac，Roger Boyle.Image Processing，analysis and Machine Vision[M].2003：39-40.

［6］姜紅軍.基于數學形態學的細胞圖像分割[J].內蒙古師范大學，2007：46-48.

［7］J Hart J,Kamber M.挖掘概念與技術[M].范明，孟小峰，等，譯.北京：機械工業出版社，2006：185-217.

［8］MJ Symons.Approximate clustering criteria and multivariate normal mixtures[J].Biometrics，1981，37：35-43.

［9］周庚寅.組織病理學技術[M].北京：北京大學醫學出版社，2006：394.