图像处理在免疫组化中的图像分割法

张兰凤 刘瑞珍

(赣南医学院 解剖学教研室，江西 赣州341000)

0 引言

现在，随着计算机及其相关技术的迅速的发展，图像处理在医学中应用越来越广泛如MRI图像、CT图像、PET图像、SPECT图像、病理学以及细胞学所应用的显微医学图像或细胞图像[1]。图像处理应用于病理诊断可以提高诊断质量，而免疫组化作为常规病理方法很难判断的肿瘤的性质分期的辅助方法，对于诊断结果非常重要。由于免疫组化染色需是通过病理切片的着色情况来判定结果，而人眼对相同强度单色光的主观感觉不同，必将会影响对结果的判定。应用计算机进行图像处理，则可避免这种主观感觉的偏差。

1 在免疫组化中的图像分割法

通过图像处理免疫组化彩色图像，为了准确分析彩色图像中不同的区域，图像分割是关键的一步，其结果影响后续定量检测的准确度测的精度[2]。图像分割是指把图像分成各具独特的特征的区域并对感兴趣的目标提取出来。图像分割是图像处理的最关键步骤，也是进一步进行图像理解的基础，分割的好坏直接影响到后续图像处理的结果。在进行免疫组化图像的分割时，往往采用单一的方法不能得到令人满意的结果，常常采用综合的方法才能进行图像的分割。纵观国内外有关免疫组化图像分割的研究，免疫组化图像的分割是一个世界性难题，没有一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。很多文献中提到的免疫组化图像的分割一般是利用细胞图像特有的统计特性、图像中细胞及细胞的轮廓、边缘和纹理等视觉特性进行分割，传统的分割方法可包括基于阈值的分割方法、基于边缘检测的方法及基于区域的分割方法三类，此外还有一些结合特殊技术的分割方法[3]。

1.1 基于阈值的分割方法

将被处理图像看作由一些亮度目标和与其分离良好的背景组成，用简单的阈值将图像分割成两个区域。主要包括有全局阈值法、双阈值法、自适应阈值分割法、多尺度阈值法等[4]。因为阈值法算法简单、稳定性好，得到了广泛的应用，但是由于它的分割效果和所选取的阈值有很大的关系，所以如何确定阈值成为此类方法的关键所在。目前有许多新的方法如模糊理论、遗传算法在图像理论中的应用，如Kittle J等人的极大化模糊度散度来进行阈值的选取；Huang LK等人的极小化某种模糊测度决定灰度阈值的方法；盛国芳提出了基于遗传算法的最佳熵阈值的分割方法。

1.2 基于区域的分割方法

依据区域内部的均匀性，通过对其区域的合并、分裂及合并与分裂相结合的操作来实现图像的分割。基于区域的方法主要包括有区域生长法和分裂－合并分割法两种。

1.2.1 区域生长，它的基本思想是将具有相似性质的像素集合起来构成一个区域。将这些新的像素当作新的种子像素继续进行上面的过程，直到再也没有满足条件的像素可被包括进来，通过区域生长，一个区域就长成了。

1.2.2 分裂-合并分割法：分裂－合并分割法是区域生长的逆过程，它从整个图像出发，不断分裂得到多个子区域，然后再把子区域合并，实现目标提取。典型的分割技术是以图像四叉树或金字塔作为基本数据结构的分裂.合并方法。

1.3 基于边缘检测的分割方法：多为分为五类：基于像素属性法；基于变形模板法；基于数学形、态学法；基于代价函数法；基于边缘流法[5]。这些方法不依赖于已处理像素的结果，其缺点是对噪声很敏感，而且当边缘像素值变化不明显的时候容易产生假边界或不连接的边界，而且易受伪轮廓或边界空白的干扰，不能保证得到闭合连通的边界[6]。

1.4 结合特殊技术的分割方法：包括数学形态学、小波变换、遗传算法等引入到图像分割算法的改进，新技术的运用也就大大发展了分割算法。

1.5 基于C－均值聚类算法的免疫组化彩色图像分割方法

聚类是将一组给定的未知类标号的样本分成内在的多个类别，使得同一类中的样本具有较高的相似度，而不同类中的样本差别大[7]。聚类分析是揭示和刻画数据的内在结构，它的内容包括统计学、生物学、以及机器学习等很多的研究领域，并在模式识别、数据分析和挖掘、图像处理等领域获得了广泛的应用。常用的聚类方法可分为如下几类：划分方法，层次聚类方法，基于密度的方法，基于网格的方法和基于模型的方法。

2 结束语

随着计算机及其相关技术的迅速的发展及图形图像技术的日渐成熟，计算机图像处理技术和免疫组化分析方法相结合推动免疫组化研究由定性向定量的发展，使更科学，更准确[9]。因此，选择一个适合的分割法对免疫组化图像进行处理，有利于判断和确定细胞组织结构的变化，对疾病的诊断、细胞信息的定量分析等研究具有重要的意义。

［1］田娅，饶妮妮，蒲立新.国内医学图像处理技术的最新动态[J].电子科技大学，2002：485-489.

［2］开颜，吴军辉，徐立鸿.彩色图像分割方法综述[J].中国图像图形学报，2005，10(1)：1-10.

［3］冯进功.基于数学形态学的医学图像处理研究[D].哈尔滨：黑龙江大学，2009：3－5.

［4］韩思奇，王蕾.图像分割的阈值法综述[J].系统工程与电子技术，2002，4(6)：91-102.

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

［6］姜红军.基于数学形态学的细胞图像分割[J].内蒙古师范大学，2007：46-48.

［7］J Hart J,Kamber M.挖掘概念与技术[M].范明，孟小峰，等，译.北京：机械工业出版社，2006：185-217.

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

［9］周庚寅.组织病理学技术[M].北京：北京大学医学出版社，2006：394.