張?zhí)m鳳 劉瑞珍

(贛南醫(yī)學(xué)院 解剖學(xué)教研室，江西 贛州341000)

0 引言

現(xiàn)在，隨著計算機及其相關(guān)技術(shù)的迅速的發(fā)展，圖像處理在醫(yī)學(xué)中應(yīng)用越來越廣泛如MRI圖像、CT圖像、PET圖像、SPECT圖像、病理學(xué)以及細(xì)胞學(xué)所應(yīng)用的顯微醫(yī)學(xué)圖像或細(xì)胞圖像[1]。圖像處理應(yīng)用于病理診斷可以提高診斷質(zhì)量，而免疫組化作為常規(guī)病理方法很難判斷的腫瘤的性質(zhì)分期的輔助方法，對于診斷結(jié)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(jié)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(jié)果的判定。應(yīng)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(zhǔn)確分析彩色圖像中不同的區(qū)域，圖像分割是關(guān)鍵的一步，其結(jié)果影響后續(xù)定量檢測的準(zhǔn)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(qū)域并對感興趣的目標(biāo)提取出來。圖像分割是圖像處理的最關(guān)鍵步驟，也是進一步進行圖像理解的基礎(chǔ)，分割的好壞直接影響到后續(xù)圖像處理的結(jié)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(jié)果，常常采用綜合的方法才能進行圖像的分割?？v觀國內(nèi)外有關(guān)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(biāo)準(zhǔn)。很多文獻中提到的免疫組化圖像的分割一般是利用細(xì)胞圖像特有的統(tǒng)計特性、圖像中細(xì)胞及細(xì)胞的輪廓、邊緣和紋理等視覺特性進行分割，傳統(tǒng)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(qū)域的分割方法三類，此外還有一些結(jié)合特殊技術(shù)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(biāo)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(qū)域。主要包括有全局閾值法、雙閾值法、自適應(yīng)閾值分割法、多尺度閾值法等[4]。因為閾值法算法簡單、穩(wěn)定性好，得到了廣泛的應(yīng)用，但是由于它的分割效果和所選取的閾值有很大的關(guān)系，所以如何確定閾值成為此類方法的關(guān)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(yīng)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(qū)域的分割方法

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

1.2.1 區(qū)域生長，它的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成一個區(qū)域。將這些新的像素當(dāng)作新的種子像素繼續(xù)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(qū)域生長，一個區(qū)域就長成了。

1.2.2 分裂-合并分割法：分裂－合并分割法是區(qū)域生長的逆過程，它從整個圖像出發(fā)，不斷分裂得到多個子區(qū)域，然后再把子區(qū)域合并，實現(xiàn)目標(biāo)提取。典型的分割技術(shù)是以圖像四叉樹或金字塔作為基本數(shù)據(jù)結(jié)構(gòu)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(shù)學(xué)形、態(tài)學(xué)法；基于代價函數(shù)法；基于邊緣流法[5]。這些方法不依賴于已處理像素的結(jié)果，其缺點是對噪聲很敏感，而且當(dāng)邊緣像素值變化不明顯的時候容易產(chǎn)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(jié)合特殊技術(shù)的分割方法：包括數(shù)學(xué)形態(tài)學(xué)、小波變換、遺傳算法等引入到圖像分割算法的改進，新技術(shù)的運用也就大大發(fā)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(biāo)號的樣本分成內(nèi)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(shù)據(jù)的內(nèi)在結(jié)構(gòu)，它的內(nèi)容包括統(tǒng)計學(xué)、生物學(xué)、以及機器學(xué)習(xí)等很多的研究領(lǐng)域，并在模式識別、數(shù)據(jù)分析和挖掘、圖像處理等領(lǐng)域獲得了廣泛的應(yīng)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(wǎng)格的方法和基于模型的方法。

2 結(jié)束語

隨著計算機及其相關(guān)技術(shù)的迅速的發(fā)展及圖形圖像技術(shù)的日漸成熟，計算機圖像處理技術(shù)和免疫組化分析方法相結(jié)合推動免疫組化研究由定性向定量的發(fā)展，使更科學(xué)，更準(zhǔn)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(xì)胞組織結(jié)構(gòu)的變化，對疾病的診斷、細(xì)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(nèi)醫(yī)學(xué)圖像處理技術(shù)的最新動態(tài)[J].電子科技大學(xué)，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(xué)報，2005，10(1)：1-10.

［3］馮進功.基于數(shù)學(xué)形態(tài)學(xué)的醫(yī)學(xué)圖像處理研究[D].哈爾濱：黑龍江大學(xué)，2009：3－5.

［4］韓思奇，王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù)，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(shù)學(xué)形態(tài)學(xué)的細(xì)胞圖像分割[J].內(nèi)蒙古師范大學(xué)，2007：46-48.

［7］J Hart J,Kamber M.挖掘概念與技術(shù)[M].范明，孟小峰，等，譯.北京：機械工業(yè)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(xué)技術(shù)[M].北京：北京大學(xué)醫(yī)學(xué)出版社，2006：394.