肿瘤病理图像数字化分析系统的研究进展
http://www.100md.com
中华中西医药杂志 2003年5月 第4卷第10期
【文献标识码】 A 【文章编号】 1606-8106(2003)10-1490-03
近年肿瘤的发病率逐年上升，其治疗效果取决于肿瘤的早期发现和早期治疗。长期以来，肿瘤细胞的病理诊断主要依靠肿瘤细胞的形态特点及诊断医生的经验进行分析所得。如何能快速和准确的进行肿瘤病理诊断，一直是研究者试图解决的问题。随着计算机技术的快速发展，肿瘤细胞的快速准确的病理诊断成为可能，其思路是通过对显微镜图像和信息进行计算机智能化处理后，借助计算机技术，可以对图像的像素点进行分析 [1，2] 、计算、处理，得出相关的完整数据，为诊断提供更客观的信息并为病理诊断提供客观依据。本文就肿瘤病理图像数字化分析进展综述如下。
1 图像分析系统的硬件组成
由图像信号输入和数字信号处理两部分构成[3] ，如图1所示。
, http://www.100md.com
图1 图像分析系统方框图(略)
1.1 信号输入部分 通过显微镜或其它输入设备将图像读入，读取后的光学信号通过CCD变为电子信号，通过模数转换后成为数字信号，送入计算机进行处理。
1.2 数字信号处理部分 进入计算机的数字信号由软件进行处理，其工作过程大致如下。(1)采样:将一连续的分布信号读入，离散成点阵和辉度值二进制位，以字节格式存储在计算机的外存储器中，之后全部由软件进行处理。(2)锐化与增强:由于颜色的分布是不均匀的，有些图像是模糊的且影响边缘，可以对其频率成分进行增强，消除模糊因素，使轮廓分明。(3)分割与提取:图像是利用其特征进行分割提取的，有纹理特征、颜色特征、形态特征。(4)测量:将分割后的图像进行各种参数的测量，集中进行统计处理。因此，主要取决于高清晰摄像头，以避免采集过程中的图像信息损失。
2 图像分析软件的进展
, 百拇医药
自20世纪80年代第一代细胞图像分析软件出现，图像色彩模式已走过从黑白图像分析到真彩色分析几个阶段。
2.1 黑白图像分析 自计算机出现以来，采用像素点进行图像处理的方法，由金属材料方面分析逐渐进入医学领域。最有代表性的是德国出品的VIDAS系列分析系统，其主机为s386PC机，其硬件包括:万能显微镜、翻排架、宏控制台、摄像装置(CCD)、微型计算机。软件包括:DOS操作系统，VIDAS21图像采集软件、处理软件、测量软件、统计软件。
2.2 伪彩色分析这是一款短命的分析系统，基于计算机CPU运算速度发展到486阶段而出现的，所谓伪彩色图像处理(或假彩色图像增强)，是用各种不同的颜色来代表图像的不同灰度，变黑白图像为彩色图像，从而使观察能从图像中取得更多的信息。这种假彩色处理方法是密度分割假彩色显示法。
2.3 真彩色图像分析 真彩色图像是当前最为通用的显示图像模式。它由三个颜色分量构成。能够真实的反映现实中的色彩，保留了自然图像的绝大多数信息。因此被广泛采用。
, 百拇医药
3 肿瘤病理图像数字化分析 [4～6]
现在国内外可应用于病理图像数字化分析的软件繁多，但真正可应用于肿瘤病理图像数字化分析的未见。其主要原因是绝大多数的分析软件是从军事和工业领域研究转变而来，没有针对肿瘤细胞的形态特点而专门设计。因此了解肿瘤细胞的显微镜病理形态特点是至关重要的 [7] 。
3.1 肿瘤病理HE染色图像的特点 苏木素-伊红是一种非常简单而有效的细胞染色方法，它依照组织的嫌色法、嗜酸性、嗜碱性将组织染色为洋红色和蓝色两种基本颜色，清晰地显示出细胞的结构特点。细胞浆和细胞核对比明，非常易于辨认区别。尤其是对细胞核的染色，可以清晰的显示细胞核的轮廓，与细胞浆边界清楚，但是细胞的界限往往不能清晰的区分。肿瘤细胞镜下图像不同于常规细胞图像，具有不规则的特点，具体表现为细胞由于具备异常增生状态而表现为组织结构和细胞形态的异型性，细胞在细胞核、浆及细胞轮廓上出现物理参数不规则及染色不均匀的表现[8] 。所以常规图像分析软件应当慎用于肿瘤图像分析。因此能否将肿瘤细胞的所有信息全部分析出来是肿瘤病理图像数字化分析的关键，其基础是解决图像软件的分 割算法问题。
, 百拇医药
3.2 图像分割算法的研究
3.2.1 现状 分割算法 [9，10] 是医学、计算机和数学领域的重要研究课题，也是一个难点和重点问题，图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，这里特性可以是灰度、颜色、纹理等，目标可以对应单个区域，也可以对应多个区域。对分割算法的评价并没有统一的标准，在某种情况下是较为理想的算法也许在其他情况下反而是最不需要的算法，反之亦然。因此，肿瘤病理图像分割算法的效果与实际应用是紧密相连的。对病理图像分割算法的要求是能够表现出肿瘤细胞的主要特征，为细胞特征自动识别及计算时提供依据。鉴于国产专业软件的发展现状，大多数国产细胞病理图像分析软件，在涉及图像分割算法时，都是采用手工选取灰度，手工分割的方法，由病理诊断医生在打开的图像上选取一点，并且赋予其假定意义(比如说，细胞核，细胞浆，或者其他间质成分)，测得其灰度值，并依据其灰度值进行简单运算以获得其他相关的像素点，将灰度相同或者相近的像素点连接、填充、平滑，即获得与其假定意义相对应的分割物体，进而做出计数测量，分析。这种图像分割方法，面向的是像素点，而并不是把细胞当成一个整体来研究，所以是不可靠的;同时对于同一图像，不同操作者也会产生不同的分割结果，即便是同一个人，每一次的操作，也不一定能得到相同的结果，即重复性差，这样使得图像的分析结果出现了较大的差异，无法形成一个统一的量化标准。因此，这样的方法对于一个成熟的图像分析系统是不可取的。究其原因，是因国内分析软件中涉及核心算法选择太简单，误差大。近年来小波分析，神经网络分类等算法的引入，明显提高了图像分析的精度，现在国际通用的IPP(IMAGE PRO PLUS)已广泛应用于共聚焦显微镜等高级图像处理系统 [11，12] 。
, 百拇医药
3.2.2 较为适合肿瘤图像分割的算法 (1)阈值化分割结合边缘检测:在细胞识别中最简单直观，代价最低的是图像阈值化分割 [13] ，阈值化分割是一种简单有效的图像分割方法，它的特点是算法设计简单，运行速度快。最常用的图像分割方法是选择一个阈值来分割图像。因此，图像分割的问题转化为阈值的选取问题。阈值选取:主要采用直方图方法从原图像的灰度分布直方图上确定阈值，包括p-分位数法和最频值法。它对目标和背景对比度反差较大图像，这种分割很有效，而且总能用封闭、连通的边界定义不交叠的区域。但阈值确定主要依赖于灰度直方图，而很少考虑图像中像素的空间位置关系，因此当背景复杂，特别在
同一背景上重叠出现若干个研究目标时，容易丧失部分边界信息，造成分割的不完整。边缘是图像是最基本的特征，是指其周围像素灰度有阶跃变化的像素集合。边缘中包含着有价值的目标边界信息，这些信息可用于图像分析、目标识别以及图像滤波。提取边缘的目的是为突出图像的边缘信息，加强图像的轮廓特征，以便于计算机的识别。基于肿瘤图像的特点，应当采用阈值化分割和边缘检测相结合的方法。(2)遗传算法:它是模拟生物学的自然遗传和进化理论的随机算法。其主要特点是群体搜索策略和群体中个体之间的信息交换，能在搜索过程中自动获取和积累有关搜索空间的知识，自动适应地控制搜索过程以求得最优解或近
, 百拇医药
似最优解。
3.2.3 分割算法结果及其评价方法 肿瘤病理图像分割算法的评价 [14] 是通过对图像分割算法性能的研究达到优化分割的目的。对评价方法提出的基本要求有:(1)通用性，即它要适用于评价不同类型的分割算法并适合各种应用领域情况。(2)定量和客观的性能评价准则，定量是指可以精确地描述算法的性能，客观是指评价摆脱了人为的因素。在评价分割技术和算法方面已提出了若干方法，归纳起来可以把它们分为两大类:一类是直接法，也就是分析法。分析法直接研究分割算法本身的原理特性，通过分析推理得到算法性能。另一类是间接法，也称实验法。实验法根据分割图像的质量间接地评价算法性能，具体就是用待评价的算法去分割图像，然后借助一定的质量量度来判断分割结果的优劣，据此得出所用的分割算法的性能。分析法评判算法只对算法本身进行分析而并不需要实现算法本身，从而评价结果只与算法本身有关。在此图像分割的目的是获得区域特征值的精确测量。因为特征值的测量总是基于分割结果的，所以测量精度直接取决于分割的质量。反过来，这个精度也反映了分割图像的质量并可以间接用来评价分割算法的性能。
, 百拇医药
总之，肿瘤病理图像数字化分析系统 [15] 要依赖于高清晰的图片采集、捕捉肿瘤细胞所有信息和完善的分析算法等几个关键部分。
参考文献
1 郑富盛.细胞形态立体计量学.北京:北京医科大学中国协和医科大学联合出版社，1990，3.
2 Chen Y，Yang J.Application of image analysis system to the study of biomedicine.Sheng Wu Yi Xue Gong Cheng Xue Za Zhi，2003，20(1):167-170.
3 Hans E，Dallas MH.Elementary sterology.Am J Anat，1998，159(4):411.
, 百拇医药
4 Liu J，Wang S，Chen X.A quantitatively pathological study on malignantameloblastomas.Hua Xi Kou Qiang Yi Xue Za Zhi，2002，20(3):187- 189.
5 Carai A，Diaz G，Santa Cruz R，et al.Computerized quantitative color analysis for histological study ofpulmonary fibrosis.Anticancer Res，2002，22(6C):3889-3894.
6 Luo B，Gui L，Pang Y，et al.The pathology and DNA quantitative study of renal clear cell carcinoma in children.Zhonghua Bing Li Xue Za Zhi，2001，30(3):188-190.
, http://www.100md.com
7 Walker DC，Brown BH，Blackett AD，et al.A study of the morphological parameters of cervical squamous epithelium.Smallwood RHPhysiol Meas，2003，24(1):121-135.
8 Chien HF，Tseng TJ，Lin WM，et al.Quantitative pathology of cutaneous nerve terminal degeneration in the human skin.Acta Neuropathol(Berl)，2001，102(5):455-461.
9 Hans E，Dallas MH.Elementary sterology.Am J Anat，2000，159(4):411.
10 Brink AD.Thresholdingdigitimagesusingtwo-dimensionalen-tropics.Pattern Recognition，1992，25(8):803-808.
, 百拇医药
11 Nagarajan R.Intensity-based segmentation of microarry images.IEEE Trans Med Imaging，2003，22(7):882-889.
12 Kohler A，Host V，Enersen G，et al.Identification of fat，protein maˉtrix，and water/starch on microscopy images of sausages by a principal component analysis-based segmentation scheme.Scanning，2003，25(3):109-115.
13 Mizumura S，Kumita S，Cho K，et al.Development of quantitative analˉysismethod for stereotactic brain image:assessment of reduced accumuˉlation in extent and severity using anatomical segmentation.Ann Nucl Med，2003，17(4):289-295.
, 百拇医药
14 Montag M，Trendelenburg MF，Spring H.Video microscopic image proˉcessingfacilitates the evaluation of light microscopic autoradiography at high magnification.J Microsc，1988，150(Pt3):245-249.
15 Karkanis SA，Iakovidis DK，Maroulis DE，et al.Computer-aided tuˉmor detection in endoscopic video using color wavelet features.IEEE Trans Inf Technol Biomed，2003，7(3):141-152.
作者单位:1 250012山东大学齐鲁医院病理科
2 吉林省肿瘤医院
3 山东大学医学院病理学与病理生理学研究所
(编辑 曲全), http://www.100md.com(王灏)
近年肿瘤的发病率逐年上升，其治疗效果取决于肿瘤的早期发现和早期治疗。长期以来，肿瘤细胞的病理诊断主要依靠肿瘤细胞的形态特点及诊断医生的经验进行分析所得。如何能快速和准确的进行肿瘤病理诊断，一直是研究者试图解决的问题。随着计算机技术的快速发展，肿瘤细胞的快速准确的病理诊断成为可能，其思路是通过对显微镜图像和信息进行计算机智能化处理后，借助计算机技术，可以对图像的像素点进行分析 [1，2] 、计算、处理，得出相关的完整数据，为诊断提供更客观的信息并为病理诊断提供客观依据。本文就肿瘤病理图像数字化分析进展综述如下。
1 图像分析系统的硬件组成
由图像信号输入和数字信号处理两部分构成[3] ，如图1所示。
, http://www.100md.com
图1 图像分析系统方框图(略)
1.1 信号输入部分 通过显微镜或其它输入设备将图像读入，读取后的光学信号通过CCD变为电子信号，通过模数转换后成为数字信号，送入计算机进行处理。
1.2 数字信号处理部分 进入计算机的数字信号由软件进行处理，其工作过程大致如下。(1)采样:将一连续的分布信号读入，离散成点阵和辉度值二进制位，以字节格式存储在计算机的外存储器中，之后全部由软件进行处理。(2)锐化与增强:由于颜色的分布是不均匀的，有些图像是模糊的且影响边缘，可以对其频率成分进行增强，消除模糊因素，使轮廓分明。(3)分割与提取:图像是利用其特征进行分割提取的，有纹理特征、颜色特征、形态特征。(4)测量:将分割后的图像进行各种参数的测量，集中进行统计处理。因此，主要取决于高清晰摄像头，以避免采集过程中的图像信息损失。
2 图像分析软件的进展
, 百拇医药
自20世纪80年代第一代细胞图像分析软件出现，图像色彩模式已走过从黑白图像分析到真彩色分析几个阶段。
2.1 黑白图像分析 自计算机出现以来，采用像素点进行图像处理的方法，由金属材料方面分析逐渐进入医学领域。最有代表性的是德国出品的VIDAS系列分析系统，其主机为s386PC机，其硬件包括:万能显微镜、翻排架、宏控制台、摄像装置(CCD)、微型计算机。软件包括:DOS操作系统，VIDAS21图像采集软件、处理软件、测量软件、统计软件。
2.2 伪彩色分析这是一款短命的分析系统，基于计算机CPU运算速度发展到486阶段而出现的，所谓伪彩色图像处理(或假彩色图像增强)，是用各种不同的颜色来代表图像的不同灰度，变黑白图像为彩色图像，从而使观察能从图像中取得更多的信息。这种假彩色处理方法是密度分割假彩色显示法。
2.3 真彩色图像分析 真彩色图像是当前最为通用的显示图像模式。它由三个颜色分量构成。能够真实的反映现实中的色彩，保留了自然图像的绝大多数信息。因此被广泛采用。
, 百拇医药
3 肿瘤病理图像数字化分析 [4～6]
现在国内外可应用于病理图像数字化分析的软件繁多，但真正可应用于肿瘤病理图像数字化分析的未见。其主要原因是绝大多数的分析软件是从军事和工业领域研究转变而来，没有针对肿瘤细胞的形态特点而专门设计。因此了解肿瘤细胞的显微镜病理形态特点是至关重要的 [7] 。
3.1 肿瘤病理HE染色图像的特点 苏木素-伊红是一种非常简单而有效的细胞染色方法，它依照组织的嫌色法、嗜酸性、嗜碱性将组织染色为洋红色和蓝色两种基本颜色，清晰地显示出细胞的结构特点。细胞浆和细胞核对比明，非常易于辨认区别。尤其是对细胞核的染色，可以清晰的显示细胞核的轮廓，与细胞浆边界清楚，但是细胞的界限往往不能清晰的区分。肿瘤细胞镜下图像不同于常规细胞图像，具有不规则的特点，具体表现为细胞由于具备异常增生状态而表现为组织结构和细胞形态的异型性，细胞在细胞核、浆及细胞轮廓上出现物理参数不规则及染色不均匀的表现[8] 。所以常规图像分析软件应当慎用于肿瘤图像分析。因此能否将肿瘤细胞的所有信息全部分析出来是肿瘤病理图像数字化分析的关键，其基础是解决图像软件的分 割算法问题。
, 百拇医药
3.2 图像分割算法的研究
3.2.1 现状 分割算法 [9，10] 是医学、计算机和数学领域的重要研究课题，也是一个难点和重点问题，图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，这里特性可以是灰度、颜色、纹理等，目标可以对应单个区域，也可以对应多个区域。对分割算法的评价并没有统一的标准，在某种情况下是较为理想的算法也许在其他情况下反而是最不需要的算法，反之亦然。因此，肿瘤病理图像分割算法的效果与实际应用是紧密相连的。对病理图像分割算法的要求是能够表现出肿瘤细胞的主要特征，为细胞特征自动识别及计算时提供依据。鉴于国产专业软件的发展现状，大多数国产细胞病理图像分析软件，在涉及图像分割算法时，都是采用手工选取灰度，手工分割的方法，由病理诊断医生在打开的图像上选取一点，并且赋予其假定意义(比如说，细胞核，细胞浆，或者其他间质成分)，测得其灰度值，并依据其灰度值进行简单运算以获得其他相关的像素点，将灰度相同或者相近的像素点连接、填充、平滑，即获得与其假定意义相对应的分割物体，进而做出计数测量，分析。这种图像分割方法，面向的是像素点，而并不是把细胞当成一个整体来研究，所以是不可靠的;同时对于同一图像，不同操作者也会产生不同的分割结果，即便是同一个人，每一次的操作，也不一定能得到相同的结果，即重复性差，这样使得图像的分析结果出现了较大的差异，无法形成一个统一的量化标准。因此，这样的方法对于一个成熟的图像分析系统是不可取的。究其原因，是因国内分析软件中涉及核心算法选择太简单，误差大。近年来小波分析，神经网络分类等算法的引入，明显提高了图像分析的精度，现在国际通用的IPP(IMAGE PRO PLUS)已广泛应用于共聚焦显微镜等高级图像处理系统 [11，12] 。
, 百拇医药
3.2.2 较为适合肿瘤图像分割的算法 (1)阈值化分割结合边缘检测:在细胞识别中最简单直观，代价最低的是图像阈值化分割 [13] ，阈值化分割是一种简单有效的图像分割方法，它的特点是算法设计简单，运行速度快。最常用的图像分割方法是选择一个阈值来分割图像。因此，图像分割的问题转化为阈值的选取问题。阈值选取:主要采用直方图方法从原图像的灰度分布直方图上确定阈值，包括p-分位数法和最频值法。它对目标和背景对比度反差较大图像，这种分割很有效，而且总能用封闭、连通的边界定义不交叠的区域。但阈值确定主要依赖于灰度直方图，而很少考虑图像中像素的空间位置关系，因此当背景复杂，特别在
同一背景上重叠出现若干个研究目标时，容易丧失部分边界信息，造成分割的不完整。边缘是图像是最基本的特征，是指其周围像素灰度有阶跃变化的像素集合。边缘中包含着有价值的目标边界信息，这些信息可用于图像分析、目标识别以及图像滤波。提取边缘的目的是为突出图像的边缘信息，加强图像的轮廓特征，以便于计算机的识别。基于肿瘤图像的特点，应当采用阈值化分割和边缘检测相结合的方法。(2)遗传算法:它是模拟生物学的自然遗传和进化理论的随机算法。其主要特点是群体搜索策略和群体中个体之间的信息交换，能在搜索过程中自动获取和积累有关搜索空间的知识，自动适应地控制搜索过程以求得最优解或近
, 百拇医药
似最优解。
3.2.3 分割算法结果及其评价方法 肿瘤病理图像分割算法的评价 [14] 是通过对图像分割算法性能的研究达到优化分割的目的。对评价方法提出的基本要求有:(1)通用性，即它要适用于评价不同类型的分割算法并适合各种应用领域情况。(2)定量和客观的性能评价准则，定量是指可以精确地描述算法的性能，客观是指评价摆脱了人为的因素。在评价分割技术和算法方面已提出了若干方法，归纳起来可以把它们分为两大类:一类是直接法，也就是分析法。分析法直接研究分割算法本身的原理特性，通过分析推理得到算法性能。另一类是间接法，也称实验法。实验法根据分割图像的质量间接地评价算法性能，具体就是用待评价的算法去分割图像，然后借助一定的质量量度来判断分割结果的优劣，据此得出所用的分割算法的性能。分析法评判算法只对算法本身进行分析而并不需要实现算法本身，从而评价结果只与算法本身有关。在此图像分割的目的是获得区域特征值的精确测量。因为特征值的测量总是基于分割结果的，所以测量精度直接取决于分割的质量。反过来，这个精度也反映了分割图像的质量并可以间接用来评价分割算法的性能。
, 百拇医药
总之，肿瘤病理图像数字化分析系统 [15] 要依赖于高清晰的图片采集、捕捉肿瘤细胞所有信息和完善的分析算法等几个关键部分。
参考文献
1 郑富盛.细胞形态立体计量学.北京:北京医科大学中国协和医科大学联合出版社，1990，3.
2 Chen Y，Yang J.Application of image analysis system to the study of biomedicine.Sheng Wu Yi Xue Gong Cheng Xue Za Zhi，2003，20(1):167-170.
3 Hans E，Dallas MH.Elementary sterology.Am J Anat，1998，159(4):411.
, 百拇医药
4 Liu J，Wang S，Chen X.A quantitatively pathological study on malignantameloblastomas.Hua Xi Kou Qiang Yi Xue Za Zhi，2002，20(3):187- 189.
5 Carai A，Diaz G，Santa Cruz R，et al.Computerized quantitative color analysis for histological study ofpulmonary fibrosis.Anticancer Res，2002，22(6C):3889-3894.
6 Luo B，Gui L，Pang Y，et al.The pathology and DNA quantitative study of renal clear cell carcinoma in children.Zhonghua Bing Li Xue Za Zhi，2001，30(3):188-190.
, http://www.100md.com
7 Walker DC，Brown BH，Blackett AD，et al.A study of the morphological parameters of cervical squamous epithelium.Smallwood RHPhysiol Meas，2003，24(1):121-135.
8 Chien HF，Tseng TJ，Lin WM，et al.Quantitative pathology of cutaneous nerve terminal degeneration in the human skin.Acta Neuropathol(Berl)，2001，102(5):455-461.
9 Hans E，Dallas MH.Elementary sterology.Am J Anat，2000，159(4):411.
10 Brink AD.Thresholdingdigitimagesusingtwo-dimensionalen-tropics.Pattern Recognition，1992，25(8):803-808.
, 百拇医药
11 Nagarajan R.Intensity-based segmentation of microarry images.IEEE Trans Med Imaging，2003，22(7):882-889.
12 Kohler A，Host V，Enersen G，et al.Identification of fat，protein maˉtrix，and water/starch on microscopy images of sausages by a principal component analysis-based segmentation scheme.Scanning，2003，25(3):109-115.
13 Mizumura S，Kumita S，Cho K，et al.Development of quantitative analˉysismethod for stereotactic brain image:assessment of reduced accumuˉlation in extent and severity using anatomical segmentation.Ann Nucl Med，2003，17(4):289-295.
, 百拇医药
14 Montag M，Trendelenburg MF，Spring H.Video microscopic image proˉcessingfacilitates the evaluation of light microscopic autoradiography at high magnification.J Microsc，1988，150(Pt3):245-249.
15 Karkanis SA，Iakovidis DK，Maroulis DE，et al.Computer-aided tuˉmor detection in endoscopic video using color wavelet features.IEEE Trans Inf Technol Biomed，2003，7(3):141-152.
作者单位:1 250012山东大学齐鲁医院病理科
2 吉林省肿瘤医院
3 山东大学医学院病理学与病理生理学研究所
(编辑 曲全), http://www.100md.com(王灏)