MATLAB环境下基于图像处理的计算病理学图像分割（MATLAB R2021B）

本文主要是介绍MATLAB环境下基于图像处理的计算病理学图像分割（MATLAB R2021B），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

人工智能是病理学诊断和研究的重要新兴方法，其不仅可用于病理形态数据分析，还可整合免疫组化、分子检测数据和临床信息，得出综合的病理诊断报告，为患者提供预后信息和精准的药物治疗指导。计算病理学是病理学与AI、计算机视觉等信息技术交叉形成的细分研究领域，其概念形成于2014年，并迅速成为医学图像分析领域的研究热点。计算病理模型可批量化分析活检样本、突显细微的异常模式，减小观察者组内与组间差异性，并在基础研究中帮助理解疾病背后的生物学机制。

计算病理学是利用图像处理与AI技术对病理图像进行分析，以实现结构单元的识别与定量化。根据切片类型，计算病理学研究可分为组织病理图像分析、免疫组化图像分析和细胞病理图像分析。总体而言，计算病理的最终目的是通过自动图像分析技术辅助诊断、定量评估以及决策。为实现上述目的，计算病理学研究对象的粒度可从图像的单个像素到患者预后、治疗响应等宏观信息，具有不同的信息抽象程度。因此，以组织病理图像分析为例，可以将计算病理研究分为图像预处理、癌灶检测、组织学成分识别、细胞检测、分子亚型预测以及预后预测等方面，其亦可用于免疫组化图像与细胞病理图像分析。

鉴于此，提出一种基于图像处理的计算病理学图像分割方法，运行环境为MATLAB R2021B，主要内容如下：

Part 1: Handling gigapixel-sized WSIs

Create blockedImageDatastore at Specific level and Block Size

Create a blockedImage.

Inspect resolution levels

Create a blockedImageDatastore, specifying the resolution level and the blocksize.

Read all the blocks in the datastore.

Display the blocked image

Display the big image

Display the big image with grid lines indicating blocks

Part 2: Useful pre- and post-processing operations on WSIs in MATLAB

Tissue Identification

Tile Sampling

Regular grid

Overlapping patches

Random patches

Prediction Cleaning

Additional morphological operations for image post-processing

部分代码如下：

tumorImage = bim;
levelSizeInfo = table((1:length(tumorImage.Size))', ...tumorImage.Size(:,1), ...tumorImage.Size(:,2), ...tumorImage.Size(:,1)./tumorImage.Size(:,2), ...'VariableNames',["Resolution Level" "Image Width" "Image Height" "Aspect Ratio"])bls = selectBlockLocations(bim,"Levels",2,"BlockSize",[512, 512]);
bimds = blockedImageDatastore(bim, "BlockLocationSet", bls);

出图如下：