医学图像处理之病理图像（HE或者WSI）图像标准化方法小介绍

虽说是CSDN，但因为处理的过程中要用到病理图片，所以这里简单的介绍一下病理图像的标准化。
首先介绍一下我们的病理图像。
病理图像就是我们高中时候用的玻片在扫描仪下拍摄的高分辨率图像。具体制作过程可以参见百度。https://wenku.baidu.com/view/60b5d0fe2af90242a995e58a.html
病理图像可以帮助医生对病人做出诊断。通过病理图像，我们可以看到肿瘤细胞的具体情况。比如说有无浸润，有无淋巴结转移，分化程度如何。对肿瘤的诊断，预后，分级分期都是很有帮助的。
人工智能在病理图像的领域也有十分广泛的应用。可以用来做分割，分类，预后等。
随着人们研究的深入，病理图像的标准化变成了一个预处理的必要过程。那我们为什么要进行图像的标准化呢。
首先，病理图片的成像和很多因素有关系，制作过程，扫描的机器等都会对图像造成颜色的结构上面的不同。这种不同对人眼来说影响比较小，虽然颜色略有不同，但是还是可以分辨的。但是对于深度学习等算法来说就不太能适应这种不同。还有一个很大的原因是，也就是这种颜色和结构上的不同，使得不同机型， 不同机构甚至是不同操作员扫描出来的病理图片不能够放在一起用。
处理这种颜色差异的方法，就是颜色的标准化。叫做color normalization或者是stain normalization。原理就是将所有的图片都标准化到同一张模板图片的颜色分布上。
对于病理图片的标准化，从开始到现在大概有3种比较主流的方法。一个是灰度直方图的标准化，一个是颜色的标准化，一个是光谱的标准化。按照字面意思其实就是将所有图片都转化成模板图片灰度分布，将所有图片都转化成模板图片颜色（RGB）分布，将所有图片都转化成模板图片光谱（即染料的颜色空间，有多少种染料就有多少种颜色空间）分布。
前面两种的缺点是，灰度分布的方式要求两个图片的灰度分布都差不多，但往往图片的灰度分布差异还是挺大的，而且转化的过程中可能丢失很多结构和颜色的信息。颜色转换的方式可能会丢失结构信息，而且有监督的颜色转化算法计算量非常大。
最新的算法是一种保存结构和颜色标准化算法，属于光谱匹配的方式。他保存了图片的结构，而是标准化了颜色，并且计算量上面还是可以接受的。下面给出论文名字，论文中有matlab源码的下载链接：
Structure-Preserving Color Normalization and Sparse Stain Separation for Histological Images
但是需要说明的是，这种标准化方法只适合HE染色的病理图像，对于IHC染色的不适用。具体原因是因为染料的显色方式不同，这里不展开说明了。