邱立英,林麗群
?。ǜV荽髮W(xué) 物理與信息工程學(xué)院,福建 福州 350116)
摘要:針對(duì)醫(yī)學(xué)中血細(xì)胞圖像研究中粘連細(xì)胞難以分割的問(wèn)題,提出一種基于主凹點(diǎn)檢測(cè)的分割算法。通過(guò)濾波預(yù)處理去除圖像的噪聲以改善圖像質(zhì)量,基于改進(jìn)的活動(dòng)輪廓模型初步提取細(xì)胞輪廓,通過(guò)尋找主凹點(diǎn)的方法準(zhǔn)確定位粘連細(xì)胞凹點(diǎn)位置,標(biāo)記并融合細(xì)胞圖像輪廓、粘連形狀等特性,實(shí)現(xiàn)粘連細(xì)胞分離。實(shí)驗(yàn)結(jié)果表明,該方法具有很好的分割準(zhǔn)確度和完整度,且該算法具有普適性。
關(guān)鍵詞:血細(xì)胞圖像;粘連細(xì)胞分割;活動(dòng)輪廓模型;凹點(diǎn)檢測(cè)
中圖分類(lèi)號(hào):TP391.4文獻(xiàn)標(biāo)識(shí)碼:ADOI: 10.19358/j.issn.1674-7720.2017.07.013
引用格式:邱立英,林麗群.基于主凹點(diǎn)檢測(cè)的血細(xì)胞圖像去粘連分割算法研究[J].微型機(jī)與應(yīng)用,2017,36(7):43-45.
0引言
隨著計(jì)算機(jī)模式識(shí)別技術(shù)及人工智能研究的不斷發(fā)展,計(jì)算機(jī)在醫(yī)學(xué)圖像處理中發(fā)揮了越來(lái)越重要的作用,它為準(zhǔn)確、方便、定性、定量地識(shí)別不同類(lèi)型的血細(xì)胞提供了新的手段,使得圖像分析逐步成為細(xì)胞學(xué)定量分析研究的有力工具。由于染色條件、涂片制備、圖像來(lái)源、采樣光照條件的差異以及細(xì)胞間相互重疊、粘連情況的發(fā)生,使得對(duì)血細(xì)胞的計(jì)數(shù)和識(shí)別等后續(xù)分析變得困難。
細(xì)胞圖像分割是近年研究的熱點(diǎn),隨著國(guó)內(nèi)外學(xué)者的不斷研究,已經(jīng)涌現(xiàn)了多種多樣的細(xì)胞分割方法。當(dāng)細(xì)胞無(wú)粘連各自獨(dú)立時(shí),直接簡(jiǎn)單有效的分割方法有邊緣檢測(cè)算法(Sobel、Canny、Prewitt等)、區(qū)域增長(zhǎng)分割算法和閾值分割算法。文獻(xiàn)[1]為了更加準(zhǔn)確地區(qū)分顯微細(xì)胞圖像的細(xì)胞漿、細(xì)胞核及它的背景區(qū)域,采用了多閾值分割的算法。文獻(xiàn)[2]結(jié)合了分水嶺法、K均值聚類(lèi)和區(qū)域增強(qiáng)的方法對(duì)細(xì)胞圖像進(jìn)行分割并檢測(cè)其邊緣。方紅萍等人[3]提出了一種基于自適應(yīng)Hminima的改進(jìn)分水嶺堆疊細(xì)胞分割方法,該方法利用h值Hminima變換抑制種子噪聲,然后基于形狀先驗(yàn)定義圓度指標(biāo)FuzzyR自適應(yīng)提取堆疊區(qū)域最優(yōu)h值,實(shí)現(xiàn)正確分割。王鑫等人[4]提出一種新的基于數(shù)學(xué)形態(tài)學(xué)運(yùn)算的迭代腐蝕方法,算法的創(chuàng)新點(diǎn)之一在于為了保證整個(gè)迭代腐蝕過(guò)程,細(xì)胞種子點(diǎn)不會(huì)被錯(cuò)誤地腐蝕掉,該算法能較好地解決距離變換方法中的過(guò)分割問(wèn)題以及改善極限腐蝕方法中的欠分割問(wèn)題。在凹點(diǎn)檢測(cè)領(lǐng)域,吳宇翔[5]等人提出以模糊聚類(lèi)方法來(lái)分割醫(yī)學(xué)圖像。文獻(xiàn)[6]提出基于距離地形圖分水嶺變換分離粘連細(xì)胞。方艷紅等[7]人為實(shí)現(xiàn)連續(xù)腹腔影像圖像分割的實(shí)時(shí)性和準(zhǔn)確性,提出多圖像融合的水平集圖像分割模型。
本文結(jié)合以上算法的優(yōu)劣勢(shì)以及血細(xì)胞圖像形態(tài)特征等,提出了一種基于主動(dòng)輪廓模型和主凹點(diǎn)檢測(cè)相結(jié)合的算法。
1粗分割
1.1基于區(qū)域的輪廓模型
給定圖像I,需要找出其輪廓C,將圖像分割成相互獨(dú)立的區(qū)域。Kichenassamy[8]將該類(lèi)問(wèn)題轉(zhuǎn)換成公式表示,并提出了能量函數(shù)F1表達(dá)式:
其中,u是原始圖像的近似,|u|是u的梯度,μ和ν是兩個(gè)相關(guān)系數(shù),根據(jù)公式要得到這個(gè)函數(shù)的極小值是很困難的。Tony[9]為了解決Kichenassamy的問(wèn)題提出了特殊情況下的活動(dòng)輪廓能量函數(shù)F2,當(dāng)u在式(1)中是一個(gè)分段常數(shù)函數(shù)時(shí),有:
Chan和Vese[10]提出了分段函數(shù)F3以減小計(jì)算量,把能量函數(shù)分成4部分的和:
這里C1和C2是兩個(gè)水平集函數(shù),而c=(c11,c10,c01,c00)是一個(gè)常數(shù)向量,每一個(gè)元素代表對(duì)應(yīng)每個(gè)區(qū)域的強(qiáng)度近似值。為了讓模型可以有更快的處理速度,Li[10]依據(jù)F3提出了基于區(qū)域延展能量函數(shù)F4:
在式(4)中Ω1=outside(C),Ω2=inside(C),而f1(x)和f2(x)是每個(gè)區(qū)域的近似,K是核函數(shù),通常是符合高斯分布的:
1.2細(xì)胞分割輪廓模型
在細(xì)胞分割中,可以利用細(xì)胞的結(jié)構(gòu)來(lái)構(gòu)造主動(dòng)輪廓模型的能量函數(shù),本文在式(4)、式(5)的基礎(chǔ)上,提出了新的能量函數(shù)F:
式(6)中,C1是細(xì)胞質(zhì)和背景的邊界,C2是細(xì)胞質(zhì)和細(xì)胞核的邊界,IG是原圖像與梯度圖像的合成圖像,f1和f2分別代表細(xì)胞質(zhì)、細(xì)胞核原圖像的近似圖像和背景近似圖像,g1和g2是IG的近似圖像。在算法實(shí)現(xiàn)過(guò)程中,可以將整個(gè)流程變?yōu)橄冗M(jìn)行濾波再進(jìn)行水平集演化的分割過(guò)程。
2細(xì)分割
2.1粘連細(xì)胞判斷
細(xì)胞粘連的情況大體可分為三類(lèi):并聯(lián)、串聯(lián)和串并聯(lián)。如圖1所示。
如何判斷圖像中細(xì)胞有沒(méi)有存在粘連情況是分離粘連細(xì)胞的基礎(chǔ)。本文提出一種基于形狀因子的判別方法來(lái)判斷細(xì)胞有沒(méi)有存在粘連情況。在粘連的區(qū)域會(huì)產(chǎn)生深淺不一的凹面,形狀因子可以用來(lái)定義細(xì)胞輪廓的復(fù)雜程度,公式為:
PE=4Aπ/C(7)
式中,C是物體的周長(zhǎng),A是物體的面積。形狀因子的取值范圍是0<PE≤1。當(dāng)物體接近圓形時(shí),物體的形狀因子接近于1,當(dāng)物體的形狀是狹長(zhǎng)類(lèi)型,PE的值就會(huì)趨近于0。
2.2主凹點(diǎn)檢測(cè)
細(xì)胞圖像一般表現(xiàn)為凹圖形的特征。本文算法的基本原理是:首先搜索出細(xì)胞邊緣所有的局部凹點(diǎn),接著根據(jù)凹面區(qū)域的類(lèi)別對(duì)局部凹點(diǎn)進(jìn)行分類(lèi),通常一個(gè)凹面區(qū)域?qū)?yīng)一個(gè)局部凹點(diǎn)類(lèi),最后從局部凹點(diǎn)類(lèi)中確定中間的點(diǎn)作為此凹陷區(qū)域的主凹點(diǎn)。
具體實(shí)現(xiàn)步驟如下:
(1)選取細(xì)胞邊緣上的一個(gè)點(diǎn)pj;
(2)判斷其是J(水平)方向變化的像素點(diǎn)還是I(豎直)方向變化的像素點(diǎn);
(3)根據(jù)步驟(2)判斷的方向,在pj的8鄰域內(nèi)的I方向或J方向搜索與其相鄰的一個(gè)點(diǎn)pj+1或pj-1,若沒(méi)有相鄰點(diǎn),返回步驟(1);
(4)判斷是否搜索到第h點(diǎn),若沒(méi)有,再以pj+1或pj-1為起點(diǎn),返回執(zhí)行步驟(2),若已搜索到第h點(diǎn),執(zhí)行步驟(5);
(5)連接點(diǎn)pj+h和pj-h,計(jì)算直線(xiàn)在粘連細(xì)胞外部比例,若大于等于60%,則pj為凹點(diǎn),否則pj不是凹點(diǎn);
(6)判斷是否遍歷邊緣的所有像素點(diǎn),若是,結(jié)束;否則返回步驟(1)。
3實(shí)驗(yàn)結(jié)果
圖2展示的是本文處理血細(xì)胞圖像的整個(gè)步驟。圖3給出了本文與傳統(tǒng)分割算法的對(duì)比圖。從圖中可以很直觀(guān)地看出,本文算法擁有更好的分割效果。分割準(zhǔn)確率可由如下兩個(gè)統(tǒng)計(jì)量:靈敏度(sensitivity,SS)和特異度(specificity,SC)來(lái)評(píng)估,實(shí)驗(yàn)數(shù)據(jù)顯示,平均值SS=0.894,SC=0.901。
4結(jié)論
本文基于主凹點(diǎn)檢測(cè)的方法,結(jié)合活動(dòng)輪廓模型,實(shí)現(xiàn)了對(duì)血細(xì)胞圖像的分割,最終的分割結(jié)果在保證準(zhǔn)確分割的同時(shí),也證明了所使用算法的性能較傳統(tǒng)分割算法有更大的提高,為后續(xù)醫(yī)學(xué)圖像更深入的分割與分析提供了條件。
參考文獻(xiàn)
?。?] GOCLAWSKI J, SEKULSKANALEWAJKO J, ANIOL P. A segmentation method for microscope images of BY2 tobacco cells in suspension cultures[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010,10(4):1921960.
?。?] SALMAN N H. Image segmentation based on watershed and edge detection techniques[J]. The International Arab. Journal of Information Technology,2006,3(2):104-110.
[3] 方紅萍, 方康玲,劉新海. 自適應(yīng)Hminima的改進(jìn)分水嶺堆疊細(xì)胞分割算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2016,33(5):1587-1590.
[4] 王鑫,胡洋洋,楊慧中. 基于迭代腐蝕的粘連細(xì)胞圖像分割研究[J]. 南京理工大學(xué)學(xué)報(bào),2016,40(3):285-289.
[5] 吳宇翔,龔濤,梁文宇.基于改進(jìn)的免疫模糊聚類(lèi)方法的醫(yī)學(xué)圖像分割[J].微型機(jī)與應(yīng)用,2016,35(6):51-53.
?。?] CONG P S, SUN J Z. Application of watershed algorithm for segmenting overlapping cells in microscopic image[J]. Journal of Image and Graphics, 2006,11(12):1781-1784.
?。?] 方艷紅,王梁.多圖像融合的連續(xù)腹腔影像圖像分割[J].電子技術(shù)應(yīng)用,2014,40(8):126-127.
?。?] KICHENASSAMY S. Gradient flows and geometric active contour models[C]. Proceedings of 5th International Conference on Computer Vision, 1995: 810-815.
?。?] TONY C,LUMINITA V. Active contours without edges[J].IEEE Transactions on Image Processing, 2001,10(2):266-276.
?。?0] Li Chunming, KAO C Y, GORE J C, et al. Minimization of regionscalable fitting energy for image segmentation[J].IEEE Transactions on Image Processing, 2008, 17(10): 1940-1949.