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)Hminima的改進(jìn)分水嶺堆疊細(xì)胞分割方法，該方法利用h值Hminima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， SEKULSKANALEWAJKO J， ANIOL P. A segmentation method for microscope images of BY2 tobacco cells in suspension cultures［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010,10(4):1921960.

　?。?］ 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)Hminima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 regionscalable fitting energy for image segmentation［J］.IEEE Transactions on Image Processing, 2008, 17(10): 1940-1949.