邱立英,林麗群

　?。ǜＶ荽髮W 物理與信息工程學院，福建 福州 350116）

       摘要：針對醫(yī)學中血細胞圖像研究中粘連細胞難以分割的問題，提出一種基于主凹點檢測的分割算法。通過濾波預處理去除圖像的噪聲以改善圖像質(zhì)量，基于改進的活動輪廓模型初步提取細胞輪廓，通過尋找主凹點的方法準確定位粘連細胞凹點位置，標記并融合細胞圖像輪廓、粘連形狀等特性，實現(xiàn)粘連細胞分離。實驗結(jié)果表明，該方法具有很好的分割準確度和完整度，且該算法具有普適性。

　　關鍵詞：血細胞圖像；粘連細胞分割；活動輪廓模型；凹點檢測

　　中圖分類號：TP391.4文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.07.013

　　引用格式：邱立英,林麗群.基于主凹點檢測的血細胞圖像去粘連分割算法研究［J］.微型機與應用，2017,36（7）：43-45.

0引言

　　隨著計算機模式識別技術及人工智能研究的不斷發(fā)展，計算機在醫(yī)學圖像處理中發(fā)揮了越來越重要的作用，它為準確、方便、定性、定量地識別不同類型的血細胞提供了新的手段，使得圖像分析逐步成為細胞學定量分析研究的有力工具。由于染色條件、涂片制備、圖像來源、采樣光照條件的差異以及細胞間相互重疊、粘連情況的發(fā)生，使得對血細胞的計數(shù)和識別等后續(xù)分析變得困難。

　　細胞圖像分割是近年研究的熱點，隨著國內(nèi)外學者的不斷研究，已經(jīng)涌現(xiàn)了多種多樣的細胞分割方法。當細胞無粘連各自獨立時，直接簡單有效的分割方法有邊緣檢測算法（Sobel、Canny、Prewitt等）、區(qū)域增長分割算法和閾值分割算法。文獻［1］為了更加準確地區(qū)分顯微細胞圖像的細胞漿、細胞核及它的背景區(qū)域，采用了多閾值分割的算法。文獻［2］結(jié)合了分水嶺法、K均值聚類和區(qū)域增強的方法對細胞圖像進行分割并檢測其邊緣。方紅萍等人［3］提出了一種基于自適應Hminima的改進分水嶺堆疊細胞分割方法，該方法利用h值Hminima變換抑制種子噪聲，然后基于形狀先驗定義圓度指標FuzzyR自適應提取堆疊區(qū)域最優(yōu)h值，實現(xiàn)正確分割。王鑫等人［4］提出一種新的基于數(shù)學形態(tài)學運算的迭代腐蝕方法，算法的創(chuàng)新點之一在于為了保證整個迭代腐蝕過程，細胞種子點不會被錯誤地腐蝕掉，該算法能較好地解決距離變換方法中的過分割問題以及改善極限腐蝕方法中的欠分割問題。在凹點檢測領域，吳宇翔［5］等人提出以模糊聚類方法來分割醫(yī)學圖像。文獻［6］提出基于距離地形圖分水嶺變換分離粘連細胞。方艷紅等［7］人為實現(xiàn)連續(xù)腹腔影像圖像分割的實時性和準確性,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)劣勢以及血細胞圖像形態(tài)特征等，提出了一種基于主動輪廓模型和主凹點檢測相結(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立的區(qū)域。Kichenassamy［8］將該類問題轉(zhuǎn)換成公式表示，并提出了能量函數(shù)F1表達式：

　　其中,u是原始圖像的近似，|u|是u的梯度，μ和ν是兩個相關系數(shù)，根據(jù)公式要得到這個函數(shù)的極小值是很困難的。Tony［9］為了解決Kichenassamy的問題提出了特殊情況下的活動輪廓能量函數(shù)F2，當u在式(1)中是一個分段常數(shù)函數(shù)時，有：

　　Chan和Vese［10］提出了分段函數(shù)F3以減小計算量，把能量函數(shù)分成4部分的和：

　　這里C1和C2是兩個水平集函數(shù)，而c=(c11,c10,c01,c00)是一個常數(shù)向量，每一個元素代表對應每個區(qū)域的強度近似值。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細胞分割輪廓模型

　　在細胞分割中，可以利用細胞的結(jié)構來構造主動輪廓模型的能量函數(shù)，本文在式(4)、式(5)的基礎上，提出了新的能量函數(shù)F：

　　式(6)中，C1是細胞質(zhì)和背景的邊界，C2是細胞質(zhì)和細胞核的邊界，IG是原圖像與梯度圖像的合成圖像，f1和f2分別代表細胞質(zhì)、細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。在算法實現(xiàn)過程中，可以將整個流程變?yōu)橄冗M行濾波再進行水平集演化的分割過程。

2細分割

　　2.1粘連細胞判斷

　　細胞粘連的情況大體可分為三類:并聯(lián)、串聯(lián)和串并聯(lián)。如圖1所示。

　　如何判斷圖像中細胞有沒有存在粘連情況是分離粘連細胞的基礎。本文提出一種基于形狀因子的判別方法來判斷細胞有沒有存在粘連情況。在粘連的區(qū)域會產(chǎn)生深淺不一的凹面，形狀因子可以用來定義細胞輪廓的復雜程度，公式為：

　　PE=4Aπ/C(7)

　　式中，C是物體的周長，A是物體的面積。形狀因子的取值范圍是0<PE≤1。當物體接近圓形時，物體的形狀因子接近于1，當物體的形狀是狹長類型，PE的值就會趨近于0。

　　2.2主凹點檢測

　　細胞圖像一般表現(xiàn)為凹圖形的特征。本文算法的基本原理是：首先搜索出細胞邊緣所有的局部凹點，接著根據(jù)凹面區(qū)域的類別對局部凹點進行分類，通常一個凹面區(qū)域?qū)粋€局部凹點類，最后從局部凹點類中確定中間的點作為此凹陷區(qū)域的主凹點。

　　具體實現(xiàn)步驟如下：

　　(1)選取細胞邊緣上的一個點pj；

　　(2)判斷其是J（水平）方向變化的像素點還是I（豎直）方向變化的像素點；

　　(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點pj+1或pj-1，若沒有相鄰點，返回步驟（1）；

　　(4)判斷是否搜索到第h點，若沒有，再以pj+1或pj-1為起點，返回執(zhí)行步驟(2)，若已搜索到第h點，執(zhí)行步驟(5)；

　　(5)連接點pj+h和pj-h，計算直線在粘連細胞外部比例，若大于等于60%，則pj為凹點，否則pj不是凹點；

　　(6)判斷是否遍歷邊緣的所有像素點，若是，結(jié)束；否則返回步驟(1)。

3實驗結(jié)果

　　圖2展示的是本文處理血細胞圖像的整個步驟。圖3給出了本文與傳統(tǒng)分割算法的對比圖。從圖中可以很直觀地看出，本文算法擁有更好的分割效果。分割準確率可由如下兩個統(tǒng)計量：靈敏度(sensitivity，SS)和特異度(specificity，SC)來評估，實驗數(shù)據(jù)顯示，平均值SS=0.894，SC=0.901。

4結(jié)論

　　本文基于主凹點檢測的方法，結(jié)合活動輪廓模型，實現(xiàn)了對血細胞圖像的分割，最終的分割結(jié)果在保證準確分割的同時，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)學圖像更深入的分割與分析提供了條件。

參考文獻

　?。?］ 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.

　　［2］ 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.

　?。?］ 方紅萍, 方康玲,劉新海. 自適應Hminima的改進分水嶺堆疊細胞分割算法［J］. 計算機應用研究， 2016,33(5):1587-1590.

　?。?］ 王鑫,胡洋洋,楊慧中. 基于迭代腐蝕的粘連細胞圖像分割研究［J］. 南京理工大學學報，2016，40（3）：285-289.

　?。?］ 吳宇翔,龔濤,梁文宇.基于改進的免疫模糊聚類方法的醫(yī)學圖像分割［J］.微型機與應用,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］.電子技術應用,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.