陳愛斌 蕭 湘

摘要:顯微圖像定量分析已廣泛用于病理診斷、病理管理系統(tǒng)、癌變分級分類等多方面的醫(yī)學研究領(lǐng)域。細胞區(qū)分割提取是一個重要技術(shù),直接關(guān)系診斷的可靠性,也是醫(yī)學圖像處理的難題。文章對各種細胞分割方法進行了系統(tǒng)的論述,并分析了各種方法的優(yōu)缺點。

關(guān)鍵詞:細胞分割;醫(yī)學圖象;數(shù)學形態(tài)學;細胞粘連

一、緒論

所謂細胞分割是指根據(jù)灰度、彩色、幾何形狀等特征把細胞圖像劃分成若干個互不相交的區(qū)域,使得這些特征在同一區(qū)域中,表現(xiàn)出一致性或相似性,而在不同區(qū)域間表現(xiàn)出明顯的不同。細胞分割是醫(yī)學圖象處理中最為基礎(chǔ)和重要的領(lǐng)域之一,它是對細胞圖像進行識別和計數(shù)的基本前提。同時它也是一個經(jīng)典難題,到目前為止不存在一種通用且高效的分割方法能夠廣泛的應(yīng)用在細胞分割中。

二、傳統(tǒng)細胞圖像分割技術(shù)

(一)閾值分割

閾值分割是一種傳統(tǒng)的圖像分割方法,它實現(xiàn)簡單、計算量小、性能較為穩(wěn)定,尤其適合于目標和背景占據(jù)不同灰度級范圍的圖像。在很多情況下,是進行細胞分割、細胞識別之前必要的圖像預處理過程。Shirin Nasr-Isfahani等提出的一種聚堆細胞的新方法中,就是先使用組合圖像分割算法和閾值分割來提取前景對象并轉(zhuǎn)化為二值圖像的。閾值分割法的主要局限在于,最簡單形式的閾值法只能產(chǎn)生二值圖像來區(qū)分兩個類,而且它只考慮像素本身,一般都不考慮圖像的空間特性,這樣就對噪聲很敏感。

(二)基于邊緣檢測的方法

邊緣檢測的目的是標識數(shù)字圖像中亮度變化明顯的點。它可以快速準確地找到邊緣,從而通過邊緣確定區(qū)域內(nèi)的灰度或顏色信息,從而達到對圖像的快速分割。邊緣點的判定是基于所檢測點的本身和它的一些鄰近點,主要包括局部微分算子,如Roberts梯度算子、Sobel梯度算子和Canny算子等。Roberts梯度算子有利于對具有陡峭邊緣的低噪聲圖像的分割;Laplacian算子具有各向同性的特點;Prewitt梯度算子、Sobel梯度算子等有利于對具有較多噪聲且灰度漸變圖像的分割。針對不同的細胞圖像,還有許多其他不同的算子或方法來檢測這些邊緣點。如翁秀梅等人提出了一種利用相位一致性模型檢測圖像邊緣,獲得圖像主要幾何結(jié)構(gòu)的方法。而李天鋼等人將多尺度小波變換運用于胃癌細胞圖像的邊緣檢測中,解決了具有復雜紋理的醫(yī)學病理細胞圖像的分割問題。一個好的邊緣檢測算子不僅具有微分特性以獲得灰度變化信息,它還應(yīng)該能夠根據(jù)需要適合任何尺度下的邊緣檢測,因為圖像中的灰度是以不同尺度發(fā)生變化的。實驗發(fā)現(xiàn),邊緣檢測方法獲得的邊緣信息往往會因這些信息不夠突出而產(chǎn)生間隙,不能形成包圍細胞的封閉曲線,這就要求根據(jù)這些離散的邊緣點采用一定的跟蹤、連接算法勾勒出有意義的細胞邊界。

三、近年新發(fā)展細胞分割技術(shù)

近年來,研究者們?yōu)榻鉀Q上述傳統(tǒng)細胞分割中存在的問題對于各種新的細胞圖像分割算法進行了深入的研究和使用,取得了許多令人鼓舞的成果。

(一)基于領(lǐng)域的方法

基于領(lǐng)域的方法是指連接具有相同或相似性質(zhì)的鄰近像素而得到分割圖像的方法。這類方法需要一些先驗知識,如種子像素、值和各種標準來定義彩色目標邊界。其優(yōu)點是使用了空間信息和像素間的關(guān)聯(lián)。

1、區(qū)域生長和區(qū)域分裂和合并技術(shù)。翁秀梅等將代表區(qū)域分布的邊界線作為潛在的區(qū)域模型,自動獲得種子點進行區(qū)域生長來實現(xiàn)最后分割,分割結(jié)果對紋理細節(jié)有較好的魯棒性,與人類視覺系統(tǒng)判斷基本一致。饒潔利用區(qū)域增長法分割白細胞漿,從而從背景中提取白細胞的結(jié)果。趙暉、梁光明在邊緣分割的基礎(chǔ)上,利用差分算子分別求出細胞的灰度上升區(qū)域和下降區(qū)域,然后采用改進的區(qū)域增長法求出各自的區(qū)域數(shù),最后通過BP神經(jīng)網(wǎng)絡(luò)進行訓練和識別。這種方法運行速度快,識別率高,具有較好的實用價值。

2、分水嶺分割方法。Shirin Nasr-Isfahani等在選擇的分離區(qū)邊界點使用分水嶺算法來進行細胞分割。這種分割方式不需要細胞的大小、形狀和顏色都很相近,也不需要接觸點有大的差異,是一種先進的分割方法。Erlend Hodneland等提出了一個從三維熒光圖像中進行細胞分割的統(tǒng)一的整體框架。過程包括:圖像采集,預過濾,分水嶺增強,細胞分割和分割評價。結(jié)果表明,這種結(jié)合最適合的顯微鏡方法的各個細胞類型有很高的成功率。同時,用分水嶺變換和水平集模型兩種徹底不同的方法分割染色細胞,并通過實驗比較發(fā)現(xiàn),分水嶺算法由于突破了水平集地區(qū)的弱染色血漿具有更高的性能。

王兆仲、趙宇等在血細胞圖像的自適應(yīng)分割中將血細胞圖像從RGB圖像變換到HSV空間以清除圖像中不具有飽和度信息的雜質(zhì),然后利用形態(tài)學重建濾波器作濾波,在保持邊緣性質(zhì)的同時濾掉脈沖干擾,最后運用分水嶺變換完成圖像分割。通過這種方法實現(xiàn)了低質(zhì)量血細胞圖像的自適應(yīng)分割。整個方法具有很好的魯棒性,分割結(jié)果令人滿意,而且運行速度快。需要改進的地方在于如何提高低對比度圖像中目標邊緣分割的準確性。

(二)基于活動輪廓模型的方法

活動輪廓模型能將圖像數(shù)據(jù)、初始輪廓的選取、目標輪廓特征以及知識的約束條件都集成在一個特征提取過程中。近年來的大量研究表明,主動輪廓線模型具有良好的提取和跟蹤特定區(qū)域內(nèi)目標輪廓的能力,因此比較適合用在細胞圖像中。胡炯炯等人將B-Snake模型運用到細胞圖像的自動分割中,利用形態(tài)學方法初始化活動輪廓,最后通過該模型成功地解決了細胞圖像分割中細胞重疊地難題。

(三)結(jié)合特定理論工具的方法

1、基于mean shift過程的細胞圖像分割。潘晨等首先通過mean shift過程尋找RGB顏色空間中的細胞核、紅細胞和背景聚類峰,然后細胞核聚類峰和部分胞漿顏色組成正特征子集,而紅細胞和背景聚類峰附近顏色組成負特征子集,訓練一個兩分類SVM,得到的分類模型隨后對圖像的顏色空間向量分類,實現(xiàn)細胞區(qū)域整體提取。該方法對圖像顏色變化、染色條件差異等魯棒性強,無過度分割現(xiàn)象。

2、基于小波變換的方法。近年來,小波變換在細胞圖像分割中,得到廣泛應(yīng)用。萬衛(wèi)兵和施鵬飛為了適應(yīng)培養(yǎng)細胞圖像檢測,提出了一種邊緣檢測綜合算法。首先應(yīng)用小波尺度獨立邊緣檢測方法,得到簡潔的邊緣;然后采用圖像融合的方法,結(jié)合Canny和動態(tài)聚類方法得到最終的細胞分割圖。這種算法對于組織細胞的動態(tài)檢測分割具有良好的效果。

四、細胞分割中亟須解決的問題

由于細胞圖像的復雜性以及顯微圖像光照不均,目標物體本身灰度變化等問題,分割后的圖像中還會存在一些問題,主要有細胞粘連、細胞重疊、孔洞現(xiàn)象等。因此下文將分別講述針對細胞粘連、細胞重疊以及孔洞填充的具體解決方法。

(一)細胞粘連

在實際應(yīng)用中,由于切片的制作和細胞本身的分布,在顯微鏡下可能有兩個或多個細胞粘連在一起的現(xiàn)象,稱之為細胞粘連(touch-ing)。粘連細胞的分割方法現(xiàn)在大多數(shù)以數(shù)學形態(tài)學理論為基礎(chǔ)的,諸如腐蝕膨脹法,基于二值圖像流域分割法和灰度圖像的流域分割法等?；诙祱D像的粘連細胞分割大都是按以下步驟進行的:首先是在細胞的目標區(qū)域內(nèi)不斷進行腐蝕,直至分離出獨立的細胞對象核;在細胞的對象和基礎(chǔ)上進行腐蝕前細胞的重建運算,并在此過程中找出粘連細胞的分界線。細胞粘連在分割過程中常常造成分割線的不連續(xù),即得到的邊界線不是封閉曲線,部分邊緣有斷裂。一般采用邊緣連接的辦法連接斷裂部分。邊緣連接算法實際上是根據(jù)特定邊緣的特點而制定的一系列跟蹤規(guī)則,規(guī)則不同可以得出不同的跟蹤算法。

(二)細胞重疊

在實際應(yīng)用中,由于采集的細胞圖像標本制作不太均勻,在細胞圖像中經(jīng)常會出現(xiàn)細胞聚堆、重疊的現(xiàn)象,在顯微鏡下呈現(xiàn)多個細胞聚堆在一起,形成一個較大的區(qū)域,這就是細胞重疊(overlap)。細胞重疊由于閾值分割法無法將其分離,往往會將重疊細胞剔除或是簡單的將其當作單細胞進行處理,這樣對后續(xù)的細胞計數(shù)以及相關(guān)特征參數(shù)的定量分析帶來影響。目前針對這一問題,大多采用數(shù)學形態(tài)學的方法來分離細胞。孫忠林、李盛陽為消除因細胞粘連造成的細胞圖像分析困難,利用數(shù)學形態(tài)學中開運算和流域分割的方法,根據(jù)細胞的形態(tài)特征進行分割處理,將粘連的細胞群分離為單個的細胞,給出了細胞分離的設(shè)計思想及實現(xiàn),并通過實驗證明可行。傅蓉等提出了一種重疊細胞圖像自動分離的新算法。根據(jù)重疊細胞的凹凸性,從細胞重疊區(qū)域的凹區(qū)域中尋找到凹點,根據(jù)凹點數(shù)與細胞個數(shù)的關(guān)系,判斷是細胞串聯(lián)還是細胞并聯(lián):如果是串聯(lián)的情況,則直接將成對的凹點連成直線分離重疊區(qū)域;如果是并聯(lián)的情況,則將凹點與重疊區(qū)域的中心連接成直線分離重疊區(qū)域。算法簡單,效果理想,而且能基本保持原細胞的大小與形狀。

(三)孔洞現(xiàn)象

對灰度細胞圖像進行閾值分割后,由于光照及細胞本身灰度分布不均勻,在二值化后的圖像中,細胞內(nèi)部往往會產(chǎn)生孔洞,對此常用的解決辦法是使用膨脹和閉運算,對較小的孔洞,形態(tài)學操作非常有效,但是當孔洞較大時,形態(tài)學操作變得無能為力,因為孔洞較大時需要我們選擇較大的結(jié)構(gòu)模板或者多次進行操作,而多次進行形態(tài)學閉運算或者進行閉運算的模板過大會改變目標的形狀特征,如導致相鄰細胞的粘連。

五、結(jié)束語

本文對主要的細胞圖像分割方法進行了綜述,這些分割方法往往相互結(jié)合。如小波變換結(jié)合邊緣檢測等等。目前的方法大都針對特定的細胞圖像進行研究,并沒有一個成型的統(tǒng)一的細胞分割方法。新的細胞圖像分割方法應(yīng)主要以自動、精確、快速、自適應(yīng)性等作為研究目標。同時注重臨床上的應(yīng)用。隨著計算機處理能力的提高和人們對細胞分割方法研究的深入、新理論在細胞分割領(lǐng)域中的嘗試應(yīng)用,細胞分割的方法會更多更成熟,也必將有更廣闊的應(yīng)用前景。

參考文獻:

1、章毓晉.圖像分割[M].科學出版社,2001.

2、翁秀梅,肖志濤,楊洪薇.基于邊緣檢測和區(qū)域生長的自然彩色圖像分割[J].天津工業(yè)大學學報,2008(1).

3、李天鋼,王素品.基于多尺度小波的胃癌細胞圖像邊緣檢測與分析[J].生物物理學報,2005(2).

4、Lee B,Yan JY,Zhuang TG.A dynamic programming based algorithm for optimal edge detection in ultrasound images[J].Proceedings of SPIE,2001(4549).

5、饒潔.基于區(qū)域特征及邊緣信息的彩色血液顯微圖像分割[D].四川大學,2006.

6、趙暉,梁光明.一種基于差分算子和區(qū)域增長的細胞自動識別方法[J].計算機與現(xiàn)代化,2005(4).

7、Shirin Nasr-Isfahani,Atefeh Mirsafian,Ali Masoudi-Nejad.A New Approach for Touching Cells Segmentation[Z].2008 International Conference on BioMedical Engineering and Informatics,2008.

8、楚存坤,李月卿,王昌元.醫(yī)學圖象分割技術(shù)及其新進展[J].泰山醫(yī)學院學報,2007(4).

*本文得到國家自然科學基金(項目批準號:90820302、60805027)、高等學校博士學科點專項科研基金(項目批準號:200805330005)資助。

(作者單位:中南林業(yè)科技大學計算機科學學院)