郭玉坤 馬麗文 李金屏

(1.濟(jì)南大學(xué)信息科學(xué)與工程學(xué)院,濟(jì)南,250022； 2.山東省網(wǎng)絡(luò)環(huán)境智能計(jì)算技術(shù)重點(diǎn)實(shí)驗(yàn)室,濟(jì)南,250022)

?

婦科醫(yī)學(xué)顯微圖像中乳酸桿菌的檢測(cè)和統(tǒng)計(jì)分析

郭玉坤1,2馬麗文1,2李金屏1,2

(1.濟(jì)南大學(xué)信息科學(xué)與工程學(xué)院,濟(jì)南,250022； 2.山東省網(wǎng)絡(luò)環(huán)境智能計(jì)算技術(shù)重點(diǎn)實(shí)驗(yàn)室,濟(jì)南,250022)

針對(duì)婦科分泌物光學(xué)顯微圖像成分復(fù)雜的特點(diǎn)，提出了一種快速有效的檢測(cè)并統(tǒng)計(jì)乳酸桿菌數(shù)量的算法。首先利用窗口Laws能量方法鑒別背景和背景之外其他成分的紋理特征，從而保留乳酸桿菌所在的背景區(qū)域；然后利用Laws能量對(duì)乳酸桿菌進(jìn)行預(yù)分割，并計(jì)算出分割區(qū)域內(nèi)的平均灰度，再結(jié)合背景的灰度值精確分割；根據(jù)乳酸桿菌細(xì)胞的成像特點(diǎn)，提取目標(biāo)區(qū)域的長(zhǎng)寬比、面積大小等特征濾除區(qū)域中的雜質(zhì)；最后對(duì)乳酸桿菌的數(shù)量進(jìn)行統(tǒng)計(jì)分析。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效檢測(cè)復(fù)雜顯微圖像中的乳酸桿菌目標(biāo)，并獲得較好的統(tǒng)計(jì)分析結(jié)果。

圖像處理；醫(yī)學(xué)顯微圖像；乳酸桿菌；Laws能量

引 言

目前國(guó)內(nèi)外關(guān)于醫(yī)學(xué)圖像分析的研究有很多，但關(guān)于婦科分泌物光學(xué)顯微圖像的自動(dòng)成分分析尚未有臨床應(yīng)用，完全是依靠人工分析。隨著人們健康意識(shí)的不斷增強(qiáng)，人工分析的弊端日益突出：(1)人工分析需要較強(qiáng)的專業(yè)知識(shí)，需要經(jīng)過(guò)專門(mén)訓(xùn)練；(2)由于待分析樣本數(shù)量龐大，使得勞動(dòng)強(qiáng)度大，人力成本過(guò)高；(3)主觀性強(qiáng)，檢測(cè)結(jié)果缺乏統(tǒng)一和客觀標(biāo)準(zhǔn)。因此，亟需開(kāi)發(fā)一套自動(dòng)檢測(cè)相關(guān)成分的算法和設(shè)備。通過(guò)觀察婦科陰道分泌物(簡(jiǎn)稱分泌物)的光學(xué)顯微圖像，可以看出其中的成分多且復(fù)雜。圖1標(biāo)識(shí)出圖像中可能出現(xiàn)的其中幾種成分(其他如：支原體、衣原體、紅細(xì)胞等成分不再列出)。從圖1看出，相同成分的形態(tài)也差異很大，而且有許多重疊、遮擋等現(xiàn)象，對(duì)于準(zhǔn)確檢測(cè)造成了極大困難。

圖1 分泌物顯微圖像中的幾種成分Fig．1 Kinds of component in microscopic images of secretions

近幾年，國(guó)內(nèi)外學(xué)者做了很多與光學(xué)顯微桿菌圖像檢測(cè)相關(guān)的工作。在針對(duì)結(jié)核桿菌檢測(cè)方面的工作中，由于樣本經(jīng)過(guò)染色，使得結(jié)核桿菌與背景之間的顏色差異較為明顯。研究人員多數(shù)從顏色通道入手，提出了很多檢測(cè)方法。文獻(xiàn)[1]基于紅色和綠色通道使用全局自適應(yīng)閾值分割，在RGB顏色空間中用R-G(即R通道減去G通道)使得結(jié)核桿菌細(xì)胞能夠在圖像背景中更為明顯，再選取恰當(dāng)?shù)拈撝颠M(jìn)行分割，最后用數(shù)學(xué)形態(tài)學(xué)、顏色及面積大小去除雜質(zhì)。文獻(xiàn)[2]在HSI顏色空間中對(duì)像素分類，進(jìn)行連通區(qū)域標(biāo)記、區(qū)域面積大小閾值去除噪聲、區(qū)域分類等方法檢測(cè)桿菌目標(biāo)。文獻(xiàn)[3]分別在YCbCr與Lab兩個(gè)顏色空間取出Cr與a通道進(jìn)行閾值分割，進(jìn)而提取桿菌。文獻(xiàn)[4]則使用HSV顏色空間中的H與S通道，用Otsu自適應(yīng)閾值算法進(jìn)行分割提取目標(biāo)桿菌。文獻(xiàn)[5]針對(duì)蔬菜中的大腸桿菌快速檢測(cè)問(wèn)題，提出采用形態(tài)特征參數(shù)及染色后菌體區(qū)域顏色特征參數(shù)統(tǒng)計(jì)值對(duì)大腸桿菌進(jìn)行快速識(shí)別，提取多個(gè)特征參數(shù)建立基于主成分的3層BP神經(jīng)網(wǎng)絡(luò)模型。文獻(xiàn)[6]提出的基于顏色及梯度統(tǒng)計(jì)特征的結(jié)核桿菌識(shí)別算法，首先利用HSV顏色空間預(yù)分割，然后在Lab顏色空間進(jìn)行自適應(yīng)分割，最后提取多個(gè)形態(tài)特征用貝葉斯分類器進(jìn)行分類。文獻(xiàn)[7]針對(duì)萋?tīng)?尼爾遜方法染色的顯微圖像，對(duì)結(jié)核桿菌的提取和識(shí)別進(jìn)行研究，用形態(tài)學(xué)方法進(jìn)行分割、提取特征，最后用BP(Back propagation)神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。除此之外，文獻(xiàn)[8-9]研究了桿菌目標(biāo)的檢測(cè)。

上述研究對(duì)桿菌的分割識(shí)別都取得了一定進(jìn)展，但其問(wèn)題背景相對(duì)簡(jiǎn)單，圖像中的成分較為單一，均是針對(duì)染色圖像做處理，而染色過(guò)程中，染色劑的濃度、劑量都會(huì)對(duì)后續(xù)的分割識(shí)別產(chǎn)生影響；對(duì)于圖像中含有大量其他細(xì)胞成分的情況沒(méi)有給出具體的處理方法。由于本課題所針對(duì)的圖像為婦科分泌物光學(xué)顯微圖像，其中除目標(biāo)乳酸桿菌外還有很多其他成分，如：上皮細(xì)胞、白細(xì)胞、霉菌孢子、線索細(xì)胞和雜質(zhì)等。而且在婦科臨床醫(yī)學(xué)檢驗(yàn)中上述的各種成分均需要在一幅圖像中同時(shí)檢測(cè)，故不能只針對(duì)乳酸桿菌進(jìn)行染色。因此，無(wú)法根據(jù)顏色信息進(jìn)行乳酸桿菌的檢測(cè)，所以上述文獻(xiàn)中的方案不能有效地解決本課題中的問(wèn)題。經(jīng)過(guò)調(diào)研國(guó)內(nèi)外有關(guān)圖像分割[10-17]方法，針對(duì)目前的臨床需求，本文提出了一種能夠自動(dòng)快速檢測(cè)并統(tǒng)計(jì)分泌物顯微圖像中乳酸桿菌數(shù)量的有效算法。

1 窗口Laws紋理能量背景提取

對(duì)于背景的提取，由于乳酸桿菌目標(biāo)較小，而其他成分面積較大，因此分布在乳酸桿菌上的Laws能量值相對(duì)其他成分較低，用此特征進(jìn)行分割會(huì)取得較好的效果。

1.1 窗口Laws能量

窗口Laws能量可以有效描述目標(biāo)的紋理特征，可表示為

(1)

(2)

1.2 數(shù)據(jù)分析與背景提取

由于處理過(guò)程中顏色信息無(wú)法利用，故先對(duì)圖像進(jìn)行灰度化，再計(jì)算圖像的Laws能量分布。如圖2 (b)所示，圖像中上皮細(xì)胞部分的Laws能量值比背景部分的能量值高出很多，同樣乳酸桿菌附近的能量比背景區(qū)域也略微高一些，但明顯低于上皮細(xì)胞所在的區(qū)域。

圖2 分泌物圖像及其Laws能量分布圖Fig．2 Secretion image and its Laws energy distribution map

為減少圖像中細(xì)節(jié)損失，在提取背景時(shí)先用Laws能量對(duì)原圖進(jìn)行增強(qiáng)，再使用Otsu自適應(yīng)閾值法對(duì)增強(qiáng)后的圖像進(jìn)行分割，高于閾值的像素為所要去除的成分，低于閾值的部分為背景。由于有些細(xì)胞成分的部分區(qū)域Laws能量值也會(huì)比較低，使得分割時(shí)會(huì)出現(xiàn)孔洞、斷裂等情況，因此需要對(duì)分割后的圖像進(jìn)行填充孔洞、濾波等操作。再對(duì)區(qū)域進(jìn)行標(biāo)記，將區(qū)域面積小于3～5倍的桿菌細(xì)胞面積的區(qū)域去掉，最終獲得提取背景所需的掩模圖像，如圖3所示。

2 多信息融的乳酸桿菌區(qū)域檢測(cè)

通過(guò)大量的觀察，乳酸桿菌的灰度值絕大多數(shù)情況是低于背景的灰度值(除非圖像受到較為嚴(yán)重的離焦模糊的影響，這種情況較少出現(xiàn)，暫不考慮)，本文采用Laws能量與統(tǒng)計(jì)直方圖兩種方法進(jìn)行融合，最終得到較好的提取結(jié)果。

2.1 基于Laws能量的預(yù)分割

在1.2節(jié)中進(jìn)行區(qū)域標(biāo)記后，選取桿菌面積相近的區(qū)間保留，其他的丟棄。雖然這可將大部分的乳酸桿菌區(qū)域保留，但同時(shí)也無(wú)法將部分與乳酸桿菌形態(tài)相同的雜質(zhì)進(jìn)行去除。如圖4所示，白色點(diǎn)狀區(qū)域?yàn)橐伤迫樗釛U菌區(qū)域。通過(guò)觀察可以看出雖然只能將部分乳酸桿菌區(qū)域分割出來(lái)，但同時(shí)也去除了背景中的大部分雜質(zhì)。

圖3 提取背景的掩模圖像Fig．3 Mask image for extracting background

圖4 Laws能量預(yù)分割結(jié)果Fig．4 Pre-segment result by Laws energy

圖5 使用閾值v的分割結(jié)果Fig．5 Segment result by threshold v

2.2 加權(quán)二類閾值聯(lián)合分割

根據(jù)乳酸桿菌的灰度值低于背景的灰度值的特征，可以選取一個(gè)合適的閾值將其在背景中分割出來(lái)。為了能夠得到合適的閾值，本文采用加權(quán)二類閾值聯(lián)合分割方法進(jìn)行精確分割，其中二類閾值是指欲分割目標(biāo)的灰度均值與背景灰度均值，具體方法如下：首先，計(jì)算背景的平均灰度值v1和Laws能量分割出來(lái)的圖像的均值v2，如圖4所示。然后計(jì)算分割閾值

(3)

式中：α為常數(shù)。經(jīng)大量實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)分析可知，當(dāng)α取2/5時(shí)，可以取得最佳的分割效果，故本文中α取值2/5。為了更準(zhǔn)確地計(jì)算出背景的平均灰度值v1，可將圖3，4作“或”操作得到更精確的背景掩模圖像。圖5為用v分割的結(jié)果圖。

從圖5中可看出，由于光照不均，導(dǎo)致圖像的左下方的雜質(zhì)及背景也分割出來(lái)，通過(guò)后續(xù)的區(qū)域面積濾波(即利用雜質(zhì)與背景部分的連通區(qū)域面積較大這一特征將其去除)可以消除這種影響。

3 乳酸桿菌的檢測(cè)

按照上述得到的分割結(jié)果，可發(fā)現(xiàn)內(nèi)仍有許多雜質(zhì)，且雜質(zhì)灰度與乳酸桿菌細(xì)胞的灰度相似，但形態(tài)上有所差別，如圖6所示。根據(jù)乳酸桿菌與雜質(zhì)形態(tài)上特征的差異，可提取面積大小、長(zhǎng)寬比和占空比等特征去除雜質(zhì)，為提高精度，還可以再加上區(qū)域內(nèi)的灰度均值與背景灰度均值的差值(稱為灰度差值)這個(gè)特征。

圖6 乳酸桿菌雜質(zhì)Fig．6 Lactobacillus and impurities

圖5的分割結(jié)果中各個(gè)區(qū)域的面積大小、占空比、長(zhǎng)寬比和灰度差值的統(tǒng)計(jì)結(jié)果，如圖7所示。圖5中分割出區(qū)域數(shù)量為655個(gè)，為了檢驗(yàn)各個(gè)特征去除雜質(zhì)的效果，本文通過(guò)人工標(biāo)定出來(lái)了其中所含有的乳酸桿菌數(shù)量為70個(gè)。

圖7 各個(gè)特征的統(tǒng)計(jì)結(jié)果Fig．7 Statistical results of characteristics

通過(guò)觀察圖7可以看出，面積、長(zhǎng)寬比和灰度差值這3個(gè)特征均可以起到較好的去雜質(zhì)結(jié)果，而乳酸桿菌與雜質(zhì)在占空比這個(gè)特征中的分布沒(méi)有較好的聚集性，分類效果很差，原因是由于雜質(zhì)形狀多樣且形態(tài)復(fù)雜，僅僅利用占空比這一特征無(wú)法取得好的分類效果。因此，本文選用待識(shí)別區(qū)域的面積、長(zhǎng)寬比和灰度差值這3個(gè)特征進(jìn)行最終的識(shí)別特征因子。經(jīng)大量的實(shí)驗(yàn)數(shù)據(jù)分析與驗(yàn)證，本文最終選用這3個(gè)特征因子參數(shù)進(jìn)行乳酸桿菌的識(shí)別，并且取得較好的識(shí)別效果。各參數(shù)取值如表1所示。

表1 各個(gè)特征的參數(shù)取值

4 實(shí)驗(yàn)結(jié)果及分析

在Intel 2.5 GHz處理器，4 GB內(nèi)存，Windows 7操作系統(tǒng)，Microsoft Visual Studio 2010編譯環(huán)境下實(shí)現(xiàn)上述算法。在Matlab R2013b下進(jìn)行實(shí)驗(yàn)數(shù)據(jù)分析。為了檢驗(yàn)本文算法的有效性，對(duì)大量圖像進(jìn)行了測(cè)試。其中25個(gè)樣本的檢測(cè)結(jié)果如表2所示。實(shí)際測(cè)試的樣本數(shù)為1 500幅圖像，其中有1 413幅能夠達(dá)到醫(yī)學(xué)臨床標(biāo)準(zhǔn)。剩余的37幅圖像中，有14幅由于相機(jī)離焦造成圖像模糊，識(shí)別誤差較大(如第6個(gè)樣本)；17幅由于大量乳酸桿菌附著在上皮細(xì)胞上無(wú)法分割導(dǎo)致檢測(cè)誤差太大(如第11個(gè)樣本)；6幅由于圖像光照不均導(dǎo)致分割不足造成檢測(cè)誤差過(guò)大(由于此研究沒(méi)有其他工作可作數(shù)據(jù)對(duì)比，因此表2中只做了和人工檢測(cè)結(jié)果的對(duì)比)。實(shí)驗(yàn)結(jié)果表明，本文算法能夠較為準(zhǔn)確地檢測(cè)出圖像中的乳酸桿菌數(shù)量，能夠達(dá)到醫(yī)學(xué)臨床的要求。

表2 乳酸桿菌的檢測(cè)結(jié)果

5 結(jié)束語(yǔ)

針對(duì)婦科分泌物光學(xué)顯微圖像中的乳酸桿菌的檢測(cè)，采用Laws能量提取背景，并通過(guò)采用加權(quán)二類閾值聯(lián)合分割的方法進(jìn)行乳酸桿菌的分割，最后根據(jù)乳酸桿菌的面積大小、長(zhǎng)寬比、灰度差值這3個(gè)特征值的范圍檢測(cè)出乳酸桿菌，并統(tǒng)計(jì)乳酸桿菌數(shù)量。實(shí)驗(yàn)結(jié)果表明，本文方法能有效地檢測(cè)并統(tǒng)計(jì)出圖像中的乳酸桿菌的數(shù)量，并且能夠應(yīng)用于自動(dòng)化檢測(cè)，減輕醫(yī)師的負(fù)擔(dān)。

[1] Costa M G F, Costa F, Cicero F F, et al. Automatic identification of mycobacterium tuberculosis with conventional light microscopy [C]∥ Conference Proceedings: Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Vancouver, BC:IEEE , 2008:382-385.

[2] Nayak R, Shenoy V P, Galigekere R R. A new algorithm for automatic assessment of the degree of TB-infection using images of ZN-stained sputum smear [C]∥ International Conference on Systems in Medicine and Biology.Kharagpur: IEEE ,2010:294-299.

[3] Sotaquira M, Rueda L, Narvaez R. Detection and quantification of bacilli and clusters present in sputum smear samples: A novel algorithm for pulmonary tuberculosis diagnosis [C]∥International Conference on Digital Image Processing.Bangkok: IEEE,2009:117-121.

[4] Makkapati V, Agrawal R, Acharya R.Segmentation and classification of tuberculosis bacilli from ZN-stained sputum smear images [C]∥Automation Science and Engineering, CASE 2009， IEEE International Conference on. Bangalore: IEEE,2009:217-220.

[5] 丁筠, 殷涌光, 王旻. 蔬菜中大腸桿菌的機(jī)器視覺(jué)快速檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012, 43(2): 134-139.

Ding Yun, Yin Yongguang, Wang Min. Rapid detection based on machine vision for escherichia coli in vegetables[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(2): 134-139.

[6] 翟永平, 周東翔, 劉云輝. 基于顏色及梯度統(tǒng)計(jì)特征的結(jié)核桿菌目標(biāo)識(shí)別[J]. 國(guó)防科技大學(xué)學(xué)報(bào), 2012, 34(5): 146-152.

Zhai Yongping, Zhou Dongxiang, Liu Yunhui. Recognition of mycobacterium tuberculosis in microscopic images based on color and gradient feature[J]. Journal of National University of Defense Technology, 2012, 34(5): 146-152.

[7] 孫涵璇, 謝鳳英, 姜志國(guó), 等. 基于BP神經(jīng)網(wǎng)絡(luò)的結(jié)核桿菌目標(biāo)識(shí)別[J]. 中國(guó)體視學(xué)與圖像分析, 2010, 15(1): 13-17.

Sun Hanxuan, Xie Fengying, Jiang Zhiguo, et al. Identification of mycobacterium tuberculosis based on BP neural network[J]. Chinese Journal of Stereology and Image Analysis,2010, 15(1): 13-17.

[8] 徐超, 周東翔, 劉云輝, 等. 光學(xué)顯微結(jié)核桿菌圖像的區(qū)域分割算法 [J]. 國(guó)防科技大學(xué)學(xué)報(bào), 2014, 36(5): 79-86.

Xu Chao, Zhou Dongxiang, Liu Yunhui, et al. A segmentation algorithm for optical microscopic mycobacterium tuberculosis based on region segmentation[J]. Journal of National University of Defense Technology,2014, 36(5): 79-86.

[9] 王慧瑩. 基于計(jì)算機(jī)視覺(jué)技術(shù)快速檢測(cè)食品中蠟樣芽孢桿菌的研究[D]. 長(zhǎng)春：吉林大學(xué), 2011.

Wang Huiying. Research on rapid detection of bacillus cereus in food by computer vision[D]. Changchun: Jilin University, 2011.

[10]劉松濤, 殷福亮. 基于圖割的圖像分割方法及其新進(jìn)展[J].自動(dòng)化學(xué)報(bào), 2012,38(6): 911-922.

Liu Songtao, Yin Fuliang. The basic principle and its new advances of image segmentation methods based on graph cuts[J]. Acta Automatica Sinica,2012, 38(6): 911-922.

[11]Laws K I. Texture images segmentation [D]. California: University of Southern California, 1980.

[12]Malik J, Belongie S, Leung T, et al. Contour and texture analysis for image segmentation[J]. International Journal of Computer Vision, 2001, 43(1):7-27.

[13]Chen X J, Udupa J K, Alavi A, et al. GC-ASM: Synergistic integration of graph-cut and active shape model strategies for medical image segmentation [J]. Computer Vision and Image Understanding, 2013,117(5): 513-524.

[14]Zhang Hui,Zhu Quanyin,Guan Xiangfeng. Probe into image segmentation based on sobel operator and maximum entropy algorithm [C]∥Computer Science and Service System (CSSS), 2012 International Conference on. Nanjing: IEEE, 2012:238-241.

[15]Preetha M M S J, Suresh L P, Bosco M J. Image segmentation using seeded region growing [C]∥Computing, Electronics and Electrical Technologies (ICCEET), 2012 International Conference on. Kumaracoil: IEEE, 2012: 576-583.

[16]王斌,李潔,高新波. 一種基于邊緣與區(qū)域信息的先驗(yàn)水平集圖像分割方法[J]. 計(jì)算機(jī)學(xué)報(bào), 2012,35(5):1067-1072.

Wang Bin, Li Jie, Gao Xinbo. An edge and region based level set method with shape priors for image segmentation[J]. Chinese Journal of Computers, 2012, 35(5):1067-1072.

[17]唐利明,黃大榮,李可人.基于變分水平集的圖像分割模型[J].數(shù)據(jù)采集與處理,2014,29(5):704-712.

Tang Liming, Huang Darong, Li Keren. New model based on variational level set for image segmentation[J]. Journal of Data Acquisition and Processing, 2014,29(5):704-712.

Detection and Statistical Analysis of Lactobacillus in Gynecological Medical Micrographs

Guo Yukun1,2, Ma Liwen1,2, Li Jinping1,2

(1.School of Information Science and Engineering, University of Jinan, Jinan, 250022, China； 2.Shandong Provincial Key Laboratory of Network Based Intelligent Computing, Jinan, 250022, China)

Since the characteristics that optical microscopic images of gynecological secretions are very complex, an effective algorithm to detect and collect the number of lactobacillus is proposed. Firstly, the windowed Laws energy is used to identify the texture features of the background and other components, thus keeping the background region with lactobacillus. Secondly, the Laws energy is utilized to pre-segment the lactobacillus, and the average gray of the pre segmentation regions is calculated. Thirdly, with the combination of the background grey, the accurate segment is carried out. On the basis of the imaging characteristics of the lactobacillus, the values of area, length-width ratio and duty-ratio of target area are extracted to remove impurities. Finally, the statistical analysis is carried out on the number of lactobacillus. Experimental results demonstrate that the proposed method can effectively detect lactobacillus in complex gynecological medical micrographs and offer well-analyzed results.

image processing; medical micrograph; lactobacillus; Laws energy

山東省高等學(xué)?？萍加?jì)劃(J14LN15)資助項(xiàng)目；山東省高等學(xué)?？蒲杏?jì)劃項(xiàng)目基金(J12LN19)資助項(xiàng)目。

2015-05-07；

2015-06-17

TP391

A

郭玉坤(1989-)，男，碩士研究生，研究方向：數(shù)字圖像處理和機(jī)器視覺(jué)等，E-mail：guoyk2009@outlook.com。

馬麗文(1988-)，女，碩士研究生，研究方向：數(shù)字圖像處理和機(jī)器視覺(jué)等。

李金屏(1968-)，男，博士，教授，研究方向：數(shù)字圖像處理、機(jī)器視覺(jué)、模式識(shí)別和優(yōu)化算法等。