唐思源,白金牛,楊　敏

(包頭醫(yī)學院 計算機科學與技術系，內(nèi)蒙古 包頭 014040)

?

紅細胞SEM圖像的三維重構(gòu)及形狀特征提取*

唐思源,白金牛,楊敏

(包頭醫(yī)學院 計算機科學與技術系，內(nèi)蒙古 包頭 014040)

臨床經(jīng)驗及診斷中表明許多疾病都與紅細胞形變有關。因此分析紅細胞的形態(tài)特征可以輔助診斷病人的病情。運用模板匹配方法尋找12類形態(tài)變異的紅細胞子圖像的位置，應用PCA和LDA算法對12類產(chǎn)生形變的紅細胞進行特征選擇和提取，并針對噪聲問題對算法進行了改進。通過實驗數(shù)據(jù)對一些分類困難的形變細胞做進一步的數(shù)據(jù)對比及特征提取分類。實驗表明，該算法及改進的方法能有效區(qū)分并提取出不同類型的紅細胞，分類的準確率達到了92.7%。

紅細胞形變；特征提??；PCA和LDA算法；噪聲

引用格式：唐思源,白金牛,楊敏. 紅細胞SEM圖像的三維重構(gòu)及形狀特征提取[J].微型機與應用，2016,35(18)：45-47,51.

0　引言

隨著醫(yī)學成像技術的發(fā)展和進步，在臨床醫(yī)學中，用計算機處理醫(yī)學類圖像的應用越來越廣泛。應用計算機技術輔助分析與處理醫(yī)學圖像，逐漸成為一門交叉學科。該學科一方面可以對放射儀器采集的圖像進行分析和處理，另一方面對掃描電子顯微鏡(SEM)[1]下的圖像進行處理。本文所采集的圖像就是在SEM下獲取的紅細胞圖像。紅細胞是脊椎動物與外界進行氣體交換的媒介，即呼出二氧化碳，呼入氧氣。當紅細胞發(fā)生形變后，不僅影響到血液系統(tǒng)，還會涉及其他系統(tǒng)功能，并且會誘發(fā)很多疾病，比如缺鐵性貧血、溶血性貧血等病癥。因此，對紅細胞形狀特征的研究和提取很有研究的價值。

1　紅細胞形態(tài)分類的研究

圖1　電子顯微鏡下的紅細胞圖像

人類正常的紅細胞是雙面凹陷的圓餅形狀，中間比較薄，兩邊比較厚，通常在6～9 μm之間,如圖1所示,這種形狀的紅細胞可以最大限度地獲取氧氣。各種血液系統(tǒng)疾病都可引起紅細胞的形變,形變后的紅細胞,其大小、形狀、厚度、染色等都會有所改變,經(jīng)過大量臨床分析,紅細胞形變后的形態(tài)大致分為12類[2], 分別是小紅細胞、大紅細胞、裂紅細胞、口形紅細胞，球形紅細胞、橢圓形紅細胞、半月形紅細胞、刺毛紅細胞、鐮狀紅細胞、水滴形紅細胞、靶形紅細胞、棘形紅細胞,圖像如圖2所示。

圖2　12類紅細胞

本節(jié)重點介紹了12類形態(tài)變異的紅細胞的形態(tài)特征,為下一步對圖像進行特征提取打下基礎。

2　紅細胞圖像特征提取的研究

圖像特征[3]是指人們能肉眼觀察到的顏色、形狀、亮度、大小等圖像的信息，能觀察到的特征稱為低層次特征。而有些特征是通過測量或者公式變換計算出來的,稱之為高級特征,比如直方圖、濾波、頻譜等。提取圖像的特征是模式識別的基礎,只有把相同圖像的共有特征提取出來,才能從復雜圖像中提取出需要的圖像信息。例如：可以根據(jù)灰度值、角點等特征信息從圖像中提取出文本內(nèi)容等?；趯︼@微鏡下大量紅細胞圖像分析,本文主要從紅細胞的幾何特征、紋理特征中提取幾種對分類有意義的特征值。

2.1圖像特征的提取

提取圖像的特征[4]主要是提取出圖像相關的像素點,并且對像素點進行歸類的過程，廣義上講就是一種變換。在提取圖像特征的時候，特征的選取也很重要，良好的特征應具備區(qū)別性大、可靠性高、獨立性好、數(shù)量少這四個特點。提取過程如圖3所示。

圖3　圖像特征提取過程圖

2.2圖像特征的選擇

在圖像分類過程中,必須從較大的特征集中選擇符合條件的特征量,從得到的特征向量中選擇少而精的向量集,進行分類識別,這樣才能提高分類的準確率。特征選擇[5]就是選取能代表同一類圖像共同屬性的特征集合，也是一個降低特征空間維數(shù)的過程。目前,搜尋策略方法是研究者們常用的特征方法,該方法有三種方式：分別為啟發(fā)式、窮舉式和隨機方式。

2.3紅細胞幾何特征

常用的特征表達方法有顏色、紋理和形狀等,這些特征信息具有各自的特點,本文采集的紅細胞圖像屬于灰度圖像,紋理和形狀的描述顯得較為突出。根據(jù)上文介紹，正常的紅細胞與異常的12類紅細胞的大小、形狀差異比較大,因此幾何特征[6]的提取在文章中顯得尤為重要。首先本文通過計算面積、圓度、矩形度等,得到細胞的原始特征,形成特征后,經(jīng)過變換、壓縮維數(shù)或者用數(shù)學方法進行篩選,提取較少的新特征。

本文選用了以下幾個形態(tài)特征參數(shù)作為紅細胞形態(tài)學的特征,它們?nèi)菀滋崛〔⒛芊从巢煌t細胞的差異,其定義如下。

(1)區(qū)域面積

區(qū)域面積[7]指的是細胞區(qū)域的大小，其計算公式為：

(2)區(qū)域周長

區(qū)域周長就是區(qū)域輪廓的長度。其計算公式為：

(3)細胞的圓形度(形狀參數(shù))

(4)矩形度

矩形度表示圖形面積和矩形面積之比,公式表示為：

R=S0/Sr

(5)伸長度

該參數(shù)可以反映圖形的細長程度,定義的公式為：

(6)長軸和短軸

細胞圖像中兩點間最遠距離是長軸長，細胞圖像中兩點間最近距離表示短軸長。

(7)不變矩(中心矩)

所謂中心矩是指以重心為原點進行計算的不變矩陣。

2.4紅細胞紋理特征

紋理[8]是經(jīng)過變換后,圖像局部特征的一種表現(xiàn),紋理可以對圖像中不同區(qū)域的方向、粒度、結(jié)構(gòu)和規(guī)則性的差異進行有效的描述,針對不同結(jié)構(gòu)的紋理特征,目前存在著很多種分析方法,這些方法有統(tǒng)計法、結(jié)構(gòu)法和空間頻域聯(lián)合分析法。本文應用統(tǒng)計法和結(jié)構(gòu)法相結(jié)合的算法,計算圖像的灰度-基元共生矩陣,并從矩陣中提取出能描述紅細胞紋理特征參數(shù)的特征向量值，來描述不同類型紅細胞的紋理特性,需要的紋理特征參數(shù)[9]如下：

上述幾種參數(shù)是應用灰度共生矩陣進行紋理分析的主要參數(shù),可以將它們組合起作為紋理分析的特征參數(shù)使用。

2.5紅細胞特征提取

最后，對12類紅細胞,共332個紅細胞提取了7類與實驗密切相關的幾何特征值,這7類特征值的平均值見表1所示。

表1　12類紅細胞7類幾何特征

該算法在MATLAB環(huán)境下實現(xiàn),隨機選取電子顯微鏡下100張紅細胞圖像進行實驗,應用本文提出的主成分分析法和線性判別法進行特征的選擇與提取,并通過實驗數(shù)據(jù)提出對一些分類困難的紅細胞進行進一步數(shù)據(jù)對比及特征分類的方法。實驗結(jié)果表明，該算法的分類準確率達到了92.7%，是一種有效的方法。

3　結(jié)論

本文通過對紅細胞圖像進行篩選,最終選取了形態(tài)特征、紋理特征中的9個特征值組成的特征庫，并增加了數(shù)據(jù)對比，明顯提高了對12類紅細胞分類的準確性。在今后的工作中要繼續(xù)挖掘新的特征,比如色度和亮度特征、顆粒特征等，對那些環(huán)境復雜、形態(tài)不規(guī)則的細胞進行提取。

[1] GEDDE M M,YANG E,HUESTIS W H.Shape response of human erythrocytes to altered cell pH[J].Blood, 2015, 86(6):1595-1599.

[2] CASTLEMAN K R.Digital image processing[M].Beijing:Tsinghua University Press,2008.

[3] VAPNIK V N. Statistical learning theory [M].New York: Wiley Press, 2008.

[4] BERTHOLD K P H.Robort vision[M].Cambridge: MIT Press,2009.

[5] DUNCAN J S,AYACHE N.Medical image analysis: progress over two decades and the challenges ahead[J].IEEE Transactions on Pattern Analysis and Machine Intelligenee,2009,22(1):85-106.

[6] 王浩軍,鄭崇勛,李映,等.支持向量機在血細胞分類中的應用[J].生物醫(yī)學工程學雜志,2003,20(3):484-487.

[7] 田婭,饒妮妮,蒲立新.國內(nèi)醫(yī)學圖像處理技術的最新動態(tài)[J].電子科技大學學報,2012,31(5):485-489.

[8] 朱學芳.計算機圖像處理導論[M].北京,科學技術文獻出版社,2013.

[9] 阮秋琦.數(shù)字圖像處理[M].北京:電子工業(yè)出版社,2010.

[10] 王亮申,歐宗瑛.圖像紋理分析的灰度-基元共生矩陣法[J].計算機工程, 2014, 23(30):19-21.

[11] 孫即祥.現(xiàn)代模式識別[M].合肥:國防科技大學出版社, 2011.

[12] 曾明,孟慶浩,張建勛,等.基于形態(tài)特征和SVM的血液細胞核自動分析[J].計算機工程,2008,34(2):14-19.

Research on three-dimensional reconstruction and shape feature extraction of red blood cell SEM image

Tang Siyuan,Bai Jinniu,Yang Min

(Department of Computer Science and Technology, Baotou Medical College, Baotou 014040, China)

Many diseases are related to the changes of erythrocyte morphology in clinical experience and diagnosis. Therefore the morphological characteristics of red blood cells can be analyzed in the diagnosis of the disease. The template matching method is used to find the location of the twelve types of morphological variation the red blood cell image, PCA and LDA algorithm is used to achieve the feature selection and extraction of twelve kinds of red blood cells. The algorithm is improved for the light of noise problem. Through the experimental data, the data are compared for some cells of some classification difficult, some cells of feature are extracted and classified. Experiments shows that the algorithm and the improved method can effectively differentiate and extract different types of red blood cells. The accuracy of classification is 92.7%.

morphological changes of red blood cells; feature extract; PCA and LDA algorithm; Noise

內(nèi)蒙古自治區(qū)高等學校科學研究項目(NJZY215)

TP399

ADOI： 10.19358/j.issn.1674- 7720.2016.18.013

2016-05-21)

唐思源(1981-)，女，碩士，副教授，主要研究方向：數(shù)字圖像處理。

白金牛(1967-)，男，碩士，教授，主要研究方向：計算機網(wǎng)絡。

楊敏(1984-)，女，碩士，講師，主要研究方向：數(shù)字圖像處理。