邱立英,林麗群

(福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350116)

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

邱立英,林麗群

(福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350116)

針對(duì)醫(yī)學(xué)中血細(xì)胞圖像研究中粘連細(xì)胞難以分割的問題，提出一種基于主凹點(diǎn)檢測(cè)的分割算法。通過濾波預(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。

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)

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)揮了越來越重要的作用，它為準(zhǔn)確、方便、定性、定量地識(shí)別不同類型的血細(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)胞無粘連各自獨(dú)立時(shí)，直接簡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分割問題以及改善極限腐蝕方法中的欠分割問題。在凹點(diǎn)檢測(cè)領(lǐng)域，吳宇翔[5]等人提出以模糊聚類方法來分割醫(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]將該類問題轉(zhuǎn)換成公式表示，并提出了能量函數(shù)F1表達(dá)式：

F1(u,C)=∫Ω(u-I)2dx+μ∫Ω/C|u|2dx+ν|C|

(1)

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：

F2(C,c1,c2)=λ1∫outside(C)(I-c1)2dx+

λ2∫inside(C)(I-c2)2dx+ν|C|

(2)

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：

(3)

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：

F4(C,f1,f2)=

(4)

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：

(5)

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：

F(g1,g2,f1,f2,C1,C2)=

λ1∫∫inside(C1)(Kσ1(x-y)|IG-g2(x)|2dy)dx+

λ2∫∫outside(C1)(Kσ1(x-y)|IG-g1(x)|2dy)dx+

λ3∫∫inside(C1)&inslde(C2)(Kσ2(x-y)|I-f2(x)|2dy)dx+

λ4∫∫inside(C1)&outside(C2)(Kσ2(x-y)|I-f1(x)|2dy)dx+

v1∫Ω|C1|+v2∫Ω|C2|

(6)

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:并聯(lián)、串聯(lián)和串并聯(lián)。如圖1所示。

圖1 粘連細(xì)胞類型

如何判斷圖像中細(xì)胞有沒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判斷細(xì)胞有沒有存在粘連情況。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，A是物體的面積。形狀因子的取值范圍是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)域的類別對(duì)局部凹點(diǎn)進(jìn)行分類，通常一個(gè)凹面區(qū)域?qū)?yīng)一個(gè)局部凹點(diǎn)類，最后從局部凹點(diǎn)類中確定中間的點(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，若沒有相鄰點(diǎn)，返回步驟(1)；

(4)判斷是否搜索到第h點(diǎn)，若沒有，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)來評(píng)估，實(shí)驗(yàn)數(shù)據(jù)顯示，平均值SS=0.894，SC=0.901。

圖2 算法步驟實(shí)例圖

圖3 不同算法結(jié)果對(duì)比第一排：原圖；第二排：大津法；第三排：K-均值；第四排：區(qū)域增長；第五排：本文算法

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。

[1] 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.

[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.

[6] 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.

[7] 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.

[8] KICHENASSAMY S. Gradient flows and geometric active contour models[C]. Proceedings of 5th International Conference on Computer Vision, 1995: 810-815.

[9] TONY C,LUMINITA V. Active contours without edges[J].IEEE Transactions on Image Processing, 2001,10(2):266-276.

[10] 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.

Cell cluster splitting in blood cell images based on main concave point detection

Qiu Liying，Lin Liqun

(College of Physics and Information Engineering,Fuzhou University,Fuzhou 350116,China)

Aiming at the problem of cell cluster splitting in the research of blood cells in medical image, it puts forward a segmentation algorithm based on the concave point detection. Firstly, through filtering pre-processing to remove the noise of the image and to improve the image quality. Then, extracting the contour in the early based on improved active contour model. Finally, positioning the cell adhesion concave point accurately by using the method of looking for the main concave points. Experimental results show that this method has good accuracy and integrity of segmentation, and the algorithm is universal.

blood cell images; cell cluster splitting; active contour model; concave point detection

TP391.4

A

10.19358/j.issn.1674- 7720.2017.07.013

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.

2016-12-13)

邱立英(1992-)，女，碩士研究生，主要研究方向：數(shù)字圖像處理。

林麗群(1980-)，女，博士研究生，主要研究方向：數(shù)字圖像處理。