蔡武斌，宋文愛，王青，杜曉亮，雷毅

（1.中北大學(xué)軟件學(xué)院，山西 太原 030051；2.清華大學(xué)信息技術(shù)研究院，北京 100084）

0 引言

基于細(xì)胞形態(tài)學(xué)的計(jì)算機(jī)輔助診斷系統(tǒng)是一種可以自動檢測細(xì)胞圖像的工具型軟件。自動檢測與傳統(tǒng)的顯微檢測區(qū)別是：自動檢測的操作簡便、方法靈活，在無人監(jiān)督的情況下自動判讀顯微細(xì)胞圖片，提高病理醫(yī)生的工作效率；而傳統(tǒng)檢測要求病理醫(yī)生在顯微鏡下全程檢閱細(xì)胞制片，工作量大，容易產(chǎn)生疲勞。自動檢測技術(shù)能夠方便地幫助病理醫(yī)生閱片，提高工作效率、降低勞動強(qiáng)度和縮短診斷時(shí)間。該技術(shù)基本思路是根據(jù)病理醫(yī)生們長期工作得出的對腫瘤細(xì)胞形狀和特征的經(jīng)驗(yàn)，分析顯微細(xì)胞圖片，自動判斷出被檢測圖像中有無腫瘤細(xì)胞，將初始結(jié)果作為醫(yī)務(wù)人員進(jìn)一步診斷的一個(gè)基礎(chǔ)。

系統(tǒng)軟件的一般工作流程為：先讀取細(xì)胞顯微圖像進(jìn)行預(yù)處理，去除噪聲干擾，改善圖像質(zhì)量。然后利用預(yù)置的圖像分割算法找到目標(biāo)區(qū)域。在此基礎(chǔ)上，提取細(xì)胞指定的特征向量（如細(xì)胞半徑、核漿面積比等），并根據(jù)特征向量對可疑的細(xì)胞按序排列，最后將結(jié)果顯示給病理醫(yī)生分析,見圖1。

圖1 系統(tǒng)軟件工作流程圖

對宮頸顯微細(xì)胞圖像進(jìn)行檢測識別，是細(xì)胞學(xué)計(jì)算機(jī)輔助診斷的重要應(yīng)用領(lǐng)域。宮頸癌是一種危害女性健康的惡性腫瘤，是人體常見的癌癥之一。宮頸癌有較長的癌前病變期，若能在早期發(fā)現(xiàn)并治療，可以大大提高治愈率，因而宮頸癌的篩查對疾病的診斷和治療非常重要。為了使診斷系統(tǒng)能夠準(zhǔn)確識別被檢測的圖像，有效的設(shè)計(jì)圖像分割算法是其中的關(guān)鍵。

1 細(xì)胞圖像的分割方法研究

圖像分割是指將圖像劃分為具有特定涵義的不同區(qū)域，并提取出感興趣的目標(biāo)[1]。細(xì)胞圖像的分割是細(xì)胞定量分析和分類識別的重要步驟之一，其分割效果影響后續(xù)特征提取和識別工作的有效性。細(xì)胞圖像的分割的主要任務(wù)是：（1）將細(xì)胞圖像劃分為細(xì)胞體區(qū)域及背景區(qū)域；（2）將細(xì)胞體區(qū)域劃分為細(xì)胞核區(qū)域及細(xì)胞漿區(qū)域。

顯微醫(yī)學(xué)圖像是通過顯微成像儀來獲取，由于醫(yī)學(xué)圖像的成像原理和組織本身的特性差異，圖像的形成易受到各種外部干擾[2]。為了解決醫(yī)學(xué)圖像細(xì)胞分割的難題，近幾年來，許多科研人員做了大量的工作，提出了很多有用的技術(shù)方法。

1.1 基于邊緣檢測的圖像分割方法

邊緣檢測技術(shù)是依據(jù)區(qū)域邊緣上的像素灰度值變換劇烈，通過檢測不同均勻區(qū)域之間的邊緣來解決圖像分割問題。常見的邊緣檢測算子有Robert算子、Sobel算子、Prewitt算子、Laplacian算子、Canny算子等，見表1。

表1 各種邊緣檢測算子的比較

1.2 閾值分割法

閾值處理是最常見的基于區(qū)域的分割技術(shù)[3]。通過設(shè)定某一閾值T，然后將圖像分割成大于閾值T的對象點(diǎn)和小于閾值T的背景點(diǎn)兩部分。設(shè)輸入圖像是g(x,y)，輸出圖像是f(x,y)，則：

根據(jù)閾值選取的數(shù)量分為單閾值分割和多閾值分割，見圖2。單閾值分割法將圖像分為目標(biāo)區(qū)域和背景區(qū)域。多閾值分割通過在圖像的灰度范圍內(nèi)確定n個(gè)閾值，將圖像中每個(gè)像素的灰度值都與這些閾值進(jìn)行比較，根據(jù)比較結(jié)果對圖像進(jìn)行分割[4]。細(xì)胞圖像需要分割出細(xì)胞質(zhì)、細(xì)胞核及背景，因此可以用兩個(gè)分割閾值。

圖2 閾值分類

1.3 區(qū)域生長法

區(qū)域生長是根據(jù)預(yù)先定義的生長準(zhǔn)則將像素或子區(qū)域組合為更大區(qū)域的過程[5]?；具^程是先從一組“種子”點(diǎn)開始，將與種子預(yù)先定義的性質(zhì)相似的那些鄰域像素添加到每個(gè)種子上，來形成這些生長區(qū)域。相似性度量可以包括平均灰度值、紋理、顏色等信息。

在沒有先驗(yàn)知識可以利用時(shí)，一種方法是在每個(gè)像素上計(jì)算一組相同的特性，最后在生長處理期間分配像素到區(qū)域中。若這個(gè)計(jì)算的結(jié)果顯示一簇值，就把具有這些特性的像素放在能夠作為種子的這些簇的中心附近。

1.4 分水嶺算法

分水嶺算法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像看作是測地學(xué)上的拓?fù)涞孛玻瑘D像中每一點(diǎn)像素的灰度值表示該點(diǎn)的海拔高度，每一個(gè)局部極小值及其影響區(qū)域成為集水盆，而集水盆的邊界則形成分水嶺，見圖3。

圖3 分水嶺地形圖

分水嶺算法實(shí)現(xiàn)相對簡單，在圖像分割中執(zhí)行速度快，對微弱的邊緣有著良好的響應(yīng)，但通常會由于噪聲和梯度的其他局部不規(guī)則性造成過度分割現(xiàn)象。針對分水嶺過度分割問題，國內(nèi)外一些圖像處理專家做了大量的研究，在傳統(tǒng)的分水嶺算法基礎(chǔ)上提出了改進(jìn)方法，基于標(biāo)記符控制的分水嶺算法是其中一種較好的改進(jìn)。

基于標(biāo)記符控制的分水嶺算法是利用一些附加知識，在原圖中尋找一些內(nèi)部標(biāo)記和外部標(biāo)記來引導(dǎo)算法進(jìn)行分割。然后利用找到的標(biāo)記來改進(jìn)梯度圖像，再在改進(jìn)梯度圖像上應(yīng)用分水嶺變換，得到分割結(jié)果。

1.5 主動活動輪廓模型

主動輪廓模型是由Kass[6]等人提出的，將圖像分割問題轉(zhuǎn)換為求解能量泛函最小值問題。其基本思想是通過構(gòu)造能量泛函，在能量函數(shù)最小值驅(qū)動下，輪廓曲線逐漸向待檢測物體的邊緣逼近，最終分割出目標(biāo)。由于主動輪廓模型利用曲線演化定位目標(biāo)的邊緣，因此也稱為Snake模型。其最大優(yōu)點(diǎn)是在高噪聲的情況下，也能得到連續(xù)、光滑的閉合分割邊界。

其中第一項(xiàng)為彈性能量，是v的一階導(dǎo)數(shù)的模；第二項(xiàng)為彎曲能量，是v的二階導(dǎo)數(shù)的模；第三項(xiàng)是外部能量，在基本snakes模型中一般只取控制點(diǎn)或連線所在位置的圖像局部特征，例如梯度：

也稱圖像力，基本Snakes模型就是在這三個(gè)力的聯(lián)合作用下工作的[8]。按照模型中曲線表達(dá)形式的不同，活動輪廓模型可以分為兩大類：參數(shù)活動輪廓模型(parametric active contour model)和幾何活動輪廓模型(geometric active contour model)。

2 實(shí)驗(yàn)結(jié)果與分析

細(xì)胞核和細(xì)胞漿的幾何形態(tài)特征描述了區(qū)域的形狀，其中某些特征對于病理醫(yī)生診斷細(xì)胞是否正常發(fā)揮重要作用，例如腫瘤細(xì)胞的細(xì)胞核面積通常比正常細(xì)胞的細(xì)胞核面積明顯要大。因此，計(jì)算機(jī)輔助細(xì)胞學(xué)診斷系統(tǒng)需要分別提取細(xì)胞體的不同區(qū)域，以供進(jìn)一步的識別與分析。細(xì)胞圖像分割的重點(diǎn)是提取細(xì)胞核、細(xì)胞漿對應(yīng)的區(qū)域，難點(diǎn)是分割重疊區(qū)域的細(xì)胞體。本文實(shí)驗(yàn)針對不同情形，采用不同的圖像分割算法做實(shí)驗(yàn)分析。實(shí)驗(yàn)圖像使用顯微鏡高倍物鏡采集的宮頸細(xì)胞圖像，數(shù)據(jù)由清華大學(xué)信息技術(shù)研究院數(shù)字醫(yī)療與健康研究中心提供。

2.1 細(xì)胞核區(qū)域提取

由于宮頸細(xì)胞圖像的細(xì)胞核區(qū)域明顯不同于其他區(qū)域，其顏色較深，大小在一定范圍內(nèi)，因此可以充分利用圖像的特征，先利用閾值分割法做初始輪廓分割，再用形態(tài)學(xué)方法去除噪聲，獲取細(xì)胞核的粗輪廓。然后以粗輪廓的質(zhì)心為種子生長點(diǎn)，使用區(qū)域生長算法，完成細(xì)胞核區(qū)域提取。該算法的基本思路是先使用效率較高的算法提取所需的參量，再將參量傳遞給其他算法進(jìn)行二次分割。采用該方法可以實(shí)現(xiàn)自動定位種子生長點(diǎn)，從而避免人工干預(yù)設(shè)定起始生長點(diǎn)。使用自動種子點(diǎn)區(qū)域生長的分割算法的主要步驟如下：

（1）讀取彩色圖像并轉(zhuǎn)化為灰度圖。圖（a）是由顯微鏡高倍物鏡采集的高分辨率細(xì)胞圖像，圖（b）是灰度化后的圖像。

（2）對目標(biāo)做全閾值分割及形態(tài)學(xué)處理。圖（c）是經(jīng)過處理后二值圖像，白色區(qū)域?yàn)樘崛〕龅募?xì)胞核初始區(qū)域。

（3）求得每個(gè)細(xì)胞核初輪廓的質(zhì)心坐標(biāo)，圖（d）中以‘*’標(biāo)記。

（4）以每個(gè)質(zhì)心位置作為種子生長點(diǎn)，對原圖的灰度圖像做區(qū)域生長算法，得到二次分割后的結(jié)果。(圖e)

（5）使用Canny算子做邊緣檢測，最終顯示分割出的細(xì)胞核輪廓。(圖f)

通過實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，圖（e）比圖（c）更準(zhǔn)確的提取了細(xì)胞核區(qū)域，并且該算法不僅可以提取單細(xì)胞圖像的細(xì)胞核區(qū)域，對多細(xì)胞圖像的細(xì)胞核區(qū)域也有較好的分割效果。

圖(a)

圖(b)

圖(c)

圖(d)

圖(e)

圖(f)

2.2 細(xì)胞體區(qū)域提取

對于細(xì)胞體區(qū)域的提取，我們可以采用上節(jié)提到的標(biāo)記符控制的分水嶺算法來實(shí)現(xiàn)，并給出主要步驟結(jié)果：

（1）由于標(biāo)記控制符的分水嶺算法比較適用于亮目標(biāo)暗背景的圖像，因此對圖（b）做反相處理。（圖h）

（2）對圖像做基于重建的開操作和閉操作。該步驟可以在保持目標(biāo)物體不變的基礎(chǔ)上，有效去除目標(biāo)內(nèi)部的細(xì)節(jié)。（圖i)

（3）計(jì)算圖像的梯度幅值，得到梯度圖像,再利用內(nèi)外標(biāo)記改進(jìn)梯度圖像，得到圖（j）。

（4）在改進(jìn)后的圖像上進(jìn)行分水嶺變換，并顯示前景（白色區(qū)域）、背景標(biāo)記（細(xì)線）以及細(xì)胞體分割輪廓。（圖k)

（5）顯示細(xì)胞體分割輪廓。（圖l)

從實(shí)驗(yàn)結(jié)果可以看出，細(xì)胞體大部分區(qū)域被有效分離出來。但有少數(shù)灰度值與背景比較接近的細(xì)胞區(qū)域沒有被分割出來，因此還需要做進(jìn)一步的改進(jìn)。

圖(h)

圖(i)

圖(j)

圖(k)

2.3 重疊細(xì)胞的圖像分割

重疊細(xì)胞圖像分割一直以來是醫(yī)學(xué)圖像處理的難題，其主要難點(diǎn)在于細(xì)胞重疊區(qū)域的正確分離。細(xì)胞重疊區(qū)域較為相似，重疊部分輪廓不清晰，對圖像分割造成很大的干擾，使用傳統(tǒng)的圖像分割方法很難實(shí)現(xiàn)對重疊區(qū)域的有效分離。針對這類問題，近年來有研究學(xué)者提出基于snake模型的分割算法。根據(jù)snake模型對初始位置敏感的特點(diǎn)，先人工設(shè)置一系列較準(zhǔn)確的初始輪廓點(diǎn)（圖m），再利用snake模型方法進(jìn)行分割，通過實(shí)驗(yàn)可以發(fā)現(xiàn)，圖n中的主體細(xì)胞輪廓被較好的分離出來。所以在使用該方法前，先要經(jīng)過適當(dāng)?shù)某跏蓟僮鳌ｊP(guān)濤，周東翔[9]等人通過對細(xì)胞輪廓的幾何結(jié)構(gòu)分析，提出了細(xì)胞的稀疏輪廓點(diǎn)模型，利用環(huán)形動態(tài)輪廓搜索算法，可以自動定位出主體細(xì)胞的輪廓點(diǎn)，從而避免了人工干預(yù)，可以適用于一部分細(xì)胞漿發(fā)生重疊的圖像。

圖(l)

圖(m)

圖(n)

通過對實(shí)驗(yàn)結(jié)果進(jìn)行比較，得到表2：

表2 各種醫(yī)學(xué)圖像算法的比較

3 結(jié)束語

本文作者對近年來針對宮頸細(xì)胞圖像分割的典型方法做了說明，此外還有許多醫(yī)學(xué)圖像處理方法，由于適用場景不同，沒有一一舉例。圖像分割沒有通用的、標(biāo)準(zhǔn)的、唯一的方法，每種算法都有其各自的優(yōu)缺點(diǎn)，單獨(dú)使用某種算法用于分割，效果往往不是很理想。因此要根據(jù)不同的環(huán)境條件和要求，選擇合

適的策略進(jìn)行圖像處理，這樣分割效果才會理想。

傳統(tǒng)的圖像分割算法有時(shí)很難適應(yīng)顯微細(xì)胞圖像這樣復(fù)雜的環(huán)境，因此我們可能還需要一種具有較強(qiáng)學(xué)習(xí)及處理能力的圖像分割算法。強(qiáng)化學(xué)習(xí)作為一種重要的機(jī)器學(xué)習(xí)方法，在與環(huán)境交互時(shí)，利用環(huán)境反饋的獎懲，即依靠外部評價(jià)信號來調(diào)整自己的行為。該方法是一種在線、增量式的學(xué)習(xí)方法，通過增量的學(xué)習(xí)算法去接近最優(yōu)的分割閾值，訓(xùn)練完成后的算法可以基于自身獲取的知識對類似的新圖片做出正確的分割，目前被廣泛應(yīng)用于圖像處理、智能控制等領(lǐng)域。后續(xù)的研究工作將結(jié)合機(jī)器學(xué)習(xí)方法，進(jìn)一步優(yōu)化該系統(tǒng)自動圖像檢測的準(zhǔn)確度和魯棒性。

[1] 張錚,徐超.數(shù)字圖像處理與機(jī)器視覺[M].人民郵電出版社,2014.

[2] 聶生東,邱建峰,鄭建立.醫(yī)學(xué)圖像處理[M].復(fù)旦大學(xué)出版社,2010.

[3] Rafael C.Gonzalez,Richard E.Woods.數(shù)字圖像處理[M].電子工業(yè)出版社,2011.

[4] 范金坪.宮頸細(xì)胞圖像分割和識別方法研究[D].暨南大學(xué),2010.[5] Rafael C.Gonzalez,Richard E.Woodz,Steven L.Eddins.數(shù)字圖像處理的MATLAB實(shí)現(xiàn)[M].清華大學(xué)出版社,2013.

[6] Kass M,Witkin A,Terzopoulos D.Snakes:Active Contour Models.International Journal of Computer Vision,1987:321-331.

[7] 李天慶,張毅,劉志,胡東成.Snake模型綜述[J].計(jì)算機(jī)工程,2005,(09):1-3.

[8] 吳東東.宮頸細(xì)胞圖像分割方法研究[D].國防科學(xué)技術(shù)大學(xué),2012.

[9] 關(guān)濤,周東翔,樊瑋虹,等.基于稀疏輪廓點(diǎn)模型的彩色重疊細(xì)胞圖像分割[J].計(jì)算機(jī)研究與發(fā)展,2015,52(7).