趙曉晴，劉景鑫，張海濤，胡笑含，李大軍，李慧盈

1. 吉林大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，吉林 長春 130012；2. 吉林大學(xué)中日聯(lián)誼醫(yī)院 放射線科，吉林 長春 130033；3. 吉林大學(xué)第一醫(yī)院 放射線科，吉林 長春 130021；4. 吉林省人民醫(yī)院 消化內(nèi)二科，吉林 長春 130021

引言

計(jì)算機(jī)輔助診斷已經(jīng)成為現(xiàn)代生物醫(yī)學(xué)工程領(lǐng)域研究的一大熱點(diǎn)，該手段不僅可以達(dá)到檢驗(yàn)檢測結(jié)果的高度客觀性，而且能夠大大減輕醫(yī)師的勞動強(qiáng)度，進(jìn)一步提高病理檢測的效率和診斷的準(zhǔn)確性。血液中的白細(xì)胞是人體免疫系統(tǒng)抵御病菌的侵襲、治愈機(jī)體的受傷部位、抵御和消滅病原以及微生物的入侵方面機(jī)制的一道保障防線。利用圖像分割算法對白細(xì)胞顯微圖像進(jìn)行處理分析，自動識別白細(xì)胞，根據(jù)分割結(jié)果對其進(jìn)行分類，并統(tǒng)計(jì)各類白細(xì)胞數(shù)目等信息診斷是否有疾病以及患病程度，所以對白細(xì)胞分割計(jì)數(shù)具有醫(yī)學(xué)檢驗(yàn)意義。

計(jì)算機(jī)圖形圖像處理技術(shù)被廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域，為了更精確地提取圖像特征信息，國內(nèi)外學(xué)者提出了很多種改進(jìn)方法。Ghosh等[1]根據(jù)白細(xì)胞核的形狀特征，運(yùn)用貝葉斯分類器對白細(xì)胞進(jìn)行分類，其原理是利用數(shù)字圖像處理中的數(shù)學(xué)形態(tài)學(xué)將血液細(xì)胞顯微圖像中的白細(xì)胞及其細(xì)胞核進(jìn)行識別、提取和分類。Xie等[2]集合隨機(jī)游動原理和神經(jīng)網(wǎng)絡(luò)原理提取細(xì)胞核結(jié)構(gòu)，并且利用白細(xì)胞的形態(tài)特征對其進(jìn)行分類。Chen等[3]提出了一種輪廓感知的全卷積神經(jīng)網(wǎng)絡(luò)（Full Convolutional Neural Network，F(xiàn)CN）[4]——DCAN，用于從組織學(xué)圖像中分割腺體，以改善腺癌的自動診斷。它們還用輪廓模擬了損失，使得他們贏得了2015年MICCAI腺體分割挑戰(zhàn)[5]，證實(shí)了強(qiáng)化學(xué)習(xí)輪廓的優(yōu)勢。李舒等[6]結(jié)合醫(yī)學(xué)專業(yè)知識分析白細(xì)胞特征，同時對血液細(xì)胞中的細(xì)胞核、細(xì)胞質(zhì)和細(xì)胞膜進(jìn)行分割，從而達(dá)到各個成分的分離，并且進(jìn)一步實(shí)現(xiàn)了白細(xì)胞復(fù)原。最近，Xu等[7]提出了一種三分支網(wǎng)絡(luò)來分割結(jié)腸組織學(xué)圖像中的單個腺體。Mask R-CNN[8]被認(rèn)為是自然圖像實(shí)例分割中較好的技術(shù)，它使用Faster R-CNN[9]對對象邊框進(jìn)行分類，然后在每個框內(nèi)應(yīng)用FCN[4]分割單個圖像。

目前，針對急性淋巴細(xì)胞白血?。ˋcute Lymphoblastic Leukemia，ALL）患者血液細(xì)胞顯微圖像的白細(xì)胞提取及粘連白細(xì)胞分割技術(shù)仍需進(jìn)一步完善。本文提出了一種基于色彩空間轉(zhuǎn)換的目標(biāo)檢測方法，提取圖像中的白細(xì)胞，并使用基于距離變換的分水嶺算法分析圖像信息以分離粘連細(xì)胞，進(jìn)一步優(yōu)化分割結(jié)果。

1 實(shí)驗(yàn)方法

1.1 提取白細(xì)胞

提取白細(xì)胞作為ALL顯微圖像分割的第一步，就是將圖像中的紅細(xì)胞和血小板置為背景，白細(xì)胞置為前景。在血涂片中，白細(xì)胞與紅細(xì)胞在顏色上存在差異，與血小板在大小上存在差異，利用該特點(diǎn)檢測并提取白細(xì)胞。

1.1.1 中值濾波

在提取白細(xì)胞之前需要對圖像進(jìn)行中值濾波[10]，在盡量保留白細(xì)胞邊緣細(xì)節(jié)特征的條件下對顯微圖像中的噪聲進(jìn)行抑制，以提高后續(xù)圖像分析和分割的有效性和可靠性。中值濾波作為非線性數(shù)字濾波器技術(shù)，需要檢查輸入信號中的采樣并判斷它是否代表了信號，使用奇數(shù)個采樣組成的觀察窗實(shí)現(xiàn)這項(xiàng)功能，即選取像素點(diǎn)的灰度值由其周圍像素點(diǎn)灰度的中值來代替[11-12]，見算法1。通過運(yùn)用數(shù)理統(tǒng)計(jì)學(xué)中的中間值方法，對原始圖形進(jìn)行非線性信號處理，以降低噪聲對圖像的干擾，增大信噪比。

算法1中值濾波算法為：

Input: image X of size m×n, kernel radius r

Output: image Y as X

for i = r to m - r do

for j = r to n - r do

initialize list A[]

for a = i-r to i+r do

for b = j-r to j+r do

add X(a, b) to A[]

end for

end for

sort A[] then Y(i ,j) = A[A.size/2]

end for

end for

1.1.2 圖像色彩空間轉(zhuǎn)換

在計(jì)算機(jī)視覺和圖像處理領(lǐng)域，色彩空間指的是組織色彩的特定方式。一個色彩空間由顏色模型和映射函數(shù)構(gòu)成，顏色模型能代表像素的值，而映射函數(shù)將顏色映射到可以被代表的所有顏色的集合。RGB是應(yīng)用最廣泛的色彩空間，其模型結(jié)構(gòu)如圖1所示。

圖1 RGB色彩空間模型

HSV色彩空間是基于人類對顏色的感知而提出來的顏色空間。H、S、V、分別代表色調(diào)（Hue）、色彩飽和度（Saturation）和明度（Value），它是一種將RGB色彩空間中的點(diǎn)在倒圓錐體中的表示方法。HSV色彩空間圓錐模型如圖2所示。

圖2 HSV色彩空間模型注：圓錐組成的子集代表HSV顏色空間中的每一個元素，在圓錐的頂點(diǎn)處，V=0，H和S無定義，代表黑色；圓錐的頂面中心處V=255，S=0，H無定義，代表白色。

彩色圖像一般用RGB三個分量表示，同時與亮度有關(guān)，當(dāng)圖像亮度發(fā)生變化，三個分量隨之變化，因此RGB色彩空間更加適合于顯示系統(tǒng)，并不適合于血液細(xì)胞顯微圖像處理。而HSV則與人眼的色彩感知相近，本文采用HSV顏色空間，對亮度和色彩分別進(jìn)行處理，其中亮度與圖像的色彩信息無關(guān)，而色調(diào)和飽和度則與人的感知密切相關(guān)。實(shí)驗(yàn)中的色彩空間轉(zhuǎn)換方法，算法如下：

1. if R=max, H=(G-B)/(max-min)

if G=max, H=2+(B-R)/(max-min)

if B= max, H=4+(R-G)/(max-min)

2. H=H×60

if H＜0, H=H+360

3. V=max(R, G, B)

4. S=(max-min)/max

根據(jù)算法2對血液細(xì)胞顯微圖像進(jìn)行色彩空間轉(zhuǎn)換，并提取兩個色彩空間中的R、G、B、H、S、V六個分量，如圖3所示。RGB空間的三個分量沒有完全地將紅細(xì)胞、血小板和白細(xì)胞區(qū)分開，而HSV空間的三個分量更適合于血液細(xì)胞的邊緣檢測和分割。

圖3 RGB和HSV色彩空間分量提取結(jié)果注：a是濾波后的原始圖像；b～d是R、G、B分量提取結(jié)果；e～g是H、S、V分量提取結(jié)果。

1.1.3 白細(xì)胞檢測

由于HSV顏色空間的三個分量對血液細(xì)胞顯微圖像更為敏感，實(shí)驗(yàn)基于HSV色彩圖像檢測并提取白細(xì)胞，見算法3：基于cv2.inRange函數(shù)濾除紅細(xì)胞；基于cv2.bitwise_and函數(shù)將RGB圖像中的背景和紅細(xì)胞置黑，突出白細(xì)胞和血小板；基于cv2.threshold函數(shù)二值化提取結(jié)果；基于cv2. findContours函數(shù)標(biāo)記前景輪廓，并依照面積升序排列輪廓；濾除面積小于6000像素點(diǎn)的血小板，以進(jìn)一步突出白細(xì)胞。

圖像中的白細(xì)胞呈紫色，所以將（H，S，V）三元組的閾值設(shè)置為（125，43，46）～（155，255，255），該色帶區(qū)間的像素點(diǎn)突出了白細(xì)胞和血小板。將提取結(jié)果二值化后進(jìn)行前景輪廓標(biāo)記，并以面積為依據(jù)升序排列輪廓。遍歷所有輪廓，面積大于6000像素點(diǎn)的前景視為白細(xì)胞，進(jìn)行提取，否則視為血小板。

1.2 分離粘連白細(xì)胞

分水嶺算法是一種數(shù)學(xué)形態(tài)學(xué)圖像分割方法[13]，最初用來處理簡單的二值圖像，隨后被用作灰度圖像分割。分水嶺算法的計(jì)算速度較快，對微弱邊緣有較好的分割效果，所以本文采用分水嶺算法分割粘連細(xì)胞[14]，并將其與距離變換[15]結(jié)合使用。

1.2.1 距離變換

距離變換是針對二值圖像的一種變換。在二維空間中，一幅二值圖像可以認(rèn)為僅僅包含目標(biāo)和背景兩種像素，目標(biāo)像素值為1，背景像素值為0。距離變換的結(jié)果不是另一幅二值圖像，而是一幅灰度級圖像，即距離圖像，圖像中每個像素的灰度值為該像素與距其最近的背景像素間的距離。

距離變換算法有歐式距離和非歐式距離兩類，由于非歐式距離往往不滿足精度要求，實(shí)驗(yàn)中采用歐式距離變換算法。二維數(shù)組AM×N=[aij]可以表示一個大小為M×N的二值圖像，其中目標(biāo)點(diǎn)的像素為aij=1，背景點(diǎn)的像素為aij=0。假設(shè)背景像素集合是B={(x，y)|aij=0}，目標(biāo)像素集合是F={x，y|aij=1}，則對A集合里面所有像素點(diǎn)（i，j）按照公式(1)進(jìn)行計(jì)算就是實(shí)驗(yàn)中采用的距離變換。公式(2)解釋了歐式距離計(jì)算方法。

1.2.2 分水嶺分割算法

分水嶺算法是把數(shù)字圖像映射為地形地貌圖，地形圖中的海拔高度用原圖像中的像素點(diǎn)的灰度值來表示，利用邊界點(diǎn)將其劃分成山和盆地，然后使用浸水模型[16]對圖像進(jìn)行分割：首先找出圖像中所有的局部極小值點(diǎn)；然后從極小值點(diǎn)開始將地表勻速浸入水中，隨著水量的增加，積水盆地開始慢慢向外擴(kuò)張，在積水盆地交集處構(gòu)建水壩，預(yù)防兩個積水盆地匯合在一起，當(dāng)整個地形完全被水浸沒后，這時的水壩就形成了分水嶺。基于距離變換的分水嶺分割算法如算法4：使用cv2.cvtColor函數(shù)將目標(biāo)圖像變換成灰度圖像；閾值化處理；使用cv2.morphologyEx函數(shù)進(jìn)行重建的開閉操作，消除細(xì)小邊界；距離變換；使用cv2.watershed函數(shù)求出基于距離變換的分水嶺分割結(jié)果。

基于距離變換后的分水嶺算法對粘連細(xì)胞的分割有較好的效果，但過分割現(xiàn)象仍然存在，如圖4所示。

圖4 基于距離變換的分水嶺算法對粘連細(xì)胞的分割結(jié)果注：a～c分割結(jié)果較好；d中出現(xiàn)了過分割現(xiàn)象。

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)算法在Ubuntu 16.04操作系統(tǒng)下，基于Pycharm Community IDE，采用Python 3.0語言進(jìn)行編寫和測試。實(shí)驗(yàn)數(shù)據(jù)來源于意大利米蘭大學(xué)提供的公開血液樣本顯微圖像數(shù)據(jù)集——ALL_IDB1，該數(shù)據(jù)集針對急性淋巴細(xì)胞白血病。

2.1 中值濾波

研究所使用的血液細(xì)胞顯微圖像大小為1712×1368，根據(jù)圖像尺寸選?。?5，25）、（27，27）、（29，29）三種結(jié)構(gòu)元素進(jìn)行中值濾波。濾波后的顯微圖像如圖5所示。以圖中標(biāo)記處為例，圖c處理結(jié)果較為理想，保留了細(xì)胞邊界的細(xì)節(jié)特征，同時濾除了血涂片制作過程中產(chǎn)生的噪聲，所以實(shí)驗(yàn)中采用（27，27）結(jié)構(gòu)元素進(jìn)行濾波預(yù)處理。

圖5 中值濾波預(yù)處理結(jié)果注：圖a是原始血液細(xì)胞顯微圖像；圖b～d是分別是結(jié)構(gòu)元素（25，25）、（27，27）、（29，29）的濾波結(jié)果。

2.2 白細(xì)胞檢測與提取

將急性淋巴細(xì)胞白血病血液細(xì)胞顯微圖像轉(zhuǎn)換至HSV顏色空間后，進(jìn)行白細(xì)胞檢測與提取結(jié)果如圖6所示。HSV色彩空間的血液細(xì)胞顯微圖像中的白細(xì)胞和紅細(xì)胞在顏色上有顯著差異，對于周圍只有紅細(xì)胞和血小板的白細(xì)胞分割結(jié)果較好，但是不能準(zhǔn)確地分割粘連白細(xì)胞，見圖6d標(biāo)記處。

圖6 白細(xì)胞提取過程注：a是濾波后圖像；b是轉(zhuǎn)換至HSV色彩空間后的結(jié)果；c是白細(xì)胞檢測結(jié)果；d是過濾背景后的圖像；e是白細(xì)胞提取后的結(jié)果。

2.3 粘連白細(xì)胞分割

采用基于距離變換的分水嶺算法分割粘連白細(xì)胞，并標(biāo)記細(xì)胞邊界，分割結(jié)果如圖7所示。

圖7 粘連細(xì)胞分割結(jié)果注：第一行是濾除背景的粘連細(xì)胞圖像，第二行是分割并標(biāo)記邊界后的細(xì)胞圖像。a～c分割結(jié)果較精確；圖d～f在標(biāo)記處產(chǎn)生過分割。

3 總結(jié)與應(yīng)用前景

本文提出了使用色彩空間變換方法，將RGB色彩空間的ALL血液細(xì)胞顯微圖像轉(zhuǎn)換至HSV色彩空間，根據(jù)顏色閾值檢測并提取白細(xì)胞，并采用基于距離變換的分水嶺算法分割粘連細(xì)胞，得到了較為精確的結(jié)果，但是仍然存在過分割現(xiàn)象。

在未來的工作中，將會研究適用于大數(shù)據(jù)處理的深度學(xué)習(xí)技術(shù)，通過該技術(shù)提取高維數(shù)據(jù)中的特征信息[17-18]。希望能夠研究一種更加快速的血液細(xì)胞顯微圖像分割方法，能夠達(dá)到較好的分割結(jié)果，同時減少過分割現(xiàn)象，從而應(yīng)用于現(xiàn)代醫(yī)學(xué)影像處理。