注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

lican8341的博客

霜剑如梦倚残翼,泊影难觅几何时!

 
 
 

日志

 
 

病变细胞显微图像分析与识别技术的研究  

2016-02-01 22:15:16|  分类: 抬头望见北斗星— |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

【摘要】  依据病变细胞的形态和颜色特征,我们提出了一种基于RGB和HIS彩色空间的自适应自动阈值分割算法,该算法能有效地将病变细胞的胞核从复杂的背景中提取出来。在分割图像的基础上,应用canny边缘检测算法提取出细胞边缘,采用八链码跟踪技术提取出细胞的特征值。为了同正常细胞比较,同时提取了正常细胞的特征值,并提出了二步识别算法以对正常和病变细胞进行识别。实验结果表明,该系统能有效地分割血细胞图像并且诊断率较高。

【关键词】  病变细胞;彩色空间;自动阈值分割;特征识别

 Microscopic Image Analysis and Recognition on Pathological CellsYIN Cong1,LUAN Qiuping1,FENG Nianlun2

    (1.Shandong College of Electronic Technology, Jinan 250014, China;

    2.Shandong Provincial Hospital, Jinan 250021, China)

    Abstract:According to the features of the configuration and color information on the pathological cells, an adaptive automatic threshold segmentation based on the RGB and HIS color spaces was presented, which was available to segment suspected cancer cells and nucleus from the complex backgrounds in the microscopic images. The edges of the suspected cells and nucleus were detected by using Canny operator. Using the technology of eight chain codes tracking, the feature values of suspected cells were extracted. The transcendental features and calculating formulas were presented to recognize the suspected cells. Meanwhile, by comparing the natural cells and suspected cells, the detection method was decided. The results show that the proposed algorithm can efficiently segment cell images and receive higher accuracy of cell diagnosis.

    Key words:Pathological cell;Color space;Automatic threshold segmentation;Feature recognition

    1  引  言

    我们对病变细胞图像的识别进行了研究,将脱落细胞显微图像作输入,首先对图像进行去噪、平滑等预处理,为了充分利用病变细胞的彩色特征,在彩色空间对细胞进行自动阈值分割,将图像中的可疑细胞和细胞核分割出来,用Canny边缘检测算法求出可疑细胞和胞核的边缘,再利用八链码边缘跟踪技术,将可疑细胞及细胞核的形态特征值抽取出来,根据病变细胞的先验形态特征,对提取出来的形态特征值进行检验,以此判断该细胞是病变细胞还是正常细胞。本系统还将病变细胞和正常细胞的形态特征进行了比较,以确定可疑病变细胞的二次识别算法。实验结果表明,该算法能有效分割病变细胞并获得较高诊断率。

    2  病变细胞的彩色图像分割

    对于细胞分析而言,细胞核包含了识别细胞的主要特征,因此要测量病变细胞的形态特征值,首先将该细胞和细胞核从背景中割离出来。在临床专家的指导下,对此类细胞核的色彩进行了分析研究。经验表明,和正常细胞相比,病变细胞的核颜色偏深,彩色分量有较大的差异,因此,这里采用细胞核的色彩特征进行分析识别。图像分割过程包括彩色空间选择和细胞自动阈值分割两部分。

    2.1  彩色空间的选择

    通过实验,本研究采用RGB和HIS彩色空间相结合的自动阈值分割方法。

    本系统中采集的图像为24位RGB真彩图像,而在HSI空间中,H(hue)表示不同颜色,如黄、红、绿等;S(saturation)表示颜色的深浅如深红、浅红;I(intensity)表示颜色的明暗程度[1-3]。从RGB到HSI的转换关系为:

    H=cos-1(R-G)+(R-B)2(R-G)2+(R-B)(G-B)

    (R≠G或R≠B)(1)

    S=1-3R+B+G[min(R,G,B)](2)

    I=R+G+B3(3)

    2.2  细胞自动阈值分割

    本系统所采用的分割过程如下:通过对大量病变细胞图像的实验观察和临床经验,表明偏蓝紫色是病变细胞核的共有特征,所以B分量应该加以重视,通过对B分量进行阈值分割,即可完成对细胞核的定位和分割;由于RGB空间存在各分量之间相关性强的缺点,而{H,S,I}空间各分量能通过明暗度、饱和度来有效识别病变细胞,所以选择在HSI空间中完成对胞浆的分割,至此通过在两种彩色空间中的两次分割,完成对病变细胞核、细胞浆的精确分割。自动获取阈值T的算法步骤为[4]:

    (1)根据实际需要,选择一个T的初始估计值。

    (2)用T分割图像,这样会生成两组像素:G1由所有灰度值大于T的像素组成,而G2由所有灰度值小于或等于T的像素组成。

    (3)对区域G1和G2中的所有像素计算平均灰度值μ1和μ2。

    (4)计算新的门限值:

    T=1(μl+μ2)(4)

    (5)重复步骤(2)~(4),直到逐次迭代后T值不再变化。

    2.3  基于自动阈值分割的细胞分割结果

    基于以上算法得到胞核和胞浆的分割结果如下:

    (1)胞核分割  通过观察彩色空间RGB的B分量图像,可以明显看出图像分成两部分:胞核和背景(包含一些菌团和杂质)。因此,可以在此分量上完成对胞核和背景的分割。图1(b)为最终的胞核分割结果。

    (2)胞浆分割  在HIS空间,采用完成病变细胞最终的分割(见图1c)。

    3  形态特征提取

    分别提取两类细胞(病变细胞和正常细胞)的形态特征,由临床经验知病变细胞比正常细胞核大,形状更近似于圆或椭圆。根据这些主要的差异,确定后续的判定规则。本阶段首先采用Canny边缘检测算法对可疑细胞胞核和胞浆的分割图像进行边缘检测,得到细胞和细胞核的轮廓图,后采用八链码跟踪技术对细胞和胞核的轮廓图提取细胞和胞核的形态特征。

    3.1  边缘检测

    如图2示,图2(a)为胞核边缘检测结果,图2(b)为胞浆边缘检测结果。

    为了将病变细胞与正常细胞进行比较以取得后继的判定准则,这里也按上述步骤提取了正常细胞的轮廓图,见图2(c)、图2(d)。

    在本方法中,使用的细胞的主要形态学特征包括:它们是细胞及细胞核各自的周长、面积、宽度、高度、似圆度、矩形度、伸长度,以及细胞核与细胞的面积之比。在求取以上形态特征时,本系统采用对轮廓图进行边缘跟踪,求取其链码表示,从而获得其形态特征的方法。3.2  八链码跟踪

    考虑数字图像像素点(x,y)的一个8邻域,该点处的边界只能在以下几个方向:正东、东北、正北、西北、正西、西南、正南和东南。对于每一种方向赋以一种码表示,8个方向分别对应于0、1、2、3、4、5、6和7,这些码再加上一些标志码,即可构成链码。

    从链码可以得出边界的许多形状特征[5]:

    图2  病变细胞和正常细胞的边缘检测结果

    (a)胞核边缘检测;(b)胞浆边缘检测;

    (c)正常细胞原始图像;(d)正常细胞轮廓

    Fig 2  The edge detection of pathological and normal cell

    (a)the edge detection of the nucleus;(b)the edge detection of the cell;(c)the original image;(d)the result of the edge detection

    (1)链码所围细胞区域的周长:

    L=ne+no2(5)

    其中,ne表示链码中偶数码的数目;no表示链码中奇数码的数目。

    (2)边界所表示区域的宽度和高度

    设方向链为{a1a2a3…an},定义ai在X轴上的分量为aix,在Y轴上的分量为aiy,则:设x0和y0是起始点的坐标,则:

    ai01234567aix110-1-1-101aiy01110-1-1-1

    宽度=maxi(∑ik=1akx+x0)-min(∑ik=1akx+x0)(6)

    高度=maxi(∑ik=1aky+y0)-min(∑ik=1aky+y0)(7)

    (3)链码所包围区域的面积:

 S=∑ni=1aix(yi-1+aiy/2)(8)

    yi=∑ik=1aky+y0(9)

    (4)细胞区域的圆度:

    C=4πA/L2(10)

    圆度用于描述细胞区域与圆形的偏离程度。在相同面积的条件下,细胞区域边界光滑且为圆形,则周长最短,其圆度C=1。细胞区域的形状越偏离圆形,则C值越小。

    (5)细胞区域的矩形度:

    R=A/(W×H)(11)

    其中,W为宽度,H为高度。矩形度用于描述细胞区域与矩形的偏离程度,当细胞区域为矩形时,R取最大值1。

    (6)细胞区域的伸长度:

    E=min(W,H)/max(W,H)(12)

    细胞区域越呈细长形,E越小,当细胞区域为圆形时,E=1。

    (7)细胞核与细胞的面积之比:

    B=S胞核/S细胞(13)

    B的值越大,越接近于癌细胞。

    由以上公式计算出的图像形态特征信息见表1。

    表1  胞核和胞浆的形态特征值

    Table 1  The feature values of the nucleus and the cells

    病变细胞LSWHCRE胞核30753148859772626280.4480.79430.9544胞浆40393419775840785400.2630.57460.96100.92正常细胞胞核1542849636924289680.4180.89120.7845胞浆26481178645084454920.2110.57680.99100.72

    4  二次识别算法

    4.1  形态学特征识别

    求得胞浆和胞核的形态学特征后,利用以下算法来选取可疑病变细胞。

    图3  识别算法流程图

    Fig 3  Flow chart of the recognication algorithm

    其中,Sth1为胞核面积的下限值,Bth、Cth、Rth、Eth为核浆比例、圆度、矩形度和伸长度约束。另外,由于小病变细胞有聚堆的特点,难以将聚堆的细胞核分为单个胞核,只能将其分割为一个“大细胞核”,面积大于其它任何一种细胞核的面积,因此,采用了另一个核面积上限值Sth2,选择小细胞病变细胞。

    4.2  色度学特征识别

    经过上述形态学识别后,绝大多数病变细胞被正确检测出来,却有一些正常细胞被错误地分类为病变细胞,为了提高识别率,我们采用色度学特征进行进一步的识别。和正常细胞相比,病变细胞的核颜色偏深,彩色分量有较大差异。因此,对于错分的细胞,我们分别计算每个彩色分量的均值和方差,比较后确定均值和方差的阈值,对错分的细胞进一步分类,提高了识别率。

    4.3  结果和比较

    利用以上形态学和色度学相结合的二次识别算法,对临床51例细胞进行了实验,其中有38例为病变细胞、17例为正常细胞。表2给出了识别结果。 表2  识别结果分析

    本研究在彩色空间针对病变细胞的形态特征,将两种彩色空间相结合,提出了基于彩色空间的人工干预半自动法进行细胞核自动阈值分割的方法;根据病变细胞的形态特征,采用了基于边界的八链码跟踪技术进行了边缘提取;对病变细胞和正常细胞的形态特征进行了比较。结果表明,该算法诊断率较高,证明了其可行性。

  评论这张
 
阅读(12)| 评论(0)
推荐 转载

历史上的今天

在LOFTER的更多文章

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2017