|
发布时间: 2017-12-16 |
医学图像处理 |
|
|
收稿日期: 2017-06-29; 修回日期: 2017-08-21
基金项目: 江苏省泰州市社会发展项目(SSF20160068)
第一作者简介:
王娅, (1981-)女, 讲师, 2007年于山东大学获应用数学专业理学硕士学位, 主要研究方向为图像处理、模式识别与数学建模。E-mail; 49491269@qq.com.
中图法分类号: TP391.4
文献标识码: A
文章编号: 1006-8961(2017)12-1779-09
|
摘要
目的
显微细胞的精确分割是计算机辅助诊断的前提和关键,为精确分割含有粘连重叠红细胞及病变红细胞的彩色显微图像,基于HSI模型,提出了一种自适应标记分水岭分割算法。方法
首先结合红细胞无核特点提取反光细胞的中心,从图像的
关键词
标记分水岭变换; HSI模型; 低通滤波; 主成分分析; 细胞图像分割
Abstract
Objective
Accurate segmentation of the microscopic cell image is the premise and key of computer-aided diagnosis. However, microscopic images of red blood cells always contain images of strongly adherent, overlapping, and pathological cells, thereby bringing difficulties in accurate segmentation. This study proposes an effective algorithm based on watershed transform to segment these cells in the HSI space. The segmentation accuracy of cell images is improved by adaptively marking the foreground and background areas and reconstructing the gradient maps.
Method
The marked watershed transform algorithm is widely used in the segmentations of microscopic cell images because of its simplicity and efficiency. The key to the effectiveness of the algorithm is to accurately mark the foreground cells. However, the presence of strongly adherent, overlapping, and pathological cells seriously affects the accuracy of the markers. To overcome this problem, this study adopts low-pass filtering and proposes an adaptive heuristic algorithm. The proposed algorithm marks the reflective center regions of red blood cells due to non-nuclear characteristics and finds the cytopathic regions from the change in the saturation of pathological cells. Thus, the interference of texture changes in cells caused by uneven illumination and cytopathic regions on segmentation is reduced. Then, in the HSI space, the local extreme points of the low-frequency component are extracted from the gradient maps of the
Key words
marked watershed transformation; hue-saturation-intensity (HSI) model; low-pass filtering; princical component analysis (PCA); cell image segmentation
0 引言
近年来,显微细胞图像的分割越来越受到人们的重视。其中对血液细胞图像的分割更多地集中于白细胞及正常红细胞的分割,很少有文献研究存在病变红细胞的图像分割[1]。主要分割方法除了常用的阈值分割[2-3]、边缘检测和区域生长[4-5]等,还涌现出了大量的新兴理论与方法,如基于活动轮廓模型的分割方法[6-7],基于神经网络与支持向量机的分割方法[5, 8],基于模糊聚类的分割方法[9-10],基于分水岭变换的分割方法[10-16]、基于凹点检测与曲线拟合的分割方法[17]等。其中,分水岭变换因其实现简单、高效,得到了广泛应用。文献[11-12]均采用了结合距离变换的分水岭算法,该算法对强粘连细胞及成像质量不好的图像效果不佳;文献[10]基于待分割细胞形状类圆的假设,定义了评价指标,提出了自适应的H-minima算法,同时结合聚类算法对过分割区域进行合并获得分割结果, 该算法运行效率低,对存在形变与重叠细胞的图像不适用。文献[13-15]采用了结合形态学迭代腐蚀算法的分水岭变换,通过改进极限腐蚀算法的运行终止条件获取内部标记点对血液红细胞图像进行分割,可有效降低错误率,但需要获得单个细胞面积的先验知识,同时对于大片重叠及粘连细胞区域存在很多欠分割。针对含有病变及大量粘连重叠血红细胞的染色图像,提出了自适应标记分水岭分割算法。算法基于HSI模型结合红细胞自身特点提取出中心反光的无核区域,从图像的
1 图像预处理
1.1 HSI模型
HSI模型中,色调
$ H{\rm{ = }}\left\{ \begin{array}{l} \theta \;\;\;\;\;\;\;\;\;\;\;\;B \le G\\ 360 - \theta \;\;\;\;B > G \end{array} \right. $ |
$ \begin{array}{l} \theta = \arccos \left\{ {\frac{{0.5\left[{\left( {R-G} \right) + \left( {R-B} \right)} \right]}}{{\left[{{{\left( {R-G} \right)}^2} + \left( {R-B} \right){{\left( {G-B} \right)}^{1/2}}} \right]}}} \right\}\\ \;\;\;\;\;\;\;S = 1 - \frac{3}{{\left( {R + G + B} \right)}}\left[{\min \left( {R, G, B} \right)} \right]\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;I = \frac{{R + G + B}}{3} \end{array} $ | (1) |
式中,
实际运算中,将上述3个分量值变换到[0, 255]范围内。图 2(a)-(c)给出了红细胞染色图,以及
1.2 基于饱和度的阈值分割
阈值分割是最常用的图像分割方法,可以获得关于图像前景的初略信息。如图 2(b)所示, 饱和度最高的区域对应着病变红细胞。通过对
为了更好地分辨出细胞中心无核区域, 采用基于边缘信息的全局阈值分割算法[18]。步骤如下:
输入:细胞图像的
输出:阈值分割二值图。
1) 提取
$ {g_S}\left( {x, y} \right) = mag\left( {\nabla S} \right) = \sqrt {g_{sx}^2 + g_{sy}^2} $ | (2) |
式中,
2) 对
3) 仅对
细胞病变部位图像梯度幅值较大,以非病变区域作为掩模,消除细胞病变部位对分割的干扰是准确确定阈值的前提。
图 2(e)给出了分割结果,与基于Otsu方法的全阈值分割结果图 2(f)相比,得到更多的细胞中心。对分割后的图像采用形态学填充,可得细胞前景区域。计算各个前景区域的圆形度,圆形度最大的,可认为是单个细胞,其半径记为
2 自适应标记提取
2.1 提取初始内部标记
通过对预处理生成的二值图像采用形态学运算,提取红细胞中心作为内部标记。未被标记的细胞,或者光照均匀,细胞内部亮度变化缓慢,或者存在较多重叠,色彩分布均匀,饱和度变化缓慢。这种缓慢变换的特征对应于图像的低频成分[16],其局部极小值与细胞有很强的相关性。因此结合亮度与饱和度信息,提取
本文选用巴特沃思低通滤波器获取图像低频成分,相比于理想滤波器,该滤波器在通带与阻带之间没有明显的不连续,在高低频率间过渡比较光滑,滤波器函数为
$ H\left( {u, v} \right) = \frac{1}{{1 + \left( {\sqrt 2 - 1} \right){{\left[{\frac{{D\left( {u, v} \right)}}{{{D_0}}}} \right]}^{2n}}}} $ | (3) |
式中,
对滤波结果再经过傅里叶逆变换,提取位于图像前景区域的极值点,作为初始标记点集的补充。图 3给出了初始标记点的获取流程。
2.2 伪标记点的去除
初始标记精确标记出了细胞位置,但也造成了重复标记,形成伪标记点。主要有3种伪标记点:1)中心反光细胞的梯度低频成分的极小值点,这些点往往在距离细胞中心较远的外侧环形区域,由于细胞中心已被标记,故成为伪标记;2)
输入:细胞图像的初始标记图。
输出:修正后的内部标记图。
1) 对已标记中心的红细胞,去除距离中心标记小于
2) 对剩下的由低通滤波获得的标记点,计算各标记点间的距离
$ {a_{ij}} = \left\{ \begin{array}{l} 1\;\;\;\;{d_{ij}} < k \cdot r\\ 0\;\;\;\;{d_{ij}} \ge k \cdot r \end{array} \right. $ | (4) |
式中,
3) 找出
4) 返回步骤3),直至矩阵
经过上述计算,保留的各标记点之间的距离均大于给定阈值。算法一方面利用了红细胞的无核特性确定了反光红细胞的标记,另一方面充分利用了邻接矩阵中各标记点的位置信息,最大限度地去除了细胞重叠区域的标记点,获得了对所有细胞的更精确标记。图 4(a)-(c)给出了内部标记的获取流程。
2.3 提取外部标记
为进一步区分图像中的细胞与背景,使用外部标记标注图像的背景区域。由二值图像所产生的背景区域可能包含一部分细胞边界,不适合作为外部标记。对二值图的背景区域采用形态学细化算法。
设背景区域为
$ \begin{array}{l} \;\;\;\;\;\;\;\;\;\left\{ {{S^k}} \right\} = S \otimes \left\{ {{B^i}} \right\} = \\ \left( { \cdots \left( {\left( {S \otimes {B^1}} \right) \otimes {B^2}} \right) \cdots \otimes {B^k}} \right) \end{array} $ | (5) |
式中,
细化结果只保留了原背景的主干部分,不再含有可能的细胞边界,所得图像的欧拉数与原图相同,不会因连通区域数量的改变导致过分割,细化结果即为图像外部标记。
3 梯度重建与分水岭分割
3.1 基于主成分分析的梯度重建
从HSI模型提取的
主成分分析(PCA)是应用最广泛的数据特征提取方法之一。其基本思想是提取空间原始数据的主要特征,在减少数据冗余的同时保留原始数据的绝大部分信息。将PCA引入梯度计算,从
设
$ \begin{array}{l} \;\;\;\;\;\;{\mathit{\boldsymbol{f}}_i}\;\; = \;\;\left[{{f_i}\left( {0, 0} \right), {f_i}\left( {0, 1} \right), \cdots, {f_i}\left( {0, {N_1}} \right), {f_i}\left( {1, 0} \right)} \right., \cdots, \\ {\left. {{f_i}\left( {{N_1}, {N_2}} \right)} \right]^{\rm{T}}} \end{array} $ |
图像向量
$ {\mathit{\boldsymbol{C}}_\mathit{\boldsymbol{f}}} = E\left[{\left( {\mathit{\boldsymbol{f}}-{\mathit{\boldsymbol{m}}_\mathit{\boldsymbol{f}}}} \right){{\left( {\mathit{\boldsymbol{f}}-{\mathit{\boldsymbol{m}}_\mathit{\boldsymbol{f}}}} \right)}^{\rm{T}}}} \right] $ | (6) |
式中,
$ \mathit{\boldsymbol{Y}} = \mathit{\boldsymbol{A}}\left( {\mathit{\boldsymbol{f}} - {\mathit{\boldsymbol{m}}_\mathit{\boldsymbol{f}}}} \right) $ | (7) |
式中,
3.2 基于标记的分水岭变换
将内部标记与外部标记合并得到完整的标记图。由于细胞中病变区域无论是
4 实验结果与分析
实验数据来自美国社会血液学数据库中的血液病患者的红细胞图像。为验证算法的有效性,将本文算法与文献[11]和文献[13]算法结果分析比较。为达到最佳效果,本实验中各模型参数都是经过多次测试后选取而定。分割结果见图 5。
从分割结果看,图 5第1行是含有弱粘连病变细胞的图像,细胞中心反光严重,文献[11]算法受细胞病变与图像反光影响,仅分割出病变及细胞中心区域,无法分割出细胞原样; 文献[13]算法分割粘连边界时,所得边界较为生硬,而本文算法充分利用梯度信息,获得细胞轮廓更接近真实情况。图 5第2行是粘连重叠细胞图像图,文献[11]算法依旧只分割出细胞中心的反光部位,无法给出细胞真实边界,文献[13]算法未给出细胞的准确定位,造成错误分割。本文算法完全分割出了重叠细胞,分割效果令人满意。对于严重粘连重叠的红细胞图像,如图 5第3行,文献[11]算法结果欠分割严重,未能分割出重叠细胞,而文献[13]算法对重叠细胞分割结果错误严重。本文算法标记准确,精确地分割出所有粘连重叠细胞,同时保持了细胞原有边界。对于含有大量病变与重叠细胞的复杂图像,文献[11]算法结果欠分割严重,很多细胞,尤其是存在病变与反光的细胞,都未分割出完整边界;文献[13]算法在细胞重叠较为严重区域分割效果较差,有较多过分割,上述两种算法对于重叠严重的细胞均存在欠分割;本文算法整体分割效果好,只有左上方图像边缘处两个重叠细胞未能被分割出来。这些细胞无论在饱和度还是亮度方面,在重叠边界处都没有明显梯度变化。当对分割精度要求非常高时,可以基于几何特征提取未能分割出的粘连细胞图像,采用距离变换获得前景标记。重新应用标记分水岭变换进行补充分割。由于只需分割个别粘连细胞,利用距离变换标记前景,比存在大量细胞时,准确度会有很大提高。
表 1为本文算法与文献[11]和文献[13]算法在分割精度和运行时间方面的比较。为方便统计比较,统计图片15幅,均为960×767像素大小,实验环境为: PC机,Intel i3-2350处理器,主频2.30 GHz,2.00 GB内存,编程软件为MATLAB R2010a。其中在图像边界且面积不足正常细胞面积1/4的细胞不纳入统计。由病变及反光产生的中心圈,记为过分割部分。此外,分割出的非细胞成分也作为过分割部分进行计数。采用平均欠分割率、平均过分割率、准确率和平均运行时间作为评价指标。结合统计数据与图 5的分割结果,文献[11]算法受图像光照情况与病变细胞的影响较为严重,不易分割出光照不均及病变细胞,欠分割率高。文献[13]算法虽不受光照与病变细胞影响,但对于团状粘连细胞分割困难,过分割率大,整体分割准确度相对较低。相比于上述两种算法,本文算法平均运行时间在两者之间,分割准确率较高,能够更多地保留重叠与粘连细胞的边界,去除细胞病变与光照不均的影响,鲁棒性高。
5 结论
针对含有病变及粘连重叠的复杂血红细胞的彩色显微图像,提出了一种基于HSI模型的自适应标记分水岭分割算法。首先从图像饱和度出发,标记出细胞中心反光区域与病变部位,降低了光照不均及病变导致细胞纹理变换对分割的干扰;接着结合亮度与饱和度信息自适应地提取细胞所在位置的标记点,然后运用主成分分析提取亮度与饱和度图像所含是主要梯度信息,去除噪声干扰,重建梯度图像,最后应用标记分水岭变换实现红细胞的自动分割。
本文算法可有效克服分水岭算法中的过分割,对粘连严重,存在形变、质变的红细胞图像的分割具有较高的准确性。在分割过程中同时提取出来细胞的病变部位以及图像的反光区域,在存在大量红细胞的复杂图像中,保留了细胞的原始边界。在临床中的应用意义主要在于可以更加准确地分离出重叠粘连细胞,辅助医生完成对细胞的准确分割与计数,同时对病变细胞进行标定,进而间接辅助对红细胞病变引起的血液病的诊断。
实验结果表明,本文算法对反光的红细胞图像及存在病变的红细胞图像的分割有一定的适应性,但在制片、成像过程中,个别粘连细胞在边界处饱和度与亮度变化非常弱,给分割带来较多困难,如何给出这类细胞的精确边界以及进一步提高算法效率是下一步研究的方向。
参考文献
-
[1] Liu Z W, An X, Li H, et al. Progress in cell image processing and analysis[J]. Transactions of Beijing Institute of Technology, 2014, 34(5): 441–453. [刘志文, 安兴, 李衡, 等. 显微细胞图像分析方法的研究进展[J]. 北京理工大学学报, 2014, 34(5): 441–453. ]
-
[2] Guan T, Zhou D X, Liu Y H, et al. Classification of cervical cell images based on adaptive thresholding segmentation[J]. Single Processing, 2012, 28(9): 1262–1270. [关涛, 周东翔, 刘云辉, 等. 基于自适应阈值分割的宫颈细胞图像分类算法[J]. 信号处理, 2012, 28(9): 1262–1270. ] [DOI:10.3969/j.issn.1003-0530.2012.09.008]
-
[3] Xu J. Improved algorithm for cell microscopic image segmentation[J]. Computer and Modernization, 2014(2): 91–94, 97. [徐佳. 现代医学细胞显微图像分割改进算法[J]. 计算机与现代化, 2014(2): 91–94, 97. ] [DOI:10.3969/j.issn.1006-2475.2014.02.021]
-
[4] Wang X S, Wang W. Definition based cell microscopic image segmentation and counting algorithm[J]. Chinese Journal of Medical Imaging, 2014, 22(10): 797–800. [王祥生, 王伟. 基于清晰度的细胞显微图像分割和计数方法[J]. 中国医学影像学杂志, 2014, 22(10): 797–800. ] [DOI:10.3969/j.issn.1005-5185.2014.10.020]
-
[5] Qi P J, Liu X B, Zhong Z Z, et al. Visible Components automatic recognition of microscopic cell image[J]. Computer Systems & Application, 2015, 24(5): 11–18. [漆鹏杰, 刘秀波, 仲兆准, 等. 显微细胞图像有形成分自动识别[J]. 计算机系统应用, 2015, 24(5): 11–18. ]
-
[6] Li K. Research of segmentation, texture extraction and classification methods for cell images[D]. Changsha:National University of Defense Technology, 2012. [李宽. 细胞图像的分割、纹理提取及识别方法研究[D]. 长沙: 国防科学技术大学, 2012.]
-
[7] Gong M G, Tian D Y, Su L Z, et al. An efficient bi-convex fuzzy variational image segmentation method[J]. Information Sciences, 2015, 293: 351–369. [DOI:10.1016/j.ins.2014.09.023]
-
[8] Zhang Y D, Wu L N, Wei G. Cellular image segmentation based on particle swarm neural network[J]. Journal of Electronic Measurement and Instrument, 2009, 23(7): 56–62. [张煜东, 吴乐南, 韦耿. 基于粒子群神经网络的细胞图像分割方法[J]. 电子测量与仪器学报, 2009, 23(7): 56–62. ]
-
[9] Liu F K. Microscopic image of biological microscopic cell image segmentation based on Retinex theory and clustering approach[D]. Nanning:Guangxi University, 2014. [刘方可. 基于Retinex原理和聚类的生物细胞显微图像分割[D]. 南宁: 广西大学, 2014.]
-
[10] Fang H P. Researches on overlapping circle-like granules segmentation[D]. Wuhan:Wuhan University of Science and Technology. [方红萍. 类圆形堆叠颗粒分割问题研究[D]. 武汉: 武汉科技大学, 2015.]
-
[11] Miao H S, Liang G M, Liu R R, et al. Watershed algorithm using edge gradient combined with distance transformation for segmentation of blood cells[J]. Journal of Image and Graphics, 2016, 21(2): 192–198. [缪慧司, 梁光明, 刘任任, 等. 结合距离变换与边缘梯度的分水岭血细胞分割[J]. 中国图象图形学报, 2016, 21(2): 192–198. ] [DOI:10.11834/jig.20160208]
-
[12] Tomari R, Zakaria W N W, Ngadengon R, et al. Red blood cell counting analysis by considering an overlapping constraint[J]. ARPN Journal of Engineering and Applied Sciences, 2015, 10(3): 1413–1420.
-
[13] Wang X, Hu Y Y, Yang H Z. Segmentation of adherent cell image based on iterative erosion[J]. Journal of Nanjing University of Science and Technology, 2016, 40(3): 285–289. [王鑫, 胡洋洋, 杨慧中. 基于迭代腐蚀的粘连细胞图像分割研究[J]. 南京理工大学学报, 2016, 40(3): 285–289. ] [DOI:10.14177/j.cnki.32-1397n.2016.40.03.006]
-
[14] Yang X Q, Yang Q X, Yang J. Microscopic cell image processing and application based on morphology[J]. Computer Systems & Applications, 2016, 25(3): 220–224. [杨小青, 杨秋祥, 杨剑. 基于形态学的显微细胞图像处理与应用[J]. 计算机系统应用, 2016, 25(3): 220–224. ]
-
[15] Huang J D. An improved algorithm of overlapping cell division[C]//Proceedings of the 2010 International Conference on Intelligent Computing and Integrated Systems. Guilin:IEEE, 2010:687-691.[DOI:10.1109/ICISS.2010.5655507]
-
[16] Zhang H T, Li Y N. Watershed algorithm with threshold mark for color image segmentation[J]. Journal of Images and Graphics, 2015, 20(12): 1602–1611. [张海涛, 李雅男. 阈值标记的分水岭彩色图像分割[J]. 中国图象图形学报, 2015, 20(12): 1602–1611. ] [DOI:10.11834/jig.20151205]
-
[17] Liao M, Zhao Y Q, Li X H, et al. Automatic segmentation for cell images based on bottleneck detection and ellipse fitting[J]. Neurocomputing, 2016, 173: 615–622. [DOI:10.1016/j.neucom.2015.08.006]
-
[18] Gonzalez R C, Woods R E, Eddins S L. Digital Image Processing Using MATLAB[M]. Ruan Q Q, Trans. 2nd ed. Beijing:Tsinghua University Press, 2013:388-397. [Gonzalez R C, Woods R E, Eddins S L. 数字图像处理的Matlab实现[M]. 阮秋琦, 译. 2版. 北京: 清华大学出版社, 2013: 388-397.]
-
[19] Mei H F. Research on edge detection of color image based on structure tensor[D]. Wuhan:Huazhong University of Science and Technology, 2013. [梅海峰. 基于结构张量的彩色图像边缘检测方法研究[D]. 武汉: 华中科技大学, 2013.]
-
[20] Zhang Z Y, Meng L H, Lei T. Adaptive gradient reconstruction for watershed based image segmentation[J]. Journal of Images and Graphics, 2014, 19(10): 1430–1437. [张志禹, 孟令辉, 雷涛. 自适应梯度重建分水岭分割算法[J]. 中国图象图形学报, 2014, 19(10): 1430–1437. ] [DOI:10.11834/jig.20141004]