CN101238487B - 分割白细胞的方法 - Google Patents

Abstract

本发明涉及一种用来分割血涂片中染色白细胞的方法，其特征在于，从血涂片摄取的数码图像的像素按照其色值被归入至少3个像素级别中的一个级别，图像中所有像素的色值都经过相同的转换，通过这种转换，归入图像背景级别的像素至少近似的显示为白色，进行获取的彩色图像向可替换的色彩空间的转换，所述色彩空间分别表示为色调、色彩饱和度和色彩强度、且所有像素的色调、色彩饱和度和色彩强度被算出，对于每个像素都会计算出针对其是否属于白细胞的概率值，其概率值相当于白细胞核色调概率值(Pnnc)与至少一个其它既率值的乘积(Pwbc)，概率值根据提前算出并确定的相互关系被确定，带有高概率值乘积的像素被看作属于白细胞。

Description

分割白细胞的方法

技术领域

本发明涉及一种用来分割血涂片中染色白细胞的方法。

发明内容

本发明的任务是，借助于从染色血涂片摄取的图像，对白细胞进行尽可能快速和准确的分割以及必要时的后续分类。分析应该在没有很大的计算耗费的情况下尽可能逼真地展现白细胞以及白细胞核的形状和位置，这样，才可能快速且无需很大耗费地实现必要时的白细胞后续分类。

按照本发明，这些任务将以在开始时所述方式中的方法通过如下特征实现：-通过优选使用聚类，特别是“k均值聚类”，从血涂片摄取的数码图像的像素按照其色值，特别是RGB色值，被归入至少3个像素级别中的一个级别，这些像素级别至少包括红细胞、白细胞(包括细胞核和细胞质)和图像背景，

-图像中所有像素的色值，特别是RGB色值，都经过相同的转换，通过这种转换，归入图像背景级别的像素至少近似的显示为白色，其优选用单个像素的色值除以针对背景像素算出的平均色值，

-进行获取的彩色图像向可替换的色彩空间的转换，所述色彩空间分别表示为色调、色彩饱和度和色彩强度，并算出所有像素的色调、色彩饱和度和色彩强度，

-对于每个像素都计算出针对其是否属于白细胞的概率值，其概率值对应于白细胞核色调概率值(Pnnc)与至少一个其它概率值的乘积(Pwbc)，其中，至少一个其它概率值是下面概率值之一，即：像素不属于红细胞色调的概率值(Prbc)或归入每个像素的色彩饱和度值(Psat)的概率值或归入每个像素的色彩强度值或亮度值的概率值(Plum)，

-这些概率值根据提前算出并确定的相互关系进行确定，

-带有高概率值乘积的像素被看作属于白细胞。

其表明，通过实施的转换和后续的概率计算和鉴于概率乘积的分析，可以用很少的计算耗费实现在血涂片中包含的白细胞的非常精确的图像。

在一个优选实施形式中，为了强调白细胞像素或为了强调背景分离，在针对像素获得的概率乘积上或在得出的概率图上使用了极限值方法，其中，为了确定每个被分割的区域的极限计算出质量量度Q(R)，其中，特别建立了被分割的区域范围内白细胞细胞核像素的数量与该已知区域像素总数的比例，并且使用最佳的所得质量量度的极限值。由此被观察的图像中白细胞的对比度将得到提高。

为了在考虑各像素的亮度值、饱和度值和色调值的前提下继续分割白细胞，预设极限之间的值被规格化且在运用聚类，优选k均值聚类，的情况下被编组，将实现分析方法在计算技巧上的简化。聚类可以理解为带有可选的或特定的相似特性的像点的概括。k均值聚类(k-means dlustering)可以理解为这样一种算法，在这种算法中，簇的理想值k和用来确定簇的中点的函数是已知的。该算法如下运行：

1、初始化：(随机)选择k个簇中心

2、分类：每个对象都将被分配到距其最近的簇中心

3、重新计算：针对每个簇都将重新计算其簇中心

4、重复：如果这时对象的分类发生变化，继续步骤2，否则中止然后从预设起点出发，实现以预设组数的数据聚类。

本发明还涉及一种计算机程序产品，其带有程序编码方法并存储在可以被计算机读取的数据载体上，以便在程序产品在计算机上运行时实施上述用来分割血涂片中染色白细胞的方法。

附图说明

图1、2、3、4和6展示了不同的图像函数或概率曲线，图5a、b、c、d和e展示了不同的概率图像，它们在实施按照本发明的方法的过程中得到。图7展示了被分割后的白细胞。

具体实施方式

下面，根据染色血涂片图像中白细胞的分割举例说明本发明。另外，还可以对以其它方式得到的白细胞图像进行分析。

染色血涂片的图像通过用彩色照相机摄取这些图像获取，该照相机安装在透射显微镜的镜筒中。

白细胞以染色的形式存在。白细胞核的色调相对于细胞质的色调形成明显的对照，尤其是更暗。

像素的饱和度(Sat(R，G，B))和亮度(Lum(R，G，B))被用来作为描述细胞核像素和背景像素的特征。下面展示了RGB颜色组分中像素饱和度和亮度的运算：

RGBmax＝max(R，G，B)

RGBmin＝min(R，G，B)

$\mathrm{Lum}(R,G,B)=\frac{\mathrm{RGB}\max (R,G,B)+\mathrm{RGB}\min (R,G,B)}{2}$

有三个像素等级被定义：红细胞(红色血球)、白细胞或白细胞核(白色血球)和图像背景，这里假设，背景区域形成图像中最大数量的像素，然后是红细胞和白细胞。每个像素都通过“k均值聚类”方法被归入三个等级中的一个。如果大于90％的像素位于背景等级，将重复分类过程，以避免错误分割。“k均值聚类”的实施方法在英国牛津大学出版社于1995年出版的由Bishop，C.M.所著的Neural Networks for Pattern Recognition(《模式识别中的神经系统网络》)中被公开。

血涂片的图像背景颜色在摄取的彩色图像中显现出不是理想的白色，其原因可以是比如不理想的照明、彩色照相机未经最优化的白平衡或物体载体的玻璃。如果假设乘法(multiplikative)色彩混合，就可以针对图像中每个像素C∈{R，G，B}通过下面描述的运算转换针对每个新像素C′∈{R，G，B}的颜色，这样，每个背景像素都显示为近似白色。

代表图像背景的平均色。当

时，图像在乘法色彩混合的前提下是黑色图像。

在从RGB色彩空间到可替换的色彩空间的图像转换的过程中，除了饱和度和亮度之外还需额外计算色调。每个像素的色调(Hue(R，G，B))将在一个划分为6个扇区的圆内如下转换：

$C_n=\frac{\mathrm{RGB}\max (R,G,B)-C^{\′}}{\mathrm{RGB}\max (R,G,B)-\mathrm{RGB}\min {(R,G,B)}^{\′}}$ C′∈{R，G，B}，C_n ∈{R_n，G_n，B_n}

从像素值C′(RGB)中将计算出新的像素值C_n(R_n，G_n，B_n)。(R代表红色通道，G代表绿色通道，B代表蓝色通道)

如果R＝RGBmax(R，G，B)

再者如果G＝RGBmax(R，G，B)

再者

结束如果循环    (结束该如果循环并进行下一步骤)

$\mathrm{Hue}(R,G,B)=\frac{\mathrm{Hue}(R,G,B)}{6}$

白细胞概率将针对每个像素通过细胞核色调(P_nuc)的概率值和至少一个其它概率值的乘积算出，其它概率值尤其是“非红细胞色调”(P_rbc)和/或饱和度(P_sat)和/或亮度(P_lum)的概率值。单个的概率值通过启发式的、根据测试图像系列得出的图像函数确定。在图1、2、3和4中，相应得出的图像函数被图解示出。分段给出的图像函数的线性部分使有效插值或应用用来分析图像的参考表格成为可能。为了提高分析精度，可以算出所有概率值的乘积。大多数情况下，细胞核色调P_nuc与另外一个概率值的概率乘积就足够了。

组合的白细胞概率针对每个像素如下算出：

P_wbc(R，G，B)＝P_mc(Hue(R，G，B))P_rbc(Hue(R，G，B))P_sat(Sat(R，G，B))P_lum(Lum(R，G，B))

图5a、b、c、d和e借助于例图展示了单个的概率图或组合的概率图。图5a展示了细胞核色调的概率图，图5b展示了“非红细胞色调”的概率图，图5c展示了饱和度的概率图，图5d展示了亮度的概率图，图5e展示了获得的白细胞的概率图。亮像素代表高概率值，暗像素代表低概率值。

为了改善图像质量，可以在相应于图5e的概率图上使用极大稳定极值区域(MSER)方法。

MSER方法由J.Matas、O.Chum、M.Urban、T.Pajdla于2004年发表在《International Journal of Computer Vision》第22卷；第10期；第761-767页的文章《Robust wide baseline stereo from maximally stable extremal regions》中，以及由J.Matas、O.Chum、M.Urban、T.Pajdla于2001年发表在位于捷克共和国布拉格的捷克技术大学机械感觉中心的报告CTU-CMP-2001-33《DistinguishedRegions for Wide-Baseline Stereo》中。

在MSER方法过程中，图像总是不断的被转换成不同的二值图像，且每次都带有不同的极限值，它连续的取另一个值，比如1至254之间的值。

在图5e中，可以清楚的识别明亮的白细胞核和具有小一些亮度的白细胞细胞质。

然后，对于每个被分割的区域R′(即对于带有相似的有关细胞核像素的特性的相关像点组成的图像)进行质量量度(

β)Q(R)的计算：

如果：R中的细胞核像素数   ＜T_细胞核

Q(R)＝0       T_细胞核＝预设极限值

否则

R的形态学开

填充R中的孔

选择R的最大区域

Q(R)＝紧性   (R)N₁细胞核比率 (R)

结束

形态学开(morphological opening)可以理解为侵蚀和随后的膨胀(Dilatation)的运算结合。侵蚀运算在二值图像中(每个像点的值为“0”或“1”)的作用是把所有值为“1”的表面缩小像点宽度的边。只有所有相邻像点的值都为“1”的时候，值为“1”的像点才保留它的值，相反，值为“0”的像点一直保留它的值。膨胀运算在二值图像中的作用是，把所有值为“1”的表面扩大像点宽度的边。运算填充孔(fill hole)应用于二值图像上(每个像点的值为“0”或“1”)。如果由值为“0”的像点组成的表面被由值为“1”的像点组成的表面所包围，这些值为“0”的像点将被值为“1”的像点所替换。

被分割的图像区域的紧性R按以下方式算出：

紧性

根据图6，图像区域R的细胞核像素数量细胞核面积(NucleusArea(R))与图像区域R的总像素数量面积(Area(R))的比例给出了图像区域R的单位总面积的细胞核表面的概率。

细胞核比率

F_尺寸(x)(F_size(x))代表图像函数。F_尺寸(x)曲线在图6中示出。

用MSER方法得出的区域质量Q(R)被存储在树形结构中。为了对白细胞进行分割，需为树的每个树枝选择拥有最高Q(R)值的区域。如果一个树枝拥有Q(R)平均值更高的多个分枝，这些分枝将被选择用来分割。在图7中描述了包含细胞核像素的极大稳定极值区域(图像区域)。亮度与子类(Nachkomme)的数量(即树枝分枝的数量)成正比。

在以这种方法对图像中的白细胞进行分割之后，可以实现以精确的方式对白细胞的分类。

分类可以包括细胞质和细胞核的分割，然后是记录组织结构和形状特征以及记录的特征与预设的比较值之间的比较。然后，根据比较结果把分割的白细胞归入不同的白细胞种类。

Claims (1)

1.用来分割血涂片中染色白细胞的方法，其特征在于：

- 通过使用k均值聚类，从血涂片摄取的数码图像的像素按照其RGB色值，被归入至少3个像素级别中的一个级别，这些像素级别至少包括红细胞、白细胞和图像背景，

- 图像中所有像素的RGB色值，都经过相同的转换，通过这种转换，归入图像背景级别的像素至少近似的显示为白色，所述转换通过用单个像素的色值除以针对背景像素算出的平均色值得到，

- 进行获取的彩色图像向可替换的色彩空间的转换，所述色彩空间分别表示为色调、色彩饱和度和色彩强度，并算出所有像素的色调、色彩饱和度和色彩强度，

- 对于每个像素都计算出针对其是否属于白细胞的概率值，其概率值对应于白细胞核色调概率值与至少一个其它概率值的乘积，其中，至少一个其它概率值是下面概率值之一，即：像素不属于红细胞色调的概率值或归入每个像素的色彩饱和度值的概率值或归入每个像素的色彩强度值或亮度值的概率值，

- 这些概率值根据提前算出并确定的相互关系进行确定，

- 带有高概率值乘积的像素被看作属于白细胞。

2. 权利要求1所述的方法，其特征在于，所述白细胞包括细胞核和细胞质。

3．权利要求1所述的方法，其特征在于，为了强调白细胞像素或为了强调背景分离，在针对像素获得的概率乘积上或在得出的概率图上使用了极限值方法，其中，为了确定每个被分割的区域的极限而计算出质量量度Q（R）。

4. 权利要求3所述的方法，其特征在于，在所述被分割的区域范围内建立了白细胞细胞核像素的数量与已知区域像素总数的比例，并且使用最佳的所得质量量度的极限值。

5．权利要求1至4中任一项所述的方法，其特征在于，为了在考虑各像素的亮度值、饱和度值和色调值的前提下继续分割白细胞，预设极限之间的值被规格化且在运用聚类的情况下被编组。

6. 权利要求5的方法，其特征在于，所述聚类是k均值聚类。

7．权利要求1至4中任一项所述的方法，其特征在于，得出被分割的白细胞的形状特征和形状参数并根据这些特征和参数把分割的白细胞归入不同的白细胞种类中。

8．权利要求1至4中任一项所述的方法，其特征在于，为计算像素概率值所运用的概率值通过得出的启发式图像函数进行确定。

9. 权利要求8的方法，其特征在于，所述为计算像素概率值所运用的概率值根据测试图像系列得出的启发式图像函数进行确定。

10．权利要求8所述的方法，其特征在于，图像函数的部分区域由线性部分构成。

Images