CN102063723A - 高通量成像系统下的斑马鱼间脑和中脑自动分割方法 - Google Patents

Abstract

本发明公开了高通量成像系统下的斑马鱼脑部区域分割方法，其主要解决斑马鱼图像中的整体图像灰度较为复杂、间脑和间脑附近背景的灰度对比度不高、中脑边界较弱问题下的脑部区域分割问题。该发明主要包括以下内容：斑马鱼脑部区域的初步估计、利用局部灰度差来构建用于分割斑马鱼中脑区域模型的能量泛函、包围斑马鱼中脑区域的封闭曲线的形成、边缘停止函数的设计、用于分割斑马鱼中脑的测地线轮廓模型的构建。本发明的分割方法，能够有效地克服弱边缘、灰度对比度不高等问题，准确得到斑马鱼间脑和中脑的完整封闭的轮廓。

Description

高通量成像系统下的斑马鱼间脑和中脑自动分割方法

技术领域

本发明涉及生物医学图像处理与分析，特别是一种对高通量成像系统下对斑马鱼脑部区域分割的方法。

背景技术

斑马鱼是是属于辐鳍亚纲一种硬骨鱼，其神经系统、视觉系统、血液等方面在早期发育与人类极为相似，而且成长速度极快、胚胎透明。由于这一系列原因，斑马鱼已成为研究动物胚胎发育的优良材料和人类疾病起因的重要模式动物。在斑马鱼的图像处理和分析中，图像分割往往都是最基本的问题，而斑马鱼间脑和中脑的自动分割方法还没有被研究。现行的图像分割方法都不能较好地分割出斑马鱼胚胎图像中的间脑和中脑区域：对阈值分割方法，由于斑马鱼间脑和中脑的灰度均值不同，阈值方法不能很好地产生一个阈值来分割脑部区域；对边缘检测类方法，由于脑部区域附近的灰度和脑部附近背景灰度相近，很难通过边缘检测算子将脑部分割出来。

发明内容

本发明的目的在于提供一种能够自动地将斑马鱼图像中的斑马鱼间脑和中脑分割出来的方法。高通量的成像系统一次能产生几万幅图像，在研究过程中如果采用人工处理的方式，那是非常困难的；而采用计算机进行图像处理和分析，这样分析结果不仅更加客观而且易于存储到结构化的数据库中，以便更好地使这些数据支持统计分析和数据挖掘。

实现本发明目的的技术解决方案为：一种高通量成像系统下的斑马鱼脑部区域分割方法，包括以下步骤：

步骤1：运用多相水平集分割方法，将斑马鱼图像分割成多个有不同灰度均值的部分，从中挑出最低灰度均值的部分作为斑马鱼脑部区域的初步估计范围，该区域边界作为曲线1；

步骤2：对步骤1得出的斑马鱼脑部区域初步估计范围内的图像灰度数据使用大津法阈值分割，将分割出的灰度较低的区域作为斑马鱼脑部区域初步估计范围的进一步准确估计范围，该区域边界作为曲线2；

步骤3：利用斑马鱼脑部区域与脑部附近其它组织的灰度均值存在差异的这一信息，构建用于分割斑马鱼间脑的活动轮廓模型的能量泛函，并演化曲线2分割出斑马鱼间脑区域；

步骤4：将步骤3得到的斑马鱼间脑区域从曲线1所围成的区域中去除，剩余区域的边界形成斑马鱼中脑区域包围的曲线3；

步骤5：利用对梯度信息灵敏的边缘停止函数和测地线轮廓模型，演化曲线3分割出斑马鱼中脑区域，完成斑马鱼脑部区域的分割。

本发明与现有技术相比，其显著优点：(1)能够得到斑马鱼间脑和中脑的完整轮廓。由于活动轮廓模型一开始就演化封闭曲线，而水平集方法保证了曲线在演化过程中始终为封闭的，故最终分割结果为完整的封闭的轮廓。(2)能够得到准确的斑马鱼间脑区域。分割斑马鱼间脑，面临脑部区域与附近灰度对比度不高的问题，但利用间脑和间脑附近的灰度差构建出的分割模型能有效地克服此问题，使得曲线演化到间脑内边界时曲线两侧的灰度差很小，曲线停止演化进而分割出斑马鱼间脑。(3)能够准确地分割出斑马鱼中脑区域。在分割斑马鱼中脑中面临弱边缘问题，需要使用对梯度信息灵敏的边缘停止函数，使得当曲线演化到中脑边界时能及时停止演化，进而准确地分割出斑马鱼中脑区域。

附图说明

图1是斑马鱼胚胎图像中所需要分割出的间脑和中脑。

图2是8相水平集分割的初始曲线设置图，其中3类水平集分别用红蓝黄颜色标记。

图3是利用本发明方法操作的斑马鱼脑部分割的流程图。

图4-7是利用本发明方法操作的斑马鱼脑部分割过程图。

具体实施方式

活动轮廓模型是一种较好的分割方法，能够得到完整的轮廓，但是直接运用在斑马鱼图像分割中，由于整体斑马鱼图像灰度较为复杂和需要将间脑和中脑都分割出来，需要针对不同的分割目标和局部信息构建不同的模型来进行分割。为解决斑马鱼图像中的整体图像灰度较为复杂、间脑和附近背景的灰度对比度不高、中脑边界较弱问题下的脑部区域分割问题，本发明利用多相水平集分割方法估计斑马鱼脑部区域、利用活动曲线的局部信息构建分割模型、设计对梯度信息灵敏的边缘停止函数并结合测地线轮廓模型来准确地分割出斑马鱼中脑。

本发明高通量成像系统下的斑马鱼间脑和中脑自动分割方法，主要有以下三个步骤：首先多相水平集分割方法能够根据灰度信息将整体斑马鱼图像分成多部分，从而初步估计出具有最低灰度均值的斑马鱼脑部区域的位置，并利用此区域边界构造封闭曲线；然后利用间脑区域与间脑附近背景灰度级差来构建活动轮廓模型的能量泛函，并演化曲线找到斑马鱼间脑；最后利用前两步的信息找到包围斑马鱼中脑区域的封闭曲线，并构建测地线轮廓模型的能量泛函和灵敏的边缘停止函数，进而演化初始曲线分割出斑马鱼中脑。

多相水平集一般将图像分为2的指数级个部分，即相数是以2为底数、以水平集个数为指数的整数，而斑马鱼图像较为复杂，4相水平集分割方法不能将斑马鱼图像中的脑部归成一部分，而多相水平集相数越多耗时越大，故在斑马鱼图像分割中采用8相水平集分割方法。8相水平集分割方法的能量泛函：

E(u)＝∫∫_Ω(I-c₀₀₀)²(1-H(u₁))(1-H(u₂))(1-H(u₃))dxdy+∫∫_Ω(I-c₀₀₁)²(1-H(u₁))(1-H(u₂))H(u₃)dxdy+

∫∫_Ω(I-c₀₁₀)²(1-H(u₁))H(u₂)(1-H(u₃))dxdy+∫∫_Ω(I-c₀₁₁)²(1-H(u₁))H(u₂)H(u₃)+

∫∫_Ω(I-c₁₀₀)²H(u₁)(1-H(u₂))(1-H(u₃))dxdy+∫∫_Ω(I-c₁₀₁)²H(u₁)(1-H(u₂))H(u₃)dxdy+

∫∫_Ω(I-c₁₁₀)²H(u₁)H(u₂)(1-H(u₃))dxdy+∫∫_Ω(I-c₁₁₁)²H(u₁)H(u₂)H(u₃)dxdy+

$v{\∫\∫}_{\mathrm{\Ω}}|\▿H\left(u_1\right)|\mathrm{dxdy}+v{\∫\∫}_{\mathrm{\Ω}}|\▿H\left(u_2\right)|\mathrm{dxdy}+v{\∫\∫}_{\mathrm{\Ω}}|\▿H\left(u_3\right)|\mathrm{dxdy}$

，其中u_i(i∈[1，2，3])为各水平集函数，I为斑马鱼图像数据，H为heaviside函数，x和y为二维图像的坐标，c_i，j，k(i，j，k∈[0，1])对应被分割出的斑马鱼图像中各部分的灰度均值，

为导数操作符。分割结果为图像被分成8个部分，每个部分有一个灰度均值c，根据分割结果可以得到具有最低灰度均值的区域，因为在斑马鱼图像中脑部区域的灰度最低，所以此区域被作为斑马鱼脑部的最初步估计，其区域边界线被定义为曲线1。

对曲线1所包围的图像区域数据使用大津法进行阈值分割，将这块区域分成两部分，具有更低灰度的部分作为斑马鱼脑部新的区域估计，此区域的边界线被作为曲线2。

由于斑马鱼间脑和间脑附近背景的灰度对比度不高，如果直接利用梯度信息进行阈值分割效果不佳。如果利用间脑的总体的灰度比间脑附近背景灰度低这样的局部区域灰度信息，构建适当的分割模型的能量泛函，这样就可以引导上一步得到的活动曲线2向着灰度均值较低的斑马鱼间脑区域靠近。为了有效地利用局部灰度信息，先定义一个控制函数K，其属性如下：

(1)K(-u)＝K(u)，(2)K(u)＞K(v)，if|u|＜|v|，and lim_|u|→∞K(u)＝0，(3)∫K(u)du＝1。

控制函数可以如下：

其中σ用于定义局部有效区域的大小，当距离中心点大于3*σ的那些像素灰度对演化的影响几乎为零。利用局部灰度信息的能量项为：

其中

u为水平集函数、I为图像灰度信息、H为heaviside函数，这样建立活动轮廓模型的能量泛函对应的水平集函数的迭代方程为：

其中u为水平集函数，t代表时间，K为随距离增大函数值变小的函数，δ为控制有效距离的参数，x和y为二维图像坐标，div为散度操作符，λ₁、λ₂、v、μ为权重参数，δ(·)和H(·)分别为单变量Dirac和Heaviside函数，ξ为0到1范围内的正数，I为图像数据，

为laplace算子，

为梯度算子，||为模值操作符。其中第二项为使曲线尽可能平滑，第三项为正则项加速曲线的演化。当曲线处于斑马鱼间脑区域时，在曲线内外的局部区域内灰度相差很小，方程的第一项值趋向于零从而结束活动曲线的演化，并将活动曲线的位置标记为斑马鱼脑部区域的边界。

由于斑马鱼的间脑和中脑有不同的灰度和背景，在上一步主要是将间脑分割出来，现在可以利用前面结果来构建包围斑马鱼中脑区域的曲线，即根据曲线1围成的区域与分割出来的间脑区域的差来形成斑马鱼中脑的边界作为曲线3。其形成过程如下：在斑马鱼间脑边界的下方选择一点，然后经过这点作一水平方向线段并与曲线形成两个交点，从而将曲线1所围成的区域分成两个部分，这样围成斑马鱼中脑区域的曲线被形成。

在分割斑马鱼中脑中面临脑部边缘较弱的问题，需要能有效地利用梯度信息。为使活动轮廓模型在分割过程中，活动曲线需要对梯度信息很灵敏的边缘停止函数在脑部边界停止演化，从而确定脑部边界位置。边缘停止函数的值域随着梯度定义域的增大而减小，并在梯度达到一定程度时趋向于零，采用g(r)＝1-exp[-3.315/(r/K)⁸]，其中K为反差参数，当r大于K时函数值急剧减小趋于零。利用测地线轮廓模型来分割斑马鱼中脑区域，模型的能量泛函为：

其中u为水平集对应的嵌入函数，H为heaviside函数，g为边缘停止函数，c、μ为权重参数，

为导数操作符，x和y为二维图像坐标，Q为图像域。等式第一项为加速演化速度项，第二项为使曲线尽可能平滑，第三项为使曲线所围面积尽可能小。由于初始活动曲线在斑马鱼中脑区域的外部，在模型的参数c取正数，使活动曲线不断向内收缩；同时曲线的演化受到边缘停止函数的约束，当曲线到达中脑区域边界时梯度变大，此时边缘停止函数的函数值变小使曲线的演化速度减小，最终当梯度较大时曲线停止演化并停在边界处，从而分割出斑马鱼中脑。

下面结合附图对本发明作进一步详细描述。

图4-6中(a)为利用8相水平集分割的结果，图(b)为标记(a)中的具有最低灰度类的区域，图(c)为对图(b)中曲线所包围的区域采用大津法后得到脑部区域新的估计，图(d)为斑马鱼间脑分割结果，图(e)为分割中脑区域的初始活动曲线，图(f)为斑马鱼中脑的分割结果。

在估计斑马鱼脑部区域时，使用8相水平集分割方法将图像分成8个部分。在图(a)用红黄蓝三色曲线代表3条不同的水平集，最后分割结果中每个区域都处在被带每种颜色的曲线包围或没有被包围的情形中，即属于8种情形之一，相同情形的区域归一部分并有一个灰度均值。图(b)显示了最低灰度均值部分所在区域，在这些区域上使用大津法得到斑马鱼脑部区域新的估计，如图(c)所示。

利用图(c)得到的斑马鱼脑部区域边界，形成活动轮廓模型的初始活动曲线。利用局部区域的灰度信息，来推动活动曲线向灰度低的方向运动，并当活动曲线到达脑部边界时曲线停止演化，最后分割结果图见图(d)。由于斑马鱼间脑和中脑区域灰度不同、各脑部区域与附近背景对比度不同，中脑并没有同间脑同时被分割出来需要进一步分割。根据最初8相水平集分割得到的脑部区域的初步估计范围和已经分割出来的斑马鱼间脑区域，得到包围斑马鱼中脑区域的初始曲线，如图(e)。

由于斑马鱼中脑边界较模糊，测地线轮廓模型被用来分割斑马鱼中脑区域，需要使用对梯度较灵敏的边界停止函数，使得当梯度稍大时曲线演化停止，斑马鱼中脑区域分割结果见图(d)。

实施例1见图4。

实施例2见图5。

实施例3见图6。

实施例4见图7。

为比较计算机实现的分割与人工分割的相似程度，定义两种分割的区域一致性为

其中V_i，V_j表示自动分割和机器分割出的脑部区域，||为绝对值操作，当A值越大表示两种分割的相似程度越高。随机选取6幅斑马鱼图像进行分割，斑马鱼间脑和中脑在此定义的不同分割结果见表1和表2，可见算法分割结果较为准确，使得计算机自动分割高通量成像系统下的巨量图像成为可能，为后续的生物医学图像的图像处理和分析和生物学研究做好准备。

表1.6幅斑马鱼间脑分割的区域一致性

表2.6幅斑马鱼中脑分割的区域一致性

Claims (6)

1.一种高通量成像系统下的斑马鱼脑部区域分割方法，其特征在于包括以下步骤：

步骤1：运用多相水平集分割方法，将斑马鱼图像分割成多个有不同灰度均值的部分，从中挑出最低灰度均值的部分作为斑马鱼脑部区域的初步估计范围，该区域边界作为曲线1；

步骤2：对步骤1得出的斑马鱼脑部区域初步估计范围内的图像灰度数据使用大津法阈值分割，将分割出的灰度较低的区域作为斑马鱼脑部区域初步估计范围的进一步准确估计范围，该区域边界作为曲线2；

步骤3：利用斑马鱼脑部区域与脑部附近其它组织的灰度均值存在差异的这一信息，构建用于分割斑马鱼间脑的活动轮廓模型的能量泛函，并演化曲线2分割出斑马鱼间脑区域；

步骤4：将步骤3得到的斑马鱼间脑区域从曲线1所围成的区域中去除，剩余区域的边界形成斑马鱼中脑区域包围的曲线3；

步骤5：利用对梯度信息灵敏的边缘停止函数和测地线轮廓模型，演化曲线3分割出斑马鱼中脑区域，完成斑马鱼脑部区域的分割。

2.根据权利要求1所述的高通量成像系统下的斑马鱼脑部区域分割方法，其特征在于：所述步骤1中的多相水平集分割方法，具体在斑马鱼图像分割中采用8相水平集分割方法，利用3条水平集进行演化将分割斑马鱼图像分成多个部分，水平集分割的能量泛函为

E(u)＝∫∫_Ω(I-c₀₀₀)²(1-H(u₁))(1-H(u₂))(1-H(u₃))dxdy+∫∫_Ω(I-c₀₀₁)²(1-H(u₁))(1-H(u₂))H(u₃)dxdy+

∫∫_Ω(I-c₀₁₀)²(1-H(u₁))H(u₂)(1-H(u₃))dxdy+∫∫_Ω(I-c₀₁₁)²(1-H(u₁))H(u₂)H(u₃)+

∫∫_Ω(I-c₁₀₀)²H(u₁)(1-H(u₂))(1-H(u₃))dxdy+∫∫_Ω(I-c₁₀₁)2H(u₁)(1-H(u₂))H(u₃)dxdy+

∫∫_Ω(I-c₁₁₀)²H(u₁)H(u₂)(1-H(u₃))dxdy+∫∫_Ω(I-c₁₁₁)²H(u₁)H(u₂)H(u₃)dxdy+，其

$v{\∫\∫}_{\mathrm{\Ω}}|\▿H\left(u_1\right)|\mathrm{dxdy}+v{\∫\∫}_{\mathrm{\Ω}}|\▿H\left(u_2\right)|\mathrm{dxdy}+v{\∫\∫}_{\mathrm{\Ω}}|\▿H\left(u_3\right)|\mathrm{dxdy}$

中u_i(i∈[1，2，3])为各水平集函数，I为斑马鱼图像数据，H为heaviside函数，x和y为二维图像的坐标，c_i，j，k(i，j，k∈[0，1])对应被分割出的斑马鱼图像中各部分的灰度均值，

为导数操作符；8相水平集分割出的每个部分均有一个灰度均值对应c，从中挑出最低灰度的部分，即为斑马鱼脑部区域的初步估计范围。

3.根据权利要求1所述的高通量成像系统下的斑马鱼脑部区域分割方法，其特征在于：所述步骤2中的大津法为缩小斑马鱼脑部区域的估计范围的方法，将此区域内像素根据阈值分成两个部分，将低于灰度阈值的部分作为斑马鱼脑部区域初步估计范围的进一步准确估计范围。

4.根据权利要求1所述的高通量成像系统下的斑马鱼脑部区域分割方法，其特征在于：所述步骤3中的斑马鱼间脑区域的分割，方法为利用斑马鱼图像中脑部区域附近从内向外灰度值变大的局部信息构建活动轮廓模型的能量泛函，使活动曲线演化到曲线附近内外部灰度差小到一定程度时演化，模型的能量泛函为：

其中u为水平集函数，t代表时间，K为随距离增大函数值变小的函数，δ为控制有效距离的参数，x和y为二维图像坐标，div为散度操作符，λ₁、λ₂、v、μ为权重参数，δ(·)和H(·)分别为单变量Dirac和Heaviside函数，I为图像数据，为laplace算子，

为梯度算子，||为模值操作符；方程第一项中的参数K离曲线越远的像素对曲线演化的影响越小，同时利用曲线内外的灰度差，当曲线处于斑马鱼脑部外部时，曲线向灰度低的脑部靠近；当处于脑部边界时，第一项的值趋向零，使曲线演化停止，分割出斑马鱼间脑。

5.根据权利要求1所述的高通量成像系统下的斑马鱼脑部区域分割方法，其特征在于：所述步骤4中的包围斑马鱼中脑区域的曲线3的形成，方法为经过步骤3得到的斑马鱼间脑区域边界最下方的一个像素作水平线，与步骤1得到的曲线1相交，从而将曲线1所围成的区域分割成两个部分，而斑马鱼中脑所在的新区域边界形成曲线3。

6.根据权利要求1所述的高通量成像系统下的斑马鱼脑部区域分割方法，其特征在于：所述步骤5中的分割斑马鱼中脑区域，方法为运用测地线轮廓模型对步骤4得到的曲线3进行演化，其测地线轮廓模型的能量泛函为：

其中u为水平集函数，H为heaviside函数，g为边缘停止函数，c、μ为权重参数，

为导数操作符，x和y为二维图像坐标，Ω为图像域；方程第一项为加速演化速度项，第二项为使曲线尽可能平滑，第三项为使曲线所围面积尽可能小；为能分割出边缘较弱的斑马鱼脑部区域，要求边缘停止函数对梯度较灵敏，所述边缘停止函数采用如下形式函数：

其中r为图像梯度信息，K、m为反应梯度灵敏程度的反差参数，C_m为一正常数；边缘停止函数使得曲线处梯度大的脑部边界时及时停止演化，分割出斑马鱼中脑。

Images