CN102565316B - 外周血单个核细胞的核纹理分析方法 - Google Patents

Abstract

本发明涉及一种外周血单个核细胞核纹理分析方法，该方法包括如下步骤：首先对外周血细胞进行染色，然后摄取经染色后的外周血细胞的核表面图像，接着对核表面图像进行曲线波变换，得到一与所述核表面图像的图像特征相对应的系数矩阵，最后对系数矩阵进行变换处理完成对核表面图像的分类识别。与现有技术相比，本发明的优点在于：将曲线波变换结合模式识别应用于外周血单个核细胞的核纹理图像分析，准确高效地实现了正常细胞与病态细胞的分类识别。在不需要昂贵的仪器和试剂的条件下，就能实现快速初步判断HIV载量与外周血中单个核细胞受损程度方面有一定的参考意义。

Description

外周血单个核细胞的核纹理分析方法

技术领域

本发明涉及一种血液分析方法，特别是一种外周血单个核细胞的核纹理分析方法。

背景技术

医学研究的重要方向之一就是对各种生物结构进行形态学研究，特别是定量形态学研究。定量形态学研究之一则是探讨生物形态结构与特征在病理情况下的改变。而在医学图像识别领域中研究最多的则图像特征(形态结构)提取和目标识别。在正常情况下，血液中各种细胞经染色后，在显微镜下，不同类型细胞的细胞核，都有不同的核纹理形态结构特征，如细网状、粗网状、染色质紧密、染色质疏松等等。可以认为，细胞核纹理可以看作是由细胞核内部物质和“信息”(如细胞核中大分子物质核酸、蛋白质等的质量结构与空间结构，生命物质的相互作用及应答等等)构成的一定时间、空间的表象。即细胞核纹理是细胞核内部物质及其变化运动的综合映射体。

所谓外周血单个核细胞(Peripheral blood mononuclear cell，PBMC)是指外周血中只有一个核的细胞，具体就是外周血中的淋巴细胞和单核细胞。将人体外周血液涂制在载玻片上，使用Wright、Giemsa等染色方法进行血细胞化学染色后进行血细胞形态识别，是实验医学中一般常规工作。现今随着自动化血液分析仪的广泛使用以及人眼分辨能力的局限性等等原因，人工显微镜对病人外周血细胞(单个核细胞以及其它白细胞)的形态学检查已是逐渐减少，这可能使我们正在丢失对一些疾病诊断和治疗效果判别有重大意义的信息。因此，血细胞形态的检查也应与时俱进，探索发展新的理论与实验技术。

艾滋病是目前人类所面对的最棘手恶性传染病。当艾滋病病毒(HIV)进入宿主细胞，HIV RNA基因组即释放到细胞质中，在病毒逆转录酶的作用下逆转录合成DNA。在病毒整合酶的核引导序列信号的引导下进入细胞核，整合到宿主细胞基因组。病毒整合到宿主细胞DNA，细胞内核酸高级结构会发生变化等等。因之感染HIV的单个核细胞核染色质会出现排列紊乱、方向性发生改变、染色质增粗、出现微细裂纹以及网线状、网眼状等等肉眼不易观察到和肉眼不能分辨的异常细微改变。

从复杂性科学的观点来看，细胞核纹理应属复杂图形，细胞核纹理图像不应该只限于目前简单的外观形态描述(即只作为血细胞分类或血细胞发育阶段的划分)，因此用图像多尺度几何分析(Multiscale geometric analysis)并综合应用其它信息处理方法捕获图像内在的、本质的几何结构，实现对细胞核纹理图像的理解与分析，是一个值得深入探索的工作。近几年迅速发展起来的图像多尺度几何分析(Multiscalegeometric analysis)，其主要方法有：脊波变换(Ridgelet)、曲线波变换(Curvelet)、子束波变换(Beamlet)等。多尺度几何分析发展的目的是为了更好的检测、表示、处理某些高维空间数据，与小波分析方法等相比，多尺度几何分析方法可以较优地表示二维图像信号。

发明内容

本发明所要解决的技术问题是针对上述现有技术，提供一种将曲线波(Curvelet)变换结合支持向量机(SVM)应用于外周血单个核细胞的核纹理分析的方法。

本发明解决上述技术问题所采用的技术方案为：该外周血单个核细胞的核纹理分析方法，其特征在于：该方法包括如下步骤：

(1)、外周血细胞染色；

(2)、外周血细胞核表面图像摄取；

(3)、对摄取的细胞核表面图像进行曲线波变换，得到一与所述细胞核表面图像相对应的系数矩阵；

曲线波(Curvelet)变换是近年来提出的多尺度变换的一种，对图像边缘信息具有较优稀疏表示，可以较少的系数表达图像的特征。作为一种新的多尺度分析方法，具有更高的逼近精度和更好的稀疏表达能力。与图像处理中常用的小波变换相比，曲线波(Curvelet)变换除了尺度和位移两个参量外，还增加了方向参量，因此具有更好的方向辨识能力，即在二维情况下，当图像具有奇异曲线并且曲线二次可微时，则曲线波(Curvelet)可以自适应地“跟踪”奇异曲线，用于增强图像中脆弱甚至人眼不可辨的线型信息。所以曲线波(Curvelet)变换特别适用于具有较多纹理特性的细胞核表面图像的分析处理。

(4)、对所述细胞核表面图像进行分类识别。

目前有多种方法可以实现对细胞核表面图像的分类识别，作为优选，所述的分类识别包括如下步骤：

a、对曲线波(Curvelet)变换得到的系数矩阵进行奇异值分解；

b、由奇异值分解构建样品矩阵；

c、选取训练样本，运行支持向量机(Support Vector Machine)进行分类训练和识别。

将图形图像变化与DNA、RNA、蛋白质等分子(变化)联系起来，是计算机图形图像处理技术在实验医学中的应用尝试。本发明进一步方案是，对曲线波(Curvelet)变换后得到的系数进行处理，用于分析外周学单个核细胞纹理改变与细胞内病毒载量之间的关系。具体的实现方法如下：用所述曲线波(Curvelet)变换后的多层系数重建特征图像，求取所述特征图像的2-范数(最大奇异值)、表面曲率、Hu不变矩和图像表面分形维数这四个变量，将这四个变量进行特征融合，构成一个新的特征矢量作为变量，以所述外周血细胞中的病毒载量为因变量，用偏最小二乘回归方法进行建模分析。

进一步地，所述的特征融合采用将上述的2-范数、表面曲率、Hu不变矩和图像表面分形维数四个变量依次首尾连接构成一个新的特征矢量。

与现有技术相比，本发明的优点在于：将曲线波(Curvelet)变换结合模式识别应用于外周血单个核细胞的核纹理图像分析，准确高效地实现了正常细胞与病态细胞的分类识别，在不需要昂贵的仪器和试剂的条件下，就能实现快速初步判断HIV载量与外周血中单个核细胞受损程度方面有一定的参考意义。

附图说明

图1为正常人外周血单个核细胞的显微图像一；

图2为正常人外周血单个核细胞的显微图像二；

图3为艾滋病人外周血单个核细胞的显微图像一；

图4为艾滋病人外周血单个核细胞的显微图像二；

图5为图1被分割后的细胞核图像一；

图6为图1被分割后的细胞核图像二；

图7为图1被分割后的细胞核图像三；

图8为图1被分割后的细胞核图像四；

图9为艾滋病人单个核细胞的被分割后的核图像一；

图10为艾滋病人单个核细胞的被分割后的核图像二；

图11为艾滋病人单个核细胞的被分割后的核图像三；

图12为艾滋病人单个核细胞的被分割后的核图像四；

图13为正常细胞核图像经曲线波变换后的1层系数重建特征图像；

图14为正常细胞核图像经曲线波变换后的2层系数重建特征图像；

图15为正常细胞核图像经曲线波变换后的3层系数重建特征图像；

图16为正常细胞核图像经曲线波变换后的4层系数重建特征图像；

图17为正常细胞核图像经曲线波变换后的5层系数重建特征图像；

图18为正常细胞核图像经拉普拉斯变换后的图像数据的仿真图；

图19为艾滋病人细胞核图像经拉普拉斯变换后的图像数据的仿真图；

图20为偏最小二乘回归方法中主成分t1和u1的平面图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

实施例一：艾滋病单个核细胞核纹理识别。

艾滋病人外周血样本标本取自经贵州省疾控中心HIV确诊实验室确诊艾滋病人。外周血细胞染色用甲基绿-派罗林染色法。在检验主任医师的识别下，用OLYMPUS CX31S摄影显微镜摄取正常人和艾滋病人外周血单个核细胞图像存贮在计算机硬盘。正常人和艾滋病人外周血单个核细胞图像如图1至图4所示。接下来获取核表面图像，从摄取的单个核细胞图像的细胞核中分割出40像素×40像素大小的核图像。在这里，从图1的细胞核中分割出40像素×40像素大小的核图像，分割后的其中4个核图像如图5至图8所示，从图3的细胞核中分割出40像素×40像素大小的核图像，分割后的其中4个核图像如图9至图12所示。

进行艾滋病单个核细胞核纹理识别时，先从正常人与艾滋病人外周血单个核细胞核图像中分别分割出40像素×40像素大小的子图各90幅。对分割出的每一幅细胞核图像进行Curvelet变换。我们取5个尺度层系数。再由所得系数矩阵通过奇异值分解而得到一个唯一相应的奇异值向量，取其中最大100个奇异值，以此构成样本矩阵。随机取正常50幅、艾滋病50幅数据作为训练样本，基余作测试样本，运行支持向量机(SuppoutVector Machine)进行分类训练和识别。支持向量机(Suppout Vector Machine)有Vapnik等人于1995年提出，建立在统计学习理论基础上的机器学习方法。通过学习算法，支持向量机(Suppout Vector Machine)可以自动寻找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，是求解模式识别和函数估计问题的有效工具。

进一步地，可以用频谱法对分割出的每一子图进行表面分形维数测定。用分形维数测定单个核细胞染色后核表面图像的分维数，其主要目的是从分形这一侧面比较说明正常和艾滋病单个核细胞核表面的不规则性和粗糙度。进行分形维数测定后，得到的结果如下表所示：

上表是曲线波(Curvelet)变换结合支持向量机(Suppout Vector Machine)对正常和艾滋病人外周血中单个核细胞分类识别和细胞核表面分形维数测定结果。可以看到，用曲线波(Curvelet)变换区别正常和艾滋病人外周血中单个核细胞核表面图像取得了较好效果。而表面分形维数的测定说明了艾滋病人外周血中单个核细胞其核表面的复杂度比正常人外周血中单个核细胞核表面复杂度大。

实施例二：分析艾滋病单个核细胞核图像表面纹理与病毒载量之间的关系。

经过化学染色以后的细胞核表面，即细胞核表面的平滑度、粗糙度、染色质规则性、染色质纹理方向性等等可度量性特征与细胞核内部的核酸、蛋白质等生物大分子的变化息息相关，也就是说细胞核染色图像表面特征和细胞核内部物质间存在着一定的对应关系。用Curvelet变换后的5层系数重建特征图像(灰度图像)如图13～图17所示。其中(a)为第一层系数，(b)为第二层系数，(c)为第三层系数，(d)为第四层系数，(e)为第五层系数，算出这5层系数图像的2-范数(最大奇异值)、表面曲率、Hu不变矩、图像表面分形维数，并以它们为变量，以艾滋病病毒载量为因变量，用偏最小二乘法回归方法说明了艾滋病人外周血单个核细胞染色表面越复杂，其病人艾滋病病毒(HIV)载量越高。根据所收集的标本，将各艾滋病人HIV病毒载量(copies/ml)划分为1万，10万，20万，45万，60万，110万再加上0(正常)，共7个档次。将Curvelet变换后的五层系数特征图像的2-范数(最大奇异值)、拉普拉斯变换表面曲率、Hu不变矩、图像表面分形维数首尾连接构成一个新特征矢量作为偏最小二乘回归的自变量。称为自变量的特征融合，即对同一模式所抽取的不同特征矢量总是反映模式的不同特性，对它们的优化组合，既保留了参与融合的多特征的有效鉴别信息，又在一定程度上消除了由于主客观因素带来的冗余信息。这对分类识别无疑具有重要的意义。

下面对病毒载量定量分析中运用到的几个数学名词进行简单介绍。

1、图像矩阵范数

范数(norm)是泛函分析的基本概念，具体可参阅谷超豪主编的《数学词典》。范数是对函数、向量和矩阵定义的一种度量形式。范数可以测量两个函数、向量或矩阵之间的距离。因此范数在机器学习、模式识别等领域有着较为广泛的应用。矩阵A常用的范数是P＝1，2，∞三种范数：

1-范数：

2-范数：

∞-范数：

其中矩阵的2-范数返回矩阵A的最大奇异值。

步骤1：合成平均值图像

设图像为f(x，y)，则n幅单个核细胞核图像的平均值为：

$\stackrel{\‾}{f}(x,y)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i(x,y)$

用正常10幅(40像素×40像素)单个核细胞核图像合成一张标准对照单个核细胞核图像(平均值图像)。

步骤2：计算“2-范数能量”

对Curvelet变换5层系数重建的灰度特征图像，分别求出5层系数图像的2-范数，然后取各层图像的范数与标准对照图像的各相应层范数之差的平方组成一特征量，并称之为特征系数图像的“2-范数能量”。

2、表面曲率

图像表面的拉普拉斯变换(Laplace Transform)与图像的表面曲率有关，对于形如x²+y²的函数，其值为正，对于形如-(x²+y²)函数，其值为负，通过对图像数据的拉普拉斯变换，可以得到一个颜色矩阵，它可以反应出图像表面的曲率变化。正常核图像的拉普拉斯变换如图18所示，艾滋病人核图像的拉普拉斯变换如图19所示。

3、Hu矩

矩在力学中用于表征空间物体的质量分布，而在统计学中则用于描述和表征随机变量的分布。图像的几何不变矩主要表征了图像区域的几何特征，所以称为几何矩，又由于其具有旋转、平移、尺度等特性的不变特征，所以又称其为不变矩。即如果将灰度图像看成是二维密度分布函数，则可将矩方法用于图像分析中。并从图像中提取出与力学和统计学中相类似的矩特征。因此矩就可以用来描述图像的特征，并据此特征来对图像进行分类等操作。近年来，由二维和三维形状所求取矩值的不变特性已引起了图像界人士的高度重视。其研究引起了越来越广泛的关注。Hu在1962年发表了第一篇关于应用图像几何矩进行模式识别的论文，在这篇论文中，Hu首先提出连续函数矩的定义和和关于矩的基本性质。这些矩具有平移、尺度和旋转不变性，被称为Hu矩。设f(x，y)为二维连续函数，其(p+q)原点矩定义为：

$m_{\mathrm{pq}}=\underset{-\∞}{\overset{+\∞}{\∫}}\underset{-\∞}{\overset{+\∞}{\∫}}{x}^p{y}^q(x,y)\mathrm{dxdy}---\left(1\right)$

从以上定义可以出几何矩的物理意义，如0阶矩表示物体的质量，1阶矩表示物体的质心，2阶矩表示物体的方向等等。

其(p+q)中心矩定义为：

${\mathrm{\δ}}_{\mathrm{pq}}=\underset{-\∞}{\overset{+\∞}{\∫}}\underset{-\∞}{\overset{+\∞}{\∫}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}f(x,y)\mathrm{dxdy}---\left(2\right)$

其中：

p，q＝0，1，…。

对于数字图像，积分用求和代替，这时其(p+q)阶原点矩为：

$m_{\mathrm{pq}}=\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{m}{\mathrm{\Σ}}}{x}^p{y}^{q}f(x,y)$

其(p+q)阶中心矩为：

其中：p，q＝0，1，…，x₀＝m₁₀/m₀₀，y₀＝m₀₁/m₀₀是图像重心的坐标。

4、偏最小二乘回归分析

由伍德(Wold S)和阿巴诺(Albano C)等人提出的偏最小二乘(Partial Least-Squares，PLS)回归方法，在上世纪90年代被介绍到国内。其优点在于回归建模过程中采用了信息综合与筛选技术，它不再直接考虑因变量集合与自变量集合的回归建模，而是在变量系统中提取若干对系统具有最佳解释能力的新综合变量(又称为成分)，并能利用交叉原理确定成分个数。它主要用来解决多元回归分析中变量多重相关性或解决变量多于样本点数时普通多元回归方法无法解决的难题，因此是一种具有较好发展前景的新型数据分析方法，其理论及应用研究进展非常迅速。应用领域从最初的化学计量学快速扩展到地质、机械、环境与资源、医学、经济学以及社会学等领域。如杨红宁等以血糖值为因变量，以收缩压、舒张压、血中甘油三酯、总胆固醇、低密度脂蛋白中胆固醇含量等为因变量，用偏最小二乘回归方法进行了相关分析，并说明了偏最小二乘回归具有传统线性回归方法不具备的许多优点，在存在共线性情况下其结论可能更为可靠。

偏最小二乘回归方法可以用一个简单的等式来说明其分析原理：偏最小二乘回归＝主成分分析+典型相关分析+普通多元线性回归。可见偏最小二乘回归在分析结果中除了提供一个更为合理的回归模型外，还可以同时完成类似于主成分分析和典型相关分析的研究内容，观察样本点间的相似结构，对数据分析内容更加丰富。具体如下：

设病毒载量为单因变量y和有s个自变量{x1，x2，…，xs}，(自变量s由Curvelet变换5层特征系数图像的2-范数、Hu不变矩、表面曲率、分形维数构成)。为研究因变量与自变量的统计关系，分析n个样本，这样就分别构成因变量和自变量的“样本点×变量”型数据矩阵：

偏最小二乘回归方法在在建模过程中采用的信息综合与筛选技术，就是从自变量系统X中逐步提取m个对自变量系统X和因变量系统Y都具有最佳解释能力的新综合变量t₁，t₂，…，t_m(m≤s)，也称为主成分。首先，偏最小二乘回归分别在X和Y中提取第一主成分t1和u1，(t1是x₁，x₂，…，x_s的线性组合；如果y是p个多因变量时，u1则是y₁，y₂，…y_p的线性组合)。在提取这2个主成分时必须满足以下要求：

(1)主成分的代表性，t1和u1应尽可能多地携带它们各自数据系统中的变异信息；

(2)主成分的相关性，t1和u1的相关程度能够达到最大。即t1对因变量有很强的解释能力。

主成分个数的确定，第一个主成分t1和u1提取后，偏最小二乘回归分别进行X对t1的回归和Y对u1的回归，如果回归方程已经达到了满意的精度，算法则终止；否则，将利用X被t1解释后的残余信息以及Y被u1解释后的残余信息进行第二轮的成分提取。如此往复，直到能达到一个较满意的精度为止。若最终对X共提取了m个成分t₁，t₂，…，t_m，偏最小二乘回归将通过实施y对t₁，t₂，…，t_m的回归，然后再表达成y关于原变量x₁，x₂，…，x_s的回归方程，到此偏最小二乘回归建模完成。由图20可知，模型预测值与真实值相关系数R为0.9187，模型的预测均方根误差(RMSEP)为0.8723。结果说明模型是可靠的。

采用甲基绿-派罗林染液给外周血细胞染色，其中甲基绿-派罗林染液的配制如下：

甲基绿-派罗林

1、试剂

(1)0.2mol/L，pH4.8的乙酸缓冲液

A.冰乙酸1.2ml加蒸馏水到100ml。

B.乙酸钠2.27g溶于100ml水中。

A∶B＝2∶3比例混合使用。

(2)甲基绿-派罗林

甲液：2g甲基绿加0.2mol/L乙酸缓冲液到100ml.

乙液：1.0g派罗林加乙酸缓冲液到100ml。

临用时，甲∶乙＝5∶2混合。

Claims (1)

1.一种外周血单个核细胞的核纹理分析方法，其特征在于：该方法包括如下步骤：

(1)、外周血细胞染色；

(2)、外周血细胞核表面图像摄取；

(3)、对摄取的细胞核表面图像进行曲线波变换，得到一与所述细胞核表面图像相对应的系数矩阵；

(4)、对所述细胞核表面图像进行分类识别；

所述的分类识别包括如下步骤：

a、对系数矩阵进行奇异值分解；

b、由奇异值分解构建样品矩阵；

c、选取训练样本，运行支持向量机进行分类训练和识别；

用所述曲线波变换后的多层系数重建特征图像，求取所述特征图像的2-范数、表面曲率、Hu不变矩和图像表面分形维数这四个变量，将这四个变量进行特征融合，构成一个新的特征矢量作为自变量，以所述外周血细胞中的病毒载量为因变量，用偏最小二乘回归方法进行建模分析建立自变量和因变量之间的关系；

所述的特征融合采用将上述的2-范数、表面曲率、Hu不变矩和图像表面分形维数四个变量依次首尾连接构成一个新的特征矢量。

Images