CN103345748B - 一种人体组织细胞双光子显微图像的定位分割方法 - Google Patents
一种人体组织细胞双光子显微图像的定位分割方法 Download PDFInfo
- Publication number
- CN103345748B CN103345748B CN201310259196.1A CN201310259196A CN103345748B CN 103345748 B CN103345748 B CN 103345748B CN 201310259196 A CN201310259196 A CN 201310259196A CN 103345748 B CN103345748 B CN 103345748B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- model
- nucleus
- ellipse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种人体组织细胞双光子显微图像的定位分割方法,属于图像处理技术领域,主要解决现有技术在分割人体组织细胞双光子显微图像时结果错误过多的问题。其过程为:将待分割图像转化为灰度图并进行预处理;对预处理后图像进行聚类处理获取其边缘图;使用边缘图进行中心定位,精确定位细胞核的中心,得到细胞核中心的点集;结合使用主动轮廓模型,最终得到准确的细胞核边缘。与现有技术相比,本发明具有提取边缘准确,定位效率高,减少演化时间等优点,避免了图像中颗粒状噪声以及亮度分布不均匀干扰,可用于进行细胞双光子显微图像的细胞核边缘提取。
Description
技术领域
本发明属于图像处理技术领域,涉及一种对人体组织细胞双光子显微图像的定位分割方法。
背景技术
图像分割是图像处理领域的一个重要课题,有效合理的图像分割能为后续的图像分类、模式识别等处理提供有利条件。长期以来,国内外学者对医学细胞图像分割问题展开了大量研究,已经提出了上千种图像分割算法。但由于实际问题的复杂性,至今为止仍未提出一种适用于所有种类图像的分割算法。
细胞显微图像的传统分割方法可以分为阈值分割、边缘检测以及区域分割方法这几类,这些方法对于噪声较少,背景简单的图像具有不错的分割效果,但是对于比较复杂的细胞显微图像来说,传统方法的分割效果就很不理想了。因此,在对细胞显微图像进行分割时往往结合使用一些特定理论,例如小波分析、神经网络与遗传算法、模糊理论和动态轮廓模型等。下面选择与本发明相似的方法进行简要介绍,文献【王云.血细胞图像的自动分割与识别方法研究[D].重庆:重庆大学,2009】采用基于改进的MEANSHIFT算法,将白细胞核从图像中分割出来,并运用区域生长法提取白细胞胞浆。该方法对血细胞图像效果较好,但人体组织细胞双光子显微图像要比血细胞图像复杂得多,该方法不能够取得好的结果。文献【张建伟,詹天明,陈允杰,等.改进的多目标图像的水平集分割模型[J].中国图象图形学报,2010,15(4):617-623】提出一种利用n个水平集方程分割含有n个目标图像的水平集模型,其在保证迭代次数较少的同时分割更加准确。可以较准确地提取边缘,但是不能够去除结果中的无用的边缘,即结果中包含一些无用的、错误的曲线。文献【Chunming Li,Rui Huang,ZhaohuaDing,et al.A level set method for image segmentation in the presence of intensity in homogeneitieswith application to MRI[J].IEEE Transactions on Image Processing,2011,20(7):2007-2016】提出了一种距离正则化的水平集演化模型(Distance Regularized Level Set Evolution,DRLSE),该模型以能量泛函的形式表示需要演化的封闭轮廓曲线,通过求解能量泛函的最小化来完成曲线向图像分割轮廓线演化的目的。可以很好地提取出复杂背景下图像中目标的边缘信息,但是对于目标较多的图像而言,该方法分割速度过慢,且得到的边缘信息中错误的较多。上述方法都未考虑到结合细胞的形状特征来对细胞显微图像进行分割,而在背景复杂复杂、噪声严重的细胞显微图像中,利用细胞的形状特征可以筛选掉很多干扰分割的因素。
本发明所针对的细胞显微图像是双光子显微图像(Two-photon Microscopic Image),与其他的显微技术相比,双光子显微技术具有很多优点:较低的光漂白和光损伤,较佳的成像对比度以及较深的成像深度等。因此双光子显微图像的细节较一般显微图像细节更为丰富,处理难度也更大。由于目前国内外的研究中针对细胞双光子显微图像的极少,而且现有方法对人体组织细胞的双光子显微图像进行分割的效果不够理想,分割结果不能用于后续的图像分类、模式识别等处理。因此,需要针对人体组织细胞双光子显微图像的分割进行研究,提出一种能够精确分割细胞双光子显微图像的方法。本发明通过自动定位双光子显微图像中的细胞核,准确地提取出细胞核的边缘,实现了人体组织细胞双光子显微图像的分割。
发明内容
本发明针对上述方法对人体组织细胞双光子显微图像进行分割存在的缺陷,提出了一种基于中心定位算法的人体组织细胞双光子显微图像分割方法。方法的基本思想是:细胞核的形状通常接近椭圆形或圆形,因此可以将定位细胞核的过程看作是识别类椭圆形的过程。定义一个类似细胞核的椭圆形模型:x2+2Bxy+Cy2+2Dx+2Ey+F=0,对一幅包含很多个细胞的显微图像,以该椭圆形模型去匹配其中的边缘,从而找到细胞核并精确定位细胞核。对细胞核进行精确定位后,以此为基础进行分割,可以实现对细胞核边缘的精确提取,从而提高细胞显微图像分割的准确性。
本发明的技术方案是:首先使用聚类的方法对细胞图像进行分类;接着对处理后的图像进行边缘检测,再对得到的边缘检测图进行分析,定位出边缘图中的细胞核中心;最后以细胞核为中心利用水平集方法得到较为准确的细胞核边缘,具体步骤如下:
(1)输入待分割的双光子显微图像,将图像转化为灰度图像
双光子显微图像的颜色单一,色彩信息对于本发明方法来说没有用处,因此直接将图像转化为灰度图像,以下步骤均是在此灰度图像的基础上进行处理的;
(2)对灰度图像采用限制对比度自适应直方图均衡(Contrast Limited Adaptive histogramequalization/CLAHE)处理和高斯滤波处理方法进行预处理。通过预处理,在保证灰度图像中边缘信息损害较少的情况下减少图像中的噪声、增强对比度;
(3)对预处理后的灰度图像使用C-均值聚类法(C-means)进行聚类,将像素点按其灰度值分为细胞核、细胞质和细胞间质3类。经过这一步骤,可以避免图像中的颗粒状噪声对之后处理的干扰。
所述的C-均值聚类,其中C为聚类的类数,C=3。
所述的C-均值聚类,其过程如下:
将灰度图像中所有的像素按灰度值g(x,y)(x=1,2,…,M,y=1,2,…N)逐个按最小距离原则分划给C类中的某一类,即如果:
像素到类的距离(x=1,2,…,M,y=1,2,…,N),且存在一个l∈{1,2,…,c},则判定像素点
式中表示g(x,y)和的中心的距离,上标k表示迭代次数。于是产生新的聚类
每次分类完成后,求取新的聚类的中心,并再次进行分类,直至新的类的中心与前一次聚类的中心相同。
(4)对步骤(3)得到的细胞核、细胞质和细胞间质分类结果,使用Canny算子进行边缘检测,获得细胞核、细胞质和细胞间质的边界明晰的边缘图。
(5)对边缘图中呈现椭圆形的细胞核边缘进行准确定位,获得细胞核中心点集,并标记细胞核的中心。
所述的准确定位,其步骤为:
①定义一个正方形模板,使之滑过边缘图,模板大小依据图像中的细胞大小确定,可以完整覆盖一个细胞即可;
②模板所覆盖的边缘视为边缘点集,使用RANSAC法(随机抽样一致性)估计最适合当前边缘点集的椭圆模型:从边缘点集中随机取5个点,将它们的坐标值代入椭圆方程:x2+2Bxy+Cy2+2Dx+2Ey+F=0,得到B、C、D、E和F的值;
③按以下步骤判断RANSAC法估计得到的椭圆模型是否为细胞核:
I.判断边缘点集中的各点是否属于椭圆模型,若点到椭圆的代数距离d=x2+2Bxy+Cy2+2Dx+2Ey+F小于阈值di,则该点属于椭圆模型。其中,x,y为点的坐标值,阈值di由实验确定;
II.计算属于该椭圆模型的点的个数N,判断N是否大于阈值t,这里阈值r为模板的边长;
III.计算椭圆模型的短轴和长轴之比e,判断e是否大于0.3;
VI.若该模型符合以上条件,则可判定为细胞核,在边缘图中标记该椭圆模型的中心,即为细胞核的中心;若该模型不符合以上条件,则不予标记;
④以固定步长移动模板,重复步骤②-③,直至模板完全滑过边缘图,完成了所有细胞核的中心点标记。
所述的步长不超过模板大小的1/6。
(6)使用改进的DRLSE模型获取准确的细胞核边缘
基于步骤(5)的细胞核中心定位以及标记结果,使用改进的距离正则化的水平集演化模型(Distance Regularized Level Set Evolution,DRLSE)获取准确的细胞核边缘,即将水平集演化的初始轮廓定义为以细胞核中心为圆心的圆的集合,从而轮廓可以以较少的迭代次数收敛到细胞核边缘。对灰度图使用上述改进的DRLSE模型进行水平集演化,水平集演化结束后,轮廓收敛到细胞核的边缘,该轮廓即为准确的细胞核边缘;
所述的初始轮廓半径为5;
(7)输出图像分割结果。
本发明与现有技术相比具有以下优点:
1.在对图像进行边缘检测之前,使用C-均值聚类法进行聚类,初步将图像分为细胞核、细胞质以及细胞间质这三部分。这一步有效地避免了图像中颗粒状噪声以及亮度分布不均匀等问题对图像分割的干扰;
2.本发明基于中心定位的思想,利用细胞的形状先验知识,在众多目标中有效、快速地定位细胞核的位置。在得到图像中所有细胞核的精确位置后,再进行有针对性的边缘提取,提高了分割的效率;
3.本发明在提取边缘中可能存在的类椭圆形时,使用的方法基于RANSAC法(随机抽样一致性),RANSAC是可以对具有大量离群数据进行有效参数估计的方法,可以在存在一定干扰的情况下准确快速地找出符合要求的边缘,大大增加了定位的效率;
4.本发明对DRLSE模型进行了改进,将初始轮廓定义为以细胞核中心为圆心的圆的集合,从而增加了使用DRLSE模型进行轮廓提取的准确性,并且减少了演化时间;
5.本发明方法对人体组织细胞双光子显微图像进行定位分割的结果较现有分割方法更为准确,效率更高,所提取的细胞核边缘能够用于进一步分析。
附图说明
图1是本发明的总流程图;
图2是定位细胞核中心的基本模型示意图;
图3是定位细胞核中心的子流程图;
图4是使用改进的DRLSE获取细胞核边缘的模型示意图;
图5是使用本发明方法处理一幅人体组织细胞双光子显微图像的过程示意图;
图6是使用本发明方法处理8幅人体组织细胞双光子显微图像的结果示意图;
图7是使用本发明方法处理一幅人体组织细胞双光子显微图像的结果与使用三种现有方法处理的结果的对比图。
具体实施方式
为了对本发明更好的理解,现结合附图和实施例做进一步的说明。
图1为本发明的主要步骤流程图。首先输入待分割的双光子显微图像,将图像转化为灰度图像;对灰度图像采用限制对比度自适应直方图均衡处理和高斯滤波处理方法进行预处理;对预处理后的灰度图像使用C-均值聚类法(C-means)进行聚类,将像素点按其灰度值分为细胞核、细胞质和细胞间质3类;使用Canny算子对3类分类结果进行边缘检测,获得细胞核、细胞质和细胞间质的边界明晰的边缘图;对边缘图中呈现椭圆形的细胞核边缘进行准确定位,获得细胞核中心点集,并标记细胞核的中心;使用改进的DRLSE模型获取准确的细胞核边缘,输出图像分割结果。
图2为本发明所采用的椭圆模型定位细胞核示意图,整幅图表示模板所覆盖的边缘点集范围。其中,1为椭圆模型,椭圆模型1的内外两个椭圆表示到该椭圆代数距离小于阈值t的范围;2为边缘点集中,到椭圆模型1的代数距离小于t的点;3为到椭圆模型1的代数距离大于t的点;
图3为本发明的步骤(5)的流程图,即准确定位并标记细胞核中心的流程;
图4为本发明中步骤(6)的水平集演化示意图。其中,1为细胞核中心点标记;2为以细胞核中心点为圆心,半径为5的小圆,即为水平集演化的初始轮廓;3为水平集演化的目标轮廓,即为细胞核的准确边缘,当水平集演化结束后,初始轮廓2收敛到轮廓边缘3,从而得到了准确的细胞核边缘;
图5为使用本发明方法处理一幅人体组织细胞双光子显微图像的过程示意图。其中,(a)为输入的人体组织细胞双光子显微图像;(b)为转化为灰度图后的图像;(c)为预处理后的灰度图;(d)为对灰度图进行C-均值聚类的结果;(e)为使用Canny算子对(d)进行边缘检测后获得的边缘图;(f)为对(e)进行细胞核准确定位并标记后获得的细胞核中心标记图;(g)表示最终获取的细胞核准确边缘;
图6中,(a)、(b)、(c)、(d)、(e)、(f)、(g)和(h)分别为使用本发明方法获得的8幅人体组织细胞双光子显微图像的细胞核边缘示意图;
图7为使用本发明方法以及其他3种现有方法对一幅人体组织细胞双光子显微图像进行分割的效果对比。图(a)为使用本发明获得的细胞核边缘示意图;(b)为使用基于局部区域信息的局部二元拟合(Local Binary Fitting,LBF)模型所获取的细胞核边缘示意图;(c)为使用Canny算子对灰度图像直接进行边缘检测所获取的细胞边缘示意图;(d)为使用大津法(OTSU)对灰度图像进行阈值分割的结果示意图。
本发明的核心在于基于椭圆形模型进行细胞核的准确定位,得到图中所有细胞核的准确位置并标记。基于细胞核中心的标记,将初始轮廓初始化为以细胞核中心为圆心的小圆的集合,对初始轮廓使用DRLSE模型进行水平集演化,从而获得准确的细胞核边缘。
实施例1
人体鼻咽上皮组织细胞双光子显微图像的定位分割
具体处理过程如下:
步骤1.输入待分割的双光子显微图像,将图像转化为灰度图像
将使用双光子显微镜获得的如图5(a)所示的呈现绿色的人体鼻咽上皮组织细胞原始图像,转化为灰度图像,转化后的灰度图像如图5(b)所示。
步骤2.对灰度图像进行预处理,降低噪声、增加对比度
由图5(b)可以看到,原始灰度图的噪声比较严重,干扰物多呈现颗粒状。同时,部分区域的对比度较低,肉眼难以区分是细胞质还是细胞核。因此,需要对原始灰度图进行适当的预处理,预处理步骤如下:
①首先进行限制对比度自适应直方图均衡(Contrast Limited Adaptive histogramequalization/CLAHE),通过直方图均衡化,增强图像的对比度。与一般的直方图均衡化函数相比,限制对比度自适应直方图均衡在增强对比度的同时可以有效地抑制噪声的增强;
②为降低噪声干扰,构建一个3×3的高斯滤波器,对图像进行滤波。
经过预处理后的图像如图5(c)所示,可以看到,预处理有效地增强了对比度、减少了噪声,同时边缘信息损失较少;
步骤3.对预处理后的灰度图像使用C-均值聚类法(C-means)进行聚类
虽然预处理有效地减少了图像中的噪声,但是图像中存在的噪声干扰还是很多,如果直接提取边缘来进行中心定位,会产生错误,同时也会增加计算开销。因此,本发明方法使用聚类采取C-均值法(C-means)对图像进行初步的分类。
C-均值聚类算法先取定C类和选取C个初始聚类中心,按最小距离原则将各像素点分配到C类中的某一类,之后不断地计算类别中心和各点的类别,最终使各点到其判属类别中心的距离平方之和最小。假设图像分割成C类区域,图像是大小为M×N的灰度图像,任意位置(x,y)处的灰度值为g(x,y)(0≤g(x,y)≤255)。假设灰度图像中最小灰度值为0,最大灰度值为255,其中任意灰度级出现的总个数记为h(i)(i=0,1,…,255)且满足对于本实施例,C=3,图像大小为200×200。聚类步骤如下:
①从0至255中任意选取C个不同大小的值作为图像分成C类的中心值,即采用0至255的整数初始化的值(表示第1类的第0次迭代,依此类推),令k=0;
②将图像中所有不同位置像素的灰度值g(x,y)(x=1,2,…,M,y=1,2,…N)逐个按最小距离原则分划给C类中的某一类,即:
如果:x=1,2,…,M,y=1,2,…,N
且存在一个l∈{1,2,…,c},则判定
式中表示g(x,y)和的中心的距离,上标k表示迭代次数。于是产生新的聚类
③计算重新分类后的各类中心:
式中为类中所含模式的个数;
④如果则迭代结束;否则,k=k+1,转至②。
聚类结果如图5(d)所示,分类后的图像分为细胞核、细胞质以及细胞间质这三部分,聚类处理降低了图像中的噪声对之后的细胞核中心定位的干扰;
步骤4.对步骤3得到的人体上皮组织细胞的细胞核、细胞质和细胞间质分类结果,使用Canny算子进行边缘检测,获得细胞核、细胞质和细胞间质的边界明晰的边缘图
由于本发明方法是基于对细胞核边缘呈现类椭圆形这一特征进行定位的,因此需要使用边缘图用来定位。经过试验,使用Canny算子提取的边缘较为完整,适合进行中心定位。因此边缘提取算子采用Canny算子,Canny算子的阈值使用自动阈值。提取的Canny边缘图如图5(e)所示,图5(e)中的边缘不仅包括了细胞核的边缘,还有细胞质以及细胞间质的边缘,因此,需要在众多边缘中识别出代表细胞核的边缘,即准确定位细胞核;
步骤5.对边缘图中呈现椭圆形的细胞核边缘进行准确定位,获得细胞核中心点集,并标记细胞核的中心。定位细胞核中心的流程如图3所示。
定位的基本原理:细胞核边缘多呈现椭圆形,因此,当一个边缘类似于椭圆,且大小、短轴与长轴的比值符合要求时,则认为该边缘为细胞核边缘,因而可以据此准确定位细胞核。所述的基本原理如图2所示。
如图2所示,建立一个30×30的模板,模板所覆盖范围内的边缘是由点组成的,因此将边缘视为边缘点集。细胞核边缘可以用椭圆模型1来描述。椭圆模型1内外两个椭圆表示到椭圆模型(best_model)的代数距离小于阈值t的范围,其中t由实验确定,可以将细胞核边缘点的2/3包括进来即可,本实施例中t=10。若点位于椭圆环内(即点到椭圆的代数距离小于阈值t),则视为内点(inliers),反之为外点(outliers)。当内点的个数(inliers_num)达到一定规模,则当前椭圆模型视为能够匹配数据集的最佳模型(best_model)。具体定位步骤如下:
①建立一个30×30的模板,模板初始位置为图像的原点。模板所覆盖范围内的边缘视为边缘点集(data);
②初始化最佳模型best_model=null,可能最佳模型better_model=null,内点个数inliers_num=0,迭代次数iterations=0;
③iterations=iterations+1,判断iterations是否已经超过限制,即iterations是否大于100,若是,说明当前模板内无合适的椭圆模型存在,即无细胞核存在,转至⑨;
④从data中随机抽取5个点,将它们的坐标代入式x2+2Bxy+Cy2+2Dx+2Ey+F=0,得到B、C、D、E和F的值,从而得到better_model;
⑤计算data中符合better_model的点数(数据集中内点个数),判断点为内点的准则为:若点到椭圆的代数距离小于阈值di=10,则该点为内点;
⑥若内点个数inliers_num大于阈值t=40,则转至⑦,否则转至③;
⑦判断better_model的特征是否符合要求:计算该椭圆的短轴与长轴之比e,判断e是否大于0.3,若符合,则判定better_model为最佳模型,即best_model=better_model,否则转至③;
⑧根据best_model求得椭圆中心,其中椭圆中心的横坐标纵坐标在边缘图中标记该点,即为细胞核的中心;
⑨若模板已滑过整个边缘图,则结束定位;否则以步长2移动模板,转至①。
所述的最佳模型,即代表细胞核边缘。通过寻找到最佳模型,即准确定位了细胞核。
通过以上步骤,可以准确定位各个细胞核,并得到了细胞核中心点标记图,细胞核中心点标记图如图5(f)所示,图中的各个细胞核边缘中心的白点即为标记;
步骤6.使用改进的DRLSE模型获取准确的细胞核边缘
距离正则化的水平集演化模型(Distance Regularized Level Set Evolution,DRLSE)以能量泛函的形式表示需要演化的封闭轮廓曲线,通过求解能量泛函的最小化来完成曲线向图像分割轮廓线演化的目的。对于背景较为复杂、噪声严重的图像,如果按照DRLSE将轮廓曲线初始化为图像中心处的一个曲线,则不仅运算较为耗时,而且会得到错误的分割结果。因此,本发明基于步骤5的细胞核中心定位以及结果,使用改进的距离正则化的水平集演化模型(Distance Regularized Level Set Evolution,DRLSE)获取准确的细胞核边缘,即将水平集演化的初始轮廓定义为以细胞核中心为圆心的圆的集合,从而轮廓可以以较少的迭代次数收敛到细胞核边缘。演化的过程如图4所示,其中,1为细胞核中心点标记;2为以细胞核中心点为圆心,半径为5的小圆,即为水平集演化的初始轮廓;3为水平集演化的目标轮廓,即为细胞核的准确边缘,当水平集演化结束后,初始轮廓2收敛到轮廓边缘3,从而得到了准确的细胞核边缘。对图5(b)使用上述改进的DRLSE模型进行水平集演化。图5(g)为水平集演化结果,可以看到大多数细胞核边缘都能够被准确地提取出来;
步骤7.输出分割结果
细胞核边缘提取结果如图5(g)所示。
本发明的效果和优势可以通过以下实验进一步说明:
实验环境:Matlab R2009b,Intel Pentium P6200,2.13GHz双核,Windows7旗舰版。
实验内容:使用本发明方法对8幅人体鼻咽上皮组织细胞双光子显微图像进行了中心定位分割,另外分别使用LBF模型、大津法(OTSU)阈值分割、边缘检测算子(Canny)这三种现有技术对一幅图片进行了分割,将本发明方法的效果与他们进行了比较,最后对本发明方法的定位准确率进行了分析。全部实验图片来自福建师范大学医学光电科学与技术教育部重点实验室。
参数设置:限制对比度自适应直方图均衡(Contrast Limited Adaptive histogramequalization/CLAHE)使用Matlab的自带函数adapthisteq,参数使用默认值。高斯滤波器模板大小为3×3,σ=1。Canny算子的阈值使用自动阈值。模板大小均为30×30,阈值t均为40,di均为10。
实验结果:使用本发明方法处理一幅人体鼻咽上皮组织细胞,每一步的结果如图5所示,分别为:(a)原始图像,(b)原始灰度图像,(c)预处理后图像,(d)聚类结果,(e)聚类结果的Canny边缘图,(f)中心定位标记结果,(g)最终分割结果。由图5(f)可以看出,绝大部分细胞核都能被准确地定位,图5(g)为本发明方法的最终分割结果。
图6是使用本发明方法处理8幅人体鼻咽上皮组织细胞双光子显微图像的分割结果图,可以看到,对于这8幅不同的图像,提取得到的细胞核边缘均较为准确。表1为对这8幅细胞双光子显微图像的分割结果的统计,其中正确率的计算方法为:正确率=(找对个数/找对个数+找错个数)×100%,遗漏率的计算方法为:遗漏率=(遗漏个数/共有个数)×100%。可以看出,对于噪声程度不同以及细胞大小不同的双光子显微图像,本发明方法的细胞核中心定位结果均具有较高的准确率,说明了本发明方法具有较好的鲁棒性。
表1使用本发明方法定位8幅人体鼻咽上皮组织细胞双光子显微图像的结果统计
图像序号 | 共有个数 | 找对个数 | 找错个数 | 遗漏个数 | 正确率 | 遗漏率 |
1 | 20 | 17 | 1 | 3 | 94.4% | 15.0% |
2 | 42 | 38 | 2 | 4 | 95.0% | 9.5% |
3 | 16 | 16 | 1 | 0 | 94.1% | 0% |
4 | 12 | 11 | 2 | 1 | 84.6% | 8.3% |
5 | 16 | 13 | 0 | 3 | 100% | 18.7% |
6 | 18 | 16 | 2 | 2 | 88.8% | 11.1% |
7 | 15 | 13 | 1 | 2 | 92.8% | 13.3% |
8 | 15 | 14 | 2 | 1 | 87.5% | 6.7 |
图7是使用本发明方法与其他3种方法处理同一幅人体鼻咽上皮组织细胞双光子显微图像的效果对比。图7(a)是使用本发明方法的结果;图7(b)是用基于LBF模型的水平集方法对细胞图像进行分割的效果图;图7(c)是直接用Canny算子提取细胞边缘的效果图;图7(d)是采用大津法(OTSU法)选取阈值进行阈值分割的效果图。对比本发明方法的结果,可以看出这些方法的分割效果均不如本发明方法,不适合用于精确提取细胞的特征。
综上所述,采用本发明方法对人体鼻咽上皮组织细胞双光子显微图像进行分割,是在精确定位目标后进行有针对性的分割,定位准确率以及分割结果较理想。相比现有技术,对背景复杂、噪声严重的细胞双光子显微图像的分割具有更好的效果,适于精确提取双光子显微图像中的细胞核边缘。
Claims (7)
1.一种人体组织细胞双光子显微图像的定位分割方法,包括如下步骤:
(1)输入待分割的双光子显微图像,将图像转化为灰度图像;
(2)对灰度图像采用限制对比度自适应直方图均衡处理和高斯滤波处理方法进行预处理;
(3)对预处理后的灰度图像使用C-均值聚类法进行聚类,将像素点按其灰度值分为细胞核、细胞质和细胞间质3类;
(4)对步骤(3)得到的细胞核、细胞质和细胞间质分类结果,使用Canny算子进行边缘检测,获得细胞核、细胞质和细胞间质的边界明晰的边缘图;
(5)对边缘图中呈现椭圆形的细胞核边缘进行准确定位,获得细胞核中心点集,并标记细胞核的中心;
(6)使用改进的DRLSE模型获取准确的细胞核边缘;
(7)输出图像分割结果;
所述的准确定位方法,其步骤为:
①定义一个正方形模板,使之滑过边缘图,模板大小依据图像中的细胞大小确定,可以完整覆盖一个细胞即可;
②模板所覆盖的边缘视为边缘点集,使用RANSAC法,即随机抽样一致性,估计最适合当前边缘点集的椭圆模型:从边缘点集中随机取5个点,将它们的坐标值代入椭圆方程:x2+2Bxy+Cy2+2Dx+2Ey+F=0,得到B、C、D、E和F的值;
③按以下步骤判断RANSAC法估计得到的椭圆模型是否为细胞核:
I.判断边缘点集中的各点是否属于椭圆模型,若点到椭圆的代数距离d=x2+2Bxy+Cy2+2Dx+2Ey+F小于阈值di,则该点属于椭圆模型,其中,x,y为点的坐标值,阈值di由实验确定;
II.计算属于该椭圆模型的点的个数N,判断N是否大于阈值t,这里阈值r为模板的边长;
III.计算椭圆模型的短轴和长轴之比e,判断e是否大于0.3;
VI.若该模型符合以上条件,则可判定为细胞核,在边缘图中标记该椭圆模型的中心,即为细胞核的中心;若该模型不符合以上条件,则不予标记;
④以固定步长移动模板,重复步骤②~③,直至模板完全滑过边缘图,完成了所有细胞核的中心点标记。
2.根据权利要求1所述的一种人体组织细胞双光子显微图像的定位分割方法,其特征在于所述的C-均值聚类,C为聚类的类数,C=3。
3.根据权利要求1所述的一种人体组织细胞双光子显微图像的定位分割方法,其特征在于所述的C-均值聚类,其过程如下:
将灰度图像中所有的像素按灰度值g(x,y)(x=1,2,…,M,y=1,2,…N)逐个按最小距离原则分划给C类中的某一类,即如果:
像素到类的距离且存在一个l∈{1,2,…,c},则判定像素点
式中表示g(x,y)和的中心的距离,上标k表示迭代次数,于是产生新的聚类
每次分类完成后,求取新的聚类的中心,并再次进行分类,直至新的类的中心与前一次聚类的中心相同。
4.根据权利要求1所述的一种人体组织细胞双光子显微图像的定位分割方法,其特征在于所述的步长不超过模板大小的1/6。
5.根据权利要求1所述的一种人体组织细胞双光子显微图像的定位分割方法,其特征在于所述的细胞核中心定位以及标记,使用获取准确的细胞核边缘;对灰度图使用上述改进的距离正则化的水平集演化模型进行水平集演化,水平集演化结束后,轮廓收敛到细胞核的边缘,该轮廓即为准确的细胞核边缘。
6.根据权利要求5所述的一种人体组织细胞双光子显微图像的定位分割方法,其特征在于所述的改进的距离正则化的水平集演化模型,即将水平集演化的初始轮廓定义为以细胞核中心为圆心的圆的集合,从而轮廓可以以较少的迭代次数收敛到细胞核边缘。
7.根据权利要求6所述的一种人体组织细胞双光子显微图像的定位分割方法,其特征在于所述的初始轮廓半径为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310259196.1A CN103345748B (zh) | 2013-06-26 | 2013-06-26 | 一种人体组织细胞双光子显微图像的定位分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310259196.1A CN103345748B (zh) | 2013-06-26 | 2013-06-26 | 一种人体组织细胞双光子显微图像的定位分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103345748A CN103345748A (zh) | 2013-10-09 |
CN103345748B true CN103345748B (zh) | 2016-08-10 |
Family
ID=49280541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310259196.1A Active CN103345748B (zh) | 2013-06-26 | 2013-06-26 | 一种人体组织细胞双光子显微图像的定位分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345748B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778442B (zh) * | 2015-02-11 | 2019-03-01 | 苏州大学 | 视网膜细胞荧光显微图像的自动分割和计数方法 |
CN107067536B (zh) * | 2017-04-27 | 2019-07-26 | 深圳怡化电脑股份有限公司 | 一种图像边界确定方法、装置、设备和存储介质 |
CN108154513A (zh) * | 2017-11-21 | 2018-06-12 | 中国人民解放军第三军医大学 | 基于双光子成像数据的细胞自动探测和分割方法 |
CN108846834B (zh) * | 2018-05-31 | 2020-11-20 | 清华大学 | 医用图像处理装置及医用图像处理方法 |
CN111429461B (zh) * | 2019-01-09 | 2023-09-01 | 武汉兰丁智能医学股份有限公司 | 一种新型的重叠脱落上皮细胞分割方法 |
CN110136139B (zh) * | 2019-04-12 | 2021-04-06 | 浙江工业大学 | 基于形状特征的面部ct图像中的牙神经分割方法 |
CN110288582A (zh) * | 2019-06-26 | 2019-09-27 | 电子科技大学 | 一种细胞核的准确分割方法 |
CN110490159B (zh) * | 2019-08-23 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 识别显微图像中的细胞的方法、装置、设备及存储介质 |
CN110517273B (zh) * | 2019-08-29 | 2022-03-22 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 基于动态梯度阈值的细胞学图像分割方法 |
CN111145209B (zh) * | 2019-12-26 | 2023-06-02 | 推想医疗科技股份有限公司 | 一种医学图像分割方法、装置、设备及存储介质 |
CN111724378A (zh) * | 2020-06-24 | 2020-09-29 | 武汉互创联合科技有限公司 | 一种显微图像细胞计数与姿态识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2466818A (en) * | 2009-01-09 | 2010-07-14 | John R Maddison | Cell image segmentation using binary threshold and greyscale image processing |
CN102999905A (zh) * | 2012-11-15 | 2013-03-27 | 天津工业大学 | 基于自适应pcnn的眼底图像血管自动检测方法 |
-
2013
- 2013-06-26 CN CN201310259196.1A patent/CN103345748B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2466818A (en) * | 2009-01-09 | 2010-07-14 | John R Maddison | Cell image segmentation using binary threshold and greyscale image processing |
CN102999905A (zh) * | 2012-11-15 | 2013-03-27 | 天津工业大学 | 基于自适应pcnn的眼底图像血管自动检测方法 |
Non-Patent Citations (3)
Title |
---|
"基于模糊聚类的图像分割技术研究";王志兵;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20090915(第9期);第3.2节 * |
"小鼠口腔上皮细胞与人体皮肤纤维的双光子显微图像处理";谢志明;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20111215(第S1期);绪论3,第三章第二节至第五节 * |
周春霖;朱合华;李晓军."随机抽样一致性平面拟合及其应用研究".《计算机工程与应用》.2011,(第7期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN103345748A (zh) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345748B (zh) | 一种人体组织细胞双光子显微图像的定位分割方法 | |
Arulmurugan et al. | Region-based seed point cell segmentation and detection for biomedical image analysis | |
CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
CN105740945B (zh) | 一种基于视频分析的人群计数方法 | |
CN104299008B (zh) | 基于多特征融合的车型分类方法 | |
CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
CN107256558A (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
CN103810503A (zh) | 一种基于深度学习的自然图像中显著区域的检测方法 | |
CN103914834A (zh) | 一种基于前景先验和背景先验的显著性物体检测方法 | |
CN111079685A (zh) | 一种3d目标检测方法 | |
Ni et al. | Automatic detection and counting of circular shaped overlapped objects using circular hough transform and contour detection | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN105528575A (zh) | 基于上下文推理的天空检测算法 | |
CN107369158A (zh) | 基于rgb‑d图像的室内场景布局估计及目标区域提取方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN104598929A (zh) | 一种hog特征快速提取方法 | |
CN104298990A (zh) | 一种基于骨架图的快速图形匹配与识别的方法 | |
CN109242876A (zh) | 一种基于马尔科夫随机场的图像分割算法 | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN105893941B (zh) | 一种基于区域图像的人脸表情识别方法 | |
CN107424153B (zh) | 基于深度学习和水平集的人脸分割方法 | |
Kostrykin et al. | Globally optimal segmentation of cell nuclei in fluorescence microscopy images using shape and intensity information | |
Gurrala et al. | A new segmentation method for plant disease diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |