CN103489187A

CN103489187A - 基于质量检测的宫颈lct图像中细胞核的分割方法

Info

Publication number: CN103489187A
Application number: CN201310436675.6A
Authority: CN
Inventors: 张见威; 张盛凯; 朱林; 叶文忠
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2013-09-23
Filing date: 2013-09-23
Publication date: 2014-01-01

Abstract

本发明公开了一种基于质量检测的宫颈LCT图像中细胞核的分割方法，包括如下步骤：S1对宫颈LCT图像进行粗分割，将粗分割得到的结果存储到待检测对象集；S2采用对象过滤器对待检测对象集中的对象进行检测，最终得到细胞核；S3多次重复S2，直到待检测对象集为空。本发明引入了质量控制机制，能保证分割结果符合要求，在宫颈LCT图像中的细胞重叠、染色不均、有杂质的情况下，得到准确率高的分割结果。

Description

基于质量检测的宫颈LCT图像中细胞核的分割方法

技术领域

本发明涉及图像处理领域，具体涉及基于质量检测的宫颈LCT图像中细胞核的分割方法。

背景技术

在计算机视觉理论中，从低层到高层分为图像分割、特征提取与目标识别三大任务，而图像分割作为特征提取和目标识别的基础，是由图像处理转到图像分析的关键。目前国内外广泛采用的图像分割算法包括阈值分割法、区域分割法、边缘分割法以及其他方法。根据不同的图像特征以及分割目标，选择不同的算法，从而取得一个比较理想的分割结果。

宫颈癌的早期发现对降低宫颈癌的死亡率具有重大意义，现在一般采用宫颈涂片筛查技术进行检查。然而涂片筛查技术采用的人工阅片方式存在效率低下，且受人的主观因素影响较大从而降低筛查的正确率的缺陷。因此，研发宫颈液基细胞学计算机辅助诊断检验系统，通过机器分析代替人工阅片，在提高检验效率的同时，降低对人的依赖，提升筛查的正确率，具有重大意义。

宫颈涂片筛查存在多种技术，而液基细胞学检验技术(Liquid-based cytologictest，以下简称LCT)作为一种新兴技术为国内医院普遍使用。LCT采集图像主要的特点以及给分割带来的困难有以下两点：

部分图像中细胞质粘连，使得出现了大量的重叠细胞，部分重合的细胞质在颜色空间上和细胞核相似，给分割带来很大困难；

图像中除宫颈脱落的上皮细胞外，还有白细胞、杂质、液泡等，会使分割出的结果中有这些不需要的内容，给下一步的识别带来很大困难。

国内外很多学者对宫颈脱落细胞图像分割的研究提出了很多方法，主要分为阀值法、分水岭法、区域增长法、基于机器学习的方法等。这些方法在分割质量好、没有杂质的图像上可以得到比较满意的效果。但通过我们的调查，医院病理科的宫颈LCT图像的质量却远远没有文章中图像质量那么高，主要原因有制片技术的限制、采样人员的操作不规范等。对于实际使用的方法，要求我们要有比较高的准确率。上述方法只对细胞图像加以分割，并未对分割结果加以甄选和进一步的处理，这就导致这些方法在实际使用时，很有可能出现分割不准确或不正确的内容掺杂在分割结果中，给下一步的分析和识别带来很大的问题。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种基于质量检测的宫颈LCT图像中细胞核的分割方法。

本发明采用如下技术方案：

一种基于质量检测的宫颈LCT图像中细胞核的分割方法，包括如下步骤：

S1 对宫颈LCT图像进行粗分割，将粗分割得到的结果存储到待检测对象集；

S2 采用对象过滤器对待检测对象集中的对象进行检测和处理，最终得到细胞核；

S3 多次重复S2，直到待检测对象集为空。

所述S2采用对象过滤器对待检测对象集中的对象进行检测和处理，包括如下步骤：

S2.1 判断待检测对象集中的对象是否包含细胞核，包含细胞核的对象进入下一步，不包含细胞核的对象舍弃；

S2.2 对含有细胞核的对象进行质量检测。

所述S2.1判断待检测对象集中的对象是否包含细胞核，包括如下步骤：

S2.1.1 面积限定法，具体为：根据细胞核面积大小的范围，将最小细胞核面积作为阈值，若待检测对象面积小于阈值，则认为它不包含细胞核，并舍弃，若待测对象面积大于阈值，则进入S2.1.2；

S2.1.2 形态腐蚀法，具体为：采用圆形模板对待检测对象进行腐蚀，当R′为空时，判定该对象不含细胞核，并舍弃，若包含细胞核，则对该对象进行质量检测；

公式如下：

R′=RΘE

其中，R是对象区域，E是腐蚀模板单元，本发明中E为圆形模板，所述模板半径为最小细胞核的半径。

S2.2 对含有细胞核的对象进行质量检测，具体包括：

S2.2.1 似圆度判别，当似圆度c≥0.8时，则认为该对象的形状符合要求，进入S2.2.2，否则进行细分割，并将分割后的结果存储到待检测对象集；

似圆度公式为：c=4πS/P²，其中c为似圆度，S为计算对象的面积，即像素点个数，而P是计算对象的周长，即对象边界的长度；

S2.2.2 直方图单双峰判别，具体为：对满足要求的对象区域进行均值滤波，然后计算直方图；

如果直方图是双峰或多峰结构，则该对象进行细分割，并将细分割后的结果存储到待检测对象集中；如果直方图是单峰结构，则将该对象放入结果对象集。

所述细分割采用灰度门限分割算法。

所述S2.1.1中最小面积阈值设定为200像素。

所述S1中的粗分割具体包括如下步骤：

S1.1 将宫颈LCT图像转换为灰度图像I，然后分成N×N块，对每一块计算其对应的灰度标准差V_B和灰度均值M_B，如果该块的V_B大于给定阈值T_B，则用大津法分割；

否则，如果该块M_B大于给定阈值T_B，则该块为背景；

如果该块M_B小于或等于给定阈值T_B，则该块为前景；

S1.2 对前景区域进行分类，得到过大区域及适合区域；

S1.3 对过大区域进行自适应门限分割。

本发明的有益效果：

（1）建立质量检测体系，使分割的中间结果得以分析和甄别，对确定里面不含细胞核的区域舍弃，对符合要求的区域放入最终结果对象集，对里面含有细胞核，但分割结果还不准确的区域进行再一次的细分割，并循环进行，以保证分割结果的正确性和准确性；

（2）根据宫颈脱落细胞的特点及领域知识，设计特征集和规则集，以实验对象过滤器，并用对象过滤器对中间分割结果进行质量检测；

（3）本发明也可以作为通用的图像分割框架，根据具体的使用领域，对其选择合适的分割算法和质量检测算法，进行实现。

附图说明

图1是本发明的工作流程图；

图2是本发明对象过滤器的工作流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于质量检测的宫颈LCT图像中细胞核的分割方法，先对宫颈LCT图像进行粗分割，并把粗分割得到的结果（每个连通的小区域作为一个对象，它们可能仅仅是细胞核，也可能是细胞核和细胞膜的共同体，也可能是颜色较深的细胞质或白细胞）存储到待检测对象集，然后对待检测对象集中的对象，用对象过滤器逐一进行质量检测，把不包含细胞核的对象定义为杂质，舍弃，对通过质量检测的对象（即完整的细胞核）放入最终结果对象集，对包含细胞核却没有通过质量检测的对象再进行细分割，并将结果放入待检测对象集，循环进行，直至待检测对象集为空。

所述粗分割尽量保证图像中的所有细胞核包含在分割得到的区域里，但有可能不准确，也可能有部分区域不包含细胞核；具体为：

S1.1，将整幅图像转换为灰度图像I，然后分成N×N的小块，对每一小块B计算其灰度标准差V_B和灰度均值M_B,如果V_B大于给定阈值T_B,则用大津法分割；否则如果M_B大于给定阈值，说明整块为均匀的浅颜色的背景区域，则判定整块为背景，M_B小于或等于给定阈值，说明该块为均匀的深色区域，则把整块暂时判定为前景。

S1.2，对所有前景区域进行分类，分出过大区域和大小适合区域。测试每个前景区域的最小包围盒，对同时满足：高宽比>0.2、宽高比>0.2、宽度>80像素、高度>80像素、连通域面积与最小包围盒面积之比>0.4的区域定义为过大区域，需要进行下一步的分割，方法是进行下述第三步的处理；其余区域为大小适合区域，放入待检测对象集。

S1.3，对满足第二步中测试为过大的区域进行自适应门限分割。

自适应门限分割即图像中每个像素点都存在自己门限，通过自身周围的灰度环境动态地计算自身的门限，然后进行二值化处理。α为一可控参数，对于每一像素的门限计算，计算s×s窗口的像素点灰度均值M后，并采用α×M作为该像素点的分割门限；采用integral image方法用来快速求取指定窗口中所有像素的灰度和，加速求窗口灰度均值的过程。

通过对医院的需求调查，以及对相关医学知识的学习得知，LCT图像中的细胞染色分为两种情况，成熟细胞将被染成红色，而未成熟细胞将被染成蓝色，而在自适应门限分割中，像素点周围窗口灰度均值的计算需要相对图像进行灰度化处理，本文通过计算每个像素的色度从而判断该像素点是属于红色细胞还是蓝色细胞的，再根据颜色选择不同的颜色通道对图片进行灰度化，计算像素周围窗口的均值，从而获得更高精确度的分割结果。对红通道分割结果和蓝通道分割结果施以并集运算；对最终结果上的每个连通域进行封装成为一个对象，送到待检测对象集。

如图2所示，采用对象过滤器对待检测对象集中的对象进行检测，将符合要求的放入结果对象集，不符合要求的再分为不包含细胞核的对象和包含细胞核的对象；对不包含细胞核的对象进行舍弃；对包含细胞核的对象进行细分割，将细分割的结果再放入待检测对象集，具体包括如下步骤：

S2.1 判断待检测对象集中的对象是否包含细胞核，包含细胞核的对象进入下一步，不包含细胞核的对象舍弃，具体包括如下步骤：

S2.1.1 面积限定法，由于细胞核存在一定的大小范围，因此，可以通过统计计算，得出细胞核的面积范围；如果对于某个对象，其面积小于最小面积，则认为它是不包含细胞核的，通过统计计算，本发明将最小面积阈值设定为200像素，若待检测对象（即待检测对象集中的对象）面积小于最小面积阈值，则认为它不包含细胞核，并舍弃，若其面积大于最小面积阈值，则进入S2.1.2；

S2.1.2 形态腐蚀法：某些待检测对象集中的对象，尽管其面积大于细胞核面积范围中的最小面积，然而，其形状呈现成为长条状，其短轴比最小细胞核的直径还要短，因此，里面肯定不含有细胞核，而要检测出这些对象，本发明采用形态腐蚀的方法。

腐蚀一般用于根据尺寸以及模板的形状，从二值图像中消除不相关的细节。但采用固定的圆形模板对分割对象进行腐蚀时，如果该分割对象是长条状的不包含细胞核的区域，则对其进行腐蚀，由于长条状的不包含细胞核的区域并不能包容一个最小的类圆形细胞核，同样腐蚀后将得到一个空像素点集，即组成不包含细胞核区域的像素点会被完全腐蚀掉；而如果该对象是细胞核或包含细胞核，则由于采用的圆形模板是以统计的得到的最小细胞核的计算半径作为模板半径的，因此对分割对象的腐蚀，将至少留下一个圆心周围的一个小圆，小圆的半径是该细胞核的半径减去模板半径。具体做法如式1。

R′=RΘE (式1)

其中，R是对象区域，E是腐蚀模板单元，在本发明中取E为圆形模板，并且模板半径大小为统计得到的最小细胞核的半径大小。当R′为空时，就将该区域判定为不含细胞核的区域，并舍弃，若对象包含细胞核，则对其进行质量检测。

S2.2 对含有细胞核的对象进行质量检测，具体包括两个步骤：

S2.2.1 似圆度判别：

似圆度表示一个对象和圆的相似程度，在宫颈细胞涂片图像中，正常细胞核十分接近圆，而异常细胞核尽管会在形状上会出现一定程度上变化，仍然比较接近于圆。而分割不正确的、不准确的对象则会呈现出各种各样的形状，因此采用似圆度可以对这两类对象进行区分；

似圆度的计算公式：

c=4πS/P² (式2)

其中c为似圆度，S为计算对象的面积，即像素点个数，而P是计算对象的周长，即对象边界的长度，容易得出，当对象是一个圆时，c=1，而随着形变尺度的加大，似圆度将越来越小，通过数据统计得出，本发明将似圆度门限设置为0.8，即当似圆度c≥0.8时，则认为该对象分割在形态上已比较符合要求；进入S2.2.2；而当似圆度c<0.8时，则认为该对象还不够精确，需要做进一步的分割，则进行细分割，并将细分割的结果放入待检测对象集。

S2.2.2 直方图单双峰判别

这一步是对似圆度满足要求的对象（似圆度不小于0.8）进行灰度分布方面的质量检测。先对待检测对象所在区域进行均值滤波，然后计算直方图。如果直方图是双峰结构或多峰结构，则说明该对象除细胞核外，还含有细胞质或其他成分，需要进行细分割，并把细分割的结果放入待检测对象集中；如果该直方图呈现单峰结构，则说明该对象不但是类圆形的，而且灰度分布比较均一，应该是细胞核，这时把该对象放入到结果对象集。

所述细分割，具体为：

通过对宫颈LCT细胞图像的分析，尽管在整张图片的灰度范围内，存在某些细胞核的灰度比重叠细胞质的灰度暗的情况，但是在局部范围内，如果细胞质出现重叠，则势必也将会导致重叠细胞质相应的细胞核出现重叠，灰度加深，因此在局部区域，在绝大部分情况下，细胞核的灰度总是会比细胞质的灰度要深，细分割可以利用这一局部特征进行处理。因此，可利用灰度门限分割算法对每个对象进行细分割，根据双峰或多峰结构，选取灰度值最大的峰与灰度值次大峰之间的“谷”所在的灰度值为阀值，进行分割，根据该算法，总能保证经过一次处理后，单个的对象会比处理前的对象要更小，而由于绝大部分的细胞核内部颜色一致，并较细胞质颜色更深，因此能保证细胞核不丢失。

细分割得到的结果放入待检测对象集进行检测，开始下一个循环。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种基于质量检测的宫颈LCT图像中细胞核的分割方法，其特征在于，包括如下步骤：

S3 多次重复S2，直到待检测对象集为空。

2.根据权利要求1所述的分割方法，其特征在于，所述S2采用对象过滤器对待检测对象集中的对象进行检测和处理，包括如下步骤：

S2.2 对含有细胞核的对象进行质量检测，最终得到细胞核。

3.根据权利要求2所述的分割方法，其特征在于，所述S2.1判断待检测对象集中的对象是否包含细胞核，包括如下步骤：

S2.1.1 面积限定法，具体为：根据细胞核面积的大小范围，将最小细胞核面积作为阈值，若待检测对象面积小于阈值，则认为它不包含细胞核，并舍弃，若待测对象面积大于阈值，则进入S2.1.2；

公式如下：

R′=RΘE

4.根据权利要求2所述的分割方法，其特征在于，S2.2对含有细胞核的对象进行质量检测和处理，具体包括：

S2.2.1 似圆度判别，当含有细胞核的对象似圆度c≥0.8时，则认为该对象的形状符合要求，进入S2.2.2，否则进行细分割，并将细分割后的结果存储到待检测对象集；

5.根据权利要求4所述的分割方法，其特征在于，所述细分割采用灰度门限分割算法。

6.根据权利要求3所述的分割方法，其特征在于，所述S2.1.1中阈值设定为200像素。

7.根据权利要求1所述的分割方法，其特征在于，所述S1中的粗分割具体包括如下步骤：

否则，如果该块M_B大于给定阈值T_B，则该块为背景；

如果该块M_B小于或等于给定阈值T_B，则该块为前景；

S1.2 对前景区域进行分类，得到过大区域及适合区域；

S1.3 对过大区域进行自适应门限分割。