CN103984958A - 宫颈癌细胞分割方法及系统 - Google Patents

Abstract

本发明涉及一种宫颈癌细胞分割方法，包括如下步骤：去除宫颈图像的噪声；对上述去除噪声的图像构造细胞质模板进行粗分割，以分割出细胞质区域；对分割出的细胞质区域计算超像素；对上述计算超像素的细胞质区域采用卷积神经网络进行分类；根据上述去除噪声的图像构造细胞核模板，并对细胞核进行粗分割；对粗分割后的细胞核进行修正，并完成宫颈癌细胞的分割。本发明还涉及一种宫颈癌细胞分割系统。本发明一方面保证了处理的速度，另一方面又获得了精确的分割效果。

Description

宫颈癌细胞分割方法及系统

技术领域

本发明涉及一种宫颈癌细胞分割方法及系统。

背景技术

宫颈癌在女性的恶性肿瘤中致死率居于第4位，而患宫颈癌的妇女中，85％来自发展中国家。已有数据证明，宫颈癌筛查成功地减少了发病率和死亡率。临床上筛查的方法主要是细胞学、阴道镜和组织病理学，其中细胞学筛查是最简单也是最重要的手段。

计算机辅助细胞检测技术是目前认为能在细胞学筛查中起到重要作用的技术，其不但能够准确筛查、降低劳动强度及工作量，还可以消除由人工检测的心理适应性和疲劳等引起的误诊和漏诊。计算机辅助系统的性能主要取决于精确的图像分割，所以只有确保了分割的精度，才能保证所获取的细胞特征的准确性。

早期的宫颈癌细胞分割方法中，Bamford和Lovell在1996年用分水岭的方法实现了细胞核和细胞质的分离，在1998年又使用活动轮廓模型完成了细胞核的精确分割。2002年，Lezoray和Cardot将彩色信息融入到分水岭分割中，得到了宫颈细胞图像的较准确分割。2008年，Tsai等用滤波器平滑图像和强化边界后用K均值从背景中提取细胞，又通过彩色差异最大化分割细胞核。

虽然这些方法都取得了一定的成功，但是这些方法和实际的辅助系统有非常大的距离：一是这些方法只完成了对细胞核的分割，而忽略了细胞质的分割，细胞质的信息对鉴别异常细胞同样非常关键的；二是这些许多方法，都假定了输入图像只含有单个细胞，所以认为图像中只有细胞核的边界或细胞核和细胞质的边界，但是，实际情况中，多个细胞的不规则重叠、交叉、排列，白细胞的介入，灰尘和杂质的影响，光照不均等都加大了实际分割的难度。

发明内容

有鉴于此，有必要提供一种宫颈癌细胞分割方法及系统。

本发明提供一种宫颈癌细胞分割方法，该方法包括如下步骤：a.去除宫颈图像的噪声；b.对上述去除噪声的图像构造细胞质模板进行粗分割，以分割出细胞质区域；c.对分割出的细胞质区域计算超像素；d.对上述计算超像素的细胞质区域采用卷积神经网络进行分类；e.根据上述去除噪声的图像构造细胞核模板，并对细胞核进行粗分割；f.对粗分割后的细胞核进行修正，并完成宫颈癌细胞的分割。

其中，所述的噪声包括脉冲噪声和高斯噪声。

所述的步骤c采用简单线性迭代聚类方法计算超像素。

所述的步骤d包括：对采用简单线性迭代聚类方法得到的每个区域，抽取R、G、B、H、S、V六个通道的最大值、均值、最小值共18个颜色特征。

所述的步骤e包括：提高V通道细胞和背景对比度；对V通道的图像进行形态学顶帽变换；及构造细胞核模板。

本发明还提供一种宫颈癌细胞分割系统，包括相互电性连接的去噪模块、粗分割模块、计算模块、分类模块及修正模块，其中：所述去噪模块用于去除宫颈图像的噪声；所述粗分割模块用于对上述去除噪声的图像构造细胞质模板进行粗分割，以分割出细胞质区域；所述计算模块用于对分割出的细胞质区域计算超像素；所述分类模块用于对上述计算超像素的细胞质区域采用卷积神经网络进行分类；所述粗分割模块还用于根据上述去除噪声的图像构造细胞核模板，并对细胞核进行粗分割；所述修正模块用于对粗分割后的细胞核进行修正，并完成宫颈癌细胞的分割。

其中，所述的噪声包括脉冲噪声和高斯噪声。

所述的计算模块采用简单线性迭代聚类方法计算超像素。

所述的分类模块用于：对采用简单线性迭代聚类方法得到的每个区域，抽取R、G、B、H、S、V六个通道的最大值、均值、最小值共18个颜色特征。

所述的粗分割模块具体用于：提高V通道细胞和背景对比度；对V通道的图像进行形态学顶帽变换；及构造细胞核模板。

本发明宫颈癌细胞分割方法及系统，使用超像素保证细胞质边界的准确分割，然后对每个超像素区域提取颜色特征，采用卷积神经网络完成对细胞质和背景的分类；对细胞核的分割，同样采取从粗到精的分割新思想，对得到的粗分割细胞核图像，用BP神经网络进行进一步修复。本发明从粗到精的分割方法，一方面保证了处理的速度，另一方面又获得了精确的分割效果。

附图说明

图1为本发明宫颈癌细胞分割方法的流程图；

图2为本发明较佳实施例每个超像素区域所提取的特征示意图；

图3为本发明宫颈癌细胞分割系统的硬件架构图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

参阅图1所示，是本发明宫颈癌细胞分割方法较佳实施例的作业流程图。

步骤S401，接收待分割的宫颈图像，去除所述图像的噪声。具体而言：

由于所采集的宫颈图像受到不同程度的噪声污染，所述噪声包括脉冲噪声和高斯噪声，主要产生于图像获取的过程中。在常用的滤波器中，中值滤波能在一定程度上同时去除脉冲噪声和高斯噪声。由于Trim-Meaning方法去除脉冲噪声和高斯噪声的效果优于中值滤波，本实施例采用Trim-meaning方法把m×m窗口区域的像素值按灰度值从小到大排序为：C_i,j＝{C₁,C₂,…,C_m ²}。

$C=\frac{1}{(1-2\mathrm{\λ})m^2}\underset{k={\mathrm{\λm}}^2+1}{\overset{(1-\mathrm{\λ})m^2}{\mathrm{\Σ}}}{C}_k$

用C的值代替窗口中心的值来完成滤波。实验中发现，λ＝0.4，窗口为11×11时能取得比较好的效果。

步骤S402，对上述去除噪声的图像构造模板进行粗分割，以分割出细胞质区域。构造模板的目的是对图像做一个粗分割，提供一个大概的细胞质区域，减少超像素分割时的计算量。具体而言：

本实施例中，图像中细胞区域被染成了红色调，背景区域不被染色，将图像从RGB彩色空间转换到CIE LAB空间，提取A*通道。在A*通道中，能够清晰地看出细胞和背景的对比度有所增强。为了进一步增强对比度，A*通道图像的灰度级从[r_min,r_max]提升至[0，255]。

采用 $f\left(x\right)=\frac{D_m}{2}\{1+\frac{1}{\sin \left(\mathrm{\&alpha;}\frac{\mathrm{\&pi;}}{2}\right)}\sin [\mathrm{\&alpha;\&pi;}(\frac{x}{D_m}-\frac{1}{2})\left]\right\}$ 进一步提高细胞与背景的对比度，其中，0<α<1，D_m为变换后图像最大值，x为变换前灰度值。

而后用二维大津阈值完成阈值化，使用二维大津阈值是因为虽然经上面的处理，细胞与背景的对比度已增加，但由于图像比较复杂，光照、染色不均，且有大量的炎症细胞、白细胞、灰尘、石墨粒子等很多杂质，用一个全局阈值不能得到较好的分割效果，且二维大津阈值法效率很高，能达到粗分割的效果。对于得到的阈值Th₁，Th₂(Th₁<Th₂)，将灰度值小于Th₁的处理为背景，大于Th₁的处理为细胞。在阈值化后，采用形态学运算平滑边界，另外由于杂质的面积远远小于一般细胞的面积，故采用面积信息对杂质进行初步滤波。

步骤S403，对分割出的细胞质区域计算超像素。具体如下：

观察上述粗分割的结果可知：在染色、光照不均等局部区域没有很好的分割，特别是边界部分，因此要得到比较准确的分割，必须对上述粗分割的结果进行修正。本实施例采用超像素的方法进行此种低对比度的分割，以对上述粗分割的结果进行修正。

目前关于超像素的方法已比较多，如mean-shift、Quick shift、graph-based、N-cuts等，而且在许多应用上也取得了成功，如自然风景图像、人体图像等。本实施例采用简单线性迭代聚类(SLIC)算法，所述SLIC对5维特征(CIL LAB的L、A、B及2维位置信息)，通过距离衡量方法改进超像素的形状。SLIC因其速度快参数少，又能保持边界的特点非常适合实际应用。

在对粗分割的图像进行大量观察之后，发现欠分割最多15个像素宽左右，为了分割的精确性，对粗分割图像采用半径为25像素宽的“disk”结构元对所述图像进行形态学膨胀，然后用SLIC方法计算超像素。

步骤S404，对上述计算超像素的细胞质区域采用卷积神经网络(Convolutional Neural Network，CNN)进行分类。具体而言：

对采用SLIC方法得到的每个区域，抽取R、G、B、H、S、V六个通道的最大值、均值、最小值共18个颜色特征。只抽取颜色特征是因为：第一，能够减少计算量；第二，人之所以能正确区分细胞与背景，主要取决于颜色；第三，SLIC已得到准确的边界，而用采用区域来分割细胞与背景，增加了区分性。

本实施例共采集背景、细胞数据各1400个，然后用卷积神经网络(CNN)对其中各1200个样本进行训练，其余的各200个作为测试数据，请参考图2。

卷积神经网络(CNN)由于其权值共享网络结构更类似于生物神经网络，降低了网络模型的复杂度，同时减少了权值的数量。并且卷积神经网络能够学习大量的输入与输出之间的映射关系，只要用已知模式对网络进行训练，网络就具备了输入输出对之间的映射能力。

步骤S405，构造细胞核模板，并对细胞核进行粗分割。具体而言：

在实际情况中，因为细胞质染色太深或炎症细胞的重叠，都可能造成细胞核的误分割，为了增强细胞核与细胞质的对比度，将图像从RGB彩色空间转换到HSV空间并以V通道处理图像。而为了尽可能的提高对比度，步骤S402提高细胞和背景对比度的方法再次运用于V通道。

提高对比度后，对V通道的图像进行形态学顶帽变换，但是由于光照和染色的原因，为了更好的得到二值化图像，构造一个细胞核的模板。先用SOBEL边缘算子求其边缘，然后用高斯加权法获取自适应分割的阈值：

T(x,y)＝L(x,y)*G_σ(x,y)-b

其中，σ的大小决定了自适应掩模的大小，阈值化后用形态学运算填充部分细胞核区域和平滑了细胞核边界。然后对顶帽变换得到的图像用模板里相对应区域内的0.5倍灰度均值，二值化该区域。

步骤S406，对粗分割后的细胞核进行修正，并完成宫颈癌细胞的分割。具体而言：

经过粗分割后，虽然大部分的细胞核已分割准确，但由于受噪声污染、染色不均、弱染色的异常细胞核以及光照不均的细胞核还有待于进一步分割，为了更好的完成对细胞核的分割，本实施例抽取1500个非细胞核区域的R、G、B值和1400个细胞核区域的R、G、B值作为特征，随机选择其中1300个非核数据和1200个细胞核数据作为训练集，然后采用BP神经网络训练数据。

对于粗分割得到的区域，本实施例对每个区域用半径为5个像素宽的“disk”结构元进行膨胀，然后基于点的对每个像素值做测试，最后用经过修正的核代替原来的核。

参阅图3所示，是本发明宫颈癌细胞分割系统的硬件架构图。该系统包括相互电性连接的去噪模块、粗分割模块、计算模块、分类模块及修正模块。

所述去噪模块用于接收待分割的宫颈图像，去除所述图像的噪声。具体而言：

由于所采集的宫颈图像受到不同程度的噪声污染，所述噪声包括脉冲噪声和高斯噪声，主要产生于图像获取的过程中。在常用的滤波器中，中值滤波能在一定程度上同时去除脉冲噪声和高斯噪声。由于Trim-Meaning方法去除脉冲噪声和高斯噪声的效果优于中值滤波，本实施例采用Trim-meaning方法把m×m窗口区域的像素值按灰度值从小到大排序为：C_i,j＝{C₁,C₂,…,C_m ²}。

$C=\frac{1}{(1-2\mathrm{\&lambda;})m^2}\underset{k={\mathrm{\&lambda;m}}^2+1}{\overset{(1-\mathrm{\&lambda;})m^2}{\mathrm{\&Sigma;}}}{C}_k$

用C的值代替窗口中心的值来完成滤波。实验中发现，λ＝0.4，窗口为11×11时能取得比较好的效果。

所述粗分割模块用于对上述去除噪声的图像构造模板进行粗分割，以分割出细胞质区域。构造模板的目的是对图像做一个粗分割，提供一个大概的细胞质区域，减少超像素分割时的计算量。具体而言：

本实施例中，图像中细胞区域被染成了红色调，背景区域不被染色，将图像从RGB彩色空间转换到CIE LAB空间，提取A*通道。在A*通道中，能够清晰地看出细胞和背景的对比度有所增强。为了进一步增强对比度，A*通道图像的灰度级从[r_min,r_max]提升至[0，255]。

采用 $f\left(x\right)=\frac{D_m}{2}\{1+\frac{1}{\sin \left(\mathrm{\&alpha;}\frac{\mathrm{\&pi;}}{2}\right)}\sin [\mathrm{\&alpha;\&pi;}(\frac{x}{D_m}-\frac{1}{2})\left]\right\}$ 进一步提高细胞与背景的对比度，其中，0<α<1，D_m为变换后图像最大值，x为变换前灰度值。

而后用二维大津阈值完成阈值化，使用二维大津阈值是因为虽然经上面的处理，细胞与背景的对比度已增加，但由于图像比较复杂，光照、染色不均，且有大量的炎症细胞、白细胞、灰尘、石墨粒子等很多杂质，用一个全局阈值不能得到较好的分割效果，且二维大津阈值法效率很高，能达到粗分割的效果。对于得到的阈值Th₁，Th₂(Th₁<Th₂)，将灰度值小于Th₁的处理为背景，大于Th₁的处理为细胞。在阈值化后，采用形态学运算平滑边界，另外由于杂质的面积远远小于一般细胞的面积，故采用面积信息对杂质进行初步滤波。

所述计算模块用于对分割出的细胞质区域计算超像素。具体如下：

观察上述粗分割的结果可知：在染色、光照不均等局部区域没有很好的分割，特别是边界部分，因此要得到比较准确的分割，必须对上述粗分割的结果进行修正。本实施例采用超像素的方法进行此种低对比度的分割，以对上述粗分割的结果进行修正。

目前关于超像素的方法已比较多，如mean-shift、Quick shift、graph-based、N-cuts等，而且在许多应用上也取得了成功，如自然风景图像、人体图像等。本实施例采用简单线性迭代聚类(SLIC)算法，所述SLIC对5维特征(CIL LAB的L、A、B及2维位置信息)，通过距离衡量方法改进超像素的形状。SLIC因其速度快参数少，又能保持边界的特点非常适合实际应用。

在对粗分割的图像进行大量观察之后，发现欠分割最多15个像素宽左右，为了分割的精确性，对粗分割图像采用半径为25像素宽的“disk”结构元对所述图像进行形态学膨胀，然后用SLIC方法计算超像素。

所述分类模块用于对上述计算超像素的细胞质区域采用卷积神经网络(Convolutional Neural Network，CNN)进行分类。具体而言：

对采用SLIC方法得到的每个区域，抽取R、G、B、H、S、V六个通道的最大值、均值、最小值共18个颜色特征。只抽取颜色特征是因为：第一，能够减少计算量；第二，人之所以能正确区分细胞与背景，主要取决于颜色；第三，SLIC已得到准确的边界，而用采用区域来分割细胞与背景，增加了区分性。

本实施例共采集背景、细胞数据各1400个，然后用卷积神经网络(CNN)对其中各1200个样本进行训练，其余的各200个作为测试数据，请参考图2。

卷积神经网络(CNN)由于其权值共享网络结构更类似于生物神经网络，降低了网络模型的复杂度，同时减少了权值的数量。并且卷积神经网络能够学习大量的输入与输出之间的映射关系，只要用已知模式对网络进行训练，网络就具备了输入输出对之间的映射能力。

所述粗分割模块还用于构造细胞核模板，并对细胞核进行粗分割。具体而言：

在实际情况中，因为细胞质染色太深或炎症细胞的重叠，都可能造成细胞核的误分割，为了增强细胞核与细胞质的对比度，将图像从RGB彩色空间转换到HSV空间并以V通道处理图像。为了尽可能的提高对比度，所述粗分割模块提高A*通道细胞和背景对比度的方法再次运用于V通道。

提高对比度后，对V通道的图像进行形态学顶帽变换，但是由于光照和染色的原因，为了更好的得到二值化图像，构造一个细胞核的模板。先用SOBEL边缘算子求其边缘，然后用高斯加权法获取自适应分割的阈值：

T(x,y)＝L(x,y)*G_σ(x,y)-b

其中，σ的大小决定了自适应掩模的大小，阈值化后用形态学运算填充部分细胞核区域和平滑了细胞核边界。然后对顶帽变换得到的图像用模板里相对应区域内的0.5倍灰度均值，二值化该区域。

所述修正模块用于对粗分割后的细胞核进行修正，并完成宫颈癌细胞的分割。具体而言：

经过粗分割后，虽然大部分的细胞核已分割准确，但由于受噪声污染、染色不均、弱染色的异常细胞核以及光照不均的细胞核还有待于进一步分割，为了更好的完成对细胞核的分割，本实施例抽取1500个非细胞核区域的R、G、B值和1400个细胞核区域的R、G、B值作为特征，随机选择其中1300个非核数据和1200个细胞核数据作为训练集，然后采用BP神经网络训练数据。

对于粗分割得到的区域，本实施例对每个区域用半径为5个像素宽的“disk”结构元进行膨胀，然后基于点的对每个像素值做测试，最后用经过修正的核代替原来的核。

本发明宫颈癌细胞分割方法及系统，基于超像素和卷积神经网络的方法分割细胞质；而对于细胞核的分割，先完成粗分割，而后用BP神经网络完成对像素点的修复。

虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (10)

1.一种宫颈癌细胞分割方法，其特征在于，该方法包括如下步骤：

a.去除宫颈图像的噪声；

b.对上述去除噪声的图像构造细胞质模板进行粗分割，以分割出细胞质区域；

c.对分割出的细胞质区域计算超像素；

d.对上述计算超像素的细胞质区域采用卷积神经网络进行分类；

e.根据上述去除噪声的图像构造细胞核模板，并对细胞核进行粗分割；

f.对粗分割后的细胞核进行修正，并完成宫颈癌细胞的分割。

2.如权利要求1所述的方法，其特征在于，所述的噪声包括脉冲噪声和高斯噪声。

3.如权利要求1或2所述的方法，其特征在于，所述的步骤c采用简单线性迭代聚类方法计算超像素。

4.如权利要求3所述的方法，其特征在于，所述的步骤d包括：对采用简单线性迭代聚类方法得到的每个区域，抽取R、G、B、H、S、V六个通道的最大值、均值、最小值共18个颜色特征。

5.如权利要求1所述的方法，其特征在于，所述的步骤e包括：

提高V通道细胞和背景对比度；

对V通道的图像进行形态学顶帽变换；及

构造细胞核模板。

6.一种宫颈癌细胞分割系统，其特征在于，该系统包括相互电性连接的去噪模块、粗分割模块、计算模块、分类模块及修正模块，其中：

所述去噪模块用于去除宫颈图像的噪声；

所述粗分割模块用于对上述去除噪声的图像构造细胞质模板进行粗分割，以分割出细胞质区域；

所述计算模块用于对分割出的细胞质区域计算超像素；

所述分类模块用于对上述计算超像素的细胞质区域采用卷积神经网络进行分类；

所述粗分割模块还用于根据上述去除噪声的图像构造细胞核模板，并对细胞核进行粗分割；

所述修正模块用于对粗分割后的细胞核进行修正，并完成宫颈癌细胞的分割。

7.如权利要求6所述的系统，其特征在于，所述的噪声包括脉冲噪声和高斯噪声。

8.如权利要求6或7所述的系统，其特征在于，所述的计算模块采用简单线性迭代聚类方法计算超像素。

9.如权利要求8所述的系统，其特征在于，所述的分类模块用于：对采用简单线性迭代聚类方法得到的每个区域，抽取R、G、B、H、S、V六个通道的最大值、均值、最小值共18个颜色特征。

10.如权利要求6所述的系统，其特征在于，所述的粗分割模块具体用于：

提高V通道细胞和背景对比度；

对V通道的图像进行形态学顶帽变换；及

构造细胞核模板。