CN104751460A - 一种基于边界的白细胞分割评价标准的建立方法 - Google Patents

Abstract

本发明提供了一种基于边界的白细胞分割评价标准的建立方法，首先对专家分割的结果进行形态学处理建立中间变量，使其能够允许两个分割结果之间微小的差异；根据算法分割的结果和中间变量的集合关系找出分割正确的部分，未分割出来的部分以及分割多余的部分；再利用形态学重构和集合运算将这些部分转化为算法分割的边界及专家分割的边界，统计这些边界的像素个数计算F测度，从而评价算法分割的效果。本发明算法简单、有效合，对比现有基于区域的评判标准，不仅能够很好的刻画边界信息，同时还可以忽略边界细小的差异。

Description

一种基于边界的白细胞分割评价标准的建立方法

技术领域

本发明属于医学图像处理领域，尤其涉及一种基于边界的白细胞分割评价标准的建立方法。

背景技术

细胞分割是白细胞自动识别的一个重要的步骤，是进行后续的细胞识别的基础。由于血细胞复杂的特性和显微图片的不确定性，而且细胞常常会重叠，还有细胞边界和背景对比不明显等，使得细胞分割是图像处理的一个很大的挑战，同时也是一个非常活跃的研究方向。尽管该领域目前提出了多种分割的方案，但是没有建立一个合理的针对白细胞分割好坏的客观评价标准。

目前关于分割的评价标准大多是基于自然图像的，但是由于自然图像本身的复杂性和人们的认知不同，自然图像分割的标准并不唯一。Martin等人根据不同人分割的结果具有一致性提出基于自然图像分割的标准，但是该方法并不适用于细胞分割，因为对于细胞分割的结果是确定的，即细胞质和细胞核。Polak等人作了改进，对算法的过分割和欠分割进行惩罚，使得评价标准对于分割的改变更加敏感，但是同样不能适用于细胞分割。Arbelaez等人在自然图像分割中考虑人工分割和算法分割的面积相对应的指数(AMI)，即根据分割出来的重叠率去评价分割好坏。但是该方法仅仅考虑区域的信息并没有涉及到边界的信息。

在白细胞分割领域大部分评价算法都是基于区域重合，如Ko等人用算法分割结果和专家分割结果的重合部分和不重合部分的比例进行评价，Jiang等人根据算法分割正确率进行评价，等等。由于白细胞的细胞核形态多变，而区域重合并不能很好的刻画，如中性粒细胞大多是多叶核，对于核之间连接部分面积不大，但是这对于后续分类是一个很重要的信息，而基于区域重合的评价标准对于该部分并不敏感。

同时算法分割的好坏是相对于专家分割来说的，由于细胞染色和成像系统等客观因素，以及人的主观原因，即使同一个专家对同一个白细胞在不同情况下分割的结果也不可能相同。因此一个合理的评价标准应该允许很小的差异，而上述方法并不能做到这点。

发明内容

本发明的目的在于提供一种基于边界的白细胞分割评价标准的建立方法，通过该方法提供一种白细胞分割评价标准，旨在解决上述背景技术中的不足之处。

本发明是这样实现的，一种基于边界的白细胞分割评价标准的建立方法，包括如下步骤：

(1)对于专家分割结果，通过形态学并选取合适的结构元进行膨胀，得到中间变量目标；

(2)通过对专家分割结果、算法分割结果和所述中间变量三者之间的集合关系以及形态学重构的方法得到感兴趣区域，所述感兴趣区域包括分割正确的区域、分割多余的区域和未分割出来的区域；

(3)由统计学中的F测度和步骤(2)中各感兴趣区域的像素个数得到基于边界的F测度，以所述F测度结果作为评估分割算法的好坏的评价标准。

优选地，在步骤(1)中，所述对于专家分割结果，通过形态学并选取合适的结构元进行膨胀，得到中间变量目标用函数定义为：

$G\⊕B={\∪}_{b\∈B}{\left(G\right)}_b$

(G)_b＝{c|c＝g+b，for g∈G}；

上式中，G为专家分割结果；B为膨胀的结够元；b为结构元B的元素,c为(G)_b的元素,g为G的元素。

优选地，所述步骤(2)包括以下具体步骤：

A、将算法分割结果和专家分割结果与中间变量做集合交运算找出分割正确的区域，同时根据算法分割结果和分割正确的区域做集合差运算得到分割多余的区域；

B、将分割正确的区域作为标记图像，将专家分割结果经形态学处理过后的结果作为模板图像，得到标记图像对模板图像的形态学膨胀重构，对重构出来的图像和算法分割结果进行集合运算得到未分割出来的区域。

优选地，所述分割正确的区域用函数定义为：

TP＝|C∩I|

上式中，TP为分割正确的区域；I为中间变量；C为算法分割结果；

所述分割多余的区域用函数定义为：

FP＝|C-(C∩I)|

上式中，FP为分割多余的区域；I为中间变量。

优选地，所述未分割出来的区域用函数定义为：

FN＝|G-(G∩T)|

上式中，FN为未分割出来的区域；G为专家分割结果；T为中间变量包含(C∩I)的区域。

优选地，在步骤(3)中，所述F测度用函数定义为：

F＝PR/(aR+(1-a)P)

上式中，F为F测度；P为查准率；R为查全率。

本发明克服现有技术的不足，本发明提供了一种基于边界的白细胞分割评价标准的建立方法，对专家分割结果做形态学膨胀处理，根据分割结果允许的差异选取合适的结构元；由于算法分割结果和专家分割结果均为二值图，因此可以做集合交运算找出分割正确的区域，同时还可以根据算法分割结果和分割正确的区域做集合差运算得到分割多余的区域；将分割正确的区域作为标记图像，专家分割结果作为模板图像，得到标记图像对模板图像的形态学膨胀重构，对重构出来的图像和算法分割结果进行集合运算得到未分割出来的区域；根据分割正确的区域、分割多余的区域、未分割出来的区域的各自像素个数以及F测度计算公式得到基于边界的F测度的值；以该F测度结果作为评估分割算法的好坏的评价标准。

本发明基于白细胞分割本身的特征，即有确定的目标区域，提出了基于边界的评价标准，通过对专家分割结果进行形态学膨胀处理，使得分割结果之间允许微小的差异而不影响最终评价结果(事实上这些微小的差异对后续白细胞特征的提取和分类也基本没有影响)；此外，本发明应用统计学的F测度同时考虑到分割的准确率和分割结果的完整性。本发明算法实现简单同时有效合理，不仅仅可以用在白细胞分割的评价，同时也可以用于对有明确分割目标的图像中。

相比于现有技术的缺点和不足，本发明具有以下有益效果：本发明算法简单、有效，对比现有基于区域的评判标准，不仅能够很好的刻画边界信息，同时还可以忽略边界细小的差异。

附图说明

图1是本发明基于边界的白细胞分割评价标准的建立方法的步骤流程图；

图2是一张白细胞图片；

图3是专家分割结果；

图4是边缘检测算法分割结果；

图5是专家分割经形态学处理过的结果；

图6是本发明基于边界的白细胞分割评价标准的建立方法中步骤S2的详细步骤流程图；

图7是算法分割正确的区域和分割多余的区域；

图8是估计算法未分割出来部分的流程图；其中，图a为算法分割结果，图b为经形态学膨胀后的结果，图c为算法分割经形态学膨胀后的结果，图d算法未分割出来部分的示意图，图e为专家分割结果；

图9是PR曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种基于边界的白细胞分割评价标准的建立方法，如图1所示，包括如下步骤：

步骤S1、对于专家分割结果，通过形态学并选取合适的结构元进行膨胀，得到中间变量目标。

在步骤S1中，对于一张白细胞图片，如图2所示，得到专家分割结果，如图3所示，记为G，运用算法分割的结果，如图4所示，记为C。

对专家分割结果G进行形态学膨胀处理得到中间变量，如图5所示，记为I；其中膨胀的结构元为B，可以表示为：

$G\⊕B={\∪}_{b\∈B}{\left(G\right)}_b$

(G)_b＝{c|c＝g+b，for g∈G}；

G为专家分割结果；B为膨胀的结够元；b为结构元B的元素,c为(G)b的元素,g为G的元素。

步骤S2、通过对专家分割结果、算法分割结果和所述中间变量三者之间的集合关系以及形态学重构的方法得到感兴趣区域，所述感兴趣区域包括分割正确的区域、分割多余的区域和未分割出来的区域。

步骤S2，如图6所示，更具体包括以下步骤：

步骤S21、将算法分割结果和专家分割结果与中间变量做集合交运算找出分割正确的区域，同时根据算法分割结果和分割正确的区域做集合差运算得到分割多余的区域；

在步骤S21中，对算法分割结果G和中间变量I做集合运算得到算法分割正确的区域(TP公式)，记为TP，如图7中白线部分所示，以及算法分割多出的区域，记为FP，如图7中的虚线部分。

步骤S22、将分割正确的区域作为标记图像，专家分割结果经形态学处理过的结果作为模板图像，得到标记图像对模板图像的形态学膨胀重构，对重构出来的图像和算法分割结果进行集合运算得到未分割出来的区域。

在步骤S22中；分割多余的区域用函数定义为：

TP＝|C∩I|

上式中，TP为分割正确的区域；I为中间变量；C为算法分割结果；

分割多余的区域用函数定义为：

FP＝|C-(C∩I)|；

上式中，FP为分割多余的区域；I为中间变量；|A|表示区域A中包含的像素个数。

根据算法分割正确部分(C∩I)的和中间变量(I)膨胀的形态学重建得到中间变量包含(C∩I)的区域(T的公式)，记为T，如图8所示。

再根据专家分割结果(G)和T之间的集合运算就可以得到算法未分割出来的部分FN(FN的公式)。其膨胀的形态学重建可以表示为：

$R_G^{\left(D\right)}\left((C\∩I)\right)=D_G^{\left(k\right)}\left((C\∩I)\right)$

其中，

$D_G^{(k+1)}\left((C\∩I)\right)=D_G^{\left(1\right)}\left(D_G^{\left(k\right)}\left((C\∩I)\right)\right)$

$D_G^{\left(1\right)}\left((C\∩I)\right)=((C\∩I)\⊕B)\∩I$

即：

$T=R_G^{\left(D\right)}=\left((C\∩I)\right),$

进而可得：

FN＝|G-(G∩T)|。

步骤S3、由统计学中的F测度和各感兴趣区域的像素个数得到基于边界的F测度，以所述F测度结果作为评估分割算法的好坏的评价标准。

在步骤S3中，根据查准率(P)和查全率(R)公式：

$P=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}$

$R=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}};$

和F测度的定义：

F＝PR/(aR+(1-a)P)；

其中，

$a=\frac{1}{{\mathrm{\β}}^2+1},\mathrm{\β}=R/P,(0\≤\mathrm{\β}\≤+\∞).$

由此，可以得到基于边界的F测度的评价标准。

由F测度的定义可以知道，当P和R的值越接近1，F测度的值就越接近1，即是分割的效果越好。如图9所示，P和R值越接近1，曲线越靠近目标(P＝R＝F＝1)。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于边界的白细胞分割评价标准的建立方法，其特征在于，包括如下步骤：

(1)对于专家分割结果，通过形态学并选取合适的结构元进行膨胀，得到中间变量目标；

(2)通过对专家分割结果、算法分割结果和所述中间变量三者之间的集合关系以及形态学重构的方法得到感兴趣区域，所述感兴趣区域包括分割正确的区域、分割多余的区域和未分割出来的区域；

(3)由统计学中的F测度和步骤(2)中各感兴趣区域的像素个数得到基于边界的F测度，以所述F测度结果作为评估分割算法的好坏的评价标准。

2.如权利要求1所述的基于边界的白细胞分割评价标准的建立方法，其特征在于，在步骤(1)中，所述对于专家分割结果，通过形态学并选取合适的结构元进行膨胀，得到中间变量目标用函数定义为：

$G\⊕B={\∪}_{b\∈B}{\left(G\right)}_b$

(G)_b＝{c|c＝g+b，for g∈G}；

上式中，G为专家分割结果；B为膨胀的结够元；b为结构元B的元素,c为(G)_b的元素,g为G的元素。

3.如权利要求1所述的基于边界的白细胞分割评价标准的建立方法，其特征在于，所述步骤(2)包括以下具体步骤：

A、将算法分割结果和专家分割结果与中间变量做集合交运算找出分割正确的区域，同时根据算法分割结果和分割正确的区域做集合差运算得到分割多余的区域；

B、将分割正确的区域作为标记图像，将专家分割结果经形态学处理过后的结果作为模板图像，得到标记图像对模板图像的形态学膨胀重构，对重构出来的图像和算法分割结果进行集合运算得到未分割出来的区域。

4.如权利要求3所述的基于边界的白细胞分割评价标准的建立方法，其特征在于，所述分割正确的区域用函数定义为：

TP＝|C∩I|

上式中，TP为分割正确的区域；I为中间变量；C为算法分割结果；

所述分割多余的区域用函数定义为：

FP＝|C-(C∩I)|

上式中，FP为分割多余的区域；I为中间变量。

5.如权利要求4所述的基于边界的白细胞分割评价标准的建立方法，其特征在于，所述未分割出来的区域用函数定义为：

FN＝|G-(G∩T)|

上式中，FN为未分割出来的区域；G为专家分割结果；T为中间变量包含(C∩I)的区域。

6.如权利要求5所述的基于边界的白细胞分割评价标准的建立方法，其特征在于，在步骤(3)中，所述F测度用函数定义为：

F＝PR/(aR+(1-a)P)

上式中，F为F测度；P为查准率；R为查全率。