CN104751462A - 一种基于多特征非线性组合的白细胞分割方法 - Google Patents

Abstract

本发明公开了一种基于多特征非线性组合的白细胞分割方法，提取白细胞的灰度、CIE Lab空间上的颜色和纹元的梯度信息，以及白细胞的谱信息；用非线性的方式组合；用定向分水岭变换和超度量边界映射OWT-UCM对组合后的信息处理，得到算法分割的结果；对比算法分割结果和专家分割的结果相应调节参数；直到达到预定的分割结果，然后确定参数，将该参数用于其它白细胞分割。有益效果是减少单个特征噪声的影响，以非线性的方法组合多个特征信息，能比线性组合的方法得到更小的训练误差，得到更好的分割结果。同时以迭代的方式去调整组合信息，进而调节网络的参数，可以根据我们预定的结果，逐步的接近目标，避免了无目标或者不合适调节。

Description

一种基于多特征非线性组合的白细胞分割方法

技术领域

本发明属于医学图像处理技术领域，涉及一种基于多特征非线性组合的白细胞分割方法。

背景技术

白细胞分割是将白细胞的细胞核和细胞质从血涂片中分离出来，以便后续白细胞特征提取和识别的技术。由于其是后续细胞识别的基础，同时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、细胞染色不均匀、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。

近年来学术界提出了多种分割方案，大致可以分为三类：基于阈值的、基于边缘检测的、还有基于区域的分割方法。有人在2006年提出了基于HSI空间使用阈值分割的方法，由于阈值的方法是基于单个像素的，因此分割结果会出现孤立点和点动的现象，常常利用形态学算子做进一步处理。基于边缘检测的分割方法，如经典的Canny算子，对于边界不是很明显的白细胞效果不好，同时不能产生封闭的边界，不利于后续处理。Dorini和Jiang等人都利用分水岭算法去分割白细胞。分水岭算法是一个基于区域的分割算法，该算法能够产生封闭的曲线，并且对于边界明显的白细胞，通过选取合适的标记点，能够得到很好的分割效果。但是对于边界不明显或者染色较淡的白细胞，就不能正确分割。同时还有其他分割方法，Rezatofighi在2009年提出的用基于Gram Schmidt的正交化理论分割细胞核。梁光明等人提出的根据白细胞自身的颜色特征选择Canny算子进行边缘检测或C均值模糊聚类算法进行分割(专利号公开号：CN102800090A)。Mohapatra等人在2012年提出将分类用于分割的方法，使用泛函链接型网络对像素点进行分类，进而得到细胞核和细胞质，等等。

上述文献中，大多是根据白细胞的一个特征去分割，如灰度、色彩。我们知道在制作血涂片还有拍摄显微图像的过程中由于各种主客观因素影响，导致提取的特征信息是有噪声的。因此我们考虑通过组合多个特征去分割，以此减小噪声的影响。Rivest等人也证实了组合多个特征信息可以提高边缘检测的准确率。Arbelaez等人在2011年将多特征线性组合用于自然图像的分割。由于自然图像分割没有明确的目标，而白细胞分割有明确的目标，因此简单的线性组合是不适用于白细胞分割的。

综上所述，对于白细胞运用单个特征分割有其局限性；由于白细胞分割和自然图像分割目标的不同，基于多特征线性组合的方法也不能有效的用于白细胞分割。

发明内容

本发明的目的是提供一种基于多特征非线性组合的白细胞分割方法，具体是提取白细胞多个特征，进行非线性组合，最后将组合后的结果用于分割，最后用定向分水岭变换(OWT)和超度量边界映射(UCM)对组合后信息处理得到分割结果，分割效果更好。

本发明所采用的技术方案是，一种基于多特征非线性组合的白细胞分割方法，包括以下步骤：

步骤1，提取白细胞的灰度、CIE Lab空间上的颜色和纹元的梯度信息，以及白细胞的谱信息；

步骤2，对步骤1中提取的信息用非线性的方式组合，即使用随机权网络；

步骤3，用定向分水岭变换和超度量边界映射OWT-UCM对组合后的信息处理，得到算法分割的结果；

步骤4，对比算法分割结果和专家分割的结果相应调节参数；

步骤5，迭代步骤3、步骤4直到达到预定的分割结果，然后确定参数，将该参数用于其它白细胞分割。

本发明的有益效果是提取白细胞多个特征，从而减少单个特征噪声的影响。以非线性的方法组合多个特征信息，能比线性组合的方法得到更小的训练误差，即可以得到更好的分割结果。同时以迭代的方式去调整组合信息，进而调节网络的参数，这样可以根据我们预定的结果，逐步的接近目标，避免了无目标或者不合适调节。综上所述，本发明提供一个有效的白细胞的分割算法。

附图说明

图1中，a为角度梯度信息计算示意图，b上半圆g和下半圆h的直方图，c是灰度空间的示意图。

图2中，a、b图是CIE Lab空间角度梯度图，c是纹理空间的角度梯度图(c)。

图3是谱信息图。

图4是组合后的信息gPb的示意图。

图5是分水岭算法得到结果图。

图6是超度量边界映射得到的分层图。

图7是根据分割结果调整边界信息值的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基本思路为：

1.提取白细胞的灰度、CIE Lab空间上的颜色和纹元的梯度信息，以及白细胞的谱信息。

2.对1中提取的信息用非线性的方式组合，即使用随机权网络。

3.用定向分水岭变换和超度量边界映射(OWT-UCM)对组合后的信息处理，得到算法分割的结果。

4.对比算法分割结果和专家分割的结果相应调节参数。

5.迭代3，4直到达到预定的分割结果，然后确定参数，将该参数用于其它白细胞分割。

本发明的技术方案是：一种基于多特征非线性组合的白细胞分割方法，包括以下几个步骤：

步骤1，通过计算灰度图一个角度梯度信号G(x，y，θ)，首先将包含在以素点(x，y)为圆心r为半径的像素点以直径角度为θ分成两个半圆，分别做出每个半圆包含像素灰度值的直方图，如图1a所示；并将像素点(x，y)处灰度梯度值定义为两个半圆灰度直方图g和h的χ²的距离(图1b)：

${\mathrm{\χ}}^2(g,h)=\frac{1}{2}\underset{i}{\mathrm{\Σ}}\frac{{(g\left(i\right)-h\left(i\right))}^2}{g\left(i\right)+h\left(i\right)}$

g(i)和h(i)分别为半圆g和h的像素灰度值。

同样以这种处理方式用于颜色特征，在CIE Lab空间，计算图像块在a(红绿)和b(黄紫)通道之间的差异(a，b指颜色通道)，如图2a，图2b。对于纹理空间，首先选取一组滤波器，然后和图像中每一个像素做卷积得到图像的特征空间，对特征空间应用K-均值聚类，根据聚类结果给每一个像素分配一个整数纹元标示，最后根据图像块之间纹元标示直方图差异得到纹元的梯度特征，如图2c。

步骤2，为了能够同时检测明显和模糊的轮廓，对图像块的大小做了多尺度处理，即对灰度，颜色和纹元空间选取三个尺度，即是步骤1中r的选取。将他们组合得到多尺度角度信号：

$\mathrm{mPb}(x,y,\mathrm{\θ})=\underset{s}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{a}_{i,s}{G}_{i,\mathrm{\σ}(i,s)}(x,y,\mathrm{\θ})$

其中s是尺度，i是特征空间，G_{i，σ(i，s)}(x，y，θ)是以(x，y)为圆心，以σ(i，s)为半径，用角度为θ的直径将图像块分为两个半圆的直方图的χ²的距离。进而得到每一像素的边界信息

$\mathrm{mPb}(x,y)=\underset{\mathrm{\θ}}{\max }\mathrm{mPb}(x,y,\mathrm{\θ})$

步骤3，根据步骤2中得到的边界信息mPb，求出图像像素之间的关联矩阵：

$W_{\mathrm{ij}}=\exp (-\underset{p\∈\stackrel{\‾}{\mathrm{ij}}}{\max }\{\mathrm{mPb}\left(p\right)\}/\mathrm{\ρ})$

其中表示在一个半径为r的圆中两点i，j之间的连线，p是连线上的像素点。再根据归一化分割方法得到谱信息sPb(x，y，θ)，如图4。从而得到组合后的边界信息：

$\mathrm{gPb}(x,y,\mathrm{\θ})=\underset{s}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{\mathrm{\β}}_{i,s}{G}_{i,\mathrm{\σ}(i,s)}(x,y,\mathrm{\θ})+\mathrm{\γ}\·\mathrm{sPb}(x,y,\mathrm{\θ})$

$\mathrm{gPb}(x,y)=\underset{\mathrm{\θ}}{\max }\mathrm{gPb}(x,y,\mathrm{\θ})$

步骤4，根据3中得到的边界信息gPb，如图5所示，运用OWT得到过分割的图像，再利用UCM将过分割图像中边界信息gPb值较小的合并并重新分配值，迭代该过程将gPb图分层，使取任意阈值都能得到封闭的曲线。

步骤5，将G_{i，σ(i，s)}作为随机权网络的输入，gPb作为训练目标。建立随机权网路：

$f\left(X\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}G(W_i\·X+b_i)$

其中β是外权，W是内权，G是激活函数，X是输入，b是偏置值，N表示有N个隐层神经元。由于随机权网络的内权和偏置值是随机选取，那么外权求解即是：

其中H为

$H=\left[\begin{array}{ccc}G(W_1\·x_1+b_1)& ...& G(W_N\·x_1+b_N)\\ .& & .\\ .& ..& .\\ .& & .\\ G(W_1\·x_n+b_1)& ...& G(W_N\·x_n+b_N)\end{array}\right]$

T为gPb。然后用伪逆求解外权。

步骤6，用步骤5中所确定的网络对梯度信息进行组合，应用OWT(如图5)和UCM得到分层图(如图6)，选取合适的阈值得到最终的分割结果。其阈值的选取根据UCM分层的值，计算相应的F测度的值，选取最大F测度的值对应的分层值作为阈值。

步骤7，通过对比专家分割和步骤6中算法分割的结果，找到gPb要调整的区域，经过如下的调整：

$\mathrm{gPb}(x,y)=\left\{\begin{array}{cc}\mathrm{gPb}(x,y)+c_1\mathrm{gPb}(x,y)& \mathrm{if}(x,y)\∈T_1\\ \mathrm{gPb}(x,y)-c_2\mathrm{gPb}(x,y)& \mathrm{if}(x,y)\∈T_2\\ \mathrm{gPb}(x,y)& \mathrm{otherwise}\end{array}\right.$

其中T₁是要增强的区域，即是对比人工分割的结果，算法未分割出来的部分，T₂是要减弱的区域，即是对比人工分割的结果，算法多分割出来的部分，c₁，c₂∈[0，1]。作为随机权网络训练的目标再次训练(如图7)。由于随机权网络的参数是随机选取的，因此在学习的过程中要选取多个网络以减少随机产生的影响。最终选取效果最好的网络作为非线性组合的方式，这里分割的评价标准是F测度，即是选取使F测度值最大的网络。

步骤8，为了合理有效的调节gPb的值，通过迭代的方法，每迭代一次都根据专家分割和算法分割的结果做相应的调整，直到算法分割的结果达到满意的结果。最终确定非线性组合的方式应用于其它的白细胞图像分割。

Claims (2)

1.一种基于多特征非线性组合的白细胞分割方法，其特征在于，包括以下步骤：

步骤1，提取白细胞的灰度、CIE Lab空间上的颜色和纹元的梯度信息，以及白细胞的谱信息；

步骤2，对步骤1中提取的信息用非线性的方式组合，即使用随机权网络；

步骤3，用定向分水岭变换和超度量边界映射OWT-UCM对组合后的信息处理，得到算法分割的结果；

步骤4，对比算法分割结果和专家分割的结果相应调节参数；

步骤5，迭代步骤3、步骤4直到达到预定的分割结果，然后确定参数，将该参数用于其它白细胞分割。

2.根据权利要求1所述的一种基于多特征非线性组合的白细胞分割方法，其特征在于，具体来说，包括以下步骤：

步骤1，通过计算灰度图一个角度梯度信号G(x，y，θ)，首先将包含在以素点(x，y)为圆心r为半径的像素点以直径角度为θ分成两个半圆，分别做出每个半圆包含像素灰度值的直方图，并将像素点(x，y)处灰度梯度值定义为两个半圆灰度直方图g和h的χ²的距离：

${\mathrm{\χ}}^2(g,h)=\frac{1}{2}\underset{i}{\mathrm{\Σ}}\frac{{(g\left(i\right)-h\left(i\right))}^2}{g\left(i\right)+h\left(i\right)}$

g(i)和h(i)分别为半圆g和h的像素灰度值；

同样以这种处理方式用于颜色特征，在CIE Lab空间，计算图像块在红绿和黄紫通道之间的差异；对于纹理空间，首先选取一组滤波器，然后和图像中每一个像素做卷积得到图像的特征空间，对特征空间应用K-均值聚类，根据聚类结果给每一个像素分配一个整数纹元标示，最后根据图像块之间纹元标示直方图差异得到纹元的梯度特征；

步骤2，为了能够同时检测明显和模糊的轮廓，对图像块的大小做了多尺度处理，即对灰度，颜色和纹元空间选取三个尺度，即是步骤1中r的选取；将他们组合得到多尺度角度信号：

$\mathrm{mPb}(x,y,\mathrm{\θ})=\underset{s}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{a}_{i,s}{G}_{i,\mathrm{\σ}(i,s)}(x,y,\mathrm{\θ})$

其中s是尺度，i是特征空间，G_{i，σ(i，s)}(x，y，θ)是以(x，y)为圆心，以σ(i，s)为半径，用角度为θ的直径将图像块分为两个半圆的直方图的χ²的距离，进而得到每一像素的边界信息

$\mathrm{mPb}(x,y)=\underset{\mathrm{\θ}}{\max }\mathrm{mPb}(x,y,\mathrm{\θ})$

步骤3，根据步骤2中得到的边界信息mPb，求出图像像素之间的关联矩阵：

$W_{\mathrm{ij}}=\exp (-\underset{p\∈\stackrel{\‾}{\mathrm{ij}}}{\max }\{\mathrm{mPb}\left(p\right)\}/\mathrm{\ρ})$

其中表示在一个半径为r的圆中两点i，j之间的连线，p是连线上的像素点，再根据归一化分割方法得到谱信息sPb(x，y，θ)，从而得到组合后的边界信息：

$\mathrm{gPb}(x,y,\mathrm{\θ})=\underset{s}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{\mathrm{\β}}_{i,s}{G}_{i,\mathrm{\σ}(i,s)}(x,y,\mathrm{\θ})+\mathrm{\γ}\·\mathrm{sPb}(x,y,\mathrm{\θ})$

$\mathrm{gPb}(x,y)=\underset{\mathrm{\θ}}{\max }\mathrm{gPb}(x,y,\mathrm{\θ})$

步骤4，根据3中得到的边界信息gPb，运用OWT得到过分割的图像，再利用UCM将过分割图像中边界信息gPb值较小的合并并重新分配值，迭代该过程将gPb图分层，使取任意阈值都能得到封闭的曲线；

步骤5，将G_{i，σ(i，s)}作为随机权网络的输入，gPb作为训练目标；建立随机权网路：

$f\left(X\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}G(W_i\·X+b_i)$

其中β是外权，W是内权，G是激活函数，X是输入，b是偏置值，N表示有N个隐层神经元；由于随机权网络的内权和偏置值是随机选取，那么外权求解即是：

其中H为

$H=\left[\begin{array}{ccc}G(W_1\·x_1+b_1)& ...& G(W_N\·x_1+b_N)\\ .& & .\\ .& ...& .\\ .& & .\\ G(W_1\·x_n+b_1)& ...& G(W_N\·x_n+b_N)\end{array}\right]$

T为gPb，然后用伪逆求解外权；

步骤6，用步骤5中所确定的网络对梯度信息进行组合，应用OWT和UCM得到分层图，选取合适的阈值得到最终的分割结果；其阈值的选取根据UCM分层的值，计算相应的F测度的值，选取最大F测度的值对应的分层值作为阈值；

步骤7，通过对比专家分割和步骤6中算法分割的结果，找到gPb要调整的区域，经过如下的调整：

$\mathrm{gPb}(x,y)=\left\{\begin{array}{ccc}\mathrm{gPb}(x,y)+c_1& \mathrm{gPb}(x,y)& \mathrm{if}(x,y)\∈T_1\\ \mathrm{gPb}(x,y)-c_2& \mathrm{gPb}(x,y)& \mathrm{if}(x,y)\∈T_2\\ \mathrm{gPb}(x,y)& & \mathrm{otherwise}\end{array}\right.$

其中T₁是要增强的区域，即是对比人工分割的结果，算法未分割出来的部分，T₂是要减弱的区域，即是对比人工分割的结果，算法多分割出来的部分，c₁，c₂∈[0，1]；作为随机权网络训练的目标再次训练；由于随机权网络的参数是随机选取的，因此在学习的过程中要选取多个网络以减少随机产生的影响；最终选取效果最好的网络作为非线性组合的方式，这里分割的评价标准是F测度，即是选取使F测度值最大的网络；

步骤8，为了合理有效的调节gPb的值，通过迭代的方法，每迭代一次都根据专家分割和算法分割的结果做相应的调整，直到算法分割的结果达到满意的结果，最终确定非线性组合的方式应用于其它的白细胞图像分割。