CN104992435A - 一种宫颈单细胞图像分割算法 - Google Patents

Abstract

本发明公开了一种宫颈单细胞图像分割算法的方法，包括如下步骤：1)对宫颈单细胞图像预处理增强细胞边界；2)去除宫颈细胞图像的背景；3)求出细胞核和细胞质沿射线方向的灰度梯度；4)应用栈灰度差补偿算法对步骤3)中的射线灰度梯度优化，对去除噪声后的宫颈单细胞图像求出宫颈单细胞的细胞质和细胞核的边缘图AREM；5)对步骤4)求出的宫颈单细胞的边缘图AREM，应用梯度向量场GVF Snake模型演化精确定位宫颈细胞的细胞质和细胞核的轮廓。这种方法简化了传统分割算法的复杂过程，解决了传统分割方法中细胞重叠粘连、染色颜色不一致以及背景中含有杂质的问题，提高了正常宫颈单细胞和癌变宫颈单细胞的分割准确度和分割效率。

Description

一种宫颈单细胞图像分割算法

技术领域

本发明涉及医学细胞图像处理领域，具体涉及一种自适应阈值和射线灰度梯度活动轮廓模型的宫颈单细胞图像分割算法。

背景技术

宫颈癌已经成为病发率最高的恶性肿瘤之一，严重危害女性的健康。由于宫颈癌早期没有显著的症状，晚期症状明显但是治愈非常困难。因此，对宫颈癌实现早期诊断，是医师诊断和治疗的关键。在现代医学中，通过治疗细胞实现癌症治疗是一个新的发展方向。在以宫颈单细胞图像处理系统为代表的一类计算机辅助自动诊断系统中，精确地从细胞图像中分割出细胞核和细胞质，是后续定量分析及分类辨识的基础，很大程度上影响着最终诊断的正确率。

在宫颈单细胞图像分割的研究中，标本图像容易受到炎症细胞、血细胞及癌变组织的污染，以至于细胞的细胞质和细胞核轮廓模糊，如果对附属在宫颈单细胞中的干扰因素不能滤掉，就会产生错误的轮廓信息，导致后期分割精度低，不利于实现对宫颈单细胞的最终诊断。传统的方法虽然分割出正常的宫颈单细胞，但是对于癌变和轻微癌变的宫颈单细胞分割不准确、分割效率低。

发明内容

本发明的目的在于针对现有技术的不足而提供一种宫颈单细胞图像分割算法，这种自适应阈值和射线灰度梯度活动轮廓模型的宫颈单细胞图像分割算法可以避免传统分割方法中细胞重叠粘连、染色颜色不一致以及背景中含有杂质的问题、能够提高正常宫颈单细胞和癌变宫颈单细胞的分割准确度和分割效率。

实现本发明目的的技术方案是：

一种宫颈单细胞图像分割算法，包括如下步骤：

1)对宫颈单细胞图像预处理增强细胞边界；

2)将步骤1)得到的宫颈细胞图像，去除宫颈细胞图像的背景；

3)对步骤2)的宫颈单细胞图像中的细胞核，使用灰度加权中心定位方法，对宫颈单细胞核中心精确定位，求出细胞核和细胞质沿射线方向的灰度梯度；

4)应用栈灰度差补偿算法对步骤3)中的射线灰度梯度优化，对去除噪声后的宫颈单细胞图像求出宫颈单细胞的细胞质和细胞核的边缘图AREM；

5)对步骤4)求出的宫颈单细胞的边缘图AREM，应用梯度向量场GVF Snake模型演化精确定位宫颈细胞的细胞质和细胞核的轮廓。

在步骤1)中所使用的CIELAB L维凸显，是一种颜色空间转换方法，宫颈单细胞图像是由RGB颜色空间转化到CIELAB颜色空间，再提取L维，转化为L维的灰度图像。将宫颈单细胞的L维灰度图像，使用非局部均值滤波去除噪声，来增强宫颈单细胞图像的边界。

步骤2)中的粗分割算法是：对宫颈单细胞图像应用K均值聚类方法，选择三个聚类中心，分别代表三类，把宫颈单细胞图像分割成细胞核、细胞质及背景。由于宫颈单细胞图像的背景阈值与细胞质和细胞核的阈值不同，使用自适应阈值方法把步骤1的宫颈单细胞图像的背景去除。

步骤3)中的灰度加权中心定位方法是：将粗分割的宫颈单细胞图像的细胞核区域分成k个点(x₁,y₁),(x₂,y₂),…,(x_k,y_k)，细胞核的中心(x_c,y_c)通过公式(1)(2)求出。

$x_c=\frac{\underset{i=1}{\overset{k}{\Σ}}{x}_i(255-I(x_i,y_i))}{\underset{i=1}{\overset{k}{\Σ}}(255-I(x_i,y_i))}---\left(1\right)$

$y_c=\frac{\underset{i=1}{\overset{k}{\Σ}}{y}_i(255-I(x_i,y_i))}{\underset{i=1}{\overset{k}{\Σ}}(255-I(x_i,y_i))}---\left(2\right)$

式中，I表示图像上点(x，y)处的灰度值，i表示1到k的一个数。将精确定位的宫颈单细胞核的中心作为圆心，从圆心到边界上的每个点都构建一条射线，沿该射线以单位间隔采样，即可求出宫颈图像沿射线方向的灰度差。

步骤4)中的栈灰度差补偿算法是：对步骤3的射线上的每个点选取沿着射线方向的灰度差，根据灰度差的符号将射线上的从细胞核中心出发到细胞质边缘的线段划分成小段，当前段的符号返回-1、0或1，根据返回的符号，压入栈中一定段数，来补偿灰度差，绕过错误虚假的细胞质轮廓，得到宫颈单细胞图像的细胞核和细胞质的边缘图。

步骤5)中GVF Snake演化宫颈单细胞图像轮廓的方法是：根据Chenyang Xu提出的GVFSnake梯度矢量流主动轮廓模型，首先在GVF Snake模型中引入抑制函数，对步骤4中宫颈单细胞边缘线使用栈的灰度差函数抑制，采用灰度差补偿算法把细胞质边缘干扰因素滤掉，获得更清晰的边缘图，同时应用梯度向量场在边缘图像上演化以及能量函数对图像的边缘优化，最后在GVF Snake获得精确清晰的宫颈细胞轮廓。

这种方法的优点是：突破了传统分割算法中虽能够分割正常的宫颈单细胞图像或是分割细胞质和细胞核比较有规则的细胞图像，但很难准确地分割癌变细胞这一技术难题，因为细胞受到炎症细胞、血细胞及癌变组织的污染。这种分割算法将阈值、梯度及边缘内外射线场有效结合，去除干扰细胞分割的各种因素，简化了传统分割算法的复杂过程，解决了传统分割方法中细胞重叠粘连、染色颜色不一致以及背景中含有杂质的问题，提高了正常宫颈单细胞和癌变宫颈单细胞的分割准确度和分割效率。

附图说明

图1为实施例中使用的七种的宫颈单细胞样本图像原图；

图2为实施例中宫颈单细胞图像的分割算法流程图；

图3为实施例的七种宫颈单细胞图像粗分割及精确定位细胞核；

图4为实施例的七种宫颈单细胞图像使用本分割算法精确分割细胞核和细胞质的最终结果；

图5为本发明实施例中对七种宫颈单细胞图像的分割结果与其他方法对比图。

具体实施方式

下面结合附图和实施例对本发明内容作进一步详细的说明，但不是对本发明的限定。

实施例：

参见图1，来源于Herlev宫颈单细胞图像数据集(http://labs.fme.aegean.gr/decision/downloads)，Herlev宫颈单细胞图像数据集由丹麦技术大学(Technical University of Denmark)和Herlev大学医院(Herlev UniversityHospital)联合开发，图像的分辨率为0.21微米/像素，共有917个宫颈单细胞图像，数据集中包含7类宫颈单细胞，分别为：正常柱状细胞、正常中层细胞、正常表层细胞、轻度鳞状上皮内病变细胞、中度鳞状上皮内病变细胞、重度鳞状上皮内病变细胞、鳞状细胞癌细胞，7类宫颈单细胞样本图；本实施例随机选取七种宫颈单细胞图像进行验证。

参见图2，该流程包括细胞图像预处理模块，粗分割模块，细胞边缘图模块和细胞轮廓精确定位模块，其中细胞边缘图模块包括射线灰度梯度和栈灰度差补偿算法；四大模块协同工作实现了正常宫颈单细胞、轻微癌变及癌变的宫颈单细胞的自动分割。具体实施，如下：

1)对宫颈单细胞图像预处理增强细胞边界：为了使宫颈单细胞灰度图像具有更高的对比度，对Herlev数据中彩色宫颈单细胞样本图img_rgb，采用空间颜色转化，提取CIELAB L通道/维，从RGB颜色空间转换到CIELAB L通道/维公式：

img_lab＝0.299×Redu+0.587×Green+0.114×Blueu.

得到的L通道宫颈单细胞图像img_lab，使用非局部均值滤波，减少干扰细胞分割的因素，得到滤波后的图像img_denoised；

2)将滤波后的宫颈细胞图像img_denoised，去除宫颈细胞图像的背景：首先去除滤波后的宫颈单细胞图像img_denoised矩阵的衬镜边界，再使用K均值粗分割宫颈单细胞图像img；使用自适应阈值的方法将img_denoised图像矩阵分割成三个区域的细胞图像im1，这三个区域分别代表细胞核、细胞质及背景，为了较好的地去除复杂的宫颈单细胞图像的背景，将自适应阈值图像im1与img_denoised逻辑运算可以求出的宫颈单细胞的细胞质区域，逻辑运算如下：

im2＝(im1＝＝3)|(im1＝＝2).

img_cyto＝img_denoised.*double(im2).

对粗分割的细胞图像img，由于宫颈单细胞的细胞核区域颜色最深，可以对细胞核区域使用灰度加权中心方法，根据阈值定位细胞核的中心(x_c,y_c)，得到宫颈单细胞的细胞核区域img_nu，粗分割结果和细胞核最终定位中心如图3所示；

3)对步骤2)的宫颈单细胞图像中的细胞核，使用灰度加权中心定位方法，对宫颈单细胞核中心精确定位，求出细胞核和细胞质沿射线方向的灰度梯度：粗分割细胞图像img上的灰度设为I(x,y)，细胞质边界上的每个点设为(x_b,y_b)，从细胞核中心(x_c,y_c)每隔一单位弧度发出一条射线，这条射线经过边界上点(x_b,y_b)，可以求出每条线段I_xb,yb的长度，线段长度公式如下：

在射线I_xb,yb上以单位长度采样得出len_ab个点，这些点如下：

(x₁,y₁),(x₂,y₂),…,(x_lenab,y_lenab)，

求出每条射线上面的线段I_xb,yb灰度差rd(x_i,y_i)：

rd(x_i,y_i)＝I(x_i-1,y_i-1)-I(x_i,y_i).

在线段I_xb,yb方向处对(x_i,y_i)点求出梯度rg(x_i,y_i)，即可求出宫颈单细胞图像沿射线方向的灰度梯度；

4)应用栈灰度差补偿算法对步骤3)中的射线灰度梯度优化，对去除噪声后的宫颈单细胞图像求出宫颈单细胞的细胞质和细胞核的边缘图AREM：宫颈单细胞灰度图像沿射线方向的灰度值不同，细胞核的灰度值最深，细胞质灰度值较浅，在细胞核与细胞质接触处灰度值有明显过度，在整个射线I_xb,yb方向上灰度梯度在不断变化，为了进一步去除细胞核和细胞质区域的干扰因素，降低干扰细胞核边缘及细胞质边缘，需要引入抑制函数：

$F_s\left(a\right)=\left\{\begin{array}{c}a\\ \mathrm{\λ}a\end{array}\right.,$ 当a＜0时，Fs(a)＝a；当a≥0时，Fs(a)＝λa；

在沿射线方向上的梯度rg(x_i,y_i)，公式权重λ＜1；

$rg(x_i,y_i)=\frac{Fs\left(rd\right(x_i,y_i)\left)\right|+\left|Fs\left(rd\right(x_{i+1},y_{i+1})\right)}{2}$

沿着I_xb,yb方向的灰度差分曲线上的线段梯度rg(x_i,y_i)，由于大量细胞发生病变，细胞中含有炎症、细胞边缘折叠、血细胞等这些因素错误的附在细胞质边缘，产生错误的轮廓信息，为了绕过这些干扰因素，引入栈的灰度差补偿算法；沿I_xb,yb线段的灰度梯度上应用栈的补偿算法，根据灰度差的符号将线段I_xb,yb分成stack(n)小段，j＝1到j＝stack(n)，对于栈stack上的每个点(x_m,y_m)，栈补偿梯度公式如下：

Σstac表示stac＝pop(stack)中灰度差总和，stack(n)中有#stack(n)个点弹出栈顶段；再计算沿线段I_xb,yb方向上的灰度梯度，用线性插值在灰度梯度上计算整幅图像的边缘图AREM，优点在于将栈的灰度差补偿算法与射线上的线段I_xb,yb上的灰度梯度相结合，成功抑制了细胞核和细胞质边缘干扰，同时提高了算法的鲁棒性，达到预期的效果；

5)对步骤4)求出的宫颈单细胞的边缘图AREM，应用梯度向量场GVF Snake模型演化精确定位宫颈细胞的细胞质和细胞核的轮廓：Xu C,Prince J.Snakes,shapes,andgradient vector flow中应用灰度梯度与光流场结合起来就是梯度向量场的GVF场，可以如下表示：

$\stackrel{\→}{v}(x,y)=(u(x,y),v(x,y)),$ 外力

其最小能量函数通过如下公式：

$E_{GVF}=\∫\∫u(u_x^2+u_y^2+v_x^2+v_y^2)+|\▿f{|}^2|\stackrel{\→}{v}-\▿f{|}^2{d}_x{d}_y.$

其中，▽是梯度算子，f是经过处理的灰度图像的边缘图(edge map)；Xu等提出梯度矢量场GVFSnake模型缺陷：▽f一般是使用Sobel算子，细胞图像中的干扰因素严重影响细胞的边缘定位，为了使轮廓更清晰的定位，将步骤3中得到的宫颈单细胞边缘图AREM输入GVFSnake模型中可以得到自适应阈值和射线灰度梯度活动轮廓ARGVFSnake模型的能量函数公式：

$E_{ARGVF}=\∫\∫u(u_x^2+u_y^2+v_x^2+v_y^2)+|\▿AREM{|}^2|\stackrel{\→}{v}-\▿AREM{|}^2{d}_x{d}_y.$

使用ARGVFSnake模型经过数次迭代能够准确地收敛到宫颈单细胞的细胞核和细胞质的真实边缘，得到分割精确的宫颈单细胞图像，如图4所示结果。

图5是本发明与GVFSnake，RSnake对比，在图中可以清楚地看出，RSnake可以对正常的细胞分割，但对形状不规则或癌变的细胞分割则不准确，而传统的GVFSnake模型对噪声和干扰相当敏感；本发明ARGVFSnake算法提高了鲁棒性，成功克服了噪声和干扰因素的影响，能更有效地检测出相对模糊的细胞质边缘，精确地实现了细胞核和细胞质的边缘定位。

Claims (2)

1.一种宫颈单细胞图像分割算法，其特征在于，包括如下步骤：

1)对宫颈单细胞图像预处理增强细胞边界；

2)将步骤1)得到的宫颈细胞图像，去除宫颈细胞图像的背景；

3)对步骤2)的宫颈单细胞图像中的细胞核，使用灰度加权中心定位方法，对宫颈单细胞核中心精确定位，求出细胞核和细胞质沿射线方向的灰度梯度；

4)应用栈灰度差补偿算法对步骤3)中的射线灰度梯度优化，对去除噪声后的宫颈单细胞图像求出宫颈单细胞的细胞质和细胞核的边缘图AREM；

5)对步骤4)求出的宫颈单细胞的边缘图AREM，应用梯度向量场GVF Snake模型演化精确定位宫颈细胞的细胞质和细胞核的轮廓。

2.根据权利要求1所述的宫颈单细胞图像分割算法，其特征在于：步骤5)所述的梯度矢量流Snake模型演化宫颈单细胞图像轮廓的方法为宫颈单细胞边缘图AREM输入GVFSnake模型中可以得到自适应阈值和射线灰度梯度活动轮廓ARGVFSnake模型的能量函数公式：

$E_{ARGVF}=\∫\∫u(u_x^2+u_y^2+v_x^2+v_y^2)+{\left|\▿AREM\right|}^2{\left|\stackrel{\→}{v}-\▿AREM\right|}^2{d}_x{d}_y.$

使用ARGVFSnake模型经过数次迭代能够准确地收敛到宫颈单细胞的细胞核和细胞质的真实边缘，最后得到分割精确的宫颈单细胞图像。