CN105095865A - 基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置 - Google Patents

Abstract

本发明提供一种基于有向加权复杂网络的宫颈细胞别方法及宫颈细胞识别装置,该方法依次包括步骤S100：对宫颈细胞图像灰度化，再对宫颈细胞图像分割出宫颈细胞区域；S200：提取宫颈细胞区域的关键点，再定位宫颈细胞的中心；S300：对宫颈细胞图像构建复杂网络模型；S400：提取复杂网络模型的参数作为宫颈细胞的识别参数；S600：采用SVM分类器对宫颈细胞训练样本提取的特征向量进行训练并得到的SVM模型，再对宫颈细胞测试样本进行测试以得到所属类别。本发明通过提取宫颈细胞图像中的尽可能多的特征信息，而宫颈细胞的复杂网络参数从本质上反应了宫颈细胞的内部结构和空间特征，弥补了传统方法的不足，能够对宫颈细胞进行精确分类。

Description

基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置

技术领域

本发明属于医学细胞图像处理领域，具体涉及一种基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置。

背景技术

宫颈癌是女性中最常见的恶性肿瘤之一，宫颈癌的早期诊断对于及时发现宫颈癌早期病变，将宫颈癌消灭在萌芽状态从而挽救女性患者的生命具有重要的意义，宫颈细胞诊断技术已经成为女性宫颈癌临床诊断、病理分析以及治疗的重要辅助技术。

现有的宫颈细胞识别方法中，首先对宫颈细胞图像做预处理，然后提取细胞核与细胞质面积、核质比、细胞核与细胞质亮度、细胞核短轴与长轴长、细胞核伸长率与圆度、细胞质短轴与长轴长、细胞质伸长率与圆度、细胞核与细胞质周长、细胞核相对位置、细胞核和细胞质极大像素点数量、细胞核和细胞质极小像素点数量等大量几何特征，最后采用分类器对宫颈细胞做出识别判断。这样的宫颈细胞识别方法忽略了宫颈细胞内部结构，空间等特征，而且这样的方法提取的几何特征在抗噪声、鲁棒性、识别速度、识别率等性能方面都还有待进一步提升。

复杂网络理论正迅速的在深度和广度上与其它科学进行交叉，复杂网络理论正渗透到数理科学、生命科学和工程科学等众多不同领域。用复杂网络理论特性分析和理解细胞图像，开拓了基于复杂网络理论和细胞图像识别的新方法。

发明内容

本发明旨在针对现有宫颈细胞识别技术存在的不足，本发明将复杂网络理论与宫颈细胞图像识别相结合，提出了一种基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置。通过提取宫颈细胞图像中的尽可能多的特征信息，而宫颈细胞的复杂网络参数从本质上反应了宫颈细胞的内部结构和空间特征，弥补了传统方法的不足，能够对宫颈细胞进行精确分类。

根据本发明第一方面提供的一种基于有向加权复杂网络的宫颈细胞识别方法，依次包括如下步骤：

S100：对宫颈细胞图像灰度化，再对宫颈细胞图像进行分割，分割出宫颈细胞区域；

S200：采用Harris技术提取所述宫颈细胞区域的关键点，再采用灰度加权中心定位的方法定位宫颈细胞的中心；

S300：对经过所述步骤S200处理后的宫颈细胞图像构建复杂网络模型，构建过程包括以下过程：S310,计算所述宫颈细胞图像关键点与中心之间的距离，并将关键点与中心之间归一化距离差作为复杂网络模型节点的有向距离；S320，将关键点的归一化灰度差作为复杂网络模型节点间的有向灰度差；S330,将有向距离与有向灰度差的加权之和作为复杂网络模型节点间的有向权值；S340,判断任意两节点之间的有向权值是否在复杂网络模型有向权值的阈值内，将有向权值在复杂网络有向权值的阈值内的任意两节点进行连接形成复杂网络模型；

S400：提取所述复杂网络模型的参数作为宫颈细胞的识别参数，所述识别参数包括节点的度最大值、节点的度方差值、节点的度平均值、节点的度加权最大值、节点的度加权方差值、节点的度加权平均值、节点的度分布均值、节点的度分布一致性、节点的度分布能量、节点的度分布熵，将所述识别参数构成宫颈细胞图像在阈值tr下的特征向量f，其中节点的度为与该节点有连接边的其他节点的数目；

S600：采用SVM(SupportVectorMachine，支持向量机)分类器对宫颈细胞训练样本提取的特征向量进行训练并得到的SVM模型，再对宫颈细胞测试样本进行测试，得到宫颈细胞测试样本的类别。

进一步的，基于有向加权复杂网络的宫颈细胞识别方法在步骤S600前还包括步骤S500:采用DCT(DiscreteCosineTransform,离散余弦变换)降维方法对步骤S400中提取的特征进行降维。

进一步的，所述阈值tr的初值阈值设置为0.1，最大阈值设置为0.7，阈值步长设置为0.1。

本发明提供的基于有向加权复杂网络的宫颈细胞识别方法采用数字图像处理技术提取宫颈细胞图像关键点的基础上，通过比较任意两节点之间的有向权值是否在复杂网络模型有向权值的阈值来建立宫颈细胞的复杂网络模型，利用提取复杂网络模型多项特征参数分析和刻画宫颈细胞特征，最后采用支持向量机(SupportVectorMachine,SVM)分类器对宫颈细胞做出分类识别判断。采用离散余弦变换(DiscreteCosineTransform,DCT)的方法对宫颈细胞的复杂网络特征进行降维可以降低成分类器的负担及提升识别率和识别速度。

本发明，另一方面还提供一种宫颈细胞识别装置，所述宫颈细胞识别装置采用所述的基于有向加权复杂网络的宫颈细胞识别方法对宫颈细胞进行识别。

本发明提供的基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置通过构建宫颈细胞的复杂网络模型、计算宫颈细胞复杂网络的特征参数、SVM分类器训练识别等措施有效的提高了宫颈细胞图像分类的抗噪声、鲁棒性、识别速度、识别率等性能；能够利用宫颈细胞图像中的尽可能多的特征信息，宫颈细胞的复杂网络参数从本质上反应了宫颈细胞的内部结构和空间特征，弥补了传统方法的不足，能够对宫颈细胞图像进行精确分类。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明基于有向加权复杂网络的宫颈细胞识别方法原理图；

图2为本发明中复杂网络模型节点之间有向加权连接示意图；

图3为本发明宫颈细胞图像复杂网络模型的动态演化示意图；

图4为本发明七类宫颈细胞图像的复杂网络动态演化图；

图5为本发明细胞图像的复杂网络特征二分类识别方法与几何特征二分类识别方法识别率对比曲线图；

图6为本发明细胞图像的复杂网络特征三分类识别方法与几何特征三分类识别方法识别率对比曲线图；

图7为本发明细胞图像的复杂网络特征七分类识别方法与几何特征七分类识别方法识别率对比曲线图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1-3对本发明实施例的基于有向加权复杂网络的宫颈细胞识别方法做进一步的描述。

如图1所示的基于有向加权复杂网络的宫颈细胞识别方法原理图，基于有向加权复杂网络的宫颈细胞识别方法包括以下步骤过程，S100:首先对训练细胞样本图像和测试细胞样本图像进行灰度化，再进行细胞区域提取，具体采用CHAMP软件对宫颈细胞图像进行分割，分割出宫颈细胞区域；S200:对细胞区域关键点提取，具体采用采用Harris技术提取所述宫颈细胞区域的关键点，再对细胞中心定位，具体采用灰度加权中心定位的方法定位宫颈细胞的中心；S300:对经过所述步骤S200处理后的宫颈细胞图像构建复杂网络模型，构建过程包括以下过程：S310,计算所述宫颈细胞图像关键点与中心之间的距离，并将关键点与中心之间归一化距离差作为复杂网络模型节点的有向距离；S320，将关键点的归一化灰度差作为复杂网络模型节点间的有向灰度差；S330,将有向距离与有向灰度差的加权之和作为复杂网络模型节点间的有向权值；S340,判断任意两节点之间的有向权值是否在复杂网络模型有向权值的阈值内，将有向权值在复杂网络有向权值的阈值内的任意两节点进行连接形成复杂网络模型；S400：提取所述复杂网络模型的参数作为宫颈细胞的识别参数，所述识别参数包括节点的度最大值、节点的度方差值、节点的度平均值、节点的度加权最大值、节点的度加权方差值、节点的度加权平均值、节点的度分布均值、节点的度分布一致性、节点的度分布能量、节点的度分布熵，将所述识别参数构成宫颈细胞图像在阈值tr下的特征向量f，其中节点的度为与该节点有连接边的其他节点的数目；S600：采用SVM(SupportVectorMachine，支持向量机)分类器对宫颈细胞训练样本提取的特征向量进行训练并得到的SVM模型，再对宫颈细胞测试样本进行测试，得到宫颈细胞测试样本的类别。

在步骤S300中，具体的网络模型构建过程，如图2所示的复杂网络节点之间有向加权连接示意图，节点i与节点j距中心o的距离d_oi、d_oj分别为：

$d_{oi}=\sqrt{{(x_o-x_i)}^2+{(y_o-y_i)}^2}$

$d_{oj}=\sqrt{{(x_o-x_j)}^2+{(y_o-y_j)}^2}$

式中，x_o、y_o为中心o的横纵坐标，x_i、y_i为节点i的横纵坐标，x_j、y_j为节点j的横纵坐标，复杂网络模型节点之间的有向距离为：

$d_{ij}=\frac{d_{oi}-d_{oj}}{\max \left(abs\right(d_{{\mathrm{oi}}^{\′}}-d_{{\mathrm{oj}}^{\′}}\left)\right)}$

式中，i'、j'为复杂网络模型的所有节点。

将节点的归一化灰度差作为复杂网络模型节点之间的有向灰度差，计算方式为：

$I_{ij}=\frac{I_i-I_j}{\max \left(abs\right(I_{i^{\′}}-I_{j^{\′}}\left)\right)}$

式中，I_i、I_j分别为节点i与节点j像素点的灰度值。

将有向距离与有向灰度差的加权和作为复杂网络节点之间的有向权值，计算方式为：

w_ij＝λ₁d_ij+λ₂I_ij

式中，λ₁，λ₂分别为有向距离与有向灰度差的权值，本实施例中权值λ₁设置为0.5，λ₂设置为0.5。

判断任意两节点之间的有向权值是否在复杂网络有向权值的阈值内，公式为：

w_ij>tr或w_ij<-tr

式中，tr为复杂网络有向权值的阈值，如果两节点之间的有向权值满足上式，则两节点之间进行有向连接，反之，两节点不连接。

具体的，在步骤S400中，将节点的度作为宫颈细胞复杂网络模型的基本属性，节点的度为与该节点有连接边的其他节点的数目，根据步骤S300构造的宫颈细胞图像复杂网络模型所有节点的连接矩阵为A：

宫颈细胞图像复杂网络模型所有节点的连接权矩阵为W：

矩阵A中n为节点数目，如果节点i与节点j相连接，则a_i,j为1；如果节点i与节点j不相连接，则a_i,j为零；矩阵W中w_i,j为节点i与节点j的连接权值。

则复杂网络模型节点的度为：

$k_i=\underset{j=1,j\&NotEqual;i}{\overset{n}{\&Sigma;}}{a}_{i,j}$

式中，k_i为节点i的度。

复杂网络模型中所有节点的度最大值作为复杂网络模型的最大度，最大度为：

K_max＝maxk_i(i＝1,2,…,n)

复杂网络模型中所有节点的度方差值作为复杂网络模型度的方差，度的方差为：

K_std＝stdk_i(i＝1,2,…,n)

复杂网络模型中所有节点的度平均值作为复杂网络模型的平均度，平均度为：

$K_{mean}=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{k}_i$

复杂网络模型节点的加权度为：

$k_i^{\&prime;}=\underset{j=1,j\&NotEqual;i}{\overset{n}{\&Sigma;}}{w}_{i,j}$

上述式中，k′_i为节点i的加权度。

复杂网络模型中所有节点的度加权最大值作为复杂网络模型的最大加权度，最大加权度为：

K'_max＝maxk′_i(i＝1,2,…,n)

复杂网络模型中所有节点的度加权方差值作为复杂网络模型加权度的方差，加权度的方差为：

K′_std＝stdk′_i(i＝1,2,…,n)

复杂网络模型中所有节点的度加权平均值作为复杂网络模型的平均加权度，平均加权度为：

$K_{mean}^{\&prime;}=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{k}_i^{\&prime;}$

本实施例中根据复杂网络模型的度的直方图提取复杂网络度的直方图特征，复杂网络度的直方图为：

h(i)＝Σδ(k,i)，

其中， $\mathrm{\&delta;}(i,j)=\left\{\begin{array}{c}1,i=j\\ 0,i\&NotEqual;j\end{array}\right..$

复杂网络模型中节点的度直方图的概率密度函数为：

$p\left(i\right)=\frac{h\left(i\right)}{{\mathrm{\&Sigma;}}_{i=0}^{K_{\max }}h\left(i\right)},i=0,1,...,K_{max},$

式中K_max为最大度。

根据复杂网络模型的度的直方图概率密度函数，提取复杂网络模型的节点的度分布均值、节点的度分布一致性、节点的度分布能量、节点的度分布熵，其分别对应为网络模型的节点的度的直方图的均值、对比度、能量、熵特征，

均值为：

$\mathrm{\&mu;}=\underset{i=0}{\overset{K_{\max }}{\&Sigma;}}ip\left(i\right)$

对比度为：

$C=\underset{i=0}{\overset{K_{\max }}{\&Sigma;}}{i}^{2}p\left(i\right)$

能量为：

$E=\underset{i=0}{\overset{K_{\max }}{\&Sigma;}}p{\left(i\right)}^2$

熵为：

$H=-\underset{i=0}{\overset{K_{\max }}{\&Sigma;}}p\left(i\right){\log }_2\left(p\right(i\left)\right)$

根据上述提取的复杂网络模型的度的特征构成细胞图像在阈值tr下的特征向量，特征向量为：

f_tr＝[K_max,K_std,K_mean,K'_max,K′_std,K'_mean,μ,C,E,H]，

根据不同的阈值tr，本实施例动态演化出不同阈值下的宫颈细胞复杂网络模型。本实施例中设置初值阈值为0.1，最大阈值为0.7，阈值步长为0.1，因此可以动态演化出七种宫颈细胞图像的复杂网络，图3为复杂网络权的阈值分别为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8时的复杂网络模型演化图。图4为七类宫颈细胞图像的复杂网络模型动态演化图，图4中第一列为七类宫颈细胞图细胞区域图，第二列为七类宫颈细胞图细胞区域的关键点图，第三列为复杂网络模型权值阈值为0.1时的七类宫颈细胞复杂网络图，第四列为复杂网络模型权值阈值为0.5时的七类宫颈细胞复杂网络图，第五列为复杂网络模型权值阈值为0.7时的七类宫颈细胞复杂网络图，第一行至第七行分别对应正常上皮鳞状细胞、正常中间鳞状细胞、正常柱状细胞、轻微发育异常细胞、中度发育异常细胞、严重发育异常细胞、宫颈癌细胞七类宫颈细胞。本实施例的每一类宫颈细胞复杂网络模型提取十个复杂网络模型特征，因此一共可以提取70个宫颈细胞图像复杂网络模型特征，宫颈细胞图像的特征为：

F＝[f₁,f₂,f₃,……,f₇₀]

由于步骤S400中提取的特征存在冗余，过多的特征造成分类器的负担及对识别率的影响，本实施例进行了步骤S500:采用DCT降维方法对步骤所00中提取的特征进行降维，DCT变换后的特征系数大部分很小或为零，DCT降维后的宫颈细胞特征为：

F'＝[f′₁,f′₂,…,f′_n′,0,0,…,0],n<70

具体的，在步骤S600中，采用SVM分类器对宫颈细胞训练样本提取的特征向量进行训练，在本实施例中，共有7种状态下的宫颈细胞，包括正常上皮鳞状细胞、正常中间鳞状细胞、正常柱状细胞、轻微发育异常细胞、中度发育异常细胞、严重发育异常细胞、宫颈癌细胞，,视这7种状态下的宫颈细胞为7类数据，将这7类数据进行标签处理，7类标签设为{1,2,3,4,5,6,7}，实现宫颈细胞的七分类处理；或将宫颈细胞中的正常上皮鳞状细胞、正常中间鳞状细胞、正常柱状细胞分为正常细胞，将轻微发育异常细胞、中度发育异常细胞、严重发育异常细胞分为变异细胞，将宫颈癌细胞分为癌细胞三类数据，3类数据标签设为{1,2,3}，实现宫颈细胞的三分类处理；或将宫颈细胞中的正常上皮鳞状细胞、正常中间鳞状细胞、正常柱状细胞分为正常细胞类数据，将轻微发育异常细胞、中度发育异常细胞、严重发育异常细胞、宫颈癌细胞分为非正常类数据，这2类数据标签设为{1,2}，实现宫颈细胞的二分类处理；将训练特征矢量进行归一化处理，归一化至[-1,+1]之间；具体的，本实施例使用中国台湾大学林智仁教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包(http://www.cxymxz.com/code/libsvm_svm.aspx)对训练集特征矢量进行训练，其中，SVM中所使用的核函数为径向基核函数：

$K(Y,Y_i)=e^{(-\mathrm{\&gamma;}||Y-Y_i|{|}^2)}$

其中，参数γ取为0.001，Y，Y_i作为输入特征矢量；根据训练得到的SVM模型，对宫颈细胞测试样本进行测试，得到宫颈细胞测试样本的类别，达到宫颈细胞识别的目的。

本实施例所使用的实验数据来源于Herlev宫颈细胞图像数据集(http://labs.fme.aegean.gr/decision/downloads)，Herlev宫颈细胞图像数据集是由丹麦技术大学(TechnicalUniversityofDenmark)和Herlev大学医院(HerlevUniversityHospital)联合开发，本实施例共设计六种实验：

实验一：宫颈细胞几何特征+k近邻分类器(kNearestNeighbor,kNN)；

实验二：宫颈细胞几何特征+主成分分析(PrincipalCompoentAnalysis,PCA)降维+SVM；实验三：宫颈细胞几何特征+DCT降维+SVM；

实验四：宫颈细胞复杂网络特征+kNN分类器；

实验五：宫颈细胞复杂网络特征+PCA降维+SVM分类器；

实验六：宫颈细胞复杂网络特征+DCT降维+SVM分类器即本发明方法。

每种实验分别将10％、20％、30％、40％、50％、60％、70％、80％、90％宫颈细胞图像作为训练样本，其余作为测试样本进行测试实验。图5、6、7分别为本发明细胞图像的复杂网络特征二分类识别方法与几何特征二分类识别方法识别率对比曲线图；本发明细胞图像的复杂网络特征三分类识别方法与几何特征三分类识别方法识别率对比曲线图；本发明细胞图像的复杂网络特征七分类识别方法与几何特征七分类识别方法识别率对比曲线图。由实验数据可以得出实验六方法宫颈细胞识别率高于实验一、二、三、四、五宫颈细胞识别率。因此，本发明方法即基于复杂网络理论的宫颈细胞识别方法，达到了女性宫颈癌早期诊断，及时发现宫颈癌的早期病变的目的。

本发明还提供了一种宫颈细胞识别装置,该宫颈细胞识别装置采用如上所述的基于有向加权复杂网络的宫颈细胞识别方法对宫颈细胞进行识别。效果通过该所述的基于有向加权复杂网络的宫颈细胞识别方法已经得到充分的说明，此处不再多述。

以上实施例仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的创造性精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于有向加权复杂网络的宫颈细胞识别方法，依次包括如下步骤：

S100：对宫颈细胞图像灰度化，再对宫颈细胞图像进行分割，分割出宫颈细胞区域；

S200：采用Harris技术提取所述宫颈细胞区域的关键点，再采用灰度加权中心定位的方法定位宫颈细胞的中心；

S300：对经过所述步骤S200处理后的宫颈细胞图像构建复杂网络模型，构建过程包括以下过程：S310,计算所述宫颈细胞图像关键点与中心之间的距离，并将关键点与中心之间归一化距离差作为复杂网络模型节点的有向距离；S320，将关键点的归一化灰度差作为复杂网络模型节点间的有向灰度差；S330,将有向距离与有向灰度差的加权之和作为复杂网络模型节点间的有向权值；S340,判断任意两节点之间的有向权值是否在复杂网络模型有向权值的阈值内，将有向权值在复杂网络有向权值的阈值内的任意两节点进行连接形成复杂网络模型；

S400：提取所述复杂网络模型的参数作为宫颈细胞的识别参数，所述识别参数包括节点的度最大值、节点的度方差值、节点的度平均值、节点的度加权最大值、节点的度加权方差值、节点的度加权平均值、节点的度分布均值、节点的度分布一致性、节点的度分布能量、节点的度分布熵，将所述识别参数构成宫颈细胞图像在阈值下的特征向量，其中节点的度为与该节点有连接边的其他节点的数目；

S600：采用SVM分类器对宫颈细胞训练样本提取的特征向量进行训练并得到的SVM模型，再对宫颈细胞测试样本进行测试，得到宫颈细胞测试样本的类别。

2.如权利要求1所述的基于有向加权复杂网络的宫颈细胞识别方法，其特征在于步骤S600前，还包括步骤S500:采用DCT降维方法对步骤四中提取的特征进行降维。

3.如权利要求1所述的基于有向加权复杂网络的宫颈细胞识别方法，其特征在于所述阈值的初值阈值设置为0.1，最大阈值设置为0.7，阈值步长设置为0.1。

4.一种宫颈细胞识别装置，所述宫颈细胞识别装置采用如权1至权3任一所述的基于有向加权复杂网络的宫颈细胞识别方法对宫颈细胞进行识别。