CN106875394A - 适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法 - Google Patents

Abstract

一种适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，包括如下步骤：1)基于对相差显微镜细胞图像特性的分析，构建图像中的层次信息之后，定义相差显微细胞图像的主要信息；2)手动标记关键信息，标记时需要参照原始图片和主要信息，将细胞主要信息粘连情况划分为一个区域，以便于将这些情况进行单独分析；3)利用无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，对目标粘连情况进行分离和分组；4)更新相差显微镜细胞图像中的主要信息标号与颜色标记，得到此图像修复后的主要信息。本发明能有效处理相差显微镜细胞图像检测和分割。

Description

适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况 的分离与分组方法

技术领域

本发明属于医学图像处理技术领域，涉及一种适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法。

背景技术

当前在相差显微镜细胞检测和分割领域，通常假设目标的区域具有内部一致性的特点，即目标内部的灰度、颜色或者其他特征是均匀分布。主要采用阈值的方法对目标区域进行直接分割，或者采用主动轮廓模型得到目标的封闭区域。一般阈值相关方法的思想主要是直接调节并得到最佳阈值，从而能够直接得到目标的区域。主动轮廓模型的方法是在假定目标内部一致性的前提之下，增加了目标具有较强梯度边界的假设，从而优化目标函数，从初始状态开始演化曲线，最终能够形成局部的封闭区域。但是主动轮廓模型无法对粘连的细胞进行有效的区分，其结果通常会把粘连的细胞置于同一个封闭区域中。另外的一类方法是对图像进行分片处理，即将原始较大的图像划分出连续的局部区域块。这类算法，包括超像素划分(Super-Pixel)和UCM(Ultra-metric Contour Map)。前一种先在整幅图上均匀地放置一些种子点，然后构建局部一致性的区块，再通过半监督学习的方式或者谱聚类的方式，对这些局部区块进行一个分类，从而能够构建更具体的分割区块。后一种是通过随机森林的方式对已标记的像素级训练集训练出一个模型。训练集中正样本为目标边界像素，负样本为非边界像素。得到的分类概率图通过一系列的变换，能够形成基于边界信息的局部区域块，再通过MCG(Multiple Combinatorial Grouping)算法对局部的区域块进行融合操作。相差显微细胞的边界和内部都不具有明显的一致性，即细胞内部灰度值的偏差很大且细胞边界的清晰度不够显著，很多部位与背景相粘连。

发明内容

为了克服已有相差显微镜细胞图像检测和分割上较难处理的不足，本发明提供了一种有效处理相差显微镜细胞图像检测和分割的适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法。

本发明解决其技术问题所采用的技术方案是：

一种适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，包括如下步骤：

1)基于对相差显微镜细胞图像特性的分析，构建图像中的层次信息之后，定义相差显微细胞图像的主要信息；

2)手动标记关键信息，标记时需要参照原始图片和主要信息，将细胞主要信息粘连情况划分为一个区域，以便于将这些情况进行单独分析；

3)利用无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，对目标粘连情况进行分离和分组；

4)更新相差显微镜细胞图像中的主要信息标号与颜色标记，得到此图像修复后的主要信息。

进一步，所述步骤1)中，假设一张相差显微镜细胞图像中存在灰度级别在0到L之间的N个像素，处于灰度级别i的像素个数标记为n_i，那么灰度级i的像素在此图片中的概率为p_i＝n_i/N，假设图像中存在由C-1个阈值，记为{t₁,t₂,…,t_C-1}，其确定了C个灰度层次或者灰度集合；如此，集合1由灰度范围为[0,…,t₁]的像素确定，集合1标记为G₁，集合i(G_i)由灰度范围为(t_i-1,…,t_i]的像素确定，最后一个集合G_C由灰度范围为(t_C-1,…,L]的像素确定，假设μ_T是此幅图像的灰度均值；为了获得针对所有细胞的深暗区域信息，即主要信息，采用多阈值最大类间算法，定义为：

其中，

0≤t₁<…<t_C-1<L

那么，此时的G₁便定义为当前帧中的主要信息。

再进一步，所述步骤2)中，在手动标记的过程中，参照原图及对应的主要信息，将属于某一细胞的所有主要信息划分到一个黄色闭合曲线中去，也将细胞主要信息粘连区域及所涉及的局部独立块也归到同一个黄色闭合轮廓中去；手动标记好所有区域之后，记录这些具有主要信息粘连情况的区域标号，便于索引这些区域。

更进一步，所述步骤3)中，针对无帧间参考信息的细胞主要信息粘连情况，应用PairSplit3F算法，首先需要找到待分离局部块；在两个细胞主要信息粘连情况下，认为待分离块处于所有块集合的中间部位；基于当前粘连情况所涉及的所有块集合H计算均值坐标位置P_mean和中值坐标位置P_median，用于确定当前粘连情况下的待分离局部块，执行PairSplit算法之前，属于两个细胞的主要信息集合H₁和H₂仍旧是未确定的，且集合中无任何主要信息独立块，所以作为空集传入；分离之后，从PairSplit算法返回集合H₁和H₂，接着，只需要将其他分散的局部独立块基于德劳内三角图和GraphCrawl算法分组到不同的细胞主要信息集合。

本发明的无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法。其主要适用于在不具有帧间参考信息的情况下，对相差显微镜图像中目标主要信息粘连情况的处理。此方法基于手动标记结果，在存在目标主要信息粘连情况的独立区域内，自动查找到需要分离的局部独立块，并进行合理分离，然后通过分组算法，将分散的主要信息融合进目标的主要信息集合。在保证更少地剔除主要信息像素的情况下，修复此相差显微镜图像的主要信息。

本发明的有益效果主要表现在：有效处理无帧间参考信息的相差显微镜细胞图像检测和分割。

附图说明

图1是适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法的流程图。

图2是手动标记相差显微镜细胞图像的目标主要信息。假设x＝{a,b}，图x1是相差显微镜细胞原图，图x2是多阈值最大类间距离算法结果，图x3是手动标记的黄色封闭轮廓线，并保留主要信息粘连区域，图x4是对于标记结果的二值图，图x5是独立区域标号对应的伪彩色图，图x6是相差显微镜细胞图像的主要信息。

图3是三个无帧间参考信息的主要信息粘连情况。假设x＝{a,b,c}，图x1是分别截取于图2中图x6中对应的白色方框内的区域信息，图x2是每个粘连情况所对应的所有独立的主要信息块，每个独立块标记为不同伪彩色，图x3是待分离主要信息块，图x4是最佳分离为止，图x5是分组后的结果，图x6是修复后的主要信息结果。

图4是整幅相差显微镜图像的修复结果与区域构建结果。假设x＝{a,b}，图x1对应与图2中图x1的主要信息修复结果图，图x2是基于每个细胞的主要信息通过凸区域近似得到的结果图，图x3是基于基于每个细胞的主要信息通过矩形方框近似得到的结果图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图4，一种适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，包括如下步骤：

1)基于对相差显微镜细胞图像特性的分析，构建图像中的层次信息之后，定义相差显微细胞图像的主要信息；

2)手动标记关键信息，标记时需要参照原始图片和主要信息，将细胞主要信息粘连情况划分为一个区域，以便于将这些情况进行单独分析；

3)利用无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，对目标粘连情况进行分离和分组；

4)更新相差显微镜细胞图像中的主要信息标号与颜色标记，得到此图像修复后的主要信息。

所述步骤1)中，基于对相差显微镜细胞图像灰度分布特性的分析，大部分相差显微细胞图像的灰度分布都符合高斯分布形状。培养液背景区域像素与细胞内部部分区域像素一般处于高斯分布的中间区段，占图像的像素比例较大，而相差显微镜细胞的主要信息像素值较小的灰度分布区域，称为深暗区域，而相差显微细胞图像中像素值较大的信息定义了图像中高亮区域，所占图片像素比例较小。由于深暗区域信息相较于高亮区域信息具有较低的粘连性，且深暗区域信息可以决定细胞目标的主体，此处将深暗区域信息作为相差显微镜细胞图像中的主要信息。

假设一张相差显微镜细胞图像中存在灰度级别在0到L之间的N个像素。处于灰度级别i的像素个数标记为n_i，那么灰度级i的像素在此图片中的概率为p_i＝n_i/N。假设图像中存在由C-1个阈值，记为{t₁,t₂,…,t_C-1}，其确定了C个灰度层次或者灰度集合。如此，集合1(标记为G₁)由灰度范围为[0,…,t₁]的像素确定，类似地，集合i(标记为G_i)由灰度范围为(t_i-1,…,t_i]的像素确定，最后一个集合(标记为G_C)由灰度范围为(t_C-1,…,L]的像素确定。假设μ_T是此幅图像的灰度均值。为了获得针对所有细胞的深暗区域信息，即主要信息，采用多阈值最大类间算法，其可以定义为：

其中，

0≤t₁<…<t_C-1<L

那么此时的G₁便定义为当前帧中的主要信息。

附图2中给出了两张相差显微镜细胞图像。假设x＝{a,b}，如附图2中所示，图x1为原图，图x2为通过最大类间距离算法得到的图像层次信息，此信息图以数值标号与伪彩色标记的方式进行展示。由于多阈值最大类间算法初始化多个阈值时，其设定的阈值是均匀分布在整个灰度区间中，所以高亮信息会有较多的层次，而深暗信息具有较少的层次。

所述步骤2)中，在手动标记的过程中，参照原图及对应的主要信息，将属于某一细胞的所有主要信息划分到一个黄色闭合曲线中去，也将细胞主要信息粘连区域及所涉及的局部独立块也归到同一个黄色闭合轮廓中去。手动标记好所有区域之后，记录这些具有主要信息粘连情况的区域标号，便于索引这些区域。

假设x＝{a,b}，如附图2中所示，图x3为手动标记的主要信息标记图，其中存在很多闭合的黄色轮廓线，每个闭合轮廓线内部是每个细胞的特定主要信息集合，图x4为相对于图x3中黄色轮廓闭合区域的二值图，图x5为参照细胞数值标号所得的伪彩色标记图，图x6为当前图像初始标记后所得到的主要信息结果图，其中白色框中存在主要信息粘连情况，需要进一步的处理。由于此时不存在帧间主要信息关联，为了分离细胞主要信息粘连区域块，需要采用无参考的方式进行。

所述步骤3)中，主要信息粘连分离与分组算法(PairSplit算法及GraphCrawl算法)主要针对具有帧间参考信息的两个细胞主要信息粘连情况。此时，针对无帧间参考情况，设计了一种针对无帧间参考信息的细胞主要信息粘连情况进行分离与分组算法。此算法主要针对相差显微镜细胞序列的第一帧图像，因为其不存在前一帧参考图像，所以此算法被称为PairSplit3F(PairSplit-For-First-Frame)算法。此算法也可以用于独立地处理序列中每一帧图像的时候，此时不考虑当前图像的前后帧主要信息关联。此算法主要针对两个细胞主要信息粘连情况，多细胞主要信息粘连情况可以认为是多个两两细胞主要信息粘连情况的组合。

针对无帧间参考信息的细胞主要信息粘连情况，首先需要找到待分离局部块。在两个细胞主要信息粘连情况下，认为待分离块处于所有块集合的中间部位。PairSplit3F算法中基于当前粘连情况所涉及的所有块集合H计算均值坐标位置P_mean和中值坐标位置P_median，用于确定当前粘连情况下的待分离局部块。在PairSplit算法中，执行PairSplit算法之前，属于两个细胞的主要信息集合H₁和H₂仍旧是未确定的，且集合中无任何主要信息独立块，所以作为空集传入。分离之后，从PairSplit算法返回集合H₁和H₂。接着，只需要将其他分散的局部独立块基于德劳内三角图(Delaunay Triangulation Constraint Graph)和GraphCrawl算法合理分组到不同的细胞主要信息集合，即可完成PairSplit3F算法的整体流程。

假设x＝{a,b,c}，附图3中展示了三个无帧间参考信息的细胞主要信息粘连情况。其中图x1截取于附图2中图a6和图b6的三个白色框所框定的局部区域图，图x2为当前主要信息粘连情况所涉及的所有局部独立块，每个局部独立块存在其对应的数值编号及伪彩色标记，其中由菱形和圆形白色点表示均值坐标位置P_mean和中值坐标位置P_median，图x3为检测到需要被分离的局部独立块，图x4为表示最佳分离位置的灰度图像，图x5表示最佳分组结果的伪彩色图，图x6将图x5的分组结果图映射至图x1，同时更新细胞数值标记及对应的颜色标记。在每次分离及分组处理后，相当于在图x1中新增了一个细胞，修复的主要信息图x6中新增细胞所对应的数值标号是当前主要信息伪彩色图中最大标记值加1，所以增加的细胞所对应的局部块的颜色会显示为深红色，也是伪彩色空间中对应当前最大标记值的颜色。

所述步骤4)中，假设x＝{a,b}，附图4中图x1展示了两张被修复后的主要信息颜色标记图。除了被修复的主要信息粘连情况区域外，其他细胞的主要信息集合所具有的颜色标记没有明显改变。虽然这两幅图像中修复之前和修复之后分别增加了1个和2个数值，但是数值范围均匀映射到伪彩色空间的时候，其颜色偏差不是很大。如此，修复的图像便可以表征准确地表征当前图像的主要信息。图x2展示了所对应的所有细胞凸区域估计结果，图x3给出了其对应的矩形区域估计结果。

Claims (4)

1.一种适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，其特征在于：包括如下步骤：

1)基于对相差显微镜细胞图像特性的分析，构建图像中的层次信息之后，定义相差显微细胞图像的主要信息；

2)手动标记关键信息，标记时需要参照原始图片和主要信息，将细胞主要信息粘连情况划分为一个区域，以便于将这些情况进行单独分析；

3)利用无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，对目标粘连情况进行分离和分组；

4)更新相差显微镜细胞图像中的主要信息标号与颜色标记，得到此图像修复后的主要信息。

2.如权利要求1所述的适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，其特征在于：所述步骤1)中，假设一张相差显微镜细胞图像中存在灰度级别在0到L之间的N个像素，处于灰度级别i的像素个数标记为n_i，那么灰度级i的像素在此图片中的概率为p_i＝n_i/N，假设图像中存在由C-1个阈值，记为{t₁,t₂,…,t_C-1}，其确定了C个灰度层次或者灰度集合；如此，集合1由灰度范围为[0,…,t₁]的像素确定，集合1标记为G₁；集合i由灰度范围为(t_i-1,…,t_i]的像素确定，集合i标记为G_i；最后一个集合G_C由灰度范围为(t_C-1,…,L]的像素确定，假设μ_T是此幅图像的灰度均值；为了获得针对所有细胞的深暗区域信息，即主要信息，采用多阈值最大类间算法，定义为：

$\{t_1^{*},t_2^{*},...,t_{C-1}^{*}\}=\arg max\left\{{\mathrm{\&sigma;}}^2(t_1,t_2,...,t_{C-1})\right\}$

其中，

0≤t₁<…<t_C-1<L

${\mathrm{\&sigma;}}^2(t_1,t_2,...,t_{C-1})=\underset{k=1}{\overset{C}{\&Sigma;}}{\mathrm{\&omega;}}_k{({\mathrm{\&mu;}}_k-{\mathrm{\&mu;}}_T)}^2$

${\mathrm{\&omega;}}_k=\underset{i\&Element;G_k}{\&Sigma;}{p}_i$

${\mathrm{\&mu;}}_k=\underset{i\&Element;G_k}{\&Sigma;}{\mathrm{ip}}_i/{\mathrm{\&omega;}}_k$

那么，此时的G₁便定义为当前帧中的主要信息。

3.如权利要求1或2所述的适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，其特征在于：所述步骤2)中，在手动标记的过程中，参照原图及对应的主要信息，将属于某一细胞的所有主要信息划分到一个黄色闭合曲线中去，也将细胞主要信息粘连区域及所涉及的局部独立块也归到同一个黄色闭合轮廓中去；手动标记好所有区域之后，记录这些具有主要信息粘连情况的区域标号，便于索引这些区域。

4.如权利要求1或2所述的适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，其特征在于：所述步骤3)中，针对无帧间参考信息的细胞主要信息粘连情况，应用PairSplit3F算法，首先需要找到待分离局部块；在两个细胞主要信息粘连情况下，认为待分离块处于所有块集合的中间部位；基于当前粘连情况所涉及的所有块集合H计算均值坐标位置P_mean和中值坐标位置P_median，用于确定当前粘连情况下的待分离局部块，执行PairSplit算法之前，属于两个细胞的主要信息集合H₁和H₂仍旧是未确定的，且集合中无任何主要信息独立块，所以作为空集传入；分离之后，从PairSplit算法返回集合H₁和H₂，接着，只需要将其他分散的局部独立块基于德劳内三角图和GraphCrawl算法分组到不同的细胞主要信息集合。