CN110120056B - 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 - Google Patents

基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 Download PDF

Info

Publication number
CN110120056B
CN110120056B CN201910426321.0A CN201910426321A CN110120056B CN 110120056 B CN110120056 B CN 110120056B CN 201910426321 A CN201910426321 A CN 201910426321A CN 110120056 B CN110120056 B CN 110120056B
Authority
CN
China
Prior art keywords
segmentation
image
leukocyte
cell
white blood
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910426321.0A
Other languages
English (en)
Other versions
CN110120056A (zh
Inventor
李佐勇
周小根
胡锦美
赖桃桃
周常恩
刘伟霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Gufan Intelligent Technology Co ltd
Original Assignee
Minjiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Minjiang University filed Critical Minjiang University
Priority to CN201910426321.0A priority Critical patent/CN110120056B/zh
Publication of CN110120056A publication Critical patent/CN110120056A/zh
Priority to NL2024774A priority patent/NL2024774B1/en
Application granted granted Critical
Publication of CN110120056B publication Critical patent/CN110120056B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于自适应直方图阈值和轮廓检测的血液白细胞分割方法。首先，通过颜色分量组合增强细胞核的对比度，利用自适应直方图阈值技术对细胞核进行粗分割，进而实现白细胞定位；然后，利用颜色先验信息依次剔除图像背景和红细胞，进而执行边缘检测获取最大连通分量作为白细胞初始轮廓；最后，利用图像填充和形态学运算实现白细胞区域的提取，进而获得细胞质分割结果。在标准和快速染色白细胞图像数据集上的实验结果证实了本发明方法对两种制备下的白细胞分割精度均有提升。

Description

基于自适应直方图阈值和轮廓检测的血液白细胞分割方法
技术领域
本发明属于图像处理技术领域，用于对血常规检查中采集到血液细胞图像中的白细胞进行分割，具体涉及一种基于自适应直方图阈值和轮廓检测的血液白细胞分割方法。
背景技术
血常规检查是人体健康检测中的常见项目。血常规检查中一项重要的内容便是对白细胞进行分类计数与异常形态分析。目前，国内医院通常先用基于电阻抗法(物理方法)加流式分析法(物理-化学方法)的血细胞分析仪进行血细胞分类计数。血涂片中白细胞的分类计数和形态分析是诊断白血病等血液疾病意义重大。当血细胞计数结果异常或者主诊医生怀疑患者有血液疾病时，再由检验科医生对血液进行推片、染色、镜检，对白细胞进行分类计数的确认与异常形态分析。人工镜检的准确率依赖于医生的专业技能，存在检测主观性强、个体差异性大、耗时费力的问题，还容易因为医生的视力疲劳影响检测精度。计算机辅助下的血细胞图像自动分析不仅可以节省人力和时间，还可以减少疲劳等造成的人为分析错误。白细胞分割是血细胞图像自动分析的基础，白细胞分割的精度将直接影响后续的白细胞分类计数和形态分析的准确性。
白细胞图像可以通过数字成像设备对血涂片进行拍摄而获得。未染色的白细胞与背景之间颜色相近，对比度低，辨识起来困难。为此，制备血涂片时通常要用染色剂进行染色，以增强白细胞与背景之间的对比度，提高辨识度。标准的血涂片制备方式常用瑞氏染色法、姬姆萨染色法对细胞进行着色，着色效果好而稳定；但着色通常需要十分钟以上，着色速度慢，不能满足大范围临床应用的需要。华中科技大学刘建国和汪国有教授的研究团队提出一种血涂片快速制备方法，将细胞着色时间缩短为十秒左右，着色速度快；但着色效果不够稳定，容易产生深色杂质和被污染背景，会溶解掉对部分血液疾病有诊断作用的红细胞。
白细胞图像分割的挑战在于：(1)不同染色试剂、染色时长等都会导致不同血细胞图像中的白细胞具有颜色差异和个体差异；(2)成像设备参数设置、拍摄环境等可能使得白细胞存在边缘模糊、纹理不清晰、对比度低、含噪声等现象；(3)在标准的染色制备下，白细胞和红细胞以及周围染色杂质有时会发生粘连。
白细胞分割旨在从染色后的人体外周血细胞图像中提取出单个白细胞所在区域，并进而分割出细胞核与细胞质。近年来，国内外学者对白细胞分割问题进行了一系列研究。根据现有白细胞分割方法采用的技术，我们将其归类为有监督的白细胞分割[1]和无监督的白细胞分割[2]。无监督的白细胞分割方法直接根据白细胞的颜色、亮度等特征实现分割。最常用的白细胞分割技术是阈值分割，其它依次为形态学变换、模糊理论、聚类、形变模型、分水岭分割、区域合并、视觉注意模型、边缘检测。有监督的白细胞分割把图像分割问题看待成图像分类问题，先提取训练样本图像的颜色、纹理等特征，然后利用训练样本特征对分类器进行训练，最后利用训练好的分类器对测试样本图像中的像素点进行分类，识别出白细胞所在区域。最常用的有监督白细胞分割技术是支持向量机，其它依次为神经网络、最近邻分类器、极限学习机、随机森林。
现有的血液白细胞图像分割方法分割精度有待进一步提升。为了提高分割精度，本发明提出一种基于自适应直方图阈值化和轮廓检测的白细胞分割方法。
参考文献：
[1]顾广华,崔东.白细胞图像的柔性组合分割算法[J].仪器仪表学报,2008,29(9):1977-1981.
[2]郑馨,王勇,汪国有.EM聚类和SVM自动学习的白细胞图像分割算法[J].数据采集与处理,2013,28(5):614-619.
发明内容
本发明的目的在于提供一种基于自适应直方图阈值和轮廓检测的血液白细胞分割方法，该方法能够提升白细胞分割精度。
为实现上述目的，本发明的技术方案是：一种基于自适应直方图阈值和轮廓检测的血液白细胞分割方法，首先，利用颜色分量组合增强白细胞细胞核的对比度，进而利用自适应直方图阈值化方法实现细胞核的粗分割，定位白细胞，剪裁其所在子图像；然后，利用颜色先验去除每个子图像的背景得到白细胞分割结果，并再次利用自适应直方图阈值化方法分割子图像实现细胞核的精细分割；最后利用白细胞分割结果减去细胞核分割结果得到细胞质分割结果。
在本发明一实施例中，所述利用颜色分量组合增强白细胞细胞核的对比度，进而利用自适应直方图阈值化方法实现细胞核的粗分割，定位白细胞，剪裁其所在子图像的具体实现方式如下：
步骤S11、颜色分量组合：将HSI颜色空间中的饱和度分量、RGB颜色空间中的蓝色和绿色分量进行加权组合，构成新的图像I1，具体定义为：
I1＝S'+k1B-k2G (1)
Figure BDA0002066823210000021
Figure BDA0002066823210000031
公式(1)中，S'表示HSI颜色空间中采用公式(2)归一化后的饱和度分量；B和G分别表示RGB颜色空间中的蓝色和绿色分量；k1和k2分别代表B和G的权重，并且k1的取值根据公式(3)自适应地确定；公式(2)中的Smin和Smax分别表示饱和度分量中的最小值和最大值；公式(3)中，
Figure BDA0002066823210000032
表示向上取整，S0和B0分别代表由自适应直方图阈值方法在S和B分量直方图上确定的阈值；
步骤S12、细胞核的粗分割：首先通过中值滤波抑制图像噪声，然后通过自适应直方图阈值方法提取候选细胞核区域，最后去除小面积的虚假细胞核区域获得细胞核的粗分割结果；所述自适应直方图阈值方法的具体实现方式如下：
step1：计算颜色分量组合图像I的灰度直方图H；
step2：使用Matlab函数findpeaks计算H中所有波峰对应的灰度级，记为g1,g2,...,gN，N代表找到的波峰个数；
step3：计算最高波峰对应的灰度级gM和次高波峰对应的灰度级gSM：
Figure BDA0002066823210000033
Figure BDA0002066823210000034
step4：自适应地确定细胞核分割阈值T：
Figure BDA0002066823210000035
即将位于最高波峰和次高波峰对应灰度区间内出现频次最少的灰度级确定为分割阈值T；
step5：获得细胞核粗分割结果：
Figure BDA0002066823210000036
I1(i,j)表示像素(i,j)的灰度级，T是分割阈值，BT是二值化分割结果；
步骤S13、白细胞定位：
首先利用Matlab函数Regionprops计算分割所得每个白细胞细胞核区域的质心o(x,y)、面积s和周长p，然后按公式(8)～(9)计算等效半径r和圆度c，最后选择一个长和宽均为re的方形区域：
Figure BDA0002066823210000041
Figure BDA0002066823210000042
Figure BDA0002066823210000043
步骤S14、子图像裁剪：将白细胞所在方形区域从原始血细胞图像中裁剪出来。
在本发明一实施例中，所述利用颜色先验去除每个子图像的背景得到白细胞分割结果，并再次利用自适应直方图阈值化方法分割子图像实现细胞核的精细分割的具体实现方式如下：
步骤S21、根据颜色先验知识去除图像背景，其形式化描述为：
Figure BDA0002066823210000044
Figure BDA0002066823210000045
其中，I(i,j,:)和Ib(i,j,:)分别表示原始图像和去除背景后图像中像素点(i,j)的三个颜色分量值；
步骤S22、根据颜色先验从图像Ib中去除红细胞，其形式化描述如下：
Figure BDA0002066823210000046
Figure BDA0002066823210000047
其中，Ibr(i,j,:)是去除了红细胞后的图像；
步骤S23、执行中值滤波器以平滑图像Ibr并去除杂质；
步骤S24、执行Canny边缘检测以获得候选目标轮廓；
步骤S25、从边缘检测结果中获得最大连通区域作为白细胞轮廓；
步骤S26、通过Matlab函数imfill填充白细胞轮廓以获得初始白细胞区域，然后执行Matlab的形态学函数imopen平滑白细胞区域以获得最终的白细胞分割结果。
相较于现有技术，本发明具有以下有益效果：为提高标准和快速制备下白细胞图像的分割精度，本发明提出一种基于自适应直方图阈值化和边缘检测的白细胞分割方法。本发明方法首先通过颜色分量组合增强细胞核的对比度，利用自适应直方图阈值技术对细胞核进行粗分割，进而实现白细胞定位；然后利用颜色先验信息依次剔除图像背景和红细胞，进而执行边缘检测获取最大连通分量作为白细胞初始轮廓；最后，利用图像填充和形态学运算实现白细胞区域的提取，进而获得细胞质分割结果。在标准和快速染色白细胞图像数据集上的实验结果证实了本发明方法对两种制备下的白细胞分割精度均有提升。
附图说明
图1为本发明方法流程图。
图2为颜色分量组合示例：(a)原始图像，(b)S分量，(c)RGB的G分量，(d)RGB的B分量，(e)颜色分量组合图像，(f)子图(b)的直方图及其分割阈值S0，(g)子图(d)的直方图及其分割阈值B0。
图3为白细胞定位和子图像裁剪示例：(a)原始图像，(b)颜色分量组合图像，(c)细胞核的二值分割结果以及每个细胞核的质心，(d)白细胞定位结果，(d4)从(d)中裁剪出的子图像，(e)子图(d4)的颜色分量组合图像，(f)子图(e)的直方图，(g)子图(d4)的二值分割结果。
图4为细胞质分割的算法流程图。
图5为快速染色白细胞分割结果，从左到右依次为：原始图像，手动分割结果，Gu方法[1]分割结果，Zheng方法[2]分割结果，本发明方法的分割结果。
图6为快速染色白细胞分割结果，从左到右依次为：原始图像，手动理想分割结果，Gu方法[1]分割结果，Zheng方法[2]分割结果，本发明方法分割结果。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于自适应直方图阈值和轮廓检测的血液白细胞分割方法，首先，利用颜色分量组合增强白细胞细胞核的对比度，进而利用自适应直方图阈值化方法实现细胞核的粗分割，定位白细胞，剪裁其所在子图像；然后，利用颜色先验去除每个子图像的背景得到白细胞分割结果，并再次利用自适应直方图阈值化方法分割子图像实现细胞核的精细分割；最后利用白细胞分割结果减去细胞核分割结果得到细胞质分割结果。
以下具体描述本发明的实现过程。
1白细胞定位
白细胞定位旨在提取血细胞图像中白细胞所在的图像子窗口，为后续的白细胞分割奠定基础。白细胞定位的详细过程如下：
1)颜色分量组合：将HSI颜色空间中的饱和度(Saturation)分量和RGB颜色空间中的蓝色(Blue)和绿色(Green)分量进行加权组合，构成新的图像I1，具体定义为：
I1＝S'+k1B-k2G (1)
Figure BDA0002066823210000061
Figure BDA0002066823210000062
公式(1)中，S'表示HSI颜色空间中采用公式(2)归一化后的饱和度分量；B和G分别表示RGB颜色空间中的蓝色和绿色分量；k1和k2分别代表B和G的权重，并且k1的取值根据公式(3)自适应地确定；公式(2)中的Smin和Smax分别表示饱和度分量中的最小值和最大值；公式(3)中，
Figure BDA0002066823210000063
表示向上取整，S0(见图2(f))和B0(见图2(g))分别代表由自适应直方图阈值方法在S和B分量直方图上确定的阈值；
2)细胞核的粗分割：首先通过中值滤波抑制图像噪声，然后通过自适应直方图阈值方法(Adaptivehistogramthresholding,AHT)提取候选细胞核区域，最后去除小面积的虚假细胞核区域获得细胞核的粗分割结果；结合图3，对AHT方法的具体步骤阐述如下：
step1：计算颜色分量组合图像I(如图3(g)所示)的灰度直方图H；
step2：使用Matlab函数findpeaks计算H中所有波峰对应的灰度级，记为g1,g2,...,gN，N代表找到的波峰个数；
step3：计算最高波峰对应的灰度级gM和次高波峰对应的灰度级gSM：
Figure BDA0002066823210000064
Figure BDA0002066823210000065
图3(f)给出了图3(e)对应灰度直方图三个波峰对应的灰度级位置g1、g2和g3。
step4：自适应地确定细胞核分割阈值T：
Figure BDA0002066823210000071
即将位于最高波峰和次高波峰对应灰度区间内出现频次最少的灰度级确定为分割阈值T；
step5：获得细胞核粗分割结果：
Figure BDA0002066823210000072
I1(i,j)表示像素(i,j)的灰度级，T是分割阈值，BT是二值化分割结果，如图3(g)所示。
3)白细胞定位：
首先利用Matlab函数Regionprops计算分割所得每个白细胞细胞核区域的质心o(x,y)(见图3(c)中的点)、面积s和周长p，然后按公式(8)～(9)计算等效半径r和圆度c，最后选择一个长和宽均为re的方形区域：
Figure BDA0002066823210000073
Figure BDA0002066823210000074
Figure BDA0002066823210000075
4)子图像裁剪：将白细胞所在方形区域从原始血细胞图像中裁剪出来，如图3(d)所示，方形区域表示白细胞所在子图像，图3(d4)是从图3(d)中裁剪出来的子图像之一。
2细胞核分割
本发明方法在实现白细胞定位时在整幅血细胞图像上执行了细胞核粗分割，但那时细胞核的分割可能受到红细胞和染色杂质的干扰而导致分割精度有待提高。这里，再次把自适应直方图阈值方法执行在剪裁后的白细胞子图像上，以获得更准确的细胞核分割结果。
3细胞质分割
白细胞由细胞核与细胞质构成，细胞质围绕细胞核。前述步骤实现了细胞核的分割，接下来的任务便是分割细胞质。白细胞细胞质的分割流程如图4所示，具体分割过程如下：
1)根据颜色先验知识去除图像背景，其形式化描述为：
Figure BDA0002066823210000081
Figure BDA0002066823210000082
其中，I(i,j,:)和Ib(i,j,:)分别表示原始图像和去除背景后图像中像素点(i,j)的三个颜色分量值，处理结果如图4(b)所示。
2)根据颜色先验从图像Ib中去除红细胞，其形式化描述如下：
Figure BDA0002066823210000083
Figure BDA0002066823210000084
其中，Ibr(i,j,:)是去除了红细胞后的图像，处理结果如图4(c)所示。
3)执行中值滤波器以平滑图像Ibr并去除杂质，处理结果如图4(d)所示。
4)执行Canny边缘检测以获得候选目标轮廓，处理结果如图4(e)所示。
5)从边缘检测结果中获得最大连通区域作为白细胞轮廓，结果如图4(f)所示。
6)通过Matlab函数imfill填充白细胞轮廓以获得初始白细胞区域，然后执行Matlab的形态学函数imopen平滑白细胞区域以获得最终的白细胞分割结果，处理结果如图4(g)所示。
7)将所得白细胞区域减去细胞核区域即可获得细胞质区域，结果如图4(h)所示。
为了评价白细胞分割算法的性能，我们在100幅快速染色血液白细胞图像构成的数据集和60幅标准染色血液白细胞图像构成的数据集上进行了实验。每幅快速染色白细胞图像大小为120×120，每幅标准染色白细胞图像大小为260×260，每幅图像的手动理想分割结果由医院血检科医生给出。本发明方法首先与已有的两种白细胞分割方法(Gu方法[1]和Zheng方法[2])分别在8幅代表性快速染色图像、8幅标准染色图像上进行了分割精度的定性比较；然后，利用四个常见的分割测度对分割算法在两个数据集上的平均分割精度进行了定量的比较。这四个测度是错分类误差(Misclassification error,ME)、假正率/虚警率(False positive rate,FPR)、假负率(False negative rate,FNR)以及kappa指数(Kappa index,KI)，其定义如下：
Figure BDA0002066823210000091
Figure BDA0002066823210000092
Figure BDA0002066823210000093
Figure BDA0002066823210000094
其中，Bm和Fm分别代表手动理想分割结果的背景和目标，Ba和Fa分别代表自动分割算法所得分割结果中的背景和目标，|·|代表集合中元素的个数。四个测度的取值范围均为0～1。越低的ME、FPR和FNR值代表越好的分割效果，越高的KI值代表越好的分割效果。所有实验均在一台CPU为2.39GHz Intel Xeon W3503、内存6G的台式机上进行。
1参数选择
本发明方法最重要的参数是公式(1)中的k2，其用于增强细胞核区域而进行颜色分量组合时调整G分量的组合权重。以两个数据集上所有白细胞图像作为测试对象，我们探讨了参数k2对本发明方法分割精度的影响，其中，k2取自集合{1,3,5}，不同参数取值下本发明方法的ME,FPR,FNR,KI测度结果如表1所示。从表1可见，当k2＝3时，本发明方法获得最低的平均ME、FPR、FNR值和最高的KI值，对应分割精度最高。
表1参数k2对两个数据集所有图像平均分割精度的影响
k<sub>2</sub> ME FPR FNR KI
1 0.049 0.051 0.040 0.942
3 0.047 0.051 0.038 0.944
5 0.048 0.052 0.038 0.943
2定性比较
为了定性地比较三种白细胞分割方法的分割效果，进行了两组实验，分别对8幅快速染色白细胞图像和8幅标准染色白细胞图像进行分割，结果如图5和图6所示。
图5展示了在快速染色条件下8幅白细胞图像的分割结果。这些图像没有完整的红细胞，只有一些红细胞碎片。因此，这些图像不会受到细胞粘连的影响。在图5中，从左到右的五列分别展示了原始图像，手动分割结果，Gu方法的分割结果，Zheng方法的分割结果，本发明方法的分割结果。对于白细胞分割，图5表明：(1)Gu方法在图5(a)，(c)，(d)，(e)，(g)，(h)中产生了欠分割的结果，而在图5(b)，(f)中产生了过分割。(2)Zheng方法基本上对所有图像都产生了过分割。(3)本发明方法比其他两种方法获得了更好的分割结果，但是它仍然在一些图像上产生了轻微的过分割。对于白细胞核分割而言，本发明方法在8幅图像上都获得了良好的分割结果。Gu方法仅在图5(d)，(e)，(h)上获得了比较满意的结果。它在图5(a)，(b)，(c)，(f)上产生了欠分割，在图5(g)中产生了过分割的结果。Zheng的方法在图5(e)，(g)上获得了比较满意的结果。在图5(a)-(c)，(f)和(h)上产生了欠分割，在图5(d)上产生了过分割
图6展示了在标准染色制备下8幅白细胞图像的分割结果，图中从左到右的五列分别展示了原始图像、手动理想分割结果、Gu方法[1]、Zheng方法[2]和本发明方法的分割结果。就白细胞的分割而言，从图6可见，Gu方法在图6(f)和(g)上产生了欠分割，而在图6(a)、(d)、(e)和(h)上产生了过分割；Zheng方法对大部分图像产生了过分割；本发明方法通常比其他两种算法分割效果更好，但它仍然在图6(d)和(g)上产生了轻微的过分割。就细胞核分割而言，Gu方法仅在图6(a)、(c)-(d)、(f)-(g)上获得了比较满意的分割效果，在图6(b)、(e)和(h)上产生了欠分割；Zheng方法在图6(c)、(e)和(h)上获得了比较满意的分割效果，但在图6(a)-(b)、(d)和(f)上产生了欠分割，在图6(g)上产生了过分割；本发明方法在8幅图上都取得了良好的分割效果
3定量比较
为了对三种方法(即Gu方法[1]、Zheng方法[2]和本发明方法)进行分割精度的定量比较，我们在由100幅快速染色白细胞图像构成的数据集和由60幅标准染色白细胞图像构成的数据集上进行了实验，用ME、FPR、FNR和KI四种测度对分割结果进行定量评价。表2和表3分别展示了快速染色数据集上白细胞和细胞核分割结果的定量评价结果；表4和表5分别展示了标准染色数据集上白细胞和细胞核分割结果的定量评价结果；每列数据中最好的测度值进行了加粗展示。从表2和表3可以看到，对快速染色图像的平均分割性能而言，本发明方法取得了最低的ME值和最高的KI值，均说明本发明方法的分割效果最佳；本发明方法对应的FPR值也最小，说明本发明方法过分割现象最轻微；本发明方法对应的FNR值比Zheng方法对应FNR值稍大，说明本发明方法比Zheng方法存在更严重的欠分割问题；Zheng方法欠分割现象最轻，是因为其存在严重的过分割问题导致的。从表4和表5可以看到，对标准染色图像的平均分割性能而言，本发明方法取得了最低的ME、FPR、FNR值，最高的KI值，均说明本发明方法的分割效果最佳。
表2快速染色数据集上白细胞分割结果的定量比较
Figure BDA0002066823210000101
Figure BDA0002066823210000111
表3快速染色数据集上细胞核分割结果的定量比较
ME FPR FNR KI
Gu方法<sup>[1]</sup> 0.086 0.081 0.124 0.750
Zheng方法<sup>[2]</sup> 0.021 0.007 0.121 0.914
本发明方法 0.013 0.002 0.097 0.940
表4标准染色数据集上白细胞分割结果的定量比较
ME FPR FNR KI
Gu<sup>[1]</sup> 0.152 0.179 0.108 0.817
Zheng<sup>[2]</sup> 0.149 0.206 0.050 0.841
本发明方法 0.048 0.051 0.038 0.944
表5标准染色数据集上细胞核分割结果的定量比较
ME FPR FNR KI
Gu<sup>[1]</sup> 0.048 0.024 0.132 0.886
Zheng<sup>[2]</sup> 0.151 0.161 0.146 0.740
本发明方法 0.048 0.052 0.037 0.943
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (1)

1.一种基于自适应直方图阈值和轮廓检测的血液白细胞分割方法，其特征在于，首先，利用颜色分量组合增强白细胞细胞核的对比度，进而利用自适应直方图阈值化方法实现细胞核的粗分割，定位白细胞，剪裁其所在子图像；然后，利用颜色先验去除每个子图像的背景得到白细胞分割结果，并再次利用自适应直方图阈值化方法分割子图像实现细胞核的精细分割；最后，利用白细胞分割结果减去细胞核分割结果得到细胞质分割结果；
所述利用颜色分量组合增强白细胞细胞核的对比度，进而利用自适应直方图阈值化方法实现细胞核的粗分割，定位白细胞，剪裁其所在子图像的具体实现方式如下：
步骤S11、颜色分量组合：将HSI颜色空间中的饱和度分量、RGB颜色空间中的蓝色和绿色分量进行加权组合，构成新的图像I1，具体定义为：
I1＝S'+k1B-k2G (1)
Figure FDA0003012639830000011
Figure FDA0003012639830000012
公式(1)中，S'表示HSI颜色空间中采用公式(2)归一化后的饱和度分量；B和G分别表示RGB颜色空间中的蓝色和绿色分量；k1和k2分别代表B和G的权重，并且k1的取值根据公式(3)自适应地确定；公式(2)中的Smin和Smax分别表示饱和度分量中的最小值和最大值；公式(3)中，
Figure FDA0003012639830000013
表示向上取整，S0和B0分别代表由自适应直方图阈值方法在S和B分量直方图上确定的阈值；
步骤S12、细胞核的粗分割：首先通过中值滤波抑制图像噪声，然后通过自适应直方图阈值方法提取候选细胞核区域，最后去除小面积的虚假细胞核区域获得细胞核的粗分割结果；所述自适应直方图阈值方法的具体实现方式如下：
step1：计算颜色分量组合图像I1的灰度直方图H；
step2：使用Matlab函数findpeaks计算H中所有波峰对应的灰度级，记为g1,g2,...,gN，N代表找到的波峰个数；
step3：计算最高波峰对应的灰度级gM和次高波峰对应的灰度级gSM：
Figure FDA0003012639830000021
Figure FDA0003012639830000022
step4：自适应地确定细胞核分割阈值T：
Figure FDA0003012639830000023
即将位于最高波峰和次高波峰对应灰度区间内出现频次最少的灰度级确定为分割阈值T；
step5：获得细胞核粗分割结果：
Figure FDA0003012639830000024
I1(i,j)表示像素(i,j)的灰度级，T是分割阈值，BT是二值化分割结果；
步骤S13、白细胞定位：
首先利用Matlab函数Regionprops计算分割所得每个白细胞细胞核区域的质心o(x,y)、面积s和周长p，然后按公式(8)～(9)计算等效半径r和圆度c，最后选择一个长和宽均为re的方形区域：
Figure FDA0003012639830000025
Figure FDA0003012639830000026
Figure FDA0003012639830000027
步骤S14、子图像裁剪：将白细胞所在方形区域从原始血细胞图像中裁剪出来；
所述利用颜色先验去除每个子图像的背景得到白细胞分割结果，并再次利用自适应直方图阈值化方法分割子图像实现细胞核的精细分割的具体实现方式如下：
步骤S21、根据颜色先验知识去除图像背景，其形式化描述为：
Figure FDA0003012639830000028
Figure FDA0003012639830000031
其中，I(i,j,:)和Ib(i,j,:)分别表示原始图像和去除背景后图像中像素点(i,j)的三个颜色分量值；
步骤S22、根据颜色先验从图像Ib中去除红细胞，其形式化描述如下：
Figure FDA0003012639830000032
Figure FDA0003012639830000033
其中，Ibr(i,j,:)是去除了红细胞后的图像；
步骤S23、执行中值滤波器以平滑图像Ibr并去除杂质；
步骤S24、执行Canny边缘检测以获得候选目标轮廓；
步骤S25、从边缘检测结果中获得最大连通区域作为白细胞轮廓；
步骤S26、通过Matlab函数imfill填充白细胞轮廓以获得初始白细胞区域，然后执行Matlab的形态学函数imopen平滑白细胞区域以获得最终的白细胞分割结果。
CN201910426321.0A 2019-05-21 2019-05-21 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 Expired - Fee Related CN110120056B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910426321.0A CN110120056B (zh) 2019-05-21 2019-05-21 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法
NL2024774A NL2024774B1 (en) 2019-05-21 2020-01-28 Blood leukocyte segmentation method based on adaptive histogram thresholding and contour detection

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910426321.0A CN110120056B (zh) 2019-05-21 2019-05-21 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法

Publications (2)

Publication Number Publication Date
CN110120056A CN110120056A (zh) 2019-08-13
CN110120056B true CN110120056B (zh) 2021-08-10

Family

ID=67523029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910426321.0A Expired - Fee Related CN110120056B (zh) 2019-05-21 2019-05-21 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法

Country Status (2)

Country Link
CN (1) CN110120056B (zh)
NL (1) NL2024774B1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179273A (zh) * 2019-12-30 2020-05-19 山东师范大学 一种基于深度学习的白细胞核质自动分割方法及系统
CN111311628A (zh) * 2020-02-11 2020-06-19 张云超 一种全自动高性能白细胞分割方法
CN111462084B (zh) * 2020-03-31 2023-05-23 上海大学 基于随机森林的图像矢量化印刷出血点预测系统和方法
CN111539354B (zh) * 2020-04-27 2020-12-15 易普森智慧健康科技（深圳）有限公司 一种液基细胞玻片扫描区域识别方法
CN111458269A (zh) * 2020-05-07 2020-07-28 厦门汉舒捷医疗科技有限公司 一种外周血淋巴微核细胞图像人工智能识别方法
WO2023019555A1 (zh) * 2021-08-20 2023-02-23 深圳先进技术研究院 细胞荧光图像阈值化方法、系统、终端及存储介质
CN113658208A (zh) * 2021-08-23 2021-11-16 师大瑞利光电科技(清远)有限公司 一种自适应阈值的细胞图像分割方法
CN117425914A (zh) * 2022-05-17 2024-01-19 京东方科技集团股份有限公司 细胞图像处理方法、电子设备以及存储介质
CN114937018A (zh) * 2022-05-30 2022-08-23 福建师范大学 基于颜色空间体积和超像素的白细胞分割方法
CN116883323A (zh) * 2023-06-16 2023-10-13 中国医学科学院肿瘤医院 一种基于计算机视觉的多重免疫荧光图像分析系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4183046A (en) * 1978-08-17 1980-01-08 Interpretation Systems Incorporated Electronic apparatus for converting digital image or graphics data to color video display formats and method therefor
EP0664038B1 (en) * 1992-02-18 2000-10-11 Neopath, Inc. Method for identifying objects using data processing techniques
US5293579A (en) * 1992-02-18 1994-03-08 Ray Dream, Inc. Method and apparatus for smoothing jagged edges in a graphics display
CN103473739B (zh) * 2013-08-15 2016-06-22 华中科技大学 一种基于支持向量机的白细胞图像精确分割方法与系统
CN103985119B (zh) * 2014-05-08 2017-01-18 山东大学 一种彩色血细胞图像中白细胞的细胞质和细胞核分割方法
CN104505052B (zh) * 2014-09-18 2017-01-25 深圳市华星光电技术有限公司 图像数据处理方法及装置
CN105338262B (zh) * 2015-10-09 2018-09-21 浙江大华技术股份有限公司 一种热成像图像处理方法及装置
EP3920133A1 (en) * 2015-12-31 2021-12-08 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing
US10546195B2 (en) * 2016-12-02 2020-01-28 Geostat Aerospace & Technology Inc. Methods and systems for automatic object detection from aerial imagery

Also Published As

Publication number Publication date
NL2024774B1 (en) 2020-12-01
CN110120056A (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
CN110120056B (zh) 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法
CN112070772B (zh) 基于UNet++和ResNet的血液白细胞图像分割方法
Tosta et al. Segmentation methods of H&E-stained histological images of lymphoma: A review
CN110148126B (zh) 基于颜色分量组合和轮廓拟合的血液白细胞分割方法
Shahin et al. A novel white blood cells segmentation algorithm based on adaptive neutrosophic similarity score
CN108257124B (zh) 一种基于图像的白细胞计数方法和系统
Alreza et al. Design a new algorithm to count white blood cells for classification leukemic blood image using machine vision system
JP7326316B2 (ja) 細胞学的試料中の少なくとも１つの異常を有する細胞を検出するための方法
Kaur et al. Neural network technique for diabetic retinopathy detection
Beevi et al. Detection of mitotic nuclei in breast histopathology images using localized ACM and Random Kitchen Sink based classifier
Sudha et al. A novel approach for segmentation and counting of overlapped leukocytes in microscopic blood images
Rachna et al. Detection of Tuberculosis bacilli using image processing techniques
Anari et al. Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma
CN113850792A (zh) 一种基于计算机视觉的细胞分类计数方法及系统
Patgiri et al. Red blood cell and sickle cell detection from microscopic blood images of sickle cell anemic patient
Saxena et al. Study of Computerized Segmentation & Classification Techniques: An Application to Histopathological Imagery
Rege et al. Automatic leukemia identification system using otsu image segmentation and mser approach for microscopic smear image database
Ruberto et al. A leucocytes count system from blood smear images.
Taher et al. Extraction of sputum cells using thresholding techniques for lung cancer detection
Rahmadwati et al. Morphological characteristics of cervical cells for cervical cancer diagnosis
Pavithra et al. White blood cell analysis using watershed and circular hough transform technique
Ghosh et al. Development of hedge operator based fuzzy divergence measure and its application in segmentation of chronic myelogenous leukocytes from microscopic image of peripheral blood smear
Ram et al. Symmetry-based detection of nuclei in microscopy images
Li et al. Inflammatory cells detection in h&e staining histology images using deep convolutional neural network with distance transformation
CN113052806B (zh) 一种癌变程度分级系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230109

Address after: Room 201, Building 1, No. 3, Xiankun Road, Jianye District, Nanjing City, Jiangsu Province, 210019

Patentee after: Jiangsu Gufan Intelligent Technology Co.,Ltd.

Address before: 200 xiyuangong Road, Shangjie Town, Minhou County, Fuzhou City, Fujian Province

Patentee before: MINJIANG University

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210810