CN115841440A

CN115841440A - 一种基于轮廓瓶颈检测的粘连与重叠细胞分离方法

Info

Publication number: CN115841440A
Application number: CN202111103097.5A
Authority: CN
Inventors: 王振洲
Original assignee: Shandong University of Technology
Current assignee: Shandong University of Technology
Priority date: 2021-09-18
Filing date: 2021-09-18
Publication date: 2023-03-24

Abstract

本发明公开了一种基于图像处理的粘连与重叠细胞分离方法。通过多阈值分割与融合方法计算细胞前景与背景二值图像，通过粘连与重叠细胞连通域的凸包计算其凹陷部分，通过粘连与重叠细胞连通域轮廓上各个点与中心点的距离分布计算其斜率差特征点，通过分布在面积最大的两个凹陷部分的斜率差特征点计算其瓶颈点，通过连接两个瓶颈点的直线分离粘连与重叠细胞，最后通过分水岭算法计算所有单个细胞的轮廓。本发明克服了深度学习方法的欠分割现象以及传统方法的过分割现象，对粘连与重叠细胞的分割精度更高。

Description

一种基于轮廓瓶颈检测的粘连与重叠细胞分离方法

技术领域

本发明涉及一种基于图像处理的粘连与重叠细胞分离方法，特别是涉及一种通过多阈值分割与融合得到细胞背景与前景二值图像，通过粘连与重叠细胞连通域的凸包与粘连与重叠细胞连通域的差值求解粘连与重叠细胞连通域的凹陷部分，通过粘连与重叠细胞连通域轮廓与中心点的距离分布求解其斜率差分布特征点，通过分布在面积最大的两个凹陷部分的斜率差分布特征点计算瓶颈点，通过连接两个瓶颈点的直线分离粘连与重叠细胞，属于图像处理技术领域。

背景技术

显微成像技术的飞速发展，产生了大量生物学图像数据，从而推动了生物成像信息学的蓬勃发展。通过图像分析细胞的动态行为，可以帮助理解健康与疾病的生理学过程，开发有效药物。此外，监测治疗细胞群的位置，分布与长期行为是肿瘤学研究与临床实践利用肿瘤靶向细胞治疗策略的重要环节。为了监测与定量分析细胞功能及其分布情况，就需要对时间推移图像序列中大量的细胞进行分割与跟踪。由于细胞与图像的数量巨大，使得人工分割与跟踪变得无能为力。而开发自动的细胞分割与跟踪的方法，面临巨大的挑战。其中包括：(1),多种多样的细胞类型具有不同的形状，灰度分布，面积以及边缘信息。(2),细胞之间的相互粘连与重叠。虽然细胞分割与跟踪的方法已经被研究了50多年，然而上述问题仍未得到有效解决，请参考文献Meijering E. Cell segmentation: 50 years downthe road," IEEE Signal Processing Magazine, Vol. 29, pp. 140-145, 2012；陆建峰, 杨静宇, 唐振民, 叶玉坤, & 汪栋. 重叠细胞图像分离算法的设计. 计算机研究与 发展，02, 228-232，2000；傅蓉, 申洪, & 陈浩. 基于凹点搜寻的重叠细胞图像自动分离的算法研究. journal6, 43(017), 21-23， 2007。

在过去的几十年中，涌现出很多对细胞或颗粒进行分割的方法或者软件。其中包括：(1),Cellsegm方法 (请参考文献Hodneland E, Kögel T, Frei DM, Gerdes HH,Lundervold A. CellSegm - a MATLAB toolbox for high-throughput 3D cellsegmentation. Source Code for Biology and Medicine 2013; 8(1): 16。)； (2),SMASH方法 (请参考文献Smith LR, Barton ER. SMASH： semi-automatic muscleanalysis using segmentation of histology: a MATLAB application.SkeletalMuscle 2014; 4: 21。)； (3), ImageJ 软件工具(请参考文献Schneider CA, RasbandWS, Elicieri LW. NIH Image to ImageJ: 25 years of image analysis. NatureMethods 2012; 9: 671-675。)； (4), CellProfiler方法 (请参考文献Carpenter AE,Jones TR, Lamprecht MR, Clarke C, Kang IH, Friman O, Guertin DA, Chang JH,Lindquist RA, Moffat J, Golland P, Sabatini DM，CellProfiler: image analysissoftware for identifying and quantifying cell phenotypes. Genome Biology.2006;7 (10): R100。)。而无一例外，这些方法或软件工具都采用了终极腐蚀与分水岭算法分离相互粘连与重叠的细胞，它们都无法避免过分割现象。近几年，深度学习在图像识别领域取得了与人眼相似的识别能力，然而深度学习仍然无法很好地解决细胞分割与跟踪问题，特别是当细胞相互粘连与重叠严重时，深度学习的分割结果精度非常低，通常存在严重的欠分割现象。

本发明利用细胞连通域轮廓信息分离相互粘连与重叠的细胞，通过斜率差分布特征点在细胞连通域凹陷部分的分布情况求解出细胞连通域轮廓的瓶颈点，通过连接瓶颈点的直线分离粘连与重叠细胞。与传统的终极腐蚀算法以及近期的深度学习方法相比，本发明可以更加有效地解决粘连与重叠细胞的分离问题。

发明内容

本发明的目的是针对现有图像分割方法无法对粘连与重叠细胞进行鲁棒的分离，提供一种基于轮廓瓶颈检测的粘连与重叠细胞分离方法，该方法首先通过多阈值分割与融合方法得到细胞背景与前景的二值图像，通过粘连与重叠细胞连通域凸包与粘连与重叠细胞连通域的差值得到粘连与重叠细胞连通域的凹陷部分，通过细胞轮廓与中心点的距离分布计算细胞轮廓的斜率差分布特征点，再根据斜率差分布特征点在细胞轮廓凹陷部分的分布情况选取瓶颈点，通过连接两个瓶颈点的直线分离粘连与重叠细胞。

为了实现上述发明的目的，本发明采用下述技术方案实现：

第一步，首先对输入的细胞图像进行基于细胞面积的多阈值分割与融合，得到细胞图像的二值图像。

第二步，对细胞二值图像中的连通域进行标记。根据连通域的标记号码，依次取出每个连通域进行处理。首先计算该连通域的凸包，再从凸包中减去该连通域，得到该连通域的凹陷部分。如果该连通域凹陷部分的数量小于2，则该连通域为单个细胞。如果该连通域凹陷部分的数量大于或等于2，则该连通域为多个粘连与重叠细胞。对于每个由多个粘连与重叠细胞的连通域，通过第三步进行分割。

第三步，对于每个由多个粘连与重叠细胞的连通域，首先计算其中心点与轮廓，通过计算中心点与轮廓上每个点的距离，得到该连通域轮廓的距离分布。通过距离分布，计算出该连通域轮廓的斜率差分布特征点。分别计算出分布在面积最大凹陷部分的斜率差特征点与分布在面积第二大凹陷部分的斜率差特征点。计算分布在两大不同凹陷部分的任意两个斜率差特征点的距离，其中距离最近的两个斜率差特征点为连通域轮廓瓶颈点。通过连接两个瓶颈点的直线，将连通域分割为两个部分。

第四步，依次计算两部分连通域的凹陷部分，如果连通域的凹陷部分小于2，那么该连通域为单个细胞的连通域。如果连通域的凹陷部分大于或等于2，那么该连通域为多个粘连与重叠细胞的连通域，跳到第三步进行再次分割。

第五步，通过计算出所有单个细胞在图像中坐标位置与分水岭算法，计算所有单个细胞的边界轮廓。

本发明与现有技术相比，有如下优点：

与深度学习方法不同，不需要大量训练样本，就可以对粘连与重叠细胞进行高精度与高效率的分离。本发明通过计算的细胞轮廓凹陷部分的数量判断是单个细胞还是多个粘连与重叠细胞，有效避免传统方法所采用的分水岭算法中常见的过分割现象。

附图说明

图1为本发明的细胞分割总体流程图。

图2为本发明的基于轮廓瓶颈检测的粘连与重叠细胞分离算法流程图。

具体实施方式

下面根据附图与工作原理，对本发明进行详细说明。

附图1是本发明的细胞分割总体流程图，具体实施如下。

首先，通过基于细胞面积的多阈值分割与融合方法，得到细胞图像的前景与背景二值图像，基于细胞面积的多阈值分割与融合方法包括如下步骤：

步骤1：根据经验知识或根据细胞图像直方图的斜率差分布，确定两个分割阈值，T _l与T _h。

步骤2：根据经验知识或根据细胞图像分析，确定两个面积阈值，A _l与A _h。

步骤3：通过下列方程对细胞图像进行分割与融合：

(1)

其中i=1,2,…,M，S _i表示第i个细胞前景分割结果，M表示从T _l到T _h之间的阈值个数。

对S _i中的连通域进行标记，第k个连通域用下式表示：

(2)

第k个连通域的面积由下式表示：

(3)

所有面积大于或等于A _l并且小于或等于A _h的连通域集合由下式表示：

(4)

其中M _i表示S _i中连通域的个数，所有分割图像{S ₁ , S ₂ ,…, S _M}中的连通域集合由下式计算：

(5)

最终的所有分割结果的融合结果由下式计算：

(6)

其次，标记融合结果中所有的连通域，得到由不同号码标记的连通域组成的图像，通过本发明的基于轮廓瓶颈检测的粘连与重叠细胞分离算法，得到所有单个细胞的连通域，再通过分水岭算法，得到所有单个细胞的轮廓。

附图2是本发明的基于轮廓瓶颈检测的粘连与重叠细胞分离算法流程图，具体实施如下。

步骤1：依次选取标记的连通域，对于每个选取的单个连通域，计算其凸包，通过从连通域的凸包中减去原来的连通域，得到连通域的凹陷部分。如果凹陷部分的数量小于2，那么这个连通域属于单个细胞，存储这个连通域。

步骤2：如果这个连通域的凹陷部分的数量大于或等于2，选择面积最大的两个凹陷部分，并且通过如下方法求解连通域轮廓的斜率差分布特征点(X ^F, Y ^F)：

首先，对连通域进行形态学腐蚀，直至其面积小于原来面积的十分之一，计算被腐蚀后的连通域的中心(x _c, y _c)为：

(7)

其中是(x _i, y _i)被腐蚀后连通域中第i个像素的坐标，连通域轮廓的距离分布d _j由下式计算：

(8)

其中是(x _j, y _j)是初始连通域轮廓上第j个像素点的坐标,L表示初始连通域轮廓上像素点的总数。

距离分布的斜率差分布由下列方程求得：

对于距离分布上的第j个点(j, d _j)，在其左侧选择N个点(x, d _j)；x =j，x =j-1，…, x =j-N+1，在其右侧选择N个点(x, d _j)；x =j，x =j+1，…, x =j+N-1，分别拟合两条直线：

(9)

其中a是拟合直线的斜率，b是变量系数，它们由下列方程求得：

　　　 (10)

or

　 (11)

(12)

左侧拟合直线的斜率由a _l表示，右侧拟合直线的斜率由a _r表示，那么点(j, d _j)的斜率差s(i)由下式计算：

(13)

上式计算的斜率差s(j)是离散形式的，其连续形式被称为斜率差分布。对斜率差分布求导数并且让其等于0：

(14)

通过求解上式，得到斜率差分布的谷值对应的位置V={ v ₁, v ₂,…, v _K}，那么斜率差分布特征点(X ^F, Y ^F)由下式求得：

(15)

其中K表示斜率差分布谷值的个数。

步骤3：分别通过交集，得到分布在两个凹陷区域的斜率差分布特征点，计算分布在不同凹陷部分的斜率差分布特征点的距离，选择距离最近的两个斜率差分布特征点为瓶颈点，并且计算通过两个瓶颈点的直线方程，利用过瓶颈点的直线将连通域分离为两部分，从而得到两个连通域，将两个连通域进行标记，得到两个标记的连通域，再跳到步骤1。

Claims

1.一种基于图像处理的粘连与重叠细胞的分离方法，其特征是通过图像处理技术从不同类型的细胞图像中自动鲁棒地分离粘连与重叠细胞，首先通过多阈值分割与融合方法，得到细胞的前景与背景二值图像，再通过依次处理二值图像中的每个连通域，得到所有单个细胞的连通域，最后通过分水岭算法，得到所有单个细胞的轮廓，对于粘连与重叠细胞的连通域，首先通过连通域凸包与连通域的差，求得连通域的凹陷部分，再通过粘连与重叠细胞连通域轮廓的距离分布，求得连通域的斜率差分布特征点，然后通过分布在两个面积最大凹陷部分的斜率差分布特征点，求得粘连与重叠细胞连通域轮廓的两个瓶颈点，最后通过连接经过两个瓶颈点的直线，将粘连与重叠细胞的连通域分离为两部分，得到单个细胞的连通域。

2.按照权利要求1所述的方法，其特征在于所描述的图像处理技术是通过经验知识或细胞图像直方图的斜率差分布，确定分割阈值的最大值与最小值。

3.按照权利要求1所述的方法，其特征在于所描述的图像处理技术是通过所有单个细胞的连通域与分水岭算法，得到所有单个细胞的轮廓。

4.按照权利要求1所述的方法，其特征在于所描述的图像处理技术是通过连通域凸包与连通域的差，求得连通域的凹陷部分。

5.按照权利要求1所述的方法，其特征在于所描述的图像处理技术是通过粘连与重叠细胞连通域轮廓的距离分布，求得粘连与重叠细胞连通域的斜率差分布特征点。

6.按照权利要求1所述的方法，其特征在于所描述的图像处理技术是通过分布在两个面积最大凹陷部分的斜率差分布特征点，求得粘连与重叠细胞连通域轮廓的两个瓶颈点。

7.按照权利要求1所述的方法，其特征在于所描述的图像处理技术是通过连接经过两个瓶颈点的直线，将粘连与重叠细胞的连通域分离为两部分，从而得到单个细胞的连通域。