本發(fā)明屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，涉及一種適用于無幀間參考信息的相差顯微鏡細(xì)胞主要信息粘連情況的分離與分組方法。

背景技術(shù)：

當(dāng)前在相差顯微鏡細(xì)胞檢測和分割領(lǐng)域，通常假設(shè)目標(biāo)的區(qū)域具有內(nèi)部一致性的特點，即目標(biāo)內(nèi)部的灰度、顏色或者其他特征是均勻分布。主要采用閾值的方法對目標(biāo)區(qū)域進(jìn)行直接分割，或者采用主動輪廓模型得到目標(biāo)的封閉區(qū)域。一般閾值相關(guān)方法的思想主要是直接調(diào)節(jié)并得到最佳閾值，從而能夠直接得到目標(biāo)的區(qū)域。主動輪廓模型的方法是在假定目標(biāo)內(nèi)部一致性的前提之下，增加了目標(biāo)具有較強梯度邊界的假設(shè)，從而優(yōu)化目標(biāo)函數(shù)，從初始狀態(tài)開始演化曲線，最終能夠形成局部的封閉區(qū)域。但是主動輪廓模型無法對粘連的細(xì)胞進(jìn)行有效的區(qū)分，其結(jié)果通常會把粘連的細(xì)胞置于同一個封閉區(qū)域中。另外的一類方法是對圖像進(jìn)行分片處理，即將原始較大的圖像劃分出連續(xù)的局部區(qū)域塊。這類算法，包括超像素劃分(Super-Pixel)和UCM(Ultra-metric Contour Map)。前一種先在整幅圖上均勻地放置一些種子點，然后構(gòu)建局部一致性的區(qū)塊，再通過半監(jiān)督學(xué)習(xí)的方式或者譜聚類的方式，對這些局部區(qū)塊進(jìn)行一個分類，從而能夠構(gòu)建更具體的分割區(qū)塊。后一種是通過隨機森林的方式對已標(biāo)記的像素級訓(xùn)練集訓(xùn)練出一個模型。訓(xùn)練集中正樣本為目標(biāo)邊界像素，負(fù)樣本為非邊界像素。得到的分類概率圖通過一系列的變換，能夠形成基于邊界信息的局部區(qū)域塊，再通過MCG(Multiple Combinatorial Grouping)算法對局部的區(qū)域塊進(jìn)行融合操作。相差顯微細(xì)胞的邊界和內(nèi)部都不具有明顯的一致性，即細(xì)胞內(nèi)部灰度值的偏差很大且細(xì)胞邊界的清晰度不夠顯著，很多部位與背景相粘連。

技術(shù)實現(xiàn)要素：

為了克服已有相差顯微鏡細(xì)胞圖像檢測和分割上較難處理的不足，本發(fā)明提供了一種有效處理相差顯微鏡細(xì)胞圖像檢測和分割的適用于無幀間參考信息的相差顯微鏡細(xì)胞主要信息粘連情況的分離與分組方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種適用于無幀間參考信息的相差顯微鏡細(xì)胞主要信息粘連情況的分離與分組方法，包括如下步驟：

1)基于對相差顯微鏡細(xì)胞圖像特性的分析，構(gòu)建圖像中的層次信息之后，定義相差顯微細(xì)胞圖像的主要信息；

2)手動標(biāo)記關(guān)鍵信息，標(biāo)記時需要參照原始圖片和主要信息，將細(xì)胞主要信息粘連情況劃分為一個區(qū)域，以便于將這些情況進(jìn)行單獨分析；

3)利用無幀間參考信息的相差顯微鏡細(xì)胞主要信息粘連情況的分離與分組方法，對目標(biāo)粘連情況進(jìn)行分離和分組；

4)更新相差顯微鏡細(xì)胞圖像中的主要信息標(biāo)號與顏色標(biāo)記，得到此圖像修復(fù)后的主要信息。

進(jìn)一步，所述步驟1)中，假設(shè)一張相差顯微鏡細(xì)胞圖像中存在灰度級別在0到L之間的N個像素，處于灰度級別i的像素個數(shù)標(biāo)記為n_i，那么灰度級i的像素在此圖片中的概率為p_i＝n_i/N，假設(shè)圖像中存在由C-1個閾值，記為{t₁,t₂,…,t_C-1}，其確定了C個灰度層次或者灰度集合；如此，集合1由灰度范圍為[0,…,t₁]的像素確定，集合1標(biāo)記為G₁，集合i(G_i)由灰度范圍為(t_i-1,…,t_i]的像素確定，最后一個集合G_C由灰度范圍為(t_C-1,…,L]的像素確定，假設(shè)μ_T是此幅圖像的灰度均值；為了獲得針對所有細(xì)胞的深暗區(qū)域信息，即主要信息，采用多閾值最大類間算法，定義為：

其中，

0≤t₁<…<t_C-1<L

那么，此時的G₁便定義為當(dāng)前幀中的主要信息。

再進(jìn)一步，所述步驟2)中，在手動標(biāo)記的過程中，參照原圖及對應(yīng)的主要信息，將屬于某一細(xì)胞的所有主要信息劃分到一個黃色閉合曲線中去，也將細(xì)胞主要信息粘連區(qū)域及所涉及的局部獨立塊也歸到同一個黃色閉合輪廓中去；手動標(biāo)記好所有區(qū)域之后，記錄這些具有主要信息粘連情況的區(qū)域標(biāo)號，便于索引這些區(qū)域。

更進(jìn)一步，所述步驟3)中，針對無幀間參考信息的細(xì)胞主要信息粘連情況，應(yīng)用PairSplit3F算法，首先需要找到待分離局部塊；在兩個細(xì)胞主要信息粘連情況下，認(rèn)為待分離塊處于所有塊集合的中間部位；基于當(dāng)前粘連情況所涉及的所有塊集合H計算均值坐標(biāo)位置P_mean和中值坐標(biāo)位置P_median，用于確定當(dāng)前粘連情況下的待分離局部塊，執(zhí)行PairSplit算法之前，屬于兩個細(xì)胞的主要信息集合H₁和H₂仍舊是未確定的，且集合中無任何主要信息獨立塊，所以作為空集傳入；分離之后，從PairSplit算法返回集合H₁和H₂，接著，只需要將其他分散的局部獨立塊基于德勞內(nèi)三角圖和GraphCrawl算法分組到不同的細(xì)胞主要信息集合。

本發(fā)明的無幀間參考信息的相差顯微鏡細(xì)胞主要信息粘連情況的分離與分組方法。其主要適用于在不具有幀間參考信息的情況下，對相差顯微鏡圖像中目標(biāo)主要信息粘連情況的處理。此方法基于手動標(biāo)記結(jié)果，在存在目標(biāo)主要信息粘連情況的獨立區(qū)域內(nèi)，自動查找到需要分離的局部獨立塊，并進(jìn)行合理分離，然后通過分組算法，將分散的主要信息融合進(jìn)目標(biāo)的主要信息集合。在保證更少地剔除主要信息像素的情況下，修復(fù)此相差顯微鏡圖像的主要信息。

本發(fā)明的有益效果主要表現(xiàn)在：有效處理無幀間參考信息的相差顯微鏡細(xì)胞圖像檢測和分割。

附圖說明

圖1是適用于無幀間參考信息的相差顯微鏡細(xì)胞主要信息粘連情況的分離與分組方法的流程圖。

圖2是手動標(biāo)記相差顯微鏡細(xì)胞圖像的目標(biāo)主要信息。假設(shè)x＝{a,b}，圖x1是相差顯微鏡細(xì)胞原圖，圖x2是多閾值最大類間距離算法結(jié)果，圖x3是手動標(biāo)記的黃色封閉輪廓線，并保留主要信息粘連區(qū)域，圖x4是對于標(biāo)記結(jié)果的二值圖，圖x5是獨立區(qū)域標(biāo)號對應(yīng)的偽彩色圖，圖x6是相差顯微鏡細(xì)胞圖像的主要信息。

圖3是三個無幀間參考信息的主要信息粘連情況。假設(shè)x＝{a,b,c}，圖x1是分別截取于圖2中圖x6中對應(yīng)的白色方框內(nèi)的區(qū)域信息，圖x2是每個粘連情況所對應(yīng)的所有獨立的主要信息塊，每個獨立塊標(biāo)記為不同偽彩色，圖x3是待分離主要信息塊，圖x4是最佳分離為止，圖x5是分組后的結(jié)果，圖x6是修復(fù)后的主要信息結(jié)果。

圖4是整幅相差顯微鏡圖像的修復(fù)結(jié)果與區(qū)域構(gòu)建結(jié)果。假設(shè)x＝{a,b}，圖x1對應(yīng)與圖2中圖x1的主要信息修復(fù)結(jié)果圖，圖x2是基于每個細(xì)胞的主要信息通過凸區(qū)域近似得到的結(jié)果圖，圖x3是基于基于每個細(xì)胞的主要信息通過矩形方框近似得到的結(jié)果圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。

參照圖1～圖4，一種適用于無幀間參考信息的相差顯微鏡細(xì)胞主要信息粘連情況的分離與分組方法，包括如下步驟：

1)基于對相差顯微鏡細(xì)胞圖像特性的分析，構(gòu)建圖像中的層次信息之后，定義相差顯微細(xì)胞圖像的主要信息；

2)手動標(biāo)記關(guān)鍵信息，標(biāo)記時需要參照原始圖片和主要信息，將細(xì)胞主要信息粘連情況劃分為一個區(qū)域，以便于將這些情況進(jìn)行單獨分析；

3)利用無幀間參考信息的相差顯微鏡細(xì)胞主要信息粘連情況的分離與分組方法，對目標(biāo)粘連情況進(jìn)行分離和分組；

4)更新相差顯微鏡細(xì)胞圖像中的主要信息標(biāo)號與顏色標(biāo)記，得到此圖像修復(fù)后的主要信息。

所述步驟1)中，基于對相差顯微鏡細(xì)胞圖像灰度分布特性的分析，大部分相差顯微細(xì)胞圖像的灰度分布都符合高斯分布形狀。培養(yǎng)液背景區(qū)域像素與細(xì)胞內(nèi)部部分區(qū)域像素一般處于高斯分布的中間區(qū)段，占圖像的像素比例較大，而相差顯微鏡細(xì)胞的主要信息像素值較小的灰度分布區(qū)域，稱為深暗區(qū)域，而相差顯微細(xì)胞圖像中像素值較大的信息定義了圖像中高亮區(qū)域，所占圖片像素比例較小。由于深暗區(qū)域信息相較于高亮區(qū)域信息具有較低的粘連性，且深暗區(qū)域信息可以決定細(xì)胞目標(biāo)的主體，此處將深暗區(qū)域信息作為相差顯微鏡細(xì)胞圖像中的主要信息。

假設(shè)一張相差顯微鏡細(xì)胞圖像中存在灰度級別在0到L之間的N個像素。處于灰度級別i的像素個數(shù)標(biāo)記為n_i，那么灰度級i的像素在此圖片中的概率為p_i＝n_i/N。假設(shè)圖像中存在由C-1個閾值，記為{t₁,t₂,…,t_C-1}，其確定了C個灰度層次或者灰度集合。如此，集合1(標(biāo)記為G₁)由灰度范圍為[0,…,t₁]的像素確定，類似地，集合i(標(biāo)記為G_i)由灰度范圍為(t_i-1,…,t_i]的像素確定，最后一個集合(標(biāo)記為G_C)由灰度范圍為(t_C-1,…,L]的像素確定。假設(shè)μ_T是此幅圖像的灰度均值。為了獲得針對所有細(xì)胞的深暗區(qū)域信息，即主要信息，采用多閾值最大類間算法，其可以定義為：

其中，

0≤t₁<…<t_C-1<L

那么此時的G₁便定義為當(dāng)前幀中的主要信息。

附圖2中給出了兩張相差顯微鏡細(xì)胞圖像。假設(shè)x＝{a,b}，如附圖2中所示，圖x1為原圖，圖x2為通過最大類間距離算法得到的圖像層次信息，此信息圖以數(shù)值標(biāo)號與偽彩色標(biāo)記的方式進(jìn)行展示。由于多閾值最大類間算法初始化多個閾值時，其設(shè)定的閾值是均勻分布在整個灰度區(qū)間中，所以高亮信息會有較多的層次，而深暗信息具有較少的層次。

所述步驟2)中，在手動標(biāo)記的過程中，參照原圖及對應(yīng)的主要信息，將屬于某一細(xì)胞的所有主要信息劃分到一個黃色閉合曲線中去，也將細(xì)胞主要信息粘連區(qū)域及所涉及的局部獨立塊也歸到同一個黃色閉合輪廓中去。手動標(biāo)記好所有區(qū)域之后，記錄這些具有主要信息粘連情況的區(qū)域標(biāo)號，便于索引這些區(qū)域。

假設(shè)x＝{a,b}，如附圖2中所示，圖x3為手動標(biāo)記的主要信息標(biāo)記圖，其中存在很多閉合的黃色輪廓線，每個閉合輪廓線內(nèi)部是每個細(xì)胞的特定主要信息集合，圖x4為相對于圖x3中黃色輪廓閉合區(qū)域的二值圖，圖x5為參照細(xì)胞數(shù)值標(biāo)號所得的偽彩色標(biāo)記圖，圖x6為當(dāng)前圖像初始標(biāo)記后所得到的主要信息結(jié)果圖，其中白色框中存在主要信息粘連情況，需要進(jìn)一步的處理。由于此時不存在幀間主要信息關(guān)聯(lián)，為了分離細(xì)胞主要信息粘連區(qū)域塊，需要采用無參考的方式進(jìn)行。

所述步驟3)中，主要信息粘連分離與分組算法(PairSplit算法及GraphCrawl算法)主要針對具有幀間參考信息的兩個細(xì)胞主要信息粘連情況。此時，針對無幀間參考情況，設(shè)計了一種針對無幀間參考信息的細(xì)胞主要信息粘連情況進(jìn)行分離與分組算法。此算法主要針對相差顯微鏡細(xì)胞序列的第一幀圖像，因為其不存在前一幀參考圖像，所以此算法被稱為PairSplit3F(PairSplit-For-First-Frame)算法。此算法也可以用于獨立地處理序列中每一幀圖像的時候，此時不考慮當(dāng)前圖像的前后幀主要信息關(guān)聯(lián)。此算法主要針對兩個細(xì)胞主要信息粘連情況，多細(xì)胞主要信息粘連情況可以認(rèn)為是多個兩兩細(xì)胞主要信息粘連情況的組合。

針對無幀間參考信息的細(xì)胞主要信息粘連情況，首先需要找到待分離局部塊。在兩個細(xì)胞主要信息粘連情況下，認(rèn)為待分離塊處于所有塊集合的中間部位。PairSplit3F算法中基于當(dāng)前粘連情況所涉及的所有塊集合H計算均值坐標(biāo)位置P_mean和中值坐標(biāo)位置P_median，用于確定當(dāng)前粘連情況下的待分離局部塊。在PairSplit算法中，執(zhí)行PairSplit算法之前，屬于兩個細(xì)胞的主要信息集合H₁和H₂仍舊是未確定的，且集合中無任何主要信息獨立塊，所以作為空集傳入。分離之后，從PairSplit算法返回集合H₁和H₂。接著，只需要將其他分散的局部獨立塊基于德勞內(nèi)三角圖(Delaunay Triangulation Constraint Graph)和GraphCrawl算法合理分組到不同的細(xì)胞主要信息集合，即可完成PairSplit3F算法的整體流程。

假設(shè)x＝{a,b,c}，附圖3中展示了三個無幀間參考信息的細(xì)胞主要信息粘連情況。其中圖x1截取于附圖2中圖a6和圖b6的三個白色框所框定的局部區(qū)域圖，圖x2為當(dāng)前主要信息粘連情況所涉及的所有局部獨立塊，每個局部獨立塊存在其對應(yīng)的數(shù)值編號及偽彩色標(biāo)記，其中由菱形和圓形白色點表示均值坐標(biāo)位置P_mean和中值坐標(biāo)位置P_median，圖x3為檢測到需要被分離的局部獨立塊，圖x4為表示最佳分離位置的灰度圖像，圖x5表示最佳分組結(jié)果的偽彩色圖，圖x6將圖x5的分組結(jié)果圖映射至圖x1，同時更新細(xì)胞數(shù)值標(biāo)記及對應(yīng)的顏色標(biāo)記。在每次分離及分組處理后，相當(dāng)于在圖x1中新增了一個細(xì)胞，修復(fù)的主要信息圖x6中新增細(xì)胞所對應(yīng)的數(shù)值標(biāo)號是當(dāng)前主要信息偽彩色圖中最大標(biāo)記值加1，所以增加的細(xì)胞所對應(yīng)的局部塊的顏色會顯示為深紅色，也是偽彩色空間中對應(yīng)當(dāng)前最大標(biāo)記值的顏色。

所述步驟4)中，假設(shè)x＝{a,b}，附圖4中圖x1展示了兩張被修復(fù)后的主要信息顏色標(biāo)記圖。除了被修復(fù)的主要信息粘連情況區(qū)域外，其他細(xì)胞的主要信息集合所具有的顏色標(biāo)記沒有明顯改變。雖然這兩幅圖像中修復(fù)之前和修復(fù)之后分別增加了1個和2個數(shù)值，但是數(shù)值范圍均勻映射到偽彩色空間的時候，其顏色偏差不是很大。如此，修復(fù)的圖像便可以表征準(zhǔn)確地表征當(dāng)前圖像的主要信息。圖x2展示了所對應(yīng)的所有細(xì)胞凸區(qū)域估計結(jié)果，圖x3給出了其對應(yīng)的矩形區(qū)域估計結(jié)果。