本發(fā)明屬于醫(yī)學(xué)數(shù)字圖像處理領(lǐng)域,具體指的是一種白帶顯微圖像中上皮細(xì)胞的智能識(shí)別方法。
背景技術(shù):
白帶常規(guī)檢查是婦科疾病診斷應(yīng)用最廣泛的一項(xiàng)檢查,通過觀察顯微圖像里各種細(xì)胞的分布情況來判斷白帶的清潔度,從而確定是否有炎癥。其中上皮細(xì)胞所占的面積是決定白帶清潔度的一個(gè)重要因素。目前的檢測(cè)方法是將白帶與0.9%NACL溶液混合制成玻片,由醫(yī)生在顯微鏡下觀察,因白帶中細(xì)胞種類繁多,成分復(fù)雜,細(xì)胞相互交織和面積大小不易區(qū)分等特點(diǎn),這種檢查方式是憑借醫(yī)務(wù)人員的經(jīng)驗(yàn)判斷,摻雜了許多主觀因素,同時(shí)效率低下、精度不高,致使人工識(shí)別的持久性、穩(wěn)定性和客觀性難以保證。本方法利用計(jì)算機(jī)數(shù)字圖像處理技術(shù)與生物醫(yī)學(xué)相結(jié)合,實(shí)現(xiàn)細(xì)胞的智能識(shí)別,快速有效地檢測(cè)出白帶中的上皮細(xì)胞,從而提高臨床的診斷效率。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明的目的是針對(duì)醫(yī)院白帶檢測(cè)中現(xiàn)有技術(shù)的不足,提出了一種白帶顯微圖像中上皮細(xì)胞的智能識(shí)別方法,從而達(dá)到簡便、高效、精確的檢測(cè)出白帶樣本中的上皮細(xì)胞,大大降低醫(yī)生的勞動(dòng)強(qiáng)度,提高檢測(cè)的速度和精度。
本發(fā)明采取的技術(shù)方案是一種白帶顯微圖像中上皮細(xì)胞的智能識(shí)別方法,該方法包括如下步驟:
步驟1:使用顯微鏡拍攝白帶與0.9%NACL溶液混合制成溶液涂抹玻片后的圖像;
步驟2:對(duì)步驟1拍攝的顯微圖像進(jìn)行灰度處理,得到灰度圖像;
步驟3:去除步驟2得到的灰度圖像的復(fù)雜背景;
步驟4:對(duì)步驟3得到的圖進(jìn)行二值化;
步驟5:對(duì)步驟4得到的圖進(jìn)行形態(tài)學(xué)操作,去除目標(biāo)較小的區(qū)域;
步驟6:對(duì)步驟5得到的圖像進(jìn)行填充;
步驟7:對(duì)步驟6得到的填充圖像進(jìn)行腐蝕;
步驟8:對(duì)步驟7得到的圖像進(jìn)行連通區(qū)域標(biāo)記,根據(jù)標(biāo)記號(hào)提取相應(yīng)區(qū)域;
步驟9:對(duì)步驟8標(biāo)記后的圖像,計(jì)算各個(gè)連通區(qū)域的外接矩形,面積和周長,根據(jù)設(shè)定的閾值進(jìn)行對(duì)比,篩選出疑似上皮細(xì)胞的區(qū)域;
步驟10:對(duì)步驟9篩選出來的每個(gè)連通區(qū)域的坐標(biāo),裁剪出步驟2在相同坐標(biāo)對(duì)應(yīng)的區(qū)域的灰度圖像;
步驟11:對(duì)步驟10裁剪出來的每個(gè)區(qū)域,用水平集弱邊緣檢測(cè)模型檢測(cè)其邊緣,分割出目標(biāo)區(qū)域;
步驟12:分別統(tǒng)計(jì)步驟11得到的每個(gè)目標(biāo)區(qū)域的平均灰度值、像素方差、平滑度和一致性,計(jì)算其特征值;
步驟13:對(duì)步驟11分割出的每個(gè)目標(biāo)區(qū)域進(jìn)行二值化;
步驟14:對(duì)步驟13得到的每個(gè)二值化的圖,進(jìn)行閉運(yùn)算;
步驟15:對(duì)步驟14得到的每個(gè)閉運(yùn)算圖像進(jìn)行連通區(qū)域標(biāo)記,并找到每個(gè)區(qū)域最大的連通區(qū)域;
步驟16:計(jì)算步驟15找到的每個(gè)最大的連通區(qū)域的面積,周長和離心率等特征,并計(jì)算其特征值;
步驟17:對(duì)步驟12和步驟16統(tǒng)計(jì)出的每個(gè)區(qū)域的特征值與上皮細(xì)胞的標(biāo)準(zhǔn)特征值進(jìn)行比對(duì),保留與上皮細(xì)胞特征相符的區(qū)域;
步驟18:對(duì)步驟17留下來的區(qū)域特征輸入BP神經(jīng)網(wǎng)絡(luò),由BP神經(jīng)網(wǎng)絡(luò)判斷是否為上皮細(xì)胞;
步驟19:統(tǒng)計(jì)上皮細(xì)胞的面積,輸出結(jié)果;
其中步驟4的具體步驟為:
步驟4-1:對(duì)已經(jīng)去除背景的圖像進(jìn)行形態(tài)學(xué)底帽變換,得到底帽變換圖像;
步驟4-2:對(duì)頂帽圖像使用最大類間方差法得到的灰度閾值;
步驟4-3:將灰度圖像各像素點(diǎn)灰度值與灰度閾值比較,若大于閾值則對(duì)該點(diǎn)灰度賦值255,若小于閾值則對(duì)該點(diǎn)灰度賦值0,得到二值圖像。
步驟5的具體步驟為:
步驟5-1:對(duì)二值化的圖先用半徑為4的圓形結(jié)構(gòu)元素腐蝕,得到腐蝕后的圖;
步驟5-2:再對(duì)腐蝕的圖用半徑為3的圓形結(jié)構(gòu)元素膨脹,得到膨脹后的圖,即是去除目標(biāo)較小的區(qū)域后的圖;
步驟9的具體步驟為:
步驟9-1:計(jì)算連通區(qū)域的外接矩形,保留外接矩形的長和寬的最小值大于85和最大值大于130的連通區(qū)域;
步驟9-2:計(jì)算剩下的連通區(qū)域的面積,經(jīng)過面積篩選保留面積大于4600的連通區(qū)域;
步驟9-3:計(jì)算剩下連通區(qū)域的周長,保留周長大于550的連通區(qū)域;
步驟11的具體步驟是:
步驟11-1:采用梯度下降法得到的水平集演化方程檢測(cè)每個(gè)區(qū)域的弱邊緣,水平集演化方程為:
其中u,λ,v為常數(shù),δε(z)是Dirac函數(shù),g為邊緣探測(cè)函數(shù),φ是水平集函數(shù);
步驟11-2:根據(jù)邊緣分離出目標(biāo)區(qū)域;
步驟12的具體步驟為:
步驟12-1:計(jì)算目標(biāo)區(qū)域的平均灰度值和像素方差;
步驟12-2:計(jì)算目標(biāo)區(qū)域的平滑度,平滑度的計(jì)算公式為:
R=1-1/(1+σ2)
其中,σ是標(biāo)準(zhǔn)偏差,R是平滑度;
步驟12-3:計(jì)算目標(biāo)區(qū)域的一致性,一致性的計(jì)算公式為:
其中,U是一致性,p(zi)是一個(gè)區(qū)域中的灰度級(jí)直方圖,i=1,2,3,...L-1為對(duì)應(yīng)的直方圖,L是可區(qū)分的灰度級(jí)數(shù)目。
步驟13的具體步驟為:
步驟13-1:對(duì)分割出來的圖像使用最大類間方差法得到的灰度閾值;
步驟13-2:將灰度圖像各像素點(diǎn)灰度值與灰度閾值比較,若大于閾值則對(duì)該點(diǎn)灰度賦值0,若小于閾值則對(duì)該點(diǎn)灰度賦值255,得到取反的二值圖像。
步驟14的具體步驟為:
步驟14-1:先用半徑為3的圓形模板對(duì)二值圖進(jìn)行膨脹,得到膨脹的圖;
步驟14-2:再用半徑為3的圓形模板對(duì)膨脹后的圖進(jìn)行腐蝕,得到腐蝕后的圖,即是閉運(yùn)算之后的圖;
步驟15的具體步驟為:
步驟15-1:對(duì)每個(gè)區(qū)域的二值圖像進(jìn)行連通域標(biāo)記;
步驟15-2:計(jì)算每個(gè)區(qū)域所有標(biāo)記的連通域的面積,找到面積最大的連通區(qū)域;
步驟16的具體步驟為:
步驟16-1:計(jì)算每個(gè)區(qū)域的面積和周長;
步驟16-2:計(jì)算離心率,離心率計(jì)算公式為:
其中,e為離心率,c為半焦距,a為長半軸;
步驟17的具體步驟為:
步驟17-1:經(jīng)過面積篩選,保留面積大于4600的區(qū)域;
步驟17-2:經(jīng)過周長篩選,保留周長大于550的區(qū)域;
步驟17-3:經(jīng)過離心率篩選,保留離心率大于0.3的區(qū)域;
步驟17-4:經(jīng)過灰度值和像素方差篩選,保留灰度值在90~180之間和像素方差在90到2000之間的區(qū)域;
步驟17-5:經(jīng)過平滑度的篩選,平滑度保留在0.004~0.006之間的區(qū)域;
步驟17-6:經(jīng)過一致性的篩選,一致性保留在0.95~1之間的區(qū)域;
步驟18的具體步驟為:
步驟18-1:建立BP神經(jīng)網(wǎng)絡(luò)模型,包括輸入層、隱含層和輸出層,輸入層有兩個(gè)神經(jīng)元,隱含層有五個(gè)神經(jīng)元,輸出層有一個(gè)神經(jīng)元,使用S型函數(shù)激活,給各個(gè)層連接的權(quán)值分別賦一個(gè)區(qū)間(-1,1)內(nèi)的隨機(jī)數(shù),同時(shí)初始化神經(jīng)網(wǎng)絡(luò)的閾值;
步驟18-2:將訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練,同時(shí)輸入步驟15和16計(jì)算的特征值,設(shè)置期望輸出為1是上皮細(xì)胞,0為雜質(zhì);
步驟18-3:計(jì)算隱含層各神經(jīng)元的輸入和輸出,在利用網(wǎng)絡(luò)期望輸出和實(shí)際輸出,計(jì)算誤差函數(shù)對(duì)輸出層的各神經(jīng)元的偏導(dǎo)數(shù)δ0(k);
步驟18-4:利用輸出層各神經(jīng)元的δ0(k)和隱含層各神經(jīng)元的輸出來修正連接權(quán)值,再利用隱含層各神經(jīng)元的偏導(dǎo)數(shù)和輸入層各神經(jīng)元的輸入修正連接權(quán);
步驟18-5:計(jì)算全局誤差,直到期望輸出與實(shí)際輸出的誤差小于0.0001時(shí)結(jié)束這一輪的學(xué)習(xí);
步驟18-6:將需要檢測(cè)的樣本輸入已經(jīng)學(xué)習(xí)完成的BP神經(jīng)網(wǎng)絡(luò),輸出大于0.6為上皮細(xì)胞,輸出小于0.6為雜質(zhì),保留識(shí)別為上皮細(xì)胞的區(qū)域。
附圖說明
圖1是本發(fā)明的一種白帶顯微圖像中上皮細(xì)胞的智能識(shí)別方法的流程圖。
具體實(shí)施方式
下面結(jié)合附圖,對(duì)本發(fā)明的一種白帶上皮細(xì)胞的自動(dòng)檢測(cè)方法進(jìn)行詳細(xì)說明:
步驟1:使用顯微鏡拍攝白帶與0.9%NACL溶液混合制成溶液的圖像;
步驟2:對(duì)步驟1拍攝的顯微圖像進(jìn)行灰度處理,得到灰度圖像;
步驟3:去除步驟2得到的灰度圖像的背景;
步驟4:對(duì)步驟3得到的圖進(jìn)行二值化;
步驟4-1:對(duì)已經(jīng)去除背景的圖像進(jìn)行形態(tài)學(xué)底帽變換,得到低帽變換圖像;
步驟4-2:對(duì)頂帽圖像使用最大類間方差法得到的灰度閾值;
步驟4-3:將灰度圖像各像素點(diǎn)灰度值與灰度閾值比較,若大于閾值則對(duì)該點(diǎn)灰度賦值255,若小于閾值則對(duì)該點(diǎn)灰度賦值0,得到二值圖像。
步驟5:對(duì)步驟4得到的圖進(jìn)行形態(tài)學(xué)操作,去除目標(biāo)較小的區(qū)域;
步驟5-1:對(duì)二值化的圖先用半徑為4的圓形結(jié)構(gòu)元素腐蝕,得到腐蝕后的圖;
步驟5-2:再對(duì)腐蝕的圖用半徑為3的圓形結(jié)構(gòu)元素膨脹,得到膨脹后的圖,即是去除目標(biāo)較小的區(qū)域后的圖;
步驟6:對(duì)步驟5得到的圖像進(jìn)行填充;
步驟7:對(duì)步驟6得到的填充圖像進(jìn)行腐蝕;
步驟8:對(duì)步驟7得到的圖像進(jìn)行連通區(qū)域標(biāo)記,根據(jù)標(biāo)記號(hào)提取相應(yīng)區(qū)域;
步驟9:對(duì)步驟8標(biāo)記后的圖像,計(jì)算各個(gè)連通區(qū)域的外接矩形,面積和周長,根據(jù)設(shè)定的閾值進(jìn)行對(duì)比,篩選出疑似上皮細(xì)胞的區(qū)域;
步驟9-1:計(jì)算連通區(qū)域的外接矩形,保留外接矩形的長和寬的最小值大于85和最大值大于130的連通區(qū)域;
步驟9-2:計(jì)算剩下的連通區(qū)域的面積,經(jīng)過面積篩選保留面積大于4600的連通區(qū)域;
步驟9-3:計(jì)算剩下連通區(qū)域的周長,保留周長大于550的連通區(qū)域;
步驟10:對(duì)步驟9篩選出來的每個(gè)連通區(qū)域的坐標(biāo),裁剪出步驟2在相同坐標(biāo)對(duì)應(yīng)的區(qū)域的灰度圖像;
步驟11:對(duì)步驟10裁剪出來的每個(gè)區(qū)域,用水平集弱邊緣檢測(cè)模型檢測(cè)其邊緣,分割出目標(biāo)區(qū)域;
步驟11-1:采用梯度下降法得到的水平集演化方程檢測(cè)每個(gè)區(qū)域的弱邊緣,水平集演化方程為:
其中u,λ,v為常數(shù),δε(z)是Dirac函數(shù),g為邊緣探測(cè)函數(shù),φ是水平集函數(shù);
步驟11-2:根據(jù)邊緣分離出目標(biāo)區(qū)域;
步驟12:分別統(tǒng)計(jì)步驟11得到的每個(gè)目標(biāo)區(qū)域的平均灰度值、像素方差、平滑度和一致性,計(jì)算其特征值;
步驟12-1:計(jì)算目標(biāo)區(qū)域的平均灰度值和像素方差;
步驟12-2:計(jì)算目標(biāo)區(qū)域的平滑度,平滑度的計(jì)算公式為:
R=1-1/(1+σ2)
其中,σ是標(biāo)準(zhǔn)偏差,R是平滑度;
步驟12-3:計(jì)算目標(biāo)區(qū)域的一致性,一致性的計(jì)算公式為:
其中,U是一致性,p(zi)是一個(gè)區(qū)域中的灰度級(jí)直方圖,i=1,2,3,...L-1為對(duì)應(yīng)的直方圖,L是可區(qū)分的灰度級(jí)數(shù)目。
步驟13:對(duì)步驟11分割出的每個(gè)目標(biāo)區(qū)域進(jìn)行二值化;
步驟13-1:對(duì)分割出來的圖像使用最大類間方差法得到的灰度閾值;
步驟13-2:將灰度圖像各像素點(diǎn)灰度值與灰度閾值比較,若大于閾值則對(duì)該點(diǎn)灰度賦值0,若小于閾值則對(duì)該點(diǎn)灰度賦值255,得到取反的二值圖像。
步驟14:對(duì)步驟13得到的每個(gè)二值化的圖,進(jìn)行閉運(yùn)算;
步驟15:對(duì)步驟14得到的每個(gè)閉運(yùn)算圖像進(jìn)行連通區(qū)域標(biāo)記,并找到每個(gè)區(qū)域最大的連通區(qū)域;
步驟15-1:對(duì)每個(gè)區(qū)域的二值圖像進(jìn)行連通域標(biāo)記;
步驟15-2:計(jì)算每個(gè)區(qū)域所有標(biāo)記的連通域的面積,找到面積最大的連通區(qū)域;
步驟16:計(jì)算步驟15找到的每個(gè)最大的連通區(qū)域的面積,周長和離心率等特征,計(jì)算其特征值;
步驟16-1:計(jì)算每個(gè)區(qū)域的面積和周長;
步驟16-2:計(jì)算離心率,離心率計(jì)算公式為:
其中,e為離心率,c為半焦距,a為長半軸;
步驟17:對(duì)步驟12和步驟16統(tǒng)計(jì)出的每個(gè)區(qū)域的特征值與上皮細(xì)胞的標(biāo)準(zhǔn)特征值進(jìn)行比對(duì),保留與上皮細(xì)胞特征相符的區(qū)域;
步驟17-1:經(jīng)過面積篩選,保留面積大于4600的區(qū)域;
步驟17-2:經(jīng)過周長篩選,保留周長大于550的區(qū)域;
步驟17-3:經(jīng)過離心率篩選,保留離心率大于0.3的區(qū)域;
步驟17-4:經(jīng)過灰度值和像素方差篩選,保留灰度值在90~180之間和像素方差在90到2000之間的區(qū)域;
步驟17-5:經(jīng)過平滑度的篩選,平滑度保留在0.004~0.006之間的區(qū)域;
步驟17-6:經(jīng)過一致性的篩選,一致性保留在0.95~1之間的區(qū)域;
步驟18:對(duì)步驟17留下來的區(qū)域特征輸入BP神經(jīng)網(wǎng)絡(luò),由BP神經(jīng)網(wǎng)絡(luò)判斷是否為上皮細(xì)胞;
步驟18-1:建立BP神經(jīng)網(wǎng)絡(luò)模型,包括輸入層、隱含層和輸出層,輸入層有兩個(gè)神經(jīng)元,隱含層有五個(gè)神經(jīng)元,輸出層有一個(gè)神經(jīng)元,使用S型函數(shù)激活,給各個(gè)層連接的權(quán)值分別賦一個(gè)區(qū)間(-1,1)內(nèi)的隨機(jī)數(shù),同時(shí)初始化神經(jīng)網(wǎng)絡(luò)的閾值;
步驟18-2:將訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練,同時(shí)輸入步驟15和16計(jì)算的特征值,設(shè)置期望輸出為1是上皮細(xì)胞,0為雜質(zhì);
步驟18-3:計(jì)算隱含層各神經(jīng)元的輸入和輸出,在利用網(wǎng)絡(luò)期望輸出和實(shí)際輸出,計(jì)算誤差函數(shù)對(duì)輸出層的各神經(jīng)元的偏導(dǎo)數(shù)δ0(k);
步驟18-4:利用輸出層各神經(jīng)元的δ0(k)和隱含層各神經(jīng)元的輸出來修正連接權(quán)值,再利用隱含層各神經(jīng)元的偏導(dǎo)數(shù)和輸入層各神經(jīng)元的輸入修正連接權(quán);
步驟18-5:計(jì)算全局誤差,直到期望輸出與實(shí)際輸出的誤差小于0.0001時(shí)結(jié)束這一輪的學(xué)習(xí);
步驟18-6:將需要檢測(cè)的樣本輸入已經(jīng)學(xué)習(xí)完成的BP神經(jīng)網(wǎng)絡(luò),輸出大于0.6為上皮細(xì)胞,輸出小于0.6為雜質(zhì),保留識(shí)別為上皮細(xì)胞的區(qū)域。
步驟19:統(tǒng)計(jì)上皮細(xì)胞的面積,輸出結(jié)果。
通過以上實(shí)施方式,可見本發(fā)明具有以下的優(yōu)點(diǎn):
(1)本方法引入一種全新的符合人類視覺的基于曲線演化理論的水平集分割方法,該水平集方法利用曲線的能量控制演化速度,并且能夠探測(cè)細(xì)胞的弱邊緣,解決了白帶顯微圖像中細(xì)胞難以分割的問題;
(2)對(duì)分割出來的細(xì)胞,利用了BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本,自動(dòng)提取細(xì)胞的特征,大大提高了檢測(cè)速率,同時(shí)提高了識(shí)別的準(zhǔn)確度。
以上內(nèi)容是結(jié)合具體的實(shí)施方式對(duì)本發(fā)明申請(qǐng)的進(jìn)一步詳細(xì)說明,不能認(rèn)定本申請(qǐng)的具體實(shí)施只局限于這些說明。對(duì)于本申請(qǐng)所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說,在不脫離本發(fā)明的構(gòu)思的前提下,做出的變形或者改進(jìn)這些都屬于本發(fā)明的保護(hù)范圍。