一種基于多相互斥水平集的黏連細(xì)胞圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，更具體地說(shuō)，涉及一種基于多相互斥水平集 的黏連細(xì)胞圖像分割方法。
【背景技術(shù)】
[0002] 在計(jì)算機(jī)輔助分析乳腺組織切片的顯微圖像方法中，精確分割是重要的環(huán)節(jié)，它 涉及細(xì)胞計(jì)數(shù)和細(xì)胞形態(tài)分析的準(zhǔn)確性。調(diào)查發(fā)現(xiàn)借助于自動(dòng)檢測(cè)設(shè)備進(jìn)行乳腺組織切片 顯微圖像的病理分析，如果細(xì)胞之間擁擠或黏連，一般的圖像分割技術(shù)常常會(huì)將兩個(gè)黏連 的細(xì)胞分割到一個(gè)細(xì)胞區(qū)域中，從而導(dǎo)致檢測(cè)區(qū)域中細(xì)胞的計(jì)數(shù)產(chǎn)生誤差，因此，針對(duì)黏連 細(xì)胞群，彼此獨(dú)立分割呈現(xiàn)，成為細(xì)胞顯微圖像分析的技術(shù)難點(diǎn)。
[0003] 目前，常見(jiàn)的顯微細(xì)胞圖像分割技術(shù)主要是利用細(xì)胞圖像特有的邊緣、區(qū)域、顏色 等特征信息對(duì)細(xì)胞圖像進(jìn)行分割?；谶吘壍姆指罘椒?，如Laplacian、Canny算子等，但是 其分割結(jié)果易受到噪聲和紋理的影響，且分割的細(xì)胞邊界常存在不連續(xù)性?；趨^(qū)域信息 的分水嶺算法是細(xì)胞分割鄰域運(yùn)用最為普遍的方法之一，學(xué)者們通過(guò)在分割目標(biāo)的內(nèi)部設(shè) 置標(biāo)記點(diǎn)，而后基于這些標(biāo)記點(diǎn)進(jìn)行分水嶺分割，從而能較好的抑制噪聲及復(fù)雜背景的干 擾，且能獲得封閉的細(xì)胞邊界，然而此類(lèi)方法對(duì)黏連細(xì)胞的分割效果仍不理想，且細(xì)胞輪廓 外形不自然。
[0004] 當(dāng)前基于水平集理論的圖像分割算法往往能獲得較為自然的輪廓，其將可變形曲 線作為零水平集嵌入到高一維度的水平集函數(shù)中，通過(guò)圖像統(tǒng)計(jì)信息的引導(dǎo)，使得零水平 集不斷向物體輪廓演化，以達(dá)到分割物體的目的。其中經(jīng)典的Chan-Vese(CV)模型是一種基 于區(qū)域信息的模型，其能夠自動(dòng)進(jìn)行拓?fù)浣Y(jié)構(gòu)的變化，分割出圖像的內(nèi)部輪廓，但是其無(wú)法 處理強(qiáng)度分布不均勻的圖像，且容易受到細(xì)胞復(fù)雜背景環(huán)境的干擾。李春明等提出了基于 距離正則化的水平集演化(Distance Regularized Level Set Evolution，DRLSE)模型，其 利用改進(jìn)的懲罰項(xiàng)和圖像的梯度信息引導(dǎo)曲線演化，并且利用從分割目標(biāo)的內(nèi)部向外演化 的方式，極大的減少了背景的干擾，取得了較好的分割效果，但該模型依舊存在將兩個(gè)同質(zhì) 黏連的細(xì)胞區(qū)域演化成同一區(qū)域的現(xiàn)象。
[0005] 經(jīng)檢索，關(guān)于黏連細(xì)胞分割方法的技術(shù)方案已有公開(kāi)，但多存在處理步驟多，方法 繁瑣的不足，且不能有效地解決細(xì)胞間擁擠和黏連的問(wèn)題。如中國(guó)專(zhuān)利申請(qǐng)?zhí)?201510253573.X，申請(qǐng)日為2015年5月18日，發(fā)明創(chuàng)造名稱為:基于多尺度生長(zhǎng)與雙策略去 粘連模型的乳腺細(xì)胞分割方法;該申請(qǐng)案先將乳腺組織圖像轉(zhuǎn)換為灰度圖像;然后增強(qiáng)對(duì) 比度;接著利用小波分解進(jìn)行細(xì)胞定位;然后進(jìn)行多尺度區(qū)域生長(zhǎng);接著通過(guò)投票選擇實(shí)現(xiàn) 細(xì)胞區(qū)域的初步分割;然后判斷分割出的區(qū)域是否存在細(xì)胞粘連;如果不存在細(xì)胞粘連，則 為單個(gè)細(xì)胞區(qū)域，輸出分割結(jié)果;如果存在細(xì)胞粘連，則為粘連細(xì)胞區(qū)域，進(jìn)行粘連細(xì)胞分 害然后利用形態(tài)學(xué)腐蝕-膨脹運(yùn)算和角點(diǎn)檢測(cè)分割算法構(gòu)建的雙策略去粘連模型進(jìn)行粘 連細(xì)胞分割，直至所有細(xì)胞分割結(jié)束。該申請(qǐng)案能夠抑制乳腺組織切片圖像的復(fù)雜背景對(duì) 乳腺細(xì)胞分割的影響，在一定程度上提高對(duì)粘連細(xì)胞分割線的識(shí)別精度，達(dá)到提高粘連細(xì) 胞分割精度的目的。但該申請(qǐng)案中如果結(jié)構(gòu)元半徑過(guò)小，則不能將粘連區(qū)域分割開(kāi);反之， 則會(huì)導(dǎo)致區(qū)域失真。此外，該申請(qǐng)案提到的角點(diǎn)檢測(cè)存在易受噪聲干擾導(dǎo)致黏連區(qū)域判斷 失敗等問(wèn)題，且其處理步驟甚多。所以，仍需一種適應(yīng)性強(qiáng)、處理步驟簡(jiǎn)便的黏連細(xì)胞分割 方法。

【發(fā)明內(nèi)容】

[0006] 1.發(fā)明要解決的技術(shù)問(wèn)題
[0007] 本發(fā)明的目的在于解決現(xiàn)有乳腺切片圖像黏連區(qū)域難以分割的問(wèn)題，為提高細(xì)胞 圖自動(dòng)分析結(jié)果的可靠性，提供了一種基于多相互斥水平集的黏連細(xì)胞圖像分割方法;本 發(fā)明主要針對(duì)細(xì)胞具有類(lèi)圓特性的乳腺切片細(xì)胞圖，通過(guò)Hough圓檢測(cè)確定細(xì)胞圖中所有 細(xì)胞的圓心，并通過(guò)選定最小細(xì)胞內(nèi)的初始圓，設(shè)置所有細(xì)胞的初始曲線，通過(guò)水平集能量 泛函的演化，使得輪廓向黏連細(xì)胞邊界運(yùn)動(dòng)，通過(guò)設(shè)定互斥能量項(xiàng)確保相鄰的輪廓不過(guò)界。
[0008] 2.技術(shù)方案
[0009] 為達(dá)到上述目的，本發(fā)明提供的技術(shù)方案為：
[0010] 本發(fā)明的一種基于多相互斥水平集的黏連細(xì)胞圖像分割方法，其步驟為：
[0011] 步驟一、讀取細(xì)胞圖像，并對(duì)其進(jìn)行二值化及閾值處理，獲得代表細(xì)胞區(qū)域的近似 圓形斑塊圖；
[0012]步驟二、利用Hough圓檢測(cè)方法對(duì)斑塊圖進(jìn)行檢測(cè)，獲取圖像中全部近似圓形斑塊 的類(lèi)圓圓心；
[0013] 步驟三、以小于最小細(xì)胞的CHT檢測(cè)圓半徑作為所有細(xì)胞區(qū)域的初始圓半徑，依據(jù) 步驟二所得每個(gè)細(xì)胞類(lèi)圓圓心坐標(biāo)設(shè)置多個(gè)水平集的圓形初始曲線；
[0014] 步驟四、對(duì)多相互斥水平集能量泛函采用梯度下降法進(jìn)行求解得到對(duì)應(yīng)的偏微分 方程；
[0015] 步驟五、將步驟三所得初始曲線作為Φ0代入到偏微分方程進(jìn)行求解，從而引導(dǎo)圖 像中多個(gè)初始曲線同時(shí)向目標(biāo)邊界演化；
[0016] 步驟六、重復(fù)步驟五，繼而得到細(xì)胞圖像的最終邊界輪廓。
[0017] 更進(jìn)一步地，步驟二中為濾掉半徑過(guò)大或過(guò)小帶來(lái)的干擾，必須通過(guò)設(shè)置合適的 檢測(cè)圓的半徑范圍，獲取所有類(lèi)圓細(xì)胞斑塊圓的圓心。
[0018] 更進(jìn)一步地，步驟三中為了避免最小細(xì)胞的CHT檢測(cè)圓作為水平集初始輪廓在實(shí) 際細(xì)胞區(qū)域之外，必須通過(guò)以最小細(xì)胞的CHT檢測(cè)圓半徑的0.5~0.9倍作為所有細(xì)胞區(qū)域 的初始圓半徑。
[0019]更進(jìn)一步地，步驟四中多相互斥水平集模型將互斥能量項(xiàng)ΑΦΟ與DRLSE模型以 多相水平集的方式進(jìn)行結(jié)合，對(duì)于水平集函數(shù)Φ:，所述多相互斥水平集能量泛函為：
[0021] 式中，Ι?Ρ(Φ)為距離規(guī)則能量項(xiàng)，Lg((i))為曲線長(zhǎng)度項(xiàng)，Ag((i>)為面積項(xiàng)，#((^)為 互斥能量項(xiàng)，μ、λ、α、ω均為加權(quán)系數(shù)；
[0022] 其中：
[0027] 上式中，Ω為圖像全域，g為邊界檢測(cè)函數(shù)，Ηε為近似光滑函數(shù)，δε*Ηε的導(dǎo)函數(shù);多 相互斥水平集能量泛函可進(jìn)一步表示為：
[0028]
[0029] 更進(jìn)一步地，步驟四利用梯度下降法對(duì)步驟四所述的多相互斥水平集能量泛函進(jìn) 行求解，得到如下偏微分方程：
[0030]
[0031]其中div為散度算子，變量j為演化優(yōu)先級(jí)參數(shù)。
[0032] 3.有益效果
[0033] 采用本發(fā)明提供的技術(shù)方案，與已有的公知技術(shù)相比，具有如下顯著效果：
[0034] (1)本發(fā)明的一種基于多相互斥水平集的黏連細(xì)胞圖像分割方法，以圖像二值化 常規(guī)處理方法，得到代表細(xì)胞區(qū)域類(lèi)圓斑塊，通過(guò)Hough變換圓檢測(cè)，獲取類(lèi)圓細(xì)胞斑塊的 圓半徑和圓心位置，能夠統(tǒng)計(jì)出圓心的個(gè)數(shù)，解決細(xì)胞圖中細(xì)胞精確計(jì)數(shù)的關(guān)鍵問(wèn)題；
[0035] (2)本發(fā)明的一種基于多相互斥水平集的黏連細(xì)胞圖像分割方法，以所有圓心為 坐標(biāo)設(shè)置半徑統(tǒng)一的圓形初始曲線，進(jìn)一步提高了多相水平集初始曲線的設(shè)置效率，有利 于后繼水平集曲線演化；
[0036] (3)本發(fā)明的一種基于多相互斥水平集的黏連細(xì)胞圖像分割方法，在DRLSE模型基 礎(chǔ)上增加互斥能量項(xiàng)有助于水平集曲線演化到黏連細(xì)胞區(qū)域邊界處不過(guò)界，圍繞各自細(xì)胞 的圓心自動(dòng)完成彼此分離的輪廓曲線演化，解決了長(zhǎng)期以來(lái)黏連區(qū)域細(xì)胞難以分割的問(wèn) 題；
[0037] (4)本發(fā)明的一種基于多相互斥水平集的黏連細(xì)胞圖像分割方法，處理步驟少，所 分割的細(xì)胞輪廓線自然，可用于類(lèi)圓細(xì)胞圖的分割和計(jì)數(shù)，測(cè)量精度高，適應(yīng)能力強(qiáng)。
【附圖說(shuō)明】
[0038] 圖1為本發(fā)明中多水平集函數(shù)重疊的示意圖；
[0039]圖2中的(a)~(f)為本發(fā)明中Hough變換圓心檢測(cè)過(guò)程的示例圖；其中，圖（a)為原 始細(xì)胞圖像;圖(b)為二值化圖像;圖（C)為面積閾值法獲得的圖像;圖（d)為Hough變換法獲 得的圓心檢測(cè)結(jié)果圖；圖（e)為多處黏連的圓心結(jié)果圖；圖（f)為黏連嚴(yán)重處的圓心結(jié)果圖；
[0040] 圖3中的(a)為利用CV模型對(duì)細(xì)胞圖像的分割效果圖；圖3中的(b)為利用基于標(biāo)記 的分水嶺分割方法對(duì)細(xì)胞圖像的分割效果圖；圖3中的（c)為本發(fā)明中利用基于多相互斥水 平集模型對(duì)細(xì)胞圖像的分割效果圖。
【具體實(shí)施方式】
[0041] 為進(jìn)一步了解本發(fā)明的內(nèi)容，結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作詳細(xì)描述。
[0042] 實(shí)施例1
[0043]結(jié)合附圖，本實(shí)施例的一種基于多相互斥水平集的黏連細(xì)胞圖像分割方法，其步 驟為：
[0044] 步驟一、讀取細(xì)胞圖像，將細(xì)胞圖像二值化，而后根據(jù)細(xì)胞的面積特征，利用閾值 法，反復(fù)實(shí)驗(yàn)選取效果較好的經(jīng)驗(yàn)值對(duì)圖像進(jìn)行處理，將面積較小的噪聲區(qū)域過(guò)濾掉，使得 細(xì)胞圖中所有的細(xì)胞個(gè)體近似圓形斑塊，獲得代表細(xì)胞區(qū)域的近似圓形斑塊圖。
[0045] 步驟二、針對(duì)獲得的近似圓形斑塊圖，利用基于Hough變換的圓檢測(cè)方法對(duì)圖像進(jìn) 行處理，求解細(xì)胞圖像中全部近似圓形斑塊的類(lèi)圓圓心，同時(shí)通過(guò)調(diào)節(jié)模型中的參數(shù)去設(shè) 置合適的檢測(cè)圓的半徑范圍，過(guò)濾掉半徑過(guò)大圓和半徑過(guò)小圓的干擾，以提高Hough變換圓 檢測(cè)方法的準(zhǔn)確率，進(jìn)而獲取每個(gè)類(lèi)圓斑塊的圓心，統(tǒng)計(jì)所得圓心個(gè)數(shù)，即為細(xì)胞圖中細(xì)胞 個(gè)數(shù)。
[0046] 步驟三、為了避免最小細(xì)胞的CHT檢測(cè)圓作為水平集初始輪廓在實(shí)際細(xì)胞區(qū)域之 外，以最小細(xì)胞的CHT檢測(cè)圓半徑的0.7倍作為所有細(xì)胞區(qū)域的初始圓半徑，依據(jù)每個(gè)細(xì)胞 類(lèi)圓圓心坐標(biāo)設(shè)置多個(gè)水平集的圓形初始曲線。
[0047]步驟四、對(duì)多相互斥水平集能量泛函進(jìn)行求解得到對(duì)應(yīng)的偏微分方程，多相互斥 水平集模型將互斥能量項(xiàng)εR(Φ1)與DRLSE模型以多相水平集的方式進(jìn)行結(jié)合，其中DRLSE能 量項(xiàng)用于引導(dǎo)輪廓曲線向邊界演化，而互斥能量用于保證多水平集之間的相互獨(dú) 立，對(duì)于水平集函數(shù)Φ:，該模型能量泛函定義如下：<