基于機(jī)器視覺的宮頸癌細(xì)胞圖像識(shí)別

張浩琦　韓佳昊　姜卓穎　袁晟　侯曉強(qiáng)

摘要：本文使用計(jì)算機(jī)圖像處理技術(shù)對(duì)宮頸癌細(xì)胞進(jìn)行預(yù)處理，選取合適的濾波進(jìn)行去燥，并對(duì)圖像進(jìn)行二值化處理得到二值圖像。然后使用OpenCV函數(shù)庫對(duì)處理后的細(xì)胞對(duì)象進(jìn)行邊緣提取，并運(yùn)求取細(xì)胞質(zhì)以及細(xì)胞核的面積之比，對(duì)正常細(xì)胞和癌變細(xì)胞的質(zhì)核比進(jìn)行比較，結(jié)合相關(guān)資料和研究結(jié)論，得出了質(zhì)核比接近于1比1即為癌細(xì)胞的結(jié)論。實(shí)驗(yàn)結(jié)果表明，本文較好的完成了宮頸癌細(xì)胞圖像的特征提取和識(shí)別任務(wù)。

關(guān)鍵詞：圖像預(yù)處理;數(shù)學(xué)形態(tài)學(xué);特征提取

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）06-0056-01

1 緒論

宮頸癌是乳腺癌后女性特異性癌癥相關(guān)死亡的第二大原因，如果患者在癌前病變階段或更早期被診斷，疾病的死亡率會(huì)顯著降低。使用計(jì)算機(jī)、圖像處理、人工智能等技術(shù)的醫(yī)學(xué)顯微圖像處理是近年來迅速發(fā)展起來的圖像識(shí)別技術(shù)。本文從宮頸癌細(xì)胞的獲取到對(duì)宮頸癌細(xì)胞圖片進(jìn)行預(yù)處理，再對(duì)宮頸癌細(xì)胞圖片進(jìn)行特征識(shí)別從而達(dá)到對(duì)宮頸癌細(xì)胞識(shí)別的目的。

2 機(jī)器視覺獲取圖像

機(jī)器視覺系統(tǒng)主要由照明、鏡頭、高速相機(jī)、圖像采集卡、視覺處理器構(gòu)成。通過照相機(jī)將被檢測(cè)的目標(biāo)轉(zhuǎn)化成圖像信號(hào)，傳送到指定系統(tǒng)中進(jìn)行處理。相機(jī)主要分為CCD相機(jī)和CMOS相機(jī)，多數(shù)采用CCD相機(jī)，其優(yōu)勢(shì)是相機(jī)噪聲小，分辨率高，靈敏度高。

3 宮頸癌細(xì)胞顯微圖像預(yù)處理

3.1 圖像數(shù)據(jù)格式

計(jì)算機(jī)圖像由像素組成，一個(gè)圖像的行和列各有256個(gè)像素點(diǎn)，共65536個(gè)像素點(diǎn)。像素的大小受分辨率的影響，由分辨率的大小得出圖像的實(shí)際尺寸。圖像的強(qiáng)度通常用2的整數(shù)次冪的灰度級(jí)來表示。圖像在計(jì)算機(jī)中的儲(chǔ)存方式有很多，如BMP、GIF、JPEG、TIFF等。

3.2 彩色圖像灰度化

在RGB彩色模型當(dāng)中，每個(gè)圖像都由三個(gè)分量圖像構(gòu)成，即紅、綠、藍(lán)三原色各一個(gè)分量級(jí)組成。彩色圖像的灰度化是使彩色模型中R、G、B的分量相等，此時(shí)得到的是只有黑白顏色的圖片，其相等的數(shù)值即為灰度級(jí)。R、G、B的取值為0-255，故灰度級(jí)可描述256種從白到黑等不同深淺的顏色。進(jìn)行圖像處理前，將圖片轉(zhuǎn)變成灰度圖進(jìn)行后續(xù)的操作?；叶然幚矸椒ǎ鹤畲笾捣?、平均值法、加權(quán)平均值法。

3.3 圖像增強(qiáng)

圖像的獲取或傳輸過程中會(huì)產(chǎn)生一些影響圖像處理的噪聲，噪聲主要有：高斯噪聲、瑞利噪聲、伽馬噪聲、指數(shù)噪聲、椒鹽噪聲。

直方圖均衡化使圖像在每個(gè)灰度區(qū)間內(nèi)的像素點(diǎn)數(shù)盡可能相等，使灰度級(jí)分布廣泛，圖像可以包含更多的信息。

膨脹運(yùn)算是對(duì)圖像的細(xì)節(jié)進(jìn)行增強(qiáng)，并對(duì)不連通區(qū)域進(jìn)行連通處理。假設(shè)有一個(gè)結(jié)構(gòu)元素S，將S平移后得到S1，若S1擊中被處理的對(duì)象X，記下這個(gè)點(diǎn)，所有滿足這個(gè)條件的點(diǎn)的集合被稱作為膨脹后的結(jié)果。腐蝕運(yùn)算是膨脹運(yùn)算的對(duì)偶運(yùn)算，可過濾掉圖像當(dāng)中不必存在的細(xì)節(jié)。

4 宮頸癌細(xì)胞顯微圖像的分割

4.1 閾值分割法

通過對(duì)圖像中不同區(qū)域內(nèi)的顏色差異進(jìn)行分割，閾值分割需要設(shè)定一個(gè)閾值，對(duì)圖像內(nèi)的所有像素與閾值相比較，將像素分為不同的區(qū)域。閾值分割法實(shí)現(xiàn)簡(jiǎn)單、計(jì)算量小、性能比較穩(wěn)定、分割速度快。

4.2 區(qū)域生長(zhǎng)法

從一個(gè)像素點(diǎn)出發(fā)，按照規(guī)則判斷其相鄰像素點(diǎn)與其是否相似，若相似，則歸并到同一區(qū)域內(nèi)進(jìn)行相鄰像素點(diǎn)的比較，直至其領(lǐng)域內(nèi)沒有與之相似的像素點(diǎn)或小區(qū)域，像素點(diǎn)停止增長(zhǎng)。

5 宮頸癌細(xì)胞顯微圖像特征提取和計(jì)數(shù)

5.1 基于OpenCV的宮頸癌細(xì)胞特征提取

對(duì)細(xì)胞進(jìn)行預(yù)處理后，使用OpenCV的findcontours算法對(duì)細(xì)胞核和細(xì)胞進(jìn)行邊緣提取。該算法首先對(duì)讀取的二值化圖像內(nèi)連續(xù)的點(diǎn)構(gòu)成的集合進(jìn)行計(jì)算，即每一個(gè)由連續(xù)點(diǎn)構(gòu)成的點(diǎn)的集合的向量的個(gè)數(shù)為該二值化圖片具有的輪廓數(shù)，檢測(cè)到的輪廓可分為后一個(gè)輪廓、前一個(gè)輪廓、父輪廓、內(nèi)嵌輪廓。本文檢測(cè)所有的輪廓，并將所有的輪廓建立一個(gè)等級(jí)樹狀結(jié)構(gòu)。該算法定義輪廓的近似方法有三種：（1）保存邊界上的所有輪廓點(diǎn)到向量?jī)?nèi)。（2）僅保存輪廓拐點(diǎn)的信息，并將其保存到向量?jī)?nèi)。（3）用teh-Chinlchain近似算法進(jìn)行計(jì)算。最后加上所檢測(cè)到的輪廓信息與原始圖像對(duì)應(yīng)點(diǎn)的偏移量。

邊緣提取操作后，提取細(xì)胞及細(xì)胞核邊緣，選用cvcountarea算法對(duì)連通域輪廓線所包含的區(qū)域求面積。周長(zhǎng)的計(jì)算用api-arcLength算法，尋找像素點(diǎn)中心，連通像素點(diǎn)得到連通區(qū)域，計(jì)算聯(lián)通曲線的長(zhǎng)度即為周長(zhǎng)。

5.2 對(duì)癌變細(xì)胞鑒別方法

查閱醫(yī)學(xué)相關(guān)資料總結(jié)出宮頸細(xì)胞癌變的明顯特征，例如癌變細(xì)胞的細(xì)胞核明顯增大以至質(zhì)核比明顯減小。本文計(jì)算正常細(xì)胞的質(zhì)核比和癌變細(xì)胞的質(zhì)核比并對(duì)其進(jìn)行比較來判斷是否為癌變細(xì)胞。

6 結(jié)語

本文對(duì)癌變細(xì)胞和未癌變細(xì)胞進(jìn)行識(shí)別并比較數(shù)據(jù)，分別求其質(zhì)核比，發(fā)現(xiàn)癌變細(xì)胞質(zhì)核比2.46，未發(fā)生癌變細(xì)胞的質(zhì)核比為48.49，并結(jié)合資料得出判斷宮頸細(xì)胞發(fā)生癌變的依據(jù)為質(zhì)核比接近1，根據(jù)這一方法可以判斷細(xì)胞是否癌變。

參考文獻(xiàn)

[1] 趙國(guó)超.基于細(xì)胞核分析的癌細(xì)胞圖像特征提取與識(shí)別[D].武漢理工大學(xué)，2013.

[2] 宋盟春.宮頸癌細(xì)胞計(jì)算機(jī)自動(dòng)識(shí)別系統(tǒng)研究與設(shè)計(jì)[D].暨南大學(xué)，2008.

[3] 李子柔，王健慶，陳景森，et al.基于計(jì)算機(jī)視覺的細(xì)胞顯微圖像研究[J].福建電腦， 2017（12）：53.

[4] 范金坪.宮頸細(xì)胞圖像分割和識(shí)別方法研究[D].暨南大學(xué)，2010.

[5] 謝欣，夏哲雷.深度卷積神經(jīng)網(wǎng)絡(luò)的宮頸癌細(xì)胞圖像識(shí)別[J].中國(guó)計(jì)量大學(xué)學(xué)報(bào)，2018（02）：200-203.

Image Recognition of Cervical Cancer Cells Based on Machine Vision

ZHANG Hao-qi，HAN Jia-hao，JIANG Zhuo-ying，YUAN Sheng，HOU Xiao-qiang

（Zhengzhou University，Zhengzhou Henan? 450001）

Abstract：In this paper， the computer image processing technology is used to pretreat the cervical cancer cells， select the appropriate filter for desiccating， and the image is binarized to obtain the binarization image.After that， OpenCV function library was used to extract the edge of the processed cell objects， and the ratio of cytoplasm and nucleus area was obtained by operation to compare the cytoplasm and nucleus ratio of normal cells and cancerous cells. Combined with relevant data and research conclusions， the conclusion that the cytoplasm and nucleus ratio was close to 1-1 was the cancer cell.The experimental results show that the task of feature extraction and recognition of cervical cancer cell image is completed well in this paper.

Key words：image preprocessing; mathematical morphology; feature extraction