基于圖像處理的異常細胞檢測方法研究

陳紫薇, 原松梅

(哈爾濱工業(yè)大學 建筑學院, 哈爾濱150001)

0 引 言

細胞是組成人體結構的基本單位,在醫(yī)學檢測中,細胞的檢測結果是診療病情的重要依據。 目前的細胞檢測方法有使用薄層制片技術的核TBS 診斷系統(tǒng),但是更多的還是依靠專家閱片,判斷標準往往根據醫(yī)生的醫(yī)術水平和個人意見而定,因此具有較強的主觀性和不確定性［1］。 細胞核是控制細胞生命活動的中心,異常細胞的細胞核一般存在形態(tài)變化,核占比會發(fā)生變化。

計算機圖像處理技術的快速發(fā)展使其應用延伸到各個領域,將計算機圖像處理技術應用于生物醫(yī)學領域能極大地提高病情診斷的精準性,提高醫(yī)用顯微技術處理分析的效率［2］。 醫(yī)學細胞圖像處理是醫(yī)用圖像處理領域一個熱門的課題。 本文提出通過形態(tài)學運算、圖像分割等圖像處理相關操作,計算細胞核占比,進而判斷細胞是否存在異常。

1 圖像處理相關算法

1.1 形態(tài)學運算

腐蝕操作與膨脹操作是形態(tài)學的兩個基本運算,腐蝕與膨脹組合又會形成開運算和閉運算。 腐蝕能夠造成圖像邊緣收縮,可以用來消除小的目標物。 腐蝕的原理如圖1 所示。

圖1 腐蝕操作原理圖Fig. 1 Schematic diagram of corrosion operation

使用白色3×3 模板,對白色目標區(qū)域進行遍歷操作,背景黑部分為(0),背景白部分為(1),模板與覆蓋區(qū)域做“與”操作,若結果全為1,則腐蝕后像素點為白,否則為黑,黑色的部分更易獲得,最終表明白色區(qū)域收縮。

膨脹能夠將目標的邊緣向外擴張,可用于填補區(qū)域孔洞及消去區(qū)域的細小顆粒噪聲。

膨脹的原理如圖2 所示。

圖2 膨脹操作原理圖Fig. 2 Schematic diagram of expansion operation

膨脹操作同樣是使用3×3 的白色模板對白色目標區(qū)域進行操作遍歷操作,背景黑部分為(0),背景白部分為(1),模板與覆蓋區(qū)域做“與”操作,若結果不全為0,則膨脹后相應點為1,最終表明白色目標區(qū)域明顯擴大了。

開運算是對圖像先做腐蝕操作再做膨脹操作的組合運算。 開運算能放大空洞,消除小物體。 開運算的原理如圖3 所示。

圖3 開運算操作原理Fig. 3 Operating principle of open operation

閉運算是對圖像先做膨脹操作再做腐蝕操作的組合運算。 閉運算能填補小型空洞,聯(lián)通兩個區(qū)域［3］。 閉運算的原理如圖4 所示。

圖4 閉運算操作原理Fig.4 Operation principle of closed operation

頂帽操作是基于開運算的操作,使用開運算將峰頂消去,再用原圖與開運算后的操作結果做異或運算,進而得到被去掉的部分。 頂帽操作就是開運算消去圖像中的較亮區(qū)域,即封頂,因此也叫白色頂帽。

1.2 圖像分割算法

圖像分割就是將圖像分割成不同區(qū)域,特性包括：灰度、顏色和紋理等,最終獲得一個或多個感興趣區(qū)域的技術。 圖像分割方法可分為：閾值分割,邊緣分割和區(qū)域分割［4］。

基于閾值的分割是依據閾值對不同物體進行分割。 最大類間方差法,也稱大津法,是公認的無需手動選取閾值的最佳方法。 大津法的基本思路是,首先設一個能將圖像分為兩組的閾值K,能夠使兩組類間方差最大的K 值即為所求分割閾值。 大津法的具體原理為：對于M ×N 大小的圖像f(x,y),灰度級取值范圍為［0 ～L - 1］,記p(k)為灰度值k 的出現(xiàn)頻率,則有：

設用灰度值t 為閾值分割前景與背景,設屬于前景的像素占比為w0(t),則前景部分所占比例,即灰度級t 之前的所有灰度級百分比之和為：

設前景像素個數(shù)N0,總圖像像素個數(shù)與前景部分所占比例之積為：

設背景部分像素占比為w1(t),則背景部分所占比例,即灰度級t 至m 之間的所有灰度級百分比之和為：

設背景部分像素個數(shù)為N1,為總圖像像素個數(shù)與背景部分所占比例之積：

前景灰度均值為t 之前所有灰度級的加權平均值為：

背景灰度均值為灰度級t 至灰度級m 之間所有灰度級的加權平均值：

總灰度均值為前景灰度均值與背景灰度均值的加權平均值：

由公式(9)可知,組間方差越小,則組內的相約越相似,組間方差越大,則兩組差別越大,組間方差與組內方差之比越大,則分割效果越好。 因此使組間方差與組內方差之比最大的t 值即為所求閾值。大津法的缺點是不能反映圖像的空間結構,因此有時其分割結果與人眼判斷存在不同［5］。

基于邊緣的分割算法主要依靠邊緣檢測算法,通過獲取并計算圖像邊緣灰度級或是結構突然改變之處進行圖像的分割。 邊緣檢測算法的基本思想是：先檢測不連續(xù)的點,然后將點連接成邊,先確定邊緣像素,并連接這些像素,進而構成邊界。 實現(xiàn)邊緣檢測主要依靠各種算子,如sobel 算子和canndy算子。

基于區(qū)域的分割則是將每個像素劃分到相應的區(qū)域之中。 區(qū)域生長算法作為基于區(qū)域的分割算法代表,目前應用較為廣泛。 區(qū)域生長算法的原理是：將性質相似的像素集合成區(qū)域,從一組生長點開始,將生長點鄰域性質相似的像素點與生長點合并成新的生長點,迭代生長點至不能生長為止。 實際應用區(qū)域生長算法時需要解決3 個關鍵問題：(1)選取一組能代表區(qū)域的種子生長點；(2)確定生長準則,使相鄰像素能在生長過程中與生長點合并；(3)制定生長過程停止條件。

2 異常細胞檢測方法設計與實現(xiàn)

異常細胞檢測方法思路為：從本地讀入圖像,對圖像進行預處理操作,包括將彩色圖像轉換為灰度圖像,并對灰度圖像做形態(tài)學濾波,使用大津法獲得灰度閾值,生成二值圖像。 使用手動選擇的方法確定生長點,并將目標細胞存入數(shù)組。 對每個生長點使用生長算法,得到每個聯(lián)通的細胞區(qū)域。 對于每個細胞,計算總體面積,對細胞和掩碼圖做頂帽操作,利用大津法確定分離細胞核和細胞質的灰度閾值,獲得二值圖像,計算細胞核面積以及核占比。

異常細胞檢測方法的實現(xiàn)使用matlab,運行環(huán)境為windows 10。

3 實驗結果

對于輸入的細胞圖像,本方法能較好的分離細胞核并計算核占比,詳細的實驗結果如圖5 ～9所示：

圖5 原圖Fig. 5 Original figure

圖6 形態(tài)學操作濾波結果Fig. 6 Results of morphological operation filtering

圖7 二值化圖像Fig. 7 Binarization image

圖8 細胞核圖像Fig. 8 Nuclear image

圖9 細胞核占比計算Fig. 9 Nuclear proportion calculation

4 結束語

本文根據圖像分割等原理,結合細胞檢測這一實際需求,提出了使用圖像處理相關算法檢測異常細胞的方法,利用形態(tài)學運算、大津閾值分割法和區(qū)域生長算法實現(xiàn)了細胞分割,通過掩模區(qū)域相關操作,計算出細胞核的占比,進而判斷細胞是否異常。本檢測方法的優(yōu)越性在于使用較為簡單的人機交互(手動選擇生長點)即可實現(xiàn)細胞核占比的自動計算。

本方法還有如下需改進之處：(1)使用先膨脹后腐蝕的方法可以省去去噪步驟；(2)閾值分割后,會殘留許多噪聲,使用開運算可以去除；(3)大津法是基于最小二乘法的閾值分割法,計算量很大,可用分水嶺算法代替,也可使用梯度算子檢測邊緣。