细胞识别与分割

1、粘连细胞的识别与分割【摘要】在医学细胞图像中，经常会有细胞重叠和粘连的现象，将粘连在一起的细胞群 单个分开是医学细胞处理中一项重要而困难的问题，对这一情况，文章先通过细胞的形态学 特征识别出待分割的细胞，再提出了一种有效的分割算法：先用最大类间方差法对图像进行 二值化，然后对图像作距离变换，将像素点位置信息转化为灰度信息，再利用分水岭算法， 找到粘连边界点，从而将细胞群分。实验证明，该算法能成功地分离粘连细胞【关键词】形态学特征最大类间方差法距离变换 分水岭算法引言生物医学是近年来发展比较迅速的一门新型学科，计算机图像处理技术在生物医学中的 应用也越来越广泛和深入。图像分析系统已成为研究细胞学

2、的有力工具，已应用于细胞自动 分类、肿瘤细胞的识别、细胞计数、纹理分析、病理图像检索等方面。细胞是生命的基 本单元，细胞的种类很多，但基本结构都是一样的，诊断细胞学就是观察细胞的形态。动物 细胞主要由细胞核、细胞质和细胞膜组成。细胞核主要是细胞的分裂增值，细胞质显示细胞 的生活机能状态。在细胞图像处理过程中，细胞的显微图像在临床诊断中有着重要意义。很多临床病症表 现为白细胞数目增多、肿大或者白细胞中细胞核形状与数目发生变化，所以对白细胞数目和 形状的研究有着重要意义。但是由于染色条件、涂片制备、图像来源、采样光照条件的差 异以及细胞间相互重叠、粘连情况的发生，这种由多个细胞聚堆而成的细胞群通常

3、会严重影 响后续的统计分析，使得对白细胞的计数和识别等后续分析变得困难。为此，将粘连细胞分 割成为单个细胞，就成为医学图像处理中必须解决的问题。细胞图像的自动分析技术为临床 医学的研究提供了强有力的工具。在细胞图像自动分析技术的研究中产生了对能有效分割有 粘连细胞图像的算法的需求，根据图像不同的特征，人们提出了各种算法，如：灰度阈值法、 区域生长法、边缘检测法、松施法等。这些算法都要求图像具有某些特定性质，在实际处 理中存在一定的局限性，难以直接使用。本文提出了一种利用最大类间方差法对图像二值化提取细胞图像，然后将距离变换和分 水岭算法结合使用，即把处理过的二值图像转换为依据一定规律变化的灰度

4、图，再进行分水 岭分割的方法。实验证明该方法能有效、合理、快速分离粘连细胞图像。系统设计在形态学上识别癌细胞的主要依据是：与正常细胞相比细胞核发生改变、核体积增大、 癌细胞核常呈不规则的叶状。在分割后的二值图像中，细胞核的边缘更加光滑规则形状近似 于圆，因此应用形态特征学特征可以更好的来识别癌细胞。对识别出来的粘连癌细胞首先利用距离变换将细胞像素点不同的位置信息转化为不同 的灰度信息，再利用自适应二值化的分水岭算法来区分不同的像素点，然后将边界点标出， 边界就将细胞群分开为单个的细胞。癌细胞图像的识别根据癌细胞的特性分析可知，癌细胞的细胞核比正常细胞的细胞核大，并且在分割后的 二值图像中，细胞

5、核的边缘更加光滑、规则，形状更近似于圆或椭圆，因此利用上述特性结 合图像处理中的形态学可以用来识别癌细胞。对于癌细的判断主要使用的形态学特征包括细 胞核的面积、致密度、矩形度和伸长度。面积计算细胞核的面积可用细胞核边界所围的区域所包含的像素数来表示。在数字图像中，区 域面积可以定义为区域内所含的像素个数，即可将区域内像素标记为f (m, n) = 1,区域外标记为f(m, n) = 0,则面积为:A=勿m=0习 f (m, n)n=0致密度计算致密度是用来刻画物体边界的复杂程度，也称为分散度，其定义为区域周长P的平方与面积A的比:C = P2 /A (其中P=Ne+ w2 No)计算细胞的致密

6、度的步骤：计算细胞目标区域的面积。检测是否为垂直方向连续的周长像素点，并记录垂直方向连续周长像素点的个数 Ny。检测是否为水平方向连续的周长像素点，并记录水平方向连续周长像素点的个数 Nx。计算周长像素点总数Sn。偶数码的链码的个数为Ne =Nx+Ny,奇数码的链码个数No = Sn- Ne。利用周长公式计算周长。将第一步和第六步的结果带入致密度公式计算致密度。矩形度矩形度是描述细胞区域与矩形的偏离程度，当细胞区域为矩形时，R取最大值1。R = A/(W*H)其中W为宽度，H为高度。伸长度E = min(W,H)/max(W,H)细胞区域成细长形，E越小；当细胞区域为圆形时，E =l识别H =

7、 wivi T其中Wi是权值，T代表阈值，vi代表以上四步的结果，取值为0和1,分别代表细胞 的存在与否。由此得到的HAT,说明可以判断为癌细胞；如果H0）DoF=F-1;if（新冒出的点像素值=F）if（此像素周围20邻域标志位都为0） 为新颗粒，种子数加1,且将此时种子数的值赋给该像素的标志位；else为已标颗粒的扩展区域,将不为0的标志位的值赋给该像素的标志位；else if（此像素周围8邻域标志位都相同）为同一个颗粒，将这个像素点标志位的值赋成与周围8邻域相同；else为边界点，将此像素点的像素值赋为0。按照上面进行分割后为了显示更清楚，反色并进行阈值分割（此时阈值选取255, 因为经

8、上述变化后背景点和细胞的粘连处的像素值均为255,细胞的像素值均小于255）。实验结果及讨论图2是对细胞原图像（图1）进行最大类间方差法二值化后的结果，由图可知，细 胞呈现严重粘连甚至重叠现象。而由图3可见，除极少数粘连特别严重的（重叠部分达 细胞面积一半以上，肉眼几乎无法离开）没有分开，其它的粘连颗粒都被合理地分开， 局部颗粒产生的误差主要来源于图像背景中的噪声，整个算法对图像中粘连细胞的分割 是很成功的。图5是对二值化的细胞图像（图4）进行距离变换并分割后的图像，可以 发现，对于粘连不是很严重的细胞图像来说，该算法能非常准确地分离细胞。图2二值化图像图1细胞原图像图2二值化图像图1细胞原图像图3距离变换并分割后图像图4细胞图像（二值化后）图5距离变换并分割后细胞图像下表是对实验结果的进一步的说明，由表可以看出，该算法产生的相对误差比较小，分 割图像所需时间短。原图 像人工分割计 数/个算法分割计数/个相对误差/ %时间/s图184813.171.01图453521.890.98算法分割特性表本算法结合最大类间方差分割法、距离变换和分水岭算法。合理快速地分离了粘连细胞， 与其他相关方法相比，分割效果良好稳定，速度快速且具有将强的鲁棒性，是一种实用、有 效的粘连细胞分割算法。参考文献孙怀江腹水脱爱细胞显微图像分类识别研