專(zhuān)利名稱(chēng)：一種基于l1最小化模型的全自動(dòng)細(xì)胞定位方法
技術(shù)領(lǐng)域：
本發(fā)明屬于生物醫(yī)學(xué)光學(xué)圖像處理領(lǐng)域，特別是涉及生物醫(yī)學(xué)光學(xué)圖像中細(xì)胞定位方法。具體為一種基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其中，LI為I范數(shù)。本發(fā)明方法尤其適用于神經(jīng)元胞體的定位。
背景技術(shù)：
神經(jīng)回路是大腦功能的物理基礎(chǔ)。繪制精細(xì)神經(jīng)回路圖能極大地提高人類(lèi)關(guān)于大腦功能的認(rèn)識(shí)水平。如果我們預(yù)先完成定位神經(jīng)細(xì)胞的工作，那么我們將能夠更快更精確地追蹤神經(jīng)突起，從而高效完成神經(jīng)回路圖的繪制工作。事實(shí)上這一方法已經(jīng)在神經(jīng)科學(xué)界得到廣泛的應(yīng)用，例如用這種方法我們成功研究了癌癥干細(xì)胞與神經(jīng)微環(huán)境的依賴(lài)關(guān)系，成功找到了神經(jīng)細(xì)胞與神經(jīng)血管兩者之間的分布規(guī)律。最近突飛猛進(jìn)的熒光標(biāo)記和顯微成像技術(shù)，使得人類(lèi)能夠以微米甚至超微米量級(jí)的水平測(cè)量如老鼠之類(lèi)的嚙齒類(lèi)動(dòng)物的完整大腦回路結(jié)構(gòu)。不過(guò)即使是繪制僅僅像老鼠這樣的小動(dòng)物的大腦神經(jīng)回路圖，人類(lèi)就要處理浩瀚如海的數(shù)據(jù)，這是人類(lèi)大規(guī)模分析大腦數(shù)據(jù)所面臨的巨大障礙。自動(dòng)定位和分割三維神經(jīng)圖像細(xì)胞的方法取得了巨大進(jìn)展，典型的方法有分水嶺算法，梯度流算法，這些方法只適用于簡(jiǎn)單形態(tài)的細(xì)胞的定位和分割。最近FARSIGHT的方法參見(jiàn)文獻(xiàn):1.Al-Kofahi, Y., Lassoued, ff., Lee, ff.&Roysam, B.1mproved automaticdetection and segmentation of cell nuclei in histopathology images.1EEE Trans.Biomed.Eng.57，841-852 (2010).引人注目，它是一種多尺度濾波的方法，它利用不同尺度下的模板與圖像匹配，達(dá)到定位胞體的目的。然而，該方法對(duì)于具有粗突起的神經(jīng)元細(xì)胞不能很好地處理。神經(jīng)細(xì)胞的定位工作仍然要依賴(lài)人工輔助，計(jì)算機(jī)自動(dòng)定位神經(jīng)細(xì)胞的方法還遠(yuǎn)遠(yuǎn)不夠成熟。

發(fā)明內(nèi)容
`
本發(fā)明的目的是提供一種基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，該方法處理速度快，并且可以在粗突起的干擾下實(shí)現(xiàn)細(xì)胞尤其是神經(jīng)元胞體定位。本發(fā)明提供的一種基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，包括下述步驟:第I步、讀取原始圖像，并進(jìn)行二值化處理，得到二值化圖像B ;第2步、對(duì)二值化圖像B進(jìn)行腐蝕，得到包括神經(jīng)元細(xì)胞的連通域，組成連通域集；對(duì)該連通域集中的每一個(gè)連通域均按照下述第3步與第4步的過(guò)程處理，得到所有細(xì)胞的位置和半徑；第3步、將提取的連通域嵌入到一個(gè)長(zhǎng)方體區(qū)域，稱(chēng)之為子區(qū)域，從該子區(qū)域中獲取候選種子點(diǎn)，再根據(jù)候選種子點(diǎn)間的距離剔除冗余的候選種子點(diǎn)，將剩余的候選種子點(diǎn)作為真實(shí)種子點(diǎn)，真實(shí)種子點(diǎn)的個(gè)數(shù)記為k ；第4步、構(gòu)建LI最小化模型，得到連通域中真實(shí)的細(xì)胞位置和半徑；其具體過(guò)程為:
第4.1步、求解式I中的LI最小化模型以估計(jì)參數(shù)，得到各真實(shí)種子點(diǎn)所對(duì)應(yīng)的位置和半徑:
權(quán)利要求
1.一種基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，包括下述步驟: 第I步、讀取原始圖像，并進(jìn)行二值化處理，得到二值化圖像B ; 第2步、對(duì)二值化圖像B進(jìn)行腐蝕，得到包括細(xì)胞的連通域，組成連通域集；對(duì)該連通域集中的每一個(gè)連通域均按照下述第3步與第4步的過(guò)程處理，得到所有細(xì)胞的位置和半徑; 第3步、將提取的連通域嵌入到一個(gè)長(zhǎng)方體區(qū)域，稱(chēng)之為子區(qū)域，從該子區(qū)域中獲取候選種子點(diǎn)，再根據(jù)候選種子點(diǎn)間的距離剔除冗余的候選種子點(diǎn)，將剩余的候選種子點(diǎn)作為真實(shí)種子點(diǎn)，真實(shí)種子點(diǎn)的個(gè)數(shù)記為k ； 第4步、構(gòu)建LI最小化模型，得到連通域中真實(shí)的細(xì)胞位置和半徑；其具體過(guò)程為: 第4.1步、求解式I中的LI最小化模型以估計(jì)參數(shù)，得到各真實(shí)種子點(diǎn)所對(duì)應(yīng)的位置和半徑:
2.根據(jù)權(quán)利要求1所述的基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其特征在于，第I步具體包括下述過(guò)程: 第1.1步、讀入三維原始圖像，記為I ; 第1.2步、將I與預(yù)設(shè)的閾值Tl做取小操作，然后將之與一個(gè)均值模板做多次卷積操作，得到一副新圖像，記為c ；T1的取值為0.8-0.9倍圖像I的背景的平均像素值； 第1.3步、根據(jù)如下核函數(shù)，利用I和C，得到二值化圖像B:
3.根據(jù)權(quán)利要求1所述的基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其特征在于，第2步具體包括下述過(guò)程: 第2.1步、令R = B，對(duì)于R上的每一個(gè)像素點(diǎn)，如果該點(diǎn)與其周?chē)?6個(gè)點(diǎn)的二值化像素值之和小于閾值T2，則將此點(diǎn)的值置為0，否則其值保持不變，將進(jìn)行上述操作后的圖像記為E ；T2的取值范圍為8 14個(gè)像素； 第2.2步、對(duì)于圖像Ε，提取其中像素個(gè)數(shù)在預(yù)設(shè)的范圍內(nèi)之間的連通域，并存儲(chǔ)在連通域集待用；該預(yù)設(shè)的范圍根據(jù)最小細(xì)胞與最大細(xì)胞所占像素個(gè)數(shù)確定； 第2.3步、將圖像E中已經(jīng)提取出來(lái)的連通域的像素值置為0，得到新的圖像，用之來(lái)替換R ； 第2.4步、對(duì)于新得到的R，重復(fù)第2.1步 第2.3步直至連通域的體素個(gè)數(shù)小于預(yù)設(shè)的范圍的下限。
4.根據(jù)權(quán)利要求1所述的基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其特征在于，第3步具體過(guò)程為: 第3.1步、從連通域集中提取一個(gè)連通域，將提取出來(lái)的連通域嵌入到一個(gè)長(zhǎng)方體區(qū)域，將之稱(chēng)為子區(qū)域，并將該子區(qū)域的二值化圖像和原始圖像分別記為和込； 第3.2步、將和k同時(shí)與全I(xiàn)模板進(jìn)行卷積，得到的圖像分別記為B+和I+ ； 第3.3步、根據(jù)圖像B+和I+，從子區(qū)域中獲取候選種子點(diǎn)； 第3.4步、從候選種子點(diǎn)中根據(jù)候選種子點(diǎn)間的距離剔除冗余的候選種子點(diǎn)，將剩余的候選種子點(diǎn)作為真實(shí)種子點(diǎn)。
5.根據(jù)權(quán)利要求3所述的基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其特征在于，第2.2步中，所述預(yù)設(shè)的范圍為L(zhǎng)min Lmax, Lmin = 100 + 20像素，Lmax = 20000±200像素。
6.根據(jù)權(quán)利要求4所述的基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其特征在于，第3.3步中，對(duì)于子區(qū)域里面的每一個(gè)點(diǎn)O，如果該點(diǎn)的像素值B+(ο)大于預(yù)設(shè)的閾值T3，而且Γ(ο)為局部極大值，將此點(diǎn)作為候選種子點(diǎn)，T3的取值范圍為60 100個(gè)像素。
7.根據(jù)權(quán)利要求4所述的基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其特征在于，第3.4步的具體過(guò)程為，從候選種子點(diǎn)中選出I+(O)最大的那個(gè)點(diǎn)，將該點(diǎn)記為O1，剔除與點(diǎn)O1的歐拉距離小于預(yù)設(shè)的閾值T4的候選種子點(diǎn)，重復(fù)此操作直至候選種子點(diǎn)集為空集或重復(fù)至少10次，將剩余的候選種子點(diǎn)作為真實(shí)種子點(diǎn)，T4的取值為最小細(xì)胞的半徑的0.8 0.9 倍。
8.根據(jù)權(quán)利要求1所述的基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其特征在于，第4.1步中的式I轉(zhuǎn)化為式I1:
9.根據(jù)權(quán)利要求8所述的基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其特征在于，利用梯度投影算法計(jì)算半徑利用均值算法計(jì)算位置O」。
10.根據(jù)權(quán)利要求1至9中任一所述的基于LI最小化模型的全自動(dòng)細(xì)胞定位方法，其特征在于，所述細(xì)胞為神經(jīng)元胞體。
全文摘要
本發(fā)明公開(kāi)了一種基于L1最小化模型的全自動(dòng)細(xì)胞定位方法，步驟為①對(duì)原始圖像進(jìn)行二值化處理，得到二值化圖像B；②對(duì)B進(jìn)行腐蝕，得到包括神經(jīng)元的連通域，并對(duì)每個(gè)連通域按③和④進(jìn)行處理，得到所有細(xì)胞的位置；③對(duì)每個(gè)連通域，將其嵌入到一個(gè)長(zhǎng)方體，稱(chēng)為子區(qū)域，從子區(qū)域中獲取候選種子點(diǎn)，再根據(jù)候選種子點(diǎn)間的距離剔除冗余的候選種子點(diǎn)，將剩余的候選種子點(diǎn)作為真實(shí)種子點(diǎn)，真實(shí)種子點(diǎn)的個(gè)數(shù)記為k；④構(gòu)建L1最小化模型，得到連通域中真實(shí)的細(xì)胞位置和半徑。本發(fā)明采用提取子區(qū)域的方式進(jìn)行細(xì)胞定位，每個(gè)子區(qū)域可同時(shí)獨(dú)立進(jìn)行運(yùn)算，可以將所有連通域并行運(yùn)算，可極大提高整體運(yùn)算速度，因而能有效處理大范圍數(shù)據(jù)。
文檔編號(hào)G06T7/00GK103236052SQ20131010470
公開(kāi)日2013年8月7日 申請(qǐng)日期2013年3月28日 優(yōu)先權(quán)日2013年3月28日
發(fā)明者曾紹群, 龔輝, 駱清銘, 李靖 申請(qǐng)人:華中科技大學(xué)