一種用于宮頸涂片圖像中重疊細(xì)胞的分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理的研宄領(lǐng)域，特別涉及一種用于宮頸涂片圖像中重疊細(xì)胞的 分割方法。
【背景技術(shù)】
[0002] 宮頸癌近年來(lái)發(fā)病率呈上升趨勢(shì)，且患者年齡趨于年輕化。宮頸癌的早期發(fā)現(xiàn) 對(duì)降低死亡率具有重大意義。目前應(yīng)用最廣泛的宮頸涂片制片技術(shù)有液基薄層細(xì)胞學(xué)檢 查（Thinprep liquid-based cytologic test，TCT)和液基細(xì)胞學(xué)檢查（liquid-based cytologictest，LCT)技術(shù)。目前大多數(shù)醫(yī)院都采用人工閱片方式，效率低下，且容易受閱片 人的主觀因素影響，從而降低宮頸涂片篩查的準(zhǔn)確率。采用計(jì)算機(jī)輔助診斷技術(shù)處理涂片， 用機(jī)器閱片取代人工閱片，在提高效率的同時(shí)，也提升了準(zhǔn)確率，對(duì)宮頸癌的篩查具有重大 意義。
[0003] 計(jì)算機(jī)輔助診斷技術(shù)處理涂片的關(guān)鍵步驟之一即涂片圖像的分割。宮頸涂片圖像 中存在大量的重疊細(xì)胞，準(zhǔn)確地進(jìn)行圖像分割很困難。雖然國(guó)內(nèi)外學(xué)者對(duì)宮頸脫落細(xì)胞圖 像分割提出了很多方法，如閥值法、區(qū)域增長(zhǎng)法、分水嶺法、水平集方法、蛇模型方法等，但 這些方法大多用于對(duì)單個(gè)細(xì)胞或多個(gè)但不重疊細(xì)胞的分割，而對(duì)重疊細(xì)胞的分割尚未取得 滿意的效果。Tao等的文章 "Accurate Segmentation of Partially Overlapping Cervical Cells based on Dynamic Sparse Contour Searching and GVF Snake Model" （Journal of Biomedical and Health Informatics, 2014:2168-2194.)利用 k-means 算法提取細(xì)胞 核和背景，然后采用基于分解的梯度增強(qiáng)算法增強(qiáng)細(xì)胞的真實(shí)邊界并定位出弱邊界點(diǎn)，最 后用GVF蛇模型提取細(xì)胞輪廓，但是該算法一次只能從重疊細(xì)胞中提取一個(gè)細(xì)胞，且運(yùn)行 時(shí)間車(chē)交長(zhǎng)。Sulaiman 等的文章 "Overlapping cells separation method for cervical cell images" （Proceedings of IOth International Conference on Intelligent Systems Design and Applications(ISDA), Nov. 29, 2010:1218-1222.)利用顏色信息 和區(qū)域增長(zhǎng)方法對(duì)重疊的宮頸細(xì)胞邊緣進(jìn)行檢測(cè)，分割結(jié)果較為理想，但是該方法僅針 對(duì)紅藍(lán)兩種不同顏色的細(xì)胞重疊情況。Harandi等的文章 "An automated method for segmentation of epithelial cervical cells in images of Thinprep"（Journal of Medical Systems, 2010, 34 (6) :1043-1058.)用圓去模擬一個(gè)細(xì)胞區(qū)域，然后通過(guò)圓內(nèi)細(xì)胞 核的個(gè)數(shù)來(lái)確定該圓是否被分解，再用得到的圓作為幾何活動(dòng)輪廓模型的初始輪廓進(jìn)行演 化，最終使重疊細(xì)胞質(zhì)分離。該分割方法不受顏色的影響，即使是同種顏色的細(xì)胞重疊，也 能得到有效的分割結(jié)果，缺點(diǎn)是初始輪廓難以確定，且時(shí)間效率不高。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種用于宮頸涂片圖像 中重疊細(xì)胞的分割方法。
[0005] 為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：
[0006] -種用于宮頸涂片圖像中重疊細(xì)胞的分割方法，包括下述步驟：
[0007] (1)、去除圖像背景，提取前景對(duì)象，即重疊細(xì)胞組成的細(xì)胞團(tuán)塊；
[0008] (2)、分割出細(xì)胞核，用圖割法提取的細(xì)胞核區(qū)域；
[0009] (3)、對(duì)細(xì)胞團(tuán)塊用均值漂移方法進(jìn)行顏色分區(qū)，并用分水嶺算法分割成子塊； [0010] (4)、搜索子塊所有組合方式，用篩選條件進(jìn)行過(guò)濾，符合條件的組合稱(chēng)為可能 解；
[0011] (5)、對(duì)步驟（4)得到的可能解，計(jì)算其能量泛函，選擇函數(shù)值最小的為最優(yōu)解。
[0012] 優(yōu)選的，所述步驟（1)中，提取前景對(duì)象的具體方法為：
[0013] 將原始圖像RGB彩色空間轉(zhuǎn)換為L(zhǎng)ab彩色空間，提取L分量并計(jì)算其直方圖H，采 用混合高斯法對(duì)直方圖H進(jìn)行擬合，因?yàn)楸尘跋袼氐牧炼戎蹈哂谇熬跋袼?，所以獲取擬合 曲線橫坐標(biāo)L值最大的谷底，將此L分量值作為閾值?Υ，用閾值法去除圖像背景，得到重疊 細(xì)胞團(tuán)塊。
[0014] 優(yōu)選的，所述步驟（3)中，采用分水嶺算法的具體操作如下：
[0015] 根據(jù)L分量獲取形態(tài)學(xué)梯度，并用h變換對(duì)獲取的形態(tài)學(xué)梯度進(jìn)行處理，最后用分 水嶺算法對(duì)處理后的形態(tài)學(xué)梯度進(jìn)行分割。
[0016] 優(yōu)選的，所述步驟（4)中，對(duì)所有組合進(jìn)行篩選得到可能解的具體操作如下：
[0017] 每一個(gè)子塊都存在三種可能情況即：屬于細(xì)胞1，屬于細(xì)胞2和屬于重疊區(qū)域，根 據(jù)這三種可能情況對(duì)所有子塊進(jìn)行組合，并根據(jù)單個(gè)細(xì)胞聯(lián)通性以及細(xì)胞存在重疊的事實(shí) 設(shè)置篩選條件，對(duì)每一種組合方案進(jìn)行過(guò)濾，過(guò)濾后組合方案為可能解。
[0018] 優(yōu)選的，組合方案進(jìn)行過(guò)濾的具體方法為：
[0019] 對(duì)V召e r存在的三種可能情況用mark函數(shù)進(jìn)行標(biāo)記，
[0020]
【主權(quán)項(xiàng)】
1. 一種用于宮頸涂片圖像中重疊細(xì)胞的分割方法，其特征在于，包括下述步驟： (1) 、去除圖像背景，提取前景對(duì)象，即重疊細(xì)胞組成的細(xì)胞團(tuán)塊； (2) 、分割出細(xì)胞核，用圖割法提取的細(xì)胞核區(qū)域； (3) 、對(duì)細(xì)胞團(tuán)塊用均值漂移方法進(jìn)行顏色分區(qū)，并用分水嶺算法分割成子塊； (4) 、搜索子塊所有組合方式，用篩選條件進(jìn)行過(guò)濾，符合條件的組合稱(chēng)為可能解； (5) 、對(duì)步驟（4)得到的可能解，計(jì)算其能量泛函，選擇函數(shù)值最小的為最優(yōu)解。
2. 根據(jù)權(quán)利要求1所述的用于宮頸涂片圖像中重疊細(xì)胞的分割方法，其特征在于，所 述步驟（1)中，提取前景對(duì)象的具體方法為： 將原始圖像RGB彩色空間轉(zhuǎn)換為L(zhǎng)ab彩色空間，提取L分量并計(jì)算其直方圖H，采用混 合高斯法對(duì)直方圖H進(jìn)行擬合，因?yàn)楸尘跋袼氐牧炼戎蹈哂谇熬?