視網(wǎng)膜細(xì)胞顯微圖像分割與計(jì)數(shù)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種視網(wǎng)膜細(xì)胞顯微圖像分割與計(jì)數(shù)方法，屬于圖像處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 視網(wǎng)膜是腦部神經(jīng)組織的延伸，具有復(fù)雜的多層次組織結(jié)構(gòu)。視網(wǎng)膜病變引起的 視網(wǎng)膜組織的損傷往往靠藥物難以修復(fù)，因此生物組織修復(fù)工程已經(jīng)成為修復(fù)視網(wǎng)膜損傷 的一種強(qiáng)有力的工具，其中一種方法就是設(shè)計(jì)一種具有生物相容性的材料，將攜帶了健康 視網(wǎng)膜細(xì)胞的材料注射到視網(wǎng)膜損傷的部位，促進(jìn)細(xì)胞在損傷部位的生長增殖，進(jìn)而修復(fù) 損傷部位。這就要求這種材料須與人體相容，對(duì)人體無害，所以這種材料的細(xì)胞毒性需要被 準(zhǔn)確評(píng)估。通過設(shè)計(jì)一系列視網(wǎng)膜細(xì)胞與材料共培養(yǎng)的實(shí)驗(yàn)，并拍攝相應(yīng)的視網(wǎng)膜熒光顯 微細(xì)胞圖像，分析不同時(shí)間點(diǎn)的視網(wǎng)膜細(xì)胞數(shù)目的變化來評(píng)估材料的細(xì)胞毒性。由于細(xì)胞 圖像的復(fù)雜性和多樣性，重疊、粘連細(xì)胞的分割是細(xì)胞圖像分割的一大難題，增加了視網(wǎng)膜 細(xì)胞圖像計(jì)數(shù)的難度，為了提高分析結(jié)果的精度，必須運(yùn)用分割算法將它們自動(dòng)分割為單 個(gè)細(xì)胞。在自動(dòng)分割后進(jìn)行計(jì)數(shù)可以準(zhǔn)確定量的分析細(xì)胞數(shù)目變化趨勢，進(jìn)而準(zhǔn)確評(píng)估材 料的細(xì)胞毒性。
[0003] 目前的細(xì)胞圖像自動(dòng)分割算法存在以下的缺陷：（1)大部分算法是尋找粘連細(xì)胞 輪廓上曲率較高的凹點(diǎn)作為分割的起始點(diǎn)，而往往細(xì)胞輪廓上存在多個(gè)凹點(diǎn)，凹點(diǎn)的選擇 與配對(duì)難度很大。（2)大部分現(xiàn)有的分割算法往往對(duì)細(xì)胞的大小、形狀以及預(yù)設(shè)的參數(shù)非常 敏感，對(duì)不同圖像往往會(huì)有欠分割或過分割的情況。（3)大部分分割算法往往是針對(duì)二值圖 像圖像處理的，沒有利用原圖有用的灰度信息，從而使分割結(jié)果與實(shí)際情況有很大差異。

【發(fā)明內(nèi)容】

[0004] 為解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種視網(wǎng)膜細(xì)胞顯微圖像分割與 計(jì)數(shù)方法，結(jié)合了傳統(tǒng)的和近代提出的多種方法，對(duì)重疊、粘連細(xì)胞進(jìn)行分割，獲得的結(jié)果 具有較好的準(zhǔn)確性，方法有較高的運(yùn)行效率。
[0005] 為了實(shí)現(xiàn)上述目標(biāo)，本發(fā)明采用如下的技術(shù)方案：
[0006] -種視網(wǎng)膜細(xì)胞顯微圖像分割與計(jì)數(shù)方法，其特征是，包括如下步驟：
[0007] 1)預(yù)處理:去除圖像中的噪聲點(diǎn)；
[0008] 2)使用AdaBoost分類器對(duì)細(xì)胞進(jìn)行形狀分類，對(duì)輸入的細(xì)胞圖像中的連通區(qū)域進(jìn) 行分類，判斷每個(gè)連通區(qū)域是否需要分割；
[0009] 3)對(duì)細(xì)胞進(jìn)行瓶頸點(diǎn)檢測：在需要分割的細(xì)胞連通區(qū)域的輪廓上進(jìn)行瓶頸點(diǎn)檢 測，檢測到的一對(duì)瓶頸點(diǎn)作為細(xì)胞分割的一對(duì)起始點(diǎn)；
[0010] 4)使用加速迪杰斯特拉算法連接分割點(diǎn)完成分割；
[0011] 5)將分割獲得的新的細(xì)胞連通區(qū)域重新進(jìn)行步驟2)，判斷是否需要繼續(xù)分割，如 果需要分割，則重復(fù)步驟3)_5)，如果不需要繼續(xù)分割，則輸出結(jié)果。
[0012] 前述的視網(wǎng)膜細(xì)胞顯微圖像分割與計(jì)數(shù)方法，其特征是，所述步驟1)中利用閾值 濾波和數(shù)字形態(tài)學(xué)變換對(duì)圖像進(jìn)行預(yù)處理。
[0013] 前述的視網(wǎng)膜細(xì)胞顯微圖像分割與計(jì)數(shù)方法，其特征是，所述步驟1)中，對(duì)濾波后 的圖像使用3*3的模板進(jìn)行腐蝕和膨脹操作。
[0014] 前述的視網(wǎng)膜細(xì)胞顯微圖像分割與計(jì)數(shù)方法，其特征是，所述步驟2)具體操作如 下:通過步驟1)預(yù)處理后的圖像得到細(xì)胞的連通區(qū)域，并提取連通區(qū)域的若干形狀特征;所 述AdaBoost分類器利用細(xì)胞連通區(qū)域的形狀特征判斷連通區(qū)域是否需要被分割。
[0015] 前述的視網(wǎng)膜細(xì)胞顯微圖像分割與計(jì)數(shù)方法，其特征是所述步驟2)中圖像上的每 個(gè)細(xì)胞的連通區(qū)域都被標(biāo)上標(biāo)簽1或〇，1代表需要被分割，〇代表不需要被分割。
[0016] 前述的視網(wǎng)膜細(xì)胞顯微圖像分割與計(jì)數(shù)方法，其特征是，所述步驟3)中，在需要被 分割的細(xì)胞連通區(qū)域的輪廓上進(jìn)行瓶頸點(diǎn)檢測，并做為連通區(qū)域的分割點(diǎn)，瓶頸點(diǎn)檢測的 具體方法如下：
[0017]取細(xì)胞連通區(qū)域輪廓上的任意兩個(gè)不同點(diǎn)A和B，點(diǎn)A和B之間的代價(jià)函數(shù)
其中dist(A，B)表示點(diǎn)A和B之間的歐式距離， length(A，B)、length(B，A)分別表示在連通區(qū)域輪廓上從點(diǎn)A到B和從點(diǎn)B到點(diǎn)A的順時(shí)針方 向的弧長；
[0018] 瓶頸點(diǎn)A*和滿足
t
[0019] 本發(fā)明所達(dá)到的有益效果:本發(fā)明結(jié)合了傳統(tǒng)的和近代提出的多種方法，利用了 閾值濾波、數(shù)字形態(tài)學(xué)操作，具有計(jì)算量小、運(yùn)算簡單、運(yùn)行效率高等優(yōu)點(diǎn)；同時(shí)結(jié)合了細(xì)胞 形狀分類，邊緣輪廓瓶頸點(diǎn)檢測的方法以及加速迪杰斯特拉算法，對(duì)重疊、粘連細(xì)胞進(jìn)行分 害J，獲得的結(jié)果具有較好的準(zhǔn)確性，方法有較高的運(yùn)行效率。
【附圖說明】
[0020] 圖l(a)_(d)均是瓶頸點(diǎn)檢測的結(jié)果示意圖；
[0021] 圖2(a)-(d)均是二值化后的原始圖像；
[0022] 圖3(a)_(e)均是原始細(xì)胞連通區(qū)域和分割后的區(qū)域?qū)Ρ葓D；
[0023] 圖4(a)_(d)均是原始細(xì)胞連通區(qū)域的邊緣和分割后的區(qū)域的邊緣對(duì)比圖。
【具體實(shí)施方式】
[0024] 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。以下實(shí)施例僅用于更加清楚地說明本發(fā)明 的技術(shù)方案，而不能以此來限制本發(fā)明的保護(hù)范圍。
[0025] 本方法的具體步驟如下：
[0026] (1)圖像預(yù)處理：
[0027] 由于視網(wǎng)膜細(xì)胞與高分子材料共培養(yǎng)，這會(huì)導(dǎo)致細(xì)胞染色的不規(guī)則，所以采集到 的熒光顯微圖像存在不同程度的噪聲，通過利用閾值濾波和數(shù)字形態(tài)學(xué)變換對(duì)圖像進(jìn)行預(yù) 處理，其中對(duì)濾波后的圖像使用3*3的模板進(jìn)行腐蝕和膨脹的操作，這可以有效濾除圖像中 的噪聲點(diǎn)。而且這種方法簡單，計(jì)算開銷小，處理效率高，能達(dá)到很好的圖像去噪和增強(qiáng)效 果。
[0028] (2)形狀分類：
[0029] 在預(yù)處理的圖像上可以獲得細(xì)胞的連通區(qū)域，并提取這些連通區(qū)域的的形狀特 征，我們選取了其中 7個(gè)形狀特征：area，solidity，eccentricity，convexarea， equivdiameter，〇1^6]^&1:;[011和61七6111:。在這個(gè)步驟中，4(1&130081:分類器利用細(xì)胞連通區(qū)域 的這一系列形狀特征來判斷連通區(qū)域是否需要被分割，在本實(shí)施例中，隨機(jī)選取了60個(gè)細(xì) 胞形狀作為AdaBoost形狀分類器的訓(xùn)練集，其中，一半是需要分割的形狀，一半是不需要分 割的形狀。在分類之后，圖像上的每個(gè)細(xì)胞的連通區(qū)域都被標(biāo)上標(biāo)簽1或0