醫(yī)學(xué)顯微細(xì)胞圖像分割研究.pdf

1、數(shù)字圖像處理在醫(yī)學(xué)圖像分析方面的應(yīng)用十分廣泛,尤其是在醫(yī)用顯微圖像的處理方面,如組織細(xì)胞分類、染色體分析、組織識(shí)別、細(xì)胞變異研究等。細(xì)胞區(qū)域的分割提取是判斷細(xì)胞形態(tài)異常或細(xì)胞計(jì)數(shù)的前提,直接關(guān)系到診斷的可靠性。本文以瑞典Uppsala大學(xué)圖像分析中心的自建醫(yī)學(xué)顯微細(xì)胞圖像數(shù)據(jù)庫(kù)作為圖像源,對(duì)其中具有連續(xù)閉合邊界且出現(xiàn)輕度或中度粘連的神經(jīng)元干細(xì)胞圖像和白細(xì)胞圖像進(jìn)行圖像分割研究,其研究具有理論意義和實(shí)際應(yīng)用價(jià)值。
　　本文的主要研究

2、工作包括:
　　(1)對(duì)醫(yī)學(xué)顯微細(xì)胞圖像分割方法進(jìn)行綜述,介紹了一些傳統(tǒng)方法和新方法,分析了各自的特點(diǎn)。
　　(2)針對(duì)順序形態(tài)學(xué)算法檢測(cè)細(xì)胞邊緣不夠精細(xì)的問題,提出一種基于自適應(yīng)局部模糊增強(qiáng)的復(fù)合順序形態(tài)學(xué)邊緣檢測(cè)方法。首先引入二維直方圖斜分法定位邊緣區(qū)域,然后由每行的隸屬度均值所確定的隸屬閾值對(duì)邊緣區(qū)域做自適應(yīng)模糊增強(qiáng)處理,最后采用具有多個(gè)百分位和多個(gè)方向結(jié)構(gòu)元素的復(fù)合順序形態(tài)學(xué)進(jìn)行細(xì)胞圖像的邊緣檢測(cè)。實(shí)驗(yàn)結(jié)果表明:該算

3、法可有效實(shí)現(xiàn)細(xì)胞邊緣的檢測(cè),檢測(cè)效果優(yōu)于順序形態(tài)學(xué)。
　　(3)針對(duì)快速水平集邊緣檢測(cè)方法需要手工設(shè)置閾值以獲取曲線演化所需驅(qū)動(dòng)力的不足,提出一種無需設(shè)置閾值的快速水平集邊緣檢測(cè)方法。將模式分類的方法引入到外部速度函數(shù)的設(shè)計(jì)中,間接從圖像數(shù)據(jù)中獲取曲線演化所需的驅(qū)動(dòng)力,使驅(qū)動(dòng)力不再依賴手工設(shè)置的閾值。算法保留了 C-V模型的全局分割特性,同時(shí)采用了快速水平集的雙鏈表方式,以實(shí)現(xiàn)曲線的演化。實(shí)驗(yàn)結(jié)果表明:該算法對(duì)噪聲較大、邊緣模糊的

4、細(xì)胞圖像可實(shí)現(xiàn)快速有效的邊緣檢測(cè)。
　　(4)針對(duì)不同形狀的細(xì)胞提出了不同的鏈碼模型分割方法。針對(duì)類橢圓形細(xì)胞,提出了ECCC(Eleven Components Chain Code)鏈碼分割方法,以解決傳統(tǒng)鏈碼模型計(jì)算量大的問題;針對(duì)不規(guī)則形狀細(xì)胞,提出了 FPCC(Feature Preferences Chain Code)鏈碼分割方法,以解決傳統(tǒng)鏈碼模型適用對(duì)象范圍局限的問題。實(shí)驗(yàn)結(jié)果表明:ECCC法與傳統(tǒng)鏈碼模型分割法

5、相比可節(jié)省近30％的運(yùn)行時(shí)間,FPCC法可實(shí)現(xiàn)對(duì)不規(guī)則形狀細(xì)胞的精確分割。
　　(5)針對(duì)等周圖割法未充分利用圖像中像素點(diǎn)灰度信息的不足,將等周圖割與多閾值法相結(jié)合,提出了一種基于等周圖割的自動(dòng)多閾值分割方法。以等周率作為閾值選擇的標(biāo)準(zhǔn),通過基于Scott最佳組距的迭代策略用多個(gè)閾值來分割醫(yī)學(xué)顯微細(xì)胞圖像。此外,為加速等周率的計(jì)算引入了灰度級(jí)權(quán)值矩陣,以及基于模塊度的自動(dòng)確定節(jié)點(diǎn)聚類數(shù)的方法,動(dòng)態(tài)選擇閾值個(gè)數(shù)。實(shí)驗(yàn)結(jié)果表明:該算法