醫(yī)學顯微細胞圖像分割研究.pdf

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

2、工作包括:
　　(1)對醫(yī)學顯微細胞圖像分割方法進行綜述,介紹了一些傳統(tǒng)方法和新方法,分析了各自的特點。
　　(2)針對順序形態(tài)學算法檢測細胞邊緣不夠精細的問題,提出一種基于自適應(yīng)局部模糊增強的復(fù)合順序形態(tài)學邊緣檢測方法。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邊緣區(qū)域做自適應(yīng)模糊增強處理,最后采用具有多個百分位和多個方向結(jié)構(gòu)元素的復(fù)合順序形態(tài)學進行細胞圖像的邊緣檢測。實驗結(jié)果表明:該算

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

4、細胞圖像可實現(xiàn)快速有效的邊緣檢測。
　　(4)針對不同形狀的細胞提出了不同的鏈碼模型分割方法。針對類橢圓形細胞,提出了ECCC(Eleven Components Chain Code)鏈碼分割方法,以解決傳統(tǒng)鏈碼模型計算量大的問題;針對不規(guī)則形狀細胞,提出了 FPCC(Feature Preferences Chain Code)鏈碼分割方法,以解決傳統(tǒng)鏈碼模型適用對象范圍局限的問題。實驗結(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％的運行時間,FPCC法可實現(xiàn)對不規(guī)則形狀細胞的精確分割。
　　(5)針對等周圖割法未充分利用圖像中像素點灰度信息的不足,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多閾值分割方法。以等周率作為閾值選擇的標準,通過基于Scott最佳組距的迭代策略用多個閾值來分割醫(yī)學顯微細胞圖像。此外,為加速等周率的計算引入了灰度級權(quán)值矩陣,以及基于模塊度的自動確定節(jié)點聚類數(shù)的方法,動態(tài)選擇閾值個數(shù)。實驗結(jié)果表明:該算法