医学图片中分离重叠细胞的方法研究

唐维

摘要：该文研究的主要内容是处理粘连细胞的分割。在医学中所运用到的细胞图片，往往细胞和细胞之间会有粘连，由于粘连之后的部分经常出现灰度的叠加，这就造成图片信息的不准确，给研究造成了一定的干扰。传统的细胞分割方法因为在辨别粘连区域灰度的能力较差，所以在分割粘连细胞时往往有缺失。为了改善这样的问题，该文采用自适应阈值来处理粘连细胞的分割问题。计算得出细胞粘连区域像素的特征信息，利用自适应阈值来识别粘连区域中像素间的差异，把像素归类，使得传统分割算法混淆像素的问题得到很好的解决。通过实验可以得出，该文使用的自适应阈值分割粘连细胞的算法是有效的，效果理想。

关键词：粘连细胞；阈值；自适应；分割

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）14-3366-03

在医学应用中，病变细胞互相之间往往会有粘连的情况发生，针对粘连细胞的分割在医学图像处理中占有很重要的地位。随着现代科学技术的发展，医学图像处理自动化的脚步越来越快，针对其的有关工作也是在不断的进展当中，自动化处理医学图像的设备也是越来越先进。在医学图像处理的众多领域中，针对粘连细胞的分割是我们比较关心的部分，因为是否能够准确无误的分割粘连细胞很大程度上会影响到医生的诊断结果。因此在医疗诊断中细胞的准确分割是很关键的。现阶段自动化分割粘连细胞的过程大多是根据病变细胞和背景部分边缘和色彩上的差异来实现的。通常应用的分割粘连细胞的方法有主成分分析法（PCA），费舍尔最佳鉴别矢量方法，聚类方法等。

在上述传统的方法中，大多数是根据医学细胞图片中，像素点灰度和周围区域像素的差异来区分的。进行粘连分割时，要依据病变细胞和周围区域的灰度差异完成图像的分割要求。这些分割算法针对独立的细胞分离的效果比较理想，然而如果细胞与细胞重叠的部分很多的时候，由于重叠细胞部分的灰度容易混淆，使得继续采用传统算法的细胞分离不能很好的达到目的，不能够精确的将病变细胞从正常的细胞分割出来。因此，将病变细胞从正常细胞中无误的分割出来，一直困扰着医学研究。

为了能够弥补前面介绍的不足，本为采用自适应阈值动态改变的细胞分割来使病变细胞得到分离。由于重叠细胞区域的像素灰度值的差异较小，可是它们之间仍然会有一定的差异，所以采取多样可以调整的阈值的方法把重叠部位的相似灰度像素点实现理想的区分。此方法弥补了传统细胞分割方法中分割细胞不完全的缺陷。通过大量实验得出，该文采用的细胞分割算法可以理想的实现粘连细胞的分割，效果理想。

1 图像分割原理

在医学领域的图像处理中，病变细胞与正常细胞之间分割的方法，是根据电脑图像分离理论和医学图像理论，根据细胞像素点的灰度和周围区域像素点灰度值之间的差异，最终使得病变细胞得以分割出来。

医学领域中判别细胞图像分割算法的步骤是：计算得出病变细胞灰度值分布的曲线，并且得到具体细胞像素点的最重要细节特征，之后可以得到最重要细节特征之差的极大值。针对差值的方法继续采用迭代算法，使得病变细胞能够从正常细胞中分割出来。具体的步骤如下所述：

1） 图片初始化

将获得的医学图片进行初始化操作，由于外界很多条件的影响，导致获得的医学图片比较模糊。根据图片初始化算法可以使得图片变得更加清晰。m（x，y）是确定区域像素点灰度值，与指定区域相邻的区域为N×N，一共有像素点Q个，根据公式（1）可以得到像素点的灰度值：

[m（x，y）=1Qi，j∈Sm（i，j）] （1）

根据公式（1）计算的最终结果替换图片中细胞最初像素灰度，可以实现图像的初始化，使得图片的质量有所提升。

2） 选择病变细胞边缘特征

先提取细胞轮廓主要特征。具体算法如下：

[fk=a1kx1j+a2kx2j+a3kx3j+....+ankxnj] （2）

上式中x代表细胞轮廓的数据矩阵，k代表组成序列号，n代表x的维数，a代表系数。

3） 判别轮廓上像素点的阈值，实现医学图片病变细胞的分割

[g=i=1n（fi，...f0）2/（n2）] （3）

[S=0f（x，y）∈g1f（x，y）?g] （4）

在公式（3）、（4）中，f指的边沿区域灰度值，g指的是周围部分灰度的值，S指的是经过操作后的灰度值。如果病变细胞边缘区域的灰度满足判定规定的需求，那么此部分是病变区域，否则，判定此区域是周围区域。这样就完成了病变细胞部分和周围背景部分的区分。我们可以根据细胞的像素比判定分离结果的优劣：

[R=i=0NSii=0Nfi] （5）

公式（5）中，S指的是分割出的病变细胞像素点的灰度值，f指的是所有像素的数目。经过对照研究，可以得到病变细胞分割的准确率。

依据前面的说明可以得出，采用传统方法实现病变部分细胞的分割，假设细胞重合部分少，那么分离的结果是很满意的。然而假设细胞重叠部分多，则病变细胞的分割效果不尽如人意。

本文尽量弥补前面所叙述的缺点，采用自适应阈值的算法分离病变细胞，利用获得的像素具体特征信息，根据多阀门自动改变算法实现细胞的分离，尽管像素点的颜色相差较小，然而利用这个算法可以理想的辨别单个类似的像素点，实现细胞的分离。经过试验验证，此方法可以分离重叠在一起的细胞，结果较好。

2 粘连细胞分割原理

2.1 细胞图片的像素聚类

分割出病变细胞首先要做的是将不同细胞利用像素举止的差异进行区分分组，这样会给接下来的操作带来很大的方便。假设有n个像素点，根据均值聚类算法步骤，把这些像素点归类到K个各异的类别中去，此时在相同类别中的像素点会非常接近，而不同类别里面的像素点差异性会很大。聚类算法经过迭代后得到最相似的，之后进行分类。接下来介绍聚类算法的大致过程：endprint

第一， 选择最初的聚类中心点，中心点的个数是K。

第二， 根据确定好的聚类函数来进行分类操作，判断和哪个聚类中心点的距离最小，接下来将测试的像素点归类到相应的类别中去。经过了多次改变以后，有了新的聚类中心点，如果改变前和改变后的聚类中心点非常接近，那么表示改变像素点数据后，聚类的准则收敛，将上述方法用如下步骤表示：

1） 选择数据集，如果I=1，选择最初的聚类中心点的数目为K，[zj（I）]，j=1，2，…，k，I表示的是迭代的个数；

2） 计算每个测试像素点和聚类中心点之间的欧氏距离，

[D（xi，Zj（I））]，i=1，2，…，n，j=1，2，…，k， （6）

如果满足[D（xi，Zj（I））]=[minD（xi，Zj（I）），i=1，2，...，n]，则[xi∈wk]。

经过上述的过程，改变测试的像素点以后，聚类中心点和相应的准则都会有所变化，对n个测试像素操作以后，迭代也进行了一个来回，此刻得到了新的聚类中心。

操作完成后，可以归来最初的细胞像素点，实现均值的归类，对以后操作创造了可能。

2.2 自适应阈值计算

医学图像中细胞重叠的程度能够利用欧氏距离变化以后的图片体现。在中心点四周的细胞灰度往往很大，能够反映细胞重叠程度的部分，经常是灰度值大且窄的像素区域，因此求出的灰度均值并不是很大。病变细胞分离通过改变阈值的大小来实现。

自适应阈值算法的大致过程：首先，计算欧氏距离变换中的每一个像素点，然后，对位置相邻的像素点求出灰度值，接下来对之前获得的两个值相除，改变阈值大小，随着条件的差异，像素点得到的灰度值也会有差异。利用这点来分离重叠的细胞。

其中细胞像素（i，j）的混合模型是：

3 实验仿真

本文根据实验验证自适应阈值改变的方法分离重叠细胞的效果。分别利用传统的分割病变细胞的方法和本文采用的方法进行对比，具体的步骤如图1。

选择重叠较多的细胞来操作，下图2是重叠细胞：

利用传统的分割病变细胞的方法和本文采用的方法，最终的实验结果如图3：

从图3中可以看出，该文采用的自适应阈值的方法分割的病变细胞的准确率有所提升。然而由于细胞重叠较大，采用传统分割算法效果不理想，不符合实际的需求。

4 总结

本文采用的自适应阈值分割的方法，弥补了一个阈值分割时的缺陷，与传统分割算法相比，有较大的优势，能够满足临床研究的应用。

参考文献：

[1] Akimoto，Y Suenaa，R S Wallace. Automatic Creation of 3D Facial Models [J].IEEE Computer Graphics and Applications，1993，13 （5）.

[2] Ju Han，B Bhanu.lndividual recognition using gait energymage （digital object identifier）[J].IEEE Trans on Pattarn Analysis and Machine lntelligence，2006，10 （2）.

[3] Yang Feng， Ma Zheng，Xie Mei. A Novel Approach for License Plate Character Segmentation[C].2006， IEEE， Conference on Signal Processing，2000：1409-1414.

[4] 陈佳娟.基于图象处理和人工智能的植物病害自动诊断技术的研究[D].长春：吉林人学，2001.

[5] 赵钦佩.一种新的基于背景的红外图像分割方法[J].计算机仿真，2007（5） ：202-205.endprint

第一， 选择最初的聚类中心点，中心点的个数是K。

第二， 根据确定好的聚类函数来进行分类操作，判断和哪个聚类中心点的距离最小，接下来将测试的像素点归类到相应的类别中去。经过了多次改变以后，有了新的聚类中心点，如果改变前和改变后的聚类中心点非常接近，那么表示改变像素点数据后，聚类的准则收敛，将上述方法用如下步骤表示：

1） 选择数据集，如果I=1，选择最初的聚类中心点的数目为K，[zj（I）]，j=1，2，…，k，I表示的是迭代的个数；

2） 计算每个测试像素点和聚类中心点之间的欧氏距离，

[D（xi，Zj（I））]，i=1，2，…，n，j=1，2，…，k， （6）

如果满足[D（xi，Zj（I））]=[minD（xi，Zj（I）），i=1，2，...，n]，则[xi∈wk]。

经过上述的过程，改变测试的像素点以后，聚类中心点和相应的准则都会有所变化，对n个测试像素操作以后，迭代也进行了一个来回，此刻得到了新的聚类中心。

操作完成后，可以归来最初的细胞像素点，实现均值的归类，对以后操作创造了可能。

2.2 自适应阈值计算

医学图像中细胞重叠的程度能够利用欧氏距离变化以后的图片体现。在中心点四周的细胞灰度往往很大，能够反映细胞重叠程度的部分，经常是灰度值大且窄的像素区域，因此求出的灰度均值并不是很大。病变细胞分离通过改变阈值的大小来实现。

自适应阈值算法的大致过程：首先，计算欧氏距离变换中的每一个像素点，然后，对位置相邻的像素点求出灰度值，接下来对之前获得的两个值相除，改变阈值大小，随着条件的差异，像素点得到的灰度值也会有差异。利用这点来分离重叠的细胞。

其中细胞像素（i，j）的混合模型是：

3 实验仿真

本文根据实验验证自适应阈值改变的方法分离重叠细胞的效果。分别利用传统的分割病变细胞的方法和本文采用的方法进行对比，具体的步骤如图1。

选择重叠较多的细胞来操作，下图2是重叠细胞：

利用传统的分割病变细胞的方法和本文采用的方法，最终的实验结果如图3：

从图3中可以看出，该文采用的自适应阈值的方法分割的病变细胞的准确率有所提升。然而由于细胞重叠较大，采用传统分割算法效果不理想，不符合实际的需求。

4 总结

本文采用的自适应阈值分割的方法，弥补了一个阈值分割时的缺陷，与传统分割算法相比，有较大的优势，能够满足临床研究的应用。

参考文献：

[1] Akimoto，Y Suenaa，R S Wallace. Automatic Creation of 3D Facial Models [J].IEEE Computer Graphics and Applications，1993，13 （5）.

[2] Ju Han，B Bhanu.lndividual recognition using gait energymage （digital object identifier）[J].IEEE Trans on Pattarn Analysis and Machine lntelligence，2006，10 （2）.

[3] Yang Feng， Ma Zheng，Xie Mei. A Novel Approach for License Plate Character Segmentation[C].2006， IEEE， Conference on Signal Processing，2000：1409-1414.

[4] 陈佳娟.基于图象处理和人工智能的植物病害自动诊断技术的研究[D].长春：吉林人学，2001.

[5] 赵钦佩.一种新的基于背景的红外图像分割方法[J].计算机仿真，2007（5） ：202-205.endprint

第一， 选择最初的聚类中心点，中心点的个数是K。

第二， 根据确定好的聚类函数来进行分类操作，判断和哪个聚类中心点的距离最小，接下来将测试的像素点归类到相应的类别中去。经过了多次改变以后，有了新的聚类中心点，如果改变前和改变后的聚类中心点非常接近，那么表示改变像素点数据后，聚类的准则收敛，将上述方法用如下步骤表示：

1） 选择数据集，如果I=1，选择最初的聚类中心点的数目为K，[zj（I）]，j=1，2，…，k，I表示的是迭代的个数；

2） 计算每个测试像素点和聚类中心点之间的欧氏距离，

[D（xi，Zj（I））]，i=1，2，…，n，j=1，2，…，k， （6）

如果满足[D（xi，Zj（I））]=[minD（xi，Zj（I）），i=1，2，...，n]，则[xi∈wk]。

经过上述的过程，改变测试的像素点以后，聚类中心点和相应的准则都会有所变化，对n个测试像素操作以后，迭代也进行了一个来回，此刻得到了新的聚类中心。

操作完成后，可以归来最初的细胞像素点，实现均值的归类，对以后操作创造了可能。

2.2 自适应阈值计算

医学图像中细胞重叠的程度能够利用欧氏距离变化以后的图片体现。在中心点四周的细胞灰度往往很大，能够反映细胞重叠程度的部分，经常是灰度值大且窄的像素区域，因此求出的灰度均值并不是很大。病变细胞分离通过改变阈值的大小来实现。

自适应阈值算法的大致过程：首先，计算欧氏距离变换中的每一个像素点，然后，对位置相邻的像素点求出灰度值，接下来对之前获得的两个值相除，改变阈值大小，随着条件的差异，像素点得到的灰度值也会有差异。利用这点来分离重叠的细胞。

其中细胞像素（i，j）的混合模型是：

3 实验仿真

本文根据实验验证自适应阈值改变的方法分离重叠细胞的效果。分别利用传统的分割病变细胞的方法和本文采用的方法进行对比，具体的步骤如图1。

选择重叠较多的细胞来操作，下图2是重叠细胞：

利用传统的分割病变细胞的方法和本文采用的方法，最终的实验结果如图3：

从图3中可以看出，该文采用的自适应阈值的方法分割的病变细胞的准确率有所提升。然而由于细胞重叠较大，采用传统分割算法效果不理想，不符合实际的需求。

4 总结

本文采用的自适应阈值分割的方法，弥补了一个阈值分割时的缺陷，与传统分割算法相比，有较大的优势，能够满足临床研究的应用。

参考文献：

[1] Akimoto，Y Suenaa，R S Wallace. Automatic Creation of 3D Facial Models [J].IEEE Computer Graphics and Applications，1993，13 （5）.

[2] Ju Han，B Bhanu.lndividual recognition using gait energymage （digital object identifier）[J].IEEE Trans on Pattarn Analysis and Machine lntelligence，2006，10 （2）.

[3] Yang Feng， Ma Zheng，Xie Mei. A Novel Approach for License Plate Character Segmentation[C].2006， IEEE， Conference on Signal Processing，2000：1409-1414.

[4] 陈佳娟.基于图象处理和人工智能的植物病害自动诊断技术的研究[D].长春：吉林人学，2001.

[5] 赵钦佩.一种新的基于背景的红外图像分割方法[J].计算机仿真，2007（5） ：202-205.endprint