基于灰阶的挖空细胞筛选预处理方法

汪传忠，史永刚，武海燕

(1. 南昌航空大学 信息工程学院，江西 南昌 330063； 2. 南昌航空大学 经济管理学院，江西 南昌 330063)



基于灰阶的挖空细胞筛选预处理方法

汪传忠1，史永刚1，武海燕2

(1. 南昌航空大学 信息工程学院，江西 南昌 330063； 2. 南昌航空大学 经济管理学院，江西 南昌 330063)

摘要:挖空细胞跟正常细胞是不同的，它是一种病变的一种体现，在高倍显微镜成像中需要将挖空细胞与正常细胞区分开. 本文提出挖空细胞在灰阶形式下的区分方法，挖空细胞相比于正常细胞的特征在灰阶图中能较好体现，分析并处理挖空细胞灰阶图，从而区分挖空细胞与正常细胞. 实验结果表明，该方法可有效地区分挖空细胞与正常细胞.

关键词:挖空细胞； 灰阶图； 均方差； 变异系数； 灰阶变化率

0引言

在数字图像中观察到的细胞图是立体的细胞投影形成的. 挖空细胞体的中心位置细胞浆比较少，投过光亮后体现到二维视野中显得亮度较高，经过光亮后细胞体外侧的胞浆体现到二维视野中就显得亮度较暗，最后整体在视野中就形成了数字图像中的挖空细胞形态.

挖空细胞的形态特征[1]为： ① 核周空穴样气泡，与深染的边缘细胞质有较清楚的边界； ② 细胞核明显增大； ③ 细胞质丰富而成熟分化，边缘厚薄不整齐、 不均匀. 这些特征会经过采集设备得到的图像体现到灰阶图中，挖空细胞的核周空穴、 细胞质、 细胞核都是以不同的灰度阶级表现，其在灰阶图中有较多的变化量. 而正常细胞除细胞核之外，其细胞质分布较为均匀，其在灰阶图中灰度阶表现的更为平滑、 均匀，变化量较小. 挖空细胞的灰阶图见图1(a)～图1(e)，正常细胞的灰阶图见图1 (f)～图1(j). 通过对比挖空细胞与正常细胞的整体灰阶分布和灰阶边缘变化率的区分性可以证明： 它们之间的区分性确实存在且有较好的区分效果.

图1　挖空细胞与正常细胞的灰阶图Fig.1　Gray-scale picture of koilocytotic cells and normal cells

1灰阶分布分析与处理原理

正常灰阶细胞图除细胞核之外的胞浆部分,其灰阶值分布较为均匀.挖空细胞的细胞核周围是灰阶值较大的空腔部分,空腔外围是灰阶值相对较小的细胞浆部分.挖空细胞除细胞核之外主要包括两个部分即空腔与细胞浆,且两个部分的灰阶存在一定的差异.

1.1灰阶分布离散度

在灰阶图像中,将细胞组成简单分为两个部分即细胞核和细胞浆.挖空细胞的”细胞浆”又同时包含两个部分:空腔、 细胞浆，这两部分的灰阶值有一定的差异，那么其”细胞浆”的灰阶值分布不均匀，较为分散. 为了便于观察，对图1 中的挖空细胞图1(a) 与正常细胞图1(f) 的灰阶分布用直方图的形式表现出来，如图2 所示.

图2　灰阶直方图Fig.2　Gray histogram

由图2 可以看出，挖空细胞的灰阶值分布较为分散，说明其灰阶值变化较大. 正常细胞的灰阶值分布较为集中，说明其灰阶值变化不大[2,3].

1.1.1均方差

对于以上这种分布离散的情况，使用灰阶均方差的概念来度量. 均方差是各个数据与平均数之差的平方和的平均数的方根，其数值越大，说明整体的灰阶值波动越大[4].

(1)

式中：Xi表示样本数组中第i个成员的数值即细胞浆中第i个像素的灰阶值，N表示样本数组的数量即细胞浆中像素点的个数，u表示样本数组的平均值即细胞浆的灰阶平均值. 它是衡量灰阶值的波动大小.

1.1.2变异系数

均方差能很客观准确地反映一组数据的离散程度，但为了增加不同类型的目标或相同类型的不同目标的可比性，引入了变异系数CV[5,6].

变异系数是衡量待检数值变异程度的另一个统计量. 变异系数是一个百分数，在本文中不影响计算，所以省略，其计算公式为：

(2)

式中：SD表示数据的均方差；Mean表示数据的平均值. 一般来说，变量值平均水平越高，其离散程度也越大.

1.2灰阶边缘变化率

边缘是赋给单个像素的性质，是亮度函数发生急剧变化的位置，用图像函数在改像素一个领域处的特性来计算. 假定区域具有均匀的亮度，其边界就是图像函数变化的位置，如果有部分位置的亮度函数有急剧变化，那么均匀区域的边界相对就会变的不明显[7].

挖空细胞的空腔与细胞浆的灰阶值有一定的差值，那么在空腔与细胞浆的接触位置因灰阶值的差异会凸显出边缘部分. 而正常细胞的细胞浆部分的灰阶值分布较为集中，各个像素之间也是有灰阶值差异的，但差异值较为细微，所以整体来看正常细胞的细胞浆灰阶会显得分布比较均匀.

图3　挖空细胞灰阶边界剖面图Fig.3　Gray-scale edge profile of koilocytotic cells

图3(b) 是图3(a) 中空腔与外侧细胞浆随意选的剖面灰阶图. 由图3(b) 可以体现两点： ① 空腔与细胞浆交界处的灰阶值急剧变化，因而显示出它们的交界处有明显的边缘; ② 在分布较为均匀的细胞浆和空腔，各个部分里都有一定的灰阶变化，只是相对的不明显.

为了能体现边缘的灰阶变化，使用灰阶梯度的方式来计算[8]. 数字图像本质上是离散的，因此使用差分的方式来体现其导数计算[9]. 图像在横向(i)和纵向(j)的一阶差分公式为：

(3)

式中：n是整数，通常取1，因为数值n选择足够小可以较好地近似导数[10,11]. 在本文中对于n选取的值是2，这样的选取是为了避免图像函数中的不重要的变化. 边缘部分的高对比度相应的灰阶差值也会较大，使用灰阶差值来表征边缘幅度.

2具体的实现方法

本文的处理是在定位到细胞，同时得到完整细胞的前提下进行的. 分别计算出细胞除去细胞核之外的部分的灰阶值均方差与变异系数、 灰阶变化率的值，再跟提前学习的特性值做比较，已达到区分开挖空细胞与正常细胞的目的.

图4　实现流程图Fig.4　Realization flow chart

从图3 中的灰阶剖面图可以看出，即使在灰阶分布较为均匀的部分也有一定的灰阶变化情况，但相对于挖空细胞的空腔与细胞浆的变化较小，挖空细胞灰阶变化较大位置的高变化率值是要高于灰阶均匀的变化率的，使用Otsu[12]方法选择灰阶变化率中较大的部分.

3实验结果与分析

在全自动显微镜系统采集的标本图像中，运用本文方法计算各项数值. 用式(1)～式(3)分别计算均方差VMstd、 变异系数VMc、 高变化率值VMg. 下面使用典型的挖空细胞与正常细胞计算各个参数，VMstd[kc]，VMc[kc]，VMg[kc]表示挖空细胞的参数，VMstd[nr]，VMc[nr]，VMg[nr] 部分计算结果如表1 所示.

表1　挖空细胞参数计算结果(无单位)

表2　正常细胞参数计算结果(无单位)

从表1 与表2 相应属性的参数可以看出，挖空细胞与正常细胞在这3种属性上有较明显的区分性，离散度相差为0.052，变异系数相差为0.003，变化率相差为0.08. 本文使用挖空细胞与正常细胞的混合标准做实验，其中挖空细胞346个、 正常细胞5 000个. 测试结果为挖空细胞检出为335个，正常细胞检出15个，误检率即认为正常细胞为挖空细胞： 0.3%，遗漏率即认为挖空细胞为正常细胞： 3%，最后的整体的检出正确率为95.7%.

4结论

本文从灰阶角度对挖空细胞与正常细胞分析，使用离散度、 变异系数、 灰阶变化率3个计算方法计算它们之间的特征参数. 实验结果表明，此预处理方法对区分挖空细胞与正常细胞有较好的效果，但对形态较为复杂的细胞还存在误检情况，下一步将主要在彩色空间图像中对其进行区分，从多个角度进行分析、 处理.

参考文献：

[1]曹跃华，杨敏，陈隆文，等. 细胞病理学诊断图谱及实验技术[M]. 北京： 北京科学技术出版社，2009.

[2]汪启伟. 图像直方图特征及其应用研究[D]. 合肥： 中国科学技术大学，2014.

[3]吴成茂. 直方图均衡化的数学模型研究[J]. 电子学报，2013(3)： 598-602.

Wu Chengmao. Studies on mathematical model of histogram equalization[J]. Acta Electronica Sinica，2013(3)： 598-602. (in Chinese)

[4]王彦国，王祝文，张凤旭，等. 基于均方差比归一化垂向梯度法的位场边界检测[J]. 中国石油大学学报(自然科学版)，2012(2)： 86-90+96.

Wang Yanguo，Wang Zhuwen，Zhang Fengxu, et al. Edge detection of potential field based on normalized vertical gradient of mean square error ratio[J]. Journal of China University of Petroleum(Natural Science Edition), 2012(2)： 86-90+96. (in Chinese)

[5]赵彦晖, 张水若, 邢瑞芳. 变异系数的抽样分布及假设检验[J]. 重庆师范大学学报(自然科学版)，2011(2)： 40-42.

Zhao Yanhui，Zhang Shuiruo，Xing Ruifang. The sample distribution and hypothesis test of coefficient of variation[J]. Journal of Chongqing Normal University(Natural Science)，2011(2)： 40-42. (in Chinese)

[6]陈昭炯, 叶东毅. 变异系数的新性质及其在图像处理中的应用[J]. 小型微型计算机系统，2006(1)： 162-165.

Chen Zhaojiong, Ye Dongyi. New expression of variation coefficient and its applications in image processing[J]. Journal of Chinese Computer Systems，2006(1)： 162-165. (in Chinese)

[7]章毓晋. 图像工程(中册)-图像分析[M]. 北京： 清华大学出版社，1999.

[8]曾俊. 图像边缘检测技术及其应用研究[D]. 武汉： 华中科技大学, 2011.

[9]Stamatia Giannarou, Tania Stathaki. Optimal edge detection using multiple operators for image understanding[J]. EURASIP Journal on Advances in Signal Processing, 2011(1)： 1-19.

[10]Aydin T, Yemez Y, Anarim E, et al. Multidirectional and multiscale edge detectionvia M-band wavelet transform[J]. Image Processing IEEE Transaction on, 1996, 5(9): 1370-1377.

[11]Milan Sonka, Vaclav Hlavac, Roger Boyle. Image processing, Analysis, and Machine vision[M]. 北京： 清华出版社，2011.

[12]王玥玥，王秋光. 基于图像边缘信息的2维阈值分割方法[J]. 中国图象图形学报，2007, 12(1): 78-81.

Wang Yueyue，Wang Qiuguang. A two- dim ensional thresholding method based on the information of image edge[J]. Journal of I mage and Graphics，2007, 12(1): 78-81. (in Chinese)

Koilocytotic Cell Screening Preprocessing Method Based on Gray-Scale Research

WANG Chuanzhong1，SHI Yonggang1，WU Haiyan2

(1. School of Information Engineering, Nanchang Hangkong University, Nanchang 330063, China;2. School of Economics and Management, Nanchang Hangkong University, Nanchang 330063, China)

Abstract:Koilocytotic cells,a reflection of a lesion, are different with normal cells, which need to be separated from normal cells in high power microscope imaging.A koilocytotic cells under the gray-scale form distinction method is proposed in this paper,And the characteristics of the hollowed cells compared to normal cells can better reflect ,analysis and process the gray-scale chart,thereby distinguish hollowed cells from normal cells. The experimental results show that the method can effectively distinguish between Koilocytotic cells and normal cells.

Key words:koilocytotic cell; gray-scale image; mean square error; variation coefficient; gray-scale gradient

中图分类号:TP391

文献标识码:A

doi:10.3969/j.issn.1671-7449.2016.02.014

作者简介：汪传忠(1969-)，男，副教授，博士，主要从事图像处理与模式识别等研究.

收稿日期:2015-08-24

文章编号:1671-7449(2016)02-0173-05