高噪声显微图像下的微管提取算法研究

计晓沁 蒋林华

摘  要： 为了提取通过冷冻电镜获得的微管图像中的微管目标，本文提出了一种改进的区域生长法。首先根据对微管图像的分析，提出了一种针对高噪声微管图像的复合增强方案，有效的增强了图像对比度。然后使用Otsu算法对微管图像进行粗分割。最后，再用区域生长法提取微管目标。实验结果表明，该方法有较强的抗噪性，同时能够准确提取微管目标。

关键词： 区域生长法;微管;冷冻电镜;Otsu

中图分类号： TP391. 41    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.06.003

本文著录格式：计晓沁，蒋林华. 高噪声显微图像下的微管提取算法研究[J]. 软件，2019，40（6）：1316

【Abstract】： In order to extract microtubule targets from microtubule images obtained by cryoelectron microscopy， an improved regional growth method was proposed. Firstly， according to the analysis of the microtubule image， a composite enhancement scheme for the high-noise microtubule image was proposed， which effectively enhanced the image contrast. Then the microtubule image is roughly segmented by Otsu algorithm . Finally， regional growth method was used to detect microtubule targets. Experimental results show that this method has strong noise resistance and can accurately extract microtubule targets.

【Key words】： Regional growth method; Microtubules; Cryoelectron microscope; Otsu

0  引言

癌症的治疗一直都是医学研究难以攻克的难点。癌症是由癌细胞病变引起的恶性肿瘤，而癌基因的非正常表达会影响癌细胞内部微管组织的形态，从而导致微管结构发生巨大变化，同时研究者发现，微管[1-2]是主要抗癌药物的靶点。因此对于微管的深入研究可以为医学研究人员攻克细胞癌变等医学难题及开发新型的抗癌药物提供帮助。

冷冻电镜[3]是重要的结构生物学研究方法，将通过冷冻电镜获取的生物医学图像与计算机技术相结合进行医学研究也是当下的热点。数字化处理Cyro-EM图像也是目前的一个新话题。目前为止，研究人员已经提出了许多生物大分子的提取算法，针对微管目标提取的算法研究也做出了一些成功的尝试。Yan[4]等人設计了一种非线性滤波器来检测微管，Yue[5]等人改进了CV模型实现了微管的分割。

本文提出一种新的算法来提取微管目标。首先，使用中值滤波[6]和直方图均衡化对存在高噪声的冷冻电镜微管图像进行预处理，提高图像的质量;接着使用Otsu算法及区域生长法提取图像中的微管目标;最后使用形态学方法[7]来填充微管目标中的孔洞，获得最终的微管目标。

1  噪声分析

微管图像是通过冷冻电镜技术获取的，在获取微管图像时，为了不破坏原始的生物组织形态，加至每幅图像的透射电子累积剂量不能超200e-/nm2，因此，几乎所有的微管图像都存在极高的噪声，且信噪比极低。如图1所示，（a）是通过冷冻电镜获取的原始微管图像，（b）是（a）中各像素在三维空间的灰度分布图，（c）是（a）中虚线采样处的灰度分布图。

从（a）中可以明显看出，微管图像的前景和背景灰度差别很小，微管目标与背景的边缘信息不明显，对比度极低;而且图像中除微管目标外，还有冰粒和因电子束照射而受损的其他细胞器等噪声颗粒。（b）和（c）中可以看出，整幅图像以及水平取样线的灰度幅度都剧烈抖动，说明图像中存在很高的噪声，信噪比很低。

由此可以发现，通过冷冻电镜获取的微管图像质量极差，且图像内部组成复杂，微管目标较背景占图像比例较小。因此，要提取出其中的微管目标是一个很大的挑战。

2  直方图均衡化

直方图均衡化[8]是图像处理领域中利用图像直方图对对比度进行调整的方法。其基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果。

直方图是表示数字图像中每一灰度出现频率的统计关系。直方图能给出图像灰度范围、每个灰度的频度和灰度的分布、整幅图像的平均明暗和对比度等概貌性描述。灰度直方图是灰度级的函数， 反映的是图像中具有该灰度级像素的个数， 若大部分像素集中在低灰度区域， 图像呈现暗的特性; 若像素集中在高灰度区域， 图像呈现亮的特性。

x3  OTSU算法

OTSU[9]由日本学者大津于1979年提出，它是一种确定图像二值化分割阈值的算法，被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。它是按图像的灰度特性，将图像分成背景和前景两部分。

对于图像I（x，y），前景和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为 ，其平均灰度 ;背景像素点数占整幅图像的比例为 ，其平均灰度为 。图像的总平均灰度记为 ，类间方差记为g。

4  区域生长法

区域生长法[10]最早是有Levine等人提出的图像分割算法，它的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止。

区域生长算法的设计主要由以下三点：生长种子点的确定，区域生长的条件，区域生长停止的条件。种子点的个数根据具体的问题可以选择一个或者多个，并且根据具体的问题不同可以采用完全自动确定或者人机交互确定。

5  仿真及实验结果分析

5.1  仿真环境

仿真实验是在Windows10环境下执行的，编程语言利用Matlab实现。实验选取了一系列2191* 1916大小的高噪声冷冻电镜微管图像作为算法测试的原始图像。

5.2  算法流程

5.3  实验结果与分析

（1）图像预处理

根据对微管图像的分析知道，通過冷冻电镜获取的微管图像存在很高的噪声，信噪比极低，前景与背景的边缘不清晰，而且还有冰粒、受损细胞器等颗粒噪声。这些噪声的存在对于微管目标的提取存在很大的影响，首先对图像进行预处理，以便后续微管目标的提取。

由于图像中存在的噪声比较复杂，首先，使用中值滤波对图像进行平滑以滤除脉冲噪声，同时保护目标的边缘不被模糊;然后，使用直方图均衡来增强图像对比度。图3中（a）为原图，（b）为中值滤波图像，（c）为直方图均衡后的图像，（d）为直方图均衡化后微管图像的三维灰度图，（e）为去噪前后（a）中虚线采样处的灰度对比图。可以看出，原始微管图像的灰度值剧烈抖动，表明图像噪声污染严重，而经过直方图均衡化后的图像，图像的尖峰噪声得到了很好的抑制，且图像的对比度得到增强。

（2）目标提取

经过预处理后的图像质量得以提高，图像边缘更加清晰。接着，利用OTSU算法将预处理后的图像进行阈值化。结果如图4（a）所示。可以发现，阈值化后的图像除需要的微管目标外，还存在许多细胞器等大颗粒污染物。接着，在阈值化后的图像上，采用人机交互的方式选区种子点，执行区域生长算法，得到（b）中所示的微管目标。由于区域生长之后的图像会出现一些空洞，因此利用形态学中的膨胀运算来填充空洞部分，得到（c）中所示的微管目标。

5.4  实验结果分析

图像经过中值滤波及直方图均衡进行预处理后，提高了图像的质量，然后用Otsu算法结合区域生长算法进行微管目标的提取，最后用形态学来填充微管目标中的孔洞。实验选取了一系列的图像进行测试，由测试结果可以发现，本文提出的算法有效提高了图像质量，并且可以有效提取微管目标。

6  结论

本文通过分析冷冻电镜图像存在的高噪声问题，针对性地提出了一种基于直方图均衡、OTSU算法与区域生长算法相融合的目标提取方法。并用一系列冷冻电镜微管图像进行了实验，对实验结果进行分析表明该方法能有效获取微管目标。在下一步的学习过程中可以就如何自动选区区域生长的种子点进行探讨，来提高目标获取的效率。

参考文献

[1] Li H， Derosier D J， Nicholson W V， et al. Microtubule structure at 8 A resolution[J]. Structure， 2002， 10（10）： 1317-1328.

[2] Jordan M A， Wilson L. Microtubules as a target for anticanc- er drugs[J]. Nature Reviews Cancer， 2004， 4（4）： 253-265.

[3] 吴赵龙， 毛有东. 冷冻电子显微镜： 生物大分子精细结构分析的利器[J]. 科学通报， 2017， 62（36）： 4208-4212.

[4] Wen Y， Cai H， Deng L . Detecting microtubules in high noise Cryo-EM micrograph[C]// Proc of the 5th International Conference on Biomedical Engineering and Informatics （BMEI）. IEEE， 2012： 261-265.

[5] Yue G， Jiang L， Liu C， et al. Automated Segmentation of Microtubules in Cryo-EM Images with Excessive White Noise[M]. Information Science and Applications （ICISA） 2016. Springer Singapore， 2016.

[6] 赵高长， 张磊， 武风波. 改进的中值滤波算法在图像去噪中的应用[J]. 应用光学， 2011， 32（4）： 678-682.

[7] 刁智华， 赵春江， 吴 刚， et al. 数学形态学在作物病害图像处理中的应用研究[J]. 中国图象图形学报， 2018， 15（2）： 194-199.

[8] 乔闹生. 一种改进的直方图均衡化[J]. 光学技术， 2008， 34（S1）： 141-142.

[9] 李玲， 余后强. 基于Otsu算法对CT肝脏兴趣区的提取[J]. 电脑知识与技术， 2010， 6（12）： 3025-3034.

[10] 李仔麒， 马慧彬， 李殿奎， 等. 改进区域生长法的肝部CT图像ROI提取[J]. 计算机技术与发展， 2019（1）： 150-153.