一种基于稀疏表示和形态学操作的骨髓细胞分割方法技术

本发明专利技术公开了一种基于稀疏表示和形态学操作的骨髓细胞分割方法，包括以下步骤：(1)基于饱和度的骨髓细胞预检测；(2)基于稀疏表示的骨髓细胞检测；(3)基于形态学的多角度骨髓细胞分割和计数。本发明专利技术可以得到精确的骨髓细胞检测位置，分割图像和计数结果，整个过程无需人工参与，真正实现了全自动骨髓细胞检测、分割与计数，有利于后续诸如细胞分类、急性白血病诊断等处理。

【技术实现步骤摘要】
一种基于稀疏表示和形态学操作的骨髓细胞分割方法
本专利技术涉及医学图像处理的
，特别涉及一种基于稀疏表示和形态学操作的骨髓细胞分割方法。
技术介绍
白血病是起源于造血系统的恶性肿瘤。其特点是骨髓中产生和积聚大量幼稚和异常的白细胞，并浸润其他器官，导致正常造血功能的抑制和衰竭。依据白血病细胞的分化程度和自然病程的长短，可分为急性和慢性两大类。我国白血病类型分布急性多于慢性，以髓细胞白血病多见，其发病率在各种肿瘤中占第六位。急性白血病(AL)患者常伴有贫血、出血、发热、感染以及浸润等临床症状，若不进行及时有效的特殊治疗，平均生存期只有三个月左右，短则甚至在诊断数天后死亡，严重威胁着患者的身体健康和日常生活。急性白血病诊断及分型的准确与否直接关系治疗方案的选择及预后提示。细胞形态学是急性白血病诊断中应用最多、最广泛、最直接和最经济的一种重要诊断手段，是形态学、免疫学、细胞遗传学、分子生物学(MICM)分型诊断的重要组成部分。形态学方法主要是将患者骨髓涂片和血涂片分别进行瑞氏-吉姆萨染色分析，并进一步予以其他细胞化学染色，按照FAB(French、American、Britain)标准对急性白血病类型进行判定。在实际操作中，该方法仍采用人工操作方法，检验工作量大，可重复性差，不仅耗时耗力，医师连续工作易因疲劳或粗心引发错误识别，影响病情诊断，而且对形态描述缺乏客观的定量标准。同时，其诊断水平一定程度上取决于医生的经验。因此，借助医学图像处理技术客观定量的提取和分析骨髓细胞，开发一个自动细胞分类及分析系统对提高白血病诊断的整体水平具有重要意义。其中，染色细胞的自动检测、分割和计数是其中关键的一步。依靠图像处理和模式识别技术，对白细胞进行形态学分析及识别的研究比较多，但目前在市场上，尚没有自动化血细胞形态学分析与识别仪器应用于临床试验。这是由于目前存在的白细胞分割算法存在很多的不足，诸如不能很好的解决复杂的细胞粘连问题，细胞分割精度低或者算法鲁棒性尚不能满意等。由于涂片制备、染色条件、图像获取设备等的差异，不同来源得到的细胞图像通常比较复杂；目标和背景的颜色、纹理等特征常常变化、特征缺失和特征混淆等情形普遍。现有研究中，几乎所有白细胞自动分割算法均假设图像采样、细胞染色条件良好，图像一致性能够得到保障；但是这样的假设在实际中并不能很好保证，相关算法存在很大的局限性，尚不能满足临床医学检验的实际应用需求。同时，骨髓中包含不同生长阶段的各种细胞，细胞的形态、纹理和着色情况等随种类及核、浆的生长或病变程度而变化；胞浆颜色会受到背景光照的很大影响，有时同背景非常相似，但有时呈现颗粒性，细胞有单核与多核之分，同一个多核细胞的核区有时是相互分离的等等。骨髓涂片中还常常伴随各种细胞团聚现象，细胞间相互重叠、粘连。这些问题都成为了骨髓细胞分析中的主要难题。
技术实现思路
为了克服现有技术的上述缺点与不足，本专利技术的目的在于一种基于稀疏表示和形态学操作的骨髓细胞分割方法，能够检测、分割骨髓中不同阶段的细胞并对这些细胞进行计数，而且算法鲁棒，准确有效，适应于各种复杂细胞图片，满足实际应用需求。本专利技术的目的通过以下技术方案实现：一种基于稀疏表示和形态学操作的骨髓细胞分割方法，包括以下步骤：(1)基于饱和度的骨髓细胞预检测：将原始图像由RGB彩色空间转为HSV空间，利用otus阈值对S通道进行二值化，同时，根据骨髓细胞饱和度先验知识，当阈值小于区间[70,75]的任意一值时，将其设为区域[80,87]中的一值，否则保持不变，得到骨髓细胞预检测位置的二值化图像；(2)基于稀疏表示的骨髓细胞检测：(2-1)超像素分割：用SLIC算法将步骤(1)得到的二值化图像进行超像素分割；用SLIC算法对原始图像进行超像素分割；(2-2)超像素特征提取：用一个向量v来表示原始图像中的每个超像素，即v＝{F1,F2,F3,F4}，其中，F1是每个超像素的平均亮度、F2是每个超像素在洋红色至绿色色彩空间的均值、F3是每个超像素在黄色至蓝色色彩空间的均值和F4代表每个超像素在S通道上的饱和度分布；(2-3)构建背景字典：(2-3-1)备选背景区域选择：遍历(2-1)得到的二值化图像超像素，找到当前超像素平均亮度为0且邻接超像素平均亮度也为0的超像素点，作为备选背景超像素；(2-3-2)背景区域选择：根据(2-3-1)得到的备选背景超像素点的坐标得到(2-1)中原始图像对应的超像素点，当备选背景超像素区域覆盖原始图像中对应超像素区域的一半以上，则设原始图像对应的超像素点为背景区域，否则视为前景区域；以最终背景超像素的特征作为列向量组合成背景字典矩阵D，即D＝[v1，v2,…,vm]，其中m为背景超像素个数；(2-4)骨髓细胞检测：(2-4-1)按照稀疏分解公式，计算原始图像中每个超像素在背景字典下的稀疏系数，如下式所示：其中bj是求得的稀疏系数，j∈[1,2,…,n],n为原始图像中超像素个数；λ为正则系数；(2-4-2)利用求得的稀疏系数对原超像素vj进行重建，得到稀疏重建后的残差εj为，如下式：(2-4-3)将计算得到的残差作为原始图像超像素的显著度，得到骨髓细胞的检测图imagehuidu；(3)基于形态学的多角度骨髓细胞分割和计数：(3-1)分类简单细胞图像和复杂细胞图像：利用otus阈值对(2-4-3)得到的检测图imagehuidu进行二值化，得到图像imageerzhi；当骨髓细胞的面积占总图像面积的40％～45％以上，即为复杂细胞图像；否则为简单细胞图像；(3-2)细胞全局分割：(3-2-1)遍历(3-1)中二值图像imageerzhi的连通区域，找到每个连通区域的最大最小坐标，以此为矩形框图的坐标，对原始图像、(2-4-3)得到的检测图imagehuidu和(3-1)得到的二值图像imageerzhi分别进行裁剪，从而得到骨髓细胞对应的分割图crop1image、分割灰度图crop1huidu和分割二值图crop1erzhi；(3-2-2)剔除(3-2-1)分割图中的不完整细胞和由于涂片制备、染色条件和手工操作导致的干扰背景；定义areacrop1为分割图crop1image的面积；ratio0crop1为分割图crop1image宽高比,ratio0crop1∈(0,1],ratio1crop1为分割图crop1image饱和度在区间[102,255]的占比；1)分割图crop1image位于原始图像边界时，其满足areacrop1∈(1000，3000]且ratio0crop1，ratio1crop1≥0.45,或者areacrop1∈(3000，∞)且ratio1crop1≥0.45则保留；2)分割图crop1image位于原始图像非边界时，其满足ratio1crop1≥0.45则保留；(3-3)细胞局部再分割：(3-3-1)对(3-2-2)保留下来的分割灰度图crop1huidu进行阈值区间为[6,10]的二值化处理，经过边长区间为[2,4]的正方形结构体形态学变换后，定义round_ratecrop1为细胞曲圆率；当分割图crop1image满足areacrop1＞35000，或者areacrop1∈(17000，35000本文档来自技高网...

【技术保护点】
1.一种基于稀疏表示和形态学操作的骨髓细胞分割方法，其特征在于，包括以下步骤：(1)基于饱和度的骨髓细胞预检测：将原始图像由RGB彩色空间转为HSV空间，利用otus阈值对S通道进行二值化，同时，根据骨髓细胞饱和度先验知识，当阈值小于区间[70,75]的任意一值时，将其设为区域[80,87]中的一值，否则保持不变，得到骨髓细胞预检测位置的二值化图像；(2)基于稀疏表示的骨髓细胞检测：(2‑1)超像素分割：用SLIC算法将步骤(1)得到的二值化图像进行超像素分割；用SLIC算法对原始图像进行超像素分割；(2‑2)超像素特征提取：用一个向量v来表示原始图像中的每个超像素，即v＝{F1,F2,F3,F4}，其中，F1是每个超像素的平均亮度、F2是每个超像素在洋红色至绿色色彩空间的均值、F3是每个超像素在黄色至蓝色色彩空间的均值和F4代表每个超像素在S通道上的饱和度分布；(2‑3)构建背景字典：(2‑3‑1)备选背景区域选择：遍历(2‑1)得到的二值化图像超像素，找到当前超像素平均亮度为0且邻接超像素平均亮度也为0的超像素点，作为备选背景超像素；(2‑3‑2)背景区域选择：根据(2‑3‑1)得到的备选背景超像素点的坐标得到(2‑1)中原始图像对应的超像素点，当备选背景超像素区域覆盖原始图像中对应超像素区域的一半以上，则设原始图像对应的超像素点为背景区域，否则视为前景区域；以最终背景超像素的特征作为列向量组合成背景字典矩阵D，即D＝[v1,v2,…,vm]，其中m为背景超像素个数；(2‑4)骨髓细胞检测：(2‑4‑1)按照稀疏分解公式，计算原始图像中每个超像素在背景字典下的稀疏系数，如下式所示：...

【技术特征摘要】
1.一种基于稀疏表示和形态学操作的骨髓细胞分割方法，其特征在于，包括以下步骤：(1)基于饱和度的骨髓细胞预检测：将原始图像由RGB彩色空间转为HSV空间，利用otus阈值对S通道进行二值化，同时，根据骨髓细胞饱和度先验知识，当阈值小于区间[70,75]的任意一值时，将其设为区域[80,87]中的一值，否则保持不变，得到骨髓细胞预检测位置的二值化图像；(2)基于稀疏表示的骨髓细胞检测：(2-1)超像素分割：用SLIC算法将步骤(1)得到的二值化图像进行超像素分割；用SLIC算法对原始图像进行超像素分割；(2-2)超像素特征提取：用一个向量v来表示原始图像中的每个超像素，即v＝{F1,F2,F3,F4}，其中，F1是每个超像素的平均亮度、F2是每个超像素在洋红色至绿色色彩空间的均值、F3是每个超像素在黄色至蓝色色彩空间的均值和F4代表每个超像素在S通道上的饱和度分布；(2-3)构建背景字典：(2-3-1)备选背景区域选择：遍历(2-1)得到的二值化图像超像素，找到当前超像素平均亮度为0且邻接超像素平均亮度也为0的超像素点，作为备选背景超像素；(2-3-2)背景区域选择：根据(2-3-1)得到的备选背景超像素点的坐标得到(2-1)中原始图像对应的超像素点，当备选背景超像素区域覆盖原始图像中对应超像素区域的一半以上，则设原始图像对应的超像素点为背景区域，否则视为前景区域；以最终背景超像素的特征作为列向量组合成背景字典矩阵D，即D＝[v1,v2,…,vm]，其中m为背景超像素个数；(2-4)骨髓细胞检测：(2-4-1)按照稀疏分解公式，计算原始图像中每个超像素在背景字典下的稀疏系数，如下式所示：其中bj是求得的稀疏系数，j∈[1,2,…,n],n为原始图像中超像素个数；λ为正则系数；(2-4-2)利用求得的稀疏系数对原超像素vj进行重建，得到稀疏重建后的残差εj为，如下式：(2-4-3)将计算得到的残差作为原始图像超像素的显著度，得到骨髓细胞的检测图imagehuidu；(3)基于形态学的多角度骨髓细胞分割和计数：(3-1)分类简单细胞图像和复杂细胞图像：利用otus阈值对(2-4-3)得到的检测图imagehuidu进行二值化，得到图像imageerzhi；当骨髓细胞的面积占总图像面积的40％～45％以上，即为复杂细胞图像；否则为简单细胞图像；(3-2)细胞全局分割：(3-2-1)遍历(3-1)中二值图像imageerzhi的连通区域，找到每个连通区域的最大最小坐标，以此为矩形框图的坐标，对原始图像、(2-4-3)得到的检测图imagehuidu和(3-1)得到的二值图像imageerzhi分别进行裁剪，从而得到骨髓细胞对应的分割图crop1image、分割灰度图crop1huidu和分割二值图crop1erzhi；(3-2-2)剔除(3-2-1)分割图中的不完整细胞和由于涂片制备、染色条件和手工操作导致的干扰背景；定义areacrop1为分割图crop1image的面积；ratio0crop1为分割图crop1image宽高比,ratio0crop1∈(0,1],ratio1crop1为分割图crop1image饱和度在区间[102,255]的占比；1)分割图crop1image位于原始图像边界时，其满足areacrop1∈(1000，3000]且ratio0crop1，ratio1crop1≥0.45,或者areacrop1∈(3000，∞)且ratio1crop1≥0.45则保留；2)分割图crop1image位于原始图像非边界时，其满足ratio1crop1≥0.45则保留；(3-3)细胞局部再分割：(3-3-1)对(3-2-2)保留下来的分割灰度图crop1huidu进行阈值区间为[6,10]的二值化处理，经过边长区间为[2,4]的正方形结构体形态学变换后，定义round_ratecrop1为细胞曲圆率；当分割图crop1image满足areacrop1＞35000，或者areacrop1∈(17000，35000]且round_ratecrop1＜0.46时，则判定为待分割的多细胞区域crop1multi，否则为单细胞区域crop1single；(3-3-2)利用otus阈值对(3-3-1)中待分割的多细胞区域crop1multi对应的分割灰度图crop1huidu进行二值化，当阈值大于区间[112,117]之间的值时，设阈值为[220,240]中的值；图像为简单图像时，设圆形结构体的半径为1；图像为复杂图像时，设圆形结构体的半径为3；经过形态学变换，遍历每个面积大于1200～1500的连通区域，找到每个连通区域的最大最小坐标，并以此为矩形框图的坐标，对多细胞分割图、多细胞灰度图和多细胞二值图分别进行裁剪，从而得到对应的分割图crop2image、分割灰度图crop2huidu和分割二值图crop2erzhi；(3-3-3)当(3-3-2)分割图crop2image位于对应的(3-3-1)多细胞区域crop1multi的边界时，分割图crop2image面积低于区间[14000,16000]的值且宽高比低于区间[0.5,0.55]的值时剔除，否则保留该分割图crop2image；(3-4)细胞S通道再分割：(3-4-1)对(3-3-3)保留的分割图对应的灰度图crop2huidu进行阈值区间为[6,10]的二值化处理，经过边长区间为[2,4]的正方形结构体形态学变换后，定义areacrop2是分割图crop2image的面积；round_ratecrop2为细胞曲圆率；ratio0crop2为细胞所占面积比；1)areacrop2＞27500；2)areacrop2∈(19000，27500]且round_ratecrop2＜0.56,或者areacrop2∈(19000，27500]且round_ratecrop2≥0.56但ratio0crop2＜0.5，则判定为待分割的多细胞区域crop2multi，否则为单细胞区域crop2single；并将(3-3-2)中单细胞区域的矩形框图扩大1.1～1.2倍重新对crop1multi裁剪得到crop2_newsingle；(3-4-2)提取(3-4-1)的多细胞区域crop2multi的S通道图像，并进行再分割，得到分割图crop3image、分割灰度图crop3huidu和分割二值图crop3erzhi；(3-5)细胞H通道再分割：当图像为简单图像时，将(3-4-2)中的矩形框图扩大1.2～1.3倍，重新对crop2multi裁剪得到单细胞区域crop3_newimage；当图像为复杂图像时，进行细胞H通道再分割：(3-5-1)剔除(3-4-2)分割图中不完整细胞：当(3-4-2)分割图crop3image位于(3-4-1)待分割多细胞区域crop2multi的边界时，分割图crop3image面积低于区间[14000,16000]的值且宽高比低于区间[0.5,0.55]的值时剔除，否则保留该分割图crop3image；(3-5-2)对(3-5-1)保留下来的分割图对应的灰度图crop3huidu进行阈值区间为[6,10]的二值化处理，经过边长区间为[2,4]的正方形结构体形态学变换后，定义areacrop3是分割图crop3image的面积；round_ratecrop3为细胞曲圆率；ratio0crop3为细胞所占面积比；1)areacrop3＞27500；2)areacrop3∈(19000，27500]且round_ratecrop3＜0.56,或者areacrop3∈(19000，27500]且round_ratecrop3≥0.56但ratio0crop3＜0.5，则判定为待分割的多细胞区域crop3multi，否则为单细胞区域crop3single,...

【专利技术属性】
技术研发人员：王伟凝，师婷婷，谭燕，尉岩，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44