一种新型的重叠脱落上皮细胞分割方法技术

本发明专利技术公开了一种新型的重叠脱落上皮细胞分割方法，包括细胞核分割与细胞浆分割两个模块，本发明专利技术使用了MSER算法和Kmeans算法相结合的方法对细胞核进行分割；所述细胞浆分割融合了维诺图和水平集两种分割方法。本发明专利技术对传统DRLSE水平集的边缘能量项进行了改进，改进的水平集更加适用于重叠脱落上皮细胞的分割。另外，本发明专利技术对水平集边缘指示算子进行了边缘增强，从而最大限度的缓解了相邻重叠细胞的边缘对轮廓演化的干扰。该方法能够高效的分割出脱落上皮细胞，为计算机自动诊断脱落上皮细胞类疾病（如：宫颈癌、口腔癌、肠癌等癌前筛查或术后确诊）提供了基础，社会效益巨大。

【技术实现步骤摘要】
一种新型的重叠脱落上皮细胞分割方法
本专利技术涉及医学图像处理
，具体为一种新型的重叠脱落上皮细胞分割方法。
技术介绍
脱落上皮细胞是临床上可较为方便收集和获得的一种待测样本，通过对脱落上皮细胞进行检查或分析，利用细胞生物学中异倍体细胞形态特征参数、遗传物质DNA含量变化以及其他基因芯片等新型生物技术，可以实现对脱落上皮细胞中异常增生或癌变细胞的筛查诊断。脱落上皮细胞如宫颈脱落上皮细胞、口腔脱落上皮细胞或粪便中脱落的肠上皮细胞等，进行常规细胞学样本处理后(如巴氏染色、HE染色等)，要依靠有经验的医生人为在显微镜下从大量细胞中寻找若干癌前病变细胞，工作强度巨大，极易使人疲劳，并且要求操作者具有较高的病理知识和临床经验，诊断结果受到操作者的主观因素等多方面的影响，人为误差不可避免。准确而又高效的癌细胞早期检测方法可以帮助挽救更多的癌症早期患者的生命。要实现对癌前病变细胞的形态分析及异常特征的自动诊断，细胞分割是第一步，因此脱落上皮细胞图像分割质量的高低对最终检测结果的准确性有着十分重要的影响。理想的细胞图像分割结果不仅会降低后续分类器设计的复杂度，而且也有助于提升最终检测的精度。目前，有许多细胞图像分割算法，主要分为基于区域信息的细胞分割算法和基于边缘信息的分割算法两大类，基于区域信息的细胞分割算法的大致步骤是根据图像中每个像素点的信息，然后按照给定的评判准则把像素归到不同类别。基于细胞边缘信息的分割算法是根据细胞图像中的边界，通常边界部分的灰度与非边界部分的灰度在数值上存在很大差异，即一般灰度不连续处即为边界，DRLSE模型即属于这类算法。然而这些方法基本都很难处理脱落上皮细胞图像中边缘断裂，边缘模糊等问题。另外由于脱落上皮细胞图像的背景区域、脱落上皮细胞内部存在很多干扰边缘，以及脱落上皮细胞高度重叠等问题，导致上述算法更加难以精确分割脱落上皮细胞。另外，目前存在的用于图像分割的主动轮廓算法要么需要比较复杂的初始轮廓构造过程，要么初始轮廓构造过于简单导致轮廓演化的结果不理想或者需要较多的迭代次数，导致细胞分割的效率低下。综上所述，目前急迫的需要一种能够高效、高精度的实现对脱落上皮细胞分割的算法。
技术实现思路
本专利技术的目的在于提供一种新型的脱落上皮细胞重叠分割方法，以解决上述技术背景中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种新型的重叠脱落上皮细胞分割方法。为实现上述目的，本专利技术提供如下技术方案：一种新型的重叠脱落上皮细胞分割方法，包括包括细胞核分割与细胞浆分割两个模块；所述的细胞核分割方法融合了MSER算法和Kmeans算法两种分割算法，其步骤如下所示(假设原始待分割脱落上皮细胞图像为imageOriginal)：步骤一、首先对imageOriginal进行灰度化和双边滤波预处理，处理结果记为imagePreprocess；步骤二、使用MSER算法分割图像imagePreprocess中的细胞核，得到细胞核粗分割结果，记为nucleusRough；步骤三、为图像nucleusRough中每一个细胞核的粗分割轮廓生成一个ROI图片，该ROI图片是根据一个矩形区域从图像imageProcess中截取所得；步骤四、使用Kmeans算法对ROI图片进行聚类，最终得到细胞核的精确分割结果，记为nucleusFine。进一步，所述的脱落上皮细胞图像imageOriginal是在显微镜下采图所得，显微镜目镜放大倍数为10，物镜放大倍数为20。进一步，所述的MSER算法是基于分水岭算法发展而来，该算法通过计算图像中的最大稳定极值区域从而分割脱落上皮细胞核；MSER算法的流程是：对图像进行二值化，二值化阈值取[0,255]，这样二值化图像就经历一个全黑到全白的过程，类似于水位不断上升的俯瞰图。在这个过程中，有些连通域面积随阈值上升的变化很小，这种区域就叫做MSER，即最大稳定极值区域，它的数学定义为：min_area＜Qi＜max_area其中Qi表示第i个连通区域的面积，Δ表示微小的阈值变化(注水)，当v(i)小于给定的阈值max_variation，并且连通域的面积在给定的最小面积阈值min_area和最大面积阈值max_area范围内部时，则认为该区域是满足要求的最大稳定极值区域。进一步，所述的MSER算法通过计算图像中的最大稳定极值区域来定位脱落上皮细胞核的原理是：在脱落上皮细胞图像中，脱落上皮细胞核通常是灰度值较低的椭圆形区域，这正好符号MSER中最大稳定极值区域的定义，因此可以通过求脱落上皮细胞图像中的最大稳定极值区域来定位脱落上皮细胞核。优选地，本专利技术MSER算法Δ取值为2，max_variation取值为0.5，min_area取值为100，max_area取值为1500。进一步，所述的ROI图片，它是根据一个矩形区域从图像imageProcess中截取所得，所述矩形区域是该ROI图片所对应的细胞核粗分割轮廓的最小外接矩形分别向上下左右扩散L个像素点所形成，优选地L等于16。进一步，所述使用Kmeans算法对ROI图片进行聚类，聚类数为2，对应于ROI图片中的细胞核区域和非细胞核区域。根据脱落上皮细胞核的灰度值通常低于周围细胞浆像素点，本专利技术提取聚类结果中平均灰度值较低的区域作为细胞核的精确区域。一种细胞浆分割方法，所述的细胞浆分割融合了维诺图和水平集两种分割方法，其分割步骤如下所示：步骤一、首先使用区域生长法结合Kmeans算法分割出脱落上皮细胞团，记为ClumpImage。根据nucleusFine中所有细胞核的质心坐标，生成脱落上皮细胞图像的维诺图，记为VoronoiImage。步骤二、将图像ClumpImage和VoronoiImage相互叠加，得到所有脱落上皮细胞的维诺图轮廓，记为VoronoiSegment。步骤三、将图像VoronoiSegment中细胞的维诺图轮廓作为改进的水平集的初始轮廓，进行水平集轮廓演化，从而得到细胞浆的精确轮廓cellFine。进一步，所述的脱落上皮细胞团，指代脱落上皮细胞图像中由所有细胞组成的区域，和背景区域相互对立互补，所述的脱落上皮细胞团分割，具体的分割步骤如下所示：步骤一、使用Kmeans算法对经过灰度化和双边滤波预处理后的图像imageProcess进行聚类，聚类数为2，分别对应于图像imageProcess中的背景区域和细胞团区域，得到细胞团粗分割结果，记为ClumpSegRough；步骤二、对图像ClumpSegRough中背景区域进行形态学腐蚀操作，从而最大限度的确保ClumpSegRough的背景区域中的像素点一定属于真实的背景区域，处理结果记为ClumpSegRoughErosion；步骤三、在图像ClumpSegRoughErosion的背景区域中随机选取若干坐标点，将这些坐标点作为区域生长算法的种子点，使用区域生长算法对图像imageProcess进行区域本文档来自技高网...

【技术保护点】
1.一种新型的重叠脱落上皮细胞分割方法，其特征在于：包括细胞核分割与细胞浆分割两个模块。/n

【技术特征摘要】
1.一种新型的重叠脱落上皮细胞分割方法，其特征在于：包括细胞核分割与细胞浆分割两个模块。


2.根据权利要求1所述的细胞核分割，其特征在于：本发明使用了MSER算法和Kmeans算法相结合的方法对细胞核进行分割，其步骤如下所示(假设原始待分割脱落上皮细胞图像为imageOriginal)：
步骤一、首先对imageOriginal进行灰度化和双边滤波预处理，结果记为imagePreprocess；
步骤二、使用MSER算法分割图像imagePreprocess中的细胞核，得到细胞核粗分割结果，记为nucleusRough；
步骤三、为图像nucleusRough中每一个细胞核的粗分割轮廓生成一个ROI图片，该ROI图片是根据一个矩形区域从图像imageProcess中截取所得，所述矩形区域是该ROI图片所对应的细胞核粗分割轮廓的最小外接矩形分别向上下左右扩散L个像素点所形成；
步骤四、使用Kmeans算法对上述ROI图片进行聚类，最终得到细胞核的精确轮廓，记为nucleusFine。


3.根据权利要求2中所述的脱落上皮细胞图像imageOriginal，其特征在于：该图像是在显微镜下采图所得，显微镜的目镜放大倍数为10，物镜放大倍数为20。


4.根据权利要求2中所述的使用Kmeans算法对ROI图片进行聚类，其特征在于：Kmeans聚类数为2，对应于细胞核区域和非细胞核区域，因为脱落上皮细胞核的灰度值通常低于周围像素点，所以本发明提取聚类结果中平均灰度值较低的区域作为细胞核的精确区域。


5.根据权利要求1所述的细胞浆分割方法，其特征在于：所述细胞浆分割融合了维诺图和水平集两种分割方法，其分割步骤如下所示：
步骤一、首先使用区域生长法结合Kmeans算法分割出脱落上皮细胞团，记为ClumpImage；
步骤二、根据图像nucleusFine中所有细胞核的质心坐标，生成脱落上皮细胞图像的维诺图，记为VoronoiImage；
步骤三、将图像ClumpImage和VoronoiImage相互叠加，得到所有脱落上皮细胞的维诺图轮廓，记为VoronoiSegment；
步骤四、将图像VoronoiSegment中细胞的维诺图轮廓作为改进的水平集的初始轮廓，进行水平集轮廓演化，从而得到细胞浆的精确轮廓cellFine；


6.根据权利要求5步骤一中所述的细胞团分割，其特征在于：所述细胞团的分割过程可以分为如下步骤：
步骤一、使用Kmeans算法对经过灰度化和双边滤波预处理后的图像imageProcess进行聚类，聚类数为2，分别对应于脱落上皮细胞图像中的背景区域和细胞团区域，得到细胞团粗分割结果，记为ClumpSegRough；
步骤二、对图像ClumpSegRough中背景区域进行形态学腐蚀处理，从而最大限度的确保ClumpSegRough背景区域中的像素点一定属于真实的背景区域，处理结果记为ClumpSegRoughErosion；
步骤三、在图像ClumpSegRoughErosion的背景...

【专利技术属性】
技术研发人员：庞宝川，柳家胜，刘娟，孙小蓉，
申请(专利权)人：武汉兰丁医学高科技有限公司，
类型：发明
国别省市：湖北;42