[0056] 下面结合附图,对本发明的技术方案进行具体说明。
[0057] 本发明提供了一种基于自适应直方图阈值和轮廓检测的血液白细胞分割方法,首先,利用颜色分量组合增强白细胞细胞核的对比度,进而利用自适应直方图阈值化方法实现细胞核的粗分割,定位白细胞,剪裁其所在子图像;然后,利用颜色先验去除每个子图像的背景得到白细胞分割结果,并再次利用自适应直方图阈值化方法分割子图像实现细胞核的精细分割;最后利用白细胞分割结果减去细胞核分割结果得到细胞质分割结果。
[0058] 以下具体描述本发明的实现过程。
[0059] 1白细胞定位
[0060] 白细胞定位旨在提取血细胞图像中白细胞所在的图像子窗口,为后续的白细胞分割奠定基础。白细胞定位的详细过程如下:
[0061] 1)颜色分量组合:将HSI颜色空间中的饱和度(Saturation)分量和RGB颜色空间中的蓝色(Blue)和绿色(Green)分量进行加权组合,构成新的图像I1,具体定义为:
[0062] I1=S'+k1B‑k2G (1)
[0063]
[0064]
[0065] 公式(1)中,S'表示HSI颜色空间中采用公式(2)归一化后的饱和度分量;B和G分别表示RGB颜色空间中的蓝色和绿色分量;k1和k2分别代表B和G的权重,并且k1的取值根据公式(3)自适应地确定;公式(2)中的Smin和Smax分别表示饱和度分量中的最小值和最大值;公式(3)中, 表示向上取整,S0(见图2(f))和B0(见图2(g))分别代表由自适应直方图阈值方法在S和B分量直方图上确定的阈值;
[0066] 2)细胞核的粗分割:首先通过中值滤波抑制图像噪声,然后通过自适应直方图阈值方法(Adaptivehistogramthresholding,AHT)提取候选细胞核区域,最后去除小面积的虚假细胞核区域获得细胞核的粗分割结果;结合图3,对AHT方法的具体步骤阐述如下:
[0067] step1:计算颜色分量组合图像I(如图3(g)所示)的灰度直方图H;
[0068] step2:使用Matlab函数findpeaks计算H中所有波峰对应的灰度级,记为g1,g2,...,gN,N代表找到的波峰个数;
[0069] step3:计算最高波峰对应的灰度级gM和次高波峰对应的灰度级gSM:
[0070]
[0071]
[0072] 图3(f)给出了图3(e)对应灰度直方图三个波峰对应的灰度级位置g1、g2和g3。
[0073] step4:自适应地确定细胞核分割阈值T:
[0074]
[0075] 即将位于最高波峰和次高波峰对应灰度区间内出现频次最少的灰度级确定为分割阈值T;
[0076] step5:获得细胞核粗分割结果:
[0077]
[0078] I1(i,j)表示像素(i,j)的灰度级,T是分割阈值,BT是二值化分割结果,如图3(g)所示。
[0079] 3)白细胞定位:
[0080] 首先利用Matlab函数Regionprops计算分割所得每个白细胞细胞核区域的质心o(x,y)(见图3(c)中的点)、面积s和周长p,然后按公式(8)~(9)计算等效半径r和圆度c,最后选择一个长和宽均为re的方形区域:
[0081]
[0082]
[0083]
[0084] 4)子图像裁剪:将白细胞所在方形区域从原始血细胞图像中裁剪出来,如图3(d)所示,方形区域表示白细胞所在子图像,图3(d4)是从图3(d)中裁剪出来的子图像之一。
[0085] 2细胞核分割
[0086] 本发明方法在实现白细胞定位时在整幅血细胞图像上执行了细胞核粗分割,但那时细胞核的分割可能受到红细胞和染色杂质的干扰而导致分割精度有待提高。这里,再次把自适应直方图阈值方法执行在剪裁后的白细胞子图像上,以获得更准确的细胞核分割结果。
[0087] 3细胞质分割
[0088] 白细胞由细胞核与细胞质构成,细胞质围绕细胞核。前述步骤实现了细胞核的分割,接下来的任务便是分割细胞质。白细胞细胞质的分割流程如图4所示,具体分割过程如下:
[0089] 1)根据颜色先验知识去除图像背景,其形式化描述为:
[0090]
[0091]
[0092] 其中,I(i,j,:)和Ib(i,j,:)分别表示原始图像和去除背景后图像中像素点(i,j)的三个颜色分量值,处理结果如图4(b)所示。
[0093] 2)根据颜色先验从图像Ib中去除红细胞,其形式化描述如下:
[0094]
[0095]
[0096] 其中,Ibr(i,j,:)是去除了红细胞后的图像,处理结果如图4(c)所示。
[0097] 3)执行中值滤波器以平滑图像Ibr并去除杂质,处理结果如图4(d)所示。
[0098] 4)执行Canny边缘检测以获得候选目标轮廓,处理结果如图4(e)所示。
[0099] 5)从边缘检测结果中获得最大连通区域作为白细胞轮廓,结果如图4(f)所示。
[0100] 6)通过Matlab函数imfill填充白细胞轮廓以获得初始白细胞区域,然后执行Matlab的形态学函数imopen平滑白细胞区域以获得最终的白细胞分割结果,处理结果如图4(g)所示。
[0101] 7)将所得白细胞区域减去细胞核区域即可获得细胞质区域,结果如图4(h)所示。
[0102] 为了评价白细胞分割算法的性能,我们在100幅快速染色血液白细胞图像构成的数据集和60幅标准染色血液白细胞图像构成的数据集上进行了实验。每幅快速染色白细胞图像大小为120×120,每幅标准染色白细胞图像大小为260×260,每幅图像的手动理想分割结果由医院血检科医生给出。本发明方法首先与已有的两种白细胞分割方法(Gu方法[1]和Zheng方法[2])分别在8幅代表性快速染色图像、8幅标准染色图像上进行了分割精度的定性比较;然后,利用四个常见的分割测度对分割算法在两个数据集上的平均分割精度进行了定量的比较。这四个测度是错分类误差(Misclassification error,ME)、假正率/虚警率(False positive rate,FPR)、假负率(False negative rate,FNR)以及kappa指数(Kappa index,KI),其定义如下:
[0103]
[0104]
[0105]
[0106]
[0107] 其中,Bm和Fm分别代表手动理想分割结果的背景和目标,Ba和Fa分别代表自动分割算法所得分割结果中的背景和目标,|·|代表集合中元素的个数。四个测度的取值范围均为0~1。越低的ME、FPR和FNR值代表越好的分割效果,越高的KI值代表越好的分割效果。所有实验均在一台CPU为2.39GHz Intel Xeon W3503、内存6G的台式机上进行。
[0108] 1参数选择
[0109] 本发明方法最重要的参数是公式(1)中的k2,其用于增强细胞核区域而进行颜色分量组合时调整G分量的组合权重。以两个数据集上所有白细胞图像作为测试对象,我们探讨了参数k2对本发明方法分割精度的影响,其中,k2取自集合{1,3,5},不同参数取值下本发明方法的ME,FPR,FNR,KI测度结果如表1所示。从表1可见,当k2=3时,本发明方法获得最低的平均ME、FPR、FNR值和最高的KI值,对应分割精度最高。
[0110] 表1参数k2对两个数据集所有图像平均分割精度的影响
[0111]k2 ME FPR FNR KI
1 0.049 0.051 0.040 0.942
3 0.047 0.051 0.038 0.944
5 0.048 0.052 0.038 0.943
[0112] 2定性比较
[0113] 为了定性地比较三种白细胞分割方法的分割效果,进行了两组实验,分别对8幅快速染色白细胞图像和8幅标准染色白细胞图像进行分割,结果如图5和图6所示。
[0114] 图5展示了在快速染色条件下8幅白细胞图像的分割结果。这些图像没有完整的红细胞,只有一些红细胞碎片。因此,这些图像不会受到细胞粘连的影响。在图5中,从左到右的五列分别展示了原始图像,手动分割结果,Gu方法的分割结果,Zheng方法的分割结果,本发明方法的分割结果。对于白细胞分割,图5表明:(1)Gu方法在图5(a),(c),(d),(e),(g),(h)中产生了欠分割的结果,而在图5(b),(f)中产生了过分割。(2)Zheng方法基本上对所有图像都产生了过分割。(3)本发明方法比其他两种方法获得了更好的分割结果,但是它仍然在一些图像上产生了轻微的过分割。对于白细胞核分割而言,本发明方法在8幅图像上都获得了良好的分割结果。Gu方法仅在图5(d),(e),(h)上获得了比较满意的结果。它在图5(a),(b),(c),(f)上产生了欠分割,在图5(g)中产生了过分割的结果。Zheng的方法在图5(e),(g)上获得了比较满意的结果。在图5(a)‑(c),(f)和(h)上产生了欠分割,在图5(d)上产生了过分割
[0115] 图6展示了在标准染色制备下8幅白细胞图像的分割结果,图中从左到右的五列分别展示了原始图像、手动理想分割结果、Gu方法[1]、Zheng方法[2]和本发明方法的分割结果。就白细胞的分割而言,从图6可见,Gu方法在图6(f)和(g)上产生了欠分割,而在图6(a)、(d)、(e)和(h)上产生了过分割;Zheng方法对大部分图像产生了过分割;本发明方法通常比其他两种算法分割效果更好,但它仍然在图6(d)和(g)上产生了轻微的过分割。就细胞核分割而言,Gu方法仅在图6(a)、(c)‑(d)、(f)‑(g)上获得了比较满意的分割效果,在图6(b)、(e)和(h)上产生了欠分割;Zheng方法在图6(c)、(e)和(h)上获得了比较满意的分割效果,但在图6(a)‑(b)、(d)和(f)上产生了欠分割,在图6(g)上产生了过分割;本发明方法在8幅图上都取得了良好的分割效果
[0116] 3定量比较
[0117] 为了对三种方法(即Gu方法[1]、Zheng方法[2]和本发明方法)进行分割精度的定量比较,我们在由100幅快速染色白细胞图像构成的数据集和由60幅标准染色白细胞图像构成的数据集上进行了实验,用ME、FPR、FNR和KI四种测度对分割结果进行定量评价。表2和表3分别展示了快速染色数据集上白细胞和细胞核分割结果的定量评价结果;表4和表5分别展示了标准染色数据集上白细胞和细胞核分割结果的定量评价结果;每列数据中最好的测度值进行了加粗展示。从表2和表3可以看到,对快速染色图像的平均分割性能而言,本发明方法取得了最低的ME值和最高的KI值,均说明本发明方法的分割效果最佳;本发明方法对应的FPR值也最小,说明本发明方法过分割现象最轻微;本发明方法对应的FNR值比Zheng方法对应FNR值稍大,说明本发明方法比Zheng方法存在更严重的欠分割问题;Zheng方法欠分割现象最轻,是因为其存在严重的过分割问题导致的。从表4和表5可以看到,对标准染色图像的平均分割性能而言,本发明方法取得了最低的ME、FPR、FNR值,最高的KI值,均说明本发明方法的分割效果最佳。
[0118] 表2快速染色数据集上白细胞分割结果的定量比较
[0119]
[0120]
[0121] 表3快速染色数据集上细胞核分割结果的定量比较
[0122] ME FPR FNR KI
[1]
Gu方法 0.086 0.081 0.124 0.750
[2]
Zheng方法 0.021 0.007 0.121 0.914
本发明方法 0.013 0.002 0.097 0.940
[0123] 表4标准染色数据集上白细胞分割结果的定量比较
[0124] ME FPR FNR KI
[1]
Gu 0.152 0.179 0.108 0.817
[2]
Zheng 0.149 0.206 0.050 0.841
本发明方法 0.048 0.051 0.038 0.944
[0125] 表5标准染色数据集上细胞核分割结果的定量比较
[0126] ME FPR FNR KI
[1]
Gu 0.048 0.024 0.132 0.886
[2]
Zheng 0.151 0.161 0.146 0.740
本发明方法 0.048 0.052 0.037 0.943
[0127] 以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。