CN101853495A - 一种基于形态学的细胞分离方法 - Google Patents

Abstract

一种基于形态学的细胞分离方法，包括以下步骤：1)区域标记：对于细胞图像分割结果的二值图，基于形态学标记，通过标记得到各个粘连区域的标记值；2)提取单体细胞：2.1)提取区域的过程；2.2)首先从区域标记图中找出存在粘连区域的标记图，选择结构元素大小为1的圆结构对其进行膨胀，直至标记图边界超出粘连图外边界时停止，所述标记图的大小是粘连细胞中一个单体细胞的整体；3)遍历重构的新二值图集，根据坐标和面积信息，确定各个单体的归属，并建立图像集。本发明能够有效分离粘连的细胞、为准确计算细胞的形态参数做好准备。

Description

一种基于形态学的细胞分离方法

技术领域

本发明涉及图像处理、生物医学、计算机视觉、计算方法，尤其是一种针对细胞图像分割的单体细胞分离方法。

背景技术

在医学领域，通常需要将细胞从细胞图像中分割出来，由于细胞图像灰度非齐次性和空间位置的重叠，分割结果中存在的是众多细胞的重叠图像和细胞核内的部分过分割区域，如果不加处理直接计算其形态，对于过分割的部分归属性和形态参数计算的准确性都是一个挑战。

传统的细胞分离方法存在的缺陷：1、不能有效分离粘连的细胞，无法从粘连的细胞中提取单体细胞；2、影响了细胞的形态参数计算的准确性。

发明内容

为了克服已有的细胞分离方法的不能有效分离粘连的细胞、影响细胞的形态参数计算的不足，本发明提供一种能够有效分离粘连的细胞、为准确计算细胞的形态参数做好准备的基于形态学的细胞分离方法。

本发明解决其技术问题所采用的技术方案是：

一种基于形态学的细胞分离方法，所述细胞分离方法包括以下步骤：1)、区域标记：

对于细胞图像分割结果的二值图，基于形态学标记如下：

a)自定义结构元素，包括形状及大小；

b)用该结构元素腐蚀二值图，获取内部代表区域；

c)形态学毕运算和填充方法消除小的杂点区域，构造包含内部代表区域的新二值图；

d)在新二值图上用分水岭算法获得各个区域的标记值；

通过以上标记得到各个粘连区域的标记值；

2)、提取单体细胞：

2.1)、提取区域的过程：初始情况下，区域代表值为零，设定面积阈值为A，A取大于图像中单体细胞面积两倍的值；逐行逐列扫描图像像素点，并将当前点设为中心点，以此遍历上下左右四个领域点，如果领域点的灰度值和中心点一致，并判断同质区域面积是否大于面积阈值A，如同质区域面积小于面积阈值，为单体细胞；如同质区域面积大于面积阈值则为粘连区域；

2.2)、首先从区域标记图中找出存在粘连区域的标记图，选择结构元素大小为1的圆结构对其进行膨胀，直至标记图边界超出粘连图外边界时停止，所述标记图的大小是粘连细胞中一个单体细胞的整体；

3)、遍历重构的新二值图集，根据坐标和面积信息，确定各个单体的归属，并建立图像集。

本发明的技术构思为：数学形态学(MathematicalM orphology)^[44]是近几年来发展迅速的一门建立在严格数学理论基础上的新兴的学科，以几何特性和结构特性的定量描述与分析为其主要研究内容，是一种应用于图像处理和模式识别领域的新的方法。虽然其理论基础有些艰深，但其基本观念却比较简单。它体现了逻辑推理与数学演绎的严谨性，又要求具备与实践密切相关的实验技术与计算技术，积分几何和随机集论是其赖以生存的基石。

数学形态学具有坚实的理论基础，它以集合论的语言来描述图像处理算法。它的基本思想是利用结构元素(structuring element)收集图像的信息。当结构元素在图像中不断移动时，便可考察图像各个部分间的相互关系，从而了解图像各个部分的结构特征。结构元素可直接携带知识(形态、大小、以及灰度和色度信息)来探测所研究图像的结构特点，借助于不同形状的结构元素与图像间的一系列结构变换来处理和分析图像。

数学形态学应用在图像领域主要包括二值形态学和灰值形态学^[45]，它比其它空域或频域图像处理方法具有一些明显的优势^[46]。数学形态学方法最初应用于二值图像处理领域中，获得了广泛的应用_[45]，且效果显著，灰值形态学是二值形态学对灰度图像的自然扩展。其中，二值形态学中用到的交、并运算分别用最小、最大运算代替^[45][47]，这对于理解灰度图像到彩色图像的推广是很重要的。

数学形态学的主要内容是设计一套变换(运算)，概念和算法，用以描述图像的基本特征。假设用X表示图像，Ψ(X)表示对图像进行形态学变换。形态学创始人Serra给形态学变换规定了以下基本性质^[48]：

平移不变性：Ψ(X_Z)＝[Ψ(X)]_Z，其中X_Z表示X平移矢量Z的变换。

缩放不变性：Ψ_λ(X)＝λΨ(λ^-1X)

局部知识性：Ψ(X)变换只用到局部领域信息。

半连续性：形态学变换具有一定的连续特性。

二值图像是指那些灰度值只取两个可能值的图像，这两个灰度值通常取为0和1。习惯上认为取值1的点对应于景物中的点，取值为0的点构成背景。二值形态学适用于二值图像，它的各种形态学处理算法都是以膨胀(dilation)，腐蚀(erosion)这两种最基本的运算为基础的。

对一个给定的集合(即图像)X和另一个集合(即结构元素)B，想象一下将B在图像上移动。在每一个当前位置x，B_x只有三种可能状态：一是

二是

三是B_x∩X和B_x∩X^c均不空。第一种情形说明B_x与X相关最大，第二种情形说明B_x与X不相关，第三种情形说明B_x与X只是部分相关。因而满足第一种情形的点x的全体构成结构元素与图像的最大相关点集，称这个点集为B对X的腐蚀。腐蚀可以看作是将图像X中每一个与结构元素B全等的子集合B_x(并行地)收缩为点x，那么反过来，也可以将X中每一个点x扩大为B_x，这就是膨胀运算。具体可以参考灰度腐蚀与膨胀的示意图1。

定义4-1设A，B为Z²中的集合，Φ为空集，A被B的膨胀，记为

为膨胀算子，膨胀的定义为：

$A\⊕B=\left\{x\right|{\left(\hat{B}\right)}_x\∩A\≠\mathrm{\Φ}\}---\left(1\right)$

式(1)表明的膨胀过程是B首先做关于原点的映射，然后平移x。A被B的膨胀是

所有x平移后与A至少有一个非零公共元素。集合B就是结构元素。

定义4-2设A，B为Z²中的集合，Φ为空集，A被B的腐蚀，记为AΘB，Θ为腐蚀算子，腐蚀的定义为：

$\mathrm{A\ΘB}=\left\{x\right|{\left(B\right)}_x\⋐A\}---\left(2\right)$

也就是说，A被B腐蚀的结果为所有使B被x平移后包含于A点的集合。

根据区域差别性这一图像分割领域的核心准则，本文第三章给出的一种新的区域混合主动轮廓模型，该模型用来从背景图中同时检测出细胞核仁与细胞膜的轮廓。这种主动轮廓模型根据区域最大化原则的核心思想，同时采用局部和全局灰度信息用作模型的驱动力。这种局部和全局的拟合驱动力确保了模型能够捕捉到局部差异，并且全局差异区域也能被分割出来。同时引进的策略权重参数利用梯度信息来解释局部拟合项和全局拟合项如何组成混合拟合项，实验结果这一小节的内容证明了这类模型在分割细胞核仁与细胞膜时有良好的表现。

但是分割由于细胞图像灰度非齐次性和空间位置的重叠，分割结果中存在的是众多细胞的重叠图像和细胞核内的部分过分割区域，如果不加处理直接计算其形态，对于过分割的部分归属性和形态参数计算的准确性都是一个挑战。

从细胞图像的分割结果中对于统计细胞形态参数的缺陷出发，应用数学形态学方法，设计了分离粘连细胞的方法，该方法最终得到的结果是原重叠图像分离出的单个细胞的一组图像集，较传统的粘连分离方法，该方法能提取出单体细胞及内核区域的图像集，为准确计算出细胞形态参数做好准备。引入了细胞核质比这一新的形态参数，并计算出每个细胞参数，如周长、面积、最大高度、最大宽度、矩形度、圆形度、伸长度，给出细胞图像直观的数字参数。

该方法围绕形态学方法展开，给出了分割粘连细胞的新算法，用表示单个细胞的图像集来计算各个细胞形态参数。

本发明的有益效果主要表现在：能够有效分离粘连的细胞、为准确计算细胞的形态参数做好准备。

附图说明

图1是用圆形结构元素进行灰值膨胀和腐蚀的定义的图解示意图。

图2是二值膨胀示意图。

图3是二值腐蚀示意图。

图4是形态学填充结果图。

图5是区域标记过程示意图。

图6是灰度图像区域标记图。

图7是区域提取算法的流程图

图8是提取的二值图集的示意图。

图9是分离并还原细胞单体的示意图。

图10是各个单体细胞整理的示意图。

图11是单体细胞和其内部所属区域的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图11，一种基于形态学的细胞分离方法，所述细胞分离方法包括以下步骤：

1)、区域标记：

对于细胞图像分割结果的二值图，基于形态学标记如下：

e)自定义结构元素，包括形状及大小；

f)用该结构元素腐蚀二值图，获取内部代表区域；

g)形态学毕运算和填充方法消除小的杂点区域，构造包含内部代表区域的新二值图；

h)在新二值图上用分水岭算法获得各个区域的标记值；

通过以上标记得到各个粘连区域的标记值；

2)、提取单体细胞：

2.1)、提取区域的过程：初始情况下，区域代表值为零，设定面积阈值为A，A取大于图像中单体细胞面积两倍的值；逐行逐列扫描图像像素点，并将当前点设为中心点，以此遍历上下左右四个领域点，如果领域点的灰度值和中心点一致，并判断同质区域面积是否大于面积阈值A，如同质区域面积小于面积阈值，为单体细胞；如同质区域面积大于面积阈值则为粘连区域；

2.2)、首先从区域标记图中找出存在粘连区域的标记图，选择结构元素大小为1的圆结构对其进行膨胀，直至标记图边界超出粘连图外边界时停止，所述标记图的大小是粘连细胞中一个单体细胞的整体；

3)、遍历重构的新二值图集，根据坐标和面积信息，确定各个单体的归属，并建立图像集。

细胞区域存在的粘连现象对于提取单个细胞及统计细胞的形态参数都是一个挑战，成功分离粘连细胞对于细胞的分割和检测都有着重要意义。本实施例的细胞分离方法基于二值形态学方法，提取二值图主要部分——细胞区域和细胞核区域。选用数学形态学对细胞分割结果区域进行集合操作，从而提取出单个细胞的整体区域，并方便后续的形态参数计算。

本实施例的方法归结起来可以分为分割区域的标记和分离这两个部分，通过标记可以获取分割结果中目标的主要区域，再在区域标记的基础上，对分割结果图中粘连的部分实现分离，从而完成细胞图像中单个目标的提取。

区域标记：对于混合主动轮廓模型分割结果三维二值图现如图4左图所示，分析可知尽管嗜中性粒细胞的核区域中存在过多的小区域目标，也就是之前提到的过分割区域，但是主目标区域外边界的良好捕捉确保了在分割结果图中辨认出细胞整体。对此图像，选用形态学填充方法，该方法对于二值图像中前景目标边界区域内的背景区域部分，用前景区域值替换，也就是二值图像中在“1”值为边

界的闭合区域内，将“0”值替换成“1”值。消除了内部区域的过分割现象如图4右图所示。

至此，不考虑细胞内细胞核目标的对象，可以得到细胞区域总的外部轮廓，但此时面临的问题是如何将图4中间区域粘连细胞分离开，得到单体的细胞。本节介绍的区域标记方法可以实现细胞分离和提取。

分析图4右图可知，该图中存在多个细胞目标，并且若干个目标连在一起。若要从图中提取目标，首要需获取单个的目标个体。对于分离出单体问题，在本文中转化为标记区域问题，将不同的细胞体标为不同的数值，从而起到区分的作用。

对于二值图像，基于形态学的标记算法如下：

a)自定义结构元素，包括形状及大小。

b)用该结构元素腐蚀二值图，获取内部代表区域。

c)形态学毕运算和填充方法消除小的杂点区域，构造包含内部代表区域的新二值图。

d)在新二值图上用分水岭算法获得各个区域的标记值。

其中分水岭算法，请参照文献1：Vincent L，Soille P.Watersheds in digital spaces：An efficient algorithm based on immersion simulations[J]IEEE Transactions onPattern Analysis and Machine Intelligence，1991，13(6)，583-598，即文森特L，索雷P，数字空间分水岭：一种有效的基于浸入仿真的算法，IEEE模式分析与机器智能期刊，第13期第6章583-598页。

该算法可以获取各个粘连区域的标记值，该标记图是下节引入的粘连细胞分离的基础。对于图4右图，选取了圆盘形的结构元素，大小设置为14，该值的大

小选取根据获取最多内部代表区域为原则调节，分离结构如图5所示，其右图的不同的颜色代表了不同的标记值，即一种颜色代表一个区域。

该算法对于同样适用于灰度及彩色图像，现以灰度图像为例，验证其区域标记效果，如图6所示。图6右下图不同的颜色区域代表不同的标记值。

提取单体细胞：区域标记的结果是在原分割结果图中将多个目标的种子区域标注出来，即将多个目标单体化标注。图5右图的标记图虽然给出了分离的单体细胞，但这和图4左图的混合主动轮廓模型分割结果相比，存在两方面的信息丢失。首先，由于是在形态学腐蚀情况下进行的操作，标记的单体细胞区域丢失了部分外边界的内容。其次，为了获得种子区域，混合主动轮廓模型得到的细胞核区域是在形态学填充操作下进行的，因此丢失了此区域的信息。本节介绍的算法用到了标记算法得到的标注图，并修正了标记算法的这两个缺陷，提取了图中多个目标并保存为图像集，更加方便后续的形态参数计算。

提起单体细胞的算法分为两个部分。首先介绍提取区域的算法，该算法直接对分割结果二值图，提取单一和粘连的细胞区域。其次，处理粘连的细胞区域，用上一节介绍的区域标记方法将细胞分离，重新对标记的区域进行形态学膨胀恢复其在分割结果图中的形态，并将内部的细胞核区域归属为某一区域。经过上述过程，细胞核区域和细胞整体轮廓区域都得以保存，实现细胞轮廓区域分离的同时，内部细胞核区域细节也得以保留，对之后的形态学参数计算会有重要的意义。

图7为提取区域的算法的流程。

算法将各个没有粘连的部分提取出来，在对图4左图处理的过程中，设定面积阈值为150，于是在提取过程中部分没有在形态学闭运算时消除的小区域，在该面积阈值的约束下被滤去了。

图8给出了提取出的各个主要区域(图中白色区域)二值图集，其中包括背景部分，粘连细胞部分，单个细胞部分以及细胞内区域部分。

从图8图第二行左边第一张二值图中可以看出，区域提取算法中还包含了若干个粘连细胞，对于二值图是否存在粘连，以及处理的方法如下：

a)形态学填充，将背景二值图剔除。

b)在剩余的图像集中，判断填充结果图中面积是否大于面积阈值A

c)若大于面积A，则存在粘连，否则，为单体。

上述步骤b中的面积阈值A取大于图像中单体细胞面积两倍的值。

通过区域提取和粘连判断，已经可以获得粘连二值图，再引入上节介绍的区域标记图，可以实现粘连细胞的分离并获得各个细胞核的区域，构成一个完整的单体细胞。

利用区域标记图可以还原出粘连细胞各个细胞体的外轮廓。首先从区域标记图中找出存在于粘连区域的标记图，选择结构元素大小为1的圆结构对其进行膨胀，直至标记图边界超出粘连图外边界时停止，这时该标记图的大小可以近似的认为是粘连细胞中一个单体细胞的整体。

图9是分离粘连细胞并还原各个单体细胞的结果图，用下行的四副二值图替代图8中第二行第一幅图像，从而获得了分离的各个单体。此时的重新构成的二值图像集中包含了图9下行四副二值图，并删除图8第二行第一幅二值图。

至此，分离并提取细胞还差一个步骤完成，即确定各个单体的归属。此处的归属代表各个单体的从属性。遍历重构的新二值图集，根据坐标和面积信息，确定各个单体的归属。图10所示的图像集是各个单体细胞的整体区域，但重构图像集中还包含了若干个小区域，这些小的区域表示细胞核区域的内部细节。归属性信息由此确定了各个小区域从属于图10中哪一个具体的细胞单体。图11上行是两个细胞单体整体及内部区域，内部区域代表了细胞核区域，下行最左图是细胞单体整体，其右四副二值图是从属于该单体的四个细胞质区域。

因此，区域标记和提取单体算法获得了图像集。该图像集中包含了各个单体细胞的整体，及其内部若干个区域。

Claims (1)

1.一种基于形态学的细胞分离方法，其特征在于：所述细胞分离方法包括以下步骤：

1)、区域标记：

对于细胞图像分割结果的二值图，基于形态学标记如下：

a)自定义结构元素，包括形状及大小；

b)用该结构元素腐蚀二值图，获取内部代表区域；

c)形态学毕运算和填充方法消除小的杂点区域，构造包含内部代表区域的新二值图；

d)在新二值图上用分水岭算法获得各个区域的标记值；

通过以上标记得到各个粘连区域的标记值；

2)、提取单体细胞：

2.1)、提取区域的过程：初始情况下，区域代表值为零，设定面积阈值为A，A取大于图像中单体细胞面积两倍的值；逐行逐列扫描图像像素点，并将当前点设为中心点，以此遍历上下左右四个领域点，如果领域点的灰度值和中心点一致，并判断同质区域面积是否大于面积阈值A，如同质区域面积小于面积阈值，为单体细胞；如同质区域面积大于面积阈值则为粘连区域；

2.2)、首先从区域标记图中找出存在粘连区域的标记图，选择结构元素大小为1的圆结构对其进行膨胀，直至标记图边界超出粘连图外边界时停止，所述标记图的大小是粘连细胞中一个单体细胞的整体；

3)、遍历重构的新二值图集，根据坐标和面积信息，确定各个单体的归属，并建立图像集。

Images