CN102298700A - 一种骨髓病理图像中细胞识别与定位方法 - Google Patents

Abstract

本发明公开了一种骨髓病理图像中细胞识别与定位方法，其特点是该方法采用图像阈值和形态学运算对骨髓病理图像进行幼稚前体细胞和骨小梁的检测，并对细胞进行定位、定量分析，得到骨髓切片中幼稚前体细胞的异常定位结构，其具体操作包括幼稚前体细胞进行识别和定位、骨小梁检测和细胞的定量统计步骤。本发明与现有技术相比具有可以从骨髓病理的复杂图像中有效的检测出异常定位结构的幼稚前体和骨小梁细胞，对白血病早期复发的诊断具有重大的意义，而且，检测方便，准确率高。

Description

一种骨髓病理图像中细胞识别与定位方法

技术领域

本发明涉及医学病理图像分析与信息学技术领域，具体地说是一种用于白血病早期诊断的骨髓病理图像中细胞识别与定位方法。

背景技术

图像分割是指将图像中具有特殊涵义的不同区域予以分开，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。目前常用的分割技术有：基于灰度特征的阈值分割技术、基于边缘检测和边缘链接的分割技术、基于区域分割方法、基于数学形态学的分割方法、基于活动轮廓线的方法、基于神经网络的分割技术以及基于模糊数学的分割算法等等。其中，基于边缘检测和边缘链接的分割技术计算开销大，相对复杂且对边缘类型要求较高；基于区域的分割方法去噪性较好，但开销大，一般适合图像目标物体的边缘光滑、无重叠的情况；活动轮廓线方法是通过设定初始轮廓曲线，在该曲线其自身相关的内力和由图像数据定义的外力的共同作用下，使曲线不断逼近物体的边缘，由于该方法的速度较慢，不适于复杂目标的检测。基于数学形态学方法的优点在于比较灵活，可以通过构造不同的算子来处理不同的要求，几何意义明确，运算简单，而且在抗噪性方面优于传统的算子，获得了一定程度的鲁棒性。基于骨髓病理图像本身的复杂性，图像中除了有需要检测的幼稚前体细胞和骨小梁外，还包含了其它细胞、组织以及噪声等，以致现有的图像分割技术无法实现骨髓病理图像中的细胞检测，达到早期诊断白血病的医学效果。

发明内容

本发明的目的是针对现有技术的不足而提供的一种骨髓病理图像中细胞识别与定位方法，它采用图像阈值和区域分割对骨髓病理图像进行幼稚前体细胞和骨小梁的检测，并对细胞进行定位、定量分析，得到骨髓病理图像中幼稚前体细胞的异常定位结构，用于白血病的早期诊断。

本发明的目的是这样实现的：一种骨髓病理图像中细胞识别与定位方法，其特点是该方法采用图像阈值和形态学运算对骨髓病理图像进行幼稚前体细胞和骨小梁的检测，并对细胞进行定位、定量分析，得到骨髓病理图像中幼稚前体细胞的异常定位结构，其具体包括以下步骤： 

（一）、幼稚前体细胞识别和定位

采用图像阈值对骨髓病理图像进行二值化，然后进行细胞填充和图像相“减”分割出幼稚前体细胞，并以单个细胞或聚簇细胞加以标记，对标记的细胞进行细胞个数、各个细胞面积以及各个细胞的位置信息进行统计，其操作步骤如下进行： 

(1)、骨髓病理图像的读入

将读入的骨髓病理图像进行灰度化； 

(2)、图像的二值化

将灰度化的图像采用Otsu阈值法求出阈值p，取阈值p'=p*H对图像进行二值化，其中H= 1.020～1.030； 

(3)、图像的滤波和二值化

对灰度化的图像进行中值滤波和二值化，其二值化采用Otsu阈值法，取阈值p'=p*H，H= 1.020～1.030； 

(4)、图像的一次优化

将步骤（2）和步骤（3）所得二值化图像相“或”以优化图像； 

(5)、图像的取反

将优化后的二值化图像取反； 

(6)、填充细胞空隙

对边缘闭合内部有空隙的区域进行细胞填充，使内部有空隙细胞成为一个连续完整的区域；

 (7)、“开”运算

将填充细胞空隙的图像运用形态学进行“开”运算以分割粘连的细胞簇；

 (8)、图像的二次优化

将步骤（7）所得图像与其“闭”运算后的图像相“或”, 进行图像的二次优化； 

 (9)、“开”运算

将步骤（5）所得图像运用形态学进行“开”运算以分割粘连的细胞簇； 

(10)、图像的三次优化

将步骤(9)所得图像与其“闭”运算后的图像相“或”, 进行图像的三次优化； 

(11)、图像的相“减”

将步骤(8) 优化的图像与步骤(10) 优化的图像相“减”，以去除幼稚前体细胞以外的其它细胞或组织；

 (12)、面积筛选

根据细胞面积特性对步骤(11)得到的图像进行细胞筛选，将得到面积分布在150～1000像素之间的幼稚前体细胞，并通过扫描保留像素在200～800之间区域的图像； 

 (13)、细胞的定位与分割

以上述像素在200～800之间区域中心为细胞的圆心，加以定位并提取区域的轮廓线结合骨髓病理图像分割出幼稚前体细胞；

 (14)、聚簇细胞的标记   

根据分割出的幼稚前体细胞，计算各细胞的间距，并与设定的阈值进行比较，将所有细胞进行标记，阈值设定为三个细胞半径大小，若细胞的间距小于该阈值便标记为聚簇细胞，反之标记为单个细胞；

（15）统计细胞信息

将上述标记的单个细胞或聚簇细胞进行细胞个数、各个细胞面积以及各个细胞位置进行统计；

（二）、骨小梁检测

同上述幼稚前体细胞进行识别和定位中的步骤（1）～步骤（6）对骨髓病理切片图像进行二值化、滤波、图像优化、图像取反和细胞填充，然后将图像中各封闭区域的面积与阈值进行比较，取阈值为6000～10000像素，区域面积>阈值即为骨小梁区域，区域面积<阈值为非骨小梁区域，并计算骨小梁区域的面积和个数； 

（三）、细胞的定位及定量统计

对骨小梁检测结果的二值图像进行距离变换计算，得到一个距离分布的灰度图像，然后根据各类细胞的坐标信息从灰度图像中提取各细胞距离骨小梁的距离值，并将非骨小梁的背景区域划分为3～5个区域，在各个划分区域中对单个和聚簇细胞进行统计，得到统计和分类结果。

所述细胞位置为细胞圆心的位置，聚簇细胞位置为单个细胞位置和聚簇细胞团的中心位置。

所述阈值设定为三个细胞半径大小是以检测出的所有细胞半径平均值3倍，其半径为10～20像素。 

本发明与现有技术相比具有可以从骨髓病理的复杂图像中有效的检测出异常定位结构的幼稚前体和骨小梁细胞，对白血病早期复发的诊断具有重大的意义，而且，检测方便，准确率高。

附图说明

图1为细胞识别算法流程图；

图2为形态学运算结构元示意图；

图3为骨小梁分割算法流程图；

图4为细胞定量统计流程图；

图5（a）～图5（e）为本发明细胞识别的对比效果图；

图6（a）～图6（e）为本发明骨小梁检测的对比效果图。

具体实施方式

下面以骨髓病理图像中检测出幼稚前体细胞和骨小梁区域的具体实施例，对本发明做进一步的阐述： 

实施例1 

参阅附图1，结合图像阈值、形态学及幼稚前体细胞本身的特点对骨髓病理图像进行幼稚前体细胞的识别和定位，具体操作按下述步骤进行：

步骤(1)：读入骨髓病理图像并灰度化。

步骤(2)：图像的二值化，将灰度化的图像采用Otsu阈值法求出阈值p，但阈值p不能直接用来二值化图像，需先乘以一个权值H，这是为了保证二值化后的图像中幼稚前体细胞的边缘区域保持连通，通过实验验证H值在1.025左右检测效果较佳，取阈值p'=p*H对图像进行二值化。

步骤(3)：将灰度化的图像进行滤波操作，以减小噪声干扰，为保留细胞细节采用中值滤波的方法，其模板大小为3×3，然后采用Otsu阈值法对其图像进行二值化，方法同步骤(2)。

步骤(4)：将步骤（2）和步骤（3）所得二值化的图像相“或”以优化图像。

步骤(5)：将优化后的图像取反，即图像的像素在0和1进行互换。

步骤(6)：对边缘闭合内部有空隙的区域进行细胞填充，使内部有空隙细胞成为一个连续完整的区域；

步骤(7)：参阅附图2，对细胞填充后的图像运用形态学进行“开”运算以分割粘连的细胞簇。

步骤(8)：将步骤（7）所得图像运用形态学进行“闭”运算后与步骤（7）所得图像相“或”, 进行图像的二次优化； 

步骤(9)：参阅附图2，将步骤（5）所得图像运用形态学进行“开”运算以分割粘连的细胞簇。

步骤(10)：将步骤（9）所得图像运用形态学进行“闭”运算后与步骤（9）所得图像相“或”, 进行图像的第三次优化； 

步骤(11)：将步骤(8) 优化的图像与步骤(10) 优化的图像相“减”，剔除没有内部结构的细胞，以去除幼稚前体细胞以外的其它细胞或组织。

步骤(12)：根据细胞面积特性对步骤(11)得到的图像进行细胞筛选，以得到我们想要的细胞，从实验图像中得到幼稚前体细胞的面积基本分布在150-1000像素范围之间，通过扫描图像只保留图像中面积在200～800像素的区域。

步骤(13)：以上述像素在200～800之间区域中心为细胞的圆心加以定位，求出像素在200～800区域的中心，并提取区域的轮廓线结合骨髓病理图像分割出幼稚前体细胞。

步骤(14)：根据分割出的幼稚前体细胞，计算各细胞的间距，并与设定的阈值进行比较，阈值设定为三个细胞半径大小，若细胞的间距小于该阈值便标记为聚簇细胞，反之标记为单个细胞，这样通过两个循环遍历，可以标记出所有细胞属于单个细胞还是聚簇细胞。

上述设定的阈值为一个动态阈值，根据每张图中已检测出的所有细胞半径的平均值作为半径，取该半径的三倍作为阈值，这样可以根据不同的图像动态调整适合的阈值大小，以减少错误率，由于阈值的动态性，所以这里没法给出确定值，但半径的范围大致在10～20像素之内。

步骤(15)：将上述标记的单个细胞或聚簇细胞进行细胞个数、各个细胞面积以及各个细胞位置进行统计，统计包括两种类型幼稚前体细胞个数，各个细胞面积及在图像中所在的位置，这里所指的细胞位置是细胞圆心的位置，聚簇细胞的位置包括单个细胞的位置及几个聚簇细胞的中心位置。通过上述的步骤定位出单个和聚簇的幼稚前体细胞。

参阅附图3，根据骨小梁的面积、区域连续的特性，并结合图像阈值、区域分割的技术进行骨小梁检测，具体操作按下述步骤进行：

步骤(1)：读入骨髓病理图像并灰度化。

步骤(2)：图像预处理包括图像二值化、图像优化、图像取反和细胞填充，图像二值化采用Otsu阈值法求出阈值p，然后对图像进行二值化；滤波主要采用中值滤波的方法，其模板大小为3×3，图像预处理操作同前述幼稚前体细胞进行识别和定位中的步骤（1）～步骤（6）。

步骤(3)：采用形态学的“开”和“闭”运算，对图像中粘连的物体进行分割。

步骤(4)：对边缘闭合内部有空隙的区域进行细胞填充，使内部有空隙细胞成为一个连续完整的区域； 

步骤(5)：计算图像中封闭区域的面积。

步骤(6)：将各区域面积与阈值进行比较，阈值设定为6000～10000像素，区域面积>阈值即为骨小梁区域，区域面积<阈值为非骨小梁区域，若检测到某区域的面积大于这个阈值，则认为它为骨小梁区域，否则进行剔除，对所有的区域进行筛选后，最后剩下部分的即为骨小梁区域，从而在图像中定位出了骨小梁。

步骤(7)：将检测到某区域的面积小于阈值，则认定为非骨小梁区域，进行剔除。

步骤(8)：将检测到某区域的面积大于阈值，则认定为骨小梁区域

步骤(9)：对骨小梁检测结果的二值图像进行距离变换计算，得到一个距离分布的灰度图像，然后根据各类细胞的坐标信息从灰度图像中提取各细胞距离骨小梁的距离值，并将非骨小梁的背景区域划分为3～5个区域，在各个划分区域中对单个和聚簇细胞进行统计，得到统计和分类结果。计算骨小梁的面积、个数以及所在区域的坐标信息进行统计，也可以对该图进行其它处理得到想要的结果，此方法适用于对多个骨小梁进行识别。 

参阅附图4，对骨小梁检测结果的二值图像进行距离变换计算，得到一个距离分布的灰度图像，然后根据各类细胞的坐标信息从灰度图像中提取各细胞距离骨小梁的距离值，对各个区域中单个细胞和聚簇细胞团进行统计，具体操作按下述步骤进行：

步骤（1）：读入骨小梁检测二值图像。

步骤（2）：将骨小梁检测二值图像进行欧式距离变化得到距离分布图，距离变换可以看成是一个局部化过程，即某个点的距离变换值可以根据其领域值进行估算，通过只由一小块邻域来计算某一点的距离，同时能很好地逼近欧氏距离，克服了计算一个像素点到一组特征像素点的全局过程所带来的计算量大的问题，而且通过该方法，除了特征领域外的所有像素位置都有一个表示距离的值，只要知道某点的坐标位置，就能直接提取该距离值求得出该点与特征领域的最短距离。 

步骤（3）：读入各类细胞坐标信息。

步骤（4）： 将各类细胞坐标信息直接从上述步骤（2）得到的距离分布图中提取各细胞距离骨小梁的距离值，这提取的各细胞距离骨小梁的距离值为像素距离，即为以像素为单位的距离。

步骤（5）：将像素距离通过下述公式（1）转化为实际的距离，

            （1）

然后将实际距离通过下述公式（2）转化为实显微距离，

             （2）

以实验直接得到的距离值为像素距离，实际距离是按骨髓切片经显微镜放大后图像测量距离，它是以厘米为单位，显微距离是指骨髓切片未经显微镜放大情况下的实际距离，以微米为单位。

步骤（6）：根据距离分布图中的信息，将骨小梁周围的区域按显微距离的比例划分为0～200μm、200μm～400μm、400μm～600μm和600μm～无穷大四个区域，然后，对各个区域中单个细胞和聚簇细胞团进行统计。

参阅附图5，本发明的细胞识别与现有技术对幼稚前体细胞进行分割的对比效果图。

图5(a)为骨髓病理切片图像，其中圆圈内是需要检测的幼稚前体细胞。

图5(b)是采用8-sobel算子方法进行边缘检测的效果图，结果中未检测到我们所需要的细胞。

图5(c)是采用分水岭方法的效果图，只能分割出幼稚前体细胞的内核结构，而无法检测出整个细胞。

图5(d) 是canny算法提取的边缘效果图，使用的阈值为0.2，该方法得到的细胞边缘复杂，而且不连续。

图5(e)为本发明得到的细胞检测效果图，圆圈内是检测到的边界。通过比较可以发现，采用其它方法不能得到理想的效果，而采用本文提供的方法定位准确，提取的边缘效果图也较清晰。

参阅附图6，本发明的骨小梁检测与现有技术检测的对比效果图。

图6（a）为骨髓病理图。

图6（b）为canny算子法的检测效果图。

图6（c）为Sobel算子法检测效果图。

图6（d）为分水岭算法效果图。

图6(e)为本发明得到的细胞检测效果图，可以明显地看出本发明能够有效的检测出骨小梁区域。

以上只是对本发明作进一步的说明，并非用以限制本专利的实施应用，凡为本发明等效实施，均应包含于本专利的权利要求范围之内。   

Claims (3)

1.一种骨髓病理图像中细胞识别与定位方法，其特征在于该方法采用图像阈值和形态学运算对骨髓病理图像进行幼稚前体细胞和骨小梁的检测，并对细胞进行定位、定量分析，得到骨髓病理图像中幼稚前体细胞的异常定位结构，其具体包括以下步骤： 

（一）、幼稚前体细胞识别和定位

采用图像阈值对骨髓病理图像进行二值化，然后进行细胞填充和图像相“减”分割出幼稚前体细胞，并以单个细胞或聚簇细胞加以标记，对标记的细胞进行细胞个数、各个细胞面积以及各个细胞的位置信息进行统计，其操作步骤如下进行： 

(1)、骨髓病理图像的读入

将读入的骨髓病理图像进行灰度化； 

(2)、图像的二值化

将灰度化的图像采用Otsu阈值法求出阈值p，取阈值p'=p*H对图像进行二值化，其中H= 1.020～1.030； 

(3)、图像的滤波和二值化

对灰度化的图像进行中值滤波和二值化，其二值化采用Otsu阈值法，取阈值p'=p*H，H= 1.020～1.030； 

(4)、图像的一次优化

将步骤（2）和步骤（3）所得二值化图像相“或”以优化图像； 

(5)、图像的取反

将优化后的二值化图像取反； 

(6)、填充细胞空隙

对边缘闭合内部有空隙的区域进行细胞填充，使内部有空隙细胞成为一个连续完整的区域；

 (7)、“开”运算

将填充细胞空隙的图像运用形态学进行“开”运算以分割粘连的细胞簇；

 (8)、图像的二次优化

将步骤（7）所得图像与其“闭”运算后的图像相“或”, 进行图像的二次优化； 

 (9)、“开”运算

将步骤（5）所得图像运用形态学进行“开”运算以分割粘连的细胞簇； 

(10)、图像的三次优化

将步骤(9)所得图像与其“闭”运算后的图像相“或”, 进行图像的三次优化； 

(11)、图像的相“减”

将步骤(8) 优化的图像与步骤(10) 优化的图像相“减”，以去除幼稚前体细胞以外的其它细胞或组织；

 (12)、面积筛选

根据细胞面积特性对步骤(11)得到的图像进行细胞筛选，将得到面积分布在150～1000像素之间的幼稚前体细胞，并通过扫描保留像素在200～800之间区域的图像； 

 (13)、细胞的定位与分割

以上述像素在200～800之间区域中心为细胞的圆心，加以定位并提取区域的轮廓线，结合骨髓病理图像分割出幼稚前体细胞；

 (14)、聚簇细胞的标记    

根据分割出的幼稚前体细胞，计算各细胞的间距，并与设定的阈值进行比较，将所有细胞进行标记，阈值设定为三个细胞半径大小，若细胞的间距小于该阈值便标记为聚簇细胞，反之标记为单个细胞；

（15）统计细胞信息

将上述标记的单个细胞或聚簇细胞进行细胞个数、各个细胞面积以及各个细胞位置进行统计；

（二）、骨小梁检测

同上述幼稚前体细胞进行识别和定位中的步骤（1）～步骤（6）对骨髓病理切片图像进行二值化、滤波、图像优化、图像取反和细胞填充，然后将图像中各封闭区域的面积与阈值进行比较，取阈值为6000～10000像素，区域面积>阈值即为骨小梁区域，区域面积<阈值为非骨小梁区域，并计算骨小梁区域的面积和个数； 

（三）、细胞的定位及定量统计

对骨小梁检测结果的二值图像进行距离变换计算，得到一个距离分布的灰度图像，然后根据各类细胞的坐标信息从灰度图像中提取各细胞距离骨小梁的距离值，并将非骨小梁的背景区域划分为3～5个区域，在各个划分区域中对单个和聚簇细胞进行统计，得到统计和分类结果。

2.根据权利要求1所述骨髓病理图像中细胞识别与定位方法，其特征在于所述细胞位置为细胞圆心的位置，聚簇细胞位置为单个细胞位置和聚簇细胞团的中心位置。

3.根据权利要求1所述骨髓病理图像中细胞识别与定位方法，其特征在于所述阈值设定为三个细胞半径大小是以检测出的所有细胞半径平均值3倍，其半径为10～20像素。

Images