CN110675372A - 细胞分辨水平的脑组织三维图像的脑区自动分割方法及*** - Google Patents
细胞分辨水平的脑组织三维图像的脑区自动分割方法及*** Download PDFInfo
- Publication number
- CN110675372A CN110675372A CN201910853273.3A CN201910853273A CN110675372A CN 110675372 A CN110675372 A CN 110675372A CN 201910853273 A CN201910853273 A CN 201910853273A CN 110675372 A CN110675372 A CN 110675372A
- Authority
- CN
- China
- Prior art keywords
- resolution
- brain
- image
- texture
- low
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 186
- 230000011218 segmentation Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 46
- 210000005013 brain tissue Anatomy 0.000 title claims abstract description 29
- 210000002287 horizontal cell Anatomy 0.000 title description 2
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 46
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000001638 cerebellum Anatomy 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- XJMOSONTPMZWPB-UHFFFAOYSA-M propidium iodide Chemical compound [I-].[I-].C12=CC(N)=CC=C2C2=CC=C(N)C=C2[N+](CCC[N+](C)(CC)CC)=C1C1=CC=CC=C1 XJMOSONTPMZWPB-UHFFFAOYSA-M 0.000 description 2
- 210000001103 thalamus Anatomy 0.000 description 2
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009699 differential effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009760 functional impairment Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000002637 putamen Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种细胞分辨水平的脑组织三维图像的脑区自动分割方法及***,包括如下步骤:步骤S1,获取原始数据;步骤S2,降采样;步骤S3,低分辨特征提取;步骤S4,绘制初始轮廓;步骤S5,低分辨脑区分割;步骤S6,升采样标号值;步骤S7,高分辨特征提取;步骤S8,高分辨脑区分割;步骤S9,边界优化;步骤S10,循环处理;步骤S11,输出结果。本发明方法基于脑区细胞纹理的概率分布,利用细胞分辨图像对细胞构筑细节信息的敏感性提取图像纹理细节信息,再与脑区纹理空间分布特征相结合,强化对纹理细节和边缘轮廓的共同描述,以弥补传统特征提取算法对脑区纹理信息描述不足的缺陷。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种细胞分辨水平的脑组织三维图像的脑区自动分割方法及***。
背景技术
脑是人和动物最高级、最复杂和最重要的器官,机体各项生命活动的正常运转都离不开大脑的分析和控制。脑的基本构成单元是细胞,众多不同脑细胞的排列和组织特性构成了不同的脑区,其具体表现为细胞的形态、数量、密度和空间位置等在一定区域范围的分布特征。脑的基本功能和工作机制依赖于内部不同脑区的协同作用,脑区细胞的缺失或者损伤,导致脑区的功能受损从而引发各种脑疾病。因此,在细胞分辨水平对脑区进行精确测量和分析是开展脑功能、脑疾病研究的必要路径,而实现脑区测量和分析的一个基本需求就是对脑区进行准确的分割。
细胞分辨水平的脑组织三维图像跟传统组织学图像相比,一个明显的特征就是图像分辨率高,达到微米甚至亚微米水平,由此能够分辨细胞的三维形态,但同时也带来了图片尺寸大、数量多的难题。已有的脑区自动分割方法主要是针对MRI图像、CT图像等低分辨率的组织学图像,这类图像脑区内的灰度分布较为均匀,可以直接应用众多经典的图像分割方法对其轮廓进行分割。但是达到细胞分辨水平的组织学脑图像,脑区不再具有均匀连续的灰度,而是由大量离散可见的细胞胞体聚集而成,上述传统经典分割方法无法适用。
发明内容
鉴于目前现有技术的不足,本发明的目的在于提供一种细胞分辨水平的脑组织三维图像的脑区自动分割方法及***。
为达到上述目的,本发明的实施例采用如下技术方案:
一种细胞分辨水平的脑组织三维图像的脑区自动分割方法,所述方法包括如下步骤:
步骤S1,获取原始数据,获取细胞分辨水平的脑组织三维图像的数据集;
步骤S2,降采样,对所述数据集中任意一张二维图像进行降采样,获得降采样图像,所述降采样为降低分辨率进行采样;
步骤S3,低分辨特征提取,对所述降采样图像进行纹理特征提取,获得低分辨纹理特征向量;
步骤S4,绘制初始轮廓,绘制脑区分割区域的初始轮廓线,获得低分辨初始标号,作为低分辨脑区分割的启动条件;
步骤S5,低分辨脑区分割,利用所述低分辨纹理特征向量和所述低分辨初始标号,计算脑区纹理的概率分布,获得低分辨标号场;
步骤S6,升采样标号值,将所述低分辨标号场进行升采样,获得高分辨初始标号,所述高分辨初始标号的分辨率与所述二维图像的分辨率一致;
步骤S7,高分辨特征提取,对所述二维图像进行纹理特征提取,获得高分辨纹理特征向量;
步骤S8,高分辨脑区分割,利用所述高分辨初始标号和所述高分辨纹理特征向量,计算脑区纹理的概率分布,对所述原始二维图像中像素点进行分类,得到所述原始二维图像的高分辨标号场;
步骤S9,边界优化,重新计算脑区边界相邻区域像素隶属于不同类别的概率值,对所述高分辨标号场进行优化,得到最终的分类标号,此时,当前二维图像的脑区分割工作结束;
步骤S10,循环处理,循环处理所述数据集中的其他二维图像,直到目标脑区所有二维图像全部完成分割;
步骤S11,输出结果,输出目标脑区的三维分割结果。
进一步,获取所述细胞分辨水平的脑组织三维图像的数据集后,先进行预处理,所述预处理包括利用小波变换对图像进行转换、利用双边滤波对噪声进行去除、利用直方图均衡化来对整个像素的灰度进行矫正,以符合脑区自动分割所需的图像质量要求。
进一步,所述降采样利用三次内插法进行插值采样。
进一步,所述纹理特征提取,包括细胞构筑的细节纹理特征和脑区纹理空间分布特征,两者相结合组成所述低分辨纹理特征向量。
进一步,所述细胞构筑的细节纹理特征,是通过分数阶微分运算来获得;所述脑区纹理空间分布特征,是描述脑区中重复出现的局部模式与他们的细胞形态排列规则,通过灰度共生矩阵来提取典型特征来获得。
进一步,绘制初始轮廓,当处理对象为所述数据集中第一张图像时,手动分割出第一张图像中的目标脑区的外轮廓,并将外轮廓作为所述低分辨初始标号;当处理对象为所述数据集中其他图像时,以前一张图像分割得到的最终结果作为当前图像的低分辨初始标号。
进一步,所述脑区纹理的概率分布,利用马尔科夫随机场模型来描述,公式为
其中r为像素点s邻域内的点,βs为势团参数,ys和yr分别为ws和wr的灰度值,μs为邻域内灰度均值,D(ws,wr)为ws和wr的距离。
进一步,所述边界优化,将脑区边界相邻区域像素的归属描述为一个模糊集,利用模糊熵对每个像素点的类别不确定性进行描述。
进一步,所述边界优化包括:
第一步,从所述高分辨标号场中提取类边界位置,获取边界轮廓坐标;
第二步,对边界轮廓进行腐蚀膨胀操作,扩大边界轮廓所占区域;
第三步,对上述边界区域所有像素点进行遍历,以任一当前像素点为中心,生成一窗口,记为论域,对于某一分类,首先按照下列函数计算单个像素点的隶属度:
其中(p,q)是论域内的一点,w(p,q)是这一点的脑区标号,l为某一分类,λ为正参数,取值为最大分类个数;
然后再计算论域内所有像素点的模糊熵,计算公式如下:
S(μl)=-μlln(μl)-(1-μl)ln(1-μl)
(i,j)为当前像素点,n为边界区域内总共的像素个数;
第四步,重复第三步直到将所有分类的模糊值都计算出来,从中挑选出值最小的那一个分类,则该分类就是当前像素点所属的最终类别;
第五步,重复第三步、第四步,直到边界区域内所有的像素点都更新完毕,则边界优化结束。
本发明还揭示了一种细胞分辨水平的脑组织三维图像的脑区自动分割***,其特征在于,包括:
获取原始数据单元,用于获取细胞分辨水平的脑组织三维图像的数据集;
降采样单元,用于对所述数据集中任意一张二维图像进行降采样,获得降采样图像,所述降采样为降低分辨率进行采样;
低分辨特征提取单元,用于对所述降采样图像进行纹理特征提取,获得低分辨纹理特征向量;
绘制初始轮廓单元,用于绘制脑区分割区域的初始轮廓线,获得低分辨初始标号,作为低分辨脑区分割的启动条件;
低分辨脑区分割单元,用于利用所述低分辨纹理特征向量和所述低分辨初始标号,计算脑区纹理的概率分布,获得低分辨标号场;
升采样标号值单元,用于将所述低分辨标号场进行升采样,获得高分辨初始标号,所述高分辨初始标号的分辨率与所述二维图像的分辨率一致;
高分辨特征提取单元,用于对所述二维图像进行纹理特征提取,获得高分辨纹理特征向量;
高分辨脑区分割单元,用于利用所述高分辨初始标号和所述高分辨纹理特征向量,计算脑区纹理的概率分布,对所述原始二维图像中像素点进行分类,得到所述原始二维图像的高分辨标号场;
边界优化单元,用于重新计算脑区边界相邻区域像素隶属于不同类别的概率值,对所述高分辨标号场进行优化,得到最终的分类标号,此时,当前二维图像的脑区分割工作结束;
循环处理单元,用于循环处理所述数据集中的其他二维图像,直到目标脑区所有二维图像全部完成分割;
结果输出单元,用于输出目标脑区的三维分割结果。
本发明提出了一种能够对单细胞分辨水平的脑组织三维图像序列中细胞聚集纹理与周围区域有差异的脑区外轮廓进行自动分割的方法。该方法基于脑区细胞纹理的概率分布,利用细胞分辨图像对细胞构筑细节信息的敏感性提取图像纹理细节信息,再与脑区纹理空间分布特征相结合,强化对纹理细节和边缘轮廓的共同描述,以弥补传统特征提取算法对脑区纹理信息描述不足的缺陷。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所述一实施方式一种细胞分辨水平的脑组织三维图像的脑区自动分割方法的流程示意图;
图2为分数阶与整数阶微分分别对鼠脑脑区图像增强效果比较图;
图3为分割结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1所示,本发明一实施方式一种细胞分辨水平的脑组织三维图像的脑区自动分割方法,所述方法包括如下步骤:
步骤S1,获取原始数据,获取细胞分辨水平的脑组织三维图像的数据集;
在一实施例中,所述数据集为小鼠碘化丙啶(PI)染色的鼠脑三维图像数据集F,由fMOST成像***获得,图像分辨率为0.32μm×0.32μm×2μm。以鼠脑外轮廓、海马、小脑、丘脑、尾状核、中脑导水管灰质共六个脑区进行分割。
进一步,所述数据集还先进行预处理,所述预处理包括利用小波变换对图像进行转换、利用双边滤波对噪声进行去除、利用直方图均衡化来对整个像素的灰度进行矫正,以符合脑区自动分割所需的图像质量要求。
步骤S2,降采样,对所述数据集中任意一张二维图像进行降采样,获得降采样图像,所述降采样为降低分辨率进行采样;
所述降采样利用三次内插法进行插值采样,将原始0.32μm×0.32μm×0.32μm的分辨率到降采样到分辨率为10μm×10μm×10μm的降采样图像F2。
步骤S3,低分辨特征提取,对所述降采样图像进行纹理特征提取,获得低分辨纹理特征向量;
其中,所述纹理特征提取,包括细胞构筑的细节纹理特征和脑区纹理空间分布特征,两者相结合组成所述低分辨纹理特征向量T1。所述细胞构筑的细节纹理特征,是通过分数阶微分运算来获得;所述脑区纹理空间分布特征,是描述脑区中重复出现的局部模式与他们的细胞形态排列规则,通过灰度共生矩阵来提取典型特征来获得。下面将分别说明分数阶微分运算提取细胞构筑的细节纹理特征和灰度共生矩阵提取脑区纹理空间分布特征。
分数阶微分运算提取细胞构筑的细节纹理特征
可以选择分数阶微分差分公式前三项,来构造微分算子模板。选择中心像素领域8个方向构造各向同性滤波器,归一化处理后对图像进行滤波运算,所得结果作为一组反应图像纹理细节的纹理特征值分量,记为t0。由于分数阶微分算子的阶次具有连续可调的特点,当分数阶微分阶数过小时,整体增强效果不显著,阶数增大,增强效果会改善,但也会引入噪声。在一实施例中,所述分数阶数取0.35。请参见图2所示,分数阶与整数阶微分分别对鼠脑脑区图像增强效果比较。第一行图A为原始图像,图B-D是对图A不同阶数微分滤波之后的结果,B-D对应的阶数分别为0.35,1和2。第二行a-d图对应于第一行中方框的局部放大图,箭头指示的是脑区边界区域。
灰度共生矩阵提取脑区纹理空间分布特征
灰度共生矩阵建立在估计图像的二阶组合条件概率基础上,通过像素间的距离和方向对空间位置进行约束。本实施例提取四个关键特征:能量、对比度、相关性和熵,分别记为t1、t2、t3和t4,它们分别反映了图像灰度分布的均匀程度、纹理沟纹深浅、图像中局部灰度相关性以及纹理复杂度。对图像逐像素点求取其纹理特征向量时,截取以当前像素点为中心的图像区域,滑动窗口大小记为w×w,求取区域内图像的灰度共生矩阵,并计算上述四种特征,与上文所述分数阶微分滤波结果t0相结合组成图像的纹理特征向量T1。
计算时有三个参数需要考虑,这里的滑动窗口值w大小随着目标区域尺寸的大小变化,w值设置不同值纹理提取的细节会有所影响。δ表示像素对中两个像素点的距离;θ表示两个像素点的方向。本实施例在计算时,考虑到脑区从一个起始轮廓开始向四周都有可能延展,因此不失一般性,θ自0°到360°,每间隔10°分别生成灰度共生矩阵,求出特征参量后取其平均值作为最终的特征值。参数(δ,w)则分为两种情况来处理:当待分割目标为脑轮廓、丘脑、小脑这三个所占区域比较大的脑区时,(δ,w)=(5,21);当待分割目标为海马、尾状壳核、中央导水管灰质这三个所占区域比较小的脑区时,(δ,w)=(1,11)。
步骤S4,绘制初始轮廓,绘制脑区分割区域的初始轮廓线,获得低分辨初始标号,作为低分辨脑区分割的启动条件;
绘制初始轮廓,当处理对象为所述数据集中第一张图像时,手动分割出第一张图像中的目标脑区的外轮廓,并将外轮廓作为所述低分辨初始标号L01;当处理对象为所述数据集中其他图像时,以前一张图像分割得到的最终结果作为当前图像的低分辨初始标号L01。
步骤S5,低分辨脑区分割,利用所述低分辨纹理特征向量和所述低分辨初始标号,计算脑区纹理的概率分布,获得低分辨标号场;
对降采样后的降采样图像F2的脑区进行初步的分割,要利用低分辨特征向量T1和低分辨初始标号L01,计算脑区细胞纹理的概率分布,对降采样图像F2中像素点进行分类。在本实施例中,将待分割的图像F看成一个随机场,那么对其进行图像分割,就是求得随机场F对应的最合适的一个分类标号场W。从概率论的角度来讲,就是根据已知的观测图像F计算出这个图像最有可能的分割标签W是什么,即转化为求最大的概率P(W/F)。根据贝叶斯定理:
上式子中P(F)是个定值,在计算中可以用常数代替。求P(W/F)的最大值,就转变成求P(W)P(F/W)的最大值了。P(F/W)可以用图像的高斯密度函数来代替,而根据Hammersley-Clifford定理,可以用Gibbs随机场的概率密度函数描述图像中脑区分布的先验概率,则P(W)概率表示为:
式中:Z是归一化常数,而能量函数U(W)=∑Vc(Wc),其中C是所有势团集合。本发明引入图像邻域中各个像素的灰度差值及像素之间的距离因子,提出新的势函数,即:
其中r为像素点s邻域内的点,βs为势团参数,ys和yr分别为ws和wr的灰度值,μs为邻域内灰度均值,D(ws,wr)为ws和wr的距离。这样改进势能函数是因为对于相邻的不同类别的脑区,其亮度较为接近,如果仅依据灰度信息可能会把不同类别的脑区错分到同一类。由于脑区之间相距有一定距离,而且每个脑区的面积也不同,所以这里将像素间的亮度差和距离加入能量函数中,使得当前像素点与某一类脑区灰度差越大且距离越远,他们之间的势团能量就越大,把当前像素点错分为同一类的概率值就越小;而当前像素点与某一类脑区亮度越接近且距离越近,其相对势能越小,将当前像素点划分为同一类的概率就越大。这样,概率最大准则下,通过逐次迭代可以将目标区域正确的区分开来。
本实施例使用快速且鲁棒的条件迭代算法(ICM),迭代过程中,每个像素都利用最大概率准则进行分类,在对每个像素进行分类后,都需要利用已获得的像素类别重新估计每类的概率密度函数参数,直到每步迭代过程中变换类别的像素个数足够小,迭代结束。输出结果为降采样图像F2的低分辨标号场L1。
步骤S6,升采样标号值,将所述低分辨标号场进行升采样,获得高分辨初始标号,所述高分辨初始标号的分辨率与所述二维图像的分辨率一致;
步骤S5中得到的低分辨标号场L1是在降采样的图像上得到的结果,其大小与原始图像大小不一致,因此这一步骤利用三次内插法进行插值,将低分辨标号场L1升采样到与输入图像原始分辨率一致,作为高分辨初始标号L02。
步骤S7,高分辨特征提取,对所述二维图像进行纹理特征提取,获得高分辨纹理特征向量;
对原始图像F再进行图像纹理特征提取,包括分数阶微分运算提取的细胞构筑细节特征,和灰度共生矩阵提取的纹理空间分布特征,提取方法和步骤S3一样,得到图像F的高分辨纹理特征向量T2。
步骤S8,高分辨脑区分割,利用所述高分辨初始标号和所述高分辨纹理特征向量,计算脑区纹理的概率分布,对所述原始二维图像中像素点进行分类,得到所述原始二维图像的高分辨标号场;
以高分辨初始标号L02为初始标号,利用高分辨纹理特征向量T2,计算脑区细胞纹理的概率分布,对图像F进行分类,这一步骤处理方法和步骤S5一样,输出结果为原始高分辨图像F的高分辨标号场L2。
步骤S9,边界优化,重新计算脑区边界相邻区域像素隶属于不同类别的概率值,对所述高分辨标号场进行优化,得到最终的分类标号,此时,当前二维图像的脑区分割工作结束;
为了减少脑区内错分的像素点,利用模糊熵对边界像素的类别归属进行进一步的优化操作,将脑区边界相邻区域像素的归属描述为一个模糊集,利用模糊熵对每个像素点的类别不确定性进行描述。
所述边界优化具体包括:
第一步,从所述高分辨标号场中提取类边界位置,获取边界轮廓坐标;
第二步,对边界轮廓进行腐蚀膨胀操作,扩大边界轮廓所占区域;
第三步,对上述边界区域所有像素点进行遍历,以任一当前像素点为中心,生成一窗口,记为论域,对于某一分类,首先按照下列函数计算单个像素点的隶属度:
其中(p,q)是论域内的一点,w(p,q)是这一点的脑区标号,l为某一分类,λ为正参数,取值为最大分类个数;
然后再计算论域内所有像素点的模糊熵,计算公式如下:
S(μl)=-μlln(μl)-(1-μl)ln(1-μl)
(i,j)为当前像素点,n为边界区域内总共的像素个数;
第四步,重复第三步直到将所有分类的模糊值都计算出来,从中挑选出值最小的那一个分类,则该分类就是当前像素点所属的最终类别;
第五步,重复第三步、第四步,直到边界区域内所有的像素点都更新完毕,则边界优化结束。
步骤S10,循环处理,循环处理所述数据集中的其他二维图像,直到目标脑区所有二维图像全部完成分割;
判断当前处理的图像是否是最后一张图片,如果不是,则处理流程跳转到步骤S2,循环处理下一张图片,直到目标脑区所有图片序列都分割完毕,得到最终完整三维分割结果。
步骤S11,输出结果,输出目标脑区的三维分割结果。
将前面步骤获得每一张图片的分割结果进行叠加,三维可视化最终的分割结果。如图3所示,子图A是本实施例鼠脑外轮廓分割结果的二维视图,子图B是对A中相应的矩形框内的边界分割进行放大显示,子图C是本实例鼠脑六个目标脑区分割结果的三维视图。
本发明提出了一种能够对单细胞分辨水平的脑组织三维图像序列中细胞聚集纹理与周围区域有差异的脑区外轮廓进行自动分割的方法。该方法基于脑区细胞纹理的概率分布,利用细胞分辨图像对细胞构筑细节信息的敏感性提取图像纹理细节信息,再与脑区纹理空间分布特征相结合,强化对纹理细节和边缘轮廓的共同描述,以弥补传统特征提取算法对脑区纹理信息描述不足的缺陷。在脑区分割过程中,根据脑区纹理分布先验知识,把不同脑区之间的灰度特征和距离因素引入到传统的目标函数定义中,有效的避免了把相邻脑区错分为同一脑区的情况。为了处理三维高分辨图像数据量大的问题,这里采用了降采样做预分类的双层分割处理策略,有效的减少了计算时间。此外,在发明的最后又对脑区边界像素类别归属做进一步优化,降低图像噪声干扰,减少区域内错误分割的像素点。
总结一下,本发明的创新性如下:
为细胞分辨水平脑组织三维图像的脑区分割提供了一种高效的方法:
1.本发明加入了细胞构筑的细节特征,弥补了传统方法对细节边缘纹理描述不足的缺陷。在分割最优解求解过程中,根据脑区分布特性,把不同脑区之间的灰度特征和距离因素引入到目标函数定义中,实现了相邻脑区的准确划分。
2.本发明在低分辨采样图片上做预分割,得到初始标签值,然后再升采样标签值,在原始分辨率数据上做第二次分割,解决了细胞分辨水平三维组织学图像图片数据量大,计算时间长的难题。
3.本发明方法适应性广,鲁棒性高,不用针对特定的脑区专门设计计算模型,不局限于脑区形状、大小和脑区细胞聚集的疏密程度,只要脑区边界纹理存在差异就能准确分割。
4.本发明方法具有良好的并行性,可以同时对多个目标脑区进行分割,大大提高工作效率。
本发明对细胞分辨水平的三维组织学脑图像的脑区分割有显著提升作用。不仅能够自动分割出组织学图像中完整大脑的外轮廓,准确度在95%以上;而且对脑内的目标脑区,也能准确识别:一方面能够准确分割相邻脑区细胞密度差异明显的区域,准确度在90%以上;另一方面,对于相邻脑区细胞密度差异不明显,但是细胞形态纹理分布有差异的区域也能分割的比较准确,准确度在85%以上。
本发明方法在处理单张图片时,可以同时对多个目标区域进行划分,提高了单张图片处理的并行性。
本方法可以适用于常见的计算平台,甚至包括个人计算机。例如,CPU为Intel i7-4790M,处理器主频为3.60GHz,内存为8.00GB上测试,分割单张大小为2GB的图像,处理时间小于1分钟,相较于传统方法速度大大提升。
本发明方法只在目标脑区所在图像分割的起始位置,需要手动交互参与初始值的设定,之后都是***自动处理直到完整脑区分割结束,大大减少了人工操作时间。
本发明还揭示了一种细胞分辨水平的脑组织三维图像的脑区自动分割***,其特征在于,包括:
获取原始数据单元,用于获取细胞分辨水平的脑组织三维图像的数据集;
降采样单元,用于对所述数据集中任意一张二维图像进行降采样,获得降采样图像,所述降采样为降低分辨率进行采样;
低分辨特征提取单元,用于对所述降采样图像进行纹理特征提取,获得低分辨纹理特征向量;
绘制初始轮廓单元,用于绘制脑区分割区域的初始轮廓线,获得低分辨初始标号,作为低分辨脑区分割的启动条件;
低分辨脑区分割单元,用于利用所述低分辨纹理特征向量和所述低分辨初始标号,计算脑区纹理的概率分布,获得低分辨标号场;
升采样标号值单元,用于将所述低分辨标号场进行升采样,获得高分辨初始标号,所述高分辨初始标号的分辨率与所述二维图像的分辨率一致;
高分辨特征提取单元,用于对所述二维图像进行纹理特征提取,获得高分辨纹理特征向量;
高分辨脑区分割单元,用于利用所述高分辨初始标号和所述高分辨纹理特征向量,计算脑区纹理的概率分布,对所述原始二维图像中像素点进行分类,得到所述原始二维图像的高分辨标号场;
边界优化单元,用于重新计算脑区边界相邻区域像素隶属于不同类别的概率值,对所述高分辨标号场进行优化,得到最终的分类标号,此时,当前二维图像的脑区分割工作结束;
循环处理单元,用于循环处理所述数据集中的其他二维图像,直到目标脑区所有二维图像全部完成分割;
结果输出单元,用于输出目标脑区的三维分割结果。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本发明公开的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种细胞分辨水平的脑组织三维图像的脑区自动分割方法,其特征在于,所述方法包括如下步骤:
步骤S1,获取原始数据步骤,获取细胞分辨水平的脑组织三维图像的数据集;
步骤S2,降采样步骤,对所述数据集中任意一张二维图像进行降采样,获得降采样图像,所述降采样为降低分辨率进行采样;
步骤S3,低分辨特征提取步骤,对所述降采样图像进行纹理特征提取,获得低分辨纹理特征向量;
步骤S4,绘制初始轮廓步骤,绘制脑区分割区域的初始轮廓线,获得低分辨初始标号,作为低分辨脑区分割的启动条件;
步骤S5,低分辨脑区分割步骤,利用所述低分辨纹理特征向量和所述低分辨初始标号,计算脑区纹理的概率分布,获得低分辨标号场;
步骤S6,升采样标号值步骤,将所述低分辨标号场进行升采样,获得高分辨初始标号,所述高分辨初始标号的分辨率与所述二维图像的分辨率一致;
步骤S7,高分辨特征提取步骤,对所述二维图像进行纹理特征提取,获得高分辨纹理特征向量;
步骤S8,高分辨脑区分割步骤,利用所述高分辨初始标号和所述高分辨纹理特征向量,计算脑区纹理的概率分布,对所述原始二维图像中像素点进行分类,得到所述原始二维图像的高分辨标号场;
步骤S9,边界优化步骤,重新计算脑区边界相邻区域像素隶属于不同类别的概率值,对所述高分辨标号场进行优化,得到最终的分类标号,此时,当前二维图像的脑区分割工作结束;
步骤S10,循环处理步骤,循环处理所述数据集中的其他二维图像,直到目标脑区所有二维图像全部完成分割;
步骤S11,结果输出步骤,输出目标脑区的三维分割结果。
2.根据权利要求1所述的细胞分辨水平的脑组织三维图像的脑区自动分割方法,其特征在于,获取所述细胞分辨水平的脑组织三维图像的数据集后,先进行预处理,所述预处理包括利用小波变换对图像进行转换、利用双边滤波对噪声进行去除、利用直方图均衡化来对整个像素的灰度进行矫正,以符合脑区自动分割所需的图像质量要求。
3.根据权利要求1所述的细胞分辨水平的脑组织三维图像的脑区自动分割方法,其特征在于,所述降采样利用三次内插法进行插值采样。
4.根据权利要求1所述的细胞分辨水平的脑组织三维图像的脑区自动分割方法,其特征在于,所述纹理特征提取,包括细胞构筑的细节纹理特征和脑区纹理空间分布特征,两者相结合组成所述低分辨纹理特征向量。
5.根据权利要求3所述的细胞分辨水平的脑组织三维图像的脑区自动分割方法,其特征在于,所述细胞构筑的细节纹理特征,是通过分数阶微分运算来获得;所述脑区纹理空间分布特征,是描述脑区中重复出现的局部模式与他们的细胞形态排列规则,通过灰度共生矩阵来提取典型特征来获得。
6.根据权利要求1所述的细胞分辨水平的脑组织三维图像的脑区自动分割方法,其特征在于,绘制初始轮廓,当处理对象为所述数据集中第一张图像时,手动分割出第一张图像中的目标脑区的外轮廓,并将外轮廓作为所述低分辨初始标号;当处理对象为所述数据集中其他图像时,以前一张图像分割得到的最终结果作为当前图像的低分辨初始标号。
8.根据权利要求1所述的细胞分辨水平的脑组织三维图像的脑区自动分割方法,其特征在于,所述边界优化,将脑区边界相邻区域像素的归属描述为一个模糊集,利用模糊熵对每个像素点的类别不确定性进行描述。
9.根据权利要求8所述的细胞分辨水平的脑组织三维图像的脑区自动分割方法,其特征在于,所述边界优化包括:
第一步,从所述高分辨标号场中提取类边界位置,获取边界轮廓坐标;
第二步,对边界轮廓进行腐蚀膨胀操作,扩大边界轮廓所占区域;
第三步,对上述边界区域所有像素点进行遍历,以任一当前像素点为中心,生成一窗口,记为论域,对于某一分类,首先按照下列函数计算单个像素点的隶属度:
其中(p,q)是论域内的一点,w(p,q)是这一点的脑区标号,l为某一分类,λ为正参数,取值为最大分类个数;
然后再计算论域内所有像素点的模糊熵,计算公式如下:
其中
S(μl)=-μlln(μl)-(1-μl)ln(1-μl)
(i,j)为当前像素点,n为边界区域内总共的像素个数;
第四步,重复第三步直到将所有分类的模糊值都计算出来,从中挑选出值最小的那一个分类,则该分类就是当前像素点所属的最终类别;
第五步,重复第三步、第四步,直到边界区域内所有的像素点都更新完毕,则边界优化结束。
10.一种细胞分辨水平的脑组织三维图像的脑区自动分割***,其特征在于,包括:
获取原始数据单元,用于获取细胞分辨水平的脑组织三维图像的数据集;
降采样单元,用于对所述数据集中任意一张二维图像进行降采样,获得降采样图像,所述降采样为降低分辨率进行采样;
低分辨特征提取单元,用于对所述降采样图像进行纹理特征提取,获得低分辨纹理特征向量;
绘制初始轮廓单元,用于绘制脑区分割区域的初始轮廓线,获得低分辨初始标号,作为低分辨脑区分割的启动条件;
低分辨脑区分割单元,用于利用所述低分辨纹理特征向量和所述低分辨初始标号,计算脑区纹理的概率分布,获得低分辨标号场;
升采样标号值单元,用于将所述低分辨标号场进行升采样,获得高分辨初始标号,所述高分辨初始标号的分辨率与所述二维图像的分辨率一致;
高分辨特征提取单元,用于对所述二维图像进行纹理特征提取,获得高分辨纹理特征向量;
高分辨脑区分割单元,用于利用所述高分辨初始标号和所述高分辨纹理特征向量,计算脑区纹理的概率分布,对所述原始二维图像中像素点进行分类,得到所述原始二维图像的高分辨标号场;
边界优化单元,用于重新计算脑区边界相邻区域像素隶属于不同类别的概率值,对所述高分辨标号场进行优化,得到最终的分类标号,此时,当前二维图像的脑区分割工作结束;
循环处理单元,用于循环处理所述数据集中的其他二维图像,直到目标脑区所有二维图像全部完成分割;
结果输出单元,用于输出目标脑区的三维分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853273.3A CN110675372A (zh) | 2019-09-10 | 2019-09-10 | 细胞分辨水平的脑组织三维图像的脑区自动分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853273.3A CN110675372A (zh) | 2019-09-10 | 2019-09-10 | 细胞分辨水平的脑组织三维图像的脑区自动分割方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675372A true CN110675372A (zh) | 2020-01-10 |
Family
ID=69077609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853273.3A Pending CN110675372A (zh) | 2019-09-10 | 2019-09-10 | 细胞分辨水平的脑组织三维图像的脑区自动分割方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675372A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482246A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389585A (zh) * | 2018-09-20 | 2019-02-26 | 东南大学 | 一种基于全卷积神经网络的脑组织提取方法 |
CN109509203A (zh) * | 2018-10-17 | 2019-03-22 | 哈尔滨理工大学 | 一种半自动脑部图像分割方法 |
-
2019
- 2019-09-10 CN CN201910853273.3A patent/CN110675372A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389585A (zh) * | 2018-09-20 | 2019-02-26 | 东南大学 | 一种基于全卷积神经网络的脑组织提取方法 |
CN109509203A (zh) * | 2018-10-17 | 2019-03-22 | 哈尔滨理工大学 | 一种半自动脑部图像分割方法 |
Non-Patent Citations (1)
Title |
---|
X. XU等: ""Automated Brain Region Segmentation for Single Cell Resolution Histological Images Based on Markov Random Field"", 《NEUROINFORM》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482246A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Radon-like features and their application to connectomics | |
Nguyen et al. | Gaussian-mixture-model-based spatial neighborhood relationships for pixel labeling problem | |
CN111862093A (zh) | 一种基于图像识别的腐蚀等级信息处理方法及*** | |
CN110826389B (zh) | 基于注意力3d频率卷积神经网络的步态识别方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及*** | |
JP2006271971A (ja) | ボリュメトリック画像強調システム及び方法 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN106157330B (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
Valliammal et al. | A novel approach for plant leaf image segmentation using fuzzy clustering | |
Chen et al. | Single depth image super-resolution using convolutional neural networks | |
Doyle et al. | Detecting prostatic adenocarcinoma from digitized histology using a multi-scale hierarchical classification approach | |
Sharma et al. | A comparative study of cell nuclei attributed relational graphs for knowledge description and categorization in histopathological gastric cancer whole slide images | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN117475327A (zh) | 一种城市中基于遥感图像的多目标检测定位方法和*** | |
CN110675372A (zh) | 细胞分辨水平的脑组织三维图像的脑区自动分割方法及*** | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN116525073A (zh) | 一种基于健康体检大数据的数据库智能管理*** | |
Thuan et al. | Edge-focus thermal image super-resolution using generative adversarial network | |
Rathore et al. | A novel approach for ensemble clustering of colon biopsy images | |
Gim et al. | A novel framework for white blood cell segmentation based on stepwise rules and morphological features | |
Yancey | Deep Feature Fusion for Mitosis Counting | |
Mehta et al. | An ensemble learning approach for resampling forgery detection using Markov process | |
CN113744241A (zh) | 基于改进slic算法的细胞图像分割方法 | |
Hassan et al. | Salient object detection based on CNN fusion of two types of saliency models | |
CN113160152A (zh) | 一种基于图像融合和阈值分割的冷冻电镜单颗粒挑选方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |