婦科醫(yī)學(xué)顯微圖像中乳酸桿菌的檢測和統(tǒng)計分析

郭玉坤 馬麗文 李金屏

(1.濟南大學(xué)信息科學(xué)與工程學(xué)院,濟南,250022； 2.山東省網(wǎng)絡(luò)環(huán)境智能計算技術(shù)重點實驗室,濟南,250022)

?

婦科醫(yī)學(xué)顯微圖像中乳酸桿菌的檢測和統(tǒng)計分析

郭玉坤1,2馬麗文1,2李金屏1,2

(1.濟南大學(xué)信息科學(xué)與工程學(xué)院,濟南,250022； 2.山東省網(wǎng)絡(luò)環(huán)境智能計算技術(shù)重點實驗室,濟南,250022)

針對婦科分泌物光學(xué)顯微圖像成分復(fù)雜的特點，提出了一種快速有效的檢測并統(tǒng)計乳酸桿菌數(shù)量的算法。首先利用窗口Laws能量方法鑒別背景和背景之外其他成分的紋理特征，從而保留乳酸桿菌所在的背景區(qū)域；然后利用Laws能量對乳酸桿菌進行預(yù)分割，并計算出分割區(qū)域內(nèi)的平均灰度，再結(jié)合背景的灰度值精確分割；根據(jù)乳酸桿菌細胞的成像特點，提取目標區(qū)域的長寬比、面積大小等特征濾除區(qū)域中的雜質(zhì)；最后對乳酸桿菌的數(shù)量進行統(tǒng)計分析。實驗結(jié)果表明，該方法能夠有效檢測復(fù)雜顯微圖像中的乳酸桿菌目標，并獲得較好的統(tǒng)計分析結(jié)果。

圖像處理；醫(yī)學(xué)顯微圖像；乳酸桿菌；Laws能量

引 言

目前國內(nèi)外關(guān)于醫(yī)學(xué)圖像分析的研究有很多，但關(guān)于婦科分泌物光學(xué)顯微圖像的自動成分分析尚未有臨床應(yīng)用，完全是依靠人工分析。隨著人們健康意識的不斷增強，人工分析的弊端日益突出：(1)人工分析需要較強的專業(yè)知識，需要經(jīng)過專門訓(xùn)練；(2)由于待分析樣本數(shù)量龐大，使得勞動強度大，人力成本過高；(3)主觀性強，檢測結(jié)果缺乏統(tǒng)一和客觀標準。因此，亟需開發(fā)一套自動檢測相關(guān)成分的算法和設(shè)備。通過觀察婦科陰道分泌物(簡稱分泌物)的光學(xué)顯微圖像，可以看出其中的成分多且復(fù)雜。圖1標識出圖像中可能出現(xiàn)的其中幾種成分(其他如：支原體、衣原體、紅細胞等成分不再列出)。從圖1看出，相同成分的形態(tài)也差異很大，而且有許多重疊、遮擋等現(xiàn)象，對于準確檢測造成了極大困難。

圖1 分泌物顯微圖像中的幾種成分Fig．1 Kinds of component in microscopic images of secretions

近幾年，國內(nèi)外學(xué)者做了很多與光學(xué)顯微桿菌圖像檢測相關(guān)的工作。在針對結(jié)核桿菌檢測方面的工作中，由于樣本經(jīng)過染色，使得結(jié)核桿菌與背景之間的顏色差異較為明顯。研究人員多數(shù)從顏色通道入手，提出了很多檢測方法。文獻[1]基于紅色和綠色通道使用全局自適應(yīng)閾值分割，在RGB顏色空間中用R-G(即R通道減去G通道)使得結(jié)核桿菌細胞能夠在圖像背景中更為明顯，再選取恰當?shù)拈撝颠M行分割，最后用數(shù)學(xué)形態(tài)學(xué)、顏色及面積大小去除雜質(zhì)。文獻[2]在HSI顏色空間中對像素分類，進行連通區(qū)域標記、區(qū)域面積大小閾值去除噪聲、區(qū)域分類等方法檢測桿菌目標。文獻[3]分別在YCbCr與Lab兩個顏色空間取出Cr與a通道進行閾值分割，進而提取桿菌。文獻[4]則使用HSV顏色空間中的H與S通道，用Otsu自適應(yīng)閾值算法進行分割提取目標桿菌。文獻[5]針對蔬菜中的大腸桿菌快速檢測問題，提出采用形態(tài)特征參數(shù)及染色后菌體區(qū)域顏色特征參數(shù)統(tǒng)計值對大腸桿菌進行快速識別，提取多個特征參數(shù)建立基于主成分的3層BP神經(jīng)網(wǎng)絡(luò)模型。文獻[6]提出的基于顏色及梯度統(tǒng)計特征的結(jié)核桿菌識別算法，首先利用HSV顏色空間預(yù)分割，然后在Lab顏色空間進行自適應(yīng)分割，最后提取多個形態(tài)特征用貝葉斯分類器進行分類。文獻[7]針對萋爾-尼爾遜方法染色的顯微圖像，對結(jié)核桿菌的提取和識別進行研究，用形態(tài)學(xué)方法進行分割、提取特征，最后用BP(Back propagation)神經(jīng)網(wǎng)絡(luò)進行識別。除此之外，文獻[8-9]研究了桿菌目標的檢測。

上述研究對桿菌的分割識別都取得了一定進展，但其問題背景相對簡單，圖像中的成分較為單一，均是針對染色圖像做處理，而染色過程中，染色劑的濃度、劑量都會對后續(xù)的分割識別產(chǎn)生影響；對于圖像中含有大量其他細胞成分的情況沒有給出具體的處理方法。由于本課題所針對的圖像為婦科分泌物光學(xué)顯微圖像，其中除目標乳酸桿菌外還有很多其他成分，如：上皮細胞、白細胞、霉菌孢子、線索細胞和雜質(zhì)等。而且在婦科臨床醫(yī)學(xué)檢驗中上述的各種成分均需要在一幅圖像中同時檢測，故不能只針對乳酸桿菌進行染色。因此，無法根據(jù)顏色信息進行乳酸桿菌的檢測，所以上述文獻中的方案不能有效地解決本課題中的問題。經(jīng)過調(diào)研國內(nèi)外有關(guān)圖像分割[10-17]方法，針對目前的臨床需求，本文提出了一種能夠自動快速檢測并統(tǒng)計分泌物顯微圖像中乳酸桿菌數(shù)量的有效算法。

1 窗口Laws紋理能量背景提取

對于背景的提取，由于乳酸桿菌目標較小，而其他成分面積較大，因此分布在乳酸桿菌上的Laws能量值相對其他成分較低，用此特征進行分割會取得較好的效果。

1.1 窗口Laws能量

窗口Laws能量可以有效描述目標的紋理特征，可表示為

(1)

(2)

1.2 數(shù)據(jù)分析與背景提取

由于處理過程中顏色信息無法利用，故先對圖像進行灰度化，再計算圖像的Laws能量分布。如圖2 (b)所示，圖像中上皮細胞部分的Laws能量值比背景部分的能量值高出很多，同樣乳酸桿菌附近的能量比背景區(qū)域也略微高一些，但明顯低于上皮細胞所在的區(qū)域。

圖2 分泌物圖像及其Laws能量分布圖Fig．2 Secretion image and its Laws energy distribution map

為減少圖像中細節(jié)損失，在提取背景時先用Laws能量對原圖進行增強，再使用Otsu自適應(yīng)閾值法對增強后的圖像進行分割，高于閾值的像素為所要去除的成分，低于閾值的部分為背景。由于有些細胞成分的部分區(qū)域Laws能量值也會比較低，使得分割時會出現(xiàn)孔洞、斷裂等情況，因此需要對分割后的圖像進行填充孔洞、濾波等操作。再對區(qū)域進行標記，將區(qū)域面積小于3～5倍的桿菌細胞面積的區(qū)域去掉，最終獲得提取背景所需的掩模圖像，如圖3所示。

2 多信息融的乳酸桿菌區(qū)域檢測

通過大量的觀察，乳酸桿菌的灰度值絕大多數(shù)情況是低于背景的灰度值(除非圖像受到較為嚴重的離焦模糊的影響，這種情況較少出現(xiàn)，暫不考慮)，本文采用Laws能量與統(tǒng)計直方圖兩種方法進行融合，最終得到較好的提取結(jié)果。

2.1 基于Laws能量的預(yù)分割

在1.2節(jié)中進行區(qū)域標記后，選取桿菌面積相近的區(qū)間保留，其他的丟棄。雖然這可將大部分的乳酸桿菌區(qū)域保留，但同時也無法將部分與乳酸桿菌形態(tài)相同的雜質(zhì)進行去除。如圖4所示，白色點狀區(qū)域為疑似乳酸桿菌區(qū)域。通過觀察可以看出雖然只能將部分乳酸桿菌區(qū)域分割出來，但同時也去除了背景中的大部分雜質(zhì)。

圖3 提取背景的掩模圖像Fig．3 Mask image for extracting background

圖4 Laws能量預(yù)分割結(jié)果Fig．4 Pre-segment result by Laws energy

圖5 使用閾值v的分割結(jié)果Fig．5 Segment result by threshold v

2.2 加權(quán)二類閾值聯(lián)合分割

根據(jù)乳酸桿菌的灰度值低于背景的灰度值的特征，可以選取一個合適的閾值將其在背景中分割出來。為了能夠得到合適的閾值，本文采用加權(quán)二類閾值聯(lián)合分割方法進行精確分割，其中二類閾值是指欲分割目標的灰度均值與背景灰度均值，具體方法如下：首先，計算背景的平均灰度值v1和Laws能量分割出來的圖像的均值v2，如圖4所示。然后計算分割閾值

(3)

式中：α為常數(shù)。經(jīng)大量實驗數(shù)據(jù)統(tǒng)計分析可知，當α取2/5時，可以取得最佳的分割效果，故本文中α取值2/5。為了更準確地計算出背景的平均灰度值v1，可將圖3，4作“或”操作得到更精確的背景掩模圖像。圖5為用v分割的結(jié)果圖。

從圖5中可看出，由于光照不均，導(dǎo)致圖像的左下方的雜質(zhì)及背景也分割出來，通過后續(xù)的區(qū)域面積濾波(即利用雜質(zhì)與背景部分的連通區(qū)域面積較大這一特征將其去除)可以消除這種影響。

3 乳酸桿菌的檢測

按照上述得到的分割結(jié)果，可發(fā)現(xiàn)內(nèi)仍有許多雜質(zhì)，且雜質(zhì)灰度與乳酸桿菌細胞的灰度相似，但形態(tài)上有所差別，如圖6所示。根據(jù)乳酸桿菌與雜質(zhì)形態(tài)上特征的差異，可提取面積大小、長寬比和占空比等特征去除雜質(zhì)，為提高精度，還可以再加上區(qū)域內(nèi)的灰度均值與背景灰度均值的差值(稱為灰度差值)這個特征。

圖6 乳酸桿菌雜質(zhì)Fig．6 Lactobacillus and impurities

圖5的分割結(jié)果中各個區(qū)域的面積大小、占空比、長寬比和灰度差值的統(tǒng)計結(jié)果，如圖7所示。圖5中分割出區(qū)域數(shù)量為655個，為了檢驗各個特征去除雜質(zhì)的效果，本文通過人工標定出來了其中所含有的乳酸桿菌數(shù)量為70個。

圖7 各個特征的統(tǒng)計結(jié)果Fig．7 Statistical results of characteristics

通過觀察圖7可以看出，面積、長寬比和灰度差值這3個特征均可以起到較好的去雜質(zhì)結(jié)果，而乳酸桿菌與雜質(zhì)在占空比這個特征中的分布沒有較好的聚集性，分類效果很差，原因是由于雜質(zhì)形狀多樣且形態(tài)復(fù)雜，僅僅利用占空比這一特征無法取得好的分類效果。因此，本文選用待識別區(qū)域的面積、長寬比和灰度差值這3個特征進行最終的識別特征因子。經(jīng)大量的實驗數(shù)據(jù)分析與驗證，本文最終選用這3個特征因子參數(shù)進行乳酸桿菌的識別，并且取得較好的識別效果。各參數(shù)取值如表1所示。

表1 各個特征的參數(shù)取值

4 實驗結(jié)果及分析

在Intel 2.5 GHz處理器，4 GB內(nèi)存，Windows 7操作系統(tǒng)，Microsoft Visual Studio 2010編譯環(huán)境下實現(xiàn)上述算法。在Matlab R2013b下進行實驗數(shù)據(jù)分析。為了檢驗本文算法的有效性，對大量圖像進行了測試。其中25個樣本的檢測結(jié)果如表2所示。實際測試的樣本數(shù)為1 500幅圖像，其中有1 413幅能夠達到醫(yī)學(xué)臨床標準。剩余的37幅圖像中，有14幅由于相機離焦造成圖像模糊，識別誤差較大(如第6個樣本)；17幅由于大量乳酸桿菌附著在上皮細胞上無法分割導(dǎo)致檢測誤差太大(如第11個樣本)；6幅由于圖像光照不均導(dǎo)致分割不足造成檢測誤差過大(由于此研究沒有其他工作可作數(shù)據(jù)對比，因此表2中只做了和人工檢測結(jié)果的對比)。實驗結(jié)果表明，本文算法能夠較為準確地檢測出圖像中的乳酸桿菌數(shù)量，能夠達到醫(yī)學(xué)臨床的要求。

表2 乳酸桿菌的檢測結(jié)果

5 結(jié)束語

針對婦科分泌物光學(xué)顯微圖像中的乳酸桿菌的檢測，采用Laws能量提取背景，并通過采用加權(quán)二類閾值聯(lián)合分割的方法進行乳酸桿菌的分割，最后根據(jù)乳酸桿菌的面積大小、長寬比、灰度差值這3個特征值的范圍檢測出乳酸桿菌，并統(tǒng)計乳酸桿菌數(shù)量。實驗結(jié)果表明，本文方法能有效地檢測并統(tǒng)計出圖像中的乳酸桿菌的數(shù)量，并且能夠應(yīng)用于自動化檢測，減輕醫(yī)師的負擔(dān)。

[1] Costa M G F, Costa F, Cicero F F, et al. Automatic identification of mycobacterium tuberculosis with conventional light microscopy [C]∥ Conference Proceedings: Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Vancouver, BC:IEEE , 2008:382-385.

[2] Nayak R, Shenoy V P, Galigekere R R. A new algorithm for automatic assessment of the degree of TB-infection using images of ZN-stained sputum smear [C]∥ International Conference on Systems in Medicine and Biology.Kharagpur: IEEE ,2010:294-299.

[3] Sotaquira M, Rueda L, Narvaez R. Detection and quantification of bacilli and clusters present in sputum smear samples: A novel algorithm for pulmonary tuberculosis diagnosis [C]∥International Conference on Digital Image Processing.Bangkok: IEEE,2009:117-121.

[4] Makkapati V, Agrawal R, Acharya R.Segmentation and classification of tuberculosis bacilli from ZN-stained sputum smear images [C]∥Automation Science and Engineering, CASE 2009， IEEE International Conference on. Bangalore: IEEE,2009:217-220.

[5] 丁筠, 殷涌光, 王旻. 蔬菜中大腸桿菌的機器視覺快速檢測[J]. 農(nóng)業(yè)機械學(xué)報, 2012, 43(2): 134-139.

Ding Yun, Yin Yongguang, Wang Min. Rapid detection based on machine vision for escherichia coli in vegetables[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(2): 134-139.

[6] 翟永平, 周東翔, 劉云輝. 基于顏色及梯度統(tǒng)計特征的結(jié)核桿菌目標識別[J]. 國防科技大學(xué)學(xué)報, 2012, 34(5): 146-152.

Zhai Yongping, Zhou Dongxiang, Liu Yunhui. Recognition of mycobacterium tuberculosis in microscopic images based on color and gradient feature[J]. Journal of National University of Defense Technology, 2012, 34(5): 146-152.

[7] 孫涵璇, 謝鳳英, 姜志國, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的結(jié)核桿菌目標識別[J]. 中國體視學(xué)與圖像分析, 2010, 15(1): 13-17.

Sun Hanxuan, Xie Fengying, Jiang Zhiguo, et al. Identification of mycobacterium tuberculosis based on BP neural network[J]. Chinese Journal of Stereology and Image Analysis,2010, 15(1): 13-17.

[8] 徐超, 周東翔, 劉云輝, 等. 光學(xué)顯微結(jié)核桿菌圖像的區(qū)域分割算法 [J]. 國防科技大學(xué)學(xué)報, 2014, 36(5): 79-86.

Xu Chao, Zhou Dongxiang, Liu Yunhui, et al. A segmentation algorithm for optical microscopic mycobacterium tuberculosis based on region segmentation[J]. Journal of National University of Defense Technology,2014, 36(5): 79-86.

[9] 王慧瑩. 基于計算機視覺技術(shù)快速檢測食品中蠟樣芽孢桿菌的研究[D]. 長春：吉林大學(xué), 2011.

Wang Huiying. Research on rapid detection of bacillus cereus in food by computer vision[D]. Changchun: Jilin University, 2011.

[10]劉松濤, 殷福亮. 基于圖割的圖像分割方法及其新進展[J].自動化學(xué)報, 2012,38(6): 911-922.

Liu Songtao, Yin Fuliang. The basic principle and its new advances of image segmentation methods based on graph cuts[J]. Acta Automatica Sinica,2012, 38(6): 911-922.

[11]Laws K I. Texture images segmentation [D]. California: University of Southern California, 1980.

[12]Malik J, Belongie S, Leung T, et al. Contour and texture analysis for image segmentation[J]. International Journal of Computer Vision, 2001, 43(1):7-27.

[13]Chen X J, Udupa J K, Alavi A, et al. GC-ASM: Synergistic integration of graph-cut and active shape model strategies for medical image segmentation [J]. Computer Vision and Image Understanding, 2013,117(5): 513-524.

[14]Zhang Hui,Zhu Quanyin,Guan Xiangfeng. Probe into image segmentation based on sobel operator and maximum entropy algorithm [C]∥Computer Science and Service System (CSSS), 2012 International Conference on. Nanjing: IEEE, 2012:238-241.

[15]Preetha M M S J, Suresh L P, Bosco M J. Image segmentation using seeded region growing [C]∥Computing, Electronics and Electrical Technologies (ICCEET), 2012 International Conference on. Kumaracoil: IEEE, 2012: 576-583.

[16]王斌,李潔,高新波. 一種基于邊緣與區(qū)域信息的先驗水平集圖像分割方法[J]. 計算機學(xué)報, 2012,35(5):1067-1072.

Wang Bin, Li Jie, Gao Xinbo. An edge and region based level set method with shape priors for image segmentation[J]. Chinese Journal of Computers, 2012, 35(5):1067-1072.

[17]唐利明,黃大榮,李可人.基于變分水平集的圖像分割模型[J].數(shù)據(jù)采集與處理,2014,29(5):704-712.

Tang Liming, Huang Darong, Li Keren. New model based on variational level set for image segmentation[J]. Journal of Data Acquisition and Processing, 2014,29(5):704-712.

Detection and Statistical Analysis of Lactobacillus in Gynecological Medical Micrographs

Guo Yukun1,2, Ma Liwen1,2, Li Jinping1,2

(1.School of Information Science and Engineering, University of Jinan, Jinan, 250022, China； 2.Shandong Provincial Key Laboratory of Network Based Intelligent Computing, Jinan, 250022, China)

Since the characteristics that optical microscopic images of gynecological secretions are very complex, an effective algorithm to detect and collect the number of lactobacillus is proposed. Firstly, the windowed Laws energy is used to identify the texture features of the background and other components, thus keeping the background region with lactobacillus. Secondly, the Laws energy is utilized to pre-segment the lactobacillus, and the average gray of the pre segmentation regions is calculated. Thirdly, with the combination of the background grey, the accurate segment is carried out. On the basis of the imaging characteristics of the lactobacillus, the values of area, length-width ratio and duty-ratio of target area are extracted to remove impurities. Finally, the statistical analysis is carried out on the number of lactobacillus. Experimental results demonstrate that the proposed method can effectively detect lactobacillus in complex gynecological medical micrographs and offer well-analyzed results.

image processing; medical micrograph; lactobacillus; Laws energy

山東省高等學(xué)?？萍加媱?J14LN15)資助項目；山東省高等學(xué)?？蒲杏媱濏椖炕?J12LN19)資助項目。

2015-05-07；

2015-06-17

TP391

A

郭玉坤(1989-)，男，碩士研究生，研究方向：數(shù)字圖像處理和機器視覺等，E-mail：guoyk2009@outlook.com。

馬麗文(1988-)，女，碩士研究生，研究方向：數(shù)字圖像處理和機器視覺等。

李金屏(1968-)，男，博士，教授，研究方向：數(shù)字圖像處理、機器視覺、模式識別和優(yōu)化算法等。