復(fù)雜背景下的宮頸細(xì)胞核分割方法

趙晶　梁隆愷　何勇軍　謝怡寧

摘 要：自動(dòng)閱片技術(shù)采用圖像處理方法，在細(xì)胞核識(shí)別的基礎(chǔ)上實(shí)現(xiàn)對(duì)細(xì)胞核DNA含量的準(zhǔn)確測(cè)量，能夠?yàn)獒t(yī)生診斷提供輔助。圖像分割作為自動(dòng)閱片系統(tǒng)關(guān)鍵直接影響系統(tǒng)性能。然而，顯微鏡下細(xì)胞核圖片存在光照不均、背景陰影等情況。并且不可避免地存在一些血細(xì)胞、淋巴細(xì)胞、垃圾雜質(zhì)、成團(tuán)細(xì)胞，這嚴(yán)重降低了分割算法的性能。為解決上述問題，提出了復(fù)雜背景下的宮頸細(xì)胞核分割方法。該方法首先利用參數(shù)自適應(yīng)的局部閾值法來分割圖片，并利用自適應(yīng)的分割參數(shù)調(diào)節(jié)來處理圖片中的復(fù)雜情況。即利用局部閾值窗口大小和二值化后輪廓數(shù)量的函數(shù)關(guān)系來自動(dòng)調(diào)節(jié)窗口大小。然后根據(jù)得到的二值圖確定分水嶺算法的標(biāo)記圖像，最后利用分水嶺算法完成整張圖片的分割。實(shí)驗(yàn)表明，此方法能適應(yīng)復(fù)雜圖像環(huán)境，并可以從成團(tuán)細(xì)胞中分割出重疊程度較低的細(xì)胞，提高分類器識(shí)別細(xì)胞核的概率。

關(guān)鍵詞：細(xì)胞核分割;參數(shù)自適應(yīng);分水嶺算法;局部閾值法

DOI：10.15938/j.jhust.2019.03.004

中圖分類號(hào)： TP315.69

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2019）03-0022-07

Abstract：Automatic screening technology developed in recent years. It applies image processing， and first recognizes nucleus and then measures the DNA contents accurately， so it can provide auxiliary for a doctor′s diagnosis. Image segmentation is the key technique of automatic screening system which directly determines the performance of the systems. However， the imaging environments under the microscope are complex. One the one hand， uneven illumination， background shading and uneven dyed nucleus exist. On the other hand， there are inevitably blood cells， lymphocytes， garbage， impurities and conglobation cells in cell images. These conditions degrade the performance of image segmentation. In order to solve these problems， we put forward a method to segment cervical nuclei in complex background. This method first employs the local threshold method to segment images. In this procedure we propose a parameter adapting method which adjusts its parameters automatically

according to the function of local threshold window size and the binarized outline number. The local threshold method transforms an image into a binary image which is then passed to image corrosion operator to generate a marking image. With the binary image， the watershed algorithm was finally performed to segment the image. The experiment shows that the method can adapt to the complex image environment and separate the cells with lower overlapping nuclei images.

Keywords：nucleus segmentation; parameter adaptive; watershed algorithm; local threshold method

0 引 言

近年來宮頸癌高發(fā)，已經(jīng)成為威脅女性生命的社會(huì)問題。2012年世界衛(wèi)生組織發(fā)布的調(diào)查報(bào)告表明，在欠發(fā)達(dá)地區(qū)宮頸癌是婦女的第二大殺手，僅在2012年新增病例44.5萬例。2012年大約有27萬婦女死于宮頸癌，且超過85%的發(fā)生在低收入或中等收入國家。早發(fā)現(xiàn)早治療是應(yīng)對(duì)這一問題的有效方法。在宮頸癌診斷方面，目前有效的方法是宮頸涂片病理檢查。該方法需要經(jīng)驗(yàn)豐富的病理醫(yī)生通過鏡下觀察發(fā)現(xiàn)病變細(xì)胞后做出診斷。然而，隨著癌癥的頻發(fā)，該技術(shù)已無法適應(yīng)現(xiàn)實(shí)需求。一方面，該診斷需要醫(yī)生經(jīng)過長期的專門訓(xùn)練，對(duì)醫(yī)生要求較高;另一方面醫(yī)生在鏡下觀察完全根據(jù)經(jīng)驗(yàn)，具有主觀性，容易因視覺疲勞而導(dǎo)致誤診率上升。近年來發(fā)展起來的自動(dòng)閱片技術(shù)能有效解決這些問題。典型的有計(jì)算機(jī)輔助閱片的DNA倍體分析技術(shù)。該技術(shù)只對(duì)細(xì)胞核染色，顯微鏡在軟件的控制下自動(dòng)聚焦掃描，拍攝鏡下圖片，并在識(shí)別的基礎(chǔ)上準(zhǔn)確測(cè)量細(xì)胞核核內(nèi)DNA的相對(duì)含量，最后將異常的細(xì)胞核羅列出來，輔助醫(yī)生診斷。通過該技術(shù)，醫(yī)生只需接受短時(shí)間的培訓(xùn)，僅需復(fù)核系統(tǒng)挑選出的病變細(xì)胞核即可做出診斷，診斷準(zhǔn)確率更高。

細(xì)胞核圖像分割是決定DNA倍體分析系統(tǒng)性能好壞的首要環(huán)節(jié)。研究者們提出的典型解決方法有閾值分割法[1]、分水嶺分割法[2]等等。

閾值法通過設(shè)定不同的特征閾值，將圖像的像素點(diǎn)分為若干類，具有實(shí)現(xiàn)簡單、計(jì)算量小、性能較穩(wěn)定等有點(diǎn)，已成為圖像分割中應(yīng)用最廣泛的分割技術(shù)。以固定閾值分割為基礎(chǔ)，出現(xiàn)了一系列閾值分割的新方法[1]。按照閾值的作用范圍可分為全局閾值和局部閾值法兩大類。全局閾值法中閾值的選取至關(guān)重要，是這類方法研究的重點(diǎn)。申鉉京等提出了基于多閾值Otsu準(zhǔn)則的閾值分割快速計(jì)算。該算法減少閾值的搜索范圍，并利用查找表計(jì)算均值、方差，優(yōu)化了底層運(yùn)算，提高了算法的分割速度[3]。全局閾值只能分割對(duì)比度較高的背景和較清晰的圖片，不能克服圖像光照不均勻、背景有雜質(zhì)或陰影的影響[4]。局部閾值法能有效緩解這個(gè)問題。劉占提出了局部期望閾值分割方法，首先把圖像轉(zhuǎn)換成梯度矩陣，然后將矩陣分割成眾多子區(qū)域并計(jì)算其數(shù)學(xué)期望，最后以該值來對(duì)其子區(qū)域進(jìn)行邊緣提取。這種方法提高了圖像邊緣特征的可辨識(shí)性，使邊緣信息的提取準(zhǔn)確性提高[5]。Petter Ranefall等通過橢圓擬合和局部區(qū)域的大小來優(yōu)化局部區(qū)域的閾值，提出了適用于橢圓或細(xì)長物體的分割方法[6]。閾值的性能受較多參數(shù)的影響，而這些參數(shù)大多憑經(jīng)驗(yàn)設(shè)置，難以達(dá)到理想效果。

分水嶺分割方法[2]是一種基于數(shù)學(xué)形態(tài)學(xué)分割方法。其基本原理是把圖像類比為測(cè)地學(xué)中的拓?fù)涞孛?，圖像中每點(diǎn)像素的灰度值代表該點(diǎn)的海拔高度，每個(gè)局部極小值及其影響的區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。傳統(tǒng)的分水嶺算法容易造成過分割，為了解決這一問題，一些研究者提出了基于標(biāo)記點(diǎn)的分水嶺算法。Ji X等提出了一種基于距離變換的分水嶺算法來分離粘連細(xì)胞核，通過增強(qiáng)細(xì)胞核邊緣后利用Otsu閾值粗分割細(xì)胞核，利用優(yōu)化的種子點(diǎn)來進(jìn)行分水嶺操作，最終達(dá)到分離粘連細(xì)胞核的目的[7]。Geetha等提出了一種基于標(biāo)記點(diǎn)控制的分水嶺算法，可以精確地計(jì)算細(xì)胞核的核漿比[8]。另一些研究者則通過改進(jìn)分水嶺算法的實(shí)現(xiàn)原理來解決這一問題。Husain等提出一種利用徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)對(duì)圖像的目標(biāo)對(duì)象進(jìn)行分割。在形成的水域地形中創(chuàng)建圖像直方圖，RBF初始參數(shù)如中心和寬度分別自動(dòng)設(shè)置在直方圖的峰值和最小值上[9]。還有一些研究者嘗試對(duì)分水嶺算法的處理結(jié)果進(jìn)行再分割或合并相似區(qū)域。Zhanpeng H等采用基于分水嶺分割和區(qū)域合并提取肝臟區(qū)域圖像，將分水嶺分割后的結(jié)果作為區(qū)域合并的標(biāo)記圖像，然后基于相似性的標(biāo)準(zhǔn)對(duì)圖像的標(biāo)記區(qū)域進(jìn)行合并[10]。

目前的方法大多針對(duì)某一類情況，難以適應(yīng)DNA倍體分析這樣復(fù)雜的應(yīng)用環(huán)境。如圖1所示，首先，復(fù)雜的背景條件，即光照不均、背景陰影、染色深淺不一致等問題。其次，脫落宮頸細(xì)胞采集不可避免地存在微生物、細(xì)胞碎片、血液、污染物等雜質(zhì)，使標(biāo)本中存在大量的碎片、黑斑、絲狀絮狀垃圾和一些聚集成團(tuán)的腺細(xì)胞核等垃圾雜質(zhì)。這些問題對(duì)細(xì)胞核分割方法提出了新的挑戰(zhàn)。為此，本文結(jié)合局部閾值法和分水嶺算法，提出了基于復(fù)雜背景下的宮頸細(xì)胞核分割方法。該方法利用自適應(yīng)參數(shù)的局部閾值法來得到分水嶺算法的標(biāo)記點(diǎn)。首先利用自適應(yīng)的參數(shù)調(diào)節(jié)來排除細(xì)胞核圖像上的光照不均、背景陰影、雜質(zhì)和染色深淺不一致等問題對(duì)分割的影響，將細(xì)胞核分割出來。然后再利用重復(fù)腐蝕法腐蝕二值圖像，獲得分水嶺算法的標(biāo)記圖像。最后利用分水嶺算法分割整張圖片。實(shí)驗(yàn)表明，所提出的方法能準(zhǔn)確分割各種類別和重疊程度較小的細(xì)胞核，能有力地支撐了自動(dòng)閱片系統(tǒng)。

1 本文算法實(shí)現(xiàn)

分水嶺算法是分割圖像的有效方法，但是由于顯微鏡下的圖片存在背景光照不均、陰影、雜質(zhì)等復(fù)雜情況。傳統(tǒng)的分水嶺算法分割時(shí)會(huì)導(dǎo)致過分割或欠分割現(xiàn)象，本文通過自適應(yīng)參數(shù)的局部閾值法的方法分割圖片中的細(xì)胞核，并通過標(biāo)記選取算法選取細(xì)胞核心為分水嶺算法提供較為準(zhǔn)確的標(biāo)記圖像。

1.1 傳統(tǒng)分水嶺原理

分水嶺的計(jì)算過程是一個(gè)迭代標(biāo)注過程。首先對(duì)每個(gè)像素的灰度級(jí)進(jìn)行從低到高排序，然后在從低到高實(shí)現(xiàn)淹沒過程中，對(duì)每一個(gè)局部極小值在h階高度的影響域內(nèi)采用先進(jìn)先出（FIFO）結(jié)構(gòu)進(jìn)行判斷及標(biāo)注。通常把梯度圖像作為輸入圖像。分水嶺算法對(duì)微弱邊緣具有良好的響應(yīng)，圖像中的噪聲、物體表面細(xì)微的灰度變化，都會(huì)產(chǎn)生過度分割的現(xiàn)象。為了解決分水嶺的過分割問題，眾多研究者提出了很多解決辦法[2]，其中以標(biāo)記法為主，標(biāo)記法就是將注水的極小值區(qū)域換成自定義的標(biāo)記點(diǎn)，這樣可以有效的避免過分割現(xiàn)象，那么標(biāo)記點(diǎn)的選取就顯得至關(guān)重要。本文提出了一種標(biāo)記點(diǎn)選取方法。

1.2 圖像預(yù)處理

為了消除圖片復(fù)雜背景對(duì)分水嶺分割的影響。本節(jié)采用局部閾值法分割圖片，并利用參數(shù)自適應(yīng)的方法去除陰影、雜質(zhì)、光照對(duì)閾值的影響。最后得到只有細(xì)胞的二值圖，即初步的標(biāo)記圖像。

1.2.1 局部閾值原理

局部閾值法首先將圖片分割成若干個(gè)w×w大小的區(qū)域，并利用背景和對(duì)象的灰度值均值和標(biāo)準(zhǔn)差的差異確定每個(gè)區(qū)域的閾值計(jì)算公式：

T（x，y）= M（x，y）+kD（x，y）（1）

其中（x，y）是在窗w×w內(nèi)的一點(diǎn)，T（x，y）是窗內(nèi)的閾值，M（x，y）和D（x，y）分別是窗內(nèi)的灰度值的均值和標(biāo)準(zhǔn)差，k是一個(gè)固定的偏差。窗的寬度w對(duì)算法的效果有很大的影響。如果窗寬太小容易造成細(xì)胞核過分割，窗寬太大又不能排除復(fù)雜背景情況對(duì)算法的影響。實(shí)際圖片情況都互不相同，故自適應(yīng)地調(diào)節(jié)w的大小并找到一個(gè)合適的w值至關(guān)重要。

1.2.2 自適應(yīng)參數(shù)調(diào)節(jié)

過度分割表現(xiàn)在分割出的輪廓數(shù)量遠(yuǎn)大于實(shí)際輪廓數(shù)。因此，本文利用窗長度大小和分割后的區(qū)域數(shù)量的關(guān)系來確定最佳w值。即當(dāng)w取較小值，細(xì)胞核內(nèi)部會(huì)出現(xiàn)孔洞或零散的點(diǎn)，這時(shí)輪廓的數(shù)量相對(duì)較多。隨著w的增大孔洞和散點(diǎn)變少，輪廓的數(shù)量會(huì)逐步減少，直到減小到一個(gè)相對(duì)穩(wěn)定值，此時(shí)w值為最佳窗口大小。 而當(dāng)w繼續(xù)增大到一定值時(shí)，背景中的一些雜質(zhì)和陰影就會(huì)出現(xiàn)，輪廓數(shù)目又開始增加。由此可知改變化趨勢(shì)符合三次曲線的圖像，故為了不受噪聲點(diǎn)的影響本文采用曲線擬合的方法來獲得符合圖2中散點(diǎn)的函數(shù)公式，并利用該公式來求得最佳w值。

本文采用了最小二乘法法擬合如圖2的散點(diǎn)，其任務(wù)為求一個(gè)函數(shù)y=f （x），使得圖中所有散點(diǎn)在最小二乘準(zhǔn)則下到曲線f （x）的距離平方和最小。其中f （x）如下所示的三次曲線：

f（x）=ax3+bx2+cx+d（2）

擬合的目的是要解如下優(yōu)化問題

1.3 標(biāo)記點(diǎn)的選取

局部閾值分割可以很好地避免復(fù)雜背景的影響，但是對(duì)于細(xì)胞聚集較密集的圖片的處理效果不是很明顯。而一些病變細(xì)胞就恰好容易出現(xiàn)到成團(tuán)細(xì)胞中，所以分割成團(tuán)細(xì)胞可以提高癌細(xì)胞的檢出率。針對(duì)這一情況，本節(jié)通過重復(fù)腐蝕得到的二值圖，盡可能的將重疊的細(xì)胞分割開，并將得到的結(jié)果作為分水嶺算法的標(biāo)記圖像。最后利用分水嶺有效地分割重疊程度不高的細(xì)胞，并抑制過分割現(xiàn)象，得到整張圖片的分割圖。

1.3.1 輪廓分割

本節(jié)主要分割腐蝕難度較大的重疊輪廓。首先利用凹點(diǎn)檢測(cè)算法[11]檢測(cè)到每一個(gè)輪廓的凹點(diǎn)，然后利用如下的歐式距離公式計(jì)算距離最小的兩個(gè)凹點(diǎn)，試驗(yàn)發(fā)現(xiàn)這兩個(gè)點(diǎn)的連線可以將輪廓分成兩個(gè)部分，并且不會(huì)錯(cuò)將單細(xì)胞分割。用此方法可以有效分割重疊程度較高的細(xì)胞。

1.3.2 重復(fù)腐蝕

本節(jié)主要采取基于面積限制的重復(fù)腐蝕操作，首先提取輪廓，并判斷每個(gè)輪廓的面積，如果面積大于定值A(chǔ)，就腐蝕該輪廓，否則就保持不變，重復(fù)該腐蝕過程直到所有輪廓的面積均不大于A。最后將面積小于B的輪廓?jiǎng)h掉，至此得到分水嶺算法的標(biāo)記圖。其中A為圖片中最小細(xì)胞核的面積，B要大于一些細(xì)小雜質(zhì)的面積并遠(yuǎn)小于A值。該方法可以有效保留較小的細(xì)胞核，并更好地分割較大的重疊細(xì)胞，從而減小分水嶺的過分割或欠分割現(xiàn)象。

1.4 分割算法實(shí)現(xiàn)步驟

步驟一：利用局部閾值法循環(huán)分割圖片200次，w每次增加2，并記錄每一次的輪廓數(shù)量C。

步驟二：用最小二乘法擬合w和C的函數(shù)關(guān)系式f（x），并利用f（x）求取最佳窗口大小x。

步驟三：利用最佳閾值x對(duì)圖片做局部閾值化。

步驟四：提取輪廓并檢測(cè)每一個(gè)輪廓的凹點(diǎn)，確定歐式距離最近的兩點(diǎn)切割輪廓。

步驟五：提取輪廓，判斷每個(gè)輪廓的面積。如果面積大于A就腐蝕輪廓，否則保持不變。

步驟六：重復(fù)執(zhí)行步驟五直到所有輪廓面積都不大于A。

步驟七：刪除面積小于B的輪廓，得到標(biāo)記圖像。

步驟八：以標(biāo)記圖像為輸入執(zhí)行分水嶺算法。

2 實(shí)驗(yàn)和結(jié)果分析

2.1 參數(shù)自適應(yīng)的對(duì)比實(shí)驗(yàn)

該實(shí)驗(yàn)主要實(shí)現(xiàn)參數(shù)自適應(yīng)的局部閾值法，針對(duì)不同種情況給出示意圖，并展示不同的窗口大小分割圖片時(shí)的效果不同。說明了自適應(yīng)參數(shù)調(diào)節(jié)的必要性

2.1.1 實(shí)驗(yàn)數(shù)據(jù)

從大量的細(xì)胞圖片中選取了如圖2所示的四張圖片。他們分別代表背景存在雜質(zhì)、背景有陰影、細(xì)胞成團(tuán)出現(xiàn)和背景光照不均勻等4種復(fù)雜的背景情況的圖片4張。

2.1.2 實(shí)驗(yàn)過程

首先利用OTSU算法分割圖片，并保存結(jié)果留作對(duì)比圖。然后以w=15為初始值每次增加2，對(duì)圖片進(jìn)行局部閾值化，并記錄此時(shí)的輪廓數(shù)量，重復(fù)實(shí)驗(yàn)200次。再將得到的數(shù)據(jù)繪制散點(diǎn)圖并擬合曲線。最后對(duì)比分析最佳閾值的分割結(jié)果和其他閾值的結(jié)果。

2.1.3 實(shí)驗(yàn)結(jié)果分析

如圖2所示的曲線擬合圖，橫坐標(biāo)為窗長度w，縱坐標(biāo)為閾值分割后輪廓的數(shù)量。該圖中展示的曲線很好的擬合圖中的散點(diǎn)，并得到了一個(gè)最佳閾值x，即圖中曲線的極小值點(diǎn)。由圖2可以看出不同圖像的最佳閾值點(diǎn)相差較多，式2中的參數(shù)也各不相同，若不使用參數(shù)自適應(yīng)則不能得到準(zhǔn)確的分割圖。圖3中展示了不同圖片在不同w值時(shí)的不同分割效果，本文選取了3種不同閾值來對(duì)比分析。從圖中可以看出在w=x時(shí)閾值分割的效果最佳，當(dāng)w=25時(shí)細(xì)胞內(nèi)部出現(xiàn)了孔洞和離散的點(diǎn)，當(dāng)w=175時(shí)圖片中的雜質(zhì)和陰影出現(xiàn)并影響了分割效果。而OTSU算法不能避免復(fù)雜背景條件對(duì)細(xì)胞分割的影響。實(shí)驗(yàn)表明該方法可以自動(dòng)選擇局部閾值的參數(shù)，并避免復(fù)雜背景對(duì)圖像分割的影響。

2.2 分水嶺算法的對(duì)比實(shí)驗(yàn)

2.2.1 實(shí)驗(yàn)數(shù)據(jù)與過程

如圖5（a）所示的成團(tuán)細(xì)胞為該實(shí)驗(yàn)的數(shù)據(jù)。首先利用傳統(tǒng)的分水嶺算法分割圖片，結(jié)果圖像留作對(duì)比分析。然后利用標(biāo)記合成算法合成標(biāo)記圖像。最后利用基于標(biāo)記點(diǎn)控制的分水嶺算法分割圖片。該實(shí)驗(yàn)將對(duì)比分析傳統(tǒng)分水嶺算法和本文改進(jìn)的分水嶺算法在重疊細(xì)胞核分析中的效果。

標(biāo)記圖像的生成過程如圖4所示，首先利用參數(shù)自適應(yīng)的局部閾值法分割圖片，然后對(duì)輪廓做簡單的重疊輪廓分割，最后利用基于面積限制的重復(fù)腐蝕法處理二值圖像，獲得分水嶺算法的標(biāo)記圖。從圖4中可知，當(dāng)重復(fù)腐蝕次數(shù)N>2時(shí)輪廓大小基本不發(fā)生改變。

2.2.2 結(jié)果分析

如圖5所示，5（b）是傳統(tǒng)分水嶺的效果圖，圖中有很多過分割的地方。5（c）是本文分水嶺算法結(jié)果，效果較好且過分割的部分較少。該實(shí)驗(yàn)表明本文的標(biāo)記點(diǎn)選取算法可以得到大部分細(xì)胞核，并可以從重疊細(xì)胞中分割出單細(xì)胞，使分水嶺算法達(dá)到了最佳的使用效果。而傳統(tǒng)的分水嶺算法由于標(biāo)記點(diǎn)不準(zhǔn)確從而出現(xiàn)了過分割現(xiàn)象。

2.3 算法效果評(píng)價(jià)與分析

2.3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)際采集到的圖片中不會(huì)同時(shí)出現(xiàn)本文算法中考慮到的所有復(fù)雜情況，對(duì)處理結(jié)果難以統(tǒng)計(jì)。所以本節(jié)合成存在多種復(fù)雜情況和細(xì)胞核重疊情況的圖片用于方法評(píng)價(jià)。首先選取多種復(fù)雜情況的圖片1 000張，然后隨機(jī)組合成圖片100張，并確保每張圖片中均存在光照不均勻、背景有陰影、雜質(zhì)和成團(tuán)細(xì)胞等多種情況。

2.3.2 實(shí)驗(yàn)過程

首先利用參數(shù)自適應(yīng)的局部閾值法來閾值化圖片，然后利用標(biāo)記點(diǎn)選取算法將得到的結(jié)果圖腐蝕成分水嶺算法的標(biāo)記圖像，最后利用分水嶺算法分割100張圖片，保存實(shí)驗(yàn)過程圖和結(jié)果圖。為了對(duì)實(shí)驗(yàn)結(jié)果做定量的分析，從中選取兩張圖片將圖中內(nèi)容標(biāo)記為單個(gè)細(xì)胞核、重疊細(xì)胞核、雜質(zhì)等三類。然后分別利用本文算法、局部閾值法、全局閾值法來分割圖片。最后統(tǒng)計(jì)分割結(jié)果，并計(jì)算分割準(zhǔn)確度。分割準(zhǔn)確度為分割出單細(xì)胞核的準(zhǔn)確度，所以計(jì)算公式為：

Aaccuracy=（TP+FP）/N（5）

式中TP如表1、2、3所示，代表實(shí)際是單細(xì)胞并被分割成單細(xì)胞的數(shù)量。FP代表實(shí)際是重疊細(xì)胞但是被分割成單細(xì)胞的數(shù)量。N代表圖片中實(shí)際內(nèi)容的數(shù)量。

2.3.3 實(shí)驗(yàn)結(jié)果與分析

圖6為算法定性分析效果圖。圖6（a）圖中出現(xiàn)了細(xì)胞核多種重疊形式和復(fù)雜的背景情況。從6（b）圖中可以看出，本文算法成功地將復(fù)雜的背景情況排除。圖6（c）中可以看出本文的標(biāo)記點(diǎn)選取算法成功分割重疊程度低的細(xì)胞，并保留了大部分細(xì)胞的核心。而圖6（d）中展示了分水嶺后的效果，本算法有效地分割了重疊程度不高的細(xì)胞。

如表1、2、3所示為3種算法分割后數(shù)據(jù)統(tǒng)計(jì)。其中T、F分別代表圖片中標(biāo)記的單細(xì)胞、重疊細(xì)胞;P、N分別代表圖片被分割后得到的單細(xì)胞、重疊細(xì)胞。如圖7所示，本文用不同顏色的標(biāo)記點(diǎn)標(biāo)記了不同算法分割后的不同情況，表中所示數(shù)據(jù)為本次實(shí)驗(yàn)的統(tǒng)計(jì)結(jié)果。利用這些數(shù)據(jù)，通過式（5）計(jì)算可得分割準(zhǔn)確度。如圖8所示結(jié)果，展示了利用三種不同算法分割圖片得到的分割準(zhǔn)確度，其中本文算法的分割準(zhǔn)確度遠(yuǎn)大于另外兩種算法。實(shí)驗(yàn)表明本文算法優(yōu)于一些經(jīng)典的算法，并可以一定程度上地分割重疊細(xì)胞，為細(xì)胞識(shí)別打下堅(jiān)實(shí)的基礎(chǔ)。

3 結(jié) 語

針對(duì)DNA倍體分析系統(tǒng)在實(shí)際應(yīng)用時(shí)面臨的細(xì)胞核分割問題，本文提出了復(fù)雜背景下的宮頸細(xì)胞核分割方法，實(shí)現(xiàn)整張圖片的分割。實(shí)驗(yàn)表明，本文的算法可以解決細(xì)胞核DNA倍體分析系統(tǒng)在實(shí)際應(yīng)用時(shí)的細(xì)胞核準(zhǔn)確分割問題，確保DNA倍體分析系統(tǒng)對(duì)細(xì)胞核的精準(zhǔn)測(cè)量。

參 考 文 獻(xiàn)：

[1] 吳一全，孟天亮，吳詩婳. 圖像閾值分割方法研究進(jìn)展20年（1994—2014）[J]. 數(shù)據(jù)采集與處理， 2015， 30（1）：1.

[2] XING F， LIN Y. Robust Nucleus/Cell Detection and Segmentation in Digital Pathology and Microscopy Images： A Comprehensive Review[J]. IEEE Reviews in Biomedical Engineering， 2016，9.

[3] 申鉉京，劉翔，陳海鵬.基于多閾值Otsu準(zhǔn)則的閾值分割快速計(jì)算[J].電子與信息學(xué)報(bào)，2017，v.39（01）：144.

[4] ZENG Z， CHEN S， TANG S， et al. Unsupervised Segmentation of Cell Nuclei in Cervical Smear Images Using Active Contour with Adaptive Local Region Fitting Energy Modelling[C]//International Conference on Biomedical Engineering and Informatics. 2015：250.

[5] 劉占. 基于局部期望閾值分割的圖像邊緣檢測(cè)算法[J]. 計(jì)算機(jī)與現(xiàn)代化， 2016（8）：52.

[6] RANEFALL P， SADANANDAN S K， WHLBY C. Fast Adaptive Local Thresholding Based on Ellipse Fit[C]// The IEEE International Symposium on Biomedical Imaging. IEEE， 2016.

[7] JI X， LI Y， CHENG J， et al. Cell Image Segmentation Based on an Improved Watershed Algorithm[C]//Image and Signal Processing （CISP）， 2015 8th International Congress on. IEEE， 2015： 433.

[8] GEETHA P K， NIDHYA R， DINESH Kumar A， et al. Cell Segmentation and NC Ratio Analysis for Biopsy Images Using Marker Controlled Watershed Algorithm[C]// International Conference on Green Computing Communication and Electrical Engineering. IEEE， 2014：1.

[9] HUSAIN R A，ZAYED A S， AHMED W M， et al. Image Segmentation with Improved Watershed Algorithm Using Radial Bases Function Neural Networks[C]//Sciences and Techniques of Automatic Control and Computer Engineering （STA）， 2015 16th International Conference on. IEEE， 2015： 121.

[10]ZHANPENG H， QI Z， SHIZHONG J， et al. Medical Image Segmentation Based on the Watersheds and Regions Merging[C]//Information Science and Control Engineering （ICISCE）， 2016 3rd International Conference on. IEEE， 2016： 1011.

[11]楊輝華，趙玲玲，潘細(xì)朋，等.基于水平集和凹點(diǎn)區(qū)域檢測(cè)的粘連細(xì)胞分割方法[J].北京郵電大學(xué)學(xué)報(bào)，2016，39（6）：11.

（編輯：關(guān) 毅）