高噪聲顯微圖像下的微管提取算法研究

計曉沁 蔣林華

摘 ?要： 為了提取通過冷凍電鏡獲得的微管圖像中的微管目標，本文提出了一種改進的區(qū)域生長法。首先根據(jù)對微管圖像的分析，提出了一種針對高噪聲微管圖像的復合增強方案，有效的增強了圖像對比度。然后使用Otsu算法對微管圖像進行粗分割。最后，再用區(qū)域生長法提取微管目標。實驗結(jié)果表明，該方法有較強的抗噪性，同時能夠準確提取微管目標。

關(guān)鍵詞： 區(qū)域生長法;微管;冷凍電鏡;Otsu

中圖分類號： TP391. 41 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.06.003

本文著錄格式：計曉沁，蔣林華. 高噪聲顯微圖像下的微管提取算法研究[J]. 軟件，2019，40（6）：1316

【Abstract】： In order to extract microtubule targets from microtubule images obtained by cryoelectron microscopy， an improved regional growth method was proposed. Firstly， according to the analysis of the microtubule image， a composite enhancement scheme for the high-noise microtubule image was proposed， which effectively enhanced the image contrast. Then the microtubule image is roughly segmented by Otsu algorithm . Finally， regional growth method was used to detect microtubule targets. Experimental results show that this method has strong noise resistance and can accurately extract microtubule targets.

【Key words】： Regional growth method; Microtubules; Cryoelectron microscope; Otsu

0 ?引言

癌癥的治療一直都是醫(yī)學研究難以攻克的難點。癌癥是由癌細胞病變引起的惡性腫瘤，而癌基因的非正常表達會影響癌細胞內(nèi)部微管組織的形態(tài)，從而導致微管結(jié)構(gòu)發(fā)生巨大變化，同時研究者發(fā)現(xiàn)，微管[1-2]是主要抗癌藥物的靶點。因此對于微管的深入研究可以為醫(yī)學研究人員攻克細胞癌變等醫(yī)學難題及開發(fā)新型的抗癌藥物提供幫助。

冷凍電鏡[3]是重要的結(jié)構(gòu)生物學研究方法，將通過冷凍電鏡獲取的生物醫(yī)學圖像與計算機技術(shù)相結(jié)合進行醫(yī)學研究也是當下的熱點。數(shù)字化處理Cyro-EM圖像也是目前的一個新話題。目前為止，研究人員已經(jīng)提出了許多生物大分子的提取算法，針對微管目標提取的算法研究也做出了一些成功的嘗試。Yan[4]等人設(shè)計了一種非線性濾波器來檢測微管，Yue[5]等人改進了CV模型實現(xiàn)了微管的分割。

本文提出一種新的算法來提取微管目標。首先，使用中值濾波[6]和直方圖均衡化對存在高噪聲的冷凍電鏡微管圖像進行預處理，提高圖像的質(zhì)量;接著使用Otsu算法及區(qū)域生長法提取圖像中的微管目標;最后使用形態(tài)學方法[7]來填充微管目標中的孔洞，獲得最終的微管目標。

1 ?噪聲分析

微管圖像是通過冷凍電鏡技術(shù)獲取的，在獲取微管圖像時，為了不破壞原始的生物組織形態(tài)，加至每幅圖像的透射電子累積劑量不能超200e-/nm2，因此，幾乎所有的微管圖像都存在極高的噪聲，且信噪比極低。如圖1所示，（a）是通過冷凍電鏡獲取的原始微管圖像，（b）是（a）中各像素在三維空間的灰度分布圖，（c）是（a）中虛線采樣處的灰度分布圖。

從（a）中可以明顯看出，微管圖像的前景和背景灰度差別很小，微管目標與背景的邊緣信息不明顯，對比度極低;而且圖像中除微管目標外，還有冰粒和因電子束照射而受損的其他細胞器等噪聲顆粒。（b）和（c）中可以看出，整幅圖像以及水平取樣線的灰度幅度都劇烈抖動，說明圖像中存在很高的噪聲，信噪比很低。

由此可以發(fā)現(xiàn)，通過冷凍電鏡獲取的微管圖像質(zhì)量極差，且圖像內(nèi)部組成復雜，微管目標較背景占圖像比例較小。因此，要提取出其中的微管目標是一個很大的挑戰(zhàn)。

2 ?直方圖均衡化

直方圖均衡化[8]是圖像處理領(lǐng)域中利用圖像直方圖對對比度進行調(diào)整的方法。其基本思想是把原始圖的直方圖變換為均勻分布的形式，這樣就增加了像素灰度值的動態(tài)范圍，從而達到增強圖像整體對比度的效果。

直方圖是表示數(shù)字圖像中每一灰度出現(xiàn)頻率的統(tǒng)計關(guān)系。直方圖能給出圖像灰度范圍、每個灰度的頻度和灰度的分布、整幅圖像的平均明暗和對比度等概貌性描述?；叶戎狈綀D是灰度級的函數(shù)， 反映的是圖像中具有該灰度級像素的個數(shù)， 若大部分像素集中在低灰度區(qū)域， 圖像呈現(xiàn)暗的特性; 若像素集中在高灰度區(qū)域， 圖像呈現(xiàn)亮的特性。

x3 ?OTSU算法

OTSU[9]由日本學者大津于1979年提出，它是一種確定圖像二值化分割閾值的算法，被認為是圖像分割中閾值選取的最佳算法，計算簡單，不受圖像亮度和對比度的影響。它是按圖像的灰度特性，將圖像分成背景和前景兩部分。

對于圖像I（x，y），前景和背景的分割閾值記作T，屬于前景的像素點數(shù)占整幅圖像的比例記為 ，其平均灰度 ;背景像素點數(shù)占整幅圖像的比例為 ，其平均灰度為 。圖像的總平均灰度記為 ，類間方差記為g。

4 ?區(qū)域生長法

區(qū)域生長法[10]最早是有Levine等人提出的圖像分割算法，它的基本思想是將有相似性質(zhì)的像素點合并到一起。對每一個區(qū)域要先指定一個種子點作為生長的起點，然后將種子點周圍領(lǐng)域的像素點和種子點進行對比，將具有相似性質(zhì)的點合并起來繼續(xù)向外生長，直到?jīng)]有滿足條件的像素被包括進來為止。

區(qū)域生長算法的設(shè)計主要由以下三點：生長種子點的確定，區(qū)域生長的條件，區(qū)域生長停止的條件。種子點的個數(shù)根據(jù)具體的問題可以選擇一個或者多個，并且根據(jù)具體的問題不同可以采用完全自動確定或者人機交互確定。

5 ?仿真及實驗結(jié)果分析

5.1 ?仿真環(huán)境

仿真實驗是在Windows10環(huán)境下執(zhí)行的，編程語言利用Matlab實現(xiàn)。實驗選取了一系列2191* 1916大小的高噪聲冷凍電鏡微管圖像作為算法測試的原始圖像。

5.2 ?算法流程

5.3 ?實驗結(jié)果與分析

（1）圖像預處理

根據(jù)對微管圖像的分析知道，通過冷凍電鏡獲取的微管圖像存在很高的噪聲，信噪比極低，前景與背景的邊緣不清晰，而且還有冰粒、受損細胞器等顆粒噪聲。這些噪聲的存在對于微管目標的提取存在很大的影響，首先對圖像進行預處理，以便后續(xù)微管目標的提取。

由于圖像中存在的噪聲比較復雜，首先，使用中值濾波對圖像進行平滑以濾除脈沖噪聲，同時保護目標的邊緣不被模糊;然后，使用直方圖均衡來增強圖像對比度。圖3中（a）為原圖，（b）為中值濾波圖像，（c）為直方圖均衡后的圖像，（d）為直方圖均衡化后微管圖像的三維灰度圖，（e）為去噪前后（a）中虛線采樣處的灰度對比圖?？梢钥闯?，原始微管圖像的灰度值劇烈抖動，表明圖像噪聲污染嚴重，而經(jīng)過直方圖均衡化后的圖像，圖像的尖峰噪聲得到了很好的抑制，且圖像的對比度得到增強。

（2）目標提取

經(jīng)過預處理后的圖像質(zhì)量得以提高，圖像邊緣更加清晰。接著，利用OTSU算法將預處理后的圖像進行閾值化。結(jié)果如圖4（a）所示?？梢园l(fā)現(xiàn)，閾值化后的圖像除需要的微管目標外，還存在許多細胞器等大顆粒污染物。接著，在閾值化后的圖像上，采用人機交互的方式選區(qū)種子點，執(zhí)行區(qū)域生長算法，得到（b）中所示的微管目標。由于區(qū)域生長之后的圖像會出現(xiàn)一些空洞，因此利用形態(tài)學中的膨脹運算來填充空洞部分，得到（c）中所示的微管目標。

5.4 ?實驗結(jié)果分析

圖像經(jīng)過中值濾波及直方圖均衡進行預處理后，提高了圖像的質(zhì)量，然后用Otsu算法結(jié)合區(qū)域生長算法進行微管目標的提取，最后用形態(tài)學來填充微管目標中的孔洞。實驗選取了一系列的圖像進行測試，由測試結(jié)果可以發(fā)現(xiàn)，本文提出的算法有效提高了圖像質(zhì)量，并且可以有效提取微管目標。

6 ?結(jié)論

本文通過分析冷凍電鏡圖像存在的高噪聲問題，針對性地提出了一種基于直方圖均衡、OTSU算法與區(qū)域生長算法相融合的目標提取方法。并用一系列冷凍電鏡微管圖像進行了實驗，對實驗結(jié)果進行分析表明該方法能有效獲取微管目標。在下一步的學習過程中可以就如何自動選區(qū)區(qū)域生長的種子點進行探討，來提高目標獲取的效率。

參考文獻

[1] Li H， Derosier D J， Nicholson W V， et al. Microtubule structure at 8 A resolution[J]. Structure， 2002， 10（10）： 1317-1328.

[2] Jordan M A， Wilson L. Microtubules as a target for anticanc- er drugs[J]. Nature Reviews Cancer， 2004， 4（4）： 253-265.

[3] 吳趙龍， 毛有東. 冷凍電子顯微鏡： 生物大分子精細結(jié)構(gòu)分析的利器[J]. 科學通報， 2017， 62（36）： 4208-4212.

[4] Wen Y， Cai H， Deng L . Detecting microtubules in high noise Cryo-EM micrograph[C]// Proc of the 5th International Conference on Biomedical Engineering and Informatics （BMEI）. IEEE， 2012： 261-265.

[5] Yue G， Jiang L， Liu C， et al. Automated Segmentation of Microtubules in Cryo-EM Images with Excessive White Noise[M]. Information Science and Applications （ICISA） 2016. Springer Singapore， 2016.

[6] 趙高長， 張磊， 武風波. 改進的中值濾波算法在圖像去噪中的應(yīng)用[J]. 應(yīng)用光學， 2011， 32（4）： 678-682.

[7] 刁智華， 趙春江， 吳 剛， et al. 數(shù)學形態(tài)學在作物病害圖像處理中的應(yīng)用研究[J]. 中國圖象圖形學報， 2018， 15（2）： 194-199.

[8] 喬鬧生. 一種改進的直方圖均衡化[J]. 光學技術(shù)， 2008， 34（S1）： 141-142.

[9] 李玲， 余后強. 基于Otsu算法對CT肝臟興趣區(qū)的提取[J]. 電腦知識與技術(shù)， 2010， 6（12）： 3025-3034.

[10] 李仔麒， 馬慧彬， 李殿奎， 等. 改進區(qū)域生長法的肝部CT圖像ROI提取[J]. 計算機技術(shù)與發(fā)展， 2019（1）： 150-153.