基于卷積神經網絡的細胞圖像分割與類型判別

胡威 汪春梅 張見

摘 要： 組織細胞圖像形態(tài)各異、大小不一、紋理變化多樣等特點，導致難以精準地分割細胞區(qū)域的問題，對此提出了一種基于卷積神經網絡（CNN）和邊緣聚類方法的新算法.對原始切片采用染色校正預處理，提高色彩對比度，利用CNN得到初步分割結果，結合邊緣聚類方法提升初步分割結果的連續(xù)性和完整性.在此基礎上，結合計算機視覺技術，獲得分割圖像中細胞顆粒的基本屬性特征，并使用Softmax分類器判別細胞類型.實驗結果表明：相較于經典的卷積神經網絡、閾值分割、模糊聚類等細胞圖像分割算法，該算法在分割結果的完整度方面提升了6.15個百分點.

關鍵詞： 卷積神經網絡（CNN）; 邊緣聚類; 圖像分割; 分類判別

中圖分類號： TP 399文獻標志碼： A文章編號： 1000-5137（2019）01-0106-07

Abstract： The characteristics of tissue cells in different shapes，sizes and varied textures make it difficult to segment cell areas precisely.We propose a new algorithm for the segmentation of cell images combined with convolutional neural networks（CNN） and edge clustering method.The original slices were stained with pretreatment to improve the color contrast.The convolutional neural network was used to obtain the initial segmentation results.Edge clustering method was used to improve the continuity and integrity of the initial segmentation results.On this basis，we combine computer vision techniques to obtain the basic attribute features of cell particles in the segmented images.And Softmax classifier was used to determine the cell type.The results of experiments show that compared with classic convolutional neural networks，threshold segmentation，fuzzy clustering and other cell image segmentation algorithms，the cell segmentation method proposed in this paper improves the integrity of the segmentation result by 6.15%.

Key words： convolutional neural networks（CNN）; edge clustering; image segmentation; classification discrimination

0 引 言

細胞圖像分割是診斷環(huán)節(jié)中的基礎和關鍵，細胞圖像分割的質量直接影響診斷結果.然而常規(guī)組織細胞染色切片圖往往會受顏色、噪聲、光照變化等多種外界因素干擾，并且細胞顆粒往往存在形態(tài)各異、大小不一、紋理變化多樣、邊界模糊、重疊交織、細胞區(qū)域與背景區(qū)域對比不明顯等情況，導致難以精準地分割細胞區(qū)域[1].

在目前較流行的醫(yī)學影像診斷技術中，根據醫(yī)學細胞圖像判別組織生理狀況，有著不可替代的參考價值，并被應用于各個方面.例如：病理學家可根據細胞面積大小判別其生長周期，觀察細胞分裂、凋亡等相關生理周期;依據細胞核相對整個細胞面積占比，判別其是否發(fā)生病變;觀察組織細胞的聚集交織程度，評判其是否形成腫瘤;觀察組織細胞間疏密程度，判斷其是否發(fā)生病變轉移;依據各細胞間平均面積，預測細胞凋亡時間等.目前病理學家對癌癥病變的判別主要依據為細胞顆粒間的大小差異，一般狀況下，相較于正常組織細胞，癌細胞顆粒較大，核質比較高，如圖1所示[2].

1 卷積神經網絡簡介

CNN是一種多層的神經網絡結構，其中每層由多個二維平面網絡結構組成，包含了若干獨立神經元.CNN一般由卷積層、池化層以及全連接層構成.基于CNN在特征的提取分析方面具備如下優(yōu)勢：1） 能有效地將特征提取和分類判別結合到同一網絡結構中進行同步訓練;2） 以圖片樣本可直接作為網絡輸入，且以卷積核對圖片樣本進行遍歷卷積計算，最大限度保留原始圖像的數據信息，提高特征提取的有效性;3） 網絡結構對輸入圖像中產生的平移旋轉、局部扭曲等特殊變化具備很強的適應性[7].

卷積層的每個節(jié)點連接的是上層輸入的鄰域子圖，用于表達圖像的局部特征.

池化層的處理是對卷積之后得到的特征進行聚類整合，包括平均池化和最大池化兩種方式，其作用是統(tǒng)計各個區(qū)域相似特征的維數，通過降低特征維數，避免實驗數據結果出現(xiàn)過擬合的情況，在局部感受域范圍內，計算其最大值或平均值，作為網絡節(jié)點的輸出值.

全連接層的作用是表示輸出特征，通常由特征映射構成.特征輸出向量的維數一般與最后一個特征映射輸出的網絡節(jié)點數量相同，利用輸出的特征向量訓練分類器模型實現(xiàn)對目標類別的辨識.

2 邊緣聚類方法

邊緣聚類方法的核心思想是依據CNN分割的初步結果，確定邊緣像素的位置和顏色特征，然后將邊緣集合聚類為位置鄰近和顏色相似的各個邊緣子集，最后進行邊界擴充，以獲得完整連續(xù)的細胞分割效果，提升分割結果的完整性和連續(xù)性[8].具體操作大致分為3個步驟[9]：

1） 計算相鄰邊緣節(jié)點的色差;

2） 計算任意兩個子集之間的最小位置差和最大顏色差;

3） 計算任意兩個子集之間的平均位置差和平均顏色差.

本研究采用分步邊緣聚類方法，使聚類結果逐漸逼近目標結果，通過大量實驗確定相關閾值.該方法雖然使閾值個數有所增加，但可以簡化聚類結果，提升算法的整體效果.

3 圖像分割實驗

3.1 實驗過程

本實驗采用荷蘭Radboud大學醫(yī)學中心公開數據集中的CAMELYON17數據，全幻燈片圖像（WSI）以TIFF格式展示，病變級別注釋以XML文件形式表示.選擇有標注的50張由蘇木精-伊紅染色的WSI，每張圖片顏色由RGB三通道合成.從原始樣本中統(tǒng)一切割出256 pixels×256 pixels大小的樣本圖，從其中40張樣本圖中獲得2621440個樣本作為訓練數據集，剩下的10張中獲得655360個樣本用作評估算法的測試集.實驗驗證鄰域邊長取8 pixels效果較為理想.對獲得的樣本進行染色校正預處理，結果如圖2所示.

3.2 實驗結果

為評價本算法的分割效果，選取一些較為常用的圖像分割算法與本算法結果進行比較，各算法分割結果對比如圖4所示.其中，圖4（a）為原始細胞圖像真實值;圖4（b）是基于模糊均值聚類算法的分割效果[10]，即用隸屬度確定每個像素點所屬類型的一種聚類算法，可用于細胞的分割研究，過程原理與分類器相似;圖4（c）是基于閾值分割法（OTSU）的區(qū)域圖像分割結果[11]，該方法廣泛應用于對自然目標圖像的分割;圖4（d）是基于統(tǒng)計直方圖全局最小均方誤差的圖像分割效果，該方法也可應用于細胞分割領域;圖4（e）是利用CNN對原始圖像樣本進行特征提取，從而實現(xiàn)細胞圖像分割的方法，該方法考慮到網絡深度對實驗分割的影響;圖4（f），（g）分別是利用vgg16和vgg19網絡結構對原始圖像樣本進行圖像分割的效果;圖4（h）是本算法的圖像分割效果.

4 類型判別

在實際臨床醫(yī)學診斷過程中，組織細胞形態(tài)、大小、色澤紋理等變化往往是醫(yī)生判別其生理結構的重要依據.例如較正常組織細胞，惡性腫瘤細胞往往在形態(tài)尺寸上較大，細胞核面積占比也較大，顏色較深，各細胞之間重疊交雜嚴重，并多以抱團聚集狀態(tài)呈現(xiàn)，在醫(yī)學成像中區(qū)分度較高，判別較明顯.基于上述細胞圖像實現(xiàn)的分割效果，選取了細胞顆粒的面積和周長兩種特征作為判別的客觀依據，綜合評估細胞尺寸大小，以實現(xiàn)對細胞生理狀態(tài)二分類.實驗過程中結合了目前較為流行的計算機視覺技術，以評判預測細胞生理狀態(tài)種類.具體做法大致分為3步：

1） 為便于獲取細胞顆粒基本屬性，將原始切片樣本以1∶20比例進行縮放，圖5（a）為原始細胞圖像按比例放大后的效果圖;對分割后的結果進行灰度二值化反轉，如圖5（b）所示;再利用分割后的細胞圖像結合OpenCV平臺中findcontours函數實現(xiàn)特征輪廓描繪，為便于區(qū)分細胞顆粒，在顯示輸出中隨機生成不同顏色的輪廓描繪曲線，中心點為顆粒計數，如圖5（c）所示.以此獲取細胞顆粒面積、周長特征屬性，用于類型判別.

2） 將獲得的細胞顆粒的周長和面積數據構成二維特征矩陣，送入支持向量機中訓練，該實現(xiàn)過程結合了Matlab軟件中l(wèi)ibsvm函數求解一個線性約束的凸二次規(guī)劃問題，實驗中選取常用的徑向基函數（RBF）作為核函數，懲罰因子c和g分別取1.0和0.5.

3） 將輸出類別標簽設為陰性A（-）、陽性B（+），以實現(xiàn)細胞大小二分類，為判別細胞生理形態(tài)的好壞提供客觀數據結果.其中：A（-）類為正常細胞形態(tài)，大小適中;B（+）類為病變細胞，尺寸較大.分類數據結果以混淆矩陣形式給出，如表2所示.

5 結 論

提出了基于CNN和邊緣聚類的細胞圖像分割方法，利用CNN在目標識別、圖像分類等特征提取方面具備較高準確度，以及邊緣聚類方法在圖像邊界信息獲取和相融相似區(qū)域上的處理優(yōu)勢，并利用與染色校正相結合的方法，增強顏色對比度，進一步提升了分割算法的準確度.實驗結果表明：本算法對細胞圖像具有較好的分割效果.此外，還結合計算機視覺技術，對細胞屬性進行二分類，為病理學家后續(xù)的臨床診斷提供定量的分析結果，降低主觀因素造成的診斷偏差，提升診斷效率.

參考文獻：

[1] STEGMAIER J，SPINA T V，F(xiàn)ALCAO A X，et al.Cell segmentation in 3D confocal images using supervoxel merge-forests with CNN-based hypothesis selection [C]//2018 IEEE 15th International Symposium on Biomedical Imaging.Washington D.C.：IEEE，2018：1-5.

[2] ARAJO T，ARESTA G，CASTRO E，et al.Classification of breast cancer histology images using convolutional neural networks [J].Public Library of Science One，2017，12（6）：e0177544.

[3] XU J，LUO X，WANG G，et al.A deep convolutional neural network for segmenting and classifying epithelial and stromal regions in histopathological images [J].Neurocomputing，2016，191：214-223.

[4] SONG Y，LING Z，CHEN S，et al.Accurate segmentation of cervical cytoplasm and nuclei based on multiscale convolutional network and graph partitioning [J].IEEE Transaction on Bio-medical Engineering，2015，62（10）：2421-2433.

[5] HATIPOGLU N，BILGIN G.Classification of histopathological images using convolutional neural network [C]//Proceeding of International Conference on Image Processing Theory Tools and Applications.Paris：IEEE，2014：1-5.

[6] RUIFROK A C，JOHNSTON D A.Quantification of histochemical staining by color deconvolution [J].Analytical and Quantitative Cytology and Histology，2001，23（4）：291-299.

[7] 楊金鑫，楊輝華，李靈巧.結合卷積神經網絡和超像素聚類的細胞圖像分割方法 [J].計算機應用研究，2018，35（5）：1569-1572，1577.YANG J X，YANG H H，LI L Q.Cell image segmentation method combining convolutional neural network and superpixel clustering [J].Application Research of Computers，2018，35（5）：1569-1572，1577.

[8] ZHANG R，LI L，BAO C M，et al.The community detection algorithm based on the node clustering coefficient and the edge clustering coefficient [C]//Proceeding of the 11th World Congress on Intelligent Control and Automation.Shenyang：IEEE，2014：1-5.

[9] 付慧，劉峽壁，賈云得.用于文本區(qū)域提取的邊緣像素聚類方法 [J].計算機輔助設計與圖形學學報，2006，18（5）：729-734.FU H，LIU X B，JIA Y D.Edge pixel clustering method for text region extraction [J].Journal of Computer-Aided Design and Computer Graphics，2006，18（5）：729-734.

[10] TANG J R，ISA N A M，CH′NGE S.A Fuzzy-C-means-clustering approach：quantifying chromatin pattern of non-neoplastic cervical squamous cells [J].Public Library of Science One，2015，10（11）：e0142830.

[11] CHEN Q，ZHAO L，LU J，et al.Modified two-dimensional OTSU image segmentation algorithm and fast realisation [J].IET Journals and Magazines，2012，6（4）：426-433.

（責任編輯：包震宇）