组织细胞图像简易分割方法的研究_郝葆青

第32卷第5期四川大学学报(工程科学版)Vol.32No.5 2000年9月JO UR NAL OF SICHUAN UNIVERSITY(ENGINEERING SCIENCE EDITION)Sept.2000文章编号:1009-3087(2000)05-0067-04
组织细胞图像简易分割方法的研究
郝葆青1,罗教明1,尹光福1,郑昌琼1,郑翊2
(1.四川大学生物医学中心成都610065;2.Dept.of Electrical Eng.,St.Cl oud State Univ.,MN56301,USA)
摘要:组织细胞图像分割是计算机视觉细胞追踪系统的基本问题和细胞图象识别所必需的步骤。

介绍了分割的分步策略及方法,首先是作近似区域的分割,分割出含有选择细胞和一部分细胞周围背景的大致区域;然后再对近似区域作进一步的分割,即从近似区域中分割出所要选择的细胞图象。

提出的方法结合了前人方法的优点,能有效降低周围背景灰度和细胞区域纹理对对分割结果的影响。

结果表明这种方法易于实现对组织细胞图像的分割。

关键词:组织细胞;分割;图像处理
中图分类号:R445.2文献标识码:A
Study on Tissue Cell Image Facile Segmentation
HAO Bao-qing1,LUO Jiao-ming1,Y I N Guang-fu1,Z HE NG Chang-qiong1,Z HE NG Yi2
(1.Bi omedical Eng.Center,Sichuan Univ.,Chengdu610065,China;2.Dept.of Electrical Eng.,St.Cl oud State Univ.,MN56301,USA)
Abstract:The segmenting method of cell and tissues images is a main problem of computer vision-based cell trac king system.The segmenting methods with distributing strategy,is used in this paper.The first stage which e xtracting an ap-proximate re gion containing the cell and part of the background near the cell,and then,segmenting the cell from the background within this region.The approach effectively reduces the influence of peripheral background intensities texture on the extraction of a cell region.The experimental results show that this approach for segmenting cell images is facile. Key words:segmentation;tissue cell;image
近几年随着计算机技术尤其是图像处理技术的发展,快速检测病理细胞和组织形态特征的计算机细胞和组织图像形态分析方法,及其对某些疾病的病理机理和疾病辅助诊断的研究引起广泛的兴趣。

图像分割是从观察的图像中分割出最能够表现细胞或组织细胞特征并具有各种不同意义子区域的方法,是计算机图像处理过程中极为重要的一步[2,3]。

目前基于计算机方法的细胞和组织细胞形态图像分析技术虽有许多报道,但对未染色的组织细胞图像的分割仍存在一定的缺陷[4]。

这不仅因为组织细胞本身复杂的自然属性和结构特性,而且在二维和三
收稿日期:1999-08-23
作者简介:郝葆青(1956-),男,博士.研究方向:生物医学工程.维组织培养环境中,细胞是非刚性、具有不规则的形状和形态,细胞移动、形态变化而伴随的细胞边缘和背景间的差异,细胞的培养方法和技术以及实验设备等各种因素也会对细胞识别产生影响。

如不均匀的照度、电流产生的噪声和显微镜本身的局限性等各种人为因素对细胞图像的质量,对图像的有效分割都会产生影响。

为了确保取得信息的可靠性,单采用一步的分割方法不能够有效地解决这些问题。

介绍了对嵌入在胶原凝胶中的成纤维组织细胞图像采用两步分割的策略,能解决图像分割所面临的一些具体问题。

第一步就是选出包含细胞的图像以及细胞周围背景的小部分区域;第二步,从近似区域获取数据,进行分析并用来准确从背景中分割出
细胞。

在分割过程中通过对图像区域的约束条件和
改进分析手段可大大减少有关细胞分割的困难,得到的结果更可靠。

1材料和方法
1.1生物学方法和细胞图象采集
本研究使用的原始细胞图像是为未染色嵌入在三维胶原凝胶中的正常成纤维细胞(直径为30 L m),由华西医科大学法医学院组胚研究室提供。

培养基中的胶原凝胶是由1.5mg/mL胶原蛋白的聚合物液和细胞生长介质组成,并将其放在3.5cm直径的佩特里培养皿中。

凝胶的厚度约为1200L m。

细胞嵌入的方法是在凝胶聚合形成前将细胞放进该凝胶组成的溶液中[5]。

细胞采集时,直接将培养皿放在倒置显微镜下,采用的放大倍数在75@和125 @之间,并对要检测细胞作上记号并编号分类。

试验选用直径为30L m的成纤维细胞,每一个被挑选细胞将会显示在方形的细胞采集框口中,其框口大小尺寸约为100L m@100L m@100L m,取样的时间间隔为2s。

1.2图像分析系统
采用自组装实时3-D光学细胞追踪系统。

该系统的基本组成是倒置式数值显微镜:6@和10@的两个物镜,一个1.25@的凸透镜和一个用于图像采集的10@的物镜;灯光系统和光门控制器;显微摄象系统,CCD摄像头(日本松下公司Panasonic GP410);图象采集卡(台湾Aver Media公司MV300, 512@480像素,8-bit)和一个三轴线定位平台[6];计算机系统(PÒ兼容机)及外设附件(HP6L激光打印机等)组成。

1.3组织细胞图像的表征
嵌入在胶原凝胶组织细胞的一般图像(图1)有几个显著的特征:
1)细胞与背景相比较,灰度较低;背景和前景的细胞图像的灰度值没有明显的不同,反映了细胞和背景的平均灰度的分离性低。

2)在整个图像中常观察到背景的灰度不均匀。

3)细胞内的灰度比它周围背景的要低些;这只是观察细胞周围很小的一个局部,如果在更大区域中也许细胞内的灰度就要显得更高些。

4)细胞和背景图像中,灰度的局部变化都较大;而且细胞内和细胞的边缘的局部灰度变化比背景区域的情况要大些;见图2。

图1在3-D胶原凝胶中成纤维细胞实际图像
Fig.1A original image o f a cell em
bedded
图2描述整个图像的灰度直方图
F ig.2Histogram of the original cell im age
从上面分析可看出,要准确从背景中识别细胞边缘是有一定困难的,如果存在人为因素,识别就更困难了。

应使用细微的检查方法以显示更进一步的信息。

由图2可看出灰度的局部变化和图像灰度水平可用作图像区域细胞的识别特征。

细胞边缘和附近区域呈现较高灰度的局部变化,因此灰度的局部变化能够粗略识别含有细胞的区域。

而对整个图像,由于平均背景灰度的不均匀性以及细胞与背景之间的低差异,灰度级别的变化不能可靠识别细胞。

不过在较小图像区域内,灰度的变化可有效的识别细胞,因为细胞局部灰度要比它周围的背景低些。

1.4近似区域的获取
通过对图象区域的分析后,可以得出细胞图象周围较远的背景图象中灰度的局部变化是相对稳定的,这适合应用Kittler和Illingworth(K&I)最小错误阈值分割法[7]。

采用该方法可分割出大致包含一个细胞和细胞周围背景区域,该区域形态、大小和精确性并不重要,因此称为近似区域。

可认为近似区域内背景的平均灰度是足够地均匀。

灰度局部变化可
68四川大学学报(工程科学版)第32卷
通过计算图像窗中的每一像素点的灰度的方差来确定。

公式如下[8]:
R 2
(i,j )=1
W 26i+M
k=i-M 6j+M
l =j-M
[I (k ,l)-L (i,j )]2(1)其中I (i,j )是在像素点(i,j )的灰度级别,W 是一
个奇数整数表示图像窗口的宽度,M =(W -1)/2;L (i,j )表示图像窗口内的平均灰度,可通过下式计算:L (i,j )=1
W 26i+M
k=i-M 6j+M
l=j-M
I (k,l)(2)方差值小时出现狭窄峰图形和方差值大时的拖长尾图形,见图3;方差大时图形面积与近似区域的相一致。

这个区域的边界重叠在原图像外,见图4细胞图像的外框。

图像窗的尺寸是基于图像内细胞的尺寸,大约比细胞的平均尺寸小2到3倍,本试验采用的尺寸为41@41(像素点)。

图3 为图1细胞图像的正态方差变化直方图F ig.3
Histogram of variance o f image in fig.1
1.5 细胞的分割
采用Otsu [9]阈值处理方法从已选定的一个近似区域的背景中分割出细胞,,K &I 的最小错误阈值分割法不适合这一步,因为这种方法会使背景和目标强度增强的高斯直方图之间发生重叠。

这两种方法的比较见图3和图5(外边缘是由K&I 方法获得的近似区域;内边缘是由Otsu 阈值方式获得)。

图4为整个细胞图像和近似区域的灰度直方图的情况(图中的1表示整个图像的直方图;2表示近似区域的直方图。

3表示整个图像的阈值;4表示近似区域的阈值)。

从这个直方图可计算出Otsu 阈值。

利用边缘重现和识别以确定每一个与前景连接不同成分的大小。

除最大的前景成分为细胞外,所有成分都应划为背景。

采用图形学相关运作对保留前景成分单一的边缘进行平滑。

另外,对前景成分的空洞(不连贯背景成分)进行识别,采用对背景成分标记步骤加以消除。

最后用算法检查分割细胞的特征,比如长度、宽度、面积和直径,并且同先前相同细胞样本
进行比较以确保获取正确细胞区域[10]。

图4 Otus .s 和K&I 方法比较的正态方差变化直方图
F ig.4 C om parision of performance of Otsu .s and K&I
图5 细胞的外框为近似区域F ig.5
Boundary o f approxim ate reg ion
图6 两步分割后过滤填充显示的结果F ig.6 Result of two -stage cell seg.
2 结果与讨论
采用分步分割组织细胞的结果见图6(这里显示进行分割后和滤波的结果)。

应用此法分割了五种组织细胞图像(图6是其中之一),在四个图像上
的运行情况良好,这种方法能准确从背景区域中分
69
第5期郝葆青,等:组织细胞图像简易分割方法的研究
割出细胞。

其中一个图像分割失败,图像被分成两个部分(可能是人为因素造成)。

应用于两个连续细胞图像(每一个包含11幅图像)的追踪,结果仍是令人满意,而且两秒钟内就能完成一个细胞分割。

分割是一种对图像像素进行分组聚类以分出背景中不同特征的图像区域的技术。

分割技术的使用经常受到图像结构和实验条件的影响。

例如,实时技术的应用中,分割必须在很短的相关时间间隔内完成,时间间隔也就是几秒,并且在时间间隔内要求分割技术必须达到足够精度。

那些通过着色剂或荧光混合物加强的分割技术和方法,改变了细胞或它们环境生理和方法不适合一些图像分析的应用。

从图像中分割出近似区域,采用了K&I阈值分割法,因为这种方法的前提是假设目标和背景的灰度级别服从正态分布,在两个分布的交界处可产生阈值。

这个方法适宜于目标和背景的灰度水平分布处于不同变化的情形。

而Otsu全局阈值法不适合分割近似区域,由于在不相同的方差的条件下此法产生的阈值会发生偏差。

不过,从近似区域中分割出细胞采用了此法。

这种分步分割的优点在于借助了适应局部阈值方案中图像特征的内容,在近似区域里像点能更好代表所要分割区域的像点,而且这种方法得到的灰度阈估计值都比单纯的全局和局部阈值方法得到的值更精确,而且其计算量也比局部的方法还要少(关于对公式1的简化的推导及整个分割算法将在另文阐述)。

选用灰度方差这个图像统计特征识别近似区域,是因为灰度方差变化的范围内所产生的近似区域大小的变化不明显,即使有变化也不超过两个灰度级水平。

结果表明灰度方差是识别近似区域的强有力的特征,这种方法的运行稳定兼顾了图像窗尺寸变化的因素。

不过,灰度阈值法常导致背景或目标的较小区域内的错误分类[11],产生小的不连贯的次级目标或空洞,因而其结果常需要进一步使用对组成成分标记的方法进行处理,以获取单一的没有空洞连贯的区域。

另外,一些人为因素能造成细胞膜难以辨认,需要设计些简单的程序消除其对分割过程的影响。

3结论
本文提出的方法能自动地适应区域和细胞的尺寸和形状并有效消除了背景周边强度和纹理,有助于分割算法以利用背景信息减少偏差。

实验结果表明该方法对细胞和组织图像的分割是简单有效的。

参考文献:
[1]Koss L G.Automated cytology and histology,A historical per-
spective[J].Anal Quantum Cytol,1987,9:379~374. [2]Hance G A,Umbaugh S E,Moss R H,et al.Unsupervised
color i mage segmentation[J].IEEE Eng i neering In Medicine And Biology,1996,1(2):104~111.
[3]郑南宁.计算机视觉与模式识别[M].北京:国防工业出
版社,1998,80~84.
[4]Thiran J P,M acq B.Mological feature extraction for the class-i
fication of digital i mages of cancerous tissues[J].IEEE Trans on Biomedical Engineering,1996,43(10):1011~1020. [5]Guidry C,Grinnell F.Con traction of hydrated collagen gels by
fibroblasts:Evidence for two mechanis ms by which collagen fibrils are stabilized[J].Collagen Related Res,1986,6:515 ~529.
[6]Wheeler K M.A computer vision system for tracking prolifer-
ating cells[M].M S thesis,De Elec Eng.McGill Uni versity, 1992.
[7]Ki ttler L,Illingworth J.Mini mu m error thresholding[J].Pat-
tern Recognition,1986,19(1):41~47.
[8]Lee S U,Chung S Y,Park R H.A comparative performance
study for several global thresholding techniq ues for segmentation [J].Computer Visi on,Graphics,and Image Processing,1990, 52:171~190.
[9]Otsu N.A threshold selection method from gray level his-
tograms[J].IEEE Trans Syst M an Cyber.1979,9:62~66.
[10]Javidi B,Wang J.Design of filters to detect a noisy target in
nonoverlapping background noise[J].J Op t Soc Am,1994, A11:2604~2612.
[11]Sahoo P K,Saltani A K,Wong A K C,et al.A survey of
thresholding techniques[J].Computer Vision,Graphics,and Image Processing,1988,41:233~260.
(编辑黄小川)
70四川大学学报(工程科学版)第32卷。