细胞分割算法研究方法综述.docx

细胞分割算法研究方法综述.docx

《细胞分割算法研究方法综述.docx》由会员分享，可在线阅读，更多相关《细胞分割算法研究方法综述.docx（5页珍藏版）》请在冰豆网上搜索。

细胞分割算法研究方法综述

细胞分割算法研究方法综述

【摘要】随着现代科技的发展，用计算机处理细胞在医学诊断和医学图像处理领域有着重要的作用。

细胞分割是细胞特征提取和细胞识别的基础，从医学图像中分割出精准的细胞图像是目前极具挑战性的课题。

在细胞的自动识别的研究中产生了有效的分割算法的需求，人们提出了不同的分割算法根据图像的不同特征，如阈值法,分水岭算法等。

本文对细胞分割的各种方法进行比较分析，详细阐述各种方法的优缺点，并对以后各种细胞分割方法结合使用有重要意义。

【关键词】细胞分割；分割算法；比较分析

survey：

theresearchmethodofcellssegmentationalgorithmchenaibin,jiangxia

（centralsouthuniversityofforestry&technology,collegeofcomputerscience,hunanchangsha410004,china）abstract：

withthedevelopmentofmoderntechnology,computerprocessingcellsplaysanimportantroleinmedicaldiagnosticsandmedicalimageprocessing・celldivisioniscellularfeatureextractionandrecognitionfoundation.segmentationofaccuratemedicalimagesischallengingtaskfromthecellimage・automaticidentificationofthecellsproducedastudyofthedemandforeffectivesegmentation.peoplemadeadifferentimage

segmentationalgorithmsbasedondifferentcharacteristics,suchasthethreshold,awatershedalgorithm,inthispaper,variousmethodsofcelldivisionsystemanalysis,anddetailtheadvantagesanddisadvantagesofeachmethods.

keywords：

celldivision；segmentationalgorithm；comparativeanalysis

1.引言

图像分割是根据图像的某些特征或特征相似的集合，对图像进行分组聚类，把图像分成若干个特定的，有意义的区域并提取出感兴趣的目标技术和过程。

它使图像高级处理阶段的图像分析和图像识别等处理过程的数据量大大减少，并保留图像结构的重要信息。

细胞分割的精度对细胞分割有重要作用，它的好坏直接影响细胞分析。

细胞分割到今天仍没有取得圆满成功的几个重要原因是：

（1）细胞图像很复杂，不仅有白血细胞、红细胞和血小板还有其它东西,而且根据口细胞的成熟程度不同可以分为20多种不同的类别。

（2）细胞图像经常受染色不均匀，光照不一致的影响，导致灰度值发生变化。

（3）细胞图像经常重叠，没有明显的边界。

（4）细胞的大小变化很大，细胞核的形状各种各样。

这些使得细胞分割是一个困难和富有挑战的任务。

所以，我们有必要针对医学图像这个领域对细胞图像分割方法进行研究。

木文对细胞分割的各种方法进行系统分析。

2.常用的图像分割方法

为了解决医学图像细胞分割的难题，多年来许多研究人员做了大量的工作，研究出了很多有用的分割方法。

随着阈值分割，活动轮廓，边缘检测和形态学等方法在图像分割中广泛应用，活动轮廓，多光谱等新出现的算法也不断的用于解决细胞分割的问题，国内外学者针对一些具体应用的医学图像分割提出了不少好的分割方法。

2.1基于阈值分割的方法

阈值分割法是一种基于区域的图像分割技术，其基本原理是：

通过设定不同的特征阈值，把图像象素点分为若干类。

常用的特征包括：

直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。

阈值选取方法有多种，如mode法、otsu法、爛方法、p-tile法和最小误差法等。

由于阈值分割算法原理简单，计算量比较小，但它依赖阈值的选择，广泛的应用于早期的细胞分割。

在目标和背景差异比较大的图像可以用全局阈值，柯行斌，王汝传［1］在已经经过预处理的图像上用全局阈值分割白血细胞，发现比匹配法分割的效果好一些。

而细胞的胞浆和背景相差不大，因此用单一的阈值分割很难取得很好的效果。

王任挥［2］提出用最大信息嫡原理来确定多阈值分割彩色细胞，能基本区分细胞的细胞核、细胞浆及背景区域，但不能得到清晰的细胞轮廓。

由于多阈值一般是设置两个值，而细胞图像一般比较复杂，很难得到明显的双峰的直方图，这就需要设置局部阈值。

局部阈值分割法是将原始图像划分成较小的图像，并对每个子图像选取相应的阈值。

自适应阈值可以根据特征不同产生不同的合适的阈值，因此适合分割处理大多数图

像。

马保国，乔玲玲［3］提出的自适应阈值分割，先对图像各像素进行梯度计算，然后局部用最大类间方差法分割。

这种算法对有噪声的口血细胞图像也能取得一定的效果。

下列图1对四个图的细胞对比阈值分割的效果。

总的来说，阈值分割只考虑灰度信息没有考虑空间信息，不适用于多通道图像，也不适用于特征值相差不大的图像，并且对噪声和灰度不均匀敏感。

2.2分水岭分割

分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。

分水岭的概念和形成可以通过模拟浸入过程来说明。

在每一个局部极小值表而，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。

在细胞处理过程中，由于设备或人为原因，有时候会出现细胞粘连程度分布不均匀的情况，这样分割起来很困难，分水岭算法经常用于处理这类问题。

丁宏和王泽提出用先对细胞图像用距离变换和对种子点改进，再用分水岭算法分割，如果种子定位精确的情况下，粘连的细胞分割能取得很好的效果。

分水岭算法直观，快速，可以并行处理并具有分割精度高的优点。

但用分水岭方法进行图像分割时，容易造成图像的过度分割而且对噪声特别敏感。

一般都通过对图像进行预处理和区域合并的改进来抑制图

像过分分割。

谢文娟［4］等提出采用形态学基本运算，运用交替序贯滤波对口血细胞图像进行滤波处理，然后采用多尺度形态梯度代替形态学梯度。

利用开重建细胞图像，减少极小值标记点，减少过分割产生的区域。

通过对口血细胞预处理的改进，有效的解决噪音引起的白血细胞过分分割。

包振健，邸书灵［5］提岀一种混合的分水岭策略来分割骨髓细胞图像，它是用标记的形态学重建和基于区域相似度的区域合并算法来克服分水岭对标记点颔感的缺点。

针对分水岭算法的缺点并结合自身的研究需求，许多学者提出4种方法对其进行改进，预处理滤波，这个主要是在预处理消除图像噪声，标记、区域合并和其它方法，后面这三种方法主要是针对过分分割这一优点进行改进。

图2为标记分水岭算法实验效果。

2.3基于模糊理论算法分割

有些分割方法很容易产生过分分割，如上而提到的分水岭算法，而模糊聚类分割算法就很好弥补了这一方面的缺失。

模糊聚类是根据事物间的相似性进行区分和分类的过程，它将数据划分为不同组或类的过程，并使同一个组内的数据对象具有较高的相似程度，而且不同组中的数据对象则是不相似。

模糊理论算法中最常用的是模糊c-均值聚类算法，模糊c均值聚类（fem）,是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。

模糊c均值聚类算法的优点是运算简单，收敛比较快，适合处理数据量大的图像，它的缺点是对初始中心很敏感，易陷入局部极小值而难收敛到聚类中

心。

用模糊C均值处理图像一般采用改进的C均值聚类算法，或者用C均值聚类算法和别的算法结合使用，这样可以扬长避短。

S.chinwaraphat[6]提出改进fem算法消除由丁•散射或假的聚类造成不明颜色或像素之间的相似性和等离子体胞质背景。

nipontheera-umpon[7]用模糊c均值聚类方法对细胞过份分割，然后再结合形态学对细胞进行开与闭运算去除小孔和平滑边缘。

下而图3为此方法自动分割和用手动分割图的比较。

聚类算法中还有一个常用的是k均值聚类。

eunsangbak,kayvannajarian[8]提出k均值聚类算法和自适应阈值分割方法结合使用分割细胞，由实验结果得出分割效果比较好。

现在研究人员主要研究是模糊聚类算法如何优化初始中心和如何不陷入局部最小值。

myeloblastpromylocytemyelocytemetamyelocytebandpmn2.4基于可形变模型的方法

可形变模型最初用来解决计算机视觉和计算机图像的一种方法，但很快就被应用到医学图像细胞处理技术中，如边缘检测，匹配等等。

可形变模型可以分为参数可形变模型和几何可形变模型。

参数可形变模型就是把研究的曲线或曲面直接表示出来，它可以对模型直接干预，并且可以为快速实时应用提供紧凑的表达形式，但不可以改变模型的拓扑结构。

而几何可形变模型容易实现拓扑学的变化，容易空间维数扩展。

细胞分割常用的可形变模型有参数型的snake算法和几何型的水平集算法。

传统的可形变模型的缺陷是运算量大，难收敛于凹形区域。

snake模型是通过寻找自身能量函数

的极小值，这个值是由内部和外部函数获得，使曲线由初始区域向目标真实轮廓靠近并调整形状以逼近目标轮廓的算法。

所以基于参数的活动轮廓算法的缺点是对初始轮廓的要求很高，优点是整个算法就是一个特征提取的过程。

一般对参数形轮廓进行改进，一方面会针对获得高质量的初始轮廓进行改进，另一方而对外部能量算法进行改进以便有效指引关键点朝着正确的目标方向运动。

杨谊［9］提出基于snake模型的细胞图像分割新方法研究就是从这两方而分别进行改进的。

farnooshsadeghian,zaininaseman［10］也是先对细胞图像先预处理再用canny算子进行边缘检测，然后才用改进的gvfsnake获取清晰的边缘，如图4。

水平集活动轮廓对初始轮廓并不很敏感但它的收敛速度比较慢。

传统的水平集分割比较适合分割不粘在一起的细胞，而yayunzhou［ll］提出的多相水平集能较好的分割粘连细胞，并提出改进水平集收敛于mumford-shah函数以提高收敛速度。

2.5其它分割方法

除了上面提到的细胞分割算法，还有遗传算法，形态学，区域增长，光谱算法等。

遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

它的优点是有很好的收敛性，计算时间少，鲁棒性。

缺点是不可以很好的处理大规模计算量的问题。

候振杰，潘新［12］提出一种基于爛的遗传聚类算法。

用遗传算法和聚类分析及爛结合分

割骨髓细胞。

数学形态学是由一组形态学的代数运算子组成的，它的基木运算有4个：

膨胀、腐蚀、开启和闭合，它们在二值图像和灰度图像中各有特点。

基于这些基木运算还可推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理。

孙万蓉，俞卞章［13］提出用形态金字