唐維

摘要：該文研究的主要內(nèi)容是處理粘連細胞的分割。在醫(yī)學中所運用到的細胞圖片，往往細胞和細胞之間會有粘連，由于粘連之后的部分經(jīng)常出現(xiàn)灰度的疊加，這就造成圖片信息的不準確，給研究造成了一定的干擾。傳統(tǒng)的細胞分割方法因為在辨別粘連區(qū)域灰度的能力較差，所以在分割粘連細胞時往往有缺失。為了改善這樣的問題，該文采用自適應閾值來處理粘連細胞的分割問題。計算得出細胞粘連區(qū)域像素的特征信息，利用自適應閾值來識別粘連區(qū)域中像素間的差異，把像素歸類，使得傳統(tǒng)分割算法混淆像素的問題得到很好的解決。通過實驗可以得出，該文使用的自適應閾值分割粘連細胞的算法是有效的，效果理想。

關(guān)鍵詞：粘連細胞；閾值；自適應；分割

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）14-3366-03

在醫(yī)學應用中，病變細胞互相之間往往會有粘連的情況發(fā)生，針對粘連細胞的分割在醫(yī)學圖像處理中占有很重要的地位。隨著現(xiàn)代科學技術(shù)的發(fā)展，醫(yī)學圖像處理自動化的腳步越來越快，針對其的有關(guān)工作也是在不斷的進展當中，自動化處理醫(yī)學圖像的設備也是越來越先進。在醫(yī)學圖像處理的眾多領(lǐng)域中，針對粘連細胞的分割是我們比較關(guān)心的部分，因為是否能夠準確無誤的分割粘連細胞很大程度上會影響到醫(yī)生的診斷結(jié)果。因此在醫(yī)療診斷中細胞的準確分割是很關(guān)鍵的?，F(xiàn)階段自動化分割粘連細胞的過程大多是根據(jù)病變細胞和背景部分邊緣和色彩上的差異來實現(xiàn)的。通常應用的分割粘連細胞的方法有主成分分析法（PCA），費舍爾最佳鑒別矢量方法，聚類方法等。

在上述傳統(tǒng)的方法中，大多數(shù)是根據(jù)醫(yī)學細胞圖片中，像素點灰度和周圍區(qū)域像素的差異來區(qū)分的。進行粘連分割時，要依據(jù)病變細胞和周圍區(qū)域的灰度差異完成圖像的分割要求。這些分割算法針對獨立的細胞分離的效果比較理想，然而如果細胞與細胞重疊的部分很多的時候，由于重疊細胞部分的灰度容易混淆，使得繼續(xù)采用傳統(tǒng)算法的細胞分離不能很好的達到目的，不能夠精確的將病變細胞從正常的細胞分割出來。因此，將病變細胞從正常細胞中無誤的分割出來，一直困擾著醫(yī)學研究。

為了能夠彌補前面介紹的不足，本為采用自適應閾值動態(tài)改變的細胞分割來使病變細胞得到分離。由于重疊細胞區(qū)域的像素灰度值的差異較小，可是它們之間仍然會有一定的差異，所以采取多樣可以調(diào)整的閾值的方法把重疊部位的相似灰度像素點實現(xiàn)理想的區(qū)分。此方法彌補了傳統(tǒng)細胞分割方法中分割細胞不完全的缺陷。通過大量實驗得出，該文采用的細胞分割算法可以理想的實現(xiàn)粘連細胞的分割，效果理想。

1 圖像分割原理

在醫(yī)學領(lǐng)域的圖像處理中，病變細胞與正常細胞之間分割的方法，是根據(jù)電腦圖像分離理論和醫(yī)學圖像理論，根據(jù)細胞像素點的灰度和周圍區(qū)域像素點灰度值之間的差異，最終使得病變細胞得以分割出來。

醫(yī)學領(lǐng)域中判別細胞圖像分割算法的步驟是：計算得出病變細胞灰度值分布的曲線，并且得到具體細胞像素點的最重要細節(jié)特征，之后可以得到最重要細節(jié)特征之差的極大值。針對差值的方法繼續(xù)采用迭代算法，使得病變細胞能夠從正常細胞中分割出來。具體的步驟如下所述：

1） 圖片初始化

將獲得的醫(yī)學圖片進行初始化操作，由于外界很多條件的影響，導致獲得的醫(yī)學圖片比較模糊。根據(jù)圖片初始化算法可以使得圖片變得更加清晰。m（x，y）是確定區(qū)域像素點灰度值，與指定區(qū)域相鄰的區(qū)域為N×N，一共有像素點Q個，根據(jù)公式（1）可以得到像素點的灰度值：

[m（x，y）=1Qi，j∈Sm（i，j）] （1）

根據(jù)公式（1）計算的最終結(jié)果替換圖片中細胞最初像素灰度，可以實現(xiàn)圖像的初始化，使得圖片的質(zhì)量有所提升。

2） 選擇病變細胞邊緣特征

先提取細胞輪廓主要特征。具體算法如下：

[fk=a1kx1j+a2kx2j+a3kx3j+....+ankxnj] （2）

上式中x代表細胞輪廓的數(shù)據(jù)矩陣，k代表組成序列號，n代表x的維數(shù)，a代表系數(shù)。

3） 判別輪廓上像素點的閾值，實現(xiàn)醫(yī)學圖片病變細胞的分割

[g=i=1n（fi，...f0）2/（n2）] （3）

[S=0f（x，y）∈g1f（x，y）?g] （4）

在公式（3）、（4）中，f指的邊沿區(qū)域灰度值，g指的是周圍部分灰度的值，S指的是經(jīng)過操作后的灰度值。如果病變細胞邊緣區(qū)域的灰度滿足判定規(guī)定的需求，那么此部分是病變區(qū)域，否則，判定此區(qū)域是周圍區(qū)域。這樣就完成了病變細胞部分和周圍背景部分的區(qū)分。我們可以根據(jù)細胞的像素比判定分離結(jié)果的優(yōu)劣：

[R=i=0NSii=0Nfi] （5）

公式（5）中，S指的是分割出的病變細胞像素點的灰度值，f指的是所有像素的數(shù)目。經(jīng)過對照研究，可以得到病變細胞分割的準確率。

依據(jù)前面的說明可以得出，采用傳統(tǒng)方法實現(xiàn)病變部分細胞的分割，假設細胞重合部分少，那么分離的結(jié)果是很滿意的。然而假設細胞重疊部分多，則病變細胞的分割效果不盡如人意。

本文盡量彌補前面所敘述的缺點，采用自適應閾值的算法分離病變細胞，利用獲得的像素具體特征信息，根據(jù)多閥門自動改變算法實現(xiàn)細胞的分離，盡管像素點的顏色相差較小，然而利用這個算法可以理想的辨別單個類似的像素點，實現(xiàn)細胞的分離。經(jīng)過試驗驗證，此方法可以分離重疊在一起的細胞，結(jié)果較好。

2 粘連細胞分割原理

2.1 細胞圖片的像素聚類

分割出病變細胞首先要做的是將不同細胞利用像素舉止的差異進行區(qū)分分組，這樣會給接下來的操作帶來很大的方便。假設有n個像素點，根據(jù)均值聚類算法步驟，把這些像素點歸類到K個各異的類別中去，此時在相同類別中的像素點會非常接近，而不同類別里面的像素點差異性會很大。聚類算法經(jīng)過迭代后得到最相似的，之后進行分類。接下來介紹聚類算法的大致過程：endprint

第一， 選擇最初的聚類中心點，中心點的個數(shù)是K。

第二， 根據(jù)確定好的聚類函數(shù)來進行分類操作，判斷和哪個聚類中心點的距離最小，接下來將測試的像素點歸類到相應的類別中去。經(jīng)過了多次改變以后，有了新的聚類中心點，如果改變前和改變后的聚類中心點非常接近，那么表示改變像素點數(shù)據(jù)后，聚類的準則收斂，將上述方法用如下步驟表示：

1） 選擇數(shù)據(jù)集，如果I=1，選擇最初的聚類中心點的數(shù)目為K，[zj（I）]，j=1，2，…，k，I表示的是迭代的個數(shù)；

2） 計算每個測試像素點和聚類中心點之間的歐氏距離，

[D（xi，Zj（I））]，i=1，2，…，n，j=1，2，…，k， （6）

如果滿足[D（xi，Zj（I））]=[minD（xi，Zj（I）），i=1，2，...，n]，則[xi∈wk]。

經(jīng)過上述的過程，改變測試的像素點以后，聚類中心點和相應的準則都會有所變化，對n個測試像素操作以后，迭代也進行了一個來回，此刻得到了新的聚類中心。

操作完成后，可以歸來最初的細胞像素點，實現(xiàn)均值的歸類，對以后操作創(chuàng)造了可能。

2.2 自適應閾值計算

醫(yī)學圖像中細胞重疊的程度能夠利用歐氏距離變化以后的圖片體現(xiàn)。在中心點四周的細胞灰度往往很大，能夠反映細胞重疊程度的部分，經(jīng)常是灰度值大且窄的像素區(qū)域，因此求出的灰度均值并不是很大。病變細胞分離通過改變閾值的大小來實現(xiàn)。

自適應閾值算法的大致過程：首先，計算歐氏距離變換中的每一個像素點，然后，對位置相鄰的像素點求出灰度值，接下來對之前獲得的兩個值相除，改變閾值大小，隨著條件的差異，像素點得到的灰度值也會有差異。利用這點來分離重疊的細胞。

其中細胞像素（i，j）的混合模型是：

3 實驗仿真

本文根據(jù)實驗驗證自適應閾值改變的方法分離重疊細胞的效果。分別利用傳統(tǒng)的分割病變細胞的方法和本文采用的方法進行對比，具體的步驟如圖1。

選擇重疊較多的細胞來操作，下圖2是重疊細胞：

利用傳統(tǒng)的分割病變細胞的方法和本文采用的方法，最終的實驗結(jié)果如圖3：

從圖3中可以看出，該文采用的自適應閾值的方法分割的病變細胞的準確率有所提升。然而由于細胞重疊較大，采用傳統(tǒng)分割算法效果不理想，不符合實際的需求。

4 總結(jié)

本文采用的自適應閾值分割的方法，彌補了一個閾值分割時的缺陷，與傳統(tǒng)分割算法相比，有較大的優(yōu)勢，能夠滿足臨床研究的應用。

參考文獻：

[1] Akimoto，Y Suenaa，R S Wallace. Automatic Creation of 3D Facial Models [J].IEEE Computer Graphics and Applications，1993，13 （5）.

[2] Ju Han，B Bhanu.lndividual recognition using gait energymage （digital object identifier）[J].IEEE Trans on Pattarn Analysis and Machine lntelligence，2006，10 （2）.

[3] Yang Feng， Ma Zheng，Xie Mei. A Novel Approach for License Plate Character Segmentation[C].2006， IEEE， Conference on Signal Processing，2000：1409-1414.

[4] 陳佳娟.基于圖象處理和人工智能的植物病害自動診斷技術(shù)的研究[D].長春：吉林人學，2001.

[5] 趙欽佩.一種新的基于背景的紅外圖像分割方法[J].計算機仿真，2007（5） ：202-205.endprint

第一， 選擇最初的聚類中心點，中心點的個數(shù)是K。

第二， 根據(jù)確定好的聚類函數(shù)來進行分類操作，判斷和哪個聚類中心點的距離最小，接下來將測試的像素點歸類到相應的類別中去。經(jīng)過了多次改變以后，有了新的聚類中心點，如果改變前和改變后的聚類中心點非常接近，那么表示改變像素點數(shù)據(jù)后，聚類的準則收斂，將上述方法用如下步驟表示：

1） 選擇數(shù)據(jù)集，如果I=1，選擇最初的聚類中心點的數(shù)目為K，[zj（I）]，j=1，2，…，k，I表示的是迭代的個數(shù)；

2） 計算每個測試像素點和聚類中心點之間的歐氏距離，

[D（xi，Zj（I））]，i=1，2，…，n，j=1，2，…，k， （6）

如果滿足[D（xi，Zj（I））]=[minD（xi，Zj（I）），i=1，2，...，n]，則[xi∈wk]。

經(jīng)過上述的過程，改變測試的像素點以后，聚類中心點和相應的準則都會有所變化，對n個測試像素操作以后，迭代也進行了一個來回，此刻得到了新的聚類中心。

操作完成后，可以歸來最初的細胞像素點，實現(xiàn)均值的歸類，對以后操作創(chuàng)造了可能。

2.2 自適應閾值計算

醫(yī)學圖像中細胞重疊的程度能夠利用歐氏距離變化以后的圖片體現(xiàn)。在中心點四周的細胞灰度往往很大，能夠反映細胞重疊程度的部分，經(jīng)常是灰度值大且窄的像素區(qū)域，因此求出的灰度均值并不是很大。病變細胞分離通過改變閾值的大小來實現(xiàn)。

自適應閾值算法的大致過程：首先，計算歐氏距離變換中的每一個像素點，然后，對位置相鄰的像素點求出灰度值，接下來對之前獲得的兩個值相除，改變閾值大小，隨著條件的差異，像素點得到的灰度值也會有差異。利用這點來分離重疊的細胞。

其中細胞像素（i，j）的混合模型是：

3 實驗仿真

本文根據(jù)實驗驗證自適應閾值改變的方法分離重疊細胞的效果。分別利用傳統(tǒng)的分割病變細胞的方法和本文采用的方法進行對比，具體的步驟如圖1。

選擇重疊較多的細胞來操作，下圖2是重疊細胞：

利用傳統(tǒng)的分割病變細胞的方法和本文采用的方法，最終的實驗結(jié)果如圖3：

從圖3中可以看出，該文采用的自適應閾值的方法分割的病變細胞的準確率有所提升。然而由于細胞重疊較大，采用傳統(tǒng)分割算法效果不理想，不符合實際的需求。

4 總結(jié)

本文采用的自適應閾值分割的方法，彌補了一個閾值分割時的缺陷，與傳統(tǒng)分割算法相比，有較大的優(yōu)勢，能夠滿足臨床研究的應用。

參考文獻：

[1] Akimoto，Y Suenaa，R S Wallace. Automatic Creation of 3D Facial Models [J].IEEE Computer Graphics and Applications，1993，13 （5）.

[2] Ju Han，B Bhanu.lndividual recognition using gait energymage （digital object identifier）[J].IEEE Trans on Pattarn Analysis and Machine lntelligence，2006，10 （2）.

[3] Yang Feng， Ma Zheng，Xie Mei. A Novel Approach for License Plate Character Segmentation[C].2006， IEEE， Conference on Signal Processing，2000：1409-1414.

[4] 陳佳娟.基于圖象處理和人工智能的植物病害自動診斷技術(shù)的研究[D].長春：吉林人學，2001.

[5] 趙欽佩.一種新的基于背景的紅外圖像分割方法[J].計算機仿真，2007（5） ：202-205.endprint

第一， 選擇最初的聚類中心點，中心點的個數(shù)是K。

第二， 根據(jù)確定好的聚類函數(shù)來進行分類操作，判斷和哪個聚類中心點的距離最小，接下來將測試的像素點歸類到相應的類別中去。經(jīng)過了多次改變以后，有了新的聚類中心點，如果改變前和改變后的聚類中心點非常接近，那么表示改變像素點數(shù)據(jù)后，聚類的準則收斂，將上述方法用如下步驟表示：

1） 選擇數(shù)據(jù)集，如果I=1，選擇最初的聚類中心點的數(shù)目為K，[zj（I）]，j=1，2，…，k，I表示的是迭代的個數(shù)；

2） 計算每個測試像素點和聚類中心點之間的歐氏距離，

[D（xi，Zj（I））]，i=1，2，…，n，j=1，2，…，k， （6）

如果滿足[D（xi，Zj（I））]=[minD（xi，Zj（I）），i=1，2，...，n]，則[xi∈wk]。

經(jīng)過上述的過程，改變測試的像素點以后，聚類中心點和相應的準則都會有所變化，對n個測試像素操作以后，迭代也進行了一個來回，此刻得到了新的聚類中心。

操作完成后，可以歸來最初的細胞像素點，實現(xiàn)均值的歸類，對以后操作創(chuàng)造了可能。

2.2 自適應閾值計算

醫(yī)學圖像中細胞重疊的程度能夠利用歐氏距離變化以后的圖片體現(xiàn)。在中心點四周的細胞灰度往往很大，能夠反映細胞重疊程度的部分，經(jīng)常是灰度值大且窄的像素區(qū)域，因此求出的灰度均值并不是很大。病變細胞分離通過改變閾值的大小來實現(xiàn)。

自適應閾值算法的大致過程：首先，計算歐氏距離變換中的每一個像素點，然后，對位置相鄰的像素點求出灰度值，接下來對之前獲得的兩個值相除，改變閾值大小，隨著條件的差異，像素點得到的灰度值也會有差異。利用這點來分離重疊的細胞。

其中細胞像素（i，j）的混合模型是：

3 實驗仿真

本文根據(jù)實驗驗證自適應閾值改變的方法分離重疊細胞的效果。分別利用傳統(tǒng)的分割病變細胞的方法和本文采用的方法進行對比，具體的步驟如圖1。

選擇重疊較多的細胞來操作，下圖2是重疊細胞：

利用傳統(tǒng)的分割病變細胞的方法和本文采用的方法，最終的實驗結(jié)果如圖3：

從圖3中可以看出，該文采用的自適應閾值的方法分割的病變細胞的準確率有所提升。然而由于細胞重疊較大，采用傳統(tǒng)分割算法效果不理想，不符合實際的需求。

4 總結(jié)

本文采用的自適應閾值分割的方法，彌補了一個閾值分割時的缺陷，與傳統(tǒng)分割算法相比，有較大的優(yōu)勢，能夠滿足臨床研究的應用。

參考文獻：

[1] Akimoto，Y Suenaa，R S Wallace. Automatic Creation of 3D Facial Models [J].IEEE Computer Graphics and Applications，1993，13 （5）.

[2] Ju Han，B Bhanu.lndividual recognition using gait energymage （digital object identifier）[J].IEEE Trans on Pattarn Analysis and Machine lntelligence，2006，10 （2）.

[3] Yang Feng， Ma Zheng，Xie Mei. A Novel Approach for License Plate Character Segmentation[C].2006， IEEE， Conference on Signal Processing，2000：1409-1414.

[4] 陳佳娟.基于圖象處理和人工智能的植物病害自動診斷技術(shù)的研究[D].長春：吉林人學，2001.

[5] 趙欽佩.一種新的基于背景的紅外圖像分割方法[J].計算機仿真，2007（5） ：202-205.endprint