何勇軍 張雪媛 邵慧麗 丁博

摘 要：隨著人工智能技術(shù)的發(fā)展，自動(dòng)閱片系統(tǒng)在輔助病理醫(yī)生閱片診斷，提高病理診斷準(zhǔn)確率、降低勞動(dòng)強(qiáng)度等方面起著越來(lái)越重要的作用。細(xì)胞核的準(zhǔn)確分割是影響該自動(dòng)閱片系統(tǒng)性能的首要因素。由于細(xì)胞核、細(xì)胞漿與背景之間的邊界不清，且細(xì)胞之間顏色差異大，對(duì)細(xì)胞核分割提出了挑戰(zhàn)。為解決這一問(wèn)題，提出了一種基于優(yōu)化最大極值穩(wěn)定區(qū)域（maximally stable extremal regions，MSER）算法的宮頸細(xì)胞核分割方法。該方法首先將圖像轉(zhuǎn)換到HSV（hue，saturation，value）顏色空間。然后針對(duì)S和V通道做加權(quán)組合后，采用優(yōu)化后的MSER算法處理，獲得灰度值均勻的粗分割區(qū)域。再利用參數(shù)自適應(yīng)的閾值分割方法進(jìn)行精細(xì)分割。最后通過(guò)提取細(xì)胞核特征訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)分類器來(lái)判斷分割后得到的結(jié)果是否為細(xì)胞核。實(shí)驗(yàn)表明，該方法能夠準(zhǔn)確地分割宮頸細(xì)胞核。

關(guān)鍵詞：細(xì)胞核分割;穩(wěn)定區(qū)域;凸包檢測(cè);顏色空間

DOI：10.15938/j.jhust.2021.06.002

中圖分類號(hào)： TP315.69

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2021）06-0010-08

Cervical Cell Nuclear Segmentation Method Based on Optimized MSER Algorithm

HE Yong-jun， ZHANG Xue-yuan， SHAO Hui-li， DING Bo

（School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：With the development of artificial intelligence technology， the automatic reading system plays an increasingly important role in assisting the diagnosis of pathologists， improving the accuracy of pathology diagnosis and reducing labor intensity. Accurate segmentation of the nucleus is the primary factor affecting the performance of the automated reading system. Because the boundary between the nucleus， the cytoplasm and the background is unclear， and the color difference between the cells is large， the nuclear segmentation is challenged. In order to solve this problem， a method of cervical nucleus segmentation based on optimal maximum stability regions（Maximally Stable Extremal Regions， MSER） algorithm is proposed. This method first converts the image to the HSV （Hue， Saturation， Value） color space. Then， after weighted combination of S and V channels， the optimized MSER algorithm is used to obtain a coarse segmentation region with uniform gray values. The parameter segmentation method is used to perform fine segmentation. Finally， the feature extraction technique is used to extract various features from the nuclear image， and the artificial neural network classifier is trained to judge whether the result obtained after segmentation is the nucleus. Experiments show that the method can accurately segment the cervical nucleus.

Keywords：nuclear segmentation; stable region; convex hull detection; color space

0 引 言

宮頸癌是威脅女性健康的第二大殺手，其死亡率僅次于乳腺癌。研究表明，宮頸癌主要由HPV感染引起細(xì)胞的不正常生長(zhǎng)引起。早期篩查對(duì)降低宮頸癌的死亡率至關(guān)重要。據(jù)調(diào)查，宮頸原位癌的治愈率高達(dá)100%，早期浸潤(rùn)癌為90%，而浸潤(rùn)癌僅為67%，晚期擴(kuò)散后治愈率低于10%。宮頸細(xì)胞涂片檢測(cè)是篩查宮頸癌的重要手段[1-2]，對(duì)發(fā)現(xiàn)宮頸異常細(xì)胞具有較高的準(zhǔn)確性。但該方法需要病理學(xué)專家用人眼看顯微鏡去判斷，主觀性較強(qiáng)，同時(shí)耗費(fèi)大量的人力物力，準(zhǔn)確性也不穩(wěn)定，難以適應(yīng)現(xiàn)實(shí)的應(yīng)用需求。而宮頸細(xì)胞涂片的自動(dòng)化分析，即自動(dòng)閱片能夠有效地解決這一問(wèn)題。

自動(dòng)閱片主要目的是通過(guò)自動(dòng)化的掃片、識(shí)別和分析，找出病變的細(xì)胞，以輔助醫(yī)生診斷。由于宮頸涂片中細(xì)胞分布的復(fù)雜性和背景的多樣性，自動(dòng)閱片一直存在著諸多挑戰(zhàn)。在此過(guò)程中，細(xì)胞核的準(zhǔn)確分割是后期細(xì)胞識(shí)別的重要前提。但宮頸細(xì)胞圖像內(nèi)容多樣，背景復(fù)雜，有上皮細(xì)胞、淋巴細(xì)胞、中性粒細(xì)胞、各種團(tuán)狀細(xì)胞和垃圾雜質(zhì)。且人體細(xì)胞的種類繁多，顏色存在較大差異。其次標(biāo)本制作后存在大量的粘連和重疊細(xì)胞。此外，染色不均及其細(xì)胞自身的病理性改變等上述種種原因給細(xì)胞核的準(zhǔn)確分割帶來(lái)了很大的困難，利用常用的圖像分割方法極易造成細(xì)胞核的欠分割或過(guò)分割等問(wèn)題。

細(xì)胞核分割主要是利用細(xì)胞圖像中的灰度、顏色、邊緣、紋理、形狀等信息將細(xì)胞圖像中的細(xì)胞核準(zhǔn)確地提取出來(lái)。目前國(guó)內(nèi)外研究者已經(jīng)提出了大量有效的方法。Phoulady等[3]提出了迭代閾值法分割細(xì)胞核，以形態(tài)學(xué)方法獲得的細(xì)胞核尺寸、灰度值和凹凸性為依據(jù)，利用迭代閾值法分割細(xì)胞核。Plissiti等[4]提出了一種基于分水嶺的細(xì)胞核分割的全自動(dòng)方法。首先通過(guò)形態(tài)學(xué)重建步驟檢測(cè)圖像區(qū)域極小值的質(zhì)心，再用分水嶺變換定義核的邊界，然后使用模糊C均值算法（fuzzy C-means，F(xiàn)CM）執(zhí)行聚類步驟，從邊界封閉區(qū)域中提取特征，檢測(cè)核的真實(shí)位置。Asli等[5]提出了一種無(wú)監(jiān)督的宮頸細(xì)胞分割和分類的方法。具體過(guò)程涉及使用自動(dòng)閾值處理以將細(xì)胞區(qū)域和背景分離，基于均一性和圓形度采用多尺度分層分割算法劃分細(xì)胞區(qū)域，以及采用二元分類器分類細(xì)胞區(qū)域的細(xì)胞核。Li等[6]采用輻射梯度矢量（radiating gradient vector flow， RGVF）從單細(xì)胞子宮頸細(xì)胞涂片中準(zhǔn)確提取細(xì)胞核和細(xì)胞漿。該方法首先將每張單細(xì)胞子宮頸涂片圖像轉(zhuǎn)換為CIELAB顏色空間，并將L維數(shù)據(jù)歸一化形成灰度圖像，使用非局部均值濾波器去除噪聲。然后利用K均值聚類算法將圖像中的區(qū)域大致聚類為細(xì)胞核、細(xì)胞漿和背景。最后利用RGVF驅(qū)動(dòng)下的Snake模型對(duì)細(xì)胞核和細(xì)胞漿邊界進(jìn)行準(zhǔn)確的估計(jì)。Zhang等[7]提出了一種基于稀疏形狀先驗(yàn)引導(dǎo)變分水平集框架的膠質(zhì)母細(xì)胞瘤組織的細(xì)胞核分割方法。通過(guò)譜聚類和稀疏編碼，利用一組形狀先驗(yàn)來(lái)適應(yīng)復(fù)雜的形狀變換。然后通過(guò)種子檢測(cè)算法實(shí)現(xiàn)目標(biāo)輪廓的自動(dòng)初始化。最后通過(guò)最小能量函數(shù)實(shí)現(xiàn)目標(biāo)函數(shù)的變形。Zhang等[8]采用局部自適應(yīng)圖分割（local adaptive graph cut，LAGC）用于異常細(xì)胞核的分割。首先進(jìn)行細(xì)胞核的預(yù)分割，將預(yù)分割后的圖像從笛卡爾坐標(biāo)系映射到極坐標(biāo)系構(gòu)造圖。然后為圖中的每個(gè)節(jié)點(diǎn)分配核的特定成本，確定成本最低的全局最優(yōu)路徑。最后通過(guò)反轉(zhuǎn)初始展開(kāi)變換，將路徑映射到原子圖像上，得到改進(jìn)的核邊界。劉俠等[9]提出使用改進(jìn)的基于隱馬爾科夫隨機(jī)場(chǎng)框架分割脊柱CT圖像。由隱馬爾科夫隨機(jī)場(chǎng)建立分類的先驗(yàn)分布，并添加記憶器的模擬退火算法、期望最大化算法和最大后驗(yàn)估計(jì)準(zhǔn)則來(lái)進(jìn)行參數(shù)估計(jì)并得到最終結(jié)果。劉露等[10]提出一種基于視覺(jué)顯著模型的正電子發(fā)射型計(jì)算機(jī)斷層顯像（positron emission computed tomography，PET）圖像快速分割算法。首先使用優(yōu)化的Itti視覺(jué)顯著模型替代人工操作對(duì)PET圖像進(jìn)行快速識(shí)別，并將獲得的顯著圖進(jìn)行預(yù)處理，初始化前景區(qū)與背景區(qū)的高斯混合模型，最后使用優(yōu)化的GrabCut算法對(duì)PET顯著圖進(jìn)行分割獲得結(jié)果。楊金鑫和Song等[11-12]以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，結(jié)合染色校正方法和簡(jiǎn)單線性迭代的超像素聚類算法，提出了一種新的結(jié)構(gòu)來(lái)分割細(xì)胞圖像。Song等[13]提出了一種多尺度卷積神經(jīng)網(wǎng)絡(luò)（multi-scale convolutional network， MSCN）和基于圖形分割的宮頸細(xì)胞漿和細(xì)胞核精準(zhǔn)分割方法。通過(guò)MSCN進(jìn)行深度學(xué)習(xí)[14]，提取尺度不變的特征進(jìn)行粗分割;然后利用一種基于預(yù)訓(xùn)練特征的自動(dòng)圖像分割方法改進(jìn)粗分割;同時(shí)利用超像素代替原始像素，降低了分割的復(fù)雜度。Hou等[15]提出一種稀疏卷積自動(dòng)編碼器（convolutional autoencoder，CAE）方法，檢測(cè)組織病理學(xué)圖像中的細(xì)胞核。CAE檢測(cè)組織圖像中的核并將其編碼為稀疏特征圖，包括核的位置和外觀。Ronneberger等[16]提出了將U-Net網(wǎng)絡(luò)應(yīng)用于醫(yī)學(xué)圖像分割任務(wù)。U-Net是一個(gè)“完全卷積網(wǎng)絡(luò)”，采用的是一個(gè)包含下采樣和上采樣的網(wǎng)絡(luò)結(jié)構(gòu)，下采樣來(lái)逐漸展現(xiàn)環(huán)境信息，而上采樣的過(guò)程是結(jié)合下采樣各層信息和上采樣的輸入信息來(lái)還原細(xì)節(jié)信息，逐步還原圖像精度。Johnson[17]提出使用帶有特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)的Mask R-CNN模型用于細(xì)胞核的分割。

以上提出的閾值分割方法存在對(duì)比度較低，背景噪聲較大、核不規(guī)則的情況下分割效果不理想等問(wèn)題，并易于出現(xiàn)欠分割或者過(guò)分割。圖分割方法在處理大規(guī)模圖像時(shí)需要耗費(fèi)大量的時(shí)間。且上述方法大都針對(duì)不含有病變細(xì)胞的陰性細(xì)胞圖像，對(duì)含有陽(yáng)性細(xì)胞的圖像不具有魯棒性。將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像的語(yǔ)義分割任務(wù)，雖能較好的解決上述問(wèn)題，但是訓(xùn)練深度網(wǎng)絡(luò)在計(jì)算和調(diào)試方面的成本較高，且可解釋性較差。

為了便于分割，本文首先將獲取的原宮頸細(xì)胞圖像由RGB顏色空間轉(zhuǎn)換為HSV顏色空間。然后根據(jù)細(xì)胞圖像的特點(diǎn)，按照固定的權(quán)值組合通道。對(duì)獲得的單通道圖像，采用優(yōu)化后的最大穩(wěn)定極值區(qū)域 （maximally stable extremal regions， MSER）算法進(jìn)行細(xì)胞核的粗分割。最后對(duì)粗分割區(qū)域做灰度直方圖統(tǒng)計(jì)，利用直方圖做凸包檢測(cè)，尋找其中的最遠(yuǎn)距離點(diǎn)，對(duì)圖像做自適應(yīng)的閾值分割，并對(duì)得到的輪廓做特征提取，訓(xùn)練分類器，確實(shí)最終獲得的有效細(xì)胞核區(qū)域。本文的方法在穩(wěn)定性、魯棒性和精度等方面對(duì)細(xì)胞核的分割均有較好的性能。

1 算法的實(shí)現(xiàn)

1.1 基于優(yōu)化MSER算法的細(xì)胞核粗分割

1.1.1 顏色空間轉(zhuǎn)換

本文獲取的源宮頸細(xì)胞圖像均為RGB三通道圖像。RGB顏色空間是一種很不均勻的顏色空間，紅（R）、綠（G）、藍(lán)（B）三種顏色分量相互聯(lián)系，相關(guān)性較高，且直接利用這些分量很難達(dá)到分割所需的效果[18]。而HSV（hue-saturation-value）顏色空間更側(cè)重于色彩表示，是較為均勻的顏色空間[19]。它共有H、S、V 3個(gè)分量，其中H表示色相，是在不同波長(zhǎng)的光照射下，人眼所感覺(jué)到的不同的顏色;S表示飽和度，是顏色的純度，與圖像的顏色深淺有關(guān)，顏色越深，飽和度越高;V表示明度，是顏色的明亮程度，和圖像的顏色信息無(wú)關(guān)。

本文采用的細(xì)胞圖像，在RGB顏色空間中，細(xì)胞核經(jīng)過(guò)巴氏染色主要為深藍(lán)色，上皮細(xì)胞的細(xì)胞漿主要被染為綠色、粉紅色、藍(lán)色等[20]，細(xì)胞核和細(xì)胞漿的顏色區(qū)分度不大。而且，在不同的光照條件下，RGB各通道的值較為分散，且細(xì)胞核區(qū)域在RGB空間下的表示不穩(wěn)定。針對(duì)以上問(wèn)題，本文將圖像由RGB顏色空間轉(zhuǎn)換為HSV顏色空間。由于H通道對(duì)于細(xì)胞核和細(xì)胞漿的區(qū)分度不大，在本文算法中，我們不予考慮。在多數(shù)的液基薄層細(xì)胞檢測(cè)（thinprep cytologic test，TCT）圖像中，細(xì)胞核與細(xì)胞漿和背景相比，顏色較深，飽和度相對(duì)較高，亮度較低。MSER[21]檢測(cè)的是區(qū)域特征，變換后圖像的細(xì)胞核區(qū)域更加顯著，方便后續(xù)的細(xì)胞核分割，避免了根據(jù)RGB顏色信息難以準(zhǔn)確分割的問(wèn)題。

實(shí)驗(yàn)表明，有些圖像存在細(xì)胞核著色過(guò)淺或著色過(guò)深的情況，綜合考慮上述情況，將上述的飽和度通道（S）和亮度通道（V）圖像分別賦予一定的權(quán)值進(jìn)行組合。為了統(tǒng)一標(biāo)準(zhǔn)，首先反轉(zhuǎn)S通道，然后用參數(shù)α控制飽和度和明度所占的權(quán)重，如下所示：

I=α（255-S）+（1-α）V（1）

其中：I表示最終獲得的圖像;α表示飽和度所占的比重，通過(guò)多次實(shí)驗(yàn)的對(duì)比效果確定參數(shù)α的值。通過(guò)上述處理，增強(qiáng)了圖像中細(xì)胞核區(qū)域的穩(wěn)定性，將上述得到的圖像作為MSER算法的輸入。

1.1.2 基于灰度均值和差異量的MSER優(yōu)化算法

MSER算法由Matas等[22]借鑒分水嶺算法的思想提出[23]，首先對(duì)圖像進(jìn)行二值化，二值化閾值從0至255不斷上升，這樣二值化圖像就經(jīng)歷一個(gè)從全黑到全白的過(guò)程。在這個(gè)過(guò)程中，有些連通區(qū)域的面積隨閾值上升的變化很小，這種區(qū)域就叫MSER。該算法最初用于在兩個(gè)不同視角的圖像中尋找對(duì)應(yīng)關(guān)系，這種方法從圖像中提取全面的元素對(duì)應(yīng)關(guān)系，最初用于寬基線匹配問(wèn)題以及更好的立體匹配和物體識(shí)別算法。一直以來(lái)，人們對(duì)MSER的研究和應(yīng)用主要集中在和視覺(jué)相關(guān)的單模圖像處理中，如立體匹配任務(wù)和目標(biāo)跟蹤任務(wù)中，在車牌的檢測(cè)和識(shí)別中也應(yīng)用較多。MSER算法主要描述的是漫水過(guò)程中具有局部穩(wěn)定特性的極值區(qū)域。由于細(xì)胞核形態(tài)的特殊性，它通常有小的均勻的較灰暗的區(qū)域組成，MSER算法的思想很適用于細(xì)胞核的分割任務(wù)。

區(qū)域分割是本文的細(xì)胞核分割算法中最重要的一部分，分割出的疑似細(xì)胞核區(qū)域不僅可以加快后續(xù)的處理速度，同時(shí)可以在其區(qū)域上提取形態(tài)學(xué)特征，并最終根據(jù)提取到的特征訓(xùn)練分類器確定該區(qū)域是否為最終的細(xì)胞核區(qū)域。本文通過(guò)灰度均值和灰度差異量對(duì)MSER算法進(jìn)行優(yōu)化，然后將其引入到宮頸細(xì)胞核的分割中，取得了良好的效果。下面首先給出原MSER算法的數(shù)學(xué)定義：

q（i）=|Qi+Δ-Qi-Δ||Qi|（2）

式中：Qi表示閾值為i時(shí)的某一連通區(qū)域;Δ為灰度閾值的微小變化量;q（i）為閾值是i時(shí)區(qū)域Qi的變化率。當(dāng)q（i）為局部極小值時(shí)，則Qi為最大穩(wěn)定極值區(qū)域。

由于細(xì)胞核和細(xì)胞漿的灰度值差異，且MSER算法在計(jì)算極值區(qū)域的過(guò)程中有灰度值的統(tǒng)計(jì)，在MSER算法中加入灰度均值變量，數(shù)學(xué)表示如下：

gi=Qi-Δgi-Δ+（Qi-Qi-Δ）iQi（3）

式中：gi表示閾值為i時(shí)的某一連通區(qū)域的灰度均值。在一張宮頸細(xì)胞圖像中，細(xì)胞核的大小不一，且多數(shù)情況下，陽(yáng)性細(xì)胞核比正常的細(xì)胞核面積大。為了盡可能多的找到所有的細(xì)胞核且不遺漏陽(yáng)性細(xì)胞核，在進(jìn)行MSER算法處理的過(guò)程中，將連通區(qū)域的面積設(shè)置為一個(gè)較大的范圍，避免細(xì)胞核的過(guò)分割。同時(shí)由于面積范圍設(shè)置的較大，導(dǎo)致得到的輪廓會(huì)包含多余的細(xì)胞漿部分，存在欠分割的問(wèn)題。為了去除這些冗余的輪廓，在MSER算法中加入衡量輪廓灰度值穩(wěn)定性的灰度差異量，數(shù)學(xué)表示如下：

di=（Qi-Qi-Δ）Qi-Δ（gi-gi-Δ）（4）

式中：di表示閾值為i時(shí)的某一連通區(qū)域的灰度差異量。在處理細(xì)胞圖像的過(guò)程中，通過(guò)上述兩個(gè)變量的加入，MSER算法在處理細(xì)胞核的過(guò)程中能夠有效地過(guò)濾掉多余的胞漿區(qū)域。

1.2 自適應(yīng)閾值的細(xì)胞核精細(xì)分割

1.2.1 自適應(yīng)閾值分割

經(jīng)過(guò)粗分割得到的區(qū)域輪廓內(nèi)會(huì)包含部分顏色較深的細(xì)胞漿區(qū)域。為了去除細(xì)胞漿區(qū)域，首先對(duì)得到的輪廓做灰度直方圖，然后利用直方圖做凸性檢測(cè)選取合適的閾值進(jìn)行閾值分割。本文利用灰度直方圖統(tǒng)計(jì)圖像的灰度值，灰度直方圖的計(jì)算公式如下：

p（rk）=nkMN（5）

式中：rk為像素的灰度級(jí);nk為具有灰度rk的像素的個(gè)數(shù);MN為圖像中總的像素個(gè)數(shù)。為了去除部分隨機(jī)噪聲的影響，將繪制的直方圖作均值濾波以實(shí)現(xiàn)圖像的平滑模糊處理。

多數(shù)情況下，粗分割后的圖像中除細(xì)胞核外還存在部分的細(xì)胞漿區(qū)域，在灰度直方圖中常會(huì)形成雙峰。而細(xì)胞核和細(xì)胞漿的灰度值有著明顯的差異，細(xì)胞核顏色較暗，灰度值較低;而細(xì)胞漿相對(duì)而言較亮，灰度值較高。在直方圖中，這兩個(gè)雙峰分別對(duì)應(yīng)于細(xì)胞核和細(xì)胞漿部分，如圖1所示。若MSER算法的分割效果較好，則細(xì)胞漿的含量較低，在灰度直方圖中表現(xiàn)為單峰和右側(cè)的一個(gè)較小峰，如圖1（a）和圖1（b）所示。同樣，左側(cè)的單峰對(duì)應(yīng)于細(xì)胞核的灰度值范圍。本文通過(guò)選取合適的閾值進(jìn)行閾值分割，將細(xì)胞漿去除。閾值分割中選取合適的閾值至關(guān)重要，根據(jù)灰度直方圖，雙峰之間的谷底應(yīng)為所求的閾值。

Fig.1 The histogram of contours after segmentation

為了獲得直方圖谷底閾值，本文采用濾波處理后的圖像做凸性缺陷檢測(cè)[24]。首先采用快速凸包算法獲得灰度直方圖輪廓的凸包，然后利用缺陷點(diǎn)計(jì)算出波谷的坐標(biāo)。根據(jù)圖像的灰度直方圖計(jì)算輪廓的凸缺陷，如圖2所示。凸包缺陷包含4個(gè)信息：起始點(diǎn)A，終止點(diǎn)C，最遠(yuǎn)點(diǎn)B，最遠(yuǎn)點(diǎn)B到凸包的距離，以像素為單位。顯然，圖中B點(diǎn)所對(duì)應(yīng)的橫坐標(biāo)即為所求閾值。

1.2.2 分類器的訓(xùn)練

在TCT圖像中，細(xì)胞核區(qū)域常常表現(xiàn)出一定的形態(tài)學(xué)特征，比如細(xì)胞核形狀常呈橢圓或圓狀，長(zhǎng)寬比和面積在一定范圍內(nèi)等，都與其他非細(xì)胞核區(qū)域表現(xiàn)不同，因此本文針對(duì)閾值分割后得到的輪廓計(jì)算其相關(guān)形態(tài)學(xué)特征，具體包括以下7維特征。

1）最小外接矩形長(zhǎng)度。

2）最小外接矩形寬度。

3）細(xì)胞核面積。

4）細(xì)胞核周長(zhǎng)。

5）凸包面積。

6）橢圓度，主要采用的計(jì)算方式如下：

ellipse=4suvπ（6）

式中：ellipse表示橢圓度;s表示細(xì)胞核的面積;u表示橢圓的長(zhǎng)軸長(zhǎng)度;v表示橢圓的短軸長(zhǎng)度。

7）圓度，主要采用的計(jì)算方式如下：

degree=4πsc2（7）

式中：degree表示圓度;c表示細(xì)胞核的周長(zhǎng)。然后將提取到的特征訓(xùn)練一個(gè)人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）分類器。分類器是一個(gè)三層的神經(jīng)網(wǎng)絡(luò)，第一層為7個(gè)神經(jīng)元，隱含層為15個(gè)神經(jīng)元，輸出層為2個(gè)神經(jīng)元，如圖3所示。將上一步分割后得到的輪廓提取上述7維特征放入ANN模型中訓(xùn)練，輸出兩類，分別是符合和不符合細(xì)胞核形態(tài)學(xué)特征的輪廓，篩選留下符合的細(xì)胞核輪廓，得到最終的分割結(jié)果。

2 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文算法在細(xì)胞核分割中的有效性，本節(jié)首先展示本文算法的分割效果，然后對(duì)比不同算法對(duì)細(xì)胞核的分割效果。

2.1 實(shí)驗(yàn)數(shù)據(jù)

首先從采集的100個(gè)病人的TCT圖像中隨機(jī)選擇100張2048×2048的原始大圖像，然后將其分割為512×512像素的圖像，為防止邊界信息的丟失，取128像素做重疊分割，分割后共計(jì)2500張圖像。利用LabelMe工具人工標(biāo)記，圈畫出其中的細(xì)胞核區(qū)域，具體如圖4所示。圖4（a）是一幅TCT圖像的原圖，人工標(biāo)記的細(xì)胞核輪廓見(jiàn)圖4（b）。利用標(biāo)記得到的結(jié)果作為真實(shí)值，對(duì)本文算法處理后的細(xì)胞核分割結(jié)果進(jìn)行統(tǒng)計(jì)評(píng)價(jià)。

2.2 實(shí)驗(yàn)過(guò)程

圖5展示了TCT圖像經(jīng)過(guò)本文算法處理的總流程圖。首先將細(xì)胞圖像進(jìn)行顏色空間的轉(zhuǎn)換，然后對(duì)S通道和V通道加權(quán)，并將其和HSV各單通道和灰度圖進(jìn)行對(duì)比實(shí)驗(yàn)，經(jīng)過(guò)多次試驗(yàn)，當(dāng)反轉(zhuǎn)后的S通道和V通道以3∶7加權(quán)后的圖像在本算法中表現(xiàn)最好，具體如圖6所示。接下來(lái)采用優(yōu)化后的MSER算法對(duì)加權(quán)后的圖像進(jìn)行處理，圖7顯示了MSER算法優(yōu)化前后處理的對(duì)比圖。將經(jīng)過(guò)篩選后的圖像做凸性缺陷檢測(cè)，找到合適的閾值，在上一步得到的輪廓基礎(chǔ)上做閾值分割。最后提取輪廓特征，并訓(xùn)練分類器進(jìn)行識(shí)別，以確定最終的細(xì)胞核輪廓，分類器識(shí)別前后的對(duì)比圖如圖8所示。

2.3 評(píng)價(jià)指標(biāo)

如圖9所示，中部的輪廓部分為真實(shí)的邊界部分，即人工標(biāo)記的部分，上部的輪廓部分為算法處理得到的分割結(jié)果圖。圖中A為過(guò)分割的部分，即假陽(yáng)性（FP）;B為欠分割的部分，即假陰性（FN）;C為正確分割的部分，即真陽(yáng)性（TP）。則準(zhǔn)確率（accuracy）可表示為算法分割得到的輪廓中正確分割所占的比例，可用如下公式計(jì)算：

accuracy=TP（FP+TP）（8）

召回率（Recall）可表示為針對(duì)真實(shí)的標(biāo)記輪廓，算法分割得到的輪廓所占的比例，計(jì)算方式如下：

recall=TP（TP+FN）（9）

交并比（intersection-over-union，IoU）[25]可表示為，分割得到的輪廓和標(biāo)記得到的輪廓之間的交集和并集的比值，可用如下公式表示：

IoU=C/（A+B+C）（10）

本文采用上述3個(gè)指標(biāo)進(jìn)行分割效果的評(píng)價(jià)。

2.4 效果評(píng)價(jià)

將本文提出的算法與文[3]中的迭代閾值分割方法進(jìn)行對(duì)比，從而驗(yàn)證文本分割算法的有效性。迭代閾值分割主要通過(guò)不斷增加閾值使其區(qū)域自然生長(zhǎng)，然后根據(jù)其特征（例如平均強(qiáng)度，堅(jiān)固性，標(biāo)準(zhǔn)偏差，圓形度和尺寸大?。┻M(jìn)行過(guò)濾。同時(shí)文[16]中提出的U-Net是近幾年提出主要用于醫(yī)學(xué)圖像語(yǔ)義分割的網(wǎng)絡(luò)模型，U-Net是一個(gè)編碼器-解碼器結(jié)構(gòu)，編碼器逐漸減少池化層的空間維度，解碼器逐步修復(fù)圖像的細(xì)節(jié)和空間維度。它們之間存在快捷連接，因此能幫助解碼器更好地修復(fù)目標(biāo)的細(xì)節(jié)。如圖10所示，展示了本文的分割算法和兩個(gè)對(duì)比方法對(duì)TCT圖像的分割效果。

其中圖10（a）是宮頸細(xì)胞原圖像，圖10（b）是手工標(biāo)記的細(xì)胞核輪廓，圖10（c）是用迭代閾值分割方法得到的細(xì)胞核輪廓，圖10（d）是用U-Net分割方法得到的細(xì)胞核輪廓，圖10（e）是本文算法得到的細(xì)胞核輪廓。表1是采用上述評(píng)價(jià)方法對(duì)分割效果進(jìn)行統(tǒng)計(jì)得到的數(shù)據(jù)。如圖10所示，采用迭代閾值分割方法和U-Net分割方法時(shí)，存在欠分割問(wèn)題，部分灰度值較低的細(xì)胞漿被誤認(rèn)為細(xì)胞核區(qū)域。圖11是以交并比在0.05～0.5之間，圖像中細(xì)胞核找到的概率。結(jié)果表明，本文算法優(yōu)于迭代閾值分割方法和U-Net分割方法。

3 結(jié) 論

本文算法主要是利用優(yōu)化的MSER算法對(duì)細(xì)胞核進(jìn)行欠分割，通過(guò)閾值分割提取形態(tài)學(xué)特征訓(xùn)練分類器等方法提升分割的效果。本文所提出的方法針對(duì)陰性細(xì)胞核和陽(yáng)性細(xì)胞核均有較好的分割效果。從實(shí)驗(yàn)結(jié)果來(lái)看，本文算法提升了粗分割效率，能夠基本滿足自動(dòng)閱片系統(tǒng)中宮頸癌篩查的細(xì)胞核分割需求。但是由于人體細(xì)胞自身的復(fù)雜性和制片等原因造成的細(xì)胞粘連過(guò)嚴(yán)重的情況，或者由于采圖過(guò)程中聚焦不清獲得的細(xì)胞圖像較為模糊，都會(huì)降低本文分割算法的準(zhǔn)確度，故此算法還有待進(jìn)一步改進(jìn)。

參 考 文 獻(xiàn)：

[1] 尤小燕， 王雅莉， 劉文枝， 等. 高危型 HPV 聯(lián)合細(xì)胞學(xué)檢測(cè)在宮頸癌及癌前病變篩查中臨床意義[J]. 實(shí)用預(yù)防醫(yī)學(xué)，2017，24（8）：986.

YOU X， WANG Y， LIU W， et al. Clinical Significance of High-risk HPV-DNA Detection Combined with Liquid-based Cytology Test in Screening for Cervical Cancer and Precancerous Lesions[J]. Practical Preventive Medicine， 2017，24（8）：986.

[2] 楊敏. 美國(guó)最新子宮頸癌篩查指南的介紹[J].中華婦產(chǎn)科雜志，2013，48（5）： 394.

YANG M. Introduction of the Latest Cervical Cancer Screening Guidelines in the United States[J]. Chinese Journal of Obstetrics and Gynecology， 2013，48（5）：394.

[3] PHOULADY H A， GOLDGOF D， HALL L O， et al. A Framework for Nucleus and Overlapping Cytoplasm Segmentation in Cervical Cytology Extended Depth of Field and Volume Images[J]. Computerized Medical Imaging and Graphics， 2017， 59： 38.

[4] PLISSITI M E， NIKOU C， CHARCHANTI A. Watershed-based Segmentation of Cell Nuclei Boundaries in Pap Smear Images[J]. Information Technology & Applications in Biomedicine IEEE International Conference， 2010：1.

[5] ASLI G， AKSOY S， SEVGEN O. Unsupervised Segmentation and Classification of Cervical Cell Images[J]. Pattern Recognition， 2012， 45（12）：4151.

[6] LI K， LU Z， LIU W， et al. Cytoplasm and Nucleus Segmentation in Cervical Smear Images Using Radiating GVF Snake[J]. Pattern Recognition， 2012， 45（4）：1255.

[7] ZHANG P， WANG F， TEODORO G， et al. Effective Nuclei Segmentation with Sparse Shape Prior and Dynamic Occlusion Constraint for Glioblastoma Pathology Images[J]. Journal of Medical Imaging， 2019， 6（1）： 017502.

[8] ZHANG L， KONG H， LIU S， et al. Graph-based Segmentation of Abnormal Nuclei in Cervical Cytology[J]. Computerized Medical Imaging and Graph， 2017， 56：38.

[9] 劉俠， 匡瑞雪， 王波， 等. 基于隱馬爾可夫場(chǎng)的脊柱CT 圖像分割算法[J]. 哈爾濱理工大學(xué)學(xué)報(bào)， 2018（2）：1.

LIU X， KUANG R， WANG B， et al. Segmentation Algorithm of Spine CT Image Based on Hidden Markov Random Field[J]. Journal of Harbin University of Science and Technology， 2018（2）：1.

[10]劉露， 于曉婷， 丁博. 一種基于視覺(jué)顯著模型的PET圖像快速分割算法[J]. 哈爾濱理工大學(xué)學(xué)報(bào)， 2017（4）：40.

[11]楊金鑫， 李靈巧， 潘細(xì)朋， 等. 結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和超像素聚類的細(xì)胞圖像分割方法[J]. 計(jì)算機(jī)應(yīng)用研究， 2018（5）：1569.

YANG J， LI L， PAN X， et al. Cell image Segmentation Method Based on Convolution Neural Network and Super Pixel Clustering[J]. Application Research of Computers， 2018（5）：1569.

[12]SONG Y， ZHANG L， CHEN S，et al. A Deep Learning Based Framework for Accurate Segmentation of Cervical Cytoplasm and Nuclei//2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society， Chicago， 2014.

[13]SONG Y， ZHANG L， CHEN S， et al. Accurate Segmentation of Cervical Cytoplasm and Nuclei Based on Multiscale Convolutional Network and Graph Partitioning[J]. IEEE Transactions on Biomedical Engineering， 2015， 62（10）：2421.

[14]LECUN Y， BENGIO Y， HINTON G. Deep Learning[J]. Nature， 2015， 521（7553）：436.

[15]HOU L， NGUYEN V， KANEVSKY A B， et al. Sparse Autoencoder for Unsupervised Nucleus Detection and Representation in Histopathology Images[J]. Pattern Recognition， 2019， 86： 188.

[16]RONNEBERGER O， FISCHER P， BROX T. U-Net： Convolutional Networks for Biomedical Image Segmentation[C]//International Conference on Medical Image Computing & Computer-assisted Intervention， 2015.

[17]JOHNSON J W. Adapting Mask-RCNN for Automatic Nucleus Segmentation[J]. Proceeding of the 2019 Computer Vision Conference， 2018，2：1.

[18]NANDAL A， BHASKAR V， DHAKA A. Contrast-based Image Enhancement Algorithm Using Grey-scale and Colour Space[J]. Iet Signal Processing， 2018， 12（4）：514.

[19]UEDA Y， KOGA T， MISAWA H， et al. Gradient-norm-based Histogram Equalization Taking Account of HSV Color Space Distribution[J]. Optical Review， 2017， 24（3）：1.

[20]SINGH U， ANJUM， QURESHI S， et al. Comparative Study Between Liquid-based Cytology & Conventional Pap Smear for Cytological Follow Up of Treated Patients of Cancer Cervix[J]. Indian Journal of Medical Research， 2018， 147（3）：263.

[21]DONOSER M， BISCHOF H. Efficient Maximally Stable Extremal Region （MSER） Tracking[C]//2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition， 2006， 1： 553.

[22]MATAS J， CHUM O， URBAN M， et al. Robust Wide-baseline Stereo from Maximally Stable Extremal Regions[J]. Image and Vision Computing， 2004， 22（10）： 761.

[23]TAREEF A， SONG Y， HUANG H， et al. Multi-pass Fast Watershed for Accurate Segmentation of Overlapping Cervical Cells[J]. IEEE Transactions on Medical Imaging， 2018， 99：1.

[24]CUPEC， FILKO R， NYARKO D， et al. Segmentation of Depth Images into Objects Based on Local and Global Convexity[C]// Proceedings of the European Conference on Mobile Robotics， 2017.

[25]JACCARD P. The Distribution of the Flora in the Alpine Zone[J]. New Phytologist， 1912， 11（2）： 37.

（編輯：溫澤宇）

收稿日期： 2019-09-06

基金項(xiàng)目： 國(guó)家自然科學(xué)基金面上項(xiàng)目（61673142）;黑龍江省自然科學(xué)基金杰出青年項(xiàng)目（JJ2019JQ0013）;哈爾濱市杰出青年人才基金（2017RAYXJ013）;黑龍江省自然科學(xué)基金面上項(xiàng)目（F2017013）;黑龍江省普通本科高等學(xué)校青年創(chuàng)新人才項(xiàng)目（UNPYSCT-2016034）.

作者簡(jiǎn)介：

張雪媛（1994—），女，碩士;

邵慧麗（1994—），女，碩士.

通信作者：

何勇軍（1980—），男，教授，博士研究生導(dǎo)師，E-mail：holywit@163.com.