本发明涉及显微图像分割技术，本发明公开了一种全自动神经嵴细胞显微图像分割系统及方法。
背景技术：
现有技术一般使用分水岭算法对神经嵴细胞显微图像进行图像分割。该方法一般包含三个步骤：
（1）采集神经嵴细胞的原始显微图像。每次采样可以得到两张图片，一张为细胞质图，另一张为细胞核图。
（2）用细胞质图与细胞核图的对应关系对每个神经嵴细胞进行定位。在定位过程中，单独存在的细胞核为细胞质已萎缩的濒死细胞，不予考虑；细胞核与细胞质同时存在的细胞为健康的细胞，予以定位；细胞核不存在，只有细胞质存在的细胞为不健全细胞，不予考虑。
（3）对于已经定位的细胞，使用它们的细胞核作为种子点，并且应用分水岭算法进行图像分割。
采用分水岭算法进行图像分割存在以下的问题：
a.分水岭算法对于微弱的边缘特征有较高的响应，图像中的噪声以及边缘的灰度变化，都会产生过度分割的现象。同一个细胞图像如果内部有一定的噪声或者较大的灰度值改变，通过分水岭算法会将其分割开来，因此得到细胞个数比真实情况往往偏多，不利于精确地分割神经嵴细胞。
b. 分水岭算法属于基于区域的分割算法，通过每个区域最小位置进行分水岭的模拟，进行“水坝”边界的确定，让“水”匀速地从低到高淹没整个地形，当所有汇聚盆地中的水将要汇聚时，用“水坝”阻止聚合，得到分割面，因此对于细胞图像的边缘特征未能准确地把握，不能很好的描绘细胞的边缘曲线，导致最终得到的细胞边缘基本都是直边，与细胞实际具有的曲边有很大的形态差异。
技术实现要素：
本发明的目的是针对现有技术中的图像分割方法存在细胞个数比真实情况多以及细胞边缘形态与真实差异大的技术问题，本发明公开了一种全自动神经嵴细胞显微图像分割系统及方法。
本发明的技术方案如下：
本发明公开了一种对显微图像进行全自动分割的方法，包括以下的具体步骤：步骤一、构建有标注的二值背景真值图，采用人工标注的方法对原始图像进行手工分割；步骤二、使用传统的归一化割分割方法对显微图像进行分割；步骤三、结合步骤一中的图像对步骤二中传统的归一化割图像分割方法中的参数进行调整和优化，实现有监督的归一化割分割方法，当使用归一化割图像分割方法对显微图像进行自动分割时，采用人工标注的二值背景真值图进行参数优化。通过上述方法解决了现有技术图像过分割与直边的问题。
更进一步地，上述步骤三具体为：让的值达到最大；一幅图像被分割为两个部分A和B，其中代表分割的图像与标注的图像的相似度，代表采用传统归一化割图像分割方法中的分割准则。而本发明提出的目标函数中不仅包含现有分割技术的准则，而且包含了相似度准则，这个相似度准则衡量采用了有监督学习的方法，利用有标注的二值背景真值图和分割得到的整图进行相似度比较，用以调整现有分割技术中的参数。
更进一步地，上述让的值达到最大的过程具体为： 利用逐步收敛法遍历上述参数、，得到最优参数设置，使得上面式子S（A，B）的值最大，并以此参数按照现有归一化割分割方法进行细胞图像分割。
更进一步地，上述让的值达到最大的过程具体为： 利用网格搜索法遍历上述参数、，得到最优参数设置，使得上面式子S（A，B）的值最大，并以此参数按照现有归一化割分割方法进行细胞图像分割。
更进一步地，上述让的值达到最大的过程具体为： 利用交叉验证法遍历上述参数、，得到最优参数设置，使得上面式子S（A，B）的值最大，并以此参数按照现有归一化割分割方法进行细胞图像分割。
更进一步地，上述让的值达到最大的过程具体为： 利用雅可比法、粒子群优化方法或者遗传算法遍历上述参数、，得到最优参数设置，使得上面式子S（A，B）的值最大，并以此参数按照现有归一化割分割方法进行细胞图像分割。
本发明还公开了一种对显微图像进行全自动分割的系统，其具体包括：人工分割单元、传统归一化割分割单元和参数优化单元；所述人工分割单元用于构建有标注的二值背景真值图，采用人工标注的方法对原始图像进行手工分割；所述传统归一化割分割单元用于使用传统的归一化割分割方法对显微图像进行分割；所述参数优化单元用于对传统的归一化割图像分割方法中的参数进行调整和优化，实现有监督的归一化割分割方法，当使用归一化割图像分割方法对显微图像进行自动分割时，采用人工标注的二值背景真值图进行参数优化。通过上述系统解决了现有技术图像过分割与直边的问题。
通过采用以上的技术方案，本发明的有益效果是：本发明加强了神经嵴细胞显微图像方法分割的精度与智能程度，形成了一套全自动的细胞检测与分类流程。解决了现有技术图像过分割与直边的问题。本发明提出的分割方法由于采用了有监督的标注数据进行参数学习，得到的细胞分割图分割次数合理，而且细胞的边缘准确清晰，也没有很小的噪声图像出现，同时得到了更接近真实效果的细胞曲边。因此加入了有监督地标注数据，采用机器学习的方法可以从分割精度和智能程度上提高细胞图像的分割性能。对于神经嵴细胞的医疗图片数据库的81张图片，共计6000余细胞进行检测与图像分割测试，本发明获得了92.4%的相似度，50.3%的敏感度，96.0%的特异性，92.2%的正确分割比，体现了本发明的实用性能。由于本发明是一种有监督的图像分割技术，采用了有标注的细胞图像二值背景真值图（ground truth images）对分割参数进行调整和优化，分割过程自动遵循实际标注数据的分割情况，使分割结果更加符合细胞图像的实际分离情况，在一定程度上缓解了过分割（over-segmentation）和边缘直边的问题。
具体实施方式
下面详细说明本发明的具体实施例。当使用归一化割图像分割方法对显微图像进行自动分割时，采用了人工标注的二值背景真值图进行参数优化。
采用了人工标注的二值背景真值图进行参数优化主要通过结合传统归一化割图像分割方法中的分割准则和相似性分割准则，通过最大化这个分割准则优化传统归一化割图像分割方法中的参数。
结合传统归一化割图像分割方法中的分割准则和相似性分割准则，其中相似性分割准则具体指的是分割过程中的分割结果和人工标注的二值背景真值图之间的像素点相似度，相似度越大说明自动分割结果越符合实际分割情况，相似度越小说明分割结果越偏离实际分割情况。
本发明公开了一种将显微图像进行全自动分割的方法，其利用人工标注的二值背景真值图、利用传统归一化割分割方法进行图像分割、结合传统归一化割分割方法中的准则和相似度准则、以及利用二值背景真值图调整和优化传统归一化割分割方法在分割过程中的参数，这种方法采用了有监督学习的思想，使用有标注的数据进行参数的学习和优化，最终得到的分割方法可以有效对显微图像进行分割，提高了传统归一化割分割方法的准确性。
本发明公开了一种全自动神经嵴细胞显微图像分割方法，其具体包括以下的步骤：
步骤一、采集原始神经嵴细胞显微图片用于系统训练。本实施例采用了81张图片，共计6000余神经嵴细胞的医疗图片数据库进行系统训练，每张图片大小为512x512像素。进一步，用细胞质图与细胞核图的对应关系对每个神经嵴细胞进行定位。在定位过程中，单独存在的细胞核为细胞质已萎缩的濒死细胞，不予考虑；细胞核与细胞质同时存在的细胞为健康的细胞，予以定位；细胞核不存在，只有细胞质存在的细胞为不健全细胞，不予考虑。
步骤二、对于已经定位的细胞，使用它们的细胞核作为种子点，并且应用有监督的归一化割图像分割方法对神经嵴细胞图像进行分割，有监督的归一化割图像分割方法的具体实施过程如下。
首先，以现有的分割技术“归一化割图像分割”（Normalized Cut Segmentation，NCS）为基础进行图像分割，NCS的方法是一种基于图论的图像分割方法，将一幅图像按照图论的方式分割为若干子图，这些子图之间互不相交。其中，用每个像素点（pixel）作为图中的一个顶点（node），再用每两个顶点中的连线作为图的一条边（edge），最后保留相似顶点之间的边并切断（cut）不相似顶点间的边，得到最终的图像分割结果。，其中代表两个图像和之间的像素点相似度，代表NCS方法中的分割准则，总的来说，分割的结果应该让上面式子的值达到最小，也即分割的图像与标注图像相似度最大，而且NCS的准则达到最小。具体实施过程如下：假设一幅图像被分割为两个部分A和B，那么定义目标函数，其中代表这两个分割部分的相似度，这种相似度用两幅图像的像素点之间的重合程度来衡量，两幅图像的像素点重合程度越高，则它们的相似度越大。代表现有分割技术“归一化割图像分割”中的分割准则，这个值越小，代表分割后的图像越准确；而本发明提出的目标函数中不仅包含现有分割技术的准则，而且包含了相似度准则，这个相似度准则衡量采用了有监督学习的方法，利用有标注的二值背景真值图（binary ground truth images）和分割得到的整图进行相似度比较，用以调整现有分割技术中的参数。总的来说，分割的结果应该让上面式子的值达到最大，也即分割的图像与标注图像（Ground Truth图）相似度最大，而且NCS的准则达到最小。
其次，初始化两类参数，分别是现有分割技术NCS中的结点权重参数以及描述分割算法稳定性的参数，对原始细胞图像按照现有NCS技术进行分割，并对分割后的图像求取上面目标函数式子的值S（A，B）。
最后，利用逐步收敛法遍历上述参数、，得到最优参数设置，使得上面式子S（A，B）的值最大，并以此参数按照现有NCS技术进行细胞图像分割。
本发明提出了利用有标注的二值背景真值图（binary ground truthimages）优化现有NCS分割技术中的参数的有监督分割方法，进行全自动神经嵴细胞图像分割的设计理念和设计方案。
上述的逐步收敛方法可以用以下的方法替换。
用网格搜索（grid search）代替逐步收敛方法，进行SNCS的最优参数选择。
用交叉验证（cross validation）方法代替逐步收敛方法，进行SNCS的最优参数选择。
用雅可比（Jacobi）方法代替逐步收敛方法，进行SNCS的最优参数选择。用粒子群优化（Particle Swarm Optimization）方法代替逐步收敛方法，进行SNCS的最优参数选择。
用遗传算法（Genetic Algorithms）方法代替逐步收敛方法，进行SNCS的最优参数选择。
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。本说明书（包括任何附加权利要求和摘要）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。