一种无监督式的宫颈细胞图像自动分割方法及系统与流程

本发明涉及医学细胞图像处理领域，具体涉及一种无监督式的宫颈细胞图像自动分割方法及系统。

背景技术：

宫颈细胞人工智能辅助阅片本身对于减轻阅片工作者的劳动强度、提升阅片准确率和工作效率、应用于大批量的宫颈癌细胞学普查等方面将产生积极的作用，其遵循医疗市场的发展规律与需要，符合国家健康医疗大数据的研究布局。从宫颈细胞图像中精确定位每个细胞的细胞质和细胞核，并把二者从整个图像中分割出来，是实现宫颈细胞人工智能辅助阅片的重要基础。

针对宫颈细胞如何进行分割是一个值得探讨的问题，细胞图像往往存在细胞重叠粘连、染色颜色不一致以及背景含有杂质的问题，多种分割技术已经应用到宫颈细胞图像的分割算法中。考虑到背景、细胞质区域、细胞核区域在色彩、灰度值、纹理等方面存在区分性，基于像素分类的分割方法应用到宫颈细胞学液基涂片图像的分割中，但此方法无法解决重叠细胞的问题；另外一种基于细胞核边界局特征和细胞核形状特征的重叠细胞核分割方法，基于物理原则的形变模型，经过迭代形变直到收敛，最终确定重叠细胞核的轮廓，但该方法没有针对细胞质区域进行处理，只完成了细胞核的检测分割；目前世界各地的医学图像分析组正在迅速进入深度学习领域，并将卷积神经网络和医学图像处理方法广泛的应用于医疗影像领域，国外研究学者针对脑肿瘤病理切片使用像素级分割的卷积神经网络得到了理想的结果，但是该方法对重叠细胞以及较小的细胞核的分割也存在一定问题。

由于涂片染色不均匀、染色不一致、不均匀光照、细胞重叠、杂质干扰(包括：微生物、细胞碎片、血液、污染物等)的原因，针对宫颈细胞的分割研究尚未有有效的方法，目前任何一种基于单一特征的算法都难以获得满意的结果，亟待针对实际应用研究建立针对特殊组织的有效分割方法。

技术实现要素：

本发明的目的在于克服目前宫颈细胞分割存在的上述问题，提供一种无监督式的宫颈细胞图像自动分割方法，能够解决单个独立细胞与重叠的团簇细胞的分割问题。该发明结合了医学图像处理、宫颈液基细胞学领域知识、深度学习算法、机器学习算法、大数据列式存储等多项技术，充分利用宫颈细胞形态结构信息、空间邻域信息和颜色分布信息建立准确的细胞图像分割。

为了解决上述目的，本发明提供了一种无监督式的宫颈细胞图像自动分割方法，所述方法包括：

步骤1)对宫颈细胞图像进行预处理；

步骤2)对预处理后的细胞图像进行前背景粗分割，提取细胞所属的区域；

步骤3)对粗分割后的细胞图像进行细胞成分的检测分割，使用快速区域卷积神经网络分割出不同类型的细胞；

步骤4)检测并分割宫颈细胞细胞核；

步骤5)根据细胞核的特征参数筛选细胞核，得到最终的候选细胞核；

步骤6)判断步骤3)中得到的细胞类型是否为细胞团簇，如果不是，则使用活动轮廓模型以及先验模板进行细胞质区域的分割；否则，转入步骤7)；

步骤7)综合细胞核与细胞质的分割结果与领域知识进行后处理，完成整个宫颈细胞的有效分割。

上述技术方案中，所述步骤1)的预处理包括：采用双边滤波器对图像进行去噪，该滤波器是由两个函数构成：一个函数是由几何空间距离决定滤波器系数，另一个由像素差值决定滤波器系数；然后使用形态学处理对图像的边缘进行修补，填充空洞并去除细的连接，最后使用直方图均衡化来增加细胞核与细胞质的对比度。

上述技术方案中，所述快速区域卷积神经网络选用卷积神经网络的vgg16的网络结构，输入图像的大小为515*512，最终细胞成分的检测类别分为5类：鳞细胞、腺细胞、颈管细胞、化生细胞以及背景素质，除鳞细胞和背景素质外的细胞成分都定义为不可分的细胞团簇。

上述技术方案中，于所述步骤4)的具体实现过程为：

采用改进的随机森林的算法，通过提取细胞核的5种特征进行细胞核区域的分割；使用多尺度分水岭算法进行细胞核的检测，通过选取5种不同的参数进行合并，将待分割图像分为合并程度高和合并程度低的不同尺度的细胞图像，再将两者的检测到的结果结合起来，作为细胞核的候选区域。

上述技术方案中，所述步骤6)中的使用活动轮廓模型以及先验模板进行细胞质区域的分割的具体过程为：

采用了改进的活动轮廓模型，加上能量函数以及形状先验信息，迭代地进行轮廓的优化，得到细胞质的精确边界；

能量函数e(u)为：

e(u)＝λ1es(u)+r(u)(2)

其中es(u)是形状先验，r(u)是正则项，用于保证分割边界的平滑性，λ1为可学习的参数；形状先验es(u)为：

其中，h为黑塞矩阵。

上述技术方案中，所述步骤7)的后处理为：使用医学图像处理中的形态学操作对图像的边缘进行修补，填充空洞并去除细的连接，从而得到最终的精准边界信息。

一种无监督式的宫颈细胞图像自动分割系统，包括存储器、处理器和存储在存储器上的并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述方法的步骤。

本发明的有益效果是：

1、本发明的提出的方法是采用无监督式的全自动分割，不仅解决了单个的细胞的分割问题，还部分解决了细胞团簇的有效分割问题。该无监督式的全自动分割方法可以用做医疗影像中细胞图像分割的通用框架，适用于各种质量的宫颈细胞液基涂片。根据不同种类和不同厂家的液基涂片只需对模型的超参数进行调整，即可得到理想的分割结果；

2、针对腺细胞与出血坏死的背景素质等不可分的细胞团簇，本发明将人工智能与医疗影像有效的结合到一起，采用了深度学习的快速区域卷积神经网络模型，训练针对细胞团簇专有的卷积神经网络模型，从而完成从液基涂片细胞图像中将不可分的细胞团簇区域筛出；

3、本发明的提出的无监督式的全自动分割方法里面结合了宫颈细胞学的领域知识以及细胞特征，解决了宫颈细胞分割的准确率低，细胞团簇区域不能有效分割的问题。

附图说明

图1为本发明的无监督式的宫颈细胞图像自动分割方法的流程图；

图2为本发明的细胞成分检测流程图；

图3为本发明的细胞核检测分割流程图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

如图1所示，一种无监督式的宫颈细胞图像自动分割方法，解决了宫颈细胞分割的准确率低，细胞团簇的有效分割的问题，所述方法包括：

步骤1)对宫颈细胞图像进行预处理，具体过程为：采用双边滤波去噪，形态学处理和直方图均衡化来增强细胞边缘和增加对比度；

针对宫颈细胞的背景杂乱性，采用双边滤波去噪，该滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。本发明中参数的设置w为5，方差sigma采用[50.3]；然后使用形态学处理对图像的边缘进行修补，填充空洞并去除细的连接，主要采用开操作和闭操作，其中模板的参数设置为[55]的大小；最后使用直方图均衡化来增加细胞核与细胞质的对比度。

步骤2)对上述预处理后的细胞图像，进行前背景粗分割，提取细胞所属的区域；

采用9个阈值进行整个细胞图像的噪声的去除；然后采用sift边缘检测和多尺度分水岭算法得到前景区域，sift对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；最后针对分割出的区域进行优化微调，采用k均值聚类算法将邻近的像素合并，本发明聚类算法的团簇数选择为3，即分为细胞质、细胞核和背景三个类别。

步骤3)对粗分割后的细胞图像进行细胞成分的检测分割，使用快速区域卷积神经网络分割出不同类别的细胞及背景素质；

如图2所示，首先针对训练样本进行数据的清洗整理，再采用深度学习算法中的快速区域卷积神经网络进行细胞成分的检测分割。其训练阶段选择端到端的训练方式，模型选用了卷积神经网络的vgg16的网络结构，输入图像的大小为515*512，最终细胞成分的检测类别分为5类：鳞细胞、腺细胞、颈管细胞、化生细胞以及背景素质，本发明中将除鳞细胞外的四种类别的细胞成分都定义为不可分的细胞团簇。考虑到人工智能辅助阅片后续的分级识别步骤，此处将不可分的细胞团簇区域详细分为腺细胞、颈管细胞、化生细胞以及背景素质四类，其中背景素质不属于细胞范畴，不参与后续的分级识别。

步骤4)检测并分割宫颈细胞细胞核；

如图3所示，采用了改进的随机森林的算法，通过提取细胞核的5种特征进行细胞核区域的分割，森林中树的个数选择20，每次选择最优特征时的特征个数选择为logn，叶子节点的最小个数选择为3；

为了防止漏掉细胞核区域又辅以多尺度分水岭算法进行细胞核的检测，通过选取5种不同的参数进行合并，将待分割图像分为合并程度高和合并程度低的不同尺度的细胞图像，再将两者的检测到的结果结合起来，作为细胞核的候选区域。

步骤5)根据细胞核的特征参数筛选细胞核，得到最终的候选细胞核；

如图3所示，依据了细胞核的特征参数，包含细胞核大小，细胞核的圆形度，细胞核的深度可计算特征。例如细胞核的大小的参数是通过直接计算细胞核区域边界内的像素的总和来表示，具体做法如式1。

其中f(x,y)为二值图像上某点(x,y)的像素值，取值为1时表示该像素点属于目标区域，取值为0时表示该像素点属于背景区域,其面积就是统计f(x,y)为1的像素个数。

步骤6)判断步骤3)中得到的细胞类型是否为细胞团簇，如果不是，则使用活动轮廓模型以及先验模板进行细胞质区域的分割；否则，转入步骤7)；

采用了改进的活动轮廓模型，加上能量函数以及形状先验信息，迭代的进行轮廓的优化，得到细胞质的精确边界；

能量函数e(u)为：

e(u)＝λ1es(u)+r(u)(2)

其中es(u)是本发明提出使用的形状先验，r(u)是正则项，保证分割边界的平滑性，λ1为可学习的参数；形状先验es(u)为：

其中h为黑塞矩阵(hessianmatrix)。

步骤7)综合细胞核与细胞质的分割结果与领域知识进行后处理，完成整个宫颈细胞的有效分割。

针对上述步骤的分割结果进行后处理，主要使用医学图像处理中的形态学操作对图像的边缘进行修补，填充空洞并去除细的连接，主要采用开操作和闭操作，其中模板的参数设置为[33]的大小，以及滤波去噪等方法进行边界的平滑，其中参数的设置w为2，方差sigma采用[20.1]，从而得到最终的精准边界信息。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。