在胸水荧光图像中分割细胞的方法和装置与流程

本发明涉及一种计算机及软件技术领域，具体涉及一种在胸水荧光图像中分割细胞的方法和装置。

背景技术：

载玻片的胸水荧光图像共有三个通道，分别为apc，pe，fitc。apc最大吸收为630nm-650nm，发射波长为660nm，颜色大致为红色。pe最大吸收490nm-560nm，发射波长574nm，颜色大致为橙黄色。fitc最大吸收波长488nm，最大发射波长530nm，颜色大致为绿色。一个胸水荧光图像中的总细胞数目通常在2-20万个，胸水细胞的形态学特点是圆形，以及直径大小在6um到35um之间。现有技术的胸水细胞分割算法模型过于简单，分割效果差。

技术实现要素：

有鉴于此，本发明提供一种更加全面周到、准确率高的在胸水荧光图像中分割细胞的方法和装置，能够解决上述现有技术的技术问题。

为实现上述目的，根据本发明的一个方面，提供了一种在细胞荧光图像中分割细胞的方法，包括：a：对细胞荧光图像进行整图级别的、基于自适应阈值分割算法的初级分割；b：在初级分割结果中进行关于尺寸条件和曲率条件的第一筛选，得到初级确定数据集、初级待定数据集；c：对所述初级待定数据集对应的局部图像进行局部图像级别的、基于灰度阈值分割算法的二次分割；d：在二级分割结果中进行关于尺寸条件和曲率条件的第二筛选，得到二级确定数据集、二级待定数据集；e：在所述二级待定数据集对应的局部图像中进行局部图像级别的、基于分水岭分割算法的三次分割；f：对三次分割结果中进行关于尺寸条件和曲率条件的第三筛选，得到三级确定数据集；g：将所述初级确定数据集、所述二级确定数据集和所述三级确定数据集合并，以得到细胞分割结果数据集然后输出。

可选地，在所述步骤a之前还包括：对所述细胞荧光图像进行中值滤波处理和对比度受限直方图均衡化处理。

可选地，步骤a中自适应阈值分割算法涉及两个参数：窗口尺寸block_size和偏值offset，当所述细胞荧光图像为细胞荧光apc通道图像时，block_size取值65，offset取值-33；当所述细胞荧光图像为细胞荧光pe通道图像时，block_size取值51，offset取值-33；所述细胞荧光图像为细胞荧光fitc通道图像时，block_size取值111，offset取值-35。

可选地，所述步骤c包括：对所述初级待定数据集中的细胞，首先根据该细胞对应的初级分割结果mask生成一个贴合矩形框，然后将贴合矩形框沿四周延展预设扩展宽度得到扩展矩形框；利用所述扩展矩形框在细胞荧光图像img以及初级分割mask上裁剪出小块图像img和msk_local，并且用扩展矩形框从1-(mask-mask)上裁剪出mask2，然后计算img*msk2以得到细胞局部图像img_local；对所述细胞局部图像img_local进行基于灰度阈值分割，灰度阈值按如下公式计算：threshold＝mean+k*std，其中mean表示img_local的灰度均值，std表示img_local的灰度标准差，k为预设系数。

可选地，所述进行关于尺寸条件和曲率条件的第一筛选为：若细胞的尺寸小于细胞最小尺寸，则舍弃该细胞；若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入所述初级确定数据集；其他情况，则将细胞放入所述初级待定数据集；所述进行关于尺寸条件和曲率条件的第二筛选为：若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入所述二级确定数据集；其他情况，则将细胞放入所述二级待定数据集；所述进行关于尺寸条件和曲率条件的第三筛选为：若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入所述三级确定数据集。

为实现上述目的，根据本发明的另一个方面，还提出一种在细胞荧光图像中分割细胞的装置，其特征在于，包括：初级分割模块，用于对细胞荧光图像进行整图级别的、基于自适应阈值分割算法的初级分割；初级筛选模块，用于在初级分割结果中进行关于尺寸条件和曲率条件的第一筛选，得到初级确定数据集、初级待定数据集；二级分割模块，用于对所述初级待定数据集对应的局部图像进行局部图像级别的、基于灰度阈值分割算法的二次分割；二级筛选模块，用于在二级分割结果中进行关于尺寸条件和曲率条件的第二筛选，得到二级确定数据集、二级待定数据集；三级分割模块，用于在所述二级待定数据集对应的局部图像中进行局部图像级别的、基于分水岭分割算法的三次分割；三级筛选模块，用于对三次分割结果中进行关于尺寸条件和曲率条件的第三筛选，得到三级确定数据集；合并输出模块，用于将所述初级确定数据集、所述二级确定数据集和所述三级确定数据集合并，以得到细胞分割结果数据集然后输出。

可选地，还包括：预处理模块，用于对所述细胞荧光图像进行中值滤波处理和对比度受限直方图均衡化处理。

可选地，初级分割模块中自适应阈值分割算法涉及两个参数：窗口尺寸block_size和偏值offset，当所述细胞荧光图像为细胞荧光apc通道图像时，block_size取值65，offset取值-33；当所述细胞荧光图像为细胞荧光pe通道图像时，block_size取值51，offset取值-33；所述细胞荧光图像为细胞荧光fitc通道图像时，block_size取值111，offset取值-35。

可选地，所述二级分割模块用于：对所述初级待定数据集中的细胞，首先根据该细胞对应的初级分割结果mask生成一个贴合矩形框，然后将贴合矩形框沿四周延展预设扩展宽度得到扩展矩形框；利用所述扩展矩形框在细胞荧光图像img以及初级分割mask上裁剪出小块图像img和msk_local，并且用扩展矩形框从1-(mask-mask)上裁剪出mask2，然后计算img*msk2以得到细胞局部图像img_local；对所述细胞局部图像img_local进行基于灰度阈值分割，灰度阈值按如下公式计算：threshold＝mean+k*std，其中mean表示img_local的灰度均值，std表示img_local的灰度标准差，k为预设系数。

可选地，所述第一筛选模块用于：若细胞的尺寸小于细胞最小尺寸，则舍弃该细胞；若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入所述初级确定数据集；其他情况，则将细胞放入所述初级待定数据集；所述第二筛选模块用于：若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入所述二级确定数据集；其他情况，则将细胞放入所述二级待定数据集；所述第三筛选模块用于：若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入所述三级确定数据集。

根据本发明的在胸水荧光图像中分割细胞的方法和装置，采用了三重分割以及筛选技术方案，从整体图像到局部图像块进行分割提取疑似细胞，然后以尺寸条件和曲率条件为筛选条件，陆续筛选出了离散易识别的细胞、有邻近细胞的可识别的细胞、粘连的难识别的细胞，识别结果具有全面无疏漏的优点。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1为本发明实施例的在胸水荧光图像中分割细胞的方法的流程示意图；

图2为本发明实施例的在胸水荧光图像中分割细胞的装置的结构示意图；

图3是本发明实施例的中值滤波处理的示意图；

图4是本发明实施例的对比度受限直方图均衡化处理的示意图；

图5是本发明实施例的图像不同区域的背景亮度不同的示意图；

图6是本发明实施例的apc、pe、fitc三个通道分别进行初级分割的结果示意图；

图7是本发明实施例的局部细胞采样的示意图；

图8是本发明实施例的非细胞分割结果的示意图；

图9是本发明实施例的黏连细胞分割的示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1为本发明实施例的在胸水荧光图像中分割细胞的方法的流程示意图。如图1所示，该方法可以包括如下的步骤a至步骤g。

a：对细胞荧光图像进行整图级别的、基于自适应阈值分割算法的初级分割。

b：在初级分割结果中进行关于尺寸条件和曲率条件的第一筛选，得到初级确定数据集、初级待定数据集。

c：对初级待定数据集对应的局部图像进行局部图像级别的、基于灰度阈值分割算法的二次分割。

d：在二级分割结果中进行关于尺寸条件和曲率条件的第二筛选，得到二级确定数据集、二级待定数据集。

e：在二级待定数据集对应的局部图像中进行局部图像级别的、基于分水岭分割算法的三次分割。

f：对三次分割结果中进行关于尺寸条件和曲率条件的第三筛选，得到三级确定数据集。

g：将初级确定数据集、二级确定数据集和三级确定数据集合并，以得到细胞分割结果数据集然后输出。

可选地，本发明实施例的在胸水荧光图像中分割细胞的方法中，在步骤a之前还包括：对细胞荧光图像进行中值滤波处理和对比度受限直方图均衡化处理。

可选地，本发明实施例的在胸水荧光图像中分割细胞的方法中，步骤a中自适应阈值分割算法涉及两个参数：窗口尺寸block_size和偏值offset，当细胞荧光图像为细胞荧光apc通道图像时，block_size取值65，offset取值-33；当细胞荧光图像为细胞荧光pe通道图像时，block_size取值51，offset取值-33；细胞荧光图像为细胞荧光fitc通道图像时，block_size取值111，offset取值-35。

可选地，本发明实施例的在胸水荧光图像中分割细胞的方法中，步骤c包括：对初级待定数据集中的细胞，首先根据该细胞对应的初级分割结果mask生成一个贴合矩形框，然后将贴合矩形框沿四周延展预设扩展宽度得到扩展矩形框；利用扩展矩形框在细胞荧光图像img以及初级分割mask上裁剪出小块图像img和msk_local，并且用扩展矩形框从1-(mask-mask)上裁剪出mask2，然后计算img*msk2以得到细胞局部图像img_local；对细胞局部图像img_local进行基于灰度阈值分割，灰度阈值按如下公式计算：threshold＝mean+k*std，其中mean表示img_local的灰度均值，std表示img_local的灰度标准差，k为预设系数。

可选地，本发明实施例的在胸水荧光图像中分割细胞的方法中，进行关于尺寸条件和曲率条件的第一筛选为：若细胞的尺寸小于细胞最小尺寸，则舍弃该细胞；若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入初级确定数据集；其他情况，则将细胞放入初级待定数据集；进行关于尺寸条件和曲率条件的第二筛选为：若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入二级确定数据集；其他情况，则将细胞放入二级待定数据集；进行关于尺寸条件和曲率条件的第三筛选为：若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入三级确定数据集。

图2为本发明实施例的在胸水荧光图像中分割细胞的装置的结构示意图。如图2所示，该装置包括：初级分割模块100、初级筛选模块200、二级分割模块300、二级筛选模块400、三级分割模块500、三级筛选模块600和合并输出模块700。

初级分割模块100用于对细胞荧光图像进行整图级别的、基于自适应阈值分割算法的初级分割。

初级筛选模块200用于在初级分割结果中进行关于尺寸条件和曲率条件的第一筛选，得到初级确定数据集、初级待定数据集。

二级分割模块300用于对初级待定数据集对应的局部图像进行局部图像级别的、基于灰度阈值分割算法的二次分割。

二级筛选模块400用于在二级分割结果中进行关于尺寸条件和曲率条件的第二筛选，得到二级确定数据集、二级待定数据集。

三级分割模块500用于在二级待定数据集对应的局部图像中进行局部图像级别的、基于分水岭分割算法的三次分割。

三级筛选模块600用于对三次分割结果中进行关于尺寸条件和曲率条件的第三筛选，得到三级确定数据集。

合并输出模块700用于将初级确定数据集、二级确定数据集和三级确定数据集合并，以得到细胞分割结果数据集然后输出。

可选地，本发明实施例的在胸水荧光图像中分割细胞的装置中，还包括：预处理模块，用于对细胞荧光图像进行中值滤波处理和对比度受限直方图均衡化处理。

可选地，本发明实施例的在胸水荧光图像中分割细胞的装置中，初级分割模块中自适应阈值分割算法涉及两个参数：窗口尺寸block_size和偏值offset，当细胞荧光图像为细胞荧光apc通道图像时，block_size取值65，offset取值-33；细胞荧光图像为细胞荧光pe通道图像时，block_size取值51，offset取值-33；细胞荧光图像为细胞荧光fitc通道图像时，block_size取值111，offset取值-35。

可选地，本发明实施例的在胸水荧光图像中分割细胞的装置中，二级分割模块用于：对初级待定数据集中的细胞，首先根据该细胞对应的初级分割结果mask生成一个贴合矩形框，然后将贴合矩形框沿四周延展预设扩展宽度得到扩展矩形框；利用扩展矩形框在细胞荧光图像img以及初级分割mask上裁剪出小块图像img和msk_local，并且用扩展矩形框从1-(mask-mask)上裁剪出mask2，然后计算img*msk2以得到细胞局部图像img_local；对细胞局部图像img_local进行基于灰度阈值分割，灰度阈值按如下公式计算：threshold＝mean+k*std，其中mean表示img_local的灰度均值，std表示img_local的灰度标准差，k为预设系数。

可选地，本发明实施例的在胸水荧光图像中分割细胞的装置中，第一筛选模块用于：若细胞的尺寸小于细胞最小尺寸，则舍弃该细胞；若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入初级确定数据集；其他情况，则将细胞放入初级待定数据集。第二筛选模块用于：若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入二级确定数据集；其他情况，则将细胞放入二级待定数据集。第三筛选模块用于：若细胞的尺寸大于细胞最小尺寸并且小于细胞最大尺寸并且曲率值小于曲率阈值，则将该细胞放入三级确定数据集。

根据本发明的在胸水荧光图像中分割细胞的方法和装置，采用了三重分割以及筛选技术方案，从整体图像到局部图像块进行分割提取疑似细胞，然后以尺寸条件和曲率条件为筛选条件，陆续筛选出了离散易识别的细胞、有邻近细胞的可识别的细胞、粘连的难识别的细胞，识别结果具有全面无疏漏的优点。

为使本领域技术人员更好地理解，下面结合具体实施例进行详细说明。

(1)图像预处理

由于图像采集过程中通常会有噪声产生，所以预处理第一步进行中值滤波处理，在降噪的同时也能保证较好的细胞轮廓，滤波结果如图3所示(由于原图尺寸过大2048像素×2048像素，图中只显示了局部区域)。由于原始图像对比度过低，很多细胞显现不明显，所以进一步进行对比度受限直方图均衡化(clahe)处理，处理后的结果如图4所示。

(2)细胞初级分割

由于图像不同区域的背景有所不同，参见图5，可以看出两个矩形框内的背景灰度值分布差异较大。因此这里采用自适应阈值分割(adaptivethresholding)算法进行细胞的初步分割，此算法需要两个参数，block_size和offset，其中，block_size表示用来计算阈值的区域大小，offset值用来微调计算出来的阈值。这里，三个通道的参数分别设置如下：apc通道：block_size＝65,offset＝-33；pe通道：block_size＝51,offset＝-33；fitc通道：block_size＝111,offset＝-35。自适应阈值分割的结果再进行形态学开运算，得到初级分割二值图像mask，如图6所示。

(3)细胞初级筛选

由于胸水细胞的形态学特点是圆形，以及直径大小在6um到35um之间(大致对应8像素到54像素之间)，这里设置三个参数size_min、size_max和circularity_th来修正步骤(2)的分割结果，其中，size_min＝8表示细胞的最小直径，size_max＝54表示细胞的最大直径，分割出的目标物的曲率值(circularity)，可由以下公式计算得到：

circularity＝c^2/4πs

其中，c表示目标物的周长，s表示目标物的面积，circularity∈[1,+∞)，circularity越接近1，表示目标物的形态越接近正圆，这里取circularity_th＝1.3。

对(2)的分割结果mask中的每一个小的分割结果进行如下条件判断：

ifcircularity<circularity_thandsize_min<size<size_max:

通过

elifsize<size_min:

丢弃

else:

进入下一步骤

(4)细胞二级分割。

需要说明但是，此步骤基于步骤(2)的分割结果进一步修正，主要处理黏连细胞和非细胞杂质。

首先需要生成细胞局部图像。具体地：对步骤(3)中需要进行二阶段处理的细胞，首先根据该细胞对应的mask(mask是细胞分割结果，是一个和原图尺寸一致的二值图像，背景值为0，细胞值为1)生成一个贴合矩形框box，记其在原图上的坐标为(x,y,w,h)，其中x,y为矩形框左上角点的坐标，w,h为矩形框的长宽。将该矩形框沿四个方向延伸20像素得到box2，利用box2在(1-2)预处理过的图像img以及mask上裁剪出小块图像img和msk_local，为了避免与该细胞相临近的细胞干扰该细胞的二次分割，利用box2从1-(mask-mask)上裁剪出mask2，然后img*msk2得到img_local，此img_local作为该细胞的待分割图像，如图7所示。

然后进行灰度阈值分割。具体地：对细胞初级分割过程中生成的细胞局部图像img_local进行细胞分割，阈值按如下公式计算：

threshold＝mean+k*std

其中，mean表示img_local的灰度均值，std表示img_local的灰度标准差，k为参数，取k＝0.5。

(5)细胞二级筛选

ifcircularity<circularity_thandsize_min<size<size_max:

通过

else：

进入下一步骤

可选地，还可以插入如下的判断过程：对灰度阈值分割的结果再进行形态学开运算得到二值图msk_local2，对msk_local2里的每一个分割出来的结果进行如下判断：

ifsum(msk_local*msk_local2)＝＝0orsum(msk_local2)>2*sum(msk_local):

丢弃

需要说明的是，当sum(msk_local*msk_local2)＝＝0成立时，说明，两次分割结果是完全不一样的，这种情况下基本可以判断出分割出的不是细胞，可能是杂质之类。当sum(msk_local2)>2*sum(msk_local)成立时，也说明两次分割出的结果相差较大，也能够基本排除细胞的可能性。可以参考图8进行理解。

(6)细胞三级分割

对步骤(5)中筛选出来需要进行分水岭分割的细胞进行分水岭分割得到二值结果图msk_local3，分割效果如图9所示。

(7)细胞三级筛选

对msk_local3里的每一个分割结果进行如下判断：

ifcircularity<circularity_thandsize_min<size<size_max:

通过

else：

丢弃

(8)合并前面三次筛选过程中通过筛选的细胞数据集，然后输出。

以上结合具体实施例描述了本发明的基本原理，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。