细胞分割方法综述
摘要：显微图像定量分析已广泛用于病理诊断、病理管理系统、癌变分级分类等多方面的医学研究领域。细胞区分割提取是一个重要技术，直接关系诊断的可靠性，也是医学图像处理的难题。文章对各种细胞分割方法进行了系统的论述，并分析了各种方法的优缺点。
关键词：细胞分割；医学图象；数学形态学；细胞粘连
一、绪论
所谓细胞分割是指根据灰度、彩色、几何形状等特征把细胞图像划分成若干个互不相交的区域，使得这些特征在同一区域中，表现出一致性或相似性，而在不同区域间表现出明显的不同。细胞分割是医学图象处理中最为基础和重要的领域之一，它是对细胞图像进行识别和计数的基本前提。同时它也是一个经典难题，到目前为止不存在一种通用且高效的分割方法能够广泛的应用在细胞分割中。
二、传统细胞图像分割技术
（一）阈值分割
阈值分割是一种传统的图像分割方法，它实现简单、计算量小、性能较为稳定，尤其适合于目标和背景占据不同灰度级范围的图像。在很多情况下，是进行细胞分割、细胞识别之前必要的图像预处理过程。Shirin Nasr-Isfahani等提出的一种聚堆细胞的新方法中，就是先使用组合图像分割算法和阈值分割来提取前景对象并转化为二值图像的。阈值分割法的主要局限在于，最简单形式的阈值法只能产生二值图像来区分两个类，而且它只考虑像素本身，一般都不考虑图像的空间特性，这样就对噪声很敏感。
（二）基于边缘检测的方法
边缘检测的目的是标识数字图像中亮度变化明显的点。它可以快速准确地找到边缘，从而通过边缘确定区域内的灰度或颜色信息，从而达到对图像的快速分割。边缘点的判定是基于所检测点的本身和它的一些邻近点，主要包括局部微分算子，如Roberts梯度算子、Sobel梯度算子和Canny算子等。Roberts梯度算子有利于对具有陡峭边缘的低噪声图像的分割；Laplacian算子具有各向同性的特点；Prewitt梯度算子、Sobel梯度算子等有利于对具有较多噪声且灰度渐变图像的分割。针对不同的细胞图像，还有许多其他不同的算子或方法来检测这些边缘点。如翁秀梅等人提出了一种利用相位一致性模型检测图像边缘，获得图像主要几何结构的方法。而李天钢等人将多尺度小波变换运用于胃癌细胞图像的边缘检测中，解决了具有复杂纹理的医学病理细胞图像的分割问题。一个好的边缘检测算子不仅具有微分特性以获得灰度变化信息，它还应该能够根据需要适合任何尺度下的边缘检测，因为图像中的灰度是以不同尺度发生变化的。实验发现，边缘检测方法获得的边缘信息往往会因这些信息不够突出而产生间隙，不能形成包围细胞的封闭曲线，这就要求根据这些离散的边缘点采用一定的跟踪、连接算法勾勒出有意义的细胞边界。
三、近年新发展细胞分割技术
近年来，研究者们为解决上述传统细胞分割中存在的问题对于各种新的细胞图像分割算法进行了深入的研究和使用，取得了许多令人鼓舞的成果。
（一）基于领域的方法
基于领域的方法是指连接具有相同或相似性质的邻近像素而得到分割图像的方法。这类方法需要一些先验知识，如种子像素、值和各种标准来定义彩色目标边界。其优点是使用了空间信息和像素间的关联。
1、区域生长和区域分裂和合并技术。翁秀梅等将代表区域分布的边界线作为潜在的区域模型，自动获得种子点进行区域生长来实现最后分割，分割结果对纹理细节有较好的鲁棒性，与人类视觉系统判断基本一致。饶洁利用区域增长法分割白细胞浆，从而从背景中提取白细胞的结果。赵晖、梁光明在边缘分割的基础上，利用差分算子分别求出细胞的灰度上升区域和下降区域，然后采用改进的区域增长法求出各自的区域数，最后通过BP神经网络进行训练和识别。这种方法运行速度快，识别率高，具有较好的实用价值。
2、分水岭分割方法。Shirin Nasr-Isfahani等在选择的分离区边界点使用分水岭算法来进行细胞分割。这种分割方式不需要细胞的大小、形状和颜色都很相近，也不需要接触点有大的差异，是一种先进的分割方法。Erlend Hodneland等提出了一个从三维荧光图像中进行细胞分割的统一的整体框架。过程包括：图像采集，预过滤，分水岭增强，细胞分割和分割评价。结果表明，这种结合最适合的显微镜方法的各个细胞类型有很高的成功率。同时，用分水岭变换和水平集模型两种彻底不同的方法分割染色细胞，并通过实验比较发现，分水岭算法由于突破了水平集地区的弱染色血浆具有更高的性能。
王兆仲、赵宇等在血细胞图像的自适应分割中将血细胞图像从RGB图像变换到HSV空间以清除图像中不具有饱和度信息的杂质，然后利用形态学重建滤波器作滤波，在保持边缘性质的同时滤掉脉冲干扰，最后运用分水岭变换完成图像分割。通过这种方法实现了低质量血细胞图像的自适应分割。整个方法具有很好的鲁棒性，分割结果令人满意，而且运行速度快。需要改进的地方在于如何提高低对比度图像中目标边缘分割的准确性。
（二）基于活动轮廓模型的方法
活动轮廓模型能将图像数据、初始轮廓的选取、目标轮廓特征以及知识的约束条件都集成在一个特征提取过程中。近年来的大量研究表明，主动轮廓线模型具有良好的提取和跟踪特定区域内目标轮廓的能力，因此比较适合用在细胞图像中。胡炯炯等人将B-Snake模型运用到细胞图像的自动分割中，利用形态学方法初始化活动轮廓，最后通过该模型成功地解决了细胞图像分割中细胞重叠地难题。
（三）结合特定理论工具的方法
1、基于mean shift过程的细胞图像分割。潘晨等首先通过mean shift过程寻找RGB颜色空间中的细胞核、红细胞和背景聚类峰，然后细胞核聚类峰和部分胞浆颜色组成正特征子集，而红细胞和背景聚类峰附近颜色组成负特征子集，训练一个两分类SVM，得到的分类模型随后对图像的颜色空间向量分类，实现细胞区域整体提取。该方法对图像颜色变化、染色条件差异等鲁棒性强，无过度分割现象。
2、基于小波变换的方法。近年来，小波变换在细胞图像分割中，得到广泛应用。万卫兵和施鹏飞为了适应培养细胞图像检测，提出了一种边缘检测综合算法。首先应用小波尺度独立边缘检测方法，得到简洁的边缘；然后采用图像融合的方法，结合Canny和动态聚类方法得到最终的细胞分割图。这种算法对于组织细胞的动态检测分割具有良好的效果。
四、细胞分割中亟须解决的问题
由于细胞图像的复杂性以及显微图像光照不均，目标物体本身灰度变化等问题，分割后的图像中还会存在一些问题，主要有细胞粘连、细胞重叠、孔洞现象等。因此下文将分别讲述针对细胞粘连、细胞重叠以及孔洞填充的具体解决方法。
（一）细胞粘连
在实际应用中，由于切片的制作和细胞本身的分布，在显微镜下可能有两个或多个细胞粘连在一起的现象，称之为细胞粘连（touch-ing）。粘连细胞的分割方法现在大多数以数学形态学理论为基础的，诸如腐蚀膨胀法，基于二值图像流域分割法和灰度图像的流域分割法等。基于二值图像的粘连细胞分割大都是按以下步骤进行的：首先是在细胞的目标区域内不断进行腐蚀，直至分离出独立的细胞对象核；在细胞的对象和基础上进行腐蚀前细胞的重建运算，并在此过程中找出粘连细胞的分界线。细胞粘连在分割过程中常常造成分割线的不连续，即得到的边界线不是封闭曲线，部分边缘有断裂。一般采用边缘连接的办法连接断裂部分。边缘连接算法实际上是根据特定边缘的特点而制定的一系列跟踪规则，规则不同可以得出不同的跟踪算法。
（二）细胞重叠
在实际应用中，由于采集的细胞图像标本制作不太均匀，在细胞图像中经常会出现细胞聚堆、重叠的现象，在显微镜下呈现多个细胞聚堆在一起，形成一个较大的区域，这就是细胞重叠（overlap）。细胞重叠由于阈值分割法无法将其分离，往往会将重叠细胞剔除或是简单的将其当作单细胞进行处理，这样对后续的细胞计数以及相关特征参数的定量分析带来影响。目前针对这一问题，大多采用数学形态学的方法来分离细胞。孙忠林、李盛阳为消除因细胞粘连造成的细胞图像分析困难，利用数学形态学中开运算和流域分割的方法，根据细胞的形态特征进行分割处理，将粘连的细胞群分离为单个的细胞，给出了细胞分离的设计思想及实现，并通过实验证明可行。傅蓉等提出了一种重叠细胞图像自动分离的新算法。根据重叠细胞的凹凸性，从细胞重叠区域的凹区域中寻找到凹点，根据凹点数与细胞个数的关系，判断是细胞串联还是细胞并联：如果是串联的情况，则直接将成对的凹点连成直线分离重叠区域；如果是并联的情况，则将凹点与重叠区域的中心连接成直线分离重叠区域。算法简单，效果理想，而且能基本保持原细胞的大小与形状。
（三）孔洞现象
对灰度细胞图像进行阈值分割后，由于光照及细胞本身灰度分布不均匀，在二值化后的图像中，细胞内部往往会产生孔洞，对此常用的解决办法是使用膨胀和闭运算，对较小的孔洞，形态学操作非常有效，但是当孔洞较大时，形态学操作变得无能为力，因为孔洞较大时需要我们选择较大的结构模板或者多次进行操作，而多次进行形态学闭运算或者进行闭运算的模板过大会改变目标的形状特征，如导致相邻细胞的粘连。
五、结束语
本文对主要的细胞图像分割方法进行了综述，这些分割方法往往相互结合。如小波变换结合边缘检测等等。目前的方法大都针对特定的细胞图像进行研究，并没有一个成型的统一的细胞分割方法。新的细胞图像分割方法应主要以自动、精确、快速、自适应性等作为研究目标。同时注重临床上的应用。随着计算机处理能力的提高和人们对细胞分割方法研究的深入、新理论在细胞分割领域中的尝试应用，细胞分割的方法会更多更成熟，也必将有更广阔的应用前景。
参考文献：
1、章毓晋.图像分割[M].科学出版社,2001.
2、翁秀梅,肖志涛,杨洪薇.基于边缘检测和区域生长的自然彩色图像分割[J].天津工业大学学报,2008(1).
3、李天钢,王素品.基于多尺度小波的胃癌细胞图像边缘检测与分析[J].生物物理学报,2005(2).
4、Lee B,Yan JY,Zhuang TG.A dynamic programming based algorithm for optimal edge detection in ultrasound images[J].Proceedings of SPIE,2001(4549).
5、饶洁.基于区域特征及边缘信息的彩色血液显微图像分割[D].四川大学,2006.
6、赵晖,梁光明.一种基于差分算子和区域增长的细胞自动识别方法[J].计算机与现代化,2005(4).
7、Shirin Nasr-Isfahani,Atefeh Mirsafian,Ali Masoudi-Nejad.A New Approach for Touching Cells Segmentation[Z].2008 International Conference on BioMedical Engineering and Informatics,2008.
8、楚存坤,李月卿,王昌元.医学图象分割技术及其新进展[J].泰山医学院学报,2007(4).
＊本文得到国家自然科学基金（项目批准号：90820302、60805027）、高等学校博士学科点专项科研基金（项目批准号：200805330005）资助。
（作者单位：中南林业科技大学计算机科学学院）
|
版权声明： 本栏目阅读排行栏目最新
|