CN111882561A - 一种癌细胞识别诊断系统 - Google Patents

Abstract

本发明公开了一种癌细胞识别诊断系统，包括：细胞图像预处理模块：采用改进的数学形态学开闭滤波算法，选择适当的结构元素，去除了细胞图像的背景杂质和小的正常离散细胞；细胞图像分割模块：提取细胞核区域采用了改进的区域生长算法，提取不叠层细胞体轮廓采用了基于标价符控制的分水岭算法，提取叠层的细胞轮廓采用基于snake模型的分割算法；癌细胞图像特征提取模块：计算分割后每个区域的核质比，细胞核大小是否均匀，核染色异常以及核间距是否均匀。细胞图像分类识别模块：通过神经网络识别技术识别癌细胞。这种系统可高效，准确地对细胞图像进行定量分析和检测识别。

Description

一种癌细胞识别诊断系统

技术领域

本发明涉及细胞图像识别技术领域，具体为一种癌细胞识别诊断系统。

背景技术

癌症是危害人类身体健康的常见疾病，癌症的早期诊断是治疗的关键。采用细胞学计算机辅助诊断技术，可以有效地降低医生的工作强度以及提高诊断的准确性。由于细胞图像背景复杂、细胞形态多样及重叠等问题，使得计算机检测识别难度较大。本发明对典型医学图像分割算法做出了新的技术改良，针对不重叠细胞图像及重叠细胞图像分别给出了改进算法。

发明内容

本发明的目的是针对现有技术中存在的不足，而提供一种癌细胞识别诊断系统。这种诊断系统，可实现目标区域更精准地提取，对细胞图像进行更高效、准确地定量分析和检测识别。

实现本发明目的的技术方案是：

一种癌细胞识别诊断系统，包括，

细胞图像预处理模块：首先将细胞图片转化为数字图像并对其进行灰度化处理。为了更加准确的提取图像中有用细胞特征，需要将图像中小，离散正常细胞以及加性噪声一起去除。针对这一情况采用改进开闭滤波算法进行图像去噪，选取结构元素B为正常淋巴细胞的两倍。针对小于结构元素B的噪声，运用开运算消除背景中胡椒状噪声，然后利用闭运算消除砂眼噪声。针对大于结构元素B的噪声，首先将滤波的图像二值化，并对原图像进行叠加提取。图像二值化是将原图像转化为二值图像，“0”代表目标图像，“1”代表背景，用该二值图像对原图像的内容进行选择，二值图像中值为“0”的像素位置均保留原灰度值，值为“1”的像素位置灰度值为“255”。

细胞图像分割模块：

第一步：提取细胞核区域采取自动种子点的区域生长算法，将阈值分割和区域生长算法联合。首先设定阈值T＝115，将图像分割成大于阈值T的对象点和小于阈值T的背景点两部分。原图像f(x,y)转化为输出图像g(x,y),当f(x,y)>T,g(x,y)＝1；当f(x,y)≤T，g(x,y)＝0。此法实现了“粗轮廓”提取细胞核的大部分区域。设置种子的生长规则为相邻像素点灰度值与种子区域平均灰度值的差的绝对值小于阈值0.15.以粗轮廓的质心作为种子的生长点，每个种子按生长规则迭代生长，差值小于阈值的加入种子，直到找不到满足规则的点就结束生长。此法实现了“细轮廓”提取细胞核。最后采用Sobel算子做边缘检测，Sobel算子的模板及对应公式如下：

最后输出图像。

第二步：提取单个细胞体区域采取标记符控制的分水岭算法。为了方便确定内外标记，结合细胞显微镜图像背景量，目标暗的特点，先对细胞灰度图像做反相处理，得到目标物体较亮、背景区域较暗的图像。将图像进行二值化处理，将二值图像进行距离变化，使得分界线能保住目标物体而又不会过于接近物体边缘。最后采用分水岭变换，得到的分界线作为外部标记。将反处理的图像做基于重建的开操作和闭操作，去除目标内部细节并对局部极大值区域作为内部标记。结合内外标记，将反处理后的图像计算梯度幅值，在改进后的梯度图像上进行分水岭变换，在细胞灰度图像上显示细胞体分割轮廓。

第三步：提取叠层的细胞图像中的细胞轮廓采用了基于snake模型的分割算法。针对snake模型对初始位置敏感的特点，采用细胞的稀疏轮廓点模型，利用环形动态轮廓搜索算法，自动定位出主体细胞的轮廓点，之后利用snake模型方法进行分割，经过曲线对细胞体边缘的拟合，最终获得细胞体轮廓。其分割精度约为94％，过分割率约为2.5％，欠分割率约3.5％。

癌细胞图像特征提取模块：计算分割后每个区域的核质比，细胞核大小是否均匀，核染色异常以及核间距是否均匀。

核质比：对于不叠层的细胞图像，通过segment子程序将图像分为一个分块一个单细胞，调用ncratio子程序计算出每个细胞的核质比。当该细胞的核质比远超于正常细胞核质比0.5:1时，判定疑似癌细胞。对于叠层的细胞图像，调用segment子程序，将图像分区，计算整个区域的核质比，当其比值远超于正常细胞核质比0.5:1时，可判定疑似癌细胞。

细胞核大小：将分割后得到的图像通过segment分块处理，将得到的单个细胞核大小。若细胞核大小分布比较分散，则符合癌细胞特征。

核染色体异常：通过计算核深染面积与细胞核面积的比值，若占比大于31.91％，可以判定疑似癌细胞。

成团细胞相邻核间距：通过调用distant计算成团细胞相邻核间距，若成团细胞细胞核分布不均匀，可以判定疑似癌细胞。

细胞图像分类识别模块：采用BP神经网络识别技术识别癌细胞。首先初始化网络的权值和阈值。网络权值的初始值即为网络从误差曲面的哪一点开始训练，该点影响网络的训练时间。开始向前计算，求出所有神经元的所有输出。计算输出层误差梯度。然后向后计算各隐层误差梯度，计算并保存各权值修正量，修正权值。判断是否达到训练目标。如达到，训练结束，达不到则转入向前计算。

附图说明

图1为实施例的结构示意图。

图2为实施例中提取细胞核区域的流程示意图。

图3为实施例中BP神经网络识别算法的流程示意图

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细描述，但不是对本发明的限定

实施例：

参照图1，一种癌细胞识别诊断系统，包括，

细胞图像预处理模块：

首先将细胞图片转化为数字图像并对其进行灰度化处理。为了更加准确的提取图像中有用细胞特征，需要将图像中小，离散正常细胞以及加性噪声一起去除。针对这一情况采用改进开闭滤波算法进行图像去噪，选取结构元素B为正常淋巴细胞的两倍。针对小于结构元素B的噪声，运用开运算消除背景中胡椒状噪声，然后利用闭运算消除砂眼噪声。针对大于结构元素B的噪声，首先将滤波的图像二值化，并对原图像进行叠加提取。图像二值化是将原图像转化为二值图像，“0”代表目标图像，“1”代表背景，用该二值图像对原图像的内容进行选择，二值图像中值为“0”的像素位置均保留原灰度值，值为“1”的像素位置灰度值为“255”。如图2所示，细胞图像分割模块：

第一步：提取细胞核区域采取自动种子点的区域生长算法，将阈值分割和区域生长算法联合。首先设定阈值T＝115，将图像分割成大于阈值T的对象点和小于阈值T的背景点两部分。原图像f(x,y)转化为输出图像g(x,y),当f(x,y)>T,g(x,y)＝1；当f(x,y)≤T，g(x,y)＝0。此法实现了“粗轮廓”提取细胞核的大部分区域。设置种子的生长规则为相邻像素点灰度值与种子区域平均灰度值的差的绝对值小于阈值0.15.以粗轮廓的质心作为种子的生长点，每个种子按生长规则迭代生长，差值小于阈值的加入种子，直到找不到满足规则的点就结束生长。此法实现了“细轮廓”提取细胞核。最后采用Sobel算子做边缘检测，Sobel算子的模板及对应公式如下：

最后输出图像。

第二步：提取单个细胞体区域采取标记符控制的分水岭算法。为了方便确定内外标记，结合细胞显微镜图像背景量，目标暗的特点，先对细胞灰度图像做反相处理，得到目标物体较亮、背景区域较暗的图像。将图像进行二值化处理，将二值图像进行距离变化，使得分界线能保住目标物体而又不会过于接近物体边缘。最后采用分水岭变换，得到的分界线作为外部标记。将反处理的图像做基于重建的开操作和闭操作，去除目标内部细节并对局部极大值区域作为内部标记。结合内外标记，将反处理后的图像计算梯度幅值，在改进后的梯度图像上进行分水岭变换，在细胞灰度图像上显示细胞体分割轮廓。

第三步：提取叠层的细胞图像中的细胞轮廓采用了基于snake模型的分割算法。针对snake模型对初始位置敏感的特点，采用细胞的稀疏轮廓点模型，利用环形动态轮廓搜索算法，自动定位出主体细胞的轮廓点，之后利用snake模型方法进行分割，经过曲线对细胞体边缘的拟合，最终获得细胞体轮廓。其分割精度约为94％，过分割率约为2.5％，欠分割率约3.5％。

癌细胞图像特征提取模块：计算分割后每个区域的核质比，细胞核大小是否均匀，核染色异常以及核间距是否均匀。

核质比：对于不叠层的细胞图像，通过segment子程序将图像分为一个分块一个单细胞，调用ncratio子程序计算出每个细胞的核质比。当该细胞的核质比远超于正常细胞核质比0.5:1时，判定疑似癌细胞。对于叠层的细胞图像，调用segment子程序，将图像分区，计算整个区域的核质比，当其比值远超于正常细胞核质比0.5:1时，可判定疑似癌细胞。

细胞核大小：将分割后得到的图像通过segment分块处理，将得到的单个细胞核大小。若细胞核大小分布比较分散，则符合癌细胞特征。

核染色体异常：通过计算核深染面积与细胞核面积的比值，若占比大于31.91％，可以判定疑似癌细胞。

成团细胞相邻核间距：通过调用distant计算成团细胞相邻核间距，若成团细胞细胞核分布不均匀，可以判定疑似癌细胞。

如图3所示，细胞图像分类识别模块：采用BP神经网络识别技术识别癌细胞。首先初始化网络的权值和阈值。网络权值的初始值即为网络从误差曲面的哪一点开始训练，该点影响网络的训练时间。开始向前计算，求出所有神经元的所有输出。计算输出层误差梯度。然后向后计算各隐层误差梯度，计算并保存各权值修正量，修正权值。判断是否达到训练目标。如达到，训练结束，达不到则转入向前计算。

Claims (1)

1.一种癌细胞识别诊断系统，其特征在于，包括，

细胞图像预处理模块：首先将细胞图片转化为数字图像并对其进行灰度化处理。为了更加准确的提取图像中有用细胞特征，需要将图像中小，离散正常细胞以及加性噪声一起去除。针对这一情况采用改进开闭滤波算法进行图像去噪，选取结构元素B为正常淋巴细胞的两倍。针对小于结构元素B的噪声，运用开运算消除背景中胡椒状噪声，然后利用闭运算消除砂眼噪声。针对大于结构元素B的噪声，首先将滤波的图像二值化，并对原图像进行叠加提取。图像二值化是将原图像转化为二值图像，“0”代表目标图像，“1”代表背景，用该二值图像对原图像的内容进行选择，二值图像中值为“0”的像素位置均保留原灰度值，值为“1”的像素位置灰度值为“255”。

细胞图像分割模块：

第一步：提取细胞核区域采取自动种子点的区域生长算法，将阈值分割和区域生长算法联合。首先设定阈值T＝115，将图像分割成大于阈值T的对象点和小于阈值T的背景点两部分。原图像f(x,y)转化为输出图像g(x,y),当f(x,y)>T,g(x,y)＝1；当f(x,y)≤T，g(x,y)＝0。此法实现了“粗轮廓”提取细胞核的大部分区域。设置种子的生长规则为相邻像素点灰度值与种子区域平均灰度值的差的绝对值小于阈值0.15.以粗轮廓的质心作为种子的生长点，每个种子按生长规则迭代生长，差值小于阈值的加入种子，直到找不到满足规则的点就结束生长。此法实现了“细轮廓”提取细胞核。最后采用Sobel算子做边缘检测，Sobel算子的模板及对应公式如下：

最后输出图像。

第二步：提取单个细胞体区域采取标记符控制的分水岭算法。为了方便确定内外标记，结合细胞显微镜图像背景量，目标暗的特点，先对细胞灰度图像做反相处理，得到目标物体较亮、背景区域较暗的图像。将图像进行二值化处理，将二值图像进行距离变化，使得分界线能保住目标物体而又不会过于接近物体边缘。最后采用分水岭变换，得到的分界线作为外部标记。将反处理的图像做基于重建的开操作和闭操作，去除目标内部细节并对局部极大值区域作为内部标记。结合内外标记，将反处理后的图像计算梯度幅值，在改进后的梯度图像上进行分水岭变换，在细胞灰度图像上显示细胞体分割轮廓。

第三步：提取叠层的细胞图像中的细胞轮廓采用了基于snake模型的分割算法。针对snake模型对初始位置敏感的特点，采用细胞的稀疏轮廓点模型，利用环形动态轮廓搜索算法，自动定位出主体细胞的轮廓点，之后利用snake模型方法进行分割，经过曲线对细胞体边缘的拟合，最终获得细胞体轮廓。其分割精度约为94％，过分割率约为2.5％，欠分割率约3.5％。

癌细胞图像特征提取模块：计算分割后每个区域的核质比，细胞核大小是否均匀，核染色异常以及核间距是否均匀。

核质比：对于不叠层的细胞图像，通过segment子程序将图像分为一个分块一个单细胞，调用ncratio子程序计算出每个细胞的核质比。当该细胞的核质比远超于正常细胞核质比0.5:1时，判定疑似癌细胞。对于叠层的细胞图像，调用segment子程序，将图像分区，计算整个区域的核质比，当其比值远超于正常细胞核质比0.5:1时，可判定疑似癌细胞。

细胞核大小：将分割后得到的图像通过segment分块处理，将得到的单个细胞核大小。若细胞核大小分布比较分散，则符合癌细胞特征。

核染色体异常：通过计算核深染面积与细胞核面积的比值，若占比大于31.91％，可以判定疑似癌细胞。

成团细胞相邻核间距：通过调用distant计算成团细胞相邻核间距，若成团细胞细胞核分布不均匀，可以判定疑似癌细胞。

细胞图像分类识别模块：采用BP神经网络识别技术识别癌细胞。首先初始化网络的权值和阈值。网络权值的初始值即为网络从误差曲面的哪一点开始训练，该点影响网络的训练时间。开始向前计算，求出所有神经元的所有输出。计算输出层误差梯度。然后向后计算各隐层误差梯度，计算并保存各权值修正量，修正权值。判断是否达到训练目标。如达到，训练结束，达不到则转入向前计算。

Images