【word】 神经元干细胞序列图像的结合局部灰度阈值的水平集分割算法
神经元干细胞序列图像的结合局部灰度阈
值的水平集分割算法
第22卷第8期
2010年8月
计算机辅助设计与图形学
Computer—AidedDesign&ComputerGraphics
VolI22No.8
Aug.2010
神经元干细胞序列图像的结合局部灰度阈值的水平集分割算法
汤春明,许东滨,马玲,王炎庆
(哈尔滨工程大学信息与通信工程学院哈尔滨150001)
(tangchunminga@hotmail.corn)
摘要:在光学显微镜成像的神经元干细胞序列图像中,针对目标与背景的弱对比度及细胞粘连,团簇等问题,提出
一
种新的分割算法.该算法基于无需初始化的水平集算法,通过引入曲率项来加速收敛;为降低算法的复杂度,提出
衡量范数能量作为水平集进化的终止条件;最后结合局部灰度阈值法进一步分割粘连细胞.将该算法应用于2组细
胞图像序列共12o帧图像的分割中,不但解决了时间序列图像成像
时焦距偏移带来的分割难题,而且能够准确地分
离粘连,团簇细胞,并保留细胞的形态特征和位置信息.统计结果表明,
分割成功帧所占整个序列的百分率较分水岭
算法,传统水平集分割算法提高了30,4O.
关键词:神经元干细胞序列图像分割;水平集;局部灰度阈值;粘连团
簇细胞;分离
中图法分类号:TP391.4
Level—SetSegmentationAlgorithmCombinedwithLocalGrayThreshold
onImage
SequencesofNeuronStemCells
TangChunming,XuDongbin,MaLing,
(InformationandCommunicationEngineeringCollege,
andWangYanqing
HarbinEngineeringUniversity,Harbin150001)
Abstract:Inopticalmicroscopyimagedtimelapse
lowcontrastratiobetweenobjectsandbackground,
ofneuronstemcellsimagesequences,thereexist
adherentandclusteredcells’interference.Anovel
algorithmispresentedaimingtosolvetheseproblems.Itisbasedonalevel—se
twithouttheneedof
re—initialization.Aftercurvaturetermisaddedinordertoaccelerateconverg
ence,iterationterminating
conditionischangedtomeasurenormenergyinordertodecreasecomplexity.Localgraythresholdis
combinedwiththeresultofcurveevolutionforclusteredcells’separationatlast.Thepresented
algorithmisappliedintwosequenceimagesof120frames.Thesegmentedresultsshowthatthe
algorithmcannotonlysolvetheproblemoffocusexcursionbutalsoseparateadherentandclustered
cellssuccessfullyaswellaskeepcells’shapeandlocation.Aftercomparedwit
hwatershedand
traditionallevel—setalgorithms,thisalgorithmcanimprovethesuccessrateto30%,409/6.
Keywords:segmentationofimagesequencesofneuronstemcells;levelset;localgraythreshold;
clusteredcells;separation
神经元干细胞(neuralstemcells,NSC)?是一
类具有分裂潜能和自我更新能力的母细胞.通过人
工注射等多种方式进行NSC移植,可以治疗中风,
脑萎缩,脊髓损伤和老年痴呆症等多种神经性疾病.
收稿日期:2009—0828;修回日期:2009—1221.基金项目:国家自然科
学基金(60875020).汤春明(1971),女,博士,教授,博士生导师,
主要研究方向为图像处理,模式识别,目标追踪.许东滨(1983一),男,
硕士,主要研究方向为数字图像处理,模式识别与算法
;马玲
(1986),女,硕士,主要研究方向为数字图像处理,目标拓扑结构研究;
王炎庆(1985),男,硕士,主要研究方向为数字图像处理,目标运动预
测与追踪.
计算机辅助设计与图形学第22卷
通过在治疗的过程中观察研究NSC的分裂和移动
过程,可以大大提高诊断的准确性和治愈率,而作为
细胞研究前提的该类细胞图像的分割过程就显得尤
为重要.
NSC序列图像分割的难点主要有以下4个方
面:1)光学显微镜成像的未经染色的细胞图像中,目
标与背景的对比度很低;2)细胞图像分割属于多目
标分割范畴,要想保证细胞在分割过程中没有遗漏,
必须要求分割算法在整个图像序列中具有很高的鲁
棒性;3)多数细胞图像有粘连,团簇的问题,为了有
效地进一步分离粘连细胞,分割算法必须有自动识
别和准确分离的能力;4)在一个序列细胞图像中可
能存在着成像过程中焦距发生偏移的情况,使图像
模糊,从而使细胞的很多特征隐藏在背景中.因此,
要对这类图像进行准确分割,势必对分割算法提出
更高的要求.
现有的多细胞图像分割算法中的难点除了成像
时产生的对比度低外,主要是粘连细胞的进一步分
离.粘连细胞分离方法l2主要有2类:基于数学形态
学的算法和基于边缘跟踪的算法.基于数学形态学
的算法主要通过腐蚀膨胀以及分水岭变换实现细胞
分离,算法简单且效果明显;缺点是该算法具有全局
特性,在分离粘连细胞的同时明显改变所有细胞的
形态特性,同时容易产生细胞丢失和过分割等问题.
基于边缘跟踪算法的典型算法是链码差法,它主要
通过分析粘连细胞的边缘信息,测算轮廓凹点和细
胞圆心实现分离,该算法准确度比较高,且对非粘连
细胞形态影响较小,但无法分离聚团的细胞.
水平集算法_3]作为一种基于模型实现的轮廓提
取算法,具有良好的鲁棒特性.但由于水平集算法进
行多目标分割时参数设置难以自适应,所以基于水
平集进行细胞分割的算法并不多,用于实现粘连细
胞进一步分离的就更少.目前,基于水平集分离粘连
细胞的算法主要处理的是简单图像,或是采用结合
人机交互的方式.Kuijper等对差分干涉对比显微
镜成像的细胞图像应用水平集算法实现了分割,
Zhou等l_5对RNAi荧光细胞图像,结合水平集方法
进行人机交互的轮廓分离.但目前很少有算法结合
水平集对难度较高的光学显微镜非荧光未经染色的
细胞图像进行粘连分离.
本文提出的细胞序列图像分割方法结合运用了
水平集和局部灰度阈值法,分别解决了细胞分割中
细胞团轮廓选取和粘连细胞分离问题,最终取得了
良好的分割效果.
1水平集算法
现有的水平集算法有很多,本文算法主要基于
Li等提出的无需初始化的能量水平集模型作为
基础,并添加曲率项,以实现细胞图像的初步分割,
并分割出孤立细胞及提取细胞团轮廓.
1.1能量水平集算法
在能量水平集函数中,水平集函数曲线的进
化受内部能量和外部能量共同影响,则可定义能量
方程
E()一?P()+E()(1)
其中,if>0;P()为水平集的内部能量,又称惩罚
项;E()是驱动水平集运动的外部能量,由长度
能量项和区域能量项组成.
经过公式推导后,Li等水平集模型的能量方
程如
E()一j.专’I声i一).dxdy+
g?()I}dxdy+
y
Ig?H(--)dxdy(2)
其中,2>0,为常数,为单变的Dirac函数,H为
Heaviside函数,g为图像J的边缘检测器函数,其
定义为
g一
式(2)等号右侧,第1项为内部能量项,用来定
量地描述在n?范围内函数接近符号距离函数
的程度,符号距离函数必须满足IJ一1的期望性
质;第2项为长度能量项,当ll一1,g一1时,可
计算得到零水平集的周长;第3项为区域能量项,当
1jl1—1,g一1时,可积分得到零水平集内部区域
的面积.
利用Gateaux导数对式(2)中的能量E进行
推导,最终得到差分形式
?特一+r?L(,)(4)
式(4)是迭代进化方程,i,J为水平集函数的
平面坐标,k为迭代次数,r为时问步长.其中L()
定义为
一
div()卜
div(g)+’g)(5)
第8期汤春明,等:神经元干细胞序列图像的结合局部灰度阈值的水
平集分割算法
图1所示为当一O.04,一3,v=2,r一5时,图
像序列I中第1帧细胞图像分割结果.图中白色曲
线代表进化中的零水平集,其中迭代次数为0表示
初始化的水平集函数.
??????a迭代0次b迭代100次c迭代200次d迭代300次e迭代
400次f迭代463次
图1图像序列I中第1帧水平集进化过程
1.2引入曲率项
虽然能量水平集算法[6]是一种无需重新初始化
的经典算法,并且之后又有很多学者运用该算法解
决实际问题,但是尚没有一种改进算法将曲率演化
思想引入其中,并添加曲率项.本文将为能量水平集
算法添加曲率.
从图2可以看出,第3帧图像迭代到400次以
后零水平集曲线变化很小,而且到1000帧时也没
有完全准确地进化到细胞团边缘,其根本原因是
图中背景有一些较规则的矩形纹理.为了解决这个
问题,本文引入曲率项以促使零水平集曲线进一步
收敛.
??????a迭代0次b迭代100次c迭代200次d迭代300次e迭代
400次f迭代1000次
图2图像序列I中第3帧水平集进化结果
现有的曲率进化方法_8主要有3种:显式方
法,半隐式方法和中值滤波方法[113.考虑到本
文只是用曲率方法作为辅助进化方法,所以选择计
算相对简单的显式方法].
与水平集算法相类似,平面封闭曲线在某一时
刻t可以表达为一个二维函数”(z,)的水平集,
利用偏微分方程口2](PDE)计算几何曲率流,可得平
均曲率运动方程(meancurvaturemotion,MCM)
]..
一
kl”f;u(x,Y,o)一.(z,)(6)口
其中,U.(z,)是零水平集,k是(z,.y)点处的曲
率.经推导后,得到最终的迭代进化方程为
U…
n+一”
J+At?K(uT,J)
其中?,为演化步长,K()定义为
)一畿土
(7)
(8)
将式(7)代入到式(4),得到最终的引入曲率项的水
平集函数进化方程
譬一声,,+rEL(~.)+?K(砖)](9)
其中叼为常数,用来表示曲率项对整个水平集函数
进化的影响.
应用式(9)重新对序列I的第3帧图像进行分
割,其中参数分别为一0.04,一3,7J一2,叩一
0.012,r一5.水平集演化过程及结果如图3所示.
?????一a迭代00:b迭代100次c迭代200次d迭代300次e迭代
400次f迭代444次
图3引入曲率项后图像序列I中第3帧的水平集进化结果
将图2f与图3f中的白色方框内的曲线进行肉
眼观察对比可以看出:引入曲率项后曲线收敛得更
接近细胞团轮廓边缘,同时,达到进化终止条件的迭
代次数也大大减少.这说明将曲率演化加到水平集
曲线进化中,不但能够加速进化,而且可以克服背景
强边缘纹理的影响,使曲线收敛效果更好.
1.3讨论进化终止条件
水平集函数进化的终止条件直接影响了算法的
迭代次数,运行时间以及算法的复杂程度.下面具体
讨论本文算法的进化终止条件.
,二者关系如图4所示.
图4范数能量与迭代次数的关系
从图4可以看出,当范数能量小于1时,进化基
本完成,且进化终止后范数能量变化很小.因此可以
重新定义进化终止条件
flL({b)I<
abs(fL()l,lL())+(11)
labs(1L(一)J—JL()J)<:?
其中,k为迭代次数,为范数能量的绝对阈值,?为
范数能量差值的相对阈值.经过统计得知,取一1.5,
?一0.O1时,基本可以保证多数帧达到进化终止.
在曲线进化终止条件的实现上,只需在曲线进
化过程中求L()矩阵的范数,并将其按照迭代次
数的顺序存储起来.在每次曲线进化的迭代之初进
行如式(11)的判断,若满足条件,则跳出程序循环,
进化终止;否则,继续进化迭代直至结束.为避免少
数帧无法达到进化终止条件,设定迭代次数的最大
值为1000,以满足程序正常运行.
2局部阈值法
从图3可以看出:本文提出的改进的水平集算
法只能收敛到孤立细胞和细胞团的轮廓,并不能有
效地将粘连细胞和团簇细胞加以分离.为了解决上
述问题,我们采用了局部灰度阈值法进行后续分割.
设原始图像为J,利用本文提出的水平集算法
得到的分割结果是u.J和【,为同维数组,I为灰度
图像,u为二值图像,它们分别对应图5a,5b.令
I一J×U(12)
I一{J(z,)IJ(z,.y)?0}(13)
其中,J是轮廓区域选取后的图像,如图5C所示;
J是J中非零像素点组成的集合.
一日?圈圈a原始图像b水平集分割结果c轮廓区域选取d局部闽
值分割结果e最终分割结果
图5序列I第1帧结合水平集的局部阈值分割过程
根据Otsu[“阈值法定义,存在一个灰度阈值
满足关系
[1}+2;]f:一min{P1;+户2;}(14)
其中,是期望得到的灰度阈值,P和P是阈值两
侧灰度集合的概率,和;分别为2次灰度集合的
类内方差.
将J作为一个像素集合代人到式(14),最后可
以得到一个统计灰度阈值.将作为阈值分割
J,得到的分割结果如图5d所示;再经过简单的去
噪,腐蚀和膨胀等操作,得到图5e中单帧图像的最
终分割结果.可以看出,最终的分割结果效果很好,
几乎完整地保留了原始图像中细胞的形状信息和位
置信息.
对于有些粘连细胞,由于其细胞问的深色区域
不明显,无法利用局部灰度阈值法加以分离.这类粘
连细胞的分离需根据细胞间的凹点特性,利用链码
差方法口和分水岭算法r1进行后续分割.由于本文
未用到此类方法,略.
第8期汤春明,等:神经元干细胞序列图像的结合局部灰度阈值的水
平集分割算法
为了测试本文算法对其他细胞序列是否同样适
用,我们尝试对另一组难度更高的序列进行分割.
序列II与序列I同为NSC序列,但其图像尺寸
更大,背景噪声更强,团簇细胞数量更多,不便分割.
图6所示为应用本文算法对序列II第1帧图像的
分割过程.
???圈a原始图像b水平集分割结果C轮廓区域选取d局部阈值分
割结果e最终分割结果
图6序列II第1帧结合水平集的局部阈值分割过程
3仿真结果及分析
我们采用本文算法分别测试了2个光学显微镜
成像的未经染色的NSC图像序列,其中序列I为本
文算法的训练图像,127×127像素共7O帧图像;序
列II是测试图像,250×250像素共5O帧图像.
实验运行环境为Intel(R)Core(TM)2Duo
E72002.53GHzCPU;2GB内存;NVAGeForce8500
GT显卡;操作系统为WindowsXPSp3;软件平台
为Matlab7.0.
图7所示为针对序列I3种算法的分割效果对
比,其中抽样选取了序列I中的第1,1O,20,30,4O,
50,60,7O帧的原始图像,以从左到右的顺序示于
图7a中,图7b,7d给出了分别应用分水岭算
法n,传统水平集算法[】阳和本文算法得到的分割结
果.其中,分水岭变换和传统水平集算法的参数确定
是根据该类序列细胞图像调整后所得到的经验值.
????一???a原始图像
圈圜??奠???b分水岭算法分割结果
圈???????C传统水平集算法分割结果
圈圈圈圈???圈d本文算法分割结果
图7序列I3种算法的分割效果对比
对序列II中的第l,10,20,30,40,50帧图像也
分别利用了分水岭算法,传统水平集算法和本文算
法进行了测试,结果如图8所示.
对序列I,II进行分割,并将分割结果与分水岭
算法和传统水平集算法分割进行分析对比,统
计结果如表1所示.
表1中,分割成败的判断是基于人眼视觉观察
后得到的.序列I的成功帧为完全分割成功的帧图
像,即所有细胞都能够被成功识别;序列II由于细
胞数目多,背景复杂,分割难度大,成功帧表示分割
失败的细胞数小于3的帧图像.
计算机辅助设计与图形学第22卷
??????a原始图像
圈圈圈圈圈?b分水岭算法分割结果
???一??c传统水平集算法分割结果
?圈圈圈一一d本文算法分割结果
图8序列II3种算法的分割效果对比
表1细胞分割结果对比
分水岭算法31.8
II传统水平集算法36.14
本文算法40.8
<5
23.3
1O2.7
从表1可以看出,本文算法的细胞识别率相对
较高.其中,由于分水岭算法不需要利用进化方法,
所以运行时间最短,但成功率最低;传统水平集算法
成功率有所提高,但运行时间相对较长,原因是传统
水平集算法参数不易调节,所以结果也不甚理想;本
文算法成功率最好,但运行时间较长,主要是因为
Li等算法虽然避免了初始化问题,但也因此增加
了算法难度,并且相对于传统水平集,能量项计算难
度加大,增加了运行时间.
从2个序列的分割结果对比可以看出:本文算
法细胞识别的数量远高于传统算法.利用人眼观察
不同算法分割后的细胞图像可以看出,本文算法不
论是细胞位置信息还是细胞的形态信息都得到了更
好的保留,充分体现了其优越性.
4结论
本文给出了一种基于水平集和局部灰度阈值的
序列图像分割算法,它在水平集算法基础上添加了
曲率项,以提高进化收敛速度;并且创新性地提出利
用范数能量作为进化终止条件,减少了计算量.本文
的一大创新之处在于提出了局部灰度阈值的思想,
它克服了全局灰度阈值法分割易产生噪声的弊端,
同时使得在局部灰度识别方面的敏感度异常增强,
第8期汤春明,等:神经元干细胞序列图像的结合局部灰度阈值的水
平集分割算法1285
在分割粘连细胞和团簇细胞时效果明显.从视觉上
观察,本文算法既解决了序列图像成像时焦距偏移
带来的分割难题,又能够准确地分离粘连,团簇细
胞,并保留细胞的形态特征和位置信息.与其他算法
的分割结果进行比较分析,分割成功帧所占整个序
列的百分率较分水岭算法,传统水平集分割算法提
高了30,4O.本文算法的细胞图像分割结果为
后续的细胞识别和细胞追踪奠定了良好的基础.
致谢衷心感谢瑞典Uppsala大学图像分析中
心的Lindblad和Wfihlby博士提供的水线分割算
法,以及Chalmers大学的Degerman博士提供的
NSC图像序列!
参考文献(References):
[1]TangChunming,YuXiang.Problemsandstrategiesinthe
trackingofculturedmicroscopicceilsEJ].JournalofWuhan
UniversityofTechnology,2004,26(9):81—83(inChinese)
(汤春明,于翔.关于显微运动细胞追踪的问题与策略[J].
武汉理工大学,2004,26(9):81—83)
[2]ZhangJie,HuPing.Asurveyforthearithmeticof
overlappedcellsegmentation[J].Computer&Digital
Engineering,2008,36(6):53—56(inChinese)
(张洁,胡平.粘连细胞分离算法综述[J].计算机与数字
工程,2008,36(6):53-56)
[3]OsherS,SethianJA.Frontspropagatingwithcurvature
dependentspeed:algorithmsbasedonHamilton—Jacobi
formulations[J].JournalofComputationalPhysics,1988,79
(1):12-49
[4]KuijperA,HeiseB.Anautomaticcellsegmentationmethod
fordifferentialinterferencecontrastmicroscopyIt]//
Proceedingsofthe19thInternationalConferenceonPattern
Recognition,Newyork,2008:1-4
[5]YahPK,ZhouxB,ShahM,eta1.Automaticsegmentation
ofhigh—throughputRNAifluorescentcellularimages[J].
[63
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
IEEETransactionson
Biomedicine,2008,12(1):
LiCM,XuCY,GuiCF
re,initialization:anew
InformationTechnologyin
109—117
d.LeveIsetevolutionwithout
variationalformulationEC]//
ProceedingsofIEEEComputerSocietyConferenceon
ComputerVisionandPatternRecognition,Newyork,2005:
430—436
EvansLC.Partialdifferentialequations[M].Providence:
AmericanMathematicalSocietyPress,1998
WangLei,ZhuXuan,ZhangShenhua.Threenumericalvalue
schemesofcurvesevolvingbasedonmeancurvaturemotion
[J].ComputerEngineeringandApplications,2008,44(35):
194—196(inChinese)
(王蕾,祝轩,张申华.曲率驱动的曲线演化的三类数值
[J].计算机工程与应用,2008,44(35):194—196)
SethianJA.Levelsetmethodsandfastmarchingmethods
[M].Cambridge:CambridgeUniversityPress,1996
SmerekaP.Semi—implicitlevelsetmethodsforcurvatureand
surfacediffusionmotion[J].JournalofScientificComputing,
2003,19(1/3):439-456
ZhuChunxiang,ZhongLanxiang,WangDakai.Acomparison
studyonthreenumericalschemesforimplementingmean
curvaturemotion[J].ComputerApplicationsandSoftware,
2008,25(6):241-242(inChinese)
(朱春香,种兰祥,王大凯.平均曲率运动的i种实现方案的
比较研究[J].计算机应用与软件,2008,25(6):241—242)
ArnoldV1.Geometricalmethodsinthetheoryofordinary
differentialequations[M].NewYork:Springer,1983
OtsuN.Athresholdselectionmethodfromgraylevel
histogram[J].IEEETransactionsonSystems,Manand
Cybernetics,1979,9(1):62—66
KanekoT,OkudairaM.Encodingofarbitrarycurvesbased
onthechaincoderepresentation[J].IEEETransactionson
Communications,1985,33(7):697—707
W~ihlbyC,LindbladJ,VondrusM,eta1.Algorithmsfor
cytoplasmsegmentationoffluorescencelabeledcells[J].
AnalyticalCellularPathology,2002,24(2/3):1Ol一111
TangCM,BentssonE.Segmentationandtrackingofneural
stemcell[M]//LectureNotesinComputerScience.
Heidelberg:Springer,2005,3645:851—859