基于改进SLIC与CNN的细胞显微图像分割与计数

来源:用户上传      作者:屈若为　徐桂芝

　　文章编号：1007-2373（2022）01-0001-06
　　摘要 针对细胞显微图像分割与计数问题，提出了一种基于改进SLIC（Simple Linear Iteration Clustering）超像素与卷积神经网络（Convolutional Neural Networks， CNN）的细胞显微图像分割和技术的方法。首先对细胞显微图像进行预处理，然后对图像进行改进后的SLIC超像素分割，再对图像进行去噪，最后利用卷积神经网络将细胞的重叠情况进行识别。实验结果表明，针对细胞显微图像中目标分割不准确和重叠细胞识别不清等问题，该方法分割计数的准确率大于92%，平均一幅图片的处理时间在100 ms左右。基于改进SLIC与CNN在获得较好分割结果的同时，运行时间短，提高了运算效率与精度。
　　关 键 词 SLIC;CNN;图像分割;医学图像处理;细胞计数
　　中图分类号 TP391 文献标志码 A
　　Cell microscopic image segmentation and counting based on improved SLIC superpixel and CNN
　　QU Ruowei， XU Guizhi
　　（State Key Laboratory of Reliability and Intelligence of Electrical Equipment， Hebei University of Technology， Tianjin 300130， China）
　　Abstract In order to solve the problems of segmentation and counting of microscopic cell images， an image segmentation algorithm based on an improved simple linear iteration clustering superpixel and an classification algorithm based on convolutional neural network （CNN） was employed. Cell microscopic images were first pre-processed， then segmented by improved SLIC superpixel. To count cells， the adhesive cells were classificated by CNN after being denoised. The experiment showed the good performance in microscopic image segmentation， classification and counting with accuracy of over 92% at around 100 ms per image. The method based on improved SLIC superpixel and CNN is fast and accurate in cell microscopic image segmentation and counting.
　　Key words SLIC; CNN; image segmentation; medial image processing; cell counting
　　0 引言
　　随着计算机视觉技术与人工智能的发展，计算机辅助诊断已经成为医学图像处理领域中重要的研究方向之一，人们希望在医学检测中减少由人为因素带来的误差[1]。细胞的阅片与计数问题一直是医学检测领域中一项非常重要的工作，而这项研究的基础是细胞显微图像的智能化分析[2]。目前，检验科医生主要是通过显微镜，用肉眼观察细胞显微图像，运用自己的经验区分活细胞与灭活细胞、重叠细胞和单个细胞等。但目视等人工方法具有以下几个缺点：1）获取的细胞图像掺杂噪声污染，会造成图像清晰度不高，影响医生的正确阅片;2）带有一定的个人主观性，医生根据个人经验不同，造成诊断误差;3）人工阅片需要长时间目视显微镜下的细胞图像，长时间的阅片会引起视觉疲劳。这些问题都会为诊断带来误差[3]。与人工阅片方法相比，显微图像的自动识别在对细胞图像分割及计数问题上显示出了极其强大的优越性，不仅可以使医生从大量简单繁重的阅片工作中解脱出来，还能够排除人的主观性带来的实验结果的不确定性[4-6]。然而细胞显微图像由于受光照影响，亮度不均匀，而且切片的厚度不同会使得切片中出现细胞堆叠的情况，为细胞显微图像分割与计数带来了困难[7]。
　　苏茂君等[8]提出了一种耦合的脉冲神经网络，实现了对血细胞图像的准确计数，但其误差主要来源于对堆叠的血细胞分辨不清，造成计数不准。武宗茜等[9]提出了基于自动波特征的计数方法，通过提取分割后细胞的连通区域，区分相互重叠的细胞，但这种方法存在一定程度的过度分割和欠分割，是造成误差较大的主要原因。王祥生等[10]提出基于清晰度的细胞显微图像分割和计数方法，在整幅细胞显微图像中通过图像各部分清晰度不同区别细胞和背景，在一定程度上减少了误分割，虽然将平均准确率提高到93.6%，但在重叠细胞的处理中引入手工分割及人工阈值选取，不能实现完全自动化。
　　目前，大部分D像分割算法以独立的像素点作为图像分析的基本单位，而忽略了像素点之间的空间关系信息，使得细胞图像的分割结果较差。近年来，超像素的提出使像素之间空间组织关系得到了有效利用，这种算法的优点是，产生的超参数区域边界与图像中物体或背景的边缘贴合效果较好，即对目标物体与背景的分割效果较好。因此，在处理复杂图像分割问题时，超像素聚类算法取得了良好的效果[11-13]。

转载注明来源:https://www.xzbu.com/1/view-15425552.htm