文摘

宫颈细胞图像的准确分割是宫颈癌的一个关键步骤的计算机辅助诊断系统。重叠的细胞和边界模糊的问题在宫颈细胞集群,研究人员提出一个基于核径向边界的分割算法增强宫颈细胞学的重叠细胞图像。这种方法不仅抑制宫颈细胞学图像的噪声也保持的对比重叠细胞边界。研究人员产生重量候选轮廓点和轮廓线段图的属性和利用动态编程算法在重量图找到最短路径。的最短路径对应于细胞图像的粗分割轮廓。水平集模型用于细段获得粗细胞分割边界,以获得最终的宫颈细胞边界。通过定量和定性评价结果,如骰子相似系数、真阳性,假阳性率,可以看出重叠细胞分割算法本文取得更好的分割结果。与其他当前重叠细胞分割算法相比,本文的分割结果有更大的优势。

1。介绍

宫颈细胞图像的准确分割是宫颈癌的一个关键步骤的计算机辅助诊断系统。经过多年的发展,宫颈细胞学图像分割技术已经取得了巨大的进步和宫颈癌的计算机辅助诊断系统的性能都得到很大的提高。然而,由于实际宫颈细胞学的特征图像和细胞形态的复杂性,目前的分割技术仍然需要改进。

胞质特征已被证明对异常细胞的识别至关重要1]。细胞质在宫颈细胞学图像的准确分割是宫颈细胞分割的核心部分。一旦位于胞质边界,定量评价指标的值,如细胞直径和nuclear-to-cytoplasmic比率可以计算。一些早期的方法解决分割问题的自由细胞没有重叠与邻近细胞或只有一小部分重叠和部分重叠的细胞(2- - - - - -7]。

当宫颈细胞学的强度满足双峰分布图像,自动阈值分割方法(3,5可以得到更好的分割结果。吴et al。5)使用阈值技术来识别细胞单细胞的形象。在贫穷的对比和染色不均宫颈细胞学图像,阈值法的分割结果并不理想。Harandi et al。3)提出了一种多分辨率阈值细胞丛和细胞质检测方法。该方法定位细胞丛低分辨率图像,检测到细胞质和细胞核边界的高分辨率图像。和几何活动模型用于部分细胞质的单细胞宫颈细胞图像和图像重叠率低。

活动轮廓模型基于梯度向量flow-Active轮廓模型(GVF-ACM) [8)不仅是健壮的初始轮廓,但也有收敛于细胞凹边界的优势,所以该方法广泛应用于单胞质细胞图像的分割。然而,GVF-ACM方法不能获得更好的分割结果的情况下可怜的轮廓的对比。为了解决这个问题,Changkong et al。6)提出了一个细胞质和细胞核轮廓(CNC)检测器提取核和胞质地区宫颈细胞学图像。同时,该方法利用k - means方法部分细胞质背景区域的宫颈细胞图像。当恶性细胞暴露在细胞毒性效应,歌曲等。9提出了过程中半胱胺积累病变细胞和转化为大规模DMS。这种方法不仅是可靠识别恶性细胞系,但它也可以用来研究与毒品有关的细胞毒性效应如何影响癌症细胞代谢。

Yang-Mao et al。2)提出了一种边缘增强核和细胞质轮廓(EENCC)研究成果的基础上Changkong [6]。EENCC有效去除高斯噪声和噪声影响宫颈细胞图像中值滤波,形成和保持锋利的边界。这个探测器的主要贡献是均值向量的区别(MVD)算法,它分配一个方向梯度向量流图像中每个像素,最后检测细胞核和细胞质边界大津阈值方法。然而,这种方法不能解决边界问题的关闭和连续性,并基于预防的方法对噪声过于敏感。通过调整级别的散斑噪声,Bhardwaj et al。10)表明,均值滤波器提供了更好的结果比中值滤波器的采样超声图像。本实验使用极其简单的过滤技术,可以更好的利用各种其他过滤器等双边、三边,小波和entropy-based过滤器等。

蔡et al。7)结合无监督分类算法和ACM单细胞胞质分割模型图像。ACM模型基于边界和区域可以准确检测进行像素级关闭目标边界。因此,该方法解决了边界问题的关闭和连续性在文献[2]。为了解决养狐业算法的噪声干扰问题,李et al。4)提出了径向养狐业零食算法的基础上,全方位养狐业的零食算法(11]。的梯度算法计算图像中每个像素的径向梯度值的径向线段上指定的细胞核,并使用径向梯度值来代替养狐业的梯度算法。基于径向渐变养狐业的方法来定位模糊边界明显改善,并沿径向梯度分布可以减少虚假的梯度引起的染色和不均匀照明。该方法可以准确地细分细胞质和细胞核仅包含一个宫颈细胞图像。

一般来说,分割重叠的细胞是宫颈细胞学图像分割中最具有挑战性的任务。细胞样品制备过程中,不均匀照明和染料浓度的差异将导致低对比度不同组件之间的细胞图像。其他因素,如干燥细胞,红细胞,粘液,细菌,和白细胞,将增加重叠细胞分割的困难12,13]。此外,复杂的细胞间细胞形状和高重叠率也会降低单元边界的对比。为了促进重叠的宫颈细胞图像分割技术的发展(14,15),IEEE国际生物医学成像协会举行了第一次和第二次宫颈细胞图像分割的挑战在2014年和2015年,分别。挑战是公开的数据集,数据集包含了训练集和测试集和训练集给出了人工注释的结果。这使得它可以评估和比较不同的重叠细胞分割方法。因此,大部分的重叠细胞分割方法近年来提出解决此数据集的重叠细胞分割任务。

这是Ushizima团队(16)首次赢得冠军的挑战。Ushizima等人使用基于线性时间算法(17)和全球搜索截断算法(18)获得细胞和核团区域相似性的基础上相邻像素的强度。重叠细胞的细胞丛通过窄带种子分为凸多边形区域的核,基于区域增长算法(19)和Voeonoi图法(20.),如图1。从图可以看出,该方法只能将重叠区域的细胞通过一条直线,并不能获得区域重叠细胞之间。因此,细胞分割的准确性,该方法有很大的改进(21]。

第二个挑战是Phoulady团队的冠军(22),采用迭代阈值法和基于椭圆形状的正则化水平集演化算法的假设。迭代阈值用于部分细胞丛和细胞核面积,和细胞丛区域分为指定大小的窗口。根据属性值等强度均值和方差的窗口,窗口的区域离原子核检测完成重叠细胞的分割。最后,胞质光滑边界是通过常规水平集的进化算法假定的椭圆形状。在此基础上,文献[23)定义了一个关注度量图像中每个子图象,和分配一个核子图象根据位置信息和关注相似。两步方法包括subimage-level粗分割和边界进行像素级边缘细化分割是用来完成重叠细胞分割。

为了获得更准确的细胞质分割边界,Phoulady et al。24)提高了两步边界分割算法。这种方法发现新的候选边界点通过定义一个权重向量,并使用平滑滤波器来平滑候选边界点。识别异常值的候选边界点每个候选点之间的距离和它的新位置。再次使用平滑滤波器的候选边界点上删除离群值来获得最终的胞质边界。文学的最大贡献(24)是使用多层图像的深度信息获取更准确的粗胞质分割边界。

椭圆形状先验模型的基础上,在文献[22],Nosrati和Hamarneh [25]优化算法在文献[17)通过使用前的星形状替换原来的椭圆形细胞质之前,获得更准确的分割结果。这些方法证明结合形状先验参数分割过程可以显著提高重叠细胞的分割效果。然而,之前的椭圆形状和星星形状之前太简单代表宫颈细胞的真实形状。重叠细胞分割算法使用一个固定的形状前不能提供足够的形状信息的重叠细胞的一部分。为了解决这个问题,文献[26),作者提出了一个自动形状先验算法基于稀疏近似部分重叠的宫颈细胞。在文献[27),Tareef等人改进了方法,通过使用基于深度学习和动态形状模型的方法分离单个核和细胞质。这种方法提高了细胞核的性能检测和解决低灵敏度的宫颈细胞分割的问题,并提高了宫颈细胞重叠分割的准确性。

鉴于super-pixel方法的计算效率,一些学者利用一种改进的super-pixel完全重叠的宫颈细胞分割方法。在文献[26),作者使用了快速迁移算法生成super-pixel图像,并使用非监督二元分类器和ms算法来完成细胞丛和细胞核分割。最后,重叠的细胞质是由多层次的组合分段设置功能。黄等。28]SLIC的方法,使用自适应阈值方法,和局部阈值法获得super-pixel地图,细胞集群,分别和细胞核地区。的方法分配每个super-pixel到最近的细胞核是用来完成宫颈的粗分割重叠细胞图像。那么粗的细分割分割边界是完成图切割算法。由于该方法使用“亲密距离”方法部分重叠的细胞,这种方法只能达到更好的分割结果如果细胞核是细胞大致的中心。

人工神经网络技术的发展,一些神经网络方法也被应用于宫颈细胞分割重叠(29日]。歌等。30.)使用分割框架基于深度学习和变形模型部分重叠的细胞。这个框架不仅探讨了形状重叠细胞的相关性,但也使用细胞结构、背景信息和多单元标签模型完成重叠细胞分割。多标记模型将分割问题转换为一个离散点标签问题,和标志着相应核胞质像素标签CNN获得的方法。然后使用高斯核函数拟合来确定细胞核的粗分割边界,最后使用动态multi-template变形模型来优化细胞的分割边界。CNN的缺点是需要大量的样本,计算复杂度高。

宫颈细胞图像的分割重叠细胞在很大程度上是依赖于图像质量。研究人员都知道,当图像被噪声污染,如何完成图像的去噪操作,同时保留边界特性是一个非常困难的问题。通常,宫颈细胞图像受到高斯噪声和冲击噪声的影响。最初几年,许多学者进行了广泛的研究如何消除图像噪声,如中值滤波、高斯滤波,和b过滤。早期的过滤方法可以去除高斯噪声和冲击噪声在图像很好,但是这些方法也降低分辨率单元边界。基于这个问题,李et al。31日)提出了一种改进的中值滤波(Trim-meaning),可有效去除噪声和高斯噪声的影响,并留住锋利的边界的一部分。附近的方法提取像素值图像中每个像素的窗口,安排它以升序排序,删除脑袋和尾巴的像素值根据一定规模,然后替换像素的平均值。虽然这个方法可以保持锋利的边界,边界重叠细胞无法区分宫颈细胞图像(32]。

关等。33)提出了一个基于梯度的边缘增强方法分解。方法首先利用形态学滤波消除干扰细胞图像,然后使用方向梯度值的像素点之间的角点和核的中心提高胞质边界属于细胞核。这种方法需要计算每个像素点的梯度和径向方向角,这是过度依赖细胞的条件需要满足凸边界。许多真实的边界重叠的宫颈细胞凸边界的不符合条件,所以这种方法不能获得理想的边界增强效果。

2。方法

2.1。预处理

在预处理步骤,本文使用过滤和基于径向梯度计算算法的核完成图像去噪和梯度计算任务。宫颈细胞分割法的流程图如图2。

2.1.1。过滤基于核的辐射区域

重叠块的宫颈细胞图像,不同的细胞互相重叠,让他们的界限更加模糊。宫颈细胞的结构分析表明,大多数的细胞核位于细胞34]。虽然位置差异很大,但胞质边界包围着细胞核。单元边界具有不同方向不同径向方向的细胞。在此基础上观察,滤波算法的径向区域提出了原子核,这不仅可以有效地去除噪声在这个地区,但也保护细胞质的解决边界在最大程度上。

是指定的细胞, 是细胞的中心,的径向 为中心,的方向。的坐标点 在径向 ,在哪里之间的欧几里得距离吗 和 。根据上述定义,以核为中心,细胞面积分为若干径向区域按照步长 。对于径向不同区域,不同的内核函数是用来消除干扰区域。如果步长太大,算法的鲁棒性差,如果步长太小,不能保存相应的胞质边界。= 22.5选择实验,图像被划分为16个间隔。当= 22.5,径向区域的划分结果如图3。

根据的价值 ,摘要集四种去噪内核函数和核函数设置如图4。

的像素点 在细胞图像,选择相应的核函数在指定的细胞根据其地位。核函数的选择显示如下:

的公式,代表的径向方向像素;是聚集操作;其余操作;是松放操作。当 点在图像发现相应的核函数 ,窗口区域在慢跑 点是与选择的核函数卷积 ,所示

在这里,的指示符变量轮廓点在该地区,然后呢是卷积操作。过滤结果的比较不同的方法显示在图5。

本文使用的方法替换的灰度值 点,从而达到过滤的目的和留住它的边界。的定义所示

在这里,边界的判断阈值,选为5。如果大于一组边界判断阈值,可能是一个轮廓,取而代之的是当地最大;如果点的强度小于阈值,关键是取代了窗口的中值区。如图6基于径向区域过滤,算法可以更有效地过滤宫颈细胞图像并保存细胞边界。过滤后的重叠的胞质边界有一个更高的分辨率的区域滤波算法。

2.1.2。基于核的径向梯度算法

轮廓对应于一系列亮度跳跃,和图像的梯度可以用来提取目标轮廓。有很多边界梯度算法,如梯度算法,普瑞维特运营商,Sobel算子等。30.]。图6显示了边界梯度图像得到的梯度算法,普瑞维特算子和索贝尔算子。从图可以看出6,Sobel算子给出了强梯度比其他两种算法。因此,本文使用基于径向索贝尔算子的核生成图像的梯度图。

提出了一种基于径向渐变映射计算方法地区Sobel算法,用于计算梯度图像的去噪图像。Sobel算法利用梯度算子在不同的方向来增强细胞边界。图7显示的是55 Sobel卷积运算符在四个不同的方向。

点的径向梯度地区 被定义为公式(4)。的公式,代表卷积运算,计算的方法见公式(4)。的最大径向梯度和最小梯度地区和分别和每个像素的梯度的定义在这个地区所示公式(5)。的梯度图像指定核 ,和的定义见公式(6)。

过滤和梯度计算方法提出了基于径向区域可以去除图像的噪声在大多数的情况下保留指定的细胞边界。相比之下,文学的方法(2,33),它有更好的结果,如图8。

2.2。宫颈细胞学的重叠细胞分割图像

2.2.1。构建一个重量图基于候选边界点

指定一个细胞的细胞丛后,研究人员可以获得一个梯度图像通过径向区域梯度算法,然后搜索候选轮廓点 。细胞的重量地图构造使用候选像素点。对于一个给定的细胞,有一个且只有一个真正的轮廓点在径向方向。一般来说,轮廓点在径向方向上的最大梯度值。然而,由于重叠的细胞和其他原因,最大值在径向方向上可能不是真正的轮廓点。因此,有必要找到较大的像素点的梯度值在径向候选轮廓点,然后找到真正的细胞轮廓候选轮廓点。

单元格的细胞丛,径向上的像素点与中心和细胞核方向被定义为 ,和离散点的径向可以被定义为 。为了获得候选轮廓点在径向上 ,研究人员首先安排径向上的像素强度值的降序排列,并采取第一个1/3的点作为主要选择点候选轮廓点。事实上,候选轮廓点包含在这些像素点。如果一个候选人像素大的梯度值,周围的像素也可能大的梯度值。链接算法(35)用于集群候选轮廓点的坐标。点最大梯度值在每个类别的聚类结果是选为候选细胞轮廓的位置。候选轮廓位置的梯度图像显示为红色标记在图9(一个)。

它可以从候选点的渐变映射每个候选细胞轮廓点在径向方向上包含真正的轮廓点。接下来,研究人员构建这些候选轮廓点体重图,并使用重量图的路径搜索算法来完成细胞的粗分割边界。

为了完成候选轮廓点的图施工,候选轮廓点的起点是指定的种子轮廓点。当种子在径向线段轮廓点,其他候选轮廓点在径向方向上被删除。以下三个步骤来确定候选轮廓点是一个种子轮廓点:(1)检测候选轮廓点位于细胞丛的边界(2)连接指向中心的原子核,如果任何时候在后台连接线路,排除了这一点(3)计算所有种子轮廓点的平均距离的中心核,并且只保留种子轮廓点的距离的中心核小于轮廓点的平均距离

研究人员可以获得种子轮廓点通过使用上述三个步骤。种子轮廓点标记为绿色如图8 (b)。接下来,根据获得的候选轮廓点和种子轮廓点,一个细胞粗分割体重构造图。重量图施工主要分为四个步骤:(1)构造列空车重量图 ,每一列的重量图对应于一个径向宫颈细胞学的形象(2)选择任何种子轮廓点在图像轮廓点开始,并将一个节点添加到第一列的图(3)从轮廓点开始,选择三个候选轮廓点接近它在下一个径向方向,并向其中添加三个节点的下一列图(4)等等,直到重量列节点图都增加了

2.2.2。生成边界重量和最短路径

节点之间的权重的一代重图的核心步骤使用图方法解决问题最佳的轮廓。以下结构重量图中的节点之间的权重在轮廓点的属性和属性之间的线段轮廓点。

虽然重叠细胞,不均匀的照明,和人工制品会降低图像质量,大多数细胞边界仍然是可识别的。通过观察图像中轮廓点,可以看出不同的候选轮廓点的强度和梯度位于边界有某些相似之处。细胞轮廓点的径向渐变和窗口的意思是用于定义节点之间的权重的重量图。

定义 随着像素的像素值 的位置, 为指定的中心核;在径向方向上 ,候选轮廓点 是中心的原子核最远的地方;是核的中心之间的线段 和点 。图10显示了一个示例在不同的方向。

摘要Bresenham算法(36)是用来获取坐标点 在 和 线段和径向方向不同 的坐标点 沿着定义如下所示:

坐标点的径向渐变 显示如下:

图(11日)显示了梯度径向强度分布。为了更好地测量轮廓点之间的强度相似,灰色的窗口的意思是用于替换的强度值等值点,和的定义窗口的意思显示如下:

的公式,是 集中在附近窗口 点, 强度值的像素的窗口。图11 (b)显示了径向窗口意味着强度分布。

体重的两个连接节点图,较小的径向梯度值和均值之间的差异,他们越有可能属于同一细胞。gradient-window平均体重定义见公式(10)。的强度分布gradient-window意味着如图11 (c)。

候选轮廓点之间的距离是一个非常重要的条件测量轮廓点之间的相似性。一般来说,在相邻两个轮廓点之间的距离越小径向方向,可能性就越大,这两个点属于同一细胞。如图12为节点,很明显,C,它是接近的轮廓点C b。事实上,“轮廓点”和“C轮廓点”躺在指定的细胞的轮廓。使用距离权重有两个主要优点:(1)距离权重减少轮廓远离相应核的可能性;(2)距离权重保持胞质边界尽可能顺利。摘要候选轮廓点之间的距离属性选择重量重量的距离图。体重节点之间的距离定义为

轮廓点重量相邻节点之间的权重图可以从gradient-window意味着获得属性和距离属性。的定义显示如下:

在这里,和是梯度均值的重量因素属性项和属性项的距离,分别。之前相结合,和归一化[0,1]。

轮廓点之间的相似度有一定的局限性,它只能反映局部轮廓的特征点,并不能提取足够的细胞质轮廓特征。因此,线段之间的轮廓点的属性作为补充进一步采用轮廓点的属性。

轮廓点的线段是指候选轮廓点之间的线段 在线段在径向方向和候选轮廓点 在线段 。对于大多数细胞边界越近,从径向方向90度,越有可能成为一个真正的细胞轮廓。因此,径向方向之间的角度和方向线段被定义为属性,定义如下所示:

通过观察细胞图像,可以看出细胞轮廓明显的梯度,在图像的灰色领域,边界地区有巨大的差异。因此,梯度和方差是用来定义属性权重的轮廓部分地区。轮廓段区域通过执行形态学操作得到的轮廓线段,如下所示:

其中,表示一个结构元素的半径3和是一个形态扩张操作。轮廓段区域属性的定义显示如下:

在这里,代表的梯度值像素;代表的像素数量 ; 代表的标准差。

通过上述的分析和定义轮廓线段方向和区域属性,本文定义了轮廓段重量如图所示如下:

最后,结合候选轮廓点的属性权重和轮廓段获得重量重量之间的连接节点图。的定义显示如下:

重量图构造后,使用Dijkstra算法动态编程算法找到最短路径图。最短路径图中对应的细胞图像分割轮廓,如图(13日)。

2.2.3。细胞轮廓细化分割

自从粗分割边界只有之间的连接候选轮廓点在径向方向上,它只能大致描述指定单元的边界。为了获得准确的细胞质轮廓,本文运用正规化水平集演化的距离(DRLSE)模型(31日)来调整获得的粗分割边界的细胞。粗糙的细胞质分割轮廓作为初始值的获得DRLSE水平集算法。

DRLSE能量函数的水平集算法可以近似表示为

能量函数的最小值是通过解决梯度流,如图所示如下:

当能量函数达到最小值,水平集迭代停止。图13 (b)显示了精制细胞质DRLSE算法的分割结果。可以看出,粗分割细胞边界已经进化到真正的胞质边界附近和红色边界是精制细胞质DRLSE算法获得的分割边界。

3所示。结果

3.1。数据

为了评估的性能提出了重叠宫颈细胞学分割算法,该算法使用数据集评估发表在第一和第二位ISBI重叠宫颈细胞分割的挑战。的样本数据集包含不同数量的宫颈细胞和细胞变化相反,质地,和相邻细胞之间的重叠。表1总结了数据发布的两个挑战。

第一位ISBI颈重叠细胞的挑战是发表在两个单独的数据集包含945合成图像分辨率为512512年。第一次挑战组委会宣布45和90个测试图像合成图像。其中,45合成图像用于调整和培训分割算法的参数和90个测试图像是用来评估算法的性能。第二个数据集包含810年出版合成颈覆盖图像被用来参赛者提交的评估算法的性能。

第二位ISBI颈重叠细胞挑战数据集包含17组宫颈细胞图像从不同的子宫颈细胞样本,训练集的是8和其他人的测试组,每组宫颈细胞图像包含20多层图像和1 EDF(扩展景深)图像(37),每个图像的分辨率是10241024年。每组的图像包含20 - 60细胞分布在不同的细胞团。细胞的数量在丛和相邻细胞之间的重叠率是不同的。每组堆叠的图像,每幅图像对应于不同的焦平面相同的样本。在显微镜下不同的焦平面的深度大约是1微米。测试图像标记的胞质边界手工注释。重叠的细胞分割算法提出了评估测试图像在不同的数据集。

3.2。细胞质分割评价方法

宫颈细胞学分割评价方法指定的位ISBI挑战包括:基于像素骰子相似系数 ,基于像素真阳性率 ,基于像素假阳性率 ,和基于对象的假阴性率 。如果度量值之间的重叠区域获得细胞的分割区域和手动标记(金标准)细胞区域高于指定的阈值,分割算法是成功识别细胞。显示如下:

在这里,在该地区代表像素的数量。位ISBI挑战指定的阈值= 0.7为正确的细胞质识别。细胞的人工标注(金标准)的数据集,如果没有价值之间的分割细胞和手动标记细胞分割结果大于0.7,据说分割算法无法正确分割细胞。

细胞质评价标准位ISBI提供的挑战是基于像素点的假阳性率。由于小细胞大小相对于图像大小,先前的研究[4,15,23,28,37)取得了分割结果小于0.01为不同的数据集。可以看出指标不能有效测量不同细胞质分割算法的性能。因此,本文采用基于对象的错误识别率提出了在24)来取代用于位ISBI挑战。代表的比例误认为细胞质中识别的对象分割算法。的结合和可以有效地估计细胞质识别不同算法的性能。本文采用几何平均指标的和测量的总体性能分割算法的准确性和识别率。几何平均(24)被定义为

3.3。细胞质分割结果

摘要DLRSE细胞核细化分割算法的参数设置如下:内部迭代的价值= 10;外的价值= 5;常规的重量 ;的时间步= 5。伸直长度重量参数的功能和区域能源功能的零水平集 , ,分别。

重量值和距离的属性,研究人员需要找到最佳的组合和这样重叠细胞分割算法达到最高度量值在训练集上。5集的范围内的参数(0.2,0.5,0.8,1.5)和10套参数(0.2,0.4,0.6,…,2),(0.8,1.4)的最优组合和通过实验发现了获得最大 。最高的实验结果 , 和最低的和如表所示2。

发布的测试数据集ISBI2014挑战包含810个图像与不同的细胞数量和细胞重叠比率。测试集的810张图片被分成45子集根据细胞数量和重叠率,和每个子集包含18个合成图像相同的细胞数量和重叠比率。基于45 ISBI2014测试集的子集,分割算法的性能与不同的细胞数量和重叠率可以被评估。细胞图像分割结果的算法= 0.7为不同的细胞数量和重叠率如表所示3。它可以清楚地看到,当细胞之间的重叠率是在[0,1],我们的算法可以识别所有细胞和获得不小于0.95。当重叠率的范围[0.1,0.2],该算法也可以识别所有细胞,当细胞的数量小于6;当细胞的数量大于6,只有单个细胞并不确定。因此,重叠率小于0.2时,我们的算法可以忽略图像中重叠细胞的数量,和细胞分割度量结果和分别超过0.95和0.93。上述分析表明,重叠细胞本文算法不仅可以准确地识别细胞重叠细胞图像的重叠率的范围(0,0.2),但也准确地细分。

当重叠比率[0.2,0.4],鉴定细胞数量的比例与增加细胞数量略有增加。当重叠细胞的数量小于8,分割精度指标指标和指标都高于0.86。当重叠率[0.4,0.5],正确识别重叠细胞率显著降低,细胞的数量的增加。这是因为当细胞重叠,细胞边界的解析是显著降低,这使得该算法无法准确地识别细胞。

从表可以看出3当只有2或3细胞图像,度量值小于0.07的算法。当图像的重叠率在[0,0.3],本文算法可以识别所有重叠的细胞。尽管一些细胞重叠率的范围[0.4,0.5]没有正确识别,我们的算法是基于对象的假阳性率接近0.1。这表明,当细胞的数量很小,大部分重叠细胞可以正确确定即使重叠率高。

当细胞之间的重叠率范围(0.4,0.5),两者都有和指标为正确识别细胞高于0.8。可以看出,即使在重叠的细胞团重叠率高和大量的细胞,我们的算法仍然可以表现良好在细胞的识别和分割重叠细胞丛。图14可以更清楚地显示分割结果的变化趋势与细胞的数量和重叠率。

数据集ISBI2014和ISBI2015挑战,一些学者提出了不同的重叠细胞分割方法。接下来,根据测试数据集的位ISBI挑战,该方法和其他重叠宫颈细胞分割比较定量和定性的方法。

首先,比较算法与本文算法中提到的其他文献的基础上,测试组ISBI2014挑战,包括ISBI2014挑战冠军和亚军算法:Ushizima et al。16],Nosrati和Hamarneh [38挑战(后),和一些算法14,23,28,37]。的n, based on the 9 EDF images of the ISBI2015 test set, our algorithm is quantitatively and qualitatively compared with the ISBI challenge winner and runner-up algorithms: Phoulady et al. [23)和Ramalho et al。39和最近的一些算法22,28,37,40]。

如表所示4基于ISBI2014挑战的测试集,粗体是最好的结果指标的比较结果。测试集包含810宫颈细胞图像用不同的数字和重叠比率。从指标表4,可以看出,以往的研究细胞质分割算法获得高的度量值,和Phoulady的算法(240.901性能是最好的。

对于这个数据集,前面算法的度量值都大于0.8。最低的陆的算法0.805,最高的是Tareef三步分水岭算法,一个值为0.94。结合和指标,可以看出早期的算法有更高的分类精度为正确识别细胞质。和度量值的细胞分割算法0.904和0.927,分别度量值高于Phoulady最高的算法(24)0.33%。但是,对于度规,我们的算法略低于Tareef三步分水岭算法,但高于其他六个算法。从比较结果可以看出和摘要度量值的分割方法具有更大的优势比其他宫颈细胞分割算法在分割精度。

和度量值描述细胞细胞分割算法的识别能力。从的值在表提供不同的算法4的度量值,可以看出不同的算法有很大的不同。下度规,该算法和Phoulady的算法24和其他方法相比有很大的优势,该算法获得的最低度量值。Ushizima算法中,陆和Phoulady提供度量值,Phoulady的算法(24)达到最低度量值,本文的算法是略高于Phoulady的算法。的度量的算法和Phoulady算法远低于其他三个方法提供指标。结合和测量结果,可以看出,与其他方法相比,本文算法和Phoulady24在重叠的细胞识别有很大的优势。

为了更全面地评估算法的性能对重叠细胞检测和分割,本文通过度量评估上面的方法 。从表可以看出4这一卢和Ushizima方法的测量值很低,0.782和0.799,分别;的测量的值Nosrati, Phoulady [23)、李和Tareef方法中,在0.868和0.898之间。本文和Phoulady [24)算法有更高的测量值分别为0.918和0.915。

4所示。讨论

总之,ISBI2014合成数据集下的 , , 指标,本文算法与其他算法相比取得最好的结果。下和指标,我们的算法仅略逊于表现最好的方法。因此,对于ISBI2014数据集不同的细胞数量和重叠率,本文算法取得更好的分割结果。

表5展示了我们的之间的比较结果的重叠细胞分割和其他算法基于ISBI2015挑战测试集,在这个指标的粗体是最好的结果。测试集包含9 EDF图像,每幅图像包含多个细胞团,和细胞团包含不同的细胞数量和重叠率。

ISBI2015数据集,我们的算法达到最好的度量值相对于其他方法 , ,和指标。为度规,前面的算法获得更高的度量值,最低的是Phoulady [22)算法,用值为0.831;最高的是李的算法,值为0.879。本文的算法是5.57%和0.11%高于下的两种算法分别度量。在识别率方面,不同的算法有很大的区别。的度量价值Ramalho算法只有0.501。近年来,一些算法有显著提高重叠细胞识别的性能,如Phoulady和Tareef的算法。下指标,这两个算法获得的值0.352和0.336,分别是42%和47%低于Ramalho的算法,分别。相比之下,Phoulady et al。23),Tareef [37)算法减少了5%和10%,分别。可以看出,本文算法有很大的优势在重叠细胞检测。本文的算法也达到最好的结果评价指标,3%和3.5%高于Phoulady的(23]和Tareef的[37)算法,分别。

ISBI2014和ISBI2015挑战数据集,我们的算法达到最好的结果 , ,和指标。自从ISBI2015数据集是一个真正的宫颈细胞学图像,图像质量是更严重的受到不均匀的照明和细胞重叠。因此,基于ISBI2015识别率和分割精度低于ISBI2014数据集的数据集。

图15显示了本文的重叠的细胞学分割结果手工注释,和其他四个算法ISBI2014合成图像和ISBI2015 EDF图像。如图15 (b),Ushizima重叠细胞分割方法16)使用直线段相邻重叠细胞中分离出来。很明显,这种方法不能获得准确的边界重叠细胞之间。这种方法使用分水岭算法分割结果,不能描述真正的重叠细胞之间的界限。相比之下,Tareef的算法(37)解决这个问题用一个椭圆模型和迭代的分水岭算法。从图可以看出15 (e)细胞之间的重叠边界可以使用椭圆的分水岭算法估计模型。

从图可以看出15 (c)Nosrati,细胞分割的算法(38)通常位于真正的细胞,导致假阴性率高且仅描述一个近似细胞边界。陆等人提出的方法。14)执行对合成重叠细胞图像的分割。然而,法国电力公司(EDF)图像,虽然分割方法可以大致部分重叠的细胞,分割结果不理想,和oversegmentation undersegmentation是认真的。在四个定性方法相比,提出的MPFW方法Tareef et al。37)最好的分割结果,这种方法会取得更好的结果,无论是人造细胞图像或法国电力公司(EDF)图像。然而,由于该方法采用迭代前的水平集方法椭圆,取而代之的是椭圆重叠边界,导致很多情况下oversegmentation。

图15 (f)本文算法的分割结果对合成图像和EDF图像。观察本文的分割结果可以看出重叠细胞本文分割算法能够成功检测单元边界位于重叠区域。通过比较图15 (f)黄金标准的数字(15日)细胞质分割结果,可以看出本文非常类似的黄金标准的边界。因此,重叠的宫颈细胞分割方法提出了可以完成细胞的分割重叠细胞团的不同类型的数据集。本文算法有一些在法国电力公司(EDF)图像分割错误。原因是一些细胞之间的遮挡EDF形象太严重,和细胞完全重叠细胞之间,所以无法获得准确的候选边界点。

5。结论

本文提出一个重叠的细胞学ISBI2014分割方法合成数据集和ISBI2015真正的宫颈细胞数据集。重叠的宫颈细胞图像的噪声可以显著抑制由径向区域滤波算法,提出了基于单元和单元边界的对比图片保存。通过生成的图形和边界权重基于候选轮廓点的属性和轮廓线段,粗分割边界。比较该算法与本文算法中提到的其他文献的基础上,测试组ISBI2014和ISBI2015测试集,我们的分割方法具有更大的优势比其他宫颈细胞分割算法在分割精度。观察本文的分割结果可以看出重叠细胞本文分割算法能够成功检测单元边界位于重叠区域。它可以看到从重叠的细胞质的定量和定性评价结果本文分割算法取得更好的分割结果。与其他当前重叠的细胞质分割算法相比,本文的分割结果有很大的优势。接下来,作者将研究宫颈癌筛查的关键技术,基于神经网络图的关注。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

这部分工作是支持哈尔滨商业大学青年储备人才支持计划(2020 cx22)和哈尔滨商业大学博士研究支持计划(22 bq29)。