团簇宫颈细胞图像中细胞核分割与分类算法研究

摘要

随着计算机技术被普遍应用于各个领域，利用图像处理与模式识别技术结合病理学知识，辅助医生完成诊断，成为了目前机器视觉领域的研究热点之一。宫颈癌是最常见也是唯一病因明确的女性恶性肿瘤，其发生与发展是一个逐渐演变的过程，且前中期病变的治愈率较高，因此定期检查，及早发现一些癌前病变，可以有效地规避罹患宫颈癌的风险。 近年来，国内外的学者在巴氏涂片的基础上，设计了多种针对不同图片类型的计算机辅助宫颈细胞图像分析算法。本文针对团簇宫颈细胞图像，以细胞核为研究对象，结合图像分割、特征提取与分类识别步骤，实现了病变宫颈细胞核的筛查。具体工作如下： 1．首先利用自适应阈值Otsu算法结合数学形态学操作定位巴氏涂片中的细胞团簇，之后利用选择搜索从整幅图像中提取感兴趣区域，通过以上两个步骤完成团簇细胞图像中感兴趣区域的提取。在此基础上，对提取到的所有感兴趣区域进行筛选以获得细胞核区域，本文定义了一个名为最大截面的特征，利用该特征结合Back Propagation(BP)神经网络完成了细胞核筛选。 2．在提取到的细胞核区域的基础上，本文基于灰度直方图分布将不同对比度细胞核分为高对比度组和低对比度组。对于高对比度组的细胞核图像，直接利用Chan-Vese(CV)模型对其进行分割；对于低对比度组的细胞核图像，首先利用Canny算子与数学形态学操作相结合的方法实现图像对比度增强，之后再利用CV模型完成细胞核分割。 3．基于分割结果以及最大截面特征的细胞核形态特征和基于灰度共生矩阵的纹理特征结合BP神经网络实现对细胞核的二分类——正常细胞核与异常细胞核，完成病变细胞核筛查。 实验结果表明，本文提出的细胞核图像区域提取步骤很大程度上保证了整幅巴氏涂片中细胞团簇区域细胞核的全部获取；在分割任务中，该算法不仅可以精细分割出高对比度细胞核图像，还可以在对比度增强的基础上精细分割出低对比度图像。在分类任务中，以选择性图像增强的分割结果为基础得到的细胞核面积参数更加精确，同时基于最大截面特征的估计高度和估计宽度的获取方法更加简便。基于BP神经网络的分类器对正常细胞核与异常细胞核分类最高准确率可达到100%。本文可以为团簇宫颈细胞图像计算机辅助病变细胞核筛查的研究提供参考。

目录

第一个书签之前