英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
血涂片图像中识别和红细胞自动计数系统
摘要
红细胞计数在识别患者的整体健康状况中起着至关重要的作用。医院使用血细胞计数器计数血细胞。在显微镜下放置涂片和手动计数细胞的常规方法导致错误的结果，并且医学检验技术人员处于压力之下。计算机辅助系统将有助于以更少的时间获得精确的结果。这项研究工作提出了一种计算红细胞数量的图像处理技术。它旨在检查和处理血涂片图像，以支持红细胞计数并自动识别图像中正常细胞和异常细胞的数量。使用对外部噪声强健的K-medoids算法从图像中提取WBC。粒度分析用于从白血细胞中分离红细胞。使用标记算法和圆形霍夫变换对获得的红细胞进行计数。圆形绘制算法的半径范围是通过计算像素与边界的距离来估计的，该边界使整个算法自动化。在使用标记算法和圆形霍夫变换获得的计数之间进行比较。研究结果表明，圆形Hough变换在计数红细胞方面比标记算法更准确，因为它甚至能够成功地识别重叠细胞。该工作还打算比较使用所提出的方法和手动方法完成的细胞计数结果。这项工作旨在解决以前研究工作的所有缺点。研究工作可以扩展到提取鉴定出的异常细胞的各种质地和形状特征，从而可以最早检测到炎症和慢性病贫血等疾病。
关键词：血涂片；圆形霍夫变换；粒度分析；血细胞计数器
1介绍
红细胞（RBCs）也称为红细胞，是最常见的血细胞类型。其主要功能是通过血液循环系统将氧气输送到不同的身体组织。它们携带肺部的氧气，并通过身体的毛细血管进入组织。细胞的红色是由于含有铁的生物分子称为血红蛋白。生理细胞功能，如变形性和稳定性由存在于细胞膜中的蛋白质和脂质提供。白细胞是形成免疫系统一部分。在市场上，血细胞计数器用于计算每升血液中红色和白色细胞的数量。它涉及使用医生的技能来计数细胞。可以在血液学条件下识别异常细胞，但不能计算那些细胞的特征。这个过程经常受到导致细胞数量减少的采样误差。市场上有像流式细胞仪这样的自动分析仪来估计全血细胞计数和白细胞分类计数。该设备利用激光束来识别细胞。使细胞通过激光束，使细胞反射光检测器将检测到的光。获得细胞的化学和物理特性。它需要少量标本样本，并准确计数细胞，但不一定能检测到它们的异常并且非常昂贵。这项研究工作的目的是设计一个系统，以准确地确定红细胞的数量，并确定图像中正常细胞和异常细胞的数量。血液涂片图像的分析在医学领域中起着至关重要的作用，因为它有助于在早期诊断该疾病。它为医生提供了支持，以便做出正确的监测决策，从而预防疾病。红细胞的检测是通过首先将它们从白细胞中分离出来进行的。如果白细胞没有分开，那么WBCs就会被误解为红细胞。计数器使用标记算法和圆形霍夫变换来建立。通过考虑称为形状因子的特征来检测异常细胞，该特征提供关于细胞的不规则尺寸的细节。使用上述两种技术进行细胞计数之间的比较。我们还记录了使用建议方法获得的手动计数和计数之间的差异。
2.相关作品
Patil等人[1]提出了一种识别和计数红细胞的方法。他们确定了手动计数所涉及的缺点。该数据集具有从15名患者收集的图像。输入图像被转换为灰度。将中值滤波器应用于所得图像。然后，在图像上应用Otsus阈值。填充操作是为了正确分割血细胞而进行的。边界处的细胞被清除，因为那些对计算没有太大贡献。得到的图像用两个特定值4和8标记。它们获得了94.58％的准确度。他们还提供了有关RBC手动计数方法的详细信息。在本文中，使用Otsus阈值，如果确定的阈值不正确，可能会产生错误的分割。
Alomari等人[2]提出了一种使用结构化细胞检测算法来测量红细胞的方法。输入图像被转换为灰度。使用阈值140来获得二值图像。他们发现阈值会将白细胞与红细胞分开。从原始图像中减去所得图像以获得RBC。圆圈是在迭代中绘制的。迭代次数取决于边缘像素的数量和边缘像素之间的距离。使用这种方法检测到的圆比正常的圆形霍夫变换（CHT）中的圆更准确，但阈值140不适用于所有图像。如果白细胞未能准确获得，则不能提取红细胞。
Bhagavathi和Thomas Niba [3]提出了一种发现和计数红细胞的方法。使用adapthisteq函数应用输入图像以突出显示红色分量。得到的图像用于边缘检测。为了边缘检测的目的，模糊规则被构造。基于输入值创建FIS编辑器。规则设置为检测这些圈子。他们假设如果圆的半径落在范围内，则它被识别为像素1.如果在半径超出范围的情况下，则它被识别为像素0.为了检测具有共同的圆中心，使用了多个辐射参数。上述操作的输出是一个与输入图像尺寸相同的累加器阵列。生成的图像具有白色背景和黑色边界。图像被补充。进行填孔操作。基于强度，将WBC从RBC中分离出来。使用圆形绘图算法。本文的结果部分表明，在应用圆图算法时，它也将WBC视为RBC。为了避免这些错误，需要进行第二阶段的处理以将WBC与RBC分开。
Maitra等人[4]提出了一种用Hough变换法计算RBC的方法。数据集有五个图像。该图像经过了多个步骤。图像首先转换为灰度图像。adapthisteq函数应用于它。给出的图像用于边缘检测。应用空间平滑滤波。基于它们的大小和形状，使用霍夫变换法来从WBC中分离RBC。从WBC分离红细胞后，将计数器应用于其上。细胞的枚举是通过获得一个公式来完成的。自动获得的细胞计数与手动方法进行比较。在本文中，当应用圆检测算法时，它甚至将WBCs检测为RBC。因此，需要将RBC与WBC分开的第二个处理步骤。
Mazalan等人[5]提出了一种使用Hough变换来计算RBC的方法。将输入图像裁剪成子图像以获得RBC的半径范围。子图像被转换为灰度。形态学的运作，如开幕式，闭幕式和重建等都被应用于它。生成的图像被转换为二进制。图像的边界被清除。计算最小半径，最大半径和标准偏差等措施。圆形霍夫变换与上一步计算出的半径一起作为输入。
Venkatalakshmi和Thilagavathi [6]提出Hough变换来支持红细胞计数而无需人工干预。输入的图像被映射为HSV格式。图像的S分量被提取用于进一步分析。根据直方图确定的最小和最大阈值将图像分成两部分。在对图像应用形态学操作之后，对所得图像执行异或操作。使用CHT（圆形霍夫变换）绘制的圆圈数描绘了RBC的数量。
Sreekumar和Bhattacharya [7]提出了循环Hough变换来枚举单元。色相和饱和度被消除，图像的对比度增强。应用阈值操作来消除图像的背景。他们没有选择进一步分割，因为他们认为红血细胞比白细胞更圆。圆形霍夫变换用于检测红细胞。 imdistline函数用于获取半径范围。当白细胞偏离圆形时，使用的方法是合适的。由于WBC没有与红细胞分开，因此它将WBCs误解为RBC。当细胞数量少时，“imististline”是合适的。使用此功能测量半径是一项乏味的任务。
Tulsani等人[8]提出了一种方法来提取红细胞和计数他们使用分水岭变换。 Ycbcr与形态学操作的组合被用于实现它。在预处理步骤中，将图像从噪声中解放出来，并应用平滑处理。图像被转换为Ycbcr格式。结果的第二部分得到了。他们发现Ycbcr格式克服了照明问题。使用了具有特定结构元素的形态学开放。产生的图像具有WBC和血小板。进行减影和开放的另一步骤以获得两个与WBC和血小板分开的图像。为了仅获得RBC，将输入图像转换为灰度，并且使用通过重建操作的打开。对所得图像应用侵蚀和重建操作。从整个图像中减去白血细胞的面膜。使用分水岭变换将重叠的细胞彼此分开。最后的计数操作完成了对细胞进行计数。
Rakshita和Bhowmik [9]提出了一种使用形态学操作和边缘检测来识别镰状细胞的方法。图像转换为二进制，并使用维纳滤波器分离噪声。边缘检测使用Sobel算子进行。估计细胞的面积和周长以获得形状因子。形状因子在（0.5-1）范围内的对象被认为是正常的，而下面的被认为是异常的。
3问题陈述
红细胞计数的测定在医学领域中起着至关重要的作用。 目前的程序高度依赖于医生在确定计数方面的技能。 执行自动计数的设备非常昂贵，并且无法确定是否存在异常单元。 为了计算血涂片中的红细胞，需要通过从其他细胞中分离来准确地提取和计数它们的算法。
4方法论
血涂片图像从Kasturba医学院，Manipal，卡纳塔克邦和血液学图谱收集。由于L层具有接近人眼的亮度，图像被转换为MATLAB色彩空间。与红细胞的大小相比，白细胞的尺寸会更大。这里的主要目标是将WBC与RBC分开。以前在该领域的工作并没有准确地将白血细胞从红细胞中分离出来，导致白细胞被误解为红细胞。K-medoids算法用于分割图像。获得沿着红色通道的图像的平均强度。白细胞的强度最小。WBC被提取。在图像上应用形态学操作和改进的分水岭变换来分离触摸物体。计数器用于计数细胞。计数值在后期用于将它们与红细胞分开。图1描述了所提出的方法所涉及的步骤。
图1 图像处理方法与步骤
4.1图像预处理
（a）输入图像：用Wrights染色的血涂片图像作为系统输入。这些图像是从正常患者和癌症患者收集的。
（b）将图像转换为灰度：通过消除色调和饱和度元素将图像转换为灰度并保留亮度。
4.2图像分割
（a）将图像转换为二进制形式：使用全局Otsus阈值将图像转换为二进制，因为它可以最小化类内差异。该级别使用此算法计算。它使用一个零级别的对象标记对象之上的对象。使用Matlab中的函数imfill填充从边界无法到达的孔。采用尺寸为1的盘形结构元件进行侵蚀操作。
图2 图像空间中的点和半径不变的参数空间
（b）直方图均衡化：这项研究工作打算将该算法应用于所有类型的图像。某些图像需要对比度调整操作以减少差异。直方图均衡算法通过变换强度图像中的值来增强图像的对比度，使得输出图像的直方图近似平坦。使用全局Otsus阈值将生成的图像转换为二进制。
图3 具有已知半径和未知半径的参数空间
4.3图像后期处理
（a）应用分水岭变换：血涂片将使细胞彼此重叠并彼此紧密相连。如果未分离，触摸单元格会产生不准确的结果。二值图像与噪声分离，并应用距离变换。获得的棱线用于分割二值图像。使用函数imextendedmin消除微小的局部最小值。然后修改距离变换，以便使用函数imimposemin在滤出的位置不出现最小值。输出图像将具有精确分离的对象。
（b）应用形态学开放操作：使用具有2times;2邻域的中值滤波器将图像从噪声中滤除。图像中所有对象的面积使用区域道具函数进行计算并放置在一个数组中。该数组按降序排序，以便在开始时放置较大的面积值。使用具有区域开放功能的XOR操作将红血细胞从白血细胞中分离出来。该函数被设置为循环运行。当WBC细胞计数达到零时，循环终止。区域开放函数的参数是下限和上限。下限设置为1，上限设置为对象的面积。由此产生的图像将只有红血球。分离的准确性为99％。
使用标记算法对单元进行计数：使用标准连接值将图像中的对象标记为8.该算法构造与二进制图像大小相同的矩阵。背景像素标有零值。矩阵将为标记的前景对象具有非零值。计数器被设置为计数标签1的像素数量。红血球的数量由计数器值给出。异常细胞使用形状因子来识别。如果形状系数值在（0.5-1）的范围内，则将其视为正常细胞，否则将其归类为异常细胞。形状系数的计算公式如下：
外形尺寸=4times;pitimes;面积/周长times;周长
使用圆形Hough变换计数单元：圆形Hough变换检测圆形图像。
图4使用标记算法和CHT进行红细胞提取和计数。(a)表示原始图像。(b)描述白细胞。 (c)直方图均衡图像。(d)描述具有所有单元的二进制图像。(e)仅代表红细胞。(f)显示使用圆形霍夫变换来检测红细胞
等式（2）表示参数形式的圆的方程。A和b分别是x和y方向上的圆的中心，r表示半径。
图5使用标记算法和CHT进行红细胞提取和计数。
存在许多技术来检测图像中的圆圈。像Prewitt，Canny和Sobel这样的边缘检测用于检测图像中的边缘。在参数空间中的每个边缘点处以所需半径绘制该圆。图2表示已知半径的参数空间。圆的中心是大多数圆相交的点。圆形霍夫变换有两种情况，一种是已知半径，另一种是未知半径。当半径已知时，确定中心值。当半径未知时，由于将存在三个未知数并且参数空间变为三维，所以它变成具有挑战性的任务。图3描述了已知半径和未知半径的参数空间。
在这项研究工作中，我们打算通过计算边界像素距质心的距离来获得最小和最大半径。程序如下：
（1）为图像中的每个对象获取质心值。
（2）计算边界像素距质心的距离。
（3）最大和最小距离值被记录在一个数组中。
（4）通过从阵列中获取最大值和最小值来为CHT算法设置半径范围。
（5）给出0.76的灵敏度值作为输入以防止误报。
（6）CHT算法通过绘制落在指定半径范围内的圆进行操作。
图6使用标记算法和CHT进行红细胞提取和计数.(a)表示原始图像。(b)描述白细胞。(c)直方图均衡图像。(d)描述具有所有单元的二进制图像。(e)仅代表红细胞。(f)显示使用圆形霍夫变换来检测红细胞
图7. 使用标记算法和CHT进行红细胞提取和计数。(a)表示原始图像。(b)描述白细胞。 (c)直方图均衡图像。(d)描述具有所有单元的二进制图像。(e)仅代表红细胞。(f)显示使用圆形霍夫变换来检测红细胞
5结果和讨论
在本节中，将使用标记算法和圆形霍夫变换获得的细胞计数值进行比较。它也与手动计数相比较。使用K-medoids算法来获得WBC掩模。该算法克服了K-means算法存在的噪声
全文共7027字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[13602]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
