英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
翻译：
宫颈涂片图像的核和胞质轮廓检测器
Meng-HusiunTsaiaYung-KuanChana,Zhe-ZhengLina, Shys-FanYang-Maob, Po-ChiHuangc
摘要：
本文研制了一种细胞质和细胞核轮廓（CNC）检测器，从宫颈涂片图像中切除细胞核和胞浆。 本文提出了双组增强器对两个物体间的像素进行清晰的分离，并用最大色差（MCD）方法绘制出最佳的原子核轮廓。 CNC检测器采用中值滤波器消除噪声，双组增强器抑制噪声，提高物体轮廓亮度，K-mean算法从背景中识别胞质，MCD方法提取细胞核轮廓。 实验结果表明，数控检测仪可以给出令人印象深刻的性能。 除了宫颈涂片图像之外，这些提议的技术可以用于从其他图像分割对象。
关键词
宫颈涂片；筛查宫颈癌；图像分割；椒盐噪声；高斯噪声检测
1.介绍
预计2007年美国将诊断出11,150例浸润性宫颈癌，预计有3670名妇女死于这种疾病。在过去五十年中发病率和死亡率一直在稳步下降，这主要是归因于检测宫颈癌和癌前病变的巴氏涂片的广泛使用。子宫颈抹片检查使宫颈癌成为最可预防的癌症之一，但年龄越大，受教育程度越低，受教育程度越低的妇女越不容易筛查，在世界上许多低资源地区的筛查是可能的。在世界范围内，宫颈癌有重大影响，每年有近50万例新病例和近25万例死亡（“妇女健康报告”，2007年）。
与其他导致疼痛相比，明显肿块或其他早期症状的癌症不同，宫颈癌直到发展到如此高级以至于通常对治疗反应迟钝（Frable，1982），才会有明显的症状。仅在最近阶段，宫颈癌引起下腹部或背部区域的疼痛。然而，大多数宫颈癌需要很多年才能从正常的危险阶段发展到危险阶段。宫颈癌是一种可预防的疾病，与大多数癌症不同，可以通过常规筛查试验轻松检测。目前，宫颈涂片检查是检测子宫颈异常细胞存在的最常用方法。用小刷子，棉签或木棒从子宫颈部取出标本，涂抹在薄的矩形玻璃板（载玻片）上，染色，在显微镜下更容易检查细胞。涂片筛查的目的是诊断癌前细胞变化。
发育不良的细胞已经发生癌前病变。它们通常具有较长和较深的原子核，并倾向于聚集在一起。轻度不典型增生细胞核增大，明亮。中度发育不良的细胞核较大，较深。细胞核可能开始变质并形成肉芽。严重发育不良的细胞有大的，黑暗的，并且往往形状奇怪的核;其胞质相对较暗（Martin，2003）。因此，癌前期和癌症与各种形态和结构变化有关，包括胞质和细胞核的质地，大小和形状，色素深浅和多形性。它也增加了核质比例。图1显示了表面鳞状细胞染色以增强对比度。
目前的人工筛查方法是昂贵的，有时会导致人为错误造成的误诊。机器辅助筛查的引入将为社区带来显着的效益，这可以降低财务成本，提高筛查的准确性。定位胞质和胞核轮廓的有效边界检测算法在开发有用的计算机辅助诊断系统中起着重要的作用。
Wu等人（1998）引入了一种适用于具有平滑细胞边界或轮廓的非重叠细胞的图像的参数优化分割方法。然而，处理细胞图像的分割，应充分利用核特性的先验知识;这些特征包括相对于其背景的单元形状，尺寸和强度。
Mat-Isa等人（2005）利用阈值区域增长算法的潜在用途作为一种特征提取技术。该算法被称为种子区域增长特征提取（SRGFE）。 SRGFE用于提取数字图像上特定感兴趣区域的大小和灰度级。在SRGFE算法中，用户需要通过在区域中的任何像素上点击鼠标来确定感兴趣的区域，并指定阈值，这使得系统变得不切实际。
Walker（1997）使用一系列具有八角形结构元素的自动快速形态变换。首先对每个灰度单元图像进行全局阈值化，导致二进制形式的细胞核不完全分割。通过使用小于最小核的结构化元素执行图像的闭合来去除细胞质背景，并且通过类似尺寸的开口来校正核不均匀性。但是，对于本地阈值更适合，不能完全自动化。
在相关文献（Busam等人，2001; Collier等人，2002; Corcuff等人，1996; Inoue等人，2000; Langley等人，2000）中也已经提出了许多其他细胞质和细胞核形态分割方法。 2001; Masters等，1997; Mat-Isa等，2005; Rajadhyaksha等，1999; Rajadhyaksha等，1995; Walker，1997; Wu等，1998）。但是，结果是基于繁琐的手动分割图像。 Martin（2003）和Norup（2005）也采用CHAMP软件对宫颈刮片图像进行分割和分类。不幸的是，CHAMP软件不能提供令人满意的分割性能，特别是对于异常宫颈细胞。本文的目的是开发一个自动化的图像分割系统，从宫颈涂片图像中切断胞质和细胞核，而不需要对图像对象的先验知识。
通常，物体轮廓检测器的精度取决于图像的质量。严重染色的宫颈涂片可能被经血，阴道分泌物，空气中的人工污染等掩盖，从而模糊了宫颈异常细胞。有时，在显微镜下过度曝光或曝光不足也可能使宫颈涂片图像变模糊。这些问题可能会导致提取宫颈细胞胞质和细胞核的困难。
本文提出了一种双组增强器来消除图像上的噪声，并在提取对象之前锐化对象的轮廓。由于宫颈涂片图像上的细胞质和背景可以明显区分其颜色，因此本文将采用K均值算法来辨别图像上的细胞质和背景。大多数情况下，两个不同的相邻物体具有不同的颜色分布。考虑只有两个不同对象的图像，例如图2中的图像所示。在这个图像中，红圈表示将对象A与对象B分开的边界，其中圆圈内侧和外侧的像素的色差是最大的。基于前面提到的特性，本文提出了一种胞质和细胞核轮廓（CNC）检测器来感知宫颈细胞的细胞质和细胞核轮廓。除了宫颈涂片图像之外，这些技术也可用于分割其他图像的对象。Tsai等人（2007）简要介绍了探测器的概念。本文将对此进行更详细的描述，并进行更多的实验和讨论。
2.CNC探测器
边缘检测在图像处理和计算机视觉中被认为是最基本的，在过去的二十年里，Canny边缘检测器（Canny，1986），Sobel边缘检测器（Davies，1990）， Prewitt边缘探测器（Davies，1990）和Roberts Cross边缘探测器（Davies，1990）。 分割是将图像分解为其组成部分以供进一步分析的过程。 我们通常将这些部分称为感兴趣区域（ROI）。 基于边缘检测的分割是经常使用的技术，其基于图像像素或区域内的不相似性或异质性来分割图像。 图3显示了由上述检测器获得的边缘（由红线标记）。 图3说明上述方法只适用于检测轮廓明显的物体。 Canny边缘检测器可以提供更好的性能，但易受噪声影响。
主动轮廓模型（ACM）（Xu and Prince，1998）适用于各种不规则，复杂和/或不规则形状边界，不均匀和嘈杂的内部以及具有小间隙的轮廓提取物体。然而，图4表明，当图像质量差时，ACM不能给出好的分割。 由于胞质的轮廓是变化的，因此也很难确定snake的张力和刚性的加权参数。另外，ACM对初始轮廓非常敏感。
大部分图像分割方法运行良好，图像质量好，对象轮廓鲜明。 然而，宫颈涂片图像经常受到污染，宫颈细胞的细胞质和细胞核轮廓常常模糊，特别是对于宫颈异常细胞。 因此，本文采用双组增强器来增强图像中物体的轮廓。 本文还提出了一个最大色差（MCD）方法来根据它们的色差区分一个对象和其他对象。
CNC检测器包含三种方法：双组，胞质体轮廓检测和核轮廓检测方法。双组方法是抑制噪声并强调边缘像素; 胞质体轮廓检测方法利用K-means算法将胞质与背景分开; 核轮廓检测方法采用MCD方法绘制核的轮廓。本节将详细介绍三种方法。
2.1. 双组方法
图像分割任务直接取决于图像的质量。 当图像被噪声破坏时，生成精确的边缘图成为非常关键的问题。 在过去的研究中已经提出了几种去噪技术，如均值滤波（Gonzalez and Woods，2002），中值滤波（Gonzalez and Woods，2002），高斯滤波（Gonzalez and Woods，2002） B型过滤器（Russo和Lazzari，2005）。 图5a是通过添加一些脉冲噪声而创建的图像，图6a是具有一些高斯噪声的颈部图像。图5和图6表明只有中值滤波器可以消除脉冲噪声和高斯噪声。因此，本文采用中值滤波器来丢弃脉冲和高斯噪声。
术语“边缘”代表在给定的任务中被认为是重要的足够强度的局部亮度变化。先前已经提出了许多基于抑制的上下文边缘检测技术。Russo和Lazzari（2005）提供了一个A型滤波器来增强对象的轮廓。考虑待处理像素与其邻居之间的差异如下：小的差异被认为是应该降低的噪声梯度; 大的差异被认为是应该保留的边缘点的差异。对图像通道应用两步程序以增加平滑操作的效益。因此，A型像素是那些与邻域没有太大差别的噪声所破坏的像素。
Yin等人（2004）也提出了一种自动自适应的窗口级选择算法（所谓的自适应图像优化（AIO）），以实现改进的性能。 在该算法中，首先利用方差变换和积分投影提取感兴趣区域（ROI） 其次，可以在检测到的ROI中获得最大值，最小值，平均值等图像统计值; 最后根据图像统计值确定窗口和电平，利用三次样条插值可以得到对比度传递函数。通过AIO，可以通过自适应地增加最大动态范围来提高图像的质量。
图7和8示出了由A型预滤波和AIO算法处理的图像。然而，在这些方法中的任何一种方法中，抑制都对附近的周边像素产生影响，这些像素肯定被认为是背景，胞质或细胞核。 因此，本文提出了双组增强器来有效地将对象像素与其他对象像素隔离。
2.2.细胞质轮廓检测方法
核的区域通常远小于胞质和宫颈涂片图像的背景。图10a是宫颈涂片图像; 图10b显示了它的颜色直方图。 在图10b中，接近两个最高峰的颜色框是细胞质和背景的颜色分布; 核的颜色分布位于颜色框的左侧。宫颈涂片图像上的细胞质和背景的颜色分布显然可以与图像的颜色直方图区分开来。CNC检测器因此采用K均值算法（Su和Chou，2001）来辨别细胞质上的像素和背景上的像素。
假定宫颈涂片图像的像素颜色是从n0到n1，其中0le;n0，n1le;255。由于宫颈涂片图像上的核像素数量少且核的像素颜色较暗，为了防止通过K均值算法的聚类受核的像素颜色的影响，CNC检测器将像素用从Ci ε到Cn的颜色分成两组，其中ε是给定的常数并且Ci也是 因为Cn是最小和最大的像素颜色。然后，将具有较高像素颜色的组中的像素视为背景像素，并将其他像素作为胞质像素。
以下步骤解释了如何使用K均值算法将Ci ε和Cn之间的颜色像素分为两组：
步骤1：
从Ci ε和Cn之间的间隔中随机选择两个不同的值作为两组的值。
第2步：
将Ci ε和Cn内的图像的每个像素根据其距离与每个组的代表值相比分成两组中的一组。
然后用每个组的代表值代替组中像素的平均颜色。之后，重复步骤2，直到每个组不变或迭代计数大于给定的常数。
2.3.核轮廓检测方法
大部分核的区域都很小，颜色强度变化很大。因此，K均值算法不能精确区分它们与细胞质。CNC检测器因此提出了一种检测细胞核轮廓的最大色差（MCD）方法。 MCD方法可用于从另一个对象A辨别对象B.在该方法中，首先指定初始轮廓S以将图像划分为S内部和外部的两个区域。当给定初始轮廓S时，重复MCD方法根据S内外区域的色差D将S上的像素向内或向外移动，直到D最大。在这里，我们称D为S的色差。因此，当S的D最大时，S是预期的轮廓。
图11示出了分别位于对象B的边界内和外部的三个红圈3所表示的三个S，其中
全文共7507字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15247]，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。
