ECCC'ye dayalı hücre görüntü segmentasyon algoritması
Zhang Ruihua
(Fizik ve Bilgi Mühendisliği Fakültesi, Jianghan Üniversitesi, Wuhan 430000, Hubei)
Yapışma hücrelerinin görüntüsünü hedefleyen ECCC (Onbir Bileşen Zincir Kodu) zincir kodu segmentasyon algoritması önerilmiştir. Öncelikle hücre kenarı ikili görüntüsünde zincir kodu istatistikleri ve kenar bükülme noktası tespiti yapın Yeni algoritma Freeman zincir kodunu geliştirir Zincir koduna kenar bükülme noktasını temsil eden yeni bir zincir kodu elemanı eklenir ve ardından kenar bükülme noktasının zincir kodu farkı hesaplanır. Gerçek segmentasyon noktalarını tarayın ve son olarak, segmentasyon noktalarının doğrusal enterpolasyonu ile adhezyon hücrelerinin segmentasyonunu gerçekleştirin. Deneysel sonuçlar, 2 adhezyonlu ve 3 adezyonlu hücreler için ECCC yönteminin segmentasyon başarı oranının sırasıyla% 100 ve% 98 olduğunu ve ortalama zaman tüketiminin sırasıyla 0,42 sn ve 0,67 sn olduğunu ve bu da geleneksel zincir kodu segmentasyon yöntemine kıyasla hesaplamayı yaklaşık% 55 azalttığını göstermektedir. Karmaşık hücre görüntüsü segmentasyonunda belirli bir geçerliliği ve uygulanabilirliği vardır.
Görüntü işleme; görüntü bölütleme; hücre yapışması; zincir kodu
TP391; TP37
Belge tanımlama kodu: Bir
10.16157 / j.issn.0258-7998.2016.07.032
Çince alıntı biçimi: Zhang Ruihua. ECCC'ye dayalı hücre görüntü segmentasyon algoritması. Application of Electronic Technology, 2016, 42 (7): 126-129.
İngilizce alıntı biçimi: Zhang Ruihua.Kök hücrelerin görüntü dizileri üzerine ECCC algoritması.Elektronik Tekniğin Uygulanması, 2016, 42 (7): 126-129.
0 Önsöz
Geleneksel tıbbi hücre görüntü bölütleme yöntemleri, esas olarak bölge tabanlı bölümleme yöntemini ve kenar tabanlı bölümleme yöntemini içerir, ikincisi esas olarak şunları içerir: kenar algılama yöntemi, deformasyon modeli tabanlı yöntem ve zincir kodu yöntemi.
Zincir kodu, görüntü sınırını ifade etmek için eğrinin başlangıç noktasının koordinatlarını ve sınır noktasının yönünü kullanan bir kodlama yöntemidir.Genellikle görüntü işleme, bilgisayar grafikleri ve örüntü tanıma alanlarında kullanılır. Zincir kodu yöntemine dayalı görüntü bölümleme genellikle 5 adım kullanır: sınır algılama, zincir kodu istatistikleri, bükülme noktası kararı, bölümleme noktası taraması ve doğrusal ara değerleme bölümleme. Etkili hücre görüntüsü segmentasyonu elde etmek için, üç koşul karşılanmalıdır: (1) Tam ve net hücre kenarları; (2) Gerçek segmentasyon noktalarının değerlendirilmesi; (3) Küçük hücre yapışmalarının (hücreler üzerinde küçük siyah noktalar) ortadan kaldırılması ve çok hücreli adhezyon segmentasyonu.
Lu Zongqi ve arkadaşları, her sınır noktasının zincir kodu farkını hesaplayarak konturun dışbükey ve içbükey köşelerini değerlendirdi ve hücre segmentasyonu elde etmek için eğrilik yarıçapı ve eşdeğer çevre gibi karakteristik parametreleri birleştirdi.Bu yöntem daha iyi bir segmentasyon etkisine sahiptir, ancak büyük miktarda hesaplama ve segmentasyona sahiptir. Yavaş hız sorunu. Niu Qingxiao ve diğerleri, yeni bir kontur tanımlama yöntemi önermek için zincir kodu ve dalgacık dönüşümünü birleştirdi, ancak sınır fonksiyonunun tek boyutlu dalgacık dönüşümü, sınırın başlangıç noktasına daha duyarlıdır ve bu da algoritmanın zayıf değişmezliğine neden olur. Zhang Yu ve arkadaşları, su havzası algoritmasını analiz ettiler ve hücre segmentasyonu elde etmek için zincir kodu fikirlerini kullandılar.Deneysel sonuçlar, işaretlenmiş havzanın aşırı segmentasyonu etkili bir şekilde önleyebileceğini göstermektedir. İşaretçi hücre sınırına düştüğünde, algılanan sınır, az miktarda yanlış kenar noktaları ve izole edilmiş noktalar içerecektir.
Önceki araştırmaya dayanarak, bu makale, tıbbi hücre görüntülerinin hızlı segmentasyonunu sağlamak için bir ECCC (Eleven Bileşen Zincir Kodu) zincir kodu segmentasyon algoritması önermektedir. Deneysel sonuçlar, algoritmanın hızlı segmentasyon hızına ve yüksek doğruluğa sahip olduğunu ve karmaşık hücre görüntülerinin segmentasyonunda belirli bir etkinliğe ve uygulanabilirliğe sahip olduğunu göstermektedir.
1 ECCC zincir kodu
Beyaz kan hücreleri ve nöronal kök hücreler iki yaygın oval benzeri tıbbi hücredir. Bu makale yeni bir zincir kodu modeli ECCC önermektedir. ECCC, oval benzeri hücreler için bir zincir kodu bölümleme yöntemidir. Üç yeni zincir kodu öğesi "S", "8" ve "S", "8" ve "9". Konturun dışbükey ve içbükey köşelerini belirlemek için her sınır noktası için zincir kodu farkını hesaplaması ve hücre segmentasyonu elde etmek için eğrilik yarıçapı ve eşdeğer çevre gibi karakteristik parametreleri birleştirmesi gereken geleneksel zincir kodu modelinden farklıdır.Yeni algoritmanın yalnızca ECCC kodundaki farkı hesaplaması gerekir. Zincir kodu elemanı "8", doğru bölümleme noktasını belirlemek için zincir kodu farkını hesaplar, bu da bölümleme hızını ve doğruluğunu büyük ölçüde geliştirir.
Spesifik kodlama süreci:
(1) Başlangıç noktası "S" yi konumlandırın. Hücre sınırını yukarıdan aşağıya ve soldan sağa sırayla tarayın ve karşılaşılan ilk piksel, zincir kodu "S" olarak belirtilen başlangıç noktasıdır.
(2) Kenar bükülme noktasını tespit edin ve bulun. "S" den başlayarak sınırı saat yönünün tersine izleyin. İki bitişik sınır noktasının zincir kodu yönleri zıt olduğunda, örneğin, birincisinin yönü yukarı (üst, sağ üst ve sol üst) iken ikincisinin yönü aşağı doğrudur (doğrudan aşağı, sağ) İlkinin yönü sola (pozitif sol, alt sol ve üst sol) ve ikincisinin yönü sağ (pozitif sağ, alt sağ ve üst sağ) olduğunda, geçiş noktasında "8" öğesini işaretleyin.
(3) "9" bitiş noktasını bulun. Sınır noktaları arasında en büyük y değerine sahip piksel bitiş noktası "9" olarak işaretlenir. Birkaç nokta en büyük y değerine sahipse, en küçük x değerine sahip nokta seçilir.
(4) Zincir kodu izleme. Konturu "S" başlangıç noktasından kontur kapanana kadar takip edin ve başlangıç noktası ile bitiş noktasının zincir kodu yönü aynı olduğunda sona erer.
Şekil 1 (a) 'daki başlangıç noktası "S" nin konumlandırılması, yukarıdan aşağıya, soldan sağa, "S" den başlayarak ve sınırı saat yönünün tersine, başlangıç noktasına kadar izleyerek, kontur kapalıdır veya aşağıdan sağa Yukarı ve sağdan sola sıralaması. İkisinin izleme yöntemleri aynıdır, fark taramanın başlangıç noktası ve sırasındadır. Şekil 1 (b) 'deki Freeman zincir kodu, Şekil 1 (c)' de gösterildiği gibi 5556760011223234 ve ECCC kodu S55568776900112283234'tür.
2 ECCC segmentasyonu ve sayma yöntemi
Hücre sınırı ECCC kodu, zincir kodu öğesi "8" sayısını kaydedin, gerçek segmentasyon noktasını tarayın ve beyaz kan hücrelerinin ve nöron kök hücrelerinin anahatlarının oval benzeri özelliklerine göre daha fazla hücre segmentasyonu ve sayımı.
120 hücre görüntüsünün ECCC kodlarını saydığımızda, sonuçlar "8" in yalnızca bir kez "S-9" veya "9-S" de göründüğünü gösterir, bu da en küçük x değerine sahip sınır noktasının soldan sağa bir kez veya En büyük x değerine sahip sınır noktası, sağdan sola bir kez değişir.
Hücreleri saymak için aşağıdaki formül kullanılabilir:
Bunlar arasında, Q ve n sırasıyla hücre sayısı ve zincir kodu "8" dir. Q bir ondalık sayı ise, yukarı yuvarlanacaktır. Genel olarak, tek bir hücrenin ECCC kodu 2 "8" nokta içerir ve 2 yapışan hücrenin kodu 6 "8" nokta içerir. 120 hücre görüntüsünün ECCC kodlarını sayan sonuçlar, her bir ek yapışma hücresinin 4 "8" puan artıracağını, dolayısıyla yapışma hücresi ECCC kodundaki "8" zincir kodlarının sayısının 4 (Q-1) + olduğunu gösterir. 2. Ek olarak, hücre görüntüleri genellikle düşük görüntü kontrastına ve bulanık hücre kenarlarına sahiptir Deneysel sonuçlar, 4'ün böleninin bu girişimleri daha iyi azaltabileceğini ve sayım sonuçlarının doğruluğunu sağlayabileceğini göstermektedir.
Hücre görüntüsünün yapışması çoğunlukla 2 hücre ve 3 hücre yapışmasıdır Şekil 2 ve Tablo 1, beyaz kan hücresi görüntüsünün ECCC kısa kodunu (koddaki tekrarlanan zincir kodu basitleştirilmiştir) ve segmentasyon sonucunu göstermektedir. Şekil 2 (b) ve Şekil 2 (f) 'nin ECCC kodlarındaki zincir kodu "8", formül (1)' den 2 adhezyon hücresi olarak bilinebilecek şekilde 6 kez görünür; Şekil 2 (j) ve Şekil 2 (n) 'nin ECCC kodları Orta zincir kodu "8" 10 kez görünür ve formül (1) 'den 3 adhezyon hücresi olduğu görülebilir. 120 beyaz kan hücresi görüntüsünü sayan doğruluk oranı% 98'e ulaşabilir.
Şekil 2 (a), (e), (i) ve (m) 'den, segmentasyon noktalarının tüm kenar içbükey köşeler olduğu ve yalnızca bu köşelerin hızlı ve doğru konumlandırılmasının gerçek zamanlı ve etkili hücre segmentasyonu sağlayabileceği görülebilir. Şekil 2 (b), (f), (j) ve (n) 'de gösterildiği gibi, "8" zincir kodu, bölünme noktasına ek olarak hücre konturunun düz kısmında yer almaktadır. Hücre görüntüsü ECCC'yi kodladıktan sonra, bu makale bükülme noktasında "8" segmentasyon noktasını saptamak için zincir kodu farkını kullanır. Dışbükeyliğini ve içbükeyliğini belirlemek için her kenar noktası için zincir kodu farkını kullanmaya gerek olmadığından, bu algoritma hesaplama miktarını geleneksel zincir kodu modeline kıyasla yaklaşık% 55 oranında azaltır.
Zincir kodu farkı Diff'i hesaplamak için aşağıdaki formülü kullanın:
Formülde Sum (i), geçerli noktanın zincir kodunun toplamıdır.Saat yönünün tersine sınır izlendiğinde dışbükey ve içbükey köşe noktalarının zincir kodu farkı sırasıyla negatif ve pozitif değerler alır.
Bu makalede, bükülme noktası "8" deki bölünme noktasını tespit etme yöntemi şöyledir:
Zincir kodu ve daire eşit olarak 24 parçaya bölünmüştür ve değer farkı 1'dir, bu da farkın 15 ° olduğu anlamına gelir. Hücre bölütleme noktalarının tamamı kenar içbükey köşe noktalarıdır ve içbükey köşe noktalarının zincir kodu farkı pozitif bir değer olarak alınır.3 değeri, açının 45 ° dönüştürüldüğünü gösterir.
Şekil 2 (c), (g), (k) ve (o) 'da gösterildiği gibi, "8" zincir kodundaki bölünme noktasını tespit etmek için formül (3) kullanılarak, tespit sonucu doğrudur. Son olarak, Şekil 2 (d), (h), (l) ve (p) 'de gösterildiği gibi bölme noktalarında doğrusal interpolasyon gerçekleştirilir ve yapışma etkili bir şekilde bölünür.
3 Deneysel sonuçlar ve analiz
Deney, MATLAB 8.0 derleme ortamında 2.8 GHz Pentium D CPU ve 2.96 GB belleğe sahip bir bilgisayarda gerçekleştirildi. Sırasıyla ECCC ve geleneksel zincir kodu modelleri kullanılarak, segmentasyon tespiti için 120 beyaz kan hücresi ve nöronal kök hücre görüntüsü (iki tür hücrenin 60 görüntüsü) kullanıldı. Alan sınırlamaları nedeniyle, Şekil 3 ve 4'te gösterildiği gibi, yalnızca iki tipik hücre görüntüsünün segmentasyon sonuçları görüntülenir.
Şekiller 3 (a) ve 4 (a) için, Şekiller 3 (b) ve 4 (b) 'de gösterildiği gibi, tam ve sürekli hücre sınırlarını elde etmek için önerilen iki kenar algılama yöntemi kullanılır. Hücre sınırı ECCC, Şekil 3 (c) ve 4 (c) 'de gösterildiği gibi zincir kodundaki "8" segmentasyon noktasını kodlar ve tespit eder, segmentasyon noktasının konumlandırma hatası sırasıyla 1.01 ve 1.23 pikseldir. Geleneksel zincir kodu modeli, düşük kenar algılama doğruluğu ve eksik bölümleme noktaları problemlerine sahiptir Şekil 3 (e) ve 4 (e) 'de gösterildiği gibi, bölümleme noktası konumlandırma hataları sırasıyla 9.32 ve 2.65 pikseldir. Tıbbi hücre görüntüleri, düşük kontrast ve bulanık hücre kenarları özelliklerine sahiptir.Geleneksel zincir kodu modeli, sınırları izlerken gürültü noktalarını ve bulanık noktaları sınır olarak yanlış değerlendirmek kolaydır, bu da bir sonraki bölümlemede daha büyük bir etkiye neden olacak bazı yanlış kenar noktalarına neden olur. etkiler.
Bu makale, iki zincir kodu segmentasyon yönteminin doğruluğunu nicel olarak karşılaştırmak için segmentasyon noktasının konumlandırma hatasını kullanır ve sonuçlar Tablo 2'de gösterilmiştir. Algoritma tarafından algılanan bölümleme noktaları kümesinin CDET olduğunu, manuel olarak yerleştirilen bölümleme noktaları kümesinin CRET olduğunu ve maksimum mesafe hatasının Dmax = 3 olarak ayarlandığını varsayalım. Dij = || Ci-Cj || için, dijDmax ise, Cj ve Ci Aksi takdirde, Cj yanlış bölümleme noktasıdır ve dij'nin ortalaması konumlandırma hatasıdır. Tablo 2'den ECCC'nin segmentasyon noktalarını tespit etmede daha doğru olduğu görülebilir.
4. Sonuç
Bu makale, eliptik hücreler için bir ECCC zincir kodu bölümleme yöntemi önermektedir.Yeni algoritma, Freeman zincir koduna üç yeni zincir kodu öğesi "S", "8" ve "9" ekler. Konturun dışbükey ve içbükey köşelerini belirlemek için her sınır noktası için zincir kodu farkını hesaplaması ve hücre segmentasyonu elde etmek için eğrilik yarıçapı ve eşdeğer çevre gibi karakteristik parametreleri birleştirmesi gereken geleneksel zincir kodu modelinden farklıdır.Yeni algoritmanın yalnızca ECCC kodundaki farkı hesaplaması gerekir. Zincir kodu öğesi "8", gerçek bölünme noktasını belirlemek için zincir kodu farkını hesaplar. Segmentasyon testi çok sayıda 2-adhezyon ve 3-adhezyon hücre görüntüsü üzerinde gerçekleştirilmiştir Deneysel sonuçlar, ECCC yönteminin segmentasyon başarı oranının% 100 ve% 98 olduğunu ve ortalama zaman tüketiminin sırasıyla 0,42 sn ve 0,67 sn olduğunu ve geleneksel zincir kod bölümleme yöntemine göre daha az olduğunu göstermiştir. Hesaplama miktarının yaklaşık% 55'i, karmaşık hücre görüntüsü segmentasyonunda belirli bir geçerliliğe ve uygulanabilirliğe sahiptir.
Referanslar
Geliştirilmiş sobel operatör algoritmasına dayalı mide kanseri hücre görüntüleri için HUO G Y. Kenar tespiti Pattern Recognition Letters, 2012, 25 (6): 603-618.
ZHANG H, DA F P, LIH Q, ve diğerleri.Elips için kenar konumlandırma yöntemleri.Optik Teknik, 2013, 36 (1): 66-74.
Song Xiaodong, Tang Guoan, Zhou Yi. Paralel GVF Yılan Modeline Dayalı Gully Boyunca Loess Arazisinin Çıkarılması. Çin Madencilik ve Teknoloji Üniversitesi Dergisi, 2012, 42 (1): 142-150.
BRESSON X, ESEDOGLU S, VANDERGHEYNSE P. Aktif kontur yılan modelinin hızlı global minimizasyonu.Akıllı ve Yumuşak Hesaplamadaki Gelişmeler, 2013, 28 (4): 151-167.
Lu Zongqi, Tong Tao. Zincir kodu ve sınır şekli analizinde uygulaması Çin Görüntü ve Grafik Dergisi, 2009, 7 (12): 1323-1328.
Niu Qingxiao, Zhang Hua, Xu Guangping. Zincir kodu ve hızlı Fourier dönüşümüne dayalı kontur çizim yöntemi Optoelektronik · Lazer, 2013, 24 (6): 143-148.
Zhang Yu, Liu Wenyao, Deng Wei. 3B tıbbi görüntü işlemede zincir kodu izleme algoritmasının uygulanması. Çin Biyomedikal Mühendisliği Dergisi, 2012, 8 (2): 256-261.
Zhang Ruihua, Wu Jin. Optimize edilmiş seviye setine dayalı hücre görüntü segmentasyon algoritması.Elektronik Teknoloji Uygulaması, 2013, 30 (16): 59-67.
AWRANGJEB M. Akordan noktaya mesafe biriktirme tekniğine dayalı sağlam görüntü köşe tespiti IEEE İşlemleri Multimedya, 2012, 10 (6): 109-114.
