基于GVF Snake模型的宮頸單細(xì)胞圖像分割算法及分類識(shí)別的研究.pdf

1、本文以宮頸細(xì)胞圖像為例，對(duì)細(xì)胞圖像的分割、形態(tài)特征和極坐標(biāo)特征、識(shí)別應(yīng)用的技術(shù)進(jìn)入了深入的研究，主要是包括宮頸細(xì)胞圖像的細(xì)胞質(zhì)、細(xì)胞核與背景的輪廓精確提取，宮頸細(xì)胞圖像多特征融合及細(xì)胞分類識(shí)別方法。主要研究從以下幾個(gè)部分:
　　(1).提出了一種基于自適應(yīng)閾值和射線梯度的GVF Snake主動(dòng)輪廓模型，用來定位宮頸單細(xì)胞圖像的細(xì)胞核與細(xì)胞質(zhì)的邊緣。GVF Snake主動(dòng)輪廓模型應(yīng)用比較廣泛的主動(dòng)輪廓模型的目標(biāo)邊緣跟蹤算法，但是宮頸

2、細(xì)胞圖像，特別是細(xì)胞質(zhì)邊緣相對(duì)模糊、細(xì)胞核與細(xì)胞質(zhì)的邊緣相互吸附難以分開，還有干擾性的血細(xì)胞及炎癥細(xì)胞、染色度分布不均勻，都是導(dǎo)致GVF Snake模型細(xì)胞邊緣吸附到錯(cuò)誤的位置。為了解決以上難題，本文研究了以下方法:首先是利用自適應(yīng)閾值去除細(xì)胞背景，然后使用射線梯度方向的信息計(jì)算細(xì)胞灰度值，最后根據(jù)射線上的灰度值使用GVF Snake模型演化，在演化過程中使用棧的灰度差補(bǔ)償算法，結(jié)合正向灰度差抑制能夠很好的克服噪聲、血細(xì)胞及炎癥細(xì)胞等虛

3、假邊緣的信息影響。本文使用的Herlev數(shù)據(jù)庫驗(yàn)證了該方法的有效性和可行性。
　　(2).在對(duì)宮頸細(xì)胞圖像進(jìn)行精確分割的基礎(chǔ)上，研究了宮頸細(xì)胞圖像的形態(tài)特征參數(shù)，主要包括9種幾何特征和4種紋理特征。9種幾何特征分別為:細(xì)胞質(zhì)的周長(zhǎng)、細(xì)胞核的周長(zhǎng)、豎直方向的最長(zhǎng)軸、水平方向的最寬軸、細(xì)胞核與細(xì)胞質(zhì)的比率、軸中心到周長(zhǎng)的最長(zhǎng)長(zhǎng)度、軸中心到周長(zhǎng)的平均長(zhǎng)度、重心到周長(zhǎng)的最長(zhǎng)長(zhǎng)度、重心到周長(zhǎng)的平均長(zhǎng)度;4種紋理特征:共生矩陣的熵、共生矩陣的

4、對(duì)比度、對(duì)比度和粗糙度。宮頸單細(xì)胞圖像是由細(xì)胞核、細(xì)胞質(zhì)和背景三個(gè)區(qū)域都可以轉(zhuǎn)化到極坐標(biāo)系下，提取極坐標(biāo)下的極經(jīng)灰度值，360條極經(jīng)的灰度值組成一個(gè)特征矩陣。本文將極坐標(biāo)下的特征向量與前面的形態(tài)特征進(jìn)行融合，來研究宮頸細(xì)胞的識(shí)別。
　　(3).使用基于AdaBoost與SVM算法結(jié)合的向量機(jī)，改善了分類器的穩(wěn)定性和差異性。采用的AdaBoost-SVM分類器將提取的宮頸細(xì)胞多特征進(jìn)行融合，再識(shí)別分類應(yīng)用。雙重分類器結(jié)合可以彌補(bǔ)單個(gè)