顯微光學(xué)圖像中粘連細(xì)胞的分割方法研究.pdf

1、腦是人和動物感知、認(rèn)識外部世界的重要器官，其基本構(gòu)成單元是細(xì)胞。腦細(xì)胞的構(gòu)筑是腦細(xì)胞的排列和組織特性，其具體表現(xiàn)為細(xì)胞的數(shù)量、密度和空間分布等特征。腦細(xì)胞構(gòu)筑是腦功能的結(jié)構(gòu)基礎(chǔ)，不同腦區(qū)的細(xì)胞數(shù)量和密度有著特異性。腦細(xì)胞構(gòu)筑也和腦疾病的發(fā)生機(jī)理密切相關(guān)，腦區(qū)細(xì)胞的缺失或者損失，使得支撐腦功能的細(xì)胞數(shù)量和密度發(fā)生較大改變，導(dǎo)致腦區(qū)的功能受損從而引發(fā)疾病。因此腦細(xì)胞構(gòu)筑的研究對于理解腦的功能和腦疾病的發(fā)生機(jī)理有著重要的意義。
　　傳統(tǒng)

2、的細(xì)胞構(gòu)筑研究方法是首先對腦組織切片樣本進(jìn)行Nissl染色，然后用顯微鏡獲取腦組織的二維細(xì)胞圖像。近年，武漢光電國家實驗室的小組研發(fā)出了一種顯微光學(xué)切片斷層成像（Micro-Optical Sectioning Tomography，MOST）系統(tǒng)，能夠獲取小鼠全腦細(xì)胞分辨率的三維圖像數(shù)據(jù)集。然而，無論是傳統(tǒng)的顯微成像獲取的數(shù)據(jù)集，還是顯微光學(xué)切片斷層成像采集的全腦數(shù)據(jù)，直接應(yīng)用僅能用于定性的觀察，如需定量分析就需發(fā)展細(xì)胞分割算法，獲取

3、細(xì)胞的位置和輪廓信息，才能計算出細(xì)胞的數(shù)量、密度和空間分布等參數(shù)，從而達(dá)到表征細(xì)胞構(gòu)筑特征的目的。
　　傳統(tǒng)的細(xì)胞分割方法對孤立細(xì)胞的分割效果較理想。然而在細(xì)胞互相粘連、沒有明顯邊界的情況下，傳統(tǒng)的方法傾向于把多個粘連細(xì)胞當(dāng)做一個細(xì)胞分割出來。這就使得后續(xù)的細(xì)胞數(shù)量計算、密度和空間分布分析等產(chǎn)生錯誤，從而導(dǎo)致細(xì)胞構(gòu)筑的研究產(chǎn)生錯誤結(jié)論。本論文的主要工作圍繞如何準(zhǔn)確分割粘連細(xì)胞進(jìn)行了研究，其主要貢獻(xiàn)如下：
　?。?）對粘連細(xì)胞

4、的特征進(jìn)行了分析。首次建立了較為系統(tǒng)的粘連細(xì)胞特征分析方法，從面積、細(xì)胞粘連方式和幾何特征等方面，對其特征進(jìn)行詳細(xì)分析，并且對比了二維空間和三維空間粘連細(xì)胞的特征差異?；谶@些分析，論證了已有的粘連細(xì)胞分割算法的缺陷，隨后結(jié)合凹點和圖論切割的方法，提出了解決粘連細(xì)胞分割的新方案。
　?。?）基于二維空間粘連細(xì)胞的形態(tài)，具體提出了基于凹點和歸一化切割的算法。首先利用粘連細(xì)胞之間的凹點信息來構(gòu)建圖的權(quán)重矩陣，使得圖的權(quán)重矩陣受限，保證

5、在后續(xù)的歸一化切割過程中，切割發(fā)生在細(xì)胞粘連處，最后實現(xiàn)二維粘連細(xì)胞的準(zhǔn)確分割。在MOST系統(tǒng)獲取小鼠腦的尼氏染色二維數(shù)據(jù)集上，本論文提出的算法的檢測率和準(zhǔn)確率分別達(dá)到94.1％和87.0％，高于幾種常用的二維分割算法。
　?。?）針對三維空間粘連細(xì)胞的形態(tài)，具體提出了基于凹點和隨機(jī)游走切割的算法。首先對細(xì)胞粘連之間的凹點進(jìn)行聚類，得到聚類中心，并生成種子點；再基于種子點，使用隨機(jī)游走切割算法進(jìn)行分割，得到細(xì)胞輪廓。在MOST系統(tǒng)