神經(jīng)元干細(xì)胞灰度圖像的分割算法研究.pdf

1、隨著現(xiàn)代生物醫(yī)學(xué)的迅速發(fā)展，神經(jīng)元干細(xì)胞的研究變得愈加重要。目前主要采用計(jì)算機(jī)數(shù)字成像及高速信息處理技術(shù)，對(duì)人工培養(yǎng)的大量神經(jīng)元干細(xì)胞的分化、增值過(guò)程進(jìn)行跟蹤研究，以獲得神經(jīng)元干細(xì)胞成長(zhǎng)為不同神經(jīng)細(xì)胞的規(guī)律。針對(duì)現(xiàn)有分割方法導(dǎo)致的分割結(jié)果中的一系列問(wèn)題，提出了適合于神經(jīng)元干細(xì)胞灰度圖像的分割算法，并解決了分割前期的預(yù)處理和分割后期細(xì)胞形狀的修正，本課題以瑞典Chalmers技術(shù)大學(xué)的Karin Althoff和Johan Degerma

2、n所采集的神經(jīng)元干細(xì)胞灰度圖像為圖像源，獲得了較好的分割結(jié)果。研究的主要內(nèi)容和創(chuàng)新點(diǎn)如下:
　　 首先，由于成像環(huán)境等因素的影響，圖像中存在大量的噪聲，為了減少噪聲對(duì)進(jìn)一步圖像分析的影響，文中分析了常用的線性濾波去噪、銳化增強(qiáng)、形態(tài)濾波、以及與直方圖均衡化相關(guān)的增強(qiáng)算法，并針對(duì)所研究的神經(jīng)元干細(xì)胞灰度圖像的特征提出基于形態(tài)重構(gòu)和改進(jìn)的直方圖均衡化的邊界增強(qiáng)算法;為了減少培養(yǎng)皿底板對(duì)分割的影響，引入均值平移濾波進(jìn)行背景平滑。上述圖

3、像去噪、增強(qiáng)算法應(yīng)用于分割的前期預(yù)處理，極大的減少了各類噪聲對(duì)分割的影響。
　　 其次，為了獲得全自動(dòng)的分割方法，本文分析了一種非參數(shù)聚類算法——均值平移算法，并結(jié)合神經(jīng)元干細(xì)胞灰度圖像的特征，提出了基于均值平移和區(qū)域合并的細(xì)胞分割方法。此方法首先應(yīng)用均值平移獲得詳細(xì)的初始過(guò)分割圖像，然后構(gòu)造了基于距離和面積的三層小區(qū)域合并方法，并據(jù)此合并初始過(guò)分割圖像，最后引入非凸模型，對(duì)淹沒(méi)于背景中的細(xì)胞缺失部分進(jìn)行形狀修正，獲得最終分割結(jié)

4、果。仿真結(jié)果表明此分割方法可以獲得正確的細(xì)胞數(shù)目，并且分割的細(xì)胞輪廓接近真實(shí)的細(xì)胞輪廓。
　　 再次，針對(duì)上述分割算法步驟繁瑣的問(wèn)題，提出了基于幾何蛇模型的改進(jìn)的細(xì)胞圖像分割，減少分割步驟。在改進(jìn)的模型中引入曲率項(xiàng)來(lái)改善曲線演化中導(dǎo)致的形變，以獲得平滑輪廓，并修正了引起曲線形變的外力參數(shù)，使得曲線更快的接近細(xì)胞輪廓，降低運(yùn)算時(shí)間。此方法在細(xì)胞輪廓清晰時(shí)可獲得很好的細(xì)胞形狀，細(xì)胞輪廓模糊時(shí)，算法性能有所下降。
　　 最后，

5、為了進(jìn)一步分析細(xì)胞輪廓的需要，提出了基于組合分水嶺算法和梯度矢量流的區(qū)域合并的細(xì)胞分割算法。初始的分水嶺分割可獲得較細(xì)致的邊界，但存在嚴(yán)重過(guò)分割現(xiàn)象，針對(duì)這一問(wèn)題，利用原始圖像的梯度矢量流圖構(gòu)造的方向查詢表，對(duì)過(guò)分割區(qū)域進(jìn)行合并得到目標(biāo)區(qū)域，再根據(jù)細(xì)胞的橢圓形狀特征，對(duì)目標(biāo)區(qū)域合并得到最后的分割結(jié)果。此方法可以獲得較清晰的細(xì)胞輪廓，但算法對(duì)參數(shù)設(shè)置較敏感。
　　 綜上所述，本文針對(duì)神經(jīng)元干細(xì)胞灰度圖像進(jìn)行了深入研究，提出了相應(yīng)前