基于分水嶺和主動輪廓模型的腦脊液細胞分割方法研究.pdf

1、腦脊液細胞數(shù)量少、種類多、形態(tài)各異,常用于中樞神經(jīng)系統(tǒng)感染性疾病、腦血管疾病、腦膜白血病、腫瘤和其它免疫性疾病的鑒別與診斷。目前,國內(nèi)外專門針對腦脊液細胞顯微圖像分割的研究仍相對較少,而將傳統(tǒng)的細胞圖像分割方法用于腦脊液細胞的分割又往往難以達到理想效果。
　　根據(jù)腦脊液細胞顯微圖像的特點,本文對分水嶺變換和主動輪廓模型展開深入研究和分析,主要工作內(nèi)容及創(chuàng)新點如下:
　　一、針對傳統(tǒng)分水嶺變換對噪聲敏感、容易產(chǎn)生過分割現(xiàn)象的問

2、題,本文提出一種基于前處理的分水嶺分割方法:首先對灰度圖像進行灰度形態(tài)學重建;接著根據(jù)重建后的圖像分別提取圖像的前景標記和背景標記;然后采用形態(tài)學極小值標定技術(shù)將所提取的前景圖像和背景圖像強制為由Beucher梯度算子計算而來的梯度圖像的局部極小值;最后將該修正后的梯度圖像作為分水嶺變換的分割函數(shù)進行分割。實驗結(jié)果表明,該方法能較好地抑制過分割現(xiàn)象,相比同類改進算法,其過分割度由15.43％降低到8.68%,取得了較好的效果。
　

3、　二、針對傳統(tǒng)Snake模型數(shù)值解法時間復雜度大、基于貪婪算法的快速Snake模型無法保證曲線收斂至全局最優(yōu)的問題,根據(jù)PSO算法尋優(yōu)過程與Snake模型的曲線收斂過程相似的特點,本文首先將PSO算法引入Snake模型,將Snake模型的能量函數(shù)作為PSO算法的適應度函數(shù),提出基于PSO算法的Snake模型P-Snake;然后提出一種基于改進PSO的Snake分割模型CP-Snake,分別在Snake模型可能收斂至一個點、對初始輪廓敏感

4、以及 PSO算法易陷入局部最優(yōu)值形成早熟現(xiàn)象三點進行改進:一方面,通過引入樣條曲線控制點的平均距離來防止Snake曲線收斂至一個點,并通過在適應度函數(shù)中引入控制點的距離勢能來減少 Snake模型對初始輪廓位置的依賴,另一方面,引入柯西變異方法,對PSO算法中可能導致的早熟問題進行解決。實驗結(jié)果表明,CP-Snake模型能有效地提高腦脊液細胞的分割精確度。
　　三、針對分水嶺變換分割結(jié)果平滑性差、Snake模型輪廓初始化繁瑣以及 S

5、nake模型對初始輪廓敏感、無法處理拓撲變化等問題,本文將上述改進的分水嶺變換與CP-Snake模型進行有機結(jié)合,提出一種混合分割模型WCP-Snake,該模型將分水嶺分割的結(jié)果作為CP-Snake的初始輪廓,然后利用CP-Snake對分水嶺的分割結(jié)果進行平滑,使得分割結(jié)果更加精確。最后本文將該混合模型應用于臨床腦脊液細胞顯微圖像的分割,實驗結(jié)果表明,本文所提出的混合分割模型在保證分割效率的基礎上,能自動地對腦脊液細胞進行分割,并有效地