本發(fā)明屬于醫(yī)學數(shù)字圖像處理領域，具體指的是一種白帶顯微圖像中上皮細胞的智能識別方法。
背景技術：
白帶常規(guī)檢查是婦科疾病診斷應用最廣泛的一項檢查，通過觀察顯微圖像里各種細胞的分布情況來判斷白帶的清潔度，從而確定是否有炎癥。其中上皮細胞所占的面積是決定白帶清潔度的一個重要因素。目前的檢測方法是將白帶與0.9％NACL溶液混合制成玻片，由醫(yī)生在顯微鏡下觀察，因白帶中細胞種類繁多，成分復雜，細胞相互交織和面積大小不易區(qū)分等特點，這種檢查方式是憑借醫(yī)務人員的經(jīng)驗判斷，摻雜了許多主觀因素，同時效率低下、精度不高，致使人工識別的持久性、穩(wěn)定性和客觀性難以保證。本方法利用計算機數(shù)字圖像處理技術與生物醫(yī)學相結合，實現(xiàn)細胞的智能識別，快速有效地檢測出白帶中的上皮細胞，從而提高臨床的診斷效率。
技術實現(xiàn)要素：
本發(fā)明的目的是針對醫(yī)院白帶檢測中現(xiàn)有技術的不足，提出了一種白帶顯微圖像中上皮細胞的智能識別方法，從而達到簡便、高效、精確的檢測出白帶樣本中的上皮細胞，大大降低醫(yī)生的勞動強度，提高檢測的速度和精度。
本發(fā)明采取的技術方案是一種白帶顯微圖像中上皮細胞的智能識別方法，該方法包括如下步驟：
步驟1：使用顯微鏡拍攝白帶與0.9％NACL溶液混合制成溶液涂抹玻片后的圖像；
步驟2：對步驟1拍攝的顯微圖像進行灰度處理，得到灰度圖像；
步驟3：去除步驟2得到的灰度圖像的復雜背景；
步驟4：對步驟3得到的圖進行二值化；
步驟5：對步驟4得到的圖進行形態(tài)學操作，去除目標較小的區(qū)域；
步驟6：對步驟5得到的圖像進行填充；
步驟7：對步驟6得到的填充圖像進行腐蝕；
步驟8：對步驟7得到的圖像進行連通區(qū)域標記，根據(jù)標記號提取相應區(qū)域；
步驟9：對步驟8標記后的圖像，計算各個連通區(qū)域的外接矩形,面積和周長，根據(jù)設定的閾值進行對比，篩選出疑似上皮細胞的區(qū)域；
步驟10：對步驟9篩選出來的每個連通區(qū)域的坐標，裁剪出步驟2在相同坐標對應的區(qū)域的灰度圖像；
步驟11：對步驟10裁剪出來的每個區(qū)域，用水平集弱邊緣檢測模型檢測其邊緣，分割出目標區(qū)域；
步驟12：分別統(tǒng)計步驟11得到的每個目標區(qū)域的平均灰度值、像素方差、平滑度和一致性，計算其特征值；
步驟13：對步驟11分割出的每個目標區(qū)域進行二值化；
步驟14：對步驟13得到的每個二值化的圖，進行閉運算；
步驟15：對步驟14得到的每個閉運算圖像進行連通區(qū)域標記，并找到每個區(qū)域最大的連通區(qū)域；
步驟16：計算步驟15找到的每個最大的連通區(qū)域的面積，周長和離心率等特征，并計算其特征值；
步驟17：對步驟12和步驟16統(tǒng)計出的每個區(qū)域的特征值與上皮細胞的標準特征值進行比對，保留與上皮細胞特征相符的區(qū)域；
步驟18：對步驟17留下來的區(qū)域特征輸入BP神經(jīng)網(wǎng)絡，由BP神經(jīng)網(wǎng)絡判斷是否為上皮細胞；
步驟19：統(tǒng)計上皮細胞的面積，輸出結果；
其中步驟4的具體步驟為：
步驟4-1：對已經(jīng)去除背景的圖像進行形態(tài)學底帽變換，得到底帽變換圖像；
步驟4-2：對頂帽圖像使用最大類間方差法得到的灰度閾值；
步驟4-3：將灰度圖像各像素點灰度值與灰度閾值比較，若大于閾值則對該點灰度賦值255，若小于閾值則對該點灰度賦值0，得到二值圖像。
步驟5的具體步驟為：
步驟5-1：對二值化的圖先用半徑為4的圓形結構元素腐蝕，得到腐蝕后的圖；
步驟5-2：再對腐蝕的圖用半徑為3的圓形結構元素膨脹，得到膨脹后的圖，即是去除目標較小的區(qū)域后的圖；
步驟9的具體步驟為：
步驟9-1：計算連通區(qū)域的外接矩形，保留外接矩形的長和寬的最小值大于85和最大值大于130的連通區(qū)域；
步驟9-2：計算剩下的連通區(qū)域的面積，經(jīng)過面積篩選保留面積大于4600的連通區(qū)域；
步驟9-3：計算剩下連通區(qū)域的周長，保留周長大于550的連通區(qū)域；
步驟11的具體步驟是：
步驟11-1：采用梯度下降法得到的水平集演化方程檢測每個區(qū)域的弱邊緣，水平集演化方程為：
其中u,λ,v為常數(shù)，δε(z)是Dirac函數(shù)，g為邊緣探測函數(shù)，φ是水平集函數(shù)；
步驟11-2：根據(jù)邊緣分離出目標區(qū)域；
步驟12的具體步驟為：
步驟12-1：計算目標區(qū)域的平均灰度值和像素方差；
步驟12-2：計算目標區(qū)域的平滑度，平滑度的計算公式為：
R＝1-1/(1+σ2)
其中，σ是標準偏差，R是平滑度；
步驟12-3：計算目標區(qū)域的一致性，一致性的計算公式為：
其中，U是一致性，p(zi)是一個區(qū)域中的灰度級直方圖，i＝1,2,3,...L-1為對應的直方圖，L是可區(qū)分的灰度級數(shù)目。
步驟13的具體步驟為：
步驟13-1：對分割出來的圖像使用最大類間方差法得到的灰度閾值；
步驟13-2：將灰度圖像各像素點灰度值與灰度閾值比較，若大于閾值則對該點灰度賦值0，若小于閾值則對該點灰度賦值255，得到取反的二值圖像。
步驟14的具體步驟為：
步驟14-1：先用半徑為3的圓形模板對二值圖進行膨脹，得到膨脹的圖；
步驟14-2：再用半徑為3的圓形模板對膨脹后的圖進行腐蝕，得到腐蝕后的圖，即是閉運算之后的圖；
步驟15的具體步驟為：
步驟15-1：對每個區(qū)域的二值圖像進行連通域標記；
步驟15-2：計算每個區(qū)域所有標記的連通域的面積，找到面積最大的連通區(qū)域；
步驟16的具體步驟為：
步驟16-1：計算每個區(qū)域的面積和周長；
步驟16-2：計算離心率，離心率計算公式為：
其中，e為離心率，c為半焦距，a為長半軸；
步驟17的具體步驟為：
步驟17-1：經(jīng)過面積篩選，保留面積大于4600的區(qū)域；
步驟17-2：經(jīng)過周長篩選，保留周長大于550的區(qū)域；
步驟17-3：經(jīng)過離心率篩選，保留離心率大于0.3的區(qū)域；
步驟17-4：經(jīng)過灰度值和像素方差篩選，保留灰度值在90～180之間和像素方差在90到2000之間的區(qū)域；
步驟17-5：經(jīng)過平滑度的篩選，平滑度保留在0.004～0.006之間的區(qū)域；
步驟17-6：經(jīng)過一致性的篩選，一致性保留在0.95～1之間的區(qū)域；
步驟18的具體步驟為：
步驟18-1：建立BP神經(jīng)網(wǎng)絡模型，包括輸入層、隱含層和輸出層，輸入層有兩個神經(jīng)元，隱含層有五個神經(jīng)元，輸出層有一個神經(jīng)元，使用S型函數(shù)激活，給各個層連接的權值分別賦一個區(qū)間(-1,1)內(nèi)的隨機數(shù)，同時初始化神經(jīng)網(wǎng)絡的閾值；
步驟18-2：將訓練樣本輸入BP神經(jīng)網(wǎng)絡訓練，同時輸入步驟15和16計算的特征值，設置期望輸出為1是上皮細胞，0為雜質；
步驟18-3：計算隱含層各神經(jīng)元的輸入和輸出，在利用網(wǎng)絡期望輸出和實際輸出，計算誤差函數(shù)對輸出層的各神經(jīng)元的偏導數(shù)δ0(k)；
步驟18-4：利用輸出層各神經(jīng)元的δ0(k)和隱含層各神經(jīng)元的輸出來修正連接權值，再利用隱含層各神經(jīng)元的偏導數(shù)和輸入層各神經(jīng)元的輸入修正連接權；
步驟18-5：計算全局誤差，直到期望輸出與實際輸出的誤差小于0.0001時結束這一輪的學習；
步驟18-6：將需要檢測的樣本輸入已經(jīng)學習完成的BP神經(jīng)網(wǎng)絡，輸出大于0.6為上皮細胞，輸出小于0.6為雜質，保留識別為上皮細胞的區(qū)域。
附圖說明
圖1是本發(fā)明的一種白帶顯微圖像中上皮細胞的智能識別方法的流程圖。
具體實施方式
下面結合附圖，對本發(fā)明的一種白帶上皮細胞的自動檢測方法進行詳細說明：
步驟1：使用顯微鏡拍攝白帶與0.9％NACL溶液混合制成溶液的圖像；
步驟2：對步驟1拍攝的顯微圖像進行灰度處理，得到灰度圖像；
步驟3：去除步驟2得到的灰度圖像的背景；
步驟4：對步驟3得到的圖進行二值化；
步驟4-1：對已經(jīng)去除背景的圖像進行形態(tài)學底帽變換，得到低帽變換圖像；
步驟4-2：對頂帽圖像使用最大類間方差法得到的灰度閾值；
步驟4-3：將灰度圖像各像素點灰度值與灰度閾值比較，若大于閾值則對該點灰度賦值255，若小于閾值則對該點灰度賦值0，得到二值圖像。
步驟5：對步驟4得到的圖進行形態(tài)學操作，去除目標較小的區(qū)域；
步驟5-1：對二值化的圖先用半徑為4的圓形結構元素腐蝕，得到腐蝕后的圖；
步驟5-2：再對腐蝕的圖用半徑為3的圓形結構元素膨脹，得到膨脹后的圖，即是去除目標較小的區(qū)域后的圖；
步驟6：對步驟5得到的圖像進行填充；
步驟7：對步驟6得到的填充圖像進行腐蝕；
步驟8：對步驟7得到的圖像進行連通區(qū)域標記，根據(jù)標記號提取相應區(qū)域；
步驟9：對步驟8標記后的圖像，計算各個連通區(qū)域的外接矩形,面積和周長，根據(jù)設定的閾值進行對比，篩選出疑似上皮細胞的區(qū)域；
步驟9-1：計算連通區(qū)域的外接矩形，保留外接矩形的長和寬的最小值大于85和最大值大于130的連通區(qū)域；
步驟9-2：計算剩下的連通區(qū)域的面積，經(jīng)過面積篩選保留面積大于4600的連通區(qū)域；
步驟9-3：計算剩下連通區(qū)域的周長，保留周長大于550的連通區(qū)域；
步驟10：對步驟9篩選出來的每個連通區(qū)域的坐標，裁剪出步驟2在相同坐標對應的區(qū)域的灰度圖像；
步驟11：對步驟10裁剪出來的每個區(qū)域，用水平集弱邊緣檢測模型檢測其邊緣，分割出目標區(qū)域；
步驟11-1：采用梯度下降法得到的水平集演化方程檢測每個區(qū)域的弱邊緣，水平集演化方程為：
其中u,λ,v為常數(shù)，δε(z)是Dirac函數(shù)，g為邊緣探測函數(shù)，φ是水平集函數(shù)；
步驟11-2：根據(jù)邊緣分離出目標區(qū)域；
步驟12：分別統(tǒng)計步驟11得到的每個目標區(qū)域的平均灰度值、像素方差、平滑度和一致性，計算其特征值；
步驟12-1：計算目標區(qū)域的平均灰度值和像素方差；
步驟12-2：計算目標區(qū)域的平滑度，平滑度的計算公式為：
R＝1-1/(1+σ2)
其中，σ是標準偏差，R是平滑度；
步驟12-3：計算目標區(qū)域的一致性，一致性的計算公式為：
其中，U是一致性，p(zi)是一個區(qū)域中的灰度級直方圖，i＝1,2,3,...L-1為對應的直方圖，L是可區(qū)分的灰度級數(shù)目。
步驟13：對步驟11分割出的每個目標區(qū)域進行二值化；
步驟13-1：對分割出來的圖像使用最大類間方差法得到的灰度閾值；
步驟13-2：將灰度圖像各像素點灰度值與灰度閾值比較，若大于閾值則對該點灰度賦值0，若小于閾值則對該點灰度賦值255，得到取反的二值圖像。
步驟14：對步驟13得到的每個二值化的圖，進行閉運算；
步驟15：對步驟14得到的每個閉運算圖像進行連通區(qū)域標記，并找到每個區(qū)域最大的連通區(qū)域；
步驟15-1：對每個區(qū)域的二值圖像進行連通域標記；
步驟15-2：計算每個區(qū)域所有標記的連通域的面積，找到面積最大的連通區(qū)域；
步驟16：計算步驟15找到的每個最大的連通區(qū)域的面積，周長和離心率等特征，計算其特征值；
步驟16-1：計算每個區(qū)域的面積和周長；
步驟16-2：計算離心率，離心率計算公式為：
其中，e為離心率，c為半焦距，a為長半軸；
步驟17：對步驟12和步驟16統(tǒng)計出的每個區(qū)域的特征值與上皮細胞的標準特征值進行比對，保留與上皮細胞特征相符的區(qū)域；
步驟17-1：經(jīng)過面積篩選，保留面積大于4600的區(qū)域；
步驟17-2：經(jīng)過周長篩選，保留周長大于550的區(qū)域；
步驟17-3：經(jīng)過離心率篩選，保留離心率大于0.3的區(qū)域；
步驟17-4：經(jīng)過灰度值和像素方差篩選，保留灰度值在90～180之間和像素方差在90到2000之間的區(qū)域；
步驟17-5：經(jīng)過平滑度的篩選，平滑度保留在0.004～0.006之間的區(qū)域；
步驟17-6：經(jīng)過一致性的篩選，一致性保留在0.95～1之間的區(qū)域；
步驟18：對步驟17留下來的區(qū)域特征輸入BP神經(jīng)網(wǎng)絡，由BP神經(jīng)網(wǎng)絡判斷是否為上皮細胞；
步驟18-1：建立BP神經(jīng)網(wǎng)絡模型，包括輸入層、隱含層和輸出層，輸入層有兩個神經(jīng)元，隱含層有五個神經(jīng)元，輸出層有一個神經(jīng)元，使用S型函數(shù)激活，給各個層連接的權值分別賦一個區(qū)間(-1,1)內(nèi)的隨機數(shù)，同時初始化神經(jīng)網(wǎng)絡的閾值；
步驟18-2：將訓練樣本輸入BP神經(jīng)網(wǎng)絡訓練，同時輸入步驟15和16計算的特征值，設置期望輸出為1是上皮細胞，0為雜質；
步驟18-3：計算隱含層各神經(jīng)元的輸入和輸出，在利用網(wǎng)絡期望輸出和實際輸出，計算誤差函數(shù)對輸出層的各神經(jīng)元的偏導數(shù)δ0(k)；
步驟18-4：利用輸出層各神經(jīng)元的δ0(k)和隱含層各神經(jīng)元的輸出來修正連接權值，再利用隱含層各神經(jīng)元的偏導數(shù)和輸入層各神經(jīng)元的輸入修正連接權；
步驟18-5：計算全局誤差，直到期望輸出與實際輸出的誤差小于0.0001時結束這一輪的學習；
步驟18-6：將需要檢測的樣本輸入已經(jīng)學習完成的BP神經(jīng)網(wǎng)絡，輸出大于0.6為上皮細胞，輸出小于0.6為雜質，保留識別為上皮細胞的區(qū)域。
步驟19：統(tǒng)計上皮細胞的面積，輸出結果。
通過以上實施方式，可見本發(fā)明具有以下的優(yōu)點：
(1)本方法引入一種全新的符合人類視覺的基于曲線演化理論的水平集分割方法，該水平集方法利用曲線的能量控制演化速度，并且能夠探測細胞的弱邊緣，解決了白帶顯微圖像中細胞難以分割的問題；
(2)對分割出來的細胞，利用了BP神經(jīng)網(wǎng)絡模型訓練樣本，自動提取細胞的特征，大大提高了檢測速率，同時提高了識別的準確度。
以上內(nèi)容是結合具體的實施方式對本發(fā)明申請的進一步詳細說明，不能認定本申請的具體實施只局限于這些說明。對于本申請所屬技術領域的普通技術人員來說，在不脫離本發(fā)明的構思的前提下，做出的變形或者改進這些都屬于本發(fā)明的保護范圍。