【摘要】：顯微細胞成像技術(shù)是醫(yī)學上臨床檢驗的重要手段。傳統(tǒng)的醫(yī)學顯微圖像分析中,醫(yī)生借助顯微鏡憑肉眼觀察,并對照顯微圖例給出診斷結(jié)果,該方法工作量大,且結(jié)果帶有經(jīng)驗性和主觀性。隨著醫(yī)學成像技術(shù)的不斷發(fā)展,成像分辨率不斷提高,臨床細胞顯微成像已經(jīng)從傳統(tǒng)的靜態(tài)圖像逐步發(fā)展到視頻圖像,同時影像數(shù)據(jù)呈海量增長。這為分析細胞的形態(tài)變化特征提供了更多的信息,同時也給傳統(tǒng)的圖像處理算法帶來了挑戰(zhàn)。如何利用數(shù)字圖像處理方法和模式識別理論,從海量圖像數(shù)據(jù)中提取能反映機體生理變化的、客觀的定量特征,輔助臨床疾病診斷是醫(yī)學影像學發(fā)展面臨的挑戰(zhàn)之一。本文工作圍繞顯微視頻圖像中細胞形態(tài)變化特征的定量分析方法研究展開,主要研究成果與創(chuàng)新點如下:1.提出了一種基于改進外力場的活動輪廓模型細胞分割方法。準確的細胞邊界是進行細胞形態(tài)變化量化分析的前提。相差顯微鏡成像過程中,由于存在不均勻邊界和光圈,精確分割和跟蹤細胞邊界具有一定的挑戰(zhàn)性�；谥鲃虞喞Ｐ偷膱D像分割方法,通過初始輪廓在各種外力場作用下逐步演化至理想邊界實現(xiàn)分割,在目標分割與跟蹤中凸顯優(yōu)勢。然而,這種基于外力驅(qū)動的分割方法對初始輪廓敏感,而且在低對比度邊界處表現(xiàn)不佳。為了降低初始位置的敏感性,本文通過圖像預分割,使初始輪廓位于真實邊界附近;為了分割低對比度的細胞邊界,提出了一種改進外力場用于細胞輪廓的演化。實驗結(jié)果表明,本文提出的方法能準確分割和跟蹤細胞邊界,由于改進的外力場充分利用了細胞圖像的區(qū)域信息和邊界信息,在低對比度邊界處也能取得較好的效果。2.提出了一種基于改進變分光流模型的細胞內(nèi)部運動特征研究方法。改進的變分光流模型中,數(shù)據(jù)項采用亮度恒常2L范數(shù)約束形式,可有效提取細胞內(nèi)部連續(xù)運動的光流場;平滑項根據(jù)圖像局部特征自適應(yīng)調(diào)整范數(shù)的約束形式,在細胞圖像內(nèi)部區(qū)域采用近似2L范數(shù)約束,在細胞圖像邊界采用近似1L范數(shù)約束,能在一定程度上解決傳統(tǒng)變分模型中光流計算的邊界問題。本文還引入光流方向直方圖(HOOF)對細胞內(nèi)部運動特征進行量化分析,將HOOF之間的距離作為衡量視頻中細胞內(nèi)部運動激烈程度的依據(jù)。實驗證明:該方法采用改進變分光流模型提取細胞內(nèi)部運動場,提取基于光流方向直方圖的細胞內(nèi)部運動量化特征參數(shù),能有效表征細胞內(nèi)部運動特征。3.提出了一種對視頻圖像中活細胞的動態(tài)行為特征進行定量分析的方法,分別從細胞的形狀、形變和內(nèi)部運動三方面對淋巴細胞的形態(tài)變化進行定量分析。針對兩類數(shù)據(jù):無排斥反應(yīng)發(fā)生和有排斥反應(yīng)發(fā)生時的淋巴細胞視頻圖像,分別提取了視頻中淋巴細胞的形狀、形變和內(nèi)部運動特征。通過統(tǒng)計檢驗方法對提取的特征進行特征選擇,得到最佳特征組成特征矢量。將提取的特征矢量作為神經(jīng)網(wǎng)絡(luò)的輸入,對兩類視頻進行分類。實驗結(jié)果表明,與單獨使用形狀、形變或運動參數(shù)相比,采用聯(lián)合特征組成的特征矢量識別效果最好。該方法提取的描述細胞動態(tài)行為的量化特征與醫(yī)生臨床觀察到的結(jié)果一致:無排斥反應(yīng)發(fā)生時,細胞內(nèi)部運動緩慢,細胞邊界有輕微形變;當發(fā)生排斥反應(yīng)時,細胞內(nèi)部運動和邊界的形變都相對劇烈。本方法可為臨床上術(shù)后及時準確地發(fā)現(xiàn)免疫異常,快速檢測排斥反應(yīng)提供參考和依據(jù)。4.研究了視頻中細胞邊界的連續(xù)變化特征,提出了一種基于Contourlet變換的細胞形變分析方法。首先,提取視頻中目標細胞的邊界,計算每一幀圖像中細胞的邊心距,按時間順序?qū)⑦呅木嘈盘栒归_,得到二維曲面,曲面中的波浪起伏代表了細胞邊界在各個方向的變化。然后,對曲面信號進行變換域分析,即分別進行小波變換和Contourlet變換,Contourlet變換能非常有效地捕捉邊心距平鋪展開信號中的光滑輪廓,較大的變換域系數(shù)代表了特定方向、特定空間位置處的局部特征,如邊緣、輪廓等。最后,分別提取各個子帶系數(shù)的統(tǒng)計特征,基于秩和檢驗的統(tǒng)計實驗結(jié)果驗證了算法的有效性。
【學位授予單位】：北京理工大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：R319;TP391.41
【圖文】：

圖 5.2 從兩類視頻中提取的細胞形狀特征盒子圖SST AST0.0020.0040.0060.0080.010.0120.0140.0160.018VdeformationofAreaSST AST0.0050.010.0150.020.0250.030.035VdeformationofPerimeterSST AST0.0050.010.0150.02VdeformationofEccentricitySST AST0.010.020.030.040.050.060.070.08VdeformationofCircularitySST AST46810121416x 10-3VdeformationofRectSST AST0.020.0250.030.0350.04VdeformationofABESST AST246810121416x 10-3VdeformationofConvexitySST AST246810x 10-3VdeformationofSolidity圖 5.3 從兩類視頻中提取的細胞形變特征盒子圖

北京理工大學博士學位論文SST AST0.811.21.41.61.8x 104VshapeofAreaSST AST350400450500550VshapeofPerimeterSST AST0.30.40.50.60.7VshapeofEccentricitySST AST1.11.21.31.41.5VshapeofCircularitySST AST0.640.660.680.70.720.740.760.780.8VshapeofRectSST AST2.322.342.362.382.42.42VshapeofABESST AST0.950.960.970.980.99VshapeofConvexitySST AST0.90.920.940.960.98VshapeofSolidity圖 5.2 從兩類視頻中提取的細胞形狀特征盒子圖0.0180.020.08

征距離 MDS 結(jié)果對比圖（20 個 SST 序列和 20 個 AST 序列）T 組。(a)只使用形狀特征參數(shù)；(b) 只使用形變特征參數(shù)；(c) 用形狀、形變和運動特征參數(shù)。知，如果只使用形狀、形變或運動特征，SST 組和 AST區(qū)分開來，如圖 5.6（a-c）所示。如果聯(lián)合三方面（形效區(qū)分兩類數(shù)據(jù)，如圖 5.6（d）所示。經(jīng)網(wǎng)絡(luò)（probility nural networ, PNN）對兩類視頻進行分lder cross-validation)進行驗證。從每個視頻提取細胞形態(tài)征），將此特征矢量作為 PNN 的輸入。每次實驗中隨機為訓練樣本，剩余十分之一的數(shù)據(jù)（４個）作為測試樣其平均值作為實驗結(jié)果。實驗過程中統(tǒng)計參數(shù)如下：nsitivity, Sen），又稱真陽率，定義為：將 AST 組視頻判pecificity, Spe），又稱真陰率，定義為：將 SST 組視頻判

本文編號：2805556