基于显微视频的频淋巴细胞形态变化定量分析算法研究

发布时间：2020-08-26 18:48

【摘要】：显微细胞成像技术是医学上临床检验的重要手段。传统的医学显微图像分析中,医生借助显微镜凭肉眼观察,并对照显微图例给出诊断结果,该方法工作量大,且结果带有经验性和主观性。随着医学成像技术的不断发展,成像分辨率不断提高,临床细胞显微成像已经从传统的静态图像逐步发展到视频图像,同时影像数据呈海量增长。这为分析细胞的形态变化特征提供了更多的信息,同时也给传统的图像处理算法带来了挑战。如何利用数字图像处理方法和模式识别理论,从海量图像数据中提取能反映机体生理变化的、客观的定量特征,辅助临床疾病诊断是医学影像学发展面临的挑战之一。本文工作围绕显微视频图像中细胞形态变化特征的定量分析方法研究展开,主要研究成果与创新点如下:1.提出了一种基于改进外力场的活动轮廓模型细胞分割方法。准确的细胞边界是进行细胞形态变化量化分析的前提。相差显微镜成像过程中,由于存在不均匀边界和光圈,精确分割和跟踪细胞边界具有一定的挑战性。基于主动轮廓模型的图像分割方法,通过初始轮廓在各种外力场作用下逐步演化至理想边界实现分割,在目标分割与跟踪中凸显优势。然而,这种基于外力驱动的分割方法对初始轮廓敏感,而且在低对比度边界处表现不佳。为了降低初始位置的敏感性,本文通过图像预分割,使初始轮廓位于真实边界附近;为了分割低对比度的细胞边界,提出了一种改进外力场用于细胞轮廓的演化。实验结果表明,本文提出的方法能准确分割和跟踪细胞边界,由于改进的外力场充分利用了细胞图像的区域信息和边界信息,在低对比度边界处也能取得较好的效果。2.提出了一种基于改进变分光流模型的细胞内部运动特征研究方法。改进的变分光流模型中,数据项采用亮度恒常2L范数约束形式,可有效提取细胞内部连续运动的光流场;平滑项根据图像局部特征自适应调整范数的约束形式,在细胞图像内部区域采用近似2L范数约束,在细胞图像边界采用近似1L范数约束,能在一定程度上解决传统变分模型中光流计算的边界问题。本文还引入光流方向直方图(HOOF)对细胞内部运动特征进行量化分析,将HOOF之间的距离作为衡量视频中细胞内部运动激烈程度的依据。实验证明:该方法采用改进变分光流模型提取细胞内部运动场,提取基于光流方向直方图的细胞内部运动量化特征参数,能有效表征细胞内部运动特征。3.提出了一种对视频图像中活细胞的动态行为特征进行定量分析的方法,分别从细胞的形状、形变和内部运动三方面对淋巴细胞的形态变化进行定量分析。针对两类数据:无排斥反应发生和有排斥反应发生时的淋巴细胞视频图像,分别提取了视频中淋巴细胞的形状、形变和内部运动特征。通过统计检验方法对提取的特征进行特征选择,得到最佳特征组成特征矢量。将提取的特征矢量作为神经网络的输入,对两类视频进行分类。实验结果表明,与单独使用形状、形变或运动参数相比,采用联合特征组成的特征矢量识别效果最好。该方法提取的描述细胞动态行为的量化特征与医生临床观察到的结果一致:无排斥反应发生时,细胞内部运动缓慢,细胞边界有轻微形变;当发生排斥反应时,细胞内部运动和边界的形变都相对剧烈。本方法可为临床上术后及时准确地发现免疫异常,快速检测排斥反应提供参考和依据。4.研究了视频中细胞边界的连续变化特征,提出了一种基于Contourlet变换的细胞形变分析方法。首先,提取视频中目标细胞的边界,计算每一帧图像中细胞的边心距,按时间顺序将边心距信号展开,得到二维曲面,曲面中的波浪起伏代表了细胞边界在各个方向的变化。然后,对曲面信号进行变换域分析,即分别进行小波变换和Contourlet变换,Contourlet变换能非常有效地捕捉边心距平铺展开信号中的光滑轮廓,较大的变换域系数代表了特定方向、特定空间位置处的局部特征,如边缘、轮廓等。最后,分别提取各个子带系数的统计特征,基于秩和检验的统计实验结果验证了算法的有效性。
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：R319;TP391.41
【图文】：

图 5.2 从两类视频中提取的细胞形状特征盒子图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图 5.3 从两类视频中提取的细胞形变特征盒子图

北京理工大学博士学位论文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图 5.2 从两类视频中提取的细胞形状特征盒子图0.0180.020.08

征距离 MDS 结果对比图（20 个 SST 序列和 20 个 AST 序列）T 组。(a)只使用形状特征参数；(b) 只使用形变特征参数；(c) 用形状、形变和运动特征参数。知，如果只使用形状、形变或运动特征，SST 组和 AST区分开来，如图 5.6（a-c）所示。如果联合三方面（形效区分两类数据，如图 5.6（d）所示。经网络（probility nural networ, PNN）对两类视频进行分lder cross-validation)进行验证。从每个视频提取细胞形态征），将此特征矢量作为 PNN 的输入。每次实验中随机为训练样本，剩余十分之一的数据（４个）作为测试样其平均值作为实验结果。实验过程中统计参数如下：nsitivity, Sen），又称真阳率，定义为：将 AST 组视频判pecificity, Spe），又称真阴率，定义为：将 SST 组视频判

本文编号：2805556