论文部分内容阅读
扬子鳄(Alligator sinensis)是我国特有的淡水鳄，也是世界上最为濒危的淡水鳄类之一。扬子鳄小脑具有维持身体平衡、控制肌肉张力等作用。积极开展有关扬子鳄小脑的研究不仅可以推进扬子鳄的相关科研，为今后实验室创建扬子鳄小脑及全脑的三维结构模型奠定基础，而且对于开发扬子鳄的相关教学具有积极作用。
本文采用解剖学方法获取扬子鳄脑组织，经过石蜡包埋、切片、Nissl染色等实验方法制作扬子鳄脑组织切片，利用全自动扫描显微镜观察、拍照得到有关扬子鳄小脑的横切面和纵切面显微图像。通过显微图像可观察到扬子鳄小脑和脑干的位置关系：在横切面上，可见脑干与小脑围成第四脑室，由扬子鳄中枢神经系统尾端向头端观察，第四脑室先变大后变小，小脑结构逐渐与脑干分离；在纵切面上，由侧面至中心观察，可见小脑结构逐渐变大，小脑与脑干围成的第四脑室逐渐被脉络丛不完全包围。
针对有关扬子鳄小脑显微图像的增强问题，分别采用直方图均衡化、模糊集方法、脉冲神经网络、脉冲发放皮层模型和特征连接模型(Feature-linking model，FLM)五种常见的图像预处理方法对获取的扬子鳄小脑显微图像进行质量改善，通过主观评价和客观评价比较并优选出最适合扬子鳄小脑显微图像增强的计算机算法。研究结果表明：FLM处理后的扬子鳄小脑横切面显微图像的平均局部对比度、空间频率以及平均梯度明显增加(分别增加至10.7-19.0、85.7-119.4以及20.3-43.0)，同时FLM处理后的纵切面显微图像的三个客观指标也呈现不同程度的增加，这说明FLM算法能有效实现扬子鳄小脑显微图像的增强。此外，扬子鳄小脑纵切面显微图像经过FLM处理后，其平均局部对比度、空间频率以及平均梯度分别增加了12.3098倍、3.6341倍以及3.5928倍，均大于小脑横切面显微图像对应参数的增大倍数，即FLM算法对于扬子鳄小脑纵切面显微图像质量的改善程度要比横切面显微图像更高。
在此研究基础上，利用图像分割技术提取扬子鳄小脑区域，分别采用模糊C均值聚类(Fuzzy C-Means，FCM)和基于内核改进的模糊C均值聚类(Kernel-based FCM，KFCM)算法来进行扬子鳄小脑显微图像的分割，并以分割完成后相同簇内样本点的距离作为分割效果的评价指标。研究结果表明：FCM算法分别分割扬子鳄小脑横切面原始显微图像和FLM增强后的横切面显微图像，其欧氏距离值在100迭代后分别稳定在1050-1800和540-1270，即扬子鳄小脑横切面原始显微图像经过FLM处理后，可以一定程度地提升FCM分割的效果。而使用KFCM分割FLM增强后的横切面显微图像能够获得更好的分割效果，此时的距离值稳定在3-7。核参数的选取会影响KFCM的分割效果，当核参数设定为8时可以实现距离稳定值最小化(0.0188)。此外，采用扬子鳄小脑纵切面显微图像对于KFCM分割效果以及FLM的增强效果进行了验证。通过扬子鳄小脑横切面和纵切面显微图像的分割，发现采用KFCM算法的分割效果优于FCM算法，同时FLM对于原始显微图像的增强可以一定程度上改善分割的效果。
本文主要是将生物学与计算机科学交叉融合，借助图像处理方法来开展扬子鳄小脑显微图像的增强和分割的相关研究，通过实验分析得到适用小脑显微图像增强和分割的方案，并开发了用于扬子鳄小脑显微图像增强和分割的相关软件，可以为后续更多显微图像样本的增强和分割研究提供便利，同时可以为从事其他生物医学图像增强和分割领域的研究人员提供参考。
本文采用解剖学方法获取扬子鳄脑组织，经过石蜡包埋、切片、Nissl染色等实验方法制作扬子鳄脑组织切片，利用全自动扫描显微镜观察、拍照得到有关扬子鳄小脑的横切面和纵切面显微图像。通过显微图像可观察到扬子鳄小脑和脑干的位置关系：在横切面上，可见脑干与小脑围成第四脑室，由扬子鳄中枢神经系统尾端向头端观察，第四脑室先变大后变小，小脑结构逐渐与脑干分离；在纵切面上，由侧面至中心观察，可见小脑结构逐渐变大，小脑与脑干围成的第四脑室逐渐被脉络丛不完全包围。
针对有关扬子鳄小脑显微图像的增强问题，分别采用直方图均衡化、模糊集方法、脉冲神经网络、脉冲发放皮层模型和特征连接模型(Feature-linking model，FLM)五种常见的图像预处理方法对获取的扬子鳄小脑显微图像进行质量改善，通过主观评价和客观评价比较并优选出最适合扬子鳄小脑显微图像增强的计算机算法。研究结果表明：FLM处理后的扬子鳄小脑横切面显微图像的平均局部对比度、空间频率以及平均梯度明显增加(分别增加至10.7-19.0、85.7-119.4以及20.3-43.0)，同时FLM处理后的纵切面显微图像的三个客观指标也呈现不同程度的增加，这说明FLM算法能有效实现扬子鳄小脑显微图像的增强。此外，扬子鳄小脑纵切面显微图像经过FLM处理后，其平均局部对比度、空间频率以及平均梯度分别增加了12.3098倍、3.6341倍以及3.5928倍，均大于小脑横切面显微图像对应参数的增大倍数，即FLM算法对于扬子鳄小脑纵切面显微图像质量的改善程度要比横切面显微图像更高。
在此研究基础上，利用图像分割技术提取扬子鳄小脑区域，分别采用模糊C均值聚类(Fuzzy C-Means，FCM)和基于内核改进的模糊C均值聚类(Kernel-based FCM，KFCM)算法来进行扬子鳄小脑显微图像的分割，并以分割完成后相同簇内样本点的距离作为分割效果的评价指标。研究结果表明：FCM算法分别分割扬子鳄小脑横切面原始显微图像和FLM增强后的横切面显微图像，其欧氏距离值在100迭代后分别稳定在1050-1800和540-1270，即扬子鳄小脑横切面原始显微图像经过FLM处理后，可以一定程度地提升FCM分割的效果。而使用KFCM分割FLM增强后的横切面显微图像能够获得更好的分割效果，此时的距离值稳定在3-7。核参数的选取会影响KFCM的分割效果，当核参数设定为8时可以实现距离稳定值最小化(0.0188)。此外，采用扬子鳄小脑纵切面显微图像对于KFCM分割效果以及FLM的增强效果进行了验证。通过扬子鳄小脑横切面和纵切面显微图像的分割，发现采用KFCM算法的分割效果优于FCM算法，同时FLM对于原始显微图像的增强可以一定程度上改善分割的效果。
本文主要是将生物学与计算机科学交叉融合，借助图像处理方法来开展扬子鳄小脑显微图像的增强和分割的相关研究，通过实验分析得到适用小脑显微图像增强和分割的方案，并开发了用于扬子鳄小脑显微图像增强和分割的相关软件，可以为后续更多显微图像样本的增强和分割研究提供便利，同时可以为从事其他生物医学图像增强和分割领域的研究人员提供参考。