论文部分内容阅读
在医学检测中,一般利用染色体图像自动分析系统对染色体显微图像进行处理和分析,协助检测人员进行相关病情的诊断。针对当前多数染色体分析系统在分割和提取染色体时存在自动化程度不高的情况,本文以染色体显微图像为研究对象,设计了一系列从染色体显微图像中自动分割和提取染色体的方法,重点解决了两个方面的问题:一是如何将各个染色体区域完整地从显微图像中自动提取出来;二是如何有效地自动分割相互重叠和粘连的染色体。本文主要的研究内容如下:首先,在对显微图像进行背景分割时,考虑到使用大津法确定图像的二值化阈值会出现偏向性,本文提出一种改进的阈值确定公式,该公式通过使用一个权重参数来同时考虑背景区域和染色体区域的类内方差以及它们之间的方差差异,最终确定图像的最佳阈值。此外,为了提高算法的处理效率,本文提出一种退火遗传算法来进一步优化大津法,该算法将模拟退火原理融入遗传算法中,通过在图像灰度范围内寻优来确定最佳阈值。实验结果证明,本文提出的方法既可以保证分割后各个染色体结构的完整性,又能提高处理效率。其次,为了防止自动分割结果中出现染色体结构缺失的现象,本文创新性地提出在分割重叠和粘连染色体之前,利用神经网络将图像中重叠区域分割出来的方法。考虑到常见的图像分割网络性能不佳的情况,本文设计了一种改进的U-Net,该网络以原始U-Net为基础,将残差单元和批量归一化的优点融入其中,用于分割染色体重叠区域。同时,本文利用现有的染色体数据,通过旋转、平移等操作自动产生了可以满足网络训练的各类染色体图像及标签图像,解决了训练数据少和重叠区域标记难的问题。实验结果表明,本文设计的改进的U-Net分割出的染色体重叠区域更加完整和准确,分割结果更有利于对重叠和粘连染色体的自动处理。最后,在自动分割重叠和粘连染色体时,借助改进U-Net的分割结果将染色体图像划分为重叠染色体和非重叠染色体。针对重叠染色体,本文提出“先分离后拼接”的分割思想,从图像中移除重叠区域,然后根据非重叠区域的数量和几何特点,设计出不同的方法对其进行拼接;针对非重叠染色体,本文首先提出目标区域的凸包占空比阈值法来对粘连染色体进行判断,考虑到某些弯曲程度大的单条染色体可能会被误判,所以针对初次判断为粘连染色体的图像,本文又提出一种寻找染色体区域中是否存在一组最佳分割凹点的方法进一步确定粘连染色体,最终使用确定的最佳分割凹点对粘连染色体进行分割。实验结果表明,本文提出的自动分割方法能够更准确地将重叠和粘连染色体分割,可以更有效地提取出显微图像中的各条染色体,具有更好的实用价值。