基于HSV 分量聯合Hessian 矩陣的卵巢癌細胞檢測算法*

鄒禮萍 羅 紅 李永彬

（1.遵義醫科大學醫學信息工程學院 遵義 563000）（2.貴州大學機械工程學院 貴陽 550025）

1 引言

卵巢癌是嚴重威脅婦女健康的惡性腫瘤之一，發病率僅次于宮頸癌，死亡率居各類婦科癌癥之首。由于早期無明顯特征和癥狀，難以發現，出現癥狀時已是晚期，治愈率極低，因此早發現是治愈該病的關鍵。目前主要通過病理學檢查來早期識別和判斷，工作量大，可靠性低。近年來，隨著數字圖像處理技術在臨床診斷中的應用，大大提高了工作效率和可靠性，但由于癌細胞形態特征多變，細胞圖像背景復雜，使得細胞特征的提取成為了一個難題，多年來很多學者對該問題展開了深入的研究。利用先進的計算機圖像處理技術對卵巢癌細胞圖片進行圖像增強，細胞分割等預處理，再結合病理專家的臨床經驗可做到早發現早治療，從而降低卵巢癌對女性生命健康的威脅，這是目前最有效的途徑。

多年來，專家學者對細胞顯微圖像做了大量研究，細胞分割算法不斷在優化［1~10］，但在醫學方面還達不到精準分割，還需要繼續研究。對李天鋼等［11］針對具有復雜紋理的胃癌細胞顯微圖像進行檢測，提出了基于多尺度小波變換的邊緣檢測方法，解決了傳統算法存在偽邊緣和方向性誤差的問題，提高了邊緣檢測的可信度。趙國超等［12］根據提取的38個細胞核特征組成的細胞樣本特征矢量，利用主成分分析方法對原始特征向量進行降維處理，提出了一種強分類器集成算法，實現了癌細胞的分類識別。王云霞等［13］在通過對胃腺癌免疫組化細胞圖像進行色度學分析并進行粗分割，提出了基于改進距離標記的分水嶺分割算法，得到了較為準確的細胞輪廓。歷謹等［14］利用細胞分類方法并結合細胞形態學特征，完成了癌細胞的提取，但提取的精度有待提高。馬瑾等［15］應用宮頸癌細胞圖像，建立了BP 神經網絡模型，通過對模型的訓練，使用人工神經網絡模型的BP反向傳播誤差算法對細胞進行分類，但是由于BP 算法在訓練過程中不易得到最優解，從而使得分類效果不佳。夏為為［16］等利用卷積神經網絡的不同池化模型對宮頸癌細胞圖像進行特征提取，分析了不同池化模型的特征提取方式以及對識別錯誤率的影響，提出了一種基于卷積神經網絡的算法，該算法降低了宮頸癌細胞圖像的識別錯誤率，但最終效果有待提高。

以上方法雖然實現了對胃癌細胞、宮頸癌細胞等的分類和提取，但針對卵巢癌細胞來說其實用性較差，為了更加有效地識別卵巢癌細胞，更加準確地提取卵巢癌細胞的輪廓特征，進而能夠更加準確地識別卵巢癌，本文提出了基于HSV分量聯合hessian 矩陣的卵巢癌細胞檢測算法，首先提取卵巢癌細胞圖像HSV 模型中的S 分量可以得到癌細胞的主要信息，同時去除部分噪聲的干擾；然后通過Hessian 矩陣對卵巢癌細胞進行圖像增強，使得細胞的局部特征更加凸顯，并結合自適應迭代閾值算法完成圖像的分割；再根據形態學方法去除圖像中的干擾，最后運用canny 算子實現細胞輪廓特征的提取。

2 基于HSV 顏色空間的卵巢癌細胞圖像分析

HSV 顏色模型是根據顏色的直觀特性即色調（Hue）、飽和度（Saturation）、亮度（Value）而創建的一種顏色空間，也稱為六角椎體模型。色調H表示顏色所處的光譜顏色的位置，用來區分不同的顏色；飽和度S反應顏色的純度，取值范圍為0-1，取值越大，飽和度越高，顏色越鮮艷，反之顏色越暗淡；亮度V 是指顏色表面的明亮程度，與光照強度之間沒有直接聯系。三個通道各有特點，對于圖像的不同情況采用不同的通道來處理。如圖像是由于光照不同而造成視覺感知不同，采用V通道計算梯度可較好的提取對象邊緣；如圖像前景飽和度較高，背景飽和度較低則使用S 通道可獲得更好的效果；對風格單一，顏色單一的圖像利用H通道效果更好。

HSV 模型是通過RGB 模型演變過來的，對應的HSV模型中的分量可由RGB表示為

相對于RGB 模型而言，HSV 模型更符合人眼對光的感知特性，色調H、飽和度S、亮度V 三個分量獨立解耦［17］，能夠更加準確的量化圖像的顏色信息。卵巢癌細胞在HSV 模型中的三個分量圖如圖1 所示，對比三個分量圖可以發現：圖（b）即H 分量圖較好地保留了細胞信息，但同時也把原始圖像的噪聲保留下來，沒有去除噪聲的干擾，不利于后期對圖像的進一步處理；圖（d）即V 分量圖雖然清除了大部分噪聲，但細胞信息保留不夠完整，也不利于后期特征的提取；圖（c）即S 分量圖很好地保留了細胞信息，同時去除了大部分噪聲，效果最好，因此使用S分量圖進行后期分析和識別。

圖1 卵巢癌細胞的HSV顏色模型

3 細胞圖像增強

圖像增強是通過各種算法強化圖像中感興趣的區域，抑制部分噪聲，增大圖像前景和背景特征差別的過程，使圖像信息量更加豐富，更容易判讀和識別。常用的方法有中值濾波、高斯濾波等，但傳統的濾波算法在平滑噪聲的同時會使細胞邊緣輪廓變得模糊，不利于進一步提取，針對這一問題，提出了利用Hessian 矩陣求特征值，根據特征值之間的關系提取邊緣，凸顯細胞形態特征算法輪。

Hessian 矩陣是由多元函數的二階偏導數所組成的實對稱矩陣［18］，常被用于醫學圖像中的細胞增強處理。如果需要判斷圖像中的像素點m 是否屬于卵巢癌細胞的輪廓區域，可通過泰勒展開式來表示圖像I 中像素點m 鄰域內的圖像結構，數學表達式為

式中：?I(m)表示像 素 點m 的 梯 度 向 量，H（m）表示Hessian 矩陣。對于二維圖像I（x，y），像素點m 的Hessian 矩陣的數學表達式為

式中：Ixx，Ixy，Iyx，Iyy分別表示二維圖像I 在四個不同方向上的二階偏微分。

X方向上的二階偏微分：

Y方向上的二階偏微分：

X，Y方向上的二階偏微分：

計算矩陣的特征值λ1、λ2，并根據兩者之間的關系檢測圖中的細胞結構，并確定參數Rb和S，建立增強濾波函數區分背景與目標，其表達式為

β和c 可以調整Rb和S 的靈敏度。通過大量試驗分析，取β和c分別為0.3、12。

Hessian 中通過構建高斯函數線性模型，用于完成細胞輪廓特征提取，通過設計增強濾波函數，將卵巢癌細胞圖像噪聲去除，從而達到圖像增強的目的，圖2（a）為卵巢癌細胞圖像利用Hessian 矩陣增強后的效果圖。

圖2 Hessian矩陣增強與閾值分割效果圖

4 自適應迭代閾值分割算法

由于增強后的卵巢癌細胞圖像中灰度等級較多，細胞與背景的界限不夠明顯，因此需要進行圖像分割處理，常用的圖像分割算法有全局閾值法、最大類間方差法（OTSU）等，全局閾值法由于使用固定不變的閾值，因此實用性較差；最大類間方差法通過求取背景與目標之間的最大類間方差值作為閾值對圖像進行分割，針對灰度波動較大，目標輪廓清晰的圖像，分割效果較好，但運用于邊緣較為模糊，背景較為復雜，細胞形態多變的卵巢癌細胞圖像的分割，會使得細胞信息丟失嚴重。針對卵巢癌細胞圖像中灰度分布不均，細胞形態多變的現象，提出了一種自適應的閾值分割算法，具體計算流程如下：

1）為全局閾值T 確定一個初始估計值，計算出圖像中所有像素灰度的平均值，將該平均值作為圖像的初始閾值T。

2）以初始值T 為閾值分割圖像，將產生兩組像素I1和I2∶I1由灰度值小于平均值T 的所有像素組成，I2由灰度值大于T的所有像素組成。

3）分別計算像素I1、I2的平均灰度值average1和average2。

4）利用I1、I2的平均灰度值average1和average2，重新計算新的閾值，計算方法為

5）重復步驟2）到步驟4），直到迭代得到相鄰兩T 之間的差值小于設定的參數t為止。對卵巢癌細胞圖像自適應迭代閾值分割算法的分割

效果如圖2（b）所示，從實驗結果看出，分割效果較好，去除了背景的干擾，突出了細胞的結構特征，保留了細胞的主要輪廓，但細胞內部信息有所丟失，同時也帶入了很多細小的噪聲。針對該問題，通過形態學方法選取適當的結構元素進行腐蝕膨脹運算可以有效地去除噪聲，完善細胞的結構。

5 邊緣檢測

圖像邊緣是圖像的基本特征之一，包含了圖像的大部分信息，邊緣檢測是獲取細胞形態特征的重要環節，后續處理中會發揮重要作用，在對圖像邊緣檢測時先進行圖像去噪和邊緣增強，在采用某種算子進行邊緣檢測。常用的邊緣檢測算法有roberts 算子、prewitt算子、sobel算子、log算子、canny算子等，這些算子都利用了圖像梯度的極大值，微分算子模板進行卷積來提取圖像邊緣［10］。

roberts算子是由Lawrence Roberts 在1963年提出來的第一個邊緣檢測算子，是一階微分算子，它利用圖像垂直方向和水平方向的差分來逼近梯度，可以提取背景單一的圖像邊緣，roberts算子定位較精確，但是對噪聲比較敏感，不能控制噪聲對邊緣的影響。

prewitt算子是一階微分算子，采用了更加復雜的模板，利用像素點上下左右的灰度差在邊緣處達到極值來進行邊緣檢測，對于檢測水平或垂直方向的邊緣效果更好。

Sobel 算子是一階差分算子，利用快速卷積函數檢測圖像邊緣，由于Sobel 算子沒有嚴格遵循人的視覺生理特征，沒有基于圖像灰度進行處理，通常提取的邊緣不夠完整，效果不盡如人意。

log 算子首先對圖像做高斯濾波，再求圖像拉普拉斯二階導數，通過檢測濾波結果的零交叉提取圖像邊緣，是不依賴于邊緣方向的二階微分算子，定位精度高，但抗干擾能力不強，

canny 算子是經典的邊緣檢測算子，通過對原始數據與高斯平滑模板作卷積，再運用4 個模板檢測水平、垂直、對角線方向的邊緣，最后使用滯后閾值避免了將沒有組成曲線的噪聲像素當成邊緣，因此canny 算子具有低誤率、高定位精度和抑制虛假邊緣等優點，是所有算子中檢測效果最好的算法，而且能夠檢測出弱邊緣。

基于以上特點，本文采用canny 算子對卵巢癌細胞圖像邊緣進行檢測，得到如圖3 所示的實驗結果，從圖3 可以看出，所得細胞邊緣輪廓清晰，弱邊緣檢測效果明顯。

圖3 卵巢癌細胞圖像邊緣檢測效果圖

6 實驗分析

為了驗證本文算法的效果，本文選取3 張不同時期的卵巢癌細胞圖像作為實驗圖像，其尺寸統一為125×125 像素。算法的硬件運行環境為華碩XY670ZD；處 理 器：AMD 銳 龍5 2500U；CPU@3.60GHz 3.30GHz；安裝內存（RAM）：8.0GB；采用軟件編程語言Matlab2015 工具進行圖像處理實現算法，具體實驗方法及步驟如下：

1）首先將卵巢癌細胞的RGB 圖像轉化為HSV顏色空間圖像，并提取飽和度S 分量，得到原圖的HSV顏色空間S分量圖；

2）利用Hessian 矩陣對圖像的S 分量進行圖像增強，去除了部分噪聲，使得細胞的形態特征變得更加凸顯；

3）利用自適應迭代閾值對增強后的圖像進行分割，得到二值圖像，但同時也給圖像帶入了大量干擾，通過形態學腐蝕膨脹運算結合區域填充濾掉干擾；

4）最后運用canny算子實現細胞輪廓特征的提取。

實驗結果如圖4 所示，從實驗結果可以看出，細胞輪廓清晰，細胞邊緣連續，實驗效果較好。

圖4 卵巢癌細胞邊緣提取效果圖

7 結語

本文算法針對形狀多變、背景復雜的卵巢癌細胞圖像進行了細胞輪廓特征提取算法的研究，實現利用HSV 顏色模型S分量分析細胞的形態特征，結合Hessian矩陣和自適應迭代閾值分割算法濾除了圖中存在的部分噪聲，通過形態學方法結合canny邊緣檢測算子實現卵巢癌細胞輪廓特征提取，對細胞進行分類識別。實驗證明，本文算法取得了較好的效果，解決了邊界不連續的問題，極大地保留了細胞的邊緣特征，提高了檢測精度，進而提高了對細胞進行分類識別的準確度。但該算法目前只能處理顏色較深，細胞間重疊較少的圖像，針對大面積擴散的細胞切片圖像檢測效果不佳，在接下來的工作中，如何提高檢測算法的適用范圍和保留更多圖像細節信息，實現細胞重疊圖像的輪廓提取及分割是研究的重點。