细胞图像分析处理系统的开发(3)

近年来，Chengyang Xu等利用活动轮廓模型对经过边缘检测的图像进行了轮廓拟合和分割，尤其是对U型图像取得了较好的效果[6]。Sobel、Laplacian、Canny等算子被广泛用于边缘检测，同时利用区域之间的邻接和相似性进行区域生长和区域合并。Jseg在确定了种子区域以后，采用了全局最优化的规则进行区域生长，然后使用了基于阈值的区域合并完成图像分割。K.Haris采用水线分割算法完成图像的初始分割，然后使用快速的区域合并算法来合并相近区域。对于彩色图像的分割，一般使用K-Mean或者模糊C-Mean等聚类方法，将图像内的象素划分到指定数目的类别之中，然后将属于同一类别并且相互联通的象素分割到同一区域。也有大量学者利用统计学模型等方法分别从不同的角度对细胞图像进行了分割与处理。同时，有大量的应用使用数学形态学对细胞图像进行处理[7]，利用形态学中的开、闭运算以及骨架提取等操作实现对细胞的处理。

3. 细胞图像的纹理分析。纹理在图像处理中起到重要的作用。例如根据卫星摄影和航空摄影的地形和森林的分析，生物组织和细胞的显微镜照片的分析等等。近几十年来，随着计算机技术和图像处理技术的发展，纹理分析作为模式识别理论应用研究的一个重要组成部分，其应用领域不断扩大，各种纹理分析与识别方法也不断地涌现。常见的纹理分析方法主要有自相关函数法、统计方法、Markov随机场模型分析方法、谱方法、结构方法、子波分析法、数学形态学纹理分析法、空间和频域联合分析法等[8]。而总的来说，这些方法又可分为统计方法和结构方法。

统计方法是根据关于象素间灰度的统计性质对纹理规定出特征。结构分析法利用纹理元素的排列规则来描述纹理的结构。1976年，Weszka提出了灰度差分直方图统计方法（Gray Level Difference Method），能够反映图像灰度的空间组织信息。Haralick等人提出了空间灰度共生矩阵法（Spatial Gray Level Co-Occurrence Matrix Method），通过反映图像的空间灰度分布情况，描述了图像的纹理特征，得到了广泛应用。1983年，George R.Cross和K.Anil给出了完整的Markov随机场纹理模型。F.S.Cohen等人利用高斯随机场模型对九种自然纹理分类，识别率达到了99~100%。

4.细胞图像的分类识别。图像分类属于模式识别的范畴，其主要内容是图像经过某些预处理后，进行图像特征提取，从而进行分类。目前研究热点主要集中在使用人工神经网络对细胞图像进行特征提取和目标识别。人工神经网络[9]是一门交叉学科，涉及到生物、数学、物理、电子及计算机技术等，从人脑的生理结构出发研究人的智能行为，采用物理可实现的系统来模拟人脑的结构和功能。目前科学家提出了很多种具有不同信息处理能力的神经网络，开发了包含ART、AVA、BP等在内的30余种网络模型，广泛应用在联想记忆、优化计算决策、分类识别、智能控制和专家系统等领域。另外，二十世纪六、七十年代V.Vapnik等人研究了有限样本下的机器学习问题，建立了统计学习理论（Statistical Learning Theory），在此基础上发展了支持向量机(Support Vector Machines)，其在解决小样本、非线性及高维识别等方面表现出很多优秀的性能，其理论也日渐运用于各个领域。

现今较为优秀的图像处理软件包括：Focus Graphics公司的AVS医学图像处理系统（/）、用于数码显微镜图像处理的Motics Image 2000、MediaCybernetics的影像分析软件Image-Pro Plus（/）以及生物图像处理和凝胶图像处理软件Image Analysis Software（/）等。但这些软件目前对国内用户来说，还存在着使用和价格等障碍。

1.2 本课题背景

虽然现在市场上已经有很多商业图像分析处理软件，但是大都仅限于普通的应用层面，分散为图像处理、图像分析识别、图像测量等几个类别，真正能结合到实际使用中的并不多。实际上，实验室中得到的细胞图像结果比较复杂多变，对于图像的处理方式也有不同的需求，需要从图像输入输出，到图像表示、转换、处理和分析，再到图像特征提取，以及图像的识别、统计，把图像处理、数据测量、图像分析、模式识别、数据采集以及数据的分析和统计等方面结合在一起，根据每个实验的不同，设计集中化而且功能完整的处理系统，能够自定义分析实验结果，提高实验数据的处理效率。

除此之外，相关的软件开发大都集中在国外，国内优秀的细胞图像分析统计系统目前较少，软件设计人员往往缺乏生物学方面背景知识。如果仅从技术角度设计代码，往往会忽略细胞图像的许多生物学特征，并没有考虑到实验环境对生成图像质量的影响，也没有就实验者最关注的数据信息作特殊处理并设置相关分析统计模块。而我们所需要的是从实验的角度出发，将软件开发和细胞实验相结合。

另外，国外的软件系统性能强大，但价格昂贵，并且需要花较长时间去学习如何操作使用。相对而言，国内的相关软件目前并不成熟，功能全面但普遍较为肤浅，缺乏重点和特色。因此，该领域还有很大的空白需要填补。

1.2.1 课题的需求及待解决的主要任务

实验室的日常运作与观察和测量细胞图像密不可分。目前本细胞生物学实验室主要有以下课题需求：

1. 基于神经细胞图像中细胞突起的测量

神经细胞是一种高度分化的细胞，形态上有胞体和胞突之分。神经突起的生长情况反映了神经细胞的生长特征。自1956年，Nakai成功开创了神经细胞离体培养方法以来，人们利用体外培养的神经细胞进行了大量的研究，如建立神经细胞损伤模型并探讨其发生的机理，在此基础上筛选保护神经细胞的药物等。在这些研究中，经常都要把神经细胞突起的生长状态作为一个观察的指标。传统的神经细胞检测方法是在显微镜下面拍照，利用照片上记录的神经细胞的外型特征进行分析和统计。但是，每一个神经细胞上突起的数量、长度和粗细等特性，却很难用这种方式作出准确的表达。如果使用显微镜下的测微尺对少数突起做粗略测量，工作效率低，测量难度大，不能够很好地反映实验结论。而自从使用细胞图像软件对显微镜下采集的细胞图像进行处理，可以快速、精确地对各个细胞突起长度、数量进行测量，尤其是对带有转角和折度的突起进行测量。测量好的数据结果储存在特定的数据结构中，在此基础上，能够对各组间细胞作突起平均长度方差的计算，以及组与组之间均数比较的t检验统计等，极大地提高了工作效率。

2. 细胞培养中基于细胞或其他特定区域的面积和形态测量

在细胞生长过程中，根据需要会随时对细胞进行细胞面积、核面积、细胞质面积、长短轴和直径、形态因子、核浆比及细胞中空洞所占面积比等测量，以获取相应精确的定量信息。同时，细胞实验中还经常涉及到诸如菌斑面积、条带面积、胚胎血管培养中的毛细血管面积等测量，这些数据对于能否精确评估细胞生长及药物作用至关重要。近年来, 高灵敏度、高精度、自动化、多用途的分析仪器和方法已不断应用于细胞分析中，具有代表性的分析方法包括显微荧光光度术、流式细胞术、激光扫描共焦显微术、电化学方法与电泳技术等。但这些技术

和方法在使用和成本上均存在一定障碍。相比之下，细胞图像分析处理成本最低，操作最为简便，费时最少，同时表现出了较高的精确性。另外，传统的测量方法不能实现对一些特殊区域进行面积和形态测量，如菌斑面积测量和毛细血管面积测量等。而图像分析在此领域则具有很大发展潜力。如今，利用图像分析技术来分析测量细胞及其他特定区域已成为实验室数据分析的重要趋势，在此需求下，需要开发相应的图像处理模块以满足一系 …… 此处隐藏：2882字，全部文档内容请下载后查看。喜欢就下载吧 ……