專利名稱：一種基于l1最小化模型的全自動細胞定位方法
技術領域：
本發明屬于生物醫學光學圖像處理領域，特別是涉及生物醫學光學圖像中細胞定位方法。具體為一種基于LI最小化模型的全自動細胞定位方法，其中，LI為I范數。本發明方法尤其適用于神經元胞體的定位。
背景技術：
神經回路是大腦功能的物理基礎。繪制精細神經回路圖能極大地提高人類關于大腦功能的認識水平。如果我們預先完成定位神經細胞的工作，那么我們將能夠更快更精確地追蹤神經突起，從而高效完成神經回路圖的繪制工作。事實上這一方法已經在神經科學界得到廣泛的應用，例如用這種方法我們成功研究了癌癥干細胞與神經微環境的依賴關系，成功找到了神經細胞與神經血管兩者之間的分布規律。最近突飛猛進的熒光標記和顯微成像技術，使得人類能夠以微米甚至超微米量級的水平測量如老鼠之類的嚙齒類動物的完整大腦回路結構。不過即使是繪制僅僅像老鼠這樣的小動物的大腦神經回路圖，人類就要處理浩瀚如海的數據，這是人類大規模分析大腦數據所面臨的巨大障礙。自動定位和分割三維神經圖像細胞的方法取得了巨大進展，典型的方法有分水嶺算法，梯度流算法，這些方法只適用于簡單形態的細胞的定位和分割。最近FARSIGHT的方法參見文獻:1.Al-Kofahi, Y., Lassoued, ff., Lee, ff.&Roysam, B.1mproved automaticdetection and segmentation of cell nuclei in histopathology images.1EEE Trans.Biomed.Eng.57，841-852 (2010).引人注目，它是一種多尺度濾波的方法，它利用不同尺度下的模板與圖像匹配，達到定位胞體的目的。然而，該方法對于具有粗突起的神經元細胞不能很好地處理。神經細胞的定位工作仍然要依賴人工輔助，計算機自動定位神經細胞的方法還遠遠不夠成熟。
發明內容
`
本發明的目的是提供一種基于LI最小化模型的全自動細胞定位方法，該方法處理速度快，并且可以在粗突起的干擾下實現細胞尤其是神經元胞體定位。本發明提供的一種基于LI最小化模型的全自動細胞定位方法，包括下述步驟:第I步、讀取原始圖像，并進行二值化處理，得到二值化圖像B ;第2步、對二值化圖像B進行腐蝕，得到包括神經元細胞的連通域，組成連通域集；對該連通域集中的每一個連通域均按照下述第3步與第4步的過程處理，得到所有細胞的位置和半徑；第3步、將提取的連通域嵌入到一個長方體區域，稱之為子區域，從該子區域中獲取候選種子點，再根據候選種子點間的距離剔除冗余的候選種子點，將剩余的候選種子點作為真實種子點，真實種子點的個數記為k ；第4步、構建LI最小化模型，得到連通域中真實的細胞位置和半徑；其具體過程為:
第4.1步、求解式I中的LI最小化模型以估計參數，得到各真實種子點所對應的位置和半徑:
權利要求
1.一種基于LI最小化模型的全自動細胞定位方法，包括下述步驟: 第I步、讀取原始圖像，并進行二值化處理，得到二值化圖像B ; 第2步、對二值化圖像B進行腐蝕，得到包括細胞的連通域，組成連通域集；對該連通域集中的每一個連通域均按照下述第3步與第4步的過程處理，得到所有細胞的位置和半徑; 第3步、將提取的連通域嵌入到一個長方體區域，稱之為子區域，從該子區域中獲取候選種子點，再根據候選種子點間的距離剔除冗余的候選種子點，將剩余的候選種子點作為真實種子點，真實種子點的個數記為k ； 第4步、構建LI最小化模型，得到連通域中真實的細胞位置和半徑；其具體過程為: 第4.1步、求解式I中的LI最小化模型以估計參數，得到各真實種子點所對應的位置和半徑:
2.根據權利要求1所述的基于LI最小化模型的全自動細胞定位方法，其特征在于，第I步具體包括下述過程: 第1.1步、讀入三維原始圖像，記為I ; 第1.2步、將I與預設的閾值Tl做取小操作，然后將之與一個均值模板做多次卷積操作，得到一副新圖像，記為c ；T1的取值為0.8-0.9倍圖像I的背景的平均像素值； 第1.3步、根據如下核函數，利用I和C，得到二值化圖像B:
3.根據權利要求1所述的基于LI最小化模型的全自動細胞定位方法，其特征在于，第2步具體包括下述過程: 第2.1步、令R = B，對于R上的每一個像素點，如果該點與其周圍26個點的二值化像素值之和小于閾值T2，則將此點的值置為0，否則其值保持不變，將進行上述操作后的圖像記為E ；T2的取值范圍為8 14個像素； 第2.2步、對于圖像Ε，提取其中像素個數在預設的范圍內之間的連通域，并存儲在連通域集待用；該預設的范圍根據最小細胞與最大細胞所占像素個數確定； 第2.3步、將圖像E中已經提取出來的連通域的像素值置為0，得到新的圖像，用之來替換R ； 第2.4步、對于新得到的R，重復第2.1步 第2.3步直至連通域的體素個數小于預設的范圍的下限。
4.根據權利要求1所述的基于LI最小化模型的全自動細胞定位方法，其特征在于，第3步具體過程為: 第3.1步、從連通域集中提取一個連通域，將提取出來的連通域嵌入到一個長方體區域，將之稱為子區域，并將該子區域的二值化圖像和原始圖像分別記為和込； 第3.2步、將和k同時與全I模板進行卷積，得到的圖像分別記為B+和I+ ； 第3.3步、根據圖像B+和I+，從子區域中獲取候選種子點； 第3.4步、從候選種子點中根據候選種子點間的距離剔除冗余的候選種子點，將剩余的候選種子點作為真實種子點。
5.根據權利要求3所述的基于LI最小化模型的全自動細胞定位方法，其特征在于，第2.2步中，所述預設的范圍為Lmin Lmax, Lmin = 100 + 20像素，Lmax = 20000±200像素。
6.根據權利要求4所述的基于LI最小化模型的全自動細胞定位方法，其特征在于，第3.3步中，對于子區域里面的每一個點O，如果該點的像素值B+(ο)大于預設的閾值T3，而且Γ(ο)為局部極大值，將此點作為候選種子點，T3的取值范圍為60 100個像素。
7.根據權利要求4所述的基于LI最小化模型的全自動細胞定位方法，其特征在于，第3.4步的具體過程為，從候選種子點中選出I+(O)最大的那個點，將該點記為O1，剔除與點O1的歐拉距離小于預設的閾值T4的候選種子點，重復此操作直至候選種子點集為空集或重復至少10次，將剩余的候選種子點作為真實種子點，T4的取值為最小細胞的半徑的0.8 0.9 倍。
8.根據權利要求1所述的基于LI最小化模型的全自動細胞定位方法，其特征在于，第4.1步中的式I轉化為式I1:
9.根據權利要求8所述的基于LI最小化模型的全自動細胞定位方法，其特征在于，利用梯度投影算法計算半徑利用均值算法計算位置O」。
10.根據權利要求1至9中任一所述的基于LI最小化模型的全自動細胞定位方法，其特征在于，所述細胞為神經元胞體。
全文摘要
本發明公開了一種基于L1最小化模型的全自動細胞定位方法，步驟為①對原始圖像進行二值化處理，得到二值化圖像B；②對B進行腐蝕，得到包括神經元的連通域，并對每個連通域按③和④進行處理，得到所有細胞的位置；③對每個連通域，將其嵌入到一個長方體，稱為子區域，從子區域中獲取候選種子點，再根據候選種子點間的距離剔除冗余的候選種子點，將剩余的候選種子點作為真實種子點，真實種子點的個數記為k；④構建L1最小化模型，得到連通域中真實的細胞位置和半徑。本發明采用提取子區域的方式進行細胞定位，每個子區域可同時獨立進行運算，可以將所有連通域并行運算，可極大提高整體運算速度，因而能有效處理大范圍數據。
文檔編號G06T7/00GK103236052SQ20131010470
公開日2013年8月7日 申請日期2013年3月28日 優先權日2013年3月28日
發明者曾紹群, 龔輝, 駱清銘, 李靖 申請人:華中科技大學