基于改進(jìn)ITTI模型及粒子群優(yōu)化算法的白細(xì)胞區(qū)域提取

紀(jì) 濱，楊盼盼，申元霞

(安徽工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，安徽馬鞍山243032)

基于改進(jìn)ITTI模型及粒子群優(yōu)化算法的白細(xì)胞區(qū)域提取

紀(jì) 濱，楊盼盼，申元霞

(安徽工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，安徽馬鞍山243032)

白細(xì)胞顯微圖像病理分析中，人眼關(guān)注的白細(xì)胞是感興趣的區(qū)域。ITTI視覺(jué)模型是提取圖像感興趣區(qū)域(ROI)的有效辦法。為了進(jìn)一步改善其提取的準(zhǔn)確性，提出了基于改進(jìn)的ITTI視覺(jué)模型與粒子群優(yōu)化算法相結(jié)合的目標(biāo)控制方法，并將其應(yīng)用于醫(yī)學(xué)骨髓細(xì)胞圖像中的白細(xì)胞區(qū)域提取。首先利用高斯濾波和多尺度歸一化的方法分別提取原始圖像的方向、亮度、顏色顯著性特征，再根據(jù)人眼的視覺(jué)對(duì)不同顯著性特征敏感程度不同的特性對(duì)3種顯著性特征采用自適應(yīng)系數(shù)相融合的方式得到顯著圖，最后利用基于改進(jìn)的粒子群優(yōu)化算法的Otsu法對(duì)顯著圖進(jìn)行ROI的提取，并采用數(shù)字形態(tài)學(xué)的方法對(duì)其進(jìn)行后續(xù)處理。結(jié)果表明，本文算法可以較好地提取完整的白細(xì)胞區(qū)域，有助于提高病理分析的效率。

感興趣區(qū)域；顯著圖；粒子群優(yōu)化算法；ITTI模型；白細(xì)胞

白細(xì)胞作為“人體衛(wèi)士”，在與疾病斗爭(zhēng)中起著重要的作用，不同類別的白細(xì)胞數(shù)量、形態(tài)發(fā)生異常對(duì)疾病的診斷均有較高的價(jià)值。在實(shí)際應(yīng)用中，病理檢驗(yàn)人員主要根據(jù)在顯微細(xì)胞圖中找到異常細(xì)胞的方式判斷病變，而人工操作方式工作量大、易疲勞從而導(dǎo)致漏判、錯(cuò)判等問(wèn)題。采用計(jì)算機(jī)自動(dòng)提取細(xì)胞圖像中人眼感興趣的白細(xì)胞區(qū)域，可以顯著提高人眼甄別異常白細(xì)胞的工作效率，對(duì)細(xì)胞異常情況的判別具有實(shí)際應(yīng)用價(jià)值。

目前，對(duì)圖像感興趣區(qū)域(Regions of Interest,ROI)提取的方法主要有基于注視點(diǎn)的方法[1]、基于視覺(jué)注意模型的方法[2]、基于特定對(duì)象分割的方法[3]等。面對(duì)復(fù)雜場(chǎng)景，人類視覺(jué)系統(tǒng)會(huì)將注意力集中在少數(shù)幾個(gè)顯著視覺(jué)對(duì)象上，并優(yōu)先處理。這一事實(shí)表明模仿人類視覺(jué)系統(tǒng)的計(jì)算模型更有利于ROI的快速提取。在檢測(cè)醫(yī)學(xué)骨髓細(xì)胞圖像過(guò)程中，人眼會(huì)不自覺(jué)地將視線集中在白細(xì)胞區(qū)域，表明白細(xì)胞區(qū)域是其感興趣區(qū)域。骨髓細(xì)胞電子顯微鏡圖像不同于其他電鏡圖像，沒(méi)有如金相圖像邊緣和背景復(fù)雜的問(wèn)題[4]，因此，利用計(jì)算機(jī)視覺(jué)模型提取骨髓細(xì)胞圖像中的白細(xì)胞區(qū)域，可在專業(yè)應(yīng)用中為細(xì)胞病理檢測(cè)分析奠定技術(shù)基礎(chǔ)。

目前，視覺(jué)顯著性的研究主要集中于4種模型，即光譜剩余模型、Hu-Rajan-Chia模型、Stentiford模型、ITTI視覺(jué)注意模型[5]。由于醫(yī)學(xué)顯微細(xì)胞圖像分析經(jīng)過(guò)瑞氏染色法處理，染色后圖像顏色較為分明，而ITTI視覺(jué)模型主要利用顏色特征、方向特征、亮度特征，故ITTI視覺(jué)模型是較為合適的選擇。文中針對(duì)傳統(tǒng)ITTI視覺(jué)模型提取圖像顯著性區(qū)域的準(zhǔn)確度不高，難以提取完整的感興趣區(qū)域的問(wèn)題[6]，根據(jù)人眼對(duì)不同顯著性特征敏感程度存在差異這一事實(shí)，對(duì)傳統(tǒng)ITTI視覺(jué)模型中顯著性特征結(jié)合方式進(jìn)行改進(jìn)；并針對(duì)Otsu提取顯著圖的感興趣區(qū)域不能反映幾何結(jié)構(gòu)等問(wèn)題，將粒子群優(yōu)化算法引入Otsu算法，以得到較為完整、清晰的白細(xì)胞區(qū)域。

1 白細(xì)胞區(qū)域的提取方法

感興趣區(qū)域是指在圖像中引起人們興趣和幫助進(jìn)行圖像理解的區(qū)域，通常是彼此連通的具有某種相似屬性的“有意義”的像素集合[7]。本文研究的骨髓細(xì)胞圖像經(jīng)瑞氏染色法處理后使得白細(xì)胞區(qū)域顏色較為分明，準(zhǔn)確提取白細(xì)胞區(qū)域是檢測(cè)白細(xì)胞形態(tài)、數(shù)量及病理分析的重要前提。

1.1 改進(jìn)的ITTI視覺(jué)模型

ITTI模型是顯著性區(qū)域的檢測(cè)算法，屬于數(shù)據(jù)驅(qū)動(dòng)型并且是自底向上機(jī)制中的典型代表，其驅(qū)動(dòng)模式符合人類視覺(jué)特征。在病理分析中為了更好地識(shí)別白細(xì)胞區(qū)域，將骨髓細(xì)胞血涂片進(jìn)行瑞氏染色法處理，根據(jù)經(jīng)驗(yàn)本文主要提取顏色、亮度、方向3類顯著性低層視覺(jué)特征。原始ITTI視覺(jué)模型中采用平均值求和方法融合3類顯著圖，前期研究表明，通過(guò)這種方法提取白細(xì)胞區(qū)域會(huì)產(chǎn)生較多噪聲，使圖像不清晰、不完整，影響對(duì)白細(xì)胞區(qū)域的判別。因此，本文采用自適應(yīng)系數(shù)調(diào)整的方法對(duì)信息融合方式進(jìn)行改進(jìn)，以得到較為完整的感興趣區(qū)域。

經(jīng)過(guò)多尺度歸一化運(yùn)算得到的顏色、亮度、方向的顯著圖分別用N(C)、N(I)、N(O)表示，S為融合后的顯著圖，在傳統(tǒng)ITTI視覺(jué)模型中，S計(jì)算如式(1)所示[6]

式(1)只是簡(jiǎn)單地將3類顯著性特征等量平均加權(quán)，沒(méi)有充分考慮到人眼對(duì)不同顯著性特征的敏感程度不同的特性。研究表明圖像中顏色顯著性特征對(duì)人眼視覺(jué)貢獻(xiàn)最大，其次是亮度，最后是方向。根據(jù)貢獻(xiàn)不同，比例系數(shù)應(yīng)不同的策略，采用自適應(yīng)系數(shù)方法求顯著圖如下式。

其中：P1為骨髓細(xì)胞圖像中特征顯著圖亮度比例，其值為先計(jì)算出圖像亮度值的標(biāo)準(zhǔn)方差和平均值后，取偏差范圍內(nèi)那部分像素所占的比例[8]；S1為顏色特征圖、亮度特征圖通過(guò)自適應(yīng)系數(shù)融合后的顯著圖；P2為圖像S1在原始細(xì)胞圖像中面積所占的比例；S為3種顯著性特征圖采用自適應(yīng)系數(shù)運(yùn)算后的最終顯著圖。

1.2 基于改進(jìn)粒子群優(yōu)化算法的Otsu法

為了改善白細(xì)胞區(qū)域提取的準(zhǔn)確性，本文采用將粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法引入Otsu算法[9]，提取圖像中的白細(xì)胞區(qū)域。

PSO算法是基于群體智能理論的優(yōu)化算法，它通過(guò)群體中粒子間的合作與競(jìng)爭(zhēng)產(chǎn)生的群體智能優(yōu)化搜索[10]。設(shè)種群共有N個(gè)粒子，搜索空間為D維空間，記粒子i(1≤i≤N)的位置為xi，其飛行速度表示為Vi，k為當(dāng)前迭代次數(shù)，經(jīng)過(guò)的最佳適應(yīng)值的位置記為pbi，全局最佳適應(yīng)值的位置記為gbi，在每一次迭代中，粒子通過(guò)跟蹤pbi和gbi來(lái)更新其速度和位置，如式(4)[11]：

其中：w為慣性權(quán)重，引入慣性權(quán)重的主要作用是起到平衡全局和局部搜索的能力，平衡算法的收斂速度和精度，可以達(dá)到以最少迭代此次尋找最優(yōu)解的效果；C1，C2，C3為加速因子；r1，r2，r3是相互獨(dú)立的隨機(jī)數(shù)，取值范圍在(0,1)區(qū)間；x1為粒子初始位置。種群粒子的初始值、pbi和gbi均對(duì)粒子運(yùn)行路線產(chǎn)生影響。這3個(gè)因素同時(shí)對(duì)粒子進(jìn)行約束，使得粒子在尋找最優(yōu)解的過(guò)程中能夠兼顧搜索步長(zhǎng)的極小化，避免無(wú)法搜索到最優(yōu)解的問(wèn)題，因此本文將粒子的初始值加入對(duì)速度的更新中，具體如下

慣性權(quán)重的值與粒子的最佳位置有關(guān)，因此，尋找合適的慣性權(quán)重可以使得粒子向更好的區(qū)域靠攏。文中慣性權(quán)重的初始值為0.9，為避免陷入局部最優(yōu)，提高尋優(yōu)的成功率，平衡局部最優(yōu)值和全局最優(yōu)值，得到理想的提取效果，本文采用了非線性的慣性權(quán)重為

其中：wmax，wmin分別為最大和最小的慣性權(quán)重初始值；G為最大迭代次數(shù)。利用非線性慣性權(quán)重去更新粒子的位置和速度，求出的全局最優(yōu)位置pbi和局部最優(yōu)位置gbi，然后進(jìn)行最優(yōu)解的判斷，替換最優(yōu)解的類間方差值，尋找顯著圖的最佳分割閾值。

1.3 骨髓細(xì)胞圖像ROI提取算法步驟

骨髓細(xì)胞圖像感興趣區(qū)域提取實(shí)現(xiàn)過(guò)程如下：

1)輸入骨髓細(xì)胞顯微圖像，采用高斯低通濾波后隔行采樣，提取紅-綠、綠-紅、藍(lán)-黃、黃-藍(lán)4個(gè)顏色特征信息，0°，45°，90°，135°4個(gè)方向信息，及1個(gè)亮度信息共9個(gè)分量。

2)利用中央-周邊差算子[12]計(jì)算出12個(gè)顏色、24個(gè)方向、6個(gè)亮度共計(jì)42個(gè)多尺度顯著性特征圖。根據(jù)中心-周邊感受野的原理，可知中央-周邊差的方法符合人眼的視覺(jué)習(xí)慣，細(xì)尺度圖像表示感受野中心，粗尺度圖像表示感受野周邊。

3)對(duì)3種顯著性特征圖采用歸一化處理后再進(jìn)行多尺度間求和，可得到顏色顯著圖、亮度顯著圖、方向顯著圖。

4)利用本文提出的自適應(yīng)系數(shù)法將3類顯著圖合并成最終的顯著圖，再采用基于粒子群優(yōu)化算法Otsu法提取骨髓細(xì)胞圖像中的ROI。

5)采用形態(tài)學(xué)中的閉運(yùn)算[13]進(jìn)行后續(xù)處理，得到具有較為完整的白細(xì)胞區(qū)域的圖像?？驁D如圖1所示。

圖1 ROI提取算法流程圖Fig.1 Flow chart of ROI extraction

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文方法對(duì)醫(yī)學(xué)骨髓細(xì)胞感興趣區(qū)域提取有效性，實(shí)驗(yàn)采用Matlab2012在華碩A42J（酷睿i5，DDR3 2G）電腦上編程實(shí)現(xiàn)。骨髓細(xì)胞圖庫(kù)來(lái)自某醫(yī)院臨床病理科細(xì)胞病理室，骨髓玻片樣本統(tǒng)一經(jīng)過(guò)瑞氏染色法處理，Motic-BA600數(shù)字化切片掃描顯微鏡輸出大小為670像素×450像素的骨髓細(xì)胞圖。分別采用本文基于改進(jìn)的ITTI模型和粒子群優(yōu)化提取白細(xì)胞區(qū)域的方法，原始ITTI視覺(jué)模型[14]、單一改進(jìn)ITTI視覺(jué)模型、基于上下文的顯著性檢測(cè)(Context-Aware Saliency Detection,CA)[15]、基于光譜剩余模型(Spectral Residual Model,SR)[16]等算法進(jìn)行實(shí)驗(yàn)。Otsu優(yōu)化算法迭代次數(shù)為100；初始粒子個(gè)數(shù)為圖像橫向像素個(gè)數(shù)；慣性權(quán)重最大值與最小值分別為0.9，0.4；加速因子均為2。

圖2是不同方法骨髓細(xì)胞圖像白細(xì)胞ROI提取結(jié)果。

圖2 白細(xì)胞的ROI提取實(shí)驗(yàn)結(jié)果Fig.2 Experimental results of the ROI about Leukocyte areas extracting

由圖2可以看出CA、SR和傳統(tǒng)的ITTI模型提取ROI的白細(xì)胞區(qū)域效果較差(如圖2(e)，2(f)和,2(b))。僅僅對(duì)ITTI模型中的單一特征圖融合方式進(jìn)行改進(jìn)，得到的白細(xì)胞區(qū)域圖依然不夠清晰(如圖2(c),2(d))。經(jīng)分析可知，采用本文提出算法所得效果較為理想(如圖2(g))。

為了進(jìn)一步驗(yàn)證本文提出算法的性能，分別采用了3種指標(biāo)進(jìn)行分析，即概率邊緣指數(shù)(Probabilistic Rand Index，PRI)、全局一致性誤差(Global Consistency Error，GCE)、變換信息量(Variation of Information，VOI)[17]，其中PRI在取值范圍[0,1]中值越大，則實(shí)際分割結(jié)果與理想分割結(jié)果越接近；GCE在取值范圍[0,1]得到的值越小證明提取效果越好；VOI取值范圍[0,∞]的值越小,說(shuō)明實(shí)際分割結(jié)果相對(duì)理想分割圖像信息變化越少,實(shí)際分割結(jié)果與理想分割圖像越接近[11]。同一方法進(jìn)行10次實(shí)驗(yàn)驗(yàn)證，其平均檢測(cè)結(jié)果見(jiàn)表1。

由表1可知，本文方法得到的PRI值最大；GCE和VOI的值最小，其最接近理想值。實(shí)驗(yàn)中為了避免無(wú)法搜索最優(yōu)解的情況，采用本文方法時(shí)增加了迭代次數(shù)，導(dǎo)致與原始ITTI算法相比耗時(shí)略多。雖然采用SR算法耗時(shí)較少，但是從目標(biāo)提取效果(圖2(e))和3項(xiàng)評(píng)判指標(biāo)對(duì)比可知，其其他性能沒(méi)有本文算法優(yōu)越。綜合評(píng)價(jià)參數(shù)值和效果圖可以看出，本文基于改進(jìn)粒子群優(yōu)化ITTI模型的白細(xì)胞區(qū)域提取方法更具合理性。

表1 檢測(cè)結(jié)果Tab.1 Detection result

3 結(jié) 語(yǔ)

本文將基于改進(jìn)的ITTI模型及粒子群優(yōu)化相結(jié)合，給出一種提取骨髓細(xì)胞圖像中白細(xì)胞區(qū)域的有效方法。該算法在原始的ITTI模型的基礎(chǔ)上采用了自適應(yīng)系數(shù)融合，并將粒子群優(yōu)化算法引入Otsu法進(jìn)行白細(xì)胞區(qū)域提取，有效地解決了傳統(tǒng)ITTI模型提取白細(xì)胞區(qū)域存在的噪聲較大，無(wú)法提取較為完整的白細(xì)胞區(qū)域等問(wèn)題。實(shí)驗(yàn)結(jié)果表明，該方法可以更為有效地提取圖像中的白細(xì)胞區(qū)域，可為對(duì)完成白細(xì)胞的分類統(tǒng)計(jì)、病理分析等奠定技術(shù)基礎(chǔ)。

[1]JACOB R J K,KARN K S.The Mind’s Eye∶Cognitive&Applied Aspects of Eye Movement Research[M].[S.l.]∶Amsterdam Elsevier Science,2003∶573-605.

[2]ELAZARY L,ITTI L.Abayesian model for efficient visual search and recognition[J].Vision Research,2010,50(14)∶1338-1352.

[3]LOOG M,LAUZE F.The improbability of harris interest points[J].IEEE Transactions on Pattern Analysis and machine Intelligence,2010,32(6)∶1141-1147.

[4]王培珍，吳琳，殷子睆，等.基于改進(jìn)Mean Shift的高鉻鑄鐵電鏡圖像碳化物目標(biāo)提取[J].安徽工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015,32(3)∶233-238..

[5]陳再量.圖像感興趣區(qū)域提取方法研究[D].長(zhǎng)沙：中南大學(xué)，2012.

[6]ITTI L,KOCH C,NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,1998,20(11)∶1254-1259.

[7]GOKTURK S B,TOMASI C,GIROD B.Medical image compression based on region of interest,with application to colon CT images[C]//Proceedings of the 23rd Annual Engineering in Medicine and Biology Society International Conference.[s.l.]∶IEEE,2001∶2453-2456.

[8]馮競(jìng)舸.靜止圖像的ROI區(qū)域自動(dòng)提取于編碼[D].南京：南京郵電大學(xué)，2013.

[9]劉申曉,王學(xué)春.基于改進(jìn)粒子群優(yōu)化算的Ostu圖像分割算法[J].計(jì)算機(jī)科學(xué)，2013,40(8)∶293-295.

[10]ZHANG Y,GONG D W.Adaptive bare-bones particle swarm optimization algorithm and its convergenc analysis[J].Soft Compute,2014,18∶1337-1352.

[11]SRI M R,AROCKIA S.Improved PSO based multi-evel thresholding for cancer infected breast thermal images using Otsu[J].Science Dierct,2015,48∶524-529.

[12]SIAGIAN C,ITTI L.Rapid biologically-inspired scene classification using features shared with visual attention[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2007,29(2)∶300-312.

[13]QI D W,GUO F.Medical image edge detection based on omni-directional multi-scale structure element of mathematical morphology[C]//IEEE International Conference onAutomation and Logistics,2007∶2281-2286.

[14]ITTI L,KOCH C.Computational modeling of visual attention[J].Nature Reviews Neuroscience,2001,2(3)∶194-203.

[15]GOFERMAN L,MANOR Z.Context aware saliency detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,34(10)∶1915-1926.

[16]HOU X,ZHANG L.Saliency detection∶A spectral residual approach[C]//IEEE Conference on Computer Vision and Pattern Recognition.[s.l.]∶IEEE,2007∶1-8.

[17]UNNIKRISHNAN R,HEBRT M.Toward objective evaluation of image segmentation algorithms[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(6)∶929-944.

責(zé)任編輯：丁吉海

Extraction of LeukocyteAreas Based on Improved ITTI and Particle Swarm OptimizationAlgorithm

JI Bin,YANG Panpan,SHEN Yuanxia
(School of Computer Science and Technology,Anhui University of Technology,Ma'anshan 243032,China)

In the process of pathological analysis of the Leukocyte microscopic image,the leukocyte areas are regions of interest(ROI).The ITTI visual model is an effective method of extracting the ROI from image.For improving the extracting accuracy,an object extracting method combining the improved ITTI visual model with particle swarm optimization algorithm is proposed and used to extract the ROI from the bone marrow cell image.Firstly,based on Gaussian filter and multi-scale normalization,features of the orientation,brightness,and color are computed from the original image.And then,according the fact that the sensitivity of eyes is not the same as different features the saliency map is obtained with adaptive coefficient from three significant characteristics.Finally,by using Otsu method based on the improved particle swarm optimization(PSO)algorithm,the ROIs are extracted and subsequent processed with method of morphology.Experimental results show that this method can extract white blood cell areas perfectly,which is helpful for improving the efficiency of pathological analysis.

region of interest;salient map;particle swarm optimization;ITTI model;leukocyte areas

TP 391.41-3

A

10.3969/j.issn.1671-7872.2016.03.016

2015-12-08；

國(guó)家自然科學(xué)基金項(xiàng)目(61300059)

紀(jì)濱(1969-)，男，江蘇鎮(zhèn)江人，博士，副教授，研究方向計(jì)算機(jī)視覺(jué)及智能感知。

1671-7872(2016)03-0284-05