腎小球基底膜TEM圖像分割方法的研究.pdf

1、慢性腎臟病已成為威脅全球公共健康的重要疾病，腎穿刺病理活檢是診斷慢性腎臟疾病的重要手段，借助透射電鏡(transmission electron microscopy, TEM)能觀察到腎小球細胞亞顯微結(jié)構(gòu)的病理改變，從而做出進一步的病理診斷。研究指出，在腎小球細胞的亞顯微結(jié)構(gòu)中，腎小球基底膜(glomerular basementmembrane，GBM)的變化與慢性腎臟疾病有密切的關(guān)系，如薄基底膜病表現(xiàn)為腎小球基底膜彌漫性變薄。因此

2、在病理診斷過程中，醫(yī)生常常需要對基底膜進行識別和測量。但是GBM的TEM灰度圖像紋理復(fù)雜，病變種類繁多，且大部分基底膜與周圍組織結(jié)構(gòu)對比度較低，依靠肉眼進行識別與測量不僅困難而且耗時。因此，利用計算機圖像處理技術(shù)對GBM區(qū)域進行分割，能更快速直觀地觀察基底膜的形態(tài)，有利于輔助慢性腎臟病的病理診斷。
　　多年來，圖像分割算法的研究一直是圖像處理領(lǐng)域的研究熱點，國內(nèi)外提出的分割算法也很多，然而針對腎小球基底膜分割算法的研究，是在20多

3、年前才開始逐漸發(fā)展起來的。這主要因為生物圖像本身帶有的復(fù)雜性，樣品制備過程的多變性，圖像對比度差，結(jié)構(gòu)模糊等特點而大大增加了圖像分析的難度系數(shù)和復(fù)雜性，從而在一定程度上使得腎小球基底膜分割算法的發(fā)展受到了限制?，F(xiàn)階段已提出的基底膜分割方法可歸納為半自動分割和全自動分割兩大類。這些方法主要基于圖像的灰度特征、紋理特征、梯度特征等屬性分割圖像，在處理灰度均勻、形態(tài)變化不大的小段基膜時能得到較好的效果，但是當待分割的基底膜具有與周圍組織結(jié)構(gòu)對

4、比度較低、自身形狀差異性大等特點時，分割性能不穩(wěn)定，主要原因是因為這些方法對分割對象形狀的描述涉及較少，也不能根據(jù)已有的分割信息動態(tài)調(diào)整分割規(guī)則。因此，基底膜分割的自動化程度和精細水平仍然需要進一步提升。
　　針對現(xiàn)有方法存在的問題和基于分割基底膜的需求，本文提出了兩種方法來完成基底膜的自動分割。
　　方法一是基于塊匹配算法的腎小球基底膜自動分割。圖像塊匹配算法可以有效搜索圖像間的相似圖像塊，但是由于基底膜對比度低、自身形狀

5、差異性大的特點，僅僅從一幅參考圖像中搜索查詢圖像的相似塊將難以得到最優(yōu)的匹配結(jié)果。而且，當參考圖像數(shù)量較多時，逐一將查詢圖像與參考圖像進行塊匹配，效率是很低的。因此，本文首先針對腎小球基底膜的特點，將塊匹配算法的搜索范圍從一幅參考圖像擴展到多幅參考圖像，并采用了一種改進的搜索方式提高匹配效率。然后開始搜索最優(yōu)的圖像匹配塊，最后提取最優(yōu)匹配塊對應(yīng)的標記匹配塊進行加權(quán)，重組為腎小球基底膜的初始分割結(jié)果。對于匹配結(jié)果出現(xiàn)的假陽性問題，本文采用

6、數(shù)學(xué)形態(tài)學(xué)的方法對分割結(jié)果進行后處理，得到精度更高的結(jié)果。
　　方法二是基于隨機森林分類器的腎小球基底膜的自動分割。隨機森林算法通過bootstrap抽樣技術(shù)，產(chǎn)生新的訓(xùn)練樣本集合，然后對每個bootstrap樣本進行決策樹建模，生成由k個決策樹組合成的隨機森林，最后通過投票的方式，對新數(shù)據(jù)的分類結(jié)果進行預(yù)測。研究表明，隨機森林算法具有較高的預(yù)測準確率，對異常值和噪聲具有很好的容忍度。但是由于腎小球TEM圖像中，不同圖像之間存在灰

7、度差異大的問題，使得采用隨機森林分類處理海量數(shù)據(jù)時，會導(dǎo)致部分像素點的分類混亂，致使基底膜的分割準確率不高。本文在隨機森林的基礎(chǔ)上，引入多重隨機森林的概念，從使用一個隨機森林進行分類擴展到使用多個隨機森林分類，使得當森林數(shù)量足夠大時，總有一張或多張訓(xùn)練圖像的灰度跟待分割圖像的灰度接近，進而克服不同圖像之間灰度差異帶來的分割準確率不高的問題，提高腎小球基底膜的分割準確率。
　　在采集到的500組腎小球透射電鏡圖像上進行測試，方法一得