中文翻译-基于图像处理的血液红、白细胞计数.docVIP

外文资料译文 基于PCNN和自动波对血细胞图像分割的新方法和计数 摘要：在生物医学领域由于细胞的复杂性、背景所以它依然是一个具有挑战性任务的细胞，并自动计数。脉冲耦合神经网络（PCNN）已被证明是一个非常强大的图像处理工具，因此，在本文中，学习PCNN的自动波特征和形态后，我们提出了血细胞图像分割和计数的新方法。该方法不仅可以消噪及完美分类血细胞图像，也能很好地消除干扰的对象和严重影响血液细胞计数的步骤的相关问题，并能够从它的背景部分特定的独立单元。实验结果表明，该算法是有效的，其结果是所希望的。 关键词:脉冲耦合神经网络，自动波，噪声消除，图像分割，细胞分割;细胞计数 引言 在生物医学领域，尤其是在细胞胚胎学和病理学的研究，并在伤口瘢痕，免疫，肿瘤细胞的代谢和侵袭机制的探索，对细胞结构和功能之间的关系的研究是一个非常重要的工作。细胞图像的定量分析是研究的基础之一。因为细胞图像本身的复杂性的（不均匀照射和低对比度） ，这是非常困难的从后台自动尽数[2 ? 8 ] 。 DWI Anoragaingrum [ 1 ]给出的黑色素瘤和淋巴细胞结合的图像中值滤波与数学形态学分割方法。吴铿[2]阐述从图像近似区域提取的活细胞的方法。马克B.Jeacocke [ 3 ]给出了一个细胞图像分割算法基于多分辨率。 G.费尔南德斯[6]提出的植物细胞的基础上，细胞形状的形态学分析和梯度information.sides这些方法的分割算法，有基于细胞的生化性质的许多其他分割算法，例如，G费尔南德斯[ 9 ]研究了两种色素甜菜（甜菜红）细胞（ β-花青和β叶黄素）的吸收，并提出了植物细胞基于多光谱的分析和形态分割算法。显然，该算法仅适用于有限类型的图像，因为他们必须利用细胞的特殊性能，以及细胞特性的先验知识，应充分利用。这些方法分别适合不同类型的细胞图像。由于脉冲耦合神经网络（PCNN ）已被证明是一个非常强大的图像处理工具[ 11,12,16 ? 19,21 ] ，在本文中，学习PCNN的自动波的特性后，我们提出了一个新方法对血细胞图像分割和计数，不仅能消噪及完美分类血细胞的形象，也能很好地消除严重影响血液细胞计数步骤的相关问题，并能够从它的背景部分特定的独立单元。实验结果表明，该算法是有效的，其结果是所希望的。 图1.PCNN模型 PCNN的理论与自动波特征 PCNN模型 PCNN的基本模型示于图1，其中包括形成一个神经元的基础三个部分：树突，链接调制，脉冲发生器： 树突，如图1所示，是输入感受野的神经元，其具有功能上两个不同的分支为两个不同的输入称为馈电输入端F和连接输入L.链接输入从相邻的神经元接收到的信息，而喂养输入接收的不仅是这些，而且外部刺激。通过加入一个恒定的正偏压，以连接输入，并通过馈送输入相乘以产生神经元的内部活动U.当内部的活性超过了动态阈值E中得到的联调制，Y变为1，否则Y是零。 这里的模型可以表示用下面的表达式。该算法是通过连续迭代进行： 其中I是输入信号，F是馈送输入， L为连接输入，U是内部活动，Y是脉冲输出中，E是动态阈值时，W为本地互连的权重矩阵， β是链路常数， αF ， αL和αE是有F ， L，和E分别相关联的衰减常数，n是迭代次数。 在图像理解的应用程序中使用的PCNN是一个在其中每个神经元是对应于图像中的像素这里Iij单层网络。当一个神经元网络在第一时间，它开始与邻里进行沟通，并鼓励其最近邻居中，是通过互连W.支持当内部活动U是大于动态阈值E，对应的神经元网络的方法，否则神经元保持不变。内部活性ü由馈送输入和连接的输入，然后将其值不仅取决于相对于F而且对L，表示一个神经元的状态受到其附近的状态。因此，如果一个神经细胞被激活时，在下一迭代具有围绕它类似强度的像素将被激活了。这是PCNN的一个重要性质，我们用它来分割图像。 B.自动波特征 PCNN由具有显著自动波的特性不同于传统的人工神经网络。基本上，当一个神经元（或一组神经元）网络，自动波从第一发射神经元向外发散。其中自动波能到达的地方所属的地区，强度相似性和空间上的接近。如示于图2（n表示迭代次数和每个神经元的形成是限制到仅1次）。 图2、PCNN自动波特征 实际上，当改变PCNN的参数，它会导致波的行为的改变。例如：在设置的VF为0防止自动波进入其中的刺激也为0的任何区域;卷积核W或M的尺寸直接影响了速度，而且自动波行进在每次迭代的距离;和对称性矩阵M / W将影响波前这将对对象的轮廓的平滑的影响。基本上，当一个神经元（或一组神经元）网络，自动波产生于本集团内周长。如示于图3中，与波传播时，对象（正方形）被逐渐扩大并在后台不断缩小，而形状保持不变，其中VF= 0.2，W =[010]1 0 1;0 10]。明显地，我们可以使用自动波的传播特性来改变在一