基于Vision Builder AI的生物醫(yī)學圖像智能化自動處理分析

查悅明， 陀韋為， 王 卓， 張剛平， 黃耀熊

(暨南大學 生物醫(yī)學工程系, 廣東 廣州 510632)

0 引 言

在生物醫(yī)學實驗中往往需要分析大量的圖片，僅僅依靠人眼觀察比較，只能獲得粗略的定性的理解，若要獲得定量的數據或對圖像進行增強改善，則需要借助圖像處理與分析軟件。現在一般通用的圖像處理分析軟件功能比較單一，針對性不強，智能化自動化程度低，很多操作需要手動完成，造成人為誤差，檢測不準確，且耗時費力[1-2]。在實際使用中，各個實驗室實驗條件不同，圖像千差萬別，通用的圖像處理分析軟件作用很有限。這就需要我們針對特定的實驗圖像與檢測要求設計軟件，傳統(tǒng)的編程語言系統(tǒng)編寫程序工作量大，需要時間長[3-4]，對于編寫只針對某一兩種實驗使用的軟件十分不劃算。而Vision Builder AI(VBAI)則是NI公司推出的快速生成視覺自動檢測生成器，用戶基本無需編程，就可以在數小時甚至幾分鐘內建立好自己的檢測程序[5-6]，從而對圖像進行自動的，大批量的，客觀的，準確的檢測，并自動計算、保存、輸出結果，十分適合在生物醫(yī)學實驗室中使用。

1 應用于微球內外徑等尺度指標的自動測定

1.1 背 景

微球作為載體、傳感器等在生物醫(yī)學領域的應用十分廣泛[7-8]，在實驗中通常需要對微球進行檢測和分析，分析的指標主要有半徑[9]、圓度、折射率等等。利用基于VBAI的顯微圖像分析是比較方便的方式。

1.2 方法

將微球投入溶液中，使其分布較均勻，并置于顯微鏡下觀察，得到清晰的微球顯微圖像。根據我們先前的工作，通過測定微球的外徑D以及其在溶液中所成像的黑環(huán)內徑的d，可以根據有關理論方程來確定微球或其周邊介質的折射率[10]。因此，需要精確測定D與d。下面介紹我們用VBAI編寫的程序如何實現對微球像D與d的智能自動測定。

圖1 微球顯微圖像

利用VBAI設計檢測的程序流程如圖2所示。

進入VBAI的Inspection State編輯窗口，可以編輯整個程序的主要過程，如圖3所示。我們的設計是：先在“Inspect”過程中對圖像進行預處理并找到物體，得到物體個數；然后在“GO ON?”過程中判斷檢測到幾個物體，是否已經檢測完全部物體；隨后在“Measure”過程中對當前序號的物體進行檢測。

進入每個過程進行具體步驟的編輯，只需雙擊右側工具中的相應操作，就可以將該操作加入程序中，在屬性窗口中對操作的各項參數進行設定。在“Inspection”過程中，我們首先打開圖片，選中循環(huán)取圖將依次獲取目標文件夾中的每個圖像文件。如要測量真實尺寸，則要對圖像進行標定，VBAI中Calibrate image有多種方式，如圖4所示。通常實驗室顯微鏡采用顯微標尺進行標定，選擇第一種模式，導入顯微標尺的圖像，標定完成后生成標定文件，檢測時自動讀取。接著我們對圖像進行預處理，這將打開vision assistant窗口，可對圖像進行LUT變換、濾波、分割、形態(tài)學變換等多項操作，在本實例中將圖像處理為適合尋找物體的二值化圖像。然后對處理過的二值化圖片進行Detect Objects操作，得到物體數列。Select Image操作將原圖像讀入，代替處理過的二值化圖像，為下一步檢測做準備。Set Variable的操作是將Detect Objects操作中檢測到的物體個數存入代表剩余物體數的X。

圖3 Inspection State編輯窗口

圖4 Calibration選項

“GO ON?”過程中沒有圖像處理的具體操作，只在Inspection State編輯中有一個判斷，在指向end的箭頭定出編輯走向end的條件，為剩余物體數X<1，當X≥1時將執(zhí)行默認箭頭，走向“Measure”過程。如圖5所示。

“Measure”過程中，首先Index Measurements讀取之前Detect Objects中檢測得到的物體數列的的第X個物體。接著，要設置程序可以根據物體的位置、大小等自動建立相應的ROI，即檢測區(qū)域，由于要進行微球圖像直徑的檢測，因此區(qū)域類型選擇圓環(huán)形。

圖5 Measure過程

然后就可以在檢測區(qū)域內進行圓的直徑檢測了，利用Find Circular Edge操作可以很方便地做到這一點。其參數設置界面如圖6所示。

圖6 Find Circular Edge選項

在直徑檢測中，程序在檢測區(qū)域內沿徑向生成一系列的檢測線，圖5中下方的曲線為沿檢測線方向上灰度值變化曲線的一次導數曲線，反映了灰度值的變化速率，負數部分對應圖像由亮變暗，正數部分對應圖像由暗變亮，極值處即變化速率最快處，也就是邊緣所在位置。曲線上方的參數設定包括判斷邊緣的閾值，平滑算子的大小，取樣寬度，每條檢測線之間的間隔等。由于是根據擬合出的曲線確定邊緣位置，因此可以超越像素的限制，實現亞像素等級的超分辨率精確度。檢測程序首先得到每條檢測線上的邊緣點位置，再根據所有邊緣點擬合出圓形邊界，計算出直徑數值，程序中給出精確到0.01個像素的結果。結果的穩(wěn)定性還要取決于拍攝環(huán)境、光照、相機穩(wěn)定性等。圖像中微球邊緣的黑環(huán)是由于光線折射造成的，根據我們先前工作[10]，證明其粗細與微球與溶液的折射率比值成一定比例關系。因此，程序中通過分別測量各微球的D與d，調整Find Circular Edge操作中搜尋方向、邊緣種類等參數可以搜尋到內徑圓和外徑圓。在精確測定D與d值后，可自動根據我們先前工作導出的方程式[10]，給出微球的折射率或是其周邊介質的折射率。

Calculator是界面類似LabVIEW圖像化編程工具的一項功能，可以由用戶自己選擇輸入輸出量、制定復雜的運算程序等，本實例中為利用文獻[10]的方程式計算出微球的折射率。Data Logging可以選擇需要記錄的數據寫入指定的txt或csv文件，以便后續(xù)的數據分析統(tǒng)計。最后Set Variable將變量X減1。

VBAI應用編寫完成后可作為專用的檢測軟件使用，處理圖片時將需要分析的圖像放在同一目錄下，進入VBAI文件，指定該路徑，點擊Run Inspection in Loop，就可以自動完成所以圖片的分析，并得到記錄有數據的txt或csv文件。

這樣生成的檢測程序智能、客觀、準確、快速，實現了圖像中微球的識別尋位、移動ROI建立、兩個直徑的測量、折射率計算、數據保存等操作的完全自動化運行。而且整個操作與運算排除了人為操作中的主觀性因素，精度亦達到亞像素水平，平均單個微球的測量時間僅需0.20 s。

為了檢驗其測定的準確性，在對拍攝系統(tǒng)和環(huán)境進行標定和控制之后，選擇合適的微球作為檢測對象進行多次檢測，其檢測結果如表1所示。同時，用以往常用的油浸法[11]對微球折射率作對照測定，測得的折射率與本VBAI生成系統(tǒng)測定結果高度吻合，說明VBAI檢測程序的測量準確性可重復性較高。

表1 微球折射率檢測結果 溫度：20℃ 水折射率：1.333 0

油浸法測得微球折射率：1.462 0±0.000 5

2 應用于細胞檢測

2.1 背 景

細胞是生物醫(yī)學研究的重要對象之一，通過分析細胞的顯微圖像我們可以得到很多有用的信息。紅細胞是人類血液中存在的主要細胞，一直是研究的熱點。正常的紅細胞呈雙凹圓盤狀，而衰老和不健康的紅細胞會呈棘形、雙凹消失等不規(guī)則的形態(tài)[12]。通過觀察與分析顯微圖像中紅細胞的形態(tài)可以評價其健康程度[13-14]。所以這里以紅細胞為例說明如何采用VBAI編寫適合于進行細胞圖像分析的技術過程。

2.2 方 法

將紅細胞懸浮于緩沖液中，置于顯微鏡下觀察，利用數碼CCD攝像頭拍攝下細胞的圖像，如圖7-a所示。

檢測程序上需要先尋找到各個細胞，再對每個細胞進行檢測，與微球檢測的過程類似，程序總體設計上依然可以利用上節(jié)中微球的檢測程序的設計，但需要根據有關圖像處理分析的內容更改具體的圖像處理分析操作。

(a)原圖像(b)處理后的圖像

圖7 紅細胞圖像處理前后

在圖像預處理操作中需要將原始圖像處理為適合物體識別的二值化圖像，利用Vision Assistant，先對圖像轉灰度圖像、適當的LUT處理，在分割處理上，由于細胞邊緣處明暗對比較大，邊緣銳利，因此選用基于移動窗口分割的算法可以較容易地找到邊緣。通過實驗比較證明，選用Background correction分割，可綜合局部和全局的灰度變化信息。分割移動窗口大小設置為邊長接近細胞邊緣寬度2倍的正方形最為合適。分割完成后再對二值圖像進行一定的形態(tài)學變換操作，將邊緣盡量變得閉合并填充孔洞。最后進行Detect Objects操作，得到圖7(b)所示的圖像。

接著將對細胞形態(tài)進行分析。首先根據Detect Objects操作中所檢測到的物體列表，對每個細胞進行檢測區(qū)域的建立，即設置ROI。然后依然使用Find Circular Edge操作，在該操作中調整參數，使得檢測線能較準確的發(fā)現邊緣。該操作完成后，將輸出一項名為Deviation的參數，該參數代表了細胞邊緣與標準圓的標準偏差。同時該操作還可以得到細胞直徑等相關的信息。將Deviation除以直徑后可以得到細胞邊緣與標準圓的相對標準偏差，由于健康紅細胞的圖像是近似圓形的，因此Deviation參數可以一定程度上反映紅細胞的健康程度。

將實驗中拍攝到的采用不同保存格式、保存不同天數的紅細胞圖片歸類，用VBAI程序進行分析，結果保存在csv文件中。

如圖8(a)所示為較健康的細胞，圖像中細胞外輪廓近似圓形，Deviation/R=1.2‰；圖8(b)所示為發(fā)生了一定形變的細胞，Deviation/R=3.2‰；圖8(c)所示為嚴重變形的棘形細胞，Deviation/R=7.3‰。隨著細胞變形程度加重，細胞的相對標準偏差值也隨之增加。

(a) Deviation/R=0.12%

(b) Deviation/R=0.32%

(c) Deviation/R=0.73%

圖8 不同形態(tài)紅細胞及其Deviation/R的值

通過軟件分析的優(yōu)勢在于：可以客觀而定量地給出每個細胞的變形程度；可以快速自動地分析大量的圖片，得到大量的數據，并對數據進行后續(xù)的統(tǒng)計處理，具有統(tǒng)計學意義。除此之外，還可以獲得細胞的大小信息，通過視野內細胞個數，得到細胞分布密度信息等。

3 應用于圖像的改善

3.1 背景

某些生物醫(yī)學樣品的顯微圖像，由于各種原因，其清晰度與對比度都不能滿意[15]，對此，也可以運用VBAI的圖像處理的方式對圖像進行改善。下面介紹花粉孢子斷層掃描圖像中噪音及對比度不理想的斷層圖作改善的技術過程。

3.2 方法

首先對整幅圖像中的噪雜進行去除，通常改善的方法有空域濾波和頻域濾波，兩種方法都可通過Vision Assistant中的算法實現。其中空域濾波的算子較多，功能更加豐富，其設置頁面如圖9所示。不僅提供了低通、高通等10多種算子、每種算子3×3，5×5，7×7三種尺寸，還可以由用戶自定義算子以滿足特殊需要。圖10所示為原圖像、使用Local Average算子和使用自定義算子處理后的圖像。

整幅圖像改善完成后對左右對比度及清晰度不理想的花粉孢子斷層圖像進行增強，首先建立一覆蓋圖11(a)中央花粉孢子像的區(qū)域，使用一可旋轉的長方形區(qū)域，長方形的方向與左右像平移的方向垂直，寬度等于左右像平移的距離。

圖9 Filters設置界面

(a) 原圖像

(b) Local Average算子

(c) 自定義算子

(a) 增強前的圖像

(b) 左右斷層圖像增強后的圖像

接著利用Calculator操作計算圖11(a)左右像的位置。輸入中央像的中心點(X0,Y0)、角度α和平移距離L，則左像、右像中心點(X1,Y1)，(X2,Y2)分別為：

以此為中心點坐標參數，長寬與角度參數使用中央區(qū)域的長寬與角度，分別建立覆蓋左右像的區(qū)域，使用Vision Assistant對左右區(qū)域內的圖像進行對比度、明暗度的調整增強，如圖12所示。

得到處理后的圖像，三個層面的圖像的對比度基本相同，結果如圖11(b)所示。

利用VBAI對圖像進行處理與改善，不僅功能豐富，適用性強，且操作簡單，易于掌握，程序建立完成后還可以快速的對其他同類圖片進行處理，大大節(jié)省了時間。

圖12 明暗及對比度調整界面

4 結 語

使用VBAI創(chuàng)建圖像分析處理程序，可對各種生物醫(yī)學對象進行分析和檢測，可對圖像進行處理與改善，其優(yōu)勢在于：

(1) 相比起人眼觀測和手動測量，本方法能夠提供客觀和量化的數據，可快速對大量圖像進行自動分析并保存檢測結果。

(2) 相比起通用化的測量分析軟件，本方法針對性強，針對各種特定情況和需要制定適應的程序，準確性、有效性和實用性高。

(3) 相比起使用VC等編程軟件編寫特定測量分析軟件，本方法簡單，有大量強大的模塊化功能自由選用，程序開發(fā)周期短，工作量小，不需要專業(yè)編程技能，一般人易于掌握，且程序易于調整改進。

綜上所述，使用VBAI可簡單快捷的針對不同生物醫(yī)學圖像建立相應檢測處理程序，可快速自動地對大量圖像進行分析，得到客觀量化的數據。VBAI是實驗室快速建立生物醫(yī)學圖像處理與分析檢測程序的有力工具。

[1] 岳慧琴. 生命科學數字顯微圖像分析的新進展[J]. 實驗室科學, 2006(10): 112-114.

YUE Hui-qin. New advances in the life sciences digital microscopic image analysis[J]. Laboratory Science, 2006(10): 112-114.

[2] 賀賽龍, 楊 鳴, 蔣剛毅. 一種高性能數字顯微圖像分析系統(tǒng)[J]. 寧波大學學報(理工版), 2003(9): 248-252.

HE Sai-long, YANG Ming, JIANG Gang-yi. New High-Performance Digital Microscopic Image Analysis System[J]. Journal of Ningbo University (NSEE), 2003(9): 248-252.

[3] 黃建燈, 陳慶全. 基于支持向量機的紅細胞彩色圖像分割[J]. 計算機系統(tǒng)應用, 2009(1): 35-38.

HUANG Jian-deng, CHEN Qing-quan. A red blood cells color image segmentation algorithm based on support vector machines[J]. Computer Systems & Applications, 2009(1): 35-38.

[4] 范一峰, 王義平. 圖像分割技術在昆蟲識別中的應用[J]. 實驗室研究與探索, 2011,30(4):9-10.

FAN Yi-feng, WANG Yi-ping. Application of Image Segmentation in InsectRecognition[J]. Research and Exploration in Laboratory, 2011,30(4):9-10.

[5] 趙偉杰, 高 勇. 機器視覺在光纖端面缺陷檢測中的應用[J]. 現代電子技術, 2011,34(19):136-143.

ZHAO Wei-jie, GAO Yong. Application of machine vision in defects inspection of optical fiber end surface[J]. Modern Electronics Technique, 2011,34(19):136-143.

[6] 胡明明, 喬鐵柱, 鄭補祥. 基于NI機器視覺的膠帶縱向撕裂檢測系統(tǒng)[J]. 儀表技術與傳感器, 2013(11):41-43.

HU Ming-ming, QIAO Tie-zhu, ZHENG Bu-xiang. Inspection System of Belt Longitudinal Tear Based on NI Machine Vision[J]. Instrument Technique and Sensor, 2013(11):41-43.

[7] 鄧勇輝, 汪長春, 楊武利, 等. 磁性聚合物微球研究進展[J]. 高分子通報, 2006(5): 27-35.

DENG Yong-hui, WANG Chang-chun, YANG Wu-li,etal. Research progress of magnetic polymer microspheres[J]. Polymer Bulletin, 2006(5): 27-35.

[8] 陸 楊. 明膠微球的研究進展[J]. 明膠科學與技術, 2006(6): 57-68.

LU Yang. Research progress of gelatin microspheres[J]. The Science and Technology of Gelatin, 2006(6): 57-68.

[9] 陳素芬, 李 波, 張占文. 二氧化硅氣凝膠微球制備技術[J]. 強激光與粒子束, 2004,16(3): 309-312.

CHEN Su-fen, LI Bo, ZHANG Zhan-wen. Fabrication of SiO2 aerogel microsphere[J]. High Power Laser & Particle Beams, 2004,16(3): 309-312.

[10] 岳糧躍, 王平, 黃耀熊. 處在不均勻介質微區(qū)中的微球折射率的簡單測定方法[J]. 生物傳感器和生物電子學, 2011(30): 216-222.

Liang-Yue Yue, Ping Wang, Yao-xiong Huang. Easy method to determine refractive indices of microspheres and in micro-regions of inhomogeneous media[J]. Biosensors and Bioelectronics, 2011(30): 216-222.

[11] Little D J, Kane D M. 基于圖像對比的油浸法測量蜘蛛絲折射率[J]. 光學快報, 2011,19(20): 19182-19189.

Little D J, Kane D M. Image contrast immersion method for measuring refractive index applied to spider silks[J]. Optics Express. 2011,19(20):19182-19189.

[12] Bessis M. 紅細胞形態(tài)：一種圖像分類方法及其原理[J]. 新法國血液雜志, 1972,12(6):721-45.

Bessis M. Red cell shapes. An illustrated classification and its rationale[J]. Nouvelle Revue FranCEaise D'hématologie, 1972,12(6):721-45.

[13] 李周璇, 雷建明, 王 迪, 等. 聯合動靜態(tài)圖像分析技術研究鱷魚血紅細胞形態(tài)功能隨pH值的變化[J]. 光學技術, 2011(6):723-729.

LI Zhou-xuan, LEI Jian-ming, WANG Di, etc. Study on morphology and structure of single living crocodilian erythrocyte as functions of pH using techniques of static and dynamic image analysis[J]. Optical Technique, 2011,37(6):723-729.

[14] Gompper G, Schick M. 軟物質：第四卷 脂質雙分子層與紅細胞[M]. Wiley, 2008.

[15] 于文靜, 楊富琴, 馮偉國. 圖像修復實驗的設計[J]. 實驗室研究與探索, 2012,31(6):40-43.

YU Wen-jing, YANG Fu-qin, FENG Wei-guo. Design of the Experiment on Image Impainting[J]. Research and Exploration in Laboratory, 2012,31(6):40-43.

·名人名言·

如果你問一個善于溜冰的人怎樣獲得成功時，他會告訴你：“跌倒了，爬起來。”這就是成功。

——牛頓