基于優化MSER算法的宮頸細胞核分割方法

何勇軍 張雪媛 邵慧麗 丁博

摘 要：隨著人工智能技術的發展，自動閱片系統在輔助病理醫生閱片診斷，提高病理診斷準確率、降低勞動強度等方面起著越來越重要的作用。細胞核的準確分割是影響該自動閱片系統性能的首要因素。由于細胞核、細胞漿與背景之間的邊界不清，且細胞之間顏色差異大，對細胞核分割提出了挑戰。為解決這一問題，提出了一種基于優化最大極值穩定區域（maximally stable extremal regions，MSER）算法的宮頸細胞核分割方法。該方法首先將圖像轉換到HSV（hue，saturation，value）顏色空間。然后針對S和V通道做加權組合后，采用優化后的MSER算法處理，獲得灰度值均勻的粗分割區域。再利用參數自適應的閾值分割方法進行精細分割。最后通過提取細胞核特征訓練人工神經網絡分類器來判斷分割后得到的結果是否為細胞核。實驗表明，該方法能夠準確地分割宮頸細胞核。

關鍵詞：細胞核分割;穩定區域;凸包檢測;顏色空間

DOI：10.15938/j.jhust.2021.06.002

中圖分類號： TP315.69

文獻標志碼： A

文章編號： 1007-2683（2021）06-0010-08

Cervical Cell Nuclear Segmentation Method Based on Optimized MSER Algorithm

HE Yong-jun， ZHANG Xue-yuan， SHAO Hui-li， DING Bo

（School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：With the development of artificial intelligence technology， the automatic reading system plays an increasingly important role in assisting the diagnosis of pathologists， improving the accuracy of pathology diagnosis and reducing labor intensity. Accurate segmentation of the nucleus is the primary factor affecting the performance of the automated reading system. Because the boundary between the nucleus， the cytoplasm and the background is unclear， and the color difference between the cells is large， the nuclear segmentation is challenged. In order to solve this problem， a method of cervical nucleus segmentation based on optimal maximum stability regions（Maximally Stable Extremal Regions， MSER） algorithm is proposed. This method first converts the image to the HSV （Hue， Saturation， Value） color space. Then， after weighted combination of S and V channels， the optimized MSER algorithm is used to obtain a coarse segmentation region with uniform gray values. The parameter segmentation method is used to perform fine segmentation. Finally， the feature extraction technique is used to extract various features from the nuclear image， and the artificial neural network classifier is trained to judge whether the result obtained after segmentation is the nucleus. Experiments show that the method can accurately segment the cervical nucleus.

Keywords：nuclear segmentation; stable region; convex hull detection; color space

0 引 言

宮頸癌是威脅女性健康的第二大殺手，其死亡率僅次于乳腺癌。研究表明，宮頸癌主要由HPV感染引起細胞的不正常生長引起。早期篩查對降低宮頸癌的死亡率至關重要。據調查，宮頸原位癌的治愈率高達100%，早期浸潤癌為90%，而浸潤癌僅為67%，晚期擴散后治愈率低于10%。宮頸細胞涂片檢測是篩查宮頸癌的重要手段[1-2]，對發現宮頸異常細胞具有較高的準確性。但該方法需要病理學專家用人眼看顯微鏡去判斷，主觀性較強，同時耗費大量的人力物力，準確性也不穩定，難以適應現實的應用需求。而宮頸細胞涂片的自動化分析，即自動閱片能夠有效地解決這一問題。

自動閱片主要目的是通過自動化的掃片、識別和分析，找出病變的細胞，以輔助醫生診斷。由于宮頸涂片中細胞分布的復雜性和背景的多樣性，自動閱片一直存在著諸多挑戰。在此過程中，細胞核的準確分割是后期細胞識別的重要前提。但宮頸細胞圖像內容多樣，背景復雜，有上皮細胞、淋巴細胞、中性粒細胞、各種團狀細胞和垃圾雜質。且人體細胞的種類繁多，顏色存在較大差異。其次標本制作后存在大量的粘連和重疊細胞。此外，染色不均及其細胞自身的病理性改變等上述種種原因給細胞核的準確分割帶來了很大的困難，利用常用的圖像分割方法極易造成細胞核的欠分割或過分割等問題。

細胞核分割主要是利用細胞圖像中的灰度、顏色、邊緣、紋理、形狀等信息將細胞圖像中的細胞核準確地提取出來。目前國內外研究者已經提出了大量有效的方法。Phoulady等[3]提出了迭代閾值法分割細胞核，以形態學方法獲得的細胞核尺寸、灰度值和凹凸性為依據，利用迭代閾值法分割細胞核。Plissiti等[4]提出了一種基于分水嶺的細胞核分割的全自動方法。首先通過形態學重建步驟檢測圖像區域極小值的質心，再用分水嶺變換定義核的邊界，然后使用模糊C均值算法（fuzzy C-means，FCM）執行聚類步驟，從邊界封閉區域中提取特征，檢測核的真實位置。Asli等[5]提出了一種無監督的宮頸細胞分割和分類的方法。具體過程涉及使用自動閾值處理以將細胞區域和背景分離，基于均一性和圓形度采用多尺度分層分割算法劃分細胞區域，以及采用二元分類器分類細胞區域的細胞核。Li等[6]采用輻射梯度矢量（radiating gradient vector flow， RGVF）從單細胞子宮頸細胞涂片中準確提取細胞核和細胞漿。該方法首先將每張單細胞子宮頸涂片圖像轉換為CIELAB顏色空間，并將L維數據歸一化形成灰度圖像，使用非局部均值濾波器去除噪聲。然后利用K均值聚類算法將圖像中的區域大致聚類為細胞核、細胞漿和背景。最后利用RGVF驅動下的Snake模型對細胞核和細胞漿邊界進行準確的估計。Zhang等[7]提出了一種基于稀疏形狀先驗引導變分水平集框架的膠質母細胞瘤組織的細胞核分割方法。通過譜聚類和稀疏編碼，利用一組形狀先驗來適應復雜的形狀變換。然后通過種子檢測算法實現目標輪廓的自動初始化。最后通過最小能量函數實現目標函數的變形。Zhang等[8]采用局部自適應圖分割（local adaptive graph cut，LAGC）用于異常細胞核的分割。首先進行細胞核的預分割，將預分割后的圖像從笛卡爾坐標系映射到極坐標系構造圖。然后為圖中的每個節點分配核的特定成本，確定成本最低的全局最優路徑。最后通過反轉初始展開變換，將路徑映射到原子圖像上，得到改進的核邊界。劉俠等[9]提出使用改進的基于隱馬爾科夫隨機場框架分割脊柱CT圖像。由隱馬爾科夫隨機場建立分類的先驗分布，并添加記憶器的模擬退火算法、期望最大化算法和最大后驗估計準則來進行參數估計并得到最終結果。劉露等[10]提出一種基于視覺顯著模型的正電子發射型計算機斷層顯像（positron emission computed tomography，PET）圖像快速分割算法。首先使用優化的Itti視覺顯著模型替代人工操作對PET圖像進行快速識別，并將獲得的顯著圖進行預處理，初始化前景區與背景區的高斯混合模型，最后使用優化的GrabCut算法對PET顯著圖進行分割獲得結果。楊金鑫和Song等[11-12]以卷積神經網絡為基礎，結合染色校正方法和簡單線性迭代的超像素聚類算法，提出了一種新的結構來分割細胞圖像。Song等[13]提出了一種多尺度卷積神經網絡（multi-scale convolutional network， MSCN）和基于圖形分割的宮頸細胞漿和細胞核精準分割方法。通過MSCN進行深度學習[14]，提取尺度不變的特征進行粗分割;然后利用一種基于預訓練特征的自動圖像分割方法改進粗分割;同時利用超像素代替原始像素，降低了分割的復雜度。Hou等[15]提出一種稀疏卷積自動編碼器（convolutional autoencoder，CAE）方法，檢測組織病理學圖像中的細胞核。CAE檢測組織圖像中的核并將其編碼為稀疏特征圖，包括核的位置和外觀。Ronneberger等[16]提出了將U-Net網絡應用于醫學圖像分割任務。U-Net是一個“完全卷積網絡”，采用的是一個包含下采樣和上采樣的網絡結構，下采樣來逐漸展現環境信息，而上采樣的過程是結合下采樣各層信息和上采樣的輸入信息來還原細節信息，逐步還原圖像精度。Johnson[17]提出使用帶有特征金字塔網絡結構的Mask R-CNN模型用于細胞核的分割。

以上提出的閾值分割方法存在對比度較低，背景噪聲較大、核不規則的情況下分割效果不理想等問題，并易于出現欠分割或者過分割。圖分割方法在處理大規模圖像時需要耗費大量的時間。且上述方法大都針對不含有病變細胞的陰性細胞圖像，對含有陽性細胞的圖像不具有魯棒性。將深度神經網絡應用于圖像的語義分割任務，雖能較好的解決上述問題，但是訓練深度網絡在計算和調試方面的成本較高，且可解釋性較差。

為了便于分割，本文首先將獲取的原宮頸細胞圖像由RGB顏色空間轉換為HSV顏色空間。然后根據細胞圖像的特點，按照固定的權值組合通道。對獲得的單通道圖像，采用優化后的最大穩定極值區域 （maximally stable extremal regions， MSER）算法進行細胞核的粗分割。最后對粗分割區域做灰度直方圖統計，利用直方圖做凸包檢測，尋找其中的最遠距離點，對圖像做自適應的閾值分割，并對得到的輪廓做特征提取，訓練分類器，確實最終獲得的有效細胞核區域。本文的方法在穩定性、魯棒性和精度等方面對細胞核的分割均有較好的性能。

1 算法的實現

1.1 基于優化MSER算法的細胞核粗分割

1.1.1 顏色空間轉換

本文獲取的源宮頸細胞圖像均為RGB三通道圖像。RGB顏色空間是一種很不均勻的顏色空間，紅（R）、綠（G）、藍（B）三種顏色分量相互聯系，相關性較高，且直接利用這些分量很難達到分割所需的效果[18]。而HSV（hue-saturation-value）顏色空間更側重于色彩表示，是較為均勻的顏色空間[19]。它共有H、S、V 3個分量，其中H表示色相，是在不同波長的光照射下，人眼所感覺到的不同的顏色;S表示飽和度，是顏色的純度，與圖像的顏色深淺有關，顏色越深，飽和度越高;V表示明度，是顏色的明亮程度，和圖像的顏色信息無關。

本文采用的細胞圖像，在RGB顏色空間中，細胞核經過巴氏染色主要為深藍色，上皮細胞的細胞漿主要被染為綠色、粉紅色、藍色等[20]，細胞核和細胞漿的顏色區分度不大。而且，在不同的光照條件下，RGB各通道的值較為分散，且細胞核區域在RGB空間下的表示不穩定。針對以上問題，本文將圖像由RGB顏色空間轉換為HSV顏色空間。由于H通道對于細胞核和細胞漿的區分度不大，在本文算法中，我們不予考慮。在多數的液基薄層細胞檢測（thinprep cytologic test，TCT）圖像中，細胞核與細胞漿和背景相比，顏色較深，飽和度相對較高，亮度較低。MSER[21]檢測的是區域特征，變換后圖像的細胞核區域更加顯著，方便后續的細胞核分割，避免了根據RGB顏色信息難以準確分割的問題。

實驗表明，有些圖像存在細胞核著色過淺或著色過深的情況，綜合考慮上述情況，將上述的飽和度通道（S）和亮度通道（V）圖像分別賦予一定的權值進行組合。為了統一標準，首先反轉S通道，然后用參數α控制飽和度和明度所占的權重，如下所示：

I=α（255-S）+（1-α）V（1）

其中：I表示最終獲得的圖像;α表示飽和度所占的比重，通過多次實驗的對比效果確定參數α的值。通過上述處理，增強了圖像中細胞核區域的穩定性，將上述得到的圖像作為MSER算法的輸入。

1.1.2 基于灰度均值和差異量的MSER優化算法

MSER算法由Matas等[22]借鑒分水嶺算法的思想提出[23]，首先對圖像進行二值化，二值化閾值從0至255不斷上升，這樣二值化圖像就經歷一個從全黑到全白的過程。在這個過程中，有些連通區域的面積隨閾值上升的變化很小，這種區域就叫MSER。該算法最初用于在兩個不同視角的圖像中尋找對應關系，這種方法從圖像中提取全面的元素對應關系，最初用于寬基線匹配問題以及更好的立體匹配和物體識別算法。一直以來，人們對MSER的研究和應用主要集中在和視覺相關的單模圖像處理中，如立體匹配任務和目標跟蹤任務中，在車牌的檢測和識別中也應用較多。MSER算法主要描述的是漫水過程中具有局部穩定特性的極值區域。由于細胞核形態的特殊性，它通常有小的均勻的較灰暗的區域組成，MSER算法的思想很適用于細胞核的分割任務。

區域分割是本文的細胞核分割算法中最重要的一部分，分割出的疑似細胞核區域不僅可以加快后續的處理速度，同時可以在其區域上提取形態學特征，并最終根據提取到的特征訓練分類器確定該區域是否為最終的細胞核區域。本文通過灰度均值和灰度差異量對MSER算法進行優化，然后將其引入到宮頸細胞核的分割中，取得了良好的效果。下面首先給出原MSER算法的數學定義：

q（i）=|Qi+Δ-Qi-Δ||Qi|（2）

式中：Qi表示閾值為i時的某一連通區域;Δ為灰度閾值的微小變化量;q（i）為閾值是i時區域Qi的變化率。當q（i）為局部極小值時，則Qi為最大穩定極值區域。

由于細胞核和細胞漿的灰度值差異，且MSER算法在計算極值區域的過程中有灰度值的統計，在MSER算法中加入灰度均值變量，數學表示如下：

gi=Qi-Δgi-Δ+（Qi-Qi-Δ）iQi（3）

式中：gi表示閾值為i時的某一連通區域的灰度均值。在一張宮頸細胞圖像中，細胞核的大小不一，且多數情況下，陽性細胞核比正常的細胞核面積大。為了盡可能多的找到所有的細胞核且不遺漏陽性細胞核，在進行MSER算法處理的過程中，將連通區域的面積設置為一個較大的范圍，避免細胞核的過分割。同時由于面積范圍設置的較大，導致得到的輪廓會包含多余的細胞漿部分，存在欠分割的問題。為了去除這些冗余的輪廓，在MSER算法中加入衡量輪廓灰度值穩定性的灰度差異量，數學表示如下：

di=（Qi-Qi-Δ）Qi-Δ（gi-gi-Δ）（4）

式中：di表示閾值為i時的某一連通區域的灰度差異量。在處理細胞圖像的過程中，通過上述兩個變量的加入，MSER算法在處理細胞核的過程中能夠有效地過濾掉多余的胞漿區域。

1.2 自適應閾值的細胞核精細分割

1.2.1 自適應閾值分割

經過粗分割得到的區域輪廓內會包含部分顏色較深的細胞漿區域。為了去除細胞漿區域，首先對得到的輪廓做灰度直方圖，然后利用直方圖做凸性檢測選取合適的閾值進行閾值分割。本文利用灰度直方圖統計圖像的灰度值，灰度直方圖的計算公式如下：

p（rk）=nkMN（5）

式中：rk為像素的灰度級;nk為具有灰度rk的像素的個數;MN為圖像中總的像素個數。為了去除部分隨機噪聲的影響，將繪制的直方圖作均值濾波以實現圖像的平滑模糊處理。

多數情況下，粗分割后的圖像中除細胞核外還存在部分的細胞漿區域，在灰度直方圖中常會形成雙峰。而細胞核和細胞漿的灰度值有著明顯的差異，細胞核顏色較暗，灰度值較低;而細胞漿相對而言較亮，灰度值較高。在直方圖中，這兩個雙峰分別對應于細胞核和細胞漿部分，如圖1所示。若MSER算法的分割效果較好，則細胞漿的含量較低，在灰度直方圖中表現為單峰和右側的一個較小峰，如圖1（a）和圖1（b）所示。同樣，左側的單峰對應于細胞核的灰度值范圍。本文通過選取合適的閾值進行閾值分割，將細胞漿去除。閾值分割中選取合適的閾值至關重要，根據灰度直方圖，雙峰之間的谷底應為所求的閾值。

Fig.1 The histogram of contours after segmentation

為了獲得直方圖谷底閾值，本文采用濾波處理后的圖像做凸性缺陷檢測[24]。首先采用快速凸包算法獲得灰度直方圖輪廓的凸包，然后利用缺陷點計算出波谷的坐標。根據圖像的灰度直方圖計算輪廓的凸缺陷，如圖2所示。凸包缺陷包含4個信息：起始點A，終止點C，最遠點B，最遠點B到凸包的距離，以像素為單位。顯然，圖中B點所對應的橫坐標即為所求閾值。

1.2.2 分類器的訓練

在TCT圖像中，細胞核區域常常表現出一定的形態學特征，比如細胞核形狀常呈橢圓或圓狀，長寬比和面積在一定范圍內等，都與其他非細胞核區域表現不同，因此本文針對閾值分割后得到的輪廓計算其相關形態學特征，具體包括以下7維特征。

1）最小外接矩形長度。

2）最小外接矩形寬度。

3）細胞核面積。

4）細胞核周長。

5）凸包面積。

6）橢圓度，主要采用的計算方式如下：

ellipse=4suvπ（6）

式中：ellipse表示橢圓度;s表示細胞核的面積;u表示橢圓的長軸長度;v表示橢圓的短軸長度。

7）圓度，主要采用的計算方式如下：

degree=4πsc2（7）

式中：degree表示圓度;c表示細胞核的周長。然后將提取到的特征訓練一個人工神經網絡（artificial neural network，ANN）分類器。分類器是一個三層的神經網絡，第一層為7個神經元，隱含層為15個神經元，輸出層為2個神經元，如圖3所示。將上一步分割后得到的輪廓提取上述7維特征放入ANN模型中訓練，輸出兩類，分別是符合和不符合細胞核形態學特征的輪廓，篩選留下符合的細胞核輪廓，得到最終的分割結果。

2 實驗結果及分析

為了驗證本文算法在細胞核分割中的有效性，本節首先展示本文算法的分割效果，然后對比不同算法對細胞核的分割效果。

2.1 實驗數據

首先從采集的100個病人的TCT圖像中隨機選擇100張2048×2048的原始大圖像，然后將其分割為512×512像素的圖像，為防止邊界信息的丟失，取128像素做重疊分割，分割后共計2500張圖像。利用LabelMe工具人工標記，圈畫出其中的細胞核區域，具體如圖4所示。圖4（a）是一幅TCT圖像的原圖，人工標記的細胞核輪廓見圖4（b）。利用標記得到的結果作為真實值，對本文算法處理后的細胞核分割結果進行統計評價。

2.2 實驗過程

圖5展示了TCT圖像經過本文算法處理的總流程圖。首先將細胞圖像進行顏色空間的轉換，然后對S通道和V通道加權，并將其和HSV各單通道和灰度圖進行對比實驗，經過多次試驗，當反轉后的S通道和V通道以3∶7加權后的圖像在本算法中表現最好，具體如圖6所示。接下來采用優化后的MSER算法對加權后的圖像進行處理，圖7顯示了MSER算法優化前后處理的對比圖。將經過篩選后的圖像做凸性缺陷檢測，找到合適的閾值，在上一步得到的輪廓基礎上做閾值分割。最后提取輪廓特征，并訓練分類器進行識別，以確定最終的細胞核輪廓，分類器識別前后的對比圖如圖8所示。

2.3 評價指標

如圖9所示，中部的輪廓部分為真實的邊界部分，即人工標記的部分，上部的輪廓部分為算法處理得到的分割結果圖。圖中A為過分割的部分，即假陽性（FP）;B為欠分割的部分，即假陰性（FN）;C為正確分割的部分，即真陽性（TP）。則準確率（accuracy）可表示為算法分割得到的輪廓中正確分割所占的比例，可用如下公式計算：

accuracy=TP（FP+TP）（8）

召回率（Recall）可表示為針對真實的標記輪廓，算法分割得到的輪廓所占的比例，計算方式如下：

recall=TP（TP+FN）（9）

交并比（intersection-over-union，IoU）[25]可表示為，分割得到的輪廓和標記得到的輪廓之間的交集和并集的比值，可用如下公式表示：

IoU=C/（A+B+C）（10）

本文采用上述3個指標進行分割效果的評價。

2.4 效果評價

將本文提出的算法與文[3]中的迭代閾值分割方法進行對比，從而驗證文本分割算法的有效性。迭代閾值分割主要通過不斷增加閾值使其區域自然生長，然后根據其特征（例如平均強度，堅固性，標準偏差，圓形度和尺寸大?。┻M行過濾。同時文[16]中提出的U-Net是近幾年提出主要用于醫學圖像語義分割的網絡模型，U-Net是一個編碼器-解碼器結構，編碼器逐漸減少池化層的空間維度，解碼器逐步修復圖像的細節和空間維度。它們之間存在快捷連接，因此能幫助解碼器更好地修復目標的細節。如圖10所示，展示了本文的分割算法和兩個對比方法對TCT圖像的分割效果。

其中圖10（a）是宮頸細胞原圖像，圖10（b）是手工標記的細胞核輪廓，圖10（c）是用迭代閾值分割方法得到的細胞核輪廓，圖10（d）是用U-Net分割方法得到的細胞核輪廓，圖10（e）是本文算法得到的細胞核輪廓。表1是采用上述評價方法對分割效果進行統計得到的數據。如圖10所示，采用迭代閾值分割方法和U-Net分割方法時，存在欠分割問題，部分灰度值較低的細胞漿被誤認為細胞核區域。圖11是以交并比在0.05～0.5之間，圖像中細胞核找到的概率。結果表明，本文算法優于迭代閾值分割方法和U-Net分割方法。

3 結 論

本文算法主要是利用優化的MSER算法對細胞核進行欠分割，通過閾值分割提取形態學特征訓練分類器等方法提升分割的效果。本文所提出的方法針對陰性細胞核和陽性細胞核均有較好的分割效果。從實驗結果來看，本文算法提升了粗分割效率，能夠基本滿足自動閱片系統中宮頸癌篩查的細胞核分割需求。但是由于人體細胞自身的復雜性和制片等原因造成的細胞粘連過嚴重的情況，或者由于采圖過程中聚焦不清獲得的細胞圖像較為模糊，都會降低本文分割算法的準確度，故此算法還有待進一步改進。

參 考 文 獻：

[1] 尤小燕， 王雅莉， 劉文枝， 等. 高危型 HPV 聯合細胞學檢測在宮頸癌及癌前病變篩查中臨床意義[J]. 實用預防醫學，2017，24（8）：986.

YOU X， WANG Y， LIU W， et al. Clinical Significance of High-risk HPV-DNA Detection Combined with Liquid-based Cytology Test in Screening for Cervical Cancer and Precancerous Lesions[J]. Practical Preventive Medicine， 2017，24（8）：986.

[2] 楊敏. 美國最新子宮頸癌篩查指南的介紹[J].中華婦產科雜志，2013，48（5）： 394.

YANG M. Introduction of the Latest Cervical Cancer Screening Guidelines in the United States[J]. Chinese Journal of Obstetrics and Gynecology， 2013，48（5）：394.

[3] PHOULADY H A， GOLDGOF D， HALL L O， et al. A Framework for Nucleus and Overlapping Cytoplasm Segmentation in Cervical Cytology Extended Depth of Field and Volume Images[J]. Computerized Medical Imaging and Graphics， 2017， 59： 38.

[4] PLISSITI M E， NIKOU C， CHARCHANTI A. Watershed-based Segmentation of Cell Nuclei Boundaries in Pap Smear Images[J]. Information Technology & Applications in Biomedicine IEEE International Conference， 2010：1.

[5] ASLI G， AKSOY S， SEVGEN O. Unsupervised Segmentation and Classification of Cervical Cell Images[J]. Pattern Recognition， 2012， 45（12）：4151.

[6] LI K， LU Z， LIU W， et al. Cytoplasm and Nucleus Segmentation in Cervical Smear Images Using Radiating GVF Snake[J]. Pattern Recognition， 2012， 45（4）：1255.

[7] ZHANG P， WANG F， TEODORO G， et al. Effective Nuclei Segmentation with Sparse Shape Prior and Dynamic Occlusion Constraint for Glioblastoma Pathology Images[J]. Journal of Medical Imaging， 2019， 6（1）： 017502.

[8] ZHANG L， KONG H， LIU S， et al. Graph-based Segmentation of Abnormal Nuclei in Cervical Cytology[J]. Computerized Medical Imaging and Graph， 2017， 56：38.

[9] 劉俠， 匡瑞雪， 王波， 等. 基于隱馬爾可夫場的脊柱CT 圖像分割算法[J]. 哈爾濱理工大學學報， 2018（2）：1.

LIU X， KUANG R， WANG B， et al. Segmentation Algorithm of Spine CT Image Based on Hidden Markov Random Field[J]. Journal of Harbin University of Science and Technology， 2018（2）：1.

[10]劉露， 于曉婷， 丁博. 一種基于視覺顯著模型的PET圖像快速分割算法[J]. 哈爾濱理工大學學報， 2017（4）：40.

[11]楊金鑫， 李靈巧， 潘細朋， 等. 結合卷積神經網絡和超像素聚類的細胞圖像分割方法[J]. 計算機應用研究， 2018（5）：1569.

YANG J， LI L， PAN X， et al. Cell image Segmentation Method Based on Convolution Neural Network and Super Pixel Clustering[J]. Application Research of Computers， 2018（5）：1569.

[12]SONG Y， ZHANG L， CHEN S，et al. A Deep Learning Based Framework for Accurate Segmentation of Cervical Cytoplasm and Nuclei//2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society， Chicago， 2014.

[13]SONG Y， ZHANG L， CHEN S， et al. Accurate Segmentation of Cervical Cytoplasm and Nuclei Based on Multiscale Convolutional Network and Graph Partitioning[J]. IEEE Transactions on Biomedical Engineering， 2015， 62（10）：2421.

[14]LECUN Y， BENGIO Y， HINTON G. Deep Learning[J]. Nature， 2015， 521（7553）：436.

[15]HOU L， NGUYEN V， KANEVSKY A B， et al. Sparse Autoencoder for Unsupervised Nucleus Detection and Representation in Histopathology Images[J]. Pattern Recognition， 2019， 86： 188.

[16]RONNEBERGER O， FISCHER P， BROX T. U-Net： Convolutional Networks for Biomedical Image Segmentation[C]//International Conference on Medical Image Computing & Computer-assisted Intervention， 2015.

[17]JOHNSON J W. Adapting Mask-RCNN for Automatic Nucleus Segmentation[J]. Proceeding of the 2019 Computer Vision Conference， 2018，2：1.

[18]NANDAL A， BHASKAR V， DHAKA A. Contrast-based Image Enhancement Algorithm Using Grey-scale and Colour Space[J]. Iet Signal Processing， 2018， 12（4）：514.

[19]UEDA Y， KOGA T， MISAWA H， et al. Gradient-norm-based Histogram Equalization Taking Account of HSV Color Space Distribution[J]. Optical Review， 2017， 24（3）：1.

[20]SINGH U， ANJUM， QURESHI S， et al. Comparative Study Between Liquid-based Cytology & Conventional Pap Smear for Cytological Follow Up of Treated Patients of Cancer Cervix[J]. Indian Journal of Medical Research， 2018， 147（3）：263.

[21]DONOSER M， BISCHOF H. Efficient Maximally Stable Extremal Region （MSER） Tracking[C]//2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition， 2006， 1： 553.

[22]MATAS J， CHUM O， URBAN M， et al. Robust Wide-baseline Stereo from Maximally Stable Extremal Regions[J]. Image and Vision Computing， 2004， 22（10）： 761.

[23]TAREEF A， SONG Y， HUANG H， et al. Multi-pass Fast Watershed for Accurate Segmentation of Overlapping Cervical Cells[J]. IEEE Transactions on Medical Imaging， 2018， 99：1.

[24]CUPEC， FILKO R， NYARKO D， et al. Segmentation of Depth Images into Objects Based on Local and Global Convexity[C]// Proceedings of the European Conference on Mobile Robotics， 2017.

[25]JACCARD P. The Distribution of the Flora in the Alpine Zone[J]. New Phytologist， 1912， 11（2）： 37.

（編輯：溫澤宇）

收稿日期： 2019-09-06

基金項目： 國家自然科學基金面上項目（61673142）;黑龍江省自然科學基金杰出青年項目（JJ2019JQ0013）;哈爾濱市杰出青年人才基金（2017RAYXJ013）;黑龍江省自然科學基金面上項目（F2017013）;黑龍江省普通本科高等學校青年創新人才項目（UNPYSCT-2016034）.

作者簡介：

張雪媛（1994—），女，碩士;

邵慧麗（1994—），女，碩士.

通信作者：

何勇軍（1980—），男，教授，博士研究生導師，E-mail：holywit@163.com.