基于凹點(diǎn)檢測的卵母細(xì)胞極體識別方法

黃安貽，吳 帥，胡舜迪，聞路紅，陳安琪，繆東升

(1.武漢理工大學(xué) 機(jī)電工程學(xué)院，湖北 武漢 430070； 2.寧波大學(xué) 高等技術(shù)研究院，浙江 寧波 315211)

0 引 言

極體是卵母細(xì)胞減數(shù)分裂形成的一個(gè)小細(xì)胞[1]。在卵胞漿內(nèi)單精子顯微注射[2]、核移植[3]、植入前遺傳學(xué)診斷[4]等顯微注射應(yīng)用技術(shù)中，末端效應(yīng)器與卵母細(xì)胞接觸前需要將極體調(diào)整到合適位置，以提高實(shí)驗(yàn)成功率[5]。隨著自動化顯微注射系統(tǒng)的逐漸發(fā)展，自動識別極體、快速實(shí)現(xiàn)極體定向已經(jīng)成為目前自動化顯微注射中的迫切需求和研究熱點(diǎn)。由于在倒置顯微鏡下細(xì)胞次級結(jié)構(gòu)不明顯、尺寸較小并且圖像中常存在噪聲等原因，增加了極體識別的難度，因此國內(nèi)外科研人員展開了積極研究[6]。基于梯度加權(quán)Hough變換的極體檢測方法完成了卵母細(xì)胞及其極體的檢測和定位，但檢出率較低，檢測時(shí)間長[7,8]。采用Otsu算法分割細(xì)胞圖像并結(jié)合橢圓擬合方法，能識別部分極體，但該方法忽略了細(xì)胞形變，難以應(yīng)對極體不明顯情形[9]。將支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法引入極體識別中，一定程度上提升了對極體不明顯情形的識別準(zhǔn)確率，但該類算法需要大量數(shù)據(jù)樣本進(jìn)行模型訓(xùn)練，通用性與實(shí)時(shí)性受到了限制[10,11]。

針對現(xiàn)有方法難以有效解決極體不明顯時(shí)準(zhǔn)確識別的問題，本文提出了基于角點(diǎn)檢測和自適應(yīng)圓形掩膜的深凹點(diǎn)搜索方法。根據(jù)極體與卵母細(xì)胞尺寸差異大，在粘連位置形成明顯凹點(diǎn)的圖像原理，快速搜索卵母細(xì)胞與極體粘連形成的深凹點(diǎn)區(qū)域，提高極體不明顯情形下識別準(zhǔn)確率的同時(shí)，保障極體識別實(shí)時(shí)處理的需求。

1 輪廓提取

卵母細(xì)胞圖像獲取時(shí)易受到設(shè)備精度、光照不均勻、培養(yǎng)液雜質(zhì)等因素的影響，通常存在噪聲干擾、邊緣模糊的缺陷。傳統(tǒng)的邊緣檢測方法檢測的邊緣信息豐富，難以將噪聲和細(xì)胞邊緣較好區(qū)分開。因此，結(jié)合Otsu算法[12]和數(shù)學(xué)形態(tài)學(xué)操作[13]進(jìn)行輪廓提取，利用Otsu算法自適應(yīng)確定最佳分割閾值的優(yōu)勢，分割細(xì)胞與背景圖像，同時(shí)形態(tài)學(xué)操作能夠處理分割圖像中通常存在的細(xì)小輪廓分支、斑點(diǎn)噪聲以及輪廓不閉合等缺陷，有效提取細(xì)胞輪廓。

首先利用Otsu算法，自適應(yīng)選取閾值進(jìn)行圖像分割，獲得細(xì)胞二值圖像；然后通過閉操作、孔洞填充、開操作等數(shù)學(xué)形態(tài)學(xué)方法對Otsu閾值分割圖像進(jìn)行處理，解決分割圖像中存在的缺陷；最后通過提取最大連通域來獲得細(xì)胞邊緣輪廓。輪廓提取流程如圖1所示。

圖1 輪廓提取流程

輪廓提取具體過程描述如下：

(1)Otsu閾值分割：以類間方差最大化為目標(biāo)選取最優(yōu)分割閾值[12]，將原始圖像劃分為背景部分和細(xì)胞部分兩類，獲取細(xì)胞二值圖像；

(2)閉操作：由于閾值分割圖像中有時(shí)存在細(xì)胞邊緣輪廓斷裂的情形，先對閾值分割圖像進(jìn)行膨脹操作，連接斷裂邊緣，再進(jìn)行腐蝕操作，以保持細(xì)胞邊緣輪廓精度，最終獲得具有連續(xù)邊緣輪廓的細(xì)胞圖像；

(3)孔洞填充：細(xì)胞內(nèi)部結(jié)構(gòu)比較復(fù)雜，對閉操作過后的圖像進(jìn)行迭代膨脹，填充細(xì)胞區(qū)域，消除細(xì)胞輪廓內(nèi)部的噪聲干擾，同時(shí)確保后續(xù)進(jìn)行開操作時(shí)不會完全腐蝕邊緣輪廓；

(4)開操作：細(xì)胞邊緣輪廓往往存在細(xì)小分支和毛刺，對孔洞填充后的圖像先進(jìn)行腐蝕操作，消除細(xì)小輪廓分支和斑點(diǎn)噪聲，再進(jìn)行膨脹操作，以保持細(xì)胞邊緣輪廓精度，獲得具有平滑邊緣的細(xì)胞輪廓圖像；

(5)提取最大連通域：提取形態(tài)學(xué)處理后圖像中的最大連通區(qū)域，剔除其余噪聲干擾，得到細(xì)胞邊緣輪廓。

輪廓提取效果如圖2所示，其中圖2(a)中較大的細(xì)胞為卵母細(xì)胞，而卵母細(xì)胞輪廓上的較小細(xì)胞即極體。

圖2 輪廓提取效果

2 凹點(diǎn)檢測

選取合適的特征對提升檢測速度和準(zhǔn)確率至關(guān)重要。通過觀察發(fā)現(xiàn)，由于極體與卵母細(xì)胞尺寸差異較大，即使在極體不明顯情形下，在粘連位置也存在明顯的深凹點(diǎn)區(qū)域，因此尋找并定位目標(biāo)深凹點(diǎn)，可以成為識別極體的有力判據(jù)。由于極體位置在顯微視野中是隨機(jī)出現(xiàn)，因此在實(shí)際應(yīng)用中顯微圖像內(nèi)的極體可見區(qū)域與方位都會呈現(xiàn)不同狀態(tài)。如圖3所示，是顯微圖像中極體明顯、極體不完全可見和極體較小3種不同實(shí)際情形的示例圖。極體明顯情形指的是極體在圖像中明顯可見，如圖3(a)所示；通常極體與卵母細(xì)胞重合度較高時(shí)，會導(dǎo)致極體大部分區(qū)域不在圖像平面內(nèi)，使得極體不完全可見，如圖3(b)所示。此外，極體過小會導(dǎo)致圖像中極體區(qū)域太小，使得極體不明顯，如圖3(c)所示。本文將圖3(b)和圖3(c)兩類情形統(tǒng)一歸為極體不明顯情形。

圖3 極體不同情形示例

凹點(diǎn)檢測的主要流程為：首先通過角點(diǎn)檢測算法對輪廓上潛在凹點(diǎn)進(jìn)行粗略估計(jì)，預(yù)選出一組候選點(diǎn)集合，其中包含了細(xì)胞輪廓本身角點(diǎn)和極體與卵母細(xì)胞粘連形成的凹點(diǎn)；然后利用圓形掩膜和凹凸特征參數(shù)對符合條件的候選點(diǎn)進(jìn)行篩選，從候選點(diǎn)集合中剔除非凹點(diǎn)和淺凹點(diǎn)，只保留深凹點(diǎn)；最后根據(jù)深凹點(diǎn)的數(shù)目判斷極體是否存在，根據(jù)深凹點(diǎn)的位置實(shí)現(xiàn)極體定位與定向。

2.1 候選角點(diǎn)檢測

候選角點(diǎn)檢測是在輪廓提取后的二值圖像上進(jìn)行的，目的是從輪廓像素點(diǎn)中初步篩選出潛在的凹點(diǎn)。研究學(xué)者提出了很多有效的角點(diǎn)檢測方法，其中Shi-Tomasi算法[14]是基于Harris角點(diǎn)檢測算法[15]的一種改進(jìn)方法，能較好保留強(qiáng)角點(diǎn)，對噪聲不敏感，快速且穩(wěn)定。基于以上優(yōu)勢，本文采用Shi-Tomasi算法獲取一組候選點(diǎn)集合U，作為凹點(diǎn)檢測的初步檢測結(jié)果。該算法基于局部矩形窗口γ在各個(gè)方向微小移動前后的平均強(qiáng)度變化不同來檢測角點(diǎn)。由于Shi-Tomasi 算法檢測到的角點(diǎn)有時(shí)不在輪廓上而是位于輪廓附近，本文采用輪廓上與其距離最近的像素點(diǎn)確定為候選點(diǎn)。

本節(jié)檢測到的候選點(diǎn)集合U中包含兩類像素點(diǎn)：細(xì)胞輪廓本身角點(diǎn)和極體與卵母細(xì)胞粘連形成的凹點(diǎn)，其中細(xì)胞輪廓本身角點(diǎn)中包又含有凸點(diǎn)和凹點(diǎn)。在兩類候選角點(diǎn)中，細(xì)胞輪廓本身的凹點(diǎn)和凸點(diǎn)屬于不明顯的角點(diǎn)，邊緣輪廓模糊或噪聲干擾都可能導(dǎo)致提取的細(xì)胞輪廓中出現(xiàn)較小的凹凸起伏，候選點(diǎn)檢測成功地檢測了這些角點(diǎn)；而極體與卵母細(xì)胞由于大小差異明顯，粘連處形成的凹點(diǎn)具有轉(zhuǎn)折明顯、凹點(diǎn)尖銳的特點(diǎn)，屬于明顯的深凹點(diǎn)[16]。考慮到噪聲干擾、細(xì)胞輪廓起伏等因素對角點(diǎn)檢測帶來的影響，確保候選點(diǎn)集合中包含極體與卵母細(xì)胞形成的深凹點(diǎn)，候選點(diǎn)數(shù)目設(shè)定為10。

2.2 深凹點(diǎn)篩選

從候選點(diǎn)集合中，準(zhǔn)確區(qū)分輪廓本身角點(diǎn)(凸點(diǎn)與淺凹點(diǎn))和深凹點(diǎn)，篩選出卵母細(xì)胞與極體形成的深凹點(diǎn)，是本文極體識別過程的關(guān)鍵所在。雖然研究人員對凹點(diǎn)檢測有著積極的探索，但大多數(shù)方法只能判別目標(biāo)點(diǎn)的凹凸性，難以有效區(qū)分深凹點(diǎn)和淺凹點(diǎn)[17]。利用圓形掩膜方法[18]能夠有效檢測粘連細(xì)胞形成的凹點(diǎn)區(qū)域，因此本文設(shè)計(jì)了一種基于圓形掩膜的深凹點(diǎn)檢測方法，并對掩膜半徑自適應(yīng)選取和閾值設(shè)計(jì)進(jìn)行了研究，通過該方法獲取候選點(diǎn)的凹凸特征參數(shù)描述候選點(diǎn)的凹凸特性，篩選出滿足約束條件的深凹點(diǎn)，從而獲得極體識別結(jié)果。

基于圓形掩膜進(jìn)行深凹點(diǎn)檢測，首先需要以輪廓上的像素點(diǎn)為中心構(gòu)建圓形掩膜，然后計(jì)算掩膜在細(xì)胞區(qū)域和背景區(qū)域的面積差異，進(jìn)而判斷像素點(diǎn)的凹凸特性。如圖4所示是基于圓形掩膜進(jìn)行深凹點(diǎn)檢測的示意圖，以Shi-Tomasi算法檢測到的候選點(diǎn)Qi為中心，像素長度R為半徑，構(gòu)建圓形掩膜，掩膜內(nèi)屬于背景圖像的面積記為S0(即圖中陰影區(qū)域面積)，掩膜內(nèi)屬于細(xì)胞圖像的面積記為S1。從圖4中可見，S0和S1的差異一定程度上反映了候選點(diǎn)的凹凸特性。對于輪廓上的深凹點(diǎn)(如圖4中的Q1和Q2)，其S0值較小，S1值較大，S0和S1的差異較大，而對于輪廓上本身角點(diǎn)(圖中Q1和Q2以外的其它候選點(diǎn))，S0和S1的差異變得很小，并且S0大于S1時(shí)可判斷為凸點(diǎn)，S0小于S1時(shí)可判斷為凹點(diǎn)。由于本文極體識別的關(guān)鍵是判別輪廓本身角點(diǎn)與深凹點(diǎn)，因此對輪廓本身的淺凹點(diǎn)和凸點(diǎn)不做嚴(yán)格區(qū)分。

圖4 基于圓形掩膜的深凹點(diǎn)檢測

實(shí)際應(yīng)用中，通過統(tǒng)計(jì)陰影區(qū)域的像素點(diǎn)數(shù)目，獲取陰影區(qū)域面積S0，關(guān)于S0的求和函數(shù)表示為

(1)

其中，C表示圓形掩膜區(qū)域， (x，y) 表示圖像坐標(biāo)系中像素點(diǎn)坐標(biāo)，在掩膜與背景圖像交集內(nèi)f(x，y) 為1，在掩膜與細(xì)胞圖像交集內(nèi)f(x，y) 為0。

由于圓形掩膜區(qū)域的面積為πR2，所以S1可表示為

(2)

為了描述輪廓上像素點(diǎn)的凹凸特性，本文通過面積比定義了凹凸特征參數(shù)η，表示為

η=S1/S0

(3)

對于R確定的圓形掩膜，η值越接近于1，表示S0和S1的面積差異越小，Qi是輪廓本身角點(diǎn)的概率越大；η值越大，表示S0越小，S1越大，Qi的輪廓上深凹點(diǎn)的概率越大。

遍歷集合U中的候選點(diǎn)，若候選點(diǎn)Qi對應(yīng)的凹凸特征參數(shù)滿足式(4)的約束條件，即η值大于一定的閾值，則判斷Qi為輪廓上深凹點(diǎn)，繼續(xù)保留在集合中；反之，若Qi對應(yīng)的凹凸特征參數(shù)不滿足式(4)的約束條件，則判斷Qi為輪廓本身角點(diǎn)(淺凹點(diǎn)或凸點(diǎn))，此時(shí)，將Qi從候選點(diǎn)集合中剔除

η(Qi)>Tcorr

(4)

其中，Tcorr為閾值。

圓形掩膜的半徑R取值是成敗的關(guān)鍵因素，R過大可能導(dǎo)致掩膜與輪廓的兩交點(diǎn)分別落在極體的兩側(cè)，檢測不到目標(biāo)深凹點(diǎn)，而R過小則η值的計(jì)算非常容易受到輪廓起伏的影響，降低識別的準(zhǔn)確度。本文根據(jù)檢測的候選角點(diǎn)自適應(yīng)確定圓形掩膜的半徑R，首先尋找候選點(diǎn)集合U中最近點(diǎn)對(歐氏距離)；在圖像坐標(biāo)系中，然后計(jì)算最近點(diǎn)對的歐氏距離dmin；由于半徑R以像素為單位，取dmin/2的整數(shù)部分作為半徑R的自適應(yīng)值。這樣很大程度上避免受到噪聲的干擾影響，同時(shí)又確保了掩膜與輪廓的兩交點(diǎn)不越過極體而造成漏檢問題。R的計(jì)算公式為

(5)

其中，d(p，q) 表示集合U中候選點(diǎn)p和q的歐式距離。

選取合適的閾值Tcorr對于區(qū)分輪廓本身角點(diǎn)和輪廓上深凹點(diǎn)至關(guān)重要，閾值過大可能會導(dǎo)致深凹點(diǎn)被誤判為輪廓角點(diǎn)，造成深凹點(diǎn)的漏檢問題，而閾值較小可能會導(dǎo)致輪廓本身角點(diǎn)被誤判為深凹點(diǎn)，篩選到不真實(shí)的深凹點(diǎn)。為獲取合適的閾值，首先提取了15個(gè)極體明顯情形和15個(gè)極體不明顯情形時(shí)的細(xì)胞輪廓，計(jì)算并統(tǒng)計(jì)輪廓本身角點(diǎn)、極體明顯時(shí)輪廓上深凹點(diǎn)、極體不明顯時(shí)輪廓上深凹點(diǎn)各30個(gè)樣本點(diǎn)的η值。如圖5所示，是3類樣本點(diǎn)的η值分布圖。其中，輪廓本身角點(diǎn)的η值在區(qū)間[0.87，1.15]內(nèi)分布，極體明顯時(shí)輪廓上深凹點(diǎn)的η值在區(qū)間[1.98，2.88]內(nèi)分布，極體不明顯時(shí)輪廓上深凹點(diǎn)的η值在區(qū)間[1.43，3]內(nèi)分布。由圖可見，雖然極體不明顯時(shí)深凹點(diǎn)η值比極體明顯時(shí)整體有所降低，但兩類輪廓上深凹點(diǎn)和輪廓本身角點(diǎn)之間能夠通過單一閾值完全區(qū)分開。當(dāng)閾值取[1.15，1.43]區(qū)間內(nèi)任意數(shù)值時(shí)，能夠完全區(qū)分輪廓上深凹點(diǎn)和輪廓本身角點(diǎn)，為了提升容錯(cuò)率，本文取輪廓本身角點(diǎn)中η最大值1.15和深凹點(diǎn)中η最小值1.43的中值作為最佳閾值，Tcorr=1.29。

圖5 輪廓上不同像素點(diǎn)類型的η值分布

2.3 極體定位與定向

通過候選角點(diǎn)檢測與深凹點(diǎn)篩選，候選點(diǎn)集合U中滿足式(4)約束條件的點(diǎn)被檢測為細(xì)胞輪廓上的深凹點(diǎn)，被保留在最終的集合U中，表示為A1，A2，…，An。n是最終檢測的深凹點(diǎn)數(shù)目，對于圖像平面內(nèi)存在極體的情形，細(xì)胞輪廓上極體與卵母細(xì)胞形成兩個(gè)深凹點(diǎn)，n應(yīng)該為2；對于圖像平面內(nèi)不存在極體的情形，細(xì)胞輪廓上無深凹點(diǎn)，n應(yīng)該為0；如果n為其它數(shù)字，則認(rèn)為凹點(diǎn)是誤判，這可能是由于細(xì)胞輪廓的起伏或者噪聲引起的。

最后根據(jù)輪廓上檢測到的深凹點(diǎn)數(shù)目及位置，可以判斷極體存在與否，并對極體進(jìn)行定位、定向：

(1)如圖6(a)情形：當(dāng)輪廓中無檢測的深凹點(diǎn)時(shí)，取輪廓的像素中心O1位置作為卵母細(xì)胞的中心，此時(shí)判斷極體不在圖像平面內(nèi)。

(2)如圖6(b)情形：當(dāng)輪廓中有Q1、Q2兩個(gè)深凹點(diǎn)時(shí)，選取兩凹點(diǎn)的連線Q1Q2作為卵母細(xì)胞與極體的分割線，取長輪廓和短輪廓(包含分割線)的中心位置O1和O2分別作為卵母細(xì)胞與極體的中心，由卵母細(xì)胞中心指向極體中心即為極體相對卵母細(xì)胞的方向。

圖6 卵母細(xì)胞和極體定位定向

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中，圖像數(shù)據(jù)集來源于實(shí)驗(yàn)室自主搭建的顯微注射系統(tǒng)，利用標(biāo)準(zhǔn)的倒置顯微鏡(Nikon ECLIPSE Ti)和CCD相機(jī)(Watec WAT-221S)獲取所需的卵母細(xì)胞圖像數(shù)據(jù)集，圖像像素大小為640×480。算法測試時(shí)，取包含卵母細(xì)胞的200×200像素窗口進(jìn)行計(jì)算。算法集成開發(fā)環(huán)境選擇的是Spyder，編程語言采用Python 3.6。

3.1 極體識別結(jié)果

極體識別過程中，首先對采集的卵母細(xì)胞圖像進(jìn)行Otsu閾值分割和形態(tài)學(xué)操作，提取細(xì)胞輪廓；然后通過角點(diǎn)檢測算法預(yù)選一組候選點(diǎn)集合；再利用設(shè)計(jì)的自適應(yīng)圓形掩膜和凹凸特征參數(shù)從候選點(diǎn)集合中剔除凸點(diǎn)與淺凹點(diǎn)，篩選出卵母細(xì)胞與極體粘連形成的深凹點(diǎn)；最后根據(jù)深凹點(diǎn)確定極體位置，以及極體相對于卵母細(xì)胞的方向。

本文首先對卵母細(xì)胞極體不可見、極體明顯、極體不明顯、噪聲干擾、極體方位不一等不同類型的細(xì)胞圖像進(jìn)行了算法測試，主要是驗(yàn)證算法的有效性和魯棒性，實(shí)驗(yàn)結(jié)果如圖7所示。第一行為測試所用到的原始圖像，其中，第1幅圖極體不在圖像平面內(nèi)，第2幅圖極體較為明顯，第3幅圖極體不明顯，第4幅圖噪聲干擾嚴(yán)重。第二行為使用Otsu閾值分割結(jié)合形態(tài)學(xué)操作的輪廓提取結(jié)果。第三行為最終的極體識別結(jié)果，其中，箭頭方向由細(xì)胞中心指向極體中心，代表了極體相對于卵母細(xì)胞的方位。從圖中可看出，本文算法在極體不可見、極體明顯、極體不明顯、噪聲干擾等不同實(shí)際情形下都具有準(zhǔn)確的極體識別結(jié)果，并且極體位于不同方位時(shí)均能準(zhǔn)確識別，驗(yàn)證了該方法的有效性與魯棒性。

圖7 不同類型圖像的極體識別結(jié)果

為了測試本文方法的識別準(zhǔn)確率，對300張卵母細(xì)胞圖像進(jìn)行測試實(shí)驗(yàn)。在300張圖像中，有100張圖像極體不在圖像平面內(nèi)，100張圖像極體明顯，100張圖像極體不明顯。極體識別準(zhǔn)確的定義為：如果極體在圖像中不可見，則認(rèn)為“極體不在圖像平面內(nèi)”的識別結(jié)果是準(zhǔn)確的；如果極體在圖像中可見，識別結(jié)果中極體相對于卵母細(xì)胞的方向與真實(shí)方向一致則認(rèn)為識別是準(zhǔn)確的。測試中，算法準(zhǔn)確識別了288張圖像，平均準(zhǔn)確率可達(dá)96%，即使在極體不明顯狀態(tài)，識別準(zhǔn)確率也能達(dá)到92%。在12個(gè)錯(cuò)誤識別樣本中，4個(gè)錯(cuò)誤識別極體位置，8個(gè)誤判為極體不存在。極體識別統(tǒng)計(jì)結(jié)果見表1。

3.2 對比實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證本文方法的有效性，從不同角度對文獻(xiàn)[7-11]中現(xiàn)有的極體識別方法進(jìn)行了比較，分別對極體檢測的準(zhǔn)確率、測試樣本數(shù)、極體不明顯情形有效性、是否需要模型訓(xùn)練4個(gè)方面進(jìn)行對比分析，統(tǒng)計(jì)結(jié)果見表2。

表1 極體識別準(zhǔn)確率

表2 不同方法極體識別比較

表2中展示了不同方法的對比結(jié)果。其中準(zhǔn)確率與測試樣本數(shù)是指測試集上方法的準(zhǔn)確性和測試集大小；極體不明顯情形有效性是指該方法能否克服極體不明顯的實(shí)際情形；模型訓(xùn)練是指算法實(shí)現(xiàn)過程中是否需要大量數(shù)據(jù)樣本進(jìn)行模型訓(xùn)練。可以看出，在不降低識別準(zhǔn)確率的條件下，只有文獻(xiàn)[11]方法和本文方法能有效克服極體不明顯情形時(shí)的極體識別問題，較比與文獻(xiàn)[11]方法，本文方法無需大量數(shù)據(jù)樣本進(jìn)行模型訓(xùn)練，更適合于實(shí)際的實(shí)驗(yàn)與應(yīng)用。

為了進(jìn)一步說明本文方法對極體不明顯情形時(shí)的識別有效性，在同一實(shí)驗(yàn)條件下，將本文方法與文獻(xiàn)[9]中極體識別方法進(jìn)行對比實(shí)驗(yàn)，分析兩種方法在極體較為明顯和極體不明顯兩種不同實(shí)際情形下的識別結(jié)果。實(shí)驗(yàn)中，取極體不明顯、極體明顯兩種不同情形的卵母細(xì)胞圖像各100張作為測試樣本。計(jì)算兩種方法對不同測試樣本進(jìn)行極體識別的準(zhǔn)確率，并記錄識別過程所消耗的時(shí)間。統(tǒng)計(jì)結(jié)果見表3。

表3 兩種方法極體識別比較

由兩種方法的檢測結(jié)果可見，對于極體較為明顯的情形，本文方法和文獻(xiàn)[9]方法都能達(dá)到較高的準(zhǔn)確率。但是對于極體不明顯的情形，文獻(xiàn)[9]方法的準(zhǔn)確率只有48%，而本文方法依然可以達(dá)到92%的準(zhǔn)確率，明顯優(yōu)于對比文獻(xiàn)的方法，能有效應(yīng)對極體不明顯情形的識別。這是因?yàn)閷Ρ任墨I(xiàn)的方法基于卵母細(xì)胞的理想球面特性進(jìn)行極體識別，對細(xì)胞輪廓的起伏變化非常敏感，在極體不明顯情形下，放大了噪聲干擾、細(xì)胞形變等帶來的輪廓起伏干擾，容易造成誤判和漏檢等情形，從而使得準(zhǔn)確率低。在時(shí)間損耗上，本文方法與文獻(xiàn)[9]方法都達(dá)到了0.1 s級的快速檢測效果，具備較好的實(shí)時(shí)性。

4 結(jié)束語

本文提出了一種基于凹點(diǎn)檢測的極體識別方法。根據(jù)卵母細(xì)胞與極體尺寸差異明顯、交界處形成深凹點(diǎn)的特征，搜索細(xì)胞輪廓上的深凹點(diǎn)，快速識別極體，驗(yàn)證了凹點(diǎn)檢測可應(yīng)用于極體識別研究。針對深凹點(diǎn)檢測，設(shè)計(jì)了自適應(yīng)圓形掩膜和凹凸特征參數(shù)，篩選卵母細(xì)胞與極體粘連形成的深凹點(diǎn)。不同于傳統(tǒng)方法，本文方法在極體不明顯情形下依然能保持良好的識別準(zhǔn)確率，且算法耗時(shí)少，更適合應(yīng)用于細(xì)胞自動化顯微注射實(shí)時(shí)操作。由于該方法在細(xì)胞離焦程度大時(shí)難以有效提取輪廓，導(dǎo)致細(xì)胞離焦時(shí)的極體識別準(zhǔn)確率低。因此，解決細(xì)胞離焦?fàn)顟B(tài)下的輪廓提取問題將是未來的研究重點(diǎn)。