楊建　胡貞

摘 要：基于對國內(nèi)外的圖像特征提取方法以及細胞識別技術(shù)的分析和研究，該文提出一種基于灰度共生矩陣的肺癌細胞識別方法。該研究首先采用灰度共生矩陣的方法對正常肺細胞和肺癌細胞提取紋理特征。其次，采用MATLAB對提取的紋理特征進行了分析，獲取灰度共生矩陣特征參數(shù)。最后，對比分析特征參數(shù)，實現(xiàn)肺癌細胞的識別。實驗結(jié)果表明，肺癌細胞表面裂溝深，形貌高低起伏大，而正常肺細胞的表面形貌較光滑，并以此紋理特征進行的肺癌細胞識別方法，操作簡單，精確度高。

關(guān)鍵詞：肺癌細胞 紋理特征 灰度共生矩陣 細胞識別 MATLAB

中圖分類號：TP242 文獻標識碼：A 文章編號：1674-098X（2015）11（b）-0255-02

目前，肺癌是發(fā)病率增長最快、對人類健康和生命威脅最大的惡性腫瘤之一。若能及時檢測出肺部病變以及病變程度可以大大的減少發(fā)病率和死亡率。針對肺癌細胞的篩查，日常篩查工作量大容易產(chǎn)生人為誤差，所以，利用圖像處理和細胞圖像識別方法進行肺癌細胞識別具有重大意義。對于細胞識別，通常癌細胞的辨別依據(jù)如：細胞的邊緣不規(guī)則核質(zhì)比明顯增大；細胞核形狀不規(guī)則等。這種識別方法的參數(shù)依據(jù)為細胞的周長、寬度和高度等參數(shù)，此方法的準確性易受分割結(jié)果的影響，因此，該文采用灰度共生矩陣提取細胞圖像的紋理特征參數(shù)，并分析癌細胞圖像和正常細胞圖像紋理特征的不同之處，以此作為辨別正常細胞和癌細胞的依據(jù)。

1 灰度共生矩陣

簡單來說，灰度共生矩陣是一個概率矩陣，矩陣中的每個元素P（i，j）表示圖像中一個灰度級為i的點到達固定位置距離為d，灰度級為j的點的概率。其中，d可以理解為一個矢量，既決定兩個像素間的距離又可以表示兩個像素間的方向[1]。

當像素間d的屬性確定時，即可確定對應的灰度共生矩陣P（i，j）。

為了更加直觀的了解圖像紋理的狀況，推導出幾個典型的灰度共生矩陣特征參數(shù)，具體情況如下[2-3]。

（1）角二階矩（ASM）反映了圖像灰度分布的均勻程度和紋理的粗細程度。

（2）對比度（CON）反映了紋理溝紋深淺的程度和視覺上的清晰度。

（3）相關(guān)性（COR）是指灰度共生矩陣中元素在水平或垂直方向上的相似度，該值反映了圖像的局部相關(guān)性。

（4）熵（ENT）是指對圖像中所包含的信息量的度量，熵的大小體現(xiàn)了圖像所包含的信息量的多少。

2 材料和方法

該文中的肺癌細胞圖像和正常肺細胞圖像[4]均來自于原子力顯微鏡成像系統(tǒng)，接觸模式成像，0.5 Hz掃描頻率。該文中的紋理特征參數(shù)主要是角二階矩、熵、相關(guān)性、對比度四個特征參數(shù)，取d=1，θ=0°，45°、90°和135°。對比分析肺癌細胞與正常肺細胞的紋理差異，采用曲線擬合的方法進行癌細胞的辨別。

3 實驗結(jié)果

分別將5幅肺癌細胞圖像和正常肺細胞的紋理特征取平均值，然后再進行對比分析。實驗得出，肺癌細胞和肺細胞的角二階矩、相關(guān)性、熵和對比度分別為：0.246、0.9872、1.8746、0.1324和0.1348、0.9810、2.7412、0.3367.由結(jié)果可知，肺癌細胞的對比度比較小，正常肺細胞的對比度較大，根據(jù)其定義，可知，正常肺細胞圖像紋理的溝裂較淺，圖像清晰度要比肺癌細胞的圖像要清晰；從相關(guān)系數(shù)來講，正常肺細胞的相關(guān)系數(shù)比較小。通過熵的計算可以看出肺癌細胞的值都比較小，正常肺細胞的熵值比較大，熵值越大說明圖像中包含的信息量越豐富，圖像的紋理特征也就越復雜，說明正常肺細胞圖像紋理特征相對肺癌細胞圖像紋理特征更復雜；對于角二階矩，正常肺細胞的值比較小，從定義上說明正常肺細胞的紋理較細膩，而肺癌細胞的紋理粗糙。綜上所述，這些參數(shù)都間接說明了癌細胞表面裂溝深，形貌高低起伏大，而正常細胞的表面形貌較光滑。

進行一組實驗，細胞取自肺部，其特征參數(shù)分別為：CON=0.3829，ASM=0.1086，COR=0.9913，ENT=2.5759.由圖1中待測細胞特征參數(shù)可知，特征參數(shù)幾乎都落在紅色曲線上，說明此細胞是肺細胞。多次實驗證明，此識別方法的準確率可達92.5%。

4 結(jié)語

紋理特征作為圖像的一個基本的生物特征，為癌細胞的識別提供了重要的辨別依據(jù)。目前，紋理特征在圖像處理領(lǐng)域中成為非常重要的研究內(nèi)容，但紋理特征代表研究物體表層的內(nèi)容，無法獲得較高層次的內(nèi)容。因此，尋找更加可靠的生物特征是此方面工作的努力方向。

參考文獻

[1] 黃亞麗，王蘭勛，李彩霞.基于灰度共生矩陣的圖像特征提取方法[D].河北大學，2007.

[2] Zilin Song，Zhibin Lu，“Algorithm research of Content based image feature extraction[C]//Paper presented at the tenth academic annual conference of the jiangsu Association for System engineering.2007

[3] Bingchun Li，“Feature extraction of image zoom edge shape[J].Journal of Kashgar teachers college，2007，28（3）：62-64.

[4] Leonenko Z，F(xiàn)inot E，Amrein M.Adhesive interaction measured between AFM probe and lung epithelial type II cells[J].Ultramicroscopy， 2007，107（10）：948-953.