屈若為　徐桂芝

文章編號(hào)：1007-2373（2022）01-0001-06

摘要 針對(duì)細(xì)胞顯微圖像分割與計(jì)數(shù)問題，提出了一種基于改進(jìn)SLIC（Simple Linear Iteration Clustering）超像素與卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）的細(xì)胞顯微圖像分割和技術(shù)的方法。首先對(duì)細(xì)胞顯微圖像進(jìn)行預(yù)處理，然后對(duì)圖像進(jìn)行改進(jìn)后的SLIC超像素分割，再對(duì)圖像進(jìn)行去噪，最后利用卷積神經(jīng)網(wǎng)絡(luò)將細(xì)胞的重疊情況進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，針對(duì)細(xì)胞顯微圖像中目標(biāo)分割不準(zhǔn)確和重疊細(xì)胞識(shí)別不清等問題，該方法分割計(jì)數(shù)的準(zhǔn)確率大于92%，平均一幅圖片的處理時(shí)間在100 ms左右?；诟倪M(jìn)SLIC與CNN在獲得較好分割結(jié)果的同時(shí)，運(yùn)行時(shí)間短，提高了運(yùn)算效率與精度。

關(guān) 鍵 詞 SLIC;CNN;圖像分割;醫(yī)學(xué)圖像處理;細(xì)胞計(jì)數(shù)

中圖分類號(hào) TP391? ? ?文獻(xiàn)標(biāo)志碼 A

Cell microscopic image segmentation and counting based on improved SLIC superpixel and CNN

QU Ruowei， XU Guizhi

（State Key Laboratory of Reliability and Intelligence of Electrical Equipment， Hebei University of Technology， Tianjin 300130， China）

Abstract In order to solve the problems of segmentation and counting of microscopic cell images， an image segmentation algorithm based on an improved simple linear iteration clustering superpixel and an classification algorithm based on convolutional neural network （CNN） was employed. Cell microscopic images were first pre-processed， then segmented by improved SLIC superpixel. To count cells， the adhesive cells were classificated by CNN after being denoised. The experiment showed the good performance in microscopic image segmentation， classification and counting with accuracy of over 92% at around 100 ms per image. The method based on improved SLIC superpixel and CNN is fast and accurate in cell microscopic image segmentation and counting.

Key words SLIC; CNN; image segmentation; medial image processing; cell counting

0 引言

隨著計(jì)算機(jī)視覺技術(shù)與人工智能的發(fā)展，計(jì)算機(jī)輔助診斷已經(jīng)成為醫(yī)學(xué)圖像處理領(lǐng)域中重要的研究方向之一，人們希望在醫(yī)學(xué)檢測中減少由人為因素帶來的誤差[1]。細(xì)胞的閱片與計(jì)數(shù)問題一直是醫(yī)學(xué)檢測領(lǐng)域中一項(xiàng)非常重要的工作，而這項(xiàng)研究的基礎(chǔ)是細(xì)胞顯微圖像的智能化分析[2]。目前，檢驗(yàn)科醫(yī)生主要是通過顯微鏡，用肉眼觀察細(xì)胞顯微圖像，運(yùn)用自己的經(jīng)驗(yàn)區(qū)分活細(xì)胞與滅活細(xì)胞、重疊細(xì)胞和單個(gè)細(xì)胞等。但目視等人工方法具有以下幾個(gè)缺點(diǎn)：1）獲取的細(xì)胞圖像摻雜噪聲污染，會(huì)造成圖像清晰度不高，影響醫(yī)生的正確閱片;2）帶有一定的個(gè)人主觀性，醫(yī)生根據(jù)個(gè)人經(jīng)驗(yàn)不同，造成診斷誤差;3）人工閱片需要長時(shí)間目視顯微鏡下的細(xì)胞圖像，長時(shí)間的閱片會(huì)引起視覺疲勞。這些問題都會(huì)為診斷帶來誤差[3]。與人工閱片方法相比，顯微圖像的自動(dòng)識(shí)別在對(duì)細(xì)胞圖像分割及計(jì)數(shù)問題上顯示出了極其強(qiáng)大的優(yōu)越性，不僅可以使醫(yī)生從大量簡單繁重的閱片工作中解脫出來，還能夠排除人的主觀性帶來的實(shí)驗(yàn)結(jié)果的不確定性[4-6]。然而細(xì)胞顯微圖像由于受光照影響，亮度不均勻，而且切片的厚度不同會(huì)使得切片中出現(xiàn)細(xì)胞堆疊的情況，為細(xì)胞顯微圖像分割與計(jì)數(shù)帶來了困難[7]。

蘇茂君等[8]提出了一種耦合的脈沖神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)血細(xì)胞圖像的準(zhǔn)確計(jì)數(shù)，但其誤差主要來源于對(duì)堆疊的血細(xì)胞分辨不清，造成計(jì)數(shù)不準(zhǔn)。武宗茜等[9]提出了基于自動(dòng)波特征的計(jì)數(shù)方法，通過提取分割后細(xì)胞的連通區(qū)域，區(qū)分相互重疊的細(xì)胞，但這種方法存在一定程度的過度分割和欠分割，是造成誤差較大的主要原因。王祥生等[10]提出基于清晰度的細(xì)胞顯微圖像分割和計(jì)數(shù)方法，在整幅細(xì)胞顯微圖像中通過圖像各部分清晰度不同區(qū)別細(xì)胞和背景，在一定程度上減少了誤分割，雖然將平均準(zhǔn)確率提高到93.6%，但在重疊細(xì)胞的處理中引入手工分割及人工閾值選取，不能實(shí)現(xiàn)完全自動(dòng)化。

目前，大部分圖像分割算法以獨(dú)立的像素點(diǎn)作為圖像分析的基本單位，而忽略了像素點(diǎn)之間的空間關(guān)系信息，使得細(xì)胞圖像的分割結(jié)果較差。近年來，超像素的提出使像素之間空間組織關(guān)系得到了有效利用，這種算法的優(yōu)點(diǎn)是，產(chǎn)生的超參數(shù)區(qū)域邊界與圖像中物體或背景的邊緣貼合效果較好，即對(duì)目標(biāo)物體與背景的分割效果較好。因此，在處理復(fù)雜圖像分割問題時(shí)，超像素聚類算法取得了良好的效果[11-13]。

本文針對(duì)細(xì)胞顯微圖像分割不準(zhǔn)確和計(jì)數(shù)速度慢等問題，通過將聚類中心移動(dòng)到梯度最小的區(qū)域這一思想改進(jìn)了簡單線性迭代聚類算法（Simple Linear Iteration Clustering，SLIC），對(duì)HE染色細(xì)胞的顯微圖像進(jìn)行目標(biāo)細(xì)胞與背景分割，然后針對(duì)細(xì)胞重疊形態(tài)不同，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同類別的重疊細(xì)胞進(jìn)行分類，最后對(duì)細(xì)胞顯微圖像的細(xì)胞數(shù)量進(jìn)行計(jì)數(shù)。

1 SLIC超像素分割

超像素這一概念由Ren等[14]提出，是指圖像中能夠表達(dá)一定圖像局部結(jié)構(gòu)特征的子區(qū)域。它的工作原理是將一幅圖的像素級(jí)提升為更高一級(jí)的區(qū)域級(jí)。Achanta等[15]提出了SLIC算法，該算法基于K-means聚類算法的思想，在圖像中設(shè)置K個(gè)種子點(diǎn)，最終生成K個(gè)超像素區(qū)域[16-18]。算法的思想是將圖像從三維顏色空間轉(zhuǎn)換到五維空間（CIE-Lab），每個(gè)像素點(diǎn)的[（L，a，b）]顏色信息和[（x，y）]空間信息組合成一個(gè)五維的向量[V[L，a，b，x，y]]，利用歐氏距離計(jì)算兩個(gè)像素點(diǎn)之間的距離，并將相似度高的像素點(diǎn)歸為同一個(gè)超像素區(qū)域。由于空間上點(diǎn)的距離和顏色距離的數(shù)量級(jí)可能不同，歐氏距離則會(huì)偏向其中一個(gè)因素而忽略了另一個(gè)因素。因此，SLIC算法在像素點(diǎn)距離計(jì)算的問題中，并未采用歐氏距離作為計(jì)算方法。設(shè)第i個(gè)超像素中心描述為[Ci=li+ai+bi]，第[Ck]個(gè)超像素中心描述為[Cki=lki+aki+bki]。

其距離由式（1）～式（3）來衡量：

式中，m用來調(diào)整[dxy]的權(quán)值，一般為1～20，本文中m值取10。

基于CIE-Lab聚類的超像素區(qū)域計(jì)算過程，如圖1所示。

通過SLIC超像素算法分割圖像，并以新組成的超像素區(qū)域代替單個(gè)像素點(diǎn)作為圖的基本單元，降低了圖像分割時(shí)的計(jì)算數(shù)量級(jí)，減少了計(jì)算時(shí)間。與其他生成超像素區(qū)域的算法相比，SLIC超像素分割算法具有以下優(yōu)點(diǎn)：1）由SLIC算法產(chǎn)生的超像素區(qū)域較為規(guī)則;2）產(chǎn)生的超參數(shù)區(qū)域邊界與圖像中物體或背景的邊緣貼合效果較好，即對(duì)目標(biāo)物體與背景的分割效果較好;3）SLIC算法自動(dòng)化較高，需要人工調(diào)節(jié)的參數(shù)只有1～2個(gè)。

為了避免所選的聚類中心不合理導(dǎo)致計(jì)算效率下降，本文對(duì)算法做了改進(jìn)，將聚類中心移動(dòng)到最小梯度點(diǎn)，梯度定義為

2 卷積神經(jīng)網(wǎng)絡(luò)

從仿生學(xué)的角度講，卷積神經(jīng)網(wǎng)絡(luò)（CNN）是模擬哺乳動(dòng)物視覺皮層神經(jīng)的一個(gè)非常成功的例子[19-21]。CNN在圖像的識(shí)別與分類問題中具有很多優(yōu)勢：1）它雖然增加了網(wǎng)絡(luò)結(jié)構(gòu)的深度，但是每個(gè)神經(jīng)元節(jié)點(diǎn)上的計(jì)算方法均為線性計(jì)算。這種用網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性代替單個(gè)神經(jīng)元的計(jì)算復(fù)雜性的方法，使得該方法適用于大規(guī)模分布式計(jì)算機(jī)的使用特點(diǎn)，加速了卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展。2）卷積神經(jīng)網(wǎng)絡(luò)無需人工參與圖像特征提取，而是將圖像直接作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)通過前饋和反饋模式不斷優(yōu)化網(wǎng)絡(luò)參數(shù)，對(duì)圖像特征進(jìn)行自動(dòng)學(xué)習(xí)。3）卷積層具有“局部感受野”的特性，使得卷積神經(jīng)網(wǎng)絡(luò)對(duì)于圖像的幾何形變不敏感[22]，不會(huì)因?yàn)閳D像經(jīng)過超像素分割而導(dǎo)致分類效果下降。因此，本研究結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)這些優(yōu)勢對(duì)重疊細(xì)胞進(jìn)行分類。

本文設(shè)計(jì)使用的卷積神經(jīng)網(wǎng)絡(luò)模型包括卷積層（Convolutional Layer）、池化層（Pooling Layer）和全連接層（Fully-Connected Layer）。

卷積層的每個(gè)節(jié)點(diǎn)連接上層輸入，通過卷積模板對(duì)圖像進(jìn)行特征提取。卷積層的公式如下：

式中：[xlj]是第l層的輸出;[xl-1j]是第l-1層的輸出，也是第l層的輸入;[Mj]是每個(gè)與卷積模板相匹配的上層圖像子區(qū)域;j是卷積模板的編號(hào);k是卷積核;b是偏置項(xiàng);l是層數(shù)。

本文試驗(yàn)中卷積層中的激活函數(shù)都采用線性修正單元函數(shù)（Rectified Linear Unit，ReLU）。其計(jì)算公式為

池化層即下采樣層，通常在卷積層之后，將經(jīng)過卷積和激活函數(shù)計(jì)算的特征模板執(zhí)行向下采樣的操作，以提煉了特征模板的信息，并對(duì)圖像信息進(jìn)行降維。池化層中包含多個(gè)模板，每個(gè)模板與上一層的輸出相對(duì)應(yīng)，并不改變卷積層輸出中模板的數(shù)量。常用的池化算法包括平均池化、最大池化等，本文選取的池化計(jì)算方式為平均池化，即對(duì)經(jīng)過卷積的圖像子區(qū)域取平均值。

全連接層的位置通常在卷積神經(jīng)網(wǎng)絡(luò)的末尾，起到信息綜合與分類的作用，本文將單個(gè)細(xì)胞、2個(gè)細(xì)胞重疊、3個(gè)細(xì)胞重疊分別設(shè)置為類別0、1、2，全連接層的輸出為分類結(jié)果。

3 基于SLIC的細(xì)胞分割

本文中基于改進(jìn)SLIC的細(xì)胞分割與計(jì)數(shù)方法實(shí)現(xiàn)的主要思路如圖2所示。1）選定SLIC種子點(diǎn)的個(gè)數(shù)K，進(jìn)行基于改進(jìn)SLIC超像素算法的分割，得到分割結(jié)果，并在每個(gè)超像素塊中取顏色平均值，得到SLIC顏色均值圖。2）將1）中得到的圖像進(jìn)行灰度處理，分割出細(xì)胞區(qū)域并進(jìn)行去噪。3）提取圖2f）中含有細(xì)胞的圖像塊，先將其統(tǒng)一為大小為88×88像素的圖像。4）將這些分割后的細(xì)胞圖片輸入到卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中進(jìn)行分類。

3.1 基于SLIC的超像素分割

基于改進(jìn)SLIC算法的超像素分割準(zhǔn)確程度受到種子點(diǎn)設(shè)定數(shù)目和圖像顏色的共同影響。超像素個(gè)數(shù)過少時(shí)，邊界分割易出現(xiàn)錯(cuò)誤，不能區(qū)分目標(biāo)細(xì)胞與背景;超像素個(gè)數(shù)過多時(shí)，會(huì)出現(xiàn)過渡分割的現(xiàn)象，失去了采用超像素分割高效率的優(yōu)勢。由圖3可以看出，當(dāng)N<1 000時(shí)，細(xì)胞邊界不清晰，與背景融為一體。當(dāng)N>1 000時(shí)，分割效果與N=1 000時(shí)幾乎沒有差別，但分割過細(xì)，效率低下。本文將超像素圖塊的個(gè)數(shù)設(shè)置為N=1 000，并生成相應(yīng)的顏色均值圖，如圖3所示。

由于HE染色細(xì)胞的背景較為復(fù)雜，且背景顏色與細(xì)胞顏色區(qū)分不大，故生成的細(xì)胞圖像中有細(xì)小的噪聲點(diǎn)。本文在此運(yùn)用了非線性擴(kuò)散濾波器，將圖像中邊緣和非邊緣區(qū)域采用不同的平滑策略，在平滑圖像和抑制噪聲的同時(shí)，有效地保留了邊界。

通過此方法改進(jìn)后的SLIC算法，由于選取的種子點(diǎn)為梯度最小的像素點(diǎn)，初始的聚類迭代只向單方向進(jìn)行，因此平均計(jì)算時(shí)間由原來的120 ms左右下降到100 ms左右，計(jì)算速度提升效果明顯。

3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞計(jì)數(shù)

3.2.1 單個(gè)細(xì)胞計(jì)數(shù)

首先將圖像進(jìn)行二值化，通過閾值法濾掉圖像中的噪聲。得到的圖像中連通區(qū)域的個(gè)數(shù)即為單個(gè)細(xì)胞的數(shù)量。由于在這些區(qū)域內(nèi)，孤立細(xì)胞和重疊細(xì)胞同時(shí)存在，本文中先默認(rèn)所有連通域均為孤立細(xì)胞，計(jì)為n，再考慮重疊細(xì)胞的情況。去掉了手工區(qū)分孤立細(xì)胞與重疊細(xì)胞的步驟，實(shí)現(xiàn)了細(xì)胞計(jì)數(shù)的自動(dòng)化。

3.2.2 基于CNN的重疊細(xì)胞的分類與計(jì)數(shù)

由于本套HE染色顯微圖像數(shù)據(jù)中，最多為3個(gè)細(xì)胞重疊在一起。重疊細(xì)胞由于多個(gè)細(xì)胞相互接觸或覆蓋在細(xì)胞邊緣形成凹點(diǎn)，在形態(tài)學(xué)上具有顯著差異。在實(shí)驗(yàn)過程中，本文選取劃分后的44 878個(gè)細(xì)胞圖樣本作為實(shí)驗(yàn)的數(shù)據(jù)集，隨機(jī)選擇其中的80%共計(jì)35 902張圖片作為本實(shí)驗(yàn)的訓(xùn)練集，剩下的20%共計(jì)8 976張圖片作為測試圖像，用于評(píng)估算法的性能。其中子圖邊長取88，將其作為輸入放入CNN中訓(xùn)練參數(shù)。網(wǎng)絡(luò)的總體結(jié)構(gòu)圖如圖4所示。

CNN結(jié)構(gòu)一共有8層，包含輸入層1層，卷積層3層，下采樣層3層，最后的全連接層1層。全連接層采用了dropout策略，對(duì)于輸入的神經(jīng)元做出隨機(jī)忽略的決策，這樣的操作避免模型過擬合。對(duì)局部神經(jīng)元的活動(dòng)建立懲罰機(jī)制，使反饋較小的神經(jīng)元數(shù)值減小或降為0，同時(shí)使反饋較大的神經(jīng)元數(shù)值變得相對(duì)更大，這樣的操作可以提升模型的泛化能力。本文試驗(yàn)中CNN卷積層的激活函數(shù)采用ReLU函數(shù)。選取的池化方法為平均池化。全連接層的輸出為細(xì)胞分類的概率。本文將單個(gè)細(xì)胞、2個(gè)細(xì)胞重疊、3個(gè)細(xì)胞重疊分別設(shè)置為類別0、1、2，將全連接層的輸出的分類概率取整，得到分類結(jié)果。

因?yàn)楸緮?shù)據(jù)的特殊性，細(xì)胞重疊的情況為最多有3個(gè)細(xì)胞重疊在一起。細(xì)胞重疊情況如表1所示。重疊細(xì)胞在重疊位置的凹凸度會(huì)與細(xì)胞邊緣的其他位置的形態(tài)有明顯不同，即形態(tài)學(xué)差異明顯。針對(duì)此問題，本文將單個(gè)細(xì)胞、2個(gè)細(xì)胞重疊、3個(gè)細(xì)胞重疊分別設(shè)置為類別0、1、2，在全連接層中得到細(xì)胞個(gè)數(shù)類別的分類結(jié)果。

則細(xì)胞數(shù)量的計(jì)算公式為

式中：n為單個(gè)細(xì)胞的個(gè)數(shù);[n1]是2個(gè)細(xì)胞重疊的細(xì)胞數(shù);[n2]是3個(gè)細(xì)胞重疊的細(xì)胞數(shù)。

4 結(jié)果與分析

本文中用到的實(shí)驗(yàn)平臺(tái)為HP Z640 Workstation，處理器為Inter Xeon E5-2620v4 2.1 2133 8C CPU，顯卡為NVIDIA Quadro M4000 8GB GFX，Windows 7操作系統(tǒng)。本文使用的HE染色細(xì)胞數(shù)據(jù)集來自英國利茲教學(xué)醫(yī)院NHC信托病理學(xué)部，由60張圖像組成，試驗(yàn)圖像分辨率為1200×765像素[23]。因?yàn)槭褂昧烁倪M(jìn)后的SLIC超像素對(duì)細(xì)胞顯微圖像進(jìn)行分割，且將種子點(diǎn)初始位置設(shè)置為梯度最小的像素點(diǎn)，在一定程度上提升了分割速度。并且基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)重疊細(xì)胞進(jìn)行分類，檢測速度較快。因此，對(duì)一幅圖像進(jìn)行分割、重疊細(xì)胞分類、計(jì)數(shù)的平均速度為0.1 s。

為了評(píng)價(jià)本文提出的改進(jìn)SLIC超像素分割和CNN分類方法，選取了在圖像分割及分類領(lǐng)域表現(xiàn)優(yōu)異的算法作比較。其中，閾值分割法（OTSU）[24]是一種基于閾值的圖像分割技術(shù);分水嶺分割方法（WATERSHED）[25]是一種基于拓?fù)淅碚摰姆指罘椒?。支持向量機(jī)（SVM）[26]是一個(gè)由分類超平面定義的判別分類器，將當(dāng)時(shí)流行的線性分類器推廣到非線性的領(lǐng)域中，利用了非線性函數(shù)的特性，實(shí)現(xiàn)分類功能。各算法分割結(jié)果對(duì)比圖見圖5。

為了定量地評(píng)價(jià)算法分割的效果，本文選取了通用的評(píng)價(jià)標(biāo)準(zhǔn)：準(zhǔn)確率（Accuracy）、精確率（Precision），召回率（Recall）和F1指標(biāo)（F1-measure）：

式中，TP表示真陽性，即真實(shí)情況為細(xì)胞圖像且被正確分類的細(xì)胞樣本個(gè)數(shù);FP表示假陽性，即真實(shí)情況為背景，且被誤分為細(xì)胞的樣本個(gè)數(shù);TN表示真陰性，即真實(shí)情況為細(xì)胞，且被誤分為背景的樣本個(gè)數(shù);FN表示假陰性，即真實(shí)情況為背景，且被正確分類為背景的樣本個(gè)數(shù)。各算法運(yùn)行結(jié)果見表2。

從表中可以看出，本文提出的算法準(zhǔn)確率為0.882，優(yōu)于閾值分割、分水嶺方法和直接使用SLIC分割3種算法。值得一提的是，精確率為查準(zhǔn)率，即正確計(jì)數(shù)細(xì)胞占所有準(zhǔn)確計(jì)數(shù)的比例，本文提出的SLIC+CNN算法在精確率為0.901，優(yōu)于其他3種算法。F1指標(biāo)綜合了精確率和召回率的分類效果評(píng)價(jià)，本文提出算法的F1指標(biāo)達(dá)到0.925，高于其他算法。實(shí)驗(yàn)結(jié)果表明，本文提出的基于改進(jìn)的SLIC和卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞分割與計(jì)數(shù)效果優(yōu)于其他幾種算法。

5 結(jié)論

本文提出的結(jié)合改進(jìn)后的SLIC超像素聚類與卷積神經(jīng)網(wǎng)絡(luò)（CNN）的細(xì)胞圖像分割與計(jì)數(shù)方法，達(dá)到了良好的效果。與一些傳統(tǒng)的細(xì)胞分割與分類算法相比，其優(yōu)越性在于利用了改進(jìn)后SLIC算法能夠清晰地區(qū)分目標(biāo)物體與背景上優(yōu)勢，結(jié)合了細(xì)胞顯微圖像中細(xì)胞結(jié)構(gòu)較為緊湊的特性，不僅能夠得到較為完整的細(xì)胞圖像，并且能夠提高分割效率;采用CNN方法識(shí)別重疊細(xì)胞的重疊情況，解決了細(xì)胞的重疊問題帶來的計(jì)數(shù)誤差。此項(xiàng)研究工作將為臨床后續(xù)的病理診斷提供輔助，降低了由病理醫(yī)生經(jīng)驗(yàn)不同造成的診斷偏差，減少其簡單重復(fù)工作的強(qiáng)度，提高醫(yī)生診斷效率。

參考文獻(xiàn)：

[1]? ? 盧宏濤，張秦川. 深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 數(shù)據(jù)采集與處理，2016，31（1）：1-17.

[2]? ? 趙嘉瑩，高鵬，朱勇俊，等. 人工智能的應(yīng)用將改進(jìn)中國基層醫(yī)療衛(wèi)生服務(wù)效能[J]. 中國全科醫(yī)學(xué)，2017，20（34）：4219-4223.

[3]? ? PAVLIN M，PAVSELJ N，MIKLAVCIC D. Dependence of induced transmembrane potential on cell density，arrangement，and cell position inside a cell system[J]. IEEE Transactions on Biomedical Engineering，2002，49（6）：605-612.

[4]? ? CHRISTY EVANGELINE N，ANNALATHA M. Computer aided system for human blood cell identification，classification and counting[C]//2018 Fourth International Conference on Biosignals，Images and Instrumentation （ICBSII）. March 22-24，2018，Chennai，India. IEEE，2018：206-212.

[5]? ? BILLS M V，NGUYEN B T，YOON J Y. Simplified white blood cell differential：an inexpensive，smartphone- and paper-based blood cell count[J]. IEEE Sensors Journal，2019，19（18）：7822-7828.

[6]? ? GE J，GONG Z，CHEN J，et al. A system for counting fetal and maternal red blood cells[J]. IEEE Transactions on Biomedical Engineering，2014，61（12）：2823-2829.

[7]? ? NAKAMORI N，DOI K，SABETI V，et al. Image feature analysis and computer-aided diagnosis in digital radiography：Automated analysis of sizes of heart and lung in chest images[J]. Medical Physics，1990，17（3）：342-350.

[8]? ? 蘇茂君，王兆濱，張紅娟，等. 基于PCNN自動(dòng)波特征的血細(xì)胞圖像分割和計(jì)數(shù)方法[J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào)，2009，28（1）：145-148，152.

[9]? ? 武宗茜，王鵬，丁天懷. 活動(dòng)輪廓模型在重疊藻細(xì)胞計(jì)數(shù)中的應(yīng)用[J]. 計(jì)算機(jī)工程，2012，38（3）：209-211.

[10]? 王祥生，王偉. 基于清晰度的細(xì)胞顯微圖像分割和計(jì)數(shù)方法[J]. 中國醫(yī)學(xué)影像學(xué)雜志，2014，22（10）：797-800.

[11]? WANG P Y，ZHU H Q，LING X F. Content-based superpixel matching using spatially constrained student's -t mixture model and scale-invariant key-superpixels[J]. IEEE Access，2020，8：31198-31213.

[12]? GUO Y W，JIAO L C，WANG S，et al. Fuzzy superpixels for polarimetric SAR images classification[J]. IEEE Transactions on Fuzzy Systems，2018，26（5）：2846-2860.

[13]? YU W Y，WANG Y H，LIU H W，et al. Superpixel-based CFAR target detection for high-resolution SAR images[J]. IEEE Geoscience and Remote Sensing Letters，2016，13（5）：730-734.

[14]? REN，MALIK. Learning a classification model for segmentation[C]//Proceedings Ninth IEEE International Conference on Computer Vision. October 13-16，2003，Nice，F(xiàn)rance. IEEE，2003：10-17.

[15]? ACHANTA R，SHAJI A，SMITH K，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[16]? GUPTA A K，SEAL A，KHANNA P. Divergence based SLIC[J]. Electronics Letters，2019，55（14）：783-785.

[17]? ZHANG Z，CHEN J，LIU Z. SLIC segmentation method for full-polarised remote-sensing image[J]. The Journal of Engineering，2019，2019（20）：6404-6407.

[18]? XIE F Y，SHI M Y，SHI Z W，et al. Multilevel cloud detection in remote sensing images based on deep learning[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2017，10（8）：3631-3640.

[19]? JIN K H，MCCANN M T，F(xiàn)ROUSTEY E，et al. Deep convolutional neural network for inverse problems in imaging[J]. IEEE Transactions on Image Processing，2017，26（9）：4509-4522.

[20]? PINHEIRO P O，COLLOBERT R. Recurrent convolutional neural networks for scene labeling[C]. // Proceedings of the 31st International Conference on International Conference on Machine Learning，Beijing，2014：82-90.

[21]? LIU G S，ZHU M H，KIM J，et al. ELHnet：a convolutional neural network for classifying cochlear endolymphatic hydrops imaged with optical coherence tomography[J]. Biomedical Optics Express，2017，8（10）：4579-4594.

[22]? HE S F，LAU R W H，LIU W X，et al. SuperCNN：a superpixelwise convolutional neural network for salient object detection[J]. International Journal of Computer Vision，2015，115（3）：330-344.

[23]? BHANDARI A K，KUMAR I V，SRINIVAS K. Cuttlefish algorithm-based multilevel 3-D otsu function for color image segmentation[J]. IEEE Transactions on Instrumentation and Measurement，2020，69（5）：1871-1880.

[24]? 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，2018，37（9）：2044-2059.

[25]? 丁世飛，齊丙娟，譚紅艷. 支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào)，2011，40（1）：2-10.

收稿日期：2020-07-02

基金項(xiàng)目：國家自然科學(xué)基金（51737003，51677053）;河北省研究生創(chuàng)新資助項(xiàng)目

第一作者：屈若為（1989—），女，博士研究生。通信作者：徐桂芝（1962—），女，教授，gzxu@hebut.edu.cn。