医学显微细胞图像处理涵盖了人工智能、图像处理、计算机视觉、生物医学等领域,在临床诊断过程中发挥着重要作用。通过对医学显微细胞图像分割来量化细胞行为,这对组织细胞分类、细胞变异、DNA损伤检测、血液学、癌症研究等生物医学研究具有重要价值。本文以课题组自建人类口腔黏膜细胞图像数据库作为图像源,主要围绕基于结构光照明的荧光显微成像系统设计与细胞图像获取、医学显微细胞图像增强处理以及医学显微细胞图像分割方法开展研究工作。主要研究内容及成果如下:1.完成了基于结构光照明的荧光显微成像系统的设计与细胞图像获取。通过分析光学成像过程中衍射极限分辨率问题,结合结构光照明荧光显微成像过程及图像重构算法,建立结构光照明生成方案,提出了一种基于DMD及LED的二维宽场结构光照明荧光显微光学成像系统,通过该系统对口腔黏膜细胞进行超分辨成像,并对成像系统进行标定,实现SIM超分辨成像。这是后续医学显微细胞图像后处理的前提和关键。2.建立了一种基于双树复小波变换及形态学的鲁棒的医学显微细胞图像增强方法。首先对获取的医学显微细胞图像进行预处理;然后,引入双树复小波变换策略,将医学显微细胞图像分解为高通子带和低通子带;接着,提出一种基于小波域的Contourlet变换的高通子带去噪方法,结合Bayesian Shrink原理获得阈值,然后改进去噪方法,考虑邻域局部相关性,采用自适应最优阈值实现去噪;对于低通子带增强,提出了一种基于改进形态学top-hat变换法,它可以自适应地实现等效百分比增强和多尺度多方向变换。最后,对上述处理后的增强的低频子图像和高频子图像采用逆DTCWT变换,得到增强后的医学显微细胞图像。3.建立了一种新的加权曲率和灰度距离变换的粘连细胞图像分割方法。该方法以双阈值迭代法计算细胞、细胞核阈值,采用分水岭变换实现细胞图像的三分类的初分割。以此为基础,通过轮廓点曲率计算,建立分割线,提出了一种关联灰度图像的距离变换方法,通过阈值法获得标记图像;接着,采用标记控制的分水岭变换进行二次分割,实现粘连细胞分割。实验结果表明,该方法对于复杂的粘连细胞有较好的分割效果。4.建立了一种基于图模型的多分类医学显微细胞图像分割方法。以图模型和卷积型多尺度融合FCN网络为基础,建立过分割细胞图像的多树模型,提出一种基于图模型的分割方法,结合多树模型的先验信息,求解多树模型的后验的封闭形式解决方案,搭建图像分割网络框架,建立图像质量评价函数。实验验证表明,基于图模型的细胞图像分割方法,提取的细胞边界平滑,能连续地提取出双核细胞,同时能够很好地分割细胞核及背景信息,与人工标注图像轮廓非常接近。5.建立了一种基于神经常微分方程的医学显微细胞图像分割方法。该方法以U-Net卷积神经网络模型为基础,通过做对比实验,确定将常微分方程ODE模块加入到U-Net网络中的具体位置,提出了一种基于神经常微分方程及U-Net的细胞图像分割网络模型（简称为NODEs-Unet网络架构）;然后通过调整ODE模块的误差容忍度增加网络深度,提出一种基于NODEs-Unet网络的二元分割网络（简称为2NODEs-Unet）。实验验证表明,基于神经常微分方程的细胞图像分割方法在不增加网络模型的参数的情况下,增加了网络模型的深度,且计算复杂度低,能够成功地分割出背景、细胞和细胞核,边界清晰、细节完整,非常接近于人工标注。