[论文解读] A watershed-based algorithm to segment and classify cells in fluorescence microscopy images

Lena R. Bartell, Lawrence J. Bonassar+1 more|arXiv (Cornell University)|Jun 2, 2017

Cell Image Analysis Techniques参考文献 1被引用 4

一句话总结

本文提出了一种用户友好的基于图形用户界面（GUI）的分水岭分割算法，用于荧光显微镜图像中细胞的自动分割与分类。通过整合预处理、标记引导的分水岭分割以及基于阈值的分类，该方法实现了准确且可重复的结果——通过人工验证和受试者工作特征（ROC）分析对参数进行最优调优，在1.2分类阈值下，细胞活力检测的准确率达到95%。

ABSTRACT

Imaging assays of cellular function, especially those using fluorescent stains, are ubiquitous in the biological and medical sciences. Despite advances in computer vision, such images are often analyzed using only manual or rudimentary automated processes. Watershed-based segmentation is an effective technique for identifying objects in images; it outperforms commonly used image analysis methods, but requires familiarity with computer-vision techniques to be applied successfully. In this report, we present and implement a watershed-based image analysis and classification algorithm in a GUI, enabling a broad set of users to easily understand the algorithm and adjust the parameters to their specific needs. As an example, we implement this algorithm to find and classify cells in a complex imaging assay for mitochondrial function. In a second example, we demonstrate a workflow using manual comparisons and receiver operator characteristics to optimize the algorithm parameters for finding live and dead cells in a standard viability assay. Overall, this watershed-based algorithm is more advanced than traditional thresholding and can produce optimized, automated results. By incorporating associated pre-processing steps in the GUI, the algorithm is also easily adjusted, rendering it user-friendly.

研究动机与目标

• 解决缺乏对无计算机视觉专业知识的生物医学研究人员友好的先进图像分析工具的问题。
• 减少荧光显微镜图像中细胞定量的人工偏差，提高通量。
• 开发一种透明且可调节的基于分水岭的分割流程，通过预处理和标记引导防止过度分割。
• 利用人工验证和受试者工作特征（ROC）分析优化分割与分类参数。
• 提供一个免费的、基于MATLAB的GUI工具，集成预处理、分割和后处理，便于用户操作。

提出的方法

• 算法在分水岭分割前应用高斯滤波和中值滤波以降低噪声并增强对比度。
• 采用标记控制的分水岭分割，通过基于局部强度极大值定义区域极小值，防止过度分割。
• 通过背景强化步骤确保在不同图像强度下保持一致的分割效果。
• 对分割结果进行后处理，基于大小阈值去除小的、无意义的物体。
• 使用基于比率的函数 f = mean(R)/mean(G) 对细胞进行分类，其中 R 和 G 分别为红光和绿光通道的平均荧光强度。
• 通过在100个细胞的手动标记子集上进行ROC分析，确定最优分类阈值，以最大化真正例率和真负例率。

实验结果

研究问题

• RQ1 能否通过图形用户界面使基于分水岭的分割算法对非专业生物医学研究人员更加易用？
• RQ2 如何通过预处理和标记引导提高复杂荧光显微镜图像中分水岭分割的准确性并减少过度分割？
• RQ3 在双色细胞活力检测中，使用强度比分析时，区分活细胞与死细胞的最优分类阈值是多少？
• RQ4 与人工方法或仅基于阈值的方法相比，通过ROC分析优化的参数调优在多大程度上提升了分类准确率？
• RQ5 能否开发一个统一的、用户可调节的流程，集成分割、分类与验证，以适用于多种荧光成像检测？

主要发现

• 基于GUI的分水岭算法显著提升了传统阈值法的分割准确率，尤其在复杂且重叠的细胞图像中表现更优。
• 最优分割效果通过结合高斯滤波（σ = 1.5）、中值滤波（核大小 = 5）和背景强化实现，有效减少了假阳性结果。
• 在细胞活力检测中，分类函数 f = mean(R)/mean(G) 在分类阈值为1.2时达到最大准确率，基于100个细胞的手动子集进行ROC分析，准确率达95%。
• 该方法在三色线粒体功能检测中成功实现了细胞的分割与分类，表现出对非连续染色模式的强鲁棒性。
• 在单一GUI中集成预处理、分割与后处理步骤，使用户能够迭代调整参数，无需编写代码即可获得优化结果。
• 通过人工对比和统计分析验证了该算法的性能，证实其在高通量、自动化图像分析中的可靠性。