استخراج اتوماتیک هسته و سیتوپلاسم سلول‌‌های سفید خون در تصاویر لام محیطی

سلطان زاده, رامین; ربانی, حسین; طالبی, اردشیر

استخراج اتوماتیک هسته و سیتوپلاسم سلول‌‌های سفید خون در تصاویر لام محیطی

نوع مقاله : مقاله های پژوهشی

نویسندگان

¹ گروه فیزیک و مهندسی پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

² استادیار، گروه فیزیک و مهندسی پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

³ دانشیار، گروه آسیب شناسی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

چکیده

مقدمه: یکی از پارامترهای اساسی در تشخیص سلول‌های بلاست، افزایش نسبت مساحت هسته به سیتوپلاسم آن‌ها است. علاوه بر این پارامتر، پارامترهایی از قبیل اندازه‌ی هسته، میزان گرد بودن هسته و نیز اندازه‌ی کل سلول در تعیین بلاست یا عدم بلاست بودن سلول‌ها مؤثر می‌باشند.روش‌ها: در این مقاله با استفاده از خصوصیت متمایز هسته از سایر اجزاء یک لام خونی، آن‌ها را ابتدا با استفاده از الگوریتمی مبتنی بر روش خوشه‌بندی k-means تشخیص دادیم. سپس به جداسازی سیتوپلاسم از بقیه‌ی تصویر لام با تکیه بر حد آستانه بر مبنای هیستوگرام سطح خاکستری پرداختیم.یافته‌ها: این مطالعه بر روی 100 تصویر میکروسکوپی انجام شد که در تشخیص هسته دارای ویژگی 5/82 درصد و حساسیت 84 درصد و در تشخیص سیتوپلاسم دارای ویژگی 02/78 درصد و حساسیت 79 درصد بود.نتیجه‌گیری: در این مقاله روشی اتوماتیک جهت تشخیص هسته و سیتوپلاسم ارائه شد. اگر چه نسبت مساحت هسته به سیتوپلاسم عامل مهمی در تعیین بلاست بودن سلول می‌باشد، اما نشانه‌های دیگر همچون تشخیص هستک نیز در تشخیص نهایی مؤثر می‌باشند.

کلیدواژه‌ها

عنوان مقاله [English]

An Automated Framework for Extraction of Nuclei and Cytoplasm of White Blood Cells from Peripheral Blood Smear Images

نویسندگان [English]

Ramin Soltanzadeh ¹
Hossein Rabbani ²
Ardeshir Talebi ³

¹ Department of Biomedical Engineering, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran

² Assistant Professor, Department of Biomedical Engineering, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran

³ Associate Professor, Department of Pathology, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran

چکیده [English]

Background: One of the most remarkable factors in blast cells diagnosis is the increment of nucleus-cytoplasm ratio. Some other parameters like size of the nucleus and the whole, and how round the nucleus is also affect the diagnosis.Methods: In this study, the explicit characters of nucleus were used to identify it from the other parts of blood smear. The nuclei were thus extracted by k-means clustering. The cytoplasm was then extracted based on gray level histogram.Findings: This study was conducted on 100 microscopic images. The method had a specificity of 82.5 and a sensitivity of 84 in the extraction of nuclei. The corresponding values for cytoplasm detection were 75.02 and 79. Conclusion: In this Study present an automatic method to determine the nucleus and cytoplasm. Although the ratio of the cell nucleus to the cytoplasm is an important factor in determining the blast, but other signs such as detecting nucleolus are also effective in the final diagnosis.

کلیدواژه‌ها [English]

Blast cells
Threshold
Gray-level
Nucleus-cytoplasm ratio

مراجع

Guyton AC, Hall JE. Textbook of Medical Physiology. 11th ed. Philadelphia: Saunders; 2006. p. 419-28.
Maslak P. Blast Crisis of Chronic Myelogenous Leukemia. ASH Image Bank [online] 2001. [cited 2001 May 12]; Available from: URL: http://imagebank.hematology.org/AssetDetail.aspx?AssetID=1458&AssetType=Asset.
Sadeghian F, Seman Z, Ramli AR, Abdul Kahar BH, Saripan MI. A framework for white blood cell segmentation in microscopic blood images using digital image processing. Biol Proced Online 2009; 11: 196-206.
Ritter N, Cooper J. Segmentation and border identification of cells in images of peripheral blood smear slides. Proceedings of the 13th Australasian Conference, ACISP; 2008 Jul 7-9; Wollongong, Australia. 2008. p. 161-9.
Ongun G, Halici U, Leblebicioglu K, Atalay V, Beksac M, Beksac S. Feature extraction and classification of blood cells for an automated differential blood count system. Proceedings of the International Joint Conference on Neural Networks; 2001 Jul 15-19; Washington, DC, USA. 2001. p. 2461–6.
Jiang K, Liao QM, Dai SY. A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering. Proceedings of the International Conference on Machine Learning and Cybernetics; 2003 Nov 2-3; Xian, China. 2003. p. 2820-5.
Dorini LB, Minetto R, Leite NJ. White blood cell segmentation using morphological operators and scale-space analysis. Proceedings of the Brazilian Symposium on Computer Graphics and Image; 2007 Oct 7-10; Minas Gerais, Brazil. 2007. p. 294-304.
Scotti F. Automatic morphological analysis for acute leukemia identification in peripheral blood microscope images. Proceedings of the IEEE International Conference on Computational Intelligence for Measurement Systems and Applications; 2005 Jul 20-22; Giardini Naxos, Italy. 2005. p. 96–101.
Kumar BD, Joseph DK, Sreenivasc TV. Teager energy based blood cell segmentation. Proceedings of the 14th International Conf. on Digital Signal; 2002 Jul 1-3; Santorini, Greece. 2002. p. 619–22.
Cseke I. A fast segmentation scheme for white blood cell images. Proceedings of the 11th International Conference on Pattern Recognition, Image, Speech and Signal Analysis; 1992 Aug-Sep 30-3; The Hague, Netherlands. 1992. p. 530–3.
Otsu N. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man and Cybernetics 1979; 9(1): 62-6.
Tuzel O, Yang L, Meer P, Foran DJ. Classification of hematologic malignancies using texton signatures. Pattern Anal Appl 2007; 10(4): 277-90.
Sebesr JA. Multivariate Observations. 1st ed. London: Wiley; 1984.
Self-organizing map-based color image segmentation with k-means clustering and saliency map. ISRN Signal Processing [Online] 2011. Available from: URL: http://www.isrn.com/isrn/sp/2011/393891/abs/.
Soltanzadeh R, Rabbani H. Classification of three types of red blood cells in peripheral blood smear based on morphology. Proceedings of the 10th International Conference on Signal Processing; 2010 Oct 24-28; Beijing, China. 2010. p. 707-10.
Konoplev S, Bueso-Ramos CE. Advances in the pathologic diagnosis and biology of acute myeloid leukemia. Ann Diagn Pathol 2006; 10(1): 39-65.
Lezoray O, Cardot H. Cooperation of color pixel classification schemes and color watershed: a study for microscopic images. IEEE Trans Image Process 2002; 11(7): 783-9.
Meyer F, Beucher S. Morphological segmentation. Journal of Visual Communication and Image Representation 1990; 1(1): 21-46.
Lewandowski K, Hellmann A. Atlas of Hematology. Gdansk: Multimedia Medical Publisher; 2001.
Walter T, Klein J, Massin P, Erginay A. A contribution of image proceedings to the diagnosis of diabetic retinopathy-detection of exudates in color fundus images of the human retina. IEEE Transactions on Medical Imaging 2002; 21(10): 1236-43.
Osowski S, Markiewicz T. Feature Generation Forte Cell Image Recognition of Myelogenous Leukemia. Proceedings of the IEEE International Conference on Neural Networks; 2005 Jul-Aug 31-4; Vienna, Austria. 2005. p. 2496-501.