摘  要： 針對周圍神經(jīng)物理切片圖像中不同類型的神經(jīng)功能束染色后顯示出的特異性，提出了一種基于K-均值聚類的神經(jīng)切片染色圖像中神經(jīng)功能束類型識別的方法。首先通過特征分析與提取決定以灰度均值μ和方差σ2作為紋理特征，然后運用本文算法對神經(jīng)切片染色圖像中的不同類型神經(jīng)功能束進行聚類和識別。通過在人體周圍神經(jīng)組織切片圖像上的實驗證明，該算法能對神經(jīng)切片染色圖像中的神經(jīng)功能束類型進行有效分類識別。
關(guān)鍵詞： 功能束識別；K-均值聚類；神經(jīng)切片染色圖像

　數(shù)字圖像處理在第三代計算機問世后開始迅速發(fā)展，目前，它已經(jīng)成為工程學(xué)、計算機科學(xué)、信息科學(xué)、統(tǒng)計學(xué)、物理、化學(xué)、生物學(xué)、醫(yī)學(xué)甚至社會科學(xué)等領(lǐng)域中各學(xué)科學(xué)習(xí)和研究的對象。數(shù)字圖像處理是一門與國計民生緊密相連的應(yīng)用科學(xué)，已給人類帶來了巨大的經(jīng)濟和社會效益，在不久的將來它不僅在理論上會有更深入的發(fā)展，在應(yīng)用上亦會是科學(xué)研究、社會生產(chǎn)乃至人類生活中不可缺少的強有力工具[1]。數(shù)字圖像處理的飛速發(fā)展提供了平面圖像三維重建的可能。因此，結(jié)合數(shù)字圖像處理技術(shù)、解剖學(xué)技術(shù)以及組織學(xué)技術(shù)，通過對平面圖像進行三維重建，可以實現(xiàn)直觀而全面地顯示周圍神經(jīng)內(nèi)部功能束空間立體走行規(guī)律，從而有望成為提高周圍神經(jīng)損傷后治療效果的重要途徑。
　神經(jīng)的三維可視化技術(shù)主要由切片序列圖像配準(zhǔn)、神經(jīng)切片染色圖像邊緣提取、神經(jīng)內(nèi)部功能束類型識別和神經(jīng)內(nèi)部功能束三維重建等步驟組成。其中，功能束類型的識別是三維可視化的重點和難點，其效果的好壞是最終三維可視化效果的決定因素之一。
　目前國內(nèi)外針對內(nèi)部功能束類型識別方面的研究主要集中在根據(jù)功能束區(qū)域受染色程度的不同導(dǎo)致的圖像灰度值的不同來判斷。神經(jīng)功能束類型識別比較先進的方法就是采用顯微喇曼光譜技術(shù)對周圍神經(jīng)束進行特異結(jié)構(gòu)的研究和分析，獲得神經(jīng)內(nèi)部運動功能束和感覺功能束的特異性，這種特異性在組織中是恒定的，但喇曼光譜的識別還基本都是采用人工方式進行的，尚無有關(guān)自動識別的文獻(xiàn)，有待更深一步的研究[2]。由于現(xiàn)有的醫(yī)學(xué)三維重建軟件Amira[3]或者Mimics[4]僅能識別灰度對比強烈的數(shù)據(jù)，而周圍神經(jīng)乙酰膽堿酯酶染色的不同類型功能束灰度對比度較低，因此目前的醫(yī)學(xué)圖像三維重建軟件還不能基于染色結(jié)果對不同類型的功能束進行準(zhǔn)確的自動識別，需要人工主觀地一張一張地區(qū)分功能束，并且需在高質(zhì)量的切片條件下完成，工作量很大，大大降低了工作效率。利用計算機圖像圖形技術(shù)實現(xiàn)其內(nèi)部功能束的三維重建，可實現(xiàn)對周圍神經(jīng)功能束的定性分析和精確定位，做到相同類型的神經(jīng)功能束組準(zhǔn)確對接，提高神經(jīng)修復(fù)的效果。
本文旨在對周圍神經(jīng)功能束類型自動識別方面進行一定的探索和研究，首先通過對圖像進行預(yù)處理使其方便后期處理，接著通過特征分析與提取決定以灰度均值μ和方差σ2作為識別神經(jīng)功能束類型的評價參量，然后基于K-均值聚類算法實現(xiàn)對醫(yī)學(xué)神經(jīng)切片染色圖像不同神經(jīng)功能束類型的自動識別，進而大大降低功能束識別的工作量，提高工作效率，為進一步的醫(yī)學(xué)圖像三維重建提供條件基礎(chǔ)。
1 特征提取與分析
　醫(yī)學(xué)圖像內(nèi)容屬性大多直接采用低層的圖像特征描述，如顏色特征、紋理特征、形狀特征等。提取出有效的醫(yī)學(xué)圖像數(shù)據(jù)特征決定著圖像識別的成敗。
由于神經(jīng)圖像中神經(jīng)功能束的形狀沒有一定的特征規(guī)律，同類型的神經(jīng)功能束可以是各種不同的形狀，因此不把形狀特征作為評價參量。而不同類型的神經(jīng)功能束之間的顏色特征差異度太小，也不能用來作為有效的評價參量。因此紋理特征的選擇將會直接影響到后期的識別結(jié)果。
有很多描述紋理的參量，本文基于圖像的灰度直方圖的以下紋理特征進行計算：
?。?）均值。它反映的是一幅圖像的平均灰度值。

　雖然傳統(tǒng)的K-均值是一個極其高效的聚類算法，但是它也存在著各種問題：（1）K-均值算法只能保證能收斂到某個解決方案，而不能保證能找到定位聚類中心的最佳方案；（2）K-均值算法無法指出應(yīng)該使用多少個類別，在同一個數(shù)據(jù)集中，選擇不同的類別數(shù)，必將導(dǎo)致結(jié)果輸出的不同，甚至有可能不合理。在K-均值中，每個聚類中心擁有它的數(shù)據(jù)點，計算這些點的方差，最好的聚類結(jié)果是在不引起太大的復(fù)雜度的情況下使方差達(dá)到最小。
　針對以上兩個問題，本文采用如下解決方法。
?。?）中心點最小方差法
因為每次運行K-均值聚類算法時的中心點是隨機選取的，所以每次初始的聚類中心點都不一樣，通過多運行幾次K-均值，得到幾個不同的聚類結(jié)果，然后從中選擇方差最小的那個結(jié)果。
?。?）類別數(shù)增量設(shè)置法
　首先將類別數(shù)設(shè)為1，然后根據(jù)聚類效果重新修正，可以在原先規(guī)定的類別數(shù)的基礎(chǔ)上加1或減1[7]，每次聚類的時候使用前面提到的中心點最小方差法。一般情況下，總方差會很快下降，直到到達(dá)一個拐點，這意味著再加一個新的聚類中心不會顯著地減少總方差。在拐點處停止，保存此時的類別數(shù)。
　以lena圖像為例加以說明。圖2（a）為原始圖像灰度圖。圖2（b）為類別數(shù)設(shè)為1的效果圖，此時的中心點的像素值為60；由于效果不好，因此把類別數(shù)提高到2，效果明顯好于類別數(shù)為1時的效果，如圖2（c）所示，此時兩個中心點的像素值分別為60、180；繼續(xù)增加類別數(shù)到3，此時的聚類中心點像素值分別為60、100、180，效果如圖2（d）所示，聚類效果基本實現(xiàn)。具體算法實現(xiàn)流程圖如圖3所示。

3 實驗結(jié)果與分析

　對本文算法在Matlab7.1平臺下進行程序?qū)崿F(xiàn)，在操作系統(tǒng)為Windows XP SP3、處理器為AMD Athlon（tm） 64 X2 Dual的環(huán)境下運行。實驗結(jié)果如圖4~圖10所示。由于不同性質(zhì)功能類型的神經(jīng)功能束在經(jīng)過乙酰膽堿酯酶組化法及HE染色法等單獨染色和組合套染的受染的程度是不同的，如運動型神經(jīng)功能束與感覺型神經(jīng)功能束的受染程度就是有明顯差別，從圖5中的灰度直方圖中也可以清晰地看到這一點，而這一點也是醫(yī)生人工判別功能束類型的一個重要依據(jù)，因此采用基于像素點的空間位置和灰度值對圖像進行聚類。對神經(jīng)切片染色圖像進行聚類處理，可以非常直觀地看出，通過設(shè)置不同的灰度通道可以識別功能束的類型，并與醫(yī)生通過肉眼人工判別的神經(jīng)切片中功能束類型進行比照?？偣?43張的人體周圍神經(jīng)切片染色圖像全部由某醫(yī)院提供，運用本文算法可以成功地進行神經(jīng)功能束自動識別的圖片有217張，成功率為63.2%。

　通過多次運行K-均值算法發(fā)現(xiàn)，最佳聚類數(shù)為3，圖像背景作為一類，運動型功能束作為一類，感覺型功能束作為一類，這與圖10所示的人工識別的神經(jīng)切片圖像結(jié)果一致。聚類完成后得到3個聚類中心的灰度值，基于這3個灰度值劃分3個灰度范圍并把這3個灰度范圍的像素點的灰度值歸一化。以聚類后灰度直方圖（如圖7所示）對比原始圖像灰度直方圖（如圖5所示）為例，聚類完成后3個聚類中心點的灰度值分別為95.4、143.9、175.6，把灰度值在（0，95.4）范圍內(nèi)的像素點的灰度值統(tǒng)一設(shè)置為10，同時，這一類像素點將被設(shè)置為一類；范圍在（95.4，143.9）內(nèi)的像素點的灰度值設(shè)置為138，同時這些像素點被設(shè)置為另一類；范圍在（143.9，255]內(nèi)的像素點的灰度值設(shè)置為245，這一類是背景區(qū)域。原則上設(shè)置的灰度數(shù)據(jù)對比應(yīng)該越強烈越好。
　造成部分圖像不能成功自動進行聚類識別的原因是：（1）神經(jīng)切片染色圖像過于復(fù)雜，難以提取到更多作為識別功能束類型的有效特征；（2）部分圖片受染效果不好；（3）圖片制備過程中形成的不可避免的人工操作誤差，造成計算機難以自動識別功能束類型，只有通過醫(yī)生的經(jīng)驗進行人工判斷。
因為K-均值聚類算法是一種貪心算法，貪心算法并不一定能得到全局最優(yōu)解，往往會陷入局部最優(yōu)，而且K-均值聚類算法對初始化的類別數(shù)K和初始聚類中心具有很大的敏感性，所以本文采用多次運行K均值得到多個聚類結(jié)果，選擇方差最小的那個結(jié)果的方法進行改進。如何改進算法中存在的以上問題以提高算法的效率，以及如何從醫(yī)學(xué)圖像中提取到更多能描繪圖像信息的特征從而得到最佳識別效果，將是下一步亟待解決的問題。
參考文獻(xiàn)
[1] 阮秋琦.數(shù)字圖像處理學(xué)[M].北京：電子工業(yè)出版社，2000.
[2] 王虎，李學(xué)東，杜世新，等.微區(qū)喇曼光譜法區(qū)分周圍神經(jīng)束[J].中國神經(jīng)再生研究，2006（8）：104-106.
[3] CASPI O， LESMAN A， BASEVITCH Y， et al. Tissue engineering of vascularized cardiac muscle from human embryonic stem cells[J]. Circulation research， 2007， 100（2）：263-272.
[4] JOVANOVIC-TALISMAN T， TETENBAUM-NOVATT J， MCKENNEY A S， et al. Artificial nanopores that mimic the transport selectivity of the nuclear pore complex[J]. Biophysical Journal， 2009， 96（3S1）： 545-545.
[5] 岡薩雷斯．?dāng)?shù)字圖像處理：MATLAB版[M]．阮秋琦，譯．北京：電子工業(yè)出版社，2006．
[6] 李弼程，彭天強，彭波，等．智能圖像處理技術(shù)[M]．北京：電子工業(yè)出版社，2004.
[7] 賁志偉，趙勛杰.基于改進的K均值聚類算法提取彩色圖像有意義區(qū)域[J].計算機應(yīng)用與軟件，2010，27（9）：11-13.