細(xì)胞分割算法探究方法綜述

1、細(xì)胞分割算法探究方法綜述【摘要】隨著現(xiàn)代科技的發(fā)展，用計(jì)算機(jī)處理細(xì)胞在醫(yī)學(xué) 診斷和醫(yī)學(xué)圖像處理領(lǐng)域有著重要的作用。細(xì)胞分割是細(xì)胞 特征提取和細(xì)胞識(shí)別的基礎(chǔ)，從醫(yī)學(xué)圖像中分割出精準(zhǔn)的細(xì) 胞圖像是目前極具挑戰(zhàn)性的課題。在細(xì)胞的自動(dòng)識(shí)別的研究 中產(chǎn)生了有效的分割算法的需求，人們提出了不同的分割算 法根據(jù)圖像的不同特征，如閾值法，分水嶺算法等。本文對(duì) 細(xì)胞分割的各種方法進(jìn)行比較分析，詳細(xì)闡述各種方法的優(yōu) 缺點(diǎn)，并對(duì)以后各種細(xì)胞分割方法結(jié)合使用有重要意義?！娟P(guān)鍵詞】細(xì)胞分割；分割算法；比較分析survey： the research met hod of cells segme nta/tion alg

2、orithmchen aibin, jiang xia( central south university of forestry & technology, college of computer science, hunan changsha 410004, china)abstract : with the development of modern technology , computer processing cells plays an important role in medical diagnostics and medical image processing.c

3、ell division is cellular feature extraction and recognition foundation. segmentation of accurate medical images is challenging task from the cell image .automatic identification of the cells produced a study of the demand for effective segmentation people made a different image segmentation algorith

4、ms based on different characteristics, such as the threshold, a wa/tershed algorithm. in this paper，various methods of cell division system analysis, and det ail the adva nt ages and disadvantages of each methodskey words： cell division； segme nt ation algor it hm； comparative analysis1.引言圖像分割是根據(jù)圖像的

5、某些特征或特征相似的集合，對(duì) 圖像進(jìn)行分組聚類(lèi)，把圖像分成若干個(gè)特定的，有意義的區(qū) 域并提取出感興趣的目標(biāo)技術(shù)和過(guò)程。它使圖像高級(jí)處理階 段的圖像分析和圖像識(shí)別等處理過(guò)程的數(shù)據(jù)量大大減少，并 保留圖像結(jié)構(gòu)的重要信息。細(xì)胞分割的精度對(duì)細(xì)胞分割有重 要作用，它的好壞直接影響細(xì)胞分析。細(xì)胞分割到今天仍沒(méi) 有取得圓滿(mǎn)成功的幾個(gè)重要原因是：(1)細(xì)胞圖像很復(fù)雜， 不僅有白血細(xì)胞、紅細(xì)胞和血小板還有其它東西，而且根據(jù) 白細(xì)胞的成熟程度不同可以分為20多種不同的類(lèi)別。(2) 細(xì)胞圖像經(jīng)常受染色不均勻，光照不一致的影響，導(dǎo)致灰度 值發(fā)生變化。(3)細(xì)胞圖像經(jīng)常重疊，沒(méi)有明顯的邊界。(4) 細(xì)胞的大小變化很大，

6、細(xì)胞核的形狀各種各樣。這些使得細(xì) 胞分割是一個(gè)困難和富有挑戰(zhàn)的任務(wù)。所以，我們有必要針 對(duì)醫(yī)學(xué)圖像這個(gè)領(lǐng)域?qū)?xì)胞圖像分割方法進(jìn)行研究。本文對(duì) 細(xì)胞分割的各種方法進(jìn)行系統(tǒng)分析。2 常用的圖像分割方法為了解決醫(yī)學(xué)圖像細(xì)胞分割的難題，多年來(lái)許多研究人 員做了大量的工作，研究出了很多有用的分割方法。隨著閾 值分割，活動(dòng)輪廓，邊緣檢測(cè)和形態(tài)學(xué)等方法在圖像分割中 廣泛應(yīng)用，活動(dòng)輪廓，多光譜等新出現(xiàn)的算法也不斷的用于 解決細(xì)胞分割的問(wèn)題，國(guó)內(nèi)外學(xué)者針對(duì)一些具體應(yīng)用的醫(yī)學(xué) 圖像分割提出了不少好的分割方法。2. 1基于閾值分割的方法閾值分割法是一種基于區(qū)域的圖像分割技術(shù)，其基本原 理是：通過(guò)設(shè)定不同的特征閾值，

7、把圖像象素點(diǎn)分為若干類(lèi)。 常用的特征包括：直接來(lái)自原始圖像的灰度或彩色特征；由 原始灰度或彩色值變換得到的特征。閾值選取方法有多種， 如mode法、otsu法、炳方法、p-t訂e法和最小誤差法等。由于閾值分割算法原理簡(jiǎn)單，計(jì)算量比較小，但它依賴(lài)閾值 的選擇，廣泛的應(yīng)用于早期的細(xì)胞分割。在目標(biāo)和背景差異 比較大的圖像可以用全局閾值，柯行斌，王汝傳1在已經(jīng) 經(jīng)過(guò)預(yù)處理的圖像上用全局閾值分割白血細(xì)胞，發(fā)現(xiàn)比匹配 法分割的效果好一些。而細(xì)胞的胞漿和背景相差不大，因此 用單一的閾值分割很難取得很好的效果。王任揮2提出用 最大信息爛原理來(lái)確定多閾值分割彩色細(xì)胞，能基本區(qū)分細(xì) 胞的細(xì)胞核、細(xì)胞漿及背景區(qū)域，

8、但不能得到清晰的細(xì)胞輪 廓。由于多閾值一般是設(shè)置兩個(gè)值，而細(xì)胞圖像一般比較復(fù) 雜，很難得到明顯的雙峰的直方圖，這就需要設(shè)置局部閾值。 局部閾值分割法是將原始圖像劃分成較小的圖像，并對(duì)每個(gè) 子圖像選取相應(yīng)的閾值。自適應(yīng)閾值可以根據(jù)特征不同產(chǎn)生 不同的合適的閾值，因此適合分割處理大多數(shù)圖像。馬保國(guó), 喬玲玲3提出的自適應(yīng)閾值分割，先對(duì)圖像各像素進(jìn)行梯 度計(jì)算，然后局部用最大類(lèi)間方差法分割。這種算法對(duì)有噪 聲的白血細(xì)胞圖像也能取得一定的效果。下列圖1對(duì)四個(gè)圖 的細(xì)胞對(duì)比閾值分割的效果?？偟膩?lái)說(shuō)，閾值分割只考慮灰 度信息沒(méi)有考慮空間信息，不適用于多通道圖像，也不適用 于特征值相差不大的圖像，并且對(duì)噪聲

9、和灰度不均勻敏感。2. 2分水嶺分割分水嶺分割方法，是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的 分割方法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞?貌，圖像中每一點(diǎn)像素的灰度值表示該點(diǎn)的海拔高度，每一 個(gè)局部極小值及其影響區(qū)域稱(chēng)為集水盆，而集水盆的邊界則 形成分水嶺。分水嶺的概念和形成可以通過(guò)模擬浸入過(guò)程來(lái) 說(shuō)明。在每一個(gè)局部極小值表面，刺穿一個(gè)小孔，然后把整 個(gè)模型慢慢浸入水中，隨著浸入的加深，每一個(gè)局部極小值 的影響域慢慢向外擴(kuò)展，在兩個(gè)集水盆匯合處構(gòu)筑大壩，即 形成分水嶺。在細(xì)胞處理過(guò)程中，由于設(shè)備或人為原因，有 時(shí)候會(huì)出現(xiàn)細(xì)胞粘連程度分布不均勻的情況，這樣分割起來(lái) 很困難，分水嶺算法經(jīng)常用于處理

10、這類(lèi)問(wèn)題。丁宏和王澤提 出用先對(duì)細(xì)胞圖像用距離變換和對(duì)種子點(diǎn)改進(jìn)，再用分水嶺 算法分割，如果種子定位精確的情況下，粘連的細(xì)胞分割能 取得很好的效果。分水嶺算法直觀，快速，可以并行處理并 具有分割精度高的優(yōu)點(diǎn)。但用分水嶺方法進(jìn)行圖像分割時(shí)， 容易造成圖像的過(guò)度分割而且對(duì)噪聲特別敏感。一般都通過(guò) 對(duì)圖像進(jìn)行預(yù)處理和區(qū)域合并的改進(jìn)來(lái)抑制圖像過(guò)分分割。 謝文娟4等提出采用形態(tài)學(xué)基本運(yùn)算，運(yùn)用交替序貫濾波 對(duì)白血細(xì)胞圖像進(jìn)行濾波處理，然后采用多尺度形態(tài)梯度代 替形態(tài)學(xué)梯度。利用開(kāi)重建細(xì)胞圖像，減少極小值標(biāo)記點(diǎn)， 減少過(guò)分割產(chǎn)生的區(qū)域。通過(guò)對(duì)白血細(xì)胞預(yù)處理的改進(jìn)，有 效的解決噪音引起的白血細(xì)胞過(guò)分分割。包

11、振健，邸書(shū)靈5 提出一種混合的分水嶺策略來(lái)分割骨髓細(xì)胞圖像，它是用標(biāo) 記的形態(tài)學(xué)重建和基于區(qū)域相似度的區(qū)域合并算法來(lái)克服 分水嶺對(duì)標(biāo)記點(diǎn)敏感的缺點(diǎn)。針對(duì)分水嶺算法的缺點(diǎn)并結(jié)合 自身的研究需求，許多學(xué)者提出4種方法對(duì)其進(jìn)行改進(jìn)，預(yù) 處理濾波，這個(gè)主要是在預(yù)處理消除圖像噪聲，標(biāo)記、區(qū)域 合并和其它方法，后面這三種方法主要是針對(duì)過(guò)分分割這一 優(yōu)點(diǎn)進(jìn)行改進(jìn)。圖2為標(biāo)記分水嶺算法實(shí)驗(yàn)效果。2.3基于模糊理論算法分割有些分割方法很容易產(chǎn)生過(guò)分分割，如上面提到的分水 嶺算法，而模糊聚類(lèi)分割算法就很好彌補(bǔ)了這一方面的缺 失。模糊聚類(lèi)是根據(jù)事物間的相似性進(jìn)行區(qū)分和分類(lèi)的過(guò) 程，它將數(shù)據(jù)劃分為不同組或類(lèi)的過(guò)程，并

12、使同一個(gè)組內(nèi)的 數(shù)據(jù)對(duì)象具有較高的相似程度，而且不同組中的數(shù)據(jù)對(duì)象則 是不相似。模糊理論算法中最常用的是模糊c-均值聚類(lèi)算 法，模糊c均值聚類(lèi)(fcm),是用隸屬度確定每個(gè)數(shù)據(jù)點(diǎn)屬 于某個(gè)聚類(lèi)的程度的一種聚類(lèi)算法。模糊c均值聚類(lèi)算法的 優(yōu)點(diǎn)是運(yùn)算簡(jiǎn)單，收斂比較快，適合處理數(shù)據(jù)量大的圖像， 它的缺點(diǎn)是對(duì)初始中心很敏感，易陷入局部極小值而難收斂 到聚類(lèi)中心。用模糊c均值處理圖像一般采用改進(jìn)的c均值 聚類(lèi)算法，或者用c均值聚類(lèi)算法和別的算法結(jié)合使用，這 樣可以揚(yáng)長(zhǎng)避短。s. chinwaraphat 6提出改進(jìn)fcm算法消 除由于散射或假的聚類(lèi)造成不明顏色或像素之間的相似性 和等離子體胞質(zhì)背景。ni

13、pon theera-umpon7用模糊c均 值聚類(lèi)方法對(duì)細(xì)胞過(guò)份分割，然后再結(jié)合形態(tài)學(xué)對(duì)細(xì)胞進(jìn)行 開(kāi)與閉運(yùn)算去除小孔和平滑邊緣。下面圖3為此方法自動(dòng)分 割和用手動(dòng)分割圖的比較。聚類(lèi)算法中還有一個(gè)常用的是k 均值聚類(lèi)。eunsang bak, kayvannajarian8提出 k 均值聚 類(lèi)算法和自適應(yīng)閾值分割方法結(jié)合使用分割細(xì)胞，由實(shí)驗(yàn)結(jié) 果得出分割效果比較好。現(xiàn)在研究人員主要研究是模糊聚類(lèi) 算法如何優(yōu)化初始中心和如何不陷入局部最小值。myeloblast promylocyte myelocyte metamyclocyte band pmn2. 4基于可形變模型的方法可形變模型最初用來(lái)

14、解決計(jì)算機(jī)視覺(jué)和計(jì)算機(jī)圖像的 一種方法，但很快就被應(yīng)用到醫(yī)學(xué)圖像細(xì)胞處理技術(shù)中，如 邊緣檢測(cè)，匹配等等?？尚巫兡Ｐ涂梢苑譃閰?shù)可形變模型 和幾何可形變模型。參數(shù)可形變模型就是把研究的曲線或曲 面直接表示出來(lái)，它可以對(duì)模型直接干預(yù)，并且可以為快速 實(shí)時(shí)應(yīng)用提供緊湊的表達(dá)形式，但不可以改變模型的拓?fù)浣Y(jié) 構(gòu)。而幾何可形變模型容易實(shí)現(xiàn)拓?fù)鋵W(xué)的變化，容易空間維 數(shù)擴(kuò)展。細(xì)胞分割常用的可形變模型有參數(shù)型的snake算法 和幾何型的水平集算法。傳統(tǒng)的可形變模型的缺陷是運(yùn)算量 大，難收斂于凹形區(qū)域。snake模型是通過(guò)尋找自身能量函 數(shù)的極小值，這個(gè)值是由內(nèi)部和外部函數(shù)獲得，使曲線由初 始區(qū)域向目標(biāo)真實(shí)輪廓靠

15、近并調(diào)整形狀以逼近目標(biāo)輪廓的 算法。所以基于參數(shù)的活動(dòng)輪廓算法的缺點(diǎn)是對(duì)初始輪廓的 要求很高，優(yōu)點(diǎn)是整個(gè)算法就是一個(gè)特征提取的過(guò)程。一般 對(duì)參數(shù)形輪廓進(jìn)行改進(jìn)，一方面會(huì)針對(duì)獲得高質(zhì)量的初始輪 廓進(jìn)行改進(jìn)，另一方面對(duì)外部能量算法進(jìn)行改進(jìn)以便有效指 引關(guān)鍵點(diǎn)朝著正確的目標(biāo)方向運(yùn)動(dòng)。楊誼9提出基于snake 模型的細(xì)胞圖像分割新方法研究就是從這兩方面分別進(jìn)行 改進(jìn)的。farnoosh sadeghian, zainina seman10也是先 對(duì)細(xì)胞圖像先預(yù)處理再用canny算子進(jìn)行邊緣檢測(cè)，然后才 用改進(jìn)的gvf snake獲取清晰的邊緣，如圖4。水平集活動(dòng) 輪廓對(duì)初始輪廓并不很敏感但它的收斂速度

16、比較慢。傳統(tǒng)的 水平集分割比較適合分割不粘在一起的細(xì)胞，而 yayunzhouell提出的多相水平集能較好的分割粘連細(xì)胞， 并提出改進(jìn)水平集收斂于mumford-shah函數(shù)以提高收斂速 度。2.5其它分割方法除了上面提到的細(xì)胞分割算法，還有遺傳算法，形態(tài)學(xué), 區(qū)域增長(zhǎng)，光譜算法等。遺傳算法是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳 學(xué)機(jī)理的生物進(jìn)化過(guò)程的計(jì)算模型，是一種通過(guò)模擬自然進(jìn) 化過(guò)程搜索最優(yōu)解的方法。它的優(yōu)點(diǎn)是有很好的收斂性，計(jì) 算時(shí)間少，魯棒性。缺點(diǎn)是不可以很好的處理大規(guī)模計(jì)算量 的問(wèn)題。候振杰，潘新12提出一種基于炳的遺傳聚類(lèi)算法。 用遺傳算法和聚類(lèi)分析及炳結(jié)合分割骨髓細(xì)胞。數(shù)學(xué)形態(tài)

17、學(xué)是由一組形態(tài)學(xué)的代數(shù)運(yùn)算子組成的，它的 基本運(yùn)算有4個(gè)：膨脹、腐蝕、開(kāi)啟和閉合，它們?cè)诙祱D 像和灰度圖像中各有特點(diǎn)?；谶@些基本運(yùn)算還可推導(dǎo)和組 合成各種數(shù)學(xué)形態(tài)學(xué)實(shí)用算法，用它們可以進(jìn)行圖像形狀和 結(jié)構(gòu)的分析及處理。孫萬(wàn)蓉，俞卞章13提出用形態(tài)金字塔 分割細(xì)胞圖像，再用流域算法對(duì)低分辨率圖像進(jìn)行分割，然 后再?gòu)?fù)合得到原始圖像。區(qū)域增長(zhǎng)算法一般和別的算法結(jié)合一起使用，單獨(dú)分割 效果很差。王瑞胡14提出用自適應(yīng)曲面多尺度曲面擬合的 方法，對(duì)腐蝕圖像得到的種子區(qū)域進(jìn)行擬合和區(qū)域生長(zhǎng)。在 分水嶺算法中有時(shí)也用到區(qū)域增長(zhǎng)算法。由于遺傳算法計(jì)算 量很大而且分割效果不是很好，一般和其它的算法結(jié)合使 用

18、。多光譜算法郭寧寧15 16提出的多光譜算法和其它算法不同，它更依賴(lài)于硬件設(shè)備，是一種新穎的分割方法。它把光譜圖像看成一個(gè)三維的圖像表示光譜信息和空間信 息，不同的灰度對(duì)應(yīng)不同的波長(zhǎng)，得到唯一的光譜曲線。再 用支持向量機(jī)分割圖像。xuqing wu, shishir k. shah17 提出自下而上和自上而下的條件隨機(jī)域模型，它不僅從光譜 域來(lái)考慮還從空間域考慮分割。3. 多種方法結(jié)合細(xì)胞分割的算法有很多，但每種算法都有各自的優(yōu)缺 點(diǎn)，單獨(dú)用于分割的時(shí)候算法均不是很理想。所以現(xiàn)在很多 的學(xué)者把多種算法結(jié)合利用，取其所長(zhǎng)，避其所短，這樣得 到的分割效果就大大的提高，但它的缺點(diǎn)是運(yùn)算量特別的 大。

19、蔡雋17提出先用his空間中的s飽和度分割細(xì)胞核， 然后利用連通域標(biāo)記法得到白細(xì)胞個(gè)數(shù)確定細(xì)胞窗再用改 進(jìn)的流域算法得到細(xì)胞漿的粗分割并用它作為細(xì)胞的初始 輪廓，再用改進(jìn)的gvf算法得到細(xì)胞的精確分割。這樣子分 割出來(lái)的細(xì)胞準(zhǔn)確率高，魯棒性好但運(yùn)算時(shí)間特別長(zhǎng)。 farnoosh sadeghian, zainina seman9用 canny 算子進(jìn)行 邊緣檢測(cè)，然后用gvf snake獲取清晰的邊緣，分割細(xì)胞質(zhì) 是用zack閾值分割，并且在這算法中還用到形態(tài)學(xué)里的開(kāi) 與閉運(yùn)算。j. cheewatanon, t. leauhatong19提出用 mean shift濾波方法去除噪音，保持很好

20、的細(xì)胞結(jié)構(gòu)邊緣，再用 cie lab彩色空間用區(qū)域增長(zhǎng)的方法進(jìn)行分割，再用活動(dòng)輪 廓提出提取白血細(xì)胞的邊界。4. 總結(jié)與展望細(xì)胞分割的算法有很多，但每種算法都有各自的優(yōu)缺 點(diǎn)，單獨(dú)用于分割的時(shí)候算法均不是很理想。所以現(xiàn)在很多 的學(xué)者把多種算法結(jié)合利用，取其所長(zhǎng)，避其所短，這樣得 到的分割效果就大大的提高，但它的缺點(diǎn)是運(yùn)算量特別的 大。蔡雋17提出先用his空間中的s飽和度分割細(xì)胞核， 然后利用連通域標(biāo)記法得到白細(xì)胞個(gè)數(shù)確定細(xì)胞窗再用改 進(jìn)的流域算法得到細(xì)胞漿的粗分割并用它作為細(xì)胞的初始 輪廓，再用改進(jìn)的gvf算法得到細(xì)胞的精確分割。這樣子分 割出來(lái)的細(xì)胞準(zhǔn)確率高，魯棒性好但運(yùn)算時(shí)間特別長(zhǎng)。 f

21、arnoosh sadeghian, zainina seman8用 canny 算子進(jìn)行 邊緣檢測(cè)，然后用gvf snake獲取清晰的邊緣，分割細(xì)胞質(zhì) 是用zack閾值分割，并且在這算法中還用到形態(tài)學(xué)里的開(kāi) 與閉運(yùn)算。j. cheewatanon, t. leauhatong18提出用 mean shift濾波方法去除噪音，保持很好的細(xì)胞結(jié)構(gòu)邊緣，再用 cie lab彩色空間用區(qū)域增長(zhǎng)的方法進(jìn)行分割，再用活動(dòng)輪 廓提出提取白血細(xì)胞的邊界。通過(guò)對(duì)醫(yī)學(xué)領(lǐng)域白血細(xì)胞中常用的圖像分割算法比較， 系統(tǒng)分析各種算法的優(yōu)缺點(diǎn)。近年來(lái)，許多研究人員致力于 研究白血細(xì)胞分割算法，并出了很多的研究成果。但由于白

22、 血細(xì)胞分割本身的困難，至今還沒(méi)有一種通用算法分割細(xì)胞 圖像。除了細(xì)胞結(jié)構(gòu)的復(fù)雜性，準(zhǔn)確率要求必須很高。雖然 細(xì)胞分割取得一定的成就，但面對(duì)臨床應(yīng)用的準(zhǔn)確率還是遠(yuǎn) 遠(yuǎn)不夠的。人們逐漸認(rèn)識(shí)到任何一種算法單獨(dú)分割都難達(dá)到 很好的效果，在不斷的研究和改進(jìn)某種算法和創(chuàng)新算法的同 時(shí)也注重多種算法結(jié)合使用，并研究怎么樣結(jié)合才能突出各 自的優(yōu)點(diǎn)。同時(shí)三維甚至多維的彩色圖像分割技術(shù)也一直受 到人們的關(guān)注。在彩色圖像中能夠提取到的信息量比灰度圖 像更為豐富，有利于后續(xù)的研究。近年來(lái)由用戶(hù)參與控制、 引導(dǎo)的交互式分割方法技術(shù)在醫(yī)學(xué)圖像分割中正受到越來(lái) 越多的人關(guān)注。目前人們?nèi)栽诶^續(xù)研究更先進(jìn)的成像技術(shù)和 更復(fù)雜

23、的圖像處理算法。參考文獻(xiàn)1 柯行斌，王汝傳白細(xì)胞圖像分割的研究與實(shí)現(xiàn)j. 南京郵電學(xué)院學(xué)報(bào),2003,23 (3): 53-57.2 王任揮.基于最大信息炳原理的顯微細(xì)胞圖像多閾 值分割算法j.內(nèi)蒙古科技與經(jīng)濟(jì),2010,18(220):58-61.3 馬保國(guó)，喬玲玲基于局部自適應(yīng)閾值的細(xì)胞圖像分 割方法j 計(jì)算機(jī)應(yīng)用研究，2009,26(2): 755-756.4 謝文娟，段汕基于改進(jìn)分水嶺算法的細(xì)胞圖像分割 d.武昌：中南民族大學(xué),2010,5.5 包振健，邸書(shū)靈一種基于分水嶺變換的細(xì)胞圖像分 割方法j.計(jì)算機(jī)工程與應(yīng)用,2008,7 (4):230-232.6 s. chinwaraph

24、at,a. sanpanich. a modified fuzzy clustering for white blood cell segmentationc.the 3rd international symposium on biomedical engineering,2008,356-359.7 nipon theera-umpon. patch-based white bloodcell nucleus segmentation using fuzzy clusteringj electricaleng,electronics,andcommunications,2005,3(1):

25、15-198 eunsang bak,kayvannajarian. efficientsegmentation frame work of cell images in noiseenvironmentsj. ieee,2005,1802-1805.9 楊誼.基于snake模型的細(xì)胞圖像分割新方法研究 d廣州同和：第一軍醫(yī)大學(xué),2005,4.10 farnoosh sadeghian,zainina seman. a framework for white blood cell segmentation in microscopic blood images using digital image procjbiology and life sciences,2009,11(2)：196-206.11 yayunzhou,yuanxinxu 等 cell segme