透射电子显微镜(Transmission Electron Microscope,TEM)检查是肾活检病理检查的重要部分,肾组织内含特殊有形结构的各种肾脏疾病的诊断及新疾病的发现,大多需要通过TEM检查得以确诊。遗传性肾小球疾病是一种依赖于TEM检查且容易被忽视的肾脏病,因其临床表现可能隐匿或晚发或混杂在貌似普通肾脏病中,诊断极其困难。有研究表明,不管是东方还是西方国家,这类疾病的发病率相当高,但是在我国真正确诊的不足0.5%,若不正确的诊断和用药都会造成肾脏的损害。基底膜的厚度、形态等是这类肾脏病的重要诊断指标。但由于TEM在高分辨率下观察的视野小而基底膜又遍布于整个肾小球内,加上肾小球内组织结构的复杂性等,目前医生在进行病理检查时,往往需要反复切换多个分辨率下的多个视野先来确定疑似病变区,再观察基底膜的形态。当测量基底膜的厚度时,往往需先手动测量多段基底膜再求平均值。这样繁琐的操作过程极易产生视觉疲劳,甚至可能造成漏诊和误诊。计算机辅助诊断(Computer-Aided Diagnosis, CAD)能对病人肾小球TEM图像进行处理和分析,不仅可以大大减轻医生的工作量,提高疾病检查的效率,还对辅助医生诊断具有非常重要的意义。通过与病理专家进行探讨,本文实验设定并完成了如下内容：1.大视野、完整肾小球的TEM图像拼接；2.分割基底膜。第一,大视野、完整肾小球的TEM图像拼接。图像拼接是将有重叠区域的一组图像无缝地融合在一起,得到一副大视野图像的过程。在图像拼接中,最关键的一步是图像配准,图像配准的方法主要分为基于像素的配准和基于特征的配准。近年来,针对仅有部分重叠区域图像配准的研究主要是基于特征点的配准。基于特征点的方法通过提取不同图像中具有几何不变性的点,再建立特征点的匹配,根据匹配的特征点得出图像之间的变换矩阵,从而建立图像的配准。近年来,对特征点的研究包括SUSAN算子、HARRIS角点、SIFT特征点、PAC-SIFT特征点、GLOH特征点、SURF特征点等。由于本文中肾小球TEM图像有一定形变,且纹理信息复杂,而SIFT特征点在处理尺度和旋转变化的图像时有较大的优势,且对复杂纹理图像的配准,所估计的参数也相对稳定,本文选择基于SIFT特征点的配准方法对肾小球TEM图像进行配准。此外,由于TEM成像系统造成图像产生一定的形变,多幅图像配准时产生形变误差,并且随着配准图像数目的增多,图像的形变会增大,易造成图像的形状和细节信息的改变。但在病理诊断中,组织结构的形状及细节信息往往是诊断的依据,图像较大的形变会对诊断结果产生重大影响。为了减小图像形变对图像拼接效果的影响,本文提出了先进行图像的形变校正,再进行图像配准。本实验数据为多张具有一定重叠区域的图像,估计一张图像的校正时,可根据多个重叠区域的信息来拟合校正场,且已提取的SIFT特征点具有较高的匹配度,能作为重叠区域的信息来拟合校正场,故本文采用SIFT特征点结合多项式拟合的非线性校正场来进行图像的形变校正,再利用已提取的SIFT特征点来配准校正后的图像。由于在图像形变校正及图像配准中都利用了SIFT特征点的信息,能有效减少计算时间,提高配准的准确性。再者,由于TEM成像系统造成图像灰度不均匀,配准后的图像在图像的衔接处存在一定的接缝。图像接缝的消除可以通过图像融合的方法来解决。由于泊松图像融合的方法能在去缝的同时保证细节信息且不产生伪影,故本文采用泊松图像融合的方法以消除图像的接缝。第二,基底膜分割。基底膜表现为带状结构的薄膜,基底膜在肾小球中分布极为广泛。在肾小球TEM图像中,部分基底膜存在与周围组织结构灰度相似、边界不明显、厚度突然变窄、基底膜走向突然转变等特点,增加了基底膜分割的难度。现阶段已提出的基底膜分割方法分为半自动和全自动的分割方法。这些方法主要利用图像的灰度、色差、纹理等特征进行图像的分割,这些方法在处理厚度均匀、形态变化不大的小段基膜时能得到较好的效果,而本实验所涉及到的基底膜往往厚度不均匀、形态发生较大的变化,已提出的方法在分割基底膜时存在易泄漏、易陷入局部极值及需要严格初始化等问题,这主要是因为这些方法较少涉及到分割对象形状的描述也未涉及根据已分割区域来动态调整分割准则。近年来,伴随着形状表示与识别技术的不断发展,利用图像形状特征在背景复杂的图像中指导目标对象的检测与识别得到发展。本文秉承这一思想提出了一种基于粒子滤波的基底膜分割方法,该方法结合了图像的灰度、梯度和对象的形状描述,根据已获得的先验信息结合动态模型产生丰富的粒子来以引导基底膜的分割。在粒子滤波方法中,选择出与基膜相似度高的粒子是粒子滤波方法的关键。但由于基膜的形态、厚度及走向等有较大的差异,为选择出与基底膜相似性高的粒子往往需要产生大量的粒子,且在接近基底膜厚度及走向突变的地方时,有时即使产生大量的粒子也不能选择出合适的粒子。故本实验在粒子追踪的过程中结合了回溯法的思想及重采样的方法以减少错误的分割,提高分割的准确性。归纳起来,本文的主要工作有：(1)提出了一种基于SIFT特征点的TEM多幅图像拼接方法。该方法利用具有尺度、旋转、仿射不变性的SIFT特征点进行图像形变的校正以及图像配准,有效减小了图像形变对图像配准结果的影响,最后采用泊松图像融合的方法进行融合以达到无缝拼接。为验证算法的有效性,本实验用一组60张TEM局部肾小球图像拼接出完整的肾小球,并用视觉效果和配准误差评价了拼接结果。(2)提出了一种基于粒子滤波的肾小球电子显微镜图像基底膜分割方法。该方法突破了传统粒子滤波的思想,将类似基底膜的片段作为粒子,通过已有状态下的粒子由动态模型产生下一个状态的粒子,该动态模型结合了基底膜的形态信息,对于每一个状态所估计的粒子用梯度、灰度等信息进行评价,选择出与基底膜相似性较高的粒子。同时为了保持粒子的多样性及避免粒子出现退化等问题,本实验在进行粒子状态追踪的过程中应用了回溯法的思想及重采样的方法。本实验用多组图像验证分割算法的有效性并通过视觉效果和Dice相似系数对分割结果进行评价。