关键字 |
| 图像处理,图像分割,癌细胞检测,特征提取,组织病理学图像分析,活动轮廓模型,形态特征提取、计算机辅助诊断 |
介绍 |
| 早期癌细胞检测使用组织病理学图像识别的特征是不受控制的细胞异常。受损细胞分裂和繁殖形成可能良性(非)或恶性肿瘤(癌症)[5]。扭曲形状的细胞和细胞集群的密度的签名狠毒的存在在身体组织。该自动化系统利用形态特征分析,即。,cell shape analysis in order to detect and classify cells as cancerous or non-cancerous. |
| 整个过程分为若干阶段,即图像预处理、图像分割、特征提取和分类。 |
| 图像预处理主要包括不良的噪声去除和增强的图像以确定焦点区域的图像。为了这个目的,我们应用技术,如膨胀和腐蚀。中值滤波和阈值技术也被应用。 |
| 预处理后,图像分割是为了提取透明细胞边界进行进一步处理。许多分割方法存在的一些地区,基于纹理的,基于梯度轮廓、基于活动轮廓等。我们采用的Chan-vese实现方法等轮廓模型[2]。重叠和connectedclustering细胞是主要问题的细分领域。 |
| 特征提取是进行这些分割图像。在这个阶段中,我们提取并分析结构和形态学特征。纹理特征提取和分析利用灰度共生矩阵应用灰度共生矩阵建立(),这是在最常用的纹理分析的技术。 |
| 形态特征分析,即。,cell shape analysis has become a necessity in cell image processing and pattern recognition. Its main aim is the quantitative characterization of cell morphology for abnormality identification and classification. It forms a major part of the early stage cancer detection procedure. |
| 最后阶段处理的分类细胞癌变。监督和非监督技术可用于元素的分类/聚类的基础上提取特征。几个著名的技术是k - means,模糊c均值,超级向量机(SVM)、神经网络、决策树等。我们采用的一般分类器神经网络(GCNN)模型分类[1]。 |
相关工作 |
| Ahmad Chaddad等[5],2011年4月,Haralick提取的纹理特征和形态Parametersfrom分段Multispectrale纹理Bio-Images结肠癌细胞的分类。他们利用概率神经网络(并)的激活函数是一个函数测量的距离unknownvariable所有已知的类变量 |
| Baouchan彭日成et al[8], 2010年10月,提出了机器学习技术,细胞核分割ofcolor组织学图像基于卷积网络。他们使用梯度下降算法,卷积网络与3隐藏层和8特征图/隐藏层细胞分割的背景。 |
| Akif Burak Tosun等[9],2008年7月,提出了一种基于分布均匀性测量的对象定义代表组织组件。使用这种方法,他们展示了一种新的object-orientedsegmentation算法,因此,实现面向对象的纹理分析的无监督分割切片imagesfor癌症检测。 |
| T.S.弗瑞等人[10],2000年5月,利用支持向量机(SVM)分类和验证ofcancer组织样本使用微阵列表达数据。 |
| M。Dhivya等[11],2014年3月,使用支持向量机(SVM)分类器来检测癌症用组织病理学图像分析。 |
| 公元Belsare等[7],2012年8月,回顾了计算机辅助组织病理学图像分析中使用的各种技术对癌症检测andclassification。 |
方法 |
| 答:图像预处理 |
| 这一步主要目的是去除大量的随机噪声图像中为了确定焦点领域数学需要执行的操作。中值滤波是用于增强图像质量,即。,forincreasing the contrast between the foreground (areas of interest) and background, which is followed by the thresholding technique for noise reduction. In thresholding, the intensity matrix of an image is used for identifying pixels under a threshold value which are considered noisy. These threshold values can be determined automatically by using several computational techniques. We have employed the Otsu method for determining an optimal threshold valueto maximize the between-class variance [8]. |
| b图像分割 |
| 可以基于区域和边界分割。我们采用的方法为每个单独有各自的局限性。 |
| 基于区域的方法包括这里的阈值技术用于分离细胞的背景,但没有单独的重叠细胞。为此,分水岭算法应用于检测重叠细胞之间的边界线。 |
| 基础技术,在各种边界活动轮廓模型被证明是非常强大的尤其是不规则形状如癌细胞存在在一个图像。在此方法中,我们开始与一些初始轮廓,由选择函数定义。我们描述两大领域,即区域内轮廓和区域外轮廓。然后我们进化这个轮廓的基础上,一些水平集函数。我们的目标是优化这个函数通过改变函数的参数。Chan-Vese分割[2]的方法已被用于优化适合两阶段分段常数模型的图像。这是一个优秀的活动轮廓模型的实现与他人不同的是,该方法不依赖于边缘检测。分割边界使用水平集函数表示。在这里,我们使用了一个能源拟合函数的水平集函数与以下四个参数:- |
| 1。变化的灰色/ RGB内部轮廓 |
| 2。变化的灰色/ RGB外轮廓 |
| 3所示。线的长度 |
| 4所示。区域内的轮廓 |
| 我们在上面的四个参数应用惩罚。所有这些参数的最小值为零,我们优化函数通过改变这些参数值。我们给了很高比例的参数我们最希望优化,同时给其他的放松。例如,减少轮廓内的变化,即。,to segment the area that is as uniform as possible in terms of RGB/Grey scale value then set its corresponding parameter’s value accordingly giving high percentage value to it.Image is described as I, with domain Ω then φ: Ω ->IR, a function H(φ) is known as Heaviside function which is defined as, |
| H(φ)= 1,如果φ> = 0 |
| = 0,如果φ< 0 |
| 水平集函数(即能源拟合函数)使用:- |
 |
| 在一项1是不可或缺的一项代表总长度轮廓和μ重量给这个参数。因此,合并后的术语描述了点球总长度的轮廓。同样任期2代表总面积在轮廓上的处罚,期限3代表了点球的变化区域内轮廓和任期4代表了罚款外轮廓的变化区域。 |
 |
| 条款c1和c2代表区域的平均值分别内外轮廓。 |
| 不同类型的初始化可能undertakensuch成一个大圈,多个圈子等。但必须牢记一个收敛的初始轮廓影响最终的分割或输出。 |
| 我们使用一个统一的连续函数初始化:- |
 |
| 使用Chan-Vese算法分割方法[2]:- |
| 1。初始化的值f |
| 2。重复做大量的迭代 |
| 3所示。计算c1和c2的当前值f |
| 4所示。根据获得的新值更新f |
| 5。计算fn和fn-1之间的区别 |
| 6。如果这种差异小于阈值 |
| 7所示。然后打破循环 |
| 8。仅(可选) |
| 在上面的例子中明确定义段边界利用活动轮廓模型的一般图像组成的随机模式。这里,μ= 0.5,λ1 = 1,λ2 = 1,ν是保持不变的。μ的值是保持低,因此边界不是很好或者没有多少点球伸直长度。因此,这段单个细胞。 |
| 使用同样的方法,我们分段单个细胞形成的主要输入特性分析。 |
| c .特征提取 |
| 细胞图像分割后我们执行这些细胞的形态分析。形态学特征的几何特性。8个形态参数被用来分类分段细胞。这些参数包括以下:- |
| 1。区域-像素的总数出现在一个细胞。 |
| 2。周长-像素的总数在细胞的边界。 |
| 3所示。Xor cell-circle——这是应用细胞和一个圆之间有相同的面积和重心的细胞 |
| 4所示。Xor cell-convex——这是应用细胞之间和一个凸涵盖细胞。 |
| 5。可靠性——它被定义为细胞的细胞核面积的比例对其细胞区域。如果细胞异常细胞核的大小增加,因此,可靠性也增加。 |
| 6。Xor cell-rectangle——这是应用分段之间的细胞和一个矩形覆盖它。 |
| 7所示。标准差沿着x轴,如果细胞癌变细胞分布干扰和随机分布因此,如果性病dev沿着任何轴高那么有癌症的可能性。 |
| 8。标准偏差沿y轴,解释同上。 |
| 图7显示了一个模式作为输入和Fig.8显示相应的xor-cell-circle xor-cell-convex和xor-cellrectangle输出。 |
| d .分类 |
| 分类完成的基础上为每个细胞特征提取。我们提取八为每个细胞形态学特征和安排每个特性在一个二维数组中每一列代表一个细胞和行对应八个形态学特征考虑,面积,周长,XOR cell-circle, XOR cell-convex,坚固,XOR cell-rectangle,标准偏差在x directionand标准差在y方向上。我们使用的一般分类器神经网络(GCNN)模型[1]为了分类不同的细胞在肿瘤和非肿瘤组。 |
| GCNN是一个基于径向基函数神经网络分类提出Buse梅利莎Ozyildirim和Mutlu Avci在2012年。神经网络利用梯度下降算法优化基于平滑参数。它有5层;输入模式,求和,正常化和输出。对于每个模式层神经元,平滑参数分配。平滑参数更新收敛平方误差的赢家神经元对全球最低[1]。GCNN利用目标值对于每个模式层神经元,并提供基于回归的有效分类。 |
结论 |
| 在某些情况下,图像含有高水平的噪音,活动轮廓模型无法给明确的分割边界的细胞。也,它作用于能量函数的优化原则,可能会有例子面积细胞内和细胞外的特定能量函数从而ACM表现出相同的值不准确在这种情况下工作。低分辨率的图像,增加blurness和过度重叠细胞的细胞分割过程中也带来了问题。 |
| 分水岭算法以及各种阈值和过滤技术可能会导致失真的图像模糊的形式或不必要的切除的一些细胞图像。还有细胞的情况下,背景plazma为特定的测量都有相同的值对于一个给定的特征,如灰度值。在这里,没有明确区分细胞边缘和plazma,因此,可能会导致不准确的结果。 |
| 在特征提取阶段面临另一个问题是系统无法区分singlenucleus multi-nuclei细胞,因此,都被视为是一样的。GCNN证明是与其他著名的神经网络模型用于分类和聚类像自我OrganisingMap (SOM),概率神经网络(并),广义回归神经网络(GRNN)等使用上述方法,我们成功地分割图像显示单元边界清晰,同时,每个单元分为相应的癌组和非肿瘤类型的基础上提取特征。 |
|
数据乍一看 |
|
|
|
|
引用 |
- Buse梅利莎Ozyildirim和Mutlu Avci,“广义神经网络分类器,”爱思唯尔,神经网络39 (2013)18-26 19。
- t . Chan和l . Vese”主动轮廓没有边缘,”IEEE反式图像放大Proc, Vol.10,第二,2001年,页266 - 277。
- GuangWu Shengyong Chen明珠赵,春燕姚明,张建伟,评论文章“形态CellImage分析中的最新进展,”Hindawi出版公司,计算和数学方法在医学,2012卷。
- 这个镇,b s;安东尼,p . J。,“Automated Segmentation using Histopathology Images as a Diagnostic Confirmatory Tool in Detection of BoneCancer,” International Journal of Computer Applications . 2012, Vol. 57, p48-55. 8p.
- 艾哈迈德。CHADDAD,骆驼。TANOUGAST,阿巴斯。DANDACHE和艾哈迈德。BOURIDANE”,提取Haralick纹理Featuresand形态学参数分段Multispectrale纹理Bio-Images结肠癌细胞的分类,“问题2,卷8,2011年4月。
- Cigdem Demir Bulent日圆,“自动癌症诊断基于组织病理学图像:一个系统的调查,“TECHNICALREPORT,伦斯勒理工学院,计算机科学系,TR-05-09。
- d . Belsare和m . m . Mushrif”组织病理学图像分析使用图像处理技术:ANOVERVIEW,“信号与图像处理:国际期刊(SIPIJ) 3、4号,2012年8月。
- Baochuan彭日成,彝族,Qianqing Chen Zhifan高,Qinmu彭和Xinge你,“细胞核分割颜色HistopathologicalImagery使用卷积网络”,978 - 1 - 4244 - 7210 - 9/10,IEEE 2010。
- b . Tosun m . Kandemir c . Sokmensuer和c . Gunduz-Demir“面向对象的无监督分割ofbiopsy图像纹理分析癌症检测”,模式识别、Vol.42, 6号,2009年,页1104 - 1112。
- T.S.弗瑞:Cristianini说:“n .达菲D.W. Bednarski, m . Schummer和d . Haussler“支持向量机分类和验证ofcancer组织样本使用微阵列表达数据,生物信息学16 (2000)906 - 914。
- M。Dhivya, S。同时,S。印度和R。凯文,“癌症检测和分级使用组织病理学图像分析”,InternationalJournal电子与通信工程(IJECE), 2014年,第三卷,问题2,59 - 68。
|
菜单
