英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
腺体随机多边形模型
结肠结肠组织学图像
Korsuk Sirinukunwattana *，David R. J. Snead和Nasir M. Rajpoot，IEEE高级会员
摘要 - 在本文中，我们提出了一个随机的腺体模型
组织载玻片染色的组织学图像中的结构
苏木精和伊红，选择结肠组织为例。的
提出的随机多边形模型（RPM）处理每个腺体
作为由随机数形成的多边形的图像中的结构
顶点的顶点代表大致的位置
上皮细胞核。我们将RPM定义为贝叶斯推理
通过定义先前的空间连接和布置来解决问题
的相邻上皮细胞核和存在的可能性
的腺体结构。推论是通过可逆的 -
跳马尔可夫链蒙特卡罗模拟。最好的
我们的知识，所有现有的发布的腺体分割算法
主要用于健康样品，腺瘤，
和低级腺癌。其中一个已经
证明在中等级腺癌上工作
最好的我们的实验结果表明，RPM产量有利
结果，定量和定性，提取
正常人结肠组织学图像中的腺体结构
组织以及良性和癌组织，排除未分化
癌。上皮组织中的G LANDS通常具有管状
结构和由内腔形成的内部组成
管状结构被柱状上皮细胞包围
具有基部定位的核，形成径向上皮核
手稿于2015年3月30日收到; 2015年5月10日修订接受五月
2015年11月11日发布日期2015年5月15日当前版本的日期十月
本文由NPRP Grant NPRP5-1345-1-228提出
来自卡塔尔国家研究基金（卡塔尔基金会成员）。的
本文中的陈述完全由作者负责。 Korsuk Sirinukunwattana
承认该部门提供的部分财政支持
计算机科学系，英国华威大学。我们很感激
沃里克影响基金为这项工作的早期版本提供资金
由美国专利申请号61452293。
本文具有可从http：// ieeexplore获得的补充可下载的材料。
ieee.org，由作者提供。
* K。 Sirinukunwattana是与大学计算机科学系
华威，CV2 2DX考文垂，英国（电邮：k.sirinukunwattana @
warwick.ac.uk）。
D. R. J. Snead与大学医院的组织病理学系
考文垂和沃里克郡，NHS信托，CV2 2DX考文垂，英国（电子信箱：
david.snead@uhcw.nhs.uk）。
N. Rajpoot先生与计算机科学和工程系，
卡塔尔大学，多哈，卡塔尔，还有部门
华威大学计算机科学系CV2 2DX考文垂，英国（电邮：
nasir.rajpoot@ieee.org）。
腺体形成已被证明能反映出程度
结肠肿瘤的侵袭性[9]。在腺瘤和分化良好
（低级）腺癌，肿瘤多数
仍具有外观相似的腺体结构
到正常的腺体（图1（d）），而在中度分化
（中级）和低分化（高级）
腺癌，腺体结构变得越来越退化
（图1（e）和1（f））。
我们提出了一种用于建模的随机多边形模型（RPM）
苏木精和曙红（H＆E）图像中的腺体结构
染色组织学幻灯片，最常用的染色
癌症形态学评估。我们选择结肠组织
包括结肠癌为例。提出的方法
将每个腺体结构视为由a制成的多边形
顶点的随机数，其中顶点代表近似值
上皮细胞核的位置。基于生物学的事实
上皮细胞核存在于腺体边界周围
管腔如图1所示。 1（b），边缘连接
顶点将导致腺体结构的边界
该图像由多边形表示，如图3所示。 1（c）。
我们使用该方法制定腺体结构的建模
RPM作为贝叶斯推理问题，其中先前的分布
多边形与空间连通性和布置有关
的顶点，而似然项是相关的
以腺体结构为代表的概率
多边形我们利用可逆跳马尔科夫链蒙特主要设计用于健康样品，腺瘤和
分化良好的腺癌[12] - [16]，除了一个
他们已被证明能够适度地分化
腺癌[17]。不过值得一提的是
[17]的工作集中在分割上
结肠组织图像上的腺体结构染色
与苏木精和DAB。在实践中，中等和差
分化型结肠直肠腺癌占70％
20％的病例分别被诊断[9]。主要挑战
细分来自于腺体结构
在中度和低分化腺癌中
变形承担架构规律性的算法
的腺体结构（图1（a）），因此容易失败。
请注意，在这项工作中，我们不考虑未分化的腺癌
在这种情况下，腺体形态是完全的
丢失，不能提供任何有用的信息推断
腺体结构。
二， 相关工作
在结构方法中，Naik et al。 [13]使用级别集方法
以分割腺体中的管腔区域。贝叶斯分类器是
用于检测潜在的流明，水平设定曲线是自动的
在每个检测到的管腔的边界处初始化
区。框架的明显限制是水平集
在出现管腔的情况下经常导致错误的分割
作为复杂的纹理，而不是相对平滑的区域
如健康和腺瘤性结肠组织。阮
et al。 [14]采用关于腺体成分的现有知识
以提取腺体区域。他们的算法
首先共同细胞核和细胞质分裂形成粗糙的腺体
边界，然后使用区域增长算法进行扩展
管腔面积。 Gunduz-Demir等人[15]提出的对象
腺体结构分割图。他们的算法
首先使用基于对象的信息识别核和流明。
然后通过连接构建腺体的边界
核心物体的重心。 Fakhrzadeh等人[16]
采用低级色彩特征检测管腔和腺体
边界腺体的外边界被划定
使用测地距离变换。所有的主要局限
上述算法如下。 （a）他们完全
依靠像素级颜色信息来检测不同的成分
的组织，其可能易于染色变异。 （b）他们承担了腺体的建筑规律性
结构，即管腔立即被细胞质包围
然后细胞质被上皮包围
边界。这种规律性可能在良性或癌性变性
结肠组织。
Fu et al。 [17]设计了一种分割算法
使用极坐标系的几何属性。
该算法首先转换嵌入的单个腺体的图像
在极坐标系中加入笛卡尔坐标
系统，导致近端边界
转变成拉伸曲线。代表轮廓
然后推断变换域中的腺体边界
通过条件随机场模型。算法有
主要表现在苏木精和DAB的图像上
从腺瘤染色载玻片，并且适度分化
腺癌。相比之下，对于H＆E染色的幻灯片，
该算法仅在有限的数量上被证明
属于健康样品的图像。 Sabata等人[18]量身打造
用于PIN-4染色载玻片的腺体分割方法
前列腺活检。基于图的分割方法是
在使用a生成的腺体概率图上运行
像素分类器训练有关哈尔的功能。这种方法有时候
将几个腺体合并在一起。因此，作者提出
使用通过PIN-4染色分离的特殊提示
他们。关于肿瘤等级的信息也不是比较
本文提供了分割结果。
以前的图像分割方法是接近于
方法的RPM是基于Voronoi镶嵌
和点过程[19] - [21]。这些方法分割图像
变成由Voronoi细胞代表的一组多边形，并且每一个
多边形对应于均匀纹理的区域
图片。基于大都会Hastings算法的RJMCMC涉及
特殊的举动，如出生，死亡，职位变动
并标记Voronoi镶嵌生成点的变化
已被用于估计关节后分布
镶嵌，多边形标签和不同纹理的数量。
然而，RPM更适合于这个问题
由于以下事实，腺体分割：（a）没有
基于空间均匀性分割腺体结构
的纹理，因为每个腺体结构通常包括一个
面积不均匀的纹理。 （b）分别生成a
通过采样顶点为每个单个腺体结构的多边形
从上皮边界。因此，它可以提供一个
更好的代表多边形的腺体结构。分割结果在本文中提供
建议框架的运作情况说明
如图1所示。 给定H＆E图像（图3（a）），首先我们
产生腺体概率图（图3（b））和核
顶点（图3（c）），执行推理所需的两个证据
用于随机多边形。 种子区域（图3（d））进行初始化
导出了RJMCMC仿真中使用的随机多边形
从腺体概率图。 最大后验
然后使用RJMCMC模拟估计多边形
（图3（e））。 最后，作为RPM的后期处理操作，
去除假阳性多边形，并且相对平滑
产生腺体结构的轮廓（图3（f））。
我们采用色彩去卷积方法[25]来提取
苏木精通道从图像。 通过阈值
苏木素通道使用Otsu阈值[26]，我们得到
对应于大致位置的二进制图像
核中的图像。 构造一组表示的顶点
核心位置，我们从一组坐标采样顶点
的二进制掩码的边界像素。 抽样没有
替换是以贪婪的方式完成的，在每一步中，a
单个顶点均匀随机绘制。 如果存在
使得在哪里是期望的最小值
任何两个顶点之间的距离，则被拒绝，否则
它被放入。
可能产生假正多边形
对腺体概率图的缺陷。 我们删除
这些多边形使用与数字相关的启发式标准
的顶点和多边形的大小，如下所述
在第V-D节更详细。 从图中可以看出。 如图3（e）所示，
假正多边形可能在腺体上占据一些顶点
结构，防止真正的正多边形建模
他们对应的全腺结构。 假后
积极的去除，因此我们把余下的多边形作为
种子区域，并重新运行第IV-D部分的程序
迭代次数 最后，我们平滑了边界
通过三次样条插值得到的多边形。
Bilkent数据集：[15]中使用的此数据集包括
H＆E的72个显微镜图像染色健康的结肠组织。
使用尼康以20倍放大图像
Coolscope数字显微镜，分辨率480 640
专家注释共有1,009个腺体结构
可用于此数据集。
2）Warwick-QU数据集：该数据集由165个组成
从H＆E染色的结肠组织学幻灯片中提取的图像。的
幻灯片用蔡司20倍放大倍数扫描
MIRAX MIDI幻灯片扫描仪共有52个视野
提取，专家病理学家将这些领域分为五个
类别：健康，腺瘤，中度分化，
中度至差分，差异化
（未观察到分化良好的腺癌）。有标记
每个视觉中的腺体结构的基本真理
还提供了现场。总共165个不重叠
从分级视野拍摄的图像，其中
图像的等级根据原件分配
领域。这42个健康，32个腺瘤，47个适度
差异化，20中等至差分差异，24
差分图像分别为670,298，
其中存在287,135和195个腺体结构。在
尺寸条件，151个图像具有分辨率
520 775和14的分辨率为430 575
发布时间，该数据集正在被发布
Gland Segmentation（Glas）挑战比赛将在此举行
结合MICCAI 2015。
对于（2）中给出的先验分布的多边形，我们计算
所有需要统计的手工构造
Bilkent数据集训练部分的多边形。这个建设
通过连接顶点从谎言完成
沿着腺体结构的边界形成多边形
围绕每个腺体结构。以下值
参数找到：，，，
，。在RJMCMC的提案中，我们是经验性的
设置，，。的
RPM对这些参数值不敏感（表S3）。我们
发现比例因子之间是一个很好的妥协
估计随机多边形的质量和计算
RJMCMC仿真的复杂性。
对于假阳性移除，我们考虑以下多边形
作为极端并删除它们：（a）具有数字的多边形
的顶点小于或等于4，以及（b）具有正方形的多边形
其面积小于或等于第10个百分点
训练图像中腺体面积的平方根。都
Bilkent的训练部分的经验值是经验性的
数据集
E.评估指标
我们计算像素分割精度
评估不同算法的性能。 对于每个图像，
在像素级别和对象级别进行计算
以检查整个图像的分割质量
作为个体腺体。
对于像素级分割精度，我们使用两个评估
指数，即Jaccard [28]和Dice [29]指数。 给定
标记为地面真值的一组像素和分割的一组像素
作为腺体结构，两个指标测量相似性
之间 。 Jaccard指数被制定为
在本节中，我们提出了各种实验来展示
RPM的泛化的有效性和程度。
由于采用RJMCMC模拟的随机性质
通过RPM，对于每个图像，我们运行算法5次重复
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[27904]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
