论文部分内容阅读
细胞自动检测和颜色自动分离是病理图像分析中的两个具有挑战性的基本问题,为很多后续进一步的定量分析提供基础,如构建基于图描述的病理组织肿瘤区域的拓扑结构特征,细胞与淋巴细胞的分割等等。针对第一个问题,本文提出了一种基于稀疏堆叠自动编码器和滑动窗口的细胞自动检测方法,该方法能快速、高效、准确地检测高分辨率病理组织图像中的细胞。该检测算法首先运用稀疏堆叠自动编码器对训练集中的细胞样本块和非细胞样本块提取高层特征,然后运用这些高层特征训练Softmax分类器。训练好的分类器随后被用于整幅高分辨率病理图像中细胞的自动检测。在检测过程中,首先运用滑动窗的方法在整幅高分辨率病理图像中选取相同尺寸的所有可能的细胞块,被滑动窗选定的图像块随后送到训练好的稀疏堆叠自动编码器提取高层特征后,然后送到训练好的Softmax分类器中自动判断是否是细胞块。如果分类器判断为细胞块,则该细胞块所在的质心将自动地被算法标记为检测出的细胞。为了验证提出方法的有效性,该方法被运用于苏木精和伊红(H&E)染色高分辨率乳腺穿刺切片病理图像上细胞的自动检测。通过与基于分割操作来实现细胞检测的现有模型(如期望最大化算法(EM)、彩色去卷积算法(CD)、蓝色比例阈值(Blue Ratio)等方法)对比表明:本文提出的方法具有更高的准确率,召回率和综合评价指标,分别为71.5%,82.3%和76.5%。针对颜色自动分离问题,本文提出了一种基于稀疏非负矩阵分解的方法,并把该算法运用于病理图像的颜色的自动分离。传统的颜色分离是基于彩色去卷积方法,该方法需要预先设计去卷积矩阵,而本文提出的方法能够实现颜色的自动分离,不需要先验知识。且对比于现有的非负矩阵算法,加入稀疏约束的非负矩阵算法,得到的颜色分离效果更明显,通过定量的细胞分割结果比较,验证了该方法的比基于主成分分析(PCA),独立主成分分析(ICA),期望最大期望算法(EM)、彩色去卷积算法(CD)、蓝色比例阈值(Blue Ratio),以及非负矩阵分解(NMF)方法具有优越性。