《图像处理中的细胞核检测、分割、分类方法综述资料》由会员分享，可在线阅读，更多相关《图像处理中的细胞核检测、分割、分类方法综述资料（141页珍藏版）》请在金锄头文库上搜索。
1、本PPT基于Methods for Nuclei Detection, Segmentation and Classification in Digital Histopathology: A Review. Current Status and Future Potential制作，历时2周，补充了大 量的图像处理方面的基础。主要关注点为 细胞检测、分割、分类。 对图像处理有所需要这自行下载。 能力所限，多有不足。 by 临风游吟 1/140 Methods for Nuclei Detection, Segmentation and Classification in Digital Hi
2、stopathology: A Review. Current Status and Future Potential Humayun Irshad, Student Member, IEEE, Antoine Veillard, Ludovic Roux, Daniel Racoceanu, Member, IEEE, 2/140 outline 简介和动机 细胞分割和分类的挑战 图像处理方法简介 检测、分割和分类的方法 讨论 3 This present review is intended as a comprehensive state-of-the-art survey on the
3、 particular issues of nuclei detection, segmentation and classification methods restricted to two widely available types of image modalities:H&E and IHC. We conclude with a discussion, pointing to future research directions and open problems related to nuclei detection, segmentation and classificati
4、on. 4 染色 苏木精 伊红染色法 ( hematoxylin-eosin staining ) ，简称HE染色法 。细胞核深蓝 色，其他（细胞质，基质等）粉红色。 免疫组织化学（Immunohistochemistry，IHC ）又称免疫细胞化学，是指带显色剂标记 的特异性抗体在组织细胞原位通过抗原抗 体反应和组织化学的呈色反应，对相应抗 原进行定性、定位、定量测定的一项新技 术。 5 6 照明 统一的光照是必须的。 显微镜，样本厚度，染色等会导致照度不 均。照相技术对不同波长的光的敏感度不 一致（短波-蓝长波-红）。 使用标准套件纠正光谱和空间光照变化。 7 重点 淋巴细胞：形状规则，比
5、上皮细胞小 上皮细胞：染色质均匀，边界平滑（健康 ）；变大，染色质分布不均，边界不规则 （癌变） 8 挑战 病理图像中待检测、分割、分类的细胞通 常有很多的计算机视觉问题，这些视觉问 题由很多因素导致，包括切片处理和图像 采集等。 细胞核通常是聚集在一起且存在重叠，并 有多样化的外观。 一个成功的图像处理方法应该是能够用鲁 棒的方式克服这些问题以便在各种情况下 都有高质量和准确率。 9 图像处理方法 阈值（thresholding） 形态学（morphology） 区域生长（region growing） 分水岭（watershed） 主动轮廓模型和水平集（active contour mod
6、el and level sets） K-均值聚类（K-means clustering） 概率模型（probabilistic models） 图切割（graph cuts） 10 Thresholding 目标和背景内部的相邻像素间的灰度值是高 度相关的，但在目标和背景交界处两边的像 素在灰度上有很大的差别。 全局二值化 11 全局阈值：仅根据图像像素本身性质 1、极小点阈值 2、最优阈值 3、最大凸残差阈值 ； 局部阈值：像素本身性质和局部区域性质 1、直方图变换 2、灰度-梯度散射图 动态阈值：像素本身性质、局部区域性质 以及像素位置坐标 12 13 Morphology 形态学是一门
7、建立在集论基础上的学科， 将图像视为元素的集合，将图像作为几何 形状进行处理。 形态学图像处理是在图像中移动一个结构 元素，然后将结构元素与下面的二值图像 进行交、并等集合运算。常用的结构元素 有十字，矩形和圆形等。 14 在形态学中，结构元素是最重要最基本的 概念。结构元素在形态变换中的作用相当 于信号处理中的“滤波窗口”。 基本的形态运算是腐蚀和膨胀。 腐蚀和膨胀公式： 15 16 先腐蚀后膨胀的过程称为开运算。它具有 消除细小物体，在纤细处分离物体和平滑 较大物体边界的作用。 先膨胀后腐蚀的过程称为闭运算。它具有 填充物体内细小空洞，连接邻近物体和平 滑边界的作用。 均会除去比结构元素小
8、的图像细节。 17 18 White and black top-hat transforms： 可以提取元素和细节。 White top-hat transforms Black top-hat transforms 19 20 形态学梯度：用于边缘检测 21 Region growing 种子区域生长法是从一组代表不同生长区 域的种子像素开始，接下来将种子像素邻 域里符合条件的像素合并到种子像素所代 表的生长区域中，并将新添加的像素作为 新的种子像素继续合并过程，直到找不到 符合条件的新像素为止。 22 23 选择或确定一组能正确代表所需区域的种 子像素 确定在生长过程中能将相邻像素包括进
9、来 的准则 制定让生长停止的条件或规则 24 Watershed 分水岭法是一种基于拓扑理论的数学形态 学的分割方法，其基本思想是把图像看作 是测地学上的拓扑地貌，图像中每一点像 素的灰度值表示该点的海拔高度，每一个 局部极小值及其影响区域称为集水盆，而 集水盆的边界则形成分水岭。 25 该算法的实现可以模拟成洪水淹没的过程 ，图像的最低点首先被淹没，然后水逐渐 淹没整个山谷。当水位到达一定高度的时 候将会溢出，这时在水溢出的地方修建堤 坝，重复这个过程直到整个图像上的点全 部被淹没，这时所建立的一系列堤坝就成 为分开各个盆地的分水岭。分水岭算法对 微弱的边缘有着良好的响应，但图像中的 噪声会
10、使分水岭算法产生过分割的现象。 26 27 ACM能量函数： 以规范化曲线形状为目的的项，称为内能量,最小 化内能量使得曲线不断向内部紧缩且保持平滑 以靠近目标物体边缘为目的的项，称为外能量,外 能量则是保证曲线紧缩到目标物体边缘时停止。 是自定义或目标物体先验的知识，来控制边 界。 Active contour model and level sets 28 参数活动轮廓模型是基于Lagrange框架，直 接以曲线的参数化形式来表达曲线，最具 代表性的是Snake模型。该类模型在早期的 生物图像分割领域得到了成功的应用，但 其存在着分割结果受初始轮廓的设置影响 较大以及难以处理曲线拓扑结构变
11、化等缺 点. 29 基本思想是 1）在图像中初始化一个闭合曲线轮廓。形状任意 ，只要保证将目标物体完全包含在曲线内部即可； 2）然后构建能量方程。能量方程由两部分组成。 3）根据能量方程，计算出表示曲线受力的欧拉方 程（Euler equation）。按照曲线各点的受力来对曲 线进行变形，直至受力为0。此时能量方程达到最 小值，曲线收敛到目标物体边缘。 30 几何活动轮廓模型的曲线运动过程是基于 曲线的几何度量参数而非曲线的表达参数 ，因此可以较好地处理拓扑结构的变化， 并可以解决参数活动轮廓模型难以解决的 问题。而水平集（LevelSet）方法的引入， 则极大地推动了几何活动轮廓模型的发展
12、，因此几何活动轮廓模型一般也可被称为 水平集方法。 31 基本思想是将图像按照曲线量化为level set 函数（最常用的是signed distance function ）。level-set类似于等势线，一幅图像上所 有level-set值等于某个常量的点构成一个闭 合曲线。因此，t时刻的曲线可以表示为： C(t) = (x,y): u(t,x,y) = 0 这样的曲线表示方法不依赖于参数化，因 此是曲线的本征表示。这样就将曲线的运 动转化为zero level-set函数的运动。 32 Level sets 水平集(levelset)的基本思想是将界面看成高 一维空间中某一函数（称为水
13、平集函数） 的零水平集，同时界面的演化也扩充到高 一维的空间中。我们将水平集函数按照它 所满足的发展方程进行演化或迭代，由于 水平集函数不断进行演化，所以对应的零 水平集也在不断变化，当水平集演化趋于 平稳时，演化停止，得到界面形状。 33 简单来说就是把低维空间上的函数通过水 平集的方法来转化为高维空间(如果低维是n ，则这里的高维指n+1) 假设用C(p,t)表示一个沿其法向方向的闭合 曲线，它可以是二维中的一条闭合曲线 (curve)，也可以是三维中的一个闭合曲面 (Surface)。 34 如果把水平集函数 中的z变量变为t，则二 维空间的闭合曲线就是通过截取不同时刻 三维空间连续函数
14、曲面的水平层。 当函数中的t取不同的值时，水平集函数对 应不同的水平集，三维中的函数就是这样 映射到二维的平面中的。也就是将二维中 曲线的演化转化为了三维中的曲面的演化 ，低维变化到了高维，低维中的问题变化 到了高维进行求解。 35 36 Maximum Likelihood 极大似然原理的直观想法是：一个随机试 验如有若干个可能的结果A，B，C，。若 在一次试验中，结果A出现，则一般认为试 验条件对A出现有利，也即A出现的概率很 大。 37 假设数据是服从同一个概率分布p(x|)的 分布参数，那么抽到A的概率是p(xA|)，抽 到B的概率是p(xB|)，那因为他们是独立的 ，同时抽到A和B的
15、概率是p(xA|)* p(xB|) ，那么从分布是p(x|)的总体样本中抽取到 n个样本的概率，也就是样本集X中各个样 本的联合概率，用下式表示： 最大似然估计会寻找关于的最可能的值 38 求最大似然函数估计值的一般步骤： （1）写出似然函数； （2）对似然函数取对数，并整理； （3）求导数，令导数为0，得到似然方程 ； （4）解似然方程，得到的参数即为所求； 39 Expectation Maximization 期望最大化（Expectation-maximuzation）算 法在统计中被用于寻找，依赖于不可观察 的隐性变量的概率模型中，参数的最大似 然估计。EM是一个在已知部分相关变量的
16、 情况下，估计未知变量的迭代技术。 40 EM的算法流程如下： 1：初始化分布参数： 2：重复直到收敛。 E步骤：估计未知参数的期望值，给出当前 的参数估计。 M步骤：重新估计分布参数，以使得数据的 似然性最大，给出未知变量的期望估计。 41 K-means clustering K-means算法是很典型的基于距离的聚类算 法，采用距离作为相似性的评价指标，即 认为两个对象的距离越近，其相似度就越 大。该算法认为簇是由距离靠近的对象组 成的，因此把得到紧凑且独立的簇作为最 终目标。 42 （1） 从 n个数据对象任意选择 k 个对象作 为初始聚类中心； （2） 根据每个聚类对象的均值（中心对象 ），计算每个对象与这些中心对象的距离
