论文部分内容阅读
上皮和基质组织是乳腺癌病理图像中最常见的两种组织，约80％的乳腺肿瘤起源于乳腺上皮细胞。因此计算机辅助诊断系统在乳腺癌病理图像研究中，上皮和基质组织的自动分割非常重要，病理图像存在着组织结构的复杂性和成像过程中的不确定性导致了组织内部与组织边界都呈现出高度复杂的变化。因此，上皮和基质组织的自动分割一直是医学图像处理领域中的一项非常具有挑战的研究课题。近年来，随着深度卷积神经网络（DCNN）等深度学习模型在自然场景中的应用取得了的巨大成功，DCNN模型的强大的鲁棒性和普适性使得病理图像中上皮和基质组织的自动分割成为了可能。因此，本文在强大的DCNN模型的基础上首先提出了基于块的上皮和基质组织的自动分割。模型首先使用超像素分割方法将H&E病理图像根据其内在信息分割成小块，然后将小块输入到预先训练好的DCNN网络模型中提取出高维特征，最终输入到支持向量机中分类。通过对每个小块的自动分类来完成对整张病理图像的自动分割的过程。为了评价该方法的有效性，分别在三个数据集中与其他算法进行对比，三个数据集分别是106张H&E（苏木精和伊红染色）图像，51张H&E图像和1377张IHC（免疫组织化）图像在三个数据集中的评估指标分别达到了F1:85％、89％和100％; ACC:84％、88％、100％; MCC:68％、77％和100％;效果明显优于之前学者提出的算法。考虑分割块的算法对到基于块的上皮和基质自动分割整个系统的影响较大，本文还提出了一种基于逐像素点的上皮和基质组织的自动分割算法。该模型首先以每个像素点为中心构建一个小块，然后将小块输入到预先训练好的DCNN网络模型中提取特征并输入到分类器中分类。该算法在106张H&E图像和51张H&E图像的数据库中分割结果的评估指标中F1:90％、93％，ACC:90％、94％，MCC:80％、88％;分割的准确率较基于块的算法又有了显著提升。