论文部分内容阅读
近年来乳腺癌的发病率不断提升,已严重威胁了女性的身心健康。目前,组织病理检查是乳腺癌确诊的“金标准”,主要由医生对病理切片进行镜检,该过程费时费力,且受到医生主观因素和经验的影响。基于传统数字图像的计算机辅助诊断可为病理医生提供一定的识别分析结果,但其能提供的信息有限,限制了识别精度的进一步提高。显微高光谱成像技术具有“图谱合一”的特点,不仅能提供组织细胞形态结构信息,还能够提供光谱信息,为乳腺肿瘤的识别提供了新的途径。而乳腺癌巢和细胞的形态特征是评估肿瘤恶化程度的重要参考,基于此,本文将显微高光谱成像技术应用于乳腺肿瘤组织微阵列的识别与定量化分析,对癌巢和细胞的分割方法进行了研究。首先,对于肿瘤组织中癌巢的分割,为了充分利用显微高光谱图像的空间和光谱特征,本文提出了一种基于空谱特征融合的支持向量机(SVM-CSS)识别方法,通过逐像素点分类来划分癌巢和非癌巢区域。为了进一步提高识别效率,本文建立了一种基于主成分分析的U-net(PCA-Unet)分割模型。该方法利用主成分分析提取显微高光谱图像的光谱特征后,结合U-net深度学习框架实现图像端到端的分割,为相关形态特征的定量化描述奠定了基础。其次,对于肿瘤组织中细胞的分割,本文提出了一种基于空谱特征融合的分水岭分割方法(WCSS)。该方法通过端元提取和光谱解混实现目标丰度分布的提取,并利用基于标记的分水岭变换完成分割。最后,进一步结合细胞和癌巢的分割结果,划分了癌巢细胞和正常细胞,并通过肿瘤组织形态特征参数的测量,为医生的病理诊断提供定量化参考指标。实验结果表明,相比于SVM-CSS等显微高光谱图像识别方法,PCA-Unet能更有效地分割癌巢,在获取的数据集上的像素点识别准确率为87.14%;使用自动目标生成过程进行端元提取,以及完全约束最小二乘法进行光谱解混的WCSS方法对细胞的分割效果更好,其像素点识别准确率为90.68%。本文中基于显微高光谱成像的乳腺肿瘤组织微阵列识别分析方法实现了肿瘤组织的自动识别,可以为乳腺癌病理诊断提供一种新的方法。