基于共生直方图的宫颈癌细胞分类器集合研究.

PDF格式 | 1.06MB | 更新于2025-01-16 | 110 浏览量 | 举报

电子科学与技术学报20（2022）100170

用于宫颈癌细胞分类的基于共生直方图的分类器集合

Rajesh Yakkundimath

，

，Varsha Jadhav

，

，Basavaraj Anami

，

Naveen Malvade

，

卡纳塔克邦林加亚特教育技术学院计算机科学与工程系，

Hubballi

，

580027

，印度

b Shri Dharmasthala Manjunatheshwara

工程技术学

院信息科学与工程系，

Dharwad

，

580008

，印度

信息科学与工程系，

SMT

。卡玛拉

斯里文卡帕湾

Agadi

工程技术学院，

Lakshmeshwar

，

582116

，印度

Visvesvaraya

技术大学，

Belagavi

，

590018

，印度

A R T I C L E I N FO

出版编辑：何

索引术语：

宫颈癌

共现直方图增强分类

k-均值聚类

A B S T R A C T

为了探索传统图像处理技术在宫颈癌细胞分类中的潜力，在这项工作中，采用共生直方图方法进行

图像特征提取，并通过结合基本分类器，即人工神经网络（ANN），随机森林（RF）和支持向量机

（SVM），开发了一个集成分类器，用于图像分类。分割的乳头涂片细胞图像数据集通过

均值聚类

技术构建，并用于评估由上述考虑的基础分类器组合形成的集成分类器的性能。结果还与单个基础分

类器以及使用颜色，纹理和形状特征训练的结果进行了当使用共生直方图特征应用和训练集成分类

器时，获得了93.44%的最大平均分类准确率，这表明使用共生直方图特征训练的集成分类器更适合

于宫颈癌细胞的分类

介绍

子宫颈抹片检查是一种用于诊断子宫颈癌前细胞的方法从子宫颈

取少量细胞学样本，用特殊的细胞刷涂抹在载玻片上。细胞技术人员可

以通过用显微镜观察载玻片上的细胞的特征（例如形状、颜色和纹理）来诊断载玻片上的细胞，从而识别癌前子宫颈细胞然而，癌前

细胞的手动显微镜分类是一个繁琐的过程，因为每个载玻片可以包含多达30万个细胞[1]。它需要熟练的细胞技术人员来区分各种细

胞，这通常会导致不一致和主观的结果。图图1示出了在背景上包含被细胞质包围的细胞核的单个细胞的图像样本。巴氏涂片细胞的分类主要

涉及将单个细胞分类为正常细胞和

异常但非恶性细胞的目标

[2]

。癌前细胞的自动分类将绝对有助于细胞技术人员和医生

* 通讯作者。卡纳塔克邦林加亚特教育技术学院计算机科学与工程系，印度，胡巴利，580027。

电子邮件地址：

rajeshymath@gmail.com（R. Yakkundimath），varshasv. gmail.com（V. Jadhav），anami_basu@hotmail.com（B.

Anami），naveen. gmail.com（N. Malvade）。

https://doi.org/10.1016/j.jnlest.2022.100170

接收日期：2021年9月30日;接收日期：2022年8月1日;接受日期：2022年

2022年8月23日在线提供

（http://creativecommons.org/licenses/by-nc-nd/4.0/）。

可在

ScienceDirect

上获得目录列表

电子科学与技术学报

期刊主页：

www.keaipublishing.com/en/journals/journal-of-electronic-

science-

and-technology

R. Yakkundimath

等人

电子科学与技术学报

（

2022

）

100170

Fig. 1. 一张子宫颈抹片的图片。

图二. 拟议方法的流程示意图。

来区分不同的细胞类型。自诞生以来，巴氏涂片已经经历了

多年的发展，人们

为实现自动化分析进行了各种尝试。为了展示基于

宫颈涂

片图像

的宫颈细胞识别和分类的最新技术，第1节主要概述了用于在涂片细胞或单细胞水平下识别和分类宫颈细胞的成像技术[3]。

宫颈涂片图像的颜色、纹理和形状特征可以作为描述符来自动分类宫颈

不典型增生

[4]

，其中通过使用集成分类器（如下平方支持向量

机（

LSSVM

）、随机森林（

）和多层感知器（

MLP

））的

倍交叉验证方法实现了

98.11%

的总体分类准确率。见参考文件

[5]

，

使用支

持向量机（SVM）分类器进行识别，并研究了宫颈细胞的特征选择，

包括互反信息，顺序前向搜索，滚动前向搜索和随机子集，其中使用顺

序滚动前向选择获得了高达

98.5%

的

整体分类准确率。见参考文件[6]提出了一种基于凹点的重叠细胞核分割算法，将细胞核和细胞质从

细胞结构中分离出来通过使用色调饱和度值（HSV）颜色来增强细胞核和细胞质之间的对比度，从而获得颜色估计见参考文件[7]，

确定了宫颈细胞的分割和分类，结果表明，采用多尺度分层分割算法结合二值分类器，总体分类准确率达到96.71%。见参考文件

[8]，提出了一种基于迭代阈值分析的方法，以基于核面积参数将宫颈细胞分类为正常或异常

。报告的总体分类准确度为

100%

采用模糊

C-

均

值（

FCM

）算法，对模糊

C-

均值聚类算法进行了改进

. [9]中，对乳头涂片图像的每个区域进行分割。为了帮助聚类，利用两个随机数来生

成

每个

的隶属矩阵。采用

级分割，取得了令人满意的结果从重叠的宫颈细胞团块中分离出的细胞核和

细胞质见参考文献。[10 ]第

10段。该方法联合优化了各层次的集合函数，克服了重叠定义细胞的问题，可在定量评估的基础上有效分割细胞见参考文件[11]，

FCM聚类方法用于宫颈癌细胞的自动分割采用人工神经网络（ANN）对7类和2类问题的平均分类精度分别为93.78%和99.27%见参

考文件[12]，作者提出了一种自动特征选择算法，其中采用了来自显微活检图像的生物学可解释特征使用k-最近邻（KNN）分类器获

得了92%的整体分类准确度。KNN方法也被用于参考文献。[13]从子宫颈抹片检查中对子宫颈癌细胞进行

R. Yakkundimath

等人

电子科学与技术学报

（

2022

）

100170

表

宫颈细胞的分布

类别宫颈细胞类别图像数量图像示例

正常细胞浅表鳞状细胞74

中间鳞状细胞70

柱状上皮98

异常但非恶性细胞轻度鳞状细胞

182

中度鳞状146

重度鳞状

197

原位

癌

图片总数

图像，有助于82.9%的整体分类准确性与5倍交叉验证方法。见参考文件 [14]，提出了一种两级级联分类器，用于从宫颈涂片图像中自动

识别宫颈癌细胞，实现了95.6%的

总体分类准确率。文献

[1]

提出了一种基于像素相似性度量

的图像分割方法。[15]并应用于从总细胞图片

中提取细胞核区域通过使用

来自细胞核分割区域的

个形状特征进行特征提取，并使用

SVMLinear

（

SVM-L

）分类器进行分类。

通过使

用FCM方法的判别特征集，实现了97.65%的总体分类准确率。在参考文献中使用了可训练的Weka

分割分类器。

[16]

用于基于宫颈涂片图像

的宫颈癌细胞的自动诊断和分类结合包装过滤器，使用模拟环化来选择特征，并使用

FCM

算法进行分类

，导致整体分类准确率为98.88%。

如上所述，已经有一些使用宫颈涂片图像识别宫颈癌细胞的自动化技术

。然而，在许多发展中国家，由于缺乏

训练有素和熟练的卫生工

作者以及维持筛查计划的医疗资源，传统筛查技术仍然是主流。因此，非常

需要设计和实现低成本、高效率的筛选系统。

本文

在总结近年

来宫颈涂片图像分析中常用的图像处理方法（包括图像分割、特征选择和分类）的基础上，提出了一种可用于开发可靠的宫颈癌细胞

自动检测系统的这种自动化技术可以帮助病理学家早期检测宫颈癌细胞。其余部分分类如下。第2节提出了拟议的方法。第3节描述了

实验结果和讨论。最后，第四部分得出结论。

方法

所采用的方法的示意框图如图所示。

，包括四个不同的阶段。在阶段

中，收集

图像数据集，并且在阶段2中，通过使用分割技术分

离感兴趣区域。在阶段3中，设计了从分割图像中提取识别特征的方法，在阶段4中，使用集成分类器执行分类任务。

2.1.

图像数据集

这些图像直接从Herlev宫颈涂片图像数据集收集，可从https：//mde-lab公开访问。 aegean.gr/downloads。该图像数据集包括七

个类别的917个单个细胞图像，如表1所示[2]。为了验证该算法的有效性，保留了巴氏涂片图像数据集的原始属性

剩余10页未读，继续阅读

cpongm

粉丝: 6

基于共生直方图的宫颈癌细胞分类器集合研究.

一个关于宫颈癌的分类的项目

宫颈细胞图像的特征选择与分类识别算法研究.pdf

基于信息量增强的共生直方图显著性检测算法

基于共生理论的城乡统筹机理研究.pdf

基于BP神经网络脑部CT图像模式分类方法的研究.pdf

基于共生理论的体育业与医疗服务业融合共生路径构建研究.rar

基于共生理论的体育业与医疗服务业融合共生路径构建研究.pdf

基于共生理论的农产品电商与物流协同机理研究.pdf

基于共生理论的农产品电商与物流协同机理研究.zip

彩色图像检索：基于梯度方向共生直方图与颜色特征融合

最新资源