中性图切割的宫颈癌检测方案

沙特国王大学学报基于Neutrosophic图切割的分割方案用于有效的宫颈癌检测M. Anousouya Devia，J. I.Sheebab，K.苏雷什·约瑟夫aa印度本地治里大学计算机科学系b印度本地治里工程学院计算机科学工程系阿提奇莱因福奥文章历史记录：2018年5月15日收到2018年8月15日修订2018年9月14日接受2018年9月22日在线提供保留字：宫颈癌基于中性图切割的分割巴氏涂片检查不确定度过滤器中性C均值聚类技术A B S T R A C T子宫颈癌是最严重的癌症类别，在全球妇女社区的存活率非常低。如果在早期发现，受这种宫颈癌影响的妇女社会的生存概率这种宫颈癌需要通过定期检查在早期发现。因此，所提出的工作的目标集中在中性图切割为基础的分割（NGCS）的优点，促进了预处理的宫颈图像。这种基于NGCS的分割主要用于研究宫颈涂片预处理图像的重叠背景，以获得更好的分类精度。这种基于NGCS的分割负责将输入的预处理图像分割成各种数量的非重叠区域，这有助于方便地获得更好的感知。在基于NGCS的分割中，预处理的输入图像被变换成中性集和不确定性滤波器，这取决于将预处理图像的强度和空间信息集成的估计的不确定性值。所利用的不确定性滤波器在最小化与每个强度和空间信息相关联的不确定性值中起锚定作用。然后在图像上定义一个图，基于估计的不确定性值将唯一的权重分配给每个图像像素。最后，最大流图的方法被应用在图确定最佳分割结果。与传统的面向图切割的癌症检测方法相比，这种基于NGCS的宫颈癌检测技术的结果被证明平均优秀13%。©2018作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍子宫颈癌是女性身体的一部分。这种宫颈癌被认为是仅次于乳腺癌的第二种最常见的癌症（Garcia-Gonzalez等人，2016年）。但是，它被确定为比乳腺癌更危险，因为它可能不会表现出任何可实现的症状，直到它达到疾病的严重阶段（Kurniawan，2013）。子宫颈癌的寿命*通讯作者。电子邮件地址：anousouyadevi@gmail.com（M. Anousouya Devi）。沙特国王大学负责同行审查制作和主办：Elsevier宫颈癌患者依赖于其检测的早期阶段，因此需要通过定期检查在早期阶段诊断宫颈癌（Balakrishnan等人，2013年）。对宫颈癌更特异的最有潜力的诊断测试是巴氏涂片测试、阴道镜检查、骨盆分析、人乳头状瘤病毒检查（Riana et al. 2017年）。基于巴氏涂片的筛查测试被确定为在医学领域中存在的现有宫颈癌诊断测试中是显著的（Guo和S，engür，2014）。在这种基于巴氏涂片的筛查测试中，将窥器插入女性的阴道部分，以广泛打开阴道和子宫颈，以便收集细胞进行检查。巴氏涂片细胞收集从宫颈部分使用抹刀，然后将它们放在载玻片上以便于在实验室中进行细胞质研究。然后，在细胞组分上应用巴氏染色法，以在宫颈癌的早期阶段将收集的涂片细胞有效地分类为正常细胞和癌细胞（Cheng等人，2011年）。挑战性的问题出现在https://doi.org/10.1016/j.jksuci.2018.09.0141319-1578/©2018作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM. Anousouya Devi等人/沙特国王大学学报1353基于巴氏涂片细胞的宫颈癌检测的精确诊断过程是对比度差和细胞染色不一致，这使得对宫颈细胞的提取过程最困难（Salah等人，2011年）。尽管有大量现有的用于诊断宫颈癌异常的商业方法，但它们被认为更昂贵，并且需要人工操作技能（Lakshmi和Ravi，2017）。此外，用于研究的样本涂片包括数千至数万个细胞计数，这使得人工研究过程更加复杂。此外，文献中存在的用于提高宫颈癌检测过程中的分类准确度的大多数所提出的方案依赖于可靠的分割技术。此外，经预处理的宫颈癌细胞的基于图切割的分割被证明在促进分类的高准确率方面是主要的（Zhao等人，2016年）。一些最流行的基于图割的分割技术包括最小和最大割、归一化图割和Grab割。这些现有的基于图切割的分割技术在检测宫颈细胞的细胞核和细胞质中的异常方面具有一些局限性，因为它们不能在很大程度上处理细胞图像的质量差、染色不稳定和对比度差的特征（Boykov和Funka-Lea，2006）。因此，有效且高效的基于图切割的分割方案对于在检测宫颈癌细胞中实现最大分类率是必不可少的。本文利用Neutrosophic Graph Cut的优点，提出了一种改进的基于Graph Cut的分割方案，通过提取巴氏涂片细胞的细胞核和细胞质边界该基于Neutrosophic Graph Cut的分割方案通过结合不确定性滤波器用于在宫颈癌检测中实现更好的分类率，所述不确定性滤波器在减少预处理的癌细胞图像的提取强度和空间信息的不确定性值方面起锚定作用该方案采用最大流算法提高了定义的中性图的分割率。所提出的基于Neutrosophic Graph Cut的分割技术在宫颈癌检测中是有效的，因为（a）它结合了用于分割椭圆形对象（巴氏涂片细胞）的二维动态编程方法，（b）它确保了增强的细胞质和细胞核分割过程，以产生全局优化解决方案，以及（c）它以全局方式集成了与预测的细胞核边界、细胞核区域特征、细胞核上下文优先级约束、细胞核形状信息相关的约束，以提高考虑用于检查的异常细胞核的分割过程的可靠性。此外，提出用于检测宫颈癌的基于Neutrosophic Graph Cut的分割技术的主要贡献是：(a) 它可以快速可靠地解决由于用于分析的收集的宫颈图像(b) 它使计算开销最小化，因为它迭代地使与用于检查的宫颈图像的空间和强度信息有关的不确定性值最小化。(c) 该方案的分类准确率、特异性和敏感性均优于用于调查的基于基准图切割的宫颈癌检测方法。(d) 在所提出的方案中使用的基于高斯函数的内核被证明证实在区分正常细胞与提取用于分析的细胞的癌细胞核和细胞质本文件随后各节的结构如下。第二介绍了现有文献中最常用的基于图割的图像分割方法的优点和局限性第3节介绍了详细的一步一步的过程中所涉及的建议中性图切割分割技术的实施。第4描述了在准确度、特异性和灵敏度方面描述所提出的基于中性图像切割的分割技术的重要性的结果和讨论。第5总结了所提出的技术的结论和未来的2. 相关工作在本节中，讨论了近年来提出的用于检测宫颈癌的最有潜力的基于图切割的分割方案。最初，提出了改进和调整像素的背景和前景信息的增强的Grab Cut方案，用于促进有效的宫颈癌细胞检测（Rother等人，2004年）。该方法采用边界抠像的方法，在检测过程中加强细胞质和细胞核的边界。Grab Cut方案被证明在与宫颈细胞图像的空间信息相关的所有多维方面都能轻松简单地提取预处理图像的重要特征，从而显著提高检测精度。然后，基于最小测地线距离提出了一种有效的宫颈癌细胞检测的双阶段图割分割方案（DaneJenkeetal.， 200 9）。在这种双阶段方法中，在第一步中确定具有背景和前景强度值的最大概率的宫颈细胞的像素。在第二步中，重叠的细胞是潜在的分离使用的最小测地线距离的计算，结合先验知识和梯度信息进行有效的分类。从而提高了预处理后的宫颈图像的质量，以在检测过程中获得更好的灵敏度和特异性此外，Al-Kofahi等人提出了一种增强的分割技术，该技术集成了两种图割，即二进制图割和基于Alpha扩展的图割。（2010）用于有效的宫颈癌细胞检测。该方法首先利用二进制图割提取巴氏涂片细胞的前景图像，然后结合高斯和拉普拉斯多尺度滤波过程，将种子点的显著与文献的基线最大和最小切割技术相比，这种图形切割分割方法产生更好的特异性和灵敏度。但是，这种方法的分类精度被证明是降低，由于其在解决宫颈细胞图像的不稳定染色的局限性类似地，提出了用于分割宫颈细胞图像的集成的全局和局部图切割方案，以便于更好地分类宫颈巴氏涂片细胞的聚集的异常和健康细胞核（Zhang等人， 2014年）。该图切割方法使用增强的多路图切割方法，其在全局维度中适当地分割细胞核和细胞质，以便解决描绘基于像素的强度信息的非模态分布的这种分割方案被证实，以识别宫颈巴氏涂片细胞的异常，即使当宫颈细胞图像的质量和染色是差的。该方案还能够结合边界，纹理，强度和区域的信息，以提高分类。这种分割方案被确定为遭受1354M. Anousouya Devi等人/沙特国王大学学报输入图像宫颈涂片细胞质和细胞核图像裁剪基于自适应各向异性滤波器的预处理图像展开反射基于中性图割的图像分割方法A. 图像展开B. 基于不确定性滤波器的代价函数估计C. 基于最大流算法的使用活动轮廓分割的初始分割过程细胞染色不一致的缺点，因为它不能有效地从宫颈细胞中提取潜在的信息。此外，提出了局部自适应图切割技术（LAGCT），其使用泊松分布的两个修改的变体来对细胞核和细胞质背景进行建模（Zhang等人，2016年）。提出了LAGCT来细化分割程度，以实现正常和异常癌细胞核之间的更好分类该LAGCT方案使用嵌入了基于超像素的Graphcut方案的深度学习过程，用于在研究期间增强对提取的细胞核的分割过程LAGCT方案的灵敏度和特异性被证实是优越的，因为它基于有助于有效检测癌细胞的多维约束来研究细胞核和细胞质结构发现这种LAGCT方法未能解决与巴氏涂片细胞的适当检测过程中涉及的染色和图像质量相关的然后，提出了基于轮廓的图形切割机制，用于检测异常细胞质和细胞核，以确认宫颈中癌细胞的存在（Pai等人，2012年）。这种基于轮廓的宫颈癌细胞检测方案利用灵活的决策阈值进行自动检测，以便从提取的巴氏涂片细胞图像中分离癌细胞。这种轮廓方法结合了灰度梯度偏差方法，用于从用于检查的提取细胞中提取细胞核但是，这种基于轮廓的方法无法提取精确的细胞质和细胞核边界，因此在大多数情况下，该方法的准确性此外，另一种基于深度学习的宫颈癌提出了核检测方案，用于收集空间和强度以使用卷积方法训练神经网络，从而获得更好的精度（Stanley等人，2018年）。这种基于深度学习的宫颈癌检测还使用了迭代和线性聚类方法，以确保更好的灵敏度和特异性，即使宫颈图像质量差且染色不稳定。但是，分类的准确率似乎比LAGCT方法和二进制图切割技术相对较低然后，提出了用于分割和过滤提取巴氏涂片的细胞核的基于拉普拉斯高斯滤波器的定制方法（LGFCA）（Agarwal等人，2015年）。该方法利用二阶边缘检测器对待分析的宫颈癌细胞进行预处理和特征提取。这种LGFCA方法也被证明是有效的，在解决由于重叠，折叠和染色的宫颈细胞的因素而出现的问题这种LGFCA技术被证实可以检测宫颈癌细胞，即使它们在癌性宫颈细胞中具有大量分级病变但是，与用于宫颈癌检测的LAGCT和最小-最大图切割技术相比，降低不确定性过滤值的比率相对较低最后，提出了一种基于集成图和完全卷积网络的颈核分割方法，用于训练和学习异常颈核的高度特征（Zhang等人，2017年）。这种高水平的训练主要用于产生核概率变换和核缺失掩蔽过程。该技术利用超掩模（hyper-mask）这种潜在的变换方法来构造预处理图像的图形，以提高检测速度和分类精度。这种基于掩模的分割方法能够通过动态规划的方法从估计的图中确定全局最优路径。这种基于掩蔽的检测过程并不适用于所有情况，因为它们缺乏从不稳定染色的宫颈细胞图像中提取显著特征的能力，这是由于特征收集的合并二进制方法。然后，提出了一种自适应距离惩罚约束基于提取潜在感兴趣区域的半自动分割方法，提出了用于检测宫颈癌细胞的图切割（ADPC-GC）机制（Oyebode和Tapamo，2016）。该ADPC-GC技术使用选择性分段的方法，使得能够以更精确的方式评估和ADPC-GC技术利用了最优分割的优点，将选择分割的功能与图割能量适应度函数相结合，使其优于现有的比较图割方案本文的下一部分详细介绍了在通过巴氏涂片检测宫颈癌的过程中，为提高分类准确性而提出的基于中性图切割的分割（NGCS）技术。3. 拟议工作基于中性点图像切割的分割（NGCS）方案由六个潜在步骤组成，包括：（i）用于检查的宫颈巴氏涂片的输入图像的细胞核和细胞质区域裁剪（自动方法用于裁剪来自巴氏涂片图像的区域），（ii）细胞核和细胞质区域的基于自适应各向异性滤波器的预处理，(iii)使用活动轮廓分割的初始分割过程，（iv）用于构造中性图的图像展开过程，（v）引入基于不确定性滤波器的成本函数估计，以便使用最大流算法估计最佳路径，以及（vi）使用图像展开反转将神经网络图切割确定的最佳路径映射到输入图像上，以改善细胞核和细胞质。用于癌细胞检测的MIC边界。图1中给出了为提高宫颈癌检测中的分类准确性而提出的基于中性图切割的分割（NGCS）方案的架构流程。1.一、提出的基于NGCS的分割方法的核心目标是提出一种有效的分割方法，有效地从宫颈癌细胞图像中提取细胞核和细胞质边界。这种有效分割的目标总是遵循潜在的预处理机制，用于处理杂乱的背景和解决细胞图像中的不规则染色。在这种基于NGCS的宫颈癌检测方法中，用于调查的宫颈细胞图像首先通过自适应各向异性滤波器进行预处理以消除噪声，并且在分割之前应用形态学变换来改善宫颈癌图像的质量。形态学变换是指使用与特征和结构有关的元素来估计图像形状的数学形态学变换。数学形态学的主要目标集中在将一组特征转换为其最优特征集的操作上。在这个拟议的NGCS中使用的主要形态特征Fig. 1.分块算法提出的基于中性图割的分割方案。M. Anousouya Devi等人/沙特国王大学学报1355.ð Þg ð Þ ð Þ ð Þ;yX轴ðÞ2p2kð Þ¼实验室测定¼VivðiÞ-两个vðiÞvv. 此外，NGCS中的预处理图像被表示为X X3的分割方法是周长，面积，坚固性，范围，偏心率，长轴，短轴，凸面积和等效直径定义见Do Nascimento et al. （ 2018年）。在这个亲-cpmax和gMAX，它们与TVmax的第一最大值和第二最大值有关。提出了基于NGCS的分割过程，三个特征选择1“XNC-212-两个1-2号方案等作为稀疏约束降维模型和独立抽样t检验滤波模型G¼d11/1 xi-cpxi-gMAXgk-1ð5Þ用于特征选择。这种数学形态学变换，如膨胀和腐蚀，有助于保持上述聚类中心cpmax和gMAX的值是在每次迭代之前修改，除非终止约束结构元素的某些特定特征的相关性用于映射。然后采用主动轮廓法作为. Tn¼1-Tn< B满足。在应用NGCS之前，先进行初始分割，然后进行在NGCS中，根据中性集（NS）表示的经预处理和初始分割的图像PIM被表示为具有与前景、不确定和背景隶属度值相关的三个潜在值的PM_NS_IM因此，每个像素P-[x;y]-[y]PMNS是表示如PMNSx;yfTvx;y;此外，一个现象和潜在的不确定性过滤器是在分割的过程中，为了消除不确定性信息的影响。在分割期间防止不确定性信息影响在所提出的NGCS方案中通过利用如等式（1）中定义的基于高斯分布的核函数（六）1a2b2ðÞIx;y;Fx;yg2012年12月22日，第二次世界大战期间，Þ ð6Þ被称为中性集，其中NS的每个元素都是定义为：设S1;S2;：;Sng是所考虑的中性集合中的替代集合。替代物S i是fTv <$S i;Iv <$S i;Fv S I=S i，其中Tv S i;Iv S I 和f-v这是真实的，真实的。隶属度、不确定隶属度和假隶属度值。此外，真实的成员资格和不确定的成员资格的价值量化使用Eqs。（1）和（2）的方法来估计由局部空间数据导出的PM_（NS）图的局部邻域像素与强度值之间存在的不确定性因子的程度。Ix;y-I其中ki表示在等式中。（7）表示标准偏差值，该值定义为取决于与不确定度的关系的Px;y的此外，a和b是指在从导出的中性图割集确定不确定性值时考虑的每个边的端顶点。kix;yfpx;yspx;yt7在此上下文中，清楚的是，如果当不确定度最大化时ki最大，则滤波过程可以在当前邻域上导出更好和更平滑的操作。相反，如果ki是最小值，则Tvx;yNNMINð1Þ不确定性被最小化，因此过滤INMAX-INMIN和我x yGMdx;y-GMdMINGMdMAX-GMdMINð2Þ只能在当前邻域上导出最小程度的平滑操作。因此，在所提出的NGCS方案中使用基于高斯分布函数的核函数来映射不确定度，以在邻域上执行更好的滤波和平滑操作而且合并的潜在不确定性滤波器变得均匀其中，GMd<$x;y<$和IN<$x;y<$是指梯度幅度因子因为它被应用在用于esti的真值隶属度值TV_i_i上以及PMMNSS图像上每个像素的强度系数值然后，中性集隶属度值估计不同组像素匹配不确定度滤波输出T1五月当量（八）基于具有变化的强度值，全球强度分布。最大不确定度值T1五月x;y至少 a;b可能分配给中性图的顶点的邻域的大小是1，并且考虑用于研究的邻域的大小取决于与顶点具有直接连接的顶点的数量K K2 21/4TVx-a;y-bG最小a;b8b<$y-ka<$x-k2 2其不确定性的值将被估计。此外，本发明还公式中使用的G Md x;y （1）、（2）仅针对邻域像素而不是整个图像。然后，基于高斯分布的核函数定义在方程。（6）为了量化TVix;y，将其修改为等式（9）为防止─在该NGCS方案中，采用中性C均值聚类技术（NCMCT）进行分割，挖掘T1五月X;Y估计不同类别的强度像素之间的不确定性值，因为它们已经被证明可以解决文献中提出的使用图割集的大多数最近工作中的不确定性点的限制因此，不确定性IViG至少a;b1至少和b2至少Þ ð9Þ和真值隶属度值TV_i_n，用于所提出的基于NGCS的分割方法是使用Eqs. （3）和（4）。k至少ix;yfIVx;ysiVx;yt10其中s和t是指用于转换的线性函数变量的不确定程度到的值的TG中国d1Gxi-cp-两个参数.此外，当相同的不确定性过滤器应用于中性C均值聚类技术时，IVIxi-gMAX图像，的过滤输出值是确定基于利用局部空间信息进行估计，其中，不确定性和真值的自适应常数（5）基于聚类中心检查中性图像。 因此，TVi-NCMx;y的值为：使用Eq. （十一）KiKi1356M. Anousouya Devi等人/沙特国王大学学报千分之一NCMab实验室测定ðÞðÞ¼ ð Þ ð Þ2 2 2ðÞFg;hDGVi-NCMg22T1Vi-NCM2016年12月20日，美国国家标准化委员会（NCM）批准了一项关于美国国家标准化委员会（NCM）的决议。ykxk和/200f -f =0如果fg¼ f h19X2 X2gh¼ b<$y-ka<$x-kTV-NCMx-a;y-bGNCMa;b11其中和1.这个数字常数被用作惩罚值，基于修正高斯分布的核函数以及如等式（1）中所定义的基于NCMCT的图像的标准偏差值。（十二）确定像素G之间存在的区分度和h. fg和fh是分段平滑函数，其表示Neu中相邻像素之间存在的度n链接G1- ;2pk2NCM和b2NCMÞ ð12Þ复曲面图伪码（I，NG，IF，Nu，Cy）I输入图像NG-中性图截kNCMx;yfPNCMx;ysPNCMx;yt13其中k是用于分割的滤波器核的大小IF-不确定性滤波器Nu-NucleusT的估计值Vi-NCM*x;y*用于构造Cy-CytoplasmMF-最大流算法为了提高宫颈癌检测的分类准确率，将图和最大流方法应用于所构造的图，以提高宫颈涂片图像分割的效率。 现在，中性剪切定义了用于划分图G_V;E_V的NC_V_P;F_V 分别在两个子集P和F中。因此，Neutro-sophic Cut NC P;F的割集是集合{u;v与UP和vF这意味着图的边的起点在P，终点在F。Neutrosophic Cut被用于宫颈涂片Pap图像的分割，这有两个重要原因，包括：（i）它具有通过将能量最小化问题公式化来有效地解决图像分割的能力，该能量最小化问题映射到图的最小割问题或最大流问题，以及（ii）它们在确定宫颈癌细胞的涂片Pap图像的边界方面发挥全局有效的作用。此外，在所提出的基于Neutro-sophic Cut的巴氏涂片分割过程中使用的能量函数包括两个与平滑的EDNCS相关的构造（平均值）。函数EFNCS之间存在一致性的保证和指定区域）和数据值ESNCS（量化函数EF NCS平滑的水平及其被描绘为所构造的图的n-链路的可能性），如等式2中所描述的。（十四）EFNCSEDNCSESNCS14其中EFNCS是将像素映射到多个组中的变换函数，ES NCS是平滑压缩函数。 尽管使用了多种不同的能源模式，在宫颈癌涂片细胞的基于图的分割过程中，能量函数的部署，Potts能量模型被用于该基于图的分割过程。因此，变换函数EF NCS通过等式（1）中定义的表达式来修改。（十五）EFNCSXEDNCSgXEFNCSg;h15其中光滑函数E∈NCS数据和数据功能ENCS读取输入图像I利用自适应反旋滤波器使用活动轮廓分割进行初始分割使用I计算基于IF的代价函数使用MF算法选择最优路径使用图像展开反转输出：分割的细胞核和细胞质区域最后，图割的最大流方案用于促进从背景中分割子宫颈抹片图像的过程然后，图像展开反转的方法4. 实验结果和讨论使用Herlev数据集（Marinakis等人，2009 a，b; Chankong 等人，2014年）。这个Herlev数据集包括近917个宫颈细胞图像，这些图像是在Herlev大学医院使用数码相机和显微镜收集的。Herlev数据集包括七类宫颈细胞，包括浅表鳞状细胞、柱状上皮细胞、癌细胞、中度不典型增生、轻度不典型增生、重度不典型增生和中度鳞状细胞。 在Herlev数据集的917个宫颈癌细胞图像中，150、192、146和182个与宫颈癌、重度不典型增生、中度不典型增生和轻度不典型增生图像相关。该提出的基于NGCS的宫颈癌细胞检测方案使用Matlab2013与上述Herlev宫颈细胞数据集进行检查。起初，Fig。图 2描绘了连续步骤的结果参与拟议的中性图切割基于段-一种无高斯函数核的改进方法这一结果证明了所提出的中性图割的优点，使用Eqs定义（16）和（17）对于两个连续像素g并且NC下的h是像素g的邻域EFNCSg;ha/fgE DT1-C p.p.ð17Þ与在细胞核和细胞质分割方面的分割方案，其在图形构建期间嵌入像素的空间和强度信息这一结果证明，在建议的中性图的不确定性过滤过程中，如果不加入高斯函数核，则不能很好地确定细胞质和细胞核的边界基于切割的分割方案。类似地，图3描绘了连续步骤//fgfg参与建议中性图切割的分割方法与高斯函数核。这一结果证明g2Pg;h2NPM. Anousouya Devi等人/沙特国王大学学报1357图二.所提出的基于Neutrosophic Graph Cut的无高斯函数核的分割的步骤（从左到右呈现的子图表示原始宫颈细胞图像，其中（a）表示浅表鳞状，（b）表示中间鳞状和（c）分别表示代表Herlev数据库中的类别的轻度发育不良，各向异性扩散滤波器的输出用于图像预处理，然后使用初始活动轮廓分割来分割图像，使用基于切割的中性点图像，其中蓝色标签表示细胞核区域，绿色标签表示细胞质区域，使用不含核滤波器的不确定性滤波器分割细胞核和细胞质区域，生成核变换图，其中中心内边界表示细胞核并且外边界表示细胞质，最终分割图像，其中红色标记细胞质边界并且较暗强度像素表示细胞核区域。通过在图形构建期间整合像素的空间和强度信息来检测细胞核和细胞质边界的速率是最佳的。这一结果证明，利用高斯函数核在不确定性滤波器中对细胞质和细胞核边界的确定是很好的。结果证实，最大流算法的使用是非常适合于解决在分割异常宫颈细胞核和细胞质的过程中出现的问题。此外，图图4和图5基于分类准确度和灵敏度呈现了所提出的基于Neutrosophic Graph Cut的宫颈癌检测方案相对于现有基准Graph Cut技术（如ADPC-GC、LGFCA和LAGCT）的性能。所提出的NGCS技术的分类准确率和灵敏度分别为99.42%和98.52%。NGCS技术的准确率似乎平均提高了3.12%，优于用于比较的ADPC-GC、LGFCA和LAGCT方法所提出的NGCS技术的这种改进率主要是由于不确定性滤波器的利用，该不确定性滤波器利用嵌入基于高斯函数的内核以提高效率。此外，所提出的NGCS方案被确定为是有效的，因为它使用形态学的方法进行特征提取，主成分分析（PCA）的特征集选择和支持向量机（SVM）的分类。类似地，所提出的NGCS技术的灵敏度也被实现为在与ADPC-GC、LGFCA和LAGCT技术相比，平均提高2.96%敏感率的提高是由于所提出的NGCS技术以适当的方式确定宫颈细胞的细胞质和细胞核边界的潜力此外，图图6和图7显示了所提出的基于Neutrosophic Graph Cut的宫颈癌检测方案优于现有基准Graph Cut技术的性能，其使用特异性和处理每个图像所消耗的平均时间。建议的NGCS技术的特异性和平均时间消耗的处理每一个图像的97.54%和2。 78分。NGCS技术的特异性被证实比用于比较的ADPC-GC、LGFCA和LAGCT方法提高2.65%。所提出的NGCS技术的特异性的这种改进主要是由于结合了Neutrosophic集益处，其通过以优势方式对宫颈细胞的边界进行分类，使用最大流算法帮助同样地，所提出的NGCS技术处理每张图像的平均时间消耗最小化3.42%，优于比较的ADPC-GC、LGFCA和LAGCT技术。这种平均时间消耗的减少是通过利用两级分割来实现的，这通过在检测中准确估计宫颈细胞的细胞质和细胞核边界来提高此外，图。图8和图9例示了使用精确度和召回率值的所提出的基于中性图切割的宫颈癌检测方案的潜在性能。精度1358M. Anousouya Devi等人/沙特国王大学学报图3.第三章。所提出的利用不确定性滤波器和高斯函数核的基于中性图切割的分割的步骤（从左到右呈现的子图表示原始宫颈细胞图像，其中（a）表示癌，（b）表示严重发育不良，（c）表示中度发育不良，以及（d）表示柱状上皮基于各向异性滤波器的预处理和初始活动轮廓分割方法，利用红色标签的基于中性图切割的分割，其中细胞质被表示，并且内部的高强度像素表示细胞核，最大流方法被应用于细胞核的检测，并且内部的暗的高强度像素表示细胞核区域）。和召回值的建议NGCS技术分别为0.91 0.14和0.95 0.08。与ADPC-GC、LGFCA和LAGCT方法相比，NGCS方法的精度提高了5.63%。具体地说，所提出的NGCS技术的精度值分别为0.95、0.11、0.91、0.12、0.930.12和0.930.08相关以宫颈癌、重度不典型增生、中度不典型增生和轻度不典型增生的影像学资料进行调查。类似地，所提出的 NGCS技 术 的召 回 值 估 计 比用 于 比 较 的 ADPC-GC 、 LGFCA 和LAGCT方法提高4/86%。具体而言，所提出的NGCS技术的召回值分别为0.96 ± 0.06、0.93 ± 0.10、0.91 ± 0.16和0.96 ± 0.12。此外，表1-表1-3 中突出显示的结果推断，所提出的NGCS方案的分类准确性和灵敏度被确定为比用于研究的基准的基于Graph Cut的宫颈癌检测方案更显著，平均增强裕度分别为5.24%和4.25%。同样，所提出的NGCS方案的每幅图像处理的特异性和平均时间消耗被确定为比其他基线方法分别提高了4.65%和5.21%的显著幅度。实验结果表明，NGCS算法的查准率和查全率都得到了提高，M. Anousouya Devi等人/沙特国王大学学报1359见图4。分类精度-建议基于中性图切割的检测。图五.基于宫颈癌的敏感性建议中性粒细胞图切割。见图6。特异性提出的基于Neutrosophic Graph Cut的宫颈癌检测。见图7。处理每张图像的平均时间消耗-图8.第八条。精确值见图9。召回值-提出的基于Neutrosophic Graph Cut的宫颈癌检测。4.76%和4.34%，与用于分析的其他基线方法相比对宫颈图像进行的实验结果分析表明，所提出的NGCS方法比其他现有的手动方法产生更好的结果，这也提高了图像的质量进行预测并确诊为宫颈癌差的染色使得手动方法由于分割所花费的时间量而变得复杂，但是所提出的方法提高了准确性并增强了图像的质量。1360M. Anousouya Devi等人/沙特国王大学学报表1基于分类精度和灵敏度的NGCS方案的比较分析。第一作者和年份分类准确率（%）灵敏度（%）建议的NGCS计划99.4298.52Rother等人（二零零四年）94.5293.42丹·埃瑞克·塔勒。（二零零九年）95.2394.52Al-Kofahi等人（二零一零年）94.5695.23Zhang等人（2016年）98.2197.43Pai等人（2012年）97.5296.73Stanley等人（2018年）97.8396.21Zhang等人（2017年）98.3497.46表2比较分析所提出的NGCS计划的基础上的特异性和平均时间消耗处理每幅图像。第一作者和年份特异性（%）处理每个图像的平均时间消耗（s）建议的NGCS计划99.422.29Rother等人（二零零四年）95.123.56丹·埃瑞克·塔勒。（二零零九年）95.163.68Al-Kofahi等人（二零一零年）96.563.86Zhang等人（2016年）98.122.86Pai等人（2012年）97.563.31Stanley等人（2018年）97.323.41Zhang等人（2017年）98.262.76表3使用精确度和召回率对所提出的NGCS方案进行比较分析第一作者和年份精确召回值建议的NGCS方案0.95 0.11 0.96 0.06Rother等人（2004年）丹·埃瑞克·塔勒。（2009年）0.9 00.140.9 20.14Al-Kofahi等人（2010年）Zhang等人（2016年）0.94 0.160.94 0.13Pai等（2012年）Stanley等人（2018年）0.94 0.130.94 0.16Zhang等人（2017年）0.94 0.180.95 0.125. 结论提 出 了 一 种 基 于 Neutrosophic Graph Cut-based Segmentation（NGCS）的宫颈细胞图像细胞质和细胞核的有效提取方法子宫颈抹片检查中的癌细胞所提出的NGCS方案被确定为占主导地位，因为它利用高斯核函数的优点，减少空间和强度值的像素在预处理图像使用不确定性滤波器。使用Herlev数据集研究了所提出的NGCS方案的意义，该数据集包括与浅表鳞状上皮、柱状上皮、癌、中度不典型增生、轻度不典型增生、重度不典型增生和中度鳞状上皮7种宫颈癌类别相关的917个宫颈细胞图像。实验结果表明，该方法的分类准确率、灵敏度、特异度、精确度和召回率分别比文献中的研究结果提高了5.24%、4.25%和4.65%、5.21%、4.76%和4.34%实验结果还表明，所提出的NGCS方案的准确率和召回率值与Herlev数据集中存在的七种宫颈癌类型的检查相比，在未来，计划制定一个混合的图形切割技术，宫颈癌检测相结合的操作，建议中性图割和文献中存在的任何传统的图割方案。引用Agarwal，P.，Sao，A.，Bhavsar，A.，2015年。基于均值漂移的宫颈涂片细胞核分割 。 2015 年 第 五 届 全 国 计 算 机 视 觉 ， 模 式 识 别 ， 图 像 处 理 和 图 形 会 议（NCVPRIPG），pp。 33比41Al-Kofahi，Y.，Lassoued，W.，李，W.，Roysam，B.，2010.组织病理学图像中细胞核的自动检测和分割。IEEE生物医学学报Eng.57（4），841-852。巴拉克里什南，S.，Parthasarathy，S.，Marimuthu，K.，2013.基于计算智能的巴氏涂片图像细胞核分割。Biometrics 1（1），259-280.Boykov，Y.，Funka-Lea，G.，2006年。图割和有效的N-D图像分割。国际计算机Vision 70（2），109-131.Chankong，T.，Theera-Umpon，N.，Auephanwiriyakul，S.，2014.巴氏涂片中的宫颈细胞自动分割和分类。Comput.方法程序生物医学。113（2），539-556。Cheng，H.D.，Guo，Y.，中国科学院，张玉，2011年。提出了一种基于模糊集和改进的模糊C均值算法的图像分割方法。New Math. Nat. Comput. 07（01），155-171.丹·埃克塞特，O.，Matula，P.，Ortiz-de-Solórzano，C.，Muñoz-Barrutia，A.，Maška，M.，Kozubek，M.，2009.使用两阶段图割模型分割接触细胞核。图像肛门。2（1），410-419。Do Nascimento，M.Z.，Martins，A.S.阿泽维多·托斯塔助教洛杉矶内维斯2018. 淋巴瘤图像分析使用形态学和非形态学描述符进行分类。Comput. 方法程序BioMed. 16 3 ，65-77.Garcia-Gonzalez，D.，Garcia-Silvente，M.，Aguirre，E.，2016.巴氏涂片细胞核提取的多尺度算法。Exp. 系统Appl. 64，512-522.Guo，Y.，中国科学院， S，engür，A.，2014年。一种新的基于分形相似性聚类的图像分割算法。应用软件计算25，391-398.库尼亚万河，2013.基于距离度量准则的改进分水岭算法在巴氏涂片细胞核聚类分离中的应用。Teknoin 19（1），54-62.拉克希米，GA，Ravi，S.，2017.基于布谷鸟搜索的ICM宫颈细胞图像自动分割算法J.Ambient Intell. Hum. Comput. 2（1），56-65。Marinakis，Y.，Marinaki，M.，Dounias，G.，Jantzen，J.，Bjerregaard，B.，2009年a。医学中的智能和自然启发优化方法：巴氏涂片细胞分类问题。Exp. 系统 26（5），433-457。Marinakis，Y.，Dounias，G.，Jantzen，J.，2009年b。基于遗传算法特征选择和最近邻分类的巴氏涂片诊断。Comput. Biol. Med. 39（1），69-78。Oyebode，K.O.，Tapamo，J.R.，2016.选择性细胞分割使用半自动图形切割与自适应距离处罚。 J. BioMed. Res. 27（4），1094-1098。Pai，P.，昌角，澳-地Chan，Y.，2012.从子宫颈抹片检查影像中找出细胞核与胞质轮廓。Exp. 系统Appl. 39（1），154-161。Riana，D.，Hidayanto，A.N.，Widyantoro，D.H.，Mengko，T.L.，Kalsoem，O.，2017. 巴氏涂片图像中重叠胞浆和重叠区域的分割。2017年第8届信息，智能，系统应用国际会议&（IISA），pp。 45比53Rother，C.，Kolmogorov，V.，Blake，A.，2004.快切。ACM事务处理图表23（3），309. Salah，M.B.，Mitiche，A.，Ayed，I.B.，2011.基于参数核图割的多区域图像分割。IEEE Trans.图像处理。 20（2），545-557。斯 坦 利 河 ， Sornapu