没有合适的资源?快使用搜索试试~ 我知道了~
医学信息学解锁20(2020)100416一种有效的白细胞核检测算法自适应三阶段PCA融合Mimosette Makema,b,Alain Tiedeua,b,c,*a信号、图像和系统实验室,医学和生物医学工程,EBOLOWA高等技术教师UniversityofYaound'e1喀麦隆bLAGEMES,ENSP,POBox8390,UniversityofYaound'eI,Yaound'e,CamerooncCentre for Research,Experimentation and Production,ENSET,PO Box 886,Ebolowa,CameroonA R T I C L EI N FO保留字:白细胞图像融合细胞核检测外周血涂片A B S T R A C T在显微镜下对白细胞进行形态学分析是诊断包括白血病在内的多种疾病的重要实验室程序。然而,这个过程是繁琐和主观的,因此需要创新的,有效的和自动的分析技术。针对目前文献中白细胞核自动分割算法存在的无法分割亮度差、对比度低的图像或分割过程中细胞核形态结构恶化等缺陷,提出了一种外周血涂片白细胞核自动分割方法。在所提出的方法中,基于主成分分析的自适应融合被用来融合来自HSV和CMYK颜色空间的颜色分量。所提出的方法使提取的细胞核,而不应用形态学操作,并提出了强调的对比度的优势,由于基于PCA的融合和独立的颜色和亮度变化的周边图像。所开发的算法进行了测试,在三个完全不同的公共图像数据集。在相同的数据集上,该算法与其他几种现有方法的结果比较表明,它具有更好的效果。与CellaVision、BloodSeg和JTSC数据库的相似系数分别为97.06%、 94.75%和90.79%介绍世界卫生组织(WHO)的一项研究[1]表明,世界上第二大死亡原因是癌症。白血病是血癌的一种形式,其特征在于各种形式的未成熟和无功能白细胞的增加。早期诊断有利于患儿的康复[2]。因此,需要快速和可靠的白血病诊断以进行有效治疗。白血病的诊断方法有免疫分型、形态学研究、细胞化学、细胞遗传学和分子生物学[3]。在所有这些方法中,基于显微镜下白细胞形态学研究的白血病诊断方法是最具成本效益的。然而,它所需要的视觉分析是繁琐的,难以再现和耗时的。此外,诊断的准确性高度依赖于操作者的技能,并且有时需要不同的专业知识和技术来减少错误,是主观的。此外,实施其他方法所需的设备相对昂贵,因此在中等预算医院很少使用[4]。为了克服显微镜下形态学研究方法中人为因素的影响一些常用的图像处理工具包括分割、特征提取和分类[2,5白细胞分割是这些算法中的关键步骤,因为良好的分割提高了检测的准确性。白细胞的分割通常包括从复杂背景中提取白细胞,然后将其分离为形态学成分(细胞核和细胞质)。然而,在淋巴母细胞的检测过程中,细胞核的形状比细胞质的形状更重要[9]。本文提出了一种新的细胞核分割方法这 是 基于 对 的 HSV 和 CMYK 颜色 空间和自适应* 通讯作者:信号,图像和系统实验室,部门。喀麦隆雅温得大学EBOLOWA高等技术师范学院医学和生物医学工程系,POBox886。电子邮件地址:alain_tiedeu@yahoo.fr(A.Tiedeu)。https://doi.org/10.1016/j.imu.2020.100416接收日期:2020年6月10日;接收日期:2020年8月11日;接受日期:2020年2020年8月20日网上发售2352-9148/©2020的 作者。发表通过 Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页:http://www.elsevier.com/locate/imuM. Makem和A. 蒂耶乌医学信息学解锁20(2020)1004162××××××=-主成分分析(PCA)融合。该方法适用于多种图像数据库,并且不需要使用腐蚀和膨胀等形态学操作,这些操作会影响白细胞核的原始本文的其余部分组织如下:相关的工作在第2节。所使用的图像数据库和所提出的方法的架构在第3节中描述。在第4节中,介绍了评价指标、获得的结果和讨论。最后,对全文进行了总结,并对未来的研究进行了展望.1. 相关工作核分割通常使用诸如活动轮廓[10,11],k均值[12,13],圆检测[14,15]和阈值[16,17]等方法进行。然而,阈值技术由于其高效率和可靠性而被广泛使用[18]。Mohamed和Far [19]提出了一种分割算法,该算法对初始彩色图像的绿色分量应用线性对比度拉伸,然后进行直方图均衡。这之后是一些算术运算和大津阈值提取核。将与参考文献[ 20 ]中相同的步骤应用于灰度图像,以分割细胞核。对参考文献BloodSeg数据库中的365幅图像,平均相似性性能分别为80.6%和79.9%。[19、20]。然而,这些分割过程对于细胞核、细胞质和红细胞之间对比度低的图像无效[21]。Rezatoi等人。[22]提出了一种利用Gram-Schmidt正交化方法和自适应阈值的细胞核分割算法。对LSCI数据库中的251幅测试图像,平均相似度为93%。同样地, 穆罕默德 et al. [23日] 采用 格拉姆-施密特正交化法和Otsu阈值法对BloodSeg数据库中的365幅图像进行了相似性分析,平均相似度为85.4%。然而,正交化向量的计算是特定于精确的图像数据库的。Putzu等人。[2]采用CMYK和CIElab颜色空间,然后Zack的阈值方法来消除背景并提取白细胞。他们应用Otsu的阈值法进行细胞核检测。作者仅使用ALL-IDB 1数据库中的33张图像的子集,并获得了92%的平均检测准确率。Arslan等人[10]提出了一种基于减法运算、Otsu阈值法、活动轮廓法和标记控制分水岭算法的白细胞分割方法。作者考虑了包含650个白细胞的31个图像的私人数据库,并报告了94.09%的分割准确率。另一方面,Vincent等人[13]在L×a *b颜色空间上使用K均值聚类算法将其分离为细胞核、细胞质和背景聚类。然后Otsu将核心星团转换为二进制。不幸的是,没有提到分割方法的性能Sarrafzadeh等人。[24]在原始RGB图像上使用3 3中值滤波器和3 3高斯滤波器然后将图像转换到L a *b颜色空间,利用颜色分量a和b进行K均值聚类,提取细胞核。对来自私人数据库的195幅测试图像进行Jac- card相似性评价,平均相似度为93.71%Li等人[18]还提出了一种基于对比度拉伸后的灰度图像与HSV颜色空间的H颜色分量的交集的双阈值化白细胞分割的平均相似系数为97.85%. Vogado等人。[12]分别对CMYK和la *b颜色空间的颜色分量C和b应用对比度调整和中值滤波器,之后在b和C之间应用减法。然后对所得图像使用K均值聚类算法来提取细胞核。作者使用了来自ALL-IDB 2、BloodSeg和Leukocyte数据库的图像,这些数据库的kappa指数分别为0.93、0.86和Tareef等人[25]采用了两种颜色空间(la *b和RGB)和泊松分布阈值算法进行核提取。此外,离散小波变换、Otsu阈值法和形态学操作在参考文献[ 25 ]中用于细胞质检测。文献[1]提出了一种基于Gram-Schmidt正交化和分水岭法的细胞[26]. 参考文献中使用了两组365张图像和242张图像[25、26]。细胞核分割的平均相似度分别为84.3%和90.1%。然而,当细胞核和细胞质的颜色相似时,这些方法是低效的Abdeldaim等人。[27]提出了一种基于RGB颜色空间转换为CMYK的分割技术。变换后,分别对Y和M分量采用直方图均衡化、Zack阈值化算法进行白细胞和细胞核的识别。见参考文件[28],原始RGB图像用中值滤波器进行预处理然后应用阈值处理和形态学开口提取白细胞和细胞核。在此过程中考虑了一个专用数据库study.Shahin等人。[16]提出了一种基于自适应语义相似性得分的分割方法。在该方法中,使用四种颜色空间用G、C、M、H、S等颜色分量对细胞核进行分割,用B、H、Y等颜色分量对细胞质进行分割。作者报告了细胞核分割的平均相似性性能为98.3%,所用图像的定量准确度A1为96.5%,A2为97.2%。Hegde等人[17]对原始RGB图像应用增强方法,然后应用Tissuquant方法,最后应用依赖于Otsu本研究中使用的图像包括:来自ALL-IDB 2基础的160幅图像,160幅实验室图像,640幅亮度均匀变化的图像和160幅亮度不均匀变化的图像然而,亮度的变化仅在实验室图像上引入。作者报道了相似系数的平均0.97. Hegde等人[29]认为近似相同的增强,本文采用文献[17]中的核提取方法,结合一些算术运算、最小滤波、Zack另一方面,Erik等人[14]使用基于电磁学优化的圆形检测器进行WBC计数。所提出的方法达到了96.48%的准确率。然而,这些方法没有检测到整个WBC。Rajinikanth等人[15]研究了使用布朗火焰算法、Kapur熵和基于Hough变换的圆形检测来提取外周血涂片图像中的白细胞。作者报告良好的F1评分值为97.28%。然而,这些方法仅在LSCI数据库上进行了测试。从文献中可以看出,已经开发了几种细胞核分割方法。许多作者[12,17,28]使用形态学操作,如侵蚀,扩张或两者兼而有之,作为分割后细化细胞核轮廓的过程。这些操作影响了细胞核的原始形状和形态结构[30]。此外,几种方法在细胞核、细胞质和红细胞之间亮度差和对比度低的图像上失败,因此对于数量减少的图像数据库是有效的[19,20,23,25,26]。因此,有必要开发创新的和有效的算法,用于核分割,这将是独立的图像中的亮度的变化,并适用于几个图像数据库。在这项研究中,我们提出了一种新的白细胞核分割方法,可以克服上述限制。本文的主要贡献如下。1.提出了一种生成6级灰度图像的图像预处理方法。该方法不受周边图像颜色和亮度变化的影响M. Makem和A. 蒂耶乌医学信息学解锁20(2020)1004163××××Fig. 1. BloodSeg、Cellavision和JTSC数据库的样本图像。图二、 所提出方法的框图。2.提出了一种基于主成分分析的三阶段融合方法,3.该方法在三个公开数据集上运行良好,并超过了许多论文的性能。2. 材料和方法在本节中,介绍了所使用的图像数据集和所提出的用于细胞核分割的方法。2.1. 图像数据集在这项工作中,使用的图像是血液涂片图像,包含红细胞,血小板和白细胞(中性粒细胞,嗜碱性粒细胞,淋巴细胞,单核细胞和嗜酸性粒细胞)。每个白细胞都含有一个核和一个细胞质.细胞核的形状从圆形到分叶状,取决于白细胞的类型[31]。为了证明所提出的方法的效率,被认为是在不同的成像条件下获得的,并在以前的研究中广泛使用的三个公共图像数据库。第一个数据库“BloodSeg”[ 23]包含367个血液涂片图像的分辨率为640 - 480PIXEL的光学显微镜耦合到彩色CCD相机获得。显微镜的放大倍数是100倍物镜. 这些图像具有由专家完成的细胞核的真实分割。第二个数据库300像素。该数据库具有细胞核和细胞质的真实分割,由血液学专家进行[32]。最后一个数据库“JTSC“包含300个白细胞的图像,分辨率为120 -120像素。它还具有由专家执行的地面实况分割。该数据库由中国江西特康科技公司收购[32]。这三个数据库的图像具有不同的对比度和亮度,如图1所示。上述数据库可参见参考文献[33,34]。2.2 该方法分割技术的示意图如图2所示。这种方法有三个主要步骤。第一步是在三个颜色分量(HSV颜色空间的S、CMYK颜色空间的C和M)上应用预处理工具,并创建新图像M. Makem和A. 蒂耶乌医学信息学解锁20(2020)1004164×=-× +图三. (a)原始图像;(b)-(d):(e)-(g):分别为HSV颜色空间的H、S和V分量。(For对本图中颜色图例的解释,读者可参考本文的网络版。)表1评价参数的数学表达式。3. 3.将C、M和S颜色分量分别从它们的补集中减去,得到新的灰度图像Cn、Mn和Sn。4. 4. 从它们的颜色分量中分别减去C、M和S颜色分量,参数EX压意味精度(A)TP+TN/TP+TN+FP+FN5. 5. 对结果精确度(P)召回率(R)骰子相似系数误分类错误(ME)Jaccard距离(JD)Kappa指数(K)TP/TP+FPTP/TP+FN2*TP/( 2 *TP+FP+FN)FP+FN/TP+TN+FP+FN|AprogAexp|- -一种|AprogAexp|//下一页|AprogAexp|θ1-θ 2/1-θ 2θ1 =TP+TN/TP+TN+FP+FNθ2=((TP+FN)*(TP+FP)+(TN+FN) *(TN+FP))/(TP+TN+FP+FN)2步骤4中获得的图像。结果图像被命名为C、M和S图像。该预处理方法是先从颜色分量的均值中分别减去C、M和S,然后用半径为r的圆平均滤波器3像素和大小H2R1,然后应用大小为5 ×5和标准偏差为0.5的高斯滤波器。这些连续的操作可以减少细胞核和细胞质之间的干扰,并保留细胞核的轮廓[36]。此外,本发明还提供了一种方法,即Cn、Mn和Sn。第二步从选择要融合的分量开始,然后通过PCA应用融合。前两个步骤是本研究的主要贡献根据等式(1)获得从分量C、M和S(一).C=C-C--该方法以阈值化和区域滤波器的应用结束2.2.1. 预处理MnM MS-Sn=S-S(一)白细胞的核以不同的形式和颜色存在,因此细胞核分割技术使用几种颜色成分,因为每种成分都包含特定的特征[35]。在本研究中,使用CMYK和HSV颜色空间。CMYK颜色空间是主要用于印刷领域的减色空间。它有四个组成部分:青色(C),品红色(M),黄色(Y)和黑色值(K)。从本质上讲,HSV颜色空间(色调,饱和度,值)是一种在人类感知颜色的方式上比RGB颜色空间更接近的颜色空间。这个特性使得HSV颜色空间适合于颜色分析和图像分割。血涂片原始RGB图像的颜色分量C、M、Y、K、H、S和V如图所示。3.第三章。对该图的定性分析表明,在C、M和S颜色分量中,白细胞的细胞核具有比其它像素更亮的像素为了利用这种高亮度,这些组件将被用于我们提出的分割方法。所提出的方法对输入图像进行预处理的步骤如下:1. 将输入RGB图像转换为HSV和CMYK颜色空间2. EX牵引C、M和S分量其中C、M和S是C、M和S颜色分量分别灰度图像Cn、Mn和Sn具有较宽的PIXEL范围,其中细胞核的pixel值为正。2.2.2. 基于PCA的图像融合是将来自相同或不同来源的多幅图像的信息组合起来构建图像的过程,从而使其更具信息性。图像融合方法用于图像处理中的预处理、分割、分类和对象识别[37]。主成分分析(PCA)是一种将相关变量转换为互不相关的新变量的技术,可用于计算图像融合所需的权重。在PCA方法的图像融合过程中,首先将待融合图像变换为列向量,并存储在矩阵X中,然后将矩阵X的每一列减去其均值和协方差矩阵X,由此计算矩阵X。然后,计算协方差矩阵X的特征向量和特征值,并按降序进行分类。对应于最高本征值的本征向量用于根据等式(1)计算融合的权重值。(2)并利用等式(1)获得融合图像。(3)[38]。M. Makem和A. 蒂耶乌医学信息学解锁20(2020)1004165()下一页m*ni=1见图4。(a)原始图像;(b)C颜色成分;(c)M颜色部分;(d)S颜色部分;(e)Imf 1(C、M和S颜色分量的融合);(f)新分量Cn;(g)新分量Mn;(h)新分量Sn;(i)Imf 2(Cn、Mn和Sn分量的融合);(j)Imf(Imf 1和Imf 2的融合);(k)阈值化后的图像;(d)Nucleus。(有关此图例中颜色的解释,请读者参考本文的Web版本表2P1V(1)P2=V(2)Pn=V(n)(二)CellaVision数据集的平均混淆矩阵X分割地面实况Nucleus背景=∑V,∑V,∑VIm f=P1 * I1+P2 * I2+.... Pn*In(3)核TP= 8817.34(96.90%)FP= 282(3.1%)2.2.3. 自适应三阶段PCA融合在这项研究中,融合PCA与代表性的输入图像,表3背景FN= 276,38(0.34%)TN= 80,624,28(99.66%)基于包含在C、M、S、Cn、Mn和Sn颜色成分中的信息施加3次。这些融合的目标是具有在细胞核和背景之间具有突出对比度差异的灰度图像,而与输入图像的亮度变化或输入图像中细胞核的颜色JTSC数据集的平均混淆矩阵X分割地面实况Nucleus背景核TP= 1590.35(86.70%)FP= 244.09(13.30%)第一次融合在颜色分量C、M和S之间进行。为了具有有效的融合结果,而不管颜色分量C、M和S中的像素强度之间的差异,由等式(1)定义的平均MP(4)用于选择要被背景费=133 573 333(1.10%)TN= 12,007,18(98.9%)融合了MP表示正像素的总和除以图像中像素M nMP=1∑ ∑P(i,j)(4)j=1表4BloodSeg数据集的平均混淆矩阵X分割地面实况Nucleus背景在该等式中,Pi,j表示位置(i,j)处的正像素el的强度,m和n分别表示图像的高度和宽度。核TP= 10,655,64(93,66%)FP= 721.47(6.34%)根据以下步骤进行选择背景FN= 408,51(0.13%)TN= 295,414,36(99.87%)计算颜色分量C、M和S的相应MP。选择这三个分量的最大MP的三分之一作为阈值参数。M. Makem和A. 蒂耶乌医学信息学解锁20(2020)1004166• MP值大于阈值的图像的融合。在三个分量的MP值大于阈值的情况下,只有S和C分量被认为是通过··M. Makem和A. 蒂耶乌医学信息学解锁20(2020)1004167表5不同数据库的评估指标结果图像数据集A(%)P(%)R(%)DSC(%)K我DJBloodSeg99.6392.9997.0694.750.94570.00360.0975CellaVision99.3797.3796.9797.060.96710.00620.0556JTSC97.2991.0193.1290.790.89310.02780.1567图五. CellaVision、BloodSeg和JTSC数据集之间的ME变化。见图6。在应用形态学算子后BloodSeg数据库的DSC和Kappa变化的平均值;(a)圆盘结构元素的情况;(b)金刚石结构元素的情况。PCA。在这种情况下忽略M组分是由于细胞核和细胞质在该组分中具有相似的对比度然而,当仅选择一个图像时,其被认为是融合的结果。第一次融合的结果图像被命名为Imf1。在组分Cn、Mn和Sn之间进行第二次熔合。 为了不管颜色分量Cn、Mn和Sn中的像素强度之间的差异而具有有效的融合结果,应用先前解释的准则MP来选择要融合的图像。然而,在该融合过程中,当三个分量的MP值大于阈值时,它们都通过PCA融合。这个融合步骤的结果图像被命名为Imf2。在第一和第二融合的结果图像之间进行最后一次融合,在此之后,结果图像的负像素Imf3根据等式(1)改变为零(0)(五)、生成的图像被命名为IMF。2.2.4. 存储和后处理在融合步骤之后,在Imf图像上使用Otsu然后将该阈值再次应用于IMF图像以给出二进制图像。随后,应用区域滤波器从二值图像中去除伪影和血小板滤波器的大小根据输入图像的分辨率来选择。使用Otsu的阈值化方法,因为从融合步骤得到的图像的核和背景是清楚可区分的。根据Juan等人的研究,2016年,大津的方法适用于这种情况。对于BloodSeg和CellaVision数据库,消除小于800的像素区域。另一方面,对于JTSC数据库,消除了像素小于100的区域Imf(i,j)=Imf 3(i,j),Imf 3(i,j)>0 Imf=0 ailleurs(五)3. 实验结果实验使用英特尔酷睿i5处理器进行, 12 GB RAM,Windows 10操作系统。该方法{M. Makem和A. 蒂耶乌医学信息学解锁20(2020)1004168≤ ≤≤≤见图7。在应用形态学算子后CellaVision数据库的DSC和Kappa变化的平均值;(a)圆盘结构元素的情况;(b)金刚石结构元素的情况。见图8。应用形态学算子后JTSC数据库的DSC和Kappa变化的平均值;(a)圆盘结构元素的情况;(b)金刚石结构元素的情况。在MATLAB 2018a上使用适当的语法实现。3.1. 评估指标为了评估所提出的方法的性能,我们计算了以下参数:准确度(A),精度(P),召回率(R),Dice相似系数(DSC),Kappa指数(K),错误分类误差(ME)和Jaccard距离(JD)[21]。精确度(P)是真阳性而不是假阳性的检测分数。召回(R)是检测到而不是错过的真阳性的分数。召回率(R)的低值报告欠分割,而精确度(P)的低值报告过分割。Dice相似性系数用于评价专家分割的细胞核(地面实况)与所提出的方法分割的细胞核之间的相似性。相反,Jaccard距离测量它们之间的差异。DSC的高值表明分割方法是精确的,这对应于ME和JD的低值。Kappa指数也被用来量化分割核和地面实况之间的一致性水平。根据kappa指数的不同,一致性的限定词包括:差(K0.2);合理(0.2 K 0.4);好(0.4 K 0.6);非常好(0.6 K 0.8);和优秀(K> 0.8)[40]。所有先前提到的评价参数描述见表1。在该表中,TP、TN、FP和FN分别为真阳性、真阴性、假阳性和假阴性。此外,Aexp表示由专家分割的区域(地面实况),Aprog表示使用所提出的方法获得的区域。3.2. 结果本节介绍了使用所提出的方法在3个数据集上获得的细胞核分割结果:BloodSeg、CellaVision和JTSC。此外,所提出的方法的性能进行了比较,最近的方法在文献中的性能。血液涂片图像的示例和细胞核检测过程的结果如图所示。 四、为了评估所提出的方法的性能,考虑了BloodSeg、CellaVision和JTSC数据库。的结果M. Makem和A. 蒂耶乌医学信息学解锁20(2020)1004169见图9。所提出的方法与BloodSeg数据库的六种最新方法的结果的视觉比较:(a)专家分割,(b)所提出的方法的结果,(c)Abdeldaim等人。[27],(d)Vogado et al.[12],(e)Vincent et al.[13],(f)Sarrafzadeh et al.[24],(g)Nasir et al.[42]和(h)Madhloom et al.[41].所提出的方法与数据库提供的专家分割进行了比较,并且用表2-4中所示这些表格表明,所提出的方法可以分割在不同条件下获得的三个数据库中的细胞核。此外,在BloodSeg、CellaVision和JTSC数据库上计算了表1中列出的相似性度量。计算的相似性度量的结果如表5所示。从该表中可以看出,在CellaVision数据库中,DSC、K和JD的平均值分别为97.06%、0.9671和0.0556。从JTSC数据库中获得的性能最低,DSC、K和JD的平均值分别为90.79%、0.8931和0.1567。同时,参考文献[ 40 ]认为K值为0.8931是从CellaVi- sion数据库获得的最佳性能可能是由于该数据库的图像中的细胞核和红细胞M. Makem和A. 蒂耶乌医学信息学解锁20(2020)10041610见图10。所提出的方法与Cellevision数据库的六种最先进方法的结果的视觉比较:(a)专家分割,(b)所提出的方法的结果,(c)Abdeldaim等人。[27],(d)Vogado等人。[12],(e)Vincent等人。[13],(f)Sarrafzadeh等人。[24],(g)Nasir等人。[42]和(h)Madhloom等人[41].CellaVision、BloodSeg和JTSC数据集的ME值的变化分别如图5所示。从该图中可以观察到,对于三个数据集中的大多数图像,ME值保持在0.05以下,尽管这些数据集中的颜色变化我们已经实验了形态学算子(腐蚀,膨胀和两者)的应用,考虑磁盘和钻石结构元素的建议方法。该方法在阈值化和区域滤波后引入形态学运算,计算DSC和kappa度量。比较结果示于图1A和1B中。 六比八从图中可以看出。6-8,DSC总是给出更高的与kappa相比的相似性度量,无论是否存在MO。此外,对于所有三个数据库,在不使用MO的情况下获得的相似性度量比使用MO时获得的相似性度量这种差异可能是由于MO作用时核部分的丢失所致该实验的结果表明,所提出的方法不需要使用形态算子是有效的。对于图1和图2中的视觉分析和比较,9 - 11,在我们的数据库中选择了4个样本图像,并用于说明所提出的方法的核分割结果和文献[ 12,13,24,27,41,42 ]中的六种方法所获得的结果。第一行(a)M. Makem和A. 蒂耶乌医学信息学解锁20(2020)10041610见图11。所提出的方法与JTSC数据库的六种最新方法的结果的视觉比较:(a)专家分割,(b)所提出的方法的结果,(c)Abdeldaim等人。[27],(d)Vogadoet al.[12],(e)Vincent et al.[13],(f)Sarrafzadeh et al.[24],(g)Nasir et al.[42]和(h)Madhloom et al.[41].表6所提出的方法和最先进的方法的比较BloodSegCellaVisionJTSC平均方法DSC(%)KDSC(%)KDSC(%)KDC(%)KMadhloom等人[41]65.470.664985.050.832677.720.740276.080.7459Nasir等人[42]88.240.878437.550.361239.960.376655.250.5387Sarrafzadeh等人[24日]85.760.852792.120.911170.880.645282.920.8030Vincent等[13个国家]86.460.860090.490.893148.330.393575.090.7155Vogado等人[12个]86.460.860393.220.925487.680.860589.120.8820Abdeldaim等人[27日]20.430.180728.330.238019.130.081122.630.1666该方法94.750.945797.060.967190.790.893194.200.9353M. Makem和A. 蒂耶乌医学信息学解锁20(2020)10041611表示由专家分割的细胞核,第二条线(b)表示用所提出的方法分割的细胞核,并且线(c)至(h)表示分别由Abdeldaim等人[27]、Vogado等人[12]、Vincent等人[13]、Sarrafzadeh等人[24]、Nasir等人[42]和Madhloom等人[41]获得的分割的细胞核。图通过将从二值图像提取的细胞核的边界叠加在其RGB图像对应物上获得图9 -11。该过程允许在原始图像上显示分割的细胞核。在其他地方,用Andrade等人的核分割工作中开发的[21].从图9可以看出。(b,1(b,1 (b,1-4),所提出的方法的结果与所使用的不同图像数据库的地面实况很好地匹配,尽管后者中的细胞核颜色变化。实验结果表明,该方法不受颜色和亮度变化的影响。与我们提出的方法相反,参考文献[ 27 ]中提出的工作几乎无法分割细胞核,如图9所示。(c,1(c,1(c,1-4).对于BloodSeg数据库,以下作者使用的方法[12,13,42],如图9所示。(d,1(e,1(e,1 -4),与Sarrafzadeh等人[ 24 ]和Madhloom等人[ 41 ]的方法相比,给出了更好的输出核检测图9。 (f,1(h,1-4).然而,本研究中提出的方法给出了更令人满意的结果,如图9的第4列所示,因为对它们的分割结果的准确观察揭示了细胞质的某些部分被认为像细胞核。对于Cella-Vision和JTSC数据库,Nasir等人[ 42 ]的方法可以仅提取图像中细胞核的一部分,如图10所示。 (g,1(g,1-4). Vogado等人[12],Vincent等人[13]和Madhloom等人[41]在CellaVision和JTSC数据库的一些图像上给出了有效的核分割结果图10。([d,h,e],1),Fig. 十一岁([d,h],1)和图。 十一岁(e,2),但失败的其他人,如图10所示。([d,h,e],4),图11。([d,e,h],4).对于定量分析,在表6中,根据参数DSC和K,将拟定方法的结果与已发表方法的结果进行了比较[12,13,24,27,41,42]。高值是在螺栓字体上。在该表(表3)中观察到,对于所使用的所有三个图像数据集,所提出的方法给出了DSC和K的最高值。这表明在所提出的方法中进行的组分C、M、S、Cn、Mn和Sn的融合适用于使用甚至几种染料在用不同类型的显微镜获取的图像中提取核。3.3. 讨论球形血涂片图像的亮度和着色根据采集设备和环境(染料类型、显微镜类型和变焦范围)而变化。因此,对不同球形血涂片图像数据库的分析是一个挑战。此外,尝试提出一种适合于任何数据库的鲁棒的白细胞核分割方法是一项困难的任务。本文提出了一种新的外周血涂片中白细胞核的检测和提取方法。该过程包括一个颜色分量滤波,然后通过一些算术运算产生新的灰度图像。根据MP参数选择生成的灰度图像,并使用PCA方法在三个不同的阶段进行融合。最后,应用大津阈值法提取图像 中 的 白 细 胞 核 。 该 方 法 , 虽 然 简 单 , 是 有 效 的 , 因 为 它 是在Bloodseg,Cellavision和JTSC数据库上进行测试,并给出了良好的结果。我们的结果与使用相同数据库的优秀论文[12,13,24,27,41,42]进行了比较。论文中常见的指标是DSC和kappa系数,然后用于我们的比较。不同作者的结果汇总于表6中。数据库的数据库比较表明,所提出的方法产生了最好的DSC和最好的卡伯系数。基于DSC的平均值进一步进行比较和Kappa。可以看出,我们的方法仍然表现出最高值。该方法的优越性可能是由于它利用了具有增强核像素的选定灰度图像的多重叠加。还观察到,与其他数据库相比,JTSC数据库的结果较低,这是因为染色程序中使用的染料试图在细胞核和细胞质之间提供紧密对比。 在参考文献[21]中也有类似的观察。最后,从JTSC数据库到Cel- laVision数据库,采用该方法对三个数据库的结果逐渐变好。我们预计,更好的结果可能已经获得,如果控制参数的建立,从而提高了图像和它的补充时,后者是缺乏之间的差异。这就是我们方法的局限性。4. 结论在这项研究中,提出了一种新的和强大的方法提取核的白细胞。在不同条件下采集的3个图像数据集上进行了测试,取得了很好的效果。考虑了Cn、Mn、Sn三种新的颜色成分以及C、M、S三种颜色成分。一个创新的融合过程,即融合PCA与代表性的输入,被用来增强核和图像的其他组件之间的对比度的差异。还使用了Otsu阈值算法,并获得了DSC的 以 下 平 均 值 : CellaVision 数 据 库 为 97.06% , BloodSeg 数 据 库 为94.75%,JTSC数据库为90.79。我们的方法取得了更好的细胞核分割性能相比,在最近的文献中的许多其他方法。所获得的结果表明,所提出的方法用于细胞核分割的有前途的性质。在未来的工作中,一个完整的计算机辅助诊断系统,将基于所提出的核分割方法来实施白血病。为了更好地提取特征,还将开发一种分离凝聚白细胞的算法。竞合利益作者声明,他们没有已知的可能影响本文所报告工作确认作者感谢加纳海岸角大学的Shemmira Yunus女士对本文的校对。Makem女士感谢瑞典国际开发合作署通过乌普萨拉大学国际科学方案提供的财政支持。引用[1] 世 界 卫 生 组 织 、 癌 症 、 卫 生 组 织 。 https://www.who.int/fr/news-room/fact-sheets/detail/cancer; 2018.访问2020年4月[2] 李晓梅,李晓梅,李晓梅.使用图像处理技术进行白血病检测的白细胞分类。ArtifIntell Med 2014;62:179-91. 网址://doi. org/10.1016/j.artmed. 2014.09.002。[3] 王毅,陈乙,葛志.一种新的电化学方法用于白血病血液的初步检测。血液2016;128:5902。https://doi.org/10.1182/blood的网站。V128.22. 5902.5902五九零二[4] RetaC,Altamirano L,Gonzalez JA,Diaz-Hernandez R,Peregrina H,OlmosI,et al. Segmentation and classification of bone marrow cells images usingcontextual information for medical diagnosis of acute leukemias. PloS One2015;10:1-18. https://doi.org/10.1371/journal.pone.0130805。[5] RawatJ, Singh A,Bhadauria HS,VirmaniJ, Devgun JS.应用混合层次分类器对急性淋巴细胞白血病进行分类。Multimed Tool Appl2017;76:19057-85.https://doi.org/10.1007/s11042-017-4478-3网站。[6] Vogado LHS、Veras RMS、Araujo FHD、Silva RRV、Aires KRT。使用CNN和SVM中 的 转 移 学 习 进 行 分 类 的 血 液 切 片 中 的 白 血 病 诊 断 。 Eng Appl Artif Intell2018;72:415-22. https://doi.org/10.1016/j.engappai.2018.04.024网站。[7] 胡比电磁场基于医学图像的癌症分类计算机辅助诊断系统框架。医学系统杂志2018;42:157。https://doi.org/10.1007/s10916-018-1010-X。M. Makem和A. 蒂耶乌医学信息学解锁20(2020)10041612[8] Mishra S,Majhi B,Sa PK.基于纹理特征的显微血涂片分类在急性淋巴细胞白血病检测中的应用。Biomed Signal Process Contr2019;47:303-11.https://doi.org/10.1016/j.bspc.2018.08.012网站。[9] 李文,李文. 利用显微图像检测白血病的计算机辅助诊断系统。参加:第四届国际环保电脑大会。Commun. 系统Comput. Elsevier Masson SAS; 2015.p. 748-56 https://doi.org/10.1016/j. procs. 2015 年10月113日。[10] 放大图片作者:J.一种基于颜色和形状的外周血和骨髓图像白细胞分割算法。细胞计数2014;85:480-90. https://doi.org/10.1002/cyto.a.22457网站。[11] Ko BC,Gim JW,Nam JY.基于逐步合并规则和
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功