小鼠皮肤HE图像自动分层及特征量化方法的研究

医学信息学解锁25（2021）100692基于颜色反卷积和模糊C均值聚类的小鼠皮肤HE图像自动分层Saif Hussein，PhDa，b，*a伊拉克Dijlah大学学院伊拉克巴格达大学A R T I C L EI N FO保留字：基于模糊聚类的高分辨电子图像分割彩色解卷积A B S T R A C T皮肤是哺乳动物体内最大的器官。它具有多层的复杂结构，由各种可区分的细胞和其他特征组成。皮肤科专家长期以来将许多疾病与不同皮肤层的变化联系起来。然而，人工量化和分析大量图像是一项容易出错、耗时且成本高昂的工作，需要资源和工作人员培训。本文提出了一种自动化的高通量的解决方案，小鼠皮肤层从图像分割成表皮，真皮和脂肪层，并进一步分割成皮质和基底层的表皮。这种分割可以被认为是自动量化不同皮肤层中的皮肤特征的第一步。该方法结合了颜色反卷积方法与模糊C均值（FCM）聚类分割皮肤层。7,000只小鼠皮肤图像的数据集被用来评估所提出的方法的有效性。图像是由小鼠遗传学项目在20 X放大倍数下拍摄的苏木精和伊红（HE使用混合解决方案实现了96%的分割准确率，并且使用颜色反卷积和FCM分别实现了80%和92%的准确率。然后，由领域专家检查实验结果，他们确认了混合解决方案的可行性1. 介绍哺乳动物的皮肤由三个主要层组成：外表皮、真皮和更深的皮下组织，如图1所示。它是最大的哺乳动物器官，具有许多生理，免疫和机械功能，包括维生素D3合成，防止水分流失，保护免受紫外线辐射的有害影响，感觉，温度控制和免疫监视，并且它对全身内稳态有显着贡献[1]。由于疾病（如皮肤癌[2]）引起的皮肤层紊乱是区分正常和异常皮肤层的主要动机。因此，需要进行分割以将与每一层相关联的特征进行分类。可以认为，层分割的质量直接影响要从每个层提取的测量/特征的质量，例如量化真皮和表皮层中细胞核数量的变化[3]以及表皮中毛囊的方向[4]。因此，自动层分割方法必须足够准确和可靠，以便对每层中的特征进行有意义的量化。这项研究的主要挑战是在用苏木精和伊红（HE）染色的小鼠皮肤图像中分割和亚分割主要层对大量此类图像进行人工量化和分析可能是一项容易出错、耗时且在所需资源和工作人员培训方面代价高昂的工作。此外，访问由问题域生成的HE图像的大规模数据集（即，小鼠遗传学项目[MGP]）。在文献中已经提出了从半自动到全自动的用于分割皮肤层的解决方案的许多建议。首先基于阈值和形状因子对显微HE皮肤图像中的表皮层进行分割。随后，使用K均值聚类方法来细化分割，然后通过测量分割的表皮掩模的上下边界之间的距离来计算表皮厚度。在我们的数据集上测试了参考文献[7]中描述的方法后，我们发现， K-均值方法在识别脂肪层方面做了合理的工作，但是它不能准确地将真皮与表皮分离，尤其是当两层的颜色强度重叠时。将图像自动分割成不同区域的最简单方法是使用全局阈值，特别是如果区域的颜色强度* 通讯作者。巴格达大学，伊拉克。电子邮件地址：saefrouef@yahoo.com。https://doi.org/10.1016/j.imu.2021.100692接收日期：2020年12月15日;接收日期：2021年7月29日;接受日期：2021年2021年8月5日在线发布2352-9148/©2021的作者所有发表通过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：www.elsevier.com/locate/imuS. 侯赛因医学信息学解锁25（2021）1006922×图1.一、小鼠皮肤的 显微&HE图像[6]。区分足以区分感兴趣的对象从背景[8]。然而，由于皮肤的不同层中的颜色强度之间的重叠，这样的方法本身不够可靠。[9]的作者提出了一种基于卷积神经网络（CNN）的用于分割HE图像中的表皮层的在本文中，使用512 512像素和~ 380 k重叠图像的补丁端到端训练基于U网的CNN参考文献[9]中使用的数据集图像是在40倍放大率下拍摄的，而我们的数据集包含在20倍放大率下拍摄的图像为了开发一个高度准确和高效的自动化方案，我们结合了两种技术来分割小鼠皮肤层。然而，结合颜色用于以20 X放大率拍摄的HE小鼠皮肤图像的自动层分割的去卷积和模糊C均值聚类是具有挑战性的。分割不会产生一个完整的层，从而导致对层中特征的不准确测量，例如计算表皮中细胞核的数量（图1）。 2）的情况。黑色素瘤层基于全卷积网络进行分割，以将黑色素瘤与高光谱病理学图像分离，其中本文使用高光谱图像[10]，与我们的数据集H E图像不同。基于多任务学习架构分割肝细胞癌的HE图像[11]。基于U-Net对表皮层进行分割，以估计该层的厚度使用OCT图像进行厚度评估，以区分正常层和病变层[12]。皮肤层之间的重叠是另一个需要克服的挑战，分割它们。图1示出了相似颜色强度的层彼此交织。这些问题使得精确定位层的边界变得困难，即使对于领域专家也是如此。这意味着皮肤层的手动测量将不可避免地产生观察者间和观察者内的变化。此外，已知HE图像中使用的染色&容易出错，导致不正确的分割，特别是层的不完整分割或两层分割为一层（图11）。 3）。本文作出了两个主要贡献：1. 提出了一种基于纹理参数复杂度的皮肤图像自适应多层分割方法。我们表明，有效的方法，如颜色反卷积，是有效的分割图像与简单的纹理（即，不超过两个峰值），而需要更复杂的方法（如模糊C均值聚类）来可靠地分割图像图二、层分割不完整。显微HE图像（左图）。表皮层分割不完整（右图）。图3.第三章。 HE&染色错误[13]。A）原始图像。B）表皮和真皮的不正确分割C）正确的分割。S. 侯赛因医学信息学解锁25（2021）1006923见图4。 拟议解决方案的框架。具有复杂的纹理（即，两个以上的峰）。对于自适应纹理复杂度度量，提出了一种基于图像直方图峰数的2. 提出了一种结合颜色反卷积的有效性和模糊C均值聚类的鲁棒性的混合系统来分割显微图像中的皮肤层下一节分为三个部分。第2.1节研究了一种简单有效的基于颜色去卷积的方案对小鼠皮肤图像中的层进行分割的有效性，并确定了其优点、缺点和局限性。第2.2节描述了一种模糊C均值聚类方法，以解决颜色去卷积的缺点和限制，而第2.3节提出了一种混合系统，该系统将颜色去卷积的效率与模糊C均值聚类的鲁棒性相结合，以通过评估其直方图中的峰的数量来分割显微图像中的皮肤层。第3节介绍了结果并讨论了调查结果。2.层分割在这一节中，我们描述了两种层分割方法的发展，这两种方法结合起来自动分割小鼠皮肤的H E图像中的层：彩色解卷积技术和模糊系统。该方案结合了颜色去卷积的效率和模糊C均值聚类的鲁棒性，以可靠地分割皮肤层。结果表明，有效的方法，如彩色反卷积，是有效的分割图像与简单的纹理，而更复杂的方法，如模糊C均值聚类，需要可靠的分割图像与复杂的纹理。设计新的方法是因为我们的调查需要能够分割主层和子层。我们提出的方法分为两部分，涉及以下内容：1. 研究一种简单有效的基于颜色去卷积的方案对小鼠皮肤图像中的层进行分割的有效性，并确定其优点、缺点和局限性。2. 通过使用模糊C均值聚类算法来解决颜色反卷积的缺点和限制，从而提高分割方法的可靠性。提出了一种混合系统，结合了颜色去卷积的效率和模糊C均值聚类的鲁棒性，提出了分割皮肤层的显微图像。为了将这两种方法结合起来，提出了一种简单的皮肤图五. 彩色去卷积。A）原始图像。B）颜色1去卷积。C）颜色2去卷积。(For关于这一图中颜色的解释，请读者参阅本文的网络版S. 侯赛因医学信息学解锁25（2021）1006924见图6。使用彩色去卷积的层分割。A）HE图像。B）表皮层分割。C）真皮层分割。D）脂肪层。E）基底层（表皮层的一部分）。F）皮层（表皮层的一部分）。(For关于这一图中颜色的解释，请读者参阅本文的网络版见图7。分割方法的比较。A）原始HE图像。B）表皮层的颜色去卷积H通道分割。C）使用Otsu阈值的图像分割。D）HE图像的红色通道。E）基于模糊C均值方法的聚类分割。F）表皮层。(For关于这一图中颜色的解释，请读者参阅本文的网络版图像的基础上，在他们的直方图峰的数量，如图所示。四、2.1. 基于颜色反卷积颜色去卷积将细胞学和组织学（RGB）彩色图像中的重叠光谱分离为三个新通道，并与HE图像兼容[14，15]。如图5所示，表示H通道的颜色去卷积一通常突出显示表皮层，而表示E通道的颜色去卷积二突出显示真皮层。然后采用两种类型的阈值来分割层：Otsu和模式间阈值技术。由Nobuyuki Otsu [ 16 ]开发的Otsu阈值法用于分割表皮层，因为表皮中颜色强度的分布往往与背景不同。Otsu算法假设输入图像具有两类像素（即，前景和背景）。的Otsu阈值通过找到背景和前景扩散之和的最小值来确定[16]。模式间阈值[17] 然后用于分割真皮[15];它基于真皮颜色强度突出显示真皮，倾向于位于表皮和背景之间的中间。使用此阈值是因为它寻求平滑的双峰直方图，这是使用迭代以产生双峰直方图的滤波器（大小为3）实现的。然后，找到两个最大值，并将最终阈值设置为这两个值的平均值。彩色反卷积和自适应阈值的集成允许开发一个有效的自动层分割系统的H E图像。使用颜色反卷积的层分割的全部细节可在我以前的文件中参考。[15 ]第10段。贡献法的准确性是基于直方图中的峰，即峰的数量指定了使用颜色去卷积还是模糊聚类来分割图像。该系统对双峰以下图像和模糊图像进行彩色反卷积S. 侯赛因医学信息学解锁25（2021）1006925见图8。FCM输出：A）HE图像，B）FCM的红色通道（C、D和E）输出。(For关于这一图中颜色的解释，请读者参阅本文的网络版三个或更多峰的聚类。虽然图6示出了颜色去卷积方法可以分离层，其在直方图中具有两个峰值（即简单图像），但是图7示出了该方法并不总是准确的。值得注意的是，当HE图像的直方图是复杂的（即，它包含两个以上的峰），上述的颜色去卷积方法不起作用，如图7（B和C）所示，因为是复杂的图像（直方图中的两个峰或更多）。因此，需要找到另一种能够分割直方图中具有两个以上峰值的复杂图像的方法。在研究了文献中的其他分割方法[18] 被选择并发现产生图7（E和F）中所示的输出。有趣的是，我们的调查发现，模糊C均值方法在某些情况下不能很好地处理简单的图像（见下一节），这表明需要将颜色反卷积方法与模糊聚类相结合，以使用自适应方法在所有图像上实现良好的准确度，从而根据一些峰数指标，应用两种算法之一（颜色反卷积或模糊聚类）。S. 侯赛因医学信息学解锁25（2021）1006926i=1piX el属于每个簇，因为，作为C（|Xj-C i|）m-11图9.第九条。K均值聚类：A）&HE图像。B、C和D）基于K= 3的输出聚类2.2. 基于模糊C均值方法的如上所述，颜色去卷积在具有复杂纹理的图像上不能很好地工作，例如当在皮肤图像中的真皮层和表皮层之间存在颜色强度方面的重叠时。为了解决这个问题，需要一种更鲁棒的方法来聚类像素。使用红色通道作为FCM方法的输入。[18]的作者表明，模糊C均值方法（FCM）能够正确分割人体皮肤图像中的层。该方法成功地应用于人体皮肤组织的聚类分析，找到了皮肤组织中的免疫缺陷区域• Xj是第j个pixel值。• Ci是第i个聚类的中心。• μ ij是X j在聚类i中的隶属度。• k是迭代步数（在步骤3）。然后通过如下迭代过程求解目标函数JFCM：1随机初始化聚类成员值μij。 2计算聚类中心：需要确定一些与皮肤相关的异常[19]。是NM发现真皮和表皮层的重叠区域可以C=∑∑j=1（μij）。XJnM（二）出现在不同的集群中。基于最小化目标函数（Eq. （1））的主要目的是一种通过为每个像素分配两个值，即距离和距离，来精确地聚类图像的像素的方法。基于这两个值，确定每个像素xel的聚类。成员级别代表了j=1（μij）3 根据以下内容更新μijμij=∑2（三）增加，则像素EL属于聚类的概率也增加。相反，随着距离值的增加，pixel属于聚类的概率降低。因此，每个集群由 具有高隶属度值和低距离值的像素[20， 21]。在这种情况下，使用三个聚类来基于FCM方法分割层。聚类1突出显示了表皮层和所有层中的细胞核（图8C）。聚类二显示了所有层的纹理，如图8 E所示，聚类三突出显示了图像的背景，如图8 E所示。 8号D.以下步骤显示了FCM的工作原理。目标函数定义如下：k=1|Xj-C k|4 重复步骤2图图8和图9示出了当应用于同一图像时广泛使用的K均值聚类和FCM方法之间的差异。K均值聚类仅使用距离值（例如，欧几里德距离）来基于颜色强度对像素进行聚类。因此，当表皮和真皮之间的颜色强度重叠时，像素是不正确地聚类，如图9（B、C和D）所示。 与K-meanJFCM =∑cnj=1 （μij）m<$xj-Ci<$2，1≤m∞（1）<聚类，FCM方法在突出不同的皮肤层方面做得相当好，如图所示。 8（C，D和E）。哪里• jfcm是目标函数。• m是函数的乘积。• c是簇的数目。• n是PIXEL的数量。2.3. 彩色反卷积与FCM聚类如前所述，颜色反卷积似乎在简单图像上工作得很好，而FCM聚类在更复杂的图像上工作得很好。本节提出了一种自动检查直方图的方法我∑S. 侯赛因医学信息学解锁25（2021）1006927见图10。基于直方图峰值数的彩色去卷积和模糊C均值聚类的自动融合。(For关于这一图中颜色的解释，请读者参阅本文的网络版以估计峰值的数量。如果峰数少于两个，图像将自动转到彩色去卷积方法。否则，它将被转发到FCM聚类，如图10所示。混合系统使用H E图像中的红色通道来消除噪声[22]，并且给定直方图表示，所提出的算法可以确定直方图中的峰的数量。使用图像直方图自动确定直方图中的峰的数量，并且用于确定峰的数量的三个参数是突出度、宽度和距离。在多次将该方法应用于训练和测试数据集之后，我们发现这些值必须分别为40、2和20。突出度被设置在从两侧的峰值垂直下降超过40，而不会遇到信号的末端或更大的中间峰值。宽度被设置为2以捕获所有峰，而距离被设置为20以忽略可能发生在接近峰的较小峰。大的局部峰值。3. 结果和讨论我们的结果报告在三个部分中，包括结果的颜色去卷积方法，FCM方法，和混合解决方案。手动计算所有结果的准确度（第3.1、3.2和3.3节）。3.1. 数据库及评价使用来自16周龄遗传匹配的野生型小鼠和个体基因型（462基因敲除）小鼠的HE染色皮肤图像。开发数据集包含7，000张HE染色图像，以20倍放大率和1444 X 908的分辨率拍摄，并以标记图像文件格式（TIFF）保存。本文中解释的方法应用于数据集中的图像，这些图像由Wellcome Trust Sanger Institute（WTSI）提供[23]。参考文献[5]中提供了访问数据集的说明。然而，由于由一名领域专家对所有图像进行人工核实是一个耗时的过程，因此决定在七轮随机抽样中对结果进行评估;因此，每轮从1 000张图像中随机选出100张图像。分割三个主要皮肤层见图11。使用反卷积方法时分割精度的比较。并且图6中示出了使用颜色去卷积方法从HE图像获得的表皮层。平均分割准确率，基于七轮100个图像的平均值，报告在图1和图2中。11、13和17以及表1-12。输出中的二值掩模的边界叠加在原始图像上，然后由领域专家手动建立分割的准确性。3.2. 颜色去卷积方法本节中给出了使用颜色退化方法从HE图像分割三个主要皮肤层和表皮层的典型输出。平均分割准确度是基于随机选择的七轮100个图像的平均值来确定的（图1）。 11）。图11和表1这些结果表明，该方法在分割真皮和脂肪层时比表皮层更准确，表皮层往往更难以分割，特别是在直方图中具有三个峰值的图像中（图7）。精确分割S. 侯赛因医学信息学解锁25（2021）1006928表2反褶积法识别皮质层的分割精度。表皮层（皮质层）EX经验准确分割部分面罩分割不正确（%）（%）（%）第1轮71254第二轮68248第三轮662212第四轮64306第五轮73207第六轮77176第7轮80155平均71227表3去卷积方法在识别真皮层中的分割精度。真皮层（%）（%）表4反卷积方法在识别脂肪层中的分割精度。脂肪层图十三. 使用FCM方法时的分割精度结果。EX经验准确分割（%）口罩部分（%）不正确分割（%）表1反褶积方法识别基底层的分割精度。表皮层（基底层）EX经验准确分割部分面罩分割不正确（%）（%）（%）第1轮75205第二轮66259第三轮622810第四轮69238第五轮81145第六轮652411第7轮74188平均70228表1-4中的百分比表示层分割，特别是表皮层（基底层;图6 E和表1）的准确分割为70.28%，表皮层（皮质层;图6 F和表2）为71.28%，真皮层为90.15%（图6 C和表3），脂肪层为91%（图6 F和表2）。 6 D和表4）。虽然不是完整的掩模，只是层的一部分;图12 B）。表1中的21.71%部分掩模值是指表皮层（基底层）的部分，而表2中的21.85%值是指表皮层（皮层）的部分，表3中的6.14%值是指表皮层（皮层）的部分。表3中的值是指真皮层的一部分，表4中的5.57%值是指脂肪层的一部分。还存在不正确的层分割，如图12A和表1所示，其中8%的值是指表皮层（基底层）中的不正确的层分割，而6.85%的值是指表皮层（皮质层），4.14%的值是指真皮层，3.42%的值是指脂肪层。当HE图像的直方图复杂时，颜色去卷积方法不起作用（图7B和C）。因此，我们需要找到另一种方法，能够分割复杂的图像中的直方图超过两个峰值。根据我们的文献综述，选择FCM方法用于复杂图像，并在下一节中进行描述。然而，FCM方法在简单图像上不因此，需要一种自适应方法，该方法可以根据峰值的数量应用两种算法之一见图12。 分割错误。A）不正确的分割。 1.面具的一部分。EX经验准确分段（%） 屏蔽的工作部分不正确的分割第1轮9064第二轮85105第三轮9253第四轮9442第五轮8884第六轮9244第7轮8965平均9064第1轮8884第二轮9253第三轮8965第四轮9163第五轮9064第六轮9343第7轮9442S. 侯赛因医学信息学解锁25（2021）1006929表5FCM方法识别基底层的分割精度表皮层（基底层）EX经验准确分割部分面罩分割不正确（%）（%）（%）第1轮85105第二轮9532第三轮9343第四轮9622第五轮9064第六轮9424第7轮9721平均9343图14. 分割不正确。A）原始HE图像。B）不正确的掩模分割。表6FCM方法在皮层识别中的分割精度表皮层（皮质层）EX经验准确分割部分面罩分割不正确（%）（%）（%）第1轮8956第二轮9523第三轮8857第四轮82107第五轮9631第六轮9541第7轮9046平均9154表7FCM方法在真皮层识别中的分割精度真皮层EX经验准确分割部分面罩分割不正确（%）（%）（%）第1轮9343第二轮8884第三轮9064第四轮9235第五轮87103第六轮9163第7轮9532平均9163表8FCM方法识别脂肪层的分割精度脂肪层EX经验准确分割部分面罩分割不正确（%）（%）（%）第1轮9631第二轮9352第三轮8992第四轮9532第五轮9073第六轮9721第7轮9532平均93.574.571.853.3. FCM方法从1,000张图像中随机选择100张图像并应用FCM后获得的结果总结在表5-8和图10中。 13岁图13和表5虽然FCM方法在分割皮肤时取得了较好的效果S. 侯赛因医学信息学解锁25（2021）10069210图15. 小鼠皮肤HE图像中的染色错误。A）表皮层损伤。（2）脂肪层受损C）真皮层损伤与彩色反卷积方法相比，该方法存在一些缺点，导致对某些图像的分割不正确例如，图14中的图像B反映了不准确的分割，这可能是由于FCM受到像素照明强度变化的约束[24]。表5-8中呈现的高度准确的分割结果不正确的分割指示错误层的分割。在这些情况下，然后通过将原始HE图像与自动层分割掩模进行比较来手动执行比较，以得到准确的分割结果。此外，染色不良的样品是分割方法的准确性的基本问题，对于FCM和颜色去卷积方法都是有效的，如图15（A、B和C）所示。FCM的另一个问题与算法的速度有关，因为它比颜色去卷积方法更慢，更耗时（3.1小节）。图16中示出了两种方法分割10个随机选择的图像所需的时间量。开销可能是由于具有计算的迭代步骤，例如计算每个像素x el的成员资格以及质心和集群之间的距离[24]。图像编号FCM所消耗的时间（毫秒）反卷积所用时间（毫秒）图像156.5645163.302708图像255.7449932.787528图像354.0608862.873128图像459.453252.632669图像555.886522.663668图像649.4046282.597132图像756.3803072.584149图像852.4326622.755389图像941.3431512.829453图像1050.9097422.713783S. 侯赛因医学信息学解锁25（2021）10069210图16. FCM和反卷积方法所消耗的时间比较。表9融合方法在识别基底层时的分割精度表皮层（基底层）表12融合方法识别脂肪层的分割精度真皮层EX经验准确分割部分面罩分割不正确EX经验准确分割部分面罩分割不正确（%）（%）（%）（%）（%）（%）第1轮9532第1轮9541第二轮9721第二轮9631第三轮9721第三轮9442第四轮9631第四轮9721第五轮9532第五轮9622第六轮9811第六轮9811第7轮9721第7轮9532平均96.422.281.28平均9631表10融合方法在皮层识别中的分割精度表皮层（皮质层）EX经验准确分割部分面罩分割不正确（%）（%）（%）第1轮9811第二轮9721第三轮9811第四轮9811第五轮9631第六轮9731第7轮9731平均9721表11融合方法在真皮层识别中的分割精度脂肪层EX经验准确分割部分面罩分割不正确（%）（%）（%）第1轮9811第二轮9622第三轮9721第四轮9631第五轮9541第六轮9721第7轮9721平均9721图十七岁使用混合方法时的层分割精度结果。3.4. 自适应组合方法从1000张图像中随机选择使用混合方法的结果示于表9-12和图12中，该混合方法自适应地结合了颜色去卷积和FCM方法。 十七岁图17和表9由于前一节中解释的原因，这些结果明显优于单独使用尽管FCM方法通常执行S. 侯赛因医学信息学解锁25（2021）10069211图18. 融合分割方法。A）彩色图像。B）图像A的红色通道。C）使用FCM的表皮层分割。D）表皮层分离 使用颜色去卷积方法进行分割。(For关于这一图中颜色的解释，请读者参阅本文的网络版。）图19. 混合、FCM和反卷积方法所消耗的时间量的比较。表13所提出的三种方法所消耗的时间（以毫秒为单位）：混合、FCM和反卷积。图像混合FCM反卷积在某些情况下，比颜色去卷积方法更好，例如图1中的方法。 18，层的FCM分段部分（图18）。 18 C），而颜色去卷积方法分割了完整的层（图。 18 D）。这种图像的直方图往往有三个。因此，自适应解决方案将选择颜色去卷积方法来成功地分割这些图像。当比较颜色去卷积、FCM和混合方法在分割小鼠皮肤层中的结果时，图1A和1B示出了颜色去卷积、FCM和混合方法的结果。图11、图13和图17示出了使用混合方法获得了最佳结果，因为它在包含不同纹理复杂度的图像上工作良好。在某些情况下，如图18C所示，通过使用参数聚类、距离度量和模糊化器，已经尝试调整FCM方法。然而，这些尝试都是不成功的，因为它们增加了层之间的重叠，使层分割成为一项更加困难的任务，并且颜色去卷积在这些情况下是有效的如下面的图19和表13所示，随机选择10个图像以比较去卷积、FCM和混合方法消耗的时间量。虽然所提出的混合方法消耗更多的时间比其他方法，它产生更准确的分割结果的基础上的峰值在H E图像。混合方法需要更长的时间，因为它涉及计算输入图像中的峰值 数量3.5. 用于皮肤层分割的使用MATLAB®1开发了基于所提出的解决方案的软件工具，如代码1 [25]所示工具和示例图像具有公开提供给任何研究人员使用。图形用户界面（GUI）的屏幕截图如图所示。 20.图像159.31378756.5645163.302708图像26.16071355.7449932.787528图像357.66916154.0608862.873128图像461.95296259.453252.632669图像558.66024955.886522.663668图像652.78147249.4046282.597132图像758.5994956.3803072.584149图像854.57705152.4326622.755389图像944.06376141.3431512.829453图像1053.54598850.9097422.713783S. 侯赛因医学信息学解锁25（2021）100692124. 讨论图20. 皮肤层分割工具的快照。一种系统，它根据一个参数选择两种自动方法之一，颜色去卷积或FCM，该参数估计颜色去卷积是图像处理中用于分离重叠颜色的最常用方法之一。它适用于HE染色图像[26]。 已经观察到，当H &E图像的直方图复杂时，第2.1节中描述的颜色去卷积方法不起作用（图1）。 7 B和C）。因此，需要找到另一种能够分割直方图中具有两个以上峰值的复杂图像的方法我们的文献调查显示，FCM方法，如第2.2节所述，可以执行此任务。然而，在某些情况下，它不能很好地工作在简单的图像上，这表明需要将彩色反卷积方法与模糊聚类相结合，以实现对所有图像的高准确率我们使用了一种自适应方法，如2.3节所示，根据纹理复杂度指标，应用两种算法之一。时间消耗是另一个标准。如图19和表13所示，所提出的混合方法比颜色去卷积和FCM更准确。然而，混合方法需要更长的时间来执行。在大多数情况下，FCM方法比颜色去卷积法开发一种新的算法来使用深度学习方法分割HE图像中的三个主要皮肤层并量化这些层。然后，我们的准确性结果可以与那些通过监督式深度学习获得。5. 结论在本文中，我们设计并开发了一个自适应分割，图像的直方图。自动解决方案旨在分割和子分割H &E图像中小鼠皮肤的三个主要层，即表皮层、真皮层和脂肪层。结果表明，混合解决方案结合了颜色反卷积的效率和FCM的鲁棒性，对具有不同复杂度的图像（即，峰的数量），并且分别优于去卷积和FCM方法使用所提出的解决方案成功分割皮肤层，能够量化与单个皮肤层和子层相关的不同特征，因此，它可能有助于找到某些疾病（如皮肤病）的潜在遗传基础[27]。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引用[1] Shin S-H，Kim C，Lee Y-S，Kang J-W，Chung Y-G.股前外侧全厚皮片移植的可行性及优点。 J. 手外科（亚洲太平洋卷）2017;22（4）：497-502。[2] Feng X等人，使用拉曼光谱进行皮肤癌边缘评估的生物物理基础。Biomed OptE X press 2019.[3] 侯赛因·S·基于模糊C均值的细胞核自动分割Proc SPIE 2021;11649.[4] 侯赛因·S·毛囊方向的自动分割和量化。Inf. Med. Jan. 2021;22：100498.S. 侯赛因医学信息学解锁25（2021）10069213[5] Wellcome Trust Sanger Institute 。 “ 鼠 标 管 道 “ ， 在 线 [ 在 线 ] 。 可 用 ：https://www.sanger.ac.uk/science/groups/mouse-pipelines; 2016.[6] 霍纳里湾皮肤结构和功能，第二版 2017年。[7] 徐H，曼达尔M. 基于厚度测量和k-means算法的皮肤病理图像表皮分割。Eurasip J Image Video Process2015.[8] SenthilsoutharanN，Vaithegi S. 医学图像的阈值分割方法。Comput SciEng An IntJ 2016.[9] Oskal KRJ，Risdal M，Janssen EAM，Undersrud ES，Gulsrud TO.一种基于U网的组织病理学切片图像表皮组织分割方法。SN Appl Sci2019.[10] Wang Q，et al. Identification of melanoma from hyperspectral pathologyimageusing 3D convolutional networks. IEEE Trans Med Imag2021;40（1）：218-27。[11] Wang X，et al. A hybrid network for automatic hepatocellularcarcinomasegmentation in H &E-stained whole slide images.医学影像分析2021;68：101914。[12] Liu X，Chuchvara N，Liu Y，Rao B.真皮光学相干断层扫描中的实时深度学习辅助皮肤层描绘。OSA Contin2021;4（7）：2008。[13] 侯赛因·S·毛囊方向的自动分割和量化。2021年的《信息学医学解锁》。[14] Ruifrok AC，Johnston DA等人，“通过颜色去卷积定量组织化学染色。《细胞学分析定量》2001;23（4）：291-9。[15] Hussein S，SelwayJ，Jassim S，Al-Assam H.小鼠皮肤H E显微图像的自动分层&。在：移动多媒体/图像处理，安全和应用2016。9869; 2016年。 98690C。[16] Sundaram R，Jayaraman P，Rangarajan R，Rengasri R，RajeshwariC，Ravichandran KS. 使用归一化Otsu阈值的自动视乳头分割方法。 JMed Imag Heal Inf 2019.[17] Hernandel-CapistranJ，Martinez-Carballido JF.乳腺X线摄影图像中明显、细微和不明显微钙化点的分割方法综述群集类别。2016年第13届电气工程、计算科学与自动控制国际会议，CCE; 2016。2016年。[18] Zhang X，Wang G，Su Q，Guo Q，Zhang C，Chen B.提出了一种基于峰值检测、空间信息和重分配的改进模糊图像分割算法。软计算2017;21（8）：2165-73。[19] Mandal R，Gupta M，Kar C.基于模糊C-均值和K-均值算法的组织学图像ROI自动检测在：电气，电子和优化技术（ICEEOT），国际会议; 2016年。p. 1173- 8[20] 杨文龙，王文龙，王文龙.应用os-fcm与水平集进行组织病理影像分析。在：应用图像模式识别研讨会（AIPR），2010年IEEE 39日; 2010年。p. 1-8号。[21] Ng CR，Than JCM，Noor NM，Rijal OM.基于FCM和图切割的CT扫描图像脑区初步分割。在：生物信号分析，处理和系统（ICBAPS），2015年国际会议; 2015年。p. 52比6[22] Masoudi MH，Mikaeili M.通过在用苏木精和伊红染色的淋巴结组织病理学图像中识别Reed-Sternberg细胞核来诊断霍奇金病。在：27th Natl.第五届伊朗。生物医学会议。工程师ICBME2020; 2020. p. 298- 304[23] Dickinson ME，et al. Jackson Laboratory.国家基础设施费诺明，查尔斯河实验室。MRC Harwell。多伦多表现基因组学中心。威康信托桑格研究所。RIKENBioResource中心高通量发现N. Nature 2016;537（7621）. 508- 514[24] YambalM，Gupta H. 图像分割使用模糊C均值聚类：一个调查。IntJ AdvRes Comput Commun Eng 2013;2（7）：2927-9.[25] 侯赛因·S·小鼠皮肤的分层分割 软件。 2020年。[26] Bulten W，et al. Epithermal segmentation using deep learning in H &E-stainedprostate specimens with immunohistochemistry as reference standard.Sci Rep2019.[27] MöünnerR，etal. “大多数脓疱性皮肤病患者的遗传基础仍然难以捉摸，"。BrJDermatol2018;178（3）。 740- 748