从基因病理图像中删除非核信息:向改善核细分方法的预处理步骤
Ricardo Moncayo1, Anne L Martel2,3, Eduardo Romero1
1Computer Imaging and Medical Applications Laboratory (CIM@LAB), Universidad Nacional de Colombia, Bogotá, Colombia.
Journal of pathology informatics
|October 9, 2023
概括
这项研究引入了一种新的方法,用于增强数字病理学图像中核的检测和细分. 通过使用noiselet功能和K-means集群来消除背景噪声,该系统显著提高了计算机辅助诊断的准确性.
科学领域:
- 数字病理学数字病理学
- 医学图像分析 医学图像分析
- 计算生物学 计算生物学
背景情况:
- 精确的核检测和细分对于数字病理学的计算机辅助诊断至关重要.
- 由于核和背景外观的变化,血素和欧 (HE) 图像存在挑战.
- 现有的方法与背景噪音和不一致的细胞结构作斗争.
研究的目的:
- 开发和评估一种方法,以改进HE图像中核的检测和细分.
- 通过完善图像分析,提高计算机辅助诊断系统的可靠性.
- 专门解决数字病理学图像中可变外观的挑战.
主要方法:
- 使用noiselet转换进行图像预处理以捕获空间特征.
- K-意味着集群,以创建一个用于特征表示的"noiselet代码书".
- 基于的分类,使用 noiselet 投射的补丁的直方图来区分核与背景.
- 与基于流域的细分算法的集成.
主要成果:
- 剥离加分水方法证明了核的检测得到了改进,平均F-score从0.830增加到0.86.
- 核细分精度得到了提高,子得分从0.701上升到0.723.
- 该方法在开放数据库中显示了8种不同的组织类型的有效性.
结论:
- 拟议的方法有效地删除了背景信息,从而在高清图像中更好地检测和细分核.
- 这种方法比数字病理学图像分析的传统方法有了显著的改进.
- 提高准确性支持开发更强大的计算机辅助诊断系统.
