检索历史 清除

摘要癌症已成为威胁人类健康的首位杀手，而且患者数量正在逐年增加。癌症的早期发现是提高疗效的关键。目前癌症诊断主要是基于组织切片的病理检查。随着计算机辅助诊断技术迅速发展，研究者提出了显微图像的定量分析技术辅助医生实现诊断。由于细胞显微图片存在的对比度差、染色不均和细胞粘连重叠等问题，精确细胞核分割仍存有一定问题。在分类识别阶段，由于细胞显微图像的多样性和复杂性，特征提取和筛选方法限制了分类准确率的提高。<br>　　针对这些问题，本文研究并提出了一种基于双准则联合定位和改进数学形态学的自动分割算法以及基于最大相关性-最小多重共线性的特征选择算法。利用ApcMIN老鼠肠道组织的显微图像进行定量分析，验证本方法实现早期癌症诊断的可行性。本文的研究工作主要包括：<br>　　① 针对显微细胞图像中存在的分割难点，提出了一种基于双准则联合定位和改进形态学的细胞核自动分割算法。该算法首先采用顶帽-底帽变换增强图像的对比度。再通过小波分解和Mean-shift聚类两种准则同时定位细胞核所在的位置，获得初始分割结果。再通过投票机制，从中选出感兴趣区域。对感兴趣区域进行圆形度和面积的筛选，将其分为单个细胞核和粘连区域。最后使用改进的数学形态学方法分割粘连程度不同的各个粘连区域实现细胞核的精确分割。<br>　　② 针对细胞显微图像特征提取问题，研究多种类型的特征来定量描述细胞核的不同状态。不仅使用了传统算法中经常使用的形态特征和颜色特征，还从细胞核区域中提取了Gabor和高斯马尔科夫随机场这两种纹理特征。Gabor特征从时域和频域同时对目标区域进行分析。而高斯马尔科夫随机场特征是从图像中像素点本身的结构关系对目标区域进行描述。通过提取多种类型的特征实现了对细胞核结构的全面描述。<br>　　③ 针对细胞显微图像的特征筛选问题，本文采用了基于最大相关性-最小多重共线性的特征选择算法对提取的初始特征进行筛选。通过该方法对特征进行选择，选出与类别相关度高的特征，并去除已选特征冗余度高的特征。将得到的最佳特征子集输入到支持向量机中进行分类识别。并将该算法与其它的特征选择算法进行比较。验证了特征提取算法的有效性，实现了最优特征子集的选取。<br>　　利用提出的自动分割和分类算法对正常老鼠和 ApcMIN老鼠的肠道组织切片显微图像进行定量分析验证本方法早期癌症诊断的有效性。实验结果表明，基于双准则联合定位和改进形态学的细胞核自动分割算法可以自动精准地分割细胞核。提取到的四种不同类型的特征可以从各个方面描述细胞核区域的特性。最大相关性-最小多重共线性方法在分类精度和运行时间方面都优于对比方法。<br>　　本文的研究工作为显微细胞图像中细胞核的自动分割及细胞图像类型的自动识别提供了新的解决办法，为计算机辅助诊断早期癌症提供了新的理论和方法，是以具备一定的理论意义和临床应用价值。