圖像處理中的細(xì)胞核檢測(cè)、分割、分類方法綜述

1、本PPT基于Methods for Nuclei Detection, Segmentation and Classification in Digital Histopathology: A Review. Current Status and Future Potential制作，歷時(shí)2周，補(bǔ)充了大量的圖像處理方面的基礎(chǔ)。主要關(guān)注點(diǎn)為細(xì)胞檢測(cè)、分割、分類。對(duì)圖像處理有所需要這自行下載。能力所限，多有不足。 by 臨風(fēng)游吟1/140Methods for Nuclei Detection, Segmentation and Classification in Digital Histopat

2、hology: A Review. Current Status and Future PotentialHumayun Irshad, Student Member, IEEE, Antoine Veillard, Ludovic Roux, Daniel Racoceanu, Member, IEEE,2/140outline 簡(jiǎn)介和動(dòng)機(jī) 細(xì)胞分割和分類的挑戰(zhàn) 圖像處理方法簡(jiǎn)介 檢測(cè)、分割和分類的方法 討論3 This present review is intended as a comprehensive state-of-the-art survey on the particula

3、r issues of nuclei detection, segmentation and classification methods restricted to two widely available types of image modalities:H&E and IHC. We conclude with a discussion, pointing to future research directions and open problems related to nuclei detection, segmentation and classification.4染色 蘇木精

4、 伊紅染色法 ( hematoxylin-eosin staining ) ，簡(jiǎn)稱HE染色法 。細(xì)胞核深藍(lán)色，其他（細(xì)胞質(zhì)，基質(zhì)等）粉紅色。 免疫組織化學(xué)（Immunohistochemistry，IHC）又稱免疫細(xì)胞化學(xué)，是指帶顯色劑標(biāo)記的特異性抗體在組織細(xì)胞原位通過(guò)抗原抗體反應(yīng)和組織化學(xué)的呈色反應(yīng)，對(duì)相應(yīng)抗原進(jìn)行定性、定位、定量測(cè)定的一項(xiàng)新技術(shù)。56 照明 統(tǒng)一的光照是必須的。 顯微鏡，樣本厚度，染色等會(huì)導(dǎo)致照度不均。照相技術(shù)對(duì)不同波長(zhǎng)的光的敏感度不一致（短波-藍(lán)長(zhǎng)波-紅）。 使用標(biāo)準(zhǔn)套件糾正光譜和空間光照變化。7重點(diǎn) 淋巴細(xì)胞：形狀規(guī)則，比上皮細(xì)胞小 上皮細(xì)胞：染色質(zhì)均勻，邊界平滑（健康

5、）；變大，染色質(zhì)分布不均，邊界不規(guī)則（癌變）8挑戰(zhàn) 病理圖像中待檢測(cè)、分割、分類的細(xì)胞通常有很多的計(jì)算機(jī)視覺(jué)問(wèn)題，這些視覺(jué)問(wèn)題由很多因素導(dǎo)致，包括切片處理和圖像采集等。 細(xì)胞核通常是聚集在一起且存在重疊，并有多樣化的外觀。 一個(gè)成功的圖像處理方法應(yīng)該是能夠用魯棒的方式克服這些問(wèn)題以便在各種情況下都有高質(zhì)量和準(zhǔn)確率。9圖像處理方法 閾值（thresholding） 形態(tài)學(xué)（morphology） 區(qū)域生長(zhǎng)（region growing） 分水嶺（watershed） 主動(dòng)輪廓模型和水平集（active contour model and level sets） K-均值聚類（K-means cl

6、ustering） 概率模型（probabilistic models） 圖切割（graph cuts）10Thresholding目標(biāo)和背景內(nèi)部的相鄰像素間的灰度值是高度相關(guān)的，但在目標(biāo)和背景交界處兩邊的像素在灰度上有很大的差別。 全局二值化11 全局閾值：僅根據(jù)圖像像素本身性質(zhì) 1、極小點(diǎn)閾值 2、最優(yōu)閾值 3、最大凸殘差閾值； 局部閾值：像素本身性質(zhì)和局部區(qū)域性質(zhì) 1、直方圖變換 2、灰度-梯度散射圖 動(dòng)態(tài)閾值：像素本身性質(zhì)、局部區(qū)域性質(zhì)以及像素位置坐標(biāo)1213Morphology 形態(tài)學(xué)是一門(mén)建立在集論基礎(chǔ)上的學(xué)科，將圖像視為元素的集合，將圖像作為幾何形狀進(jìn)行處理。 形態(tài)學(xué)圖像處理是在

7、圖像中移動(dòng)一個(gè)結(jié)構(gòu)元素，然后將結(jié)構(gòu)元素與下面的二值圖像進(jìn)行交、并等集合運(yùn)算。常用的結(jié)構(gòu)元素有十字，矩形和圓形等。14 在形態(tài)學(xué)中，結(jié)構(gòu)元素是最重要最基本的概念。結(jié)構(gòu)元素在形態(tài)變換中的作用相當(dāng)于信號(hào)處理中的“濾波窗口”。 基本的形態(tài)運(yùn)算是腐蝕和膨脹。 腐蝕和膨脹公式：1516 先腐蝕后膨脹的過(guò)程稱為開(kāi)運(yùn)算。它具有消除細(xì)小物體，在纖細(xì)處分離物體和平滑較大物體邊界的作用。 先膨脹后腐蝕的過(guò)程稱為閉運(yùn)算。它具有填充物體內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界的作用。 均會(huì)除去比結(jié)構(gòu)元素小的圖像細(xì)節(jié)。1718 White and black top-hat transforms： 可以提取元素和細(xì)節(jié)。 Whi

8、te top-hat transforms Black top-hat transforms1920 形態(tài)學(xué)梯度：用于邊緣檢測(cè)21Region growing 種子區(qū)域生長(zhǎng)法是從一組代表不同生長(zhǎng)區(qū)域的種子像素開(kāi)始，接下來(lái)將種子像素鄰域里符合條件的像素合并到種子像素所代表的生長(zhǎng)區(qū)域中，并將新添加的像素作為新的種子像素繼續(xù)合并過(guò)程，直到找不到符合條件的新像素為止。2223 選擇或確定一組能正確代表所需區(qū)域的種子像素 確定在生長(zhǎng)過(guò)程中能將相鄰像素包括進(jìn)來(lái)的準(zhǔn)則 制定讓生長(zhǎng)停止的條件或規(guī)則24Watershed 分水嶺法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞?/p>

9、貌，圖像中每一點(diǎn)像素的灰度值表示該點(diǎn)的海拔高度，每一個(gè)局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。25 該算法的實(shí)現(xiàn)可以模擬成洪水淹沒(méi)的過(guò)程，圖像的最低點(diǎn)首先被淹沒(méi)，然后水逐漸淹沒(méi)整個(gè)山谷。當(dāng)水位到達(dá)一定高度的時(shí)候?qū)?huì)溢出，這時(shí)在水溢出的地方修建堤壩，重復(fù)這個(gè)過(guò)程直到整個(gè)圖像上的點(diǎn)全部被淹沒(méi)，這時(shí)所建立的一系列堤壩就成為分開(kāi)各個(gè)盆地的分水嶺。分水嶺算法對(duì)微弱的邊緣有著良好的響應(yīng)，但圖像中的噪聲會(huì)使分水嶺算法產(chǎn)生過(guò)分割的現(xiàn)象。2627 ACM能量函數(shù)： 以規(guī)范化曲線形狀為目的的項(xiàng)，稱為內(nèi)能量,最小化內(nèi)能量使得曲線不斷向內(nèi)部緊縮且保持平滑 以靠近目標(biāo)物體邊緣為目的的項(xiàng)，稱為外能量

10、,外能量則是保證曲線緊縮到目標(biāo)物體邊緣時(shí)停止。 是自定義或目標(biāo)物體先驗(yàn)的知識(shí)，來(lái)控制邊界。Active contour model and level sets28 參數(shù)活動(dòng)輪廓模型是基于Lagrange框架，直接以曲線的參數(shù)化形式來(lái)表達(dá)曲線，最具代表性的是Snake模型。該類模型在早期的生物圖像分割領(lǐng)域得到了成功的應(yīng)用，但其存在著分割結(jié)果受初始輪廓的設(shè)置影響較大以及難以處理曲線拓?fù)浣Y(jié)構(gòu)變化等缺點(diǎn).29 基本思想是 1）在圖像中初始化一個(gè)閉合曲線輪廓。形狀任意，只要保證將目標(biāo)物體完全包含在曲線內(nèi)部即可； 2）然后構(gòu)建能量方程。能量方程由兩部分組成。 3）根據(jù)能量方程，計(jì)算出表示曲線受力的歐拉方

11、程（Euler equation）。按照曲線各點(diǎn)的受力來(lái)對(duì)曲線進(jìn)行變形，直至受力為0。此時(shí)能量方程達(dá)到最小值，曲線收斂到目標(biāo)物體邊緣。30 幾何活動(dòng)輪廓模型的曲線運(yùn)動(dòng)過(guò)程是基于曲線的幾何度量參數(shù)而非曲線的表達(dá)參數(shù)，因此可以較好地處理拓?fù)浣Y(jié)構(gòu)的變化，并可以解決參數(shù)活動(dòng)輪廓模型難以解決的問(wèn)題。而水平集（LevelSet）方法的引入，則極大地推動(dòng)了幾何活動(dòng)輪廓模型的發(fā)展，因此幾何活動(dòng)輪廓模型一般也可被稱為水平集方法。31 基本思想是將圖像按照曲線量化為level set函數(shù)（最常用的是signed distance function）。level-set類似于等勢(shì)線，一幅圖像上所有l(wèi)evel-set

12、值等于某個(gè)常量的點(diǎn)構(gòu)成一個(gè)閉合曲線。因此，t時(shí)刻的曲線可以表示為： C(t) = (x,y): u(t,x,y) = 0 這樣的曲線表示方法不依賴于參數(shù)化，因此是曲線的本征表示。這樣就將曲線的運(yùn)動(dòng)轉(zhuǎn)化為zero level-set函數(shù)的運(yùn)動(dòng)。32Level sets 水平集(levelset)的基本思想是將界面看成高一維空間中某一函數(shù)（稱為水平集函數(shù)）的零水平集，同時(shí)界面的演化也擴(kuò)充到高一維的空間中。我們將水平集函數(shù)按照它所滿足的發(fā)展方程進(jìn)行演化或迭代，由于水平集函數(shù)不斷進(jìn)行演化，所以對(duì)應(yīng)的零水平集也在不斷變化，當(dāng)水平集演化趨于平穩(wěn)時(shí)，演化停止，得到界面形狀。33 簡(jiǎn)單來(lái)說(shuō)就是把低維空間上的函

13、數(shù)通過(guò)水平集的方法來(lái)轉(zhuǎn)化為高維空間(如果低維是n，則這里的高維指n+1) 假設(shè)用C(p,t)表示一個(gè)沿其法向方向的閉合曲線，它可以是二維中的一條閉合曲線(curve)，也可以是三維中的一個(gè)閉合曲面(Surface)。34 如果把水平集函數(shù) 中的z變量變?yōu)閠，則二維空間的閉合曲線就是通過(guò)截取不同時(shí)刻三維空間連續(xù)函數(shù)曲面的水平層。 當(dāng)函數(shù)中的t取不同的值時(shí)，水平集函數(shù)對(duì)應(yīng)不同的水平集，三維中的函數(shù)就是這樣映射到二維的平面中的。也就是將二維中曲線的演化轉(zhuǎn)化為了三維中的曲面的演化，低維變化到了高維，低維中的問(wèn)題變化到了高維進(jìn)行求解。3536Maximum Likelihood 極大似然原理的直觀想法是

14、：一個(gè)隨機(jī)試驗(yàn)如有若干個(gè)可能的結(jié)果A，B，C，。若在一次試驗(yàn)中，結(jié)果A出現(xiàn)，則一般認(rèn)為試驗(yàn)條件對(duì)A出現(xiàn)有利，也即A出現(xiàn)的概率很大。37 假設(shè)數(shù)據(jù)是服從同一個(gè)概率分布p(x|)的分布參數(shù)，那么抽到A的概率是p(xA|)，抽到B的概率是p(xB|)，那因?yàn)樗麄兪仟?dú)立的，同時(shí)抽到A和B的概率是p(xA|)* p(xB|)，那么從分布是p(x|)的總體樣本中抽取到n個(gè)樣本的概率，也就是樣本集X中各個(gè)樣本的聯(lián)合概率，用下式表示： 最大似然估計(jì)會(huì)尋找關(guān)于的最可能的值38 求最大似然函數(shù)估計(jì)值的一般步驟： （1）寫(xiě)出似然函數(shù)； （2）對(duì)似然函數(shù)取對(duì)數(shù)，并整理； （3）求導(dǎo)數(shù)，令導(dǎo)數(shù)為0，得到似然方程； （4

15、）解似然方程，得到的參數(shù)即為所求；39Expectation Maximization 期望最大化（Expectation-maximuzation）算法在統(tǒng)計(jì)中被用于尋找，依賴于不可觀察的隱性變量的概率模型中，參數(shù)的最大似然估計(jì)。EM是一個(gè)在已知部分相關(guān)變量的情況下，估計(jì)未知變量的迭代技術(shù)。40 EM的算法流程如下： 1：初始化分布參數(shù)： 2：重復(fù)直到收斂。 E步驟：估計(jì)未知參數(shù)的期望值，給出當(dāng)前的參數(shù)估計(jì)。 M步驟：重新估計(jì)分布參數(shù)，以使得數(shù)據(jù)的似然性最大，給出未知變量的期望估計(jì)。41K-means clustering K-means算法是很典型的基于距離的聚類算法，采用距離作為相似性的

16、評(píng)價(jià)指標(biāo)，即認(rèn)為兩個(gè)對(duì)象的距離越近，其相似度就越大。該算法認(rèn)為簇是由距離靠近的對(duì)象組成的，因此把得到緊湊且獨(dú)立的簇作為最終目標(biāo)。42（1） 從 n個(gè)數(shù)據(jù)對(duì)象任意選擇 k 個(gè)對(duì)象作為初始聚類中心；（2） 根據(jù)每個(gè)聚類對(duì)象的均值（中心對(duì)象），計(jì)算每個(gè)對(duì)象與這些中心對(duì)象的距離；并根據(jù)最小距離重新對(duì)相應(yīng)對(duì)象進(jìn)行劃分；（3） 重新計(jì)算每個(gè)（有變化）聚類的均值（中心對(duì)象）（4） 循環(huán)（2）到（3）直到每個(gè)聚類不再發(fā)生變化為止43Fuzzy c-means clustering 模糊c-均值聚類算法 fuzzy c-means algorithm (FCMA)或稱（ FCM）。在眾多模糊聚類算法中，模糊C-

17、均值（ FCM） 算法應(yīng)用最廣泛且較成功，它通過(guò)優(yōu)化目標(biāo)函數(shù)得到每個(gè)樣本點(diǎn)對(duì)所有類中心的隸屬度，從而決定樣本點(diǎn)的類屬以達(dá)到自動(dòng)對(duì)樣本數(shù)據(jù)進(jìn)行分類的目的。 1973年，Bezdek提出44 FCM用模糊劃分，使得每個(gè)給定數(shù)據(jù)點(diǎn)用值在0，1間的隸屬度來(lái)確定其屬于各個(gè)組的程度。樣本點(diǎn)的隸屬度函數(shù)取值為區(qū)間0, 1，同時(shí)每個(gè)樣本點(diǎn)對(duì)各類的隸屬度之和為1，即認(rèn)為樣本點(diǎn)對(duì)每個(gè)聚類均有一個(gè)隸屬度關(guān)系，允許樣本點(diǎn)以不同的模糊隸屬度函數(shù)同時(shí)歸屬于所有聚類。模糊聚類方法的軟性劃分，真實(shí)地反映了圖像的模糊性和不確定性。45 步驟1：用值在0，1間的隨機(jī)數(shù)初始化隸屬矩陣U，使其滿足式（6.9）中的約束條件 步驟2：用

18、式（6.12）計(jì)算c個(gè)聚類中心ci，i=1,c。 步驟3：根據(jù)式（6.10）計(jì)算價(jià)值函數(shù)。如果它小于某個(gè)確定的閥值，或它相對(duì)上次價(jià)值函數(shù)值的改變量小于某個(gè)閥值，則算法停止。 步驟4：用（6.13）計(jì)算新的U矩陣。返回步驟2。46Probabilistic models 統(tǒng)計(jì)學(xué)習(xí)的模型有兩種，一種是概率模型，一種是非概率模型。所謂概率模型，就是指要學(xué)習(xí)的模型的形式是P(Y|X)，這樣在分類的過(guò)程中，通過(guò)未知數(shù)據(jù)X可以獲得Y取值的一個(gè)概率分布，也就是訓(xùn)練后模型得到的輸出不是一個(gè)具體的值，而是一系列值的概率（對(duì)應(yīng)于分類問(wèn)題來(lái)說(shuō)，就是對(duì)應(yīng)于各個(gè)不同的類的概率），然后可以選取概率最大的那個(gè)類作為判決對(duì)象

19、（算軟分類soft assignment）。47 對(duì)于高斯混合模型（GMM），學(xué)習(xí)的過(guò)程就是訓(xùn)練出幾個(gè)概率分布，所謂混合高斯模型就是指對(duì)樣本的概率密度分布進(jìn)行估計(jì)，而估計(jì)的模型是幾個(gè)高斯模型加權(quán)之和（具體是幾個(gè)要在模型訓(xùn)練前建立好）。每個(gè)高斯模型就代表了一個(gè)類（一個(gè)Cluster）。對(duì)樣本中的數(shù)據(jù)分別在幾個(gè)高斯模型上投影，就會(huì)分別得到在各個(gè)類上的概率。然后我們可以選取概率最大的類所為判決結(jié)果。48Graph cuts 此類方法把圖像分割問(wèn)題與圖的最小割（min cut）問(wèn)題相關(guān)聯(lián)。首先將圖像映射為帶權(quán)無(wú)向圖G=，圖中每個(gè)節(jié)點(diǎn)NV對(duì)應(yīng)于圖像中的每個(gè)像素，每條邊E連接著一對(duì)相鄰的像素，邊的權(quán)值表示

20、了相鄰像素之間在灰度、顏色或紋理方面的非負(fù)相似度。49 而對(duì)圖像的一個(gè)分割s就是對(duì)圖的一個(gè)剪切，被分割的每個(gè)區(qū)域CS對(duì)應(yīng)著圖中的一個(gè)子圖。而分割的最優(yōu)原則就是使劃分后的子圖在內(nèi)部保持相似度最大，而子圖之間的相似度保持最小。基于圖論的分割方法的本質(zhì)就是移除特定的邊，將圖劃分為若干子圖從而實(shí)現(xiàn)分割。50 Graph Cuts圖是在普通圖的基礎(chǔ)上多了2個(gè)頂點(diǎn)，這2個(gè)頂點(diǎn)分別用符號(hào)”S”和”T”表示，統(tǒng)稱為終端頂點(diǎn)。其它所有的頂點(diǎn)都必須和這2個(gè)頂點(diǎn)相連形成邊集合中的一部分。所以Graph Cuts中有兩種頂點(diǎn)，也有兩種邊。5152Hough Transform 霍夫變換是圖像處理中的一個(gè)檢測(cè)直線、圓等

21、簡(jiǎn)單幾何形狀的方法。它最初是用于在二值化的圖像中進(jìn)行直線檢測(cè)的。5353黑白圖像上畫(huà)一條直線，直線的方程可以用y=k*x+b 來(lái)表示，過(guò)某一點(diǎn)(x0,y0)的所有直線的參數(shù)都會(huì)滿足方程y0=kx0+b。即點(diǎn)(x0,y0)確定了一組直線。方程y0=kx0+b在參數(shù)k-b平面上是一條直線。這樣，圖像x-y平面上的一個(gè)前景像素點(diǎn)就對(duì)應(yīng)到參數(shù)k-b平面上的一條直線。5454 同樣，圖像x-y平面上的一條直線y=k0*x+b0就對(duì)應(yīng)到參數(shù)平面上的一個(gè)像素點(diǎn)（K0，b0）。 不過(guò)，由于直線的斜率可能為無(wú)窮大，或者無(wú)窮小，那么，在k-b參數(shù)空間就不便于對(duì)直線進(jìn)行刻畫(huà)和描述。所以，采用極坐標(biāo)參數(shù)空間進(jìn)行直線檢

22、測(cè)。5555 直線Y=X*K+b上點(diǎn)對(duì)應(yīng)于KB空間上的不同直線，這一組直線的交點(diǎn)為（K，b）。則通過(guò)對(duì)圖像進(jìn)行遍歷，均映射到空間AB上，統(tǒng)計(jì)交點(diǎn)上相交直線的個(gè)數(shù)，則個(gè)數(shù)最大的點(diǎn)及對(duì)應(yīng)圖像中占據(jù)像素點(diǎn)最多的線段。5656 優(yōu)點(diǎn)：抗干擾能力強(qiáng)，對(duì)應(yīng)曲線為實(shí)線，虛線，還是殘缺了一部分均可以檢測(cè)；對(duì)應(yīng)曲線的均勻無(wú)要求。缺點(diǎn)：計(jì)算量大，不能檢測(cè)圖像的線段，檢測(cè)出包括該線段的直線，對(duì)于像素點(diǎn)較少的線段無(wú)法檢測(cè)，參數(shù)空間難求取最優(yōu)參數(shù)。5757Markov random field 馬爾可夫一般是馬爾可夫性質(zhì)的簡(jiǎn)稱。它指的是一個(gè)隨機(jī)變量序列按時(shí)間先后關(guān)系依次排開(kāi)的時(shí)候，第N+1時(shí)刻的分布特性，與N時(shí)刻以前的

23、隨機(jī)變量的取值無(wú)關(guān)。拿天氣來(lái)打個(gè)比方。如果假定天氣是馬爾可夫的，其意思就是假設(shè)今天的天氣僅僅與昨天的天氣存在概率上的關(guān)聯(lián)，而與前天及前天以前的天氣沒(méi)有關(guān)系。其它如傳染病和謠言的傳播規(guī)律，就是馬爾可夫的。5858 隨機(jī)場(chǎng)包含兩個(gè)要素：位置（site），相空間（phase space）。當(dāng)給每一個(gè)位置中按照某種分布隨機(jī)賦予相空間的一個(gè)值之后，其全體就叫做隨機(jī)場(chǎng)。不妨拿種地來(lái)打個(gè)比方。“位置”好比是一畝畝農(nóng)田；“相空間”好比是種的各種莊稼。可以給不同的地種上不同的莊稼，種的莊家類型只和相鄰地里的莊家有關(guān)。這就好比給隨機(jī)場(chǎng)的每個(gè)“位置”，賦予相空間里不同的值。所以，俗氣點(diǎn)說(shuō)，隨機(jī)場(chǎng)就是在哪塊地里種什么

24、莊稼的事情。5959 馬爾可夫鏈通常用來(lái)建模排隊(duì)理論和統(tǒng)計(jì)學(xué)中的建模，最近的應(yīng)用是在地理統(tǒng)計(jì)學(xué)（geostatistics）中。其中，馬爾可夫鏈用在基于觀察數(shù)據(jù)的二到三維離散變量的隨機(jī)模擬。6060laplacian of Gaussian Laplace算子對(duì)通過(guò)圖像進(jìn)行操作實(shí)現(xiàn)邊緣檢測(cè)的時(shí)，對(duì)離散點(diǎn)和噪聲比較敏感。于是，首先對(duì)圖像進(jìn)行高斯卷積濾波進(jìn)行降噪處理，再采用Laplace算子進(jìn)行邊緣檢測(cè)，就可以提高算子對(duì)噪聲和離散點(diǎn)的Robust, 這一個(gè)過(guò)程中Laplacian of Gaussian(LOG)算子就誕生了。6161Difference of Gaussian DoG (Diff

25、erence of Gaussian)是灰度圖像增強(qiáng)和角點(diǎn)檢測(cè)的方法，其做法較簡(jiǎn)單，它是可以通過(guò)將圖像與高斯函數(shù)進(jìn)行卷積得到一幅圖像的低通濾波結(jié)果，即去噪過(guò)程，同時(shí)，它對(duì)高斯拉普拉斯LoG的近似，在某一尺度上的特征檢測(cè)可以通過(guò)對(duì)兩個(gè)相鄰高斯尺度空間的圖像相減，得到DoG的響應(yīng)值圖像。6262 黑色為極小值，白色為極大值6363H-maxima transform I2 = imhmax(I,h) suppresses all maxima in the intensity image I whose height is less than h, where h is a scalar. Reg

26、ional maxima are connected components of pixels with a constant intensity value, and whose external boundary pixels all have a lower value.6464Preprocessing 光照歸一化（Illumination Normalization） 色彩歸一化（Color Normalization） 降噪和圖像平滑（Noise Reduction and Image Smoothing） 興趣區(qū)檢測(cè)（ROI Detection）65Illumination No

27、rmalization white shading correction 其他方法還有基于在高斯平滑中表現(xiàn)出的圖像內(nèi)稟特性的方法，66Color Normalization 直方圖的方法， quantile normalization 對(duì)于stains colocalization，color deconvolution is effective in separation of stains。 color deconvolution requires prior knowledge of color vectors (RGB) of each specific stain.67 絕大部分的檢

28、測(cè)和分割方法都是使用的RGB顏色模型，盡管RGB模型不是一個(gè)perceptually uniform的顏色模型。 部分使用HSV，Lab和Luv模型。68Noise Reduction and Image Smoothing 濾波和背景糾正之后進(jìn)行閾值化可以減少隨機(jī)噪聲和人為影響。 使用灰度直方圖確定的在閾值之外的那些像素是噪聲。 對(duì)像素團(tuán)使用閾值函數(shù)可以消去一個(gè)噪聲區(qū)域。69 形態(tài)學(xué)的方法同樣可以應(yīng)用于降噪。例如開(kāi)運(yùn)算和閉運(yùn)算。形態(tài)學(xué)灰度重構(gòu)方法可以減少噪聲同時(shí)保持細(xì)胞的形狀。 閾值和濾波是基于像素強(qiáng)度減少噪聲，形態(tài)學(xué)的方法是根據(jù)輸入圖像的形狀特征。 形態(tài)學(xué)方法無(wú)法無(wú)法去除細(xì)胞核類似形狀的噪

29、聲區(qū)域。70 自適應(yīng)濾波， Gamma correction和直方圖均衡化可以增加前景和背景之間的對(duì)比。 Anisotropic diffusion可以平滑細(xì)胞核信息而不退化細(xì)胞核邊界。 高斯濾波同樣可以平滑細(xì)胞核邊界。伽瑪校正就是對(duì)圖像的伽瑪曲線進(jìn)行編輯，以對(duì)圖像進(jìn)行非線性色調(diào)編輯的方法，檢出圖像信號(hào)中的深色部分和淺色部分，并使兩者比例增大，從而提高圖像對(duì)比度效果。71ROI Detection 在部分框架中，降噪和ROI檢測(cè)是同時(shí)進(jìn)行的。例如： 對(duì)于組織級(jí)別的特征計(jì)算，通過(guò)排除內(nèi)容少的區(qū)域和噪聲區(qū)域來(lái)選擇興趣區(qū)域。 對(duì)于細(xì)胞級(jí)別的特征計(jì)算，通過(guò)ROI檢測(cè)可能的細(xì)胞區(qū)域來(lái)減少噪聲。72 閾值

30、在ROI檢測(cè)中很常見(jiàn)。 sertel等人介紹了將細(xì)胞核和細(xì)胞成分作為ROI的濾泡性淋巴瘤（FL）分級(jí)。紅細(xì)胞（RBC）和背景區(qū)域相比于濾泡性淋巴瘤組織核呈現(xiàn)均勻的模式；因此閾值可以在RGB顏色模型中消除紅細(xì)胞和背景。同樣，Dalle et al通過(guò)使用Otsu閾值隨著形態(tài)學(xué)運(yùn)算在乳腺癌圖像中選擇腫瘤核多形性ROI。73 聚類也是ROI檢測(cè)常用方法。 Dundar et al.提出了一種用于乳腺導(dǎo)管增生性病變良惡性分類框架。乳腺導(dǎo)管增生性病變包含四個(gè)部分。HE染色圖像數(shù)據(jù)使用GMM分為四個(gè)部分。GMM模型參數(shù)使用EM估計(jì)。那些被歸類為細(xì)胞成分進(jìn)一步用動(dòng)態(tài)閾值聚集來(lái)消除相亮度較暗藍(lán)紫色的像素。剩余

31、的像素點(diǎn)被認(rèn)為是細(xì)胞區(qū)，用于病變分級(jí)。74Nuclei Detection 初始標(biāo)記點(diǎn)和種子點(diǎn)對(duì)絕大部分的分割方法是首要的。 分割的準(zhǔn)確性直接和種子點(diǎn)的可靠性有關(guān)。 在該領(lǐng)域開(kāi)始的工作主要依賴the peaks of the Euclidean distance map。75 H-maxima transform檢測(cè)局部極大值點(diǎn)作為種子點(diǎn)，但對(duì)紋理比較敏感導(dǎo)致過(guò)量播種。 Hough transform檢測(cè)圓形種子點(diǎn)，但計(jì)算量大。 Centroid transform只能在二值圖像中檢測(cè)種子點(diǎn)，無(wú)法使用額外的信息。76 歐式距離映射常用于種子檢測(cè)。 Laplacian of Gaussian (

32、LoG)是一個(gè)通用的blob檢測(cè)方法。 使用多尺度LoG過(guò)濾器和歐式距離映射可以獲得更高的計(jì)算效率和利用形狀尺度信息的能力。77 Al-kofahi et al提出了一種距離約束的多尺度LoG濾波的方法來(lái)確定細(xì)胞核，該方法利用二值圖像歐式距離映射中可獲得的形狀和尺度信息。78 主要步驟： 首先計(jì)算尺寸歸一化LOG濾波器在多分辨率下的響應(yīng)。 在結(jié)合LOG濾波結(jié)果和尺寸來(lái)計(jì)算單個(gè)響應(yīng)表面時(shí)RN(i) ，使用Euclidean distance map來(lái)限制最大尺寸值。 確定響應(yīng)便面的局部最大值，利用最小區(qū)域尺寸濾除不相關(guān)的最小值。79 該方法提高了種子點(diǎn)位置的準(zhǔn)確率 但缺點(diǎn)是對(duì)距離映射中的小的峰值

33、過(guò)于敏感導(dǎo)致過(guò)分割，并誤檢測(cè)小的區(qū)域?yàn)榧?xì)胞核。80 Radial symmetry transform (RST)也用于種子檢測(cè)。 Loy and Zelinsky提出基于快速梯度的興趣算子來(lái)檢測(cè)具有高徑向?qū)ΨQ的種子點(diǎn)。 雖然這種方法的靈感是來(lái)自于廣義對(duì)稱變換的結(jié)果，它決定每個(gè)周?chē)袼貙?duì)稱的貢獻(xiàn)，而不是考慮局部鄰域?qū)χ行南袼氐呢暙I(xiàn)。81 Qi et al.提出了一個(gè)新型快速種子點(diǎn)檢測(cè)方法，該方法利用shifted Gaussian kernel單通道VOTE。 shifted Gaussian kernel被特別的設(shè)計(jì)來(lái)放大目標(biāo)物體中心的VOTE，來(lái)降低重疊區(qū)域錯(cuò)誤種子的出現(xiàn)。82 計(jì)數(shù)各類型

34、細(xì)胞核對(duì)于分級(jí)是十分重要的。 然而人工計(jì)數(shù)是乏味且受到主觀影響的。 Fuchs and Buhmann指出對(duì)于正常和非典型細(xì)胞核的分類方面，5個(gè)病理學(xué)家之間存在42%的爭(zhēng)議。同時(shí)指出病理學(xué)家存在21.2%的錯(cuò)誤率。 這表明自動(dòng)計(jì)數(shù)工具具有很大的潛力。83 MN數(shù)量可以為腫瘤的擴(kuò)散攻擊性評(píng)估提供依據(jù)。 Anari et al提出使用模糊C-均值聚類和ultra erosion operation方法在Lab顏色模型中檢測(cè)MN。結(jié)果表明準(zhǔn)確率接近人工標(biāo)記。84 Roullier et al提出一個(gè)基于圖的多分辨率框架來(lái)檢測(cè)乳腺癌中的MN。該方法現(xiàn)在低分辨率進(jìn)行非監(jiān)督的聚類然后在高分辨率進(jìn)行微調(diào)。8

35、5 Khan et al提出了在GMM中使用EM來(lái)在乳腺癌圖像中檢測(cè)MN。在該框架中有絲分裂像素強(qiáng)度和非有絲分裂區(qū)域由Gamma-Gaussian mixture model表示。86 Ciresan et al.使用深度max-pooling卷積神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)MN，并獲得了最高的F-score (78%) during ICPR 2012 contest。一個(gè)由以有絲分裂地面真值為中心的圖像塊組成的訓(xùn)練數(shù)據(jù)庫(kù)作為訓(xùn)練樣本。訓(xùn)練好的CNN計(jì)算在整個(gè)圖像中估計(jì)有絲分裂核的概率地圖。他們的方法被證明十分高效，且誤檢率低。87 通過(guò)檢測(cè) IHC HER2+ breast cancer histopa

36、thology 中的LN數(shù)量，Basavanhally et al提出了對(duì)lymphocytic infiltration 分級(jí)的方法。在該框架中區(qū)域生長(zhǎng)方法使用對(duì)比措施找出最優(yōu)邊界來(lái)自動(dòng)檢測(cè)LN。88 該框架具有高檢測(cè)敏感度，導(dǎo)致有大量的誤檢。為了減少誤報(bào)，基于形狀和亮度信息的maximum a posteriori (MAP) estimation應(yīng)用來(lái)臨時(shí)標(biāo)記候選對(duì)象為L(zhǎng)N或CN。然后Markov random field (MRF) theory with spatial proximity來(lái)最后確定標(biāo)簽。89Nuclei Segmentation 細(xì)胞核特征：尺寸，紋理，形狀以及其他

37、形態(tài)學(xué)表觀對(duì)于癌癥的診斷和分級(jí)是重要的指示器。因此癌癥的分類和分級(jí)高度依賴細(xì)胞分割的質(zhì)量。細(xì)胞分割方法的選擇和特征計(jì)算方法有關(guān)。90 部分特征計(jì)算方法需要細(xì)胞核精確的邊界點(diǎn)來(lái)計(jì)算細(xì)胞形態(tài)。在這種情況下，需要高放大倍率的圖像來(lái)獲得細(xì)胞細(xì)節(jié)。其他的特征計(jì)算方法需要細(xì)胞位置來(lái)計(jì)算拓?fù)涮卣?，大量的?xì)胞核分割方法使用基于閾值，形態(tài)學(xué)，區(qū)域生長(zhǎng)，分水嶺，ACMs，聚類，圖割的方法或組合。91 檢測(cè)和分割最簡(jiǎn)單的方法是閾值和形態(tài)學(xué)的方法。該方法在統(tǒng)一背景下效果良好。主要需要調(diào)節(jié)的參數(shù)為閾值和結(jié)構(gòu)元素的形狀和尺寸。 目標(biāo)和背景之間的擴(kuò)散彌漫會(huì)加大找到一個(gè)能可靠分割邊界閾值的難度。92 閾值加形態(tài)學(xué)的方法一般用

38、于灰度圖像，但也可以應(yīng)用于彩色圖像。 受限于方法的簡(jiǎn)單，只是用了少量的目標(biāo)信息，對(duì)尺寸、形狀和紋理的變化缺少魯棒性。 不能分割聚成團(tuán)的細(xì)胞和重疊的細(xì)胞。93 部分人使用分水嶺變換來(lái)做細(xì)胞分割。分水嶺的主要優(yōu)點(diǎn)是在使用之前不需要進(jìn)行調(diào)整。然而，需要種子點(diǎn)的先驗(yàn)知識(shí)。Edge map 和distance transform可以用于種子點(diǎn)檢測(cè)。對(duì)于有均勻區(qū)域的環(huán)形細(xì)胞有良好的檢測(cè)結(jié)果。 分水嶺變換沒(méi)有使用先驗(yàn)知識(shí)來(lái)提高魯棒性。94 ACMs能夠聯(lián)合形狀特征（平緩，形狀模型）和圖像特征（圖像梯度，強(qiáng)度分布），然而分割的結(jié)果依賴初始種子點(diǎn)的選擇。95 Cosatto et al描述了一個(gè)能準(zhǔn)確且魯棒測(cè)量

39、腫瘤細(xì)胞核大小并提供多形性分級(jí)用的目標(biāo)依據(jù)的方法。首先使用一個(gè)Difference of Gaussian (DoG)過(guò)濾器來(lái)檢測(cè)細(xì)胞核。然后Hough transform選擇出帶有徑向?qū)ΨQ的形狀。最后帶有形狀紋理和fitness參數(shù)的ACM來(lái)提取細(xì)胞邊界。96 Huang and Lai提出基于分水嶺和ACM的框架用于肝癌活檢的細(xì)胞核分割。開(kāi)始，一個(gè)雙形態(tài)學(xué)灰度重構(gòu)方法來(lái)去除噪聲并增強(qiáng)細(xì)胞核的形狀。然后一個(gè)標(biāo)記控制的分水嶺變換來(lái)找出細(xì)胞核的邊界。最后，ACM生成平滑精確的輪廓。該方法在低對(duì)比多，噪聲背景和損壞/核不規(guī)則的情況下表現(xiàn)不好。97 Dalle et al提出了gradient in

40、 polar space (GiPS)，一個(gè)新的細(xì)胞分割方法。使用閾值和形態(tài)學(xué)檢測(cè)細(xì)胞。然后將每一塊轉(zhuǎn)換到極坐標(biāo)系統(tǒng)，每一塊的細(xì)胞團(tuán)的中心作為原點(diǎn)。最后一個(gè)雙二次濾波來(lái)產(chǎn)生一個(gè)梯度圖像上的邊界。98 Ta et al.提出基于圖的正則化方法。這框架的特之處在于在不同層級(jí)（像素或區(qū)域）和不同組件關(guān)系（柵格圖形，鄰近圖）使用圖作為一個(gè)離散圖像模型。99 Kofahi et al.提出了另一個(gè)基于圖割的方法來(lái)分割乳腺CN。前景區(qū)域使用基于圖割的二值化來(lái)提取，像素標(biāo)簽I(i)由最小化下面的能量函數(shù)來(lái)獲得100 在二值化之后，一個(gè)由基于自適應(yīng)尺寸選擇的distance map約束的多尺度LOG濾波檢測(cè)出

41、細(xì)胞核種子點(diǎn)。 檢測(cè)出的種子點(diǎn)被用來(lái)進(jìn)行初始分割，然后使用結(jié)合了alpha expansion and graph coloring的基于圖的方法來(lái)微調(diào)。 alpha expansion and graph coloring to reduce computational complexity.101 The authors reported 86% accuracy on 25 histopathological images containing 7,400 nuclei. 在面對(duì)染色質(zhì)紋理顯著和細(xì)胞核形狀瘦長(zhǎng)的情況，該框架常導(dǎo)致過(guò)分割。 In case of highly cluster

42、ed nuclei with weak borders between nuclei, under-segmentation may occur.102 Vink et al.介紹了一個(gè)決定性的方法：使用機(jī)器學(xué)習(xí)技術(shù)來(lái)分割I(lǐng)HC乳腺癌圖像中EN、LN和成纖維細(xì)胞核。一個(gè)檢測(cè)器不能覆蓋整個(gè)細(xì)胞核外觀范圍。他們使用了兩個(gè)檢測(cè)器（基于像素和基于行），使用改進(jìn)的AdaBoost方法。第一個(gè)檢測(cè)器專注于細(xì)胞核的內(nèi)部結(jié)構(gòu)，第二個(gè)專注于細(xì)胞核的邊界結(jié)構(gòu)，輸出結(jié)果使用ACM進(jìn)行合并。103 這些細(xì)胞核分割框架對(duì)于形狀規(guī)則，染色質(zhì)分布均勻，邊界光滑，獨(dú)立存在的LN，MC和EN具有很好的精度。 然后這些框架對(duì)于C

43、N尤其是聚集和重疊的CN分割效果不好，這些框架對(duì)染色質(zhì)變化不具魯棒性，但這在CN中很常見(jiàn)。104Nuclei Separation 第二代分割框架使用機(jī)器學(xué)習(xí)和經(jīng)典分割方法的結(jié)合解決了異質(zhì)性，重疊和聚集的問(wèn)題。此外，統(tǒng)計(jì)和形狀模型用來(lái)分離重疊和聚集的核。與細(xì)胞核分割方法相比，這些方法對(duì)于形狀的變換，部分遮擋和不同的染色更具有寬容性。105 分水嶺變換用來(lái)解決細(xì)胞重疊問(wèn)題，通過(guò)在圖像區(qū)域中定義一組盆地，在盆地之間的脊分離細(xì)胞核。Wahlby et al.解決了聚集細(xì)胞的問(wèn)題通過(guò)聯(lián)合灰度梯度信息和形狀參數(shù)來(lái)改進(jìn)分割。106 形態(tài)學(xué)濾波來(lái)找出細(xì)胞核種子，然后基于種子的分水嶺分割被應(yīng)用在梯度等高線圖像

44、中生成區(qū)域邊界。最后，初始分割的結(jié)果使用邊界梯度等高線進(jìn)行修正。最后，距離變換和基于形狀的聚類分類方法保留分離線。107 Cloppet and Boucher提出了在免疫熒光圖像中為分水嶺算法提供特殊的標(biāo)記點(diǎn)。他們定義標(biāo)記點(diǎn)為重疊結(jié)構(gòu)之間的裂縫。 獲得了77.59% accuracy in case of overlapping nuclei and 95.83% overall accuracy.108 另一種方法：首先全局和局部閾值選擇出前景區(qū)域，然后形態(tài)學(xué)濾波來(lái)檢測(cè)種子點(diǎn)。對(duì)種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)來(lái)初始分割細(xì)胞核。最后聚集的細(xì)胞核由分水嶺和ellipse approximation進(jìn)行分割

45、。109 ACM的主要問(wèn)題是對(duì)初始化過(guò)于敏感，為了解決這個(gè)問(wèn)題，F(xiàn)atakdawala et al.提出了EM driven Geodesic ACM with overlap resolution (EMaGACOR)來(lái)分割乳腺癌圖像中的LN。110 基于EM的ACM初始化允許模型關(guān)注相關(guān)興趣目標(biāo)。magneto-static active contour模型如同F(xiàn)指導(dǎo)輪廓到邊界?；谳喞]合多個(gè)物體，在輪廓上的高凹點(diǎn)被檢測(cè)出來(lái)并在邊緣塊圖的構(gòu)建中使用。然后一個(gè)基于凹點(diǎn)和尺寸啟發(fā)式的流程來(lái)解決重疊的細(xì)胞核。111 Yang et al.介紹了一個(gè)使用concave vertex graph

46、and Ncut algorithm的細(xì)胞核分離方法。 開(kāi)始外部的輪廓通過(guò)魯棒估計(jì)和顏色活動(dòng)模型確定，通過(guò)自動(dòng)檢測(cè)在邊界和內(nèi)部邊緣的concave points來(lái)構(gòu)建一個(gè)concave vertex graph。通過(guò)最小化一個(gè)基于形態(tài)學(xué)的代價(jià)函數(shù)計(jì)算出分離細(xì)胞核的圖最優(yōu)路徑。112 Mouelhi et al.提出了一個(gè)用于乳腺癌聚集細(xì)胞自動(dòng)分離的方法。首先，一個(gè)帶有Chan-Vese energy model的改進(jìn)GAC來(lái)檢測(cè)出細(xì)胞核區(qū)域。之后檢測(cè)出靠近細(xì)胞核區(qū)域的high concavity points。然后在混合距離變換（結(jié)合幾何距離和顏色梯度信息）圖像上運(yùn)用分水嶺提取內(nèi)部邊緣。使用h

47、igh concavity points和內(nèi)部邊緣的Concave vertex graph被構(gòu)建出來(lái)，最后計(jì)算在圖中的最短路徑選擇出最優(yōu)分離曲線。113 為了識(shí)別聚集細(xì)胞中的單個(gè)細(xì)胞核，Kong et al.提出了由一個(gè)新穎的監(jiān)督細(xì)胞核分割和聚集細(xì)胞核分離的方法構(gòu)成的框架。 使用顏色辨別模型中最常用的顏色-紋理將每個(gè)像素分為細(xì)胞核和背景區(qū)域。計(jì)算徑向?qū)ΨQ中心和連通分量的幾何中心的距離得到聚集細(xì)胞核和單個(gè)細(xì)胞核的差別。114 為了分離聚集的細(xì)胞核，聚集塊的邊界由Fourier shape descriptor進(jìn)行平滑，然后進(jìn)行凹點(diǎn)檢測(cè)。 The authors evaluated this f

48、ramework on FL images and achieved average 77% TPR and 5.55% splitting ER.115 Ali et al.提出了另一個(gè)結(jié)合形狀，邊界，區(qū)域同質(zhì)性和mutual occlusion terms的多水平集架構(gòu)的自適應(yīng)AC scheme。 The segmentation of K overlapping nuclei with respect to shape prior is solved by minimizing the following level set function:116 為了克服ACMs對(duì)初始化敏感，Kul

49、ikova et al.提出了一個(gè)基于marked point processes (MPP)的方法，一個(gè)高階的ACM能夠分割重疊的細(xì)胞核，如同分割單獨(dú)的物體。沒(méi)有必要初試化種子點(diǎn)：給出需要分割細(xì)胞核的位置。一個(gè)形狀先驗(yàn)項(xiàng)被用來(lái)解決重疊的細(xì)胞核。117 Veillard et al.提出了一種基于新圖像形態(tài)的方法。在該圖像中每個(gè)像素的強(qiáng)度代表該像素屬于細(xì)胞核的概率。這個(gè)概率地圖由紋理，尺寸信息和單個(gè)像素顏色強(qiáng)度估計(jì)出。這種圖像形態(tài)目標(biāo)和背景之間對(duì)比強(qiáng)烈，能平滑細(xì)胞和背景之間的邊界。最后使用帶有細(xì)胞核形狀先驗(yàn)的ACM來(lái)解決重疊細(xì)胞核的問(wèn)題118 總的來(lái)說(shuō)，基于模版的方法使用先驗(yàn)信息來(lái)分割細(xì)胞核。

50、該先驗(yàn)對(duì)于帶有某些特征細(xì)胞的分割帶有偏見(jiàn)。為了解決這個(gè)問(wèn)題Wienert et al.提出了一個(gè)新的基于輪廓的使用最少先驗(yàn)信息的最小化模型。119 這個(gè)基于最小化模型的分割框架： 不管形狀和尺寸，計(jì)算所有可能的閉合輪廓，所有初始生成的輪廓由合適的梯度歸類；不重疊的分割在二維圖中帶有排名標(biāo)記進(jìn)行。使用輪廓優(yōu)化改進(jìn)分割。聚集的核使用凹點(diǎn)檢測(cè)進(jìn)行分離。最后使用染色相關(guān)信息對(duì)分割區(qū)域進(jìn)行分類。120 Schmitt and Hasse使用RST分離聚集的細(xì)胞核，基于細(xì)胞核的重心是一個(gè)基礎(chǔ)的知覺(jué)事件能夠支持分割聚集的細(xì)胞核這樣一個(gè)想法。他們?cè)谔荻确较蛏铣跏蓟镀?，每次迭代，投票方向和核的形狀都進(jìn)行調(diào)

51、整，投票區(qū)域能夠由核形狀演變的步長(zhǎng)選擇來(lái)規(guī)定。小步長(zhǎng)導(dǎo)致重心過(guò)于破碎，大步長(zhǎng)增加計(jì)算量。通過(guò)處理邊界迭代解決區(qū)域中的洞和子洞。121 RST的一個(gè)限制就是尺寸的先驗(yàn)知識(shí)無(wú)法推廣。為了克服這限制，RST的多尺寸擴(kuò)展似乎是可行的。使用了一個(gè)簡(jiǎn)單的方法來(lái)分解聚集的細(xì)胞核區(qū)域。他們通過(guò)聚類和水平集的方法來(lái)獲得聚集的區(qū)域。122122 Veta et al在H&E stained breast cancer biopsy images中使用fast RST來(lái)為分水嶺選擇標(biāo)記點(diǎn)。 Sertel et al.提出用于FL centroblasts的自適應(yīng)基于似然估計(jì)的細(xì)胞核分割方法。開(kāi)始，細(xì)胞核成分使用GM

52、M with EM聚類，使用快速RST在梯度方向上計(jì)算spatial voting matrix。最后和局部極大值相關(guān)的單個(gè)細(xì)胞核被檢測(cè)出來(lái)。123123 基于EM和GMM的非監(jiān)督貝葉斯分類方案被用于IHC圖像中的重疊細(xì)胞核的分割。重疊細(xì)胞核的分離被看為聚類分析問(wèn)題。該方法主要包括運(yùn)用距離變換生成地形表面，看作是高斯的混合。然后一個(gè)參數(shù)化的EM算法來(lái)學(xué)習(xí)地形地貌的分布。在提取區(qū)域最大的基礎(chǔ)上，聚類驗(yàn)證來(lái)估計(jì)細(xì)胞核的最優(yōu)數(shù)量。124124 這些方法的新穎之處在與使用了機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)的方法來(lái)消除畸形的細(xì)胞核邊界因而能夠魯棒的細(xì)胞核分割。這些方法主要依賴與專家的標(biāo)注的可靠性。進(jìn)一步說(shuō)，這些方法可能不泛化或應(yīng)用受限，由于人工訓(xùn)練過(guò)程，對(duì)初始化敏感，不能很好分割多層重疊目標(biāo)。125125Nuclei Features and Classification 從分割的細(xì)胞核計(jì)算特征通常是細(xì)