乳腺癌病理細(xì)胞圖像的識(shí)別研究

黎丹雨

（中山大學(xué)新華學(xué)院，信息科學(xué)學(xué)院，廣州510000）

0 引言

乳腺癌是導(dǎo)致世界范圍內(nèi)婦女死亡的重要病癥，每年全球罹患乳腺癌的女性人數(shù)高達(dá)130多萬(wàn)，嚴(yán)重影響女性的健康。乳腺腫瘤浸潤(rùn)性淋巴細(xì)胞比例具有潛在的治療效果評(píng)估和預(yù)后預(yù)測(cè)價(jià)值[1]。早期檢測(cè)可用于患者治療方案的評(píng)估和制定，提高治療的針對(duì)性、降低復(fù)發(fā)率、改善患者預(yù)后。因此，乳腺腫瘤浸潤(rùn)性淋巴細(xì)胞有望成為預(yù)測(cè)新輔助化療療效的一個(gè)重要參數(shù)[2]。對(duì)乳腺癌病例圖像切片的分析，可以得到浸潤(rùn)淋巴細(xì)胞的個(gè)數(shù)或者比例，但人工診斷耗時(shí)巨大，準(zhǔn)確率也因人而異。隨著計(jì)算機(jī)、圖像識(shí)別、人工智能和模式識(shí)別等領(lǐng)域的快速發(fā)展，利用計(jì)算機(jī)輔助診斷，能有效提高診斷的效率和準(zhǔn)確度。

計(jì)算乳腺癌病理圖像中浸潤(rùn)淋巴細(xì)胞的個(gè)數(shù)或比例，實(shí)際上可歸結(jié)為圖像的分割和細(xì)胞的識(shí)別。目前國(guó)內(nèi)外對(duì)醫(yī)學(xué)圖像分割的研究有很多，但是針對(duì)乳腺癌中浸潤(rùn)淋巴細(xì)胞的分割卻很少。本文旨在總結(jié)國(guó)內(nèi)外在醫(yī)學(xué)細(xì)胞圖像分割和識(shí)別中常用的算法，并在此基礎(chǔ)上提出乳腺癌細(xì)胞圖像識(shí)別的方法構(gòu)想。

1 細(xì)胞圖像預(yù)處理

由于外界因素的影響，例如光照不均、細(xì)胞染色不均，人工處理過(guò)程中的不定因素等，會(huì)造成圖像的區(qū)域過(guò)飽和和邊緣的模糊等情況，進(jìn)而影響圖像的質(zhì)量。因此，要獲取組織細(xì)胞圖像的關(guān)鍵信息，得到較精確的輪廓線，需要對(duì)圖像進(jìn)行預(yù)處理，常用的預(yù)處理方法如圖1所示，包括傳輸或存儲(chǔ)過(guò)程中的格式轉(zhuǎn)換、圖像去噪和圖像增強(qiáng)等。

圖1 細(xì)胞圖像預(yù)處理

在圖像處理中，最常用的顏色空間是RGB模型，常用于顏色顯示和圖像處理，三維坐標(biāo)的模型形式，非常容易被理解。但用于人眼的直觀感受，往往在彩色圖像處理過(guò)程中，會(huì)把RGB圖像進(jìn)行顏色空間轉(zhuǎn)換，以便更容易被處理。常用的彩色空間變換模型有HSV[3]、HIS[4]、HSL、HLC[5]、CMY、Lab等。幾何畸變校正是為了解決同一物體在成像時(shí)出現(xiàn)不同的結(jié)果，發(fā)生幾何畸變和歪斜變形的情況。通過(guò)空間坐標(biāo)變換，是實(shí)際圖像與基準(zhǔn)圖像進(jìn)行像素點(diǎn)的匹配，然后進(jìn)行灰度校正。

圖像去噪包括圖像平滑和濾波。圖像平滑增強(qiáng)圖像低頻分量，削弱高頻分量。平滑處理有空域法和頻域法，在頻率域，噪聲的頻率往往很高，可以通過(guò)低通濾波，消除高頻部分，從而達(dá)到去噪的效果。在空間域的平滑處理方法有很多，大致可分為兩類，點(diǎn)處理變換和模板處理。常用的空域平滑濾波算子有：線性平滑算子、非線性平滑算子、自適應(yīng)平滑算子。包括領(lǐng)域平均法、空間域低通濾波法、中值濾波等平滑算法。

圖像增強(qiáng)包括圖像銳化、灰度變換、二值化、彩色增強(qiáng)、幾何畸變校正等。圖像在去除噪聲后，還要進(jìn)一步提高視覺(jué)效果，進(jìn)行更深層次的處理。圖像銳化是經(jīng)過(guò)離散空間差分法、統(tǒng)計(jì)差值法或者空域高通濾波等方法，是圖像的邊緣更加地突出?；叶茸儞Q是把原始圖像m經(jīng)過(guò)一定的映射變換得到輸出圖像n，這樣，輸入圖像m的灰度值在映射之后變成圖像n的灰度值，擴(kuò)大灰度n的范圍就能增加圖像的對(duì)比度。二值化是在設(shè)定灰度閾值后，將灰度圖像轉(zhuǎn)化成二值圖像。彩色增強(qiáng)是將一幅彩色圖像進(jìn)行映射，以提高人眼對(duì)圖像的視覺(jué)分辨率的一種圖像增強(qiáng)方法。

2 圖像分割

組織切片細(xì)胞圖像的分割是對(duì)細(xì)胞進(jìn)行信息提取、分析和研究的重要前提。對(duì)細(xì)胞圖像進(jìn)行分割，找到感興趣的區(qū)域（ROI），細(xì)胞組織圖像經(jīng)過(guò)分割，就可以進(jìn)一步進(jìn)行計(jì)數(shù)、參數(shù)統(tǒng)計(jì)、面積形態(tài)分析計(jì)算等。分割效果的優(yōu)劣，直接影響后續(xù)圖像的識(shí)別和理解過(guò)程。

2.1 傳統(tǒng)的圖像分割方法

基于閾值的分割方法，其主要思想是：根據(jù)圖像的灰度特征，把每個(gè)像素的灰度值與閾值進(jìn)行比較，以確定分類。該方法最關(guān)鍵的是找出某個(gè)準(zhǔn)則函數(shù)來(lái)求解最佳灰度閾值。例如Otsu法。

基于邊緣的分割方法，通常也叫做邊緣檢測(cè)，可以使用微分算子進(jìn)行邊緣檢測(cè)。常見(jiàn)的微分算子包括但不限于Sobel、Robert、Prewitt、Laplacian、Canny，具體實(shí)現(xiàn)方式是使用圖像與模板進(jìn)行卷積。Yongsheng Pan等人[6]提出一種自然啟發(fā)式邊緣檢測(cè)算法BFED，更準(zhǔn)確地分割細(xì)胞圖像。

基于區(qū)域的分割算法，此方法是將圖像按照相似或相同性準(zhǔn)則，分成不同的區(qū)域，主要方法有：分水嶺法、種子區(qū)域生長(zhǎng)法、區(qū)域分裂合并法等。陳文[7]基于胃癌病理切片區(qū)域分割任務(wù)中，提出了ResNet的半監(jiān)督癌變區(qū)域分割模型。黃琪[8]運(yùn)用一種改進(jìn)的分水嶺細(xì)胞分割算法，在胰腺神經(jīng)內(nèi)分泌瘤細(xì)胞圖像分割中取得了較高的精確率、準(zhǔn)確率和Dice系數(shù)值，能夠較好地完成對(duì)細(xì)胞的分割。段鵬[9]在重疊宮頸細(xì)胞圖像分割中，應(yīng)用基于瓶頸檢測(cè)和分水嶺算法的圖像分割方法，在重疊區(qū)域的梯度圖像使用分水嶺算法得到內(nèi)部的邊界信息，最后與外輪廓進(jìn)行疊加，得到重疊細(xì)胞的分割結(jié)果。Md.Habibur Rahman等人[10]提出使用基于改進(jìn)的分水嶺自適應(yīng)分割彩色圖像。

基于圖論的分割方法，把圖像分割問(wèn)題歸結(jié)為圖的最小割問(wèn)題，本質(zhì)是依據(jù)最優(yōu)原則（劃分后的子圖之間相似性最小，子圖內(nèi)相似性最大）移除特定的邊，將圖劃分為若干個(gè)子圖?；趫D論的方法有GraphCut、GrabCut以及Random Walk等。

基于能量泛函的分割方法，主要是指活動(dòng)輪廓模型及在其基礎(chǔ)上發(fā)展的算法。其思想是目標(biāo)邊緣使用連續(xù)的曲線表達(dá)，并定義一個(gè)能量泛函使得其自變量包括邊緣曲線。在圖像的分割過(guò)程中，求解能量泛函的最小值，在能量最小的曲線位置就是匹配出的圖像輪廓所在的位置。該方法一般需要人工設(shè)置初始曲線，然后通過(guò)內(nèi)部能量（保持活動(dòng)輪廓的光滑性和拓?fù)湫裕┖屯獠磕芰浚ㄊ腔顒?dòng)輪廓向邊緣運(yùn)動(dòng)的動(dòng)力）的共同作用，逐步變形、優(yōu)化，得到最佳邊緣曲線。目前基于活動(dòng)輪廓的圖像分割方法主要有兩種：參數(shù)活動(dòng)輪廓，例如Snake模型；幾何活動(dòng)輪廓，例如水平集方法。傳統(tǒng)的Snake模型對(duì)噪聲非常敏感，分割精度不高。很多學(xué)者對(duì)Snake模型進(jìn)行了改進(jìn)，常用的局部?jī)?yōu)化算法有動(dòng)態(tài)規(guī)劃法、貪婪算法、有限元法等，這些局部?jī)?yōu)化可能陷入能量函數(shù)的局部極小值，從而無(wú)法找出全局最小值。因此，遺傳算法和神經(jīng)網(wǎng)絡(luò)常用于全局優(yōu)化。劉麗[11]提出了一種基于分?jǐn)?shù)階散射網(wǎng)絡(luò)的圖像分割算法。程廣斌等人[12]利用Gibbs距離圖Snake模型分割醫(yī)學(xué)圖像，克服醫(yī)學(xué)圖像噪聲和偽邊緣干擾?；谒郊膱D像分割算法可以算是Snake的進(jìn)化版，它主要是更新整張圖的像素點(diǎn)到曲線的有向距離場(chǎng)來(lái)找出最佳邊緣曲線?；谒郊膱D像分割可以進(jìn)行自動(dòng)分裂合并，分割精度較Snake模型要高，但是運(yùn)行速度慢。

2.2 基于特定理論的分割方法

卷積神經(jīng)網(wǎng)絡(luò)等在圖像分割方面應(yīng)用頗多，姜慶玲等人[13-14]利用細(xì)胞神經(jīng)網(wǎng)絡(luò)CNN模型對(duì)彩色圖像的邊緣進(jìn)行檢測(cè)，克服了傳統(tǒng)的邊緣檢測(cè)方法針對(duì)灰度圖像的問(wèn)題。對(duì)于喉癌上皮細(xì)胞染色圖像的分割研究有很多，可以使用模糊邏輯[15]卷積神經(jīng)網(wǎng)絡(luò)[16]，精度可達(dá)到96.7%，非參數(shù)貝葉斯模型[17]、學(xué)習(xí)遷移與神經(jīng)網(wǎng)絡(luò)[18]、K均值聚類[19]等算法。在乳腺腫瘤組織病理學(xué)圖像分割領(lǐng)域，Lingraj Dora等人[20]介紹了一種新型專家系統(tǒng)（GNRBA）用于乳腺癌分類。Ajay Nagesh Basavan?hally等人[21]根據(jù)乳腺表型分子的變化，通過(guò)區(qū)域生長(zhǎng)和馬爾科夫隨機(jī)場(chǎng)算法的組合，自動(dòng)檢測(cè)分割出浸潤(rùn)淋巴細(xì)胞，實(shí)現(xiàn)對(duì)細(xì)胞圖像的精確分割。Hussain Fa?takdawala等人[22]提出了一個(gè)新的基于期望最大化（EM）驅(qū)動(dòng)活動(dòng)輪廓的分割方案，應(yīng)用于自動(dòng)檢測(cè)，分割乳腺癌淋巴細(xì)胞、基質(zhì)、癌細(xì)胞和背景等區(qū)域。但該方法使用局部信息，并未使用重要的先驗(yàn)特征信息（如細(xì)胞核的尺寸和形狀等）。Hai Su、Fujun Liu[23]提出在對(duì)乳腺癌的自動(dòng)區(qū)域分割時(shí)，使用快速掃描的深卷積神經(jīng)網(wǎng)絡(luò)（fCNN）分割像素區(qū)域。

雖然病理圖像分割算法有很多，但大多數(shù)是關(guān)于細(xì)胞和細(xì)胞核或者是組織之間的分割，而關(guān)于乳腺癌病理圖像中腫瘤區(qū)域與間質(zhì)的分割卻很少。Ching-Wei Wang[24]利用基于馬爾科夫隨機(jī)場(chǎng)的貝葉斯估計(jì)方法，實(shí)現(xiàn)了監(jiān)督的肺癌組織芯片圖像的分割。但是它受限于簡(jiǎn)單的腫瘤紋理特征提取過(guò)程而出現(xiàn)過(guò)擬合。Shazia Akbar等人[25]提出一種自旋上下文（Spin-context）的分割算法，實(shí)現(xiàn)對(duì)浸潤(rùn)性導(dǎo)管癌圖像中浸潤(rùn)性腫瘤區(qū)域和非浸潤(rùn)性腫瘤區(qū)域的分割。Adnan M.Khan等人[26]提出一種無(wú)監(jiān)督的混合幅度相位法對(duì)乳腺癌組織學(xué)圖像中腫瘤區(qū)域與細(xì)胞基質(zhì)區(qū)域的分割，然而無(wú)監(jiān)督的方法不能充分利用病理學(xué)家先前的知識(shí)進(jìn)行引導(dǎo)。QU AiPing等人[27]提出基于像素級(jí)支持向量機(jī)分類算法的HE染色乳腺癌病理圖像分割，視分割為圖像中像素點(diǎn)的分類問(wèn)題，實(shí)現(xiàn)對(duì)腫瘤巢與間質(zhì)的分割。闞賢響[28]在HE染色乳腺癌組織病理圖像的癌巢與間質(zhì)的分割中，對(duì)QU AiPing提出的算法進(jìn)行改進(jìn)，引入間隔采樣和閾值法。對(duì)圖像進(jìn)行間隔采樣，并提取采樣點(diǎn)的特征，選出最佳特征組合，利用基于SVM的分類器，對(duì)像素點(diǎn)進(jìn)行分類。在時(shí)間和準(zhǔn)確率上達(dá)到了較好的效果。

2.3 粘連細(xì)胞的分割

細(xì)胞圖像中存在細(xì)胞粘連，在細(xì)胞粘連處的邊緣檢測(cè)和分割往往較為模糊。細(xì)胞圖像自動(dòng)識(shí)別非常重要的一步就是粘連細(xì)胞的分割。常用于分割細(xì)胞圖像中粘連細(xì)胞的方法有：基于形態(tài)學(xué)的粘連細(xì)胞分割方法、基于分水嶺的粘連細(xì)胞分割方法和基于凹點(diǎn)搜索的粘連細(xì)胞分割方法等。

基于形態(tài)學(xué)的粘連細(xì)胞分割方法常見(jiàn)的有：腐蝕、膨脹、開(kāi)啟和閉合，其算法原理簡(jiǎn)單，運(yùn)算速度較快，因?yàn)楦g和膨脹的過(guò)程是不可逆的，精度往往不高。

分水嶺分割常常用來(lái)處理細(xì)胞分割時(shí)的粘連問(wèn)題，其算法精度高、速度快，但是其對(duì)噪聲非常敏感。王品等人[29]提出一種新的基于多尺度區(qū)域生長(zhǎng)與去粘連模型的正常乳腺細(xì)胞的自動(dòng)分割算法，首先結(jié)合小波分解和多尺度生長(zhǎng)算法，分離出背景和目標(biāo)區(qū)域，然后利用改進(jìn)的數(shù)學(xué)形態(tài)學(xué)和基于曲率空間的角點(diǎn)檢測(cè)分割算法解決細(xì)胞粘連問(wèn)題。劉宰豪[30]在對(duì)凹點(diǎn)檢測(cè)和橢圓形擬合粘連分割算法及凹點(diǎn)檢測(cè)及凹點(diǎn)匹配的粘連分割算法研究后，通過(guò)改進(jìn)的重心提取算法修正凹點(diǎn)檢測(cè)進(jìn)行粘連細(xì)胞的分割。楊輝華等人[31]提出基于水平集方法的邊緣輪廓提取和凹點(diǎn)區(qū)域檢測(cè)相結(jié)合的細(xì)胞圖像分割方法，能夠較準(zhǔn)確地分割粘連細(xì)胞，但其精度不高，平均精度達(dá)到83%。陳名[32]提出基于種子點(diǎn)替代像素塊算法的粘連細(xì)胞分割方法。

基于凹點(diǎn)搜索的分割方法主要是提取輪廓上的凹點(diǎn)形態(tài)特點(diǎn)，用一定的方法篩選出需要分割的輪廓上的凹點(diǎn)，然后制定規(guī)則，連接配對(duì)的凹點(diǎn)，最終完成分割。近年來(lái)，有許多學(xué)者在細(xì)胞粘連問(wèn)題上運(yùn)用和改進(jìn)了該算法，比較典型的有以下幾種。

（1）計(jì)算邊界點(diǎn)所成的夾角。這種算法主要思想是在物體輪廓上選擇某一個(gè)檢測(cè)點(diǎn)，然后設(shè)定一個(gè)閾值，在輪廓上求出與這個(gè)點(diǎn)等閾值距離的前繼點(diǎn)和后續(xù)點(diǎn)，最后計(jì)算這三個(gè)點(diǎn)之間的夾角。該方法易受噪聲影響。

（2）計(jì)算邊界點(diǎn)切線。這種算法的主要思想是由輪廓上的點(diǎn)的切線是否落在物體區(qū)域內(nèi)部來(lái)判斷該點(diǎn)是否是凹點(diǎn)。該方法的缺點(diǎn)是計(jì)算時(shí)間開(kāi)銷大、易受噪聲影響。

（3）鏈碼差法。物體邊界點(diǎn)相對(duì)走向的編碼序列叫做鏈碼，鏈碼差計(jì)算相鄰兩個(gè)邊界的走向的改變，改變程度和物體在該點(diǎn)的凹陷程度成正比，從而找到可能的凹點(diǎn)。該方法可以很直觀找到粘連細(xì)胞的凹點(diǎn)，而且運(yùn)算量小，速度快，但只適用于近圓形的顆粒圖像，局限性太大。

3 特征提取與選擇

原始圖像一般都具有高維的原始特征，這些高維的原始特征往往具有數(shù)據(jù)量大、數(shù)據(jù)信息冗余、樣本分布十分稀疏等缺點(diǎn)，這樣不利于細(xì)胞識(shí)別的分類器的設(shè)計(jì)。故我們需要對(duì)分割后的原始圖像信息進(jìn)行特征提取和特征選擇。

3.1 特征提取

特征提取是用映射（或變換）的方法把原始特征變換為較少的新特征。目前，常見(jiàn)的用于臨床診斷的乳腺癌細(xì)胞特征參數(shù)大致可分為以下四類[33]：形態(tài)參數(shù)（包括輪廓指數(shù)、形狀因子、形狀不規(guī)則指數(shù)、圓度、長(zhǎng)短軸比、圓球度、等效圓直徑、等效球表面積、等效球體積及曲度等），大小參數(shù)（包括面積、周長(zhǎng)、最大徑、最小徑、體積、細(xì)胞核大小等），密度系統(tǒng)（包括體密度、面密度、比表面、數(shù)密度、長(zhǎng)密度及面密度等），質(zhì)地參數(shù)（光密度等）。表1為選取的部分細(xì)胞特征參數(shù)。

表1 部分細(xì)胞特征參數(shù)

3.2 特征選擇

特征選擇是從原始特征中挑選出一些最有代表性、分類性能最好的特征。常用的特征選擇的方法有下列幾種。

特征組合法：Filter方法與Wrapper方法，前者是根據(jù)獨(dú)立于分類器的指標(biāo)來(lái)評(píng)價(jià)所選擇的特征子集，然后在所有可能的特征子集中搜索出使得分類器指標(biāo)最大的特征子集作為最優(yōu)特征子集（不考慮所使用的學(xué)習(xí)算法），后者將特征選擇和分類器結(jié)合在一起，即特征子集的好壞標(biāo)準(zhǔn)是由分類器決定的，在學(xué)習(xí)過(guò)程中表現(xiàn)優(yōu)異的特征子集會(huì)被選中。

遺傳算法：從生物進(jìn)化論得到啟示，通過(guò)遺傳、變異、自然選擇等作用機(jī)制，使選擇的數(shù)據(jù)在競(jìng)爭(zhēng)中不斷通過(guò)適應(yīng)度函數(shù)改進(jìn)來(lái)求得最優(yōu)特征。適應(yīng)度函數(shù)選取原理是，對(duì)于每個(gè)個(gè)體xi的函數(shù)值fi，個(gè)體越好，fi越大。新一代群體對(duì)環(huán)境的平均適應(yīng)度比父代高。

Fisher線性判別準(zhǔn)則：將高維空間中的特征映射到低維空間，使樣本的投影按分類盡可能地分開(kāi)。通常會(huì)定義一個(gè)準(zhǔn)則函數(shù)，找到一組特征使準(zhǔn)則函數(shù)最大化的最優(yōu)解，則這組特征被保留下來(lái)。

數(shù)學(xué)統(tǒng)計(jì)學(xué)：常用的顯著性檢驗(yàn)有卡方檢驗(yàn)和t檢驗(yàn)。先假設(shè)某特征對(duì)細(xì)胞分類無(wú)顯著性，然后驗(yàn)證假設(shè)，若結(jié)果拒絕假設(shè)，則說(shuō)明該特征對(duì)細(xì)胞分類具有顯著性，則保留該特征。

模擬退火法、順序前進(jìn)法、順序后退法、流行學(xué)習(xí)算法等特征選擇方法在分類方面應(yīng)用也非常地廣泛。

4 細(xì)胞識(shí)別

細(xì)胞定量分析和自動(dòng)識(shí)別的關(guān)鍵是使用分類器對(duì)細(xì)胞是否發(fā)生癌變進(jìn)行判別和診斷。在對(duì)細(xì)胞圖像進(jìn)行分割，找到感興趣的區(qū)域（ROI），對(duì)細(xì)胞進(jìn)行特征提取和特征選擇之后，需要使用合適的分類器對(duì)細(xì)胞進(jìn)行分類識(shí)別。細(xì)胞分類識(shí)別的主要方法有：

貝葉斯分類：貝葉斯分類器的分類原理是通過(guò)某對(duì)象的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，即該對(duì)象屬于某一類的概率，選擇具有最大后驗(yàn)概率的類作為該對(duì)象所屬的類。謝麗莉[34]在對(duì)胸片檢測(cè)中，利用貝葉斯分層混合模型提取圖像特征，實(shí)現(xiàn)圖像自動(dòng)分割和識(shí)別，并取得較好的效果。

決策樹(shù)與隨機(jī)森林：決策樹(shù)是一種樹(shù)形結(jié)構(gòu)，其中每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)屬性上的測(cè)試，每個(gè)分支代表一個(gè)測(cè)試輸出，每個(gè)葉節(jié)點(diǎn)代表一種類別。決策樹(shù)是一種十分常用的監(jiān)督學(xué)習(xí)分類方法。隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類器，并且其輸出的類別是由個(gè)別樹(shù)輸出的類別的眾數(shù)而定。李鮮[35]在鼻咽腫瘤的圖像識(shí)別中利用隨機(jī)森林的重要性度量進(jìn)行特征選擇，并將特征選擇結(jié)果應(yīng)用在原始特征集，優(yōu)化特征子集，并構(gòu)建新的隨機(jī)森林分類器對(duì)圖像進(jìn)行分割。

支持向量機(jī)：支持向量機(jī)（SVM）是與相關(guān)的學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型，可以分析數(shù)據(jù)，識(shí)別模式，用于分類和回歸分析。給定一組訓(xùn)練樣本，每個(gè)標(biāo)記為屬于兩類，一個(gè)SVM訓(xùn)練算法建立了一個(gè)模型，分配新的實(shí)例為一類或其他類，使其成為非概率二元線性分類。王孝義等人[36]采用一種基于自適應(yīng)能量偏移場(chǎng)無(wú)邊緣主動(dòng)輪廓模型，對(duì)弱對(duì)比度圖像提高分割精度，用于乳腺腫塊分割，得到感興趣區(qū)域；最后使用不同提取特征方法，結(jié)合支持向量機(jī)識(shí)別感興趣區(qū)域是否有腫塊。實(shí)驗(yàn)結(jié)果顯示具有較好識(shí)別效果。王云濤[37]結(jié)合改進(jìn)方向梯度直方圖（HOG）算法提取特征，并將特征用于支持向量機(jī)（SVM），從而完成腺癌病理圖像的分類檢測(cè)。

神經(jīng)網(wǎng)絡(luò)：是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。王永軍等人[38]開(kāi)發(fā)了一個(gè)基于多網(wǎng)絡(luò)特征融合和稀疏雙關(guān)系正則化學(xué)習(xí)分類模型。通過(guò)對(duì)子圖像裁剪和顏色增強(qiáng)預(yù)處理后，利用深度卷積神經(jīng)網(wǎng)絡(luò)提取特征，最后使用支持向量機(jī)進(jìn)行分類。Tiia Ikonen,Harri Niska[39]提出一種新穎的特征提取方法，曲線空間距離變換的改進(jìn)（DTOCS），用于乳腺癌癥圖像的分析和分類。Ben?zheng Weil[40]在對(duì)不同類型的乳腺癌病理圖像的分類時(shí)，使用一種被稱為BiCNN的模型，精度高達(dá)97%。Ziyue Xu[41]使用深度卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)胸腹淋巴結(jié)檢測(cè)和間質(zhì)性肺病分類。

5 結(jié)語(yǔ)

在國(guó)內(nèi)外的醫(yī)學(xué)圖像和細(xì)胞識(shí)別的逐步深入研究中，多方位的分割和識(shí)別算法有不同的優(yōu)勢(shì)和適用范圍，今年來(lái)已有人開(kāi)始研究乳腺癌腫瘤間質(zhì)浸潤(rùn)淋巴細(xì)胞的分割和識(shí)別問(wèn)題。獲取乳腺癌病理圖像中浸潤(rùn)淋巴細(xì)胞的個(gè)數(shù)或比例，可先利用識(shí)別率較高的算法（例如神經(jīng)網(wǎng)絡(luò)、SVM、隨機(jī)森林等），識(shí)別出原位癌、浸潤(rùn)癌和淋巴細(xì)胞。然后利用分割技術(shù)，分割出浸潤(rùn)區(qū)域和浸潤(rùn)淋巴細(xì)胞區(qū)域（ROI），求其面積比?；蛘邔?duì)浸潤(rùn)區(qū)域再利用分類算法，得出浸潤(rùn)淋巴細(xì)胞的個(gè)數(shù)。未來(lái)針對(duì)該鄰域的研究可能會(huì)增多，并極大可能推動(dòng)醫(yī)療行業(yè)的部署和實(shí)踐。本文難免會(huì)有疏漏之處，望相關(guān)領(lǐng)域?qū)＜遗u(píng)指正。