基于活動(dòng)輪廓模型的病理顯微圖像分割若干關(guān)鍵技術(shù)研究課件

1、基于活動(dòng)輪廓模型的病理顯微圖像分割若干關(guān)鍵技術(shù)研究2022/10/111基于活動(dòng)輪廓模型的病理顯微圖像分割若干關(guān)鍵技術(shù)研究2022/大綱自我介紹課題研究的背景與意義 活動(dòng)輪廓模型基于多曲率邊緣信息的細(xì)胞核識(shí)別基于稀疏編碼的細(xì)胞邊緣檢測(cè)未來的工作2022/10/112大綱自我介紹2022/10/102自我介紹基本情況介紹：姓名：劉子緯班級(jí)：電信提高三年加權(quán)：（提高班第一）成果說明：大創(chuàng)項(xiàng)目： 基于活動(dòng)輪廓模型的病理顯微圖像分割若干關(guān)鍵技術(shù)研究 基于圖像定量分析的乳腺及的病理鑒別（與同濟(jì)合作） 學(xué)科競(jìng)賽： 全國大學(xué)生數(shù)學(xué)建模競(jìng)賽一等獎(jiǎng) 美國大學(xué)生數(shù)學(xué)建模競(jìng)賽一等獎(jiǎng)?wù)撐模?(在審，一作)2022/1

2、0/113自我介紹基本情況介紹：2022/10/103課題研究的背景與意義自動(dòng)化診斷比人工診斷更準(zhǔn)確可靠促進(jìn)統(tǒng)計(jì)學(xué)習(xí)、模式識(shí)別的自身發(fā)展與完善細(xì)胞形態(tài)與分布千差萬別，有許多尚待深入的研究2022/10/114課題研究的背景與意義自動(dòng)化診斷比人工診斷更準(zhǔn)確可靠2022/課題研究的背景與意義圖像分割指的是將數(shù)字圖像細(xì)分為多個(gè)圖像子區(qū)域的過程，使得圖像更容易理解和分析。圖像分割算法舉例：聚類法、直方圖法、邊緣檢測(cè)、區(qū)域生長、水平集方法、分水嶺方法圖像分割依據(jù)：圖像局部特征的相似性和互斥性研究對(duì)象：2022/10/115課題研究的背景與意義2022/10/105活動(dòng)輪廓模型面臨的挑戰(zhàn)及解決方法：一般方

3、法提取的圖像輪廓的精度不高 活動(dòng)輪廓模型中能量泛函是在連續(xù)狀態(tài)下實(shí)現(xiàn)的一般方法的魯棒性不強(qiáng) 活動(dòng)輪廓模型約束目標(biāo)輪廓，并融入先驗(yàn)信息一般方法需要繁雜的預(yù)后處理過程 活動(dòng)輪廓模型使用光滑閉合曲線表示物體的輪廓2022/10/116活動(dòng)輪廓模型面臨的挑戰(zhàn)及解決方法：2022/10/106活動(dòng)輪廓模型基本思想： 用顯式參數(shù)化的形式表達(dá)曲線，通過極小化能量函數(shù)，使曲線逐漸變形，直到抵達(dá)分割區(qū)域的邊界。2022/10/117活動(dòng)輪廓模型基本思想：2022/10/107活動(dòng)輪廓模型數(shù)學(xué)模型：其中, 表示弧長參數(shù),活動(dòng)輪廓在圖像中的位置可通過參數(shù)向量 ( ) ( ) , ( ) 表示內(nèi)部能量：曲線演化自身的

4、限制條件，同時(shí)保持曲線的可變性與光滑性外部能量：圖像信息對(duì)于曲線演化的限制條件，包括圖像的灰度或灰度梯度2022/10/118活動(dòng)輪廓模型數(shù)學(xué)模型：其中, 表示弧長參數(shù),活動(dòng)輪廓在圖像中活動(dòng)輪廓模型分類：依據(jù)能量項(xiàng)的定義不同2022/10/119活動(dòng)輪廓模型分類：依據(jù)能量項(xiàng)的定義不同2022/10/109活動(dòng)輪廓模型 方法的具體形式：內(nèi)部能量： 一階微分( )表達(dá)的是活動(dòng)曲線長度的變化率. 二階微分( )表達(dá)活動(dòng)曲線曲率的變化率.外部能量： 采用標(biāo)準(zhǔn)偏差為的函數(shù)來進(jìn)行卷積低通濾波 圖像的灰度梯度 2022/10/1110活動(dòng)輪廓模型 方法的具體形式：2022/10/1010活動(dòng)輪廓模型 方法的

5、實(shí)驗(yàn)結(jié)果：2022/10/1111活動(dòng)輪廓模型 方法的實(shí)驗(yàn)結(jié)果：2022/10/1011活動(dòng)輪廓模型 方法的缺點(diǎn)：對(duì)初始位置敏感,必須使初始輪廓接近真實(shí)的邊界模型的非凸性將導(dǎo)致收斂到局部極值點(diǎn),甚至發(fā)散不能處理曲線的拓?fù)渥兓獾淖顑?yōu)性、計(jì)算的穩(wěn)定性以及無法加入外部強(qiáng)約束2022/10/1112活動(dòng)輪廓模型 方法的缺點(diǎn)：2022/10/1012活動(dòng)輪廓模型 方法的具體形式：其基本思想是將隨時(shí)間演化的平面閉合曲線( , )隱含地表達(dá)為同樣隨時(shí)間演化的三維連續(xù)函數(shù)曲面( , , )的一個(gè)具有相同函數(shù)值的同值曲線，通常是 ，稱為零水平集，而( , )稱為水平集函數(shù)。給定平面上的一條封閉曲線，以曲線為邊

6、界，把整個(gè)平面劃分為兩個(gè)區(qū)域：曲線的外部和內(nèi)部區(qū)域 。用符號(hào)函數(shù)定義這條曲線： ( , ) ( , )( , , ) 2022/10/1113活動(dòng)輪廓模型 方法的具體形式：2022/10/1013活動(dòng)輪廓模型 方法的實(shí)驗(yàn)結(jié)果：2022/10/1114活動(dòng)輪廓模型 方法的實(shí)驗(yàn)結(jié)果：2022/10/1014活動(dòng)輪廓模型 方法的缺點(diǎn)：只有速度函數(shù)光滑，水平集函數(shù)才能保持一個(gè)函數(shù)形式因此需要重新初始化；分割結(jié)果產(chǎn)生邊界泄漏現(xiàn)象；函數(shù)復(fù)雜，計(jì)算費(fèi)時(shí)，分割速度較慢。對(duì)強(qiáng)邊緣分割結(jié)果較好，但對(duì)弱邊緣分割結(jié)果較差2022/10/1115活動(dòng)輪廓模型 方法的缺點(diǎn)：2022/10/1015基于多曲率邊緣信息的核識(shí)

7、別研究動(dòng)機(jī)：細(xì)胞核識(shí)別是自動(dòng)病理診斷中的一個(gè)重要步驟；通過視覺檢驗(yàn)及人工分割非常耗時(shí)且不準(zhǔn)確；大多數(shù)文獻(xiàn)都只是解決了對(duì)于普通細(xì)胞學(xué)圖像的分割；對(duì)于病理組織學(xué)圖像的分割還沒有完全令人滿意的方面臨的挑戰(zhàn)：生物標(biāo)本內(nèi)部的多樣性；圖像背景的雜亂性；細(xì)胞之間存在著接觸，甚至重疊。2022/10/1116基于多曲率邊緣信息的核識(shí)別研究動(dòng)機(jī)：2022/10/1016基于多曲率邊緣信息的核識(shí)別基本思想： 心理學(xué)研究表明，有時(shí)物體邊緣（即輪廓片段）是識(shí)別物體的最重要信息。且對(duì)于細(xì)胞核檢測(cè)這個(gè)特定任務(wù)來說，輪廓片段還具有作為支撐細(xì)胞核存在的證據(jù)的作用2022/10/1117基于多曲率邊緣信息的核識(shí)別基本思想：20

8、22/10/1017基于多曲率邊緣信息的核識(shí)別方向能量濾波器： 利用局部的梯度大小信息，同時(shí)在 , *) 的方向內(nèi)計(jì)算輪廓片段的曲率。該局部描述子具有一定的對(duì)于細(xì)胞重疊干擾的魯棒性。（缺點(diǎn)：缺少旋轉(zhuǎn)不變性）2022/10/1118基于多曲率邊緣信息的核識(shí)別方向能量濾波器：2022/10/1基于多曲率邊緣信息的核識(shí)別方向能量濾波器：2022/10/1119基于多曲率邊緣信息的核識(shí)別方向能量濾波器：2022/10/1基于多曲率邊緣信息的核識(shí)別細(xì)胞核的概率模型： 細(xì)胞核相對(duì)于邊緣片段的位置是利用極坐標(biāo)( , )來表示的，對(duì)于每個(gè)曲率半徑為 的邊緣片段，我們利用高斯分布對(duì)細(xì)胞核的位置進(jìn)行擬合。2022

9、/10/1120基于多曲率邊緣信息的核識(shí)別細(xì)胞核的概率模型：2022/10/基于多曲率邊緣信息的核識(shí)別實(shí)驗(yàn)結(jié)果參數(shù)估計(jì)： 左邊的圖像顯示了細(xì)胞核中心沿著邊緣片段方向的分布右邊的圖像顯示了細(xì)胞核中心沿著垂直于邊緣片段方向的分布2022/10/1121基于多曲率邊緣信息的核識(shí)別實(shí)驗(yàn)結(jié)果參數(shù)估計(jì)：2022/1基于多曲率邊緣信息的核識(shí)別實(shí)驗(yàn)結(jié)果正負(fù)樣本標(biāo)記： 所有的前景像素（細(xì)胞核中心）被抽樣來作為正樣本，而所有的背景像素被抽樣作為負(fù)樣本。此步驟為分類器的輸入2022/10/1122基于多曲率邊緣信息的核識(shí)別實(shí)驗(yàn)結(jié)果正負(fù)樣本標(biāo)記：2022基于多曲率邊緣信息的核識(shí)別實(shí)驗(yàn)結(jié)果細(xì)胞核識(shí)別結(jié)果： 如圖所示，為

10、細(xì)胞核檢測(cè)的結(jié)果。藍(lán)色的點(diǎn)代表正確的檢測(cè)結(jié)果，紅色的點(diǎn)代表不正確的檢測(cè)結(jié)果。由圖可知本方法具有較高的正確率2022/10/1123基于多曲率邊緣信息的核識(shí)別實(shí)驗(yàn)結(jié)果細(xì)胞核識(shí)別結(jié)果：202基于稀疏編碼的細(xì)胞邊緣提取基本思想：圖像信息的“有效”表示是圖像處理任務(wù)的基礎(chǔ)?！坝行А?表示是指能夠用較少的系數(shù)捕獲感興趣目標(biāo)重要信息的能力，即稀疏表示能力。超完備字典中的冗余基取代了傳統(tǒng)方法中的正交基，而字典的選擇應(yīng)盡可能的包含被表達(dá)信號(hào)所含有的信息結(jié)構(gòu)。信號(hào)的稀疏分解即從超完備字典中選擇具有最佳線性組合的若干原子來表示信號(hào)，實(shí)際上它是一種逼近過程： 2022/10/1124基于稀疏編碼的細(xì)胞邊緣提取基本思

11、想：2022/10/1024基于稀疏編碼的細(xì)胞邊緣提取基本思想： 從稀疏角度出發(fā)，希望在 達(dá)到最小的情況下得到 最稀疏的一個(gè)解。可構(gòu)造優(yōu)化函數(shù)如下：2022/10/1125基于稀疏編碼的細(xì)胞邊緣提取基本思想：2022/10/1025基于稀疏編碼的細(xì)胞邊緣提取自適應(yīng)超完備字典構(gòu)造算法：初始化階段：構(gòu)造初始超完備庫構(gòu)造示例信號(hào)集合訓(xùn)練更新階段：選出信號(hào)子集計(jì)算殘差構(gòu)造梯度算子更新原子2022/10/1126基于稀疏編碼的細(xì)胞邊緣提取自適應(yīng)超完備字典構(gòu)造算法：20基于稀疏編碼的細(xì)胞邊緣提取實(shí)驗(yàn)結(jié)果字典的學(xué)習(xí)： 通過將訓(xùn)練集中的圖像分成一定大小的，然后利用算法，可以在訓(xùn)練集中學(xué)出一套關(guān)于細(xì)胞邊緣的模版

12、2022/10/1127基于稀疏編碼的細(xì)胞邊緣提取實(shí)驗(yàn)結(jié)果字典的學(xué)習(xí)：2022/基于稀疏編碼的細(xì)胞邊緣提取實(shí)驗(yàn)結(jié)果細(xì)胞邊緣提?。?利用上一個(gè)步驟中學(xué)到的字典，對(duì)一副測(cè)試圖像進(jìn)行稀疏表示，并找出邊緣2022/10/1128基于稀疏編碼的細(xì)胞邊緣提取實(shí)驗(yàn)結(jié)果細(xì)胞邊緣提?。?022未來的工作在以下個(gè)數(shù)據(jù)集上的完整測(cè)試： , 根據(jù)細(xì)胞學(xué)的理論與知識(shí)，除所討論的形態(tài)、邊界外，還有其它十分重要的特征能夠描述細(xì)胞，例如紋理、光學(xué)特征與顏色特征等。針對(duì)這些特征，還須要與染色方法的改進(jìn)相結(jié)合，進(jìn)行更為細(xì)致、全面的分析。2022/10/1129未來的工作在以下個(gè)數(shù)據(jù)集上的完整測(cè)試：2022/10/102未來的工作有效地利用細(xì)胞漿所提供的信息，能夠進(jìn)一步增加