数字病理学中稳健的细胞核/细胞检测与分割显微图像综述

摘要：

数字病理学和显微镜图像分析广泛用于细胞形态或组织结构的综合研究。人工评估是一项费时费力的工作，并且容易引起观察者之间的差异。可以显著提高客观性和可重复性的计算机辅助方法在最近的文献中引起了极大的兴趣。在建立计算机辅助诊断系统的过程中，细胞核或细胞的检测和分割在描述分子形态信息方面起着非常重要的作用。在过去的几十年中，人们已经为自动核/细胞检测和分割做出了许多努力。在这篇综述中，我们提供了有关不同类型的显微图像（包括明场，相位对比度，差分干涉对比，荧光和电子显微镜）的最新核细胞分割方法的全面总结。此外，我们还讨论了当前核/细胞检测和分割方法面临的挑战以及未来可能的工作。

关键字：细胞，检测，数字病理学，组织病理学，显微镜图像，细胞核，分割。

第一节 介绍

数字病理学和显微镜图像在疾病诊断的决策中起着重要作用，因为它们可以为CAD提供广泛的信息，从而可以以高通量处理速率对数字图像进行定量分析。如今，包括图像分析在内的自动数字病理学极大地使病理学家和患者受益，在研究和临床实践中都引起了极大的关注 [1]，[2]。与劳动密集、费时的人工评估相比，计算机化方法 [3] – [6]提供更快，可重复的图像分析，从而使基础科学研究人员和临床医生摆脱繁琐而重复的例行工作。更重要的是，病理学和显微镜图像的复杂性为手动图像分析提出了巨大的挑战，这可能导致观察者之间的巨大差异 [7]。另一方面，CAD可以大大减少偏差并提供疾病的准确特征[8]。此外，它允许个性化的治疗，可以使患者受益匪浅。为了处理大规模图像数据集，网格计算 [9] – [11]和计算可扩展算法[12] – [14]报告用于高通量病理图像分析。自动化方法的另一个优点是，它们可以轻松地提供重要图像特征的可重复且严格的测量，并将其用于临床随访，因此可以进行比较研究，潜在的预后和个性化医学。

CAD的关键前提是核/细胞检测和分割，这通常被视为自动图像分析的基础。它为各种定量分析提供了支持，包括计算细胞形态，例如大小，形状，纹理和其他图像经济学。然而，难以实现鲁棒且准确的核/细胞分割。首先，病理学，尤其是组织病理学和显微镜图像经常表现出背景杂乱，具有许多噪声，在图像采集期间引入的伪影（例如模糊区域）以及前景和背景之间的潜在不良对比。其次，在细胞核/细胞大小，形状和细胞内强度异质性方面存在显着差异。最后，原子核/细胞通常聚集成团，因此它们可能彼此部分重叠。为了解决这些挑战中的一些或全部，已经进行了许多努力来实现自动核/细胞检测和分割。

当前，关于自动病理图像分析有一些评论。文献 [15]中的综述总结了用于组织病理学图像分析的CAD系统技术，涵盖了预处理（颜色和照度归一化），核和腺体分割，特征提取和分类。关于组织病理学图像的其他一些CAD系统可以在 [16]和[17]中找到。关于乳腺癌组织病理学图像分析的专门综述在[18]中进行了介绍，另外还涵盖了有丝分裂的检测和增殖评估。福克斯和布曼 [19]对计算病理学的工作流程进行了更广泛的概述，它由三个部分组成：图像数据获取和地面真相生成；图像分析，包括目标检测，分割和识别；生存分析方面的医学统计。Kothari 等。 [20]提出了对组织病理学WSI信息学方法的综述，该方法包括图像质量控制，特征提取，预测建模和可视化。所有这些出版物都没有针对核/细胞检测和分割进行专门总结，因此，没有讨论许多最新的检测和分割算法。最近，Irshad 等人。 [21]已有关于H＆E和IHC染色的组织病理学图像上的细胞核检测，分割，特征提取和分类方法的调查报告，但仍缺少其他关于其他类型染色图像的细胞核/细胞检测分割算法。

在这篇综述中，我们广泛而具体地回顾了数字病理学和显微镜（亮场、相位对比、DIC、荧光和电子显微镜）图像中细胞核/细胞自动检测和分割方法的最新进展。我们将介绍检测和分割方法的主要类别，并解释基本方法的数学模型，并讨论它们的优点和局限性。预处理技术包括颜色归一化和图像去噪（在 [15]，[21]和 [22]中介绍）以及感兴趣区域的提取，在 [23] – [25]中介绍，在进行检测或分割之前将不会对此进行评论。同时，虽然免疫组化染色也用于促进图像分析的手动评估[26] ， [27] ，它超出了本次审查的范围。我们主要强调2000年以后的工作，但在此之前还将介绍一些基本方法。另外，我们将讨论许多当前的细胞检测和分割算法可能无法完全解决的问题，并提供未来的潜力。为方便起见，表I中列出了本评论中使用的术语 。

第二节 核与细胞检测方法

在本综述中，核/细胞检测被视为获得目标位置而没有准确地划定边界，通常将其称为在目标质心附近寻找标记或种子，每个核/细胞一个。标记可以是对象内的单个点或较小区域。显然，标记物检测可以为细胞核/细胞计数、跟踪和分割提供支持。尽管不同类型的显微镜图像或染色图像在图像特征上表现出显着差异，以至于每种图像或图像都可能需要特定的算法来进行细胞核/细胞检测，但基于其基本算法，最近文献中提出的主要方法可以大致分为几类：DT ，形态运算，HIT / HAT，LoG滤波，MSER检测，HT，基于径向对称的投票和监督学习。对于每个组，我们将首先介绍基础算法，然后介绍特定类型图像的变体和应用。注意，标记检测方法的整个过程可能会结合几种基本算法以及其他用于特定对象检测的方法。为了更好地进行比较和说明，我们总结了包含核/细胞检测的期刊出版物.在这些表的DET结果和SEG结果列中，如果出版物中报告了特定的定量分析，则我们分别报告检测和分割的准确性。否则，我们仅提供指标。请注意，许多工作的目标是根据检测结果对细胞核/细胞进行分段或分类，以便它们可能不提供检测的特定定量分析，而仅对分段或分类进行定量。

A.DT

检测标记的一种简单方法是DT，它为每个像素/体素分配到最近的特征点的距离[49]。在核/细胞检测中，通常选择特征点作为二值图像中的边缘像素/体素，并选择欧几里德距离作为度量。因此，理想地，所生成的距离图中的局部最大值对应于细胞核或细胞质心。EDT通常与分水岭分割配合使用，因为逆距离图消除了许多不必要的局部最小值，这些最小值会导致严重的分割过度，而剩余的最小值充当分水岭变换洪水的种子。

Adiga 等人 [28]利用DT检测乳腺癌组织病理学图像中的核中心，Yan 等人 [29]已使用EDT将核中心定位为种子，以用于后续在RNAi荧光图像中进行分水岭分割，[30]和 [50]报道了一些其他基于EDT的荧光显微镜图像核质心检测方法。但是，EDT仅对二进制图像中的常规形状有效，并且边缘像素的微小变化将导致错误的局部最大值。因此，它可能无法检测重叠的核或细胞。在[31]和[32]中，首先将原始强度添加到距离图，然后将高斯滤波器应用于组合图像以进行噪声抑制，最后通过在组合图像的GVF中跟踪模拟粒子来检测局部最大值。由于非局部最大值具有很少的累积像素，因此将一个简单的阈值应用于累积像素的数量以检测局部最大值，该局部最大值对应于荧光图像中HeLa细胞核的中心。在[33]中，Lin 等。提出了一种梯度加权DT方法来定位3-D荧光图像中的核质心，该方法对距离图和归一化的梯度幅值图像进行了乘法运算。尽管使用图像强度或梯度信息来改善距离图，但通常不足以处理复杂的组织病理学图像的外观变化，以至于可能导致过度检测。

B.形态学操作

基于数学形态学理论，二进制形态学滤波是一种处理具有一定结构元素的图像的技术，例如圆盘，正方形，十字形等[51] 。它通过检查具有预定形状的对象的几何和拓扑结构来执行图像过滤。存在四个基本的位移不变算子：腐蚀，膨胀，打开和闭合，它们可以用于生成其他基本形态学运算，例如边界提取，孔填充，骨架化等。二元数学形态学可以扩展为灰度比例形态学并直接应用于灰度图像[52]，[53]。从那些基本的灰度级运算符派生出一些广泛使用的运算符，例如高顶帽转换和底帽转换，它们可以用于图像增强，从而有助于进一步的图像分析，例如提取小对象。

UE是一种用于标记检测的流行数学形态学运算。它对每个连接的组件重复应用一系列腐蚀操作符，直到再有腐蚀将完全删除该组件 [54]。以此方式，可以分离触摸或重叠的对象。但是，UE在嘈杂的图像中每个对象可能会产生一个以上的标记。为了解决这个问题，Park 等人。 [34]已经提出了一种改进的UE操作，其利用凸度的噪声鲁棒性测量作为腐蚀的停止标准。具体来说，从二进制图像开始，对于每个非凸连接的组件，它使用一个像素半径的圆盘结构元素迭代执行腐蚀，直到该组件凸出。凸度（或凹度）是基于对数字网格的粗糙度的敏感度来测量的[55]。该方法经过验证，可用于电子显微镜图像中的核样纳米粒子检测，并且与传统的UE相比，通常可以提供更早的腐蚀停止。然而，它是为二进制图像而设计的，并且对H＆E染色的组织病理学图像进行完美的二值化并不容易。

Yang 等人不依赖UE 。[35]提出了一种条件腐蚀方法来检测荧光显微镜图像中的核标记。考虑到原子核的椭圆形，它定义了四个7times;7 面罩结构用于粗侵蚀和两个3times;3 掩膜结构，用于精细侵蚀。前者可以保留对象的形状，而后者则可以避免分割不足。给定两个阈值Ť1个 和 Ť2，它通过三个步骤将“粗到精”策略应用于标记检测：1）用粗结构迭代腐蚀，直到组件尺寸小于 Ť1个，2）用细微结构重复腐蚀，直到零件尺寸小于 Ť2，以及3）收集前两个步骤中的组件作为标记。与UE相似，这种条件腐蚀是在二进制图像上定义的，同时它需要两个额外的预定义阈值来终止，需要针对不同的病理和显微镜图像仔细选择这些阈值。Hodneland 等。 [36]提出了一种基于形态学操作的3-D荧光图像细胞检测方法。它首先将自适应阈值 [56]应用于山脊提取，然后使用半径增加的圆形结构元素执行迭代关闭操作，以链接二进制边缘中的间隙。关闭对象中的孔被检测为候选标记，通过移除小于用户定义的阈值的区域进一步细化这些标记。该方法适用于核/细胞边界易于提取的图像。

算法1：[37]中基于灰度形态重构的核检测

1.基于灰度形态重建获得初始候选核质心 [58]

2.通过从形态梯度图像中的质心搜索核边界来细化核质心

3.根据距离相关的规则删除多余的质心

4.使用FCM [59]或SVM [60]识别其他人的真实核质心

在不转换为二进制图像的情况下，灰度形态学操作也已应用于核/细胞检测。Plissiti 等人 [37]提出了对子宫颈抹片检查图像的基于灰度形态重构的核检测，可以概括为算法1中的四个步骤。另一个类似的策略 [38]以“首先产生候选者，然后进行分类”的方式报道了用于H＆E染色的多光谱显微镜图像上的有丝分裂细胞检测。它首先基于重建打开和重建关闭创建候选区域，然后使用局部阈值分割完整区域，最后将SVM应用于有丝分裂细胞分类。基于灰度形态学的标记物检测也可以在[57]中找到，该方法可识别RNAi荧光图像中的核。在[39]中，白细胞检测算法基于模糊细胞神经网络应用形态学灰色重建来完成白细胞的轮廓提取。

C.HIT / HAT

HIT基于形态学运算，广泛用于局部最小值检测。给定初始图像 一种 （例如，逆距离图）和深度值 H，HIT [51]表示为

H（A ，h ）= R^ε（A h ）（1）

其中R^ε表示通过侵蚀进行形态重建的算子。在结果图像中，深度不大于的所有区域最小值H抑制，并且可以根据检测到的最小值拆分初始连接的组件。参数H在标记提取中起着重要作用：较大的值可能会导致分割不足，反之，较小的值可能会导致分割过度。与使用所有最小值作为标记的DT相比，HIT可以消除由不均匀物体形状或噪声引起的虚假局部最小值，并生成正确的标记。相反，HAT会抑制高度不大于H。为了提高鲁棒性，通常有必要在HIT / HAT之前执行图像增强。像病理学和显微镜图像分析中的DT一样，HIT / HAT通常用于生成基于分水岭变换的核或细胞分割的标记。

算法2：[41]中基于HAT的核检测

1.通过蓝色通道中的强度归一化强度

2.执行礼帽过滤以减少颜色扩散的影响

3.用大津的方法分割前景[63]

4.识别并填充单个核中的孔

5.将HAT应用于标记检测

HIT / HAT在生物医学图像中定位核/细胞方面非常受欢迎。Plissiti和Nikou [40]已将HIT应用于巴氏涂片图像中的重叠核检测，先通过高斯滤波器对其进行平滑处理，然后通过直方图均衡化对其进行增强。Raimondo 等[41]提出了一种基于HAT的FISH图像核检测方法，其详细信息在算法2中列出。将类似的核检测程序应用于IHC染色的乳腺癌图像 [61]和相衬显微镜图像 [42]。在[43]和[62]中HAT用于原始强度图像中的核标记检测，这将指导荧光显微镜图像中的后续分水岭分割。这些方法需要适当的预定义H 价值，这在实际应用中不容易实现。

文献[44]提出了一种自适应HIT算法，该算法迭代地增加了H直到区域合并发生。在这种情况下，它可以选择一个最佳H 值，以使所得标记物保留核的形状。但是，它忽略了核的大小，因此可能无法自适应地确定核的数目[45]。在 [46]中，一种自适应的HAT方法应用于子宫内膜组织病理学图像中子宫自然杀伤（uNK）细胞核的自动检测。具体来说，它使用K均值将图像强度直方图聚类为多个范围，然后选择H 值基于与uNK核对应的范围的上限。此外，它使用局部各向同性相对称性度量和边界搜索策略来检测基质细胞核，以消除冗余检测。Jung和Kim [45]提出了一种基于HIT的宫颈和乳腺细胞图像的核标记提取方法。从（初始）号码开始

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[239218]，资料为PDF文档或Word文档，PDF文档可免费转换为Word