基于小波分解和多尺度形態(tài)學(xué)的乳腺細(xì)胞圖像自動(dòng)分割識(shí)別.pdf

1、乳腺癌已經(jīng)成為女性最常見(jiàn)的惡性腫瘤，而且患者數(shù)量正在逐年增加。乳腺癌的早期發(fā)現(xiàn)、早期診斷，是提高療效的關(guān)鍵。在乳腺癌診斷過(guò)程中，唯有進(jìn)行組織切片病理檢查才能確診有無(wú)癌癥。在顯微鏡下觀察切片圖像可以發(fā)現(xiàn)，病變細(xì)胞與正常細(xì)胞相比有較大的亮度變化，顏色更深且大多數(shù)細(xì)胞面積偏大。利用計(jì)算機(jī)技術(shù)對(duì)顯微細(xì)胞圖像進(jìn)行定量分析，可以輔助醫(yī)師對(duì)細(xì)胞的病變狀態(tài)進(jìn)行判別，具有很大的應(yīng)用前景。由于染色過(guò)程以及圖片采集過(guò)程存在一些不可避免的諸如染色劑和光照等影響

2、，乳腺組織切片存在細(xì)胞染色不均勻、細(xì)胞和背景對(duì)比度不明顯、細(xì)胞內(nèi)部存在孔洞、細(xì)胞粘連等問(wèn)題。
　　本文針對(duì)這些問(wèn)題，研究并提出了一種基于小波多尺度區(qū)域生長(zhǎng)和雙策略去粘連模型的乳腺細(xì)胞圖像自動(dòng)分割算法，并提出了基于假設(shè)檢驗(yàn)的特征選擇算法，進(jìn)行了相應(yīng)的自動(dòng)分類研究。本文主要研究工作如下：
　?、俦疚尼槍?duì)乳腺細(xì)胞切片圖像分割所存在的難點(diǎn)，提出了一種結(jié)合小波變換和多尺度區(qū)域生長(zhǎng)的粗分割算法，該算法將小波分解和區(qū)域生長(zhǎng)結(jié)合起來(lái)，利用對(duì)

3、小波分解的結(jié)果進(jìn)行不同程度腐蝕后的結(jié)果作為種子點(diǎn)，并采用不同的閾值進(jìn)行多尺度區(qū)域生長(zhǎng)；接著利用最優(yōu)投票機(jī)制對(duì)多尺度的區(qū)域生長(zhǎng)結(jié)果進(jìn)行選擇，提取出最優(yōu)細(xì)胞區(qū)域。
　?、卺槍?duì)細(xì)胞粘連嚴(yán)重這一問(wèn)題，提出了結(jié)合改進(jìn)形態(tài)學(xué)算法和基于 CSS（Curvature Scale Space，曲率尺度空間）角點(diǎn)檢測(cè)算法的雙策略去粘連模型。該模型針對(duì)細(xì)胞不同的粘連程度選擇不同的分離算法，在保證提取的細(xì)胞輪廓不失真的前提下獲得準(zhǔn)確的分界線。實(shí)現(xiàn)過(guò)程是：

4、粘連較輕的細(xì)胞區(qū)域采用迭代法選擇最優(yōu)的結(jié)構(gòu)元半徑對(duì)細(xì)胞區(qū)域進(jìn)行腐蝕再分區(qū)域膨脹；粘連較重的細(xì)胞區(qū)域采用CSS角點(diǎn)檢測(cè)分割算法檢測(cè)到角點(diǎn)，然后連接角點(diǎn)對(duì)，選擇最佳的分割線作為分割結(jié)果。
　?、蹖?duì)分割后的細(xì)胞，研究了其形態(tài)特征和紋理特征的提取方法，并利用統(tǒng)計(jì)假設(shè)檢驗(yàn)方法對(duì)提取的特征進(jìn)行自動(dòng)篩選，利用篩選的特征對(duì)癌癥和正常病人樣本進(jìn)行分類識(shí)別，驗(yàn)證了提出的特征提取、特征選擇算法的有效性。
　　本文工作為乳腺細(xì)胞圖像自動(dòng)分割及細(xì)胞特