Fine-Grained Histopathological Image Analysis via Robust Segmentation and Large-Scale Retrieval文章总结
2015-07-26 21:17
597 查看
文章主要分成三个部分:细胞检测、细胞图像分割、细胞图像检索。
细胞检测
是在《Robust Segmentation of Overlapping Cells in Histopathology Specimens》这篇TBE文章的基础上进行的改进。这个TBE文章又是在《Iterative Voting for Inference of Structural Saliency and Characterization of Subcellular Events》TIP文章的基础上进行的改进。
其中TIP的文章定义了一个α(x,y)=(cos(θ(x,y)),sin(θ(x,y)))\alpha(x,y)=(cos(\theta(x,y)),sin(\theta(x,y))),并定义了一区域
A(x,y;rmin,rmax,Δ)=(x±rcosϕ,y±rsinϕ)|rmin⩽r⩽rmaxandθ(x,y)−Δ⩽ϕ⩽θ(x,y)+ΔA(x,y;r_{min},r_{max},\Delta)={(x\pm rcos\phi,y\pm rsin\phi)|r_{min}\leqslant r\leqslant r_{max} and \theta(x,y)-\Delta \leqslant \phi \leqslant \theta(x,y)+\Delta}
这个区域的定义感觉有些诡异,如果不考虑后面的不等式,整个区域就是一个矩形,考虑到后面的矩形的对称轴长度不变,一个对称轴不动,一个对称轴在那移动。然后TIP的文章定义了一个K(x,y;σ,α,A)K(x,y;\sigma,\alpha,A),即在A区域进行一个高斯滤波,A区域的是沿着α\alpha方向的一个区域。
主要步骤是:
1初始化α\alpha为负梯度方向,V(x,y;rmin,rmax,Δ)=0V(x,y;r_{min},r_{max},\Delta)=0为初始投票图像,并设定一个阈值,梯度大于某个阈值的点划到集合S并进行以下循环。
2对于所有s 中的点计算V(x,y;rmin,rmax,Δ)=V(x,y;rmin,rmax,Δ)+∑(u,v)⊂(A(x,y;rmin,rmax,Δ))F(x+u,y+v)K(u,v;σ,α,A)V(x,y;r_{min},r_{max},\Delta)=V(x,y;r_{min},r_{max},\Delta)+\sum_{(u,v)\subset(A(x,y;r_{min},r_{max},\Delta))}{F(x+u,y+v)K(u,v;\sigma,\alpha,A)}
,其中F是梯度。
3(u,v)=argmax(u,v)⊂A(x,y;rmin,rmax,Δ)V(u,v;rmin,rmax,Δ)(u,v)=arg \max \limits_{(u,v)\subset A(x,y;r_{min},r_{max},\Delta)}V(u,v;r_{min},r_{max},\Delta),
dx=u∗−x,dy=v∗−xd_{x}=u^{*}-x,d_{y}=v^{*}-xand α=(dx,dy)d2x+d2y√\alpha=\frac{(d_{x},d_{y})}{\sqrt{d_{x}^{2}+d_{y}^{2}}}
4直到循环结束,选择V大于某一阈值的区域作为检测到细胞的种子区域。
基本可以理解就是所有的边界区域进行投票,投票到中心区域的V值较大,然后再根据投票的结果再进行投票,直到区域比较小,得到细胞簇的中心点。有点像腐蚀,就是区域减小。这个算法运算复杂。
TBE的文章算法较为简单,细胞检测可以参考http://m.blog.csdn.net/blog/u012988465/17500023 这个博客,不过TME文章的符号表示可能有问题,根据Fig4,θ\theta应该是梯度与X轴的夹角+Δ\Delta,而高斯滤波的滤波中心也应该是(x+(rmax+rmin)cosθ,y−(rmax+rminsinθ))(x+(r_{max}+r_{min})cos\theta,y-(r_{max}+r_{min}sin\theta)),才和Fig 4相一致。TME的vote image等于V=∑(u,v)⊂A|F(x,y)|g(u,v,μx,μy,σ)V=\sum_{(u,v)\subset A}|F(x,y)|g(u,v,\mu_{x},\mu_{y},\sigma),即改点梯度乘以区域中心圆的高斯滤波。可以某种程度上认为(x,y)是边界,而滤波中心区域是细胞的中心,然后得到相应的半径区域,再进行mean-shift循环,求这些半径区域的中心区域。这样得到较为可靠的细胞区域。
CVPR的文章在此基础上加了一个距离变换图和高斯金字塔。高斯金字塔主要是尺度不变性,而距离变换图也是比较细胞中心区域与背景的距离,因此也有物理意义。
细胞检测
是在《Robust Segmentation of Overlapping Cells in Histopathology Specimens》这篇TBE文章的基础上进行的改进。这个TBE文章又是在《Iterative Voting for Inference of Structural Saliency and Characterization of Subcellular Events》TIP文章的基础上进行的改进。
其中TIP的文章定义了一个α(x,y)=(cos(θ(x,y)),sin(θ(x,y)))\alpha(x,y)=(cos(\theta(x,y)),sin(\theta(x,y))),并定义了一区域
A(x,y;rmin,rmax,Δ)=(x±rcosϕ,y±rsinϕ)|rmin⩽r⩽rmaxandθ(x,y)−Δ⩽ϕ⩽θ(x,y)+ΔA(x,y;r_{min},r_{max},\Delta)={(x\pm rcos\phi,y\pm rsin\phi)|r_{min}\leqslant r\leqslant r_{max} and \theta(x,y)-\Delta \leqslant \phi \leqslant \theta(x,y)+\Delta}
这个区域的定义感觉有些诡异,如果不考虑后面的不等式,整个区域就是一个矩形,考虑到后面的矩形的对称轴长度不变,一个对称轴不动,一个对称轴在那移动。然后TIP的文章定义了一个K(x,y;σ,α,A)K(x,y;\sigma,\alpha,A),即在A区域进行一个高斯滤波,A区域的是沿着α\alpha方向的一个区域。
主要步骤是:
1初始化α\alpha为负梯度方向,V(x,y;rmin,rmax,Δ)=0V(x,y;r_{min},r_{max},\Delta)=0为初始投票图像,并设定一个阈值,梯度大于某个阈值的点划到集合S并进行以下循环。
2对于所有s 中的点计算V(x,y;rmin,rmax,Δ)=V(x,y;rmin,rmax,Δ)+∑(u,v)⊂(A(x,y;rmin,rmax,Δ))F(x+u,y+v)K(u,v;σ,α,A)V(x,y;r_{min},r_{max},\Delta)=V(x,y;r_{min},r_{max},\Delta)+\sum_{(u,v)\subset(A(x,y;r_{min},r_{max},\Delta))}{F(x+u,y+v)K(u,v;\sigma,\alpha,A)}
,其中F是梯度。
3(u,v)=argmax(u,v)⊂A(x,y;rmin,rmax,Δ)V(u,v;rmin,rmax,Δ)(u,v)=arg \max \limits_{(u,v)\subset A(x,y;r_{min},r_{max},\Delta)}V(u,v;r_{min},r_{max},\Delta),
dx=u∗−x,dy=v∗−xd_{x}=u^{*}-x,d_{y}=v^{*}-xand α=(dx,dy)d2x+d2y√\alpha=\frac{(d_{x},d_{y})}{\sqrt{d_{x}^{2}+d_{y}^{2}}}
4直到循环结束,选择V大于某一阈值的区域作为检测到细胞的种子区域。
基本可以理解就是所有的边界区域进行投票,投票到中心区域的V值较大,然后再根据投票的结果再进行投票,直到区域比较小,得到细胞簇的中心点。有点像腐蚀,就是区域减小。这个算法运算复杂。
TBE的文章算法较为简单,细胞检测可以参考http://m.blog.csdn.net/blog/u012988465/17500023 这个博客,不过TME文章的符号表示可能有问题,根据Fig4,θ\theta应该是梯度与X轴的夹角+Δ\Delta,而高斯滤波的滤波中心也应该是(x+(rmax+rmin)cosθ,y−(rmax+rminsinθ))(x+(r_{max}+r_{min})cos\theta,y-(r_{max}+r_{min}sin\theta)),才和Fig 4相一致。TME的vote image等于V=∑(u,v)⊂A|F(x,y)|g(u,v,μx,μy,σ)V=\sum_{(u,v)\subset A}|F(x,y)|g(u,v,\mu_{x},\mu_{y},\sigma),即改点梯度乘以区域中心圆的高斯滤波。可以某种程度上认为(x,y)是边界,而滤波中心区域是细胞的中心,然后得到相应的半径区域,再进行mean-shift循环,求这些半径区域的中心区域。这样得到较为可靠的细胞区域。
CVPR的文章在此基础上加了一个距离变换图和高斯金字塔。高斯金字塔主要是尺度不变性,而距离变换图也是比较细胞中心区域与背景的距离,因此也有物理意义。
相关文章推荐
- Contains Duplicate
- hdu 5289 - Assignment(2015 Multi-University Training Contest 1 )单调队列+RMQ+树状数组
- Could not find a storyboard named 'MainStoryboard'
- 如何让gmail不过滤垃圾邮件
- 5.4 QEMU block & AIO
- hdu2464 A Pair of Graphs 线段树
- scikit-learn:4.7. Pairwise metrics, Affinities and Kernels
- ssh中“Host key verification failed.“的解决方案
- 14级第一次测试 E - The Snail
- HDU-2675 Equation Again
- 解决 httpd: Could not reliably determine the server's fully qualified domain name, using 127.0.0 错误
- 传苹果今年推iPad mini4 相当于微缩版Air2
- Project Euler:Problem 92 Square digit chains
- Airbnb Interview - Nested Integer List Parser
- ORA-12571: TNS:packet writer failure
- leetcode:Factorial Trailing Zeroes
- 1014. Waiting in Line (30)
- uva 10976 Fractions Again?!
- sgu297:Fair-play(水题)
- Scala入门到精通——第十一节 Trait进阶