[论文解读] Bone marrow cells detection: A technique for the microscopic image analysis

Haichao Cao, Hong Liu+1 more|arXiv (Cornell University)|May 5, 2018

Digital Imaging for Blood Diseases参考文献 3被引用 3

一句话总结

本文提出了一种新颖的自动化方法，用于在显微镜图像中检测和分类骨髓细胞（BMCs），采用三阶段流程：定位、分割和分类。该方法结合了色彩变换、逐步平均法、Otsu阈值化、区域生长、K均值聚类以及标记控制的分水岭算法进行分割，随后使用SVM、随机森林及其他分类器；采用SVM时，最高平均识别率达到87.49%。

ABSTRACT

In the detection of myeloproliferative, the number of cells in each type of bone marrow cells (BMC) is an important parameter for the evaluation. In this study, we propose a new counting method, which also consists of three modules including localization, segmentation and classification. The localization of BMC is achieved from a color transformation enhanced BMC sample image and stepwise averaging method (SAM). In the nucleus segmentation, both SAM and Otsu's method will be applied to obtain a weighted threshold for segmenting the patch into nucleus and non-nucleus. In the cytoplasm segmentation, a color weakening transformation, an improved region growing method and the K-Means algorithm are used. The connected cells with BMC will be separated by the marker-controlled watershed algorithm. The features will be extracted for the classification after the segmentation. In this study, the BMC are classified using the SVM, Random Forest, Artificial Neural Networks, Adaboost and Bayesian Networks into five classes including one outlier, namely, neutrophilic split granulocyte, neutrophilic stab granulocyte, metarubricyte, mature lymphocytes and the outlier (all other cells not listed). Our experimental results show that the best average recognition rate is 87.49% for the SVM.

研究动机与目标

• 开发一种自动化系统，以在组织病理学图像中准确检测和分类骨髓细胞。
• 解决在骨髓增殖性疾病的诊断中手动计数所面临的耗时且主观的问题。
• 通过整合多种图像处理技术，提升细胞核与细胞质分割的准确性。
• 评估并比较多种机器学习分类器在将BMC分类为五种类别加一个异常值类别中的表现。
• 实现一种稳健且可重复的方法，适用于临床诊断，且基于标准显微成像技术。

提出的方法

• 定位通过在增强的BMC图像上使用色彩变换和逐步平均法（SAM）完成。
• 核分割采用结合SAM与Otsu方法的加权阈值，以区分核区域与非核区域。
• 细胞质分割采用色彩弱化变换、改进的区域生长算法以及K均值聚类。
• 通过标记控制的分水岭算法分离连接的细胞，以解决细胞重叠问题。
• 在分割后进行特征提取，以供分类阶段使用。
• 使用五种分类器——SVM、随机森林、人工神经网络、Adaboost和贝叶斯网络——将BMC分类为五种类别：分叶型中性粒细胞、杆状型中性粒细胞、晚幼红细胞、成熟淋巴细胞，以及一个异常值类别。

实验结果

研究问题

• RQ1 与传统方法相比，混合图像处理流程是否能提升显微镜图像中骨髓细胞检测的准确性？
• RQ2 在不同图像条件下，逐步平均法与Otsu方法的结合在核分割中的有效性如何？
• RQ3 改进的区域生长与K均值方法在多大程度上提升了细胞质分割的准确性？
• RQ4 在多类别设置下，哪种机器学习分类器能为骨髓细胞分类提供最高的识别率？
• RQ5 标记控制的分水岭算法是否能有效分离密集显微视野中的重叠骨髓细胞？

主要发现

• 所提出的方法在使用支持向量机（SVM）分类器时，达到最高的平均识别率87.49%。
• 色彩变换、SAM与Otsu方法的整合显著提升了核分割的准确性。
• 改进的区域生长与K均值聚类技术能有效分割细胞质区域，且噪声与过度分割极少。
• 标记控制的分水岭算法成功解决了细胞重叠问题，减少了细胞计数中的假阳性。
• 在所测试的分类器中，SVM在分类准确性方面优于随机森林、人工神经网络、Adaboost和贝叶斯网络。
• 整体处理流程在骨髓显微图像数据集上表现出稳健性和可重复性，适用于临床部署。