[论文解读] Clumped Nuclei Segmentation with Adjacent Point Match and Local Shape based Intensity Analysis for Overlapped Nuclei in Fluorescence In-Situ Hybridization Images

Xiaoyuan Guo, Hanyi Yu+4 more|arXiv (Cornell University)|Aug 14, 2018

Medical Image Segmentation Techniques参考文献 5被引用 3

一句话总结

该论文提出了一种用于荧光显微镜图像中聚集成簇的细胞核分割的新方法，该方法结合了高曲率点投票、相邻点对筛选与椭圆拟合质量评估，以及基于局部形状的强度分析，以恢复重叠细胞核之间的分裂曲线。在560张脑肿瘤组织图像块上进行评估，该方法在Jaccard指数（最高达0.86 vs. 0.44）和Hausdorff距离（13.1 vs. 34.6像素）方面显著优于基于标记的分水岭方法，显示出在分离紧密排列细胞核方面的更高精度。

ABSTRACT

Highly clumped nuclei clusters captured in fluorescence in situ hybridization microscopy images are common histology entities under investigations in a wide spectrum of tissue-related biomedical investigations. Due to their large scale in presence, computer based image analysis is used to facilitate such analysis with improved analysis efficiency and reproducibility. To ensure the quality of downstream biomedical analyses, it is essential to segment clustered nuclei with high quality. However, this presents a technical challenge commonly encountered in a large number of biomedical research, as nuclei are often overlapped due to a high cell density. In this paper, we propose an segmentation algorithm that identifies point pair connection candidates and evaluates adjacent point connections with a formulated ellipse fitting quality indicator. After connection relationships are determined, we recover the resulting dividing paths by following points with specific eigenvalues from Hessian in a constrained searching space. We validate our algorithm with 560 image patches from two classes of tumor regions of seven brain tumor patients. Both qualitative and quantitative experimental results suggest that our algorithm is promising for dividing overlapped nuclei in fluorescence in situ hybridization microscopy images widely used in various biomedical research.

研究动机与目标

• 为解决荧光显微镜图像中高度聚集的细胞核准确分割的挑战，这对可靠的下游生物医学分析至关重要。
• 通过利用局部轮廓形状和强度特征，克服现有方法的局限性——如基于形状的方法存在分割不足，而分水岭方法存在过度分割的问题。
• 开发一种鲁棒的算法，以识别细胞核之间的连接点对，并通过形状感知的强度分析恢复精确的分裂曲线。
• 在真实临床脑肿瘤组织图像块上验证该方法，确保其与生物医学研究的相关性。

提出的方法

• 首先在DAPI染色的蓝色通道上使用全局自适应阈值检测初始细胞核边界，随后利用公式 $\kappa = \frac{x'y'' - y'x''}{(x'^2 + y'^2)^{3/2}}$ 对平滑轮廓进行曲率计算。
• 通过投票机制表示高曲率点：$s^* = \frac{\int_{\partial C} \kappa(s)s\,ds}{\int_{\partial C} \kappa(s)\,ds}$，该机制在凹形区域选择最优代表性点，以减少冗余。
• 使用基于曲率的距离度量筛选相邻点对，使用综合度量（结合曲率、距离和法向量夹角）筛选非相邻点对。
• 通过椭圆拟合质量指标评估相邻点对的连接有效性，该指标评估拟合角度、面积、中心偏移、周长变化和拉长率。
• 通过在扇形搜索区域内进行基于局部形状的强度分析恢复分裂曲线，利用Hessian特征值约束路径追踪。
• 该方法通过建模细胞核之间复杂、弯曲的边界，避免直线分割，从而提高分割保真度。

实验结果

研究问题

• RQ1 高曲率点投票是否能减少冗余候选点检测并提升聚集成簇细胞核分割的计算效率？
• RQ2 结合曲率、距离和法向量对齐的综合筛选度量是否能有效识别真实的细胞核连接候选？
• RQ3 与简单几何准则相比，椭圆拟合质量评估是否能提高细胞核对连接决策的可靠性？
• RQ4 在重叠细胞核区域，基于局部形状的强度分析是否能比传统分水岭方法恢复更精确的分裂曲线？
• RQ5 所提出的方法在真实荧光显微镜图像块上的分割精度相较于基于标记的分水岭方法，优势有多大？

主要发现

• 该方法在肿瘤边缘（TM）区域的平均Jaccard指数达到0.86（标准差：0.14），在肿瘤实质（BT）区域达到0.80（标准差：0.19），显著优于基于标记的分水岭方法（TM：0.40，BT：0.38）。
• TM区域的Hausdorff距离降低至13.1像素（标准差：18.1），BT区域为15.0像素（标准差：19.6），而分水岭方法分别为34.6和34.3像素，表明边界对齐更优。
• 在患者5中，该方法在TM区域的Jaccard指数为0.86（标准差：0.12），在BT区域为0.80（标准差：0.17），表明在不同组织类型中均保持一致的性能。
• 该方法的召回率（0.87–0.95）和F1分数（0.88–0.92）高于分水岭方法（召回率：0.40–0.55；F1分数：0.53–0.68），表明其在检测真实细胞核分离方面表现更优。
• 在四张代表性图像块的定性对比中，该方法成功解决了分水岭方法失效的复杂重叠细胞核簇。
• 该方法对组织密度和细胞核形状的变化具有鲁棒性，这在七名患者及两个肿瘤区域（BT和TM）中均表现出一致的性能。