[论文解读] Robust cDNA microarray image segmentation and analysis technique based on Hough circle transform

R. M. Farouk, M. A. SayedElahl|arXiv (Cornell University)|Mar 23, 2016

Gene expression and cancer classification参考文献 17被引用 5

一句话总结

本文提出了一种基于圆形霍夫变换（CHT）的稳健cDNA微阵列图像分割技术，以提高点样定位、定位识别和分割精度。通过在存在噪声和缺陷的情况下对圆形点样进行投票检测，该方法在北卡罗来纳大学（UNC）微阵列数据库上的实验中优于K均值和SVM，展现出在前景和背景像素分类方面更高的精确度。

ABSTRACT

One of the most challenging tasks in microarray image analysis is spot segmentation. A solution to this problem is to provide an algorithm than can be used to find any spot within the microarray image. Circular Hough Transformation (CHT) is a powerful feature extraction technique used in image analysis, computer vision, and digital image processing. CHT algorithm is applied on the cDNA microarray images to develop the accuracy and the efficiency of the spots localization, addressing and segmentation process. The purpose of the applied technique is to find imperfect instances of spots within a certain class of circles by applying a voting procedure on the cDNA microarray images for spots localization, addressing and characterizing the pixels of each spot into foreground pixels and background simultaneously. Intensive experiments on the University of North Carolina (UNC) microarray database indicate that the proposed method is superior to the K-means method and the Support vector machine (SVM). Keywords: Hough circle transformation, cDNA microarray image analysis, cDNA microarray image segmentation, spots localization and addressing, spots segmentation

研究动机与目标

• 为解决cDNA微阵列图像中准确点样分割的挑战，该挑战仍是基因表达分析中的关键瓶颈。
• 开发一种对噪声、不规则点样形状和背景变化具有鲁棒性的方法，这些特征在微阵列图像中普遍存在。
• 通过利用圆形霍夫变换进行几何特征检测，提升点样的定位、定位识别和分割精度。
• 在分割精度和鲁棒性方面超越现有方法，如K均值聚类和支撑向量机（SVM）。

提出的方法

• 该方法应用圆形霍夫变换（CHT）检测cDNA微阵列图像中的圆形模式，将每个点样视为潜在的圆形。
• 在霍夫空间中使用投票程序，通过累积边缘像素的证据来识别点样的中心和半径。
• 通过分析检测到的圆形对应的霍夫空间峰值，同时对前景和背景像素进行表征。
• 该算法通过容忍理想圆形性的偏差，能够处理不完美或非均匀的点样。
• 该方法可一次性处理整个微阵列图像，实现所有点样的定位与分割，支持自动化分析。
• 该方法使用北卡罗来纳大学（UNC）微阵列数据库进行验证，用于基准测试。

实验结果

研究问题

• RQ1 在存在噪声的条件下，圆形霍夫变换能否有效检测并分割cDNA微阵列图像中不完美的圆形点样？
• RQ2 所提出的基于CHT的方法在分割精度和鲁棒性方面与K均值和SVM相比表现如何？
• RQ3 霍夫空间中的投票机制在多大程度上提升了微阵列图像中点样的定位与像素分类精度？
• RQ4 该方法在不同质量的微阵列图像和不同点样强度下是否仍能保持高性能？

主要发现

• 所提出的基于CHT的方法在北卡罗来纳大学（UNC）微阵列数据库上的分割精度高于K均值和SVM。
• 该方法在检测形状不规则且强度多变的点样方面表现出鲁棒性，优于传统聚类与分类技术。
• 即使点样部分被遮挡或发生形变，霍夫空间中的投票机制仍能有效实现点样定位。
• 实现了前景与背景像素的同步分类，且精度得到提升，从而增强了下游基因表达量化的可靠性。