检测乳腺癌细胞的有丝分裂的(3)
2015-12-08 21:38
267 查看
今天看到一篇题为《A Gamma-Gaussian Mixture Model for Detection of Mitotic Cells in Breast Cancer Histopathology Images》
原理:先切割出肿瘤区域,然后在肿瘤区域使用Gamma-Gaussian混合模型检測有丝分裂细胞。最后使用svm分类器降低检測错误。
步骤:
1、由于有丝分裂大多是发生在肿瘤区域,所以本文先切割出肿瘤区域。减小后面操作的复杂度。在这里。使用的(RanPEC: Random Projections with Ensemble Clustering)方法进行的切割。
2、使用Gamma-Gaussian混合模型检測有丝分裂细胞
细致看上面的图片,从上面我们能够知道为什么Gamma-Gaussian混合模型能检測出有丝分裂和非有丝分裂。
因为有丝分裂细胞强度(L channel of La*b* color space)的边缘分布服从Gamma分布,而非有丝分裂细胞强度(L
channel of La*b* color space)的边缘分布服从Gaussian分布。借助这一分布特点,我们能够利用Gamma-Gaussian混合模型检測出有丝分裂。
对于随意像素强度为x。给出混合模型:
和
为两个分布的混合比例。且
为Gamma强度分布函数,以
、
为參数;
为Gaussian强度分布函数。以
、
为參数。
如果
,则我们如今要求是这个參数向量。
我们採用EM算法求解:
具体算法例如以下:
计算出全部參数后。我们就能够採用这个混合模型检測有丝分裂
使用一个阈值t,能够得到潜在的有丝分裂区域。
3、进一步降低差错
採用一个窗体将上一步中检測出的区域包围起来,提取特征。训练SVM分类器,使用SVM再一次检測,进一步提高准确率。
原理:先切割出肿瘤区域,然后在肿瘤区域使用Gamma-Gaussian混合模型检測有丝分裂细胞。最后使用svm分类器降低检測错误。
步骤:
1、由于有丝分裂大多是发生在肿瘤区域,所以本文先切割出肿瘤区域。减小后面操作的复杂度。在这里。使用的(RanPEC: Random Projections with Ensemble Clustering)方法进行的切割。
2、使用Gamma-Gaussian混合模型检測有丝分裂细胞
细致看上面的图片,从上面我们能够知道为什么Gamma-Gaussian混合模型能检測出有丝分裂和非有丝分裂。
因为有丝分裂细胞强度(L channel of La*b* color space)的边缘分布服从Gamma分布,而非有丝分裂细胞强度(L
channel of La*b* color space)的边缘分布服从Gaussian分布。借助这一分布特点,我们能够利用Gamma-Gaussian混合模型检測出有丝分裂。
对于随意像素强度为x。给出混合模型:
和
为两个分布的混合比例。且
为Gamma强度分布函数,以
、
为參数;
为Gaussian强度分布函数。以
、
为參数。
如果
,则我们如今要求是这个參数向量。
我们採用EM算法求解:
具体算法例如以下:
计算出全部參数后。我们就能够採用这个混合模型检測有丝分裂
使用一个阈值t,能够得到潜在的有丝分裂区域。
3、进一步降低差错
採用一个窗体将上一步中检測出的区域包围起来,提取特征。训练SVM分类器,使用SVM再一次检測,进一步提高准确率。
相关文章推荐
- 利用github-pages建立个人博客
- 安卓反编译:推荐一个最新反编译功能的工具
- Android HttpClient HttpUrlConnection用法总结
- 细节时间黑洞
- scrollview and scrollbar
- FFMPEG视音频编解码
- Fragment生命周期
- PHP页面跳转报错
- [leetcode 257] Binary Tree Paths
- C语言1——基础
- POJ 3273 Monthly Expense(二分搜索,最大化最小值)
- shell之for循环
- java中的包装类及与String之间的互相转换
- Android多渠道打包
- 为Arch Linux添加控制台鼠标支持(gpm)
- 样本方差为何除以n-1?
- USACO[2.1]The Castle
- nginx与PHP使用一致性哈希算法对memcached的集群与负载均衡
- javascript-一周总结
- nodejs保存文件的问题