HE染色乳腺癌组织病理图像癌巢与间质分割研究

计算机工程与科学

HE染色乳腺癌组织病理图像癌巢与间质分割研究

阚贤响，刘娟，屈爱平

（武汉大学计算机学院,湖北武汉 430072）

收稿日期:2016-09-19 修回日期:2016-11-24 出版日期:2017-02-25 发布日期:2017-02-25
基金资助:
江苏省自然科学基金（BK20161249）

Segmentation of tumor nests and stomata of

HE-stained breast cancer histopathological images

KAN Xian-xiang，LIU Juan，QU Ai-ping

（School of Computer,Wuhan University,Wuhan 430072,China）

Received:2016-09-19 Revised:2016-11-24 Online:2017-02-25 Published:2017-02-25

摘要/Abstract

摘要：

HE染色的乳腺癌组织病理图像是分析诊断乳腺癌常用的方法，病理学家普遍认为癌巢和间质的病理形态学特征对研究乳腺癌的生物学行为有着预示作用，所以准确分割癌巢和间质显得尤为重要。对于HE染色乳腺癌组织病理图像，视癌巢和间质的分割为图像中像素点的分类问题，提取并分析特征，选取最佳特征组合，然后分类为癌巢或间质，并结合间隔采样、归一化与阈值法。实验表明，该方法能较为准确地分割出癌巢和间质，保证较高准确率和精度，在时间效率上能达到较为满意的结果。

关键词: HE染色, 图像分割, 分类

Abstract:

It is common to analyze and diagnose breast cancer (BC) via HE-stained BC histopathological images. Pathologists generally believe that the pathological and morphological features of tumor nests (TNs) and stroma indicate biological behavior of BC, so it becomes particularly important to accurately segment the TNs and stroma. For HE-stained BC histopathology images, we regard the segmentation as the classification of pixels in the image, extract and analyze features, choose the best combination of features, and then classify it as TNs or stroma. And procedures of sample interval, normalization and thresholding are also taken into account. Experimental results show that the proposed method can segment the TNs and stromata accurately and ensure higher accuracy and precision. What's more, it is satisfactory in terms of time efficiency.

Key words: HE stained, image segmentation, classification

阚贤响，刘娟，屈爱平. HE染色乳腺癌组织病理图像癌巢与间质分割研究[J]. 计算机工程与科学.

KAN Xian-xiang，LIU Juan，QU Ai-ping.

Segmentation of tumor nests and stomata of

HE-stained breast cancer histopathological images

[J]. Computer Engineering & Science.

[1]	柴燕涛，董德尊，张鹤颖，朱成阳，廖湘科. 基于SDN架构的高性能网络拥塞避免策略[J]. J4, 20160101, 38(01): 1-10.
[2]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(06): 1013-1021.
[3]	肖新正, 黄瑞章, 陈艳平, 秦永彬, 宋玉梅, 周裕林, . Corrective-Net：面向多标签文本分类的标签关联学习模块[J]. 计算机工程与科学, 2024, 46(06): 1092-1100.
[4]	佟缘, 姚念民. 基于对span的预判断和多轮分类的实体关系抽取[J]. 计算机工程与科学, 2024, 46(05): 916-928.
[5]	刘盼, 郭延明, 雷军, 王昊冉, 老松杨, 李国辉. 结合上下文的细粒度实体分类特征表示方法[J]. 计算机工程与科学, 2024, 46(05): 929-936.
[6]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[7]	罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(03): 463-470.
[8]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.
[9]	张远洋, 贡正仙, 孔芳. 增强依存结构表达的零样本跨语言事件论元角色分类[J]. 计算机工程与科学, 2024, 46(03): 508-517.
[10]	庞诺言, 关东海, 袁伟伟. 基于早期时间序列分类的可解释实时机动识别算法[J]. 计算机工程与科学, 2024, 46(02): 353-362.
[11]	马雪, 何星星, 兰咏琪, 李莹芳. 一阶逻辑中基于treelet图神经网络的前提选择[J]. 计算机工程与科学, 2024, 46(02): 374-380.
[12]	张文豪, 瞿绍军. 基于双解码器结构的多尺度注意力特征融合网络的视网膜血管分割#br#[J]. 计算机工程与科学, 2023, 45(12): 2175-2185.
[13]	焦佳辉, 马思远, 宋玉, 宋伟. 基于卷积注意力机制的双模态音乐流派分类模型MGTN[J]. 计算机工程与科学, 2023, 45(12): 2226-2236.
[14]	杨春霞, 马文文, 徐奔, 韩煜, . 融合标签信息的分层图注意力网络文本分类模型[J]. 计算机工程与科学, 2023, 45(11): 2018-2026.
[15]	张千锟, 韩虎, 郝俊. 基于双注意力融合知识的方面级情感分类[J]. 计算机工程与科学, 2023, 45(10): 1866-1873.