卷积神经网络在生物医学图像上的应用进展(4)
图3 CNN在细胞生物学图像分析中的应用实例
表1 卷积神经网络在细胞生物学图像处理中的应用?
2.1.1 细胞及其结构检测
细胞检测是细胞生物学图像分析中的一个基本问题,常见的细胞检测有全血细胞检测、病变细胞检测等。同类细胞形态多变,不同细胞形态相似以及细胞间局部重叠等是细胞检测中的主要挑战。全血细胞计数通过血液中各种血细胞数量的变化来反映疾病的状态。在这方面,Wang 等[24]通过融合多个由CNN 构建的分类器实现了单核细胞、淋巴细胞、嗜酸性粒细胞和中性粒细胞4 种白细胞的分类,该方法将多个CNN 分类器的输出进行融合以寻找局部一致的、有代表性的模式,提高模型的通用性。该方法在410 张载玻片图像(https:///dhruvp/wbc-classification/tree/master/Original_Images)上对四类白细胞的分类准确率达到99.90%。为实现血细胞的准确计数,需要解决细胞间重叠区域的分离问题。Tran 等[25]通过先分割细胞再检测其分割图的方法解决了细胞局部重叠的问题,该方法利用VGG-16预训练的权值来初始化SegNet模型,首先实现红细胞以及白细胞的分割,然后结合欧式距离变换、局部极大值和连通域标记等方式来分离重叠细胞并实现细胞计数。该方法在包含108 张血液样本显微镜图像的ALL-IDB1数据集上,红细胞和白细胞计数的最终准确率分别达到了93.30%和97.38%。细胞重叠现象还会影响到病变细胞的检测效果,细胞重叠现象也会影响到病变细胞的检测。针对这一问题,Liu 等[26]则结合后处理技术实现重叠细胞的分离,该方法首先利用CNN网络生成细胞候选区域并对候选区域进行评分,然后将细胞候选对象作为顶点、评分作为权值构造一个无向加权图,将细胞检测问题转换为最大权重独立集问题,从候选对象中选择最佳检测结果组成最终的细胞检测结果。该方法能够有效解决细胞重叠区域的细胞检测问题,在24 张神经内分泌细胞图像和16 张肺癌细胞图像上准确率分别达到了90.03%和88.43%。
细胞结构包括细胞膜、细胞质和细胞核等,细胞质结构的重叠会模糊图像中的细胞边界,因此往往需要先将细胞结构分割出来再实现细胞边界的分割。Song等[27]使用多尺度CNN从宫颈细胞图像中分割出所有细胞核和细胞质,进而利用高斯核拟合细胞的形状,通过优化势能函数来最优化细胞质的标记结果,最后该方法利用后处理技术来获得精确的细胞边界。该方法在含有8张宫颈细胞的ISBI 2015数据集上分割细胞核与细胞质结果的Dice值分别达到了0.93和0.91。
2.1.2 细胞有丝分裂检测
细胞有丝分裂可为癌变细胞的检测提供重要信息,例如乳腺苏木精和伊红染色切片中的有丝分裂细胞数量是判定乳腺癌侵袭性的重要指标。有丝分裂自动检测主要受到两方面影响:一是有丝分裂细胞在不同阶段的形状和结构不同;二是其他细胞的外观与有丝分裂细胞具有相似性。为解决有丝分裂的检测问题,国际模式识别大会(International Conference on Pattern Recognition,ICPR)发布了ICPR2012(http:///ICPR2012/)(50 张有丝分裂全标注图像)和ICPR2014(http:///)(1 696 张有丝分裂质心标注图像)有丝分裂数据集。基于上述数据集,Cire?an 等[28]利用全连接CNN 来检测有丝分裂。针对图像中的任意给定像素,该方法提取以该像素为中心的图像块并利用CNN网络预测该像素接近有丝分裂质心的概率,然后结合后处理得到有丝分裂的检测结果。该方法在ICPR2012 数据集上F1-socre 达到0.782。Chen等[29]则通过级联两个CNN模型对有丝分裂进行检测,该方法首先利用一个FCN 模型输出有丝分裂候选者的概率图,从而快速检索有丝分裂候选细胞,然后利用预训练的CaffeNet检测模型[30]对候选细胞进行进一步区分。该方法在ICPR2012数据集上平均F1-score达到0.788,在ICPR2014 数据集上平均F1-score 达到0.482。此外,研究者通过将仅标注质心的弱标注图像转化为强标注图像的方式对数据量进行扩充。Li 等[31]利用强标注的ICPR2012 数据集训练一个FCN 分割模型,再将弱标注的ICPR2014数据集输入该模型从而得到像素级标注的细胞有丝分裂图像。其检测方法继续延用网络级联的方式,首先使用基于Faster R-CNN 的深度检测模型产生初级检测结果;然后利用ResNet-50 的验证模型去除误检结果。当使用该方法的全部模型进行处理时,在ICPR2014数据集上F1-score达到0.572。
目前,利用CNN 模型进行细胞生物学图像的分析正在逐步发展,通过对自动化对细胞检测计数以及细胞结构、行为的检测,可以极大减少研究者在处理数据过程中的工作量,使其有更多的时间关注实验本身的研究。生物学其他方向的图像分析也可以此为借鉴与课题相结合,以提高研究效率,推动实验进展。
文章来源:《生物医学工程学杂志》 网址: http://www.swyxgcxzzzz.cn/qikandaodu/2021/0619/606.html