Abstract
In this paper we address the problem of nuclear segmentation in cancer tissue images, that is critical for specific protein activity quantification and for cancer diagnosis and therapy. We present a fully automated morphology-based technique able to perform accurate nuclear segmentations in images with heterogeneous staining and multiple tissue layers and we compare it with an alternate semi-automated method based on a well established segmentation approach, namely active contours. We discuss active contours’ limitations in the segmentation of immunohistochemical images and we demonstrate and motivate through extensive experiments the better accuracy of our fully automated approach compared to various active contours implementations
چکیده
در این مقاله ما به مسئله تقسیم بندی هسته ای در تصاویر بافت سرطان می پردازیم که برای تعیین میزان فعالیت پروتئین و تشخیص و درمان سرطان مهم است. ما در حال حاضر یک روش کاملا خودکار مبتنی بر مورفولوژی برای انجام تقسیم بندی دقیق هسته ای در تصاویر با رنگ های ناهمگون و بافت چند لایه ارائه می دهیم و سپس آن را با یک روش نیمه خودکار جایگزین بر اساس رویکرد تقسیم بندی یعنی کانتور فعال مقایسه می کنیم. ما محدودیت های کانتور فعال را در تقسیم بندی تصاویر ایمونوهیستوشیمی بررسی می کنیم و ما نشان می دهد و از طریق آزمایش های گسترده دقت رویکرد کاملا خودکار خود را با اجرای کانتور فعال مقایسه می کنیم.
کلمات کلیدی : ایمونوهیستوشیمی ، تصاویر بافت ، تقسیم بندی هسته ، عملگرها ، کانتور فعال
مقدمه
پردازش تصویر زیستی منجر به توسعه ابزارهای تشخیصی شده است و به آسیب شناسان و ژنتیک شناسان در تعیین میزان فعالیت های بیولوژیکی مربوط به بیماری و همچنین در طراحی روش های درمانی کمک می کند. ایمونوهیستوشیمی روش تصویربرداری است که میزان رنگ آمیزی را در تصاویر بافت برای تعیین میزان فعالیت پروتئین مربوط به ایجاد سرطان تعیین می کند. روش های پردازش تصویر در این زمینه میزان دقیق و محل فعالیت را در مناطق خاصی از بافت مانند سیتوپلاسم، غشاء و هسته تعیین می کنند…