预测结直肠癌连续性异常细胞图像的纹理分析

摘要

异常细胞(Abnormal cell, ABC)是一个明显异质性的组织区域，可分为三种主要类型:良性增生(BH)、癌(Ca)和上皮内瘤变(IN)或癌前病变。在本研究中，目的是使用3d纹理方法确定和表征结直肠癌的连续性。在预处理步骤中采用主动轮廓分割技术对ABC进行分割。根据灰度共现矩阵(GLCMs)提取的纹理特征分析细胞类型。采用ABC方差分析(ANOVA)选择显著的纹理特征价值截止．通过主要成分分析（PCA）减少了所选的特征，其占显着特征的累积方差的97％。仿真结果确定了从GLCM提取的总共624个纹理特征的基于ANOVA的158个显着特征。基于显着质地特征的ABC歧视性能度量显示出92.59％的分类准确度，100％敏感性和94.44％的特异性。这些发现表明，从GLCMS提取的纹理特征足以敏感以区分ABC类型，并提供预测结直肠癌细胞特征的机会。

1.介绍

结直肠癌(CRC)是影响人类最常见的癌症之一[1]．它的特点是不正常和不受控制的细胞增殖[2]．只有70％的患者，患有治疗意图的原发性肿瘤的外科切除术。不幸的是，高达30％的CRC患者患有原发性肿瘤的手术切除经历3年内随后复发，并在12个月的中位时间致死[3.那4.]．结直肠细胞被CRC转化为异常和不均一的形状[5.那6.]．在这种情况下，异质性是结直肠癌的明显特征，表现为高细胞密度的区域。已经尝试使用诸如Haralick特征（如Haralick特征）的多个特征函数进行了量化6.]．另一个例子使用了肝组织纹理与其熵和均匀性之间的联系，利用计算机断层扫描图像预测生存率[7.]．然而，有限的研究使用了纹理特征来评估CRC的连续体从良性到恶性细胞。

此外，经典光学显微镜系统可以通过应用先进的图像处理技术检测ABC [8.]．根据形状或异质性早期发现ABC是非常重要的，以便及早诊断并开始治疗[6.]．因此，自动化该过程允许更快，更精确地读取微观活组织检查，并且甚至可以允许样品的分类为BH，IN或CA [6.那9.那10.]．在这种背景下，许多研究都考虑开发这种活组织检查的自动阅读程序[5.那11.-14.]．可以使用光学显微镜系统制备和预处理这些程序检查的活组织检查。然后，可以使用分段技术从其周围介质分析ABC [15.]．在这种情况下，必须仔细建立适当的分段技术，以便从提供高分辨率灰度图像的微观系统处理多光谱生物镜。此外，在图像中识别图像中的ABC应考虑到每个ABC类型的一些特征特征[6.]．基于ABC的纹理特征提取是一种很有前景的方法。然后，通过应用分类器方法中的一种来区分ABC类型，如决策树方法[16.]．对每种ABC类型的结构和结构的分析允许对恶性细胞进行更准确的诊断，因为它们的结构具有不同的模式和结构。

在这项工作中，我们建议通过从GLCM提取纹理特征来分析ABC类型。纹理是指区域内的音调的变化，或相邻像素的灰度级之间的空间关系。三维（3D）纹理分析通过使用两个阶段和多元组像素提供更多信息，以检测3D空间中的像素对的变化[16.那17.]．基于共现矩阵的图像分析统计方法通常用于光学和医学图像的形态学评价[5.那11.那18.那19.]．从GLCM中提取的纹理特征描述了图像的纹理和局部变化。在分类中，我们选择12个主要特征来识别ABC类型，同时丢弃冗余或混淆的特征，从而提高基于特征的检测技术的性能。

总之，本研究的目的是从分类CRC病变连续的光学显微镜图像的定量纹理多光谱图像特征的推导。本研究的新颖性是关于CRC自动连续预测的第一次培训。这将是与各种ABC类型相关联的辐射贴图的基础。

本文的其余部分组织如下。部分2用性能指标描述从3D GLCM的纹理特征提取。章节3.和4.演示实验结果和讨论。最后,部分5.总结本文。

2.材料和方法

我们专门从27例结肠直肠癌患者分析了3D多光谱数字整个幻灯片图像（WSI）。在其直方图分布中看到每个多光谱ABC型的空间异质性的示例。显然，初步分析的特征和特征是区分BH，IN和CA（图1）.

2．1．样品制备和数据采集

取结肠腺体全组织，厚度为5μ使用血红素和曙红（H＆E）污渍染色。通过光学显微镜系统中的液晶可调滤波器（LCTF）集成的电荷耦合器件（CCD）摄像机捕获图像[20.]．LCTF通过改变波长操作提供组织样本的多光谱图像[21.]．LCTF的带宽为5 nm，其波长可通过400-720 nm的可见光谱范围进行控制。多光谱图像是通过在不同波长的子波段重复捕获图像而产生的。此外，多光谱成像的影响已经表明，分类器的精度随着光谱波段的数量而增加[22.]．注意，每个图像频带是8位编码，因此具有255个可能的光强度水平。

在本研究中，LCTF提供了16个多光谱波段，波长范围为500-650 nm。因此，从每张原始图像中，我们获得了16张代表波长范围的图像和大量的多光谱数据(图1）.因此，从多光谱数据的每个波段提取纹理增强了表征每种异常细胞类型的病变。值得注意的是，结肠直肠病理学家在低倍镜下观察图像，以识别由低倍镜(×40)图像样本所代表的异常细胞。

2．2．病人

排除数据不完整的样本后，收集27例CRC患者进行初步研究。我们从每个ABC类型中选择了9卷数据，其中16张多光谱图像构成了大量数据(图1）.因此，在进行进一步的分割处理之前，先对图像进行平均滤波(空间滤波)，以尽量减小图像中的噪声和其他外部因素的影响。所有图像重建为512 × 512矩阵，在ABC的GLCM中提取纹理特征时，考虑体积大小为512 × 512 × 16(图)2(一个)）.

2.3。异常细胞的分割

采用主动轮廓分割技术精确分割细胞异常形状。该技术基于动态曲线，通过若干迭代过程移动并检测目标轮廓[23.那24.]．成功实施该方法以检测来自类似种类的多光谱生物显影的ABC类型。通过限制基于经验计算自动设置的迭代的数量来提高计算时间[6.]．通过调整图像大小进一步加强计算时间。例如，尺寸512×512像素的图像减小到64×64像素，并且施加有源轮廓以检测图像内的单元。然后将主动轮廓图像调整为512×512像素并放置在原始图像上（图3.）.实际上，该技术调整了主动轮廓而不是原始图像，以增强计算时间。然后通过板认证的结直肠病理学家评估16个多光谱图像中的细胞图像。创建在16个多光谱图像（2D图像）中分段的单元的体积以表示MultiSpectral频带中的方差细节（图2(一个)）.对活动轮廓分割进行评价，考虑了细胞的地面真值和基于活动轮廓分割的细胞。在此背景下，WSI分割的评价考虑了两个相似度指标，即Jaccard相似系数(JSC)和Dice相似系数(DSC)。此外，还计算了假阳性率(FPR)和假阴性率(FNR)。JSC和DSC度量了地面真值单元图像与分割图像的对应程度。

JSC可以根据以下选配： 在哪里和是细胞和细胞细胞的地面真理领域。

利用JSC算法计算分割单元与地面真值单元的总体相似度。还使用了DSC，可表示为: 此外，我们使用FPR和FNR来量化过度和欠分割。FPR和FNR的计算方法如下: JSC与FPR、FNR之间的直接关系定义为: 报告了活动轮廓技术的性能指标(表1）.通过提取各异常细胞类型GLCMs的纹理特征来量化WSI的体积。

２.４.基于GLCM的特性

用于评估图像像素之间的关系的最佳技术之一是GLCM的纹理特征提取。Haralick等人提出了这种技术。1973年[19.]．基于GLCM计算及其纹理特征的二阶统计特征是目前最流行的一种。然后，二阶统计估计两个或多个像素值的性质发生在特定的位置相对于彼此。基于这些原因，我们在本研究中提出使用基于GLCM的特征技术。

2.4.1。灰度Cooccurrence矩阵（2D和3D）

GLCM表示概率从强度的像素过渡““到一个像素的强度”“由方向定义的翻译矢量分开”“和偏移量”“（偏移称为距离）[11.那16.-19.]．给定二维（2D）图像的大小，即同现矩阵可以定义如下： 在哪里和指定利益像素与邻居之间的距离，沿着- 和轴和图像的-轴。GLCM是一个大小方阵,在那里是图像中的灰度级别。

对于2D图像，““平等那些是"“平等．对应于附加方向的GLCMS不要将已经被16个glcm所捕获的纹理添加到上述四个偏移量和四个方向的组合中。这是因为在glcm中有对称性(；；；和）（请注意上标““表示转置操作）。

GLCM计算也可以应用于3D图像。这里是GLCM计算具有强度的像素对的数量””和“由一个平移向量指定的空间关系,在那里那， 和表示沿的像素偏移数设在,设在,- 3D图像的轴。对于体积数据，两个角度通向13个方向(图2）.每个分割后的细胞直方图均为32个水平，然后采用GLCM计算。

应用于体积数据的GLCMs的最大优势是能够捕获3D体积中像素之间的强度关系。此外，由3D操作产生的glcm的数量通常比对应于大量2D切片的数量要少。例如，在一个包含10个独立2D切片的数据立方体中，总共有80个glcm(8个glcm相当于每个切片的2个偏移量和4个方向)。另一方面，在3D操作中，glcm总数为26(13个方向和2个偏移)。在应用于体积数据的glcm的支持下，我们计算了多光谱ABC的glcm，并利用Haralick特征对这些共现矩阵进行了量化。

2.4.2。纹理量化

Haralick提出从GLCMs中提取14个纹理特征，每个特征的值表示纹理图像中ABC的初步指标。在14个纹理特征中，我们使用了12个主要纹理特征:能量(),熵()、相关(),对比()、同质性()、方差(），总和的平均值（)、惯性(），簇阴影（)，集群倾向()，最大概率()和逆差矩(）.这些功能由它们的功能定义如下 显示纹理均匀性的规模。当GLCMS的所有值几乎相似时，当GLCMS为几个高幅度和低电片时，它很高。 度量图像的无序性或复杂性。的值时，熵值最大在整个矩阵中分配得很均匀。 度量GLCM中灰度值的线性相关性或描述GLCM的行和列之间的相关性。 测量图像的强度对比或局部变化，以显示纹理的细度。 返回一个值，该值测量GLCM中的元素分布与GLCM对角线的紧密程度。 如果图像的灰度分布很大，则估计灰度值很大。 测量灰色水平的平均值。如果图像的灰度之和高，则该值就高。 测量图像中的不均匀度。 测量GLCM的偏度(不对称)，并被认为是测量均匀性的知觉概念。当簇阴影高时，图像是不对称的。 度量具有相似灰度值的像素分组。 测量GLCM中的主导对像素。如果主导对像素高，它可以高。 测量图像的平滑度。如果像素对的灰度水平相似，它可能会很高。

针对ABC检测问题，从符合13个方向和4种偏移量的3D glcm中提取上述纹理特征。因此，得到的特征向量的长度为12(函数)× 13(方向)× 1(距离或偏移)= 156个特征。为了分析基于glcm的纹理特征的影响，我们将纹理特征分为5组(那那那， 和)载于附表2．

此外，我们计算了基于3D GLCM的纹理特征在13个方向和4个偏移量的平均值，并从ABC中评估每个纹理特征的值(表3)3.）.此外，我们在每个纹理特征组上使用特征选择技术，以在确定的方向和偏移量上演示纹理分析的有效性，并报告性能指标(表)4.）.

2．5．统计分析

在BH、IN和Ca细胞样本中可以找到由12个函数量化的纹理(基于Haralick的建议)。- 每个特征向量采用 - 将特征向量采用归一化，该特征向量将特征转换为零均值和单位方差[25.]．平均值和标准偏差（)的特征向量计算如下: 在哪里为原始值，是新值，均值和分别为原始数据的均值和标准差。

ANOVA用于评估纹理特征和ABC类型之间的统计学意义[26.]．该测试用于识别重要的纹理特征值< 0.01为显著性。总共选择了158个显著特征，使用PCA进一步减少了这些特征。5个主成分(PCs)代表了158个选定特征之间97%的方差被用于决策树分类器(表)3.和4.）.

2．6．分类器设置和性能指标

利用显著性特征作为决策树(DT)分类器的输入变量，对基于纹理特征的ABC类型进行分类[27.]．决策树归纳策略最重要的方面是分裂准则;它是一种选择属性的方法，该属性决定了训练对象在子集中的分布，然后在子集上构建子树。在本研究中，使用基于基尼指数的良度标准来确定各种特征测试条件的表现如何[28.]．使用DT分类器的原因是为了自动找到主要特征并提供分类器度量;然而，我们考虑naïve Bayes和最近邻，使用ABC类型中的已知类标签来评估分类器性能指标。由于数据有限(27例患者)，使用留一交叉验证验证分类器[29.]．我们考虑了以下分类的性能指标:准确性、敏感性、特异性、-score和曲线下面积(area under the curve, AUC)，用于测试纹理特征分类器的可靠性。我们使用多种指标来更好地评估使用基于纹理特征的3D glcm进行异常细胞类型识别的可行性。需要注意的是，真阳性(TP)和真阴性(TN)是正确分类的阳性和阴性样本的数量;假阳性(FP)和假阴性(FN)是错误分类的阳性和阴性样本的数量[30.]．TP + FN为所考虑类的测试样本总数。例如，BH细胞类型的TP代表正确分类的BH样本，FN代表错误分类的BH细胞类型。同时,FP和Ca的BH细胞类型代表了样本分为BH细胞类型,而TN BH细胞类型代表正确分类的数量和Ca样本和样本的数量分为Ca和Ca的数量样本分为细胞类型。

准确率表示正确分类的样本，可表示为: 灵敏度是对分类器识别积极类模式能力的度量。可以表示为: 特异性是对分类器识别负类模式能力的度量。它可以表示为: -score是精度和召回率的加权平均值，可以用以下方法计算:

3.实验结果

采用主动轮廓分割技术对ABC数字图像进行分割。数字3.显示使用多个步骤分段的ABC类型。从多光谱图像中检测细胞的过程似乎是一项艰巨的任务，因为生物图像包含了一些具有相似灰度范围和不规则形状的区域。形态学操作员需要从经过认证的结直肠病理学家的图像中选择所需的细胞，因为图像中有多种细胞类型。

Snake(活动轮廓)技术显示，ABC类型被正确地检测和定位(图3.）.JSC的相似度为75.92 ~ 81.56%，其中Ca细胞型的相似度最高。DSC的相似度范围为86.31-88.21%，其中Ca细胞型的相似度最高。此外，FPR的范围为05.03-07.61%，在IN细胞类型中表现最佳，而我们观察到FNR的范围为16.11-20.26%，在Ca细胞类型中表现最佳1）.这些指标确认了有源轮廓分段方法的可行性，以确定异常细胞类型，特别是CA细胞类型（表1）.

数字4.图中显示了对应ABC类型的GLCMs示例案例3.．GLCM图像显示，在三种ABC类型中，与Ca细胞相关的纹理最为明显。这些纹理值代表了Ca细胞原始图像中大量的像素对，其次是in细胞和BH细胞。此外，黑洞图像具有比IN和Ca更均匀的纹理;其对应的GLCM显示，大多数黑洞纹理在GLCM图像的对角线上描述。值得注意的是，当纹理GLCM图像在对角线附近有更多的拟合数据时，原始图像的同质性较差。基于整体偏移量和方向的纹理函数的平均值显示了ABC组之间的差异，这在GLCMs提取的12个纹理特征中每一个都得到了体现(如表所示)3.）.例如，能源()在BH细胞中表现出较高的值(0.014)，其次是in和Ca细胞。BH细胞的高度均匀性证明了这一点。熵()， ABC组间比较接近，Ca细胞的最大值为2.53。这体现在Ca细胞中纹理的无序，但ABC类型的接近值可能是一个弱分类器特征。因此,相关()的最大值为0.016;这体现在in GLCM图像的灰度依赖性较高。与ABC类型的所有纹理特征相比，特征的最大值(那那那那， 和)， (和）， 和 （那那， 和)分别为BH、IN和Ca类型。除特性外(）在检查的所有纹理特征中，注意到ABC类型之间的显着差异（值< 0.01)。

方差分析显示，在156个纹理特征中，有35个显著分类特征那， 和,而提供了区分abc的53个重要特征。显著特征总数为158 ()通过组特性的简单连接(表4.）.

基于特定偏移和方向的ABC判别性能指标范围显示准确率为55.55 ~ 77.77%，灵敏度为55.55 ~ 88.88%，特异度为66.66 ~ 94.44%。

使用组实现性能度量范围的最大值表示glcm的4像素偏移和13个方向(Table4.）.此外，对于每个ABC特征，BH、IN和Ca的分类准确率分别为55.55-88.88%、44.44-88.88%和55.55-66.66%5.）.

此外，五个PCS特征显示出最高值为92.59％的精度，100％灵敏度和94.44％的特异性（表中的最后一排）4.）.

获得的最高分类器精度为88.88％使用和特征(表5.）.但是，使用五个PC功能，BH和CA功能显示了100％的最高值（表5.）.

对每个ABC鉴别获得的ROC曲线的分析显示为BH与CA的BH，97.97-99.90％的AUC值为76.97-90.30％，分别为CA的99.18-99.73％。但是，使用5个PC功能实现了ABC歧视的最佳AUC值（图5.）.

利用5个pc特征，比较研究了基于决策树(DT)、naïve Bayes (NB)和最近邻(NN)分类器的异常细胞类型识别混淆矩阵[26.-28.[分别基于DT和NB分类器正确分类九个BH和9个CA样品。然而，基于NB分类器技术正确分类了样本中的八个（表6.)。-score的BH、IN和Ca指标最高，分别为94.73、94.11和100%。这说明区分BH和IN、Ca的最佳分类技术是NB(表)7.）.

4.讨论

在这项研究中，我们已经示出了纹理特征提取从GLCMS辨别BH，IN和CA的作用。我们展示了使用定量图像纹理特征，并报告了具有ABC辨别的性能度量的重要特征。此外，我们展示了使用12个功能从GLCMS进行纹理量化的功率，以间接与ABC类型关联图像功能。使用四个像素偏移和13个方向从GLCMS提取的纹理特征（)在区分ABC类型方面的准确率高于其他特征组。这证明了13个方向的第4个像素邻居的glcm能够提供最好的自动化ABC分类(表1)4.）.同样地，BH的分类器特征显示出利用4个像素偏移和13个方向从GLCMs中提取的纹理特征识别BH细胞的有效性(在表格中5.）.异常在细胞中提出了最佳的分类使用和， Ca表示最佳的分类使用那， 和．然而，如果不使用PCs特征，Ca的预测准确性不足，说明其纹理可能类似于IN的纹理，这代表了恶性诊断的复杂性(表)5.）.

根据将不同纹理特征的实验应用于ABC辨别过程的实验，结果表明，从使用GLCMS提取的显着质地特征衍生的PC特征效率用于组织病理学结肠癌图像分析（最后一排表格4.和5.）.在区分BH和IN、BH和Ca以及IN和Ca时，PC特征的潜力显示出最高的AUC值(图)5.）.数字6.显示了ABC特征之间的热图相关性，其中相关性最高的表示纹理特征之间的相似性。我们观察到一些BH和IN特征(红色矩形)有很高的相关值。这表示缺乏性能指标。

该研究表明，通过使用诸如重要特征和特征选择的图像处理中的技术，纹理特征提取可以是用于ABC识别的地图。以前，使用B-管蛋白同种型的基因表达证明了人结肠癌细胞的分化[31]．最近，利用组织病理学图像对结肠癌进行多标记分类采用了几种类型的特征。综上所示，综合特征可以为多标记结肠癌预测提供良好的性能，准确率为73.7% [32]．此外，另一项研究证明，结肠癌的预后可以通过使用不同的分子亚型和锯齿状前体病变来确定[33]．因此，对结直肠癌连续性的分析还不完全。

迄今为止，很少有研究直接解决了ABC类型之间的歧视，用于诊断结肠癌。大多数人都专注于他们的异质性;有几项研究表明，增加的异质性与恶性肿瘤有关[34]．另外，已经提出了更大的生物学异质性可以与氧化应激和基因组不稳定性相关[35]．此外，一项基于CRC患者肝脏纹理的研究发现，在粗尺度下(基于高斯滤波拉普拉斯算子提取纹理)肝脏纹理更不均匀与隐发性恶性肿瘤的存在有关[36]．此外，在这项工作中，证明熵函数较高的值与癌相关，其表示ABC类型之间的更高的异质性。

本研究提供了一种简单的基于纹理特征分析的方法，利用3个异常细胞来评估结直肠癌从良性到恶性的连续性。这三种细胞类型代表了从良性肿瘤到恶性肿瘤的转变。在此背景下，结果表明放射组纹理特征是重要的，并提供了良好的分类指标，也突出了放射组纹理特征提取的潜力，以增强预测来自结直肠组织的ABC。这将引发进一步研究基于图像的定量纹理特征在结直肠癌中的应用。鉴于大肠癌患者间异质性较高的现实，纹理特征分析是一种比现有方法更理想的ABC类型分类方法。

我们的研究有局限性;其中最重要的是有限的科目(）.分割、三维GLCM和纹理特征提取的计算时间均为15分钟左右。然而，考虑到ABC的实际情况，基于纹理特征的3D GLCM是一种比已识别模型更好的ABC类型分类方法。

结论

本文提出了一种基于用于异常细胞癌细胞分类的多标特征的新方法。结直肠癌的真实数据用于验证ABC特征之间的歧视。ABC通过主动轮廓技术进行分割，然后从GLCMS提取纹理特征。基于ANOVA测试选择了显着的纹理特征。在将所有特征结合在一起时获得了最佳结果，并且PCA应用于获得五种PC特征，精度为92.59％，以区分ABC类型。这一结果具有很有希望在图像特征和结肠直肠病理学之间制作新娘，这将导致有效的医学诊断和治疗。

同意

获得了任何必要的批准、授权和知情同意文件。

信息披露

这些材料符合所有适用的法律，法规和保护医疗数据的政策。

相互竞争的利益

作者声明本文的发表不存在利益冲突。

致谢

作者对这项服务表示感谢Anapat的楚医院的Nancy-Brabois和嵌入式系统和智能传感器的架构(ASEC)团队。这项工作得到了洛林大学的支持。

参考文献

1. D. Sargent，Q.. Shi，G. Yothers等，“两三年的无病生存（DFS）作为III阶段辅助结肠癌试验的主要终点与氟嘧啶有或没有奥沙利铂或Irinotecan：数据从马赛克，X-ACT，PETACC-3，C-06，C-07和C89803的12,676名患者中，欧洲癌症杂志，第47卷，第47期。7, pp. 990-996, 2011。查看：出版商的网站|谷歌学者
2. 癌细胞可以“感染”正常的邻居，自然, 2014年。查看：出版商的网站|谷歌学者
3. D. J. Sargent, H. S. Wieand, D. G. Haller等，“无病生存与总生存作为辅助结肠癌研究的主要终点:来自18个随机试验的20898例患者的个体患者数据，”临床肿瘤学杂志，第23卷，第2期。34, pp. 8664-8670, 2005。查看：出版商的网站|谷歌学者
4. D. J. Sargent，S.Patiyil，G. Yothere等，“结肠癌辅助试验的终点：基于来自20,898名患者的个体患者数据的观察和建议，从重点集团中注册了18项随机试验”临床肿瘤学杂志，第25卷，第2期29，第4569-4574页，2007。查看：出版商的网站|谷歌学者
5. C. A. B. Castañón, J. S. Fraga, S. Fernandez, A. Gruber, L. da F. Costa，“Eimeria属原生动物寄生虫的自动图像识别和诊断的生物形状特征”，模式识别，第40卷，第5期。第7页，1999 - 1910,2007。查看：出版商的网站|谷歌学者
6. A. Chaddad，C.Tanougast，A. Dandache和A. Bourian，“从分段的MultiSpectrale纹理生物图像中提取了Haralick的纹理特征和形态参数，用于分类结肠癌细胞，”WSEAS关于生物医学和生物医学的交易，第8卷，第2期2, pp. 39 - 50,2011。查看：谷歌学者
7. K. a . Miles, B. Ganeshan, M. R. Griffiths, R. C. D. Young，和C. R. Chatwin，“结直肠癌:门脉期肝脏CT图像纹理分析作为潜在的生存标志，”放射学，卷。250，没有。2，pp。444-452，2009。查看：出版商的网站|谷歌学者
8. J. Pawley，生物共聚焦显微镜手册, 2010年施普林格。
9. S. Rathore，M.Hussain，A. Ali和A. Khan，最近关于结肠癌检测技术的调查，“计算生物学与生物信息学汇刊，第10卷，第5期。3, pp. 545-563, 2013。查看：出版商的网站|谷歌学者
10. S. Rathore，M.Hussain，M.Aksam Iftikhar和A. Jalil，基于信息丰富的混合特征，“结肠活检图像的集合分类”，生物与医学计算机，第47卷，第47期。1，pp。76-92,2014。查看：出版商的网站|谷歌学者
11. D. M. U. Sabino, L. da Fontoura Costa, E. Gil Rizzatti，和M. Antonio Zago，“一种白细胞识别的纹理方法”，实时成像，第10卷，第5期。4、2004年。查看：出版商的网站|谷歌学者
12. X. Wang，S.Li，H. Liu，M. Wood，W. R. Chen和B. Zheng，“微观数字图像中描绘的可分析中期染色体的自动鉴定”生物医学信息学杂志号，第41卷。2, pp. 264 - 271,2008。查看：出版商的网站|谷歌学者
13. P. Bamford和B. Lovell，“具有活跃轮廓的无监督细胞核细胞区分割”信号处理，第71卷，第71期2，第203-213页，1998。查看：出版商的网站|谷歌学者
14. A. Benzinou, Y. Hojeij, Y. Sibiril, and A. c .Roudot，“使用图像分析的造血细胞簇量化”，生物医学信号处理和控制，卷。1，不。4，pp。282-288,2006。查看：出版商的网站|谷歌学者
15. A. B. Tosun, M. Kandemir, C. Sokmensuer, and C. Gunduz-Demir，“用于癌症检测的活检图像无监督分割的面向对象纹理分析”，模式识别，卷。42，没有。6，pp。1104-1112,2009。查看：出版商的网站|谷歌学者
16. S. R. Safavian和D. Landgrebe，“决策树分类器方法论的调查”，IEEE系统、人与控制论汇刊第21卷第2期3，pp。660-674,1991。查看：出版商的网站|谷歌学者|MathSciNet
17. B.歌曲，G.张，H.Lu等，“来自高阶图像的”体积纹理特征，用于通过CT上析诊断结肠病变“国际计算机辅助放射学与手术，第9卷，第5期。6, pp. 1021-1031, 2014。查看：出版商的网站|谷歌学者
18. M. K.Rahim，S. Kim，H. So等，“核心核对中使用体积和纹理的量化方法的宠物图像解释的最近趋势”核医学与分子影像，第48卷，第48期1, pp. 1 - 15, 2014。查看：出版商的网站|谷歌学者
19. R. M. Haralick, K. Shanmugam, I. Dinstein，《图像分类的纹理特征》，IEEE系统、人与控制论汇刊，卷。3，不。6，pp。610-621,1973。查看：出版商的网站|谷歌学者
20. Y. Hiraoka, J. W. Sedat, and D. a . Agard，“生物结构定量光学显微镜的电荷耦合装置的使用”，科学第238卷4823，第36-41页，1987。查看：出版商的网站|谷歌学者
21. P. J. Miller和C. C. Hoyt，“液晶可调谐滤光片的多光谱成像”农业、林业和生物加工中的光学，第2345卷学报学报，pp.354-365，Boston，Mass，1995年10月。查看：谷歌学者
22. M. Roula, J. Diamond, A. Bouridane, P. Miller, and A. Amira，“用于前列腺肿瘤自动分级的多光谱计算机视觉系统”，刊于IEEE生物医学影像国际研讨会论文集，第193-196页，美国华盛顿特区，2002年。查看：出版商的网站|谷歌学者
23. B. J. Matuszewski, M. F. Murphy, D. R. Burton等，“肌动蛋白标记荧光共聚焦显微镜图像中的细胞结构分割”，发表于第十八届IEEE图像处理国际会议论文集，第3081-3084页，比利时布鲁塞尔，2011年9月。查看：出版商的网站|谷歌学者
24. a . Histace, L. Meziou, B. Matuszewski, F. Precioso, M. Murphy，和F. cariras，“使用分数熵描述的基于统计区域的活动轮廓:在共聚焦显微镜图像中的细胞核分割的应用，”英国机器视觉协会年报， 2013年第5期。5, pp. 1-15, 2013。查看：谷歌学者
25. H. Abdi和L. J. Williams，“数据规范化”，在研究设计百科全书多尔蒂(D. M. Dougherty)和埃德斯·弗雷(B. Frey)。那P.P.。9.35-9.3.8.那Sage, Thousand Oaks, Calif, USA, 2010.查看：谷歌学者
26. A. Cuevas, M. Febrero，和R. Fraiman，“功能数据的方差分析测试”，计算统计和数据分析，第47卷，第47期。1，pp。111-122,2004。查看：出版商的网站|谷歌学者|MathSciNet
27. S. Ranka和V. Singh，“云:用于大数据集的决策树分类器”第四届知识发现和数据挖掘会议的诉讼程序（KDD '98），pp.2-8，纽约，纽约，美国，1998年8月。查看：谷歌学者
28. L. Breiman, J. Friedman, C. J. Stone, R. A. Olshen，分类与回归树，查普曼和霍尔，纽约，纽约，美国，第1版，1984。查看：MathSciNet
29. M. Stone，“跨验证选择和评估统计预测”皇家统计学会学报B.方法论，卷。36，不。2，pp。111-147,1974。查看：谷歌学者|MathSciNet
30. I. H. Witten和E. Frank，数据挖掘:实用机器学习工具和技术摩根·考夫曼(Morgan Kaufmann)著，第二版，2005年。
31. G. Carles, D. Braguer, C. Dumontet et等，“人类结肠癌细胞的分化改变表达β-Tubulin同种型和地图，“英国癌症杂志，卷。80，不。8，pp。1162-1168，1999。查看：出版商的网站|谷歌学者
32. Xu y, Jiao l, S. Wang et al.，“Multi-label classification for colon cancer using组织病理学图像，”显微镜研究与技术，卷。76，没有。12，pp。1266-1277，2013。查看：出版商的网站|谷歌学者
33. F. D. S. E. Melo, X. Wang, M. Jansen等人，“预后不良的结肠癌是由一种分子独特的亚型定义的，并由锯齿状前体病变发展而来，”自然医学第19卷第2期5, pp. 614-618, 2013。查看：出版商的网站|谷歌学者
34. “基于ct成像的直肠癌局部淋巴结状态的定量分析与预测，”欧洲放射学第21卷第2期11，第2318-2325页，2011。查看：出版商的网站|谷歌学者
35. G. L. Semenza，“HIF-1与肿瘤进展:病理生理学和治疗学”，分子医学发展趋势，第8卷，第2期4，补充，PP。S62-S67，2002。查看：出版商的网站|谷歌学者
36. B. Ganeshan, K. Burnand, R. Young, C. Chatwin，和K. Miles，“肝的动态对比增强纹理分析:结肠直肠癌的初步评估，”调查放射学，卷。46，没有。3，pp。160-168,2011。查看：出版商的网站|谷歌学者

版权

版权所有©2017 Ahmad Chaddad和Camel Tanougast。这是一篇发布在创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中进行无限制使用，分发和再现。