提取前列腺腔和自动识别使用PCA-SVM前列腺结石的形象gydF4y2Ba

文摘gydF4y2Ba

前列腺结石的识别是一个重要的决定组织起源的基础。Computation-assistant前列腺结石的诊断可能有前途的潜力,但目前仍没有研究。我们研究了提取微积分前列腺腔和自动识别的图像。提取的腔前列腺癌组织学图像是基于局部熵和大津阈值识别使用PCA-SVM和前列腺结石的基于纹理特征。SVM分类器显示平均时间0.1432秒,平均训练精度为100%,平均测试精度为93.12%,敏感性为87.74%,特异性为94.82%。我们得出结论,该算法,基于纹理特征和PCA-SVM,可以很容易认出同心结构和可视化功能。因此,该方法是有效的前列腺结石的自动识别。gydF4y2Ba

1。介绍gydF4y2Ba

前列腺的腺体和基质。前列腺是一个收集的gydF4y2Ba支tubuloalveolar腺体的导管空到前列腺尿道。前列腺产生前列腺液,并将其存储在其内部驱逐在射精。纤维弹性的胶囊富含平滑肌前列腺周围。这个胶囊发出隔穿透腺。异常丰富的肌纤维间质腺周围形成。基板是模糊和上皮细胞依赖一层结缔组织和平滑肌,密集的弹性纤维网络,毛细血管和血。其上皮可能立方形的甚至鳞状但在大多数地方是柱状,几基底细胞,分泌的蛋白质。前列腺腺分为3腺组件,也就是说,粘膜、粘膜下,和主要的腺体,安排在3个不同区域位于尿道周围同中心地。主腺最有助于前列腺分泌的体积。小球形的糖蛋白成分直径小于0.2毫米经常观察前列腺腔的。 They are called prostatic concretions, or corpora amylacea. These bodies often form calculi.

前列腺结石的识别是一个重要的决定组织起源的基础。前列腺癌组织学图像似乎是不同的类型。即使同一类型仍然有不同的材质和外观。前列腺结石看起来类似于其他材料和经常在组织学图像连接到其他组织。在这种沟通中,我们提出了局部熵,大津阈值,和数学形态学方法提取前列腺腔和隔离可疑微积分的地区。前列腺结石的自动识别,基于纹理特征的前列腺结石和PCA-SVM模型,可以简化算法,提高识别精度。gydF4y2Ba

2。材料和方法gydF4y2Ba

2.1。材料gydF4y2Ba

样本都来自广州Liuhuaqiao医院,从2003年1月至2007年12月存档,并由良性前列腺增生,13例,年龄在61年到79年,平均65.7,其病程大约12年,和前列腺癌15例,年龄在63年到75年,平均67.3,其病程约3至6年。两组样本共享在年龄和病程无显著差异(gydF4y2Ba)。在所有这些情况下,标本6例良性病变,和11例前列腺癌通过活组织检查,7例良性病变和前列腺癌4例通过激进的retropubic前列腺切除术。所有标本都由中性10%福尔马林固定,嵌入在石蜡切片,病理为5gydF4y2BaμgydF4y2Ba米厚度、染色)和被两位病理学家双盲评估。gydF4y2Ba

2.2。方法gydF4y2Ba

2.2.1。图像采集gydF4y2Ba

关注的结石腔、图像不同放大倍数的10到20倍得到无缝的奥林巴斯BH4显微镜捕获,然后在大约30佳能数码相机的图像进行分析。系统的光源调整了空白的视野。gydF4y2Ba

2.2.2。提取腔和微积分可疑区域gydF4y2Ba

当地EntropgydF4y2Ba
是灰色的gydF4y2Ba,gydF4y2Ba的形象gydF4y2Ba,我们定义gydF4y2Ba1gydF4y2Ba]gydF4y2Ba 在哪里gydF4y2Ba是熵,gydF4y2Ba是灰色的概率分布。如果gydF4y2Ba是当地的窗口呢gydF4y2Ba是局部熵。gydF4y2Ba

大津法gydF4y2Ba
采用大津法通过选择一个合适的阈值,前景和背景之间的差距是明显的。如果平均灰色的前景gydF4y2Ba的概率是gydF4y2Ba,平均灰色的背景gydF4y2Ba的概率是gydF4y2Ba,然后的平均灰度图像gydF4y2Ba。的最佳阈值gydF4y2Ba这使得gydF4y2Ba马克斯(gydF4y2Ba2gydF4y2Ba]。gydF4y2Ba

数学形态学gydF4y2Ba
数学形态学(gydF4y2Ba3gydF4y2Ba),包括膨胀、腐蚀、开操作和关闭操作,和区域填充方法,被用来提取腔的地区完全,防止不必要的微积分和结石腔之间的附着力。大津方法和数学形态学用于分段的可疑进一步评估。gydF4y2Ba

基于PCA-SVM微积分的认可gydF4y2Ba
前列腺癌组织学图像,前列腺结石是圆或椭圆形状的同心层状结构纹理特征。从微积分的特点,建立一个PCA-SVM模型区分真微积分地区noncalculus地区的可能。gydF4y2Ba

纹理特征gydF4y2Ba
灰度图像的纹理特征包括统计、光谱和结构特点。他们相关的位置、形状、大小和方向的对象,而不是平均灰度。在这篇文章中,我们计算灰度共生矩阵法的可疑的微积分,并分析70年每个可疑的微积分的纹理特征gydF4y2Ba(一)gydF4y2Ba灰度共生矩阵法gydF4y2Ba。灰度共生矩阵法应用灰度共生矩阵建立()是一个众所周知的方法分析纹理图像。应用灰度共生矩阵建立我们定义为gydF4y2Ba,在那里gydF4y2Ba是图像的灰度值。应用灰度共生矩阵建立的价值计算的四个基本方向gydF4y2Ba和gydF4y2Ba像素。我们也计算出了四个基本方向的均值作为第五个方向。gydF4y2Ba(b)gydF4y2Ba纹理特征gydF4y2Ba。应用灰度共生矩阵建立规范化的五个:gydF4y2Ba。gydF4y2Ba我们使用14个类型的纹理特征在我们的研究中,包括能源、对比,相关性,熵,方差,总和的平均值,方差,同质性、方差的差异,和熵,熵的区别,影子的聚类,聚类的重要性,最大概率。即从每个可疑的微积分区域获得70的特性。gydF4y2Ba

2.2.3。主成分分析gydF4y2Ba

主成分分析(PCA)允许我们计算一个线性变换,当数据从高维空间映射到低维空间。它是一种无监督的线性分析方法,它可以减少对分类器的影响所引起的相关的纹理特性。所以,我们提取主成分的贡献率大于98% (gydF4y2Ba),如支持向量机分类器的输入。gydF4y2Ba

2.2.4。支持向量机分类器gydF4y2Ba

内核支持向量机分类器转换为一个低维向量空间映射到一个高维空间线性和非线性问题,然后选择最好的一类表面来解决分类问题。在本文中,我们使用传统的SVM分类器的方法。标准化的数据通过PCA与原来的不同,不能用于训练SVM分类器进行分类。因此是非常必要的处理特性的测试图像和训练集在一起来实现主成分分析。当我们进行主成分分析,结合应用PCA前的培训和考试日期。然后,新组合特征作为支持向量机分类器的数据。gydF4y2Ba

3所示。结果gydF4y2Ba

3.1。基于局部熵的均质区域提取gydF4y2Ba

发现局部熵的图像变换方法。首先,指定每个像素的广场附近。然后,像素的灰度值熵计算在这个地区,然后被熵的灰度值所取代。灰度变化越小,其熵值越小。腺上皮细胞的细胞核和基质和纤维结缔组织的方差纹理是灰色的因素导致突变的前列腺癌组织学图像和局部熵的变化。但腔相对均匀的纹理,这使得它可以提取腔基于局部熵(数字gydF4y2Ba1gydF4y2Ba和gydF4y2Ba2gydF4y2Ba)。在这里,我们首先将彩色图像分成三个灰色图像,然后应用于每个图像的局部熵方法。由图3转换图像gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

3.2。基于阈值的灰度图像转换为二进制gydF4y2Ba

计算最优阈值分离腔和背景,导致一个二进制图像(图gydF4y2Ba3gydF4y2Ba)。gydF4y2Ba

3.3。基于数学形态学提取腔和可疑的微积分gydF4y2Ba

数学形态学,包括膨胀、腐蚀、开操作和关闭操作和区域填充的方法被用来提取腔完全,并防止不必要的微积分和结石之间的附着力和流明(数字gydF4y2Ba4gydF4y2Ba和gydF4y2Ba5gydF4y2Ba)。大津方法和数学形态学用于段进一步评估(图的可疑的微积分gydF4y2Ba6gydF4y2Ba)。gydF4y2Ba

3.4。纹理特征gydF4y2Ba

结石是圆形或椭圆形结构的同心层状结构特性和不定向的特点。通过应用灰度共生矩阵建立计算五个方向获得14个类型的纹理特性,为每个可疑的微积分70特性得到地区。介绍了PCA方法提取主成分,其贡献率大于98% (gydF4y2Ba),如支持向量机分类器的输入。gydF4y2Ba

3.5。地图上多元综合主成分分析数据gydF4y2Ba

处理70每个可疑的微积分的特点:(1)规范的矩阵数据集,(2)计算变量的相关系数矩阵,(3)计算矩阵gydF4y2Ba特征值gydF4y2Ba的变量,(4)确定主成分的数量(gydF4y2Ba),(5)计算各主成分的价值。前列腺癌组织学图像的分割导致了172个可疑的微积分地区。其中,选择样本28真正微积分无关的区域和99个noncalculous地区与图像的边缘。限制贡献率在98%以上,70组件通过计算纹理特征相应的基于主成分分析的样本。在这里,我们只得到10 70组件而不是原始特性,所以10组件的贡献率超过98%,而不是100%。的127个样品,两个是不满意,因此扑杀了为了应用5倍交叉验证在接下来的SVM分类器。gydF4y2Ba

3.6。利用主成分分析法(PCA)对微积分和数据挖掘gydF4y2Ba

使用PCA方法70纹理特性后,5倍交叉验证应用于训练和测试样本。支持向量机是用来识别结石(图gydF4y2Ba7gydF4y2Ba)。内核支持向量机分类器的径向基函数(RBF)。一次5倍交叉验证的实验可以分为以下步骤:(1)125个样本最初分为5组,每组25个样品,(2)在第一步,第一,第二,第三,第四组作为训练样本,和第五集作为测试样本,(3)在第二步,第一,第二,第三,和第五集作为训练样本和第四组作为测试样本,(4)类似的步骤,直到第五步,第二,第三,第四,第五集作为训练样本,第一组作为测试样本。gydF4y2Ba

在这样一个过程,每个样本作为训练样本和测试样本。敏感和nonaccurate评估新方法的性能基于一步等几件样品一次5倍交叉验证。因此,我们分析后统计一次5倍交叉验证,包括上述五个步骤。gydF4y2Ba

在交叉验证过程中,125个样本测试,然后统计相应的真阴性样本(评分),假阳性样本(fps),假阴性样本(FNSs)和真阳性样本(支持)值可以知道,我们可以计算的准确性,特异性,敏感性,等等。我们已经做了5倍交叉验证基于相同的样本,但不同的十倍的组合集,在每次的验证、样品随机划分。十次5倍交叉验证的结果显示在表gydF4y2Ba1gydF4y2Ba。每一列在表gydF4y2Ba1gydF4y2Ba代表一次5倍交叉验证的结果。gydF4y2Ba

结果在表gydF4y2Ba1gydF4y2Ba显示,平均训练精度为100%,平均测试精度为93.12%,敏感性为87.74%,特异性为94.82%,分别。前列腺结石的识别的算法,我们提出了实现好的结果的精度高,敏感性和特异性。比敏感度和特异性更高。上述结果表明,微积分误诊的可能性很低。gydF4y2Ba

4所示。讨论gydF4y2Ba

前列腺结石是前列腺组织的退化的结果,具有很高的发病率随着年龄的增加。结石位于腔的小圆形或椭圆形,表面光滑,硬结构,似乎和浅蓝色或红色与白色tree-ring-like纹理在显微镜下的同心圆结构。这些独特的特点,颜色,质地,和外观的识别的主要依据是前列腺组织作为标本的来源。gydF4y2Ba

目前,研究计算机辅助诊断前列腺癌组织学图像关注如何使病理评分准确、高鲁棒性。在分类研究中,史密斯(gydF4y2Ba4gydF4y2Ba]四级和Farjam创办[gydF4y2Ba5gydF4y2Ba]5 class与格里森评分,但后者仍只有85%的准确性。病理特征研究前列腺癌的分类G2-G5基于纹理特征的收购(gydF4y2Ba6gydF4y2Ba),或组合的形态和结构特征gydF4y2Ba7gydF4y2Ba]。也有一些研究基于相同分类器共享不同算法(gydF4y2Ba8gydF4y2Ba),定量分析(gydF4y2Ba9gydF4y2Ba),而gydF4y2Ba形态gydF4y2Ba(gydF4y2Ba10gydF4y2Ba]。我们提出的结果自动分类的基础上,结合形态和纹理特性的研究[gydF4y2Ba11gydF4y2Ba]。gydF4y2Ba

图像计算机分析使用的方法包括提取腔和可疑的基于局部熵的结石,大津阈值和数学形态学,计算灰度共生矩阵法的可疑结石和70年每个可疑的微积分的纹理特性,利用主成分分析法(PCA)纹理特征的分析,以减少对SVM分类器的影响,选择组件的贡献是98%以上作为分类器的输入,结果显示93.12%的准确率识别的单一的结石。各领域的组织结构和细胞形态是由前列腺癌组织学图像,获得无缝的显微镜。获得不同的放大图像在同一地区也会获得对细节的观察。病理诊断是基于集成不同的组织结构和细胞形态分析在许多图像。与多倍的放大,和许多图像包含一个或多个微积分,几乎没有电脑误诊的趋势,与微积分识别率为93.12%。这是觉得电脑诊断不太受人为因素的影响,会降低误诊的可能性。gydF4y2Ba

基于纹理特征和PCA-SVM,总之,我们的算法,提取腔,段可疑的微积分,并承认结石的自动化成为可能,很容易辨认的同心结构和可视化功能,降低算法的复杂性,提高诊断的准确性。gydF4y2Ba

承认gydF4y2Ba

作者感谢博士弗雷德Bogott奥斯汀分校医学中心,明尼苏达州奥斯汀美国,因为他的优秀英语论文的编辑。gydF4y2Ba

引用gydF4y2Ba

1. n . r . Pal和s . k .朋友“Object-background分割使用新定义的熵,”gydF4y2BaIEE诉讼EgydF4y2Ba,卷136,不。4、284 - 295年,1989页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. 大津,“从灰度直方图的阈值选择方法,”gydF4y2BaIEEE系统,人与控制论gydF4y2Ba,9卷,不。1,第66 - 62页,1979。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. r·c·冈萨雷斯·r·e·伍兹,s . l . eddingydF4y2Ba使用MATLAB数字图像处理gydF4y2Ba,Prentice Hall,纽约,纽约,美国,2003年。gydF4y2Ba
4. 史密斯y, g . Zajieck m·沃曼et al .,“相似性测量方法的分类架构上有区别的图像,”gydF4y2Ba电脑和Boimedical研究gydF4y2Ba32卷,1 - 12,1999页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. r . Farjam创办h . Soltanian-Zadeh r . a . Zoroofi和k . Jafari-Khouzani“树形结构分级前列腺的病理图像”gydF4y2Ba医学成像2005 -图像处理gydF4y2Ba卷,747gydF4y2Ba学报学报gydF4y2Ba,页840 - 851,圣地亚哥,加利福尼亚州,美国,2005年2月。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. e . Alexandratou d . Yova d . Gorpas p . Maragos g . Agrogiannis和n . Kavantzas”纹理分析组织的格里森评分的前列腺癌,”gydF4y2Ba成像、操作和分析生物分子,细胞和组织VIgydF4y2Ba卷,6859gydF4y2Ba学报学报gydF4y2Ba美国加州圣何塞,2008年1月。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. j .钻石n h·安德森,p h·巴特尔斯r . Montironi和p·w·汉密尔顿,“使用形态特征和纹理分析在前列腺肿瘤组织成分的鉴定中,“gydF4y2Ba人类病理学gydF4y2Ba,35卷,不。9日,第1131 - 1121页,2004年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. a . Tabesh m . Teverovskiy h . y .彭日成et al .,“Multifeature前列腺癌诊断和格里森评分的组织学图像,”gydF4y2BaIEEE医学成像gydF4y2Ba,26卷,不。10日,1366 - 1378年,2007页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. x, y . t . Zhang et al。h . Wang“计算机辅助定量图像分析在正常前列腺癌和良性前列腺增生的组织形态学,”gydF4y2Ba在中国西北医学杂志的国防力量gydF4y2Ba,24卷,不。2、110 - 112年,2003页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. m . s .徐、王l . x和s . l . Wang“细胞核图像分析前列腺癌,”gydF4y2Ba中国医学影像技术杂志》上gydF4y2Ba,17卷,不。12日,第1200 - 1199页,2001年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. 黄许x, x, y, z,“前列腺病理图像的分类基于格里森评分”gydF4y2Ba第二届国际研讨会智能信息技术应用研讨会(IITA ' 08)gydF4y2Ba2008年12月,页605 - 608。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2011王Zhuocai et al。这是一个开放分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。gydF4y2Ba