Αφηρημένο

ιστολογική αξιολόγηση του όγκου Η επερχόμενη ποσοτικοποίηση και αυτοματοποίηση των βιοδεικτών βάση θα απαιτήσει υπολογιστικές μεθόδους για την αυτόματη εντοπισμό περιοχών του όγκου και τη διαφοροποίηση τους από το στρώμα. Καθώς κανένας μεμονωμένος εφαρμόζονται γενικά βιοδείκτη όγκου είναι διαθέσιμες, παθολογία χρησιμοποιεί συνήθως μορφολογικά κριτήρια, όπως ένα σύστημα χωρικής αναφοράς. Είμαστε εδώ παρόντες και να αξιολογήσει μια μέθοδο ικανή να εκτελεί την κατάταξη σε ανοσοφθορισμό ιστολογικά σλάιντ αποκλειστικά χρησιμοποιώντας ένα λεκέ φόντο DAPI. Λόγω του περιορισμού σε ένα μόνο κανάλι χρώματος αυτό είναι εγγενώς δύσκολο. Εμείς σχηματίζεται γραφήματα κελί με βάση την τοπολογική κατανομή των κυτταρικών ιστών πυρήνες και εκχυλίζεται τις αντίστοιχες δυνατότητες γράφημα. Με τη χρήση τοπογραφικών, μορφολογικά και η ένταση με βάση τα χαρακτηριστικά που θα μπορούσαμε συστηματικά ποσοτικοποιηθούν και να συγκρίνουν την ικανότητα διάκρισης επιμέρους χαρακτηριστικά συμβάλλουν στη συνολική αλγόριθμο. Εμείς εδώ δείχνουν ότι κατά την ταξινόμηση διαφάνειες ιστού φθορισμού στο κανάλι DAPI, μορφολογικά και η ένταση με βάση τα χαρακτηριστικά ξεπεράσει σαφώς τοπολογικές αυτά που έχουν χρησιμοποιηθεί αποκλειστικά και μόνο σε σχετικές προηγούμενες προσεγγίσεις. Εμείς συγκεντρώσαμε τα 15 καλύτερα χαρακτηριστικά για να εκπαιδεύσει μια μηχανή διανυσμάτων υποστήριξης με βάση την κερατίνη βάφονται περιοχές του όγκου. Σε μια δοκιμή σύνολο TMAs με 210 πυρήνες των τριπλά αρνητικού καρκίνου του μαστού ταξινομητή μας ήταν σε θέση να διακρίνουν μεταξύ του όγκου και στρώμα ιστού με ένα συνολικό συνολική ακρίβεια 88%. Η μέθοδός μας αποδίδει τα πρώτα αποτελέσματα σχετικά με την ικανότητα διάκρισης των χαρακτηριστικών ομάδων που είναι απαραίτητη για ένα αυτοματοποιημένο διάγνωση των όγκων. Επίσης, παρέχει ένα αντικειμενικό σύστημα χωρικής αναφοράς για την πολλαπλή ανάλυση των βιοδεικτών στην ανοσοϊστοχημεία φθορισμού

Παράθεση:. Lahrmann Β, Halama Ν, Sinn HP, Schirmacher P, Jaeger D, Grabe Ν (2011) Αυτόματη από όγκο στρώμα Διαχωρισμός του φθορισμού TMAs Ενεργοποιεί την Ποσοτική High-Throughput ανάλυση πολλαπλών Καρκίνου Biomarkers. PLoS ONE 6 (12): e28048. doi: 10.1371 /journal.pone.0028048

Επιμέλεια: Pierre Busson, Ινστιτούτο θέματα καρκίνου Gustave Roussy, Γαλλία

Ελήφθη: 21 Σεπτεμβρίου του 2011? Αποδεκτές: 31 του Οκτωβρίου, 2011? Δημοσιεύθηκε: 2 Δεκεμβρίου του 2011

Copyright: © 2011 Lahrmann et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, ​​με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

Χρηματοδότηση:. Χρηματοδότηση ήταν παρέχονται από το γερμανικό Υπουργείο Έρευνας και Εκπαίδευσης (BMBF) στη χρηματοδότηση των προγραμμάτων τους MEDSYS και Forsys. Αριθμοί Grant: 0315401B (MEDSYS), 0.315.263 (Forsys). Οι χρηματοδότες δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου

Αντικρουόμενα συμφέροντα:.. Οι συγγραφείς έχουν δηλώσει ότι δεν υπάρχουν ανταγωνιστικά συμφέροντα

Εισαγωγή

Αυτοματισμός στην ανοσοϊστολογικής επεξεργασίας εικόνας είναι σήμερα μια ουσιαστική τεχνολογική εξέλιξη που λαμβάνουν χώρα στην κλινική κυνήγι για αντικειμενικούς βιοδείκτες στην έρευνα και τη διάγνωση. Σε έρευνα για τον καρκίνο μια από τις πιο σημαντικές, αλλά επίσης ακραίες προκλήσεις είναι η ανάπτυξη μεθόδων για την αυτόματο διαχωρισμό του όγκου και στρώματος ιστού [1], [2]. Η επιτυχία εδώ θα έχει τεράστιο αντίκτυπο για την εφαρμογή των βιοδεικτών στη ρουτίνα διάγνωσης και θεραπείας του καρκίνου, καθώς και την παραγωγή σε μεγάλη κλίμακα των δεδομένων ιστολογική ιστού για ερευνητικούς σκοπούς. Μια σημαντική μέθοδος που χρησιμοποιείται συνήθως σε αυτό το πλαίσιο το οποίο εμείς εδώ χρησιμοποιήσετε για να τονίσει το πρόβλημα είναι η μικροσυστοιχιών τεχνολογία ιστού (TMA), που θεσπίστηκε το 1998 [3]. TMAs επιτρέπουν την ταυτόχρονη ανοσοϊστοχημική ανάλυση αρκετών εκατοντάδων ιστών σε ένα μόνο διαφάνεια [4] – [6]. Αλλά, όπως γενικά σε όλους τους τομείς της παθολογίας, το εγχειρίδιο οπτικής βαθμολόγησης των TMAs είναι συνήθως με βάση την ποσοτική ανάλυση των επιπέδων της πρωτεΐνης από παθολόγους ή άλλους εμπειρογνώμονες είναι υποκειμενική, εντάσεως εργασίας, είναι χρονοβόρα και το πιο σημαντικό πάσχει από ενδο και δια-παρατηρητή μεταβλητότητα [7]. Ως λύση, φθορισμού ικανή μικροσκοπική σαρωτές ολόκληρου διαφανειών έχουν γίνει διαθέσιμα πρόσφατα, αλλά εξακολουθεί να είναι μόνο σπάνια χρησιμοποιείται, αν και θα έχουν βασικό ρόλο στη μετατροπή ιστολογική αξιολόγηση σε αντικειμενικότητα. Φθορισμού με βάση χρώση εδώ είναι απαραίτητη, δεδομένου ότι ξεπερνά το βασικό πρόβλημα του φωτεινού λεκέδες από την αντικειμενική και αυτόματη σύλληψη των διακριτών σημάτων βιοδείκτη [8]. Αν και ο φθορισμός βοηθά στην ποσοτικοποίηση των μεμονωμένων κυττάρων, δεν το κάνει per se βοήθεια στη διαφοροποίηση του όγκου και στρώματος. Σε φθορισμός διαφάνειες ιστός συχνά αντίθετα με ϋΑΡΙ (4 ‘, 6-διαμιδινο-2-φαινυλινδόλη), λαμβάνοντας το ρόλο ενός συμβατικού φόντο λεκέ. Αυτό κάνει ο διαχωρισμός όγκου-στρώματος πιο περίπλοκη καθώς η κύρια οπτική πληροφορία της δομής των ιστών είναι πολύ πιο δύσκολο να αναγνωρίσουν στο κανάλι DAPI από ό, τι στο χρωμογόνο ιστολογία. Μία ιστολογική βιοδείκτης που θα λεκιάζουν αποκλειστικά ιστός όγκου δεν είναι διαθέσιμο. Αντί ετερογένεια των προτύπων έκφρασης πρωτεΐνης χωρική είναι εγγενής στον καρκίνο. Ένα εξαιρετικό παράδειγμα εδώ είναι οι επιθετικοί τριπλά αρνητικός ιστούς καρκίνου του μαστού τα οποία δεν εκφράζουν τα γονίδια για τα πιο πολύτιμα προγνωστικός δείκτης, όπως τον υποδοχέα οιστρογόνου (ER), ο δείκτης προγεστερόνης (PR) και του ανθρώπινου επιδερμικού αυξητικού παράγοντα τύπου 2 (Her2) [9]. Η απουσία των προτύπων έκφρασης αυτών των βιοδεικτών δεν επιτρέπει τη χρήση οποιασδήποτε ένα από αυτά ως βιοδείκτη πρωτεΐνη αναφοράς και το καθιστά απαραίτητο να διαχωριστεί το καρκινικό από το υγιές /συνδετικού ιστού με τη βοήθεια του στόχου, τυποποιημένων αλγορίθμων επεξεργασίας με βάση μορφολογικά κριτήρια. Έτσι, παθολογικές αξιολόγηση χρησιμοποιεί συνήθως μορφολογικά κριτήρια, όπως ένα σύστημα χωρικής αναφοράς για τον προσδιορισμό της περιοχής του όγκου στην ιστολογία του καρκίνου. Καταλήγουμε στο συμπέρασμα ότι συνδυάζει τα πλεονεκτήματα του φθορισμού με αυτόματη απόκτηση και επεξεργασία εικόνας απαιτεί την ανάπτυξη αλγορίθμων για τον όγκο του στρώματος διαχωρισμού αποκλειστικά από DAPI φόντο λεκέ που χρησιμοποιούνται συχνά στην ανοσοφθορισμού.

Ως εκ τούτου, εμείς εδώ έθεσε ως στόχο να αναπτύξουν μια τέτοια αυτόματη αλγόριθμος βασίζεται μόνο στο κανάλι DAPI (Εικόνα 1Β-D). Αρκετές μέθοδοι για το διαχωρισμό του καρκινικού ιστού από άλλους τύπους ιστού από μορφολογικά κριτήρια είναι διαθέσιμα στη βιβλιογραφία. Amaral et al. [10], [11] παρουσιάζουν δύο διαφορετικές μέθοδοι με τις οποίες τα χαρακτηριστικά χρώματα που χρησιμοποιούνται για την ταξινόμηση των ολόκληρο το TMA-πυρήνες. Στο [12] υφής χαρακτηριστικά βοηθούν να διαχωρίσει διαφορετικές περιοχές του ιστού σε ένα TMA και οι [13] χαρακτηριστικά υφής που χρησιμοποιείται για την ανίχνευση παθολογικών περιοχών σε ιστολογικά διαφάνειες. Αλλά όλες αυτές οι μέθοδοι λειτουργούν σε χρωμογόνα δείγματα βάφονται ιστό όπου για την ταξινόμηση των διαφορετικών τύπων ιστών οι πληροφορίες όλων των 3 κανάλια RGB ήταν η παραλαβή τους. Ταξινόμηση ιστό του όγκου μόνο στο κανάλι DAPI μας αναγκάζει να ασχοληθεί με λιγότερες πληροφορίες διαθέσιμες για την ενέργεια της ταξινόμησης σε σχέση με τις προηγούμενες άλλες προσεγγίσεις. Μόνο λίγες δημοσιεύσεις ασχολούνται με την ταξινόμηση των φθορισμό χρωματισμένο ιστών. Στο [14] οι συγγραφείς χρησιμοποιούν την πυρηνική χαρακτηριστικά που λαμβάνεται από το DAPI-κανάλι για να διακρίνει αν το σύνολο των ιστών είναι καρκινικές ή υγιή αντί ταξινόμηση των διαφόρων τύπων υπάρχουν στο ιστό. Οι περισσότεροι από το δημοσιευμένο έργο σε ερευνητική χρήση βιοδεικτών δύο βιοδείκτες για συν-εντοπισμό ή μη τμήμα του καρκινικού ιστού, αντί ένα αυτοματοποιημένο τρόπο [15] – [18].

(α) η εκπροσώπηση όλων των 3 καναλιών ενός φθορισμό χρωματισμένο πυρήνα σε RGB χρωματικό. Ιερογλυφικών προήλθε λόγω της προετοιμασίας TMA του. Κόκκινο αντιπροσωπεύει το δείκτη στρωματικά (βιμεντίνη), τα πράσινα ο δείκτης όγκου (CK19) και το μπλε το κανάλι DAPI ανάδειξη των κυτταρικών πυρήνων? (Β) το κανάλι DAPI (α) ως μία εικόνα εντάσεων: γενικά καρκινικά κύτταρα είναι πιο σκούρα και αυστηρότεροι συνδεδεμένης από στρωματικά κύτταρα? (Γ) ένα άλλο DAPI εικόνα ενός πυρήνα με υψηλή πυκνότητα κυττάρων? (Δ) ένα παράδειγμα ενός πυρήνα με μια χαμηλότερη πυκνότητα των κυττάρων που δείχνει την υψηλή ετερογένεια μεταξύ των πυρήνων.

Η

Gunduz et al. [19] δημοσίευσε μια νέα μέθοδο για την ταξινόμηση των δειγμάτων χρωμογόνου χρωματισμένο εγκεφαλικό ιστό. Σχημάτισαν γραφήματα κυττάρων βασίζεται στην τοπολογική κατανομή των κυττάρων των ιστών και εξάγεται από τις αντίστοιχες μετρήσεις γράφημα για να εκπαιδεύσει ένα ταξινομητή. Ο ταξινομητής ήταν σε θέση να διακρίνουν μεταξύ καρκινικό και υγιή ιστό. Ένα γράφημα εδώ είναι μια αφηρημένη αναπαράσταση των αντικειμένων (κόμβων), όπου τα ζεύγη αυτά τα αντικείμενα που συνδέονται με τα άκρα. Η μέθοδος αναπτύχθηκε περαιτέρω σε [20] και [21]. Bilgin et al. [22] – [23] απέδειξαν ότι αναλύθηκαν επιτυχώς δείγματα μαστού και οστικό ιστό με τη βοήθεια του κυττάρου γραφημάτων. Θα αξιολογηθεί η μέθοδός τους σχετικά με το χέρι-επιλεγμένα και μη-βιοδεικτών χαρακτηρίζεται δείγματα καρκίνου του μαστού.

Εδώ έχουμε αναπτύξει περαιτέρω την προσέγγιση αυτή με την ανάπτυξη μια νέα μέθοδο ικανή ταξινόμηση φθορισμό χρωματισμένο ιστικές μικροσυστοιχίες. Η μέθοδος μας χρησιμοποιεί γραφήματα κύτταρο βασίζεται σε τρεις διαφορετικές κατηγορίες χαρακτηριστικών που αντανακλούν τις ιδιότητες των κυττάρων που περιέχονται στο γράφημα (κόμβους) και η ομοιότητά τους (άκρα). Από ένα δυναμικό σύνολο χαρακτηριστικών που καθορίζουν εκείνα που είναι καλύτερα σε θέση να διαχωρίζει όγκου και στρώμα ιστού. Σαφώς, εκτελεί έναν ακριβή διαχωρισμό όγκου-στρώματος είναι ήδη ένα δύσκολο έργο. Χρησιμοποιώντας επιπλέον μόνο το DAPI-κανάλι για το έργο αυτό απαιτεί ακόμη υψηλότερη απόδοση στην τμηματοποίηση και ταξινόμηση.

Ως πρώτο βήμα που εκτελείται καμπή του κατακερματισμού και στη συνέχεια φτιάξαμε γραφικές παραστάσεις των κυττάρων με τη σύνδεση των κατακερματισμένων πυρήνων των κυττάρων κάτω από κάθε άλλο. Η σύνδεση των κυττάρων βασίζεται σε νέους κανόνες ειδικά προσαρμοσμένο για φθορισμό χρωματισμένο TMAs η οποία μπορεί να αποτελείται από διάφορους τύπους διαφορετικών ιστών. Αντί να χρησιμοποιεί μόνο τοπογραφικών μετρήσεων γράφημα για την ταξινόμηση των κυττάρων-γράφημα, μπορούμε επίσης να καθορίσει τα μορφολογικά και η ένταση με βάση τα χαρακτηριστικά των κυττάρων του κάθε κυττάρου-γράφημα. Με το συνδυασμό των τριών τύπων χαρακτηριστικό ήμασταν σε θέση να αποκτήσουν μια επιτυχημένη ταξινομητή ιστού για ιστολογική φθορισμού διαφάνειες.

Έχουμε αποδείξει τη μέθοδό μας στο 180 πυρήνα εικόνες των TMAs από επεμβατικές τριπλά αρνητικό καρκίνο του μαστού βιοψίες που περιέχουν καρκινικό ιστό καθώς και στρώμα (συνδετικού ιστού). μέθοδος μέθοδος μας ήταν σε θέση να διαχωρίσει όγκου και του συνδετικού ιστού που συνυπάρχουν στον ίδιο πυρήνα ιστού, με συνολική συνολική ακρίβεια των 88.80 (± 07,73)%.

Υλικά και Μέθοδοι

δείγματα ιστών

Το σύνολο των δεδομένων συνολικής αποτελείται από 210 πυρήνα μικροσυστοιχιών ιστού εικόνες των χωροκατακτητικών τριπλά αρνητικό καρκίνο του μαστού βιοψίες ελήφθησαν από 6 TMAs. Ο ιστός που λαμβάνεται από την τράπεζα ιστών του Εθνικού Κέντρου για νεοπλασματικών παθήσεων (NCT) στο Πανεπιστημιακό Νοσοκομείο της Χαϊδελβέργης. Η λήψη δειγμάτων ιστού εγκρίθηκε από την επιτροπή δεοντολογίας της Ιατρικής Σχολής της Χαϊδελβέργης. Σύμφωνα με τους επίσημους κανονισμούς της Τράπεζας Ιστών του Πανεπιστημίου καθορίζεται από την εν λόγω επιτροπή δεοντολογίας καμία ατομική συγκατάθεση πρέπει να λαμβάνονται από μεμονωμένους ασθενείς για τα δείγματα ασθενών άνω των 3 ετών. Τεκμηρίωση όλων των διαδικασιών που διακινούνται σε ένα πιστοποιημένο ISO διαδικασίας από την τράπεζα NCT ιστού. Κάθε TMA περιέχει δύο πυρήνες διαμέτρου 1 mm από 42 διαφορετικούς ασθενείς (συνολικά 84 πυρήνες ανά TMA). Ένας πυρήνας λαμβάνεται από την περιφέρεια του όγκου και το άλλο λαμβάνεται από το κέντρο του όγκου. Αποκλείσαμε πυρήνες από τα δεδομένα μας που αν περιοχής τους ήταν κάτω από το πενήντα τοις εκατό της τακτικής πυρήνα ή εάν άχρηστα. Κάθε εικόνα έχει ληφθεί σε μεγέθυνση 20 φορές και έχει μέσο μέγεθος 2.800 × 2900 pixels. Όλα TMAs χρωματίζονται με 3 φθορίζουσες χρωστικές. Κάθε TMA βάφτηκε με DAPI τονίζοντας οι πυρήνες των κυττάρων ως αντιχρωστικό Τα άλλα μεταχειρισμένα αντισώματα (βιμεντίνης, CK19 και CK5 /6) συζεύχθηκαν με Alexa Fluor® 488 (εναλλακτική FITC, πράσινη φθορίζουσα χρωστική) ή Alexa Fluor® 594 (κόκκινη χρωστική ουσία) . Το Σχήμα 1Α απεικονίζει έναν πυρήνα ιστού χρωματίστηκαν με 2 διαφορετικές βιοδείκτες και DAPI ως αντιχρώση. Σχήμα 1Β-Δ απεικονίζει περαιτέρω αντιπροσωπευτικά παραδείγματα του καναλιού DAPI τριών διαφορετικών ιστών-πυρήνες.

εξαγορά Εικόνα

φθορισμό χρωματισμένο TMAs απεικονίστηκαν αυτόματα χρησιμοποιώντας το Nanozoomer ΗΤ Σύστημα σάρωσης (Hamamatsu Photonics, Hamamatsu Ιαπωνία) τη δυνατότητα σάρωσης ολόκληρη διαφάνειες. γυάλινα πλακίδια σαρώθηκαν σε 20 φορές μεγέθυνση (ανάλυση των 0,46 μm /pixel). Για την ανίχνευση των γυάλινων slides, ο σαρωτής διαφάνεια ανιχνεύει αυτόματα την περιοχή ενδιαφέροντος που περιέχει τη σειρά των πυρήνων και καθορίζει αυτόματα μια έγκυρη αεροπλάνο εστίασης για τη σάρωση. Οι προκύπτουσες εικονικό διαφάνειες είχε κατά μέσο όρο το μέγεθος του αρχείου των 5 GB. Ενιαίο πυρήνα εικόνες με μέσο μέγεθος των 2800 × 2900 pixels εντοπίστηκαν και εξάγεται από το TMAs χρησιμοποιώντας το πρότυπο που ταιριάζουν [24].

workflow ανάλυση του γενικού εικόνα

Η έννοια-κλειδί σε αυτό το χειρόγραφο είναι η κυττάρων γράφημα που χρησιμοποιούμε για να συλλάβει την τοπολογική κατανομή των κυττάρων στους ιστούς, καθώς και τα χωρικά σχετικές δυνατότητες των τοπικών κυττάρων για την ταξινόμηση. Τα σημαντικά βήματα σε αυτή την προσέγγιση είναι η τμηματοποίηση των κυτταρικών πυρήνων στο κανάλι DAPI χρησιμοποιώντας υδροκρίτη κατάτμησης, την κατασκευή των κυτταρικών γραφημάτων, την εξαγωγή των τοπογραφικών και τοπικά χαρακτηριστικά των κυττάρων από αυτές τις γραφικές παραστάσεις και τους χρησιμοποιούν για να εκπαιδεύσει ένα ταξινομητή. αλγόριθμους επεξεργασίας εικόνας αναπτύχθηκαν με χρήση Matlab ™ (Mathworks, Natick, Mass, USA.) με την εργαλειοθήκη επεξεργασίας εικόνας

αγωγού ανάλυση εικόνας μας περιλαμβάνει τα ακόλουθα εννοιολογική βήματα (όπως φαίνεται στο Σχήμα 2):.

Μετά τη λήψη των εικόνων, βήματα προ-επεξεργασίας ενισχύουν την ποιότητα της εικόνας και της λεκάνης απορροής του κατακερματισμού για την μετέπειτα τμηματοποίηση εφαρμόζεται. Κατά συνέπεια οι γραφικές παραστάσεις των κυττάρων που δημιουργούνται και τα χαρακτηριστικά μηχανοργάνωση. Το τελευταίο βήμα χρησιμοποιεί ένα SVM να χαρακτηρίσει τις γραφικές παραστάσεις είτε ως όγκου ή στρώματος

Η

2.1 Προ-επεξεργασία:.. Εμείς εφαρμόστηκε για πρώτη φορά αρκετές μεθόδους βελτίωσης της εικόνας για να προετοιμάσει την εικόνα για το επόμενο βήμα κατάτμησης

2.2 κυττάρων κατάτμησης: Μια Watershed-Μετασχηματισμού εφαρμόστηκε για την κατάτμηση πυρήνες κυττάρων

2.3 τηλέφωνα γενιάς γράφημα:. Με βάση τις τμηματικές πυρήνες που δημιουργούνται κυττάρων γραφικές παραστάσεις που αντιπροσωπεύουν την τοπολογική κατανομή των πυρήνων στον ιστό πυρήνες. Υπολογίσαμε πολλά χαρακτηριστικά για κάθε (υπο) διάγραμμα και υπολογίζεται επίσης την ένταση και μορφολογικά χαρακτηριστικά βάσης για κάθε πυρήνα σε πυρήνα

2.4 Ταξινόμηση και επιλογή χαρακτηριστικών: α. Support Vector Machine είχε εκπαιδευτεί για το βήμα ταξινόμηση και η F-Σκορ υπολογίστηκε για την επιλογή χαρακτηριστικό.

2.1 Προεπεξεργασία

σε αυτό το πρώτο βήμα, θα εφαρμοστεί διάφορες μέθοδοι για τη βελτίωση της ποιότητας του πυρήνα εικόνα για την επόμενη κατάταξη. Αρχίσαμε να αφαιρέσει αντικείμενα σκίασης, που οριοθετούν το αποτέλεσμα των διαφόρων οπτικών φαινομένων, όπως το βινιετάρισμα του φακού ή φωτογραφία λεύκανσης. αντικείμενα σκίαση στην απεικόνιση φθορισμού μπορεί επίσης να προκληθεί λόγω της αυτόματης φθορισμού των δειγμάτων ή το μέσο στερέωσης. διορθώσεων σκίασης (κατ ‘αποκοπή αποζημίωση τομέα) χρησιμοποιήθηκε για να αντισταθμίσει βινιετάρισμα του φακού, καθώς και για την ανομοιογένεια στο φωτισμό. διορθώσεων σκίασης επιτεύχθηκε με την εκτέλεση μιας βαθμονόμησης ισορροπία μαύρο με σαφείς περιοχές υποβάθρου. Το επόμενο βήμα στον αγωγό επεξεργασίας εικόνας ήταν η απομάκρυνση του θορύβου και άλλα μικρά σωματίδια τα οποία δεν ήταν κατάλληλο για μετέπειτα ανάλυση. Για να εξαιρέσετε απροσδιόριστα και διάχυτη φόντο χρώση όλα τα pixels με τα επίπεδα έντασης κάτω από το όριο των 25 τέθηκαν στο μηδέν. Ένα μεσαίο-Filter με έναν πυρήνα 3 × 3 χρησιμοποιήθηκε για να εξομαλύνει την εικόνα. Η εικόνα που προκύπτει μετατράπηκε σε μία δυαδική εικόνα (με τη χρήση της μεθόδου του Otsu [25]), στην οποία τα αντικείμενα με έκταση μικρότερη από 150 εικ (μικρότερο από το μέγεθος του πυρήνα του συνδετικού ιστού) απομακρύνονται. Αντικείμενα έξω από τον τακτικό πυρήνα σχήματος απομακρύνθηκαν με τη χρήση μορφολογικών διαδικασιών, όπως το κλείσιμο ή άνοιγμα σε συνδυασμό με το φίλτρο περιοχή. Τελικά, απομονωμένες πυρήνες παρατηρήθηκαν μέσα στον πυρήνα. Υποθέσαμε ότι αυτές απομονώθηκαν πυρήνες ανήκουν σε μη tumerous κύτταρα και, συνεπώς, εξαιρούνται από τον ιστό του όγκου. Για το σκοπό αυτό, θα καθοριστεί το μικρότερο πλαίσιο οριοθέτησης των αντικειμένων και επέκτεινε από 20px σε κάθε κατεύθυνση. Με βάση αυτά τα νέα συντεταγμένες, η εικόνα είχε περικοπεί από την αρχική δυαδική εικόνα και μετρήθηκαν οι παρούσες αντικείμενα σε αυτή την εικόνα. Εάν μόνο ένα αντικείμενο ήταν παρόν, το αντικείμενο απομακρύνεται ενώ η παρουσία περισσότερων από ένα αντικείμενο συνεπάγεται επαφή με άλλα κύτταρα και το αντικείμενο παρέμεινε. Επιπλέον, σε αρκετές πυρήνες ανακαλύψαμε μεγάλες overstained περιοχές με τα μέγιστα επίπεδα έντασης. Αυτές οι περιοχές, οι οποίες θα μπορούσαν να προκληθούν από συσσωματωμένο πυρήνες του συνδετικού ιστού των κυττάρων κατά την παρασκευή TMA ή σε υψηλή χρόνους έκθεσης, δεν είναι κατάλληλα για περαιτέρω ανάλυση και απομακρύνθηκαν. Το Σχήμα 3Β δείχνει τα αποτελέσματα του σταδίου προεπεξεργασίας

(α) αρχική εικόνα του ϋΑΡΙ-κανάλι.? (Β) την εικόνα μετά τη διόρθωση σκίασης και αφαίρεση θορύβου? (Γ) αποτέλεσμα της τμηματοποίησης της λεκάνης απορροής, οι τμηματικές κύτταρα επισημαίνονται με πράσινο περίγραμμα? (Δ) η εικόνα μετά την αφαίρεση των μεμονωμένων κυττάρων? (Ε) που δείχνει τα κύτταρα που συνδέθηκαν μέσω της βήμα παραγωγής γράφημα με το ίδιο χρώμα (τα πεδία που σημειώνονται με το ίδιο χρώμα ανήκουν στο ίδιο υπο-γράφημα)? (Στ) γραφική παράσταση κύτταρο αναπαράσταση των κυττάρων. Οι κόκκινες κουκίδες είναι οι κόμβοι που αντιπροσωπεύουν τα κύτταρα, οι μαύρες γραμμές είναι οι άκρες μεταξύ τους.

Η

2.2 Κυττάρων Τμηματοποίηση

Αυτοματοποιημένη κυττάρων κατάτμησης σε φθορισμό χρωματισμένο TMA μπορεί να είναι προβληματική για λόγους που περιλαμβάνουν κυτταρική επικάλυψη ή συγκεντρωμένα κύτταρα, σύνθετη δομή των ιστών, τα συντρίμμια και άνιση ένταση φόντο λόγω του φθορισμού αυτοκινήτων. Μια άλλη δυσκολία είναι παραλλαγή της έντασης μεταξύ των πυρήνων που μπορεί να οδηγήσει σε υπερβολική κατάτμηση των κυτταρικών πυρήνων. Λόγω αυτών των μεταβολών της έντασης μεταξύ των πυρήνων, χωρίσαμε για πρώτη φορά την εικόνα σε μια εικόνα που αντιπροσωπεύει μόνο αντικείμενα με ένα φωτεινότερο φωτισμό και έναν από τους πιο σκούρα αντικείμενα. Στη συνέχεια εφαρμόζεται το βήμα του κατακερματισμού ξεχωριστά και στις δύο από αυτές τις εικόνες. Αυτός ο διαχωρισμός έγινε με τον υπολογισμό ενός ορίου με βάση τη μέθοδο οτσού του [25] αγνοώντας pixels φόντο. Ένας αλγόριθμος κατάτμησης που έχει αποδειχθεί ότι είναι πολύ χρήσιμο για πολλούς πυρήνες ή περιπτώσεις κυττάρων τμηματοποίηση είναι η κατάτμηση των λεκανών απορροής [26] – [28]. Εφαρμόσαμε seeded κατάτμησης καμπή για την κατάτμηση. Seeded καμπή μέσα κατάτμησης, ότι αρχίζουν περιοχές, οι οποίες ονομάζονται σπόροι, δίνεται ως είσοδος στην τμηματοποίηση καμπή. Θέτουμε τους σπόρους σε ένα αυτοματοποιημένο τρόπο, χρησιμοποιώντας το h-μέγιστα μετατρέψει [29]. Το αποτέλεσμα αυτού του σταδίου κατάτμηση φαίνεται στο Σχήμα 3C. Γράφημα

2.3 Κυττάρων Generation

Ένα γράφημα συμβολίζεται ως ένα σύνολο αντικειμένων όπου ορισμένα ζεύγη των αντικειμένων που συνδέονται με δεσμούς. Τα συνδεδεμένα αντικείμενα που αντιπροσωπεύεται από μαθηματική αφαιρέσεις ονομάζονται κόμβοι (που ονομάζεται επίσης κορυφές), και οι δεσμοί που συνδέουν ορισμένα ζεύγη των κόμβων ονομάζεται άκρες. Τυπικά, ένα γράφημα είναι ένα διατεταγμένο ζεύγος

G = (V, E)

όπου

V

είναι το σύνολο των κόμβων και

E

το σύνολο των ακμών που συνδέουν τους κόμβους του

V

. Στην εργασία μας, κάθε μία από τις πρώην πυρήνων τμηματοποιημένων κυττάρων χρησιμοποιήθηκε ως κόμβο. Το Σχήμα 4 δείχνει μία εννοιολογική αναπαράσταση της κυτταρικής γραφημάτων

(α) Τεχνητή σκίτσο του 3 διαφορετικά 3 κυτταρικό τύπο:. Κύτταρα όγκου σε μπλε, λεμφοκύτταρα σε λευκό και σε μωβ ινοβλαστών. (Β) γραφική παράσταση κυττάρων αναπαράσταση του (α). Τα κύτταρα απεικονίζονται ως κόμβοι και οι συνδέσεις μεταξύ τους αντιπροσωπεύουν βιολογικών σχέσεων.

Η

Οι διαφορετικές προσεγγίσεις που παρουσιάζονται στη βιβλιογραφία για την παραγωγή κυττάρων γραφικές παραστάσεις, οι οποίες αντιπροσωπεύουν το τοπολογική συμπεριφορά των ιστών ή κυττάρων σε διάφορα επιστημονικά ζητήματα [19], [21] – [23], [30]. Στο [19] Gunduz et al. κάνουν χρήση του μοντέλου Waxman για την παραγωγή γράφημα κύτταρο. Bilgin et al. [22] και Gunduz et al. [21] χρησιμοποιούν μια συνάρτηση πιθανοτήτων για τη σύνδεση των κυττάρων μεταξύ τους. Στις προσεγγίσεις τους, η πιθανότητα που συνδέει τα κύτταρα διασπάται με μια αυξανόμενη Ευκλείδεια απόσταση μεταξύ των κέντρων βάρους των κυττάρων. Στο [23], [30] τα κύτταρα είναι απλά συνδεδεμένες εάν η Ευκλείδεια απόσταση μεταξύ κεντροειδή τους είναι κάτω από ένα συγκεκριμένο απόσταση. καρκινικά κύτταρα γενικά εμφανίζονται σε συστάδες, επομένως είναι λογικό να αναμένεται σε μια οριακή απόσταση από άλλο ή appearingly «αγγίζει» ο ένας τον άλλο. Με αυτόν τον τρόπο, αυτή η «άγγιγμα» πυρήνων παρουσιάζεται εξαιτίας της τρισδιάστατης δομής των ιστολογικών τομών. Με τη χρήση των πυρήνων centroids για μετρήσεις απόστασης και μόνο είναι πιθανό ότι τα κύτταρα παίρνουν συνδέονται παρότι είναι περισσότερο πέρα ​​από τα τυπικά κύτταρα του όγκου. Στην περίπτωσή μας, είμαστε εκτέλεση μιας προ-ταξινόμηση μόνο την οικοδόμηση δεσμών μεταξύ των κυτταρικών πυρήνων σε επαφή μεταξύ τους και με αυτόν τον τρόπο αποκλείοντας μοναχικά κύτταρα (προέλευσης του συνδετικού ιστού) από το στάδιο της κατασκευής γράφημα. Στη μέθοδο μας ελέγξετε εάν τα κύτταρα αγγίζουν το ένα το άλλο με τα ακόλουθα βήματα. Πρέπει πρώτα να μετατρέψετε το αποτέλεσμα της τμηματοποίησης της λεκάνης απορροής σε μια δυαδική εικόνα και στη συνέχεια θα διαστέλλονται κάθε ένα από τα διαστήματα κυτταρικών πυρήνων ξεχωριστά. Η διαστολή του (κυτταρικού πυρήνα) -Image

I

με ένα δομικό στοιχείο

S

, συμβολίζεται ως

I⊕S

, ορίζεται ως το σύνολο της λειτουργίας όπου s υποδηλώνει το συμμετρικό στοιχείο δόμησης. Εμείς επιλέξαμε ένα δομικό στοιχείο σε σχήμα ρόμβου με απόσταση από την προέλευση των 2. Πρέπει στη συνέχεια να καθορίσει, αν οι πυρήνες των κυττάρων ήταν σε πολύ στενή επαφή ( «συγκινητικό» εμφάνιση) και να ορίσετε μια σύνδεση μεταξύ τους, αν pixel διασταύρωση τους δεν αποτελεί ήταν κενό σύνολο μετά το στάδιο της διαστολής: (1) όπου

I και J

είναι οι συγκεκριμένες εικόνες των δύο γειτονικών πυρήνων των κυττάρων. Σε ιστούς, κύτταρα όγκου τελικά σφιχτά περιβάλλονται από τα κύτταρα του συνδετικού ιστού η οποία θα μπορούσε, μετά την εφαρμογή του ανωτέρω περιγραφείσα κανόνας απόσταση οδηγούν σε δομικές σφάλματα στο γράφημα κύτταρο. Συνήθως, τα κύτταρα του όγκου εμφανίζονται με χαμηλότερα επίπεδα έντασης από ό, τι τα κύτταρα του συνδετικού ιστού. Ως εκ τούτου, έχουμε συνδέσει μόνο τα κύτταρα, εάν η διαφορά μεταξύ των επιπέδων έντασης τους είναι χαμηλότερο από ένα συγκεκριμένο όριο. Το όριο αυτό εξαρτάται από διακυμάνσεις της χρώσης και το σήμα φθορισμού αποτελεσματικότητα εξαγορά. Εμείς εδώ προσδιορίζεται εμπειρικά μια διαφορά 30 τιμών εντάσεως ως ισχύον όριο για το σύνολο δεδομένων μας. Καταλήγοντας, οι γειτονικές πυρήνες των κυττάρων με μια διαφορά της έντασης κάτω από αυτό το κατώτατο όριο: (2) Πού είναι ο αριθμητικός μέσος όρος του επιπέδου έντασης των κυττάρων εικόνα, Χ ο αριθμός των γραμμών, Y ο αριθμός των στηλών και S = X * Y. Συνοψίζοντας, για τη σύνδεση μεταξύ των δύο πυρήνων των κυττάρων στο μοντέλο μας εξαρτάται από την πιθανότητα αγγίζουν το ένα το άλλο και ότι η διαφορά των επιπέδων έντασης τους είναι χαμηλότερο από ένα συγκεκριμένο όριο. Η Εικόνα 4D δείχνει ένα παράδειγμα της εικόνας σύμφωνα με την οποία τα μονά κύτταρα απομακρύνονται. Σχήμα 4Ε τονίζει την πυρήνες των κυττάρων, τα οποία συνδέονται μέσω αυτού του σταδίου γενεά γράφημα στο ίδιο χρώμα. Μια οπτική αναπαράσταση διάγραμμα του σταδίου αυτού φαίνεται στην Εικόνα 4F. Κύτταρα τα οποία δεν είχαν συνδεθεί κατά τη διαδικασία παραγωγής γράφημα υποβλήθηκαν σε θεραπεία σε ένα επιπλέον βήμα που περιγράφεται στην ενότητα «ενιαία ταξινόμηση κυττάρων».

τηλέφωνα Γράφημα Χαρακτηριστικά

Μετά τη δημιουργία των γραφημάτων των κυττάρων, υπολογίσαμε ορισμένα χαρακτηριστικά για την εκπαίδευση του ταξινομητή. Συνολικά υπολογίσαμε 22 χαρακτηριστικά τα οποία μπορούν να χωριστούν σε τρεις διαφορετικές κατηγορίες. Τα 10 πρώτα χαρακτηριστικά, στη βιβλιογραφία ονομάζονται συνήθως μετρήσεις γράφημα [19], [23], συλλάβει την τοπολογική συμπεριφορά των γραφημάτων όπως ο αριθμός των κυττάρων σε ένα γράφημα, ο αριθμός των συνδέσεων μεταξύ τους ή περαιτέρω τοπολογικές σχέσεις μεταξύ των κυττάρων (χαρακτηριστικό κατηγορία T). Τα υπόλοιπα 12 χαρακτηριστικά συλλάβει μορφολογικές ιδιότητες (χαρακτηριστικό της κατηγορίας Μ), όπως περιοχή, διαμορφώνουν καθώς και ιδιότητες με βάση την ένταση (χαρακτηριστικό της κατηγορίας Ι) των μεμονωμένων κυττάρων πυρήνες ενός γραφήματος και επιλέχθηκαν με βάση την αναμενόμενη καταλληλότητά τους. Οι δύο τελευταίες κατηγορίες χαρακτηριστικά υπολογίζεται αρχικά για κάθε επιμέρους πυρήνα του κυττάρου και στη συνέχεια ο μέσος όρος χρησιμοποιείται ως χαρακτηριστικό του αντίστοιχου γραφήματος. Λάβετε υπόψη ότι πολλά από αυτά τα έντασης με βάση τα χαρακτηριστικά εξαρτώνται από τις συνθήκες απεικόνισης, όπως το χρόνο έκθεσης, η συγκέντρωση του βιοδείκτη, ο χρόνος που μεσολαβεί μεταξύ χρώσης και απεικόνισης λόγω φωτογραφία λεύκανση και περαιτέρω περισσότερο. Απαιτεί ότι οι συνθήκες παραμένουν σταθερές σε όλη τη σύνολα δεδομένων. Στον Πίνακα 1, οι ζητούμενες λειτουργίες και τις μετρήσεις γράφημα περιγράφονται λεπτομερώς.

Η

2.4 Ταξινόμηση και επιλογή χαρακτηριστικών

Μηχανές διανυσμάτων υποστήριξης (SVMs) [31] χρησιμοποιούνται συνήθως ως εποπτεύονται μεθόδων μάθησης για την κατάταξη στην υπολογιστική βιολογία και την εικόνα εργασίες επεξεργασίας [32] – [34]. σημείο για την εκπαίδευση ενός SVM εκκίνηση είναι ένα σύνολο δεδομένων εκπαίδευσης των οποίων η ιδιότητα του μέλους της κατηγορίας είναι γνωστή: (3) όπου τα διανύσματα χαρακτηριστικών γνωρισμάτων και των αντίστοιχων ετικετών κατηγορία τους (τα καρκινικά κύτταρα ή κύτταρα του συνδετικού ιστού). Το SVM χάρτες αυτούς τους φορείς εισόδου σε ένα υψηλότερο διαστάσεων χώρο και κατασκευάζει ένα βέλτιστο επίπεδο υπερ διαχωρισμό των δεδομένων σε δύο ομάδες. Με την επίλυση ενός τετραγωνικού προβλήματος βελτιστοποίησης του προγραμματισμού, η SVM υπολογίζει την κανονική φορέα και την προκατάληψη β του διαχωρισμού υπερ επίπεδο που μεγιστοποιεί το περιθώριο μεταξύ των φορέων υποστήριξης των διαφόρων κατηγοριών. Το πλάτος του περιθωρίου είναι ίση με, έτσι το ευρύτερο περιθώριο μεταξύ των διανυσμάτων βρίσκεται ελαχιστοποιώντας υπό τους περιορισμούς, που απαιτεί ένα διαχωρίσιμο σύνολο δεδομένων. Η υπερ αεροπλάνο στη συνέχεια χρησιμοποιείται ως συνάρτηση σημάδι για την κατάταξη της κάθε χαρακτηριστικό διάνυσμα του συνόλου δοκιμής. Η λειτουργία ταξινόμησης επιστρέφει είτε ένα αν τα δεδομένα δοκιμής είναι μέλος της κλάσης, ή -1 αν δεν είναι. Όταν τέλειο διαχωρισμό δεν είναι δυνατόν, ένα χαλαρό μεταβλητή εισάγεται για κάθε φορέα. Οι περιορισμοί για τον υπολογισμό του βέλτιστου hyperplane τότε διαμορφωθούν ως και το υπερεπίπεδο μπορεί να βρεθεί με την ελαχιστοποίηση: (4) όπου

C

είναι μια παράμετρος του κόστους που καθορίζει την επίδραση του outliners επί του προκύπτοντος υπερ αεροπλάνο. Η περιγραφόμενη SVM είναι ικανή να διαχωρίσει γραμμική δεδομένων. Για να δημιουργήσετε ένα ταξινομητή ο οποίος είναι σε θέση να ταξινομήσει μη γραμμικής δεδομένα εφαρμόζονται το τέχνασμα πυρήνα. Η βασική ιδέα είναι να μετατρέψει σε ένα υψηλότερο διαστάσεων χώρο για να βρουν ένα διαχωρισμό υπερ αεροπλάνο χρησιμοποιώντας ένα πυρήνα. Αυτό επιτρέπει στον αλγόριθμο να χωρέσει το επίπεδο υπερ μέγιστου περιθωρίου κέρδους σε ένα μετασχηματισμένο χώρο χαρακτηριστικό. Εξίσωση 4 μπορεί να ξαναγραφεί ως (5) 🙁 5) (6), όπου οι τιμές είναι οι πολλαπλασιαστές Lagrange, η οποία μπορεί να είναι θετική ή αρνητική, λόγω των περιορισμών ισότητας και είναι η λειτουργία του πυρήνα. Σε αυτό το άρθρο, θα χρησιμοποιηθεί μια ακτινωτή βάση του πυρήνα (RBF), η οποία είναι επίσης γνωστή ως Gaussian πυρήνα.

Δυνατότητα επιλογής

Εμείς υπολογίζεται η F-score για την επιλογή των χαρακτηριστικών που περιλαμβάνονται στο SVM. επιλογής χαρακτηριστικών είναι μια τεχνική για να βρούμε ένα υποσύνολο των χαρακτηριστικών αφαιρώντας πιο ασήμαντα και περιττά χαρακτηριστικά από το χώρο των χαρακτηριστικών. Αυτή η τεχνική βοηθά γενικά στη βελτίωση της συνολικής απόδοσης του ταξινομητή, επιταχύνοντας τη διαδικασία της μάθησης, επιτρέπει μια καλύτερη εκπροσώπηση των σημαντικά χαρακτηριστικά και τα αποτελέσματα σε ένα υπόλοιπο χαρακτηριστικό που με διατηρηθεί διακριτική εξουσία. Το F-βαθμολογία μετρά τη διάκριση μεταξύ των δύο συνόλων χαρακτηριστικών [35]. Ένα υψηλότερο F-βαθμολογία δείχνει σε ένα υψηλότερο διακρίσεις χαρακτηριστικό από ένα χαρακτηριστικό με χαμηλότερο F-score. Υπολογίσαμε το F-βαθμολογία για κάθε λειτουργία

i

όπως περιγράφεται στο (7) με τις δεδομένες φορείς κατάρτισης: (7), όπου οι μέσες τιμές του

i

ου χαρακτηριστικό του όγκου , στρώμα και σετ ολόκληρη δεδομένα. συμβολίζεται με το

i

ου χαρακτηριστικό της εμφάνισης του όγκου και το

i

ου χαρακτηριστικό της εμφάνισης στρώματος.

Ενιαία κελί ταξινόμηση

Με βάση την τα δύο κριτήρια για την παραγωγή γράφημα κυττάρου (ένταση και την απόσταση), αυτό μπορεί να συμβεί ότι μεμονωμένα κύτταρα δεν συνδέονται με οποιοδήποτε άλλο κύτταρο. Έτσι, αυτά τα κύτταρα που δεν περιλαμβάνονται στο βήμα ταξινόμησης και τα αντιμετωπίζουμε με μια πρόσθετη αλγόριθμο σε ένα ξεχωριστό στάδιο και μόνο ταξινόμηση κυττάρων. Πρέπει πρώτα να προσπαθήσει να εντοπίσει τα φλεγμονώδη κύτταρα (λεμφοκύτταρα π.χ.) και ινοβλάστες που αποτελούν μέρος της κατηγορίας του στρώματος. Συνήθως, οι φλεγμονώδεις πυρήνες κυττάρων εμφανίζονται ως μικροί πυρήνες σφαιροειδές κύτταρο με μια πολύ υψηλή ένταση σε σύγκριση με άλλα κύτταρα στον πυρήνα. Ως εκ τούτου, οι πυρήνες των κυττάρων που ταξινομούνται ως φλεγμονώδη κύτταρα όταν: η ένταση πυρήνα του κυττάρου είναι μεγαλύτερη από ένα συγκεκριμένο επίπεδο, μια μετρική η οποία υπολογίζει την στρογγυλάδα είναι υψηλότερη από ένα όριο και η περιοχή είναι μικρότερη από 500 pixels: (8), όπου ο αριθμητικός μέσος όρος της έντασης , S = X * Y η περιοχή και W από την περίμετρο ενός κυττάρου πυρήνα. Οι ινοβλάστες έχουν γενικά ελλειπτικό σχήμα και ταυτοποιήθηκαν με: (9) όπου είναι η μεγάλων και ο ανήλικος-άξονας των κυτταρικών πυρήνων. Αυτές οι τιμές χρησιμοποιούνται για τον υπολογισμό της εκκεντρότητα μιας έλλειψης. Η εκκεντρικότητα ενός κύκλου είναι 0 και μια έλλειψη που εκκεντρικότητα είναι 1 είναι ένα ευθύγραμμο τμήμα. Τα υπόλοιπα πυρήνες κυττάρων ταξινομήθηκαν με τη χρήση μιας μηχανής φορέα υποστήριξης. Χρησιμοποιήσαμε τις 12 μορφολογικά και η ένταση με βάση τα χαρακτηριστικά που ήδη αναφέρθηκαν στην ενότητα «χαρακτηριστικά των κυττάρων Γράφημα» για να ταξινομήσει κάθε ενιαίο πυρήνα του κυττάρου. Έχουμε εκπαιδευτεί το SVM με τα ενιαία κυτταρικούς πυρήνες του συνόλου εκπαίδευσης μας και να αξιολογείται τον αλγόριθμο ξεχωριστά όπως απεικονίζεται στο τμήμα αποτέλεσμα.

Αποτελέσματα

Ο γενικός στόχος της προσέγγισής μας ήταν να ταξινομήσει αυτόματα κάθε κελί του ένας πυρήνας TMA με τη βοήθεια των παραγόμενων κυττάρων γραφήματα. Η εκπαίδευση και η ταξινόμηση βασίζεται μόνο στο κανάλι DAPI κυρίως χρώση των πυρήνων. Σχήμα 5 απεικονίζει τα αποτελέσματα της προσέγγισής μας σε 4 διαφορετικά TMA-πυρήνες

(α-δ) δείχνει τις αρχικές βασικές εικόνες RGB.? (E-h) δείχνει το αντίστοιχο κανάλι DAPI ως εικόνα ένταση των πυρήνων (α-δ)? (I-l) τα αποτελέσματα του σταδίου ταξινόμησης, πράσινο = κύτταρα που ταξινομούνται ως καρκινικά κύτταρα, μπλε = κύτταρα χαρακτηρίζονται ως κύτταρα στρώματος.

Η

τηλέφωνα κατάτμησης βήμα

Η κατάτμηση πυρήνες κυττάρων ήταν αξιολογούνται στις 3 τυχαία επιλεγμένο πραγματικό πυρήνα εικόνες που λαμβάνονται από ένα TMA. Συνολικά 5162 πυρήνες χρησιμοποιήθηκαν και του εδάφους αλήθεια λήφθηκε από έναν εμπειρογνώμονα, ο οποίος σημάδεψε τις υπερ- και υπο-διαστήματα πυρήνες κυττάρων. Ο αλγόριθμος των λεκανών απορροής που προτείνεται εδώ μπορεί ορθώς το τμήμα 94.1% (± 3,75) των πυρήνων. Ο Πίνακας 2 δείχνει τα αναλυτικά αποτελέσματα του κατακερματισμού και το σχήμα 3C δείχνει ένα παράδειγμα αυτού του σταδίου όπου οι κατακερματισμένες πυρήνες που περιβάλλεται από ένα πράσινο περίγραμμα.

Η

επιλογή Χαρακτηριστικό

επιλογή Χαρακτηριστικό απλοποιεί και συντομεύει την κατάρτιση ενός ταξινομητή, και συχνά επίσης βελτιώνει την ακρίβεια του. Για την επιλογή λειτουργία από τις 30 βασικές εικόνα που δημιουργείται για πρώτη φορά το συνολικό 7888 τοπολογικά disjunct γραφήματα κυττάρων που οδηγεί να χρησιμοποιούν τον ίδιο συνολικό αριθμό των διανυσμάτων χαρακτηριστικών. Αυτό το συνολικό σύνολο χαρακτηριστικών περιλαμβάνει 4065 διανύσματα χαρακτηριστικό για την κατηγορία του όγκου και 3823 για την τάξη στρώμα. Οι τιμές χαρακτηριστικό συμβεί μέσα σε μεγάλο βαθμό διαφορετικές αριθμητικές κλίμακες. Ως εκ τούτου, μπορούμε να ρυθμίζεται σύμφωνα με την σειρά του [0,1] για την ενίσχυση της μαθησιακής προόδου.

Εμείς υπολογίζεται το F-βαθμολογία (διακριτική εξουσία ενός χαρακτηριστικού) για κάθε ένα από τα 22 χαρακτηριστικά από τον Πίνακα 1 για τον προσδιορισμό της καλύτερο σύνολο χαρακτηριστικό για το έργο της ταξινόμησης. Με βάση τα αποτελέσματα που φαίνονται στον Πίνακα 3 μαζέψαμε τα 15 καλύτερα χαρακτηριστικά για την εκπαίδευση της μηχανής διανυσμάτων υποστήριξης.