36、医学图像分析：有丝分裂检测与乳腺肿瘤分类的多分辨率方法

医学图像分析：有丝分裂检测与乳腺肿瘤分类的多分辨率方法

有丝分裂检测

霍夫森林投票优化的效果

优化霍夫森林中的投票一致性，相较于仅在分类森林加霍夫投票中使用未优化的训练样本投票，能带来进一步的性能提升。具体数据如下：
| 指标 | 优化投票（AUC） | 未优化投票（AUC） |
| ---- | ---- | ---- |
| 母细胞 | 84.6% | 82.1% |
| 子细胞 | 53.9% | 38.4% |

有丝分裂检测的评估

有丝分裂检测器的性能通过精确 - 召回曲线进行评估。评估原则如下：
1. 只有当检测到的母细胞和子细胞对的位置都在其对应的真实分割轮廓内时，才将该有丝分裂事件计为真阳性（TP）。
2. 对于每个有丝分裂事件的多次检测，其中一个计为 TP，其余计为假阳性（FP）。
3. 其他检测情况计为 FP，未匹配的轮廓计为假阴性（FN）。

联合检测考虑了三个组件：
1. 母细胞检测。
2. 子细胞对检测。
3. 这些位置之间的欧几里得距离，并通过假设高斯分布将其转换为概率。

通过 32 折交叉验证（留一视频法）绘制精确 - 召回曲线，结果表明包含所有三个组件的完整模型实现了最佳准确率（AUC：72.4%）。而仅考虑两个组件的简化模型性能较低，具体如下：
| 模型组件 | AUC |
| ---- | ---- |
| 母细胞 + 子细胞 | 66.5% |
| 子细胞 + 距离 | 61.3% |
| 母细胞 + 距离 | 30.8% | </