28、医学图像分析：从乳腺癌雌激素受体评估到脑部组织分割的多模态探索

医学图像分析：从乳腺癌雌激素受体评估到脑部组织分割的多模态探索

在医学领域，准确的图像分析对于疾病的诊断和治疗至关重要。本文将探讨两个重要的医学图像分析应用：乳腺癌组织中雌激素受体（ER）状态的评估，以及脑部组织分割的多模态评价方法。

乳腺癌组织 ER 状态评估

在临床实践中，评估乳腺癌组织的 ER 状态通常依靠手动计数或在高倍视野下目测阳性染色细胞核的比例。而本研究提出了一种基于细胞核纹理特征和模式识别方法的图像分析系统，用于评估乳腺癌组织中的 ER 阳性状态。

• 细胞核分割 ：采用 FHCE 方法进行细胞核分割，之后应用形态学和尺寸滤波器，再结合开闭滤波器和填充孔洞操作，去除噪声结构并完善细胞核形状。
• 纹理分析 ：纹理分析在医学图像分析中应用广泛，这里将纹理定义为构成细胞核的像素空间排列关系以及像素的局部功率谱。
  • PNN 分类器 ：在原始图像上，PNN 分类器对细胞核纹理特征的最高判别准确率为 86.3%，最佳特征组合为均值、熵、和平均以及灰度不均匀性。应用 Laws 核后，PNN 分类准确率提高到 88.5%，最佳纹理特征来自强调波纹含量的 R5L5R 图像，包括标准差、峰度、熵和游程长度不均匀性。熵特征在原始图像和处理后图像的特征集中均有出现，对区分阳性和非阳性细胞核起着重要作用。
  • Gabor 纹理特征 ：Gabor 纹理特征有助于区分染色和未染色的细胞核，PNN 和 SVM 分类器的总体准确率分别达到 90.6%和 94.23