基于机器学习方法的前列腺病理切片图像识别.pptVIP

第四章 基于空间金字塔的前列腺癌病理图像的识别 SIFT 特征简介 基于 BoW 的前列腺病理图像表示 基于 SPM-BoW 的前列腺病理图像表示 基于支持向量机的分类结果 第四章 基于空间金字塔的前列腺癌病理图像的识别 前列腺正常的病理图像和癌变图像在局部的纹理结构特征方面区分度是不明显的，所以利用上一章基于图像块的分类方法是不能将两者很好的区分开。而对于癌变的图像，整体结构上相对正常图像会有以下几个方面明显的区别，如下图所示: 第四章 基于空间金字塔的前列腺癌病理图像的识别 1.前列腺间质结构紊乱，方向不规则；2.腺腔区域变小，甚至无腺腔；3.细胞核散乱分布。基于此，本章将局部特征按空间信息组织起来形成全局特征，用于癌变前列腺病理图片的识别。 第四章 基于空间金字塔的前列腺癌病理图像的识别 本章采用了基于空间金字塔匹配(Spatial Pyramid Matching ,SPM)的前列腺癌病理图像的识别方法。算法整体流程如下图所示： 4.1 SIFT 特征简介 SIFT 是一种提取图像局部特征的算法。1999 年 David. G. Lowe总结了现有的基于不变特征的检测方法，并正式提出了一种图像局部特征描述算子(SIFT)，并在 2004年得以完善。SIFT 是图像的局部特征，对平移、尺度缩放、旋转、亮度变化保持不变性。SIFT 特征的生成一般包括四个步骤，如下图所示。（4.1.1-4.1.5为SIFT特征详细说明，此处省略） 4.2 基于 BoW 的前列腺病理图像表示 4.2.1 BoW 简介 BoW（词袋模型）的主要作用是简化表示，被用在自然语言处理和信息检索中。在这个模型中，一篇文章不考虑其语法和词的顺序，将其表示成一组无序的词的集合。将所有文章中出现过的单词全部收集到一起，定义为一本字典，而每篇文章都如同一个袋子，里面包含文章中出现过的单词及频率。词袋模型非常简单，与 SVM 分类器结合，在文本分类方面取得了非常好的效果。 BoW 模型在文本分类中取得了非常好的效果，这也引起了在计算机视觉领域的研究者们的关注。当从图像中提取出大量局部特征后，需要找到一种合适的方法来对图像进行描述。研究者们借助文本分类的思想，利用 BoW 模型来对图像进行标示。BoW 模型对图像进行建模通常包括特征检测、特征描述、生成字典三个步骤。 通过上一节，对于一幅图像，我们已经完成了前两步的计算，得到了图像的 DSIFT特征描述子，DSIFT 为 n×128 的矩阵，n就表示该图像检测到的特征点个数，不同图像中 n可能是不同的。 4.2.2 基于 BoW 的前列腺病理图像表示 本小节将介绍前列腺病理图像基于 BoW 模型表示的方法。提取出所有图像 SIFT 特征之后，每个图像都含若干个 SIFT 特征描述子，每个样本得到一个 m×128 的矩阵，m就是图像中得到的 SIFT 特征描述子的个数。通过 K 均值（K-means）聚类算法将所有样本特征进行聚类，聚类中心的个数定义了字典的大小，每个聚类中心便是一个视觉单词，得到一个 K×128 矩阵，每一行就一个类中心。 求出聚类中心后，用 K 阶直方图来表示一幅图像，将每个样本各个特征赋给离它最近的类，该类所对应的灰阶加 1，最后就会得到一个 K 阶直方图。即使对于不同大小和 SIFT 特征个数不同图像，最后得到的都是一个 K 阶直方图，所以图像大小不同时，该算法仍然适用。最后将直方图归一化，就得到了该图像词袋模型。 4.2.2 基于 BoW 的前列腺病理图像表示 4.3 基于 SPM-BoW 的前列腺病理图像表示 4.3.1 金字塔匹配核 假设 X 和 Y 是 d 维特征空间中两个向量集合。Grauman 和 Darrell 提出了金字塔匹配来计算两个集合之间的相似度，其核心思想是：通过在原图中作一系列越来越粗的网格，得到其特征空间。然后计算不同分辨率下相匹配特征数的加权和，网格划分越细权重越大。在一个固定的分辨率下，如果两个点落在同一个网格中，则认为是匹配。 金字塔匹配核按下式定义： （4-6） 4.3.2 基于 SPM-BoW 模型的前列腺病理图像表示 本小节将介绍前列腺病理图像基于 SPM-BoW 模型的表示方法。与 4.2 节的主要区别在于，本小节是按层级 l 去求取每一层的 BoW 模型，先将原图像划分为不同层次，如下图所示，然后按层次将原图像中抽取的特征聚类到 K 个视觉单词所表示的类别中，然后用视觉单词直方图来表示每个层级，再将各个层级的直方图按顺序连接，就形成了最终表示该图像的特征。 4.3.2 基于 SPM-BoW 模型的前列腺病理图像表示 4.3.2 基