Partitionnement des images histopathologiques : un cadre intégré pour la segmentation supervisée couleur-texture et la séparation des cellules

Pour l'analyse quantitative des images histopathologiques, telles que les systèmes de classification des lymphomes, la quantification des caractéristiques est généralement effectuée sur des cellules individuelles avant de les catégoriser par des algorithmes de classification. À cette fin, nous proposons un cadre intégré constitué d'un nouvel algorithme de segmentation de cellules-image supervisé et d'une nouvelle méthode de séparation de cellules adjacentes. Pour la partie segmentation, nous segmentons les régions cellulaires des autres zones en classifiant les pixels de l'image dans la catégorie cellulaire ou extracellulaire. Au lieu d'utiliser les intensités de couleur des pixels, la couleur-texture extraite au voisinage local de chaque pixel est utilisée comme entrée pour notre algorithme de classification. La couleur-texture à chaque pixel est extraite par transformation de Fourier locale (TFL) à partir d'un nouvel espace colorimétrique, le plus discriminant espace colorimétrique (MDC). L'espace colorimétrique MDC est optimisé pour être une combinaison linéaire de l'espace colorimétrique RGB d'origine afin que les caractéristiques de texture TFL extraites dans l'espace colorimétrique MDC puissent atteindre une discrimination maximale en termes de performance de classification (segmentation). Pour accélérer le processus d'extraction des caractéristiques de texture, nous développons un algorithme efficace d'extraction TFL basé sur le décalage d'image et l'intégrale d'image. Pour la partie séparation, étant donné un composant connexe de la carte de segmentation, nous différencions d'abord s'il s'agit d'un amas de cellules adjacentes ou d'une cellule isolée. La différenciation est principalement basée sur la distance entre le centre de symétrie radiale le plus probable et le centre géométrique du composant connexe. Les limites des amas de cellules adjacentes sont lissées par un descripteur de forme de Fourier avant de procéder à un algorithme de séparation itératif basé sur les points concaves et la symétrie radiale. Pour tester la validité, l'efficacité et l'efficience du cadre, il est appliqué à des images pathologiques de lymphome folliculaire, qui présentent un arrière-plan complexe et une texture extracellulaire avec une condition d'éclairement non uniforme. À des fins de comparaison, les résultats de l'algorithme de segmentation proposé sont évalués par rapport aux résultats des méthodes de segmentation d'images pathologiques par superpixel, coupe de graphes, déplacement moyen, et deux méthodes de segmentation d'images pathologiques à la pointe de la technologie, en utilisant une vérité de terrain établie par la segmentation manuelle des cellules dans les images d'origine. Notre algorithme de segmentation obtient de meilleurs résultats que les autres méthodes comparées. Les résultats de la séparation sont évalués en termes d'erreurs de sous-séparation, de sur-séparation et d'empiètement. En additionnant les trois types d'erreurs, nous obtenons un taux d'erreur total de 5,25 % par image.