Methods for cytological image analysis

Abstract

This thesis is focused on the development of image segmentation methods in combination with classification techniques for efficiently addressing the specific problems presented in Pap smear images. The several steps that must be followed for the effective analysis of such images in an automated manner are described. The goal is to achieve accurate identification of the regions of interest, and as a result to obtain reliable conclusions about the contents of the Pap smear.The first issue that we have successfully addressed is the correct detection of the locations of the nuclei in images containing both isolated cells and cell clusters.. In this scope, techniques based on mathematical morphology are developed. The elimination of the undesirable findings is achieved in two steps: the application of a distance dependent rule on the resulted centroids and the application of classification algorithms, employing features of the neighborhood of the candidate nuclei. Furthermore, we have developed an automated method for the boundary determination of cells nuclei based on the watershed transform. For the elimination of false positive findings, features characterizing the shape, the texture and the image intensity are extracted from the candidate nuclei regions, which are used as input in a classification step, performed to determine the true nuclei. These features are also tested for their discriminative ability. Concerning the separation of partially overlapped nuclei, we have developed an automated method which is based on training a physically based deformable model. A deformable model whose behavior is driven by physical principles is trained on images containing single nuclei, and attributes of the shapes of the nuclei are expressed in terms of modal analysis. Based on the estimated modal distribution and driven by the image characteristics, we developed a framework, to detect and describe the unknown nuclei boundaries in images containing two overlapping nuclei. The problem of the estimation of an accurate nucleus boundary in the overlapping areas is successfully addressed with the use of appropriate weight parameters that control the contribution of the image force in the total energy of the deformable model. Moreover, we have investigated the case of the successful classification of cells in normal and abnormal categories based on features extracted exclusively from the nucleus area and ignoring the contingent cytoplasm features. We examined the ability of non-linear dimensionality reduction schemes to produce accurate representation of the features manifold, along with the definition of an efficient feature subset, and their influence on the classification performance.

Η παρούσα διατριβή εστιάζεται στην ανάπτυξη αυτόματων μεθόδων κατάτμησης κυτταρολογικών εικόνων, οι οποίες σε συνδυασμό με τεχνικές κατηγοριοποίησης, αντιμετωπίζουν διεξοδικά τα προβλήματα που υπάρχουν στις μικροσκοπικές εικόνες από τεστ Παπ. Σε αυτές τις εικόνες, τα αντικείμενα ενδιαφέροντος είναι οι πυρήνες των κυττάρων, οι οποίοι παρουσιάζουν σημαντικές αλλαγές σε παθολογικές καταστάσεις. Έτσι, η ακριβής κατάτμηση των πυρήνων αποτελεί ένα θέμα με ιδιαίτερη σημασία, αφού οδηγεί στην αναγνώριση ανωμαλιών στο σχήμα και στη δομή των πυρήνων, και συνεπώς στην κατηγοριοποίηση των κυττάρων σε φυσιολογικά και μη φυσιολογικά.Το πρώτο θέμα με το οποίο ασχοληθήκαμε στα πλαίσια της διατριβής είναι η επιτυχής ανίχνευση των θέσεων των πυρήνων σε εικόνες που περιέχουν μεμονωμένα κύτταρα και συστάδες κυττάρων. Γι αυτό το σκοπό, αναπτύχθηκαν τεχνικές που βασίζονται στη μαθηματική μορφολογία σε συνδυασμό με τεχνικές κατηγοριοποίησης για την εξάλειψη των μη επιθυμητών ευρημάτων. Ακόμα, αναπτύξαμε μια αυτόματη μεθοδολογία για τον καθορισμό του περιγράμματος των πυρήνων των κυττάρων, η οποία βασίζεται στον αλγόριθμο υδροκριτών (watersheds) στην εικόνα μορφολογικής χρωματικής κλίσης. Για κάθε περιοχή υπολογίστηκαν χαρακτηριστικά που αφορούν το σχήμα, την υφή και τη φωτεινότητα, τα οποία εξετάστηκαν ως προς την διαχωριστική τους ικανότητα, για το διαχωρισμό των περιοχών σε πραγματικούς πυρήνες και μη πραγματικούς πυρήνες.Επιπλέον, ασχοληθήκαμε με τον διαχωρισμό των μερικώς επικαλυπτόμενων πυρήνων και αναπτύξαμε μια αυτόματη μεθοδολογία, η οποία βασίζεται στην εκπαίδευση ενός φυσικού παραμορφώσιμου μοντέλου. Πιο συγκεκριμένα, προτείναμε ένα αποδοτικό πλαίσιο εκπαίδευσης των ενεργών περιγραμμάτων στο οποίο η αναπαράσταση του σχήματος ορίζεται μέσω των ταλαντώσεων ενός συστήματος «μάζες-ελατήρια». Ένα παραμορφώσιμο μοντέλο που η συμπεριφορά του καθορίζεται από την υπέρθεση των ελεύθερων ταλαντώσεων του συστήματος «μάζες-ελατήρια», εκπαιδεύεται σε μια σειρά από εικόνες που περιέχουν ένα μόνο πυρήνα. Με βάση την εκπαίδευση των μοντέλων και κατευθυνόμενοι από τα χαρακτηριστικά της εικόνας, αναπτύξαμε ένα πλαίσιο για την ανίχνευση του περιγράμματος άγνωστων πυρήνων, σε εικόνες που περιέχουν δύο επικαλυπτόμενους πυρήνες. Τέλος, ερευνήσαμε την κατηγοριοποίηση των κυττάρων σε φυσιολογικά και μη φυσιολογικά, βασιζόμενοι αποκλειστικά σε χαρακτηριστικά της περιοχής του πυρήνα. Με βάση αυτά τα χαρακτηριστικά, εξετάσαμε την απόδοση μη γραμμικών μεθόδων μείωσης της διάστασης των δεδομένων, για την παραγωγή μιας αξιόπιστης αναπαράστασης του πολυπτύγματος των χαρακτηριστικών καθώς και την επίδρασή τους στην επίδοση της ταξινόμησης.