Anda di halaman 1dari 4

Automatic Cell Segmentation Using a Shape-Classification Model in

Immunohistochemically Stained Cytological Images

This paper presents a segmentation method for detecting cells in immunohistochemically


stained cytological images. A two-phase approach to segmentation is used where an
unsupervised clustering approach coupled with cluster merging based on a fitness
function is used as the first phase to obtain a first approximation of the cell locations. A
joint segmentation-classification approach incorporating ellipse as a shape model is used
as the second phase to detect the final cell contour. The segmentation model estimates a
multivariate density function of low-level image features from training samples and uses
it as a measure of how likely each image pixel is to be a cell. This estimate is constrained
by the zero level set, which is obtained as a solution to an implicit representation of an
ellipse. Results of segmentation are presented and compared to ground truth
measurements

Karya ini menyajikan segmentasi metode untuk mendeteksi sel-sel di


immunohistochemically stained cytological gambar. J-tahap dua pendekatan segmentasi
digunakan di mana unsupervised kekelompokan digabungkan dengan pendekatan klaster
menggabungkan kebugaran berdasarkan fungsi yang digunakan sebagai tahap pertama
untuk mendapatkan perkiraan pertama dari sel lokasi. J segmentasi bersama-pendekatan
klasifikasi memasukkan elips sebagai bentuk model yang digunakan sebagai tahap kedua
untuk mendeteksi garis akhir sel. Segmentasi yang model multivarian perkiraan sebuah
fungsi kepadatan rendah tingkat gambar fitur dari pelatihan sampel dan menggunakannya
sebagai ukuran bagaimana mungkin setiap piksel gambar yang akan sel. Perkiraan ini
dibuat oleh mengatur tingkat nol, yang diperoleh sebagai sebuah solusi untuk implisit
perwakilan dari sebuah elips. Hasil segmen disajikan dan dibandingkan dengan
kebenaran pengukuran tanah
Color Image Segmentation Based on Markov Random Field Clustering for
Histological Image Analysis

In order to characterise the virulence factors of different Mycobacterium tuberculosis


strains responsible of tuberculosis disease, the quantification, by cell counting, of
immune cell recruitment is necessary. However, this task by microscopic observations
is very tedious and difficult to reproduce. Hence we propose an automatic counting
approach, consisting in color image segmentation to discriminate three regions: cell
nuclei, immune cells and background,followed by the extraction of each cell entity. For
color segmentation, a Markov Random Field Clustering approach taking
simultaneously into account both color and spatial information is chosen. Our technique
was sucessfully applied to several color images of different strains, andan evaluation of
the results has been performed, showing the robustness of the method against noise,
marker color changes, illumination changes and blurring.

Untuk characterise faktor yang amat berbeda dari jenis Mycobacterium tuberculosis
bertanggung jawab dari penyakit TBC, maka hitungan, hitungan oleh sel, dari sel
kekebalan rekrutmen yang diperlukan. Namun, tugas ini oleh pengamatan mikroskopis
sangat membosankan dan sulit untuk mereproduksi. Oleh karena itu kami mengusulkan
sebuah pendekatan penghitungan otomatis, yang terdiri dalam warna gambar
segmentasi untuk membedakan tiga wilayah: nuclei sel, kekebalan sel dan latar
belakang, diikuti oleh ekstraksi dari tiap sel badan. Untuk segmentasi warna, sebuah
Markov Random Field Clustering mengambil pendekatan secara bersamaan ke kedua
account warna dan informasi spasial yang dipilih. Teknik kami berhasil diterapkan ke
beberapa warna dari berbagai jenis gambar, andan evaluasi hasil telah dilakukan,
menunjukkan kesegaran dari metode terhadap kebisingan, tanda perubahan warna,
perubahan dan penerangan blurring.
Image segmentation evaluation: A survey of unsupervised methods

Image segmentation is an important processing step in many image, video and computer
vision applications. Extensive research has been done in creating many different
approaches and algorithms for image segmentation, but it is still difficult to assess
whether one algorithm produces more accurate segmentations than another, whether it be
for a particular image or set of images, or more generally, for a whole class of images. To
date, the most common method for evaluating the effectiveness of a segmentation method
is subjective evaluation, in which a human visually compares the image segmentation
results for separate segmentation algorithms, which is a tedious process and inherently
limits the depth of evaluation to a relatively small number of segmentation comparisons
over a predetermined set of images. Another common evaluation alternative is supervised
evaluation, in which a segmented image is compared against a manually-segmented or
pre-processed reference image. Evaluation methods that require user assistance, such as
subjective evaluation and supervised evaluation, are infeasible in many vision
applications, so unsupervised methods are necessary. Unsupervised evaluation enables
the objective comparison of both different segmentation methods and different
parameterizations of a single method, without requiring human visual comparisons or
comparison with a manually-segmented or pre-processed reference image. Additionally,
unsupervised methods generate results for individual images and images whose
characteristics may not be known until evaluation time. Unsupervised methods are crucial
to real-time segmentation evaluation, and can furthermore enable self-tuning of algorithm
parameters based on evaluation results. In this paper, we examine the unsupervised
objective evaluation methods that have been proposed in the literature. An extensive
evaluation of these methods are presented. The advantages and shortcomings of the
underlying design mechanisms in these methods are discussed and analyzed through
analytical evaluation and empirical evaluation. Finally, possible future directions for
research in unsupervised evaluation are proposed.

Gambar segmentasi merupakan langkah penting dalam proses banyak gambar, video dan
komputer visi aplikasi. Penelitian yang ekstensif telah dilakukan dalam menciptakan
berbagai pendekatan dan algoritma untuk segmentasi gambar, namun masih sulit untuk
menilai apakah satu algoritma memproduksi lebih akurat daripada segmentations lain,
baik untuk gambar tertentu atau kumpulan foto, atau lebih umum, untuk seluruh kelas
foto. Sampai saat ini, metode yang paling umum untuk mengevaluasi keefektifan dari
segmentasi adalah metode evaluasi subyektif, di mana manusia visual dengan gambar
hasil segmentasi untuk memisahkan segmentasi algoritma, yang merupakan proses yang
membosankan dan inherently batas kedalaman evaluasi yang relatif kecil perbandingan
jumlah segmen ditentukan melalui rangkaian gambar. Common evaluasi alternatif lain
yang diawasi evaluasi, di mana sebuah gambar segmented dibandingkan terhadap
manual-segmented atau sebelum diproses referensi gambar. Evaluasi metode pengguna
yang membutuhkan bantuan, seperti evaluasi subjektif dan diawasi evaluasi, yang
mungkin dalam banyak aplikasi visi, jadi metode unsupervised diperlukan. Unsupervised
memungkinkan tujuan evaluasi perbandingan kedua metode yang berbeda dan
segmentasi yang berbeda parameterizations satu metode, tanpa memerlukan manusia
perbandingan visual atau dengan perbandingan secara manual-segmented atau sebelum
diproses referensi gambar. Selain itu, metode unsupervised individu untuk menghasilkan
hasil foto dan gambar karakteristik yang mungkin tidak diketahui sampai waktu evaluasi.
Unsupervised metode yang penting untuk real-time segmentasi evaluasi, dan selanjutnya
dapat mengaktifkan diri tuning dari algoritma parameter berdasarkan hasil evaluasi.
Dalam tulisan ini, kami memeriksa unsupervised tujuan metode evaluasi yang telah
diusulkan dalam literatur. Evaluasi yang luas dari metode ini disajikan. Kelebihan dan
kekurangan dari desain yang mekanisme dalam metode ini akan dibahas dan dianalisis
melalui analisis evaluasi dan evaluasi empiris. Terakhir, mungkin depan untuk penelitian
di unsupervised evaluasi yang diusulkan.