[摘要]在组织病理临床诊断中，医师对病患的免疫组化图像进行观察从而做出判定，不仅主观性强、误差大而且效率低。将数字图像处理技术引入免疫组化图像的处理，结合医师需求，以求解图像的阳性率为重点，可将处理过程归纳为四个关键性问题：1）细胞区域分割问题；2）重叠细胞分离问题；3）细胞计数问题；4）阴阳细胞分类问题。
论文以上述1）、2）、3）问题为重心，开展了以下研究工作：
首先， 论文对免疫组化图像进行分析，根据其色彩纹理复杂、弱边缘等特点选取处理方法并设计图像处理流程。
然后，对主动轮廓模型相关数学基础进行介绍和分析，重点阐述了变分法、曲线演化理论和水平集方法，为主动轮廓模型的分析以及CV模型的改进奠定了基础。
针对细胞区域分割问题，根据免疫组化图像具有弱边缘的特点，选用主动轮廓模型中的CV模型。根据CV模型中初始化曲线的位置、大小、形状影响曲线演化效率的缺点，提出一种基于颜色信息的阳性细胞提取算法，并在此基础上从初始化曲线的精准性出发，将提取出的阳性细胞骨架作为CV模型初始化曲线，减少CV模型分割所需时间。实验表明，论文所提算法能有效提取阳性细胞部分，改进后的CV模型在效率方面有较大的提高。
针对重叠细胞分离问题，论文对多种方法进行分析对比后选用迭代剥离法。对传统迭代剥离法中存在的迭代剥离停止判定条件复杂、存在干扰点两个缺陷进行讨论，将剥离结果从区域变为独立像素点，以解决判定条件复杂问题；加入剥离计数器和细胞间距窗口扫描器，以解决干扰点问题。实验表明改进后的算法简化了迭代剥离停止判定条件并有效地解决了干扰点问题，提高了细胞分离的精准度。
针对细胞计数问题，论文在改进迭代剥离法的基础上，提出一种简单计数方法。对经过改进迭代剥离法重叠处理后的图像进行遍历，对值为1的像素点个数进行统计得到图像中的细胞数量。该方法有效地减少了计数所需时间，达到了提高效率的目标。
在上述算法研究基础上，与团队成员共同设计了原型系统，独立完成了细胞区域分割和重叠细胞分离子模块的实现，再次验证论文所提方法满足实际应用需求。同时也对与其余子模块协同工作的处理结果进行了介绍。
最后论文对上述工作进行总结，指出论文工作在算法、应用两个方面仍存在的不足，并对成果推广进行展望，为下一步的研究指明方向。
[关键词]： 免疫组化图像；主动轮廓模型；CV模型；迭代剥离；细胞计数
[成果出处]：计算机学院视觉计算实验室（www.scuvis.org）
正文请自行到学位论文网站上索取。