[摘要]组织病理图像分析在临床诊断中具有极其重要的地位，是用于诊断诸如肿瘤等多种疾病的最为常见与可靠的方法之一。传统方法由人工完成，即病理医师在显微镜下用肉眼对经过特定染色的病理图像进行分析，完成不同类别的细胞识别与计数，并计算阳性率。
据现有资料显示，到目前为止，临床诊断中尚无完全由计算机自动完成的组织病理图像分析系统；而由传统的人工方法具有多种缺陷，主要体现在以下几个方面：
1）诊断结果的主观性强，多因人而异，且可重复性差；
2）效率较低；
3）观测结果往往由估算所得，计算比例不够精确。
为了克服这些缺陷，国内外学者尝试将计算机辅助方法引入到组织病理图像分析中，用以对组织病理图像中细胞分类、分割、计数及辅助诊断。现阶段的主要技术难点集中于粘连细胞的分割以及分类方面。水平集方法因其在图像轮廓提取中具有突出的优势，被广泛应用于组织病理图像中细胞轮廓提取。但传统水平集因需要对曲线重新初始化而存在误差，对此有学者提出一种无需重新初始化的水平集方法，但该方法在曲线初始化不理想时仍存在很大误差。在细胞分类中，传统方法中只利用了颜色等简单特征，对图像本身所蕴含的丰富信息利用不足。在分类方法选取中，也大多是基于聚类等简单方法，存在精确性较低及适应范围小的缺陷。
论文基于上述背景，围绕组织病理图像分割及分类识别算法开展了以下研究工作：
1、针对水平集在提取图像轮廓中存在的不足，本文提出一种新的水平集方法，通过在水平集能量函数中融合图像梯度能量、灰度能量项及距离规则项，改变曲线演化方式。该方法在获取图像中轮廓的方法上取得了新的突破，不但有效避免了因曲线重新初始化可能带来的数值误差，还保证了提取轮廓的精准度，且适应于任意初始化曲线；更重要的是该方法能够以极快的速度完成图像轮廓的提取。
2、针对细胞分类中对图像信息利用率不高的缺陷，本文提取了图像中尽可能多的潜在特征，并对这些特征利用PCA（Primary Component Analysis，主成分选取方法）降维，选出其中最关键的特征，然后结合SVM（Support Vector Machine，支持向量机）对细胞进行分类。该方法能在更大程度上利用图像本身的信息，提高了图像中细胞分类的准确率。同时，论文对基于聚类的方法与本文方法的优缺点进行了较为系统的分析与比较。
3、论文设计并实现了原型实验系统，对传统方法与本文所提出的方法进行对比和验证。结果表明本文所提出的方法在获取细胞轮廓方面具有突出优势，能够保证获取到图像轮廓准确的同时大大提高水平集曲线演化速度；在利用多种特征进行细胞分类后，分类准确率有所提高。总的来说，本文所提出的方法具有较强的可行性与应用价值，并可广泛应用于解决多种问题，特别是对实时性要求强的图像处理应用。
最后，对本文所做工作进行总结，对本文所提出方法的推广应用给出建议，并指出所提方法存在的缺陷以及下一步改进与完善的方向。
[关键词]： 组织病理图像处理；水平集；图像分割；特征提取；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。