Quick texture generation for multiobject image analysis in brain pathology

• Autorzy: Warowny M. , Markiewicz T.

Warianty tytułu

PL

Szybka generacja cech teksturalnych do analizy obrazów z wieloma komórkami w patologii mózgu

• Języki publikacji: EN

Abstrakty

EN

The paper presents two methods of texture features generation for recognition between neoplasm and non-neoplasm cells in cancer diagnosis. There are few problems which need to be solved to achieve the best results: differentiable images, extraction of the individual cell image, selection of the most important features. We propose two models solving all of these problems. We compare the consequences of implementation Unser’s selected texture features and Markov Random Field model. The results of numerical experiments have shown in both methods quite good accuracy in recognizing cells. The proposed methods have proved to be useful in practical application at the diagnosis of cancer.

PL

Referat przedstawia zastosowanie generacji cech teksturalnych w rozpoznawaniu komórek nowotworowych. Proces rozróżniania komórek jest dość złożony ze względu naturalną złożoność obrazów, konieczność ekstrakcji pojedynczej komórki obrazu oraz trudności w wyborze odpowiednio różnicującej cechy. W pracy porównane zostały efekty zastosowania dwóch rodzajów modeli – opartego na cechach Unsera oraz modelu Markova. Główny nacisk pracy położony jest na praktyczne zastosowanie obu metod w diagnozie nowotworowej.

Słowa kluczowe

EN

texture analysis; texture features; image processing; histological images

PL

analiza teksturalna; cechy teksturalne; przetwarzanie obrazów; obrazy histologiczne

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2010
• Tom: R. 86, nr 1
• Strony: 50--52
• Opis fizyczny: Bibliogr. 8 poz., il., schem., wykr.

Twórcy

autor

Warowny M.

autor

Markiewicz T.

• Politechnika Warszawska,

Bibliografia

• [1] Chellappa R., Chatterjee S., Classification of Texture Using Gaussian Markov Random Field, IEEE Transaction on Acoustics, Speech, and Signal Processing, vol. ASSP-33 (4):959-963, 1985
• [2] Kayser G, Radziszowski D, Bzdyl P, Sommer R, Kayser K. Theory and implementation of an electronic, automated measurement system for images obtained from immunohistochemically stained slides. Analytical and Quantitative Cytology and Histology, vol. 28:27-38, 2006
• [3] Kleihues P., Cavense W.K. (Eds.), Pathology and Genetics of Tumours of the Nervous System, World Health Organization Classification of Tumours. Lyon: International Agency for Research on Cancer (IARC), 2000
• [4] Markiewicz T., Wiśniewski P., Osowski S., Patera J., Kozłowski W., Koktysz R., Comparative analysis of the methods for accurate recognition of cells in the nuclei staining of the Ki-67 in neuroblastoma and ER/PR status staining in breast cancer, Anal Quant Cytol Histol, vol. 31:49–62, 2009
• [5] Matlab user manual – Image processing, MathWorks, 1999
• [6] Soille P., Morphological image analysis, principles and applications, Springer, Berlin, 2003
• [7] Unser M., Sum and difference histograms for texture classification, IEEE Trans on Pattern Analysis and Machine Intelligence, vol. PAMI-8:118-125, 1986
• [8] Wagner T, Texture analysis ( in Jahne, B., Haussecker, H., and Geisser P. (Eds.), Handbook of Computer Vision and Application), Academic Press, 275-309, 1999