Cellular Image Classification

این کتاب تکنیک‌های جدیدی را برای استخراج ویژگی‌های تصویر سلولی، تشخیص الگو و طبقه‌بندی معرفی می‌کند. نویسندگان از آنتی بادی های ضد هسته ای (ANAs) در سرم بیمار به عنوان افراد و از تکنیک ایمونوفلورسانس غیرمستقیم (IIF) به عنوان پروتکل تصویربرداری برای نشان دادن کاربردهای روش های توصیف شده استفاده می کنند. در سراسر کتاب، نویسندگان ارزیابی‌هایی را برای روش‌های پیشنهادی بر روی دو مجموعه داده‌های سلولی اپیتلیال انسانی (HEp-2) ارائه می‌دهند: مجموعه داده ICPR2012 از مسابقه طبقه‌بندی سلولی ICPR'12 HEp-2 و مجموعه داده آموزشی ICIP2013 از مسابقه ICIP'13 در طبقه بندی سلول ها با تجزیه و تحلیل تصویر فلورسنت اول، خواندن نتایج تصویربرداری به طور قابل‌توجهی تحت‌تاثیر صلاحیت و سیستم‌های خواندن فرد قرار می‌گیرد و باعث واریانس بالای درون آزمایشگاهی و بین آزمایشگاهی می‌شود. نویسندگان یک حالت فیبر LP21 درجه پایین را برای دستکاری تک سلولی نوری و تصویربرداری از الگوهای رنگ آمیزی سلول های HEp-2 ارائه می کنند. توزیع حالت چهار لوبی متمرکز در کاربردهای موچین نوری، از جمله برداشت سلولی انتخابی، جفت شدن، گروه بندی یا جداسازی، و همچنین چرخش دایمرها و خوشه های سلولی، پایدار و مؤثر است. هر دو نیروی کشش انتقالی و گشتاور دورانی در آزمایش‌ها مطابقت خوبی با مدل نظری دارند. با یک پیکربندی ساده تمام فیبر، و تابش اوج کم به سلول های هدف، ابزار دقیق این فناوری چاک نوری ابزار قدرتمندی را در آزمایشگاه های ANA-IIF فراهم می کند. فصل‌ها بر روی سیستم‌های نوری، مکانیکی و محاسباتی برای آزمایش‌های بالینی تمرکز دارند. برنامه های کامپیوتری برای رابط کاربری گرافیکی و کنترل موچین های نوری نیز مورد بحث قرار گرفته است. با جستجوی همسایه‌های محلی ویژگی محلی در منیفولدهای کلاس خاص، بردار فاصله محلی متمایزتر. رمزگذاری و ادغام بردارهای فاصله محلی منجر به نمایش تصویر برجسته می شود. در ترکیب با روش‌های کدگذاری سنتی، این روش به دقت طبقه‌بندی بالاتری دست می‌یابد. سپس، یک ویژگی بافتی ثابت چرخش الگوهای سه‌تایی محلی زوجی با چرخش ثابت (PLTP-SRI) مورد بررسی قرار می‌گیرد. نسبت به چرخش تصویر ثابت است، در عین حال در برابر نویز و نور ضعیف مقاوم است. این روش با افزودن ساختار هرمی فضایی، اطلاعات چیدمان فضایی را ضبط می کند. در حالی که ویژگی پیشنهادی PLTP-SRI ویژگی محلی را استخراج می کند، چارچوب BoW یک نمایش تصویر جهانی ایجاد می کند. منطقی است که آنها را با هم ترکیب کنیم تا به عملکرد طبقه بندی چشمگیر دست یابیم، زیرا ویژگی ترکیبی از مزایای دو نوع ویژگی در جنبه های مختلف بهره می برد. در نهایت، نویسندگان یک ویژگی تکستون تفاضلی همزمان (CoDT) را برای نمایش تکه‌های تصویر محلی سلول‌های HEp-2 طراحی کردند. ویژگی CoDT با نادیده گرفتن کوانتیزاسیون، از دست دادن اطلاعات را کاهش می دهد در حالی که از روابط فضایی بین ویژگی ریز متن دیفرانسیل استفاده می کند. بنابراین می تواند قدرت تمایز را افزایش دهد. یک مدل تولیدی به طور تطبیقی ​​فضای ویژگی CoDT داده های آموزشی را مشخص می کند. علاوه بر این، بهره برداری از یک نمایش متمایز اجازه می دهد تا تصاویر سلولی HEp-2 بر اساس فضای ویژگی پارتیشن بندی تطبیقی ​​ایجاد شود. بنابراین، نمایش حاصل با کار طبقه بندی تطبیق داده می شود. با همکاری با طبقه‌بندی‌کننده ماشین بردار پشتیبان خطی (SVM)، این چارچوب می‌تواند از مزایای هر دو رویکرد مولد و افتراقی برای طبقه‌بندی تصاویر سلولی بهره‌برداری کند. این کتاب برای آن دسته از محققین نوشته شده است که مایل به توسعه برنامه های خود هستند و کدهای MatLab کار برای همه الگوریتم های مهم ارائه شده گنجانده شده است. همچنین می تواند به عنوان یک کتاب مرجع برای دانشجویان کارشناسی ارشد و کارشناسی ارشد در زمینه تصویربرداری زیست پزشکی، استخراج ویژگی های تصویر، تشخیص الگو و طبقه بندی استفاده شود. دانشگاهیان، محققان و متخصصان این را منبعی استثنایی می دانند.

This book introduces new techniques for cellular image feature extraction, pattern recognition and classification. The authors use the antinuclear antibodies (ANAs) in patient serum as the subjects and the Indirect Immunofluorescence (IIF) technique as the imaging protocol to illustrate the applications of the described methods. Throughout the book, the authors provide evaluations for the proposed methods on two publicly available human epithelial (HEp-2) cell datasets: ICPR2012 dataset from the ICPR'12 HEp-2 cell classification contest and ICIP2013 training dataset from the ICIP'13 Competition on cells classification by fluorescent image analysis. First, the reading of imaging results is significantly influenced by one’s qualification and reading systems, causing high intra- and inter-laboratory variance. The authors present a low-order LP21 fiber mode for optical single cell manipulation and imaging staining patterns of HEp-2 cells. A focused four-lobed mode distribution is stable and effective in optical tweezer applications, including selective cell pick-up, pairing, grouping or separation, as well as rotation of cell dimers and clusters. Both translational dragging force and rotational torque in the experiments are in good accordance with the theoretical model. With a simple all-fiber configuration, and low peak irradiation to targeted cells, instrumentation of this optical chuck technology will provide a powerful tool in the ANA-IIF laboratories. Chapters focus on the optical, mechanical and computing systems for the clinical trials. Computer programs for GUI and control of the optical tweezers are also discussed. to more discriminative local distance vector by searching for local neighbors of the local feature in the class-specific manifolds. Encoding and pooling the local distance vectors leads to salient image representation. Combined with the traditional coding methods, this method achieves higher classification accuracy. Then, a rotation invariant textural feature of Pairwise Local Ternary Patterns with Spatial Rotation Invariant (PLTP-SRI) is examined. It is invariant to image rotations, meanwhile it is robust to noise and weak illumination. By adding spatial pyramid structure, this method captures spatial layout information. While the proposed PLTP-SRI feature extracts local feature, the BoW framework builds a global image representation. It is reasonable to combine them together to achieve impressive classification performance, as the combined feature takes the advantages of the two kinds of features in different aspects. Finally, the authors design a Co-occurrence Differential Texton (CoDT) feature to represent the local image patches of HEp-2 cells. The CoDT feature reduces the information loss by ignoring the quantization while it utilizes the spatial relations among the differential micro-texton feature. Thus it can increase the discriminative power. A generative model adaptively characterizes the CoDT feature space of the training data. Furthermore, exploiting a discriminant representation allows for HEp-2 cell images based on the adaptive partitioned feature space. Therefore, the resulting representation is adapted to the classification task. By cooperating with linear Support Vector Machine (SVM) classifier, this framework can exploit the advantages of both generative and discriminative approaches for cellular image classification. The book is written for those researchers who would like to develop their own programs, and the working MatLab codes are included for all the important algorithms presented. It can also be used as a reference book for graduate students and senior undergraduates in the area of biomedical imaging, image feature extraction, pattern recognition and classification. Academics, researchers, and professional will find this to be an exceptional resource.