作為病理圖像分析的基礎(chǔ)，細胞核檢測可為細胞形態(tài)、紋理等多種相關(guān)分析提供支持，對于臨床診斷具有重要意義。但是細胞核的人工識別過程十分費時費力，并且不同醫(yī)生之間存在主觀標注差異。因此，利用計算機技術(shù)進行自動檢測能夠更為客觀地實現(xiàn)細胞核定位，并使得檢測結(jié)果具有可重復性。然而自動化的細胞核檢測技術(shù)目前仍存在一些問題。首先，受不同病理中心制作流程不一的影響，病理圖像常常會存在染色深淺不一致以及偽影、模糊等人為干擾現(xiàn)象，為細胞核檢測任務帶來強烈的背景噪聲。其次，在病理圖像中細胞尺寸變化不一，形態(tài)差異懸殊，且不同細胞之間存在粘連或重疊等現(xiàn)象，為細胞核檢測任務帶來更多挑戰(zhàn)。

隨著近年來以深度學習為代表的人工智能技術(shù)的高速發(fā)展，出現(xiàn)了許多基于深度學習的細胞核檢測方法研宄，其可以充分發(fā)揮在大數(shù)據(jù)樣本上的優(yōu)勢，在細胞核檢測任務上取得了巨大的成功。但是目前基于深度學習的方法在訓練過程中往往需要大量的標注數(shù)據(jù)，而醫(yī)學圖像的標注依賴具有專業(yè)知識的醫(yī)生，標注成本極其昂貴。尤其在細胞核檢測領(lǐng)域中，每張圖像具有成千上萬的細胞核，標注散布在圖像上的每個細胞需要耗費大量時間和人力成本。在實際應用中，相比有標注數(shù)據(jù)而言，無標注數(shù)據(jù)的獲取代價極低。因此，如何在使用少量有標注數(shù)據(jù)的情況下，通過進一步利用無標注數(shù)據(jù)提高模型的預測性能己成為細胞核檢測領(lǐng)域的研究熱點。

鑒于此，提出一種MATLAB環(huán)境下基于高斯濾波器-廣義拉普拉斯算子的細胞核自動檢測方法，算法運行環(huán)境為MAYLAB R2018A，壓縮包=數(shù)據(jù)＋代碼＋參考文獻。

部分代碼如下：

clc;clear all
addpath(genpath([pwd '\GeneralLoG']));IMData4SymmetricVoting_1={'8913.tif'};
%IMData4SymmetricVoting_1={'117_H&E_07_7.tif'};for i=1:length(IMData4SymmetricVoting_1)curIMName=IMData4SymmetricVoting_1{i};curIM=imread(curIMName);curIMsize=size(curIM);[curIM_norm] = normalizeStaining(curIM);curIM_normRed=curIM_norm(:,:,1);%% using general LoG,%%% initial segmentationR=curIM_normRed; I=curIM;ac=5;    % remove isolated pixels(non-nuclei pixels)[Nmask,cs,rs,A3]=XNucleiSeg_GL_Thresholding(R,ac,I,1);      %% thresholding based binarization
%     show(Nmask); LshowBWonIM(Nmask,I);%%% gLoG seeds detectionlargeSigma=16;smallSigma=12; % Sigma valuens=XNucleiCenD_Clustering(R,Nmask,largeSigma,smallSigma);  %% To detect nuclei clumpsfigure(1),imshow(I);hold on,plot(ns(2,:),ns(1,:),'y+');hold on,plot(cs,rs,'g*');  
end

出圖如下：

工學博士，擔任《Mechanical System and Signal Processing》審稿專家，擔任
《中國電機工程學報》優(yōu)秀審稿專家，《控制與決策》，《系統(tǒng)工程與電子技術(shù)》，《電力系統(tǒng)保護與控制》，《宇航學報》等EI期刊審稿專家。

擅長領(lǐng)域：現(xiàn)代信號處理，機器學習，深度學習，數(shù)字孿生，時間序列分析，設備缺陷檢測、設備異常檢測、設備智能故障診斷與健康管理PHM等。