文 献 综 述

摘要：细胞分类是利用细胞学特征进行生物分类，实质上仅基于染色体的数目、结构与行为的分析，所以有些学者干脆称其为染色体系统发育或染色体分类。本文通过分析目前国内外部分专家学者对细胞分类研究的总体概况，梳理、总结了相关文献，并尝试用利用统计决策理论，给出分类决策方法来研究乳腺组织细胞分类。

关键词：细胞分类，图像识别，判别法，文献综述;

1 前言

细胞是有机体结构与生命活动的基本单位。细胞是包含了全部生命信息和体现生命所有基本特点的独立的生命单位。对细胞结构和活动的研究是一切生命科学的重要基础。细胞分类学中应用最广泛的是常规核型分析，即比较分析物种、亚种、种群的染色体的数目、形态（相对长度和臂比），及其减数分裂行为。此外，随着减数分裂染色体的研究，也开始采用联会线复合体核型分析；其次是分带核型分析，并以银染核仁组织者的数目和分布作为核型分析的参数。除此之外，目前数字图像处理、模式识别和人工智能技术已经被广泛地应用于细胞分类领域,并且取得了可喜成果。细胞分类为医学作出很大贡献，通过细胞分类学研究探索疾病的发生发展和转归的规律，为疾病的预防诊断和治疗提供新的理论，思路和方案。

2 国内外相关研究

2.1 国外研究

1994年，基于放射学评估的乳腺组织X光片的定量分类已被证明是对乳腺癌发病风险的最有力估计之一。然而，现有的分类方案受到粗范畴量表的限制。对此，Byng J.N，Boyd N.F. Fisheld等人[1]提出了一种应用于乳腺x光片的交互式阈值技术，该技术能够估测乳腺x光片中密集组织的比例。观察者在CRT显示器上观察图像并选择灰度阈值，从中确定密集组织的区域，然后根据直方图计算密度的比例。

2006年，Holalu Seenappa Sheshadri和Arumugam Kandaswamy[2]尝试基于乳腺X线照片的直方图强度水平对乳腺细胞进行分类，使用图像处理技术提取照片的统计特征，如平均值，标准差，平滑度，熵等，表示乳腺组织的重要纹理特征。基于乳腺X光片的这些特征的价值，二人尝试将乳腺组织分为四个基本类别，这种分类有助于医师进行进一步研究预测，这也是在计算机辅助检测系统检测异常乳腺细胞时的基本步骤。与其他现有方法相比，该方法得到的实验结果更好，其准确性已经通过数据库中给出的基本事实得到了验证。

2.2 国内研究

2002年，宁旭[3]用计算机图像处理及模式识别等信息技术对显微细胞图像的自动分析和分类的方法进行了研究，并针对医学图像分析中的难点（例如，显微切片图像背景复杂，分割困难），提出了基于归一化彩色空间和RGB，HSV彩色模型的两类分割方法：①利用模式识别技术中关于特征向量空间聚类的方法实施真彩色分割。②利用HSV模型，采用最大类间方差的阈值分割。这两种方式有效地利用了多维特征空间对于分割目标所提供的信息，使分割的准确性有了较大的提高。并进一步探讨了有关细胞形态及色度测量的技术，在原有的技术基础上完善了目标识别及轮廓跟踪的算法，使之可以测定多种参数，并提出了多项衡量细胞特征的指标，对细胞分类具有重要的指导意义。

2006年，谢文娟，曾立波等[4]介绍了一种结合决策树和极大似然法的多光谱骨髓细胞图像自动分类的方法,详细讨论了怎样确定决策树的结构,应用散点图挑选节点特征以及构造节点分类器并给出了分类结果。而且实验结果表明所提出的基于决策树的细胞分类方法对于多类的骨髓细胞分类识别极为有效,分类准确率远远高于单纯的极大似然法分类器,且分类的速度也令人满意。

2012年，翟成珺[5]研究了目前PRRS的国内外研究现状以及图像识别技术在医疗诊断领域的研究现状。从形状、纹理、颜色三方面对细胞进行了系统的特征提取。结合PCA特征变换和ReliefF特征选择各自的优点,提出了一种基于PCA和ReliefF的特征规约方法,该方法有效地降低了特征维数,消除了特征间的不相关性,并剔除了对分类预测贡献较小的特征。同年，李宽[6]对细胞图像的分割、纹理提取及识别中的关键技术进行了深入研究，主要包括单细胞图像中细胞核与细胞质边缘的精确提取、细胞图像的纹理提取及细胞图像多特征融合分类。尝试改进极限学习机分类器处理细胞图像分类中常存在的不平衡数据问题，提出一种基于射线梯度的GVF Snake主动轮廓模型，有效提取模糊边缘；将图像分成若干子块，计算各子块中特定尺度和方向Gabor系数的均值和方差，组成各块的特征矢量。按行列顺序将各块特征矢量拼接组成整幅图像的特征矢量。依据投票规则将多个两类分类器组合成多类分类器，并在两类分类器设计时自适应地挑选出最具分辨能力的最优特征子集。并在19个医学相关不平衡数据集上的实验验证了所提出的方法的有效性。

2013年，危浩[7]在对白细胞进行分类时，使用了几何特征值和颜色特征值，同时添加了59种纹理特征值，使得白细胞的分类效果有了显著的提升。还对选择合适的训练器参数值进行了深入研究，详细描述了交叉验证和网格搜索的方法。讲述了系统测试的意义，并对白细胞分割、分类的效果进行了测试验证和分析。

3 总结

通过对国内外研究的分析，细胞分类还是一个难题。不同的特征提取方法，得出的结论可能会有一定的不同。对于上述国内的学者的研究方法，已经超过了本人的知识范围。所以本人借鉴Holalu Seenappa Sheshadri和Arumugam Kandaswamy两个人的研究方法，利用灰度共生矩阵进行图像处理[8]，提取相应的特征值。由此二人提供的一些特征值，如平均值，标准差，平滑度，熵等，将其分成两组：训练样本与待判别样本。根据训练样本，运用距离判别法与贝叶斯判别法[9]得出每一类的基本特征，判别函数。通过判别函数，将待判样本进行分类，并且计算出误判率。

参考文献

[1] Byng J W , Boyd N F , Fishell E , et al. The quantitative analysis of mammographic densities[J]. Physics in Medicine amp; Biology, 1994, 39(10):1629-1638.

[2] Pratt W K . Digital Image Processing: PIKS Inside, Third Edition[M]// Digital Image Processing: PIKS Inside. John Wiley amp; Sons, Inc. 2001.

[3] 宁旭. 细胞分类识别技术的研究[D].重庆大学,2002.

[4] 李宽. 细胞图像的分割、纹理提取及识别方法研究[D].国防科学技术大学,2012.

[5] 谢文娟,曾立波,吴琼水,张燕.多光谱骨髓细胞图像分类方法研究[J].计算机工程,2006(03):203-205.

[6] 翟成珺. 图像识别技术在猪蓝耳病诊断中的应用研究[D].内蒙古农业大学,2012.

[7] 危浩. 血细胞自动分类系统的实现研究[D].华中科技大学,2013.

[8] Seenappa S H , Kandaswamy A . Breast Tissue Classification Using Statistical Feature Extraction Of Mammograms[J]. Medical Imaging and Information Sciences, 2006, 23.

[9] 张学工 编 模式识别（第三版）清华大学出版社.2010.8