| Autor: |
Dimitrakopoulos, Panagiotis |
| Přispěvatelé: |
Νίκου, Χριστόφορος, Λύκας, Αριστείδης, Μπλέκας, Κωνσταντίνος |
| Jazyk: |
angličtina |
| Rok vydání: |
2020 |
| Předmět: |
|
| Popis: |
The majority of the histological images are stained with two or more chemical dyes, each one responsible to enhance particular components of cellular structures. Stain color deconvolution is a prominent factor of the analysis pipeline in most histology image processing algorithms, which aims to separate a color image into the concentration of each stain present in it. In this thesis, following previous works, we formulate the blind color deconvolution problem within the Bayesian framework. Our model takes into account both spatial relations among the concentration of image's pixels and the overall image edge structure. Using Variational Bayesian inference we estimate the concentration and color of each stain. We evaluate our method in comparison to some of the state-of-the-art color deconvolution algorithms using real images. Η μεταπτυχιακή αυτή εργασία έχει ως στόχο τη μελέτη του προβλήματος της αυτόματης χρωματικής αποσυνέληξης σε ιστολογικές εικόνες από μικροσκόπια φωτεινού πεδίου. Οι περισσότεροι ιστοί που μελετούνται στο πεδίο της ιστολογίας είναι άχρωμοι, γι’ αυτό το λόγο έχουν αναπτυχθεί τεχνικές για τη χρώση των ιστών. Από όλες τις χρωστικές, ο συνδυασμός της αιματοξυλίνης και ηωσίνης είναι αυτός που χρησιμοποιείται πιο συχνά. Η αιματοξυλίνη χρωματίζει μπλε περιοχές όπως ο πυρήνας ενώ η ηωσίνη χρωματίζει με ροζ το κυτταρόπλασμα. Πολλοί παράγοντες επιφέρουν σημαντικές διαφοροποιήσεις στα φασματικά χαρακτιριστικά της κάθε χρωστικής. Η αυτόματη χρωματική αποσυνέληξη έχει ως στόχο να εκφράσει μία επιχρωματιμένη εικόνα σε δύο ποσότητες, την συγκένρωση της κάθε χρωστικής που είναι παρούσα στην εικόνα και τα χαρακτηριστικά (RGB χρώμα) της κάθε χρωστικής. Συγκεκριμένα, στην παρούσα εργασία βασιζόμαστε σε μία πιθανοτική μέθοδο η οποία χρησιμοποιεί Μπευζιανή μεθοδολογία για να εκτιμήσει την συγκέντρωση και το σχετικό χρώμα της κάθε χρωστικης σε μία εικόνα και προτέινουμε μία επέκτασης της παραπάνω μεθόδουν που λάμβάνει υπόψη την ομοιογένεια των κοντινών εικονοστοιχείων σε μία εικόνα και με την χρήση Student κατανομών. 76 σ. |
| Databáze: |
OpenAIRE |
| Externí odkaz: |
|
