In recent years, microscopy cell image analysis systems have played a significant part in a wide range of areas such as quantitative pathology, cell biology, pharmacology, and so on. In these systems, cell nuclei segmentation is one of the most essential and important tasks. Despite enormous research efforts and advances, cell nuclei segmentation still remains a big challenge for current cell image analysis systems due to the complex nature of cell nuclei. In a fully automatic cell nuclei segmentation process, one of the main issues to overcome is the problem related to segmenting ``cell clusters" (i.e., overlapped nuclei) since such nuclei will often affect the quantitative analysis of cell images. In this thesis, we present an unsupervised Bayesian clustering scheme for separating cell clusters. The proposed approach first involves applying the distance transform to overlapped nuclei. The topographic surface generated by distance transform is viewed as a mixture of Gaussians in the proposed algorithm. In order to learn the distribution of the topographic surface, the parametric expectation-maximization (EM) algorithm is employed. Cluster validation is performed to determine how many nuclei are overlapped. Our proposed approach incorporates a priori knowledge about the regular shape of single cell nuclei to yield more accurate nuclei delineation results. Extensive experiments have been conducted on a large scale challenging dataset of real-world cell images. Our results demonstrate that the proposed method yields superior segmentation performance, compared to existing state-of-the-art approaches.
최근 현미경 세포 영상 분석 시스템은 정량적 및 실험적 병리학, 세포 생물학, 약리학 등과 같은 분야에서 중요한 역할을 하고 있다. 이러한 시스템들에서 세포핵 분할은 가장 필수적이면서도 중요한 과정 중 하나이다. 이에 대한 많은 연구가 있어왔음에도 불구하고 세포핵의 복잡한 특성들 때문에 세포핵 분할은 세포 영상 분석을 위해 여전히 풀어야 할 어려운 문제로 남아 있다. 자동 세포핵 분할 과정에서 가장 어려운 문제는 겹쳐진 세포핵을 분할해 내는 것이며 겹쳐진 세포핵들은 세포 영상의 정량적인 분석에 큰 영향을 미친다. 본 논문에서는 겹쳐진 세포핵 분할을 위한 베이시안 군집화 접근 방법을 제안한다. 제안하는 방법에서는 먼저 겹쳐진 세포핵에 대한 거리 변환을 수행하며 거리 변환에 의해 생성된 지형적 표면을 가우시안 혼합 모델로 가정한다. 지형적 표면의 분포에 대한 학습을 위해 파라메트릭 EM (expectation-maximization) 알고리즘을 이용한다. 군집 유효성 지표를 이용하여 겹쳐진 세포핵의 개수를 추정한다. 또한 제안하는 방법에서는 좀 더 세밀한 세포핵 정량화를 위해 세포핵의 일반적인 형태에 대한 사전 지식을 이용한다. 제안하는 방법의 효율성을 검증하기 위해 다양한 현미경 세포 영상들로 구성된 데이터베이스를 이용해 광범위한 실험을 진행하였으며 본 논문에서 제시된 실험결과들은 제안하는 방법이 기존의 세포핵 분할 방법들에 비해서 우수한 분할 성능을 보임을 증명한다.
