基于自監督學習的病理圖像層次分割

吳崇數，林 霖，薛蘊菁，時 鵬*

（1.福建師范大學數學與信息學院，福州 350117；2.數字福建環境監測物聯網實驗室（福建師范大學），福州 350117；3.福建醫科大學附屬協和醫院放射科，福州 350001）

（?通信作者電子郵箱pshi@fjnu.edu.cn）

0 引言

近年來，世界腫瘤發病率和死亡率仍呈上升趨勢［1］。作為腫瘤檢測的金標準，組織病理學檢驗對腫瘤的診斷有十分重要的參考價值。在腫瘤組織顯微圖像的分析中，蘇木精-伊紅染色病理切片是腫瘤組織顯微圖像分析中常用的染色方法之一［2-3］。病理切片中細胞核被堿性的蘇木精染成藍紫色，細胞質被酸性的伊紅染成紅色，因此HE 染色圖像中有三種不同的細胞結構：細胞核、細胞質和未染色的胞外間隙。然而，對于病理圖像分析而言，人工分析大量的HE 染色圖像數據是一項艱巨的任務，且分析的結果易受主觀因素的影響，工作效率難以提高。

隨著圖像處理技術在醫學領域的廣泛應用，HE染色圖像的自動分割成為計算機輔助診斷研究的重點之一。目前相關研究主要可分為兩類，分別是基于閾值［4-6］、形態學［7-9］的圖像處理方法與基于機器學習［10-13］的方法。其中基于閾值的方法主要通過對圖像進行預處理，使其易于進行閾值分割，如轉換色彩空間［4］、構建超像素圖像［5］，或利用優化算法得到最優閾值［6］?；谛螒B學的方法通過像素強度、梯度流和不同細胞結構間的染色差異來尋找分割邊界，如統計水平集［7］、活動輪廓模型［8-9］以及其他的邊緣檢測算法。但由于染色后細胞核、細胞質以及胞外間隙之間沒有明確的界限，難以尋找合適的閾值將各組織結構加以區分；而細胞核形狀的多樣性也導致在細胞核檢測和分割中難以建立穩定的形狀模型。

基于機器學習的方法則通過將圖像中的所有像素劃分為不同的類別達到分割的目的，近期在病理圖像分割方面大部分為基于深度學習的監督學習方法。文獻［10］利用多尺度卷積網絡和基于圖分割的方法實現了一個從粗到細的細胞核分割框架；文獻［11］設計了類似于U-Net 的卷積神經網絡結構進行各組織語義分割；文獻［12］提出了一種基于全卷積網絡的深度輪廓感知網絡，可同時輸出分割概率圖及核間輪廓線；文獻［13］將快速掃描深度卷積神經網絡應用于像素級區域分割。雖然上述的基于卷積神經網絡的方法在各自的實驗中都取得了非常好的分割效果，但是在實際的HE 染色組織病理圖像分析時，采用監督學習方法存在的困難主要有兩點：第一，對病理圖像的各組織輪廓標注是一項耗時且繁瑣的任務；第二，HE染色質量參差不齊，染色結果存在較大差異，這使得如何選取訓練樣本成為一個難題，且每一個網絡的分割能力與訓練樣本密不可分，泛化能力差。

在臨床實踐中，高通量計算機輔助HE 染色圖像處理需要高魯棒性和盡可能少的人工參與，將染色誤差和主觀錯誤對結果的影響降到最低。本文方法基于自監督學習思想，通過像素的第一層聚類，得到用于精確分類的帶標簽的訓練樣本，在基于可靠性選擇的訓練樣本基礎上再進行第二層分類，達到精確分割各類組織的目的。首先，在特征提取時考慮了HE 圖像的色彩強度和局部相關性，對RGB 色彩空間進行互信息計算進行特征選擇。將得到的與分割結果具有高相關性的特征進行組合，通過K-means 像素級聚類將圖像分割成各類色彩穩定的預定義組織結構以及各類模糊區域。其中預定義色彩穩定區域包括細胞核色彩穩定區域、細胞質色彩穩定區域和胞外間隙色彩穩定區域，模糊區域包括核質模糊區和質隙模糊區。然后，將預定義組織結構穩定色彩區域組成訓練集，采用樸素貝葉斯分類方法，對模糊區域進行像素級精確分割并通過形態學后處理，得到細胞核、細胞質和胞外間隙之間的精確邊界。最后，對粘連細胞核區域進行基于形狀和色彩強度相結合的混合分水嶺分割，得到單個細胞核之間的準確邊界，為病理學家對特定細胞核或感興趣區域（Region of Interest，ROI）進行深入量化分析提供可靠依據。

1 本文方法

為了得到有效且穩定的HE 染色圖像分割結果，如圖1所示，本文提出了一系列自動化處理流程，包括圖像預處理、特征提取、K-means聚類、樸素貝葉斯分類以及粘連細胞核分割。該流程能夠準確分離出圖像中細胞的不同組織結構，在此基礎上進行的量化分析所得一系列指標將幫助病理學家更高效地做出診斷。

圖1 基于自監督學習的HE病理圖像分割流程Fig.1 Flowchart of HE stained pathological image segmentation based on self-supervised learning

1.1 HE染色圖像獲取

本文中采用的病理圖像樣本為腦膜瘤組織HE 染色圖像。世界衛生組織（World Health Organization，WHO）將腦膜瘤分為三級：良性腦膜瘤（WHO Ⅰ級）、非典型腦膜瘤（WHOⅡ級）和間變型或惡性腦膜瘤（WHO Ⅲ級），并將一級稱為低級別腦膜瘤，將二、三級稱為高級別腦膜瘤［14］。實驗中所收集的組織樣本為高級別和低級別兩類腦膜瘤組織切片，均來自福建醫科大學附屬協和醫院的臨床病例（倫理批件號：2019KJTYL024）。在染色圖像獲取階段，對宏觀組織切片進行切分得到微觀組織切片，并用文獻［15］中所述的標準組織學方法進行HE 染色。最后得到大小為2 048×1 536×24 比特的RGB 圖像并存儲為tif格式。由于原始HE 染色圖像通常存在兩種質量問題，即染料在組織細胞上的分布不均勻以及細小顏料顆粒形成的椒鹽噪聲。根據圖像的特點，使用滑動窗口為5×5的中值濾波器［16］和高斯濾波器［17］相結合的方式對圖像進行濾波處理，使得圖像的色彩強度均勻化并消除了椒鹽噪聲。

1.2 高相關特征提取建立初始特征集

本文所提出的自監督像素級分割方法的關鍵在于將每個像素作為一個單獨的樣本，從而將基于形態學特征的傳統圖像分割方法轉變為基于像素的分類方法。因此，選擇與分類結果具有高相關性的特征在該方法中起著決定性作用。如圖2 所示，通過計算各類色彩特征與像素最終分類結果的互信息對特征進行選擇，其中互信息能夠反映類標簽與備選特征之間的相關程度，互信息值越大，表示該特征對分類的結果影響越大［18］。此外，由于不同分類結果對應的特征互信息有較大差異，因此選取將像素分為三類的完整類標簽和僅包含細胞核與背景的兩類標簽分別進行計算，增強特征選取的魯棒性。

為節省圖像預處理時間，提高分類效率，基于最常用的RGB色彩空間進行特征選擇。具體計算方法包含以下步驟：

1）在RGB 色彩空間中，呈藍紫色的細胞核、紅色的細胞質以及白色的胞外間隙都有其特定的色域表現，因此能夠有效分辨HE 染色圖像的各細胞結構的色彩差異，故將RGB 色彩空間的各個色彩通道作為備選特征，如圖2（d）～（f）所示。

2）基于層次K-means 聚類的HE 染色圖像分割模型［19］已經被證明對于HE 染色圖像的分割是有效的，因此將其作為基準分割模型，獲得不同組織的可靠的類標簽，如圖2（b）所示。

3）分別計算各備選特征與類標簽之間的互信息值。以離散變量為例，兩個隨機變量X與Y之間的互信息定義如下：

其中：Ωx、Ωy分別為X、Y的樣本空間；p(x)、p(y)分別為X、Y概率密度函數；p(x，y)是X、Y的聯合概率密度。

圖2 用于互信息計算的特征導向圖Fig.2 Feature-oriented graphs for mutual information calculation

表1互信息的計算結果給出了RGB色彩空間的三個色彩通道與類標簽的互信息值。由互信息計算結果可知，在RGB色彩空間中，R、G 兩個色彩通道為分類結果提供的信息量相近且都要遠大于B 色彩通道，因此選擇R、G 兩個色彩通道并將其映射到二維特征空間中形成二維特征，將該二維特征表示為(R，G)。

表1 類標簽與備選特征間的互信息值Tab.1 Mutual information values between class labels and candidate features

1.3 第一層K-means聚類粗分割獲得自監督訓練樣本集

選取的二維特征集以色彩強度的形式保留了不同組織結構的色彩信息，因此使用K-means 聚類［20］可以將屬于不同類型的組織結構自動地進行劃分，對組合好的特征集進行聚類，并根據色彩強度值的特點采用曼哈頓距離作為相似度指標。其中曼哈頓距離表示兩個點在笛卡爾直角坐標系上的絕對軸距之和，定義如式（2）所示：

其中：(xi，yi)和(xj，yj)為兩個樣本點特征量，d(i，j)為它們之間的曼哈頓距離。

由于HE 染色圖像中，染色細胞核、細胞質以及胞外間隙之間界限較模糊，基于這一特點首先將像素聚類為以下5 類：細胞核色彩穩定區域、核質模糊區、細胞質色彩穩定區域、質隙模糊區以及胞外間隙色彩穩定區域。圖3（b）給出了HE 染色圖像經K-means 聚類后的每個像素所屬的類別及分布，其中不同的像素類別色彩由外到內分別定義為淺黑色、淺灰色、灰色、淺白色、深灰色。紅色（深灰色）為胞外間隙像素，黃色（淺白色）為質隙模糊區像素，綠色（灰色）為細胞質像素，青色（淺灰色）為核質模糊區像素，藍色（淺黑色）為細胞核像素。由圖3（c）、（e）和（g）可以看到細胞核色彩穩定區域、細胞質色彩穩定區域和胞外間隙色彩穩定區域在原圖中的分布，分別代表了各自所屬細胞結構核心區域的染色色彩強度，因此也是最接近先驗知識的色彩部分，其分布近似于人類專家的標注結果，可作為自監督學習中第二層精確分類的標記樣本。圖3（d）為核質模糊區，其中的像素的RGB 值處于細胞核色彩與細胞質色彩的過渡區域。圖3（f）為質隙模糊區，其中的像素的RGB值處于細胞質色彩與胞外間隙色彩的過渡區域。

圖3 K-means聚類結果Fig.3 K-means clustering results

1.4 第二層樸素貝葉斯分類精細分割各類組織區域

由于核質模糊區和質隙模糊區屬于色彩過渡區域，因此二者需要根據一定的先驗知識才能對其進行精細分割。由聚類所得到的細胞核穩定區域、細胞質穩定區域和胞外間隙穩定區域的色彩分布最接近先驗知識，可基于此對模糊區域進行分割。本文采用樸素貝葉斯分類器對模糊區域進行像素級分類。

設S=(s1，s2，…，sn)為一個待分類項，每個si為S的一個特征屬性?，F有類別集合C=(c1，c2，…，cm)，求出在S的特征條件下，所有類別的概率，選取概率最大的類別作為S的類別標簽，可以得到樸素貝葉斯分類器的計算式［21］定義如下所示：

其中：V(S)為S的類別標簽。對于所有類別，p(S)是一個常數，p(ci)為類別先驗概率，p(s1|ci)，p(s2|ci)，…，p(sn|ci)是在類別為ci的條件下S中各特征屬性的條件概率，這些都可以從訓練集中得到。在此處，訓練集由細胞核色彩穩定區域、細胞質色彩穩定區域和胞外間隙色彩穩定區域的像素組成，待分類樣本由核質模糊區和質隙模糊區的像素組成。

在進行樸素貝葉斯分類實驗中發現，訓練集樣本數量不足可能導致分類精度降低。因此需要對訓練樣本進行擴充，以提高細胞核的分割精確度，擴充的訓練數據集由以下因素決定：

1）對細胞核的精確分割是HE 染色圖像分割的首要任務。

2）如圖3（d）和（f）所示，模糊區域主要集中在藍色細胞核與紅色細胞質區域。

3）由圖3（g）可知，在進行像素聚類后，白色的胞外間隙部分已基本完全區分。

結合互信息的計算結果可知，R 色彩通道對細胞核的分割有最大的貢獻，因此，取RGB 色彩空間中的R 色彩通道，并對其進行窗口大小為5×5、步長為1的均值濾波。

由式（4）計算所得特征記為R'，并用其代替原特征集(R，G)中的R特征，構成新的二維特征集(R'，G)，將(R，G)和(R'，G)一同作為樸素貝葉斯分類器的訓練集。擴充訓練集后，增加了R 色彩通道在進行樸素貝葉斯分類時的權重以及增強圖像的局部相關性?；跀U充后的訓練集，計算各組織結構的先驗概率，待分類樣本基于這一先驗概率計算后驗概率，取最大的后驗概率作為待分類樣本的類別。在圖4 中，圖（a）中兩種模糊區域所有的像素經樸素貝葉斯分類后得到模糊區域像素所屬的三個預定義類別，如圖（b）中所示；在與第一層聚類所得的穩定區域結合后，得到完成分割后的所有像素分布圖，如圖（c）所示，紅色（深灰色）屬于胞外間隙的像素，綠色（灰色）屬于細胞質的像素，藍色（淺黑色）屬于細胞核的像素；圖（d）為總模糊區域；圖（e）為第二層分割后的分割結果類標簽偽彩色圖像。

圖4 樸素貝葉斯分類結果Fig.4 Naive Bayesian classification results

1.5 第三層粘連細胞核分割劃分單個細胞邊界

在臨床生物學研究中，需要對組織病理學圖像中的不同細胞結構進行定量分析，如計算細胞核數量、核質比等指標［19］。細胞核數量是腫瘤的分析的重要指標之一，僅將細胞核區域簡單分割不能滿足研究需求；因此，需要對細胞核區域進行精確分割，找到每個細胞核的邊界。分水嶺算法［22］是一種圖像區域分割法，在分割的過程中，它會把跟鄰近像素間的相似性作為重要的參考依據，從而將在空間位置上相近并且灰度值相近（求梯度）的像素點互相連接起來構成一個封閉的輪廓。分水嶺算法常用的操作步驟如下：彩色圖像灰度化，然后求梯度圖，最后在梯度圖的基礎上進行分水嶺分割，求得分段圖像的邊緣線［23］。由于存在一些細胞核粘連緊密，導致相互間的邊界色彩無法與細胞核色彩進行區分，因此僅進行基于色彩標記的分水嶺分割無法滿足實際需要。針對HE 染色圖像中粘連細胞特點，本文采用基于色彩標記與基于形態學相結合的混合分水嶺分割方式加以改進。在設計初始標記（即區域極小值點）時，取聚類得到的細胞核色彩穩定區域進行形態學處理，得到初始標記，并以此進行第一階段的分水嶺分割。根據得到的細胞核形狀，進行第二階段的基于形狀的分水嶺分割，得到最終的分割結果，如圖5所示。

圖5 細胞核區域分水嶺分割效果Fig.5 Nucleus region segmentation effect based on watershed algorithm

1.6 病理圖像關鍵特征測量

本文采用文獻［19］中定義的一系列腫瘤HE 圖像的特征指標對分割后圖像進行量化分析。如表2 所示，這些關鍵指標表征了健康組織和腫瘤組織之間的形態差異，且能夠反映出腫瘤的進展情況。其中，細胞核數量、細胞核面積占比和細胞核與細胞質的面積比三種定量指標與腫瘤的發展具有高度相關性，它們構成了相關病理統計分析所需的組織學微觀結構，并且已經在淋巴瘤定量實驗［19］中得到證實。

表2 腫瘤組織細胞的關鍵形態特征集Tab.2 Key morphological feature set of tumor tissue cells

2 實驗與結果分析

在進行HE 染色組織切片圖像采集時，不同時間、光照、對比度等條件下得到的圖像的色彩有較大的差異，而且不同級別的腦膜瘤在細胞密度、細胞核占比以及核質比等指標上也存在差異，因此本文以腦膜瘤HE 染色圖像驗證算法的魯棒性及精度。實驗中選取高低級別腦膜瘤的HE 染色組織切片共46 例，其中高級別23 例，低級別23 例。圖像獲取過程中，選取每個組織切片中的5 個典型感興趣區域（Region of Interest，ROI）進行圖像采集，構成實驗用HE圖像樣本集。與此同時，在2.50 GHz CPU 和8 GB RAM 的且無并行計算優化的環境下，使用Matlab 處理1 536×2 048像素的RGB 圖像。本文實驗共使用230（46 組×5）幅HE 染色圖像對全自動分割模型進行評估，并針對以下三種評估方式進行了系統性實驗：1）算法魯棒性分析；2）與前期方法的分割效果對比；3）與人工專家的分割結果對比。

2.1 算法魯棒性分析

由于HE 染色圖像的色彩分布受多種因素的共同作用，不同的采樣組之間會呈現出圖像色彩和細胞核形狀上的多樣性，因此實現不同組HE 染色圖像的精確分割對算法的魯棒性是一個巨大的挑戰。為檢驗本文的分割算法在處理不同組HE染色圖像時的穩定性，基于同一組織切片所得到的圖像中各類細胞組織分布具有相對較高的相似度這一特點，本文從46 組HE 染色切片數據集中隨機選取了10 組作為10 個樣本，分別計算每組圖像中細胞核、細胞質面積占比與核質比等能夠反映細胞組織分布的特征，然后對每組所得到的數據計算標準差作為算法穩定性的判據，實驗結果如圖6所示。

圖6 不同組圖像各指標計算結果的標準差對比Fig.6 Standard deviation comparison of each indicator calculation result for different group of images

從圖6中可以看出，對于屬于同一組織切片的HE 染色圖像，細胞核區域占比、細胞質區域占比和核質比的各自標準差都保持在10%以內，大部分在5%以內。這可以反映出以下兩點：第一，所選定的組織切片上的細胞組織分布基本一致，可作為圖像分割實驗的可靠依據。第二，本算法對不同級別腦膜瘤的HE 染色圖像的處理具有較高的穩定性，且對細胞核分割的穩定性高于對細胞質和胞外間隙的分割穩定性。

2.2 HE圖像自動化分割方法對比

在對組織進行蘇木精-伊紅染色時會受到各種因素的影響，導致獲得的圖像質量下降。其中染料分布不均勻是最為常見的一種情況。染料分布不均勻會出現細胞核染色過淺或者細胞質染色過深的情況，這使得細胞核與細胞質之間沒有清晰的色彩邊界。因此在使用層次K-means 聚類對這類低質量HE 染色圖像進行分割時，會出現這樣一種情況：第一次聚類將較深的細胞質區域劃分到細胞核中，第二次聚類在隨機選擇初始類中心時，屬于細胞核類的聚類中心就會向細胞質區域偏移，導致第二次聚類時將原屬于細胞質區域的部分像素再次劃分到細胞核中，再加上圖像區域填充，裂縫修復等圖像后處理步驟，就會產生成片的粘連區域，導致后續無法對細胞核進行精確分割的同時也降低了細胞核的分割精度。圖7中的兩幅圖像由于細胞質染色過深導致使用類別為3 的K-means聚類進行劃分時，顏色較深的細胞質區域像素被錯誤地劃分為細胞核區域，由此產生成片的粘連細胞核區域，加上分水嶺分割后的效果如圖7 中的層次K-means 聚類分割結果圖。

圖7 低質量圖像分割效果對比Fig.7 Low quality image segmentation effect comparison

本文中改進的算法在進行第一層的聚類時，不直接將類別數設置為預定義結構的3 類，而是設置為5 類，目的是能夠將邊界過渡區域劃分出來，并且得到的細胞核區域、細胞質區域和胞外間隙區域的色彩穩定區域，將其作為監督樣本集。通過計算各類別的先驗概率，第二層的樸素貝葉斯分類基于此先驗概率對模糊過渡區域像素進行分類，效果如圖7 中的本文方法分割結果。

2.3 對細胞核邊界精確分割

細胞核數量是反映HE 染色病理圖像分割精度的金標準，也是HE 染色圖像分割的首要任務。細胞核的量化指標對病理圖像分析起著至關重要的作用。在此設計實驗對比幾種常用的細胞核分割方法的分割效果，其中包括在醫學圖像處理上常用的ImageJ 軟件［24］中的細胞核計數插件RetFM-J 方法［25］，基于色彩標記的分水嶺分割方法［26］和基于細胞核形態的分水嶺分割方法［27］。從實驗的高級別和低級別腦膜瘤HE染色圖像組中分別隨機選取3 組（一共6 組，每組中有5 幅圖像，總圖像數為30 幅）作為待測樣本，然后用不同的幾種分割的算法和病理學專家分別進行細胞核個數統計。由于圖像中的細胞密度較大，病理學專家將每幅圖等分成16（4×4）個區域，每個區域大小為384×512 像素，然后專家根據細胞分布選擇4 個ROI 進行測量，并基于細胞均勻分布的原則估計整個圖像的相關指標。詳細的計數對比結果如表3 所示，以專家計數作為衡量算法準確度的標準，RetFM-J方法的細胞和計數遠大于專家計數結果，基于色彩標記的分割方法僅將第一次K-means 聚類結果的細胞核核心色彩部分作為色彩標記進行分水嶺分割，基于形態的分割方法將細胞核區域僅依靠粘連細胞形態進行分割，本文方法將色彩標記和形態分割進行結合。

表3 給出了各種方法的計數結果與專家計數的誤差及方差情況。

從表3 中可以看出：本文方法的誤差基本保持在5%以內，平均精度在96%以上，與其他方法相比，其方差維持在一個較低的水平；而且，本文方法對低級別3 號樣本的分割誤差與其他組的差距較大，其原因可能為在進行染色組織圖像獲取時，所選取的5個ROI區域的細胞分布不均勻。表3中的計數對比結果反映出對隨機抽取的6 組樣本細胞核計數結果中，本文的混合分水嶺分割方法的細胞核數量最接近專家的計數結果。在細胞核形狀較為均勻且均呈近似圓形的情況下，基于細胞形態的分割方法的分割精度也可能接近專家的計數結果。部分由本文的全自動分割方法的分割效果圖放置在圖8 中。結合表3 和圖8 可知，本文提出的自動化分割方法可以代替傳統人工計數方法，大大提高病理分析效率。

圖8 高低級別腦膜瘤HE染色圖像的分割效果Fig.8 Segmentation effect of HE stained images of high and low grade meningiomas

表3 細胞核統計結果對比Tab.3 Comparison of nucleus statistics

3 結語

作為最常用的組織染色技術之一，HE染色圖像被廣泛應用于組織病理學分析。然而，與其他染色技術相比，HE 染色圖像存在結構邊界模糊、切片染色不均勻等問題，且不同實驗環境下得到的圖像的色彩有較大的差異，對算法魯棒性和準確性要求較高。這使得HE 染色圖像的高通量分析難以進行，也是制約分析效率的主要原因。

本文提出的方法將無監督學習K-means 聚類方法和有監督學習樸素貝葉斯分類方法相結合，形成了HE 染色圖像全自動分割并量化輸出相應指標的完整過程。三層逐步求精的自監督分割方法根據HE 染色病理圖像本身的像素特點，自適應地尋找個組織結構色彩穩定區域作為監督樣本，使得分割結果更加穩定和有效。實驗結果表明，所提出的全自動自監督學習方法無需人工干預，在細胞核計數上已經達到了病理學專家水平。

與前期全自動層次K-means 聚類方法［18］相比，所提出的方法改進體現在以下幾點：第一，將特征控制在RGB 色彩空間，并從中提取精煉的特征，不需要進行特征空間轉換或更多的特征計算，降低了特征提取階段的計算量。第二，通過對HE染色圖像的色彩分布分析改進了聚類的類別數，提取到了各結構的穩定核心色彩區域，為實現第二層的樸素貝葉斯分類提供可靠依據。第三，因為監督集的存在，克服了層次聚類在一些低質量圖像上常見的分割錯誤。此外，在未經優化的常規實驗環境下，本文方法處理一幅圖像平均時間花費在35 s左右，完全能夠滿足臨床使用的實時性要求。

本文提出的方法優勢主要集中在以下幾個方面：第一，與傳統HE 染色圖像分割方法相比，該方法以單個像素作為研究對象，解決了基于形態學的分割方法在處理低質量圖像時所存在的問題，同時考慮到鄰域像素的影響，提取局部相關特征，提高了分割的準確性和魯棒性。第二，與有監督方法相比，所提出的方法的訓練樣本由聚類自動生成，不需要額外的人工標記樣本，可以實現全自動化批量處理。由于大部分HE染色圖像與本實驗所使用的腦膜瘤HE 圖像有著相似或相同的細胞結構和色彩分布特性，因此本文的算法存在較強的泛化能力，能夠適應不同類型的HE 染色圖像分割任務。未來對本文方法進一步提升的方面將主要集中在第一層的聚類過程中。由于K-means 聚類在選擇初始類中心時存在不確定性，可能會導致所產生的監督集不準確進而影響第二層的分割結果，最終導致分割精度下降?；旌戏炙畮X分割由于色彩標記的選擇策略以及細胞核形態的多樣性導致其仍然存在一定的過分割現象，針對這兩個問題，在今后的研究中可以加入一些標注樣本使得第一層產生的監督集更加準確，設計更穩定的混合分水嶺分割模型以提高細胞核分割精度。