半自动化计算方法用于识别纤维化，以增强组织病理学决策支持 亚历山德鲁-乔治·贝尔丘（Alexandru-George Berciu）、 戴安娜·鲁斯-贡恰尔（Diana Rus-Gonciar）、 特奥多拉·莫坎（Teodora Mocan）、 露西亚·阿戈斯顿-科尔迪亚（Lucia Agoston-Coldea）、 卡门·奇翁卡（Carmen Cionca）以及 埃娃-亨丽埃塔·杜尔夫（Eva-Henrietta Dulf）

《Journal of Imaging》：Semi-Automated Computational Identification of Fibrosis for Enhanced Histopathological Decision Support Alexandru-George Berciu, Diana Rus-Gonciar, Teodora Mocan, Lucia Agoston-Coldea, Carmen Cionca and Eva-Henrietta Dulf

　　摘要：心肌纤维化是一个关键的预后标志物，涉及一系列渐进性的病理状况。在心肌样本中准确评估纤维化是病理学家的一项常规但具有挑战性的任务。本文介绍了一种半自动化系统，旨在简化这一任务，同时提供超出手动估计能力的像素级精度。所提出的创新方法结合了Gabor滤波器和CIELAB颜色空间分析，以确保计算的效率和可解释性。通过对组织病理学样本的测试，区分纤维化组织、健康组织和变异组织，该系统在检测到纤维化的图像上达到了87.5%的准确率，在所有45张测试图像上的准确率为80%。这一系统为自动化诊断奠定了坚实的基础，为病理学家提供了一种可靠且高度精确的工具，用于心脏组织的定量分析。

1. 引言
2019年，全球33%的死亡是由心脏病引起的[1]。具体来说，在5500万例死亡中，有1850万例是由心血管疾病导致的，比1008万例癌症相关死亡多出约800万例。在美国也发现了同样的趋势，每33秒就有人因心血管疾病死亡，2018年至2019年间给美国医疗系统造成了2399亿美元的损失[2]。心肌纤维化是一系列心血管疾病的最终结果[3,4]，其发展过程从组织损伤到炎症再到纤维化[5,6]；因此，早期诊断可以挽救数百万人的生命。心肌纤维化可以在多种心脏或系统性疾病中识别出来，这些疾病在临床上会发展为心力衰竭。此外，它还会扭曲心肌结构并改变细胞外基质的组成，从而直接导致心力衰竭的发生及其恶化[7]。
影像评估对于确立明确和病因诊断以及提供具有预后作用的信息至关重要。然而，组织学分析提供了关于纤维化模式的补充信息[8]。此外，心肌的显微镜检查是尸检（无论是临床还是法医）的重要组成部分，特别是在猝死的情况下[9]。对于病理学家来说，进行心肌纤维化的显微镜检查存在一些实际困难。病理过程的局部性质、无法全面进行显微镜检查，以及在局部病理情况下采样错误可能导致假阴性结果，这些都需要额外的工具来帮助病理学家提高诊断准确性[10]。近年来，多模态心脏成像技术的发展迅速，特别是心脏磁共振成像，它允许通过晚期钆增强来评估心肌成分甚至纤维化[11]。同时，研究数字工具以提高组织学评估的效率、简化诊断过程和提高诊断准确性越来越受到关注，作为解决组织学局限性的方法[12,13]。使用自动化系统进行纤维化检测是文献中广泛讨论的话题[14,15,16,17,18,19,20]。为了使这些系统可用，它们需要大量的训练图像。例如Iowa Virtual Slidebox[21]。然而，训练网络需要大量的计算资源，这也意味着高能耗。为了克服这些缺点，基于机器学习的方法更为合适[22]，并且被用来划定感兴趣的区域[23]。
为此，一些研究人员使用CIELAB颜色空间来识别心脏[12,24]或肾脏[25]中的纤维化。在CIELAB颜色空间中，颜色由三个数字L*表示感知亮度，a*和b*表示人类视觉中的四种不同色调：红色、绿色、蓝色和黄色[26]。在CIELAB中，一个感知上均匀的空间中，给定的数值变化应该对应于相应的颜色变化[27]。LAB空间在感知上并不均匀，但在工业上用于检测细微的颜色变化[28]。
其他研究团队使用Gabor滤波器处理图像，并结合卷积神经网络（CNN）进行分析[29]。由于其同时在频率和空间域中的理想定位，Gabor滤波器作为一种线性滤波器，非常适合用于纹理映射的特征提取[30]。由Vukka Snigdha领导的研究团队[31]使用Gabor滤波器和MobileNet深度学习模型，在包含277,524个补丁的乳腺组织病理学图像数据集上实现了91%的准确率。纹理分析也是检测人类眼睛无法识别的特征的重要元素，可以自动执行以检测纤维化[32,33]。
为了提高使用机器学习方法进行纤维化检测的当前知识水平，作者对文献进行了严格的回顾。据我们所知，没有论文提出一种适用于不同类型载玻片的半自动化诊断系统，并且不使用神经网络来选择纤维化区域。
评估纤维化是病理学家在评估心肌时的常规活动。因此，为了支持病理学家的重复性工作，本研究提出了一种半自动化诊断系统。本文提出的解决方案基于在CIELAB颜色空间中分析多个苏木精和伊红染色的图像，并使用Gabor滤波器处理纹理。该研究在该领域做出了两项新颖的贡献。首先，它采用CIELAB和Gabor来诊断心肌纤维化，这种方法旨在克服当前测试数据中的限制，适应不同质量的载玻片图像。其次，它没有神经网络的计算劣势。尽管文献中已经开发并展示了基于CNN[29]或仅基于CIELAB颜色空间[24]的自动化解决方案，但本文的不同之处在于它包含了Gabor滤波器，后者在纹理分析方面已被证明具有优越性，这是纤维化分析领域所需的能力。

2. 材料与方法
CIELAB颜色空间分析在MATLAB? R2024B和Python版本3.12.7中实现，而使用Gabor滤波器的测试则在MATLAB?中进行。对于MATLAB?实现，使用了R2024B版本和Image Processing Toolbox版本12.1。关于Python实现，使用了OpenCV版本4.12.0.88库和color-science版本0.4.6包（适用于Python版本3.12.7）。新开发系统的流程图如图1所示。图1展示了系统的流程图。新半自动化纤维化诊断系统的数学模型理论框架在方程（1）-（6）中给出。使用的缩写如下：
{ { { { { { { { { { { { { { { { { { { { { { { { {???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????,?????,?????,?????,?????,?????,?????,?????,???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????,?????,?????,?????,?????,?????,?????,?????,???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????}中实现了CIELAB颜色空间分析。
在MATLAB? R2024B和Python版本3.12.7中实现了CIELAB颜色空间分析，而使用Gabor滤波器的测试则在MATLAB?中进行。对于MATLAB?实现，使用了R2024B版本和Image Processing Toolbox版本12.1。关于Python实现，使用了OpenCV版本4.12.0.88库和color-science版本0.4.6包（适用于Python版本3.12.7）。新开发系统的流程图如图1所示。图1展示了系统的流程图。新半自动化纤维化诊断系统的数学模型理论框架在方程（1）–（6）中给出。使用的缩写如下：
{ { { { { { { { { { { { { { { { { { { { { { { { {???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????,?????,?????,?????,?????,?????,?????,?????,????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????}中，组织病理学图像的颜色方差预处理由方程（1）建模：
???(???????????(??,???,:))=1???∑????=1∑????=1‖???????????(??,???)???‖2,?????????????????=1???∑????=1∑????=1???????????(??,???)（1）
转换为CIELAB颜色空间的数学模型在方程（2）中给出。XYZ颜色空间被用作此转换的中间步骤：
???????????(??,???,:)=?? ? ?????????????????????????????????????????????? ? ??×???????????(??,???,:)?????????????(??,???,:)=?? ?????????????????????????????????????????????? ??×???????????(??,???,)（2）
Gabor滤波器的应用基于方程（3）进行特征提取。联合颜色-纹理特征向量F在方程（4）中定义：
{???(??,??)=[|?????1,???1?(??,??)|2,…,|???????,??????(??,??)|2]∈????????(??,???,:)=??????????????(??,??)（3）
???(??,??)=[???????????(??,???,:),???????(??,???,:)]∈?3+s（4）
与纤维化结构相关的各向异性纹理通过使用小波-Gabor混合基?????来描述特征向量F（方程（5）：
????,???(??,???)=???,????????????(??,???)?（5）
设Gabor能量响应为E(x, y）。超水平集过滤包含在方程（6）中：
????={(??,???)?∈???|????(??,??)≥??}（6）
图G = (V, W)是通过特征向量Fi计算得出的k最近邻。设zi ∈ {0, 1}表示纤维化（1）或健康（0）区域。方程（7）中的后验用于建模特征分布：
???(?????|?????)∝???(?????|?????)·???(????）（7）
设?表示所有可调参数（Gabor设置、窗口大小、分类器超参数）。效用函数包含在方程（8）中：
??(?)=??1·????????????(^????)???2·??????????????(?)???3·????????????????????(?）（8）
对于每个实现i ∈ {1, 2, 3}（例如，MATLAB、Python、基于Gabor的），方程（9）定义了性能向量：
????=[?????????????,??????????????,????????????????????,?T?o?p?o?l?o?g?y?S?c?o?r?e??]（9）
最终选择使用通过学习排序技术训练的非线性评分函数R进行。方程（10）定义了最终分类步骤，其中最大化非线性判别函数R的特定候选区域I*被严格隔离。该函数通过将其复合CIELAB颜色空间和Gabor空间-频率纹理特征投影到一个连续的相关性分数中来评估每个候选Si，该分数通过学习排序优化进行校准，以最佳关联算法识别的纤维化组织与手动真实注释。
2.1. 协议描述
使用Biolucida Cloud Viewer（2024.2.0）从Iowa Virtual Slidebox [21]中的组织病理学和组织学收藏中手动提取了多个相关的单张图像（苏木精和伊红染色全切片图像）。生成的数据集包含了40张具有不同严重程度的心肌纤维化图像和5张没有明显纤维化的图像（2张正常心肌和3张其他病变）。为了验证目的，由病理学家手动选择并标记了胶原区域，定义为沉积在细胞外空间的淡伊红嗜酸性纤维物质。

2.2. 使用CIELAB颜色空间检测纤维化
考虑到其优势，本研究测试的解决方案基于Image Analyst MATLAB?用户的发现[22]。该实现涉及用户选择的几何形状区域。为了评估此实现产生的额外准确性，本研究实现并测试了一个使用Python的解决方案，其中用户选择的区域始终是矩形，尺寸由用户根据鼠标位置确定。
首先，在MATLAB?实现中，系统用户选择他希望提交给系统自动分析的组织病理学图像，如图2所示。图2。使用系统的第一步是从存储原始图像的文件夹中选择图像。原始图像：? The Iowa Virtual Slidebox [21]。鉴于该程序的目的是帮助医务人员准确识别组织病理学图像中的心肌纤维化，系统要求用户选择一个他们认为可能含有纤维化的区域。此选择是通过鼠标完成的，用户可以选择任何几何形状的区域，如图3所示。图3。用户选择的被认为含有纤维化组织的区域（不规则形状），来自原始图像。原始图像：? The Iowa Virtual Slidebox [21]。接下来，程序在LAB颜色空间中绘制图像，并计算Delta E，这是一个表示用户选择区域中LAB颜色变化的指标，使用三个通道的标准差平均值。图4显示了其中一个分析图像的结果。图4。图4。向用户显示所选区域中DeltaE变化的步骤。原始图像：? The Iowa Virtual Slidebox [21]。如果用户想输入另一个Delta E容忍值，在下一步中，系统会询问是保持上一步自动确定的值还是输入新值。这个值越高，颜色变化范围就越广，这将导致在比实际更大的区域内识别出纤维化组织。考虑到本研究进行的测试，Delta E容忍值被设定为10，如图5所示。图5。设置Delta E容忍值的步骤。最后一步，程序以图形格式显示原始图像；其在L、a和b通道中的表示；用户选择的区域；以及与用户选择的区域颜色相同的区域的掩码。如果两者相同，这意味着它落在Delta E = 10的容忍范围内，以及用户选择区域中的颜色变化范围内。为了识别纤维化，没有必要将图像集分为训练集和测试集，因为解决方案完全基于像素和区域级别的数学模型分析。最终，系统在显示的图像中包含了与用户选择的颜色相同的原始图像部分，这些部分被识别为纤维化区域；同时还包括未被选中的区域，这些区域没有纤维化且颜色与用户选择的区域不同。向病理学家展示结果的图形界面如图6所示。通过准确选择感兴趣的区域，系统可以识别出纤维化区域。结果的验证是由医学和组织病理学图像解释领域的专家手动完成的。图6展示了使用MATLAB?实现的CIELAB颜色空间分析的图形用户界面。原始图像：? The Iowa Virtual Slidebox [21]。所获得的结果是在保持DeltaE容差恒定为10的情况下生成的，这一容差适用于分析的45张组织病理学图像。该变量的值是通过一系列测试确定的。为了提高方法分析的客观性，所有分析的图像的DeltaE容差都保持一致。

然而，为了测试系统的局限性，本研究使用了2张组织病理学图像，其中纤维化组织与非纤维化组织之间的颜色差异不显著。这些分析的图像包含在图7中。图7显示了（a）纤维化区域和（b）非纤维化区域之间的微小颜色变化。原始图像：? The Iowa Virtual Slidebox [21]。考虑到图7中组织病理学图像的颜色变化不显著，这将导致基于颜色分析的方法产生较差的结果，因此本研究还测试了Gabor滤波器进行纹理分析。出于评估系统准确性的同样原因，还在可能存在混淆因素的情况下分析了结果，这些混淆因素可能是由于与胶原沉积的相似着色亲和力或纤维状特征造成的。对于未经训练的人来说，这些图像可能被解释为含有纤维组织。因此，基于CIELAB光谱的分析系统也在急性心肌梗死（图8）、败血症性心脏病发作（图9）和移植排斥（图10）的图像上进行了测试。图8显示了没有明显纤维化的 myocardium（近期心肌梗死）。原始图像：? The Iowa Virtual Slidebox [21]。图9显示了没有明显纤维化的 myocardium（败血症性梗死）。原始图像：? The Iowa Virtual Slidebox [21]。图10显示了组织移植排斥的组织病理学图像。原始图像：? The Iowa Virtual Slidebox [21]。

此外，鉴于系统是通过病理学家半自动选择纤维化区域的方式来工作的，本研究还在两张含有正常组织的组织病理学图像上测试了所提出的解决方案（图像包含在图11中）。图11显示了正常组织的组织病理学图像。原始图像：? The Iowa Virtual Slidebox [21]。

2.3 使用Gabor滤波器检测纤维化
为了提高第2.2节中介绍的系统的准确性，本研究采用了基于Gabor滤波器的解决方案，因为之前的解决方案存在局限性。在这方面，Gabor滤波器复制了人们区分纹理的方式，并被用于具有此目标的程序中。本研究开发的系统允许用户选择一张图像。然后，系统会自动显示三张图像：原始图像、原始图像中包含纤维化组织或纹理与其他部分不同的裁剪区域，以及健康组织。为了实现这一结果，自动计算过程包括根据用户选择的图像配置Gabor滤波器。接着，应用高斯变换来平滑图像。使用k-means信息聚类方法[31]来定义纤维化区域或与图像其他部分不同的组织。Gabor滤波器实现的图形用户界面如图12所示。图12展示了使用MATLAB?实现的Gabor滤波器的结果图形用户界面。原始图像：? The Iowa Virtual Slidebox [21]。

3. 结果
3.1 使用CIELAB颜色空间检测纤维化
由于从视觉角度来看，使用CIELAB颜色空间能够更准确地识别纤维化，因此开发了一个系统来评估该系统的准确性，该系统使用了用MATLAB?编写的源代码。准确性评估程序会识别出与标准颜色（自动系统为黑色，手动识别为黄色）不同的彩色像素数量。由于图像大小不同，彩色像素的数量与图像大小相关联，并计算出了相应的百分比。表1和表2包含了按像素数量统计的结果。表3列出了使用MATLAB?和Python实现时，通过三种方法（手动识别、恒定DeltaE容差的自动识别）识别的像素百分比对比。表1显示了使用CIELAB颜色空间分析的图像大小。表2显示了使用CIELAB颜色空间识别为纤维化组织的像素数量。表3显示了使用MATLAB?和Python实现的CIELAB颜色空间系统的准确性。由于在像素级别无法手动识别纤维化，因此如果两种情况下的百分比差异小于10个单位，则认为该区域被正确识别。这也突出了自动纤维化检测方法的主要优势，即它能够在像素级别工作，这是病理学家无法手动完成的。最后5张图像属于特殊类别：41—急性心肌梗死；42—败血症性心脏病发作；43—心脏移植排斥；44和45—正常组织。

通过对表3中结果的分析可以看出，如果病理学家适当选择了一个小的纤维化区域，本文提出的基于CIELAB颜色空间的方法能够在存在显著颜色变化的组织病理学图像中正确识别出纤维化区域。在这种情况下，在40张含有纤维化的组织病理学图像中，MATLAB?实现的CIELAB颜色空间分析正确识别出了26张图像中的纤维化。Python实现仅成功识别了7张图像。然而，正确识别纤维化的图像在两种编程语言之间存在差异，因为在MATLAB中用户可以选择任意形状的区域，而在Python中，选中的区域总是矩形。对于这三个特殊案例，两种方法都正确识别出了败血症性心脏病发作，占分析的五个特殊案例中的一个。移植排斥的光镜图像以及程序识别出的相对较高比例的胶原表明需要用户对每个案例进行审慎评估，并强调特殊染色方法的不可替代性。实际上，可能存在一些胶原纤维，但只有通过特殊染色才能准确识别它们，因为还需要排除其他混淆因素（如纤维蛋白、透明物质、淀粉样蛋白、水肿液和细胞碎片）。如果病理学家没有选择任何纤维化区域，系统在健康组织中不会检测到纤维化，从而在最后2张测试图像中正确识别出无纤维化的组织。因此，CIELAB颜色空间实现也在急性心肌梗死（图8）、败血症性心脏病发作（图9）和移植排斥（图10）的图像上进行了测试。

此外，鉴于系统是通过病理学家半自动选择纤维化区域的方式工作的，本研究还在两张含有正常组织的组织病理学图像上测试了所提出的解决方案（图像包含在图11中）。图11显示了正常组织的组织病理学图像。原始图像：? The Iowa Virtual Slidebox [21]。

2.3 使用Gabor滤波器检测纤维化
为了提高第2.2节中介绍的系统的准确性，本研究采用了基于Gabor滤波器的解决方案，因为之前的解决方案存在局限性。Gabor滤波器复制了人们区分纹理的方式，并被用于具有此目标的程序中。本研究开发的系统允许用户选择一张图像。然后，系统会自动显示三张图像：原始图像、原始图像中包含纤维化组织或纹理与其他部分不同的裁剪区域，以及健康组织。为了达到这一结果，自动计算过程包括根据用户选择的图像配置Gabor滤波器。接着，应用高斯变换来平滑图像。使用k-means信息聚类方法[31]来定义纤维化区域或与图像其他部分不同的组织。Gabor滤波器实现的图形用户界面如图12所示。图12展示了使用MATLAB?实现的Gabor滤波器的结果图形用户界面。原始图像：? The Iowa Virtual Slidebox [21]。

3. 结果
3.1 使用CIELAB颜色空间检测纤维化
由于使用CIELAB颜色空间在视觉上显示出更高的纤维化识别准确性，因此开发了一个系统来评估该系统的准确性，该系统使用了用MATLAB?编写的源代码。准确性评估程序会识别出与标准颜色（自动系统为黑色，手动识别为黄色）不同的彩色像素数量。由于图像大小不同，彩色像素的数量与图像大小相关联，并计算出了相应的百分比。表1和表2包含了按像素数量统计的结果。表3列出了通过三种方法（手动识别、恒定DeltaE容差的自动识别，以及MATLAB?和Python实现）识别的像素百分比对比。表1显示了使用CIELAB颜色空间分析的图像大小。表2显示了使用CIELAB颜色空间识别为纤维化组织的像素数量。表3显示了使用MATLAB?和Python实现的CIELAB颜色空间系统的准确性。由于在像素级别无法手动识别纤维化，因此如果两种情况下的百分比差异小于10个单位，则认为该区域被正确识别。这也突出了自动纤维化检测方法的主要优势，即它能够在像素级别工作，这是病理学家无法手动完成的。最后5张图像属于特殊类别：41—急性心肌梗死；42—败血症性心脏病发作；43—心脏移植排斥；44和45—正常组织。

通过对表3中结果的分析可以看出，如果病理学家适当选择了一个小的纤维化区域，本文提出的基于CIELAB颜色空间的方法能够在存在显著颜色变化的组织病理学图像中正确识别出纤维化区域。在这种情况下，在40张含有纤维化的组织病理学图像中，MATLAB?实现的CIELAB颜色空间分析正确识别出了26张图像中的纤维化。Python实现仅成功识别了7张图像。然而，正确识别纤维化的图像在两种编程语言之间存在差异，因为在MATLAB中用户可以选择任意形状的区域，而在Python中，选中的区域总是矩形。对于这三个特殊案例，两种方法都正确识别出了败血症性心脏病发作，占分析的五个特殊案例中的一个。移植排斥的光镜图像和程序识别出的较高比例的胶原表明需要用户对每个案例进行审慎评估，并强调特殊染色的必要性。实际上，可能存在一些胶原纤维，但只有通过特殊染色才能准确识别它们，因为还需要排除其他混淆因素（如纤维蛋白、透明物质、淀粉样蛋白、水肿液和细胞碎片）。如果病理学家没有选择任何纤维化区域，系统在健康组织中不会检测到纤维化，从而在最后2张测试图像中正确识别出无纤维化的组织。因此，Python和MATLAB?中的CIELAB颜色空间实现在这五种特殊情况下都确保了正确的识别。这些图像被正确处理，因为特殊组织在图9所示的组织病理学图像中的占比较小。

图13展示了使用MATLAB手动（图13a）和CIELAB颜色空间分析自动（图13b）识别组织病理学图像11中纤维化的颜色表示。从图像的图形解释来看，最终图像中纤维化组织的百分比分析是一个合适的指标，系统成功地准确识别了纤维化组织。图13显示了使用MATLAB?实现的CIELAB颜色空间系统手动（a）和自动（b）识别的纤维化。原始图像：? The Iowa Virtual Slidebox [21]。

3.2 使用Gabor滤波器检测纤维化
根据第3.1节的结果，本研究展示了基于CIELAB颜色空间系统的局限性：当图像中的纤维化颜色与健康组织相似，或者待检查区域存在疑问需要辅助研究时，该系统无法返回适当的值。与表3.1中的表格类似，表4包含了用于Gabor滤波器处理的图像大小。表5显示了通过手动和Gabor滤波器程序识别为纤维化的像素数量，表6显示了45张处理图像中纤维化组织的百分比。表6展示了基于Gabor滤波器的方法与手动识别相比的准确性结果。由于使用Gabor滤波器时组织的主要区别在于纹理，因此该方法仅正确识别了11张图像中的纤维化。如果图像中纤维化的百分比在手动和自动处理的Gabor滤波器图像之间相差±10%以内，则认为识别正确。这一变化范围是基于对整个数据集应用的统计测试确定的。尽管这个区间相对较大，但考虑到病理学家的手动识别，这一区间仍然产生了统计上相关的结果。表4显示了使用Gabor滤波器分析的图像大小。表5显示了使用Gabor滤波器识别为纤维化组织的像素数量。表6显示了Gabor滤波器系统的准确性。在使用Gabor滤波器实现的情况下，40个案例中有11个案例正确识别出了纤维化区域，但在某些特定情况下未能正确识别，因为这些情况中的纤维化组织和健康组织之间的颜色差异不明显。然而，使用Gabor滤波器的目标已经实现：在组织病理学图像5、6、9和10中，该方法取得了显著的结果，其中纤维化组织和健康组织之间的颜色差异不明显。在这些情况下，基于CIELAB光谱的颜色分析方法未能返回正确结果，而基于Gabor滤波器的方法则成功了。使用Gabor滤波器的实现显示了其局限性，即在异常组织（无纤维化）普遍存在于整个分析图像中的情况下。

为了定量分析结果，确定了45张分析图像中纤维化的平均百分比，这些图像分别使用了手动识别、基于Gabor滤波器或CIELAB颜色空间的MATLAB?和Python实现。表7包含了基于纤维化组织的方法的准确性结果，表8包含了基于特殊组织的方法的准确性结果。表7显示了使用含有纤维化组织的图像测试的方法准确性。表8显示了使用含有特殊组织的图像测试的方法准确性。根据表7中的结果，手动识别情况下纤维化的平均百分比为30.37%。其中，MATLAB?实现的纤维化平均百分比为22.37%，CIELAB颜色空间实现的Python实现为38.13%。由于基于纹理的解释差异，Gabor滤波器在分析的图像中识别出了最高的纤维化百分比，平均值为54.97%。综合来看，三种方法的平均纤维化识别率为38.49%，其中无纤维化组织的准确率为73.28%。因此，最准确的方法是在MATLAB?中实现的CIELAB方法，其纤维化识别准确率为19.54%；其次是使用Python实现的相同方法，准确率为36.79%；Gabor滤波器的准确率为54.93%。当在无纤维化的图像上进行测试时，这些方法的综合准确率为62.91%。表9分析了本文提出的半自动化解决方案的整体准确性，该方案结合了三种方法来识别45张组织病理学图像中的纤维化。表10列出了每种方法在含有纤维化的图像以及三种方法结合使用时的错误数量。系统的最终准确率为87.5%，因为在40张含有纤维化的图像中有35张被正确识别出纤维化区域。表11的分析内容与表10相同，但针对的是含有特殊组织的图像。在这种情况下，5张图像中只有一张被正确识别为不含纤维化。然而，系统依赖于病理学家的输入来选择纤维化区域，因此专家可能不会在最后这5张图像中识别出任何纤维化区域。本研究作者选择了一种与纤维化相似的组织，以评估病理学家的经验对诊断系统准确性的影响。根据获得的结果，该系统显示出与病理学家的专业知识相关联，虽然不能用于学习过程，但对于已经具备必要经验的专家来说，它可以极大地简化他们的工作。表12显示了这三种方法在所有45张组织病理学图像上的应用准确率。在这45张图像中，系统有36张得到了正确的识别结果。

4. 讨论
根据本研究的结果，所开发的用于识别组织病理学图像中纤维化的解决方案采用了一种整体方法，基于CIELAB颜色空间和Gabor滤波器的使用。在本文中介绍的实现方式中，病理学家负责从载玻片中选择一个小范围的纤维化区域。通过这种半自动化方法，本研究展示了每种方法的优点，并提出了一个基于CIELAB颜色空间和Gabor滤波器的半自动化纤维化检测系统。虽然手动识别需要病理学家对整个图像进行定性和定量分析，但所提出的半自动检测系统将分析时间缩短到了仅检测图像中包含纤维化的区域（无论该区域多小）。然后系统会自动评估整个图像中的纤维化程度，而无需病理学家的进一步输入。这减少了有经验的病理学家的分析时间，并提供了可用于未来比较的定量评估。然而，作者也意识到了这项研究的局限性。一个主要限制是病理学家的专业知识：如果选择了无效区域，结果会显著改变。随着病理学家专业水平的提高，这一缺点会得到缓解。另一个限制是作者提出的是在苏木精和伊红染色的载玻片上识别纤维化区域，而不是使用专门的胶原染色方法。这可能会导致对纤维化区域的评估出现错误，因为细胞外空间中可能存在其他类似纤维化的沉积物（如淀粉样蛋白、水肿液、透明物质）。此外，在苏木精和伊红染色的载玻片中，细微的胶原沉积物很容易被忽略。在这方面，数据库中的图像都是具有明显纤维化区域的，适用于半自动化方法，有助于病理学家进行评估，并与人工评估相结合，从而提高诊断的准确性和可靠性。此外，由于本研究使用的图像数量有限，因此不能作为普遍适用的标准；另一个重要限制是本研究仅使用了整个载玻片的图像数据库。此外，像素级别的重叠是通过病理学家的专业知识进行验证的。因此，未来需要扩大数据库规模，并使用多种客观性能指标（如Dice系数、灵敏度或特异性）来分析更大数据集在像素级别的性能。另外，Gabor滤波器在许多图像中倾向于高估纤维化率，表明该方法容易过度分割。这可能是因为滤波器对与纤维化区域不直接相关的纹理模式反应强烈，导致非纤维化结构被错误地分类为纤维化。因此，检测到的纤维化区域被人为夸大了，这表明可能需要额外的后处理或更具区分性的特征来提高分割准确性。还应该注意的是，本研究中的纤维化识别是由单一病理学家手动完成的。考虑到观察者之间的差异性问题，未来的分析应至少包括两位病理学家的评估。

5. 结论
本文讨论了使用CIELAB颜色空间和Gabor滤波器进行纤维化检测的可能性。文中开发了一个半自动化系统，用于检测苏木精和伊红染色载玻片上的胶原区域。仅使用CIELAB颜色空间时，最佳准确率为74.46%[24]，适用于所有40张含有纤维化组织的组织病理学图像。在相同条件下，使用相同的图像数据集，新提出的系统结合了Gabor滤波器和CIELAB颜色空间，准确率达到了87.5%。然而，当图像中不存在纤维化或正常组织与异常组织之间的颜色对比度较低时，整个45张组织病理学图像数据集的准确率下降到80%。尽管如此，这一百分比仍高于仅使用CIELAB颜色空间时获得的74.46%的准确率。在本研究中，当在含有纤维化组织的图像上应用上述组合方法时，新开发的系统准确率为87.50%，考虑到手动和自动识别之间的10%差异，这是由于病理学家手动标记纤维化时难以达到高准确率所致。由于该方法在像素级别应用，其准确率高于手动识别，这对病理学家来说是一个实际的帮助。这一结果证明了所提出方法的有效性。未来的研究方向集中在识别其他基于机器学习的方法来进一步提高纤维化检测的准确性，以及开发一种不受用户经验影响的解决方案。此外，另一个研究方向是开发用于分析纤维化检测性能的指标，不仅基于被识别为纤维化的区域百分比，还通过比较病理学家手动识别的区域与本文提出的方法自动检测的区域来进行分析。