外周神经母细胞性肿瘤（peripheral neuroblastic tumors，pNT）是儿童常见的颅外恶性实体瘤，其主要预后评估依据为神经母细胞瘤分化程度和核碎裂指数（mitosis-karyorrhexis index， MKI）。目前，对MKI的计算主要通过病理医生人工计数，过程繁琐且工作量较大。采用计算机图像处理算法识别病理切片图像中病理性核分裂神经母细胞（pathological mitotic neuroblasts， PMN）和神经母细胞（neuroblasts，NEU），并辅助病理医生计数，可减少医生的重复性工作，提高工作效率。采用数学形态局部最小值标记（H-minima）修改梯度幅值，并利用改进型分水岭算法识别NEU并计数。实验结果表明，与病理医生的金标准对比，所提算法对NEU识别的平均准确率为94.2%，平均过分割率为2.79%。从色度分量角度对PMN的细胞质区域识别，平均识别准确率为81.66%，MKI值的平均误差率为0.031%。

活体细胞有丝分裂过程的发生具有时间和空间上的随机性,自动识别并准确定位活体细胞的有丝分裂对科研人员而言充满挑战。提出一种基于深度学习的自动识别并定位活体细胞有丝分裂的检测方法。通过改进YOLOv3主干网络并引入注意力机制,构建名为DetectNet的深度神经网络。在明场显微成像条件下,获取多尺寸活体细胞图像并构建数据集对网络进行训练,并对DetectNet与多个目标检测算法进行对比,验证其有效性。实验结果表明,针对活体细胞的明场显微图像,DetectNet能够高效地从不同尺寸大视场图像中直接识别并定位有丝分裂细胞,同时具有较高的检测精度和较快的检测速度,因而在生物和医学领域具有非常大的潜在应用价值。

提出一种利用细胞时域演化特征来表示有丝分裂的方法。首先,该方法从细胞有丝分裂序列的每帧图像中提取三种不同特征,即通用搜索树(GIST)、尺度不变特征变换(SIFT)、卷积神经网络(CNN),针对提取的每种特征,用池化方法在空间和时间维度上对其进行处理;然后,将处理后的一系列池化特征组合成一个单一的特征向量来表示该细胞有丝分裂事件的最终特征;最后,将组合后的特征向量作为分类器的输入,利用传统的机器学习方法,即支持向量机(SVM)来处理有丝分裂事件的识别问题。实验结果表明所提方法在精度和召回率方面均优于传统方法,可以更好地应用于细胞有丝分裂检测中。