In this study, we present a nucleus segmentation proposal of white blood cells (WBCs) using chromatic features. It is human inspired on perception of color: a person locates the nucleus of the WBCs by the chromatic contrast between the nucleus and the other elements of the blood smear. To implement that, we segment the nucleus by selecting the pixels with high chromatic variance. First, an unsupervised neural network, which was trained offline to recognize different colors is applied to the images. Thereby, the hue of the pixels is normalized, and the chromatic variance is accurately computed. Processing the hue and using the unsupervised neural network the brightness and staining variations are robustly estimated. In previous related works, the color components are processed separately as uncorrelated intensity channels, and the mathematical operations are selected intuitively. Unlike that, we use color as a feature without separating the hue components, keeping their correlation, so the formal treat becomes systematic. Experiments use the RGB and HSV spaces with three public image databases: ALL-IDB2, CellaVision, and JTSC. A pixel-level segmentation evaluation is performed by comparing the segmented images with the ground truth. Our proposal competes with current methods since the values in accuracy, specificity, precision, sensitivity, dice coefficient, kappa index, and true positive rate all are similar to or improved upon the state of the art. The performance of our approach is classified as excellent regarding the kappa index value, and it detects at least 80% of the cells with an average dice coefficient larger than 0.9.

中文翻译：

---

模仿人类颜色感知的白细胞的有效细胞核分割

在这项研究中，我们提出了一种使用色彩特征对白细胞 (WBC) 进行细胞核分割的建议。它是人类对颜色感知的启发：一个人通过细胞核与血涂片其他元素之间的颜色对比来定位 WBC 的细胞核。为了实现这一点，我们通过选择具有高色方差的像素来分割核。首先，将经过离线训练以识别不同颜色的无监督神经网络应用于图像。因此，像素的色调被归一化，并准确地计算了色差。处理色调并使用无监督神经网络稳健地估计亮度和染色变化。在之前的相关工作中，颜色分量被单独处理为不相关的强度通道，数学运算选择直观。与此不同的是，我们使用颜色作为特征而不分离色调成分，保持它们的相关性，因此正式的处理变得系统化。实验使用 RGB 和 HSV 空间以及三个公共图像数据库：ALL-IDB2、CellaVision 和 JTSC。通过将分割图像与基本事实进行比较来执行像素级分割评估。我们的提议与当前方法竞争，因为准确性、特异性、精密度、灵敏度、骰子系数、kappa 指数和真阳性率的值都与现有技术相似或有所改进。我们的方法的性能在 kappa 指数值方面被归类为优秀，它检测到至少 80% 的平均骰子系数大于 0.9 的细胞。与此不同的是，我们使用颜色作为特征而不分离色调成分，保持它们的相关性，因此正式的处理变得系统化。实验使用 RGB 和 HSV 空间以及三个公共图像数据库：ALL-IDB2、CellaVision 和 JTSC。通过将分割图像与基本事实进行比较来执行像素级分割评估。我们的提议与当前方法竞争，因为准确性、特异性、精密度、灵敏度、骰子系数、kappa 指数和真阳性率的值都与现有技术相似或有所改进。我们的方法的性能在 kappa 指数值方面被归类为优秀，它检测到至少 80% 的平均骰子系数大于 0.9 的细胞。与此不同的是，我们使用颜色作为特征而不分离色调成分，保持它们的相关性，因此正式的处理变得系统化。实验使用 RGB 和 HSV 空间以及三个公共图像数据库：ALL-IDB2、CellaVision 和 JTSC。通过将分割图像与基本事实进行比较来执行像素级分割评估。我们的提议与当前方法竞争，因为准确性、特异性、精密度、灵敏度、骰子系数、kappa 指数和真阳性率的值都与现有技术相似或有所改进。我们的方法的性能在 kappa 指数值方面被归类为优秀，它检测到至少 80% 的平均骰子系数大于 0.9 的细胞。保持它们的相关性，因此正式的处理变得系统化。实验使用 RGB 和 HSV 空间以及三个公共图像数据库：ALL-IDB2、CellaVision 和 JTSC。通过将分割图像与基本事实进行比较来执行像素级分割评估。我们的提议与当前方法竞争，因为准确性、特异性、精密度、灵敏度、骰子系数、kappa 指数和真阳性率的值都与现有技术相似或有所改进。我们的方法的性能在 kappa 指数值方面被归类为优秀，它检测到至少 80% 的平均骰子系数大于 0.9 的细胞。保持它们的相关性，因此正式的处理变得系统化。实验使用 RGB 和 HSV 空间以及三个公共图像数据库：ALL-IDB2、CellaVision 和 JTSC。通过将分割图像与基本事实进行比较来执行像素级分割评估。我们的提议与当前方法竞争，因为准确性、特异性、精密度、灵敏度、骰子系数、kappa 指数和真阳性率的值都与现有技术相似或有所改进。我们的方法的性能在 kappa 指数值方面被归类为优秀，它检测到至少 80% 的平均骰子系数大于 0.9 的细胞。通过将分割图像与基本事实进行比较来执行像素级分割评估。我们的提议与当前方法竞争，因为准确性、特异性、精密度、灵敏度、骰子系数、kappa 指数和真阳性率的值都与现有技术相似或有所改进。我们的方法的性能在 kappa 指数值方面被归类为优秀，它检测到至少 80% 的平均骰子系数大于 0.9 的细胞。通过将分割图像与基本事实进行比较来执行像素级分割评估。我们的提议与当前方法竞争，因为准确性、特异性、精密度、灵敏度、骰子系数、kappa 指数和真阳性率的值都与现有技术相似或有所改进。我们的方法的性能在 kappa 指数值方面被归类为优秀，它检测到至少 80% 的平均骰子系数大于 0.9 的细胞。