《Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks》这篇文章采用的方法取得了很好的效果，在ICPR2012检测有丝分裂比赛中获得了第一。

原理：

    使用了深度神经网络（DNN）来检测乳腺癌细胞中的有丝分裂，自己去了解DNN的原理吧。本文采用滑动窗口在原图片上取样（用一个小的矩形），然后再在上面使用DNN检测。

过程：

    我们的目的是寻找这么个集合，每个元素代表一个有丝分裂的核的质心位置。

    采用给出的已标记的样本，我们训练一个分类器，样本中每个像素有一个标记（有丝分裂或不是有丝分裂），那些离有丝分裂核中心很近的像素点也属于有丝分裂。对于每一个需要预测的像素点p，我们使用一个以p为中心的滑动窗口取样，然后再在上面使用DNN预测。

在本文提出的方法中，要点在于两个：1、理解DNN；2、理解其训练测试过程。

DNN属于机器学习范畴，大家自己去学习吧，我们来说说本文的第二要点。

了解DNN的原理的话，训练过程应该就明白了，要注意的是，在这里，作者认为给出的正样本太少，我们可以通过任意旋转取样矩形来获取更多的正样本，同时也解决了检测过程中的旋转不变性。

下面来看看怎样处理一个要测试的图片：

对于一个要处理的图片I，我们在所有的取样窗口上使用DNN，每个窗口的中心必须在图片边界以内，这样就可以产生一个概率图M（给每个像素赋予了接近有丝分裂核中心的概率），再与一个以d个像素为半径的圆形核函数做卷积，可以产生一个平滑处理后的概率图Mf，Mf的局部最大值被认为是每个有丝分裂核的中心。

简单来说，如下面图所示：

原图I  (使用 DNN)——>概率图M(与半径为d的圆形核函数做卷积)——>平滑后的概率图Mf——>Mf的局部最大值为有丝分裂核的中心。

前面说过我们的目的是得到，那么该怎么得到呢？

1、首先将D设置为空；

2、迭代下面步骤：

      a、假设pm是Mf中的一个局部最大值点，将它的位置归入D中；

      b、将Mf（p）置为0若p与pm距离小于给定的2d值。

3、直到所有Mf（pi）值都小于阈值t。