自動(dòng)精確分割組織學(xué)圖像中的腺體在癌癥診斷中起著重要作用。盡管基于神經(jīng)網(wǎng)絡(luò)的腺體分割方法效果優(yōu)于傳統(tǒng)的腺體分割方法,但是傳統(tǒng)方法中的特征提取卻能提高神經(jīng)網(wǎng)絡(luò)分割腺體的效果。本文的所有實(shí)驗(yàn)都是在MICCAI 2015會(huì)議上公布的腺體分割挑戰(zhàn)Warwick-QU數(shù)據(jù)集上測(cè)試,并與最新的研究結(jié)果進(jìn)行比較。針對(duì)“鄰接”腺體的黏連問題,本文提出使用Faster R-CNN模型檢測(cè)腺體。但是Faster R-CNN模型在檢測(cè)惡性腺體時(shí)效果較差,針對(duì)該問題,本文提出了利用顏色特征提高Faster R-CNN檢測(cè)惡性腺體的準(zhǔn)確度的新方法。本文提取顏色特征采用的是概率顏色檢測(cè)模型。本文首先對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)展,然后對(duì)擴(kuò)展后的數(shù)據(jù)集進(jìn)行預(yù)處理,包括提取顏色特征和直方圖增強(qiáng),最后使用預(yù)處理后的圖像訓(xùn)練Faster R-CNN模型。實(shí)驗(yàn)表明,本文提出的新方法檢測(cè)惡性腺體的F1-Score比不使用預(yù)處理的Faster R-CNN模型提高了8.4%。在整個(gè)數(shù)據(jù)集的腺體檢測(cè)上,本文提出的方法的平均F1-Score比不使用預(yù)處理的Faster R-CNN模型提高了3.9%。跟之前在相同數(shù)據(jù)集上研究的方法比,本文提出的方法的... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

H&E染色樣品圖像中單個(gè)腺體及其組成

個(gè)新的多任務(wù)交替訓(xùn)練模型分割腺體區(qū)域，提高腺體區(qū)域分割準(zhǔn)確度；之后構(gòu)建了一個(gè)多結(jié)果融合模型將腺體區(qū)域分割結(jié)果與U-net的輪廓分割結(jié)果以及第一個(gè)研究?jī)?nèi)容中FasterR-CNN腺體檢測(cè)結(jié)果融合；本文通過提高單任務(wù)檢測(cè)結(jié)果，從而提高整個(gè)模型檢測(cè)與分割腺體的準(zhǔn)確度。1.4醫(yī)學(xué)病理圖像中腺體檢測(cè)與分割的難點(diǎn)檢測(cè)出病理圖像中腺體所在區(qū)域，為病理學(xué)家減少了工作量，提高工作效率，同時(shí)定量化分析減少因主觀分析帶來的分歧，是癌癥診斷與分級(jí)的重要前提步驟[49]。H&E染色病理圖像腺體檢測(cè)研究的挑戰(zhàn)，主要包括以下幾個(gè)方面：圖1-2H&E染色結(jié)腸腺病理圖像（a）為良性腺體圖像（b）為惡性腺體圖像1）由于病理圖像本身的特性，如：圖像結(jié)構(gòu)復(fù)雜，信息量包含較大等。如圖1-2所示，圖a中為良性腺體病理圖像，腺體分布大小較為一致；圖b為嚴(yán)重變形的惡性腺體病理圖像，其中腺體結(jié)構(gòu)形變嚴(yán)重，腺體邊界混亂，腺體結(jié)構(gòu)與

素值指定強(qiáng)度值包含uint8、uint16、int16、single或double類的數(shù)組；對(duì)于單數(shù)組或雙數(shù)組，值的范圍是[0,1]；對(duì)于uint8，值的范圍是[0,255]；對(duì)于uint16，值的范圍是[0,65535]；對(duì)于int16，值的范圍是[-32768,32767]。其與黑白圖像（也稱雙色或二進(jìn)制圖像）不同，前者有許多灰色陰影，后者僅具有兩種顏色。RGB圖像灰度化實(shí)質(zhì)是進(jìn)行了降維，即通過某種計(jì)算將三維顏色矢量空間轉(zhuǎn)換成一維灰度空間。根據(jù)重要性及其它指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。按式（2-1）對(duì)RGB三分量進(jìn)行加權(quán)平均得到的灰度圖像較合理，結(jié)果如圖2-1所示。gyGyxRx),(*114.0),(*578.0),(*299.0),(yyxBx（2-1）圖2-1灰度化結(jié)果圖

【參考文獻(xiàn)】：
碩士論文
[1]基于多尺度多方向的圖像邊緣檢測(cè)算法研究及其應(yīng)用[D]. 馬超.河南大學(xué) 2019
[2]基于深度學(xué)習(xí)的結(jié)直腸病理輔助診斷方法研究[D]. 唐靜.東南大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)腸病理圖像中的腺體分割[D]. 呂力兢.東南大學(xué) 2016
[4]數(shù)字醫(yī)學(xué)圖像邊緣檢測(cè)算法研究與實(shí)現(xiàn)[D]. 王小俊.首都師范大學(xué) 2013
[5]基于統(tǒng)計(jì)概率模型的圖像目標(biāo)識(shí)別技術(shù)研究[D]. 張志遠(yuǎn).上海交通大學(xué) 2011



本文編號(hào)：3105376