發(fā)布時(shí)間：2023-04-23 07:13

　　白帶常規(guī)是女性生理檢查的常規(guī)手段之一。白帶常規(guī)的主要檢查方式是通過對白帶分泌物進(jìn)行顯微成像,通過鏡下有型成分的識別與計(jì)數(shù)等方式得到相應(yīng)的指標(biāo)參數(shù),從而分析待檢測樣本的病理特性。由于白帶常規(guī)具有無創(chuàng)的特點(diǎn),患者易接受。在中國,每天都有數(shù)以萬計(jì)的女性進(jìn)行白帶常規(guī)檢查。然而,目前,白帶常規(guī)的檢測由醫(yī)生手動(dòng)完成,易造成交叉污染,并且檢測的效率極低。此外,具有炎癥的樣本一般具有濃烈的氣味,嚴(yán)重影響醫(yī)務(wù)人員的工作環(huán)境。隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的發(fā)展,白帶常規(guī)向自動(dòng)化和智能化發(fā)展,而其中最關(guān)鍵的就是顯微圖像的有型成分自動(dòng)檢測和識別算法。關(guān)于白帶顯微圖像中的多類別有型成分識別,國內(nèi)外還沒有相關(guān)的研究。而對于顯微圖像中細(xì)胞或細(xì)菌的識別也僅限于在特定環(huán)境下的識別。本文針對白帶顯微圖像中有型成分的特點(diǎn),對其進(jìn)行檢測所涉及的相關(guān)理論和關(guān)鍵技術(shù)進(jìn)行了深入研究,主要成果及研究內(nèi)容如下所述:1.基于組合生物紋理特征的白帶顯微圖像中上皮細(xì)胞檢測方法白帶顯微圖像中的上皮細(xì)胞是白帶顯微圖像中的重要有型成分。針對白帶顯微圖像中上皮細(xì)胞的面積大且具有網(wǎng)狀紋理結(jié)構(gòu)的特點(diǎn),提出了一種應(yīng)用于上皮細(xì)胞前景目標(biāo)位置檢測的數(shù)字圖像處理...

【文章頁數(shù)】：124 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 目標(biāo)檢測方法研究歷史與現(xiàn)狀
        1.2.2 基于機(jī)器學(xué)習(xí)的細(xì)胞檢測方法
        1.2.3 基于深度學(xué)習(xí)的圖像分類和目標(biāo)識別算法
        1.2.4 基于背景模型的運(yùn)動(dòng)目標(biāo)檢測算法
    1.3 研究內(nèi)容
    1.4 本文研究工作及創(chuàng)新點(diǎn)
    1.5 本論文的結(jié)構(gòu)安排
第二章 白帶分析儀與圖像采集系統(tǒng)
    2.1 引言
    2.2 全自動(dòng)白帶分析儀系統(tǒng)設(shè)計(jì)
    2.3 白帶顯微成像系統(tǒng)設(shè)計(jì)
        2.3.1 自動(dòng)對焦方法
        2.3.2 光源
        2.3.3 圖像校正
    2.4 數(shù)據(jù)的收集與模型評價(jià)方法
    2.5 本章小結(jié)
第三章 基于生物組合紋理特征的上皮細(xì)胞檢測識別方法
    3.1 引言
    3.2 基于圖像處理技術(shù)的前景分割算法
    3.3 紋理特征提取算法
        3.3.1 LBP特征提取
        3.3.2 Gabor特征提取
        3.3.3 HOG特征提取
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 LBP特征實(shí)驗(yàn)結(jié)果
        3.4.2 Gabor特征實(shí)驗(yàn)結(jié)果
        3.4.3 HOG特征實(shí)驗(yàn)結(jié)果
        3.4.4 實(shí)驗(yàn)結(jié)果對比與分析
    3.5 本章小結(jié)
第四章 基于改進(jìn)R-CNN的小細(xì)胞快速檢測識別方法
    4.1 引言
    4.2 基于改進(jìn)R-CNN的目標(biāo)檢測模型
        4.2.1 區(qū)域建議方法
        4.2.2 候選區(qū)域特征提取與識別網(wǎng)絡(luò)
        4.2.3 模型訓(xùn)練
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 區(qū)域建議模型結(jié)果分析
        4.3.2 目標(biāo)識別綜合結(jié)果分析
    4.4 本章小結(jié)
第五章 基于改進(jìn)FASTER R-CNN的粘連目標(biāo)檢測識別方法
    5.1 引言
    5.2 FASTER R-CNN理論基礎(chǔ)
        5.2.1 RPN網(wǎng)絡(luò)
        5.2.2 分類和回歸網(wǎng)絡(luò)
        5.2.3 Faster R-CNN的訓(xùn)練
    5.3 基于改進(jìn)FASTER R-CNN的白帶顯微圖像目標(biāo)檢測
        5.3.1 細(xì)胞檢測RPN
        5.3.2 基于PCA的 Fast R-CNN細(xì)胞識別
        5.3.3 模型的訓(xùn)練
    5.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第六章 基于VIBE改進(jìn)模型的滴蟲運(yùn)動(dòng)目標(biāo)檢測識別方法
    6.1 引言
    6.2 VIBE算法基本原理
    6.3 VIBE改進(jìn)模型
        6.3.1 VIBE鄰域背景模型的更新改進(jìn)
        6.3.2 背景雜質(zhì)的過濾
    6.4 白帶顯微圖像中的滴蟲檢測模型
    6.5 實(shí)驗(yàn)結(jié)果與分析
        6.5.1 VIBE鄰域背景模型的更新改進(jìn)結(jié)果與分析
        6.5.2 背景雜質(zhì)的過濾結(jié)果與分析
        6.5.3 與其他算法的對比結(jié)果與分析
    6.6 本章小結(jié)
第七章 全文總結(jié)與展望
    7.1 全文總結(jié)
    7.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀博士學(xué)位期間取得的成果



本文編號：3799353