本文選題：體液細(xì)胞　切入點(diǎn)：特征提取　出處：《湘潭大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：醫(yī)學(xué)檢驗(yàn)中,尿檢是極為重要的一項(xiàng)檢查項(xiàng)目。針對(duì)尿檢項(xiàng)目的繁雜,如何利用現(xiàn)代計(jì)算機(jī)技術(shù)高效地識(shí)別尿液標(biāo)本的有形成分,輔助檢驗(yàn)醫(yī)師進(jìn)行診斷是一項(xiàng)長(zhǎng)久的研究課題。要想利用計(jì)算機(jī)準(zhǔn)確地識(shí)別出目標(biāo)成分,通常來(lái)說(shuō)有幾個(gè)關(guān)鍵性的技術(shù):電子顯微鏡自動(dòng)聚焦標(biāo)本,去除圖像噪聲,計(jì)算機(jī)分割目標(biāo),特征提取和識(shí)別�，F(xiàn)實(shí)生活中已有利用數(shù)字圖像技術(shù)來(lái)實(shí)現(xiàn)上述技術(shù),其中特征的提取和識(shí)別總的來(lái)說(shuō)就是從形狀和紋理的角度,綜合運(yùn)用如不變矩法、傅里葉變換法、圖割拓?fù)浞ㄒ约癇P神經(jīng)網(wǎng)絡(luò)法,都取得了一定的成效,也都有各自的一些不足。深度學(xué)習(xí)是現(xiàn)今比較熱的一個(gè)研究方向,有淺層學(xué)習(xí)所不具備的一些優(yōu)勢(shì),其中卷積神經(jīng)網(wǎng)絡(luò)是比較成熟的一種深度學(xué)習(xí)網(wǎng)絡(luò),在各領(lǐng)域都有一定的研究應(yīng)用。論文基于卷積神經(jīng)網(wǎng)絡(luò)的原理,在AVE鏡檢實(shí)驗(yàn)平臺(tái)上,針對(duì)體液細(xì)胞的有形成分,開展識(shí)別研究工作。論文首先介紹開題的由來(lái),接著從特征提取、深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)三個(gè)方面總結(jié)歸納了目前的研究現(xiàn)狀。特征提取通常的做法是從圖像形態(tài)外觀上獲得描述性的語(yǔ)義模型,再由語(yǔ)義模型轉(zhuǎn)化建立數(shù)學(xué)模型,數(shù)學(xué)模型要對(duì)樣本有一定的區(qū)分度,多個(gè)特征模型之間不能相互干擾,通過(guò)訓(xùn)練和測(cè)試看能否達(dá)到令人滿意的識(shí)別度。本論文主要完成的工作是:(1)介紹了人工神經(jīng)網(wǎng)絡(luò)的原理和結(jié)構(gòu),從人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)上入手比較了與其他特征識(shí)別方法的優(yōu)勢(shì)所在,并以BP神經(jīng)網(wǎng)絡(luò)為典型,寫明了BP神經(jīng)網(wǎng)絡(luò)是如何進(jìn)行圖像的特征識(shí)別,改進(jìn)了基于BP神經(jīng)網(wǎng)絡(luò)的體液有形成分識(shí)別方法,分析了其識(shí)別優(yōu)劣勢(shì)。(2)卷積神經(jīng)網(wǎng)絡(luò)作為本論文的重點(diǎn)研究部分,其結(jié)構(gòu)與淺層人工神經(jīng)網(wǎng)絡(luò)是存在區(qū)別的,訓(xùn)練方法也是難點(diǎn)所在。本文改進(jìn)了LeNet-5網(wǎng)絡(luò)模型,自制了適合卷積訓(xùn)練的訓(xùn)練庫(kù)和測(cè)試庫(kù),求出網(wǎng)絡(luò)各層的靈敏度,再用誤差去一步步的調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和閾值,最終得到了紅、白細(xì)胞的識(shí)別誤差曲線。通過(guò)比較,發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)在特征提取上存在一定的優(yōu)勢(shì)。
[Abstract]:In medical testing, urine examination is an extremely important item. In view of the complexity of urine examination, how to use modern computer technology to identify the visible components of urine samples efficiently, Assistant examiners' diagnosis is a long-lasting research project. To accurately identify target components by computer, there are usually several key techniques: electron microscopy autofocus specimens, remove image noise, Computer segmentation, feature extraction and recognition. In real life, digital image technology has been used to achieve the above technology, in which feature extraction and recognition is generally from the perspective of shape and texture, the integrated use of such as moment invariant method, Fourier transform method, graph cut topology method and BP neural network method have achieved certain results, and have their own shortcomings. Deep learning is a hot research direction, and has some advantages that shallow learning does not have. Convolution neural network is a kind of mature deep learning network, which has certain research and application in various fields. Based on the principle of convolution neural network, this paper aims at the tangible components of humoral cells on the AVE microscope test platform. First of all, the paper introduces the origin of the topic, and then from the feature extraction, in-depth learning, This paper summarizes the current research situation in three aspects of convolution neural network. The usual method of feature extraction is to obtain the descriptive semantic model from the appearance of the image, and then transform the semantic model to establish the mathematical model. The mathematical model should have a certain degree of discrimination to the sample, and there can be no interference between the multiple characteristic models. The main work of this paper is to introduce the principle and structure of artificial neural network. Based on the basic structure of artificial neural network, this paper compares the advantages with other feature recognition methods, and takes BP neural network as a typical example, describes how BP neural network carries out image feature recognition. This paper improves the recognition method of physical component of body fluid based on BP neural network, and analyzes its advantages and disadvantages. The convolutional neural network is the key research part of this paper. The structure of the neural network is different from that of shallow artificial neural network. The training method is also difficult. This paper improves the LeNet-5 network model, makes the training library and test library suitable for convolution training, calculates the sensitivity of each layer of the network, adjusts the network weight and threshold step by step with the error, and finally obtains the red. Through comparison, it is found that convolution neural network has some advantages in feature extraction.
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 黃琳;張尤賽;;應(yīng)用深層卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J];現(xiàn)代電子技術(shù);2015年13期

2 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

3 孫志軍;薛磊;許陽(yáng)明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

4 王麗萍;;基于BP神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn)函數(shù)逼近[J];湖南農(nóng)機(jī);2011年09期

5 謝永華;;基于不變矩特征木材紋理的研究[J];林業(yè)機(jī)械與木工設(shè)備;2006年06期

6 徐琨,李燕;基于分塊顏色矩和紋理特征的圖像檢索方法[J];西安石油大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年02期

7 楊斐,王坤明,馬欣,朱雙東;應(yīng)用BP神經(jīng)網(wǎng)絡(luò)分類器識(shí)別交通標(biāo)志[J];計(jì)算機(jī)工程;2003年10期

8 石大明,劉海濤,舒文豪;結(jié)合進(jìn)化計(jì)算的神經(jīng)認(rèn)知機(jī)[J];計(jì)算機(jī)學(xué)報(bào);2001年05期

9 李學(xué)滄;賈識(shí)楨;;基于卷積神經(jīng)網(wǎng)絡(luò)的小細(xì)胞型肺癌輔助檢測(cè)方法[J];中國(guó)數(shù)字醫(yī)學(xué);2013年10期

相關(guān)博士學(xué)位論文 前3條

1 楊文璐;視覺(jué)感知模型與編碼算法研究[D];上海交通大學(xué);2008年

2 梁光明;體液細(xì)胞圖像有形成分智能識(shí)別關(guān)鍵技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2008年

3 李明;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)逆控制研究[D];南京理工大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 熊經(jīng)緯;復(fù)雜加工過(guò)程質(zhì)量智能預(yù)測(cè)研究與應(yīng)用[D];東華大學(xué);2016年

2 楚敏南;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類技術(shù)研究[D];湘潭大學(xué);2015年

3 張安勝;深度學(xué)習(xí)在蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)中的應(yīng)用研究[D];安徽大學(xué);2015年

4 馬源;深度神經(jīng)網(wǎng)絡(luò)音素識(shí)別系統(tǒng)及其隱藏層研究[D];天津大學(xué);2014年

5 楊心;基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)識(shí)識(shí)別研究與應(yīng)用[D];大連理工大學(xué);2014年

6 張恒亨;基于傳統(tǒng)方法和深度學(xué)習(xí)的圖像精細(xì)分類研究[D];合肥工業(yè)大學(xué);2014年

7 陳先昌;基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D];浙江工商大學(xué);2014年

8 陳碩;深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別中的應(yīng)用研究[D];華南理工大學(xué);2013年

9 尹曉紅;骨髓淋巴細(xì)胞自動(dòng)識(shí)別技術(shù)的研究[D];山東大學(xué);2009年

10 張金源;基于神經(jīng)網(wǎng)絡(luò)的印章蓋印時(shí)間識(shí)別的研究[D];大連海事大學(xué);2009年

，

本文編號(hào)：1623531