基于卷積神經(jīng)網(wǎng)絡(luò)的多病種腫瘤區(qū)域分割的研究
發(fā)布時間:2023-05-06 16:44
癌癥給正常人帶來了極大的痛苦和危害,當下癌癥病變已經(jīng)成為我國甚至全世界居民死亡的重要因素。利用顯微鏡觀察Ki-67玻片,計算其陽性率,并對其癌變癥狀分析,是至關(guān)重要的一步。由于醫(yī)生短時間內(nèi)閱片數(shù)量有限以及癌癥病變區(qū)域形狀多樣性,位置不固定性,并且每個醫(yī)生個人經(jīng)驗不同會產(chǎn)生不同的診斷,給癌癥病變診斷帶來了困難。以數(shù)字病理圖像為例,基于深度學(xué)習(xí)的圖像分割方面,研究者借助源數(shù)據(jù),制作出合適的數(shù)據(jù)集,并將自己制作的數(shù)據(jù)集用于訓(xùn)練,并通過不斷調(diào)整訓(xùn)練代碼中的一些影響因子,使得測試效果更優(yōu),訓(xùn)練出一個針對腫瘤區(qū)域分割較為準確的模型。這樣,該模型投入使用時,不僅能提高醫(yī)生診斷的速度,也能提升智能醫(yī)療的水平。針對以上問題和背景,本文利用乳腺癌、結(jié)直腸癌、神經(jīng)內(nèi)分泌瘤本三個病種的數(shù)據(jù)集,對腫瘤區(qū)域的分割進行了研究。論文完成了如下工作:1.利用cGAN網(wǎng)絡(luò),pix2pix中具有代表性的子功能-語義分割,對三個病種的腫瘤區(qū)域進行分割。一方面,基于人體組織細胞結(jié)構(gòu)和形態(tài)的相似性,將三個病種的數(shù)據(jù)混和訓(xùn)練,另一方面,三個病種的數(shù)據(jù)單獨訓(xùn)練,兩者都是基于條件的生成對抗式網(wǎng)絡(luò)的方式訓(xùn)練。實驗結(jié)果表明,分割精度dic...
【文章頁數(shù)】:84 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 研究背景
1.2 研究現(xiàn)狀
1.2.1 乳腺癌研究現(xiàn)狀
1.2.2 結(jié)直腸癌研究現(xiàn)狀
1.2.3 神經(jīng)內(nèi)分泌瘤研究現(xiàn)狀
1.3 研究內(nèi)容
1.4 本文組織和結(jié)構(gòu)
第2章 圖像分割概述
2.1 圖像語義分割概述
2.2 傳統(tǒng)圖像分割算法
2.2.1 基于閾值的分割方法
2.2.2 基于區(qū)域的分割方法
2.2.3 基于分水嶺的分割方法
2.2.4 基于主動輪廓模型的分割方法
2.3 基于深度學(xué)習(xí)的分割算法
2.3.1 卷積神經(jīng)網(wǎng)絡(luò)概述
2.3.2 基于特征編碼的分割算法
2.3.3 基于區(qū)域選擇的分割算法
2.3.4 基于上采樣/反卷積的分割算法
2.4 本章小結(jié)
第3章 課題研究相關(guān)工作概述
3.1 病理切片制作概述
3.2 數(shù)據(jù)集介紹
3.3 數(shù)據(jù)集采取
3.3.1 病理圖像格式轉(zhuǎn)換
3.3.2 數(shù)據(jù)集制作
3.4 數(shù)據(jù)集標注
3.4.1 Qupath工具介紹
3.4.2 圖像標注流程
3.5 本章小結(jié)
第4章 基于pix2pix的腫瘤區(qū)域分割
4.1 網(wǎng)絡(luò)模型介紹及模型改進
4.2 數(shù)據(jù)集準備
4.3 實驗訓(xùn)練和測試指標
4.4 訓(xùn)練策略介紹
4.5 多病種混合訓(xùn)練實驗結(jié)果及分析
4.5.1 實驗結(jié)果
4.5.2 實驗分析
4.6 單病種訓(xùn)練實驗結(jié)果及分析
4.6.1 實驗結(jié)果
4.6.2 實驗分析
4.7 本章小結(jié)
第5章 基于LinkNet和遷移學(xué)習(xí)的腫瘤區(qū)域分割
5.1 網(wǎng)絡(luò)模型介紹及模型改進
5.2 遷移學(xué)習(xí)介紹及應(yīng)用
5.3 數(shù)據(jù)集準備
5.4 實驗訓(xùn)練和測試指標
5.5 多病種混合訓(xùn)練結(jié)果與分析
5.5.1 實驗結(jié)果
5.5.2 實驗分析
5.6 單病種訓(xùn)練結(jié)果與分析
5.6.1 實驗結(jié)果
5.6.2 實驗分析
5.7 本章小結(jié)
第6章 結(jié)論
6.1 工作總結(jié)
6.2 展望
致謝
參考文獻
本文編號:3809266
【文章頁數(shù)】:84 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 研究背景
1.2 研究現(xiàn)狀
1.2.1 乳腺癌研究現(xiàn)狀
1.2.2 結(jié)直腸癌研究現(xiàn)狀
1.2.3 神經(jīng)內(nèi)分泌瘤研究現(xiàn)狀
1.3 研究內(nèi)容
1.4 本文組織和結(jié)構(gòu)
第2章 圖像分割概述
2.1 圖像語義分割概述
2.2 傳統(tǒng)圖像分割算法
2.2.1 基于閾值的分割方法
2.2.2 基于區(qū)域的分割方法
2.2.3 基于分水嶺的分割方法
2.2.4 基于主動輪廓模型的分割方法
2.3 基于深度學(xué)習(xí)的分割算法
2.3.1 卷積神經(jīng)網(wǎng)絡(luò)概述
2.3.2 基于特征編碼的分割算法
2.3.3 基于區(qū)域選擇的分割算法
2.3.4 基于上采樣/反卷積的分割算法
2.4 本章小結(jié)
第3章 課題研究相關(guān)工作概述
3.1 病理切片制作概述
3.2 數(shù)據(jù)集介紹
3.3 數(shù)據(jù)集采取
3.3.1 病理圖像格式轉(zhuǎn)換
3.3.2 數(shù)據(jù)集制作
3.4 數(shù)據(jù)集標注
3.4.1 Qupath工具介紹
3.4.2 圖像標注流程
3.5 本章小結(jié)
第4章 基于pix2pix的腫瘤區(qū)域分割
4.1 網(wǎng)絡(luò)模型介紹及模型改進
4.2 數(shù)據(jù)集準備
4.3 實驗訓(xùn)練和測試指標
4.4 訓(xùn)練策略介紹
4.5 多病種混合訓(xùn)練實驗結(jié)果及分析
4.5.1 實驗結(jié)果
4.5.2 實驗分析
4.6 單病種訓(xùn)練實驗結(jié)果及分析
4.6.1 實驗結(jié)果
4.6.2 實驗分析
4.7 本章小結(jié)
第5章 基于LinkNet和遷移學(xué)習(xí)的腫瘤區(qū)域分割
5.1 網(wǎng)絡(luò)模型介紹及模型改進
5.2 遷移學(xué)習(xí)介紹及應(yīng)用
5.3 數(shù)據(jù)集準備
5.4 實驗訓(xùn)練和測試指標
5.5 多病種混合訓(xùn)練結(jié)果與分析
5.5.1 實驗結(jié)果
5.5.2 實驗分析
5.6 單病種訓(xùn)練結(jié)果與分析
5.6.1 實驗結(jié)果
5.6.2 實驗分析
5.7 本章小結(jié)
第6章 結(jié)論
6.1 工作總結(jié)
6.2 展望
致謝
參考文獻
本文編號:3809266
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3809266.html
最近更新
教材專著