發(fā)布時(shí)間：2020-05-07 13:31

【摘要】：目前白血細(xì)胞類(lèi)型的識(shí)別多用三分類(lèi)血液檢測(cè)儀或五分類(lèi)血液檢測(cè)儀,而這些儀器也并不能做到識(shí)別分類(lèi)的高精準(zhǔn)化。這些儀器只能識(shí)別和統(tǒng)計(jì)常規(guī)的三分類(lèi)或五分類(lèi)白血細(xì)胞類(lèi)型,不能詳細(xì)精準(zhǔn)地統(tǒng)計(jì)擁有40種之多的全部白血細(xì)胞類(lèi)型。如果能更加智能化、精準(zhǔn)化和全面化地識(shí)別白血細(xì)胞的具體所屬類(lèi)型,而不是粗略劃分的三分類(lèi)或五分類(lèi),將給醫(yī)生對(duì)于白血病患者診療起到非常好的輔助作用。針對(duì)上述問(wèn)題,本文基于深度學(xué)習(xí)的理論對(duì)構(gòu)建40種白血細(xì)胞進(jìn)行分類(lèi)識(shí)別的神經(jīng)網(wǎng)絡(luò)和提高分類(lèi)準(zhǔn)確率做了重點(diǎn)研究。論文的主要工作如下:本研究首先設(shè)計(jì)了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)和殘差算法的白血細(xì)胞分類(lèi)方法。對(duì)于不同種類(lèi)的白血細(xì)胞的識(shí)別,其實(shí)質(zhì)就是一種視覺(jué)圖像的分類(lèi)處理。而卷積神經(jīng)網(wǎng)絡(luò)(CNN)在對(duì)圖像的局部特征的提取有著得天獨(dú)厚的優(yōu)勢(shì),其強(qiáng)大之處主要表現(xiàn)在三大特性:局部感知,參數(shù)共享以及多核卷積。這些特征讓其訓(xùn)練參數(shù)大為縮減,并且使得特征的提取更加高效方便�；诖苏J(rèn)知,本文通過(guò)大量的實(shí)驗(yàn)實(shí)踐設(shè)計(jì)出一個(gè)深度有33層的卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器,并且通過(guò)大量圖像樣本訓(xùn)練之后可以提取具有82%分類(lèi)準(zhǔn)確率的網(wǎng)絡(luò)模型。該模型對(duì)40種白血細(xì)胞的識(shí)別分類(lèi)可以用于臨床診斷。由于血細(xì)胞領(lǐng)域的限制,我們所獲得的白血細(xì)胞數(shù)據(jù)集中各類(lèi)別數(shù)量是極其不均勻,某些類(lèi)別的樣本稀少。像對(duì)于通常血檢所獲得的白血細(xì)胞三種類(lèi)別(大細(xì)胞群、中細(xì)胞群、小細(xì)胞群)的圖像較為容易獲取且資源較多,而對(duì)于更為詳細(xì)的40分類(lèi)的白血細(xì)胞圖像資源較為稀少。針對(duì)這樣的問(wèn)題,本文又提出一種基于遷移學(xué)習(xí)的白血細(xì)胞分類(lèi)識(shí)別方法。首先本文設(shè)計(jì)出一種具有三分類(lèi)的能夠自動(dòng)提取白血細(xì)胞圖像顯著特征的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),再用充足的三分類(lèi)訓(xùn)練樣本擬合網(wǎng)絡(luò)參數(shù),然后提取出效果較好的三分類(lèi)模型。其次再設(shè)計(jì)一種具有40分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)(CNN),而該架構(gòu)的特征提取層與三分類(lèi)特征提取層結(jié)構(gòu)相同,故可將三分類(lèi)模型的特征提取層參數(shù)遷移至40分類(lèi)CNN架構(gòu)中去,然后利用相對(duì)不充足的40分類(lèi)數(shù)據(jù)集來(lái)訓(xùn)練該40分類(lèi)架構(gòu),最終可以獲得具有89%分類(lèi)準(zhǔn)確率的網(wǎng)絡(luò)模型。最后本文經(jīng)大量的實(shí)驗(yàn)表明本文所提出的基于遷移學(xué)習(xí)的方法要優(yōu)于單純使用CNN或傳統(tǒng)的白血細(xì)胞自動(dòng)分類(lèi)的方法,證明了該方法的可行性與有效性。
【圖文】：

圖 2.1 白血細(xì)胞自動(dòng)分類(lèi)處理展示對(duì)于白血細(xì)胞的分類(lèi)研究而言，，常常都是先進(jìn)行樣本數(shù)據(jù)的特征提取，合適的分類(lèi)器來(lái)做擬合參數(shù)的訓(xùn)練。下面介紹一些常用的分類(lèi)器算法。KNN(K Nearest Neighbors)算法[17]或稱(chēng)為 K 最近鄰分類(lèi)算法�！発 最鄰思義，即如果要表示一個(gè)樣本值就可以利用 k 個(gè)距離上最接近該值的樣達(dá)。該種算法的主要思想是，若是一個(gè)數(shù)據(jù)點(diǎn)在特征空間上有 k 個(gè)與其的數(shù)據(jù)點(diǎn)并且這 k 個(gè)數(shù)據(jù)點(diǎn)大部分是某一種類(lèi)型，那么這個(gè)數(shù)據(jù)點(diǎn)也應(yīng)型。這種算法在判定某個(gè)數(shù)據(jù)點(diǎn)所屬種類(lèi)時(shí)需要獲知其最相鄰的多個(gè)數(shù)類(lèi)。正是因?yàn)?KNN 算法在判定樣本類(lèi)別依靠的是分布在樣本周?chē)沫h(huán)境通過(guò)樣本本身所具有的一些特點(diǎn)信息，所以這種方法在處理某些類(lèi)別間區(qū)域較多的問(wèn)題時(shí)效果十分顯著。但是如果不同類(lèi)別的數(shù)據(jù)對(duì)分布十分那么該方法則難以應(yīng)對(duì)。當(dāng)其中某一類(lèi)或幾類(lèi)樣本數(shù)量較多，而其他的，則會(huì)使得在預(yù)測(cè)新樣本所屬類(lèi)別時(shí)，算法偏向于采用樣本最近的 k 個(gè)量占比最多的那一類(lèi)類(lèi)別。因此這種分類(lèi)算法僅在處理數(shù)據(jù)量大并且較數(shù)據(jù)集時(shí)效果會(huì)很不錯(cuò)。

杭州電子科技大學(xué)碩士學(xué)位論文層次結(jié)構(gòu)組合的網(wǎng)絡(luò)，它的層次結(jié)構(gòu)類(lèi)似于生物神經(jīng)系統(tǒng)，并的信號(hào)做出一些列反應(yīng)。在自然生物神經(jīng)系統(tǒng)中，神經(jīng)元是其每個(gè)神經(jīng)元與其他神經(jīng)元相連，當(dāng)一個(gè)神經(jīng)元變興奮時(shí)便會(huì)向神經(jīng)元傳遞信號(hào)，從而后面神經(jīng)元的電位發(fā)生變化；若該神經(jīng)值”（threshold）則會(huì)被激活并繼續(xù)向下面的神經(jīng)元傳遞信號(hào)。圖 2.2 是一個(gè)簡(jiǎn)單的神經(jīng)元模型：
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：R446.1;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 郭揚(yáng);宋裕如;陳波;王舒;;“白血”釋義及臨床應(yīng)用[J];四川中醫(yī);2017年10期

相關(guān)碩士學(xué)位論文 前1條

1 程柳;基于深度學(xué)習(xí)的白血細(xì)胞分類(lèi)識(shí)別方法研究[D];杭州電子科技大學(xué);2018年

本文編號(hào)：2653048