在醫(yī)學(xué)檢測中,一般利用染色體圖像自動分析系統(tǒng)對染色體顯微圖像進行處理和分析,協(xié)助檢測人員進行相關(guān)病情的診斷。針對當(dāng)前多數(shù)染色體分析系統(tǒng)在分割和提取染色體時存在自動化程度不高的情況,本文以染色體顯微圖像為研究對象,設(shè)計了一系列從染色體顯微圖像中自動分割和提取染色體的方法,重點解決了兩個方面的問題:一是如何將各個染色體區(qū)域完整地從顯微圖像中自動提取出來;二是如何有效地自動分割相互重疊和粘連的染色體。本文主要的研究內(nèi)容如下:首先,在對顯微圖像進行背景分割時,考慮到使用大津法確定圖像的二值化閾值會出現(xiàn)偏向性,本文提出一種改進的閾值確定公式,該公式通過使用一個權(quán)重參數(shù)來同時考慮背景區(qū)域和染色體區(qū)域的類內(nèi)方差以及它們之間的方差差異,最終確定圖像的最佳閾值。此外,為了提高算法的處理效率,本文提出一種退火遺傳算法來進一步優(yōu)化大津法,該算法將模擬退火原理融入遺傳算法中,通過在圖像灰度范圍內(nèi)尋優(yōu)來確定最佳閾值。實驗結(jié)果證明,本文提出的方法既可以保證分割后各個染色體結(jié)構(gòu)的完整性,又能提高處理效率。其次,為了防止自動分割結(jié)果中出現(xiàn)染色體結(jié)構(gòu)缺失的現(xiàn)象,本文創(chuàng)新性地提出在分割重疊和粘連染色體之前,利用神經(jīng)網(wǎng)絡(luò)將... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：94 頁

【學(xué)位級別】：碩士

【部分圖文】：

不同α值時每組圖像分割結(jié)果的PA平均值

3顯微圖像中染色體區(qū)域的自動提取方法研究24圖3.4不同α值時所有圖像分割結(jié)果的PA平均值從圖3.3和圖3.4可以看出，隨著α在取值范圍內(nèi)由小變大，PA值則是先增大后減小，因此，α的取值過大或過小都會影響圖像的分割精度。當(dāng)α=1時，式（3.3）的閾值確定公式將和原始的Otsu中閾值確定公式（2.14）一致；當(dāng)α=0時，式（3.3）的閾值確定公式中將僅考慮兩類區(qū)域之間方差差異的影響，這也不利于最佳閾值的確定。同時可以看出，在α取值為0.35時，各組圖像的PA平均值最高，且所有圖像的PA平均值也最高，所以本文中閾值確定公式（3.3）中α的取值選擇0.35，這樣能夠保證獲得最佳的分割效果。在背景分割實驗中，隨機選擇三張分辨率為1500×1400的染色體顯微圖像以及對應(yīng)的手工處理得到的標(biāo)準(zhǔn)分割圖像，使用原始的Otsu、改進閾值確定公式后的Otsu和本文提出的使用遺傳退火算法優(yōu)化改進閾值公式后的Otsu分別確定出各張圖像的最佳分割閾值，為了減少隨機誤差的影響，使用這三種方法分別對每張圖像計算5次，最終計算出每種算法在處理每張圖像時所消耗的平均時間。在每次確定出閾值后，利用該閾值將染色體顯微圖像二值化，然后利用式（3.10）計算出結(jié)果圖像對應(yīng)于標(biāo)準(zhǔn)分割圖像的分割精度PA，最終計算出幾種算法對每張圖像進行5次處理結(jié)果的PA平均值。實驗結(jié)果如表3.1所示。為了直觀地對比每種算法所確定的閾值進行背景分割后的最終效果，本文使用如下方式對染色體顯微圖像進行處理：**,,,=255,IxyIxytIxyIxyt’,,（3.11）其中，Ix,y表示原始染色體顯微圖像中x,y的灰度值；*t表示利用算法確

4基于改進U-Net的染色體重疊區(qū)域分割方法研究46和性能，在相同的計算機軟硬件環(huán)境中，使用Pytorch分別搭建了FCN和原始的U-Net，并使用相同的數(shù)據(jù)和方法對這些模型進行訓(xùn)練，分別得到各種模型的model文件，然后將各個model文件中的參數(shù)重新加載到Pytorch搭建的網(wǎng)絡(luò)中，最終對相同的測試集染色體圖像進行分割測試。本實驗的訓(xùn)練過程中，三種模型的損失函數(shù)曲線如圖4.17所示。使用訓(xùn)練好的這幾種網(wǎng)絡(luò)模型對測試集染色體圖像進行分割后的部分結(jié)果圖像如圖4.18所示。圖4.17幾種網(wǎng)絡(luò)模型的損失函數(shù)曲線染色體圖像標(biāo)準(zhǔn)圖FCNU-Net本文網(wǎng)絡(luò)圖4.18幾種網(wǎng)絡(luò)模型的分割結(jié)果


本文編號：3596306