發(fā)布時(shí)間：2022-01-19 05:38

　　在醫(yī)學(xué)檢測(cè)中,一般利用染色體圖像自動(dòng)分析系統(tǒng)對(duì)染色體顯微圖像進(jìn)行處理和分析,協(xié)助檢測(cè)人員進(jìn)行相關(guān)病情的診斷。針對(duì)當(dāng)前多數(shù)染色體分析系統(tǒng)在分割和提取染色體時(shí)存在自動(dòng)化程度不高的情況,本文以染色體顯微圖像為研究對(duì)象,設(shè)計(jì)了一系列從染色體顯微圖像中自動(dòng)分割和提取染色體的方法,重點(diǎn)解決了兩個(gè)方面的問題:一是如何將各個(gè)染色體區(qū)域完整地從顯微圖像中自動(dòng)提取出來;二是如何有效地自動(dòng)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(duì)顯微圖像進(jìn)行背景分割時(shí),考慮到使用大津法確定圖像的二值化閾值會(huì)出現(xiàn)偏向性,本文提出一種改進(jìn)的閾值確定公式,該公式通過使用一個(gè)權(quán)重參數(shù)來同時(shí)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(jìn)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(shí)驗(yàn)結(jié)果證明,本文提出的方法既可以保證分割后各個(gè)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(dòng)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(jí)別】：碩士

【部分圖文】：

不同α值時(shí)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(dòng)提取方法研究24圖3.4不同α值時(shí)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(huì)影響圖像的分割精度。當(dāng)α=1時(shí)，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(shí)，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(shí)可以看出，在α取值為0.35時(shí)，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(shí)驗(yàn)中，隨機(jī)選擇三張分辨率為1500×1400的染色體顯微圖像以及對(duì)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(jìn)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(jìn)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(jī)誤差的影響，使用這三種方法分別對(duì)每張圖像計(jì)算5次，最終計(jì)算出每種算法在處理每張圖像時(shí)所消耗的平均時(shí)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(jì)算出結(jié)果圖像對(duì)應(yīng)于標(biāo)準(zhǔn)分割圖像的分割精度PA，最終計(jì)算出幾種算法對(duì)每張圖像進(jìn)行5次處理結(jié)果的PA平均值。實(shí)驗(yàn)結(jié)果如表3.1所示。為了直觀地對(duì)比每種算法所確定的閾值進(jìn)行背景分割后的最終效果，本文使用如下方式對(duì)染色體顯微圖像進(jìn)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(jìn)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(jì)算機(jī)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(duì)這些模型進(jìn)行訓(xùn)練，分別得到各種模型的model文件，然后將各個(gè)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(duì)相同的測(cè)試集染色體圖像進(jìn)行分割測(cè)試。本實(shí)驗(yàn)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(duì)測(cè)試集染色體圖像進(jìn)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(hào)：3596306