隨著計(jì)算機(jī)技術(shù)的快速發(fā)展,利用人工智能和圖像處理技術(shù)輔助醫(yī)療診斷日益受到關(guān)注。在醫(yī)療臨床檢驗(yàn)中,白細(xì)胞的檢驗(yàn)對(duì)許多疾病的診斷有著重要的價(jià)值。目前醫(yī)院所采用的檢測(cè)方法主要是血細(xì)胞分析儀與人工鏡檢,即先用血細(xì)胞分析儀進(jìn)行初步篩查并判斷有無數(shù)量上的異常,若有,則進(jìn)行人工鏡檢。由于人工鏡檢效率低,分類速度慢,因此外周血白細(xì)胞圖像自動(dòng)分類識(shí)別技術(shù)具有較高的實(shí)用價(jià)值。論文基于深度學(xué)習(xí)的方法設(shè)計(jì)了一種外周血白細(xì)胞圖像自動(dòng)分類識(shí)別的方案。首先,利用高倍顯微鏡觀察外周血細(xì)胞涂片并利用相機(jī)拍攝含有大量白細(xì)胞的血細(xì)胞圖像。采用中值濾波和雙邊濾波對(duì)圖像進(jìn)行預(yù)處理,并分析了 RGB和HLS兩種色彩空間和常見的閾值分割方法,然后利用改進(jìn)的最大類間方差法對(duì)L分量圖像進(jìn)行初步分割,利用形態(tài)學(xué)方法處理初分割后的圖像,得到完整的單個(gè)白細(xì)胞圖像。其次,對(duì)得到的白細(xì)胞圖像數(shù)據(jù)集進(jìn)行整理分析,剔除染色錯(cuò)誤或染色失敗的圖像。針對(duì)白細(xì)胞圖像數(shù)量類間不平衡的問題,采用平移的方法對(duì)原始數(shù)量較少的白細(xì)胞類進(jìn)行過采樣。然后按照一定比例將白細(xì)胞圖像分為訓(xùn)練集和測(cè)試集,并利用旋轉(zhuǎn)、對(duì)比度增強(qiáng)等數(shù)據(jù)增強(qiáng)方法對(duì)兩類數(shù)據(jù)進(jìn)行擴(kuò)增,建立本課題的數(shù)據(jù)集... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

總體研究思路圖

叭?信用卡欺詐檢測(cè)[35]，研究分析人員將針對(duì)你的購買行為建立模型，當(dāng)你的購買行為與日常行為不符，銀行會(huì)對(duì)你做出提醒，預(yù)防信用卡被盜�？偟膩碚f，機(jī)器學(xué)習(xí)是自動(dòng)化、大規(guī)模數(shù)據(jù)分析領(lǐng)域的主體。機(jī)器學(xué)習(xí)按照學(xué)習(xí)方式的不同可以分為無監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)以及強(qiáng)化學(xué)習(xí)。(1)非監(jiān)督學(xué)習(xí)（UnsupervisedLearning）非監(jiān)督學(xué)習(xí)又稱無監(jiān)督學(xué)習(xí)，是指要解決的問題沒有足夠的先驗(yàn)知識(shí)，所以沒有辦法對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)記。換句話說，無監(jiān)督學(xué)習(xí)是為了對(duì)沒有標(biāo)簽的訓(xùn)練數(shù)據(jù)集建立模型并分析問題后給出解決方案。非監(jiān)督學(xué)習(xí)示意圖如圖2.1所示。常見的非監(jiān)督學(xué)習(xí)有數(shù)據(jù)轉(zhuǎn)換和聚類分析。圖2.1非監(jiān)督學(xué)習(xí)圖示數(shù)據(jù)轉(zhuǎn)換就是利用非監(jiān)督學(xué)習(xí)算法將冗長復(fù)雜的數(shù)據(jù)變得簡單且容易理解。數(shù)據(jù)降維是一種比較常用的數(shù)據(jù)轉(zhuǎn)換方法，降維的目的是利用一個(gè)可以保留數(shù)據(jù)特征的低維矩陣來描述高維數(shù)據(jù)，即篩選數(shù)據(jù)中的無關(guān)變量，保留關(guān)鍵特征變量。降維通常用于輔助數(shù)據(jù)可視化，如，將多維數(shù)據(jù)降至二維，可以更直觀的將數(shù)據(jù)表示出來。聚類分析又稱群分析，指將相似性較高的樣本劃分到同一組的算法，即相似元素的集合。聚類算法的應(yīng)用范圍很廣，如數(shù)據(jù)分析、圖像分析以及計(jì)算機(jī)視覺等領(lǐng)域。(2)監(jiān)督學(xué)習(xí)（SupervisedLearning）在監(jiān)督學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)既有特征又有標(biāo)簽，通過訓(xùn)練，讓機(jī)器尋找特征與標(biāo)簽之間的關(guān)系，在輸入數(shù)據(jù)沒有標(biāo)簽的時(shí)候也可以判斷出標(biāo)簽。有監(jiān)督學(xué)習(xí)是通過對(duì)帶有標(biāo)簽的數(shù)據(jù)建立模型，分析數(shù)據(jù)規(guī)律，然后將模型用于未帶標(biāo)簽的數(shù)據(jù)樣本，將新的樣本分類或進(jìn)行回歸分析的算法。監(jiān)督學(xué)習(xí)示意圖如圖2.2所示。目前有監(jiān)督學(xué)習(xí)算法已經(jīng)比較成熟，并且在很多領(lǐng)域都有很好的表現(xiàn)。

2機(jī)器學(xué)習(xí)與深度學(xué)習(xí)方法理論9圖2.2監(jiān)督學(xué)習(xí)圖示(3)強(qiáng)化學(xué)習(xí)（ReinforcementLearning）強(qiáng)化學(xué)習(xí)算法的目的是讓計(jì)算機(jī)學(xué)會(huì)在環(huán)境中執(zhí)行正確的行為，可以理解為是一個(gè)連續(xù)的過程[36]。與有監(jiān)督學(xué)習(xí)中存在的標(biāo)簽不同，強(qiáng)化學(xué)習(xí)以最大化獎(jiǎng)勵(lì)為目標(biāo)，因此天然的強(qiáng)化學(xué)習(xí)并不適用于分類任務(wù)。強(qiáng)化學(xué)習(xí)包含四個(gè)重要元素：智能體，環(huán)境狀態(tài)，動(dòng)作和獎(jiǎng)勵(lì)，其示意圖如圖2.3所示。圖2.3強(qiáng)化學(xué)習(xí)圖示研究人員普遍使用馬爾可夫決策過程（MarkovDecisionProcess，MDP）表示強(qiáng)化學(xué)習(xí)的過程：由圖2.3可知，首先機(jī)器處于環(huán)境E中，并能感知當(dāng)前狀態(tài)x1，在空間中選擇動(dòng)作a1來執(zhí)行；環(huán)境根據(jù)機(jī)器做出的動(dòng)作來給出反饋的“獎(jiǎng)賞”r1，當(dāng)狀態(tài)發(fā)生轉(zhuǎn)移后，機(jī)器根據(jù)“獎(jiǎng)賞”調(diào)整狀態(tài)并做出新的決策�？偟膩碚f，強(qiáng)化學(xué)習(xí)就是機(jī)器要通過在環(huán)境中不斷嘗試，然后學(xué)習(xí)到一個(gè)最優(yōu)策略，長期執(zhí)行這個(gè)策略，期望獲得最大的累積獎(jiǎng)賞。2.2深度學(xué)習(xí)在人工智能的早期機(jī)器只是通過數(shù)學(xué)規(guī)則來描述一些較為形式化的問題，如超大數(shù)的計(jì)算，這些問題交給人類可能需要很長時(shí)間才能完成，但對(duì)于計(jì)算機(jī)而言卻很簡單。早期的人工智能還不像現(xiàn)在這樣具有強(qiáng)大的智慧，可以解決一些不那么直觀的問題，而現(xiàn)在的人工智能可以勝任更加有難度的工作，如阿爾法狗可以與人類進(jìn)行圍棋對(duì)弈。人工智能的終極目標(biāo)是讓機(jī)器可以像人類一樣思考問題，如理解別人所說的話，辨認(rèn)不同人的臉等。針對(duì)這些在人們看來很直觀的問題，研究人員一直在尋求一種解決方案。該方案可以讓計(jì)算機(jī)像人類一樣憑借以往的經(jīng)驗(yàn)學(xué)習(xí)知識(shí)，并且構(gòu)建一套屬于自己的理解世界的概念體系，這種概念體系不是雜亂無章而是具有層次性的，這種讓計(jì)算機(jī)從經(jīng)驗(yàn)中獲取知識(shí)的方法可以避免計(jì)算機(jī)做簡單的機(jī)械化學(xué)習(xí)。而計(jì)算機(jī)想要學(xué)習(xí)如何解決復(fù)

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)Adam優(yōu)化器的CNN電鏡醫(yī)學(xué)圖像分類[J]. 汪友明,徐攀峰.  西安郵電大學(xué)學(xué)報(bào). 2019(05)
[2]利用機(jī)器學(xué)習(xí)方法將大學(xué)講座自動(dòng)翻譯成多種語言[J]. 本刊訊.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2019(08)
[3]色彩空間變換和基于距離變換的分水嶺算法在白細(xì)胞圖像分割中的應(yīng)用[J]. 趙曉晴,劉景鑫,張海濤,胡笑含,李大軍,李慧盈.  中國醫(yī)療設(shè)備. 2019(07)
[4]基于中值濾波器的紅外圖像噪聲處理的改進(jìn)方法[J]. 劉智嘉,夏寅輝,楊德振,林昱,徐長彬.  激光與紅外. 2019(03)
[5]人工智能時(shí)代的智慧學(xué)習(xí):原理、進(jìn)展與趨勢(shì)[J]. 梁迎麗,梁英豪.  中國電化教育. 2019(02)
[6]基于深度學(xué)習(xí)的乳腺X射線影像分類方法研究[J]. 孫利雷,徐勇.  計(jì)算機(jī)工程與應(yīng)用. 2018(21)
[7]基于mean-shift聚類的高魯棒性白細(xì)胞五分類識(shí)別算法[J]. 李小舜,曹益平,王亞品.  生物醫(yī)學(xué)工程學(xué)雜志. 2018(05)
[8]基于RGB和C-Y顏色空間的白細(xì)胞分割[J]. 劉陽,呂曉琪,張明,李菁,谷宇.  激光技術(shù). 2019(04)
[9]基于全卷積神經(jīng)網(wǎng)絡(luò)的多尺度視網(wǎng)膜血管分割[J]. 鄭婷月,唐晨,雷振坤.  光學(xué)學(xué)報(bào). 2019(02)
[10]基于機(jī)器學(xué)習(xí)模型的消費(fèi)金融反欺詐模型與方法[J]. 仵偉強(qiáng),后其林.  現(xiàn)代管理科學(xué). 2018(10)

碩士論文
[1]血細(xì)胞圖像白細(xì)胞的自動(dòng)檢測(cè)與識(shí)別[D]. 袁滿.東南大學(xué) 2017



本文編號(hào)：3107770