隨著計算機技術(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)療臨床檢驗中,白細胞的檢驗對許多疾病的診斷有著重要的價值。目前醫(yī)院所采用的檢測方法主要是血細胞分析儀與人工鏡檢,即先用血細胞分析儀進行初步篩查并判斷有無數(shù)量上的異常,若有,則進行人工鏡檢。由于人工鏡檢效率低,分類速度慢,因此外周血白細胞圖像自動分類識別技術(shù)具有較高的實用價值。論文基于深度學習的方法設(shè)計了一種外周血白細胞圖像自動分類識別的方案。首先,利用高倍顯微鏡觀察外周血細胞涂片并利用相機拍攝含有大量白細胞的血細胞圖像。采用中值濾波和雙邊濾波對圖像進行預(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,然后利用改進的最大類間方差法對L分量圖像進行初步分割,利用形態(tài)學方法處理初分割后的圖像,得到完整的單個白細胞圖像。其次,對得到的白細胞圖像數(shù)據(jù)集進行整理分析,剔除染色錯誤或染色失敗的圖像。針對白細胞圖像數(shù)量類間不平衡的問題,采用平移的方法對原始數(shù)量較少的白細胞類進行過采樣。然后按照一定比例將白細胞圖像分為訓練集和測試集,并利用旋轉(zhuǎn)、對比度增強等數(shù)據(jù)增強方法對兩類數(shù)據(jù)進行擴增,建立本課題的數(shù)據(jù)集... 

【文章來源】：西安科技大學陜西省

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

總體研究思路圖

叭?信用卡欺詐檢測[35]，研究分析人員將針對你的購買行為建立模型，當你的購買行為與日常行為不符，銀行會對你做出提醒，預(yù)防信用卡被盜�？偟膩碚f，機器學習是自動化、大規(guī)模數(shù)據(jù)分析領(lǐng)域的主體。機器學習按照學習方式的不同可以分為無監(jiān)督學習、監(jiān)督學習以及強化學習。(1)非監(jiān)督學習（UnsupervisedLearning）非監(jiān)督學習又稱無監(jiān)督學習，是指要解決的問題沒有足夠的先驗知識，所以沒有辦法對訓練數(shù)據(jù)集進行標記。換句話說，無監(jiān)督學習是為了對沒有標簽的訓練數(shù)據(jù)集建立模型并分析問題后給出解決方案。非監(jiān)督學習示意圖如圖2.1所示。常見的非監(jiān)督學習有數(shù)據(jù)轉(zhuǎn)換和聚類分析。圖2.1非監(jiān)督學習圖示數(shù)據(jù)轉(zhuǎn)換就是利用非監(jiān)督學習算法將冗長復(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、圖像分析以及計算機視覺等領(lǐng)域。(2)監(jiān)督學習（SupervisedLearning）在監(jiān)督學習中，訓練數(shù)據(jù)既有特征又有標簽，通過訓練，讓機器尋找特征與標簽之間的關(guān)系，在輸入數(shù)據(jù)沒有標簽的時候也可以判斷出標簽。有監(jiān)督學習是通過對帶有標簽的數(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簽的數(shù)據(jù)樣本，將新的樣本分類或進行回歸分析的算法。監(jiān)督學習示意圖如圖2.2所示。目前有監(jiān)督學習算法已經(jīng)比較成熟，并且在很多領(lǐng)域都有很好的表現(xiàn)。

2機器學習與深度學習方法理論9圖2.2監(jiān)督學習圖示(3)強化學習（ReinforcementLearning）強化學習算法的目的是讓計算機學會在環(huán)境中執(zhí)行正確的行為，可以理解為是一個連續(xù)的過程[36]。與有監(jiān)督學習中存在的標簽不同，強化學習以最大化獎勵為目標，因此天然的強化學習并不適用于分類任務(wù)。強化學習包含四個重要元素：智能體，環(huán)境狀態(tài)，動作和獎勵，其示意圖如圖2.3所示。圖2.3強化學習圖示研究人員普遍使用馬爾可夫決策過程（MarkovDecisionProcess，MDP）表示強化學習的過程：由圖2.3可知，首先機器處于環(huán)境E中，并能感知當前狀態(tài)x1，在空間中選擇動作a1來執(zhí)行；環(huán)境根據(jù)機器做出的動作來給出反饋的“獎賞”r1，當狀態(tài)發(fā)生轉(zhuǎn)移后，機器根據(jù)“獎賞”調(diào)整狀態(tài)并做出新的決策�？偟膩碚f，強化學習就是機器要通過在環(huán)境中不斷嘗試，然后學習到一個最優(yōu)策略，長期執(zhí)行這個策略，期望獲得最大的累積獎賞。2.2深度學習在人工智能的早期機器只是通過數(shù)學規(guī)則來描述一些較為形式化的問題，如超大數(shù)的計算，這些問題交給人類可能需要很長時間才能完成，但對于計算機而言卻很簡單。早期的人工智能還不像現(xiàn)在這樣具有強大的智慧，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行圍棋對弈。人工智能的終極目標是讓機器可以像人類一樣思考問題，如理解別人所說的話，辨認不同人的臉等。針對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。該方案可以讓計算機像人類一樣憑借以往的經(jīng)驗學習知識，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，這種讓計算機從經(jīng)驗中獲取知識的方法可以避免計算機做簡單的機械化學習。而計算機想要學習如何解決復(fù)

【參考文獻】：
期刊論文
[1]基于改進Adam優(yōu)化器的CNN電鏡醫(yī)學圖像分類[J]. 汪友明,徐攀峰.  西安郵電大學學報. 2019(05)
[2]利用機器學習方法將大學講座自動翻譯成多種語言[J]. 本刊訊.  數(shù)據(jù)分析與知識發(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]人工智能時代的智慧學習:原理、進展與趨勢[J]. 梁迎麗,梁英豪.  中國電化教育. 2019(02)
[6]基于深度學習的乳腺X射線影像分類方法研究[J]. 孫利雷,徐勇.  計算機工程與應(yīng)用. 2018(21)
[7]基于mean-shift聚類的高魯棒性白細胞五分類識別算法[J]. 李小舜,曹益平,王亞品.  生物醫(yī)學工程學雜志. 2018(05)
[8]基于RGB和C-Y顏色空間的白細胞分割[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.  光學學報. 2019(02)
[10]基于機器學習模型的消費金融反欺詐模型與方法[J]. 仵偉強,后其林.  現(xiàn)代管理科學. 2018(10)

碩士論文
[1]血細胞圖像白細胞的自動檢測與識別[D]. 袁滿.東南大學 2017



本文編號：3107770