發(fā)布時(shí)間：2021-11-02 09:33

　　肺癌是全球常見(jiàn)的惡性腫瘤之一,其發(fā)病率和死亡率常年居于全球首位。不同肺癌亞型的治療措施和預(yù)后是不相同的,因此明確肺癌亞型至關(guān)重要。目前,組織病理學(xué)檢查結(jié)果依舊是肺癌的診斷和分類的“金標(biāo)準(zhǔn)”。傳統(tǒng)的組織病理學(xué)檢查必須依靠于病理專家在顯微鏡下觀察組織病理切片并做出判斷,該過(guò)程復(fù)雜、耗時(shí)長(zhǎng),并且與醫(yī)生的經(jīng)驗(yàn)和主觀因素密切相關(guān)。因此,利用圖像處理技術(shù)對(duì)組織病理圖像進(jìn)行分析和處理的方法應(yīng)運(yùn)而生。相較于傳統(tǒng)圖像,顯微高光譜圖像在包含空間信息的基礎(chǔ)上,還包含了光譜信息,這為肺癌亞型的分類任務(wù)提供了新的途徑。在此基礎(chǔ)上,本文將基于顯微高光譜成像技術(shù)對(duì)肺癌病理亞型分類進(jìn)行分析和研究。本文研究?jī)?nèi)容主要分為以下三個(gè)部分。首先,使用基于朗伯-比爾定律的光譜校正方法和基于主成分分析的譜段優(yōu)選方法實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)的預(yù)處理,削弱了系統(tǒng)噪聲等干擾,并提高了顯微高光譜數(shù)據(jù)的信噪比。然后,針對(duì)肺癌組織顯微高光譜圖像,本文提出了一種基于三維（Three Dimension,3D）卷積形式和卷積組合單元（Convolution Combination Unit,CCU）的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural ... 

【文章來(lái)源】：華東師范大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文組織結(jié)構(gòu)示意圖

華東師范大學(xué)碩士學(xué)位論文82顯微高光譜成像系統(tǒng)及數(shù)據(jù)預(yù)處理算法本章內(nèi)容為肺癌組織顯微高光譜數(shù)據(jù)的準(zhǔn)備工作。首先，本章將介紹顯微高光譜成像系統(tǒng)的原理及組成，以及顯微高光譜圖像數(shù)據(jù)的采集流程和詳細(xì)信息。然后，針對(duì)非理想系統(tǒng)帶來(lái)的系統(tǒng)噪聲，本章將描述兩種預(yù)處理方法，分別是基于朗伯-比爾定律的光譜校正方法和基于主成分分析的譜段優(yōu)選方法，盡可能地削弱噪聲、提高顯微高光譜數(shù)據(jù)的信噪比。2.1顯微高光譜數(shù)據(jù)的采集2.1.1顯微高光譜成像系統(tǒng)實(shí)驗(yàn)數(shù)據(jù)的采集應(yīng)用了基于聲光可調(diào)諧濾波器（Acousto-OpticTunableFilter,AOTF）的顯微高光譜成像系統(tǒng)[38]，該系統(tǒng)的完成均為自主改進(jìn)搭建，其基本組成結(jié)構(gòu)原理圖如圖2-1所示。顯微高光譜成像系統(tǒng)主要由五部分組成：光學(xué)顯微系統(tǒng)、AOTF、AOTF驅(qū)動(dòng)器、電荷耦合元件（ChargeCoupledDevice,CCD），以及計(jì)算機(jī)。圖2-1顯微高光譜成像系統(tǒng)原理圖其中，光學(xué)顯微系統(tǒng)主要有三個(gè)部分：光學(xué)顯微鏡、高精度三維電動(dòng)載物臺(tái)和防震臺(tái)。光學(xué)顯微鏡的目鏡倍數(shù)固定為10×，物鏡有4×、10×、20×、40×，以及100×，共五種倍數(shù)選擇，可根據(jù)實(shí)驗(yàn)需求選擇相應(yīng)的物鏡倍數(shù)。高精度三維電動(dòng)載物臺(tái)可以實(shí)現(xiàn)載玻片的上下左右移動(dòng)和對(duì)焦的調(diào)節(jié)，其移動(dòng)速度可達(dá)到

華東師范大學(xué)碩士學(xué)位論文11圖2-2是肺癌組織顯微高光譜圖像三維數(shù)據(jù)塊的示意圖，其包含了二維平面像素信息和第三維度光譜信息，即顯微高光譜圖像的每個(gè)像素點(diǎn)都是一個(gè)40維的譜向量，該譜向量稱為光譜曲線，反映了對(duì)應(yīng)點(diǎn)的生物組織特性。圖2-2肺癌組織顯微高光譜圖像示意圖本文采集的顯微高光譜數(shù)據(jù)的波長(zhǎng)（450nm~750nm）均在可見(jiàn)光（380nm~780nm）范圍內(nèi)。圖2-3展示了一個(gè)肺癌組織顯微高光譜圖像，(a)~(d)分別為在譜段1、20、30、40（對(duì)應(yīng)波長(zhǎng)450.00nm、596.15nm、673.08nm、750.00nm）處采集的單譜段圖像。圖2-4展示了三種肺癌顯微高光譜圖像部分區(qū)域的光譜曲線的對(duì)比。圖2-3肺癌組織顯微高光譜單譜段圖像(a)譜段1,波長(zhǎng)450.00nm(b)譜段20,波長(zhǎng)596.15nm(c)譜段30,波長(zhǎng)673.08nm(d)譜段40,波長(zhǎng)750.00nm

【參考文獻(xiàn)】：
期刊論文
[1]基于影像組學(xué)的肺癌分型預(yù)測(cè)[J]. 梁偉,趙艷秋,桂東奇,丁小鳳.  解剖學(xué)報(bào). 2019(04)
[2]用于NSCLC診斷、治療決策、預(yù)后判斷的免疫組織化學(xué)指標(biāo)[J]. 王鳳芝,孫少華.  臨床肺科雜志. 2019(07)
[3]2018全球癌癥統(tǒng)計(jì)報(bào)告解讀[J]. 王寧,劉碩,楊雷,張希,袁延楠,李慧超,季加孚.  腫瘤綜合治療電子雜志. 2019(01)
[4]基于粒子群算法的醫(yī)學(xué)圖像分類算法研究[J]. 陳迪,李寧.  電子設(shè)計(jì)工程. 2019(02)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的肺癌病理圖像分類[J]. 寧?kù)o艷,俞晨,程年,劉芃.  軟件導(dǎo)刊. 2019(02)
[6]小細(xì)胞肺癌個(gè)體化治療進(jìn)展[J]. 張爽,柳菁菁,程穎.  中國(guó)腫瘤臨床. 2017(12)
[7]改進(jìn)的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J]. 肖進(jìn)勝,劉恩雨,朱力,雷俊鋒.  光學(xué)學(xué)報(bào). 2017(03)
[8]基于CNN模型的高分辨率遙感圖像目標(biāo)識(shí)別[J]. 曲景影,孫顯,高鑫.  國(guó)外電子測(cè)量技術(shù). 2016(08)
[9]2015版WHO肺癌組織學(xué)分類變化及其臨床意義[J]. 楊欣,林冬梅.  中國(guó)肺癌雜志. 2016(06)
[10]基于BP神經(jīng)網(wǎng)絡(luò)和SVM的分類方法研究[J]. 王宏濤,孫劍偉.  軟件. 2015(11)



本文編號(hào)：3471792