人體白細(xì)胞分類在臨床醫(yī)學(xué)疾病檢測(cè)中具有非常重要的地位。臨床實(shí)踐一般通過(guò)人工鏡檢對(duì)白細(xì)胞識(shí)別,人工鏡檢費(fèi)時(shí)費(fèi)工,同時(shí)也存在一定的人為誤差,智能化檢測(cè)方法深受關(guān)注和期盼。目前研究熱點(diǎn)聚焦使用計(jì)算機(jī)代替人工進(jìn)行白細(xì)胞識(shí)別。本文使用卷積神經(jīng)網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)對(duì)白細(xì)胞圖像進(jìn)行自動(dòng)分類。相關(guān)文獻(xiàn)表明,近年來(lái),在科研人員利用計(jì)算機(jī)對(duì)白細(xì)胞圖像進(jìn)行分類識(shí)別探究過(guò)程中,由于白細(xì)胞圖像中細(xì)胞和細(xì)胞核的大小、形狀以及邊緣等特征都是自動(dòng)分類的主要特征,所以研究人員都需要先對(duì)白細(xì)胞進(jìn)行分割,再進(jìn)行相關(guān)特征的提取,并且通過(guò)提取到的特征進(jìn)行分類識(shí)別。前期研究工作表明,采用現(xiàn)有白細(xì)胞分割算法進(jìn)行細(xì)胞分割時(shí)分割的效果并不理想。通過(guò)比較發(fā)現(xiàn)本文所使用的數(shù)據(jù)集圖像中,白細(xì)胞與背景顏色非常相近并且圖像中的白細(xì)胞亮度不均勻,針對(duì)本文所使用數(shù)據(jù)集中的這些問(wèn)題,本文提出了基于RGB和C-Y顏色空間的白細(xì)胞圖像分割算法。本文首先對(duì)RGB顏色空間的白細(xì)胞圖像進(jìn)行分割,再將原來(lái)的RGB圖像轉(zhuǎn)化為C-Y圖像,并且提取包含完整信息的B-Y顏色分量,通過(guò)連通域面積篩選、開(kāi)運(yùn)算、像素點(diǎn)操作得到白細(xì)胞圖像;提取對(duì)比度拉伸后G圖像,再重復(fù)上述過(guò)程,得到... 

【文章來(lái)源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstrast
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
        1.3.1 分類模型架構(gòu)
        1.3.2 各章節(jié)內(nèi)容
2 神經(jīng)網(wǎng)絡(luò)
    2.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
        2.2.2 局部連接與權(quán)值共享
        2.2.3 池化層
        2.2.4 激活函數(shù)
    2.3 膠囊網(wǎng)絡(luò)
        2.3.1 Squashing激活函數(shù)
        2.3.2 EM路由算法
    2.4 空洞卷積
    2.5 本章小結(jié)
3 白細(xì)胞圖像分割
    3.1 白細(xì)胞分割研究現(xiàn)狀
    3.2 圖像預(yù)處理
        3.2.1 圖像平滑濾波
        3.2.2 圖像銳化濾波
    3.3 圖像分割算法
        3.3.1 閾值分割
        3.3.2 邊緣檢測(cè)分割算法
        3.3.3 基于區(qū)域的分割算法
        3.3.4 基于形態(tài)學(xué)分水嶺的分割算法
    3.4 白細(xì)胞分割
        3.4.1 顏色空間轉(zhuǎn)換
        3.4.2 細(xì)胞核分割
        3.4.3 白細(xì)胞圖像分割
    3.5 本章小結(jié)
4 白細(xì)胞自動(dòng)分類器
    4.1 數(shù)據(jù)集
        4.1.1 白細(xì)胞的形態(tài)學(xué)特征
        4.1.2 本課題所用數(shù)據(jù)集
    4.2 系統(tǒng)框架
    4.3 交叉驗(yàn)證
    4.4 分類網(wǎng)絡(luò)模型—DCCnet
        4.4.1 DCCnet模型結(jié)構(gòu)
        4.4.2 實(shí)驗(yàn)及其結(jié)果
    4.5 分類模型—DMLCN
        4.5.1 DMLCN模型結(jié)構(gòu)
        4.5.2 實(shí)驗(yàn)結(jié)果及分析
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 研究工作總結(jié)
    5.2 展望
參考文獻(xiàn)
在校研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的外周血白細(xì)胞分類[J]. 陳暢,程少杰,李衛(wèi)濱,陳敏.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2018(01)
[2]基于距離變換的改進(jìn)分水嶺算法在白細(xì)胞圖像分割中的應(yīng)用[J]. 侯慧,石躍祥.  計(jì)算技術(shù)與自動(dòng)化. 2016(03)
[3]高效的白細(xì)胞分割算法[J]. 黃震,趙建偉,楚建軍,曹飛龍.  計(jì)算機(jī)工程與應(yīng)用. 2016(21)
[4]一種基于H直方圖變換的白細(xì)胞圖像分割方法[J]. 汪婧,曹益平,程旭升.  光學(xué)與光電技術(shù). 2013(02)
[5]血細(xì)胞圖像分割的改進(jìn)MEANSHIFT方法[J]. 印勇,王云,劉丹平.  計(jì)算機(jī)工程與應(yīng)用. 2010(06)
[6]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的白細(xì)胞圖像分割[J]. 楊嘉麟,鄭文嶺,馬文麗,梁斌.  微計(jì)算機(jī)信息. 2008(33)
[7]基于活動(dòng)輪廓模型的彩色白細(xì)胞圖像自動(dòng)分割方法研究[J]. 蔡雋,鮑旭東,吳磊,羅立民.  生物醫(yī)學(xué)工程研究. 2005(04)
[8]基于人工神經(jīng)網(wǎng)絡(luò)——多層感知器（MLP）的遙感影像分類模型[J]. 韓玲.  測(cè)繪通報(bào). 2004(09)

碩士論文
[1]基于深度學(xué)習(xí)的白細(xì)胞分類計(jì)數(shù)的研究[D]. 賈洪飛.深圳大學(xué) 2017



本文編號(hào)：3635707