【摘要】：隨著醫(yī)學(xué)影像處理和模式識別技術(shù)的不斷發(fā)展,基于機(jī)器視覺的宮頸癌細(xì)胞檢測技術(shù)應(yīng)運(yùn)而生。該技術(shù)有望替代傳統(tǒng)的人工篩查方法,解決人工篩查方法中效率低下、受主觀因素影響大、準(zhǔn)確率低的問題。由于該項(xiàng)技術(shù)目前正在處于起步階段,普遍存在著設(shè)備智能化程度低下、識別準(zhǔn)確率較低、分類敏感性及特異性較差的問題。針對此問題,本文在現(xiàn)有研究之上,研究了一套宮頸癌細(xì)胞智能檢測系統(tǒng)。該系統(tǒng)中,首先利用改進(jìn)對焦算法的顯微成像裝置對宮頸脫落細(xì)胞涂片進(jìn)行細(xì)胞圖像采集,然后通過參數(shù)優(yōu)化的隨機(jī)森林分類器對淋巴細(xì)胞圖像、上皮細(xì)胞圖像進(jìn)行分類,最后引入基于強(qiáng)特征的CNN-SVM分類器,對正常上皮細(xì)胞圖像和癌變上皮細(xì)胞圖像進(jìn)行分類。本文的具體工作如下:(1)硬件平臺設(shè)計(jì)上,添加X、Y軸智能控制模塊,使得裝置可以自動切換圖像視野。自動對焦算法上,改進(jìn)了對焦窗口選擇策略,使得裝置可以根據(jù)視野內(nèi)目標(biāo)的密度自行選擇對焦窗口,然后利用多梯度清晰度評價(jià)函數(shù)對圖像進(jìn)行評價(jià),隨后采用爬山法快速尋找焦平面。(2)由于在宮頸脫落細(xì)胞涂片中,夾雜著大量無關(guān)的淋巴細(xì)胞,因此為了對上皮細(xì)胞圖像與淋巴細(xì)胞圖像快速分類,研究了一種基于人工魚群算法參數(shù)優(yōu)化的隨機(jī)森林分類器模型。該分類器利用人工魚群算法對隨機(jī)森林和特征子集的規(guī)模進(jìn)行合理選擇,從而保證了樣本子空間和特征子空間的有效性和多樣性,提高了分類器的分類精度和泛化能力。(3)為了解決癌變上皮細(xì)胞與正常上皮細(xì)胞分類準(zhǔn)確率較低、敏感性和特異性較差的問題,本文研究了一種基于強(qiáng)特征的CNN-SVM分類器模型。該模型中,將CNN網(wǎng)絡(luò)隱藏層自動提取的特征和另外提取的強(qiáng)特征進(jìn)行串行融合,然后輸入至支持向量機(jī)進(jìn)行分類。該分類模型加入強(qiáng)特征提取通路,有效地保證了樣本的重要特征屬性被分類器加以學(xué)習(xí),提高了識別的準(zhǔn)確率、敏感性和特異性。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的自動對焦算法效率較高,對焦效果良好。參數(shù)優(yōu)化后的隨機(jī)森林模型OOB error低至0.0314,相對于其他分類方法泛化能力更強(qiáng)�；趶�(qiáng)特征的CNN-SVM模型分類準(zhǔn)確率達(dá)94.92%,且極好地保證了分類的敏感性和特異性。
【圖文】：

其中的上皮細(xì)胞制成涂片。逡逑基于上皮細(xì)胞的大小、細(xì)胞涂片的制作工藝，以及目前臨床上顯微鏡使用現(xiàn)逡逑狀，決定在奧林巴斯（ＯＬＹＭＰＵＳ）邋ＣＸ４１生物顯微鏡的基礎(chǔ)上（如圖２－２），對其逡逑進(jìn)行掃描平臺智能控制的設(shè)計(jì)、調(diào)焦機(jī)構(gòu)的自動對焦算法設(shè)計(jì)，作為宮頸癌細(xì)胞逡逑檢測的自動顯微成像平臺。ＯＬＹＭＰＵＳ邋ＣＸ４１參數(shù)如表１所示。由于淲狀上皮細(xì)胞逡逑細(xì)胞核大小在范圍內(nèi)，因此選擇丨０倍目鏡、４０倍物鏡的４００倍組合逡逑放大效果，對細(xì)胞圖像放大后采集。逡逑圖２－２邋ＯＬＹＭＰＵＳ邋ＣＸ４１型顯微鏡逡逑Ｆｉｇｕｒｅ邋２－２邋ＯＬＹＭＰＵＳ邋ＣＸ４１邋ｍｉｃｒｏｓｃｏｐｅ邋ｐａｒａｍｅｔｅｒｓ逡逑表１為ＯＬＹＭＰＵＳ邋ＣＸ４】型顯微鏡的詳細(xì)參數(shù)。逡逑８逡逑

由于細(xì)胞涂片的影像經(jīng)顯微鏡放大后，會有數(shù)百個(gè)不同的視野。切換視野時(shí)，逡逑每個(gè)視野圖像不僅需要通過工業(yè)相機(jī)高速采集，并且要保證相鄰視野間的圖像有逡逑Ｊ邋＝邋１３ｗｗ的重疊，如圖２－３所示。逡逑／邋／邋／逡逑？邋／邋／邋．逡逑：Ｇ逡逑Ｐｉｃｔｕｒｅｌ邐Ｐｉｃｔｕｒｅ邋２逡逑Ｕ—ｄ—＞逡逑圖２－３視野間圖像重疊示意圖逡逑Ｆｉｇｕｒｅ邋２－３邋Ｉｍａｇｅ邋ｂｅｔｗｅｅｎ邋ｖｉｓｕａｌ邋ｆｉｅｌｄｓ邋ｏｖｅｒｌａｐｐｉｎｇ邋ｓｃｈｅｍａｔｉｃ逡逑因?yàn)獒槍m頸脫落細(xì)胞涂片，當(dāng)重疊部分小于ｊ時(shí)，圖像邊緣的細(xì)胞核圖像逡逑有可能被破壞，不能納入正常的處理對象，造成不完整的細(xì)胞庫；而當(dāng)重疊部分逡逑超過ｊ，則可能導(dǎo)致細(xì)胞庫中出現(xiàn)重復(fù)細(xì)胞過多，增加計(jì)算量同時(shí)，，影響最終判逡逑決精度。因此，要想保證處理的快速性、判決結(jié)果的準(zhǔn)確性，該工作顯然是人工逡逑９逡逑
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;R737.33

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳昌友;;一種改進(jìn)的人工魚群優(yōu)化算法[J];智能系統(tǒng)學(xué)報(bào);2015年03期

2 王蒙;戴亞平;王慶林;;一種新的FAST-Snake目標(biāo)跟蹤方法[J];自動化學(xué)報(bào);2014年06期

3 劉述民;黃影平;張仁杰;;基于立體視覺及蛇模型的行人輪廓提取及其識別[J];光學(xué)學(xué)報(bào);2014年05期

4 Santiago Tello-Mijares;Francisco Flores;Jesús Bescós;Edgar Valdez;;Efcient autofocus method for sequential automatic capturing of high-magnification microscopic images[J];Chinese Optics Letters;2013年12期

5 呂游;劉吉臻;楊婷婷;孫偉毅;;基于PLS特征提取和LS-SVM結(jié)合的NOx排放特性建模[J];儀器儀表學(xué)報(bào);2013年11期

6 高雷阜;趙世杰;高晶;;人工魚群算法在SVM參數(shù)優(yōu)化選擇中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2013年23期

7 趙同香;鄧小虹;韓歷麗;;宮頸癌篩查狀況及評價(jià)指標(biāo)研究進(jìn)展[J];中華疾病控制雜志;2013年08期

8 賈平;徐寧;張葉;;基于局部特征提取的目標(biāo)自動識別[J];光學(xué)精密工程;2013年07期

9 Zhendong Bei;Zhibin Yu;Huiling Zhang;Chengzhong Xu;Shenzhong Feng;Zhenjiang Dong;Hengsheng Zhang;;A Hadoop Performance Prediction Model Based on Random Forest[J];ZTE Communications;2013年02期

10 王楠;馬蓉;吳建中;高曉平;陸益彬;趙麗君;薛t

本文編號：2670795