白帶顯微圖像中白細胞的自動識別算法技術(shù)是一種與機器學習方法,人工智能思想密切關(guān)聯(lián)的數(shù)字圖像處理技術(shù)。陰道白細胞的存在是陰道或?qū)m頸組織炎癥的重要標志,白細胞的識別與計數(shù)是評估病情的簡單、有效手段,是白帶常規(guī)檢查的重要部分。然而,傳統(tǒng)方法中白細胞的識別主要通過人工方法進行,效率低下。迄今為止,糞便、血液等物質(zhì)中的有形成分均實現(xiàn)了智能化的自動識別,而白帶中白細胞的自動識別研究則剛剛起步。白細胞自動識別的實現(xiàn)依托于全自動白帶檢測儀,借鑒并使用了圖像處理、特征提取、智能分類、神經(jīng)網(wǎng)絡(luò)等多種算法技術(shù),主要包括兩個階段:白帶顯微圖像預處理,和白細胞正負樣本的智能分類。白帶顯微圖像的預處理,完成了對白帶顯微圖像的分割與裁剪,得到了白細胞的正負樣本庫,是實現(xiàn)白細胞自動識別的基礎(chǔ)與首要步驟。之后,本文提出了三種用于白細胞正負樣本分類的算法模型:提取樣本的形態(tài)學特征和紋理特征,組成特征集并輸入到分類器中進行分類;設(shè)計一個卷積神經(jīng)網(wǎng)絡(luò)的算法模型,從不同維度不同層次完成特征抽取,并將分類步驟融合于網(wǎng)絡(luò)之中;將上述兩種算法模型線性組合,得到一個組合算法模型。經(jīng)過白細胞正負樣本的分類之后,將正樣本在白帶顯微圖像中框出并計數(shù),至此,完成了白細胞的自動識別。實驗結(jié)果表明,基于這三種不同算法模型的白細胞識別方法均可用于實際生產(chǎn)中�；谑止ぴO(shè)計特征并分類的方法達到了88%的靈敏度,97%的特異性和92.5%的準確率�；诰矸e神經(jīng)網(wǎng)絡(luò)的方法獲得95%的靈敏度,89%的特異性和91%的準確率。最后,基于組合模型的方法中,實現(xiàn)了93%的靈敏度,96%的特異性和95%的準確率。可見,這三種方法在不同評價指標下各有優(yōu)劣,但差別較小,均可用于白帶顯微圖像中白細胞的自動識別。考慮程序運行的時間,則基于卷積神經(jīng)網(wǎng)絡(luò)的算法模型呈現(xiàn)出最優(yōu)的性能。本文從算法角度出發(fā),研究了白帶顯微圖像中白細胞的自動識別技術(shù),針對具體的識別情景,設(shè)計手工特征集和卷積神經(jīng)網(wǎng)絡(luò),并創(chuàng)造性的將兩者相結(jié)合,實現(xiàn)了多種算法下的白細胞自動識別,達到了生產(chǎn)要求,提高了白帶檢測儀的智能化程度。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：R711;TP391.41
【部分圖文】：

陰道感染[1,2]。陰道疾病定程度的影響。為降治療。中常規(guī)的檢驗項目，大部分的陰道感染疾斷感染病菌的幾率或菌造成的，白帶中白床意義和極大的研究價出，形態(tài)接近圓形，有細胞，在發(fā)生感染的時，根據(jù)白細胞的多少，0-5 個白細胞屬于正以確定存在炎癥情況，情況，需要進行更多

采用奧林巴斯 CX31 生物顯微鏡和圖譜 EXCCD 相機，如圖2-2 所示。奧林巴斯 CX31 生物顯微鏡使用先進的 UIS 無限遠校正光學系統(tǒng)，采用UIS 系統(tǒng)的 PLC 系列平場物鏡更是顯著提高了圖像邊緣的銳利和清晰度。本課題中，由于需要在 CCD 相機中成像，故目鏡不被使用，僅使用物鏡。在物鏡倍率的選擇上，我們要保證涂片上大部分區(qū)域可以被觀察到，同時相機掃描的總時間不

82.2 白帶顯微圖像的預處理經(jīng)過涂片制備及圖像采集步驟，得到的8位灰度白帶顯微圖像，如圖2-4所示。圖 2-4 白帶顯微圖像在圖像中，不僅可能含有白細胞，也可能含有球菌、桿菌、滴蟲、霉菌、上皮細胞等成分。因此，我們設(shè)計圖像預處理這一環(huán)節(jié)，在原始白帶顯微圖像中，將可能包含白細胞的區(qū)域裁剪下來。一方面，對圖像中的所有成分進行初步篩選，排除明顯不是白細胞的成分，如球菌、桿菌或其他碎屑；另一方面，經(jīng)過稀釋步驟的樣本，在其圖像中有較大像素面積的灰色背景，影響圖像處理的速度，通過裁剪步驟，可去除大量的背景像素。2.2.1 白帶顯微圖像的分割圖像分割，是將圖像劃分為若干互不交迭的區(qū)域，劃分的依據(jù)是灰度、顏色、紋理等圖像特征
【相似文獻】

相關(guān)期刊論文 前10條

1 許艷;蕭澤新;陳樂庚;;細胞顯微圖像的處理與識別系統(tǒng)研究[J];光學與光電技術(shù);2007年02期

2 李金忠;吳沿友;秦松;趙玉國;;顯微圖像處理在藻類分類計數(shù)中的應用[J];貴州科學;2006年03期

3 左鐵秋,耿長喜,馬德華,趙晨穎,楊靜波,唐慶梅;應用熒光顯微圖像技術(shù)評價油層水淹程度[J];大慶石油地質(zhì)與開發(fā);2005年S1期

4 趙倩,胡越黎,曹家麟;基于支持向量機的皮膚顯微圖像識別[J];上海大學學報(自然科學版);2005年01期

5 紀紅,賈志強;醫(yī)學顯微圖像處理系統(tǒng)[J];中國醫(yī)學裝備;2005年03期

6 鞠穎,王博亮,謝杰鎮(zhèn),黃紹輝,吳世輝,萬明習;基于裂隙燈顯微圖像的眼前節(jié)特征提取的新方法[J];中國生物醫(yī)學工程學報;2004年03期

7 楊朝麗;顯微圖像顯示儀在實驗課中的應用[J];中等醫(yī)學教育;2000年07期

8 鮑依稀,劉清林,康格非,羅春麗;醫(yī)用顯微圖像處理系統(tǒng)的研制和軟件開發(fā)[J];重慶醫(yī)科大學學報;2000年03期

9 余書勤，相秉仁;顯微圖像處理在新藥藥效及毒性研究中的應用[J];藥學進展;1995年01期

10 陳耀文;;利用計算機圖像處理分離顯微圖像中的交疊目標[J];醫(yī)學物理;1991年Z1期

相關(guān)博士學位論文 前10條

1 鐘明亮;紅外顯微圖像的信息提取技術(shù)研究[D];哈爾濱工程大學;2014年

2 鄭海永;基于生物形態(tài)學的有害赤潮顯微圖像診斷研究[D];中國海洋大學;2009年

3 史紅偉;顯微圖像處理理論及其在食品微生物識別中的應用[D];吉林大學;2012年

4 張紅民;厚組織熒光顯微圖像復原方法研究[D];華中科技大學;2007年

5 吳堅;近膜區(qū)域熒光顯微圖像中亞細胞目標的斑點檢測、融合事件識別和三維形態(tài)重建[D];浙江大學;2016年

6 余金棟;基于計算機微視覺的亞微米特征尺寸測量理論與實驗研究[D];華南理工大學;2014年

7 郭春鋒;中國海常見有害赤潮藻顯微圖像識別研究[D];中國海洋大學;2011年

8 李紹成;基于靜電感應和顯微圖像的油液磨粒監(jiān)測技術(shù)研究[D];南京航空航天大學;2009年

9 隋棟;基于收斂指數(shù)的顯微圖像中細胞檢測計數(shù)與三維重建研究[D];哈爾濱工業(yè)大學;2015年

10 劉巖;顯微視頻流處理關(guān)鍵技術(shù)及其應用[D];浙江大學;2015年

相關(guān)碩士學位論文 前10條

1 鐘亞;白帶顯微圖像中白細胞自動識別算法技術(shù)的研究[D];電子科技大學;2018年

2 鄢婷;材料與生物醫(yī)學中的顯微圖像處理研究[D];武漢理工大學;2015年

3 徐秋楓;光學顯微圖像細胞結(jié)構(gòu)檢測和重建方法研究[D];華中科技大學;2016年

4 王思玲;基于色度模型的細胞顯微圖像顏色評估方法及應用研究[D];南昌航空大學;2017年

5 孟鑫;基于機器視覺的寄生蟲卵顯微圖像自動識別研究[D];河南科技大學;2017年

6 高會會;角毛藻顯微圖像識別與無角毛類藻多細胞顯微圖像計數(shù)研究[D];中國海洋大學;2014年

7 吉文華;醫(yī)學顯微圖像工作站的設(shè)計與開發(fā)[D];浙江大學;2004年

8 張立偉;白細胞顯微圖像分類研究[D];哈爾濱工程大學;2008年

9 劉倩倩;細胞抹片顯微圖像自動分割識別算法研究[D];重慶大學;2017年

10 文軍;基于FPGA的顯微圖像采集平臺控制系統(tǒng)設(shè)計[D];哈爾濱理工大學;2016年

本文編號：2871206