發(fā)布時間：2017-04-12 12:42

  本文關(guān)鍵詞：宮頸細(xì)胞病理圖像的分類識別方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：針對宮頸癌細(xì)胞的病理研究進展出現(xiàn)的細(xì)胞識別問題,提出一種新的解決方案,利用計算機對細(xì)胞圖片進行分割處理,再結(jié)合模式識別技術(shù)設(shè)計自動識別,這對研究宮頸癌病變前的診斷具有重要意義。本文在現(xiàn)有的技術(shù)研究上結(jié)合醫(yī)學(xué)理論知識,深入的分析了宮頸細(xì)胞圖像分割的問題所在并且提出新的解決方案,最后實現(xiàn)了對圖像處理和分類識別。研究內(nèi)容主要涉及:宮頸細(xì)胞圖像的預(yù)分割、重疊細(xì)胞分割、單細(xì)胞精確分割;提取客觀有效用于分類識別的特征參數(shù)(形態(tài)、色度、紋理),采用BP神經(jīng)網(wǎng)絡(luò)對宮頸細(xì)胞進行分類。本文的研究工作主要分為兩大部分:(1)宮頸細(xì)胞的分割處理。首先對細(xì)胞圖像進行預(yù)分割,從完整的宮頸LCT圖像中確定細(xì)胞前景,把圖像分割為單個細(xì)胞、細(xì)胞群、雜質(zhì)三種區(qū)域,因為宮頸細(xì)胞圖像是分辨率高達數(shù)萬像素的巨幅圖像,因此采用了分塊結(jié)合Otsu算法加快分割速度。細(xì)胞重疊和粘連是制片過程中不可避免的問題,第二步對重疊細(xì)胞圖像分割將把細(xì)胞群分離為獨立的細(xì)胞分割結(jié)果會影響細(xì)胞形態(tài)特征的參數(shù)提取的準(zhǔn)確性。首先需判定細(xì)胞群是否可分,可分細(xì)胞群采用基于曲率的方法檢測重疊細(xì)胞的分離點,通過基于曲線擬合的方法進行分離,不可分則舍棄。第三步是單細(xì)胞的精確分割,細(xì)胞精確分割是提取的細(xì)胞特征準(zhǔn)確有效的前提,本文采用了基于GVF Snake模型的自適應(yīng)分割方法,實驗證明,該方法分割精確,能夠取得較為滿意的結(jié)果。(2)采用BP神經(jīng)網(wǎng)絡(luò)對宮頸細(xì)胞進行分類,考慮到標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)存在自身固有缺陷,依據(jù)權(quán)威的宮頸細(xì)胞病理學(xué)診斷標(biāo)準(zhǔn)(TBS)篩選出15個替代特征參數(shù),進行主成分分析,得到一個必不可少并且足夠小的特征集,通過實驗比較可知該特征集可以大大縮短訓(xùn)練時間,從而設(shè)計出一個穩(wěn)定可靠的模型。最后,在訓(xùn)練過程中引入自適應(yīng)學(xué)習(xí)率和動量因子調(diào)節(jié)層間權(quán)重值加快了網(wǎng)絡(luò)收斂速度。本文是基于豐富的病理實踐和扎實的醫(yī)學(xué)細(xì)胞病變理論上開展的研究,借鑒人工BP神經(jīng)網(wǎng)絡(luò)理念設(shè)計分類器對現(xiàn)實宮頸癌細(xì)胞圖片進行分類識別,該項研究對臨床應(yīng)用方面有著廣闊的前景和重要的現(xiàn)實意義。
【關(guān)鍵詞】：Otsu算法 曲線擬合 GVF Snake模型 BP神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：廣西師范學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：R737.33;TP391.41
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-14
• 1.1 課題研究的背景和意義9-10
• 1.2 細(xì)胞圖像研究現(xiàn)狀10-13
• 1.2.1 圖像分割研究現(xiàn)狀11-12
• 1.2.2 特征提取研究現(xiàn)狀12
• 1.2.3 分類識別研究現(xiàn)狀12-13
• 1.3 本文研究內(nèi)容13
• 1.4 文章組織結(jié)構(gòu)13-14
• 第二章 宮頸細(xì)胞圖像分割方法研究14-30
• 2.1 分割流程簡介14-15
• 2.2 宮頸細(xì)胞圖像預(yù)分割15-18
• 2.2.1 Otsu算法16-17
• 2.2.2 宮頸細(xì)胞圖像分塊17
• 2.2.3 自適應(yīng)閾值分割方法17-18
• 2.3 重疊細(xì)胞分割18-22
• 2.3.1 基于曲率檢測細(xì)胞分離點18-20
• 2.3.2 基于曲線擬合的細(xì)胞分離20-21
• 2.3.3 實驗結(jié)果及分析21-22
• 2.4 獨立細(xì)胞的精確分割22-29
• 2.4.1 傳統(tǒng)snake模型22-23
• 2.4.2 GVF Snake模型23-25
• 2.4.3 基于GVF Snake模型的自適應(yīng)分割25-27
• 2.4.3.1 選取初始輪廓25-26
• 2.4.3.2 算法實現(xiàn)26-27
• 2.4.4 實驗結(jié)果及分析27-29
• 2.5 本章小結(jié)29-30
• 第三章 基于BP神經(jīng)網(wǎng)絡(luò)的分類識別30-42
• 3.1 BP神經(jīng)網(wǎng)絡(luò)30-35
• 3.1.1 神經(jīng)元模型31-32
• 3.1.2 BP網(wǎng)絡(luò)原理32-35
• 3.1.2.1 正向傳播33
• 3.1.2.2 反向傳播33-35
• 3.2 BP神經(jīng)網(wǎng)絡(luò)的改進35-36
• 3.2.1 增加動量法35-36
• 3.2.2 自適應(yīng)學(xué)習(xí)速率法36
• 3.3 基于BP神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞識別36-39
• 3.3.1 宮頸細(xì)胞特征參數(shù)計算及其選擇36-38
• 3.3.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計38-39
• 3.4 實驗結(jié)果及分析39-41
• 3.5 本章小結(jié)41-42
• 第四章 總結(jié)和展望42-43
• 4.1 研究工作總結(jié)42
• 4.2 展望42-43
• 參考文獻43-48
• 附錄48-49
• 致謝49-50

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 何苗;全宇;李建華;付志民;周寶森;;MLP神經(jīng)網(wǎng)絡(luò)在子宮頸細(xì)胞圖像識別中的應(yīng)用[J];中國衛(wèi)生統(tǒng)計;2006年04期

2 何苗;蔣本鐵;李建華;付志民;范玉;周寶森;;徑向基人工神經(jīng)網(wǎng)絡(luò)在宮頸細(xì)胞圖像識別中的應(yīng)用[J];中國醫(yī)科大學(xué)學(xué)報;2006年01期

3 李光,張海峰,王軍梅,徐妙生,王全紅;宮頸鱗狀細(xì)胞癌細(xì)胞核的形態(tài)定量分析[J];山西醫(yī)科大學(xué)學(xué)報;2005年04期

4 楊育彬;李寧;陳世福;陳兆乾;;肺癌分類識別中的神經(jīng)網(wǎng)絡(luò)集成技術(shù)研究[J];計算機科學(xué);2003年09期

5 劉秉瀚,王偉智,方秀端;協(xié)同模式識別方法綜述[J];系統(tǒng)工程與電子技術(shù);2003年06期

6 潘秦鏡,李凌,喬友林,章文華,張詢,吳令英,李愛玲,戎壽德,趙芳輝,孫耘田,JeromeL.Belinson,RobertG.Pretorius;液基細(xì)胞學(xué)篩查宮頸癌的研究[J];中華腫瘤雜志;2001年04期

  本文關(guān)鍵詞：宮頸細(xì)胞病理圖像的分類識別方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：301223