基于級(jí)聯(lián)多分類器融合的宮頸癌細(xì)胞識(shí)別技術(shù)的研究
發(fā)布時(shí)間:2021-10-22 07:01
宮頸癌一直是女性最為常見(jiàn)的惡性腫瘤之一,但如果在宮頸癌變?cè)缙诰桶l(fā)現(xiàn)治療,被治愈的可能會(huì)大大提高。宮頸癌篩查技術(shù)很多都是靠閱片醫(yī)師人工判讀大量的細(xì)胞涂片,不僅給閱片醫(yī)師造成了巨大工作壓力,人工判讀還會(huì)出現(xiàn)主觀誤差,F(xiàn)階段宮頸細(xì)胞自動(dòng)識(shí)別技術(shù)發(fā)展還不成熟,宮頸癌細(xì)胞識(shí)別率低。本論文在前人數(shù)字圖像處理和模式識(shí)別技術(shù)研究的基礎(chǔ)上,以提高宮頸癌細(xì)胞圖像的自動(dòng)化分類識(shí)別準(zhǔn)確率為目標(biāo),研究基于級(jí)聯(lián)多分類器融合的宮頸癌細(xì)胞圖像分類識(shí)別方法。首先,對(duì)宮頸細(xì)胞圖像進(jìn)行預(yù)處理。本文根據(jù)細(xì)胞類別特點(diǎn),對(duì)宮頸細(xì)胞圖像進(jìn)行卷積銳化和直方圖均衡化處理,使處理后的圖像細(xì)胞邊緣信息更加突出,提高分類的準(zhǔn)確率。??其次,對(duì)處理后的宮頸細(xì)胞圖像進(jìn)行特征提取。由于傳統(tǒng)方法提取的特征包含有用信息較少,根據(jù)遷移學(xué)習(xí)思想本文通過(guò)去掉全連接層改進(jìn)深度學(xué)習(xí)模型,實(shí)現(xiàn)對(duì)細(xì)胞圖像的特征提取。由于改進(jìn)的深度學(xué)習(xí)模型提取的特征包含冗余,不利于提高分類的準(zhǔn)確率。與單變量特征選擇模型的優(yōu)點(diǎn)相結(jié)合,提出一種新的特征提取模型,使模型提取出來(lái)的特征能有效地對(duì)宮頸細(xì)胞進(jìn)行分類。再次,對(duì)提取出來(lái)的特征數(shù)據(jù)進(jìn)行降維。為了提高宮頸細(xì)胞圖像分類準(zhǔn)確率和運(yùn)算速度,...
【文章來(lái)源】:哈爾濱理工大學(xué)黑龍江省
【文章頁(yè)數(shù)】:62 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
正常的鱗狀上皮細(xì)胞
-7-圖 2-2 正常的中層鱗狀細(xì)胞.2-2 Normal middle squamous?細(xì)胞體積大小不一,細(xì)體如圖 2-3 所示。該類細(xì)。圖 2-3 正常的柱狀細(xì)胞Fig.2-3 Normal columnar cel
點(diǎn)為細(xì)胞大多呈現(xiàn)圓形粒狀。具體如圖 2-2 所量為 70。圖 2-2 正常的中層鱗狀細(xì)胞.2-2 Normal middle squamou細(xì)胞體積大小不一,細(xì)體如圖 2-3 所示。該類
【參考文獻(xiàn)】:
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞涂片的病變細(xì)胞分類[J]. 胡卉,蔡金清. 軟件工程. 2018(08)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞病理智能輔助診斷方法[J]. 廖欣,鄭欣,鄒娟,馮敏,孫亮,楊開(kāi)選. 液晶與顯示. 2018(06)
[3]基于巖石圖像深度學(xué)習(xí)的巖性自動(dòng)識(shí)別與分類方法[J]. 張野,李明超,韓帥. 巖石學(xué)報(bào). 2018(02)
[4]結(jié)合層次法與主成分分析特征變換的宮頸細(xì)胞識(shí)別[J]. 趙理莉,孫燎原,殷建平,李寬,印萬(wàn)鵬,祝恩. 國(guó)防科技大學(xué)學(xué)報(bào). 2017(06)
[5]AdaBoost檢測(cè)結(jié)合SOM的自動(dòng)人臉識(shí)別方法[J]. 葉劍鋒,王化明. 哈爾濱工程大學(xué)學(xué)報(bào). 2018(01)
[6]一種自適應(yīng)的多類Boosting分類算法[J]. 王世勛,潘鵬,陳燈,盧炎生. 計(jì)算機(jī)科學(xué). 2017(07)
[7]數(shù)字圖像處理在光學(xué)相關(guān)識(shí)別中的應(yīng)用研究[J]. 房倩. 科技經(jīng)濟(jì)導(dǎo)刊. 2016(16)
[8]基于深度學(xué)習(xí)混合模型遷移學(xué)習(xí)的圖像分類[J]. 石祥濱,房雪鍵,張德園,郭忠強(qiáng). 系統(tǒng)仿真學(xué)報(bào). 2016(01)
[9]宮頸癌及癌前病變?cè)缙诤Y查的新進(jìn)展[J]. 朱方培,任青玲. 現(xiàn)代腫瘤醫(yī)學(xué). 2016(01)
[10]宮頸活檢與宮頸錐切術(shù)在宮頸上皮內(nèi)瘤變中臨床價(jià)值[J]. 高紅靜. 現(xiàn)代儀器與醫(yī)療. 2013(04)
博士論文
[1]宮頸細(xì)胞圖像分割和識(shí)別方法研究[D]. 范金坪.暨南大學(xué) 2010
碩士論文
[1]基于強(qiáng)特征CNN-SVM的宮頸癌細(xì)胞檢測(cè)[D]. 李正義.北京交通大學(xué) 2018
[2]基于同層多尺度核卷積神經(jīng)網(wǎng)絡(luò)的單細(xì)胞圖像分類研究[D]. 郝占龍.廣西師范大學(xué) 2017
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞病變圖像識(shí)別研究[D]. 郭磊.廣西師范大學(xué) 2017
[4]宮頸細(xì)胞圖像特征分析與自動(dòng)識(shí)別方法研究[D]. 許璇.哈爾濱理工大學(xué) 2017
[5]一種多分類器融合的單個(gè)宮頸細(xì)胞圖像分割、特征提取和分類識(shí)別方法研究[D]. 李文杰.廣西師范大學(xué) 2016
[6]基于LDA的特征提取及其在人臉識(shí)別中的應(yīng)用[D]. 湯鵬.河北大學(xué) 2015
本文編號(hào):3450603
【文章來(lái)源】:哈爾濱理工大學(xué)黑龍江省
【文章頁(yè)數(shù)】:62 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
正常的鱗狀上皮細(xì)胞
-7-圖 2-2 正常的中層鱗狀細(xì)胞.2-2 Normal middle squamous?細(xì)胞體積大小不一,細(xì)體如圖 2-3 所示。該類細(xì)。圖 2-3 正常的柱狀細(xì)胞Fig.2-3 Normal columnar cel
點(diǎn)為細(xì)胞大多呈現(xiàn)圓形粒狀。具體如圖 2-2 所量為 70。圖 2-2 正常的中層鱗狀細(xì)胞.2-2 Normal middle squamou細(xì)胞體積大小不一,細(xì)體如圖 2-3 所示。該類
【參考文獻(xiàn)】:
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞涂片的病變細(xì)胞分類[J]. 胡卉,蔡金清. 軟件工程. 2018(08)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞病理智能輔助診斷方法[J]. 廖欣,鄭欣,鄒娟,馮敏,孫亮,楊開(kāi)選. 液晶與顯示. 2018(06)
[3]基于巖石圖像深度學(xué)習(xí)的巖性自動(dòng)識(shí)別與分類方法[J]. 張野,李明超,韓帥. 巖石學(xué)報(bào). 2018(02)
[4]結(jié)合層次法與主成分分析特征變換的宮頸細(xì)胞識(shí)別[J]. 趙理莉,孫燎原,殷建平,李寬,印萬(wàn)鵬,祝恩. 國(guó)防科技大學(xué)學(xué)報(bào). 2017(06)
[5]AdaBoost檢測(cè)結(jié)合SOM的自動(dòng)人臉識(shí)別方法[J]. 葉劍鋒,王化明. 哈爾濱工程大學(xué)學(xué)報(bào). 2018(01)
[6]一種自適應(yīng)的多類Boosting分類算法[J]. 王世勛,潘鵬,陳燈,盧炎生. 計(jì)算機(jī)科學(xué). 2017(07)
[7]數(shù)字圖像處理在光學(xué)相關(guān)識(shí)別中的應(yīng)用研究[J]. 房倩. 科技經(jīng)濟(jì)導(dǎo)刊. 2016(16)
[8]基于深度學(xué)習(xí)混合模型遷移學(xué)習(xí)的圖像分類[J]. 石祥濱,房雪鍵,張德園,郭忠強(qiáng). 系統(tǒng)仿真學(xué)報(bào). 2016(01)
[9]宮頸癌及癌前病變?cè)缙诤Y查的新進(jìn)展[J]. 朱方培,任青玲. 現(xiàn)代腫瘤醫(yī)學(xué). 2016(01)
[10]宮頸活檢與宮頸錐切術(shù)在宮頸上皮內(nèi)瘤變中臨床價(jià)值[J]. 高紅靜. 現(xiàn)代儀器與醫(yī)療. 2013(04)
博士論文
[1]宮頸細(xì)胞圖像分割和識(shí)別方法研究[D]. 范金坪.暨南大學(xué) 2010
碩士論文
[1]基于強(qiáng)特征CNN-SVM的宮頸癌細(xì)胞檢測(cè)[D]. 李正義.北京交通大學(xué) 2018
[2]基于同層多尺度核卷積神經(jīng)網(wǎng)絡(luò)的單細(xì)胞圖像分類研究[D]. 郝占龍.廣西師范大學(xué) 2017
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞病變圖像識(shí)別研究[D]. 郭磊.廣西師范大學(xué) 2017
[4]宮頸細(xì)胞圖像特征分析與自動(dòng)識(shí)別方法研究[D]. 許璇.哈爾濱理工大學(xué) 2017
[5]一種多分類器融合的單個(gè)宮頸細(xì)胞圖像分割、特征提取和分類識(shí)別方法研究[D]. 李文杰.廣西師范大學(xué) 2016
[6]基于LDA的特征提取及其在人臉識(shí)別中的應(yīng)用[D]. 湯鵬.河北大學(xué) 2015
本文編號(hào):3450603
本文鏈接:http://sikaile.net/yixuelunwen/fuchankeerkelunwen/3450603.html
最近更新
教材專著