組織病理圖像蘊(yùn)含生物體豐富的病理信息,對(duì)于醫(yī)學(xué)研究的發(fā)展具有不可估量的價(jià)值,其中,組織病理圖像分類引起了學(xué)術(shù)界的極大關(guān)注。近年來,諸多成果已經(jīng)證明了判別性字典學(xué)習(xí)在圖像分類任務(wù)中的重要性。本文主要關(guān)注于如何設(shè)計(jì)字典學(xué)習(xí)模型,學(xué)習(xí)得到判別性字典,最終實(shí)現(xiàn)更好的組織病理圖像分類性能。本文的主要工作如下:(1)針對(duì)組織病理圖像分類中樣本特征之間具有高度相關(guān)性的問題,本文提出一種基于低秩約束的判別性字典學(xué)習(xí)(Discriminative dictionary learning with low-rank constraint,LRCDDL)算法,并用于實(shí)現(xiàn)組織病理圖像分類。與傳統(tǒng)算法僅僅關(guān)注稀疏編碼的低秩性不同,LRCDDL算法不僅同時(shí)優(yōu)化了子字典對(duì)同類和非同類訓(xùn)練樣本的重構(gòu)性能,而且對(duì)類獨(dú)有的子字典增加了低秩約束項(xiàng)。這一策略可以降低類獨(dú)有字典的原子之間的相關(guān)性,促進(jìn)原子之間相互獨(dú)立,從而學(xué)習(xí)出結(jié)構(gòu)更緊湊的判別性字典。在ADL和BreaKHis數(shù)據(jù)集進(jìn)行的實(shí)驗(yàn)結(jié)果表明,與現(xiàn)有算法相比較,LRCDDL算法具有更高的分類精度。(2)上述提出的LRCDDL算法雖然在組織病理圖像的分類上取得了一定的效...

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 背景與意義
    1.2 組織病理圖像分類的研究現(xiàn)狀
        1.2.1 基于手工特征的算法
        1.2.2 基于稀疏表示的算法
        1.2.3 基于深度學(xué)習(xí)的算法
    1.3 字典學(xué)習(xí)的研究現(xiàn)狀
    1.4 本文研究內(nèi)容與創(chuàng)新點(diǎn)
    1.5 本文的結(jié)構(gòu)安排
第二章 字典學(xué)習(xí)的相關(guān)理論
    2.1 字典學(xué)習(xí)基本模型
    2.2 常用的優(yōu)化算法
        2.2.1 OMP算法
        2.2.2 K-SVD算法
        2.2.3 ADMM算法
    2.3 判別性字典學(xué)習(xí)
    2.4 本章小結(jié)
第三章 基于低秩約束的判別性字典學(xué)習(xí)
    3.1 引言
    3.2 低秩表示理論
    3.3 低秩表示算法
    3.4 基于低秩約束的判別性字典學(xué)習(xí)算法
        3.4.1 訓(xùn)練階段
        3.4.2 測試階段
    3.5 實(shí)驗(yàn)分析
        3.5.1 ADL數(shù)據(jù)集
        3.5.2 BreaKHis數(shù)據(jù)集
        3.5.3 ADL數(shù)據(jù)集分類結(jié)果
        3.5.4 BreaKHis數(shù)據(jù)集分類結(jié)果
        3.5.5 實(shí)驗(yàn)參數(shù)分析
        3.5.6 圖像塊尺寸分析
        3.5.7 加噪聲圖像分類
        3.5.8 實(shí)驗(yàn)討論
    3.6 本章小結(jié)
第四章 基于成對(duì)局部約束的判別性字典學(xué)習(xí)
    4.1 引言
    4.2 輪廓向量與字典原子的關(guān)系
    4.3 利用字典原子構(gòu)造局部約束項(xiàng)
    4.4 基于成對(duì)局部約束的判別性字典學(xué)習(xí)算法
        4.4.1 PLCDDL模型
        4.4.2 PLCDDL模型優(yōu)化
        4.4.3 組織病理圖像分類器構(gòu)造
    4.5 實(shí)驗(yàn)分析
        4.5.1 ADL數(shù)據(jù)集分類結(jié)果
        4.5.2 BreaKHis數(shù)據(jù)集分類結(jié)果
        4.5.3 整體分類性能評(píng)估
        4.5.4 實(shí)驗(yàn)參數(shù)分析
        4.5.5 圖像塊尺寸分析
        4.5.6 實(shí)驗(yàn)復(fù)雜度分析
        4.5.7 加噪聲圖像分類
        4.5.8 實(shí)驗(yàn)討論
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士期間完成的學(xué)術(shù)論文及成果



本文編號(hào)：3816932