蕈樣肉芽腫是一種惡性程度較高的皮膚腫瘤,在早期容易與一些良性的皮膚炎癥混淆,因此蕈樣肉芽腫的準確識別和診斷是一個迫切需要解決的問題。蕈樣肉芽腫的早診斷、早治療將會在很大程度上提高患者的治愈率,從而讓患者獲益。病理診斷是目前蕈樣肉芽腫診斷的金標準,皮膚病理醫(yī)生通常是通過分析患者的皮膚病理圖像中的多種組織成分和細胞的相關(guān)形態(tài)來尋找一些蕈樣肉芽腫的有效特征,通過分析這些特征并根據(jù)醫(yī)生的經(jīng)驗來進行診斷。但由于病理圖像尺寸巨大,且組織類型多樣,場景復(fù)雜,細胞分布混亂,使得醫(yī)生在顯微鏡下的評估診斷工作量極大。為了提高診斷的準確性,亟需一些蕈樣肉芽腫病理圖像的自動和定量的方法。在此現(xiàn)狀下,本文提出了一套蕈樣肉芽腫多種組織成分的自動分割模型,能夠在復(fù)雜場景下自動分割多種類型的組織。同時本文研究了細胞核的實例分割網(wǎng)絡(luò)框架,從而能夠?qū)毎诉M行形態(tài)組織學(xué)的分析。在蕈樣肉芽腫病理圖像多種組織分割中,本文提出了一套級聯(lián)深度網(wǎng)絡(luò)模型。首先本文提出了一種快速密集網(wǎng)絡(luò)（Fast and Dense VGG,FD-VGG）,用于多種組織更快速的初始分割。該網(wǎng)絡(luò)以VGG作骨架網(wǎng)絡(luò),使用零填充卷積,改最后的池化層為平均池... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【部分圖文】：

蕈樣肉芽腫的發(fā)展過程

南京信息工程大學(xué)碩士學(xué)位論文2早期診斷極為困難。（2）斑塊期，又名浸潤期，該期的組織相對來說有診斷價值。通�？沙霈F(xiàn)3種變化：○1親表皮現(xiàn)象；○2真皮浸潤呈帶狀或斑片狀；○3真皮浸潤中出現(xiàn)很多MF細胞。在紅斑期中浸入表皮的細胞和普通的淋巴細胞類似，而在斑塊期浸入表皮的細胞已有MF細胞的表現(xiàn)。這種親表皮現(xiàn)象不僅存在于表皮中，有時也可在毛囊上皮中發(fā)現(xiàn)。（3）腫瘤期，親表皮現(xiàn)象不明顯，真皮內(nèi)發(fā)現(xiàn)有大片的浸潤，這種浸潤往往深達皮下組織。在大多數(shù)病例中，浸潤主要由MF細胞組成，核異形、深染和大小有顯著差別。圖1.2MF全景病理圖像在不同放大倍數(shù)下的感興趣區(qū)域（綠色框內(nèi)）。（a）為MFHE病理圖像在1倍下即原始放大倍數(shù)下的圖像；從（b）到（d）分別是MF病理圖像在目鏡4、10和40倍下的圖像。蕈樣肉芽腫（MF）的診斷主要依賴H&E染色的病理圖像，有時會通過免疫組化進行進一步分析。H&E染色的病理圖像是指由兩種類型的染色劑對病理組織進行染色，其中蘇木精(Hematoxylin)為堿性染色劑，可以將細胞核染成藍紫色，伊紅(Eosin)為酸性染色劑，可以將細胞質(zhì)和細胞外的基質(zhì)染為粉紅色[7]。本文主要研究的是H&E染色的MF

第二章相關(guān)理論基礎(chǔ)7中的卷積層和池化層交替連接在一起，通過池化層來降低數(shù)據(jù)維度，這樣可以直接將多維輸入的圖像直接送入到CNN中，這一特性有效避免了數(shù)據(jù)分析的復(fù)雜過程。（1）卷積層：卷積層中的單元稱為卷積核。每一個單元都相當(dāng)于一個濾波器，每個濾波器都有一系列的權(quán)值，這些權(quán)值與上一層的特征圖譜連接在一起，然后通過非線性激活函數(shù)（Sigmoid,Tanh和ReLU等）輸出卷積后的特征圖譜[40]。卷積核以滑動窗的形式遍歷上整張圖像，運算得到的結(jié)果被稱為特征圖譜。假設(shè)輸入一張大小為M×N的圖像,，1,1,卷積核為,，1,1，經(jīng)過卷積運算后，卷積的輸出為[41]：,∑∑,﹒,（2.1）（2）池化層：特征融合是池化層的主要目的，既能提高網(wǎng)絡(luò)魯棒性，還可以進行特征降維。利用局部特征相關(guān)原理，池化層對特征圖像進行抽樣，對不同位置的特征進行統(tǒng)計，同時對圖像的縮放、平移旋轉(zhuǎn)等具有不變性。比如最大池化取局部最大的特征作為輸出結(jié)果，平均池化是取局部特征的平均值作為輸出結(jié)果，而全局平局池化[42]則是取當(dāng)前特征圖譜上全部特征的平均值作為輸出結(jié)果。圖2.1展示3種池化方式的計算過程。在上一層的位置和特征值略有改變的情況下，池化層可以讓池化后的特征基本不發(fā)生改變。圖2.1不同的池化方式（3）激活函數(shù)層：激活函數(shù)一般為非線性函數(shù)，目的在于將網(wǎng)絡(luò)原本學(xué)習(xí)到的有限的線性輸出映射到非線性空間，使其能夠?qū)W習(xí)到更復(fù)雜的特征，增強其空間表達能力。常用的激活函數(shù)有Sigmoid，Tanh和ReLU等，給定輸入，ReLU的表達式為：

【參考文獻】：
期刊論文
[1]2015年中國惡性腫瘤流行情況分析[J]. 鄭榮壽,孫可欣,張思維,曾紅梅,鄒小農(nóng),陳茹,顧秀瑛,魏文強,赫捷.  中華腫瘤雜志. 2019 (01)
[2]基于深度卷積網(wǎng)絡(luò)的結(jié)直腸全掃描病理圖像的多種組織分割[J]. 蔡程飛,徐軍,梁莉,魏建華,周洋樞.  中國生物醫(yī)學(xué)工程學(xué)報. 2017(05)
[3]蕈樣肉芽腫[J]. 張層層,吳娟,徐令祥.  世界最新醫(yī)學(xué)信息文摘. 2015(29)



本文編號：3321773