發(fā)布時(shí)間：2017-11-07 03:30

  本文關(guān)鍵詞：深度卷積網(wǎng)絡(luò)及其在乳腺病理圖像分析中的應(yīng)用

  更多相關(guān)文章： 特征共享 特征表示 自動(dòng)細(xì)胞檢測(cè) 自動(dòng)細(xì)胞分割 卷積神經(jīng)網(wǎng)絡(luò) 乳腺病理圖像

【摘要】：在乳腺癌病理診斷與預(yù)后中,改進(jìn)的B loom-Richardson病理分級(jí)系統(tǒng)與細(xì)胞核的形態(tài)和拓?fù)浣Y(jié)構(gòu)特征密切相關(guān),因此,病理圖像中準(zhǔn)確、快速的細(xì)胞核自動(dòng)檢測(cè)和分割是乳腺癌計(jì)算機(jī)輔助診斷與預(yù)后系統(tǒng)的重要基礎(chǔ)。但是由于病理組織染色方法的多樣性、圖像場(chǎng)景與病理標(biāo)志物高度復(fù)雜性、成像方法的差異性以及成像儀器的多樣性等因素,導(dǎo)致大部分細(xì)胞核都呈現(xiàn)出高度復(fù)雜的形狀和結(jié)構(gòu)特性,比如顏色的不均勻性、細(xì)胞的重疊性、多個(gè)細(xì)胞的高度凝聚性等。因而,病理圖像細(xì)胞核的自動(dòng)檢測(cè)和分割成為醫(yī)學(xué)圖像處理領(lǐng)域中一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)。針對(duì)這一問題,本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)初始化的局部區(qū)域活動(dòng)邊界模型(CNNiLRAC)進(jìn)行細(xì)胞檢測(cè)和分割,這一模型有效地結(jié)合兩個(gè)模塊：卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)模塊和局部區(qū)域活動(dòng)邊界模型(LRAC)的細(xì)胞分割模塊。第一個(gè)模塊中,本文使用由稀疏自編碼(SAE)初始化的CNN并結(jié)合滑動(dòng)窗口技術(shù),在高分辨率病理圖像中自動(dòng)檢測(cè)細(xì)胞;第二個(gè)模塊中,在細(xì)胞檢測(cè)的基礎(chǔ)上利用局部自適應(yīng)閾值的方法生成初始輪廓,然后再使用由局部高斯分布驅(qū)動(dòng)的LRAC模型進(jìn)行細(xì)胞分割。本文提出的算法在三個(gè)病理圖像數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)評(píng)估。分別與藍(lán)色比例閾值(BR),迭代徑向選舉(IRV)和最大穩(wěn)定極值區(qū)域(MSER)三種方法進(jìn)行比較,結(jié)果表明,本文提出的CNNiLRAC模型能夠準(zhǔn)確地檢測(cè)細(xì)胞并且精確地分割細(xì)胞邊界。本文提出的模型在三個(gè)數(shù)據(jù)庫(kù)上的檢測(cè)準(zhǔn)確率分別為F-measure:80%、86%、80%, Precision-Recall曲線中的AveP：77%、82%、74%；在其中兩個(gè)有分割標(biāo)準(zhǔn)的數(shù)據(jù)庫(kù)中得到的分割準(zhǔn)確率分別為PPV:85%、89%。在深度卷積網(wǎng)絡(luò)模型方面,本文基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(TCNN, Traditional CNN)提出一種快速有效的多級(jí)金字塔卷積神經(jīng)網(wǎng)絡(luò)MLPCNN (Multi-level pyramid CNN)模型,該模型避免了在大尺度圖像中卷積濾波速度過慢、CNN參數(shù)調(diào)節(jié)困難、訓(xùn)練時(shí)間過長(zhǎng)的問題。這一網(wǎng)絡(luò)使用權(quán)值共享的方法將低級(jí)的濾波權(quán)值共享到高級(jí),保證CNN的訓(xùn)練只在較小尺寸的圖像塊上進(jìn)行,加快訓(xùn)練速度。實(shí)驗(yàn)表明,在特征維數(shù)比較低的情況下,MLPCNN提取到的特征比傳統(tǒng)的特征提取方法更加有效。
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：R737.9;TP391.41

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前8條

1 何建芳,劉旭明;應(yīng)用圖像處理技術(shù)提高病理圖像質(zhì)量[J];診斷病理學(xué)雜志;2002年01期

2 王偉智,劉秉瀚,鄭智勇;基于形態(tài)特征的淋巴瘤病理圖像分級(jí)分割方法[J];中國(guó)體視學(xué)與圖像分析;2005年01期

3 宋來鳳,彭勃,張義華,王亞光,梁鳳玲;心血管病理圖像的微機(jī)計(jì)量[J];中國(guó)循環(huán)雜志;1992年01期

4 劉秉瀚,王偉智,鄭智勇,黃慶榮;病理圖像中重疊細(xì)胞自動(dòng)分離的研究[J];中國(guó)體視學(xué)與圖像分析;2002年01期

5 劉秉瀚,鄭智勇,王偉智;肝組織免疫組化病理圖像的自動(dòng)分析[J];中國(guó)體視學(xué)與圖像分析;2000年04期

6 李志宏,史元春,周智明;Web上基于內(nèi)容的病理圖像檢索的研究方法與展望[J];第四軍醫(yī)大學(xué)學(xué)報(bào);1999年03期

7 徐蕓,文小崗,王振豫,李繼昌;脂肪肝CT圖像、肝穿活檢病理圖像定量形態(tài)測(cè)量軟件的設(shè)計(jì)和應(yīng)用[J];中華放射學(xué)雜志;2005年10期

8 ;[J];;年期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前3條

1 李志宏;史元春;;Web上基于內(nèi)容的病理圖像檢索的設(shè)計(jì)與展望[A];信息科學(xué)與微電子技術(shù):中國(guó)科協(xié)第三屆青年學(xué)術(shù)年會(huì)論文集[C];1998年

2 鄭唯強(qiáng);;虛擬顯微鏡技術(shù)在病理學(xué)的應(yīng)用[A];中華醫(yī)學(xué)會(huì)病理學(xué)分會(huì)2006年學(xué)術(shù)年會(huì)論文匯編[C];2006年

3 鄭清平;周澤斌;;一款較適用于病理圖像數(shù)字化處理的數(shù)碼相機(jī)[A];面向二十一世紀(jì)的生物醫(yī)學(xué)體視學(xué)和軍事病理學(xué)論文摘要匯編[C];2000年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 王冠皓;深度卷積網(wǎng)絡(luò)及其在乳腺病理圖像分析中的應(yīng)用[D];南京信息工程大學(xué);2015年

2 趙明珠;細(xì)胞病理圖像的特征分析與分類識(shí)別[D];浙江工業(yè)大學(xué);2012年

3 張建波;基于流行學(xué)習(xí)的淋巴瘤組織病理圖像分類研究[D];福州大學(xué);2011年

4 張麗熙;基于紋理特征空間的淋巴組織病理圖像協(xié)同分類研究[D];福州大學(xué);2006年

5 王玉山;基于神經(jīng)網(wǎng)絡(luò)的病理圖像融合識(shí)別研究與實(shí)現(xiàn)[D];武漢理工大學(xué);2010年

，

本文編號(hào)：1150657