【摘要】：在乳腺癌病理圖像中,有絲分裂的個數(shù)是評價乳腺癌分級的重要指標之一�，F(xiàn)有的醫(yī)學手段通過人工識別有絲分裂,既耗時間又對識別人員有很高的專業(yè)要求,因此對有絲分裂識別的計算機輔助診斷方法越來越多。針對乳腺癌病理圖像中有絲分裂過程復雜、形態(tài)各異等特點,目前國內(nèi)外研究學者對有絲分裂識別方法的研究主要集中在特征提取和分類訓練等方面,這些過程需要花費大量的時間,但識別精度卻不高。針對這些問題,本文分別設計了三種不同的有絲分裂檢測和分類識別方法并將其實現(xiàn),主要研究工作如下:1)傳統(tǒng)有絲分裂檢測識別方法直接對RGB圖像進行處理,會忽略掉一些有用特征。針對這一問題,本文第三章提出了一種基于多通道特征融合(MCCFF)的計算機輔助有絲分裂檢測識別算法。首先在乳腺癌病理圖像中分割出細胞核作為候選集;然后分別在不同顏色通道上進行特征提取并將其融合;最后應用改進最小距離分類器得到檢測結(jié)果。實驗以ICPR2012有絲分裂大賽數(shù)據(jù)集為例,檢測準確率達到了0.823,結(jié)果表明所提出MCCFF算法優(yōu)于其他學者提出的算法。2)針對傳統(tǒng)有絲分裂分類識別方法中的特征提取過程,需要提取大量特征而計算復雜、耗時等問題,本文第四章提出了一種基于改進卷積神經(jīng)網(wǎng)絡結(jié)合ZCA白化(ZCA-CNN)的計算機輔助有絲分裂分類識別算法。首先分割出有絲分裂和非有絲分裂候選集;再對其進行ZCA白化處理,利用改進卷積神經(jīng)網(wǎng)絡(CNN)逐層提取特征;最后利用Softmax處理網(wǎng)絡輸出特征向量進行分類。通過實驗結(jié)果分析并與LSVM、傳統(tǒng)CNN算法進行比較,ZCA-CNN算法有更高的預測精度為0.9115。3)針對傳統(tǒng)網(wǎng)絡模型訓練時間較長且計算量有限等問題,本文第五章提出了一種基于改進深度卷積神經(jīng)網(wǎng)絡(GAA-CNN)的計算機輔助有絲分裂分類識別算法。首先分割出候選集;然后利用改進深度卷積神經(jīng)網(wǎng)絡提取候選集深層特征,并采用GPU加速;最后由Softmax處理輸出特征向量得到分類結(jié)果。通過實驗結(jié)果分析并與第四章ZCA-CNN算法進行比較,該算法在有絲分裂數(shù)據(jù)集上的分類預測精度達到了0.9544,具有較好的分類效果。本文針對傳統(tǒng)有絲分裂識別方法存在的問題,提出了三種有絲分裂檢測和分類識別方法,并通過仿真對比實驗說明本文算法均有更好的識別效果。而且這種有絲分裂識別的計算機輔助診斷方法可應用于臨床醫(yī)學領域,并可以給早期乳腺癌診斷工作提供很多幫助。
【學位授予單位】：桂林電子科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.41;R737.9

【參考文獻】

相關期刊論文 前2條

1 王星杰;;基于深度特征學習的復雜環(huán)境下陌生人臉匹配算法研究[J];微型電腦應用;2014年06期

2 趙志宏;楊紹普;馬增強;;基于卷積神經(jīng)網(wǎng)絡LeNet-5的車牌字符識別研究[J];系統(tǒng)仿真學報;2010年03期

相關碩士學位論文 前3條

1 張佳濱;基于深度學習的多特征高光譜遙感圖像分類研究[D];燕山大學;2017年

2 劉雅;基于低秩稀疏表示的乳腺癌細胞有絲分裂檢測[D];南京信息工程大學;2014年

3 蔡俊林;醫(yī)學圖像中多目標檢測與跟蹤技術研究[D];華南理工大學;2012年

，

本文編號：2617067