【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(biāo)之一。現(xiàn)有的醫(yī)學(xué)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(jī)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(fù)雜、形態(tài)各異等特點(diǎn),目前國內(nèi)外研究學(xué)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(xùn)練等方面,這些過程需要花費(fèi)大量的時間,但識別精度卻不高。針對這些問題,本文分別設(shè)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(jìn)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(jī)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(xì)胞核作為候選集;然后分別在不同顏色通道上進(jìn)行特征提取并將其融合;最后應(yīng)用改進(jìn)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(zhǔn)確率達(dá)到了0.823,結(jié)果表明所提出MCCFF算法優(yōu)于其他學(xué)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(fù)雜、耗時等問題,本文第四章提出了一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)合ZCA白化(ZCA-CNN)的計算機(jī)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(jìn)行ZCA白化處理,利用改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)(CNN)逐層提取特征;最后利用Softmax處理網(wǎng)絡(luò)輸出特征向量進(jìn)行分類。通過實驗結(jié)果分析并與LSVM、傳統(tǒng)CNN算法進(jìn)行比較,ZCA-CNN算法有更高的預(yù)測精度為0.9115。3)針對傳統(tǒng)網(wǎng)絡(luò)模型訓(xùn)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(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)(GAA-CNN)的計算機(jī)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(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)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(jìn)行比較,該算法在有絲分裂數(shù)據(jù)集上的分類預(yù)測精度達(dá)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(jī)輔助診斷方法可應(yīng)用于臨床醫(yī)學(xué)領(lǐng)域,并可以給早期乳腺癌診斷工作提供很多幫助。
【學(xué)位授予單位】：桂林電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;R737.9

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 王星杰;;基于深度特征學(xué)習(xí)的復(fù)雜環(huán)境下陌生人臉匹配算法研究[J];微型電腦應(yīng)用;2014年06期

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

相關(guān)碩士學(xué)位論文 前3條

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

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

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

，

本文編號：2617067