肺癌是一種常見的惡性腫瘤,也是目前國內(nèi)外發(fā)病率及死亡率最高的一種癌癥,肺腺癌則是肺癌類型中常見的肺組織病變之一。病理學(xué)檢查是醫(yī)生確定腫瘤是否發(fā)生癌變的“金標(biāo)準(zhǔn)”,但由于病理圖像具有高度的復(fù)雜性,醫(yī)生需要反復(fù)大量閱片才能最終給出醫(yī)學(xué)診斷,這使得醫(yī)生閱片負(fù)擔(dān)明顯加重。因此,借助計算機(jī)進(jìn)行肺腺癌病理圖像的自動識別和精確定位對提高診斷率有重要意義。本文主要針對肺腺癌病理學(xué)檢查過程中的序列病理切片圖像配準(zhǔn)技術(shù)和基于深度學(xué)習(xí)的圖像分割技術(shù)展開研究,以達(dá)到計算機(jī)輔助識別檢測的目的。論文的主要研究內(nèi)容如下:1.提出一種改進(jìn)的圖像配準(zhǔn)算法R-SIFT,算法引入增強(qiáng)梯度提取圖像特征點,采用初始匹配與精匹配雙重匹配過程,有效增加了特征匹配點對數(shù)量,同時減少了誤匹配點對。通過肺腺癌病理切片圖像配準(zhǔn)測試與SIFT+RANSAC和SIFT+FSC兩種算法進(jìn)行了分析比較,其特征匹配點對數(shù)量和均方根誤差等指標(biāo)明顯改善,驗證了所提配準(zhǔn)算法具有更好的準(zhǔn)確性與魯棒性。2.采用基于深度學(xué)習(xí)的圖像語義分割模型檢測肺腺癌病理圖像,在現(xiàn)有Deeplab V3+網(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)行改進(jìn),提出了一種應(yīng)用于病理圖像分割效果更好的L-De...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及分析
    1.3 本文主要研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 序列病理切片圖像配準(zhǔn)算法研究
    2.1 引言
    2.2 病理切片圖像配準(zhǔn)
        2.2.1 基于灰度信息的配準(zhǔn)
        2.2.2 基于特征信息的配準(zhǔn)
    2.3 R-SIFT配準(zhǔn)算法
    2.4 病理切片圖像配準(zhǔn)實驗
        2.4.1 實驗數(shù)據(jù)
        2.4.2 實驗內(nèi)容
        2.4.3 實驗結(jié)果與分析
    2.5 本章小結(jié)
3 基于深度學(xué)習(xí)的圖像分割
    3.1 圖像分割概述
    3.2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
    3.3 FCN網(wǎng)絡(luò)模型分析
        3.3.1 FCN網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 FCN模型特點
    3.4 U-Net網(wǎng)絡(luò)模型分析
        3.4.1 U-Net網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 U-Net模型特點
    3.5 Deeplab V3+網(wǎng)絡(luò)模型分析
        3.5.1 Deeplab V3+網(wǎng)絡(luò)結(jié)構(gòu)
        3.5.2 Deeplab V3+模型特點
    3.6 本章小結(jié)
4 改進(jìn)的L-Deep Lab網(wǎng)絡(luò)設(shè)計
    4.1 改進(jìn)的L-Deeplab網(wǎng)絡(luò)架構(gòu)設(shè)計
    4.2 編碼結(jié)構(gòu)設(shè)計
        4.2.1 可縮放指數(shù)正則化線性單元
        4.2.2 Xception模型設(shè)計
        4.2.3 ASPP優(yōu)化設(shè)計
    4.3 解碼結(jié)構(gòu)設(shè)計
    4.4 損失函數(shù)和L2正則化
    4.5 模型優(yōu)化
        4.5.1 Shift Dropout
        4.5.2 優(yōu)化器選擇
    4.6 本章小結(jié)
5 基于L-Deeplab網(wǎng)絡(luò)的肺腺癌病理圖像分割
    5.1 引言
    5.2 數(shù)據(jù)集制作
        5.2.1 數(shù)據(jù)集特點
        5.2.2 數(shù)據(jù)標(biāo)注
        5.2.3 數(shù)據(jù)擴(kuò)增
        5.2.4 數(shù)據(jù)構(gòu)建
    5.3 評價指標(biāo)
    5.4 模型訓(xùn)練
    5.5 實驗結(jié)果與分析
    5.6 本章小結(jié)
6 總結(jié)
    6.1 論文總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
個人簡歷、在校期間發(fā)表的學(xué)術(shù)論文與科研成果
致謝



本文編號：3851835