本文關(guān)鍵詞：基于乳腺癌計算機輔助診斷的病理圖像分析

  更多相關(guān)文章： 深度學習 自動編碼器 滑動窗口 細胞檢測 稀疏非負矩陣分解 乳腺癌病理圖像

【摘要】：細胞自動檢測和顏色自動分離是病理圖像分析中的兩個具有挑戰(zhàn)性的基本問題,為很多后續(xù)進一步的定量分析提供基礎,如構(gòu)建基于圖描述的病理組織腫瘤區(qū)域的拓撲結(jié)構(gòu)特征,細胞與淋巴細胞的分割等等。針對第一個問題,本文提出了一種基于稀疏堆疊自動編碼器和滑動窗口的細胞自動檢測方法,該方法能快速、高效、準確地檢測高分辨率病理組織圖像中的細胞。該檢測算法首先運用稀疏堆疊自動編碼器對訓練集中的細胞樣本塊和非細胞樣本塊提取高層特征,然后運用這些高層特征訓練Softmax分類器。訓練好的分類器隨后被用于整幅高分辨率病理圖像中細胞的自動檢測。在檢測過程中,首先運用滑動窗的方法在整幅高分辨率病理圖像中選取相同尺寸的所有可能的細胞塊,被滑動窗選定的圖像塊隨后送到訓練好的稀疏堆疊自動編碼器提取高層特征后,然后送到訓練好的Softmax分類器中自動判斷是否是細胞塊。如果分類器判斷為細胞塊,則該細胞塊所在的質(zhì)心將自動地被算法標記為檢測出的細胞。為了驗證提出方法的有效性,該方法被運用于蘇木精和伊紅(HE)染色高分辨率乳腺穿刺切片病理圖像上細胞的自動檢測。通過與基于分割操作來實現(xiàn)細胞檢測的現(xiàn)有模型(如期望最大化算法(EM)、彩色去卷積算法(CD)、藍色比例閾值(Blue Ratio)等方法)對比表明：本文提出的方法具有更高的準確率,召回率和綜合評價指標,分別為71.5%,82.3%和76.5%。針對顏色自動分離問題,本文提出了一種基于稀疏非負矩陣分解的方法,并把該算法運用于病理圖像的顏色的自動分離。傳統(tǒng)的顏色分離是基于彩色去卷積方法,該方法需要預先設計去卷積矩陣,而本文提出的方法能夠?qū)崿F(xiàn)顏色的自動分離,不需要先驗知識。且對比于現(xiàn)有的非負矩陣算法,加入稀疏約束的非負矩陣算法,得到的顏色分離效果更明顯,通過定量的細胞分割結(jié)果比較,驗證了該方法的比基于主成分分析(PCA),獨立主成分分析(ICA),期望最大期望算法(EM)、彩色去卷積算法(CD)、藍色比例閾值(Blue Ratio),以及非負矩陣分解(NMF)方法具有優(yōu)越性。
【關(guān)鍵詞】：深度學習 自動編碼器 滑動窗口 細胞檢測 稀疏非負矩陣分解 乳腺癌病理圖像
【學位授予單位】：南京信息工程大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R737.9;TP391.41
【目錄】：

• 摘要5-6
• Abstract6-7
• 第一章 緒論7-12
• 1.1 研究背景7-8
• 1.2 國內(nèi)外研究現(xiàn)狀8-10
• 1.3 論文的主要內(nèi)容及章節(jié)安排10-12
• 第二章 深度學習和非負矩陣分解簡介12-22
• 2.1 自動編碼器概述12-16
• 2.1.1 自動編碼器原理12-15
• 2.1.2 自動編碼器的拓展及運用15-16
• 2.2 非負矩陣分解概述16-22
• 2.2.1 非負矩陣分解問題16-17
• 2.2.2 非負矩陣分解迭代算法歸納17-22
• 第三章 基于稀疏堆疊自動編碼器的細胞檢測22-36
• 3.1 研究動機22
• 3.2 本文提出的細胞檢測方法22-25
• 3.2.1 稀疏堆疊自動編碼器模型22-24
• 3.2.2 Softmax分類器24
• 3.2.3 滑動窗口24-25
• 3.3 實驗設計25-28
• 3.3.1 實驗數(shù)據(jù)集25
• 3.3.2 模型參數(shù)設置25-26
• 3.3.3 對比模型設計26-27
• 3.3.4 評價方法27-28
• 3.4 實驗結(jié)果和討論28-35
• 3.4.1 定性的實驗結(jié)果28-32
• 3.4.2 定量的實驗結(jié)果32
• 3.4.3 實驗的效率性分析32-35
• 3.5 本章小結(jié)35-36
• 第四章 基于稀疏非負矩陣分解的病理圖像顏色分離36-56
• 4.1 基于比爾朗伯定律的圖像表示36-37
• 4.2 顏色分離基礎37-38
• 4.3 本文提出的基于稀疏約束的非負矩陣分解38-39
• 4.4 算法流程39-41
• 4.4.1 稀疏非負矩陣分解39-40
• 4.4.2 基于形態(tài)學的細胞分割40-41
• 4.5 實驗設計41-43
• 4.5.1 實驗數(shù)據(jù)集介紹41
• 4.5.2 DSNMF與一般的分割方法對比(CT,BRT,EM)41-42
• 4.5.3 DSNMF與其他基于去卷積的方法(PCA,ICA,MDCD,NMF)42
• 4.5.4 不同的迭代方法對實驗的敏感度分析42
• 4.5.5 稀疏性約束對實驗結(jié)果的影響42-43
• 4.5.6 評估方法43
• 4.6 實驗結(jié)果43-55
• 4.6.1 不同的迭代方法對重構(gòu)誤差和迭代次數(shù)的影響43-44
• 4.6.2 各種分解方法求得H通道比較44-45
• 4.6.3 稀疏性約束對分離效果的影響45-49
• 4.6.4 雌激素受體陽性乳腺癌病理圖像細胞數(shù)據(jù)集上的結(jié)果49-52
• 4.6.5 雌激素受體陽性乳腺癌病理圖像淋巴細胞數(shù)據(jù)集上的結(jié)果52-55
• 4.6.6 各方法計算效率對比55
• 4.7 本章小結(jié)55-56
• 第五章 結(jié)論與展望56-58
• 5.1 本文的工作內(nèi)容及創(chuàng)新之處56
• 5.2 今后工作展望56-58
• 致謝58-59
• 參考文獻59-66
• 攻讀碩士期間完成的科研情況66

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 孔薇;陶偉杰;牟曉陽;;基于非負矩陣分解的大腦不同區(qū)域基因表達數(shù)據(jù)分析[J];中國生物醫(yī)學工程學報;2012年06期

2 曲斌;孟慶華;張婷婷;辛妮;胡育筑;;非負矩陣分解在中藥魚腥草近紅外光譜定性判別中的應用[J];計算機與應用化學;2009年10期

3 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 孫江明;李通化;;非平滑三維非負矩陣分解[A];第九屆全國計算（機）化學學術(shù)會議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負矩陣分解的自動多文摘方法[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負矩陣分解的圖像檢索[A];第七屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號處理學術(shù)年會論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負矩陣分解和支持向量機的軸心軌跡圖識別[A];2008年全國振動工程及應用學術(shù)會議暨第十一屆全國設備故障診斷學術(shù)會議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負矩陣分解[A];中國自動化學會中南六省（區(qū)）2010年第28屆年會·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

8 錢樂樂;高雋;徐小紅;;非負性約束的圖像稀疏編碼[A];第七屆全國信息獲取與處理學術(shù)會議論文集[C];2009年

9 朱昊;黃源水;付夢印;;基于NMF的道路識別算法在野外環(huán)境感知中的應用[A];第九屆全國光電技術(shù)學術(shù)交流會論文集（下冊）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負矩陣分解和向量相似測度的語音與音樂分離算法[A];第十一屆全國人機語音通訊學術(shù)會議論文集（一）[C];2011年

中國博士學位論文全文數(shù)據(jù)庫 前7條

1 楊士準;基于樣本和特征的遷移學習方法及應用[D];國防科學技術(shù)大學;2013年

2 胡俐蕊;非負矩陣分解方法及其在選票圖像識別中的應用[D];安徽大學;2013年

3 殷海青;圖像分析中的非負矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學;2011年

4 楊洪禮;非負矩陣與張量分解及其應用[D];山東科技大學;2011年

5 史加榮;多尺度張量逼近及應用[D];西安電子科技大學;2012年

6 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學;2012年

7 劉昱昊;基于非負矩陣分解算法的人臉識別技術(shù)的研究[D];吉林大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 謝昊;非負矩陣分解初始化及其應用[D];暨南大學;2015年

2 王一;凸與半非負矩陣分解的近點梯度方法研究[D];東北師范大學;2015年

3 項磊;基于乳腺癌計算機輔助診斷的病理圖像分析[D];南京信息工程大學;2015年

4 王丹;基于非負矩陣分解的腦電信號特征提取算法研究[D];燕山大學;2015年

5 馬春霞;非負矩陣分解及在基因表達數(shù)據(jù)分析中的應用研究[D];曲阜師范大學;2015年

6 郭建虎;非負矩陣分解方法及其在人臉識別中的應用[D];蘭州理工大學;2010年

7 蔣冀翔;基于非負矩陣分解的信息獲取方法研究[D];東南大學;2006年

8 譚青青;基于非負矩陣分解的腫瘤基因表達譜數(shù)據(jù)分析[D];安徽大學;2015年

9 馬帥;基于稀疏非負矩陣分解的圖像檢索[D];浙江大學;2012年

10 周丹;非負矩陣分解及其在人臉識別中的應用[D];大連海事大學;2013年

，

本文編號：980425