本文關(guān)鍵詞：基于乳腺癌計(jì)算機(jī)輔助診斷的病理圖像分析

  更多相關(guān)文章： 深度學(xué)習(xí) 自動(dòng)編碼器 滑動(dòng)窗口 細(xì)胞檢測(cè) 稀疏非負(fù)矩陣分解 乳腺癌病理圖像

【摘要】：細(xì)胞自動(dòng)檢測(cè)和顏色自動(dòng)分離是病理圖像分析中的兩個(gè)具有挑戰(zhàn)性的基本問題,為很多后續(xù)進(jìn)一步的定量分析提供基礎(chǔ),如構(gòu)建基于圖描述的病理組織腫瘤區(qū)域的拓?fù)浣Y(jié)構(gòu)特征,細(xì)胞與淋巴細(xì)胞的分割等等。針對(duì)第一個(gè)問題,本文提出了一種基于稀疏堆疊自動(dòng)編碼器和滑動(dòng)窗口的細(xì)胞自動(dòng)檢測(cè)方法,該方法能快速、高效、準(zhǔn)確地檢測(cè)高分辨率病理組織圖像中的細(xì)胞。該檢測(cè)算法首先運(yùn)用稀疏堆疊自動(dòng)編碼器對(duì)訓(xùn)練集中的細(xì)胞樣本塊和非細(xì)胞樣本塊提取高層特征,然后運(yùn)用這些高層特征訓(xùn)練Softmax分類器。訓(xùn)練好的分類器隨后被用于整幅高分辨率病理圖像中細(xì)胞的自動(dòng)檢測(cè)。在檢測(cè)過程中,首先運(yùn)用滑動(dòng)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(xì)胞塊,被滑動(dòng)窗選定的圖像塊隨后送到訓(xùn)練好的稀疏堆疊自動(dòng)編碼器提取高層特征后,然后送到訓(xùn)練好的Softmax分類器中自動(dòng)判斷是否是細(xì)胞塊。如果分類器判斷為細(xì)胞塊,則該細(xì)胞塊所在的質(zhì)心將自動(dòng)地被算法標(biāo)記為檢測(cè)出的細(xì)胞。為了驗(yàn)證提出方法的有效性,該方法被運(yùn)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(xì)胞的自動(dòng)檢測(cè)。通過與基于分割操作來實(shí)現(xiàn)細(xì)胞檢測(cè)的現(xiàn)有模型(如期望最大化算法(EM)、彩色去卷積算法(CD)、藍(lán)色比例閾值(Blue Ratio)等方法)對(duì)比表明：本文提出的方法具有更高的準(zhǔn)確率,召回率和綜合評(píng)價(jià)指標(biāo),分別為71.5%,82.3%和76.5%。針對(duì)顏色自動(dòng)分離問題,本文提出了一種基于稀疏非負(fù)矩陣分解的方法,并把該算法運(yùn)用于病理圖像的顏色的自動(dòng)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(yù)先設(shè)計(jì)去卷積矩陣,而本文提出的方法能夠?qū)崿F(xiàn)顏色的自動(dòng)分離,不需要先驗(yàn)知識(shí)。且對(duì)比于現(xiàn)有的非負(fù)矩陣算法,加入稀疏約束的非負(fù)矩陣算法,得到的顏色分離效果更明顯,通過定量的細(xì)胞分割結(jié)果比較,驗(yàn)證了該方法的比基于主成分分析(PCA),獨(dú)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(lán)色比例閾值(Blue Ratio),以及非負(fù)矩陣分解(NMF)方法具有優(yōu)越性。
【關(guān)鍵詞】：深度學(xué)習(xí) 自動(dòng)編碼器 滑動(dòng)窗口 細(xì)胞檢測(cè) 稀疏非負(fù)矩陣分解 乳腺癌病理圖像
【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
【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(guó)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(xué)習(xí)和非負(fù)矩陣分解簡(jiǎn)介12-22
• 2.1 自動(dòng)編碼器概述12-16
• 2.1.1 自動(dòng)編碼器原理12-15
• 2.1.2 自動(dòng)編碼器的拓展及運(yùn)用15-16
• 2.2 非負(fù)矩陣分解概述16-22
• 2.2.1 非負(fù)矩陣分解問題16-17
• 2.2.2 非負(fù)矩陣分解迭代算法歸納17-22
• 第三章 基于稀疏堆疊自動(dòng)編碼器的細(xì)胞檢測(cè)22-36
• 3.1 研究動(dòng)機(jī)22
• 3.2 本文提出的細(xì)胞檢測(cè)方法22-25
• 3.2.1 稀疏堆疊自動(dòng)編碼器模型22-24
• 3.2.2 Softmax分類器24
• 3.2.3 滑動(dòng)窗口24-25
• 3.3 實(shí)驗(yàn)設(shè)計(jì)25-28
• 3.3.1 實(shí)驗(yàn)數(shù)據(jù)集25
• 3.3.2 模型參數(shù)設(shè)置25-26
• 3.3.3 對(duì)比模型設(shè)計(jì)26-27
• 3.3.4 評(píng)價(jià)方法27-28
• 3.4 實(shí)驗(yàn)結(jié)果和討論28-35
• 3.4.1 定性的實(shí)驗(yàn)結(jié)果28-32
• 3.4.2 定量的實(shí)驗(yàn)結(jié)果32
• 3.4.3 實(shí)驗(yàn)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(fù)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(chǔ)37-38
• 4.3 本文提出的基于稀疏約束的非負(fù)矩陣分解38-39
• 4.4 算法流程39-41
• 4.4.1 稀疏非負(fù)矩陣分解39-40
• 4.4.2 基于形態(tài)學(xué)的細(xì)胞分割40-41
• 4.5 實(shí)驗(yàn)設(shè)計(jì)41-43
• 4.5.1 實(shí)驗(yàn)數(shù)據(jù)集介紹41
• 4.5.2 DSNMF與一般的分割方法對(duì)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(duì)實(shí)驗(yàn)的敏感度分析42
• 4.5.5 稀疏性約束對(duì)實(shí)驗(yàn)結(jié)果的影響42-43
• 4.5.6 評(píng)估方法43
• 4.6 實(shí)驗(yàn)結(jié)果43-55
• 4.6.1 不同的迭代方法對(duì)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(duì)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(xì)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(xì)胞數(shù)據(jù)集上的結(jié)果52-55
• 4.6.6 各方法計(jì)算效率對(duì)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(xiàn)59-66
• 攻讀碩士期間完成的科研情況66

【相似文獻(xiàn)】

中國(guó)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(fù)矩陣分解的大腦不同區(qū)域基因表達(dá)數(shù)據(jù)分析[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2012年06期

2 曲斌;孟慶華;張婷婷;辛妮;胡育筑;;非負(fù)矩陣分解在中藥魚腥草近紅外光譜定性判別中的應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2009年10期

3 ;[J];;年期

中國(guó)重要會(huì)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(fù)矩陣分解[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負(fù)矩陣分解的自動(dòng)多文摘方法[A];中國(guó)計(jì)算機(jī)語言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負(fù)矩陣分解的圖像檢索[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)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(fù)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(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負(fù)矩陣分解和支持向量機(jī)的軸心軌跡圖識(shí)別[A];2008年全國(guó)振動(dòng)工程及應(yīng)用學(xué)術(shù)會(huì)議暨第十一屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負(fù)矩陣分解[A];中國(guó)自動(dòng)化學(xué)會(huì)中南六�。▍^(qū)）2010年第28屆年會(huì)·論文集[C];2010年

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

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

9 朱昊;黃源水;付夢(mèng)印;;基于NMF的道路識(shí)別算法在野外環(huán)境感知中的應(yīng)用[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負(fù)矩陣分解和向量相似測(cè)度的語音與音樂分離算法[A];第十一屆全國(guó)人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集（一）[C];2011年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 楊士準(zhǔn);基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

2 胡俐蕊;非負(fù)矩陣分解方法及其在選票圖像識(shí)別中的應(yīng)用[D];安徽大學(xué);2013年

3 殷海青;圖像分析中的非負(fù)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(xué);2011年

4 楊洪禮;非負(fù)矩陣與張量分解及其應(yīng)用[D];山東科技大學(xué);2011年

5 史加榮;多尺度張量逼近及應(yīng)用[D];西安電子科技大學(xué);2012年

6 方蔚濤;人臉識(shí)別特征抽取算法的研究[D];重慶大學(xué);2012年

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

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 謝昊;非負(fù)矩陣分解初始化及其應(yīng)用[D];暨南大學(xué);2015年

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

3 項(xiàng)磊;基于乳腺癌計(jì)算機(jī)輔助診斷的病理圖像分析[D];南京信息工程大學(xué);2015年

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

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

6 郭建虎;非負(fù)矩陣分解方法及其在人臉識(shí)別中的應(yīng)用[D];蘭州理工大學(xué);2010年

7 蔣冀翔;基于非負(fù)矩陣分解的信息獲取方法研究[D];東南大學(xué);2006年

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

9 馬帥;基于稀疏非負(fù)矩陣分解的圖像檢索[D];浙江大學(xué);2012年

10 周丹;非負(fù)矩陣分解及其在人臉識(shí)別中的應(yīng)用[D];大連海事大學(xué);2013年

，

本文編號(hào)：980425