基于深度学习和形变模型的乳腺癌全扫描切片图像语义分割
发布时间：2021-11-22 10:02
乳腺癌现已成为对女性健康威胁程度最高的恶性肿瘤之一。目前,主要是人工结合组织活检的显微分析进行诊断,不仅费时费力,而且诊断结果具有主观性与差异性。因此若能通过计算机自动准确地将病理图像中的病变区域诊断出来,那么不仅省时省力,而且可为病理学家提供精确客观的评估依据,这对于恶性肿瘤的智能诊断极具意义。对乳腺组织根据癌变与否进行切片图像的语义分割即可实现这点。本文要研究的乳腺组织活检全扫描切片图像分割是基于千兆分辨率的像素级分割,因数据量巨大,染色图像背景复杂,并且检测对象含有不同尺度的细胞与组织,故使得现有图像分割算法不能很好地适用于本文数据。针对乳腺癌全扫描切片图像语义分割中存在的一些难点,结合最新的深度学习技术,本文提出了一种将多尺度空洞卷积神经网络与形变模型相结合的图像分割算法,对多分类乳腺病变区域（正常、良性、恶性（原位性或浸润性））进行语义分割:（1）本文采用多个尺度的空洞卷积结构获取多尺度特征进行特征融合,并在上采样过程中,使用反卷积减少特征损失,以适应更加精细的多分类任务,这种改进的多尺度空洞卷积神经网络在数据集上进行训练验证,对比经典算法,该方法的准确率更高。（2）卷积神经...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
自然场景下的语义图像分割图像语义分割后需要满足如下的性质[27]
图 2.2 卷积示意图也称降采样，Subsampling）：池 化层一般池化窗口为 k k，池化步长为 stride，则域将其进行特征映射，输出为 1×1 的区域法包括最大池化、平均池化。池化窗口为图 2.3 所示，其中最大池化将池化窗口映特征，因为区域中最明显的取值替换为该方法可以获取图像的整体特征，突出背景数的数量，大幅度降低计算量，同时能够有价值的信息，起到二次学习的作用，具可以有效防止过拟合，扩大深层卷积核的
图 2.2 卷积示意图 ，也称降采样，Subsampling）：池 化层一般接设池化窗口为 k k，池化步长为 stride，则对区域将其进行特征映射，输出为 1×1 的区域。方法包括最大池化、平均池化。池化窗口为 如图 2.3 所示，其中最大池化将池化窗口映射理特征，因为区域中最明显的取值替换为该窗该方法可以获取图像的整体特征，突出背景信参数的数量，大幅度降低计算量，同时能够对最有价值的信息，起到二次学习的作用，具有还可以有效防止过拟合，扩大深层卷积核的感
【参考文献】：
期刊论文
[1]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[2]Segmentation of Hematoxylin-Eosin stained breast cancer histopathological images based on pixel-wise SVM classifier[J]. QU AiPing,CHEN JiaMei,WANG LinWei,YUAN JingPing,YANG Fang,XIANG QingMing,MASKEY Ninu,YANG GuiFang,LIU Juan,LI Yan. Science China（Information Sciences）. 2015(09)
[3]中国女性乳腺癌发病死亡和生存状况[J]. 陈万青,郑荣寿. 中国肿瘤临床. 2015(13)
[4]基于灰度直方图多峰值选取的脑组织MRI图像K-means聚类分割方法研究[J]. 陈兆学,喻海中,陈浩. 生物医学工程学杂志. 2013(06)
[5]病理医生之间对前列腺活检单个非典型小病灶的诊断存在分歧[J]. Van der Kwast T H,Evans A,Lockwood G,张仁亚. 临床与实验病理学杂志. 2010(06)
[6]改进的Otsu算法在图像分割中的应用[J]. 胡敏,李梅,汪荣贵. 电子测量与仪器学报. 2010(05)
[7]FCM聚类算法中模糊加权指数m的优选方法[J]. 宫改云,高新波,伍忠东. 模糊系统与数学. 2005(01)
硕士论文
[1]基于深度卷积神经网络的图像语义分割[D]. 马骁.中国科学院大学(中国科学院光电技术研究所) 2018
[2]基于物体检测的图像检索算法[D]. 张宇.西安电子科技大学 2017
[3]基于深度学习的语义图像分割算法[D]. 梁植程.合肥工业大学 2017
[4]基于病理图像的乳腺肿瘤定量化分析[D]. 龚磊.南京信息工程大学 2016
[5]基于水平集和分水岭的图像分割算法研究[D]. 余敏锋.西安电子科技大学 2014
[6]乳腺癌病理切片显微图像分割及系统实现[D]. 王迎迎.西北大学 2013
[7]基于钼靶影像的乳腺肿瘤形态特征分析[D]. 陈桂林.南京医科大学 2011
[8]医学显微细胞图像提取和分割技术的研究与实现[D]. 吴菁.电子科技大学 2010
本文编号：3511462
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
自然场景下的语义图像分割图像语义分割后需要满足如下的性质[27]
图 2.2 卷积示意图也称降采样，Subsampling）：池 化层一般池化窗口为 k k，池化步长为 stride，则域将其进行特征映射，输出为 1×1 的区域法包括最大池化、平均池化。池化窗口为图 2.3 所示，其中最大池化将池化窗口映特征，因为区域中最明显的取值替换为该方法可以获取图像的整体特征，突出背景数的数量，大幅度降低计算量，同时能够有价值的信息，起到二次学习的作用，具可以有效防止过拟合，扩大深层卷积核的
图 2.2 卷积示意图 ，也称降采样，Subsampling）：池 化层一般接设池化窗口为 k k，池化步长为 stride，则对区域将其进行特征映射，输出为 1×1 的区域。方法包括最大池化、平均池化。池化窗口为 如图 2.3 所示，其中最大池化将池化窗口映射理特征，因为区域中最明显的取值替换为该窗该方法可以获取图像的整体特征，突出背景信参数的数量，大幅度降低计算量，同时能够对最有价值的信息，起到二次学习的作用，具有还可以有效防止过拟合，扩大深层卷积核的感
【参考文献】：
期刊论文
[1]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[2]Segmentation of Hematoxylin-Eosin stained breast cancer histopathological images based on pixel-wise SVM classifier[J]. QU AiPing,CHEN JiaMei,WANG LinWei,YUAN JingPing,YANG Fang,XIANG QingMing,MASKEY Ninu,YANG GuiFang,LIU Juan,LI Yan. Science China（Information Sciences）. 2015(09)
[3]中国女性乳腺癌发病死亡和生存状况[J]. 陈万青,郑荣寿. 中国肿瘤临床. 2015(13)
[4]基于灰度直方图多峰值选取的脑组织MRI图像K-means聚类分割方法研究[J]. 陈兆学,喻海中,陈浩. 生物医学工程学杂志. 2013(06)
[5]病理医生之间对前列腺活检单个非典型小病灶的诊断存在分歧[J]. Van der Kwast T H,Evans A,Lockwood G,张仁亚. 临床与实验病理学杂志. 2010(06)
[6]改进的Otsu算法在图像分割中的应用[J]. 胡敏,李梅,汪荣贵. 电子测量与仪器学报. 2010(05)
[7]FCM聚类算法中模糊加权指数m的优选方法[J]. 宫改云,高新波,伍忠东. 模糊系统与数学. 2005(01)
硕士论文
[1]基于深度卷积神经网络的图像语义分割[D]. 马骁.中国科学院大学(中国科学院光电技术研究所) 2018
[2]基于物体检测的图像检索算法[D]. 张宇.西安电子科技大学 2017
[3]基于深度学习的语义图像分割算法[D]. 梁植程.合肥工业大学 2017
[4]基于病理图像的乳腺肿瘤定量化分析[D]. 龚磊.南京信息工程大学 2016
[5]基于水平集和分水岭的图像分割算法研究[D]. 余敏锋.西安电子科技大学 2014
[6]乳腺癌病理切片显微图像分割及系统实现[D]. 王迎迎.西北大学 2013
[7]基于钼靶影像的乳腺肿瘤形态特征分析[D]. 陈桂林.南京医科大学 2011
[8]医学显微细胞图像提取和分割技术的研究与实现[D]. 吴菁.电子科技大学 2010
本文编号：3511462
本文链接：https://www.wllwen.com/guanlilunwen/tongjijuecelunwen/3511462.html
