基于卷积神经网络的细胞核图像检测与分类研究

发布时间：2021-01-11 20:36

　　病理组织的诊断是肿瘤、癌症等疾病的基本标准,其中组织病理学是诊断癌症的典型工具。正确检测和判断细胞核类别在治疗决策中发挥了核心作用,主要由病理学家检查组织标本图像并定义出有关组织外观、细胞构成、疾病或正常状态的信息报告。利用图像处理与机器学习等技术,病理学家可以对图像进行自动细胞核检测与分类等操作,以做出对疾病的定量定性评估,不仅能为病理学家减轻繁重的作业量,还能使确诊结果更客观。但由于病理图像的细胞核大部分成群聚集,且其组织学结构呈现复杂和不规则的形态,给细胞核的先检测后分类带来了一些挑战。总结分析了传统方法与深度学习的方法之后,本文根据结直肠腺癌组织图像中细胞核的特点,分别为检测和分类任务设计了基于卷积神经网络的算法。本文主要工作包括:1)针对病理图像中细胞核数量不均衡且形态较小的问题,提出了层级特征融合的细胞核位置检测网络,探索病理组织图片中的细胞核与其位置图的映射关系。相比于现存检测算法的特点是避免了滑动框,减少了参数;并且其下采样过程中的预训练模型为样本不均衡且少而设计,而上采样中的多级互补信息的级联模块负责精细化还原细胞核的位置响应。最后预测的位置概率图将通过部分后处理方法... 

【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图１－２细胞核图像展示??Ｆｉｇ．?１－２?Ｄｉｓｐｌａｙ?ｏｆ?ｎｕｃｌｅａｒ?ｉｍａｇｅｓ??

?第一章绪论???析，验证了此算法应用于单检测任务的有用性。??第四章，区域切割与上下文融合的分类网络，详细阐述了分类网络的整体??结构，以及区域切割模块和上下文特征补充网络的构建原理，通过多组实验实??现了与自身和其他方法的比较，证明了此分类网络应用于单分类任务的较好性??能。另外，还将检测与分类的工作结合成一个处理流程定位并鉴别细胞核，最??后两阶段的联合实验仍然取得了优异的结果。图１－５为本文的方法流程关系图。??第五章，结论与展望。对全篇研宄工作做了总结，并计划了对未来研宄方??向的展望以及对下阶段的工作安排。??病理图像背景???Ｘ???传统方法与深度学习??的应用??，ｆ??卷积神经网络｜???Ｘ???Ｘ???????基于细胞核的?基于细胞核的?旺八米红欠??单检测任务?单分类任务??图１－５方法流程关系图??Ｆｉｇ．?１－５?Ｍｅｔｈｏｄ?ｆｌｏｗ?ｄｉａｇｒａｍ??７??

习网络逐渐被提出，如卷积神经网络、深度置信网络、记忆神经网??络和递归神经网络等等，均己被应用在图像、语音、自然语言处理等等领域。??其中在图像领域，卷积神经网络己经成为了业界标准技术，广泛用于安防监控、??自动驾驶、医学影像等实际应用方向。深度学习的历史发展源头可定位到２０世??纪４０年代，其中神经网络的概念在２０世纪５０年代就被提出，但后阶段经历坎??坷，到２１世纪，又有了重大突破，如今深度学习的相关方法己成为研究主流。??本节归纳了深度学习及其分支卷积神经网络的简要发展过程，如图２－１。??；Ａ??ＬｅＮｅｔ?网络?＾?Ｃｋ＞ｏｇＵ＞Ｍｅｔ??成?ＡｌｅｘＮｅｔ?网?Ｒ＿ＣＮＮ??单层感知器?—／?ｊ?＿?Ｒ－ＣＫＫ??＂ｅｂｂ?Ａ．?＾２／?！?＼??｜?ｙ?；??；?ｉ?ｉ?｜?ｉ?ｉ??ｉ?！?１?｜?ｉ?［??￣￣１９４３￣＇?１９４９?１９５８?＇￣１９８６?１９８９?２００６?２０１２??图２－１深度学习发展过程??Ｆｉｇ．２－１?Ｄｅｖｅｌｏｐｍｅｎｔ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ??１９４３年，ＭｃＣｕｌｌｏｃｈ和Ｐｉｔｔｓ参照生物的神经元构造和工作机制，提出了固??定权重的抽象简化版的ＭｃＣｕｌｌｏｃｈ－Ｐｉｔｔｓ?（ＭＰ）模型。ＭＰ模型虽然简易，但其??为今后建立神经网络作了很好的基础根本工作【３Ｑ］。１９４９年，Ｈｅｂｂ认为人脑神??经细胞的突触上的强度是变化的，于是提出Ｈｅｂｂ学习算法的概念【３１］。推动了??科学家们用调整权值的设计来使得机器能够学习，为日后的学习算法铺垫了基??矗到了五十年代末，Ｒｏｓｅｎｂｌａｔｔ提出了感


本文编号：2971440