基于深度学习的人体结肠癌病理图像中腺体检测与分割研究

发布时间：2021-03-28 10:13

　　自动精确分割组织学图像中的腺体在癌症诊断中起着重要作用。尽管基于神经网络的腺体分割方法效果优于传统的腺体分割方法,但是传统方法中的特征提取却能提高神经网络分割腺体的效果。本文的所有实验都是在MICCAI 2015会议上公布的腺体分割挑战Warwick-QU数据集上测试,并与最新的研究结果进行比较。针对“邻接”腺体的黏连问题,本文提出使用Faster R-CNN模型检测腺体。但是Faster R-CNN模型在检测恶性腺体时效果较差,针对该问题,本文提出了利用颜色特征提高Faster R-CNN检测恶性腺体的准确度的新方法。本文提取颜色特征采用的是概率颜色检测模型。本文首先对数据集进行扩展,然后对扩展后的数据集进行预处理,包括提取颜色特征和直方图增强,最后使用预处理后的图像训练Faster R-CNN模型。实验表明,本文提出的新方法检测恶性腺体的F1-Score比不使用预处理的Faster R-CNN模型提高了8.4%。在整个数据集的腺体检测上,本文提出的方法的平均F1-Score比不使用预处理的Faster R-CNN模型提高了3.9%。跟之前在相同数据集上研究的方法比,本文提出的方法的... 

【文章来源】：北方工业大学北京市

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

H&E染色样品图像中单个腺体及其组成

个新的多任务交替训练模型分割腺体区域，提高腺体区域分割准确度；之后构建了一个多结果融合模型将腺体区域分割结果与U-net的轮廓分割结果以及第一个研究内容中FasterR-CNN腺体检测结果融合；本文通过提高单任务检测结果，从而提高整个模型检测与分割腺体的准确度。1.4医学病理图像中腺体检测与分割的难点检测出病理图像中腺体所在区域，为病理学家减少了工作量，提高工作效率，同时定量化分析减少因主观分析带来的分歧，是癌症诊断与分级的重要前提步骤[49]。H&E染色病理图像腺体检测研究的挑战，主要包括以下几个方面：图1-2H&E染色结肠腺病理图像（a）为良性腺体图像（b）为恶性腺体图像1）由于病理图像本身的特性，如：图像结构复杂，信息量包含较大等。如图1-2所示，图a中为良性腺体病理图像，腺体分布大小较为一致；图b为严重变形的恶性腺体病理图像，其中腺体结构形变严重，腺体边界混乱，腺体结构与

素值指定强度值包含uint8、uint16、int16、single或double类的数组；对于单数组或双数组，值的范围是[0,1]；对于uint8，值的范围是[0,255]；对于uint16，值的范围是[0,65535]；对于int16，值的范围是[-32768,32767]。其与黑白图像（也称双色或二进制图像）不同，前者有许多灰色阴影，后者仅具有两种颜色。RGB图像灰度化实质是进行了降维，即通过某种计算将三维颜色矢量空间转换成一维灰度空间。根据重要性及其它指标，将三个分量以不同的权值进行加权平均。按式（2-1）对RGB三分量进行加权平均得到的灰度图像较合理，结果如图2-1所示。gyGyxRx),(*114.0),(*578.0),(*299.0),(yyxBx（2-1）图2-1灰度化结果图

【参考文献】：
硕士论文
[1]基于多尺度多方向的图像边缘检测算法研究及其应用[D]. 马超.河南大学 2019
[2]基于深度学习的结直肠病理辅助诊断方法研究[D]. 唐静.东南大学 2018
[3]基于卷积神经网络的结肠病理图像中的腺体分割[D]. 吕力兢.东南大学 2016
[4]数字医学图像边缘检测算法研究与实现[D]. 王小俊.首都师范大学 2013
[5]基于统计概率模型的图像目标识别技术研究[D]. 张志远.上海交通大学 2011



本文编号：3105376