基于卷积神经网络的宫颈细胞核分割与识别方法
发布时间：2021-12-10 19:36
子宫颈癌是全世界女性中第四大常见的癌症。目前子宫颈癌有效的诊断方式是液基薄层细胞学检测。但这需要医生于显微镜下在大量的细胞中寻找癌细胞,其工作量巨大、误诊率高,且我国的病理医生严重缺乏。因此迫切需要智能化的辅助诊断系统。而细胞核的分割和识别是决定这一系统是否有效的关键两步。然而显微镜采集到的图像会存在一些光照不均、背景复杂、染色深浅不一,采集到的图像中也会有一些细胞碎片、垃圾的存在。且医生通过显微镜下看到的图像是具有多个层次的,每个层次细胞的聚焦点可能都不同,但本文采集到的图像是2D平面图像,这会造成采集到的细胞图像有部分聚焦不清,且存在大量的重叠细胞。同时在细胞图像的分类过程中,正常细胞和癌细胞并存,它们之间的差异较小,识别较为困难。针对上述问题,本文首先提出了基于优化最大极值稳定区域（Maximally Stable Extremal Regions,MSER）算法的宫颈细胞核分割方法,有效地消除了复杂背景对细胞核分割的影响。然后提出了基于U-Net的重叠细胞核分割方法,解决了重叠细胞中的细胞核的分割问题。最后针对于分割后细胞的分类问题,提出了一种基于解构-重构模块的细胞分类方法。...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
宫颈鳞状上皮细胞Fig.2-1Cervicalsquamousepithelialcells
哈尔滨理工大学工学硕士学位论文-11-只做二分类处理，即正常细胞与病变细胞。2.2宫颈癌辅助诊断系统2.2.1系统的硬件环境本文算法依托的硬件实验环境主要如图2-2所示。其中①为高清数码摄像机，②为数码摄像机适配器，③为电动载物台，④为控制遥杆，⑤为显微镜，⑥为显微镜光源盒，⑦为控制盒。其中的计算机硬件配置：CPU：i5-4460s，内存：8G。该硬件仪器的基本功能是对细胞样本显微成像，为图像分析提供支撑。主要包括显微镜光路和自动聚焦系统两部分。系统的基本架构是一个全自动的显微镜，光路对于成像的速度、质量以及对其他部件有重要支撑作用。自动聚焦系统为显微镜迅速平稳的自动聚焦提供支撑。图2-2宫颈癌辅助诊断系统硬件设备Fig.2-2Cervicalcancerassistantdiagnosissystemhardwareequipment2.2.2系统的软件环境如图2-2所示，主机中搭载的软件系统则为本文的所提到的宫颈癌辅助诊断系统。其中的计算机软件环境为：操作系统：windows7，开发环境：VS2013，
哈尔滨理工大学工学硕士学位论文-13-边的原始输入信息称之为输入层，最右边的神经元称之为输出层，中间的则为隐藏层。图2-3人工神经网络结构图Fig.2-3Artificialneuralnetworkstructurediagram2.3.2损失函数损失函数(LossFunction)或代价函数(CostFunction)是用来估计模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数，通常使用(())LY,fx来表示，损失函数越小，模型的鲁棒性就越好。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。常用的损失函数有交叉熵损失函数，具体如式2-2所示：()()()()11()[log()(1)log(1())]miiiiiLyfxyfxm==+(2-2)式2-2中，m表示样本数量，i表示单个样本，表示待求的参数。最小化交叉熵就表示最小化模型对样本的预测值和样本的真实值之间的相对熵。2.3.3激活函数激活函数是整个网络模型中的非线性扭曲力，一般神经网络的每层后都会接一个激活函数。它能够提高模型的鲁棒性和非线性表达能力。同时能将特征图映射到新的特征空间从而更有利于训练，一个合适的激活函数能够解决梯度消失或梯度爆炸问题，同时加速模型的收敛。常用的非线性激活函数有Sigmoid、tanh、ReLU等。Sigmoid和tanh多用于全连接层之后，而ReLU则常用于卷积层之后。具体表达式如2-3至2-5所示：1Sigmoid()1zze=+(2-3)
【参考文献】：
期刊论文
[1]人工智能在宫颈癌筛查中的研究进展[J]. 王金花,宋金维,王建东. 癌症进展. 2019(13)
[2]AI在医学影像中的发展现状与展望[J]. 李静芳. 计算机产品与流通. 2019(02)
[3]基于隐马尔可夫场的脊柱CT图像分割算法[J]. 刘侠,匡瑞雪,王波,岳雨婷. 哈尔滨理工大学学报. 2018(02)
[4]子宫颈癌治疗的研究进展[J]. 田鹏飞,仇丽霞. 肿瘤研究与临床. 2018 (03)
[5]一种基于视觉显著模型的PET图像快速分割算法[J]. 刘露,于晓婷,丁博. 哈尔滨理工大学学报. 2017(04)
[6]高危型HPV联合细胞学检测在宫颈癌及癌前病变筛查中临床意义[J]. 尤小燕,王雅莉,刘文枝,李红娟,王淑丽,陈淑梅. 实用预防医学. 2017(08)
[7]结合卷积神经网络和超像素聚类的细胞图像分割方法[J]. 杨金鑫,杨辉华,李灵巧,潘细朋,刘振丙,周洁茜. 计算机应用研究. 2018(05)
[8]《子宫颈与乳腺细胞病理学图谱》[J]. 刘东戈,余小蒙. 临床检验杂志(电子版). 2013(04)
[9]宫颈癌的发病机制、诊断及治疗进展[J]. 王楠,马蓉,吴建中,高晓平,陆益彬,赵丽君,薛璟,佘金雄,何明芳. 中国肿瘤外科杂志. 2013(02)
[10]新版《子宫颈细胞学Bethesda报告系统》读后感[J]. 黄受方. 诊断病理学杂志. 2005(03)
博士论文
[1]宫颈细胞图像智能分析关键技术研究[D]. 赵理莉.国防科学技术大学 2017
[2]光学显微宫颈细胞图像的分割与识别方法研究[D]. 关涛.国防科学技术大学 2015
[3]宫颈细胞图像分割和识别方法研究[D]. 范金坪.暨南大学 2010
硕士论文
[1]宫颈癌细胞学早期筛查智能采集方法研究与应用[D]. 王会.南昌航空大学 2014
本文编号：3533265
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
宫颈鳞状上皮细胞Fig.2-1Cervicalsquamousepithelialcells
哈尔滨理工大学工学硕士学位论文-11-只做二分类处理，即正常细胞与病变细胞。2.2宫颈癌辅助诊断系统2.2.1系统的硬件环境本文算法依托的硬件实验环境主要如图2-2所示。其中①为高清数码摄像机，②为数码摄像机适配器，③为电动载物台，④为控制遥杆，⑤为显微镜，⑥为显微镜光源盒，⑦为控制盒。其中的计算机硬件配置：CPU：i5-4460s，内存：8G。该硬件仪器的基本功能是对细胞样本显微成像，为图像分析提供支撑。主要包括显微镜光路和自动聚焦系统两部分。系统的基本架构是一个全自动的显微镜，光路对于成像的速度、质量以及对其他部件有重要支撑作用。自动聚焦系统为显微镜迅速平稳的自动聚焦提供支撑。图2-2宫颈癌辅助诊断系统硬件设备Fig.2-2Cervicalcancerassistantdiagnosissystemhardwareequipment2.2.2系统的软件环境如图2-2所示，主机中搭载的软件系统则为本文的所提到的宫颈癌辅助诊断系统。其中的计算机软件环境为：操作系统：windows7，开发环境：VS2013，
哈尔滨理工大学工学硕士学位论文-13-边的原始输入信息称之为输入层，最右边的神经元称之为输出层，中间的则为隐藏层。图2-3人工神经网络结构图Fig.2-3Artificialneuralnetworkstructurediagram2.3.2损失函数损失函数(LossFunction)或代价函数(CostFunction)是用来估计模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数，通常使用(())LY,fx来表示，损失函数越小，模型的鲁棒性就越好。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。常用的损失函数有交叉熵损失函数，具体如式2-2所示：()()()()11()[log()(1)log(1())]miiiiiLyfxyfxm==+(2-2)式2-2中，m表示样本数量，i表示单个样本，表示待求的参数。最小化交叉熵就表示最小化模型对样本的预测值和样本的真实值之间的相对熵。2.3.3激活函数激活函数是整个网络模型中的非线性扭曲力，一般神经网络的每层后都会接一个激活函数。它能够提高模型的鲁棒性和非线性表达能力。同时能将特征图映射到新的特征空间从而更有利于训练，一个合适的激活函数能够解决梯度消失或梯度爆炸问题，同时加速模型的收敛。常用的非线性激活函数有Sigmoid、tanh、ReLU等。Sigmoid和tanh多用于全连接层之后，而ReLU则常用于卷积层之后。具体表达式如2-3至2-5所示：1Sigmoid()1zze=+(2-3)
【参考文献】：
期刊论文
[1]人工智能在宫颈癌筛查中的研究进展[J]. 王金花,宋金维,王建东. 癌症进展. 2019(13)
[2]AI在医学影像中的发展现状与展望[J]. 李静芳. 计算机产品与流通. 2019(02)
[3]基于隐马尔可夫场的脊柱CT图像分割算法[J]. 刘侠,匡瑞雪,王波,岳雨婷. 哈尔滨理工大学学报. 2018(02)
[4]子宫颈癌治疗的研究进展[J]. 田鹏飞,仇丽霞. 肿瘤研究与临床. 2018 (03)
[5]一种基于视觉显著模型的PET图像快速分割算法[J]. 刘露,于晓婷,丁博. 哈尔滨理工大学学报. 2017(04)
[6]高危型HPV联合细胞学检测在宫颈癌及癌前病变筛查中临床意义[J]. 尤小燕,王雅莉,刘文枝,李红娟,王淑丽,陈淑梅. 实用预防医学. 2017(08)
[7]结合卷积神经网络和超像素聚类的细胞图像分割方法[J]. 杨金鑫,杨辉华,李灵巧,潘细朋,刘振丙,周洁茜. 计算机应用研究. 2018(05)
[8]《子宫颈与乳腺细胞病理学图谱》[J]. 刘东戈,余小蒙. 临床检验杂志(电子版). 2013(04)
[9]宫颈癌的发病机制、诊断及治疗进展[J]. 王楠,马蓉,吴建中,高晓平,陆益彬,赵丽君,薛璟,佘金雄,何明芳. 中国肿瘤外科杂志. 2013(02)
[10]新版《子宫颈细胞学Bethesda报告系统》读后感[J]. 黄受方. 诊断病理学杂志. 2005(03)
博士论文
[1]宫颈细胞图像智能分析关键技术研究[D]. 赵理莉.国防科学技术大学 2017
[2]光学显微宫颈细胞图像的分割与识别方法研究[D]. 关涛.国防科学技术大学 2015
[3]宫颈细胞图像分割和识别方法研究[D]. 范金坪.暨南大学 2010
硕士论文
[1]宫颈癌细胞学早期筛查智能采集方法研究与应用[D]. 王会.南昌航空大学 2014
本文编号：3533265
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3533265.html
最近更新
教材专著
