乳腺癌病理图像分析与病变辅助判别方法研究

发布时间：2022-01-10 04:33

　　乳腺癌是目前严重威胁女性健康的重大疾病之一,且其发病率越来越高,发病群体呈年轻化趋势。基于病理图像的组织病理学检查是诊断乳腺癌的重要依据,而对乳腺癌的早期诊断则是提高治疗成功率的关键。由于病理图像具有维数大、复杂性和多样性等特点,导致乳腺癌病理图像阅片门槛高、耗费时间长。此外,由于不同病理学家对组织和细胞特征评判标准的主观性和个人水平差异,导致不同诊断结果之间的一致性较低。数字病理和计算机技术的快速发展使得基于乳腺癌病理图像的辅助诊断方法成为研究热点。因此,本文针对乳腺癌诊断过程中的实际需求,对乳腺癌病理图像良恶性分类、浸润性乳腺癌细胞核异型性指标评估、浸润性乳腺癌有丝分裂数指标评估等问题开展研究,提出了基于机器学习及相关技术的乳腺癌病理图像分析与病变辅助判别方法研究。论文的主要工作和创新点如下:（1）研究了乳腺癌病理图像良恶性分类方法。针对乳腺癌病理图像复杂多变、传统图像处理方法难以有效提取和组合特征导致分类准确率较低的问题,研究了基于卷积神经网络的乳腺癌病理图像良恶性分类方法。该方法利用卷积神经网络自动组合特征实现图像分类,并基于迁移学习的方法,利用卷积神经网络在大型自然数据集上的... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

图１．１不同扫描仪的扫描结果??

浙江大学硕士学位论文??第一章绪论??祆究背景．国内丹．本文主要??及意义?研究现状?研究内容??第二章１腺癌病理图像辅助诊断技术基硅??乳膝癌病理图像分析的技术基础??Ｉ??？?古??乳腺癌病理图ｔ?乳ｆ癌病理图像??细胞分割技术?ｉ处理技术??第三章乳豚癌病理ｉｆ良恶性分类方法研究??针对传统方法特征提取困难引入卷积神经网络??￣￣?Ｉ?￣￣??针对模型从头训练困难引入迁移学习??模１、超参数选取与模型验证??Ｉ????第四耷浸润性乳腺癌拓胞核异Ｉ性指标评诂方法研究?第玉章浸润性ｆｕ膝癌有丝分裂数指标评估方法研究??针对传统方法人工特征设计难度太引入深度学习???：?Ｉ?针对现有万法检测歿果差弓入特粑金字塔??Ｉ??????ｔ．?￣￣?－－?ｉ??Ｉ??｜针对非逐像素标注的数据集构建标注模型??１?士?一１?￣￣￣?－■?■?」■?：??铲对模型假阳率高引ｖ分类验证糢型??基丁融合兔略的细胞核异型性指杯评估万法??????１?￣￣１??第六章总结与展望??图１．２本文技术路线??８??

图２．１?ＡｋｘＮｃｔ结构??

【参考文献】：
期刊论文
[1]基于深度卷积网络和结合策略的乳腺组织病理图像细胞核异型性自动评分[J]. 周超,徐军,罗波.  中国生物医学工程学报. 2017(03)
[2]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)
[3]乳腺癌在中国的流行状况和疾病特征[J]. 郑莹,吴春晓,张敏璐.  中国癌症杂志. 2013(08)

硕士论文
[1]基于病理图像的乳腺癌分类方法研究[D]. 于翠如.北京交通大学 2019
[2]基于深度学习的乳腺组织病理类型的多分类方法研究[D]. 李雨倩.中国科学技术大学 2019
[3]基于卷积神经网络的乳腺癌有丝分裂检测技术的研究[D]. 吴柏倩.哈尔滨工业大学 2017



本文编号：3580058