白带显微图像中有型成分自动识别理论与技术的研究

发布时间：2023-04-23 07:13

　　白带常规是女性生理检查的常规手段之一。白带常规的主要检查方式是通过对白带分泌物进行显微成像,通过镜下有型成分的识别与计数等方式得到相应的指标参数,从而分析待检测样本的病理特性。由于白带常规具有无创的特点,患者易接受。在中国,每天都有数以万计的女性进行白带常规检查。然而,目前,白带常规的检测由医生手动完成,易造成交叉污染,并且检测的效率极低。此外,具有炎症的样本一般具有浓烈的气味,严重影响医务人员的工作环境。随着机器学习和深度学习技术的发展,白带常规向自动化和智能化发展,而其中最关键的就是显微图像的有型成分自动检测和识别算法。关于白带显微图像中的多类别有型成分识别,国内外还没有相关的研究。而对于显微图像中细胞或细菌的识别也仅限于在特定环境下的识别。本文针对白带显微图像中有型成分的特点,对其进行检测所涉及的相关理论和关键技术进行了深入研究,主要成果及研究内容如下所述:1.基于组合生物纹理特征的白带显微图像中上皮细胞检测方法白带显微图像中的上皮细胞是白带显微图像中的重要有型成分。针对白带显微图像中上皮细胞的面积大且具有网状纹理结构的特点,提出了一种应用于上皮细胞前景目标位置检测的数字图像处理...

【文章页数】：124 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究历史与现状
        1.2.1 目标检测方法研究历史与现状
        1.2.2 基于机器学习的细胞检测方法
        1.2.3 基于深度学习的图像分类和目标识别算法
        1.2.4 基于背景模型的运动目标检测算法
    1.3 研究内容
    1.4 本文研究工作及创新点
    1.5 本论文的结构安排
第二章 白带分析仪与图像采集系统
    2.1 引言
    2.2 全自动白带分析仪系统设计
    2.3 白带显微成像系统设计
        2.3.1 自动对焦方法
        2.3.2 光源
        2.3.3 图像校正
    2.4 数据的收集与模型评价方法
    2.5 本章小结
第三章 基于生物组合纹理特征的上皮细胞检测识别方法
    3.1 引言
    3.2 基于图像处理技术的前景分割算法
    3.3 纹理特征提取算法
        3.3.1 LBP特征提取
        3.3.2 Gabor特征提取
        3.3.3 HOG特征提取
    3.4 实验结果与分析
        3.4.1 LBP特征实验结果
        3.4.2 Gabor特征实验结果
        3.4.3 HOG特征实验结果
        3.4.4 实验结果对比与分析
    3.5 本章小结
第四章 基于改进R-CNN的小细胞快速检测识别方法
    4.1 引言
    4.2 基于改进R-CNN的目标检测模型
        4.2.1 区域建议方法
        4.2.2 候选区域特征提取与识别网络
        4.2.3 模型训练
    4.3 实验结果与分析
        4.3.1 区域建议模型结果分析
        4.3.2 目标识别综合结果分析
    4.4 本章小结
第五章 基于改进FASTER R-CNN的粘连目标检测识别方法
    5.1 引言
    5.2 FASTER R-CNN理论基础
        5.2.1 RPN网络
        5.2.2 分类和回归网络
        5.2.3 Faster R-CNN的训练
    5.3 基于改进FASTER R-CNN的白带显微图像目标检测
        5.3.1 细胞检测RPN
        5.3.2 基于PCA的 Fast R-CNN细胞识别
        5.3.3 模型的训练
    5.4 实验结果与分析
    5.5 本章小结
第六章 基于VIBE改进模型的滴虫运动目标检测识别方法
    6.1 引言
    6.2 VIBE算法基本原理
    6.3 VIBE改进模型
        6.3.1 VIBE邻域背景模型的更新改进
        6.3.2 背景杂质的过滤
    6.4 白带显微图像中的滴虫检测模型
    6.5 实验结果与分析
        6.5.1 VIBE邻域背景模型的更新改进结果与分析
        6.5.2 背景杂质的过滤结果与分析
        6.5.3 与其他算法的对比结果与分析
    6.6 本章小结
第七章 全文总结与展望
    7.1 全文总结
    7.2 后续工作展望
致谢
参考文献
攻读博士学位期间取得的成果



本文编号：3799353