病理图像中细胞核自动分割算法研究

发布时间：2023-06-23 18:11

　　病理诊断是疾病的最终诊断,在其他医学影像不能确诊时只能通过病理学进行诊断,而细胞核的精准分割则是病理诊断的基础。通过人工进行细胞核分割和疾病评估极为耗时,且不同专家评估结果也会产生主观差异,因此,近年来,细胞核的自动分割也逐渐成为人们研究的重点。在病理图像中由于不同组织的干扰、染色剂浓度不同、染色时间差异以及细胞核重叠等问题给细胞核自动分割任务带来了巨大的挑战。为了减少因染色造成的颜色差异给分割带来的困难,首先对病理图像颜色进行归一化,使得所有图像颜色分布相同,且图像结构不发生变化。针对细胞核前景分割,本文提出两种方法:一种基于测地线活动轮廓模型,通过自适应阈值方法得到细胞核的粗分割,然后通过水平集演化方式得到精细分割;另一种方法是基于深度学习的网络模型,利用残差结构和扩张卷积有效提取图像特征信息,在不降低图像分辨率的前提下对细胞核进行精准分割。病理学是依据单个细胞核的形态进行诊断分析,但在病理图像中细胞核会出现重叠的情况,因此在得到细胞核前景分割结果后,需要对重叠细胞核进行分离。本文根据单个细胞核具有凸性结构,而重叠细胞核凸性结构被破坏的假设,通过凸性分析将重叠区域分离出来,再对重叠...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 论文结构
2 病理图像细胞核分割基本方法
    2.1 基于阈值的分割方法
    2.2 基于形变模型的分割方法
    2.3 基于深度学习的分割方法
        2.3.1 全连接神经网络
        2.3.2 卷积神经网络
    2.4 本章小结
3 基于测地线活动轮廓模型和深度学习的细胞核前景分割
    3.1 样本获取
    3.2 病理图像颜色归一化
    3.3 基于测地线活动轮廓模型的细胞核分割
        3.3.1 自适应局部阈值粗分割
        3.3.2 基于测地线活动轮廓模型的细胞核细化分割
        3.3.3 结果分析
    3.4 基于深度学习的细胞核分割方法
        3.4.1 细胞核分割网络结构
        3.4.2 实验设计
        3.4.3 结果分析
    3.5 本章小结
4 基于凹点检测的重叠细胞核分离
    4.1 基于凸性分析的重叠细胞核检测
    4.2 细胞核重叠区域凹点检测
    4.3 重叠区域细胞核分离
    4.4 实验与分析
    4.5 本章小结
5 总结与展望
    5.1 工作总结
    5.2 未来展望
致谢
参考文献
附录



本文编号：3835055