基于卷积神经网络的多病种肿瘤区域分割的研究

发布时间：2023-05-06 16:44

　　癌症给正常人带来了极大的痛苦和危害,当下癌症病变已经成为我国甚至全世界居民死亡的重要因素。利用显微镜观察Ki-67玻片,计算其阳性率,并对其癌变症状分析,是至关重要的一步。由于医生短时间内阅片数量有限以及癌症病变区域形状多样性,位置不固定性,并且每个医生个人经验不同会产生不同的诊断,给癌症病变诊断带来了困难。以数字病理图像为例,基于深度学习的图像分割方面,研究者借助源数据,制作出合适的数据集,并将自己制作的数据集用于训练,并通过不断调整训练代码中的一些影响因子,使得测试效果更优,训练出一个针对肿瘤区域分割较为准确的模型。这样,该模型投入使用时,不仅能提高医生诊断的速度,也能提升智能医疗的水平。针对以上问题和背景,本文利用乳腺癌、结直肠癌、神经内分泌瘤本三个病种的数据集,对肿瘤区域的分割进行了研究。论文完成了如下工作:1.利用cGAN网络,pix2pix中具有代表性的子功能-语义分割,对三个病种的肿瘤区域进行分割。一方面,基于人体组织细胞结构和形态的相似性,将三个病种的数据混和训练,另一方面,三个病种的数据单独训练,两者都是基于条件的生成对抗式网络的方式训练。实验结果表明,分割精度dic...

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景
    1.2 研究现状
        1.2.1 乳腺癌研究现状
        1.2.2 结直肠癌研究现状
        1.2.3 神经内分泌瘤研究现状
    1.3 研究内容
    1.4 本文组织和结构
第2章 图像分割概述
    2.1 图像语义分割概述
    2.2 传统图像分割算法
        2.2.1 基于阈值的分割方法
        2.2.2 基于区域的分割方法
        2.2.3 基于分水岭的分割方法
        2.2.4 基于主动轮廓模型的分割方法
    2.3 基于深度学习的分割算法
        2.3.1 卷积神经网络概述
        2.3.2 基于特征编码的分割算法
        2.3.3 基于区域选择的分割算法
        2.3.4 基于上采样/反卷积的分割算法
    2.4 本章小结
第3章 课题研究相关工作概述
    3.1 病理切片制作概述
    3.2 数据集介绍
    3.3 数据集采取
        3.3.1 病理图像格式转换
        3.3.2 数据集制作
    3.4 数据集标注
        3.4.1 Qupath工具介绍
        3.4.2 图像标注流程
    3.5 本章小结
第4章 基于pix2pix的肿瘤区域分割
    4.1 网络模型介绍及模型改进
    4.2 数据集准备
    4.3 实验训练和测试指标
    4.4 训练策略介绍
    4.5 多病种混合训练实验结果及分析
        4.5.1 实验结果
        4.5.2 实验分析
    4.6 单病种训练实验结果及分析
        4.6.1 实验结果
        4.6.2 实验分析
    4.7 本章小结
第5章 基于LinkNet和迁移学习的肿瘤区域分割
    5.1 网络模型介绍及模型改进
    5.2 迁移学习介绍及应用
    5.3 数据集准备
    5.4 实验训练和测试指标
    5.5 多病种混合训练结果与分析
        5.5.1 实验结果
        5.5.2 实验分析
    5.6 单病种训练结果与分析
        5.6.1 实验结果
        5.6.2 实验分析
    5.7 本章小结
第6章 结论
    6.1 工作总结
    6.2 展望
致谢
参考文献



本文编号：3809266