基于卷积神经网络的Ki67检测的研究

发布时间：2023-05-22 05:25

　　乳腺癌是致使现代女性死亡的主要癌症之一,而核抗原Ki67的细胞染色免疫组化评估可以有效地对肿瘤细胞增殖水平进行比较,因此使用Ki67评分对乳腺癌的诊断与预后有着重要的医学作用。目前医院病理科检测计算乳腺癌Ki67评分仍然使用传统镜下人工检测,不仅效率低且准确率较差。为了提升病理科医生工作效率同时提高Ki67评分准确度,本文提出一种基于卷积神经网络的深度学习方法,进而对乳腺癌Ki67病理切片细胞图像进行Ki67检测。本文整体分为细胞分割与肿瘤区域分割两部分,主要包含以下工作:(1)本课题综合医生意见对乳腺癌Ki67细胞标注数据的制作进行了规范;(2)提出使用高斯滤波将细胞标注数据转为热点图,同时利用点标注代替传统标注方式。以此来减少传统标注方式导致数据生成效率低、细胞标注难以区分的问题,集中提取目标特征;(3)在已有网络的基础上,本课题进行改进并提出结合主动式学习的网络训练策略,减少网络训练所需要的数据量;(4)提出使用H&E,DAB通道分离的方式区分Ki67细胞染色阴阳性,进而计算得到相应Ki67评分实现Ki67检测;(5)提出细胞分割结合肿瘤区域分割的方式优化细胞分割结果,使...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 本课题研究背景与意义
    1.2 本课题国内外研究现状
    1.3 本课题研究内容
    1.4 本文章节安排
第2章 Ki67介绍及细胞分割算法
    2.1 病理学及病理学指标Ki67
    2.2 深度学习及卷积神经网络
    2.3 细胞分割算法
        2.3.1 传统算法
        2.3.2 深度学习算法
    2.4 主动学习
    2.5 本章小结
第3章 基于改进的卷积神经网络的Ki67细胞分割
    3.1 Ki67评分计算
    3.2 数据准备
        3.2.1 数据来源及数据分布确定
        3.2.2 标注流程制定
    3.3 基于改进的卷积神经网络的Ki67细胞分割框架
    3.4 网络模型改进
    3.5 开发环境确定
    3.6 网络训练及后处理
    3.7 结果分析
    3.8 本章小结
第4章 基于Segnet的Ki67肿瘤区域分割
    4.1 数据准备
    4.2 Segnet模型说明
    4.3 网络训练及结果分析
        4.3.1 网络训练
        4.3.2 结果分析
    4.4 后处理
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献



本文编号：3822091