基于纹理特征和深度学习的HEp-2细胞分类方法的研究

发布时间：2020-05-07 18:35

【摘要】：间接免疫荧光法(IIF)检测用到的HEp-2细胞被用作人血清中的底物,这是检测抗核抗体(ANA)的常用技术,并且可以通过荧光显微镜观察到。HEp-2细胞图像分类在一些自身免疫性疾病的诊断中起着重要的作用。然而,传统的方法需要有丰富经验的专家人工识别细胞模式,这极大地增加了工作量,并且受到专家们的主观意见影响。为了解决这个问题,本文从纹理特征和深度学习两个方面来展开HEp-2细胞分类的研究工作。第一、研究基于纹理特征的HEp-2细胞模式分类方法。即研究了成对旋转不变共生局部二值模式(PRICoLBP),密度尺度不变特征变换(DSIFT)和颜色特征来提取细胞图像特征。成对旋转不变共生局部二值模式(PRICoLBP)不仅能够有效捕获空域上下文共生,同时保留了相对夹角信息,而且还具有旋转不变特征。DSIFT特征还具有一些理想的特性,如不变性特点。使用K-means聚类方法对直方图统计特征进行降维,使用SVM对降维操作后的直方图统计特征进行分类。所提出的方法在公开的ICPR2012 HEp-2细胞数据集上进行验证。该方法采用与ICPR2012竞赛相同的评价方法,细胞级分类准确度为70.90%,图像级分类准确度为84.71%。第二、研究基于一个深度残差网络(ResNet)为基础的框架,通过迁移学习策略来自动识别HEp-2细胞。与现有的方法利用低级手工特征或浅层学习网络DCNNs相比,采用50层的残差网络(ResNet-50)基本上获得了丰富和可识别的特征。ResNet-50的主要结构是残差连接,可有效的解决梯度退化的问题。与大多数从零开始学习的深度学习模型不同,我们使用非常相似的数据集(从ICPR2012到ICPR2016-Task1)预先训练的迁移学习来微调我们自己的模型。本文提出的框架在ICPR2012 HEp-2数据集上实现了92.63%的平均分类精度,在ICPR2016-Task1 HEp-2数据集上的平均分类精度为94.87%,优于传统方法。论文提出的纹理特征方法跟基于LBP扩展的特征提取方法和其他文献提出的方法,改善了分类性能和效果;深度学习方法,对比AlexNet、VGG-16和VGG-19网络的HEp-2细胞分类,优化网络训练时间,提高了目标网络模型的分类性能。
【图文】：

ANA 检测推荐的方法。IIF 利用不同的底物，每个底物都是专门用血清抗体和底物结合并形成分子复合物。然后，该复合物和荧光染蛋白反应。反应完成时，可以在荧光显微镜下观察到复合物显示抗原试的情况下，人喉癌(Human Epithelial-2 cell，简称 HEp-2 cell)细胞微镜的阅读阶段，医师根据三个步骤组织的程序检测并评分抗原抗胞检测，荧光强度分类和染色模式识别。最终目标是识别标本图像因为根据患者的临床病史，每种模式都可能与特定疾病有关。来，对全身性自身免疫疾病诊断试验的需求不断增长。不幸的是，(IIF)仍然是一种主观方法，也依赖于医生的经验和专业知识。因此NA 自动分析的完全自动化有强烈的需求。实际上，完全自动化的简单快速的结果报告，提高测试重复性并降低成本。本课题就是在深圳大学医学院合作的子项目。

卷积核,三维场景,输入数据,卷积

维场景下的卷积核与输入数据。图左卷积核大小为 3×4×3，图右为作后得到的 1×1×1 的输出结果传播时可针对该层偏置项与权重分别设置随机梯度下降需要，也可以把某层偏置项全设置为 0，或者将学习率设或偏置的效果。另外，卷积操作中有两个重要的超参数(hypter size)和卷积步长(stride)。(a) 原图 (b)整体边缘滤波器
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R446.6;TP391.41

【参考文献】