染色体显微图像中染色体自动分割与提取方法研究

发布时间：2022-01-19 05:38

　　在医学检测中,一般利用染色体图像自动分析系统对染色体显微图像进行处理和分析,协助检测人员进行相关病情的诊断。针对当前多数染色体分析系统在分割和提取染色体时存在自动化程度不高的情况,本文以染色体显微图像为研究对象,设计了一系列从染色体显微图像中自动分割和提取染色体的方法,重点解决了两个方面的问题:一是如何将各个染色体区域完整地从显微图像中自动提取出来;二是如何有效地自动分割相互重叠和粘连的染色体。本文主要的研究内容如下:首先,在对显微图像进行背景分割时,考虑到使用大津法确定图像的二值化阈值会出现偏向性,本文提出一种改进的阈值确定公式,该公式通过使用一个权重参数来同时考虑背景区域和染色体区域的类内方差以及它们之间的方差差异,最终确定图像的最佳阈值。此外,为了提高算法的处理效率,本文提出一种退火遗传算法来进一步优化大津法,该算法将模拟退火原理融入遗传算法中,通过在图像灰度范围内寻优来确定最佳阈值。实验结果证明,本文提出的方法既可以保证分割后各个染色体结构的完整性,又能提高处理效率。其次,为了防止自动分割结果中出现染色体结构缺失的现象,本文创新性地提出在分割重叠和粘连染色体之前,利用神经网络将... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：94 页

【学位级别】：硕士

【部分图文】：

不同α值时每组图像分割结果的PA平均值

3显微图像中染色体区域的自动提取方法研究24图3.4不同α值时所有图像分割结果的PA平均值从图3.3和图3.4可以看出，随着α在取值范围内由小变大，PA值则是先增大后减小，因此，α的取值过大或过小都会影响图像的分割精度。当α=1时，式（3.3）的阈值确定公式将和原始的Otsu中阈值确定公式（2.14）一致；当α=0时，式（3.3）的阈值确定公式中将仅考虑两类区域之间方差差异的影响，这也不利于最佳阈值的确定。同时可以看出，在α取值为0.35时，各组图像的PA平均值最高，且所有图像的PA平均值也最高，所以本文中阈值确定公式（3.3）中α的取值选择0.35，这样能够保证获得最佳的分割效果。在背景分割实验中，随机选择三张分辨率为1500×1400的染色体显微图像以及对应的手工处理得到的标准分割图像，使用原始的Otsu、改进阈值确定公式后的Otsu和本文提出的使用遗传退火算法优化改进阈值公式后的Otsu分别确定出各张图像的最佳分割阈值，为了减少随机误差的影响，使用这三种方法分别对每张图像计算5次，最终计算出每种算法在处理每张图像时所消耗的平均时间。在每次确定出阈值后，利用该阈值将染色体显微图像二值化，然后利用式（3.10）计算出结果图像对应于标准分割图像的分割精度PA，最终计算出几种算法对每张图像进行5次处理结果的PA平均值。实验结果如表3.1所示。为了直观地对比每种算法所确定的阈值进行背景分割后的最终效果，本文使用如下方式对染色体显微图像进行处理：**,,,=255,IxyIxytIxyIxyt’,,（3.11）其中，Ix,y表示原始染色体显微图像中x,y的灰度值；*t表示利用算法确

4基于改进U-Net的染色体重叠区域分割方法研究46和性能，在相同的计算机软硬件环境中，使用Pytorch分别搭建了FCN和原始的U-Net，并使用相同的数据和方法对这些模型进行训练，分别得到各种模型的model文件，然后将各个model文件中的参数重新加载到Pytorch搭建的网络中，最终对相同的测试集染色体图像进行分割测试。本实验的训练过程中，三种模型的损失函数曲线如图4.17所示。使用训练好的这几种网络模型对测试集染色体图像进行分割后的部分结果图像如图4.18所示。图4.17几种网络模型的损失函数曲线染色体图像标准图FCNU-Net本文网络图4.18几种网络模型的分割结果


本文编号：3596306