基于深度学习的白细胞分类识别方法研究
发布时间：2021-03-29 15:30
随着计算机技术的快速发展,利用人工智能和图像处理技术辅助医疗诊断日益受到关注。在医疗临床检验中,白细胞的检验对许多疾病的诊断有着重要的价值。目前医院所采用的检测方法主要是血细胞分析仪与人工镜检,即先用血细胞分析仪进行初步筛查并判断有无数量上的异常,若有,则进行人工镜检。由于人工镜检效率低,分类速度慢,因此外周血白细胞图像自动分类识别技术具有较高的实用价值。论文基于深度学习的方法设计了一种外周血白细胞图像自动分类识别的方案。首先,利用高倍显微镜观察外周血细胞涂片并利用相机拍摄含有大量白细胞的血细胞图像。采用中值滤波和双边滤波对图像进行预处理,并分析了 RGB和HLS两种色彩空间和常见的阈值分割方法,然后利用改进的最大类间方差法对L分量图像进行初步分割,利用形态学方法处理初分割后的图像,得到完整的单个白细胞图像。其次,对得到的白细胞图像数据集进行整理分析,剔除染色错误或染色失败的图像。针对白细胞图像数量类间不平衡的问题,采用平移的方法对原始数量较少的白细胞类进行过采样。然后按照一定比例将白细胞图像分为训练集和测试集,并利用旋转、对比度增强等数据增强方法对两类数据进行扩增,建立本课题的数据集...
【文章来源】：西安科技大学陕西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
总体研究思路图
叭?信用卡欺诈检测[35]，研究分析人员将针对你的购买行为建立模型，当你的购买行为与日常行为不符，银行会对你做出提醒，预防信用卡被盗。总的来说，机器学习是自动化、大规模数据分析领域的主体。机器学习按照学习方式的不同可以分为无监督学习、监督学习以及强化学习。(1)非监督学习（UnsupervisedLearning）非监督学习又称无监督学习，是指要解决的问题没有足够的先验知识，所以没有办法对训练数据集进行标记。换句话说，无监督学习是为了对没有标签的训练数据集建立模型并分析问题后给出解决方案。非监督学习示意图如图2.1所示。常见的非监督学习有数据转换和聚类分析。图2.1非监督学习图示数据转换就是利用非监督学习算法将冗长复杂的数据变得简单且容易理解。数据降维是一种比较常用的数据转换方法，降维的目的是利用一个可以保留数据特征的低维矩阵来描述高维数据，即筛选数据中的无关变量，保留关键特征变量。降维通常用于辅助数据可视化，如，将多维数据降至二维，可以更直观的将数据表示出来。聚类分析又称群分析，指将相似性较高的样本划分到同一组的算法，即相似元素的集合。聚类算法的应用范围很广，如数据分析、图像分析以及计算机视觉等领域。(2)监督学习（SupervisedLearning）在监督学习中，训练数据既有特征又有标签，通过训练，让机器寻找特征与标签之间的关系，在输入数据没有标签的时候也可以判断出标签。有监督学习是通过对带有标签的数据建立模型，分析数据规律，然后将模型用于未带标签的数据样本，将新的样本分类或进行回归分析的算法。监督学习示意图如图2.2所示。目前有监督学习算法已经比较成熟，并且在很多领域都有很好的表现。
2机器学习与深度学习方法理论9图2.2监督学习图示(3)强化学习（ReinforcementLearning）强化学习算法的目的是让计算机学会在环境中执行正确的行为，可以理解为是一个连续的过程[36]。与有监督学习中存在的标签不同，强化学习以最大化奖励为目标，因此天然的强化学习并不适用于分类任务。强化学习包含四个重要元素：智能体，环境状态，动作和奖励，其示意图如图2.3所示。图2.3强化学习图示研究人员普遍使用马尔可夫决策过程（MarkovDecisionProcess，MDP）表示强化学习的过程：由图2.3可知，首先机器处于环境E中，并能感知当前状态x1，在空间中选择动作a1来执行；环境根据机器做出的动作来给出反馈的“奖赏”r1，当状态发生转移后，机器根据“奖赏”调整状态并做出新的决策。总的来说，强化学习就是机器要通过在环境中不断尝试，然后学习到一个最优策略，长期执行这个策略，期望获得最大的累积奖赏。2.2深度学习在人工智能的早期机器只是通过数学规则来描述一些较为形式化的问题，如超大数的计算，这些问题交给人类可能需要很长时间才能完成，但对于计算机而言却很简单。早期的人工智能还不像现在这样具有强大的智慧，可以解决一些不那么直观的问题，而现在的人工智能可以胜任更加有难度的工作，如阿尔法狗可以与人类进行围棋对弈。人工智能的终极目标是让机器可以像人类一样思考问题，如理解别人所说的话，辨认不同人的脸等。针对这些在人们看来很直观的问题，研究人员一直在寻求一种解决方案。该方案可以让计算机像人类一样凭借以往的经验学习知识，并且构建一套属于自己的理解世界的概念体系，这种概念体系不是杂乱无章而是具有层次性的，这种让计算机从经验中获取知识的方法可以避免计算机做简单的机械化学习。而计算机想要学习如何解决复
【参考文献】：
期刊论文
[1]基于改进Adam优化器的CNN电镜医学图像分类[J]. 汪友明,徐攀峰. 西安邮电大学学报. 2019(05)
[2]利用机器学习方法将大学讲座自动翻译成多种语言[J]. 本刊讯. 数据分析与知识发现. 2019(08)
[3]色彩空间变换和基于距离变换的分水岭算法在白细胞图像分割中的应用[J]. 赵晓晴,刘景鑫,张海涛,胡笑含,李大军,李慧盈. 中国医疗设备. 2019(07)
[4]基于中值滤波器的红外图像噪声处理的改进方法[J]. 刘智嘉,夏寅辉,杨德振,林昱,徐长彬. 激光与红外. 2019(03)
[5]人工智能时代的智慧学习:原理、进展与趋势[J]. 梁迎丽,梁英豪. 中国电化教育. 2019(02)
[6]基于深度学习的乳腺X射线影像分类方法研究[J]. 孙利雷,徐勇. 计算机工程与应用. 2018(21)
[7]基于mean-shift聚类的高鲁棒性白细胞五分类识别算法[J]. 李小舜,曹益平,王亚品. 生物医学工程学杂志. 2018(05)
[8]基于RGB和C-Y颜色空间的白细胞分割[J]. 刘阳,吕晓琪,张明,李菁,谷宇. 激光技术. 2019(04)
[9]基于全卷积神经网络的多尺度视网膜血管分割[J]. 郑婷月,唐晨,雷振坤. 光学学报. 2019(02)
[10]基于机器学习模型的消费金融反欺诈模型与方法[J]. 仵伟强,后其林. 现代管理科学. 2018(10)
硕士论文
[1]血细胞图像白细胞的自动检测与识别[D]. 袁满.东南大学 2017
本文编号：3107770
【文章来源】：西安科技大学陕西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
总体研究思路图
叭?信用卡欺诈检测[35]，研究分析人员将针对你的购买行为建立模型，当你的购买行为与日常行为不符，银行会对你做出提醒，预防信用卡被盗。总的来说，机器学习是自动化、大规模数据分析领域的主体。机器学习按照学习方式的不同可以分为无监督学习、监督学习以及强化学习。(1)非监督学习（UnsupervisedLearning）非监督学习又称无监督学习，是指要解决的问题没有足够的先验知识，所以没有办法对训练数据集进行标记。换句话说，无监督学习是为了对没有标签的训练数据集建立模型并分析问题后给出解决方案。非监督学习示意图如图2.1所示。常见的非监督学习有数据转换和聚类分析。图2.1非监督学习图示数据转换就是利用非监督学习算法将冗长复杂的数据变得简单且容易理解。数据降维是一种比较常用的数据转换方法，降维的目的是利用一个可以保留数据特征的低维矩阵来描述高维数据，即筛选数据中的无关变量，保留关键特征变量。降维通常用于辅助数据可视化，如，将多维数据降至二维，可以更直观的将数据表示出来。聚类分析又称群分析，指将相似性较高的样本划分到同一组的算法，即相似元素的集合。聚类算法的应用范围很广，如数据分析、图像分析以及计算机视觉等领域。(2)监督学习（SupervisedLearning）在监督学习中，训练数据既有特征又有标签，通过训练，让机器寻找特征与标签之间的关系，在输入数据没有标签的时候也可以判断出标签。有监督学习是通过对带有标签的数据建立模型，分析数据规律，然后将模型用于未带标签的数据样本，将新的样本分类或进行回归分析的算法。监督学习示意图如图2.2所示。目前有监督学习算法已经比较成熟，并且在很多领域都有很好的表现。
2机器学习与深度学习方法理论9图2.2监督学习图示(3)强化学习（ReinforcementLearning）强化学习算法的目的是让计算机学会在环境中执行正确的行为，可以理解为是一个连续的过程[36]。与有监督学习中存在的标签不同，强化学习以最大化奖励为目标，因此天然的强化学习并不适用于分类任务。强化学习包含四个重要元素：智能体，环境状态，动作和奖励，其示意图如图2.3所示。图2.3强化学习图示研究人员普遍使用马尔可夫决策过程（MarkovDecisionProcess，MDP）表示强化学习的过程：由图2.3可知，首先机器处于环境E中，并能感知当前状态x1，在空间中选择动作a1来执行；环境根据机器做出的动作来给出反馈的“奖赏”r1，当状态发生转移后，机器根据“奖赏”调整状态并做出新的决策。总的来说，强化学习就是机器要通过在环境中不断尝试，然后学习到一个最优策略，长期执行这个策略，期望获得最大的累积奖赏。2.2深度学习在人工智能的早期机器只是通过数学规则来描述一些较为形式化的问题，如超大数的计算，这些问题交给人类可能需要很长时间才能完成，但对于计算机而言却很简单。早期的人工智能还不像现在这样具有强大的智慧，可以解决一些不那么直观的问题，而现在的人工智能可以胜任更加有难度的工作，如阿尔法狗可以与人类进行围棋对弈。人工智能的终极目标是让机器可以像人类一样思考问题，如理解别人所说的话，辨认不同人的脸等。针对这些在人们看来很直观的问题，研究人员一直在寻求一种解决方案。该方案可以让计算机像人类一样凭借以往的经验学习知识，并且构建一套属于自己的理解世界的概念体系，这种概念体系不是杂乱无章而是具有层次性的，这种让计算机从经验中获取知识的方法可以避免计算机做简单的机械化学习。而计算机想要学习如何解决复
【参考文献】：
期刊论文
[1]基于改进Adam优化器的CNN电镜医学图像分类[J]. 汪友明,徐攀峰. 西安邮电大学学报. 2019(05)
[2]利用机器学习方法将大学讲座自动翻译成多种语言[J]. 本刊讯. 数据分析与知识发现. 2019(08)
[3]色彩空间变换和基于距离变换的分水岭算法在白细胞图像分割中的应用[J]. 赵晓晴,刘景鑫,张海涛,胡笑含,李大军,李慧盈. 中国医疗设备. 2019(07)
[4]基于中值滤波器的红外图像噪声处理的改进方法[J]. 刘智嘉,夏寅辉,杨德振,林昱,徐长彬. 激光与红外. 2019(03)
[5]人工智能时代的智慧学习:原理、进展与趋势[J]. 梁迎丽,梁英豪. 中国电化教育. 2019(02)
[6]基于深度学习的乳腺X射线影像分类方法研究[J]. 孙利雷,徐勇. 计算机工程与应用. 2018(21)
[7]基于mean-shift聚类的高鲁棒性白细胞五分类识别算法[J]. 李小舜,曹益平,王亚品. 生物医学工程学杂志. 2018(05)
[8]基于RGB和C-Y颜色空间的白细胞分割[J]. 刘阳,吕晓琪,张明,李菁,谷宇. 激光技术. 2019(04)
[9]基于全卷积神经网络的多尺度视网膜血管分割[J]. 郑婷月,唐晨,雷振坤. 光学学报. 2019(02)
[10]基于机器学习模型的消费金融反欺诈模型与方法[J]. 仵伟强,后其林. 现代管理科学. 2018(10)
硕士论文
[1]血细胞图像白细胞的自动检测与识别[D]. 袁满.东南大学 2017
本文编号：3107770
本文链接：https://www.wllwen.com/shoufeilunwen/mpalunwen/3107770.html
