基于显微高光谱成像和深度神经网络的肺癌组织病理分析方法研究

发布时间：2021-11-02 09:33

　　肺癌是全球常见的恶性肿瘤之一,其发病率和死亡率常年居于全球首位。不同肺癌亚型的治疗措施和预后是不相同的,因此明确肺癌亚型至关重要。目前,组织病理学检查结果依旧是肺癌的诊断和分类的“金标准”。传统的组织病理学检查必须依靠于病理专家在显微镜下观察组织病理切片并做出判断,该过程复杂、耗时长,并且与医生的经验和主观因素密切相关。因此,利用图像处理技术对组织病理图像进行分析和处理的方法应运而生。相较于传统图像,显微高光谱图像在包含空间信息的基础上,还包含了光谱信息,这为肺癌亚型的分类任务提供了新的途径。在此基础上,本文将基于显微高光谱成像技术对肺癌病理亚型分类进行分析和研究。本文研究内容主要分为以下三个部分。首先,使用基于朗伯-比尔定律的光谱校正方法和基于主成分分析的谱段优选方法实现对图像数据的预处理,削弱了系统噪声等干扰,并提高了显微高光谱数据的信噪比。然后,针对肺癌组织显微高光谱图像,本文提出了一种基于三维（Three Dimension,3D）卷积形式和卷积组合单元（Convolution Combination Unit,CCU）的卷积神经网络（Convolutional Neural ... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：94 页

【学位级别】：硕士

【部分图文】：

论文组织结构示意图

华东师范大学硕士学位论文82显微高光谱成像系统及数据预处理算法本章内容为肺癌组织显微高光谱数据的准备工作。首先，本章将介绍显微高光谱成像系统的原理及组成，以及显微高光谱图像数据的采集流程和详细信息。然后，针对非理想系统带来的系统噪声，本章将描述两种预处理方法，分别是基于朗伯-比尔定律的光谱校正方法和基于主成分分析的谱段优选方法，尽可能地削弱噪声、提高显微高光谱数据的信噪比。2.1显微高光谱数据的采集2.1.1显微高光谱成像系统实验数据的采集应用了基于声光可调谐滤波器（Acousto-OpticTunableFilter,AOTF）的显微高光谱成像系统[38]，该系统的完成均为自主改进搭建，其基本组成结构原理图如图2-1所示。显微高光谱成像系统主要由五部分组成：光学显微系统、AOTF、AOTF驱动器、电荷耦合元件（ChargeCoupledDevice,CCD），以及计算机。图2-1显微高光谱成像系统原理图其中，光学显微系统主要有三个部分：光学显微镜、高精度三维电动载物台和防震台。光学显微镜的目镜倍数固定为10×，物镜有4×、10×、20×、40×，以及100×，共五种倍数选择，可根据实验需求选择相应的物镜倍数。高精度三维电动载物台可以实现载玻片的上下左右移动和对焦的调节，其移动速度可达到

华东师范大学硕士学位论文11图2-2是肺癌组织显微高光谱图像三维数据块的示意图，其包含了二维平面像素信息和第三维度光谱信息，即显微高光谱图像的每个像素点都是一个40维的谱向量，该谱向量称为光谱曲线，反映了对应点的生物组织特性。图2-2肺癌组织显微高光谱图像示意图本文采集的显微高光谱数据的波长（450nm~750nm）均在可见光（380nm~780nm）范围内。图2-3展示了一个肺癌组织显微高光谱图像，(a)~(d)分别为在谱段1、20、30、40（对应波长450.00nm、596.15nm、673.08nm、750.00nm）处采集的单谱段图像。图2-4展示了三种肺癌显微高光谱图像部分区域的光谱曲线的对比。图2-3肺癌组织显微高光谱单谱段图像(a)谱段1,波长450.00nm(b)谱段20,波长596.15nm(c)谱段30,波长673.08nm(d)谱段40,波长750.00nm

【参考文献】：
期刊论文
[1]基于影像组学的肺癌分型预测[J]. 梁伟,赵艳秋,桂东奇,丁小凤.  解剖学报. 2019(04)
[2]用于NSCLC诊断、治疗决策、预后判断的免疫组织化学指标[J]. 王凤芝,孙少华.  临床肺科杂志. 2019(07)
[3]2018全球癌症统计报告解读[J]. 王宁,刘硕,杨雷,张希,袁延楠,李慧超,季加孚.  肿瘤综合治疗电子杂志. 2019(01)
[4]基于粒子群算法的医学图像分类算法研究[J]. 陈迪,李宁.  电子设计工程. 2019(02)
[5]基于卷积神经网络的肺癌病理图像分类[J]. 宁静艳,俞晨,程年,刘芃.  软件导刊. 2019(02)
[6]小细胞肺癌个体化治疗进展[J]. 张爽,柳菁菁,程颖.  中国肿瘤临床. 2017(12)
[7]改进的基于卷积神经网络的图像超分辨率算法[J]. 肖进胜,刘恩雨,朱力,雷俊锋.  光学学报. 2017(03)
[8]基于CNN模型的高分辨率遥感图像目标识别[J]. 曲景影,孙显,高鑫.  国外电子测量技术. 2016(08)
[9]2015版WHO肺癌组织学分类变化及其临床意义[J]. 杨欣,林冬梅.  中国肺癌杂志. 2016(06)
[10]基于BP神经网络和SVM的分类方法研究[J]. 王宏涛,孙剑伟.  软件. 2015(11)



本文编号：3471792