基于强特征CNN-SVM的宫颈癌细胞检测

发布时间：2020-05-19 11:03

【摘要】：随着医学影像处理和模式识别技术的不断发展,基于机器视觉的宫颈癌细胞检测技术应运而生。该技术有望替代传统的人工筛查方法,解决人工筛查方法中效率低下、受主观因素影响大、准确率低的问题。由于该项技术目前正在处于起步阶段,普遍存在着设备智能化程度低下、识别准确率较低、分类敏感性及特异性较差的问题。针对此问题,本文在现有研究之上,研究了一套宫颈癌细胞智能检测系统。该系统中,首先利用改进对焦算法的显微成像装置对宫颈脱落细胞涂片进行细胞图像采集,然后通过参数优化的随机森林分类器对淋巴细胞图像、上皮细胞图像进行分类,最后引入基于强特征的CNN-SVM分类器,对正常上皮细胞图像和癌变上皮细胞图像进行分类。本文的具体工作如下:(1)硬件平台设计上,添加X、Y轴智能控制模块,使得装置可以自动切换图像视野。自动对焦算法上,改进了对焦窗口选择策略,使得装置可以根据视野内目标的密度自行选择对焦窗口,然后利用多梯度清晰度评价函数对图像进行评价,随后采用爬山法快速寻找焦平面。(2)由于在宫颈脱落细胞涂片中,夹杂着大量无关的淋巴细胞,因此为了对上皮细胞图像与淋巴细胞图像快速分类,研究了一种基于人工鱼群算法参数优化的随机森林分类器模型。该分类器利用人工鱼群算法对随机森林和特征子集的规模进行合理选择,从而保证了样本子空间和特征子空间的有效性和多样性,提高了分类器的分类精度和泛化能力。(3)为了解决癌变上皮细胞与正常上皮细胞分类准确率较低、敏感性和特异性较差的问题,本文研究了一种基于强特征的CNN-SVM分类器模型。该模型中,将CNN网络隐藏层自动提取的特征和另外提取的强特征进行串行融合,然后输入至支持向量机进行分类。该分类模型加入强特征提取通路,有效地保证了样本的重要特征属性被分类器加以学习,提高了识别的准确率、敏感性和特异性。实验结果表明,改进后的自动对焦算法效率较高,对焦效果良好。参数优化后的随机森林模型OOB error低至0.0314,相对于其他分类方法泛化能力更强。基于强特征的CNN-SVM模型分类准确率达94.92%,且极好地保证了分类的敏感性和特异性。
【图文】：

显微镜,参数,上皮细胞,调焦机构

其中的上皮细胞制成涂片。逡逑基于上皮细胞的大小、细胞涂片的制作工艺，以及目前临床上显微镜使用现逡逑状，决定在奥林巴斯（ＯＬＹＭＰＵＳ）邋ＣＸ４１生物显微镜的基础上（如图２－２），对其逡逑进行扫描平台智能控制的设计、调焦机构的自动对焦算法设计，作为宫颈癌细胞逡逑检测的自动显微成像平台。ＯＬＹＭＰＵＳ邋ＣＸ４１参数如表１所示。由于淲状上皮细胞逡逑细胞核大小在范围内，因此选择丨０倍目镜、４０倍物镜的４００倍组合逡逑放大效果，对细胞图像放大后采集。逡逑图２－２邋ＯＬＹＭＰＵＳ邋ＣＸ４１型显微镜逡逑Ｆｉｇｕｒｅ邋２－２邋ＯＬＹＭＰＵＳ邋ＣＸ４１邋ｍｉｃｒｏｓｃｏｐｅ邋ｐａｒａｍｅｔｅｒｓ逡逑表１为ＯＬＹＭＰＵＳ邋ＣＸ４】型显微镜的详细参数。逡逑８逡逑

示意图,图像重叠,视野,示意图

由于细胞涂片的影像经显微镜放大后，会有数百个不同的视野。切换视野时，逡逑每个视野图像不仅需要通过工业相机高速采集，并且要保证相邻视野间的图像有逡逑Ｊ邋＝邋１３ｗｗ的重叠，如图２－３所示。逡逑／邋／邋／逡逑？邋／邋／邋．逡逑：Ｇ逡逑Ｐｉｃｔｕｒｅｌ逦Ｐｉｃｔｕｒｅ邋２逡逑Ｕ—ｄ—＞逡逑图２－３视野间图像重叠示意图逡逑Ｆｉｇｕｒｅ邋２－３邋Ｉｍａｇｅ邋ｂｅｔｗｅｅｎ邋ｖｉｓｕａｌ邋ｆｉｅｌｄｓ邋ｏｖｅｒｌａｐｐｉｎｇ邋ｓｃｈｅｍａｔｉｃ逡逑因为针对宫颈脱落细胞涂片，当重叠部分小于ｊ时，图像边缘的细胞核图像逡逑有可能被破坏，不能纳入正常的处理对象，造成不完整的细胞库；而当重叠部分逡逑超过ｊ，则可能导致细胞库中出现重复细胞过多，增加计算量同时，，影响最终判逡逑决精度。因此，要想保证处理的快速性、判决结果的准确性，该工作显然是人工逡逑９逡逑
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;R737.33

【参考文献】