基于深度学习的脱落细胞分类识别应用

发布时间：2020-06-05 14:16

【摘要】：宫颈癌由于它在妇女中的高发性和严重性导致人们对这种恶性肿瘤的重视程度越来越高。如果宫颈细胞早期癌变能够及时被发现,则能得到较好的控制及治疗。因此,对于脱落细胞的分类识别检测在诊断早期宫颈癌方面起到了至关重要的作用。人工分类识别是比较常见的脱落细胞分类识别方法,通过人工观察区分脱落细胞中的上皮细胞、淋巴细胞和中心粒细胞,其中上皮细胞的形态观察结果是检测癌变细胞的重要依据。但是,传统的人工观察分类的准确性和可靠性会伴随医生主观情绪的影响,并且脱落细胞的分类在工作量及成本上也是不可忽视的难点,极易造成医生的审视疲劳,影响分类识别效果。近几年机器学习SVM在医学图像分类识别领域也有较多的应用,但是,基于SVM的脱落细胞分类识别一方面对于分类图像有较高的要求,另一方面,要对分类图像进行复杂的预处理,且最终的分类识别效果在效率和准确率上都有所欠缺。本文通过基于Tensorflow的深度学习框架,采用Faster R-CNN的技术实现脱落细胞的分类识别应用。本系统操作于Windows环境,主要实现分为三步:首先,采用光电显微镜配合CCD相机收集标准宫颈染色脱落细胞灰度图像作为数据集,这里采用巴氏染色法。其次,对标准宫颈染色脱落细胞数据集进行存储细胞类别和位置信息的标签制作。最后,通过Tensorflow深度学习框架采用修改过Anchor及RPN的Faster R-CNN方法用VGG-16网络模型完成对训练集的训练,并将训练生成的网络模型用于宫颈染色脱落细胞分类识别的目标检测。之所以采用对脱落细胞染色细胞核的分类识别是为后续工作可以从DNA倍体分析的角度更准确定位和识别异倍体细胞为肿瘤辅助诊断提供依据。该方法在实际样本数据集上的标准上皮细胞的AP值为0.6055,淋巴细胞的AP值为0.5688,粒细胞的AP值为0.3678,粘连上皮细胞的AP值为0.2994,实验数据表明论文所提方法具对图像中脱落细胞这样的小目标有较好的分类识别效果且效率较高的优点。
【图文】：

神经元模型

络的效果要优于简单的“感知机”。误差后向传播算法在各个领域得到广泛并延续至今，重新掀起了神经网络高潮。1998 年，Yann Lecun 等人在人网络的基础上提出了“卷积神经网络”[20]，目前卷积神经网络在图像和析等领域都取得了很好的效果。2006 年，机器学习前辈、多伦多大学计算机系教授 Geoffrey Hinton 在上发表的文章，采用基于深度信念网络（Deep Belief Networks, DBN）督的逐层训练算法[21]，解决了深度神经网络训练难度大的问题。2.2.2 人工神经元模型根据神经元的结构和神经信号的传递功能分析，神经元并不是信号单的结构功能，而是可以拥有多个输入信号。而且，它对信息的处理是非线将它逻辑化生成的数学模型如图 2.1 所示。

函数图像,函数图像

函数[22]在线性模型不能充分表达数学变化时用来当作非线性络模型具有更好的表达效果。在神经网络里常用的激h 和 relu 等。是常用的非线性的激活函数，，其数学形式见式（2-2）。Sigmoid（x）=-x1 e1数曲线如图 2-2 所示，图中，x 的取值范围为正无穷到取值范围只有 0~1，所以，经过 Sigmoid 函数输出的函数里，即 Sigmoid 函数起到限制输入数值的作用。
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R737.33;TP18

【相似文献】