人工智能引导的宫颈癌特殊染色图像分类算法研究

发布时间：2020-07-12 09:33

【摘要】：随着医疗技术的进步和人工智能技术的飞速发展,跨学科结合的技术手段对于传统的医疗技术产生了极大影响。由于医疗成像设备的普及,医学图像的数量成爆发式增长,如何对其智能判读以减少劳动强度成为广泛探讨的问题。在众多癌症中,宫颈癌作为妇科高发性的恶性肿瘤,发病率及死亡率常年位居各种恶性疾病的前列,然而该病的早期发现及治疗可以大大减少死亡率,因此对于该病的早期筛查工作非常重要,与飞速发展的人工智能手段相结合辅助宫颈癌筛查更是值得研究。传统的宫颈癌筛查通过细胞学检测方法获取的宫颈细胞涂片,包括巴氏涂片检测和液基细胞学涂片检测(TCT),该方法流程复杂繁琐,十分不利于筛查工作的进展。近年来基于叶酸受体介导的宫颈特殊染色方式,借助亚甲基蓝的显色反应来实现快速准确的筛查宫颈癌及癌前病变。本文针对亚甲基蓝宫颈特殊染色液检测图像,设计了完整的图像采集方式,并且制作专门数据集,提出对于宫颈癌筛查通过与计算机视觉技术结合的监督学习分类算法,绕过传统的TCT检测方式,利用监督学习算法提升分类效果和精度,以满足宫颈癌疾病筛查工作的要求。本文研究并概述了机器学习中的经典算法,包括KNN最近邻算法、贝叶斯算法、SVM支持向量机算法、集成学习算法,以及经典的深度学习方法,包括AlexNet网络、SqueezeNet网络、ResNet网络。本文对上述算法进行了全面的分析总结,并通过实验验证的方式,对每种算法进行了参数优化实验,通过大量的实验验证每一类算法在宫颈癌筛查数据集上的分类效果,并通过多个指标确定最适合宫颈癌筛查一体化系统的分类算法。在最终的测试数据上可以达到准确率和召回率均达到90%以上的精度
【学位授予单位】：武汉大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R737.33;TP18;TP391.41
【图文】：

数据划分,二维平面

9图 2-1 SVM 在二维平面数据划分图图 2-1 中展示了两组数据的划分在二维平面的情况。在更高维度空间中转化为超平面。在SVM算法中常用三种优化算法来具体进行操作，SVC、NuSVC、LinearSVC。SVC 和 NuSVC 是相似的方法，但是接受稍许不同的参数设置并且有不同的数学方程。SVC 给定训练向量 = ￠，在两个类中，向量- , SVC求解如下原始问题：￠w b ζ T C ini subject to ( ( ) ) ≥ ≥ = （2-2）它的双倍是 subject to = ≤ ≤ = （2-3）式中，是所有向量，是上界,Q是一个 n×n 阶的半正定矩阵， = K 当K = ( ) ( ) 是内核。训练向量是隐式映射到一个更高维空间的函数。决策函数为:§ ￠(∑ ( ) ) （2-4）

正态分布概率

人工智能引导的宫颈癌特殊染色图像分类算法研究耦意味着可以独立单独地把每个特征视为一维分布来估计。这样解维度灾难带来的问题[38]。贝叶斯一共有三种方法，分别是高斯朴素贝叶斯、多项式分布贝素贝叶斯，这三种分类方法其实就是对应三种不同的数据分布类分布又叫正态分布，我们把一个随机变量 X 服从数学期望为 μ、分布称为正态分布，当数学期望 μ=0,方差 σ=1 时称为标准正态

网络结构模型,像素,分辨率

使用 LRN（Local Response Normalization）和 Overlapping Pooling 等一些减少过拟合的方法。ImageNet 数据集的图片分辨率各有不同。对图像统一下采样到 256*256 分辨率。除了把每个像素减去均值，没有做别的预处理，采用原生 RGB 像素值作为输入。

【相似文献】