基于级联多分类器融合的宫颈癌细胞识别技术的研究

发布时间：2021-10-22 07:01

　　宫颈癌一直是女性最为常见的恶性肿瘤之一,但如果在宫颈癌变早期就发现治疗,被治愈的可能会大大提高。宫颈癌筛查技术很多都是靠阅片医师人工判读大量的细胞涂片,不仅给阅片医师造成了巨大工作压力,人工判读还会出现主观误差。现阶段宫颈细胞自动识别技术发展还不成熟,宫颈癌细胞识别率低。本论文在前人数字图像处理和模式识别技术研究的基础上,以提高宫颈癌细胞图像的自动化分类识别准确率为目标,研究基于级联多分类器融合的宫颈癌细胞图像分类识别方法。首先,对宫颈细胞图像进行预处理。本文根据细胞类别特点,对宫颈细胞图像进行卷积锐化和直方图均衡化处理,使处理后的图像细胞边缘信息更加突出,提高分类的准确率。??其次,对处理后的宫颈细胞图像进行特征提取。由于传统方法提取的特征包含有用信息较少,根据迁移学习思想本文通过去掉全连接层改进深度学习模型,实现对细胞图像的特征提取。由于改进的深度学习模型提取的特征包含冗余,不利于提高分类的准确率。与单变量特征选择模型的优点相结合,提出一种新的特征提取模型,使模型提取出来的特征能有效地对宫颈细胞进行分类。再次,对提取出来的特征数据进行降维。为了提高宫颈细胞图像分类准确率和运算速度,... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

正常的鱗状上皮细胞

-7-图 2-2 正常的中层鱗状细胞.2-2 Normal middle squamous?细胞体积大小不一，细体如图 2-3 所示。该类细。图 2-3 正常的柱状细胞Fig.2-3 Normal columnar cel

点为细胞大多呈现圆形粒状。具体如图 2-2 所量为 70。图 2-2 正常的中层鱗状细胞.2-2 Normal middle squamou细胞体积大小不一，细体如图 2-3 所示。该类

【参考文献】：
期刊论文
[1]基于深度卷积神经网络的宫颈细胞涂片的病变细胞分类[J]. 胡卉,蔡金清.  软件工程. 2018(08)
[2]基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法[J]. 廖欣,郑欣,邹娟,冯敏,孙亮,杨开选.  液晶与显示. 2018(06)
[3]基于岩石图像深度学习的岩性自动识别与分类方法[J]. 张野,李明超,韩帅.  岩石学报. 2018(02)
[4]结合层次法与主成分分析特征变换的宫颈细胞识别[J]. 赵理莉,孙燎原,殷建平,李宽,印万鹏,祝恩.  国防科技大学学报. 2017(06)
[5]AdaBoost检测结合SOM的自动人脸识别方法[J]. 叶剑锋,王化明.  哈尔滨工程大学学报. 2018(01)
[6]一种自适应的多类Boosting分类算法[J]. 王世勋,潘鹏,陈灯,卢炎生.  计算机科学. 2017(07)
[7]数字图像处理在光学相关识别中的应用研究[J]. 房倩.  科技经济导刊. 2016(16)
[8]基于深度学习混合模型迁移学习的图像分类[J]. 石祥滨,房雪键,张德园,郭忠强.  系统仿真学报. 2016(01)
[9]宫颈癌及癌前病变早期筛查的新进展[J]. 朱方培,任青玲.  现代肿瘤医学. 2016(01)
[10]宫颈活检与宫颈锥切术在宫颈上皮内瘤变中临床价值[J]. 高红静.  现代仪器与医疗. 2013(04)

博士论文
[1]宫颈细胞图像分割和识别方法研究[D]. 范金坪.暨南大学 2010

硕士论文
[1]基于强特征CNN-SVM的宫颈癌细胞检测[D]. 李正义.北京交通大学 2018
[2]基于同层多尺度核卷积神经网络的单细胞图像分类研究[D]. 郝占龙.广西师范大学 2017
[3]基于卷积神经网络的宫颈细胞病变图像识别研究[D]. 郭磊.广西师范大学 2017
[4]宫颈细胞图像特征分析与自动识别方法研究[D]. 许璇.哈尔滨理工大学 2017
[5]一种多分类器融合的单个宫颈细胞图像分割、特征提取和分类识别方法研究[D]. 李文杰.广西师范大学 2016
[6]基于LDA的特征提取及其在人脸识别中的应用[D]. 汤鹏.河北大学 2015



本文编号：3450603