基于深度学习与条件随机场的宫颈癌细胞学图像的细胞核分割

发布时间：2021-12-30 01:41

　　宫颈癌是广泛存在的一种高发病率与高死亡率的疾病,目前主要的筛查方式为基于巴氏涂片的细胞学筛查,由于细胞学家与病理学家的手工筛查是一个高重复性,高耗时且易出错的工作,因此宫颈癌的自动计算机辅助细胞学筛查与诊断系统的发展具有重要的临床意义,而细胞核因为携带有辅助筛查与诊断的实质信息,其精确分割已经成为众多研究者探索的课题。本文采用从粗到细的策略分割细胞核,粗分割阶段分别运用两种深度学习网络对宫颈细胞核进行粗分割,优化阶段则通过融合粗分割结果与细胞核RoI内所有像素的色彩值信息与位置信息来构建一个局部全连接条件随机场,通过最小化条件随机场的能量函数实现细胞核分割结果的优化。本文的主要创新工作如下:（1）为了充分利用细胞学图像的先验信息以获取准确且稳定的细胞核定位,首先以全卷积网络（Fully Convolutional Network,FCN）为基础,搭建感受野与细胞学图像中细胞核分辨率匹配的轻型全卷积网络（Tiny-FCN,T-FCN）,这会导致网络深度的缩减,为了弥补因此带来的网络特征表达能力的损失,T-FCN将每个卷积层的卷积核数量扩展为原FCN的2倍。实验结果表明T-FCN获得了良好... 

【文章来源】：中北大学山西省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

卷积神经网络

三种上采样网络的最终分割结果

Herlev7类示例图片

【参考文献】：
期刊论文
[1]基于全卷积网络和条件随机场的宫颈癌细胞学图像的细胞核分割[J]. 刘一鸣,张鹏程,刘祎,桂志国.  计算机应用. 2018(11)
[2]基于K均值聚类算法的宫颈癌细胞分割方法[J]. 赵英红,洪雅玲,孙存杰.  临床医学工程. 2014(09)
[3]复杂背景下的宫颈癌细胞图像分割方法[J]. 冯芳,刘威,王加庆.  武汉大学学报(理学版). 2014(03)

博士论文
[1]光学显微宫颈细胞图像的分割与识别方法研究[D]. 关涛.国防科学技术大学 2015
[2]宫颈细胞学涂片自动判读方法研究[D]. 徐传运.重庆大学 2014
[3]细胞图像的分割、纹理提取及识别方法研究[D]. 李宽.国防科学技术大学 2012
[4]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]基于深度学习的细胞核图像分割方法研究[D]. 李刚森.哈尔滨工业大学 2018
[2]基于深度学习的细胞核图像分割研究[D]. 杨凯.重庆大学 2018



本文编号：3557228