基于机器学习方法的前列腺病理切片图像识别

发布时间：2017-09-28 12:25

  本文关键词：基于机器学习方法的前列腺病理切片图像识别

  更多相关文章： 前列腺 机器学习 深度神经网络 空间金字塔

【摘要】：前列腺癌是男性生殖系统最常见的恶性肿瘤，被视为危害中老年男性健康的主要原因之一，只有早发现、早治疗，才不会错过治疗的最佳时机。前列腺病理切片图像自动分析的核心算法，已成为国内外学者的研究热点。因此，研究前列腺病理切片的自动分类算法，对开发前列腺计算机辅助诊断系统，辅助医生诊断，有很大的帮助。 为提高医生工作效率和防止前列腺病理图像人为标记失误，本文提出了一种基于深度学习的前列腺病理图像组织来源的判断算法。该算法首先对前列腺病理图像按图像块进行随机采样，并通过白化等预处理后，用深度学习算法对这些采样图像块进行无监督的学习，然后将学习到的特征作为Softmax回归分类器的输入，对随机采样的图像块分类,最后利用ROC(Receiver Operating Characteristic)曲线，选取合适的阈值，对整幅图像进行分类，实现对前列腺病理图像组织来源的判断。 在前列腺癌病理图像识别方面，癌变前列腺病理图像空间整体结构相比正常前列腺病理图像有以下差异：前列腺间质结构紊乱，方向不规则；腺腔区域变小，甚至无腺腔；细胞核散乱分布。本文利用基于空间金字塔匹配(Spatial Pyramid Matching,SPM)的词袋模型(BagofWords,BoW)方法，对前列腺病理图像空间整体信息进行描述，最后用SVM分类器进行分类。 实验结果表明，，本文提出的前列腺病理切片图像分析方法是可行的，具有较好的鲁棒性。
【关键词】：前列腺 机器学习 深度神经网络 空间金字塔
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP391.41;R361.2;R737.25
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-16
• 1.1 课题背景及意义10
• 1.2 前列腺形态组织特征简述10-12
• 1.2.1 正常的前列腺组织学特征10-11
• 1.2.2 前列腺癌的病理特征11-12
• 1.3 国内外研究现状12
• 1.4 机器学习方法介绍12-15
• 1.4.1 深度学习简介13-14
• 1.4.2 支持向量机简介14-15
• 1.5 本文研究内容和章节安排15-16
• 第二章 深度学习的基本方法16-34
• 2.1 稀疏自编码16-24
• 2.1.1 神经元16-17
• 2.1.2 神经网络模型17-19
• 2.1.3 反向传播算法19-21
• 2.1.4 稀疏自编码的含义21-24
• 2.2 受限玻尔兹曼机（RESTRICT BOLTZMANN MACHINE）24-29
• 2.2.1 受限玻尔兹曼机的基本模型24-26
• 2.2.2 基于对比散度的 RBM 快速学习算法26-29
• 2.3 栈式自编码神经网络的训练29-31
• 2.3.1 概述29-30
• 2.3.2 逐层训练30
• 2.3.3 微调栈式自编码神经网络30-31
• 2.4 深度信念网络的训练31-33
• 2.4.1 训练过程概述31-33
• 2.5 本章小结33-34
• 第三章 基于深度学习的前列腺病理图像判断34-45
• 3.1 非监督学习35-37
• 3.1.1 图像块的采集35
• 3.1.2 白化35-36
• 3.1.3 非监督学习36-37
• 3.2 SOFTMAX 回归分类器37-40
• 3.2.1 代价函数38-39
• 3.2.2 权重衰减39-40
• 3.3 基于 ROC 曲线的全局判断40-41
• 3.3.1 ROC 曲线的主要作用40
• 3.3.2 ROC 曲线的评价指标40-41
• 3.4 实验结果41-44
• 3.4.1 基于图像块的分类结果41-42
• 3.4.2 基于 ROC 曲线的全局分类结果42-44
• 3.5 本章小结44-45
• 第四章 基于空间金字塔的前列腺癌病理图像的识别45-56
• 4.1 SIFT 特征简介46-50
• 4.1.1 构建尺度空间46-47
• 4.1.2 特征点检测并过滤47-48
• 4.1.3 特征点确定方向48-49
• 4.1.4 生成 SIFT 特征向量49
• 4.1.5 Dense SIFT (密集的尺度不变特征)49-50
• 4.2 基于 BOW 的前列腺病理图像表示50-51
• 4.2.1 BoW 简介50
• 4.2.2 基于 BoW 的前列腺病理图像表示50-51
• 4.3 基于 SPM-BOW 的前列腺病理图像表示51-53
• 4.3.1 金字塔匹配核51-52
• 4.3.2 基于 SPM-BoW 模型的前列腺病理图像表示52-53
• 4.4 基于支持向量机的分类结果53-54
• 4.4.1 基于 BoW 模型的前列腺癌病理图像分类实验53-54
• 4.4.2 基于 SPM-BoW 模型的前列腺癌病理图像分类实验54
• 4.5 本章小结54-56
• 总结与展望56-58
• 参考文献58-61
• 攻读硕士学位期间取得的研究成果61-62
• 致谢62-63
• 附录63

【参考文献】

中国期刊全文数据库 前3条

1 杨振森;李传富;周康源;刘伟;冯焕清;;基于小波变换的超声图像纹理特征提取及前列腺癌诊断[J];航天医学与医学工程;2009年04期

2 李欣,王禾,张盈涛,袁建林,赵一岭;正常前列腺和良性前列腺增生组织成分的图像分析研究[J];西北国防医学杂志;2003年02期

3 叶敏;“前列腺疾病新进展”专题研讨会简介[J];中华泌尿外科杂志;2002年08期

本文编号：935832