深度卷积网络及其在乳腺病理图像分析中的应用

发布时间：2017-11-07 03:30

  本文关键词：深度卷积网络及其在乳腺病理图像分析中的应用

  更多相关文章： 特征共享 特征表示 自动细胞检测 自动细胞分割 卷积神经网络 乳腺病理图像

【摘要】：在乳腺癌病理诊断与预后中,改进的B loom-Richardson病理分级系统与细胞核的形态和拓扑结构特征密切相关,因此,病理图像中准确、快速的细胞核自动检测和分割是乳腺癌计算机辅助诊断与预后系统的重要基础。但是由于病理组织染色方法的多样性、图像场景与病理标志物高度复杂性、成像方法的差异性以及成像仪器的多样性等因素,导致大部分细胞核都呈现出高度复杂的形状和结构特性,比如颜色的不均匀性、细胞的重叠性、多个细胞的高度凝聚性等。因而,病理图像细胞核的自动检测和分割成为医学图像处理领域中一项非常具有挑战性的任务。针对这一问题,本文提出了基于卷积神经网络(CNN)初始化的局部区域活动边界模型(CNNiLRAC)进行细胞检测和分割,这一模型有效地结合两个模块：卷积神经网络的细胞检测模块和局部区域活动边界模型(LRAC)的细胞分割模块。第一个模块中,本文使用由稀疏自编码(SAE)初始化的CNN并结合滑动窗口技术,在高分辨率病理图像中自动检测细胞;第二个模块中,在细胞检测的基础上利用局部自适应阈值的方法生成初始轮廓,然后再使用由局部高斯分布驱动的LRAC模型进行细胞分割。本文提出的算法在三个病理图像数据集上进行了实验评估。分别与蓝色比例阈值(BR),迭代径向选举(IRV)和最大稳定极值区域(MSER)三种方法进行比较,结果表明,本文提出的CNNiLRAC模型能够准确地检测细胞并且精确地分割细胞边界。本文提出的模型在三个数据库上的检测准确率分别为F-measure:80%、86%、80%, Precision-Recall曲线中的AveP：77%、82%、74%；在其中两个有分割标准的数据库中得到的分割准确率分别为PPV:85%、89%。在深度卷积网络模型方面,本文基于传统卷积神经网络(TCNN, Traditional CNN)提出一种快速有效的多级金字塔卷积神经网络MLPCNN (Multi-level pyramid CNN)模型,该模型避免了在大尺度图像中卷积滤波速度过慢、CNN参数调节困难、训练时间过长的问题。这一网络使用权值共享的方法将低级的滤波权值共享到高级,保证CNN的训练只在较小尺寸的图像块上进行,加快训练速度。实验表明,在特征维数比较低的情况下,MLPCNN提取到的特征比传统的特征提取方法更加有效。
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R737.9;TP391.41

【相似文献】

中国期刊全文数据库 前8条

1 何建芳,刘旭明;应用图像处理技术提高病理图像质量[J];诊断病理学杂志;2002年01期

2 王伟智,刘秉瀚,郑智勇;基于形态特征的淋巴瘤病理图像分级分割方法[J];中国体视学与图像分析;2005年01期

3 宋来凤,彭勃,张义华,王亚光,梁凤玲;心血管病理图像的微机计量[J];中国循环杂志;1992年01期

4 刘秉瀚,王伟智,郑智勇,黄庆荣;病理图像中重叠细胞自动分离的研究[J];中国体视学与图像分析;2002年01期

5 刘秉瀚,郑智勇,王伟智;肝组织免疫组化病理图像的自动分析[J];中国体视学与图像分析;2000年04期

6 李志宏,史元春,周智明;Web上基于内容的病理图像检索的研究方法与展望[J];第四军医大学学报;1999年03期

7 徐芸,文小岗,王振豫,李继昌;脂肪肝CT图像、肝穿活检病理图像定量形态测量软件的设计和应用[J];中华放射学杂志;2005年10期

8 ;[J];;年期

中国重要会议论文全文数据库 前3条

1 李志宏;史元春;;Web上基于内容的病理图像检索的设计与展望[A];信息科学与微电子技术:中国科协第三届青年学术年会论文集[C];1998年

2 郑唯强;;虚拟显微镜技术在病理学的应用[A];中华医学会病理学分会2006年学术年会论文汇编[C];2006年

3 郑清平;周泽斌;;一款较适用于病理图像数字化处理的数码相机[A];面向二十一世纪的生物医学体视学和军事病理学论文摘要汇编[C];2000年

中国硕士学位论文全文数据库 前5条

1 王冠皓;深度卷积网络及其在乳腺病理图像分析中的应用[D];南京信息工程大学;2015年

2 赵明珠;细胞病理图像的特征分析与分类识别[D];浙江工业大学;2012年

3 张建波;基于流行学习的淋巴瘤组织病理图像分类研究[D];福州大学;2011年

4 张丽熙;基于纹理特征空间的淋巴组织病理图像协同分类研究[D];福州大学;2006年

5 王玉山;基于神经网络的病理图像融合识别研究与实现[D];武汉理工大学;2010年

，

本文编号：1150657