乳腺癌病理图像中有丝分裂识别算法研究

发布时间：2020-04-06 21:50

【摘要】：在乳腺癌病理图像中,有丝分裂的个数是评价乳腺癌分级的重要指标之一。现有的医学手段通过人工识别有丝分裂,既耗时间又对识别人员有很高的专业要求,因此对有丝分裂识别的计算机辅助诊断方法越来越多。针对乳腺癌病理图像中有丝分裂过程复杂、形态各异等特点,目前国内外研究学者对有丝分裂识别方法的研究主要集中在特征提取和分类训练等方面,这些过程需要花费大量的时间,但识别精度却不高。针对这些问题,本文分别设计了三种不同的有丝分裂检测和分类识别方法并将其实现,主要研究工作如下:1)传统有丝分裂检测识别方法直接对RGB图像进行处理,会忽略掉一些有用特征。针对这一问题,本文第三章提出了一种基于多通道特征融合(MCCFF)的计算机辅助有丝分裂检测识别算法。首先在乳腺癌病理图像中分割出细胞核作为候选集;然后分别在不同颜色通道上进行特征提取并将其融合;最后应用改进最小距离分类器得到检测结果。实验以ICPR2012有丝分裂大赛数据集为例,检测准确率达到了0.823,结果表明所提出MCCFF算法优于其他学者提出的算法。2)针对传统有丝分裂分类识别方法中的特征提取过程,需要提取大量特征而计算复杂、耗时等问题,本文第四章提出了一种基于改进卷积神经网络结合ZCA白化(ZCA-CNN)的计算机辅助有丝分裂分类识别算法。首先分割出有丝分裂和非有丝分裂候选集;再对其进行ZCA白化处理,利用改进卷积神经网络(CNN)逐层提取特征;最后利用Softmax处理网络输出特征向量进行分类。通过实验结果分析并与LSVM、传统CNN算法进行比较,ZCA-CNN算法有更高的预测精度为0.9115。3)针对传统网络模型训练时间较长且计算量有限等问题,本文第五章提出了一种基于改进深度卷积神经网络(GAA-CNN)的计算机辅助有丝分裂分类识别算法。首先分割出候选集;然后利用改进深度卷积神经网络提取候选集深层特征,并采用GPU加速;最后由Softmax处理输出特征向量得到分类结果。通过实验结果分析并与第四章ZCA-CNN算法进行比较,该算法在有丝分裂数据集上的分类预测精度达到了0.9544,具有较好的分类效果。本文针对传统有丝分裂识别方法存在的问题,提出了三种有丝分裂检测和分类识别方法,并通过仿真对比实验说明本文算法均有更好的识别效果。而且这种有丝分裂识别的计算机辅助诊断方法可应用于临床医学领域,并可以给早期乳腺癌诊断工作提供很多帮助。
【学位授予单位】：桂林电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;R737.9

【参考文献】