计算机辅助肺腺癌病理图像分割识别关键技术研究

发布时间：2023-10-06 13:59

　　肺癌是一种常见的恶性肿瘤,也是目前国内外发病率及死亡率最高的一种癌症,肺腺癌则是肺癌类型中常见的肺组织病变之一。病理学检查是医生确定肿瘤是否发生癌变的“金标准”,但由于病理图像具有高度的复杂性,医生需要反复大量阅片才能最终给出医学诊断,这使得医生阅片负担明显加重。因此,借助计算机进行肺腺癌病理图像的自动识别和精确定位对提高诊断率有重要意义。本文主要针对肺腺癌病理学检查过程中的序列病理切片图像配准技术和基于深度学习的图像分割技术展开研究,以达到计算机辅助识别检测的目的。论文的主要研究内容如下:1.提出一种改进的图像配准算法R-SIFT,算法引入增强梯度提取图像特征点,采用初始匹配与精匹配双重匹配过程,有效增加了特征匹配点对数量,同时减少了误匹配点对。通过肺腺癌病理切片图像配准测试与SIFT+RANSAC和SIFT+FSC两种算法进行了分析比较,其特征匹配点对数量和均方根误差等指标明显改善,验证了所提配准算法具有更好的准确性与鲁棒性。2.采用基于深度学习的图像语义分割模型检测肺腺癌病理图像,在现有Deeplab V3+网络模型的基础上进行改进,提出了一种应用于病理图像分割效果更好的L-De...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状及分析
    1.3 本文主要研究内容
    1.4 论文的组织结构
2 序列病理切片图像配准算法研究
    2.1 引言
    2.2 病理切片图像配准
        2.2.1 基于灰度信息的配准
        2.2.2 基于特征信息的配准
    2.3 R-SIFT配准算法
    2.4 病理切片图像配准实验
        2.4.1 实验数据
        2.4.2 实验内容
        2.4.3 实验结果与分析
    2.5 本章小结
3 基于深度学习的图像分割
    3.1 图像分割概述
    3.2 神经网络基础
    3.3 FCN网络模型分析
        3.3.1 FCN网络结构
        3.3.2 FCN模型特点
    3.4 U-Net网络模型分析
        3.4.1 U-Net网络结构
        3.4.2 U-Net模型特点
    3.5 Deeplab V3+网络模型分析
        3.5.1 Deeplab V3+网络结构
        3.5.2 Deeplab V3+模型特点
    3.6 本章小结
4 改进的L-Deep Lab网络设计
    4.1 改进的L-Deeplab网络架构设计
    4.2 编码结构设计
        4.2.1 可缩放指数正则化线性单元
        4.2.2 Xception模型设计
        4.2.3 ASPP优化设计
    4.3 解码结构设计
    4.4 损失函数和L2正则化
    4.5 模型优化
        4.5.1 Shift Dropout
        4.5.2 优化器选择
    4.6 本章小结
5 基于L-Deeplab网络的肺腺癌病理图像分割
    5.1 引言
    5.2 数据集制作
        5.2.1 数据集特点
        5.2.2 数据标注
        5.2.3 数据扩增
        5.2.4 数据构建
    5.3 评价指标
    5.4 模型训练
    5.5 实验结果与分析
    5.6 本章小结
6 总结
    6.1 论文总结
    6.2 未来工作展望
参考文献
个人简历、在校期间发表的学术论文与科研成果
致谢



本文编号：3851835