基于Snake分割和SVM的宫颈细胞识别研究

发布时间：2017-08-12 10:04

  本文关键词：基于Snake分割和SVM的宫颈细胞识别研究

  更多相关文章： 宫颈癌 主动轮廓模型 梯度矢量流 支持向量机

【摘要】：宫颈癌是全球范围内发病率仅次于乳腺癌和结直肠癌的第3大女性恶性肿瘤,也是最常见的女性生殖道恶性肿瘤。现有诊断宫颈癌的医学筛查方法需要大量细胞病理专家参与,耗时耗力,不利于对宫颈癌的批量筛查。随着医学图像处理技术的进步,利用先进的图像处理技术结合宫颈细胞医学知识以及细胞病理专家的诊断经验,实现对宫颈癌的早期检测,能有效降低宫颈癌的病发率和死亡率,在宫颈癌临床诊断方面有着重要的应用价值。宫颈细胞涂片在制作时易受到一定程度的污染,导致获得的宫颈细胞图片存在细胞模糊,染色不均匀,弱对比度等问题。实现对受污染宫颈细胞图片的高精度分割,并通过提取相应的特征参数完成对宫颈细胞的识别是本文的主要研究内容。为实现宫颈细胞的高精度分割,本文在主动轮廓模型和梯度矢量流的基础上,改进梯度矢量流模型,并以此作为宫颈细胞图像分割算法。改进后的梯度矢量流模型一方面使得矢量场在宫颈细胞的灰度一致区域保持各向同性,另一方面能够保证宫颈细胞或者细胞核边界处矢量场沿着平行于宫颈细胞或者细胞核边界传播,这些性质有利于降低初始敏感性以及凹陷区域收敛。由于宫颈细胞病变主要体现在宫颈细胞形态的变化,这使得改进后的梯度矢量流模型更适合宫颈细胞的高精度分割。本文在精确分割出宫颈细胞和细胞核的基础上,结合细胞病理专家的诊断经验,提取出适合于宫颈细胞识别的形态特征参数和色度特征参数,并根据相应特征参数的一维分散程度逐一分析各个特征参数对宫颈细胞识别的作用。同时,从分析过的特征参数中任意选取两个特征参数做二维空间分散度分析,进而选取适合宫颈细胞识别的二维特征向量。在选取的二维特征参数基础上,添加不相关的特征参数组成训练集,选用支持向量机作为宫颈细胞分类器,根据所得到的识别结果反馈调整相应的特征参数和训练集以提高宫颈细胞识别率。本文着重研究了宫颈细胞分割,同时对特征参数提取以及宫颈细胞识别做了系统性描述和识别结果分析。通过实验可知,本文所改进的梯度矢量流模型可以高精度分割宫颈细胞和细胞核,并依据所分割的结果能够达到宫颈细胞识别的目的。
【关键词】：宫颈癌 主动轮廓模型 梯度矢量流 支持向量机
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R737.33;TP391.41
【目录】：

• 摘要7-9
• ABSTRACT9-11
• 第一章 绪论11-17
• 1.1 选题背景及研究意义11-12
• 1.2 宫颈细胞的形态结构和前驱病变分类12-14
• 1.3 常用宫颈癌医学检验方法14-15
• 1.4 论文的研究内容15-17
• 第二章 图像分割基础技术介绍17-23
• 2.1 引言17-18
• 2.2 图像分割基础技术18-23
• 2.2.1 阈值分割18-19
• 2.2.2 边缘检测分割19-20
• 2.2.3 形态学分割20-22
• 2.2.4 其它图像分割基础技术介绍22-23
• 第三章 宫颈细胞图像分割23-41
• 3.1 引言23-24
• 3.2 宫颈细胞图像传统方法分割24-29
• 3.2.1 宫颈细胞图像阈值算法分割24-25
• 3.2.2 宫颈细胞图像分水岭算法分割25-27
• 3.2.3 宫颈细胞图像聚类算法分割27-29
• 3.3 宫颈细胞图像主动轮廓模型分割29-39
• 3.3.1 传统主动轮廓模型介绍29-32
• 3.3.2 主动轮廓模型算法改进32-36
• 3.3.3 分割结果展示和分析36-39
• 3.4 本章小结39-41
• 第四章 宫颈细胞特征提取及分析41-53
• 4.1 引言41-42
• 4.2 宫颈细胞特征参数42-46
• 4.2.1 宫颈细胞形态特征42-45
• 4.2.2 宫颈细胞图像的颜色特征45-46
• 4.3 宫颈细胞特征处理和分析46-51
• 4.3.1 宫颈细胞特征处理46-47
• 4.3.2 宫颈细胞特征分析47-51
• 4.4 本章小结51-53
• 第五章 宫颈细胞图像识别53-63
• 5.1 常用识别算法介绍53-55
• 5.2 支持向量机原理55-58
• 5.3 宫颈细胞特征参数样本学习58-59
• 5.4 实验结果分析59-62
• 5.5 本章小结62-63
• 第六章 总结与展望63-65
• 6.1 总结63-64
• 6.2 展望64-65
• 参考文献65-69
• 致谢69-70
• 附件70

【共引文献】

中国期刊全文数据库 前10条

1 区卫民;谭泗桥;袁哲明;柏连阳;熊洁仪;;SVR-KNN法用于除草剂QSAR研究[J];安徽农业科学;2008年35期

2 韩勇鹏;;SVM方法及其在乳制品分类问题上的应用[J];安徽农业科学;2009年08期

3 郭立萍;唐家奎;米素娟;张成雯;赵理君;;基于支持向量机遥感图像融合分类方法研究进展[J];安徽农业科学;2010年17期

4 张永生;魏新军;侯振雨;彭娟;;支持向量回归分光光度法同时测定苋菜红和果绿[J];安徽农业科学;2010年33期

5 张永生;;支持向量机在害虫预测预报中的应用[J];现代农业科技;2009年14期

6 冯学军;;最小二乘支持向量机的研究与应用[J];安庆师范学院学报(自然科学版);2009年01期

7 宋海滨;刘云帼;;基于支持向量机的预测控制算法[J];兵工自动化;2006年04期

8 徐波;;基于改进PSO-LSSVM的军用工程机械研制费用预测模型[J];兵工自动化;2011年10期

9 马喜波;阎爱侠;;支持向量机算法用于烷基苯的热容和标准焓值的预测[J];北京化工大学学报(自然科学版);2008年02期

10 刘华富;支持向量机Mercer核的若干性质[J];北京联合大学学报(自然科学版);2005年01期

中国博士学位论文全文数据库 前10条

1 赵莹;半监督支持向量机学习算法研究[D];哈尔滨工程大学;2010年

2 母丽华;煤矿安全预警系统的方法研究[D];哈尔滨工程大学;2010年

3 李鹤喜;基于视觉反馈的焊接机器人自主示教关键技术研究[D];华南理工大学;2010年

4 郑光辉;江苏部分地区土壤属性高光谱定量估算研究[D];南京大学;2011年

5 李锦卫;基于计算机视觉的水稻、油菜叶色—氮营养诊断机理与建模[D];湖南农业大学;2010年

6 卢惠民;自主移动机器人全向视觉系统研究[D];国防科学技术大学;2010年

7 刘春波;统计建模方法的理论研究及应用[D];江南大学;2011年

8 田毅;电动汽车运行状态识别及HEV控制策略研究[D];北京交通大学;2010年

9 张胜利;蛋白质与RNA中的若干问题研究[D];大连理工大学;2011年

10 佟丽娜;基于力学量信息获取系统的人体摔倒过程识别方法研究[D];中国科学技术大学;2011年

，

本文编号：661007