基于乳腺癌计算机辅助诊断的病理图像分析

发布时间：2017-10-06 03:22

  本文关键词：基于乳腺癌计算机辅助诊断的病理图像分析

  更多相关文章： 深度学习 自动编码器 滑动窗口 细胞检测 稀疏非负矩阵分解 乳腺癌病理图像

【摘要】：细胞自动检测和颜色自动分离是病理图像分析中的两个具有挑战性的基本问题,为很多后续进一步的定量分析提供基础,如构建基于图描述的病理组织肿瘤区域的拓扑结构特征,细胞与淋巴细胞的分割等等。针对第一个问题,本文提出了一种基于稀疏堆叠自动编码器和滑动窗口的细胞自动检测方法,该方法能快速、高效、准确地检测高分辨率病理组织图像中的细胞。该检测算法首先运用稀疏堆叠自动编码器对训练集中的细胞样本块和非细胞样本块提取高层特征,然后运用这些高层特征训练Softmax分类器。训练好的分类器随后被用于整幅高分辨率病理图像中细胞的自动检测。在检测过程中,首先运用滑动窗的方法在整幅高分辨率病理图像中选取相同尺寸的所有可能的细胞块,被滑动窗选定的图像块随后送到训练好的稀疏堆叠自动编码器提取高层特征后,然后送到训练好的Softmax分类器中自动判断是否是细胞块。如果分类器判断为细胞块,则该细胞块所在的质心将自动地被算法标记为检测出的细胞。为了验证提出方法的有效性,该方法被运用于苏木精和伊红(HE)染色高分辨率乳腺穿刺切片病理图像上细胞的自动检测。通过与基于分割操作来实现细胞检测的现有模型(如期望最大化算法(EM)、彩色去卷积算法(CD)、蓝色比例阈值(Blue Ratio)等方法)对比表明：本文提出的方法具有更高的准确率,召回率和综合评价指标,分别为71.5%,82.3%和76.5%。针对颜色自动分离问题,本文提出了一种基于稀疏非负矩阵分解的方法,并把该算法运用于病理图像的颜色的自动分离。传统的颜色分离是基于彩色去卷积方法,该方法需要预先设计去卷积矩阵,而本文提出的方法能够实现颜色的自动分离,不需要先验知识。且对比于现有的非负矩阵算法,加入稀疏约束的非负矩阵算法,得到的颜色分离效果更明显,通过定量的细胞分割结果比较,验证了该方法的比基于主成分分析(PCA),独立主成分分析(ICA),期望最大期望算法(EM)、彩色去卷积算法(CD)、蓝色比例阈值(Blue Ratio),以及非负矩阵分解(NMF)方法具有优越性。
【关键词】：深度学习 自动编码器 滑动窗口 细胞检测 稀疏非负矩阵分解 乳腺癌病理图像
【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
【目录】：

• 摘要5-6
• Abstract6-7
• 第一章 绪论7-12
• 1.1 研究背景7-8
• 1.2 国内外研究现状8-10
• 1.3 论文的主要内容及章节安排10-12
• 第二章 深度学习和非负矩阵分解简介12-22
• 2.1 自动编码器概述12-16
• 2.1.1 自动编码器原理12-15
• 2.1.2 自动编码器的拓展及运用15-16
• 2.2 非负矩阵分解概述16-22
• 2.2.1 非负矩阵分解问题16-17
• 2.2.2 非负矩阵分解迭代算法归纳17-22
• 第三章 基于稀疏堆叠自动编码器的细胞检测22-36
• 3.1 研究动机22
• 3.2 本文提出的细胞检测方法22-25
• 3.2.1 稀疏堆叠自动编码器模型22-24
• 3.2.2 Softmax分类器24
• 3.2.3 滑动窗口24-25
• 3.3 实验设计25-28
• 3.3.1 实验数据集25
• 3.3.2 模型参数设置25-26
• 3.3.3 对比模型设计26-27
• 3.3.4 评价方法27-28
• 3.4 实验结果和讨论28-35
• 3.4.1 定性的实验结果28-32
• 3.4.2 定量的实验结果32
• 3.4.3 实验的效率性分析32-35
• 3.5 本章小结35-36
• 第四章 基于稀疏非负矩阵分解的病理图像颜色分离36-56
• 4.1 基于比尔朗伯定律的图像表示36-37
• 4.2 颜色分离基础37-38
• 4.3 本文提出的基于稀疏约束的非负矩阵分解38-39
• 4.4 算法流程39-41
• 4.4.1 稀疏非负矩阵分解39-40
• 4.4.2 基于形态学的细胞分割40-41
• 4.5 实验设计41-43
• 4.5.1 实验数据集介绍41
• 4.5.2 DSNMF与一般的分割方法对比(CT,BRT,EM)41-42
• 4.5.3 DSNMF与其他基于去卷积的方法(PCA,ICA,MDCD,NMF)42
• 4.5.4 不同的迭代方法对实验的敏感度分析42
• 4.5.5 稀疏性约束对实验结果的影响42-43
• 4.5.6 评估方法43
• 4.6 实验结果43-55
• 4.6.1 不同的迭代方法对重构误差和迭代次数的影响43-44
• 4.6.2 各种分解方法求得H通道比较44-45
• 4.6.3 稀疏性约束对分离效果的影响45-49
• 4.6.4 雌激素受体阳性乳腺癌病理图像细胞数据集上的结果49-52
• 4.6.5 雌激素受体阳性乳腺癌病理图像淋巴细胞数据集上的结果52-55
• 4.6.6 各方法计算效率对比55
• 4.7 本章小结55-56
• 第五章 结论与展望56-58
• 5.1 本文的工作内容及创新之处56
• 5.2 今后工作展望56-58
• 致谢58-59
• 参考文献59-66
• 攻读硕士期间完成的科研情况66

【相似文献】

中国期刊全文数据库 前3条

1 孔薇;陶伟杰;牟晓阳;;基于非负矩阵分解的大脑不同区域基因表达数据分析[J];中国生物医学工程学报;2012年06期

2 曲斌;孟庆华;张婷婷;辛妮;胡育筑;;非负矩阵分解在中药鱼腥草近红外光谱定性判别中的应用[J];计算机与应用化学;2009年10期

3 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 孙江明;李通化;;非平滑三维非负矩阵分解[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

2 蒋永锴;叶东毅;;基于稀疏非负矩阵分解的自动多文摘方法[A];中国计算机语言学研究前沿进展（2007-2009）[C];2009年

3 马帅;吴飞;杨易;邵健;;基于稀疏非负矩阵分解的图像检索[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【oral】[C];2011年

4 徐利民;龚珊;余再军;;奇异值分解与非负矩阵分解色在数据降维方面的特性分析[A];2010年通信理论与信号处理学术年会论文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非负矩阵分解和支持向量机的轴心轨迹图识别[A];2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集[C];2008年

6 蒋霈霖;;KL散度下的非负矩阵分解[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

7 杨宝;朱启兵;黄敏;;基于非负矩阵分解一稀疏表示分类的玻璃缺陷图像识别[A];第24届中国控制与决策会议论文集[C];2012年

8 钱乐乐;高隽;徐小红;;非负性约束的图像稀疏编码[A];第七届全国信息获取与处理学术会议论文集[C];2009年

9 朱昊;黄源水;付梦印;;基于NMF的道路识别算法在野外环境感知中的应用[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

10 郑能恒;蔡毅;李霞;Tan Lee;;基于非负矩阵分解和向量相似测度的语音与音乐分离算法[A];第十一届全国人机语音通讯学术会议论文集（一）[C];2011年

中国博士学位论文全文数据库 前7条

1 杨士准;基于样本和特征的迁移学习方法及应用[D];国防科学技术大学;2013年

2 胡俐蕊;非负矩阵分解方法及其在选票图像识别中的应用[D];安徽大学;2013年

3 殷海青;图像分析中的非负矩阵分解理论及其最优化和正则化方法研究[D];西安电子科技大学;2011年

4 杨洪礼;非负矩阵与张量分解及其应用[D];山东科技大学;2011年

5 史加荣;多尺度张量逼近及应用[D];西安电子科技大学;2012年

6 方蔚涛;人脸识别特征抽取算法的研究[D];重庆大学;2012年

7 刘昱昊;基于非负矩阵分解算法的人脸识别技术的研究[D];吉林大学;2014年

中国硕士学位论文全文数据库 前10条

1 谢昊;非负矩阵分解初始化及其应用[D];暨南大学;2015年

2 王一;凸与半非负矩阵分解的近点梯度方法研究[D];东北师范大学;2015年

3 项磊;基于乳腺癌计算机辅助诊断的病理图像分析[D];南京信息工程大学;2015年

4 王丹;基于非负矩阵分解的脑电信号特征提取算法研究[D];燕山大学;2015年

5 马春霞;非负矩阵分解及在基因表达数据分析中的应用研究[D];曲阜师范大学;2015年

6 郭建虎;非负矩阵分解方法及其在人脸识别中的应用[D];兰州理工大学;2010年

7 蒋冀翔;基于非负矩阵分解的信息获取方法研究[D];东南大学;2006年

8 谭青青;基于非负矩阵分解的肿瘤基因表达谱数据分析[D];安徽大学;2015年

9 马帅;基于稀疏非负矩阵分解的图像检索[D];浙江大学;2012年

10 周丹;非负矩阵分解及其在人脸识别中的应用[D];大连海事大学;2013年

，

本文编号：980425