病理組織的診斷是腫瘤、癌癥等疾病的基本標準,其中組織病理學是診斷癌癥的典型工具。正確檢測和判斷細胞核類別在治療決策中發(fā)揮了核心作用,主要由病理學家檢查組織標本圖像并定義出有關組織外觀、細胞構成、疾病或正常狀態(tài)的信息報告。利用圖像處理與機器學習等技術,病理學家可以對圖像進行自動細胞核檢測與分類等操作,以做出對疾病的定量定性評估,不僅能為病理學家減輕繁重的作業(yè)量,還能使確診結果更客觀。但由于病理圖像的細胞核大部分成群聚集,且其組織學結構呈現復雜和不規(guī)則的形態(tài),給細胞核的先檢測后分類帶來了一些挑戰(zhàn)�？偨Y分析了傳統(tǒng)方法與深度學習的方法之后,本文根據結直腸腺癌組織圖像中細胞核的特點,分別為檢測和分類任務設計了基于卷積神經網絡的算法。本文主要工作包括:1)針對病理圖像中細胞核數量不均衡且形態(tài)較小的問題,提出了層級特征融合的細胞核位置檢測網絡,探索病理組織圖片中的細胞核與其位置圖的映射關系。相比于現存檢測算法的特點是避免了滑動框,減少了參數;并且其下采樣過程中的預訓練模型為樣本不均衡且少而設計,而上采樣中的多級互補信息的級聯(lián)模塊負責精細化還原細胞核的位置響應。最后預測的位置概率圖將通過部分后處理方法... 

【文章來源】：北京化工大學北京市 211工程院校 教育部直屬院校

【文章頁數】：81 頁

【學位級別】：碩士

【部分圖文】：

圖１－２細胞核圖像展示??Ｆｉｇ．?１－２?Ｄｉｓｐｌａｙ?ｏｆ?ｎｕｃｌｅａｒ?ｉｍａｇｅｓ??

?第一章緒論???析，驗證了此算法應用于單檢測任務的有用性。??第四章，區(qū)域切割與上下文融合的分類網絡，詳細闡述了分類網絡的整體??結構，以及區(qū)域切割模塊和上下文特征補充網絡的構建原理，通過多組實驗實??現了與自身和其他方法的比較，證明了此分類網絡應用于單分類任務的較好性??能。另外，還將檢測與分類的工作結合成一個處理流程定位并鑒別細胞核，最??后兩階段的聯(lián)合實驗仍然取得了優(yōu)異的結果。圖１－５為本文的方法流程關系圖。??第五章，結論與展望。對全篇研宄工作做了總結，并計劃了對未來研宄方??向的展望以及對下階段的工作安排。??病理圖像背景???Ｘ???傳統(tǒng)方法與深度學習??的應用??，ｆ??卷積神經網絡｜???Ｘ???Ｘ???????基于細胞核的?基于細胞核的?旺八米紅欠??單檢測任務?單分類任務??圖１－５方法流程關系圖??Ｆｉｇ．?１－５?Ｍｅｔｈｏｄ?ｆｌｏｗ?ｄｉａｇｒａｍ??７??

習網絡逐漸被提出，如卷積神經網絡、深度置信網絡、記憶神經網??絡和遞歸神經網絡等等，均己被應用在圖像、語音、自然語言處理等等領域。??其中在圖像領域，卷積神經網絡己經成為了業(yè)界標準技術，廣泛用于安防監(jiān)控、??自動駕駛、醫(yī)學影像等實際應用方向。深度學習的歷史發(fā)展源頭可定位到２０世??紀４０年代，其中神經網絡的概念在２０世紀５０年代就被提出，但后階段經歷坎??坷，到２１世紀，又有了重大突破，如今深度學習的相關方法己成為研究主流。??本節(jié)歸納了深度學習及其分支卷積神經網絡的簡要發(fā)展過程，如圖２－１。??；Ａ??ＬｅＮｅｔ?網絡?＾?Ｃｋ＞ｏｇＵ＞Ｍｅｔ??成?ＡｌｅｘＮｅｔ?網?Ｒ＿ＣＮＮ??單層感知器?—／?ｊ?＿?Ｒ－ＣＫＫ??＂ｅｂｂ?Ａ．?＾２／?！?＼??｜?ｙ?；??；?ｉ?ｉ?｜?ｉ?ｉ??ｉ?！?１?｜?ｉ?［??￣￣１９４３￣＇?１９４９?１９５８?＇￣１９８６?１９８９?２００６?２０１２??圖２－１深度學習發(fā)展過程??Ｆｉｇ．２－１?Ｄｅｖｅｌｏｐｍｅｎｔ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ??１９４３年，ＭｃＣｕｌｌｏｃｈ和Ｐｉｔｔｓ參照生物的神經元構造和工作機制，提出了固??定權重的抽象簡化版的ＭｃＣｕｌｌｏｃｈ－Ｐｉｔｔｓ?（ＭＰ）模型。ＭＰ模型雖然簡易，但其??為今后建立神經網絡作了很好的基礎根本工作【３Ｑ］。１９４９年，Ｈｅｂｂ認為人腦神??經細胞的突觸上的強度是變化的，于是提出Ｈｅｂｂ學習算法的概念【３１］。推動了??科學家們用調整權值的設計來使得機器能夠學習，為日后的學習算法鋪墊了基??矗到了五十年代末，Ｒｏｓｅｎｂｌａｔｔ提出了感


本文編號：2971440