發(fā)布時間：2021-03-26 22:56

　　白血病是十大惡性腫瘤疾病之一,在各類白血病中發(fā)病率最高且死亡率偏高的是急性髓系白血�。╝cute myeloid leukemia,AML）。AML起源于骨髓,骨髓是人體重要的造血器官,其造血功能對于維持生命至關重要,檢查骨髓細胞形態(tài)以及數(shù)量分析有助于AML的診斷和鑒別。傳統(tǒng)的人工鏡檢方法耗時較長嚴重耽誤治療時間,而且結果極易受到個人專業(yè)程度和主觀性的影響。使用計算機圖像分析與人工智能技術能夠對骨髓顯微圖像進行細胞的分割、檢測識別以及計數(shù),實現(xiàn)規(guī)范化、標準化的骨髓細胞圖像數(shù)字病理輔助診斷,克服只依賴人工鏡檢方法而存在的問題,對于提高AML臨床診斷的水平和效率具有重大意義。目前,要實現(xiàn)AML的數(shù)字化輔助診斷,需要解決對骨髓細胞圖像中的細胞定位識別并計數(shù)的關鍵性技術,主要存在以下問題:1)骨髓細胞圖像的背景區(qū)域比較復雜,使得個體細胞的分割與檢測變得困難;2)骨髓顯微圖像中的骨髓細胞種類繁雜,各類細胞形狀各異但又存在相似性,類別區(qū)分困難。本文圍繞基于骨髓細胞圖像的AML輔助診斷方法,主要做了如下工作:（1）提出一種基于形態(tài)特征的個體細胞檢測方法。采用K-means聚類與區(qū)域連通性分析對細胞核... 

【文章來源】：濟南大學山東省

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

各類細胞圖例各類骨髓細胞的核形、外形、核染色質、細胞質及直徑范圍的病理特征[1][11]總結如表所示：

濟南大學碩士學位論文92.2卷積神經網絡卷積神經網絡（CNN）是具有多層級的前饋神經網絡[32]，它包含卷積計算，且具備權值共享的特點。它在目標檢測、圖像分類以及語義分割等領域取得了不少的成功[33]。CNN一般由輸入層、卷積層和池化層、全連接層和輸出層組成[34][35]。CNN的核心是卷積層中的卷積計算[32]，卷積是數(shù)學中的加權累積操作，使用大小不同的卷積核進行計算隨之得到大小不同的特征圖，所以想要增加特征維度，需要使用大小不一的多個卷積核。卷積層輸出表示為：y()kkfxwb(2.1)其中，*表示卷積計算，x表示輸入，yk表示輸出，kw表示卷積核的權值，b表示偏移量，f()表示激活函數(shù)。2.2.1激活函數(shù)分析激活函數(shù)是非線性函數(shù)，卷積進行的是線性操作，只有線性組合的特征在深層網絡中表達能力受限，經過激活函數(shù)的非線性操作，使得網絡具有非線性特性，且能學習到更加復雜的特征，解決了線性不可分的問題，提高了神經網絡的魯棒性。常用的激活函數(shù)包括Sigmoid函數(shù)[36]、tanh函數(shù)[37]、ReLu函數(shù)[38]和LeakyReLu函數(shù)[39]：（1）Sigmoid函數(shù)也叫Logistic函數(shù)，表達式如下：1()1ZfZe(2.2)其函數(shù)形狀如圖2.2所示，其輸出結果取值范圍為[0,1]。圖2.2Sigmoid函數(shù)圖Sigmoid函數(shù)具有連續(xù)和單調性，且計算簡單，所以應用很廣泛，常用于二分類的輸出層。但是也存在劣勢，容易“梯度飽和”，當函數(shù)輸入取正無窮或負無窮時，梯度

基于骨髓細胞圖像的AML輔助診斷方法研究10逐漸趨近于0，會出現(xiàn)梯度彌散的情況，使得某些層的權值更新受阻，影響收斂速度。（2）Tanh函數(shù)雙曲函數(shù)中的一個，是改進的Sigmoid函數(shù)，表達式如下：()ZZZZeefZee(2.3)其函數(shù)形狀如圖2.3所示，其輸出結果取值范圍為[-1,1]，具有連續(xù)和單調性。由于它的均值為0，使其具有數(shù)據(jù)中心化，加速了網絡訓練時的速度，然而“梯度飽和”現(xiàn)象依舊存在。圖2.3Tanh函數(shù)圖（3）ReLu函數(shù)目前應用最廣泛的激活函數(shù)，表達式如下：f(Z)max(0,Z)(2.4)其函數(shù)形狀如圖2.4所示，其輸出結果取值范圍為(0,)。ReLu函數(shù)與前面所提到的Sigmoid函數(shù)和Tanh函數(shù)不同之處在于其為非“飽和”線性函數(shù)。具有單邊抑制的特性，當函數(shù)的輸入值為負時，輸出值為0，當函數(shù)的輸入值為正時，輸出值等于輸入值，其計算速度更快且避免了梯度彌散的問題。基于以上優(yōu)勢，使得ReLu函數(shù)成為了構建CNN更快更有效的首選組成之一。圖2.4ReLu函數(shù)圖


本文編號：3102384