子宮頸癌是全世界女性中第四大常見的癌癥。目前子宮頸癌有效的診斷方式是液基薄層細(xì)胞學(xué)檢測(cè)。但這需要醫(yī)生于顯微鏡下在大量的細(xì)胞中尋找癌細(xì)胞,其工作量巨大、誤診率高,且我國(guó)的病理醫(yī)生嚴(yán)重缺乏。因此迫切需要智能化的輔助診斷系統(tǒng)。而細(xì)胞核的分割和識(shí)別是決定這一系統(tǒng)是否有效的關(guān)鍵兩步。然而顯微鏡采集到的圖像會(huì)存在一些光照不均、背景復(fù)雜、染色深淺不一,采集到的圖像中也會(huì)有一些細(xì)胞碎片、垃圾的存在。且醫(yī)生通過顯微鏡下看到的圖像是具有多個(gè)層次的,每個(gè)層次細(xì)胞的聚焦點(diǎn)可能都不同,但本文采集到的圖像是2D平面圖像,這會(huì)造成采集到的細(xì)胞圖像有部分聚焦不清,且存在大量的重疊細(xì)胞。同時(shí)在細(xì)胞圖像的分類過程中,正常細(xì)胞和癌細(xì)胞并存,它們之間的差異較小,識(shí)別較為困難。針對(duì)上述問題,本文首先提出了基于優(yōu)化最大極值穩(wěn)定區(qū)域（Maximally Stable Extremal Regions,MSER）算法的宮頸細(xì)胞核分割方法,有效地消除了復(fù)雜背景對(duì)細(xì)胞核分割的影響。然后提出了基于U-Net的重疊細(xì)胞核分割方法,解決了重疊細(xì)胞中的細(xì)胞核的分割問題。最后針對(duì)于分割后細(xì)胞的分類問題,提出了一種基于解構(gòu)-重構(gòu)模塊的細(xì)胞分類方法。... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

宮頸鱗狀上皮細(xì)胞Fig.2-1Cervicalsquamousepithelialcells

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文-11-只做二分類處理，即正常細(xì)胞與病變細(xì)胞。2.2宮頸癌輔助診斷系統(tǒng)2.2.1系統(tǒng)的硬件環(huán)境本文算法依托的硬件實(shí)驗(yàn)環(huán)境主要如圖2-2所示。其中①為高清數(shù)碼攝像機(jī)，②為數(shù)碼攝像機(jī)適配器，③為電動(dòng)載物臺(tái)，④為控制遙桿，⑤為顯微鏡，⑥為顯微鏡光源盒，⑦為控制盒。其中的計(jì)算機(jī)硬件配置：CPU：i5-4460s，內(nèi)存：8G。該硬件儀器的基本功能是對(duì)細(xì)胞樣本顯微成像，為圖像分析提供支撐。主要包括顯微鏡光路和自動(dòng)聚焦系統(tǒng)兩部分。系統(tǒng)的基本架構(gòu)是一個(gè)全自動(dòng)的顯微鏡，光路對(duì)于成像的速度、質(zhì)量以及對(duì)其他部件有重要支撐作用。自動(dòng)聚焦系統(tǒng)為顯微鏡迅速平穩(wěn)的自動(dòng)聚焦提供支撐。圖2-2宮頸癌輔助診斷系統(tǒng)硬件設(shè)備Fig.2-2Cervicalcancerassistantdiagnosissystemhardwareequipment2.2.2系統(tǒng)的軟件環(huán)境如圖2-2所示，主機(jī)中搭載的軟件系統(tǒng)則為本文的所提到的宮頸癌輔助診斷系統(tǒng)。其中的計(jì)算機(jī)軟件環(huán)境為：操作系統(tǒng)：windows7，開發(fā)環(huán)境：VS2013，

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文-13-邊的原始輸入信息稱之為輸入層，最右邊的神經(jīng)元稱之為輸出層，中間的則為隱藏層。圖2-3人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2-3Artificialneuralnetworkstructurediagram2.3.2損失函數(shù)損失函數(shù)(LossFunction)或代價(jià)函數(shù)(CostFunction)是用來估計(jì)模型的預(yù)測(cè)值f(x)與真實(shí)值Y的不一致程度，它是一個(gè)非負(fù)實(shí)值函數(shù)，通常使用(())LY,fx來表示，損失函數(shù)越小，模型的魯棒性就越好。在應(yīng)用中，損失函數(shù)通常作為學(xué)習(xí)準(zhǔn)則與優(yōu)化問題相聯(lián)系，即通過最小化損失函數(shù)求解和評(píng)估模型。常用的損失函數(shù)有交叉熵?fù)p失函數(shù)，具體如式2-2所示：()()()()11()[log()(1)log(1())]miiiiiLyfxyfxm==+(2-2)式2-2中，m表示樣本數(shù)量，i表示單個(gè)樣本，表示待求的參數(shù)。最小化交叉熵就表示最小化模型對(duì)樣本的預(yù)測(cè)值和樣本的真實(shí)值之間的相對(duì)熵。2.3.3激活函數(shù)激活函數(shù)是整個(gè)網(wǎng)絡(luò)模型中的非線性扭曲力，一般神經(jīng)網(wǎng)絡(luò)的每層后都會(huì)接一個(gè)激活函數(shù)。它能夠提高模型的魯棒性和非線性表達(dá)能力。同時(shí)能將特征圖映射到新的特征空間從而更有利于訓(xùn)練，一個(gè)合適的激活函數(shù)能夠解決梯度消失或梯度爆炸問題，同時(shí)加速模型的收斂。常用的非線性激活函數(shù)有Sigmoid、tanh、ReLU等。Sigmoid和tanh多用于全連接層之后，而ReLU則常用于卷積層之后。具體表達(dá)式如2-3至2-5所示：1Sigmoid()1zze=+(2-3)

【參考文獻(xiàn)】：
期刊論文
[1]人工智能在宮頸癌篩查中的研究進(jìn)展[J]. 王金花,宋金維,王建東.  癌癥進(jìn)展. 2019(13)
[2]AI在醫(yī)學(xué)影像中的發(fā)展現(xiàn)狀與展望[J]. 李靜芳.  計(jì)算機(jī)產(chǎn)品與流通. 2019(02)
[3]基于隱馬爾可夫場(chǎng)的脊柱CT圖像分割算法[J]. 劉俠,匡瑞雪,王波,岳雨婷.  哈爾濱理工大學(xué)學(xué)報(bào). 2018(02)
[4]子宮頸癌治療的研究進(jìn)展[J]. 田鵬飛,仇麗霞.  腫瘤研究與臨床. 2018 (03)
[5]一種基于視覺顯著模型的PET圖像快速分割算法[J]. 劉露,于曉婷,丁博.  哈爾濱理工大學(xué)學(xué)報(bào). 2017(04)
[6]高危型HPV聯(lián)合細(xì)胞學(xué)檢測(cè)在宮頸癌及癌前病變篩查中臨床意義[J]. 尤小燕,王雅莉,劉文枝,李紅娟,王淑麗,陳淑梅.  實(shí)用預(yù)防醫(yī)學(xué). 2017(08)
[7]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和超像素聚類的細(xì)胞圖像分割方法[J]. 楊金鑫,楊輝華,李靈巧,潘細(xì)朋,劉振丙,周潔茜.  計(jì)算機(jī)應(yīng)用研究. 2018(05)
[8]《子宮頸與乳腺細(xì)胞病理學(xué)圖譜》[J]. 劉東戈,余小蒙.  臨床檢驗(yàn)雜志(電子版). 2013(04)
[9]宮頸癌的發(fā)病機(jī)制、診斷及治療進(jìn)展[J]. 王楠,馬蓉,吳建中,高曉平,陸益彬,趙麗君,薛璟,佘金雄,何明芳.  中國(guó)腫瘤外科雜志. 2013(02)
[10]新版《子宮頸細(xì)胞學(xué)Bethesda報(bào)告系統(tǒng)》讀后感[J]. 黃受方.  診斷病理學(xué)雜志. 2005(03)

博士論文
[1]宮頸細(xì)胞圖像智能分析關(guān)鍵技術(shù)研究[D]. 趙理莉.國(guó)防科學(xué)技術(shù)大學(xué) 2017
[2]光學(xué)顯微宮頸細(xì)胞圖像的分割與識(shí)別方法研究[D]. 關(guān)濤.國(guó)防科學(xué)技術(shù)大學(xué) 2015
[3]宮頸細(xì)胞圖像分割和識(shí)別方法研究[D]. 范金坪.暨南大學(xué) 2010

碩士論文
[1]宮頸癌細(xì)胞學(xué)早期篩查智能采集方法研究與應(yīng)用[D]. 王會(huì).南昌航空大學(xué) 2014



本文編號(hào)：3533265