病理診斷是疾病的最終診斷,在其他醫(yī)學影像不能確診時只能通過病理學進行診斷,而細胞核的精準分割則是病理診斷的基礎。通過人工進行細胞核分割和疾病評估極為耗時,且不同專家評估結果也會產生主觀差異,因此,近年來,細胞核的自動分割也逐漸成為人們研究的重點。在病理圖像中由于不同組織的干擾、染色劑濃度不同、染色時間差異以及細胞核重疊等問題給細胞核自動分割任務帶來了巨大的挑戰(zhàn)。為了減少因染色造成的顏色差異給分割帶來的困難,首先對病理圖像顏色進行歸一化,使得所有圖像顏色分布相同,且圖像結構不發(fā)生變化。針對細胞核前景分割,本文提出兩種方法:一種基于測地線活動輪廓模型,通過自適應閾值方法得到細胞核的粗分割,然后通過水平集演化方式得到精細分割;另一種方法是基于深度學習的網絡模型,利用殘差結構和擴張卷積有效提取圖像特征信息,在不降低圖像分辨率的前提下對細胞核進行精準分割。病理學是依據單個細胞核的形態(tài)進行診斷分析,但在病理圖像中細胞核會出現重疊的情況,因此在得到細胞核前景分割結果后,需要對重疊細胞核進行分離。本文根據單個細胞核具有凸性結構,而重疊細胞核凸性結構被破壞的假設,通過凸性分析將重疊區(qū)域分離出來,再對重疊...

【文章頁數】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景及研究意義
    1.2 國內外研究現狀
    1.3 本文主要工作
    1.4 論文結構
2 病理圖像細胞核分割基本方法
    2.1 基于閾值的分割方法
    2.2 基于形變模型的分割方法
    2.3 基于深度學習的分割方法
        2.3.1 全連接神經網絡
        2.3.2 卷積神經網絡
    2.4 本章小結
3 基于測地線活動輪廓模型和深度學習的細胞核前景分割
    3.1 樣本獲取
    3.2 病理圖像顏色歸一化
    3.3 基于測地線活動輪廓模型的細胞核分割
        3.3.1 自適應局部閾值粗分割
        3.3.2 基于測地線活動輪廓模型的細胞核細化分割
        3.3.3 結果分析
    3.4 基于深度學習的細胞核分割方法
        3.4.1 細胞核分割網絡結構
        3.4.2 實驗設計
        3.4.3 結果分析
    3.5 本章小結
4 基于凹點檢測的重疊細胞核分離
    4.1 基于凸性分析的重疊細胞核檢測
    4.2 細胞核重疊區(qū)域凹點檢測
    4.3 重疊區(qū)域細胞核分離
    4.4 實驗與分析
    4.5 本章小結
5 總結與展望
    5.1 工作總結
    5.2 未來展望
致謝
參考文獻
附錄



本文編號：3835055