导读:本文包含了医学显微图像论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:图像,医学,图像处理,深度,模型,目标,血细胞。
医学显微图像论文文献综述
张皓[1]（2019）在《生物医学显微图像超分辨中的人工神经网络应用研究》一文中研究指出本文介绍了一种使用深度学习的超分辨显微成像方法,在不引入硬件改动的前提下,明显增强了传统宽场显微镜与光片荧光显微系统的成像分辨率,给成像系统的通量带来极大提升。该方法用最新的超分辨GAN学习从低分辨率图像到高分辨率图像的映射,训练中使用的低分辨图像不用拍照采集,而是使用图像降质模型从高分辨数据中产生,从而避免了数据准备阶段繁杂而低效的配准步骤。一旦训练完成,GAN只需一张在普通显微镜下拍摄的低分辨图像作为输入,就能快速地重建出一个大视场高分辨率的超分辨图像。该方法的适用性经过了多种类型的显微图像(包括分辨率测试板的明场单色图像、病理组织切片的明场彩色图像、牛肺动脉表皮细胞的宽场荧光图像以及鼠脑光片荧光显微图像)的测试,在所有情况下均表现出色,其时间分辨率远高于传统的多帧超分辨方法,同时空间分辨率也毫不逊色。通过计算峰值信噪比和结构相似度,我们验证了重建图像中高分辨细节的可信度。超分辨GAN与细胞计数、组织病理诊断等生物医学应用相结合,能够在很大程度上提升后者的定量分析精度。现阶段只展示了超分辨神经网络与离体组织样本二维成像系统的结合,我们期待未来将这种方法应用在叁维光片显微成像以及光场显微等高动态成像过程中,以其超高的时空分辨率提升给这些方法带来改进。(本文来源于《华中科技大学》期刊2019-01-01）
谌春仙,常岚,李伟,唐博[2]（2017）在《基于医学高光谱显微图像光谱空间信息的血细胞分类》一文中研究指出目的:提出一种新的从医学高光谱成像中提取基于光谱空间信息的血细胞分类框架。给出一个使用高光谱成像的血细胞分类与计数方法,能以其独特的特征改善分类精度和异常细胞的识别。方法:使用显微高光谱摄像仪采集高光谱血细胞图像,能够同时保证采集数据的高空间和光谱分辨率。高光谱数据中包含了几十个连续的窄波段,这样能够显示不同物质的光谱细节信息差异。对于血细胞分类,波段选择首先采用保存信息量最丰富的波段,然后用Gabor滤波器表示有用的空间信息。最后,使用一些先进的基于像素的分类器,例如稀疏表示分类器、支持向量机、核函数极限学习机,去验证所提取光谱空间特征。结果:本文提出的分类框架,充分利用了极有可能是同类像素的空间邻域信息,这已经经过了医学高光谱数据的验证。结论:实验结果表明此框架在不同训练样本数量的情况下,与传统单纯基于光谱信息分类方法相比,显着提升了分类精度。(本文来源于《中国医学物理学杂志》期刊2017年09期）
张正龙[3]（2017）在《显微粪便医学图像中寄生虫卵的自动识别及分类技术研究》一文中研究指出寄生虫病对人体健康具有很大的危害性,对寄生虫病的诊断和治疗成为临床医学中非常重要的一部分。临床医学中对寄生虫病的诊断是通过检测人体粪便中是否含有寄生虫卵实现的,目前传统的检验方式由医务人员人工进行检测,该方式具有检测效率低、检测工作量大和检测准确率低等缺点。随着图像处理技术和模式识别分类技术的发展,寄生虫卵的识别分类统计逐步转为借助于计算机进行处理,不仅可以提高检测效率和准确率,同时可以减轻医务检验人员的工作量,显微粪便医学图像中寄生虫卵的自动识别分类技术应用前景广泛、发展空间广阔。传统的粪便样本图像的采集使用高倍生物显微镜(40x),采图视野范围小,图片数目过多,处理效率较慢,因此,本文研究的粪便样本图像使用低倍生物显微镜(10x)进行采集。本文针对低倍生物显微镜下采集的粪便标本图像中常见的8种寄生虫卵的自动识别分类技术进行了研究,主要工作内容整理如下:首先对采集到的显微粪便医学图像进行了预处理。低倍生物显微镜下采集的粪便样本图像中寄生虫卵形态较小,且图像中含有大量的杂质,通过对多种图像分割技术的结果进行对比,本文采用了基于数学形态学和特征筛选相结合的方法对图像进行有效分割,并去除了大量的杂质。其次,研究了寄生虫卵的特征选择和特征提取问题。通过对粪便医学显微图像中寄生虫卵进行分析,寄生虫卵的几何形态特征明显,可以作为对寄生虫卵进行识别分类的依据,同时,寄生虫卵内容物的分布具有一定的结构性,寄生虫卵的纹理特征也可以作为对其进行识别分类的依据。最后,研究了寄生虫卵的识别及分类技术。不同类型虫卵的特征具有差异性,其中肝吸虫卵和姜片虫卵的特征与其它6种虫卵的特征差异性较大,使用基于特征筛选的方法对其进行快速识别;其它6种虫卵之间特征相似,使用基于改进后的K近邻分类器(K Nearest Neighbors,KNN)对其进行识别分类。本文研究的特点在于低倍生物显微镜下采集的粪便图像背景复杂,并对多达8种常见的寄生虫卵进行了有效识别和分类。实验结果表明,本文设计的识别分类技术对8种虫卵的自动识别及分类准确率均达到了90%以上,其中对姜片虫卵的自动识别及分类准确率达到了98%,满足了临床检验的要求,目前该技术已在国内部分医院临床试用。(本文来源于《电子科技大学》期刊2017-04-05）
宋有义[4]（2016）在《显微医学图像重迭目标分割方法研究》一文中研究指出显微图像能清晰、直接的观察细胞级变化,相比其它成像方法,如MRI或超声,其对疾病早期信号的捕捉更直观和准确。因此基于显微图像的诊断方法往往是该疾病的临床诊断金标准。然而,由于显微图像中目标较多,医生直接读片劳动强度高,并且由此致使极少数跟疾病诊断直接相关的异常细胞被漏诊。另外,由于细胞的种类繁杂和细胞周期的循环,细胞的形态异常复杂和多样。所以,基于医生直接读片的诊断方法已不能适应大数据的临床诊断需求。本文针对基于自动分析显微图像相关的几个问题进行了研究,包括目标区域分割、重迭区域检测、重迭目标分裂以及被重迭部分的形状估计。本文的研究成果主要有:1.提出了一种基于多尺度卷积神经网络模型的目标区域分割算法。与传统方法不同,本文先学习不同尺度的目标区域样本,再学习每个尺度对认知目标的贡献。提出的学习方法既得到了目标区域充足的上下文信息,又成功控制了网络的学习复杂度。实验结果表明,该网络不但能有效认知目标区域,也更容易训练。2.提出了一种基于图像内容显着性和空间距离相关性的目标区域分割算法。该方法利用不同区域的颜色差异性捕捉目标的局部显着性,然后融入不同距离区域与目标区域的内容相关性。实验结果表明,该方法克服了传统方法在不同大小目标分割应用中的局限性,且时间复杂度大幅降低。3.对重迭目标区域识别和分裂问题进行了新的探索。提出基于形状和颜色差异的重迭目标区域识别方法,该方法先定位响应目标的标志点,计算重迭区域目标的个数。然后,建立像素点与标志点的相似性度量,对重迭目标进行分裂。实验结果表明,该方法能准确计算图像的目标个数,并且定位重迭目标的分裂线。4.提出一种估计被重迭部分形状的算法。该方法先把目标区域的每一个像素分类到其对应的标志点;再根据学习好的形状模板对每一个标志点区域进行形状纠正;最后根据目标的颜色信息演化标志点区域的边界,搜索重迭目标的准确边界。实验结果表明,本文提出的方法具有较强的形状描述和恢复能力,能有效估计边界严重缺失目标的形状。综上所述,本文以目标区域分割和重迭目标分裂为主线,研究内容包括自动分析显微图像中几个最关键、最困难的问题,并用大量的实验结果论证了提出方法的可行性和有效性。理论上,提出的方法适用于绝大多数显微图像自动分析的应用,对定量分析显微目标的数目、染色模式、形状等目标的结构信息提供了方法支持。同时本文所提出的理论、模型及算法对其他重迭目标分割和分裂的理论及应用也有指导和借鉴意义。(本文来源于《深圳大学》期刊2016-06-30）
张兰凤,林乐迎[5]（2015）在《医学显微图像的定量分析技术方法的比较》一文中研究指出目的:介绍医学显微图像的定量分析技术的方法。方法:通过介绍比较人工分析技术和计算机分析技术的优缺点。结论:计算机分析技术成为当前医学显微图像的定量分析技术发展的需要。(本文来源于《科技展望》期刊2015年30期）
郭玉坤,马丽文,李金屏[6]（2015）在《妇科医学显微图像中乳酸杆菌的检测和统计分析》一文中研究指出针对妇科分泌物光学显微图像成分复杂的特点,提出了一种快速有效的检测并统计乳酸杆菌数量的算法。首先利用窗口Laws能量方法鉴别背景和背景之外其他成分的纹理特征,从而保留乳酸杆菌所在的背景区域;然后利用Laws能量对乳酸杆菌进行预分割,并计算出分割区域内的平均灰度,再结合背景的灰度值精确分割;根据乳酸杆菌细胞的成像特点,提取目标区域的长宽比、面积大小等特征滤除区域中的杂质;最后对乳酸杆菌的数量进行统计分析。实验结果表明,该方法能够有效检测复杂显微图像中的乳酸杆菌目标,并获得较好的统计分析结果。(本文来源于《数据采集与处理》期刊2015年05期）
黄毓珍,林长方[7]（2015）在《基于数学形态学的边缘检测技术在医学显微图像中的应用》一文中研究指出根据病理诊断中显微图像质量较差,细胞形态不均、重迭、边缘不清等特性,运用数学形态学理论,设计一种基于Canny算子的图像边缘检测算法,并对显微图像进行边缘检测,实验结果表明相关算法对于显微图像的边缘提取有较好的效果,能够提高细胞诊断的效率,同时可满足后期细胞识别的需求.(本文来源于《兰州文理学院学报(自然科学版)》期刊2015年05期）
胡涵[8]（2015）在《基于最大类间方差的医学显微图像分割研究》一文中研究指出显微图像的获取使得医学研究进入细胞层面,拍摄病变组织切片获得的显微图像使得医生可以更加准确地判断病情。计算机技术的日新月异使得其在医学显微图像处理领域应用越来越广。将计算机和医学显微图像相结合的许多课题吸引了当前相关科研人员的极大兴趣,医学显微图像的快速自动分割便是其中之一。免疫组织化学(IHC)通过细胞抗体的呈色反应对其进行信息提取,是生物成像的核心技术。近年来,许多过去无法确诊的肿瘤由于IHC技术的出现得到了诊断。最大类间方差法(OTSU)是一种自动的无参图割方法,它运算简单且分割效果优良,在图割领域得到广泛应用。本文针对OTSU分割IHC图像的结果中存在很多阴性区域,并且富含噪声的不足作出改进,主要工作有:(1)结合HSV空间的改进算法。IHC图像在用OTSU分割之后得到的结果中存在很多阴性区域,分割不完全,并且富含噪声,这将导致在后期的医学计量中出现统计错误。IHC图像在HSV空间里的H分量主要存在阴性区域,S分量主要存在阳性区域,据此提出改进算法:首先利用OTSU对图像作粗分割,然后利用图像HSV空间中的H分量和S分量的集合运算对粗分割结果进行改进,实验显示,改进算法更为精确地实现了IHC图像中阳性区域的提取。(2)二维OTSU免疫组化图像分割算法。OTSU算法通过计算背景与目标间离散测度矩阵的迹以得到最佳分割阈值,当图像的目标和背景灰度相近时,其灰度直方图可能无法表现出波峰和波谷,使用该直方图获得的阈值将造成错分割。因此,本文将一维OTSU扩展至二维,建立像素灰度与其邻域灰度均值的二维灰度直方图,使用二维OTSU对大鼠肝脏IHC图像的阳性区域进行粗提取,然后利用图像HSV空间中的H分量和S分量的集合运算对提取结果进行改进,取得了更优良的分割效果。(3)二维OTSU算法的快速优化。针对基于HSV空间的二维OTSU分割算法存在的每次计算目标与背景的类间离散测度矩阵的迹,都需遍历整幅图像,运算量较大的不足,本文作出改进,利用前面计算出来的已知量来简化对当前位置相关量的计算,大大提升了分割效率。(本文来源于《江西理工大学》期刊2015-06-01）
卢钢,张翼[9]（2015）在《基于局部特征的医学显微图像自动拼接》一文中研究指出为了实现将多幅小视场显微图像拼接成一幅完整大视场图像,以获得生物体试样的整体视图信息,方便分析。论文提出了一种用于虚拟显微镜(VM)的图像自动拼接方法。该方法基于图像局部特征匹配。利用积分图像和DOB滤器有效检测特征点,采用SIFT描述子生成用于匹配的特征向量,使用基于相关双向匹配法有效建立匹配特征点对,同时用RANSAC算法滤除不匹配的特征点。采用了一种改进的渐人渐出融合方法对匹配图像进行融合。文中方法有效提高了系统的计算速度和匹配精度,以及图像之间变换的鲁棒估计。拼接显微镜图像的实验结果表明,文中提出的方法是精确和有效的。(本文来源于《计算机与数字工程》期刊2015年05期）
黄磊,王保强,刘志刚,杨磊[10]（2015）在《生物医学显微图像采集与处理技术研究》一文中研究指出本文利用生物医学显微镜获取显微图像,并对其进行研究,探讨出适合显微图像的处理及分析方法,从而结合医学超声技术观察研究动物组织细胞的活性、表皮等生理特性。该文的主要内容分为:(1)对生物细胞图像采集与分析的方法进行了讨论;(2)描述了常用的图像处理技术,并且实际应用于细胞图像技术。然后对生物细胞图像滤波,细胞图像二值化,细胞图像的点运算,图像形态学处理,图像分割的方法进行了讨论与筛选;(3)对图像处理结果进行了分析,根据结果得出结论,从而使得生物医学显微镜的生物图像采集与处理提供一定的依据。(本文来源于《中国新技术新产品》期刊2015年08期）
医学显微图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的:提出一种新的从医学高光谱成像中提取基于光谱空间信息的血细胞分类框架。给出一个使用高光谱成像的血细胞分类与计数方法,能以其独特的特征改善分类精度和异常细胞的识别。方法:使用显微高光谱摄像仪采集高光谱血细胞图像,能够同时保证采集数据的高空间和光谱分辨率。高光谱数据中包含了几十个连续的窄波段,这样能够显示不同物质的光谱细节信息差异。对于血细胞分类,波段选择首先采用保存信息量最丰富的波段,然后用Gabor滤波器表示有用的空间信息。最后,使用一些先进的基于像素的分类器,例如稀疏表示分类器、支持向量机、核函数极限学习机,去验证所提取光谱空间特征。结果:本文提出的分类框架,充分利用了极有可能是同类像素的空间邻域信息,这已经经过了医学高光谱数据的验证。结论:实验结果表明此框架在不同训练样本数量的情况下,与传统单纯基于光谱信息分类方法相比,显着提升了分类精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
医学显微图像论文参考文献
[1].张皓.生物医学显微图像超分辨中的人工神经网络应用研究[D].华中科技大学.2019
[2].谌春仙,常岚,李伟,唐博.基于医学高光谱显微图像光谱空间信息的血细胞分类[J].中国医学物理学杂志.2017
[3].张正龙.显微粪便医学图像中寄生虫卵的自动识别及分类技术研究[D].电子科技大学.2017
[4].宋有义.显微医学图像重迭目标分割方法研究[D].深圳大学.2016
[5].张兰凤,林乐迎.医学显微图像的定量分析技术方法的比较[J].科技展望.2015
[6].郭玉坤,马丽文,李金屏.妇科医学显微图像中乳酸杆菌的检测和统计分析[J].数据采集与处理.2015
[7].黄毓珍,林长方.基于数学形态学的边缘检测技术在医学显微图像中的应用[J].兰州文理学院学报(自然科学版).2015
[8].胡涵.基于最大类间方差的医学显微图像分割研究[D].江西理工大学.2015
[9].卢钢,张翼.基于局部特征的医学显微图像自动拼接[J].计算机与数字工程.2015
[10].黄磊,王保强,刘志刚,杨磊.生物医学显微图像采集与处理技术研究[J].中国新技术新产品.2015
论文知识图
