基于卷积神经网络的细胞图像分割与类型判别

论文摘要

随着人工智能、大数据等最新前沿技术大面积落地及推广,近年来以卷积神经网络为基础的深度学习领域一直是科学研究领域的热点。基于深度学习技术在图像检索分类和特征提取融合等方面的优势,本文主要内容以卷积神经网络为基础将其应用于医学图像分割领域并进行分类判别研究,以实现将深度学习技术应用于医学图像数据分析研究。针对医学图像中的细胞尺寸大小不同、形态各异、纹理变化多样等特点,导致难以分割出精准的细胞区域问题,本文提出了一种基于卷积神经网络结合边缘聚类的新算法用于细胞图像分割。(1)首先用染色校正预处理方式提高原始图像样本的色彩对比度,(2)然后利用卷积神经网络得到初步的分割结果,(3)最后通过边缘聚类方式以提升分割结果的连续性和完整性。此外,本文中还利用了深度学习目标检测技术做细胞区域目标检测,也取得了一定的实现效果,更加直观显示细胞图像中有效目标区域,帮助广大医学工作者识别判定,为病理学家提供一些客观的数据参考。实验表明:相较于经典的卷积神经网络、模糊聚类、阈值分割等其他细胞图像分割算法,本文提出的细胞分割方法在分割结果的完整度方面提升了6.15%;较经典的VGG19结构提升了1.17%。在实际临床医学诊断过程中,细胞的尺寸大小通常用作评判细胞生理状态类型好坏的参考依据,在此基础上本文使用了目前较为流行的计算机视觉技术,以此方式获得分割图像中细胞颗粒的基本属性特征,即周长、面积等,并通过支持向量机分类器进行细胞类型判别。另外,本文还结合了现有机器学习中常用方法将细胞颗粒进行分类聚类操作,也得到了一些有效识别分类的效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
•   1.1 图像分割研究背景与意义
•     1.1.1 图像分割技术研究背景
•     1.1.2 图像分割技术数学定义
•     1.1.3 图像分割技术研究意义
•   1.2 图像分割技术的国内外发展现状
•   1.3 图像分割在医学图像处理领域中的应用
•   1.4 论文结构安排及创新性说明
• 第2章 图像分割方法
•   2.1 基于阈值的分割算法
•     2.1.1 最大熵阈值法
•     2.1.2 最大类间方差法
•   2.2 基于边缘检测的分割方法
•     2.2.1 Sobel算子
•     2.2.2 Canny算子
•   2.3 基于区域的分割方法
•     2.3.1 区域生长
•     2.3.2 分水岭算法
•   2.4 基于神经网络技术的图像分割方法
•     2.4.1 FCN图像分割
•     2.4.2 U-Net图像分割
•   2.5 本章小结
• 第3章 基于卷积神经网络的细胞图像分割
•   3.1 卷积神经网络
•   3.2 边缘聚类
•   3.3 分割实验
•     3.3.1 实验过程
•     3.3.2 实验结果
•   3.4 本章小结
• 第4章 基于目标检测的细胞图像分割
•   4.1 传统目标检测方法
•   4.2 基于Region Proposal的深度学习目标检测算法
•     4.2.1 R-CNN
•     4.2.2 Fast-RCNN
•     4.2.3 Faster-RCNN
•   4.3 基于回归方式的深度学习目标检测算法
•     4.3.1 Yolo
•     4.3.2 SSD
•   4.4 实例目标分割Mask-rcnn算法
•     4.4.1 实验平台环境搭建及数据集采用
•     4.4.2 实验结果与分析
•   4.5 提高目标检测性能方法小结
• 第5章 细胞类型判别研究
•   5.1 分类与聚类
•     5.1.1 分类
•     5.1.2 聚类
•   5.2 支持向量机
•   5.3 K邻近分类法
•   5.4 K-means聚类
•   5.5 Dbscan密度聚类
•   5.6 类型判别研究分析
•   5.7 本章小结
• 第6章 总结与展望
•   6.1 研究用途与意义
•   6.2 研究优缺点与不足改进
•   6.3 展望
• 参考文献
• 攻读学位期间取得的研究成果
• 致谢

文章来源

类型: 硕士论文

作者: 胡威

导师: 汪春梅

关键词: 卷积神经网络,边缘聚类,图像分割,分类判别

来源: 上海师范大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,计算机软件及计算机应用,自动化技术

单位: 上海师范大学

分类号: TP391.41;TP183;R318

总页数: 69

文件大小: 3752K

下载量: 224