基于深度学习的组织病理图像分析

发布时间：2025-05-06 23:06

　　乳腺癌是女性最常见的一种癌症,通常以病理诊断作为最终的确诊方式。有丝分裂细胞计数是评估乳腺癌的标准之一,目前已有不少借助计算机进行图像计算辅助诊断的有丝分裂自动检测算法。有丝分裂检测的难点在于有丝分裂四个阶段细胞形态不一,并且与正常状态下的细胞形态相近。为了提高检测的准确率和召回率,本文研究了两种基于深度学习的级联检测算法:(1)基于分类网络的级联检测算法,该算法通过搭建残差网络自动提取图像特征训练分类器。第一步针对有丝分裂细胞区域和其他区域的特征训练分类器,搭配滑动窗检测整幅图像定位候选目标。第二步针对有丝分裂细胞和正常细胞的特征训练分类器,对候选目标二次筛选,通过形态学数据后处理得出最终检测结果。该算法不足之处在于图像尺寸过大,滑动窗检测十分耗时,因此本文进一步研究第二种基于分割和分类的级联检测算法。(2)基于分割和分类的级联检测算法通过搭建编码-解码架构的分割网络,编码部分自动学习图像特征,解码部分上采样恢复图像尺寸,实现像素级别的分类。第一步训练分割模型自动分割待测图像,定位候选目标区域。分割结果往往能保证目标区域连通性,因此第二步通过分类器对候选目标连通域的部分像素点二次判断,...

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

图1.1病理图像细胞检测和分割所面临的挑战

西北大学博士毕业论文应用按照解决任务的不同主要分为3个方面：深度学习方法在细胞或组织检测与分割中的应用、深度学习方法在组织病理图像的癌症分类和分级中的应用以及深度学习方法在其他病理图像分析中的应用。1.2.1深度学习方法在细胞或组织检测与分割中的应用病理切片中的细胞核大小、....

图5 基于深度学习的海洋生物组织病理图像分析工作流程示意图

基于上述研究，本团队提出基于深度学习的海洋生物组织病理图像分析的工作流程(图5)。首先，根据海域特征确定指示生物(如贻贝、牡蛎、鱼类等)、靶标组织(如鳃，消化腺，性腺等)以及组织病理指标(如定性指标，半定量指标或者定量指标)。接着，针对靶标组织制作病理切片，在显微镜下观察、采集病....

图2-3线性分类器

图2-3线性分类器杂的情况，线性分类器的分类效果就相对较差把点(0,0)、(1,1)分为I类，点(0,1)、(1,0)分为一分类目标，需要借助于核函数，但是引入核方面还有可能引发过拟合的问题。对于图2-4个简单分类器来实现复杂分类任务，如图2-4右类任务多线性分类

图2-5sigmoid函数曲线

图2-5sigmoid函数曲线神经元结构如图2-6所示：sigmoid图2-6加入激励函数的神经元次取20、20、-30时，可以得到表2-1：表2-1加入激励函数输出的真值表I0x1xy000（sigmoid(30)近似为0

本文编号：4043226