一、形态、颜色特征及神经网络在肺癌细胞识别中的应用研究(论文文献综述)
王倩[1](2021)在《基于深度神经网络的病理多样性显微高光谱影像分析》文中研究指明基于显微高光谱成像技术的病理图像识别是数字化病理分析的一个新的重要研究方向,其意义在于解决传统显微成像中信息有限的问题,从而有效提升病理分析的精度。基于现阶段的显微高光谱成像技术,病理分析的波长范围主要集中在可见光和近红外。随着其应用越来越广泛,病理组织的多样性和结构特征的复杂性,极大地增加了病理识别的难度和复杂度。深度学习的发展,解决了传统方法特征构造主观性强、融合效率低等问题,从而更加高效地利用显微高光谱特征。目前基于深度学习的显微高光谱识别算法主要采用低维、浅层的卷积网络,导致提取的特征单一,没有充分利用显微高光谱的优势,同时模型较为简单,不足以解决复杂的病理分析问题。利用深度卷积网络能够解决这些问题,且在医学图像处理领域已经涌现了很多优秀的方法。然而,这些算法大都是针对某一疾病的特定分析任务而设计网络模型,且集中在分割任务上,缺少对分割、分类和检测任务的同一的模型架构。不仅如此,大部分基于深度卷积的端到端模型主要应用在CT、MRI等立体成像模式上,未充分考虑病理图像的高变异性和复杂性,因此如何建立起适用于显微高光谱病理图像的端到端的深度卷积网络,是亟待解决的重要问题。为此,本文综合分析多粒度特征融合、层次化特征增强以及多通道特征联合方式,建立了基于深度卷积网络和多通道多层级的端到端识别架构,提升了高变异性细胞、组织的识别精度。围绕显微高光谱病理识别中的分割、分类和检测等关键问题开展研究,提出的核心架构在皮肤黑色素瘤、白细胞和血细胞病理图像上得到了应用和验证。主要工作如下:(1)围绕深度卷积神经网络应用于解决显微高光谱中细胞、组织的结构和形变多样性的问题,提出了多通道多层级的端到端识别方法。通过比较各种层次化特征学习、融合、增强方式的特点,设计了多通道引导的三维卷积神经网络,在显微高光谱组织分割、细胞分类和检测的实验中取得了优于单一特征的卷积神经网络识别方法。(2)针对如何实现多尺度多语义特征融合分割的关键性问题,提出了多粒度特征融合的三维全卷积神经网络的分割方法。综合分析不同尺度的差异化语义特征的融合方法,构建了基于双路径融合和差异性融合的多特征引导分割网络,设计了自适应损失函数,实现了较单一特征引导的融合分割方法更高的准确率。(3)针对如何实现注意力机制下的多特征引导分类的关键问题,提出了基于层次化注意力机制的三维卷积神经网络的分类方法。研究了基于残差学习和分组卷积的增强技术,设计了基于注意力机制和三维卷积的层次化分类网络。通过梯度反传技术,探究了显微高光谱图像中蕴含的光谱特征在分类网络中的差异化贡献率。(4)针对探究多特征引导机制如何提升显微高光谱图像检测中漏检和回归精度低的问题,提出了基于多任务联合锚点的三维单阶段检测网络。研究不同的多通道特征组合方案在多特征引导学习中的效应,提出了基于多任务联合锚点机制和加权回归融合方法的检测网络,在实验分析中取得了较单通道检测网络更好的实时性和鲁棒性。
刘志勇[2](2021)在《基于深度学习的前列腺癌超声图像辅助诊断技术研究》文中进行了进一步梳理前列腺癌是最为常见的恶性肿瘤之一,前列腺癌患者人数逐年上升,但很多患者难以得到及时的治疗。前列腺超声图像的计算机辅助诊断技术有助于前列腺癌的准确诊断与及时治疗。但是,前列腺超声图像存在边界不清晰、目标区域小且分辨率低、病灶区域形状和大小具有较大的差异等问题,使得基于超声图像的前列腺癌诊断效率相对较低,为了克服这些难题,本文提出基于深度学习的前列腺癌超声图像辅助诊断技术,辅助医生去筛选可疑的前列腺癌,能够明显提高前列腺癌的诊断准确率。本文重点研究基于深度学习的前列腺癌超声图像检测、诊断模型以及其高效的训练方法,主要工作如下:基于S-Mask R-CNN的前列腺超声图像分割技术研究。分割是前列腺超声图像数据增强中的一个关键步骤,能够将待分类的图像信息缩小到关键部分,消除过多无关信息干扰。利用改进的S-Mask R-CNN实现对前列腺超声图像的精确分割,利用感兴趣区域实现像素级特征点定位,通过卷积网络生成前列腺图像对应的二值掩膜,将前列腺区域与背景进行分割。然后,屏蔽背景信息,构建多组前列腺超声分割图像数据集,用于图像分类检测的Inception-V3网络中。实验结果表明,本文提出的算法在合理耗时的前提下,有良好的分割效果。基于Inception-V3的前列腺超声图像分类技术研究。在Inception-V3网络中,增加新的正向传播和反向传播组成的分类模块替代原网络的softmax。正向传播主要是将pool-3层以下的卷积层池化层提取的特征通过迁移学习策略转移到输入层,然后计算分类值和标签值之间的损失值来识别前列腺超声病变。实验结果表明,与各经典分类方法和人工诊断比较,本文方法更能够准确分类出前列腺超声图像的阴、阳性。基于改进的S-Mask R-CNN+Xception的前列腺癌超声图像标记分级研究。前列腺癌的Gleason分级为临床评估治疗方案提供了重要参考价值。但前列腺癌超声图像病理分级的研究很少,如何准确地描述其侵略性是一个热点问题。故本文提出一种基于深度学习的前列腺癌Gleason分级网络模型。该模型由病灶区域标记、图像增强、病理分级三个模块组成。具体地,该模型首先采用改进的S-Mask R-CNN网络模型对前列腺癌病灶区域进行标记,然后通过形态学图像处理和PCNN算法进行图像增强,最后利用Xception对前列腺超声图像进行病理分级。实验结果表明,本文Gleason分级模型的预测精确率高于其他经典分级模型和医生人工诊断,其预测精确率较人工诊断高出0.28。基于上述三个研究内容,本文构建了前列腺癌超声影像全流程智能辅助诊断技术,本文研究成果能够在像素级上准确检测前列腺癌超声图像的相关信息,与专业医生人工诊断和其他检测方法相比,本文方法具有更高的准确率。本文研究成果的应用将有效提升前列腺癌诊断工作的效率,促进前列腺癌超声图像诊断技术的发展。
潘慧[3](2021)在《基于深度学习的船舶检测与识别研究》文中提出
刘昊然[4](2021)在《基于YOLOv4的肺结节辅助检测方法的研究与实现》文中研究表明
王权[5](2021)在《基于影像组学的肝癌与肝硬化分类方法研究》文中研究说明
徐庆[6](2021)在《基于模糊神经网络的宫颈细胞病变初筛模型研究》文中研究说明近年来,女性宫颈癌的患病率逐年提高,成为全球女性的主要癌症之一。子宫颈液基薄层细胞检查法(TCT)[1]被认为是发现早期宫颈癌前病变最可靠方法。本研究借助图像处理技术及模糊数学和神经网络建立了基于优化后的模糊神经网络、基于BP神经网络和卷积神经网络的初筛模型,目的是基于对宫颈细胞病理改变进行初步分类诊断,为病理诊断医生节省时间、提高诊断质量。本文借助文献分析法和实验分析法进行研究工作。文中模型建立主要包括四个步骤:.对原始图片做扫描后选择合适的图像处理技术进行三步预处理,包括分割细胞图像,进行有目的地删除背景信息、去噪以及增强感兴趣目标区域图像质量。将基于神经网络与小波变换技术结合的优化后的小波变换技术应用于宫颈细胞图像处理中;2.根据TBS[2]分类要求从图片中提取包括细胞核质比等重要的细胞特征;3.基于临床经验提出模糊推理层次,设计模糊规则;4.使用四种初筛模型对提取的特征进行训练和分类。选取均方根误差、准确率、灵敏度、特异度、精度和F值等预测分类评价指标,实验结果在文中使用混淆矩阵表现,计算后得出各类指标:高斯型自适应模糊神经网络宫颈细胞病变初筛模型准确率最高,为98.93%,灵敏度为99.6%,特异度为98.8%,精度为99.4%,F值为0.995,阴性预测值为0.992;BP神经网络宫颈细胞病变初筛模型的准确率为96.26%,灵敏度为98.56%,特异度为97%,精度为98.46%,F值为0.985,阴性预测值为0.972;三角型自适应模糊神经网络宫颈细胞病变初筛模型的准确率为97.3%,灵敏度为98.98%,特异度为97.8%,精度为97.8%,F值为0.9893,阴性预测值为0.9799;卷积神经网络宫颈细胞病变初筛模型的准确率为97.73%,灵敏度为98.99%,特异度为98%,精度为98.99%,F值为0.9899,阴性预测值为0.98。在模型的敏感性、稳定性和准确性等多个方面的对比中,得出本文结论:基于高斯型隶属度的自适应模糊神经网络的宫颈细胞病变初筛模型在宫颈鳞状上皮细胞内病变分类预测中是最优且合理的。
马元嘉[7](2021)在《喉镜影像分布与纹理融合的特征提取和改进的AlexNet分类算法研究》文中研究指明疾病的分类预测一直是医疗领域备受关注的问题。对于喉镜内窥镜医疗影像数据,专业医师通过观察喉镜影像和药物治疗等方式确诊咽喉反流疾病。这无疑是任务量庞大且要求严格的工作,计算机辅助专业医师对疾病预测意义重大,尤其是喉镜影像数据的计算机辅助治疗研究少之又少,本文基于吉林省某医院耳鼻喉头颈外科喉镜影像数据,从改进特征提取方法和改进AlexNet卷积神经网络两方面对喉镜影像数据进行分类研究。第一部分从图像的分布和纹理两个角度研究了喉镜影像的特征提取。通过局部二项式特征提取方法提取图像纹理特征,通过灰度直方图方法提取图像分布特征,通过差异性比较的方法进行特征融合后比较了与五种传统分类算法的结合性能。结果表明该分布与纹理融合的特征同随机森林判别算法结合对喉镜影像分类准确率最高,达到96.61%,并且该算法对样本数量要求不高。第二部分构建了对喉镜影像数据分类的卷积神经网络算法。修改了AlexNet的浅层特征和深层特征结构,避免原始网络对喉镜影像细微差异的忽略,也尽可能的放大了差异性信息。使用该算法对喉镜影像进行分类预测的结果较好,准确率为99.83%,比未改进的AlexNet卷积神经网络对喉镜影像分类的准确度提升了27.65%,并且该算法可适应大样本数据。
卜佳男[8](2021)在《宫颈癌细胞多参量融合识别方法研究》文中研究指明相关统计数据显示,世界范围内宫颈癌的发病率在女性恶性肿瘤中排名第四位,早期筛查,对于降低宫颈癌发病率和死亡率,挽救患者的生命,具有重要意义。目前,宫颈癌的早期筛查主要依靠人工进行。病理医生需要在一张包含数千个宫颈细胞的涂片上通过肉眼观察,寻找癌变细胞。在大型医院中,病理医生每天要处理上百个类似的细胞涂片,存在较大的漏诊风险。针对该问题,本文提出了新的宫颈癌细胞识别方法,建立了包括75个特征的多参量融合判别模型,开展了使用机器学习进行宫颈癌细胞识别的相关研究,为开发智能化宫颈癌细胞识别系统打下了基础,具体研究内容如下:(1)建立了宫颈癌细胞多参量融合识别模型。分析了不同类型宫颈细胞所具有的不同特征,为了在识别模型中充分体现这些特征并描述不同类型细胞的特点,总结了几何、纹理与色度三大类参量。识别模型首先对于从细胞图像中提取到的三大类参量信息,进行特征降维,以去除其中的噪音信息,提升信息密度,之后使用机器学习中的分类算法,根据降维后的参量信息对宫颈细胞所属类别进行判断。最后分析和确定了宫颈癌细胞多参量融合识别模型的具体判别方法。(2)实现了宫颈细胞图像中细胞核、细胞质与背景的自动分割。使用1834张宫颈细胞图像,训练了神经网络。针对本文使用的宫颈细胞图像尺寸大小不一的问题,改进了神经网络中的部分参数。训练完成之后,神经网络可以实现目标图像中细胞核、细胞质与背景的自动分割功能。(3)进行了宫颈细胞的特征提取与降维。由于使用神经网络分割后的宫颈细胞图像可能存在微小孔洞,使用Open CV,对分割完成之后的图像进行闭操作,以平滑轮廓边缘,填充前景区域的微小孔洞。实现了图像的轮廓探测功能,针对部分图像中可能存在轮廓探测失败的问题,优化了轮廓探测过程。对于提取到的特征数据,对比了四种不同降维算法的运行结果,确定了本文使用的降维算法和降维后特征的维度。(4)建立了宫颈细胞最优组合算法,并使用了来自大连医科大学附属第二医院的宫颈细胞图像数据集验证其分类效果。分别使用K近邻、决策树、随机森林、支持向量机、逻辑回归与朴素贝叶斯算法,搭建了单算法分类器,又分别使用软投票与硬投票方法集成了这些单算法分类器,使用假阴性率作为性能衡量指标对分类结果进行了测试,找到了宫颈细胞最优判别组合算法。在来自大连医科大学附属第二医院的宫颈细胞图像数据集上,达到了1.57%的假阴性率。
卢静宇[9](2021)在《基于单目视觉的校园巡逻车环境感知方法研究》文中指出随着世界科学的进步和经济的发展,越来越多的行业向着智能化和自动化的方向发展。作为21世纪的新兴方向,机器视觉开始广泛应用于各行各业,在很大程度上节约了工作成本和劳动力。除了在农业、医疗、工业等方面的应用外,随着智能驾驶研究方向的兴起,以机器视觉为主的智能车环境感知方法成为当今的研究热门。在智能车环境感知系统中,如何准确的识别路况信息并且对检测到的目标物进行定位是实现智能车自动避障的首要条件所在,因此无论是目标检测还是测距都是智能交通及智能车辆控制的重要环节,都有着广泛的应用场景。本文以智能校园巡逻车项目为依据,基于校园环境对车辆及行人等目标物进行实时检测并定位,以便巡逻车熟悉周围环境信息并做出及时的避障规划。为提高巡逻车在不同环境的适应能力,本文主要基于传统的特征检测法进行改进,从而提高检测精度和效率,主要包括以下四个方面:(1)基于CENTRIST特征的行人检测实现。相比经典的HOG特征检测,采用CENTRIST特征对行人进行描述,节约了特征提取时间和存储空间;之后基于传统的SVM分类器,提出采用SVM线性分类器+HIK SVM构成的级联分类器提高检测精度;研究了基于这两种分类器的快速检测算法:利用辅助图像及查表的方式降低了分类器的时间复杂度。(2)基于Hough变换的改进车道线检测算法的实现。针对可能的车道线区域检测,提出基于车道线与两端亮度差异的检测方法,对比Canny边缘检测和OUST,本文所用亮度差异法计算量小速度快,信息保留更为完整;除此之外针对校园环境对检测到的车道线进行条件筛选,滤除了不必要的车道线信息。(3)基于Haar特征+Adaboost级联分类器的车辆检测。根据车辆的轮廓及对称性,对Adaboost弱分类器进行训练,经过多次迭代后得到Adaboost强分类器,通过不同环境下车辆检测结果验证了该分类器的有效性。(4)设计单目测距方法并进行比较验证。根据成像原理以及坐标转换模型,提出基于目标检测物宽度的测距方法和基于目标物与地面接触点的测距方法,通过实验评价两种方法的优劣性,实验总体表明,基于校园环境下两种方法的测量精度满足检测需求。
宣雨婷[10](2020)在《细胞病理图像的分割及分类识别方法研究》文中认为随着计算机技术的发展,数字图像处理技术以其操作便捷、实时性高等优点而获得了广泛应用,其中,细胞图像处理技术主要应用在生物医学领域的细胞病理图像处理,辅助临床诊断。图像处理技术的优劣直接影响到最终的诊断结果,运用细胞图像处理技术准确地对细胞病理图像进行判定分析是国内外众多研究机构学者关注的热点。本研究选取宫颈细胞图像作为研究对象,研究图像处理技术。细胞图像由病理组织的涂片在显微镜下成像获得,在涂片制作处理时存在不可避免的外部因素诸如噪声、染色过多等干扰,会导致细胞图像出现染色不均、边界模糊等问题,对后续图像处理产生影响。针对细胞图像分割过程中易出现欠分割、过分割的问题,本文提出了基于改进的SLIC(simple linear iterative clutering)图像分割方法对细胞图像进行分割。针对细胞图像分类出现分类精度低的问题,提出基于深度残差网络(Deep residual network,Res Net)的深度学习分类算法对细胞图像进行分类识别。论文的研究内容如下:首先,在分析经典的细胞图像分割方法基础上,提出了改进的LBP-SLIC图像分割方法。本研究采用高斯滤波对细胞图像进行预处理,去除噪声等干扰因素;使用经典的分水岭算法对预处理后的图像进行粗分割,获取细胞核轮廓;提出改进的LBP-SLIC图像分割方法进行细胞图像的精细分割,获得精确的细胞核边界,该方法取得了很好的分割效果。其次,提取能有效反映细胞病变的特征参数,并对特征参数进行归一化处理。本研究选取了颜色特征,包括细胞核、细胞质区域在RGB三个颜色分量的均值方差参数;选取了形态特征,包括面积、周长、矩形度、圆形度、长宽比以及核质六个参数;选取了纹理特征,包括能量、熵、对比度和逆差矩四个参数,对选取的特征参数进行提取计算。为减少分析与计算,采用特征标准化方法对提取的特征参数进行归一化处理。再次,采用迁移学习对深度残差网络Res Net101模型进行优化,基于优化模型实现宫颈细胞图像的分类。将ICPR2012数据集输入网络模型进行预训练,获得预训练模型,模型包含训练参数以及权重的文件;将模型权重文件迁移到新的Res Net101模型中。固定Res Net101网络模型的特征层参数保持不变,调整学习率以及全连接层参数,学习获得最优模型。最后,对细胞图像处理过程进行实验仿真,验证算法的可行性。基于VS2017仿真软件,进行细胞图像的分割仿真,并对分割结果进行对比分析,验证了改进的LBP-SLIC分割方法的有效性;基于VS2017仿真软件,进行特征提取实验;基于Tensor Flow仿真软件,进行细胞图像分类仿真实验,对分类结果进行对比分析,验证了基于深度残差网络Res Net101的细胞图像分类的有效性。图[34]表[9]参[50]
二、形态、颜色特征及神经网络在肺癌细胞识别中的应用研究(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、形态、颜色特征及神经网络在肺癌细胞识别中的应用研究(论文提纲范文)
(1)基于深度神经网络的病理多样性显微高光谱影像分析(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于机器学习的显微高光谱识别研究 |
1.2.2 基于深度学习的显微高光谱识别研究 |
1.2.3 现阶段研究存在的问题与不足 |
1.3 研究内容与创新点 |
1.3.1 研究内容 |
1.3.2 研究路线 |
1.3.3 创新点 |
1.4 论文组织与章节安排 |
第二章 面向显微高光谱成像的卷积神经网络 |
2.1 卷积神经网络的核心模块 |
2.1.1 一维卷积模块 |
2.1.2 二维卷积模块 |
2.1.3 三维卷积模块 |
2.2 三维卷积神经网络的基本结构 |
2.2.1 卷积层 |
2.2.2 激活函数 |
2.2.3 归一化层 |
2.2.4 池化层 |
2.3 显微高光谱成像特点及其预处理 |
2.3.1 显微高光谱采集系统 |
2.3.2 显微高光谱图像 |
2.3.3 预处理 |
2.3.4 波段选择 |
2.4 多通道多层级三维卷积神经网络 |
2.4.1 多层级网络特点 |
2.4.2 多通道网络特点 |
2.4.3 端到端的模型优化 |
2.5 本章小结 |
第三章 基于多粒度特征融合的三维全卷积显微高光谱图像分割 |
3.1 引言 |
3.2 基于全卷积神经网络的病理图像分割方法 |
3.3 基于多粒度特征融合的三维全卷积神经网络高光谱分割算法 |
3.3.1 模型架构 |
3.3.2 改进的损失函数 |
3.3.3 训练策略 |
3.4 显微高光谱病理分割实验结果 |
3.4.1 数据集 |
3.4.2 网络性能分析 |
3.4.3 损失函数性能分析 |
3.4.4 消融实验 |
3.4.5 可视化结果 |
3.5 本章小结 |
第四章 基于层次化注意力机制的三维卷积显微高光谱图像分类 |
4.1 引言 |
4.2 卷积神经网络分类方法 |
4.3 基于层次化注意力机制的三维卷积神经网络分类方法 |
4.3.1 三维ResNeXt骨干网络 |
4.3.2 三维注意力模块 |
4.3.3 分类网络 |
4.4 显微高光谱细胞病理数据集及数据增广 |
4.4.1 高光谱细胞病理数据集 |
4.4.2 数据增广 |
4.5 显微高光谱细胞病理分类实验结果 |
4.5.1 深度卷积网络分类性能 |
4.5.2 类激活响应可视化 |
4.5.3 三维注意力模型性能 |
4.5.4 光谱特性分析 |
4.6 本章小结 |
第五章 基于多任务联合锚点的三维单阶段显微高光谱图像检测 |
5.1 引言 |
5.2 单阶段目标检测算法 |
5.3 基于多任务联合锚点的高光谱细胞检测算法 |
5.3.1 三维-Darknet特征提取网络 |
5.3.2 多任务联合的锚点机制 |
5.3.3 改进的非极大值抑制算法 |
5.4 显微高光谱细胞检测实验结果 |
5.4.1 血细胞数据集及聚类结果 |
5.4.2 单阶段目标检测结果 |
5.4.3 与双阶段目标检测结果比较 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 研究总结 |
6.2 研究展望 |
参考文献 |
攻读博士学位期间科研成果 |
致谢 |
(2)基于深度学习的前列腺癌超声图像辅助诊断技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.3 医学影像处理深度学习模型 |
1.3.1 医学影像分割 |
1.3.2 医学影像分类 |
1.3.3 医学影像分级 |
1.3.4 前列腺癌医学影像分析 |
1.4 论文组织结构 |
2 相关理论基础 |
2.1 深度学习基本思想 |
2.1.1 深度网络 |
2.1.2 感知机 |
2.1.3 BP算法 |
2.2 卷积神经网络 |
2.2.1 卷积神经网络的基本结构 |
2.2.2 局部感受野与池化 |
2.2.3 卷积和权值共享 |
2.3 网络模型参数 |
2.3.1 激活函数 |
2.3.2 Keras框架 |
2.3.3 最优化方法 |
2.4 本章小结 |
3 基于S-Mask R-CNN的前列腺超声图像分割框架 |
3.1 Sobel卷积层 |
3.2 RPN网络 |
3.3 ROIAlign层 |
3.4 损失函数 |
3.5 全卷积网络 |
3.6 实验分析 |
3.6.1 实验环境 |
3.6.2 实验数据 |
3.6.3 实验流程与方法 |
3.6.4 评价方法 |
3.6.5 实验结果 |
3.7 本章小结 |
4 基于Inception-V3 的前列腺超声图像分类框架 |
4.1 Inception模块 |
4.2 交叉熵代价函数 |
4.3 Dropout |
4.4 网络模型训练 |
4.5 实验分析 |
4.5.1 实验环境 |
4.5.2 实验数据 |
4.5.3 实验流程与方法 |
4.5.4 评价方法 |
4.5.5 分类结果混淆矩阵如 |
4.5.6 图像分类实验结果分析 |
4.6 本章小结 |
5 前列腺癌超声图像标记分级框架 |
5.1 图像病灶标记网络整体框架 |
5.2 CFPN(Conjunctional Feature Pyramid Network)模块 |
5.3 图像增强方法 |
5.3.1 图像增强步骤 |
5.3.2 形态学图像增强 |
5.3.3 脉冲耦合神经网络 |
5.4 图像病理分级 |
5.4.1 Xception |
5.4.2 激活函数选择 |
5.4.3 正则化优化 |
5.5 图像标记分级实验 |
5.5.1 实验环境 |
5.5.2 实验数据 |
5.5.3 实验流程与方法 |
5.5.4 评价方法 |
5.5.5 图像标记分级实验结果 |
5.6 本章小结 |
6 总结与展望 |
参考文献 |
致谢 |
附录 中英文略缩词对照 |
攻读硕士学位期间的主要研究成果 |
学位论文数据集 |
(6)基于模糊神经网络的宫颈细胞病变初筛模型研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外医学图像分类识别研究现状及发展趋势 |
1.3 主要研究内容 |
第二章 辅助疾病诊断的模糊数学理论 |
2.1 模糊数学在医学诊断中的应用 |
2.2 模糊数学理论 |
2.2.1 模糊推理中隶属函数确定 |
2.2.2 模糊推理中推理层次和模糊规则 |
2.3 模糊神经网络相关理论研究 |
2.3.1 神经网络概述 |
2.3.2 模糊神经网络概述 |
2.4 本章小结 |
第三章 细胞学图像处理相关研究 |
3.1 细胞图像处理的有关方法研究 |
3.1.1 图像分割方法研究 |
3.1.2 图像识别分类方法研究 |
3.2 小波分析简介 |
3.3 混合小波分析 |
3.3.1 神经网络构建 |
3.3.2 结果与讨论 |
3.4 本章小结 |
第四章 病理细胞采集和特征提取 |
4.1 子宫颈液基薄层细胞图像采集 |
4.2 重叠宫颈细胞分割 |
4.3 细胞特征参数选择 |
4.4 本章小结 |
第五章 基于模糊神经网络的算法初筛模型研究 |
5.1 宫颈病变推理系统模型设计 |
5.2 BP神经网络预测模型 |
5.2.1 BP神经网络的基本原理 |
5.2.2 反向传播算法 |
5.2.3 误差分析及设计 |
5.3 模糊神经系统预测模型 |
5.3.1 自适应模糊神经推理系统结构 |
5.3.2 隶属度函数的选择 |
5.3.3 模糊规则设计 |
5.4 模型结构 |
5.5 本章小结 |
第六章 实验结果及分析 |
6.1 神经网络分类预测和模糊神经网络分类预测仿真实验 |
6.2 卷积神经网络分类预测对比仿真实验 |
6.3 仿真实验结果分析 |
6.4 本章总结 |
第七章 总结与展望 |
参考文献 |
致谢 |
在读期间发表的学术论文及研究成果 |
(7)喉镜影像分布与纹理融合的特征提取和改进的AlexNet分类算法研究(论文提纲范文)
摘要 |
Abstract |
第1 章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 传统分类器对医学影像数据的分类研究 |
1.2.2 神经网络算法及其相关研究 |
1.2.3 基于医学影像数据的神经网络算法及其相关研究 |
1.3 文章结构 |
第2 章 基本理论 |
2.1 数据预处理 |
2.1.1 批量裁剪 |
2.1.2 灰度归一化 |
2.1.3 中值滤波 |
2.1.4 直方图均衡化 |
2.2 传统分类器介绍 |
2.2.1 线性判别 |
2.2.2 KNN判别算法 |
2.2.3 决策树判别法 |
2.2.4 随机森林判别算法 |
2.2.5 朴素贝叶斯分类算法 |
第3 章 分布与纹理融合的特征提取方法对喉镜影像的分类研究 |
3.1 背景介绍 |
3.2 特征提取 |
3.2.1 灰度直方图方法提取图像分布特征 |
3.2.2 Ojala改进的LBP算子提取图像纹理特征 |
3.2.3 分布与纹理融合特征的提取 |
3.3 实证研究 |
3.4 小结 |
第4章 改进AlexNet网络对喉镜影像的分类研究 |
4.1 背景介绍 |
4.2 数据扩增及标准化 |
4.3 AlexNet卷积神经网络 |
4.3.1 AlexNet卷积神经网络结构 |
4.3.2 AlexNet卷积神经网络对喉镜影像分类 |
4.4 改进的 AlexNet 卷积神经网络 |
4.4.1 改进的AlexNet卷积神经网络结构 |
4.4.2 改进的AlexNet卷积神经网络对喉镜影像分类 |
4.5 小结 |
第5 章 结论 |
致谢 |
参考文献 |
作者简介 |
攻读硕士学位期间研究成果 |
(8)宫颈癌细胞多参量融合识别方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要研究内容 |
2 宫颈细胞多参量融合识别模型的建立 |
2.1 宫颈细胞图像特征分析 |
2.2 宫颈细胞识别参量 |
2.2.1 几何参量 |
2.2.2 纹理参量 |
2.2.3 色度参量 |
2.3 宫颈细胞多参量融合识别模型 |
2.4 宫颈癌细胞多参量融合识别模型判别方式分析 |
2.5 本章小结 |
3 宫颈细胞图像分割及参量处理 |
3.1 图像分割模型 |
3.2 宫颈细胞图像参量提取 |
3.2.1 图像预处理 |
3.2.2 图像轮廓探测 |
3.3 宫颈细胞参量降维 |
3.4 本章小结 |
4 宫颈细胞多参量融合识别模型搭建与测试 |
4.1 宫颈癌细胞机器学习分类模型评价指标的建立 |
4.2 宫颈细胞单算法分类模型实验 |
4.3 宫颈细胞最优判别组合算法的建立 |
4.3.1 宫颈细胞单算法判别模型投票分类测试 |
4.3.2 宫颈细胞最优判别组合算法的建立 |
4.4 宫颈细胞最优判别组合算法效果测试 |
4.5 本章小结 |
5 总结与展望 |
5.1 全文总结 |
5.2 研究展望 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(9)基于单目视觉的校园巡逻车环境感知方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 论文的研究背景及意义 |
1.2 目标检测以及测距方法研究现状 |
1.2.1 目标检测算法 |
1.2.2 基于视觉的测距算法研究现状 |
1.3 课题概述及任务安排 |
1.4 论文的研究内容及结构安排 |
1.5 本章小结 |
第2章 前方车辆的识别与跟踪 |
2.1 基于opencv的图像预处理 |
2.1.1 灰度化 |
2.1.2 图像平滑处理 |
2.2 基于Hough直线变换的车道线检测 |
2.2.1 感兴趣区域的划分 |
2.2.2 改进的图像的二值化处理 |
2.2.3 非目标点滤除 |
2.2.4 Hough直线变换 |
2.3 基于Haar特征的车辆识别 |
2.3.1 Haar特征检测 |
2.3.2 基于Adaboost的级联分类器的构建 |
2.3.3 Haar-Adaboost分类器训练及检测结果优化 |
2.3.4 基于Kalman滤波的车辆跟踪方法 |
2.3.5 检测效果评价 |
2.4 本章小结 |
第3章 基于CENTRIST特征的快速行人检测算法的实现 |
3.1 Sobel边缘检测 |
3.1.1 Sobel边缘检测优势 |
3.1.2 Sobel边缘检测算法的原理及实现 |
3.2 CENTRIST特征提取 |
3.3 级联分类器(SVM) |
3.3.1 SVM分类器原理 |
3.3.2 SVM分类器快速检测方法的实现 |
3.3.3 SVM分类器训练 |
3.4 检测结果提纯及检测效果评价 |
3.5 本章小结 |
第4章 基于单目视觉的障碍物距离测量 |
4.1 摄像机成像原理及测距模型 |
4.1.1 摄像机成像原理 |
4.1.2 世界坐标系到像素坐标系的转换 |
4.1.3 基于单目视觉的实时测距方法 |
4.2 摄像机标定及效果 |
4.2.1 标定方法简介 |
4.2.2 张友正标定法参数求解 |
4.2.3 张友正标定法实现过程及结果 |
4.3 相机选型及界面开发 |
4.3.1 相机和镜头的选择 |
4.3.2 界面功能模块的开发 |
4.4 测距实验及效果评价 |
4.4.1 前方目标测距试验设计 |
4.4.2 不同测距方法实验结果对比 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 工作总结 |
5.2 工作展望 |
参考文献 |
致谢 |
学位论文评阅及答辩情况表 |
(10)细胞病理图像的分割及分类识别方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景 |
1.2 课题研究意义 |
1.3 研究现状 |
1.3.1 细胞图像分割方法研究现状 |
1.3.2 细胞图像特征提取方法研究现状 |
1.3.3 细胞图像分类方法研究现状 |
1.4 本文主要的研究内容与组织安排 |
2 改进型SLIC细胞图像分割方法 |
2.1 细胞图像预处理 |
2.1.1 高斯滤波 |
2.1.2 CIELab颜色空间转换 |
2.2 经典的细胞图像分割方法 |
2.2.1 基于标记分水岭算法的粗分割 |
2.2.2 基于SLIC算法的细分割方法 |
2.3 改进的LBP-SLIC分割方法 |
2.4 本章小节 |
3 细胞图像特征提取方法 |
3.1 形态特征提取 |
3.2 纹理特征提取 |
3.3 颜色特征提取 |
3.4 特征归一化 |
3.5 本章小结 |
4 细胞图像分类方法 |
4.1 图像分类方法 |
4.1.1 传统细胞图像分类方法 |
4.1.2 基于深度学习的图像分类方法 |
4.2 基于SVM的宫颈细胞图像分类 |
4.2.1 分类流程 |
4.2.2 仿真步骤 |
4.3 基于Res Net101 的宫颈细胞图像分类 |
4.3.1 网络结构 |
4.3.2 算法流程 |
4.3.3 仿真步骤 |
4.4 基于迁移学习的Res Net-101 模型 |
4.4.1 迁移学习 |
4.4.2 算法流程 |
4.5 本章小结 |
5 细胞图像分割分类识别实验与分析 |
5.1 实验环境与数据集 |
5.2 细胞核分割实验 |
5.2.1 细胞图像预处理实验 |
5.2.2 改进型算法分割实验 |
5.2.2.1 改进的SLIC算法有效性验证实验 |
5.2.2.2 基于标记分水岭算法的粗分割实验 |
5.2.2.3 改进的SLIC算法细分割实验 |
5.3 特征参数提取实验 |
5.3.1 形态特征提取实验 |
5.3.2 纹理特征提取实验 |
5.3.3 颜色特征提取实验 |
5.3.4 特征归一化 |
5.4 细胞图像分类实验 |
5.4.1 传统宫颈细胞图像分类实验 |
5.4.2 基于Res Net的宫颈细胞图像分类实验 |
5.4.3 基于迁移学习的宫颈细胞图像分类实验 |
5.5 本章小结 |
6 总结与展望 |
6.1 研究工作总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
作者简介及读研期间主要科研成果 |
四、形态、颜色特征及神经网络在肺癌细胞识别中的应用研究(论文参考文献)
- [1]基于深度神经网络的病理多样性显微高光谱影像分析[D]. 王倩. 华东师范大学, 2021
- [2]基于深度学习的前列腺癌超声图像辅助诊断技术研究[D]. 刘志勇. 广东技术师范大学, 2021(11)
- [3]基于深度学习的船舶检测与识别研究[D]. 潘慧. 江苏科技大学, 2021
- [4]基于YOLOv4的肺结节辅助检测方法的研究与实现[D]. 刘昊然. 重庆邮电大学, 2021
- [5]基于影像组学的肝癌与肝硬化分类方法研究[D]. 王权. 中国矿业大学, 2021
- [6]基于模糊神经网络的宫颈细胞病变初筛模型研究[D]. 徐庆. 浙江海洋大学, 2021
- [7]喉镜影像分布与纹理融合的特征提取和改进的AlexNet分类算法研究[D]. 马元嘉. 长春工业大学, 2021(08)
- [8]宫颈癌细胞多参量融合识别方法研究[D]. 卜佳男. 大连理工大学, 2021(01)
- [9]基于单目视觉的校园巡逻车环境感知方法研究[D]. 卢静宇. 山东大学, 2021(09)
- [10]细胞病理图像的分割及分类识别方法研究[D]. 宣雨婷. 安徽理工大学, 2020(07)