文章目录

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 基于影像学图像的乳腺癌诊断研究现状

    1.2.2 基于病理学图像的乳腺癌诊断研究现状

1.3 乳腺癌组织病理学图像识别面临的挑战

1.4 论文的主要研究内容及结构安排

    1.4.1 主要研究内容

    1.4.2 论文结构安排

第2章 乳腺癌组织病理学图像数据集简介

2.1 常用数据集简介

2.2 本文采用的数据集及评价指标

2.3 小结

第3章 基于三通道低维特征的乳腺癌组织病理学图像识别

3.1 引言

3.2 特征提取方法简介

    3.2.1 灰度共生矩阵

    3.2.2 通道像素平均值

    3.2.3 Hu不变矩

    3.2.4 小波变换

    3.2.5 Tamura特征

    3.2.6 局部二值模式

    3.2.7 完全局部二值模式

    3.2.8 Gabor特征

    3.2.9 梯度方向直方图

3.3 支持向量机

3.4 基于三通道低维特征的乳腺癌组织病理学图像识别模型

3.5 实验及结果分析

3.6 小结

第4章 基于注意力机制的乳腺癌组织病理学图像识别

4.1 引言

4.2 注意力机制模型简介

    4.2.1 SE模块

    4.2.2 残差模块

    4.2.3 SE-Res Net模块

    4.2.4 CBAM模块

4.3 基于注意力机制的乳腺癌组织病理学图像识别模型

4.4 实验及结果分析

    4.4.1 实验实施细节

    4.4.2 特定放大倍数的良、恶性识别结果

    4.4.3 与放大倍数无关的良、恶性识别结果

4.5 小结

第5章 基于深度语义和GLCM的乳腺癌组织病理学图像识别

5.1 引言

5.2 深度学习模型简介

    5.2.1 Dense Net简介

    5.2.2 其它深度学习模型简介

5.3 基于深度语义和GLCM的乳腺癌组织病理学图像识别模型

5.4 乳腺癌组织病理学图像良、恶性识别实验及结果分析

    5.4.1 实验实施细节

    5.4.2 特定放大倍数的良、恶性识别结果

    5.4.3 与放大倍数无关的良、恶性识别结果

5.5 乳腺癌组织病理学图像子类识别实验及结果分析

    5.5.1 实验实施细节

    5.5.2 特定放大倍数的子类识别结果

    5.5.3 与放大倍数无关的子类识别结果

5.6 小结

第6章 模型对比及相关问题分析

6.1 本文三种模型对比分析

    6.1.1 特定放大倍数的良、恶性识别和子类识别

    6.1.2 与放大倍数无关的良、恶性识别和子类识别

6.2 本文模型与其它文献方法对比分析

6.3 相关问题分析

    6.3.1 数据集的划分

    6.3.2 数据不均衡

    6.3.3 染色归一化

6.4 小结

第7章 总结与展望

7.1 论文的主要工作

7.2 论文的主要创新点

7.3 工作展望

参考文献

攻读博士期间发表的论文及所取得的研究成果

致谢

文章摘要:乳腺癌是女性健康的最大威胁,被看作是当今女性的“头号杀手”。乳腺癌的早期诊断是提高患者治愈率和生存率的关键。病理学检查的结果可以提供最终的诊断依据,被认为是癌症诊断的“金标准”。近年来,计算机辅助诊断技术的快速发展为乳腺癌的诊断提供了便利,其诊断效率高,诊断结果更客观、科学。然而,目前的计算机辅助诊断系统主要是基于影像学的计算机辅助诊断技术,而对数字病理的计算机辅助诊断技术仍处于实验室研究阶段。研究乳腺癌组织病理学图像的自动识别问题,促进数字病理计算机辅助诊断技术的快速发展是一个重要的研究课题。本文针对Brea KHis数据集,分别探讨了特定放大倍数和与放大倍数无关的乳腺癌组织病理学图像的良、恶性识别问题和子类识别问题,具体如下:（1）针对乳腺癌组织病理学图像特征利用不充分以及高维特征计算量大的问题,提出了一种基于三通道低维特征的乳腺癌组织病理学图像识别方法,用于乳腺癌组织病理学图像的良、恶性识别。首先,将原始图像分离为R、G、B三个通道,然后分别提取三个通道的单方向灰度共生矩阵特征,四方向灰度共生矩阵特征,通道像素平均值,Hu不变矩,小波特征,Tamura特征,局部二值模式特征,完全局部二值模式特征,Gabor特征以及梯度方向直方图特征,接着将三个通道的特征融合,通过支持向量机实现乳腺癌组织病理学图像的良、恶性识别。实验结果证明,三通道特征的可判别性优于灰度特征,R通道特征在放大倍数为40×,100×,200×的图像识别中影响较大,而B通道特征则对放大倍数为400×的图像识别影响较大。另外,对比实验结果表明,低维特征在减少运行时间的同时也可以实现较高的识别准确率。（2）针对人工特征设计过程复杂,需要大量的先验知识的问题,提出基于深度学习方法的乳腺癌组织病理学图像识别方法,用于特定放大倍数和与放大倍数无关的乳腺癌组织病理学图像良、恶性识别问题。为了突显不同通道特征的重要程度,在传统的卷积神经网络中引入了SE-Res Net模块,通过注意力机制获取更多目标的细节信息,在增加特征表征力的同时赋予不同通道特征不同的权重,突出有效信息而抑制无用信息。不同于传统的用于图像处理的卷积神经网络,该模型采用3×1的卷积核而不是正方形卷积核,减少了模型参数数量,加快了模型的训练速度。为了充分利用网络不同层次的特征,通过双线性插值将不同大小的特征图上采样为224×224,通过全局平均池化将不同通道的特征融合以进一步提升特征的有效性,实现更精确的乳腺癌组织病理学图像识别。（3）针对传统的卷积神经网络识别准确率低,需要大量有标签的训练样本,而组织病理学图像标记任务困难的问题,提出基于预训练的卷积神经网络的乳腺癌组织病理学图像识别方法,用于特定放大倍数和与放大倍数无关的乳腺癌组织病理学图像良、恶性识别和子类识别问题。一方面,为了尽可能保留图像的空间信息,通过预训练的Dense Net201网络提取深层的卷积层特征作为深度语义特征,另一方面,对原始图像提取三个通道的灰度共生矩阵特征,将深度语义特征与纹理特征融合,通过支持向量机实现乳腺癌组织病理学图像识别。与Alex Net,VGG16,Res Net50,Goog Le Net,Dense Net201,Squeeze Net以及Inception-Res Net-v2这7种基线预训练模型相比,该方法的图像级识别准确率和病人级识别准确率更高。最后,本文针对Brea KHis数据集,分析了影响乳腺癌组织病理学图像识别的影响因素。通过与其它文献的识别准确率进行对比,充分验证了本文提出的三种方法在乳腺癌组织病理学图像识别中的有效性。

上一篇：医学教育与医学边缘学科论文_高职护理专业病理
下一篇：没有了