论文部分内容阅读
世界范围内,恶性肿瘤发病率逐年上升,严重危害患者的身心健康及生活质量。血液中循环肿瘤细胞的检测作为一种有效的肿瘤早期诊断方法,对恶性肿瘤的后期治疗也具有重要意义。显微图像分析是医学图像处理领域重要分支,其中基于高通量显微图像的图像处理和机器学习方法是目前的研究热点。基于循环肿瘤细胞图像的特点和目前快速发展的卷积神经网络方法,本论文主要贡献包括以下几个方面:1.本文提出并设计了一种基于形态学方法定位疑似循环肿瘤细胞的系统。为了充分利用血液的光学结构,以十个不同的焦距扫描显微图像,得到十幅图像。首先把原始图像转化为灰度图,进行二值化处理,接下来使用形态学方法来选择可疑的循环肿瘤细胞区域,最后把检测到的任何重叠区域的可疑细胞合并在一起,给出最终的可疑细胞区域。我们还评估了所有十层检测区域的图像质量,以选择最佳的层存储在数据库中。可疑细胞位置和可疑细胞区域大小等相关信息将通过系统存储,以供下一步更好的用于临床。2.本文提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的循环肿瘤细胞检测算法。提出的CNN网络结构是基于ZF网络模型进行改进的,实现循环肿瘤细胞的分类和检测功能,首先我们收集并整理CTCs样本图像数据库,然后把全分辨率图像划分成2048?2048大小的样例图像,进一步再分割成82?82大小的图像块,以通过CNN分类出正负样本,最后在经验丰富的医师指导下再次进行数据标记和CTCs样本数据库的再建立。3.本文提出了一种基于Faster R-CNN网络结构的循环肿瘤细胞检测算法。区域建议网络(Region Proposal Network,RPN)是在基础卷积神经网络之后被添加的,主要作用是做预选区域提取。其次感兴趣区域(Region Of Interest,ROI)池化层将相应的预选区域的特征整合为固定长度的特征向量,然后传递给softmax的分类层和边界框回归层以获得最终目标类别和精确的目标边界框位置,从而实现对循环肿瘤细胞的精准识别和检测。据我们所知这是第一次用在循环肿瘤细胞领域中,在循环肿瘤细胞检测识别领域得到了极高的精度。