论文部分内容阅读
宫颈癌是威胁女性健康的一种发病率极高的疾病,对宫颈细胞的研究分析对于辅助宫颈癌诊断具有重大的意义。显微细胞分割的精度能直接影响疾病的判别诊断。特别是在宫颈细胞的显微病理图像中,细胞核的形态大小、与细胞质之间的比例参数等对于病情的良恶诊断具有重大的意义。为提高宫颈细胞核质分割的精度,本文做了如下几个方面的工作:(1)本文在长沙市第二人民医院的病理医生的指导下制作标定了基于该医院的新柏氏液基细胞学检测TCT(Thinprep cytologic test)制片技术的宫颈TCT细胞涂片的CCTCT数据集。并通过使用适用于宫颈TCT显微细胞图像的数据扩充技术(综合了图像的旋转反射变换、缩放变换、平移变换和增加随机噪声的变换方法),解决了训练样本较少可能带来的一系列问题。(2)本文在经典医学图像分割分割算法U-net的基础上,通过对分割算法的解码器和编码器架构进行改进,提出了一种基于卷积神经网络的医学宫颈细胞图像的多尺度多输入的语义分割算法CellSeg-net。在解码器过程中,鉴于细胞图像的细节信息对于图像分割效果的关键作用,作者提出多尺度提取显微细胞图像特征的方法,并融合多输入的训练方法,使的在解码器过程中,图像细节信息损失最低。在编码器过程中,通过融合解码器过程中的相仿尺寸的特征图,使得最终的分割效果最佳。(3)本文通过详细的仿真实验,阐述了每项改进对于总体分割效果的贡献情况。并通过分析池化操作对于整体分割效果的影响,提出使用卷积操作代替池化操作的方法。同时,本研究还通过加入BN层,改善了流经网络的梯度,大大提高了训练速度,并且提出了改进后的CellSeg-net分割算法。本文通过仿真实验验证,可以得到令人满意的发现(MIou值为92.6%),证明了算法的可行性。