论文部分内容阅读
由于人们的工作和生活压力普遍增大,饮食和生活习惯的不规律,导致全球癌症患病人口一直处于一个不断上升的趋势。及早的确诊癌症病情,对于挽救癌症病人的生命至关重要。科学研究发现,人类的微血管密度与恶性肿瘤和癌细胞的侵入深度有关,当恶性肿瘤的长度超过3cm时,就需要新生成微血管来为其提供养料和氧气,同时排出废弃物。因此,癌症的早期诊断可以通过测量微血管的密度来实现。目前,微血管密度的测量主要依赖于定量分析,即对热点区域(微血管分布比较密集的区域)的微血管进行人工计数,这种方式不但耗时容易出错,而且不同观测者的观测结果之间存在差异性。现代组织病理学上采用对微血管图像进行分类的算法来预测癌症,不过仍然处在很原始的阶段,存在着很多不足,比如,需要人工观测、分类算法不具备通用性。因此,微血管图像的分类的算法仍待优化和改进。微血管图像的分类本质上是对微血管图像进行二分类,因此,可以借助图像处理领域的分类算法来解决。本论文的主要研究工作是基于特征学习的微血管图像分类算法,创新点主要包括以下三个部分:(1)研究了视觉词包(Bag of Visual Words,BOVW)模型、Fisher向量(Fisher Vector,FV)模型和VLAD(Vector of Locally Aggregated Descriptors)模型,提出了基于空间特征的微血管图像分类算法。具体包括:基于空间金字塔模型的微血管图像分类算法,基于Fisher向量特征的微血管图像分类算法和基于VLAD模型的微血管图像分类算法,并通过实验进行了对比和分析。(2)研究了稀疏编码,提出了基于稀疏编码的微血管图像分类算法和基于组稀疏的微血管图像分类算法,并通过实验进行了对比和分析。(3)研究了深度学习,提出了基于卷积神经网络(Convolutional Neural Networks,CNN)的微血管图像分类算法,并通过实验进行了对比和分析。本论文研究了多种基于特征学习微血管图像分类算法,通过大量实验进行了对比和分析,提出了基于组稀疏的微血管图像分类算法。实验表明,基于特征学习的微血管图像分类算法能够有效地解决微血管图像的分类问题,为癌症的早期预测提供可靠的参考依据。