论文部分内容阅读
急性髓细胞性白血病(acute myeloid leukemia,AML)是一种病情恶化迅速的血液和骨髓性癌症。在AML中,骨髓会产生一种过量的不成熟细胞,称为母细胞。通常,母细胞会在骨髓中继续发育至成熟,然后开始发挥功能。白细胞构成人体的免疫系统,攻击并摧毁入侵的细菌和病毒,红细胞将氧气送到全身,释放二氧化碳以供肺呼吸。然而,过量的母细胞会导致这些功能都不能正常和有效地执行。因此,为了实现AML的诊断,母细胞的计数成为其关键手段。传统上,母细胞的人工检测过程不但费时,而且极容易受到人为主观态度和技术水平的影响。此外,AML细胞图像本身具有种类多、形态各异、重叠性严重等复杂特点,使得诊断结果更加难以确定。基于以上分析,本文提出一种针对骨髓涂片的辅助检测方法,研究内容有如下几方面:首先,为了实现聚合、粘连区域分割的高准确率,本文提出一种细胞图像的自动分割算法,该算法实现了基于空间聚类和隐马尔可夫随机场(Hidden Markov Random Field,HMRF)的两级分割理论。其中,该算法以像素点颜色特征为依据,在Lab色彩空间中,采用改进的k-means聚类方法得到初始化标签集。通过HMRF构建细胞图像的空间表达模型,充分利用空间约束关系,降低孤立点影响,平滑分割区域。采用期望最大值(Expectation Maximization,EM)算法优化模型参数,利用所构建的标号场和观测场的相互作用,通过迭代不断调整标签集合,迭代直至收敛得到全局最优值。其次,在细胞图像的两级分割基础之上,本文提取了各类细胞的多维特征参数,采用BP神经网络分类器对各类细胞进行识别分类。神经网络学习性能强,扩展性好,本文采用三层网络结构,采用十倍交叉验证法对分类器进行训练测试,来实现各类细胞的识别工作。对于来自骨髓涂片的61幅显微图像中的约1800个细胞的实验表明,本辅助系统在细胞分割和细胞识别的准确率上均大于95%,实现了AML疾病诊断的工作。该方法不仅仅局限于AML细胞图像的分割与识别,对于医学上其他疾病的诊断,如宫颈癌、淋巴癌等,同样能够得出较为准确的结果。