论文部分内容阅读
在乳腺癌病理诊断与预后中,改进的B loom-Richardson病理分级系统与细胞核的形态和拓扑结构特征密切相关,因此,病理图像中准确、快速的细胞核自动检测和分割是乳腺癌计算机辅助诊断与预后系统的重要基础。但是由于病理组织染色方法的多样性、图像场景与病理标志物高度复杂性、成像方法的差异性以及成像仪器的多样性等因素,导致大部分细胞核都呈现出高度复杂的形状和结构特性,比如颜色的不均匀性、细胞的重叠性、多个细胞的高度凝聚性等。因而,病理图像细胞核的自动检测和分割成为医学图像处理领域中一项非常具有挑战性的任务。针对这一问题,本文提出了基于卷积神经网络(CNN)初始化的局部区域活动边界模型(CNNiLRAC)进行细胞检测和分割,这一模型有效地结合两个模块：卷积神经网络的细胞检测模块和局部区域活动边界模型(LRAC)的细胞分割模块。第一个模块中,本文使用由稀疏自编码(SAE)初始化的CNN并结合滑动窗口技术,在高分辨率病理图像中自动检测细胞;第二个模块中,在细胞检测的基础上利用局部自适应阈值的方法生成初始轮廓,然后再使用由局部高斯分布驱动的LRAC模型进行细胞分割。本文提出的算法在三个病理图像数据集上进行了实验评估。分别与蓝色比例阈值(BR),迭代径向选举(IRV)和最大稳定极值区域(MSER)三种方法进行比较,结果表明,本文提出的CNNiLRAC模型能够准确地检测细胞并且精确地分割细胞边界。本文提出的模型在三个数据库上的检测准确率分别为F-measure:80%、86%、80%, Precision-Recall曲线中的AveP：77%、82%、74%；在其中两个有分割标准的数据库中得到的分割准确率分别为PPV:85%、89%。在深度卷积网络模型方面,本文基于传统卷积神经网络(TCNN, Traditional CNN)提出一种快速有效的多级金字塔卷积神经网络MLPCNN (Multi-level pyramid CNN)模型,该模型避免了在大尺度图像中卷积滤波速度过慢、CNN参数调节困难、训练时间过长的问题。这一网络使用权值共享的方法将低级的滤波权值共享到高级,保证CNN的训练只在较小尺寸的图像块上进行,加快训练速度。实验表明,在特征维数比较低的情况下,MLPCNN提取到的特征比传统的特征提取方法更加有效。