收藏本站
收藏 | 论文排版

病理图像精细化分析算法研究

崔磊  
【摘要】:病理切片是临床疾病诊断的金标准,病理医生通过对病理切片进行镜检,完成病理诊断和预后评估,整个过程对于病理医生而言既费时费力又富有挑战。近年来,随着数字病理切片在病理诊断中的不断应用,机器学习方法走进了病理领域,并且推动着病理分析逐渐从定性分析向定量分析转变。计算机辅助数字病理分析能够帮助病理医生克服人工诊断易受认知能力、主观经验、疲劳程度等诸多因素影响的情况,同时可以有效提高病理诊断的准确率和稳定性,减少误诊和漏诊,对病情诊断和治疗方案的选择都有着重大意义。目前,无论是传统的机器学习还是最近发展的深度学习在病理图像分析中均展现出了巨大潜力,但由于计算机辅助病理诊断临床应用需满足各种更为精细化的要求和缺少标注数据等挑战,多数已有研究方法仍然无法满足临床应用的要求。本文基于这一现状,进一步探究了病理图像的精细化分析,主要内容包含如下:(1)针对临床病理诊断的高效性要求,本文提出了一种新的分布式并行方法,即采用数据和模型同时并行的方法来完成骨骼肌病理图像的快速分割。基于Spark云平台,采用master-worker并行的方式,并在每个worker节点上,首先采用具有快速并行预测功能的结构化随机森林边缘检测器检测边缘,然后使用超像素方法生成候选区域,最后利用条件随机场算法提出了一种基于层次树的区域选择算法,同时利用多核编程技术做了进一步并行化。通过实验证明,本文所提出的并行方法相较于单机模式在大尺度骨骼肌病理图像分割中实现了10倍的速度提升。(2)针对临床病理诊断的高精确性要求,本文提出了一种基于深层次连接网络的全场骨骼肌病理图像精细分割算法。所提出的深层次连接网络通过在编码器模块的不同层加入具有独立损失函数的解码器来实现多尺度预测,并将多尺度预测结果组合后生成更鲁棒的精细分割,有效地解决了现有端到端卷积神经网络在细胞分割时输出相对粗糙的问题,最后采用一种两阶段学习策略来有效地训练所提出的深层网络。通过在骨骼肌病理图像数据集上的实验证明了与其他现有方法相比,本文的方法在分割效率和准确率上均有显著的提高。(3)针对缺乏大量已标注病理图像这一挑战,本文提出了一种新的基于半监督深度线性判别分析的组织病理图像分类算法。首先将深度神经网络的损失函数替换为线性判别分析的损失函数,目的是生成具有最小化类内距离和最大化类间距离的特征,同时构建一个鲁棒且有效的图拉普拉斯;然后利用已标注和未标注图像特征构造的图(Graph)来设计一个新的损失函数,并将其作为深度神经网络的损失函数;最后利用网络所生成的特征完成分类。通过在骨骼肌和肺癌病理图像上的验证实验证明了本文方法优于多数现有方法。(4)针对临床病理诊断的高实用性要求,本文提出了一种基于深度学习的肺癌生存分析模型。首先提出采用带有全局平均池化的深度神经网络构建端到端的细胞特征学习模块,并使用基于局部约束线性编码和词袋编码算法将细胞级特征聚合到患者级的特征向量;然后提出基于弹性网络惩罚的Cox比例风险模型,并将其应用于特征选择和生存分析;最后还提出了一种生物标志物的可视化方法来帮助医生定位那些有助于生存分析模型决策的图像区域。通过大量的验证实验证明了所提出的生存分析模型对TCGA肺癌数据集具有良好的预测能力。


知网文化
【相似文献】
中国期刊全文数据库 前16条
1 马鑫;耿道颖;;深度学习应用于病理图像诊断的研究进展[J];上海医学;2020年05期
2 袁晶;龚歆;;医学人体病理图像提取优化识别仿真[J];计算机仿真;2017年07期
3 刘靖雯;黄理灿;;基于Inception-ResNet-V2的乳腺癌病理图像识别研究[J];软件导刊;2020年05期
4 宋杰;肖亮;练智超;蔡子贇;蒋国平;;基于深度学习的数字病理图像分割综述与展望[J];软件学报;2021年05期
5 王素英;张慧芝;丁华新;;一种自动化的数字病理图像质量控制方法[J];科学技术创新;2021年32期
6 胡晋华,徐力群;数字化病理图像的采集方法[J];中华皮肤科杂志;2003年04期
7 阎婷;国世星;刘亦倩;彭美兰;刘丽丽;刘慧娟;郭敏;王璐;;食管鳞状细胞癌病理图像特征预后价值分析[J];中华肿瘤防治杂志;2021年07期
8 郑钰山;姜志国;;组织病理图像检索及其癌症辅助诊断方法概述[J];中国体视学与图像分析;2019年04期
9 万亚利;彭仁华;;基于深度可分离卷积的组织病理图像分类[J];新型工业化;2021年07期
10 毛丽珍;汤红忠;范朝冬;曾淑英;;低秩判别性字典学习及组织病理图像分类算法[J];小型微型计算机系统;2019年09期
11 汪琳琳;施俊;韩振奇;刘立庄;;结合卷积神经网络与图卷积网络的乳腺癌病理图像分类研究[J];北京生物医学工程;2021年02期
12 张丹;陆铖;代才;吴玉欣;卢千帅;雷秀娟;;基于数字组织病理图像的肿瘤与微环境相互作用风险模型在口咽癌症中的预后研究[J];中国生物医学工程学报;2020年05期
13 张钢;钟灵;黄永慧;;一种病理图像自动标注的机器学习方法[J];计算机研究与发展;2015年09期
14 彭凤翔,罗进;病理图像远程会诊5例体会[J];武警医学;2000年08期
15 温佳圆;林国钰;张逸文;周志涛;曹蕾;冯琴昌;;应用深度学习网络实现肾小球滤过膜超微病理图像的语义分割[J];中国医学物理学杂志;2020年02期
16 詹翔;张婷;林聪;冯玮延;赵杏;;基于深度学习的乳腺病理图像分类实验方法[J];计算机应用;2019年S2期
中国重要会议论文全文数据库 前7条
1 李志宏;史元春;;Web上基于内容的病理图像检索的设计与展望[A];信息科学与微电子技术:中国科协第三届青年学术年会论文集[C];1998年
2 郑唯强;;虚拟显微镜技术在病理学的应用[A];中华医学会病理学分会2006年学术年会论文汇编[C];2006年
3 陈瑞扬;;口腔病理学短期培训方法探讨[A];2016年全国口腔医学教育学术年会论文集[C];2016年
4 郑清平;周泽斌;;一款较适用于病理图像数字化处理的数码相机[A];面向二十一世纪的生物医学体视学和军事病理学论文摘要汇编[C];2000年
5 张丽熙;刘秉瀚;郑智勇;;一种淋巴瘤细胞图像的分割方法[A];第二十三届中国控制会议论文集(下册)[C];2004年
6 吴波;;基于虚拟显微镜的数字化病理诊断平台——病理诊断工作的未来模式[A];第九届全国生物医学体视学学术会议、第十二届全军军事病理学学术会议、第八届全军定量病理学学术会议论文汇编[C];2014年
7 姜志国;张立国;史骏;;基于内容的数字病理切片检索技术研究[A];第八届全国生物医学体视学学术会议、第十一届全军军事病理学学术会议、第七届全军定量病理学学术会议论文(摘要)汇编[C];2012年
中国博士学位论文全文数据库 前8条
1 崔磊;病理图像精细化分析算法研究[D];西北大学;2019年
2 程君;基于病理图像和基因数据的肾癌预后预测研究[D];南方医科大学;2018年
3 陆紫箫;基于深度学习的乳腺癌病理图像量化与影像基因组学分析[D];南方医科大学;2020年
4 陈佳梅;乳腺浸润性导管癌计算机辅助的预后[D];武汉大学;2017年
5 孙沐毅;基于深度学习的数字病理图像识别分析与应用研究[D];北京邮电大学;2020年
6 宋杰;基于轮廓推断与稀疏学习的复杂病理图像个体细胞分割方法[D];南京理工大学;2019年
7 李方召;医学图像分割算法研究[D];国防科技大学;2019年
8 潘细朋;基于深度卷积网络的病理图像细胞检测、分割及识别算法研究[D];北京邮电大学;2019年
中国硕士学位论文全文数据库 前20条
1 王督;基于深度学习的医学病理图像智能分析算法研究[D];上海交通大学;2018年
2 毛丽珍;基于判别性字典学习的组织病理图像分类研究[D];湘潭大学;2019年
3 蔡程飞;基于结直肠病理图像计算的预后研究[D];南京信息工程大学;2019年
4 汤博;基于胶囊神经网络的癌症数字病理图像预测方法研究[D];中国科学技术大学;2019年
5 李琛;基于内容的病理图像检索方法的研究与实现[D];东北大学;2015年
6 朱甘政;病理图像清晰化技术的研究与实现[D];东北大学;2017年
7 刘慧玲;基于多空间特征提取的肝癌病理图像识别的研究与实现[D];东北大学;2017年
8 阚贤响;HE染色乳腺癌组织病理图像分级研究[D];武汉大学;2017年
9 吴雨;基于病理图像诊断的专家系统研究与实现[D];武汉理工大学;2010年
10 王云涛;面向腺癌数字病理图像的智能处理算法研究[D];河北大学;2020年
11 徐玉杰;基于特征融合的乳腺组织病理图像分类研究[D];武汉理工大学;2020年
12 龚磊;基于病理图像的乳腺肿瘤定量化分析[D];南京信息工程大学;2016年
13 刘万强;基于光学扫描的病理图像分类研究[D];电子科技大学;2020年
14 陈哲;数字病理图像的自动分析与判读方法研究[D];东华大学;2021年
15 王赛;有限标注下的病理图像细胞检测研究[D];北京交通大学;2021年
16 程敏霞;基于深度学习的阴道微生态病理图像分类识别技术研究[D];湖南大学;2020年
17 张萍;肺部病理图像细胞分割方法研究[D];沈阳工业大学;2021年
18 王娟;基于深度学习的乳腺组织病理图像分类方法研究[D];华东交通大学;2021年
19 程年;基于深度学习的乳腺癌病理图像分类和分割[D];东南大学;2019年
20 王玉山;基于神经网络的病理图像融合识别研究与实现[D];武汉理工大学;2010年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978