导读:本文包含了肿瘤细胞图像论文开题报告文献综述及选题提纲参考文献，主要关键词:小样本数据集,数据增强,径向变换,卷积神经网络
肿瘤细胞图像论文文献综述
甘岚,郭子涵,王瑶[1]（2019）在《基于径向变换和改进AlexNet的胃肿瘤细胞图像识别方法》一文中研究指出使用AlexNet实现胃肿瘤细胞图像分类时,存在数据集过小和模型收敛速度慢、识别率低的问题。针对上述问题,提出基于径向变换(RT)的数据增强(DA)和改进AlexNet的方法。将原始数据集划分为测试集和训练集,测试集采用剪裁方式增加数据,训练集首先采用剪裁、旋转、翻转和亮度变换得到增强图片集;然后选取其中一部分进行RT处理达到增强效果。此外,采用替换激活函数和归一化层的方式提高AlexNet的收敛速度并提高其泛化性能。实验结果表明,所提方法能以较快的收敛速度和较高的识别准确率实现胃肿瘤细胞图像的识别,在测试集中最高准确率为99.50%,平均准确率为96.69%,癌变、正常和增生叁个类别的F1值分别为0.980、0.954和0.958,表明该方法较好地实现了胃肿瘤细胞图像的识别。(本文来源于《计算机应用》期刊2019年10期）
徐建平,叶伟,赵洁婷,宋蓉蓉,聂琨[2]（2018）在《细胞DNA图像自动扫描与分析(DNA-ICM)技术在胸科恶性肿瘤诊断中的应用》一文中研究指出目的通过对DNA图像分析(DNA image cytometry,DNA-ICM)技术在胸科恶性肿瘤病变诊断应用的研究,寻找该技术在相关病变诊断方面潜在的优势。方法选取安徽省胸科医院2015年5月~2017年5月间送检的4 402例胸科疾病患者,选取其中701例符合要求的标本进行DNA-ICM计算机扫描与自动分析,根据分析结果区分阳性、可疑、阴性诊断,与活检结果及临床基线数据进行对比分析。结果明确恶性肿瘤病变患者的细胞倍体出现异常者可达65%,未明确诊断恶性肿瘤但提示有恶性可能的患者细胞倍体异常率为64%,而在非恶性肿瘤病变患者中则仅为8%。综合评估显示,细胞DNA倍体诊断的敏感性、特异性、阳性预测值、阴性预测值分别为73%、93%、71%、94%。OR分析发现恶性肿瘤病变比非恶性肿瘤病变引起倍体异常的风险比是23.236。结论 DNA-ICM技术对于胸科常见恶性肿瘤诊断有重要的临床应用价值。(本文来源于《临床与实验病理学杂志》期刊2018年03期）
张永焕[3]（2017）在《基于深度学习的肿瘤细胞图像识别》一文中研究指出近年来,深度学习发展迅速,在语音识别、图像识别、自然语言处理等领域应用最为广泛。同时,深度学习已经成为图像处理与识别领域中最热门的研究方向。目前肿瘤细胞图像的分类与回归算法多数属于浅层学习。浅层学习对复杂函数的表示能力有限,针对复杂分类问题其泛化能力受到一定的制约,难以解决一些更加复杂的自然信号处理问题,例如人类语音和自然图像等。而深度学习可通过学习一种深层非线性网络结构,用较少的参数表示复杂函数,实现复杂函数逼近,并展现了强大的从少数样本集中学习数据集本质特征的能力。因此,本文尝试将深度学习应用到肿瘤细胞图像分类识别中,深入研究了两种深度学习模型:卷积神经网络和反卷积网络。在所有的深度模型中,卷积神经网络对于图像处理具有独特的优势,因此本文首先尝试研究了采用卷积神经网络进行肿瘤细胞图像识别的方法。首先构建了一个针对肿瘤细胞图像特点的卷积神经网络分类模型,由2个卷积层、2个下采样层和1个全连接层组成。接着采用预训练和dropout技术对提出的卷积神经网络模型进行了改进和优化,以提高模型的鲁棒性。再利用扩大后的新的图像数据集对本文的CNN模型进行训练,等到模型收敛之后,将模型参数保存下来,以解决肿瘤图像数据少的问题。最后在原始的肿瘤细胞图像训练数据集上对模型进行训练时,由于模型参数初始化采用上述步骤中得到的参数,大大减少了模型的训练时间,使得整体模型的收敛速度加快。经过仿真实验,该卷积神经网络模型对肿瘤细胞图像的分类识别正确率可达到88%。但由于卷积神经网络调参过程很不直观,并且不能提取目标高层结构特征,识别速率较慢,因此本文尝试研究了采用自适应反卷积网络模型进行肿瘤细胞图像识别的方法。首先对使用自适应反卷积网络模型进行肿瘤细胞图像识别的可行性和必要性进行了分析,在此基础上构建了自适应反卷积网络肿瘤图像识别模型,通过模型训练和特征图推理,很好地提取了更加丰富的肿瘤图像特征。接着通过模型的重构算法,获得与输入图像保持相近的重构图像,并且具有更快的训练和推断速度。然后,结合空间金字塔匹配分类算法,对利用自适应反卷积网络提取到的特征进行训练,最终实现图像的分类。经过仿真实验,相较于卷积神经网络,该自适应反卷积网络模型的运行速率明显提高,分类识别正确率可达到91.7%。最终,将本文采用的两种深度学习方法与肿瘤细胞图像浅层学习分类方法进行仿真实验比较,在分类识别率和运行速率上均有不同程度的提高,可以看出深度学习在肿瘤细胞图像识别上的研究非常有前景。(本文来源于《华东交通大学》期刊2017-06-30）
甘岚,张永焕[4]（2016）在《基于字典学习的正则化鲁棒稀疏表示肿瘤细胞图像识别》一文中研究指出针对胃黏膜肿瘤细胞图像的高维性及复杂性的特点,为了提高稀疏表示图像识别的鲁棒性,提出了一种基于字典学习的正则化鲁棒稀疏表示(RRC)肿瘤细胞图像识别方法。该方法首先将所有的原始染色肿瘤细胞图像转化为灰度图像;然后利用具有Fisher判别约束的字典学习(FDDL)方法对肿瘤细胞图像训练样本的全局特征进行字典学习,得到具有类别标签的结构化字典;最后将具有判别性的新字典用于RRC模型进行分类识别。RRC模型是基于最大后验概率准则,将稀疏保真度表示为余项的最大后验概率函数,最终识别问题转化为求解正则化加权范数的优化逼近问题。将提出的识别方法应用于肿瘤细胞图像的最高识别率为92.4%,表明该方法能够有效地实现肿瘤细胞图像的分类。(本文来源于《计算机应用》期刊2016年10期）
黄伟强[5]（2016）在《基于量子神经网络的肿瘤细胞图像识别研究》一文中研究指出胃粘膜肿瘤细胞图像(简称肿瘤细胞图像)属于一种医学图像也是自然图像,一方面,肿瘤细胞之间具有较大的复杂性和差异性并且组织器官的形状不是规则的;另一方面,肿瘤细胞图像数据具有高阶统计的特性,使其服从非高斯分布,这样就导致肿瘤细胞图像存在大量的冗余信息。因此常用的一些分类方法像支持向量机、贝叶斯等,在分类非线性、高维性的胃粘膜肿瘤细胞图像时,分类效果并不理想。由于量子神经网络具有很强的模式概括和泛化能力,在图像分类识别上具有优势,将其应用于经过基于正态逆高斯分布(normal inverse gaussian distribution,NIG)的非负稀疏编码(non-negative sparse coding,NNSC)神经网络提取肿瘤细胞的特征图像上,构建了一种基于量子神经网络的肿瘤细胞图像分类器,分类效果有所提高。基本研究思想如下:首先,量子神经网络是量子计算理论和人工神经网络的结合,使其具有很强的并行处理能力,在学习能力、记忆容量、有效性、回忆速度、信息处理速度和消除灾变性失忆能力等方面具有较强的优势。量子自组织特征映射神经网络(quantum self-organizing feature mapping neural network,QSOFM)具有量子计算的优点也有人工神经网络的优点,这些特点使其在医学图像的分类识别中具有天然的优势,本文就是利用QSOFM的优势和特点构建了基于QSOFM的肿瘤细胞图像分类器用于分类识别。其次,因为肿瘤细胞图像的复杂性、高维性和含有大量冗余信息等特点,把其直接作为QSOFM肿瘤细胞图像分类器的输入会导致分类器运行速度很慢和分类效果不理想。所以需要寻找一种降维方法来解决这个问题,在常用的数据降维方法中,主成分分析(Principal Component Analysis,PCA)具有理论完善和最优线性重构误差等特点,可以有效的提取图像的特征信息。因此,把PCA应用到肿瘤细胞图像的降维中。经过降维操作就得到了一个低维度包含图像有效信息的数据作为QSOFM的输入。最后,为了进一步提取肿瘤细胞图像的特征信息达到提高图像分类器的识别率,利用基于NIG的NNSC神经网络对肿瘤细胞图像进行特征提取来得到特征图像,把包含了图像本质信息的特征图像作为基于QSOFM的肿瘤细胞图像分类器的输入,比输入原始图像有更高的效率和更好的效果。所以本文融合基于NIG的NNSC的神经网络构建一个基于NIG的NNSC和QSOFM的肿瘤细胞图像分类模型。该模型是一个两层神经网络模型,第一层用于特征提取,第二层用于分类识别,实验证明,分类效果和速率均有所提高。(本文来源于《华东交通大学》期刊2016-06-30）
甘岚,黄伟强[6]（2016）在《基于QSOFM的胃粘膜肿瘤细胞图像识别》一文中研究指出针对胃粘膜肿瘤细胞图像的高维性、不规则性及复杂性的特点,常用的分类方法识别率不高。为了提高识别率,提出了一种基于量子自组织特征映射神经网络(quantum self-organization feature mapping neural networks,QSOFM)的胃粘膜肿瘤细胞图像识别方法。该方法将经过主成分分析(principal component analysis,PCA)降维后的图像样本输入到QSOFM中,对其进行无监督和有监督相结合的训练,使得每类胃粘膜肿瘤细胞图像对应精确和唯一的神经元,以此达到将胃粘膜肿瘤细胞图像分为癌、增生、正常叁类细胞。实验结果表明,该识别方法在识别率和可靠性方面达到了良好的效果,相比于其他分类算法在识别率上有较大程度的提高,体现出QSOFM在图像识别领域的应用潜力。(本文来源于《计算机应用研究》期刊2016年06期）
甘岚,孙开杰,谢丽娟[7]（2015）在《基于SAM-CS和SOFM的胃上皮肿瘤细胞图像识别》一文中研究指出针对胃上皮肿瘤细胞图像(以下简称肿瘤细胞图像)黏结严重和信息冗余的特点,提出了一种将自适应观测矩阵的压缩感知(SAM-CS)和自组织特征映射(SOFM)神经网络相结合的算法。该算法将肿瘤细胞图像拉成列向量,然后利用通过自适应过程产生的观测矩阵,基于压缩感知理论对图像信息进行观测,产生线性观测向量,最后利用SOFM神经网络的学习算法对观测向量进行训练和分类,实现对肿瘤细胞图像的识别。实验表明,相比常用算法,该算法至少提高了4.2%的识别准确率和5.7%的运算速度。(本文来源于《计算机工程与科学》期刊2015年08期）
赵慧,周军[8]（2015）在《软组织肿瘤细胞图像形态学边缘检测——L＊a＊b＊色彩模式下》一文中研究指出针对软组组肿瘤细细胞形态学特性,在灰度形态学的基础上,提出了一种基于L*a*b*色彩空间的形态学数字图像处理理论,并给出了彩色模式下多结构元素、多尺度的软组织肿瘤细胞的边缘检测算法。实验结果表明,该算法很好的利用L*a*b*色彩空间的特性和形态学特点,对形态学梯度算子加以修正,提取的边缘完整、连续,且图像边缘的细节丰富、边缘定位准确。(本文来源于《现代商贸工业》期刊2015年13期）
谢丽娟[9]（2014）在《基于压缩感知和神经网络的肿瘤细胞图像识别研究》一文中研究指出肿瘤细胞图像是一种医学图像和自然图像，具有高维复杂的特性，含有较多的冗余信息。目前针对医学图像的识别尤其是肿瘤细胞图像的识别出现了各种不同的分类诊断方法，但一般的分类方法分类效果并不理想。为此，本文提出了一种基于压缩感知和神经网络的肿瘤细胞图像分类模型。该模型将压缩感知(CS)和自组织特征映射(SOFM)神经网络结合起来，能够快速有效地提取出肿瘤细胞图像中的本质特征，最终较好地实现肿瘤细胞图像分类。其基本思想如下所述：首先，由于肿瘤细胞图像的高维复杂的特征不利于图像分类，因此在分类之前需要对其进行双向二维主成成分分析(Bi2DPCA)降维操作处理，便于后续的特征提取和分类训练。选择两次最佳投影维数实现肿瘤细胞的最佳降维，得到的降维图像数据用以后续处理的数据输入。其次，由于压缩感知具有克服传统奈奎斯特采样定理的限制，同时实现信号的采样和压缩的优势，因此用CS对肿瘤细胞图像进行特征提取。通过图像在信号稀疏基选择、自适应测量矩阵的设计及与其它常用的特征提取方法的实验对比，进一步说明压缩感知较好的提取肿瘤细胞图像本质特征。同时，通过压缩感知中常用信号重构方法重构图像，更直观地显示图像特征提取的效果。再次，由于SOFM是一种自适应无监督训练网络，因此建构基于CS和SOFM神经网络的肿瘤细胞图像分类器模型。该模型以CS提取的本质特征作为输入层的数据输入，利用自适应的SOFM神经网络的学习算法进行训练，能够较好地将肿瘤细胞图像分类为正常、癌变和增生叁大类。经过大量的对比实验可知，本文提出的方法无论是从分类准确度或者是运行时间上，比其他方法更具优势。最后，将本文构建的基于压缩感知和SOFM神经网络肿瘤细胞图像分类模型应用于肿瘤细胞图像辅助诊断系统中，取得了较好的识别效果。(本文来源于《华东交通大学》期刊2014-06-30）
刘晴,马彦丽,朱绪臻[10]（2014）在《依据PET/CT、CT图像勾画非小细胞肺癌肿瘤大体靶区对比观察》一文中研究指出目的对比观察PET/CT图像、CT图像在Ⅲ期非小细胞肺癌(NSCLC)肿瘤大体靶区(GTV)的勾画。方法Ⅲ期NSCLC患者30例,采用PET/CT胸部放疗定位,将PET/CT图像传输至计划系统,由4位放射肿瘤医师分别先后依据CT图像和PET/CT图像目测勾画GTV,包括肺部原发灶和转移淋巴结,分别表示为GTVct和GTVpet/ct,并进行比较。结果 30例患者的GTVpet/ct为(147.4±7.1)cm3,GTVct为(192.0±22.0)cm3,两者比较P=0.025。有8例GTVpet/ct大于GTVct,其中2例体积变化>25%;有22例GTVpet/ct小于GTVct,其中13例体积变化>25%。15例体积变化>25%的患者均为中心型肺癌,6例周围型肺癌GTV体积变化在20%以内。不同勾画者勾画的GTV之间无统计学差异,但是依据PET/CT图像勾画的GTV体积变异较单纯依据CT图像勾画的体积变异减小。结论PET/CT图像较CT图像能更准确地确定伴有阻塞性肺不张肺癌的原发灶以及更准确地确定转移淋巴结范围,减小勾画者之间的主观差异,更好地指导Ⅲ期NSCLC患者靶区的勾画。(本文来源于《山东医药》期刊2014年23期）
肿瘤细胞图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的通过对DNA图像分析(DNA image cytometry,DNA-ICM)技术在胸科恶性肿瘤病变诊断应用的研究,寻找该技术在相关病变诊断方面潜在的优势。方法选取安徽省胸科医院2015年5月~2017年5月间送检的4 402例胸科疾病患者,选取其中701例符合要求的标本进行DNA-ICM计算机扫描与自动分析,根据分析结果区分阳性、可疑、阴性诊断,与活检结果及临床基线数据进行对比分析。结果明确恶性肿瘤病变患者的细胞倍体出现异常者可达65%,未明确诊断恶性肿瘤但提示有恶性可能的患者细胞倍体异常率为64%,而在非恶性肿瘤病变患者中则仅为8%。综合评估显示,细胞DNA倍体诊断的敏感性、特异性、阳性预测值、阴性预测值分别为73%、93%、71%、94%。OR分析发现恶性肿瘤病变比非恶性肿瘤病变引起倍体异常的风险比是23.236。结论 DNA-ICM技术对于胸科常见恶性肿瘤诊断有重要的临床应用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
肿瘤细胞图像论文参考文献
[1].甘岚,郭子涵,王瑶.基于径向变换和改进AlexNet的胃肿瘤细胞图像识别方法[J].计算机应用.2019
[2].徐建平,叶伟,赵洁婷,宋蓉蓉,聂琨.细胞DNA图像自动扫描与分析(DNA-ICM)技术在胸科恶性肿瘤诊断中的应用[J].临床与实验病理学杂志.2018
[3].张永焕.基于深度学习的肿瘤细胞图像识别[D].华东交通大学.2017
[4].甘岚,张永焕.基于字典学习的正则化鲁棒稀疏表示肿瘤细胞图像识别[J].计算机应用.2016
[5].黄伟强.基于量子神经网络的肿瘤细胞图像识别研究[D].华东交通大学.2016
[6].甘岚,黄伟强.基于QSOFM的胃粘膜肿瘤细胞图像识别[J].计算机应用研究.2016
[7].甘岚,孙开杰,谢丽娟.基于SAM-CS和SOFM的胃上皮肿瘤细胞图像识别[J].计算机工程与科学.2015
[8].赵慧,周军.软组织肿瘤细胞图像形态学边缘检测——L＊a＊b＊色彩模式下[J].现代商贸工业.2015
[9].谢丽娟.基于压缩感知和神经网络的肿瘤细胞图像识别研究[D].华东交通大学.2014
[10].刘晴,马彦丽,朱绪臻.依据PET/CT、CT图像勾画非小细胞肺癌肿瘤大体靶区对比观察[J].山东医药.2014