病理组织切片图像的分型识别及其并行化研究

摘要

在诊断疾病期间，医生通常在显微镜下对组织切片进行观察，寻找不同的病理标志物来判断分型。然而，这种人工分析方法耗时且主观，不同医生的诊断结果存在不一致。这可能导致对患者的“过度治疗”和“不当治疗”。因此，本文研究了病理组织切片的分型识别，提出了一种计算机识别方式。 首先，本文研究了不同染色效果下的核分割，并分别改进了基于区域生长和分水岭的分割算法。在区域生长的算法中，先将SLIC与二维OTSU相结合改进种子点的获取，保证种子点的完备性。然后，采用多尺度的生长方式改进生长准则，减少重复生长提升效率。在基于分水岭的分割算法中，为去除噪声杂质与回归标记点，对快速径向对称变换(FRST)进行了改进。在分离出的H通道上以改进的FRST获得前景标记后，对梯度图像进行多结构开闭滤波以及多尺度开闭重建。基于前景标记和平滑的梯度图像，分水岭算法对细胞核进行分割。实验结果表明，改进后的区域生长与分水岭对比其他算法分割效果良好。 分割完成后，从病理图像中提取核的空间、形状、纹理特征，构建随机森林分类器。在实验中，本文研究多类特征与分型识别的相关性，筛选出影响分型识别的重要特征，得到优化后的特征集合。实验结果表明，新特征集下分类器的性能得到了提高，病理图像识别达到了预期的效果。 因随机森林训练阶段耗时较长，本文对随机森林的广度优先并行化进行研究，提出了一种并行化方案。实验结果表明，该方案可以缩短训练时间，提高分型识别效率。

目录

第一章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 分型识别相关算法

1.2.2 算法并行化

1.3 本文研究内容

1.4 论文组织结构

第二章 病理切片图像分割算法研究

2.1 引言

2.2 基于SLIC与二维OTSU的多尺度区域生长

2.2.1 相关算法介绍

2.2.2 基于超像素Otsu2d的种子选取

2.2.3 多尺度降序最大值

2.2.4 算法整体流程

2.2.5 实验结果及分析

2.3 基于FRST漂移标记的单通道分水岭算法

2.3.1 相关算法介绍

2.3.2 基于改进FRST的前景标记获取

2.3.3 形态学滤波

2.3.4 算法整体流程

2.3.5 实验结果及分析

2.4 本章小结

第三章 基于随机森林算法的分型识别

3.1 引言

3.2 随机森林算法

3.2.1 决策树及相关概念

3.2.2 随机森林模型

3.3 病理切片图像的分型识别

3.3.1 分型识别流程

3.3.2 图像特征数据库获取

3.3.3 随机森林分类器的训练与参数优化

3.3.4 实验结果及分析

3.4 本章小结

第四章 基于CUDA的随机森林算法并行化

4.1 引言

4.2 CUDA编程模型

4.2.1 主机和设备

4.2.2 线程层次结构

4.2.3 CUDA硬件架构

4.2.4 存储器层次结构

4.3 CUDA并行程序优化

4.4 随机森林算法的并行化

4.4.1 广度优先训练并行化

4.4.2 整体流程

4.5 实验结果及分析

4.6 本章小结

第五章 总结与展望

5.1 本文工作总结

5.2 全文展望

致谢

参考文献

附录

图版

声明