基于局部纹理特征描述的HEp-2细胞染色模式分类

摘要

通过间接免疫荧光（IIF）图像进行抗体抗核分析（ANA）是现代医学对自身免疫疾病进行诊断的有效手段，由于大规模检测分析是一项非常繁琐且耗时的工作，同时为了提高检测的效率和可靠性，亟需研究基于计算机视觉的ANA自动分析系统来辅助专家进行诊断。目前对于IIF荧光图像的分析主要集中在染色模式的分类，不同的染色模式与不同的免疫疾病密切相关，因此染色模式的准确分类对于最后的诊断非常重要。目前专家关注的染色模式主要有六类，即Centromere，Homogeneous，Nucleolar，Coarse Speckled，Fine Speckled和Cytoplasmatic。荧光染色模式的准确分类目前仍然是一个非常困难的问题，造成其分类困难的原因在于，荧光成像受环境影响比较大，不同染色模式细胞图像外观差异变化大，而其中一些染色模式又具有非常相似的视觉特性，因此如何获得高鉴别性和鲁棒性特征来描述染色模式特性是一个非常棘手的问题。荧光染色模式的分类主要涉及图像预处理、图像特征提取、分类器设计三个环节，其中特征提取是算法成败的关键，相比预处理和分类器设计更为重要。
　　本研究主要内容包括：⑴研究了LBP及改进的CLBP特征在HEP-2染色模式分类中的应用，并采用一种新颖的神经网络集成分类器和经典的LIBSVM分类器验证了LBP特征的有效性。⑵利用shape index对图像中的二维结构的直观描述能力，实现HEp-2细胞染色模式的纹理表示，并结合尺度空间理论和基于灰度信息的空间分解提出了一种新的适合于 HEp-2细胞染色模式分类的特征提取方法，该特征具备对图像中微观二维图像结构和空间信息的描述能力。该方法在ICPR2012竞赛数据集和SNP HEp-2数据集上获得了非常好的分类效果，其分类性能优于LBP、CLBP等纹理特征描述技术，在ICPR测试数据集中达到了和竞赛第一名CoALBP相当的准确率。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题来源

1.2 课题研究背景及意义

1.3 研究现状及存在的问题

1.4 研究内容

1.5 本文组织结构

第2章 相关知识、测试数据及预处理

2.1 神经网络分类器

2.2 支持向量机

2.3 数据集

2.4 图像预处理

2.5 本章小结

第3章 基于LBP特征的染色模式分类

3.1 引言

3.2 LBP特征提取

3.3 CLBP特征提取

3.4 分类器设计

3.6 实验结果与分析

3.5 本章小结

第4章基于shape index特征和空间分解的染色模式分类

4.1 引言

4.2基于shape index的特征提取

4.3 空间分解策略

4.4 基于直方图的特征向量构建

4.5 实验结果与分析

4.6 本章小结

第5章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

在学期间发表的学术论文与研究成果