细胞核显微图像分类算法研究

摘要

每年全球有700多万人死于癌症，一些常见的癌症，例如肺癌，宫颈癌等可以通过细胞学检查进行诊断。因此细胞核图像分类在临床医学检验中有着重大意义。只有将细胞核图像正确分类，才能对细胞核显微图像进行病理分析，如计算细胞核的DNA指数，判断细胞是否癌变或者有其他病变。细胞核图像分类的过程主要有细胞核分割，特征计算，分类这三大步骤。
　　在细胞核图像分割中，本文使用了基于椭圆分割的ESnake算法，在使用该算法的过程中，发现该方法虽然分割效果良好，但也会出现分割失败的情况。分析了分割失败的例子后，结合了大津法分割算法，得到了更好的分割效果，并有效的提升了分类的准确率。
　　在特征的计算中，考虑到特征的区分度和计算的时间复杂度，我们总共精心选取了21个特征，这些特征主要是几何特征和光密度特征。这些特征的计算速度较快，而且有更好的区分度。本文给出了这些特征在分类中的重要性排序，可以根据需要进行筛选，进一步降低计算的时间复杂度。
　　在分类算法中，本文使用了批量算法——随机森林和支持向量机。通过实验结果分析，证明其分类准确率都比较高，完全可以投入到临床使用。但是目前该领域的研究中使用的都是批量分类算法，本文使用了在线支持分类器LASVM，用以满足训练数据动态增长的情况。该算法在训练时间方面具有极大的提升。同时本文进一步对该算法进行了改进，进一步提高了分类的准确率。

目录

声明

摘要

第一章 绪论

1．1 细胞核显微图像分类算法研究的目的和意义

1．2 细胞核图像自动识别系统的工作流程

1．3 细胞核图像分类算法的研究现状

1．4 论文组织结构

第二章 细胞核图像分割与特征提取

2．1 图像分割算法小结

2．2 细胞核数据样本说明

2．3 局部阈值与全局阈值分割算法

2．3．1 局部阈值分割

2．3．2 全局阈值分割——大津法

2．4 全局阈值与局部阈值分割实验对比

2．5 ESnake分割算法

2．5．1 传统的Snakes算法

2．5．2 基于椭圆分割的Snake

2．5．3 ESnake分割算法实验结果

2．6 ESnake分割算法出现的问题及其改进

2．7 细胞核特征提取

2．7．1 几何特征

2．7．2 光密度特征

2．8 本章小结

第三章 使用随机森林对图像分类

3．1 目前主流的分类算法

3．2 随机森林算法

3．2．1 随机森林定义

3．2．2 随机森林算法流程

3．3 随机森林的收敛

3．4 强度和相关度

3．5 Out-Of-Bag估计与特征重要性

3．5．1 OOB估计

3．5．2 特征重要性

3．6 实验结果分析

3．7 本章小结

第四章 支持向量机

4．1 支持向量机

4．2 核函数

4．3 实验结果与分析

4．3．1 参数寻优

4．3．2 分类错误样本分析

4．4 本章小结

第五章 在线学习

5．1 在线学习与批量学习的异同

5．2 在线学习算法

5．2．1 SVM的二次规划解法

5．2．2 序列最小优化

5．3 Online LASVM

5．3．1 LASVM简介

5．3．2 LASVM算法流程

5．4 LASVM算法的改进及实验结果与分析

5．5 错分类样本分析

5．6 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

致谢

参考文献