检索结果-南通市图书馆

基于半监督深度学习的数字病理图像细胞核检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于半监督深度学习的数字病理图像细胞核检测方法研究

作者：田晨晨中国科学技术大学

学位级别：硕士

作为病理图像分析的一项关键步骤,自动的细胞核检测可为细胞形态、纹理等量化分析提供支持,对于癌症等疾病的诊断具有重要意义。目前深度学习方法已成功应用于数字病理图像中自动的细胞核检测,但其检测性能依赖大量有标注数据,带来极其... 详细信息

作为病理图像分析的一项关键步骤,自动的细胞核检测可为细胞形态、纹理等量化分析提供支持,对于癌症等疾病的诊断具有重要意义。目前深度学习方法已成功应用于数字病理图像中自动的细胞核检测,但其检测性能依赖大量有标注数据,带来极其昂贵的标注成本。因此,在少量有标注数据的基础上,通过有效利用无标注数据的半监督学习方法近年来受到了广泛关注。为有效降低标注成本并提升细胞核检测性能,本文提出了一种基于对抗图像重建的半监督细胞核检测框架LAIRS,并在此基础上通过结合Mean Teacher方法,进一步提出了半监督细胞核检测框架MT-LAIRS,用于实现更为精准的细胞核检测。具体研究内容如下:(1)本文提出了一种新颖的基于对抗图像重建的半监督细胞核检测框架LAIRS。该方法在使用少量有标注病理图像进行有监督训练的同时,通过将无标注病理图像输入检测网络,进而利用相应的细胞核位置概率图实现位置感知的图像重建。此外,为提升图像重建效果,本文采用了图像级和实例级的多重判别器,分别对重建图像和输入图像在整体和局部区域范围内进行判别。在此基础上,利用图像重建一致性损失函数为LAIRS的训练提供正则化约束,从而实现对病理图像中细胞核的有效检测。本文在多个性能评估指标上与现有方法进行对比,验证了 LAIRS在细胞核检测方面的优势。(2)在上述研究工作的基础上,本文进一步提出了一种基于Mean Teacher方法的半监督学习框架MT-LAIRS。该方法首先分别构建用于细胞核检测的学生网络和教师网络,然后将经随机扰动的无标注病理图像分别输入到上述网络,同时利用图像重建一致性损失函数为检测框架的训练提供正则化约束。在此基础上,通过构建反映学生和教师网络输出差异的输出一致性损失函数,为MT-LAIRS的训练进一步施加额外的正则化约束,从而有效提升模型的泛化能力。实验结果表明,MT-LAIRS与现有方法相比可显著提高细胞核检测性能。

关键词：细胞核检测半监督学习数字病理图像

基于动量对比学习的数字病理图像弱监督分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于动量对比学习的数字病理图像弱监督分类方法研究

作者：王耀威云南大学

学位级别：硕士

长期以来,癌病在全球内严重危害人体健康,其发生率和致死率一直居高不下。在实际临床治疗中,组织病理学检验始终是治疗肿瘤最直接、准确的。但是,组织病理图像诊断需要病理学家在高倍率下观察细胞的结构变换,这要求病理学家具有极高的水... 详细信息

长期以来,癌病在全球内严重危害人体健康,其发生率和致死率一直居高不下。在实际临床治疗中,组织病理学检验始终是治疗肿瘤最直接、准确的。但是,组织病理图像诊断需要病理学家在高倍率下观察细胞的结构变换,这要求病理学家具有极高的水平,国内的高水平的病理学家极度匮乏。近年来,人工智能技术在医学影像领域的许多方面取得了惊人的成就,组织病理图像的智能诊断也取得了巨大进步。现有的一些研究通常依赖于病理学家对病患区域进行像素级标注,但是,通常情况下获取像素级注释存在各种各样的的限制,这严重影响了数字病理图像智能化分析的发展。为了解决这一问题,现有的方法通常利用弱监督多实例学习(Multiple Instance Learning,MIL)方法对数字病理图像进行分类。虽然MIL算法在数字病理图像上得到了广泛的应用,但是依然存在一些待解决的问题。首先,在将数字病理图裁剪为图块之后,需要一个特征提取器来降低维度。通常,特征提取器是在Image Net(自然图像数据集)上预训练的。众所周知,自然图像和组织病理学图像之间存在显着差异,这会导致特征提取器难以提取判别性特征,降低下游分类任务的性能。其次,传统的MIL方法假设数字病理图像中的所有图块都是独立的,从而忽略了它们之间的潜在关系。再次,数字病理图像包含不同分辨率的图像,如何高效融合不同分辨率的信息也是数字病理图像分类任务中的重要工作。为了解决上述挑战,本文提出一种基于动量对比学习的数字病理图像弱监督分类框架,具体来说主要的工作及创新点如下所示:(1)在特征提取方面,基于数字病理图分辨率高、标注信息难获取等特点,论文提出了使用对比学习来训练数字病理图像的特征提取器。与传统方法使用在Image Net上预训练的特征提取器相比,对比学习训练的特征提取器能够提取更加具有判别性的特征并且能够有效过滤数字病理图像染色不均给模型带来的影响。(2)在分类算法方面,针对传统基于MIL对数字病理图像进行分类的方法丢失空间结构信息的问题。本文提出了一种双分支的分类方法,方法通过Transformer来捕获数字病理图像的全局表示,通过卷积神经网络来提取数字病理图像的局部特征,并以交互的方式进行融合,最大程度的捕获了数字病理图像的局部和全局信息。(3)在多尺度信息融合方面,为了更够获取数字病理图更加全面的描述,提出了一种基于金字塔级联策略的多尺度信息融合方法,有效的捕获了不同尺度下不同级别的纹理信息,从而进一步提高了模型的准确性。

关键词：数字病理图像弱监督学习辅助诊断对比学习医疗影像分析

面向数字病理图像的通用智能视觉研究系统的设计与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向数字病理图像的通用智能视觉研究系统的设计与实现

作者：王加栋东南大学

学位级别：硕士

数字病理图像是数字化病理技术的产物。近年来,数字化病理技术不断更新,数字病理图像的质量与信息量随之显著上升,其潜在价值亟待发掘。与此同时,深度学习技术在计算机视觉领域大放异彩。数字病理图像包含丰富信息的特点与深度学习善于... 详细信息

数字病理图像是数字化病理技术的产物。近年来,数字化病理技术不断更新,数字病理图像的质量与信息量随之显著上升,其潜在价值亟待发掘。与此同时,深度学习技术在计算机视觉领域大放异彩。数字病理图像包含丰富信息的特点与深度学习善于挖掘高维信息的特性十分契合,基于数字病理图像的深度学习任务越来越引起研究者关注。研究这一类课题对计算机视觉、病理学以及辅助诊断等领域的发展具有重要的促进作用,同时对医疗体系的进步有深远意义。但是,作为该类课题的主要研究者的医生受到编程能力不足、硬件设备应用困难、工具匮乏等问题的制约,难以充分利用数据和医学知识。这一问题逐渐成为阻碍该类课题的研究进程主要原因之一。为降低医生从事该类课题的门槛,本文设计并实现了一个通用的面向数字病理图像的智能视觉研究系统。本文从需求分析、系统设计与实现、系统部署与应用测试三个主要方面对本系统进行剖析论述。首先,基于数字病理图像和深度学习的发展现状和特点,结合病理医生和深度学习研究者的工作经验,分析了系统的功能需求与非功能需求。然后,根据需求分析结论,确定了本系统使用B/S架构,为用户提供包括图像标注、数据集管理、任务管理、模型应用等完备的深度学习实验功能模块,并集成了应用于图像分类任务的FPN网络、应用于图像分割的Deep Lab-V3网络和应用于目标检测的Inception-V3网络,实现了智能视觉任务的通用性需求。接下来,以***为前端框架,Django为后端框架,Postgre SQL为核心数据库,Redis为缓存,Rabbit MQ为消息队列,Vuetify为前端UI库,完成系统的设计和开发工作。最后,使用Docker容器技术完成系统的部署任务,通过具体应用案例详细系统介绍了系统具备的能力,并进行了充分测试以确保整个系统能够稳定运行。本系统为应用数字病理图像和进行深度学习实验提供了易用、完备的工具,降低了基于数字病理图像的深度学习课题的研究门槛,加快研究进程。目前本系统在实际工作中表现优秀,并得到了良好的应用反馈。

关键词：数字病理图像计算机视觉深度学习 B/S架构

数字病理图像组织区域半自动分割模型的研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

数字病理图像组织区域半自动分割模型的研究与实现

作者：陈开润重庆大学

学位级别：硕士

数字病理图像组织区域分割是对图像中上皮、腺腔、纤维等组织进行分割和实例描述。病理图像中组织区域的自动分割可先验性地确定最大诊断价值区域,为临床诊断提供支持,尤其是对病因和病变严重程度的判断。近年来,智能诊断技术的研究使... 详细信息

数字病理图像组织区域分割是对图像中上皮、腺腔、纤维等组织进行分割和实例描述。病理图像中组织区域的自动分割可先验性地确定最大诊断价值区域,为临床诊断提供支持,尤其是对病因和病变严重程度的判断。近年来,智能诊断技术的研究使大规模注释的组织病理学数据集的需求显著上升。针对病理图像质量参差不齐、人工分割难度大等行业性问题,本文基于弱监督学习和深度学习方法,构建了有效的、半自动的、极具泛化能力的数字病理图像分割模型。模型首先对染色标准化的病理图像进行多尺度的超像素划分,由经过基本病理培训的人员标记每个超像素属于特定组织的概率,实现由人工干预的组织病理学知识注入。其次是基于弱监督学习方法训练标记的超像素,实现测试图像的超像素分类,同样由经过病理培训的人员对分类结果进行评估和反馈,根据反馈信息模型参数重新被调整,分类-评估-反馈-调参这一过程被循环直至模型达到最优。人工标记的和正确分类的超像素按照划分索引重组为病理图像,至此实现病理图像组织区域的预分割。基于深度卷积神经网络(U-Net+Res Net50)算法端到端地学习预分割结果图像数据集,最终实现病理图像组织区域的自动分割。在新桥医院病理科提供的六百张H&E染色宫颈病理图像上进行了模型的有效性评估。结果显示,本文方法在宫颈病理图像中取得了94.62%的上皮分割准确率和93.96%的腺腔分割准确率,相比于传统方法,本文提出的病理图像组织区域半自动分割模型可以实现病理图像组织区域更加快速、准确的分割,将医生从繁重的手工勾勒注释任务中解放,为病理学智能诊断奠定了基础,同时也为医学图像分割问题提供了通用的解决方案。

关键词：数字病理图像组织分割超像素深度卷积神经网络

《宫颈液基细胞学的数字病理图像采集与图像质量控制中国专家共识》解读

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

协和医学杂志 2022年第4期13卷 571-573页

作者：梁莉南方医科大学南方医院病理科广州510515

为促进宫颈液基细胞学标准化数字病理图像资源库的建立及人工智能辅助诊断产品的研发和应用,由中国医师协会病理科医师分会数字病理与人工智能病理学组、中华医学会病理学分会数字病理与人工智能工作委员会及中华医学会病理学分会细胞... 详细信息

为促进宫颈液基细胞学标准化数字病理图像资源库的建立及人工智能辅助诊断产品的研发和应用,由中国医师协会病理科医师分会数字病理与人工智能病理学组、中华医学会病理学分会数字病理与人工智能工作委员会及中华医学会病理学分会细胞病理学组联合制定的国内首个数字病理领域专家共识———《宫颈液基细胞学的数字病理图像采集与图像质量控制中国专家共识》于2021年发布,本文基于该共识中的关键内容,对相关问题进行解读,并对未来发展作一展望。

关键词：数字病理图像宫颈液基细胞学专家共识解读

基于数字病理图像的肺鳞癌基因变异和无病生存期预测研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于数字病理图像的肺鳞癌基因变异和无病生存期预测研究

作者：张傲霜中国科学技术大学

学位级别：硕士

近年来,肺癌已经成为了发病率最高、死亡率最高、增长速度最快的癌症。肺鳞癌作为肺癌常见的病理类型之一,具有独特的临床病理学和分子学特征,且与肺癌其它病理类型相比,肺鳞癌患者的生存期更短、死亡率更高。为降低患者死亡率,许多研... 详细信息

近年来,肺癌已经成为了发病率最高、死亡率最高、增长速度最快的癌症。肺鳞癌作为肺癌常见的病理类型之一,具有独特的临床病理学和分子学特征,且与肺癌其它病理类型相比,肺鳞癌患者的生存期更短、死亡率更高。为降低患者死亡率,许多研究提出通过基因检测技术寻找癌症细胞特有的基因变异,并设计特异性药物来进行针对性治疗。然而,基因检测通常需要花费很长时间,可能使患者错失最佳治疗时机。基于数字病理图像预测肺鳞癌基因变异,将有助于患者基因变异信息的快速获取,从而辅助医生制定最佳的治疗方案。除基因变异外,数字病理图像作为临床诊断和治疗中的重要参考依据,还能够提供非常丰富的无病生存期相关信息。此外,现有研究显示多组学数据与肺鳞癌的无病生存期也存在着密切的关系。因此,有效融合数字病理图像和多组学数据进行肺鳞癌无病生存期的预测研究,可以为医生做出临床诊断等提供科学依据,并有助于改善患者的生活质量。本文主要完成以下几个方面的工作:(1)为实现基于数字病理图像的肺鳞癌基因变异预测研究,本文首先采用CellProfiler从每张数据病理图像中提取了细胞、细胞核及病理图像三个层面的特征,然后使用多种常见的机器学习算法分别对肺鳞癌中基因变异进行预测。多种性能指标的评估结果表明,预测算法对肺鳞癌基因变异取得了良好的预测效果。(2)为探索基于数字病理图像和多组学数据的肺鳞癌无病生存期预测研究,本文首先分别采用多种常见的机器学习算法进行预测,实验结果显示数字病理图像和多组学数据的结合能够提升预测性能。为更好地融合不同类型数据,本文提出了一种基于多核学习的肺鳞癌无病生存期预测方法LSCDFS-MKL,该方法首先针对不同类型数据分别构建多个核函数,并从中选择能够有效反映肺鳞癌数据集特性的核函数,随后通过对不同核函数进行加权平均得到最优核函数。实验结果表明,与现有预测方法相比,LSCDFS-MKL取得了更好的预测效果。最后,本文采用了独立验证集来进一步评估LSCDFS-MKL的泛化能力,实验结果显示LSCDFS-MKL取得了较高的预测准确率。

关键词：肺鳞癌数字病理图像基因变异预测无病生存期预测多核学习

联合基因表达数据和数字病理图像的乳腺癌生存期预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

联合基因表达数据和数字病理图像的乳腺癌生存期预测研究

作者：汪志琴中国科学技术大学

学位级别：硕士

乳腺癌是全球女性最常见的癌症之一,同时也是造成女性癌症死亡的首要原因。对乳腺癌患者进行准确的生存期预测对于指导临床医生制定个性化治疗方案,以及帮助建立姑息治疗和临终关怀体系均具有重要意义。已有研究表明基因表达数据和病理... 详细信息

乳腺癌是全球女性最常见的癌症之一,同时也是造成女性癌症死亡的首要原因。对乳腺癌患者进行准确的生存期预测对于指导临床医生制定个性化治疗方案,以及帮助建立姑息治疗和临终关怀体系均具有重要意义。已有研究表明基因表达数据和病理图像中均蕴含与乳腺癌生存期预测相关的重要信息,且上述两种类型数据之间存在关联性和互补性,因此有效联合基因表达数据和病理图像以提升乳腺癌生存期预测性能具有重要意义。然而现有生存期预测方法大多采用直接拼接不同类型数据的方式,忽视了不同类型数据之间的复杂相互作用关系,使得生存期预测性能具有局限性。为解决这一问题,本文通过充分挖掘不同类型数据之间及其内部的相互作用关系,从而显著提升乳腺癌生存期预测性能。本文主要完成以下几个方面的工作:（1）为有效联合基因表达数据和病理图像,本文提出一种基于双线性模型的生存期预测方法GPDBN。该方法首先利用CellProfiler工具提取病理图像的细胞核、细胞质以及图像水平的特征。随后,分别利用GPDBN中的模间和模内编码模块,以充分挖掘不同类型数据之间及其内部的相互作用关系。最后,利用深度预测模块准确预测患者的生存期。基于多个性能指标的评估结果表明,GPDBN中的模间和模内编码模块均有助于提升乳腺癌生存期预测性能,同时与现有方法的性能比较也体现了 GPDBN的优越性。（2）为有效挖掘病理图像中蕴含的生存相关信息,并充分利用TCGA乳腺癌数据集中删失样本所蕴含的生存信息,本文进一步提出一种有效联合基因表达数据和病理图像的深度双线性生存期预测方法DBNSurv。该方法首先利用预训练VGG19深度卷积神经网络提取病理图像的高层抽象特征,随后利用模间、模内编码模块以及深度前馈神经网络将其与基因表达特征进行有效联合,最后利用Cox偏对数似然损失函数训练模型以有效提升乳腺癌生存期预测性能。实验结果表明,VGG19深度卷积神经网络提取的病理图像高层抽象特征可显著提升乳腺癌生存期预测性能。与现有生存期预测方法相比,DBNSurv也取得了更好的生存期性能。

关键词：乳腺癌生存期预测双线性模型深度前馈神经网络基因表达数据数字病理图像

基于胶囊神经网络的癌症数字病理图像预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于胶囊神经网络的癌症数字病理图像预测方法研究

作者：汤博中国科学技术大学

学位级别：硕士

随着癌症发病率和死亡率的逐渐升高,对癌症患者进行精确诊断显得尤为重要。由于病理图像中包含了大量与癌症患者密切相关的临床信息,对癌症的诊断具有重要意义。因此对癌症病理图像进行准确预测可以辅助医生进行精确的临床诊断、预测病... 详细信息

随着癌症发病率和死亡率的逐渐升高,对癌症患者进行精确诊断显得尤为重要。由于病理图像中包含了大量与癌症患者密切相关的临床信息,对癌症的诊断具有重要意义。因此对癌症病理图像进行准确预测可以辅助医生进行精确的临床诊断、预测病情的下一步发展,对制定合适的治疗方案、提高患者的治疗质量有很大帮助。近年来,随着自动化组织切片和全切片扫描技术的发展,积累了大量的癌症数字病理图像数据。同时,得益于人工智能技术的高速发展,使用人工智能技术对癌症数字病理图像进行预测可以极大的提高预测准确率。因此,亟需深入研究用于癌症数字病理图像预测的人工智能方法,实现癌症病理图像的精准预测,辅助医生进行诊断与治疗。当前基于人工智能技术的癌症数字病理图像预测方法大多使用卷积神经网络模型,其无法考虑到对象之间的空间和层级关系,具有较大的局限性。为解决上述问题,本文使用胶囊神经网络这一新兴的人工智能方法,针对癌症数字病理图像预测中的两个重要任务,分别提出基于胶囊神经网络的新颖预测方法。本文具体工作如下:(1)针对细胞数字病理图像分类预测任务,本文提出了一个基于胶囊神经网络的预测方法CapCell。同时,通过融合两种不同的损失函数,为CapCell方法设计了新型的分类损失函数,使其可以对乳腺癌的淋巴细胞、正常上皮细胞和恶性上皮细胞进行精准分类。然后,使用准确率等指标对该方法在独立测试集上的预测性能进行分析和评估,并与其它分类方法进行比较,结果显示采用新型损失函数的CapCell方法具有优秀的细胞分类能力,将细胞分类预测准确率提高了 3.3%。最后,通过对细胞分类损失函数的权重进行分析,验证其对CapCell方法的促进作用及在细胞病理图像分类预测任务中的有效性和实用性。(2)为使用癌症全尺寸数字病理图像数据对患者进行生存期预测,本文提出了一个基于胶囊神经网络的全尺寸病理图像生存期预测方法CapSurv,并通过整合Cox损失、间隔损失和重构损失函数,为其设计了一个新的生存损失函数。同时,为优化CapSurv的训练,本文提出了一个新的病理图像块筛选方法,通过使用VGG16网络对病理图像块进行特征提取及聚类,筛选出与生存期相关的图像块并用于胶囊神经网络的训练。然后,通过多个性能评价指标,本文对CapSurv方法在两个不同癌症数据集上的预测性能进行了全面的评估。同时,与其它生存期预测方法的对比也显示了 CapSurv方法在癌症全尺寸数字病理图像生存期预测中的优异性能。最后,分别对病理图像块筛选方法及生存损失函数进行分析与评估,验证了其在癌症全尺寸数字病理图像生存期预测任务中的有效性。

关键词：数字病理图像胶囊神经网络细胞分类预测生存期预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数字病理图像的生存时间预测方法研究

基于数字病理图像的生存时间预测方法研究

作者：刘智锋华南理工大学

学位级别：硕士

随着成像技术的飞速发展,医学影像已成为疾病管理的重要模式,在疾病研究、筛查、治疗和预后评估等方面发挥举重若轻的作用。数字病理图像作为医生判断分析病理的重要依据,存在生存相关的信息。然而通过人工辨别和分析的方式了解病理图像... 详细信息

随着成像技术的飞速发展,医学影像已成为疾病管理的重要模式,在疾病研究、筛查、治疗和预后评估等方面发挥举重若轻的作用。数字病理图像作为医生判断分析病理的重要依据,存在生存相关的信息。然而通过人工辨别和分析的方式了解病理图像,将耗费大量的时间和精力,而且分析结果易受医生的主观因素影响,依赖于专家经验。若能借助计算机的手段从病理图像中挖掘生存信息,为医生提供预后资讯,将大幅减轻医生的负担,提高诊断和治疗效率,对临床医学具有重要意义。本文研究基于数字病理图像预测患者生存时间的方法。目前大多数生存预测方法借助Cox模型预测患者相对死亡风险,再通过估计基准生存函数的方式间接预测生存时间,然而准确估计基准生存函数难度较大,导致预测生存时间与真实值差异大。本文脱离Cox模型的限制,提出两种直接预测生存时间的方法。本文提出基于有序回归的生存时间预测方法,把回归任务转化为一系列的二分类子任务,每项子任务编码一段时间区间,学习数据的时序信息,最后通过多个二分类任务的结果融合预测出总的生存时间。本文提出基于多分类任务的生存时间预测方法,把样本按时间大小分类,模型预测新样本的生存时间属于各类别的概率,最后总预测生存时间为各预测概率的线性组合。该方法实现简单,且能预测比分类任务更精细的生存时间。针对病理图像数据量少且存在删失问题的特点,本文根据所提出的方法分别设计出能挖掘删失样本生存信息的损失函数,以充分利用数据集信息,提升模型的预测生存时间的性能。本文在公开的胶质瘤细胞病理图像数据集中进行了综合性实验,以验证方法的有效性,探索了删失样本,损失函数和超参数设置等因素对预测结果的影响。实验结果表明,本文提出的方法相比于基于Cox模型的生存预测方法,能预测更准确的生存时间。

关键词：生存时间预测数字病理图像计算机辅助诊断