基于隐马尔科夫模型的细胞分裂检测

论文摘要

随着计算机技术尤其是图像处理技术的发展,计算机图像处理在医学领域的应用越来越深入。通过对病理细胞的组织形态进行分析,提取出形态特征,对疾病的病理机理进行计算机辅助诊断的研究引起了人们的广泛关注。这些研究可以实现医学图像的自动分析,以减少主观干扰,提高工作效率,减轻医生的负担。细胞的识别是医学检测中的一个重要部分,很多疾病的诊治主要依靠医学专家观察标本中细胞的形态,对细胞进行识别和分类。这种人工分类的工作重复而单调、效率低下。本文研究的基于隐马尔科夫模型的细胞异常检测算法,有利于准确、快速识别病变细胞,具有很好的推广价值。本文对细胞特征的提取、状态划分和细胞异常检测三方面进行了深入的研究。对于特征提取,论文提出了结合Fisher准则和和特征之间相关系数的相似度度量方法。本研究从特征选择的目的,即去除不相关和冗余特征出发,对特征进行选择,从而得到一组次优的特征子集。去除不相关特征方面采用单个特征的Fisher比作为特征选择准则,去除噪声特征以及鉴别性能较差的特征;去除冗余特征方面,提出了一种基于特征之间的相关性系数的相似度度量方法。通过该方法合理地选择特征可以有效去除不相关和冗余的特征,从而提高学习算法的效率,减少计算复杂度。在状态划分方面,充分利用了细胞在每个阶段DNA数量和持续时间的不同,将细胞周期划分成不同的状态。对于细胞分裂的检测问题,首先确定模型参数,根据此模型参数用Viterbi算法将细胞的特征数据划分为最有可能的状态序列,然后对初始模型参数进行修正,再用Baum-Welch算法中的参数优化公式进行参数优化。最后再用Baum-Welch算法中的最大预期算法训练所收集的细胞特征数据,得到隐马尔科夫模型。将得到的隐马尔科夫模型应用Baum-Welch算法训练。这就是本文提出的基于隐马尔科夫模型的细胞异常检测方法。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 课题研究背景
• 1.2 国内外研究现状
• 1.3 本文所做的工作与论文的组织结构
• 2 细胞分裂
• 2.1 基本概念
• 2.1.1 细胞周期
• 2.1.2 细胞周期时间的测定
• 2.2 有丝分裂
• 2.2.1 有丝分裂的类型
• 2.2.2 有丝分裂
• 2.2.3 死亡细胞
• 3 特征选择算法
• 3.1 基于Fisher准则的特征选择
• 3.2 特征间冗余度度量
• 4 细胞跟踪与状态划分
• 4.1 细胞跟踪
• 4.2 状态划分
• 5 基于隐马尔科夫模型的细胞分裂检测
• 5.1 隐马尔科夫模型基础
• 5.1.1 Markov链
• 5.1.2 隐马尔科夫基本概念
• 5.1.3 隐马尔科夫模型定义
• 5.1.4 隐马尔科夫模型的三个基本问题
• 5.1.5 隐马尔科夫模型算法实现中的问题
• 5.1.6 连续隐马尔科夫模型和考虑驻留时间的隐马尔科夫模型
• 5.2 隐马尔科夫模型用于细胞分裂检测
• 5.2.1 HMM模型的选取
• 5.2.2 Markov链的形状和状态个数选取
• 5.2.3 训练和识别
• 6 实验结果
• 6.1 跟踪结果
• 6.2 状态划分结果
• 6.3 训练与识别结果
• 7 结论与展望
• 参考文献
• 附录 Baum-Welch算法中重估公式的推导
• 致谢
• 个人简历
• 发表的学术论文
• 研究成果