基于流行学习的淋巴瘤组织病理图像分类研究

论文摘要

淋巴瘤组织病理图像变化十分复杂，不同类别的病理图像视觉差异不大，对各类病理进行准确的诊断成为了临床病理诊断中比较困难的领域之一。利用数字图像处理技术和模式识别技术对淋巴瘤组织病理图像进行分析处理，能够为病理医生得到更多客观有效的信息。传统的基于神经网络的方法在病理图像分类中的应用，系统的效率不高，要么就是特征提取过少而不能正确有效的表示出病理图像的特点，要么提取病理图像特征维数过高，从而使得神经网络结构复杂，建立模型时间过长而导致效率过低。本文针对淋巴瘤组织病理图像的特点，通过提取病理图像的整体特征——颜色特征和纹理特征，采用基于流形学习的非线性降维方法对病理图像高维特征数据进行降维，最后利用BP神经网络对各类淋巴瘤组织病理图像进行分类。本文的主要研究工作和内容包括如下几点：首先，根据淋巴瘤组织病理的特点，分别从颜色和纹理两方面研究病理图像的特征提取方法：在颜色特征提取过程中，选择了最符合人类视觉感知的HSV颜色空间模型，并提出针对淋巴瘤组织病理图像的54柄量化方法，接着以基于均匀分块的颜色直方图方法提取了HSV空间量化后的颜色特征；在纹理特征的提取过程中，选择了LBP模式这种综合了纹理结构上和统计上的特征的纹理特征提取法，由于统一模式的LBP算子具有旋转不变形，鲁棒性更好，本文最后选择了统一模式LBP提取了淋巴瘤组织病理图像的59维纹理特征。其次，对于流形学习方法中的拉普拉斯特征映射（LE）方法，由于其本身的特性适合于聚类和分类问题，然而LE方法没有很好地利用样本的类别信息，同时也存在对新样本的有效泛化性问题，为此，本文在LE方法的基础上，有效地结合样本的类别信息，同时引入核方法，提出了监督学习的核拉普拉斯特征映射（SKLE）方法，用于特征降维及其后续的分类，并用仿真实验证明了SKLE的有效性。最后，分析了BP神经网络的学习过程和设计，通过比较分别用颜色特征、纹理特征、综合颜色纹理特征及其用本文提出的SKLE方法对综合颜色纹理特征降维融合后的特征作为BP神经网络的输入，进行分类，结果表明本文提出的SKLE+BP神经网络分类方法能有效地对各类淋巴瘤组织病理图像进行分类识别。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 淋巴瘤组织病理图像模式分类的研究意义
• 1.2 病理图像模式分类的研究现状
• 1.3 本文主要工作
• 1.4 论文的组织结构
• 1.5 本章小结
• 第二章 流形学习方法
• 2.1 流形与流形学习概念
• 2.2 传统的线性降维方法
• 2.2.1 主成分分析方法（PCA）
• 2.2.2 线性判别分析方法（LDA）
• 2.2.3 经典多维尺度分析方法（CMDS）
• 2.3 典型的流形学习方法
• 2.3.1 等距映射方法（ISOMAP）
• 2.3.2 局部线性嵌入方法（LLE）
• 2.3.3 拉普拉斯特征映射方法（LE）
• 2.4 本章小结
• 第三章 淋巴瘤组织病理图像特征提取
• 3.1 淋巴瘤组织病理图像的特点
• 3.2 颜色特征提取
• 3.2.1 颜色空间模型的选取
• 3.2.2 颜色特征的表示
• 3.2.3 HSV 颜色空间的量化
• 3.2.4 均匀分块 HSV 颜色直方图特征提取
• 3.2.5 实验结果与分析
• 3.3 基于 LBP 的纹理特征提取
• 3.3.1 LBP 的纹理特征描述
• 3.3.2 基本 LBP 算法
• 3.3.3 “Uniform”模式 LBP 算法
• 3.3.4 实验结果与分析
• 3.4 本章小结
• 第四章 淋巴瘤组织病理图像特征降维
• 4.1 引言
• 4.2 监督学习的核拉普卡拉斯特征映射方法（SKLE）
• 4.2.1 核空间的距离度量
• 4.2.2 监督学习度量
• 4.2.3 SKLE 算法
• 4.2.4 仿真实验与结果分析
• 4.3 基于 SKLE 的淋巴瘤组织病理图像特征降维
• 4.3.1 本征维数估计
• 4.3.2 降维评价
• 4.3.3 实验结果与分析
• 4.4 本章小结
• 第五章 淋巴瘤病理图像分类系统设计
• 5.1 引言
• 5.2 神经网络分类器
• 5.3 BP 神经网络
• 5.3.1 BP 神经网络模型和结构
• 5.3.2 BP 神经网络算法
• 5.4 试验设计与结果分析
• 5.5 本章小结
• 总结与展望
• 参考文献
• 个人简历、在学期间的研究成果及发表的学术论文
• 致谢