宫颈癌细胞计算机自动识别系统研究与设计

论文摘要

早期宫颈涂片筛查,可以大大提高宫颈癌的早期诊断率,降低宫颈癌的死亡率。但肉眼检测存在较高的假阴性率。使用计算机辅助细胞学诊断系统筛查宫颈癌,可以大大提高检查效率,减少人为误差。宫颈涂片自动化研究的发展分为三个方向:使用图像处理技术实现部分自动化或全部自动化,以AutoPap为代表;沿袭单层涂片技术,并实现自动化,以ThinPrep为代表:基于人工智能交互式的半自动化检测,以PapNet为代表。PapNet通过自动化的模式识别将可能被忽视的变异细胞图像挑选出来,提高了敏感程度,但存在处理时间较长,检查费用较高等问题。本文沿袭了人工智能交互式的发展方向,采用神经网络技术,使分析处理在染色、厚薄、重叠以及在形态上表现得千差万别的细胞涂片成为可能,并努力提高系统筛查效率和正确识别率。本系统软件在Visual C++6.0开发平台上实现。设计的软件是一个典型模式识别系统,包括了模式识别任务的多个方面:图像预处理,图像分割,特征提取,分类识别等。本文采用TBS分类方法筛查,在降低假阴性、提高准确率方面优于传统的巴式分级法。采用阈值分割算法,提高了图像分割的效率。利用8链码方法实现对细胞图像的轮廓跟踪和自动计数,其提取细胞形态特征的效率较高。最后采用BP三层人工神经网络模型设计分类器,采用动量-自适应学习速率调整算法改进BP算法。本系统较好地实现了对宫颈细胞图像的色彩变换、图像增强、图像分割、细胞特征参量测量和分类识别等功能。本文的识别方法对大部分宫颈癌细胞图像中的细胞有较好的分割效果和正确识别率。但未能实现对重叠粘连宫颈癌细胞的分割和识别,细胞图像分割算法、细胞特征提取算法和识别算法还有待进一步优化。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 宫颈癌细胞计算机自动识别系统研究的目的和意义
• 1.2 宫颈涂片自动识别系统研究的发展和现状
• 1.3 论文的组织结构和主要内容
• 第二章 图像预处理
• 2.1 图像数据格式
• 2.2 图像色彩变换
• 2.3 图像的增强
• 2.4 本章小结
• 第三章 图像的分割
• 3.1 图像分割技术概述
• 3.2 阈值分割法
• 3.3 边缘分割法
• 3.4 本章小结
• 第四章 宫颈细胞图像特征提取
• 4.1 宫颈细胞图像特征分类
• 4.2 TBS分类方法及宫颈细胞图像的形态特征
• 4.3 图像标识方法概述
• 4.4 宫颈细胞形态特征提取
• 4.5 特征值标准化
• 4.6 本章小结
• 第五章 分类器结构设计
• 5.1 人工神经网络概述
• 5.2 人工神经网络模型基本理论
• 5.3 BP误差反传神经网络的设计
• 5.4 分类识别器设计
• 5.5 本章小结
• 第六章 系统设计与实现
• 6.1 系统设计
• 6.2 结论与展望
• 参考文献
• 致谢