神经网络技术在卵巢肿瘤诊断中的应用

论文摘要

目前,数字图像处理、模式识别和人工智能技术已经被广泛的应用在生物医学领域,并取得了一些成果,但用神经网络对细胞图像进行病理诊断的系统报道并不多,本论文在对卵巢癌细胞图像识别与特征值提取进行深入研究的基础上,应用神经网络对细胞图像进行诊断分类,并取得了令人满意的结果,并具有很高的临床应用价值。本文将从病人腹水中获取的原始卵巢癌细胞图像进行预处理,得到需要的细胞样本图像,提取细胞图像形态学的特征参数。采用多层感知器神经网络和径向基函数网络对细胞作诊断分类识别,并探讨了两种网络的多种算法。从识别的结果来看,径向基函数的识别率和多层感知器网络中自适应算法的识别率是最令人满意的,取得了比较理想的分类效果。本文对样本特征量选取的数量与特征量之间的线性关系对分类效果的影响作了研究。特征量多,分类识别率提高,但特征量之间如果有线性关系,则带来数据冗余而降低识别准确率。本研究将计算机技术与病理学专家的实际经验相结合,在采用图像处理技术对医学图像进行处理的基础上,应用神经网络进行细胞识别,在医学科研以及临床诊断方面有重要的现实意义和非常广阔的应用前景。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 课题背景
• 1.1.1 卵巢癌的诊治与临床分期
• 1.1.2 医学图像处理技术的发展与应用现状
• 1.1.3 人工神经网络在医学领域中的应用
• 1.2 课题意义
• 1.3 论文结构
• 第二章 卵巢癌细胞图像的采集与特征提取
• 2.1 采集图像
• 2.1.1 腹水涂片的制作
• 2.1.2 病理资料的来源
• 2.1.3 卵巢细胞的特征
• 2.2 细胞特征提取
• 2.2.1 细胞图像彩色属性的预处理
• 2.2.2 图像分割
• 2.2.3 细胞图像的特征值提取
• 2.2.4 特征值标准化
• 第三章 BP网络对卵巢癌细胞图像识别的研究
• 3.1 多层感知器神经网络概述
• 3.1.1 单层感知器神经元模型和算法
• 3.1.2 多层感知器神经元模型
• 3.2 BP算法
• 3.2.1 BP算法的基本理论
• 3.2.2 BP算法的步骤与流程
• 3.2.3 BP算法的缺点
• 3.3 BP算法的改进
• 3.3.1 附加动量法
• 3.3.2 自适应学习率法
• 3.3.3 L-M法
• 3.4 BP网络的结构设计和实现
• 3.4.1 输入与输出变量
• 3.4.2 初始权值
• 3.4.3 隐层数的选择
• 3.4.4 隐节点
• 3.4.5 网络的拓扑结构
• 3.5 BP网络的程序实现和不同算法的比较
• 3.5.1 网络的程序实现
• 3.5.2 不同算法的比较
• 第四章 径向基函数对卵巢癌细胞图像识别的研究
• 4.1 径向基函数网络的结构与模型
• 4.2 径向基函数网络的算法
• 4.2.1 隐层基函数中心和方差
• 4.2.2 输出层权值
• 4.3 径向基函数网络的结构设计与程序实现
• 4.4 径向基函数网络与BP网络的比较及实验结果分析
• 4.4.1 径向基函数网络与BP网络的比较
• 4.4.2 两种网络实验结果的比较
• 第五章 特征量选取策略与诊断的工作过程
• 5.1 样本特征量的选取数目对网络分类效果的影响
• 5.1.1 对细胞选取不同的特征量
• 5.1.2 设计径向基函数网络
• 5.1.3 两种不同特征量选取的实验结果的比较与分析
• 5.2 冗余数据对网络分类效果的影响
• 5.2.1 特征量的线性关系产生的数据冗余
• 5.2.2 数据冗余降低分类识别率的原因分析
• 5.2.3 实验结果比较
• 5.3 诊断系统的工作过程
• 5.3.1 主要工具软件介绍
• 5.3.2 诊断系统的工作过程
• 第六章 总结与展望
• 6.1 研究成果总结
• 6.2 研究方向展望
• 致谢
• 参考文献
• 附录 神经网络算法程序
• BP网络
• BP算法（Net1）
• 动量算法（Net2）
• 自适应算法（Net3）
• L-M算法（Net4）
• 径向基函数网络（Net5）
• 附录: 作者简介