尿沉渣有形成分自动分类系统研究

论文摘要

为了解决目前临床上通过显微镜、利用目视方法来定性地分析尿沉渣涂片，并根据尿沉渣有形成分的颜色和形态特征等进行人工分析、识别和计数等操作的弊端。本文设计出一套集病理分析、分类及诊断等功能为一体的尿沉渣有形成分分析系统，在实际应用中，该系统能快速、准确地对尿沉渣中的有形成分进行统计和分析，此系统既减轻医务人员工作压力，又提高了工作效率和诊断正确率，对尿沉渣病理诊断进行科学性分析具有重要意义。 本文从理论和实践两个方面研究了尿沉渣有形成分的优化检测方法，利用数字图像处理技术和模式识别理论对尿沉渣图像的分割和分类进行了深入研究。从尿沉渣图像本身特征出发，将多种处理算法有机的结合，通过计算和反复实验，提出了一套完整有效的对尿沉渣有形成分分析和判别的处理方案。 为了能够对尿沉渣有形成分进行准确的数据分析，关键是要对该种图像进行正确分割。本文采用分水岭变换对尿沉渣图像进行分割，但此算法容易造成图像的过分割，导致图像的轮廓线掩埋在杂乱的分水岭线中。为了避免这种过分割现象，首先在前人研究的基础上利用形态学变换算法对尿沉渣图像进行预处理，并对预处理后的图像进行标记提取和分水岭变换。这样，在去除噪声的同时，减少了过分割区域的数目，但有少部分仍然存在过分割。针对此缺陷，本文提出了将水平集方法和分水岭变换相融合的分割方法，实验证明，该方法不仅很好地解决了过分割问题，而且使尿沉渣有形成分能够准确、快速地分割出来，并且把在分割过程中产生的尖点、断裂等情况均融合为一体。对分割后的尿沉渣图像，利用形态特征参数对尿沉渣有形成分进行描述。采用轮廓跟踪、径向基神经网络和支持向量机等方法对尿沉渣有形成分分类识别，提出以轮廓跟踪方法计算得出的特征参数值作为支持向量机的输入训练样本，再经过反复训练和测试得到多个分类器，将被测图像输入到多分类器中进行分类，解决了尿沉渣有形成分的多分类问题。综上所述，作者认为本文的创造性工作如下。 (1) 本文在理论和实验研究的基础上，指出了利用分水岭算法对尿沉渣图像进行分割存在的过分割现象，为解决这一问题，作者提出了首先采用形态处理算法对尿沉渣图像进行预处理，以消除图像中的大部分噪声和无关杂质，再采用先标记图像后用分水岭分割图像的方法，并对分割后的图像通过区域合并处理得到最终的分割结果，此种方法在很大程度上解决了分水岭算法的过分割现象； (2) 尽管上述方法能在很大程度上解决过分割问题，但过分割现象还在某种程度上存在。作者根据过分割后小区域间像素点的灰度值比较接近的特点，提出了将水平集方法和分水岭算法相融合的尿沉渣图像分割方法。实验证明，这两种方法的结合，不仅减少了分割的盲目性，而且提高了分割的准确性； (3) 使用轮廓跟踪方法对大量的尿沉渣图像进行特征参数计算，得出了不同有

论文目录

• 摘要
• ABSTRACT
• 目录
• 图表索引
• 第一章 绪论
• 1.1 引言
• 1.2 课题研究背景与意义
• 1.2.1 尿沉渣检测方法
• 1.2.2 尿沉渣自动分析仪研制的意义
• 1.3 国内外发展状况
• 1.3.1 尿沉渣检查的发展
• 1.3.2 尿沉渣分析仪的发展状况
• 1.4 课题的提出及工作目标
• 1.4.1 课题的提出
• 1.4.2 课题的目标
• 1.5 主要研究内容和章节安排
• 1.5.1 主要研究内容
• 1.5.1.1 分水岭算法
• 1.5.1.2 水平集算法
• 1.5.1.3 径向基函数神经网络
• 1.5.1.4 支持向量机
• 1.5.2 章节安排
• 本章小结
• 参考文献
• 第二章 尿沉渣图像的获取及其特征
• 2.1 尿沉渣涂片的制备
• 2.2 尿沉渣图像的获取
• 2.3 尿沉渣有形成分的特征
• 2.3.1 各有形成分的主要特征
• 2.3.2 尿沉渣显微图像的特点
• 本章小结
• 参考文献
• 第三章 基于分水岭算法的尿沉渣图像分割
• 3.1 引言
• 3.2 分水岭算法的基本原理
• 3.3 传统的分水岭算法
• 3.3.1 基本数学原理
• 3.3.2 算法实现过程
• 3.4 分水岭算法在尿沉渣图像分割中的应用
• 3.4.1 形态学变换
• 3.4.1.1 高帽和低帽变换
• 3.4.1.2 灰度重建
• 3.4.2 标记提取方法
• 3.4.3 全局最优合并算法
• 3.5 尿沉渣重叠图像的分割
• 3.5.1 基本原理
• 3.5.2 算法的实现及处理结果分析
• 3.6 实验结果分析
• 3.6.1 改进算法的实验结果分析
• 3.6.2 与传统算法的比较结果
• 本章小结
• 参考文献
• 第四章 基于水平集的尿沉渣图像分割方法
• 4.1 引言
• 4.2 水平集方法的基本理论
• 4.2.1 曲线演化理论
• 4.2.2 水平集方法的曲线演化描述
• 4.2.3 水平集方法的数值计算
• 4.2.4 窄带水平集
• 4.2.5 快速行进方法
• 4.3 应用水平集与分水岭方法的尿沉渣图像分割
• 4.3.1 算法描述及处理过程
• 4.3.2 实验结果及分析
• 本章小结
• 参考文献
• 第五章 尿沉渣图像的特征分析
• 5.1 引言
• 5.2 形态特征参数
• 5.3 形状指标
• 本章小结
• 参考文献
• 第六章 基于RBFNN与SVM的尿沉渣有形成分的分类
• 6.1 基于轮廓跟踪的分类方法
• 6.2 RBFNN的基本理论和分类器的实现
• 6.2.1 RBFNN的概述
• 6.2.2 RBFNN的学习方法
• 6.2.3 RBFNN网络结构设计
• 6.2.4 分类结果及RBFNN算法分析
• 6.3 支持向量机的基本理论
• 6.3.1 结构风险最小化
• 6.3.2 最优分类面
• 6.3.3 线性SVM
• 6.3.4 非线性SVM
• 6.3.5 核函数
• 6.3.6 SVM的工作原理和特点
• 6.4 SVM与RBFNN的方法比较
• 6.5 基于SVM的尿沉渣有形成分的分类
• 6.5.1 SVM的分类器模式及系统结构
• 6.5.2 样本库的建立
• 6.5.3 尿沉渣有形成分的支持向量机分类算法实现
• 6.6 实验结果及分析
• 6.6.1 SVM分类器性能分析
• 6.6.2 SVM分类方法的优缺点
• 本章小结
• 参考文献
• 第七章 总结与展望
• 7.1 主要工作总结
• 7.2 本文主要创造性工作
• 7.3 应用前景展望
• 致谢
• 博士研究生期间第一作者发表的学术论文