基于卷积神经网络的高光谱医学显微图像分类研究
软硬件技术的高速发展同时也促进了高光谱成像技术的成熟，时至今日，高光谱成像技术不止成功应用在如军事、农业、食品安全、大气监测等领域，还逐渐渗透进生物医学领域。高光谱成像可以对被观测对象同时提取空间维度和光谱维度的信息，相较于传统的光学显微成像，它能为医学工作者进行病理分析时提供更为丰富的信息。而深度学习(Deep Learning)，尤其是卷积神经网络(Convolutional Neural Network，CNN)在近些年来逐渐成为计算机视觉领域的研究热点，同时也是计算机视觉与医学影像诊断学科交叉的研究热点，相比传统方法，卷积神经网络能根据数据自适应的提取出高辨识度的特征，从而可以提供更精准客观的识别结果来辅助医学人员进一步做临床诊断。 本文主要研究工作如下: 1.与中日友好医院肾内科合作，利用高光谱成像技术对肾活检切片样本进行成像获取了肾小球的高光谱图像数据，并由肾内科专家对感兴趣的免疫复合物区域进行了标注。之后，对采集到的肾小球高光谱数据集进行了分析和预处理，将深度卷积神经网络应用到特发性膜性肾病(Idiopathic membranous nephropathy，I-MN)以及乙型肝炎病毒相关性膜性肾病(Hepatitis B virus associated membranous nephropathy，HBV-MN)的分类任务当中并取得了比较好的分类精度，证明了高光谱显微成像技术结合深度学习技术有望能成为诊断膜性肾病的新方法。 2.针对CNN特征尺度单一，对方向的描述能力较弱的缺点，本文将Gabor滤波器引入到了CNN的内部当中(Combination of modulated Gabor wavelet and CNN kernels，MGCNN)，使得CNN能在卷积层当中获得多尺度、多方向描述的特性。在五类白细胞的高光谱显微图像数据的分类实验上表明，所提出的MGCNN较之传统的分类算法和CNN，其分类精度有了显著的提升，尤其是在小样本的情况下。
高光谱医学显微图像;图像分类;特征提取;卷积神经网络
北京化工大学
硕士
计算机科学与技术
谢晓明
2019
中文
TP391.41
2019-09-26（万方平台首次上网日期，不代表论文的发表时间）