论文部分内容阅读
皮肤黑色素瘤是一种恶性程度极高的皮肤肿瘤,现阶段尚无治愈手段,但早期确诊能够让患者得到最佳的手术时机,从而延长了患者术后的存活时间。因此,研究皮肤黑色素瘤的早期诊断方法对于临床治疗和预后都具有重要的意义。传统的皮肤黑色素瘤病理诊断对肿瘤组织无辅助识别方法和定量化分析,针对这个问题,本文将显微高光谱成像技术用于皮肤黑色素瘤的识别和定量化分析,为皮肤黑色素瘤的病理诊断分析提供一种新的方法。根据皮肤黑色素瘤样本的多样性,本文将其分为典型的三类,针对不同类型的样本,提出了不同的研究方法。本文的主要研究内容如下:首先,从组织学层次,研究了皮肤颗粒层的分割问题,提出了基于核最小噪声分离(KMNF)的分割方法。在该方法中,采用KMNF来提取显微高光谱图像的主要特征并分离图像中的噪声,然后使用形态学滤波来获得颗粒层的主要形态特征,最后应用水平集分割方法来得到颗粒层的形态轮廓。实验结果显示,该方法分割皮肤颗粒层的精度高达80%以上,为皮肤黑色素瘤入侵深度的计算提供起始边界。其次,研究了恶性黑色素细胞的分割问题,提出了基于特征光谱监督的最小二乘支持向量机(CSS-LSSVM)分割方法。在该方法中,使用最小二乘支持向量机(LSSVM)算法来建立恶性黑色素细胞的分割模型,并在传统的LSSVM算法基础上,选取目标样本少数特征光谱作为参考,对LSSVM模型分割结果进行再分割以提高模型的分割精度。实验结果表明,该方法对皮肤黑色素瘤样本中的恶性黑色素细胞分割精度高达85%以上。同时,该方法用于分割样本中的恶性黑色素细胞,结合颗粒层的分割结果,计算了样本的皮肤黑色素瘤入侵深度。最后,研究了肿瘤区域的识别问题,采用了基于粒子群优化的极限学习机(PSO-ELM)分类算法。在该方法中,使用了极限学习机(ELM)来建立肿瘤区域识别模型,在极限学习机的参数寻优中,采用了粒子群(PSO)优化算法来寻找ELM参数的更优解,提高了极限学习机的分类精度。实验结果表明,该方法能够更有效地识别出样本中的肿瘤区域,且分类速度比SVM快,将该方法用于肿瘤区域的自动识别,可提高皮肤黑色素瘤病理诊断的效率。上述结果验证了显微高光谱成像技术在皮肤黑色素瘤识别中的可行性,并为其病理诊断提供了定量化数据,对皮肤黑色素瘤的临床治疗和预后都具有重要的意义。