论文部分内容阅读
本文主要研究了白细胞分割和识别的相关算法.白细胞是人体免疫系统中重要组成部分.临床上通过观察不同类别白细胞的数量、所占比例及其形态变化来诊断造血系统疾病.因此,白细胞的检测是血常规检测中的一项重要指标.白细胞形态学自动识别系统是一个用于自动化镜检的系统,即是用图像处理和模式识别的算法实现白细胞分割和识别.由于白细胞种类多,并且其形态千变万化,因此,白细胞分割和识别是一个富有挑战性的问题.本文基于白细胞分割和分类展开了研究和讨论.主要包括基于多特征非线性组合的白细胞分割算法的研究与改进、基于白细胞定位的分割算法的研究与改进和基于深度卷积网络的白细胞分类算法的研究.具体内容如下：1.对基于多特征非线性组合的白细胞分割算法进行了改进.由于白细胞有明确的分割边界,我们将多个特征以非线性的方式组合,使其更适合白细胞分割.同时,为了简化非线性组合参数的训练,我们在非线性组合模型的输出和训练目标之间建立了一个中间变量,以迭代的方式逐步调整目标变量.实验结果表明,非线性迭代的学习方法是有效的.在对分割效果评估的过程中,我们根据中间变量,提出了一个基于边界的F测度.相对于基于区域的F测度,该测度更适用于类似白细胞这种有明确的分割目标的图片.2.针对红细胞和血小板等在白细胞分割过程中的干扰,我们提出了基于白细胞定位的分割算法.即,首先定位出白细胞的位置,然后在包含白细胞的子图上对白细胞进行分割.对于白细胞定位,我们根据白细胞的大小选择几个不同尺寸的检测窗口,然后依据检测窗口内部和周围像素的特征去定位白细胞.对于细胞核分割,我们提出了自适应阈值算法,通过分析包含白细胞子图的灰度直方图自适应的选取阈值.实验表明,基于定位的分割算法可以提高分割精度,同时提出的自适应阈值对不同白细胞图片库具有鲁棒性.对于细胞质分割,我们将白细胞的定位算法和需要人工交互的GrabCut算法结合.省去了GrabCut算法中需要人工标注的过程,从而实现了白细胞自动分割.3.现有的白细胞分类算法主要依据检验科医生识别经验,提取白细胞的特征,并用各种分类器对其识别分类.但是,由于白细胞本身特征和特征描述的差异等,现有的分类算法并不适合更多类别的白细胞识别.因此,需要寻找表示和分类能力更强的分类器.本文将深度卷积网络引入白细胞识别领域,设计了一个用于白细胞识别的深度卷积网络.实验结果表明,对比现有的白细胞分类算法,深度卷积神经网络不仅有明显优势,同时还有很大的提升空间.