一、基于IFS算法的血液细胞图像的分割和定位（论文文献综述）
李伟,吕蒙,陈天虹,楚照耀,陶然[1]（2021）在《高光谱图像在生物医学中的应用》文中进行了进一步梳理高光谱成像（hyperspectral imaging, HSI）作为生物医学可视化的一种新兴技术,在生物医学领域的研究正逐渐受到关注。随着高光谱成像技术以及精准医学的迅速发展,将高光谱成像技术应用于近距离的医学诊断成为新的研究趋势。高光谱成像技术能同时获取生物组织的2维空间信息和1维光谱信息,覆盖可见光、红外和紫外等光谱范围,具有较高的光谱分辨率,可提供有关组织生理、形态和生化成分的诊断信息,为生物组织学研究提供更精细的光谱特征,进而为医学病理诊断提供更多辅助信息。本文介绍了高光谱成像技术的基本原理、高光谱显微成像系统的基本构成及特点。基于此,总结并阐述了高光谱成像技术在疾病诊断和手术指导中的应用进展,涉及其在癌症、心脏病、视网膜疾病、糖尿病足、休克、组织病理学和图像引导手术等方面的应用。综合分析了高光谱成像技术在生物医学领域应用的局限性,并提出了生物医学研究领域中该技术的未来发展方向。
徐梅[2]（2021）在《基于阈值和分水岭算法对白细胞图像分割的研究》文中研究指明本文采用彩色转换、阈值分割、最大类间方差法、形态学重构和分水岭等算法,针对于非黏连白细胞和黏连白细胞两种情况对细胞质和细胞核的分割研究。本论文主要提出基于阈值和分水岭的白细胞分割算法和改进分水岭的白细胞分割算法两种改进算法,实现对病变细胞图像中的白细胞的细胞质和细胞核的分割研究。基于阈值和分水岭的白细胞分割算法,在混有背景、红细胞、细胞质和细胞核的显微图像中提取分割黏连和非黏连白细胞细胞核和细胞质。通过阈值分离出细胞核的大致轮廓,再利用开运算重构去除孤立点,根据膨胀算法去除无关区域,分割出细胞核。细胞核的分离实现了白细胞的初步定位。细胞质的分割,分两种情况,对于非黏连白细胞,直接使用阈值分割的算法分割细胞质。对于黏连白细胞,首先获取最小概率的错分结果,然后,利用Sobel求取梯度图像,根据获取的梯度幅值做分水岭变换,最后对获取的灰度图像做基于重建的开—闭运算分割出细胞质。采用基于重建的开—闭运算分割细胞质可以在不影响目标图像的前提下,更好的去除图像碎片,使分割效果更好。改进分水岭的白细胞分割算法,主要对具有黏连现象的病变白细胞的分割。本算法将细胞图像RGB彩色空间转换为HSI彩色空间,然后提取白细胞图像的H、S、I分量。对S分量图像利用最大类间方差法提取黏连白细胞的细胞核。对于细胞质的分割,依据Sobel算子求取S分量图像梯度值,利用开运算重构算法消除图像细节,然后应用内部标记和外部标记,使得最小值只出现在内部和外部的标记点,最后利用分水岭算法提取黏连白细胞图像中的白细胞细胞质。经过实验验证表明,基于阈值和分水岭的白细胞分割算法可以将病变细胞图像中的细胞质和细胞核精确的分割出来,效率较高;改进分水岭的白细胞分割算法分割误差率很小,相对于传统的分割算法来说,该算法分割结果更精准,不易受光照和染色环境的影响,稳定性强,分割耗时时间短,加快了分割速度,满足临床诊断的实时性需求。
杨雪莹[3]（2020）在《基于深度学习的白细胞分类识别方法研究》文中提出随着计算机技术的快速发展,利用人工智能和图像处理技术辅助医疗诊断日益受到关注。在医疗临床检验中,白细胞的检验对许多疾病的诊断有着重要的价值。目前医院所采用的检测方法主要是血细胞分析仪与人工镜检,即先用血细胞分析仪进行初步筛查并判断有无数量上的异常,若有,则进行人工镜检。由于人工镜检效率低,分类速度慢,因此外周血白细胞图像自动分类识别技术具有较高的实用价值。论文基于深度学习的方法设计了一种外周血白细胞图像自动分类识别的方案。首先,利用高倍显微镜观察外周血细胞涂片并利用相机拍摄含有大量白细胞的血细胞图像。采用中值滤波和双边滤波对图像进行预处理,并分析了 RGB和HLS两种色彩空间和常见的阈值分割方法,然后利用改进的最大类间方差法对L分量图像进行初步分割,利用形态学方法处理初分割后的图像,得到完整的单个白细胞图像。其次,对得到的白细胞图像数据集进行整理分析,剔除染色错误或染色失败的图像。针对白细胞图像数量类间不平衡的问题,采用平移的方法对原始数量较少的白细胞类进行过采样。然后按照一定比例将白细胞图像分为训练集和测试集,并利用旋转、对比度增强等数据增强方法对两类数据进行扩增,建立本课题的数据集。最后,根据现有的深度神经网络架构思路,搭建白细胞的分类模型。该模型共包含六层卷积层、三层池化层和三层全连接层,利用制备的训练集、验证集进行训练验证,并通过测试集去评估网络模型的性能。然后,将实验结果可视化。测试结果表明,白细胞图像平均识别率为92.87%,满足既定目标。利用卷积神经网络的方法对白细胞进行分类识别,不仅避免了精准分割白细胞细胞核和细胞质的复杂性以及人工选择特征的个体化差异对最后分类结果造成的不良影响,而且取得了令人满意的准确率,实现了真正的端到端分类识别。
赵晓晴[4]（2020）在《面向白血病智能诊断的卷积神经网络的细胞分割方法研究与实现》文中指出白细胞图像分割与识别是医学图像处理中的重要组成部分。血液中的白细胞对于人体免疫功能非常重要,可以协助免疫系统修复受伤部位,消灭病原、病菌和微生物等。各类白细胞的数量体现了人体免疫系统的水平,在临床血常规检验中,医师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,防止白细胞数量的异常增加或减少,可以预防感染性疾病的细菌和病毒的入侵,精准分割白细胞对于计数和识别分类是至关重要的。白细胞形态学自动识别系统是一个自动化的镜检系统,即通过图像处理和模式识别的算法实现白细胞的分割和识别。由于白细胞种类繁多,并且其在血涂片中的形态多样,白细胞分割和识别是一个富有挑战的问题。然而,基于卷积神经网络（Convolutional Neural Network,CNN）的深度学习算法擅于提取高维数据中的特征信息,并且不需要进行特征提取与重建过程。本文重点结合CNN模型,研究白细胞的精准分割和分类。血涂片图像中主要是白细胞、红细胞和血小板。基于深度学习算法,本篇论文介绍了一种精准分割粘连白细胞的方法,即将属于白细胞的像素点置于前景,其他像素点置于背景。由于白细胞与红细胞在颜色上存在差异,本文提出了基于色彩空间变换的目标检测方法提取白细胞,即将急性淋巴细胞白血病（Acute Lymphoblastic Leukemia,ALL）患者的血涂片图像由RGB色彩空间转换至HSV,根据白细胞的颜色特性滤除红细胞。由于血小板的尺寸远小于白细胞,同时将面积较小的目标滤除,从而保留白细胞。而后,对于提取结果中的粘连白细胞,本文提出了多类加权损失函数的深度学习算法精准分割白细胞。将白细胞边界设定为除细胞内部区域和背景区域外的第三类,基于类别权重和距离变换权重为每张样本生成其对应的权重图,并将其应用于交叉熵损失函数以提高细胞边界的权重,从而加强CNN模型在拟合训练集的过程中对细胞边界特征的学习。在白细胞分类验证的过程中,由于样本数量匮乏,本文引入了L2正则化、批标准化（Batch Normalization,BN）和Dropout三大机制来避免过拟合现象,从而提高CNN模型的泛化能力。本文提出的白细胞精准分割方法于数据集ALLIDB1上进行了充分实验,测试集准确率达到97.92%,与其他算法相比具有优越性。另外融合KaggleDataset和BCISC数据集进行白细胞分类,证明了引入的避免过拟合机制可以提升模型的鲁棒性。
徐晓涛[5]（2020）在《基于深度目标识别的细胞计数研究》文中研究指明细胞计数研究是医学图像分析中的一项重要领域,无论是在生物医学实验领域还是临床医学诊断领域都发挥着不可替代的作用。通过检测患者血液和尿沉渣显微图像中的白细胞、红细胞等各项指标,能够准确地判断出患者的疾病类型和发展程度,以便采取及时、有效的治疗方案。目前,临床上仍然通过人工方式对不同类型的细胞进行计数诊断,但这种方式检测效率低且计数准确率也受工作人员的状态和经验影响,妨碍医护人员对于病情的判断,影响治疗进度。随着深度目标检测技术的快速发展,医学图像分析领域的研究也有了突破性的进展。基于深度学习的目标检测算法,相对于传统的图像处理方法在检测速度和精度上有很大提升。使用深度目标识别算法对血液和尿沉渣显微图像中进行细胞的识别和计数研究,并在两个数据集上实验进行相关验证。本文基于一阶段深度检测YOLO框架,提出了一种新颖的YOLO-Dense网络模型。首先通过使用K-means算法对锚框进行聚类,获得三种不同大小的潜在待识别目标的锚框,并在YOLO基础网络中引入残差模块和特征金字塔的多尺度模块,以提高对小目标的识别精度;其次通过跳层连接进行残差训练,有效解决深度网络梯度弥散和爆炸等问题;最后通过在网络架构中增加密集连接模块,使得本文提出的模型能够有效提升网络推断速度。针对尿沉渣显微图像数据遮盖率低且细胞尺度较为单一的特点,本文基于目标关键点检测的CornerNet算法,提出了一种独特的Fast-CornerNet网络模型。首先,对CornerNet网络模型的沙漏结构中的残差块进行重构建,将1*1卷积核和3*3卷积核进行组合拼接取代残差块中的3*3卷积,最大程度的降低前向传播计算量。其次,将MobileNet的深度可分离卷积思想融入其中,保证在不降低检测精度的情况下提高检测速度。最后,调整原始图像的输入分辨率以及在预处理阶段增加步长为2的残差模块进行下采样操作,并对沙漏网络的特征提取结构进行整体修改,进一步减少参数计算量。通过和Faster R-CNN算法、YOLO系列算法以及CornerNet算法在尿沉渣细胞计数识别上的比较实验,证明Fast-CornerNet算法能够有效的保持计数精度的同时提高网络推断速度。
于腾[6]（2020）在《全自动血涂片细胞形态智能识别分析技术研究》文中指出在医院的临床常规化检验项目当中,血涂片的显微镜检查是其中很重要的一个,通常医生通过分析血涂片当中的白细胞所占比重来对人体的健康状况进行诊断。在当前条件下,大多数医院对血涂片的检查都是由专业医师通过显微镜目测来进行的,这对专业医师的素质有很高的要求,医师的主观判断会对鉴定结果产生一定的误差,而且由于人工镜检的工作量较大,在一定程度上浪费了有限的医疗资源。本课题通过研究血涂片图像中的白细胞自动识别分类算法以及相关技术,完成了一套血涂片智能识别分析系统,以此来对医院中常规的人工镜检技术进行优化提高,可以在一定程度上缓解医疗资源紧张的问题。本文的具体研究内容概括如下:首先,本文根据血涂片的图像采集和性能需求设计了一套自动化系统,提出了包括硬件部分、软件部分和算法部分的整套设计方案。其次,针对血涂片图像自动获取的需求,本文在已有的清晰度评价函数基础上进行了改进,提出了基于不同对焦位置的快速对焦方法,保证了对焦的速度。然后,针对血涂片图像中的白细胞分割,本文提出了基于色彩空间的细胞核阈值分割方法,基于坐标定位的改进Grabcut白细胞分割算法,相较于传统分割算法准确率提高8%以上,有效地解决了白细胞分割过程中分割不准确的问题。接着,针对白细胞的特征提取和特征选择,本文分别从形态学、纹理和灰度三个方面进行特征提取,然后使用Filter方法进行特征选择,采用Fisher判别思想对特征筛选,得到最终的特征集合。最后,针对血涂片中白细胞的分类问题,本文验证了五种白细胞多分类策略,其中四种是基于SVM的多分类策略,另一种是基于梯度提升决策树XGBoost的分类策略。五种分类方法针对不同类型的白细胞分类各有优缺点,经过实验对比本系统使用速度准确性兼具的XGBoost法作为分类算法。本文提出的全自动血涂片智能识别分析系统相较于传统的血涂片识别方法,识别速度较快,而且分割和分类精度较高,系统准确率达到91.12%,在实用的层面上有较大的提升,具有更广泛的使用前景。
王丽丽[7]（2019）在《基于贴壁细胞结构的力学建模分析》文中提出细胞是有机体生命活动的基本单位。细胞的结构、形态、功能、生长发育等都与细胞的力学特性有关。细胞结构对力学刺激的响应规律是细胞发挥其生理功能的主要方面,是细胞进行一切生命活动的基础。细胞的生物力学特性在调控细胞生理、病理功能方面起着至关重要的作用,如细胞分裂、铺展、增值等都与细胞的生物力学特性紧密相关。本文基于构成细胞的主要结构,采用理论计算分析与仿真建模相结合的方法综合研究了细胞主要结构在细胞外载荷作用下的力学响应。细胞结构主要是由细胞质、细胞膜、细胞核、细胞骨架（cytoskeleton,CSK）和细胞核骨架（nucleoskeleton,NSK）五大部分组成,主要工作及研究结果如下:（1）基于张拉整体结构法研究了细胞不同铺展程度对CSK整体刚度的影响。根据细胞的铺展程度不同,应用理论计算法给出了不同铺展程度下CSK模型（张拉整体结构模型）的顶点坐标及其质心位置;按照理论计算值构建了6种不同铺展程度下包含中间纤维（Intermediate filaments,IFs）和不含IFs的两类张拉整体结构模型。应用这两类张拉整体结构模型分别模拟了细胞不同铺展程度下CSK对基底的反作用力。结果表明CSK的整体刚度与CSK的铺展程度有关,铺展程度越大,对基底的反作用力就越大。与不含IFs的张拉整体结构模型相比,发现在大变形情况下含IFs的张拉整体结构模型对基底的反作用力显着增加,这就表明IFs在大变形下能够显着提高CSK的整体刚度。该研究为全面、科学认识细胞不同铺展程度下,对CSK整体刚度的影响以及为后续研究提供依据。（2）应用理论计算法研究了细胞在重力作用下发生形变时的细胞膜张力的变化规律。应用不同形状的囊泡模型来分别表示悬浮细胞和贴壁细胞。假设未变形的囊泡模型是球状,用于描述悬浮细胞;变形后的囊泡模型是接触面积为圆的类椭球缺状、类球缺状和球缺状,用于表示贴壁细胞。根据所建的数值模型,建立了变形后的囊泡模型在径向和垂向的平衡微分方程以及相应的边界条件。应用半逆解法和高斯拟合法分别求出细胞膜张力的表达式。研究结果表明重力对细胞膜张力有一定的影响,当考虑重力对细胞的影响时,细胞膜张力不再是一个常数,而是细胞高度的函数。该研究为深入理解囊泡模型在重力作用下的铺展提供了新思路。（3）定量研究了Hela细胞在原子力显微镜（Atomic force microscopy,AFM）下的不同作用位点的表面弹性模量。应用AFM观测并记录了细胞的微结构、表面形貌以及相应的几何尺寸,测量了每个细胞4个作用位点的力-位移曲线。通过应用Sneddon模型拟合得到Hela细胞在不同作用位点处的表面弹性模量。实验结果表明细胞的表面弹性模量有明显的位置差异性,细胞边缘受基底效应的影响较大。该研究为探索单细胞的表面弹性模量以及后续研究提供了参考。（4）基于AFM实验数据所建的单细胞有限元模型,定量研究了细胞主要组成结构对细胞整体刚度的影响。单细胞有限元模型是由细胞膜、细胞质、细胞核和CSK组成的。有限元模拟时,根据AFM实验选择了2个作用点,即细胞中心（作用点1）和最靠近基底的作用点（作用点4）来验证模型的合理性。在模型合理性验证后,选择细胞中心位置（作用点1）测量单细胞模型在受压时的整体刚度以及在小变形条件下IFs对细胞整体刚度的影响。应用参数分析法确定了影响细胞整体刚度的主要因素。模拟结果表明在小变形条件下,IFs对细胞的整体刚度几乎无影响,但当CSK中包含IFs时,IFs能够将作用在细胞膜上的外力从细胞膜直接传递到细胞核。参数分析表明CSK和连续体（细胞膜,细胞质和细胞核）的材料属性都能影响细胞整体刚度,但CSK是影响细胞整体刚度的主要因素。该研究为测定单细胞的力学特性提供了新思路,进而促进了单细胞生物力学性能的研究。（5）计算了可折叠微板上的细胞牵引力（Cell traction forces,CTFs）。通过假设贴壁细胞呈球缺状,且细胞内微丝、微丝张力呈均匀分布。计算时,将可折叠微板简化成纯弯曲梁,根据折叠角和弯矩的关系表达式给出CTFs与折叠角的关系表达式。将本文所得的CTFs与折叠角关系式与微柱力传感器阵列技术测定的关系式对比来验证公式合理性。该研究为测量三维（three dimension,3D）的CTFs提供了新方法。（6）基于张拉整体结构法建立了cell origami的有限元模型,定性分析了CSK和NSK对微板折叠角的影响。本文共建立了四类张拉整体结构模型（12-节点的CSK、24-节点的CSK以及12-节点的CSK-NSK和24-节点的CSK-NSK）来模拟cell origami,研究了不同复杂程度的CSK和NSK对微板折叠角的影响。在cell origami的有限元模型中,假设可折叠微板是含有柔性铰链的线弹性体,并用表示黏着斑的弹簧单元将微板与张拉整体结构模型相连接。模拟结果表明张拉整体结构模型的复杂性可降低细胞整体刚度,进而导致微板折叠角减小;而模型中增加NSK能提高细胞整体刚度,进而引起微板折叠角增加。该研究不仅能直观地模拟cell origami,而且能为生物技术的应用及细胞3D结构的分析和基于细胞的医疗微设备的组装提供新思路。
张笑青[8]（2019）在《面向医学图像分析的深度学习方法研究》文中认为医学图像分析是医学研究、诊断和治疗中必不可少的技术手段和工具,其主要作用是从医学图像中提取隐含的重要生理、病理信息或知识,因而其重要性和难度均很大。深度学习已显示出在挖掘海量、高维数据的内在结构等方面的突出能力,但目前基于深度学习的医学图像分析方面的研究工作和成果还较少。因此,本文以黑色素瘤皮肤镜图像、2D Hela荧光显微镜图像、外周血涂片白细胞显微镜图像、宫颈阴道镜图像等几种重要且典型的医学图像为对象,从图像预处理、训练集扩增、深度神经网络结构选择与改进、图像分析效果评价等方面,对面向医学图像分析的深度学习方法进行了较系统、全面的研究,具体工作和成果主要如下:1)研究了一种用于黑色素瘤图像自动分析（特征学习和分割）的改进CNN（Convolutional Neural Networks,卷积神经网络）结构,以更好地区分难辨病变如色素斑点痣与临床待定病变,减少筛查错误和提高皮肤癌诊断的准确率。其要点是:利用非线性激活函数ReLU和ELU来有效地缓解梯度消失问题;利用RMSprop和Adam优化与损失算法,以实现更快速地收敛;最后在卷积层与激活层之间增加了批归一化层（Batch Normalization,简称BN）,以解决梯度消失和爆炸的问题。实验证明,该分割方法可以使用较小的训练集,以更短的训练和推理时间获得较好的分割结果。2)研究了基于GoogleNet的卷积神经网络的皮肤病变图像分类方法。为了解决训练数据集不平衡问题,主要使用数据层面的预处理方法,采用了欠抽样（减少样本数）处理方法,实现了类间的基本平衡,从而使皮肤病变图像分类的平均精确率（precision）达到了89%,平均召回率为88%,F1-score为88%,与SegNet和FCN等深度学习方法相比均有明显提高。3)研究了基于CapsNet-Hela网络模型的亚细胞图像数据分类预测方法。所用的胶囊层有36个胶囊,可以有更多的空间存储额外的有用信息以便提取特征。一致性路由可以将有用的信息传递给下一层,同时丢弃掉可能使结果中存在噪声的数据;实验结果表明,使用3次路由迭代的效果较好,利用CapsNet-Hela网络模型对图像数据集的分类准确率（accuracy）达到了93.08%,与基于局部二值模式（Local Binary Patterns）的SVM方法和基于Haralick的SVM方法相比,均有明显提高。4)研究了基于CapsNet-WBC网络模型对外周血涂片白细胞图像的嗜酸细胞、淋巴细胞、单核细胞、中性粒细胞等四种主要类型进行分割、分类的方法。首先,使用卷积神经网络对白细胞（white blood cell,WBC）图像进行分割处理;然后,建立并利用CapsNet-WBC网络模型,对分割后的WBC图像进行分类和预测。实验结果表明,本文所提方法对WBC图像测试集的分类准确率（test set accuracy）为85%,训练集的分类准确率（train set accuracy）为99%,较其他方法有明显提高,因而有望应用于较大规模WBC图像的自动处理。5)研究了利用两种深度学习模型级联,实现宫颈图像自动分类的方法。具体分为三个步骤:首先,使用类似U-Net卷积神经网络对6692个宫颈图像进行分割预处理;其次,对分割预处理后的宫颈图像进行数量扩增;最后,使用CapsNet-Cervix网络模型对扩增后的40152个宫颈图像实现分类,并使用额外的重构损失（reconstruction loss）来促进DigitCaps层对输入图像进行编码。实验中上述方法获得了高于其他传统机器学习方法的分类准确率:测试集分类准确率（test set accuracy）为80.1%,训练集准确率（train set accuracy）为99%;而且在完成模型训练后,可以在较短时间内完成海量图像的即时分割和分类预测。
杜晓辉[9]（2019）在《白带显微图像中有型成分自动识别理论与技术的研究》文中认为白带常规是女性生理检查的常规手段之一。白带常规的主要检查方式是通过对白带分泌物进行显微成像,通过镜下有型成分的识别与计数等方式得到相应的指标参数,从而分析待检测样本的病理特性。由于白带常规具有无创的特点,患者易接受。在中国,每天都有数以万计的女性进行白带常规检查。然而,目前,白带常规的检测由医生手动完成,易造成交叉污染,并且检测的效率极低。此外,具有炎症的样本一般具有浓烈的气味,严重影响医务人员的工作环境。随着机器学习和深度学习技术的发展,白带常规向自动化和智能化发展,而其中最关键的就是显微图像的有型成分自动检测和识别算法。关于白带显微图像中的多类别有型成分识别,国内外还没有相关的研究。而对于显微图像中细胞或细菌的识别也仅限于在特定环境下的识别。本文针对白带显微图像中有型成分的特点,对其进行检测所涉及的相关理论和关键技术进行了深入研究,主要成果及研究内容如下所述:1.基于组合生物纹理特征的白带显微图像中上皮细胞检测方法白带显微图像中的上皮细胞是白带显微图像中的重要有型成分。针对白带显微图像中上皮细胞的面积大且具有网状纹理结构的特点,提出了一种应用于上皮细胞前景目标位置检测的数字图像处理方法,该方法用于提取显微图像中上皮细胞及类上皮细胞的杂质等前景目标。根据提取的前景目标,通过分析并比较前景目标的各类纹理特征（二值模式（LBP）,Gabor特征和梯度方向直方图（HOG）特征）,用支持向量机对目标的纹理特征进行分类。本文创新性的提出采用局部二值模式（LBP）组合梯度方向直方图（HOG）特征实现上皮细胞等网状生物细胞的分类识别。实验表明,所提方法检测速度快（304 ms）,检测精确率高（86.9%）,漏检少（召回率:88.9%）,满足白带常规中的实时检测需求。2.基于改进R-CNN的小细胞快速目标检测和识别方法对于白带中的小细胞有型成分,例如白细胞、红细胞和霉菌等有型成分的识别,本文在R-CNN模型的基础上,提出了一种基于改进R-CNN的白带有型成分目标检测方法。首先,提出了一种应用于白带显微图像小目标的区域建议方法,该方法较R-CNN模型中的选择性搜索方法效率提升50倍,并且产生的前景目标少,极大的缩减了R-CNN中前景目标提取的复杂度。其次,提出了基于Inception-ResNet-V2网络的前景目标识别和位置回归方法。通过收集的数据进行实验证明,该方法实现了对上述有型成分的高精确率和召回率的检测,平均检测精确率mAP（Mean Average Precison）为:79.75%。3.基于改进Faster R-CNN的白带显微图像粘连细胞检测方法对于清洁度较高的白带样本,其显微图像中细胞等有型成分较多,各成分之间相互粘连,采用上述前景目标提取方法无法实现这些粘连细胞的分割。本文针对这类问题提出了基于改进Faster R-CNN的白带显微图像的目标检测方法。首先,在分析有型成分形态特征的基础上,提出了一种改进的区域建议网络,该网络具有较少的Anchor,因而训练和测试的效率更高;其次,提出了基于PCA的特征图降维方法,用于实现对特征图的降维和维度的归一化,并输入到全连接层进行分类和位置回归。通过实验数据的测试,该方法对于粘连的细胞能够实现有效的分割和识别,算法执行效率快,准确率高。4.基于VIBE改进模型的滴虫运动目标检测方法由于新鲜的白带样本中滴虫仍然具有活性的特点,而从形态学方面很难直接提取到滴虫,因此本文从运动目标的检测角度出发,提出了一种基于VIBE改进模型的滴虫检测方法。算法改进了VIBE模型中的背景模型更新方式以及邻域背景模型的散播机制,同时提出了一系列的杂质过滤措施,最终实现了对白带显微图像中滴虫的检测。通过对采集的视频帧进行实验,结果证明该算法有效的提升了滴虫检测的精确率等指标,并与其他运动目标检测算法相比较,取得了最好的检测效果。
司淼淼[10]（2018）在《镜检图像无标记红白细胞识别方法研究》文中进行了进一步梳理大便常规是临床三大常规检测之一,主要用于消化系统等相关疾病的诊断。临床已实现血常规、尿常规的自动识别检验,但由于标本成分复杂,大便常规检验的自动化检验技术一直不成熟,检验过程基本由手工完成,检测结果具有一定的主观性且检测速度慢。本研究主要针对低倍率（20倍目镜系统采集）粪便镜检图像的特点,设计一种基于低维特征条件的无标记红白细胞识别与分类算法,不仅能保证识别准确率,也能为提高识别速度提供可能。主要工作如下:1.分析当前显微镜检图像研究现状以及低倍率下采集到的粪便镜检图像与常规采集图像的不同特点,决定在参考目前显微镜检图像细胞自动分析方法的基础上,再根据低倍率粪便镜检图像的特点,对图像进行自动识别与分析研究。2.设计一种多信息、多方法的细胞图像综合分割方法。首先针对低倍率粪便镜检图像弱边缘问题,将R、G和B通道图像边缘检测结果融合互补,并通过形态学方法完善,充分利用彩色空间信息完成初步分割;然后针对细胞粘连问题,设计一种基于迭代腐蚀的标记分水岭分割方法,完成粘连细胞分割;最后融合初步分割和粘连细胞分割结果得到最终分割图像,很好地完成了对红白细胞的分割。3.运用基于改进的低维特征向量SVM识别算法,对红白细胞进行识别与分类。根据红白细胞在形态、FFT变换以及Canny边缘检测图像的差别,提取周长、面积、FFT后的圆形度、连通域数、像素和及闭合比值6个相关特征组成特征向量用于训练SVM分类器。4.设计了SVM和BP神经网络以及低维特征组合与常用特征组合识别对比实验。实验分别对300个红白细胞样本测试,结果显示基于改进的低维特征向量SVM识别方法识别效果相对较好,红细胞的识别率为91.7%,白细胞的识别率为92.7%,且分组测试识别率的标准差较小,识别效果稳定,有希望进一步应用于临床镜检。本课题实现了低倍率粪便镜检图像无标记红白细胞的识别,运用基于低维特征向量的SVM识别算法,对红白细胞进行识别分类测试,以较少的特征实现了较优的识别效果,而且识别效果相对稳定,不易受红白细胞异型情况影响。
二、基于IFS算法的血液细胞图像的分割和定位（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于IFS算法的血液细胞图像的分割和定位（论文提纲范文）
（1）高光谱图像在生物医学中的应用（论文提纲范文）
| 0 引 言 |
| 1 高光谱成像技术 |
| 1.1 基本原理 |
| 1.2 高光谱显微成像系统 |
| 2 生物医学疾病诊断应用 |
| 2.1 癌症检测 |
| 2.1.1 宫颈癌 |
| 2.1.2 皮肤癌 |
| 2.1.3 胃癌 |
| 2.1.4 口腔癌 |
| 2.2 心脏和循环病理学 |
| 2.3 视网膜疾病 |
| 2.4 糖尿病足 |
| 2.5 舌诊 |
| 2.6 骨骼 |
| 2.7 皮肤伤 |
| 2.8 肾结石 |
| 2.9 龋齿 |
| 2.10 膜性肾病 |
| 2.11 血细胞鉴定 |
| 2.12 其他 |
| 3 高光谱图像手术指导应用 |
| 3.1 肿瘤切缘检测 |
| 3.1.1 乳腺癌 |
| 3.1.2 脑癌 |
| 3.2 腹腔镜手术 |
| 3.3 肾手术 |
| 3.4 胆囊手术 |
| 3.5 肠道手术 |
| 3.6 神经定位 |
| 3.7 眼科手术 |
| 4 讨 论 |
| 5 结 语 |
（2）基于阈值和分水岭算法对白细胞图像分割的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容和创新点 |
| 第2章 相关算法研究 |
| 2.1 阈值分割算法 |
| 2.1.1 阈值直方图法 |
| 2.1.2 最大类间方差算法 |
| 2.1.3 Gram-Schmidt正交化 |
| 2.2 分水岭算法 |
| 2.2.1 基于距离变换的分水岭分割 |
| 2.2.2 基于梯度的分水岭分割 |
| 2.2.3 基于标记的分水岭分割 |
| 2.3 本章小结 |
| 第3章 基于阈值和分水岭的白细胞分割算法 |
| 3.1 引言 |
| 3.2 非黏连白细胞分割 |
| 3.2.1 非黏连白细胞细胞核提取 |
| 3.2.2 非黏连白细胞细胞质提取 |
| 3.3 黏连白细胞分割 |
| 3.4 实验结果与分析 |
| 3.4.1 实验步骤 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 改进分水岭的白细胞分割算法 |
| 4.1 引言 |
| 4.2 黏连白细胞细胞核分割 |
| 4.2.1 白细胞图像的色彩空间变换 |
| 4.2.2 细胞核提取 |
| 4.3 黏连白细胞细胞质分割 |
| 4.4 实验结果与分析 |
| 4.4.1 实验步骤 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士研究生学位期间的研究成果 |
| 致谢 |
（3）基于深度学习的白细胞分类识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景和研究意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究目标和思路 |
| 1.4 论文结构安排 |
| 2 机器学习与深度学习方法理论 |
| 2.1 机器学习 |
| 2.2 深度学习 |
| 2.3 人工神经网络 |
| 2.4 卷积神经网络 |
| 2.5 本章小结 |
| 3 白细胞图像分割方法研究 |
| 3.1 外周血细胞图像预处理 |
| 3.1.1 图像滤波 |
| 3.1.2 色彩空间转换 |
| 3.2 基于细胞核的白细胞定位与分割 |
| 3.2.1 细胞核定位 |
| 3.2.2 白细胞图像分割方法 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 基于深度学习的白细胞分类识别方法 |
| 4.1 外周血细胞形态及图像分析 |
| 4.2 数据扩增和数据集的建立 |
| 4.3 深度学习框架及开发环境介绍 |
| 4.4 白细胞分类识别方法总体流程 |
| 4.5 白细胞分类模型的网络架构与训练方法 |
| 4.5.1 LCNet网络架构 |
| 4.5.2 打乱输入训练集顺序 |
| 4.5.3 学习率设置 |
| 4.5.4 Batch Normalization算法 |
| 4.5.5 dropout策略 |
| 4.6 实验结果与分析 |
| 4.6.1 实验评价指标 |
| 4.6.2 实验结果分析 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）面向白血病智能诊断的卷积神经网络的细胞分割方法研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 急性淋巴细胞白血病 |
| 1.3 国内外研究现状 |
| 1.3.1 图像分割国内外研究现状 |
| 1.3.2 图像分类国内外研究现状 |
| 1.4 本文的主要内容及章节安排 |
| 1.5 本章总结 |
| 第2章 基于色彩空间变换和多类加权损失函数的白细胞分割方法 |
| 2.1 图像分割技术理论介绍 |
| 2.1.1 图像分割概述 |
| 2.1.2 传统图像分割方法 |
| 2.2 深度学习技术理论介绍 |
| 2.2.1 深度学习概述 |
| 2.2.2 卷积神经网络 |
| 2.2.3 基于卷积神经网络的分割模型 |
| 2.2.4 损失函数 |
| 2.3 基于色彩空间变换的白细胞提取算法 |
| 2.3.1 中值滤波 |
| 2.3.2 色彩空间变换 |
| 2.3.3 设定颜色阈值范围 |
| 2.4 基于多类加权损失函数的粘连白细胞分割算法 |
| 2.4.1 创建地面实况(Ground Truth,GT) |
| 2.4.2 创建细胞边界类 |
| 2.4.3 生成权重图 |
| 2.4.4 最佳模型结构 |
| 2.5 基于OpenCV的单细胞图像剪裁算法 |
| 2.6 本章总结 |
| 第3章 防止过拟合的白细胞分类方法 |
| 3.1 图像分类技术理论介绍 |
| 3.2 常用的图像分类方法 |
| 3.2.1 基于机器学习的图像分类方法 |
| 3.2.2 基于深度学习的图像分类方法 |
| 3.3 防止过拟合的白细胞分类算法 |
| 3.4 本章总结 |
| 第4章 实验结果与分析 |
| 4.1 实验环境 |
| 4.2 白细胞分割结果 |
| 4.2.1 实验数据 |
| 4.2.2 白细胞检测与提取结果 |
| 4.2.3 粘连白细胞分割结果 |
| 4.3 白细胞分类结果 |
| 4.3.1 实验数据 |
| 4.3.2 分类模型对比 |
| 4.3.3 缓解过拟合机制的结果 |
| 4.4 本章总结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（5）基于深度目标识别的细胞计数研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 血液细胞研究现状 |
| 1.2.2 尿沉渣细胞研究现状 |
| 1.3 本文研究内容和论文框架 |
| 1.3.1 研究内容 |
| 1.3.2 论文框架 |
| 第二章 目标检测算法概述 |
| 2.1 引言 |
| 2.2 YOLO算法 |
| 2.2.1 YOLO算法的思想 |
| 2.2.2 YOLO算法的网络结构 |
| 2.2.3 特征向量详解 |
| 2.2.4 损失函数 |
| 2.3 CornerNet算法 |
| 2.3.1 CornerNet算法简介 |
| 2.3.2 CornerNet算法框架 |
| 2.3.3 沙漏网络 |
| 2.3.4 Corner Pooling介绍 |
| 2.3.5 角点选择与损失函数 |
| 2.4 本章小结 |
| 第三章 基于YOLO的血液细胞检测 |
| 3.1 算法与流程设计 |
| 3.2 相关理论知识 |
| 3.2.1 残差网络 |
| 3.2.2 密集网络 |
| 3.3 YOLO-Dense架构的设计 |
| 3.3.1 特征提取部分改进 |
| 3.3.2 特征交互部分改进 |
| 3.4 YOLO-Dense细胞识别 |
| 3.4.1 K-means算法对锚框进行聚类 |
| 3.4.2 边界框的定位选择 |
| 3.5 实验与分析 |
| 3.5.1 实验数据及参数设置 |
| 3.5.2 细胞计数实验的评价指标 |
| 3.5.3 参数设置 |
| 3.5.4 网络结构选择 |
| 3.5.5 尺度选择 |
| 3.5.6 对比实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于CornerNet的尿沉渣细胞检测 |
| 4.1 算法流程设计 |
| 4.2 Fast-CornerNet网络 |
| 4.2.1 MobileNet网络 |
| 4.2.2 Fast-CornerNet网络的构建 |
| 4.3 实验与分析 |
| 4.3.1 实验数据介绍及扩充 |
| 4.3.2 数据增强对比实验 |
| 4.3.3 网络分辨率设置对比实验 |
| 4.3.4 残差模块拼接层比例调整对比实验 |
| 4.3.5 基于YOLO-Dense与 Fast-CornerNet算法的细胞识别比较 |
| 4.3.6 对比实验结果与分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（6）全自动血涂片细胞形态智能识别分析技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究的价值及意义 |
| 1.3 国内外发展现状及发展态势 |
| 1.4 本课题研究内容及组织架构 |
| 第二章 血涂片白细胞识别的理论基础及设计方案 |
| 2.1 光学显微镜介绍 |
| 2.1.1 光学显微镜基本成像原理 |
| 2.1.2 光学显微镜介绍及相机选型 |
| 2.1.2.1 光学显微镜参数介绍 |
| 2.1.2.2 显微镜选型与相机选型 |
| 2.2 系统硬件结构的需求及设计 |
| 2.2.1 硬件总体结构设计 |
| 2.2.2 通信控制模块设计 |
| 2.3 系统软件架构的需求及设计 |
| 2.3.1 软件编程技术介绍 |
| 2.3.2 软件模块设计介绍 |
| 2.4 白细胞识别基本知识及样本说明 |
| 2.5 本章小结 |
| 第三章 血涂片图像的清晰度评价函数 |
| 3.1 清晰度评价算法的需求分析 |
| 3.2 点锐度清晰度评价函数 |
| 3.3 基于图像梯度的清晰度评价函数 |
| 3.3.1 能量梯度清晰度评价函数 |
| 3.3.2 Tenengrad清晰度评价函数 |
| 3.3.3 改进Sobel算子清晰度评价函数 |
| 3.3.4 Laplancian清晰度评价函数 |
| 3.4 基于熵函数的清晰度评价函数 |
| 3.5 基于频域的清晰度评价函数 |
| 3.6 清晰度评价函数的对比总结 |
| 3.7 本章小结 |
| 第四章 血涂片图像的分割算法 |
| 4.1 基于色彩空间的红细胞与细胞核阈值分割法 |
| 4.1.1 色彩空间介绍 |
| 4.1.2 血涂片图像颜色分解及二值化 |
| 4.1.3 细胞核去噪及核轮廓分割 |
| 4.2 基于坐标定位的改进Grabcut白细胞分割算法 |
| 4.2.1 Graph Cut介绍 |
| 4.2.2 分水岭算法预分割 |
| 4.2.3 基于坐标定位的GrabCut分割方法 |
| 4.2.3.1 GrabCut原理 |
| 4.2.3.2 基于坐标定位的GrabCut算法流程 |
| 4.3 分割结果分析 |
| 4.4 本章小结 |
| 第五章 图像的特征提取及选择 |
| 5.1 特征提取 |
| 5.1.1 形态学特征提取 |
| 5.1.2 纹理特征提取 |
| 5.1.3 颜色特征提取 |
| 5.2 特征选择 |
| 5.3 本章小结 |
| 第六章 血涂片白细胞分类识别 |
| 6.1 分类器概述 |
| 6.2 SVM分类器 |
| 6.2.0 SVM分类器原理 |
| 6.2.1 SVM分类器多分类策略 |
| 6.2.1.1 一对多法SVM |
| 6.2.1.2 一对一法SVM |
| 6.2.1.3 层次SVM |
| 6.3 XGBoost分类器 |
| 6.3.1 XGBoost分类器原理 |
| 6.3.2 XGBoost树节点分裂方法 |
| 6.4 分类结果及分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 课题总结 |
| 7.2 课题展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间取得的研究成果 |
（7）基于贴壁细胞结构的力学建模分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 细胞的形态结构与功能 |
| 1.2.1 细胞膜的结构与功能 |
| 1.2.2 细胞质的结构与功能 |
| 1.2.3 细胞核的结构和功能 |
| 1.2.4 细胞外基质与细胞粘附 |
| 1.3 细胞结构的力学基础 |
| 1.3.1 细胞主要结构的力学特性 |
| 1.3.2 细胞产生的内力及其受到的外力 |
| 1.3.3 细胞结构的力学特性 |
| 1.3.4 细胞生物力学常用实验方法 |
| 1.4 本文的主要研究工作 |
| 1.4.1 研究目的 |
| 1.4.2 研究内容和方法 |
| 第二章 细胞骨架模型的计算分析与仿真模拟 |
| 2.1 引言 |
| 2.2 细胞骨架的经典模型 |
| 2.2.1 泡沫模型 |
| 2.2.2 索网模型 |
| 2.2.3 张拉整体结构模型 |
| 2.3 细胞不同铺展程度下张拉整体结构模型的计算分析 |
| 2.3.1 张拉整体结构模型顶点坐标的计算 |
| 2.3.2 张拉整体结构模型的有限元模拟 |
| 2.3.3 边界条件和网格划分 |
| 2.4 结论与讨论 |
| 2.5 本章小结 |
| 第三章 细胞膜张力的计算分析 |
| 3.1 引言 |
| 3.2 细胞膜张力的理论计算 |
| 3.2.1 假设和参数 |
| 3.2.2 平衡方程 |
| 3.2.3 边界条件 |
| 3.3 细胞膜张力的方程求解 |
| 3.3.1 模型解 |
| 3.3.2 数值解 |
| 3.4 结论和讨论 |
| 3.5 本章小结 |
| 第四章 基于原子力显微镜的细胞实验研究及仿真模拟 |
| 4.1 引言 |
| 4.2 原子力显微镜实验研究 |
| 4.2.1 原子力显微镜的基本工作原理 |
| 4.2.2 原子力显微镜的基本成像模式 |
| 4.2.3 原子力显微镜细胞压痕实验 |
| 4.3 单细胞有限元模型 |
| 4.3.1 贴壁细胞的三维有限元模型 |
| 4.3.2 细胞主要结构的材料参数 |
| 4.3.3 单元类型和边界条件 |
| 4.4 结论与讨论 |
| 4.4.1 实验结论与讨论 |
| 4.4.2 模拟结论与讨论 |
| 4.5 本章小结 |
| 第五章 可折叠微板上细胞牵引力的计算分析与仿真模拟 |
| 5.1 引言 |
| 5.2 细胞牵引力的理论计算 |
| 5.2.1 弯矩与折叠角的关系式 |
| 5.2.2 细胞牵引力与折叠角的关系式 |
| 5.3 有限元模型 |
| 5.3.1 微板折叠的有限元模拟 |
| 5.3.2 Cell origami的有限元模拟 |
| 5.4 结论与讨论 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 本文的创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 附录 |
| 附录1 |
| 附录2 |
| 附录3 |
| 致谢 |
| 攻读学位期间的主要研究成果 |
（8）面向医学图像分析的深度学习方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 医学图像分析研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 医学图像分析基础 |
| 2.1 无监督方法 |
| 2.1.1 K均值聚类 |
| 2.1.2 模糊C均值聚类 |
| 2.2 监督方法 |
| 2.2.1 支持向量机 |
| 2.2.2 随机森林 |
| 2.3 概率方法 |
| 2.3.1 马尔可夫随机场 |
| 2.3.2 条件随机场 |
| 2.4 深度卷积神经网络 |
| 2.4.1 多层神经网络 |
| 2.4.2 卷积神经网络 |
| 2.5 常用的卷积神经网络架构 |
| 2.5.1 LeNet-5 |
| 2.5.2 AlexNet |
| 2.5.3 ZFNet |
| 2.5.4 VGGNet |
| 2.5.5 GoogleNet |
| 2.5.6 ResNet |
| 2.5.7 全卷积神经网络 |
| 2.6 本章小结 |
| 第三章 使用深度卷积神经网络的皮肤黑色素瘤图像分割 |
| 3.1 引言 |
| 3.2 卷积神经网络方法研究 |
| 3.3 皮肤黑色素瘤图像分割方法的改进与实验 |
| 3.3.1 数据集的准备 |
| 3.3.2 黑色素瘤图像分割神经网络的结构优化和参数设置 |
| 3.4 实验结果评价和讨论 |
| 3.5 本章小结 |
| 第四章 基于分割预处理和深度学习的皮肤病变图像分类 |
| 4.1 引言 |
| 4.2 皮肤病变图像分类方法研究 |
| 4.3 皮肤病变图像分类方法的改进与实现 |
| 4.3.1 数据集的准备 |
| 4.3.2 皮肤病变图像分割预处理 |
| 4.3.3 皮肤病变分类网络模型的架构优化和参数设置 |
| 4.4 实验结果评价和讨论 |
| 4.5 本章小结 |
| 第五章 基于CapsNet-Hela神经网络的2D HeLa细胞荧光显微图像分类 |
| 5.1 引言 |
| 5.2 CapsNet模型方法研究 |
| 5.2.1 胶囊单元间的传播过程 |
| 5.2.2 动态路由算法 |
| 5.2.3 胶囊网络的损失函数 |
| 5.3 2D Hela图像集分类方法的改进与实验 |
| 5.3.1 2 D HeLa图像集准备和预处理 |
| 5.3.2 2 D HeLa图像分类 |
| 5.4 实验结果评价和讨论 |
| 5.4.1 实验结果评价 |
| 5.4.2 对损失函数的讨论 |
| 5.4.3 对路由迭代次数的讨论 |
| 5.5 本章小结 |
| 第六章 基于图像分割预处理与CapsNet-WBC网络模型的白细胞图像分类 |
| 6.1 引言 |
| 6.2 白细胞图像分割与分类的方法研究、改进与实验 |
| 6.2.1 白细胞图像数据源的获取 |
| 6.2.2 卷积神经网络与白细胞图像分割预处理 |
| 6.2.3 白细胞图像分类模型的改进与实验 |
| 6.3 实验结果评价和讨论 |
| 6.3.1 实验结果评价 |
| 6.3.2 对损失函数的讨论 |
| 6.3.3 与其他方法的比较 |
| 6.4 本章小结 |
| 第七章 基于深度神经网络模型的宫颈图像分类 |
| 7.1 引言 |
| 7.2 宫颈图像分类的方法研究、改进与实验 |
| 7.2.1 宫颈图像分类的基本流程 |
| 7.2.2 宫颈图像数据源 |
| 7.2.3 宫颈图像分割预处理 |
| 7.2.4 CapsNet神经网络结构改进与宫颈图像分类 |
| 7.3 实验结果评价和讨论 |
| 7.4 本章小结 |
| 第八章 总结和展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读博士学位期间发表的论文 |
| 附录 B 攻读博士学位期间主持与参与的项目 |
（9）白带显微图像中有型成分自动识别理论与技术的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 目标检测方法研究历史与现状 |
| 1.2.2 基于机器学习的细胞检测方法 |
| 1.2.3 基于深度学习的图像分类和目标识别算法 |
| 1.2.4 基于背景模型的运动目标检测算法 |
| 1.3 研究内容 |
| 1.4 本文研究工作及创新点 |
| 1.5 本论文的结构安排 |
| 第二章 白带分析仪与图像采集系统 |
| 2.1 引言 |
| 2.2 全自动白带分析仪系统设计 |
| 2.3 白带显微成像系统设计 |
| 2.3.1 自动对焦方法 |
| 2.3.2 光源 |
| 2.3.3 图像校正 |
| 2.4 数据的收集与模型评价方法 |
| 2.5 本章小结 |
| 第三章 基于生物组合纹理特征的上皮细胞检测识别方法 |
| 3.1 引言 |
| 3.2 基于图像处理技术的前景分割算法 |
| 3.3 纹理特征提取算法 |
| 3.3.1 LBP特征提取 |
| 3.3.2 Gabor特征提取 |
| 3.3.3 HOG特征提取 |
| 3.4 实验结果与分析 |
| 3.4.1 LBP特征实验结果 |
| 3.4.2 Gabor特征实验结果 |
| 3.4.3 HOG特征实验结果 |
| 3.4.4 实验结果对比与分析 |
| 3.5 本章小结 |
| 第四章 基于改进R-CNN的小细胞快速检测识别方法 |
| 4.1 引言 |
| 4.2 基于改进R-CNN的目标检测模型 |
| 4.2.1 区域建议方法 |
| 4.2.2 候选区域特征提取与识别网络 |
| 4.2.3 模型训练 |
| 4.3 实验结果与分析 |
| 4.3.1 区域建议模型结果分析 |
| 4.3.2 目标识别综合结果分析 |
| 4.4 本章小结 |
| 第五章 基于改进FASTER R-CNN的粘连目标检测识别方法 |
| 5.1 引言 |
| 5.2 FASTER R-CNN理论基础 |
| 5.2.1 RPN网络 |
| 5.2.2 分类和回归网络 |
| 5.2.3 Faster R-CNN的训练 |
| 5.3 基于改进FASTER R-CNN的白带显微图像目标检测 |
| 5.3.1 细胞检测RPN |
| 5.3.2 基于PCA的 Fast R-CNN细胞识别 |
| 5.3.3 模型的训练 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 基于VIBE改进模型的滴虫运动目标检测识别方法 |
| 6.1 引言 |
| 6.2 VIBE算法基本原理 |
| 6.3 VIBE改进模型 |
| 6.3.1 VIBE邻域背景模型的更新改进 |
| 6.3.2 背景杂质的过滤 |
| 6.4 白带显微图像中的滴虫检测模型 |
| 6.5 实验结果与分析 |
| 6.5.1 VIBE邻域背景模型的更新改进结果与分析 |
| 6.5.2 背景杂质的过滤结果与分析 |
| 6.5.3 与其他算法的对比结果与分析 |
| 6.6 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（10）镜检图像无标记红白细胞识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 镜检细胞识别系统研究现状 |
| 1.2.2 图像处理技术研究现状 |
| 1.2.3 支持向量机技术研究现状 |
| 1.3 课题研究难点 |
| 1.4 论文主要工作及结构 |
| 1.4.1 论文主要工作 |
| 1.4.2 论文组织结构 |
| 第2章 粪便镜检图像预处理与分割 |
| 2.1 粪便镜检图像概述 |
| 2.1.1 粪便镜检图像的特点 |
| 2.1.2 粪便镜检图像红白细胞特点 |
| 2.2 粪便镜检图像预处理 |
| 2.2.1 图像去噪方法 |
| 2.2.2 图像增强方法 |
| 2.2.3 预处理方法流程 |
| 2.3 粪便镜检图像分割 |
| 2.3.1 基于边缘检测的图像分割 |
| 2.3.2 基于数学形态学的图像分割 |
| 2.3.3 连通区域标记 |
| 2.3.4 粘连细胞分割 |
| 2.4 分割算法综合与分析 |
| 2.4.1 分割算法流程 |
| 2.4.2 分割实验结果与分析 |
| 2.5 本章小结 |
| 第3章 粪便镜检图像特征选择和提取 |
| 3.1 显微细胞图像有形成分常用特征 |
| 3.1.1 几何形状特征 |
| 3.1.2 灰度统计特征 |
| 3.1.3 纹理特征 |
| 3.2 红白细胞特征选择和提取 |
| 3.2.1 形状特征选择 |
| 3.2.2 Canny算子特征选择 |
| 3.2.3 改进的低维特征组合 |
| 3.3 特征提取实验结果与分析 |
| 3.4 本章小结 |
| 第4章 粪便镜检图像红白细胞识别 |
| 4.1 镜检图像细胞识别概述 |
| 4.2 基于支持向量机的细胞自动识别 |
| 4.2.1 支持向量机原理 |
| 4.2.2 基于支持向量机的细胞识别实验 |
| 4.3 基于BP神经网络的细胞自动识别 |
| 4.3.1 BP神经网络原理 |
| 4.3.2 基于BP神经网络的细胞识别实验 |
| 4.4 红白细胞识别实验与结果分析 |
| 4.4.1 识别实验设置 |
| 4.4.2 SVM和BP神经网络实验对比 |
| 4.4.3 常用特征与改进低维特征组合实验对比 |
| 4.4.4 红白细胞整体识别结果对比 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 课题展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
四、基于IFS算法的血液细胞图像的分割和定位（论文参考文献）
- [1]高光谱图像在生物医学中的应用[J]. 李伟,吕蒙,陈天虹,楚照耀,陶然. 中国图象图形学报, 2021(08)
- [2]基于阈值和分水岭算法对白细胞图像分割的研究[D]. 徐梅. 哈尔滨理工大学, 2021(09)
- [3]基于深度学习的白细胞分类识别方法研究[D]. 杨雪莹. 西安科技大学, 2020(01)
- [4]面向白血病智能诊断的卷积神经网络的细胞分割方法研究与实现[D]. 赵晓晴. 吉林大学, 2020(08)
- [5]基于深度目标识别的细胞计数研究[D]. 徐晓涛. 安徽大学, 2020(07)
- [6]全自动血涂片细胞形态智能识别分析技术研究[D]. 于腾. 电子科技大学, 2020(07)
- [7]基于贴壁细胞结构的力学建模分析[D]. 王丽丽. 太原理工大学, 2019(03)
- [8]面向医学图像分析的深度学习方法研究[D]. 张笑青. 东华大学, 2019(06)
- [9]白带显微图像中有型成分自动识别理论与技术的研究[D]. 杜晓辉. 电子科技大学, 2019(04)
- [10]镜检图像无标记红白细胞识别方法研究[D]. 司淼淼. 重庆邮电大学, 2018(01)