基于机器学习方法的前列腺病理切片图像识别.ppt

《基于机器学习方法的前列腺病理切片图像识别.ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于机器学习方法的前列腺病理切片图像识别论文作者:钱民华南理工大学本文大纲第一章绪论第二章深度学习的基本方法第三章基于深度学习的前列腺病理图像判断第四章基于空间金字塔的前列腺癌病理图像的识别总结与展望第一章绪论课题背景及意义前列腺形态组织特征简述国内外研究现状机器学习方法介绍1.1课题背景及意义最近几十年，随着人们生活水平的提高，健康越来越受到人们的重视，是当前社会最为关注的话题之一。男性生殖系统最常见的恶性肿瘤就是前列腺癌，前列腺癌在西方发达国家的发病率以及死亡率仅次于肺癌，位居男性癌症死亡的第二位。中国则

2、是一直被认为前列腺癌发病率较低的国家，所以在前列腺癌的诊断和研究方面落后于国际水平，同时在国内也落后于肝癌、胃癌、乳腺癌等相对高发病率肿瘤的研究。但近年来，饮食、生活习惯西化以及受到人口老龄化等因素的影响，我国前列腺癌的发病率逞上升趋势，逐步成为威胁中老年男性身心健康的头号杀手。近年来，随着计算机技术以及机器学习方法的发展，计算机辅助诊断(CAD)系统成为临床辅助诊断的一个新趋势。CAD系统对于病理诊断有许多优点:1)CAD系统一旦核心算法确定，系统的准确率只与内部核心的算法有关，与人为因素无关，同一幅图像不管

3、诊断多少次，都会是相同的结果；2)CAD系统能够捕捉到切片的所有区域，避免出现遗漏；3)CAD系统作为辅助，对提高医生诊断的敏感性和特异性有很大帮助；4)CAD系统能让医疗水平欠发达的地区，也能享受到科技进步所带来的好处。所以，越来越多的专家、学者投入到这一领域中来，前列腺辅助诊断系统的核心算法也成为了研究的热点。1.2前列腺形态组织特征简述正常的前列腺组织学特征正常的前列腺组织有四种明显的结构特征：分叶结构。腺腔和腺叶分割为小叶；大腺腔结构。腺腔内乳头突起使得腺腔呈梅花状结构,腺腔体积较大；腺腔上皮由内外层细

4、胞构成双层的结构；腔内有淀粉样小体。上述结构特征一般不出现在有病变的前列腺组织中。因此，上述四种结构特征弱化甚至消失就是前列腺癌诊断的重要依据。图1-1正常的前列腺病理切片图像1.2前列腺形态组织特征简述1.2.2前列腺癌的病理特征有癌变的前列腺组织主要有以下特征：腺体结构的紊乱，浸润现象，细胞核的异型。前列腺癌病理图像对应的特征为：腺腔逐渐较小，且腺腔的边界变得平滑，没有凸起；间质纹理比较紊乱，方向不一致；细胞核变大且数量明显变多。图1-2前列腺癌病理切片图像1.3国内外研究现状随着计算机医学图像处理技术的发

5、展，在病理分析和细胞组织形态等研究工作中，数字图像里处理技术的作用越来越大，如何将图像处理、模式识别、机器学习等技术最新的发展运用到医学图像上，已成为当前社会研究的热点之一。在国内，杨振森等人提出了前列腺直肠超声图像中纹理特征的提取方法，应用于前列腺癌的早期诊断，识别准确率达到90%以上。总体来说，目前国内在前列腺病理切片图像研究方面还处于起步阶段。在国外，AliTabesh等人从前列腺病理切片图像中，提取了颜色直方图、分形维数、分形编码特征、小波特征、颜色、形状和纹理等多特征融合，用于前列腺癌诊断和Gleas

6、on分级，分别取得了94.5%和77.6%的准确率。目前国外的研究人员和学者主要工作在特征集类别、分类器选择以及前列腺癌的分类策略方面。1.4机器学习方法介绍近年来，计算机技术和机器学习方法都得到极大的发展，机器学习在图像上的应用也取得了相当大的突破。特别是在2012年ImageNet目标识别竞赛上，由GeoffHinton团队实现的基于神经网络的深度学习的算法以85%的准确率获得最佳算法，将历届最好成绩提高了11%，这引起了学术界和工业界的又一波机器学习的热潮。本文在前列腺病理切片图像的识别方面采用了深度学习

7、算法和支持向量机（SupportVectorMachine，SVM）分类算法。1.4.1深度学习简介深度学习是一种无监督学习。深度学习的概念最开始来自于人工神经网络的研究。深度学习一般通过组合较低层的特征形成更为抽象的高层表示，从而发现数据特征的分布式表示,如图1-3所示。图1-3深度学习的特征层级对象模型对象的局部特征（边缘特征的组合）边缘特征1.4.1深度学习简介深度学习算法是基于分布式表达(在上世纪80年代和连接机制一起被引入)的方法。分布式表达所基于的假设是所观测到的数据是由多种因素（并不是所有都被观测

8、到）交互产生的，也就是从其他因子组合中学习一个特殊的因子，这样往往可以推广到其他不可见因子的组合。深度学习加入了这些因子被组织成多层的这个假设（被视为一个先验的未知数据生成过程），对应了不同层次的抽象或组成：高层次的表示是通过改造低层次的表示来获得的。这些因子之间的关系可以被看作类似字典或维基百科中词条之间的关系，尽管这些因子可能是数值的（比如人脸在图像中的位置）或类别的（比如是否是人