论文部分内容阅读
计算机技术发展日渐成熟,将计算机技术应用于医学领域,为医学诊断,辅助检测做出了重要贡献。宫颈癌作为目前唯一病因清晰,可预防,前中期可治疗的恶性肿瘤病变,及时发现可以提高治愈率,降低发病死亡率。目前我国对于宫颈细胞病变检测的计算机辅助系统的研究还不成熟。本文着重研究宫颈细胞图像的分类识别,在前人的基础上,结合图像分割技术,机器学习,细胞病理学知识,在病理医生的指导下,从细胞图像的预处理,分割,特征提取,分类识别几个步骤最终实现宫颈细胞的分类识别。主要完成了以下工作:1.首先采用改进的Otsu双阈值法对宫颈细胞图像进行粗分割,提取兴趣区域,然后对分割结果做粘连判别。再采用Chan-Vese模型对兴趣区域内的图像做精确分割,得到细胞体、细胞质、细胞核图像。对于单个细胞和粘连细胞做出相应标记,并且对于粘连细胞不再使用形态学方法强行分割,而是将粘连细胞整体分割出来,最大程度保持了细胞形态的完整性。2.在细胞精确分割的基础上,针对分割结果中的单个宫颈细胞、细胞质粘连的单个细胞核、细胞质细胞核均粘连的三种细胞图像,结合前人研究,宫颈细胞病理学知识,在病理学医生的指导下差异提取了细胞的特征参数,并将获得的细胞特征参数以数据的形式存储在SQL Server数据库表中。3.使用分类效果较好的SVM分类器原理来设计宫颈细胞的分类器,采用C++语言,基于Visio Studio软件平台和LIBSVM开源软件包进行编码设计。对于分割出的单个宫颈细胞,质粘连的单个细胞核,质粘连核粘连的宫颈细胞分别设计多分类器。经过比较,采用分类器构造个数相对较少的决策树方法设计分类器,并且选择RBF径向基核函数作为分类器模型的核函数。将SQL Server数据库中的特征参数表中的数据作为样本集,采用网格搜索算法确定SVM分类器的参数,并且用K-折交叉验证的方式训练分类器模型,得到最优的分类器。结果表明,采用上述步骤设计得到的宫颈细胞图像分类器不仅对于单个宫颈细胞的分类识别有较好的分类结果,而且对于粘连的宫颈细胞的识别也达到了较好的效果。本文为宫颈细胞病变检测的计算机辅助系统的研究提供参考。