基于特征學(xué)習(xí)的微血管圖像分類算法研究.pdf

1、由于人們的工作和生活壓力普遍增大，飲食和生活習(xí)慣的不規(guī)律，導(dǎo)致全球癌癥患病人口一直處于一個(gè)不斷上升的趨勢。及早的確診癌癥病情，對于挽救癌癥病人的生命至關(guān)重要。科學(xué)研究發(fā)現(xiàn)，人類的微血管密度與惡性腫瘤和癌細(xì)胞的侵入深度有關(guān)，當(dāng)惡性腫瘤的長度超過3cm時(shí)，就需要新生成微血管來為其提供養(yǎng)料和氧氣，同時(shí)排出廢棄物。因此，癌癥的早期診斷可以通過測量微血管的密度來實(shí)現(xiàn)。
　　目前，微血管密度的測量主要依賴于定量分析，即對熱點(diǎn)區(qū)域（微血管分布比

2、較密集的區(qū)域）的微血管進(jìn)行人工計(jì)數(shù)，這種方式不但耗時(shí)容易出錯(cuò)，而且不同觀測者的觀測結(jié)果之間存在差異性?，F(xiàn)代組織病理學(xué)上采用對微血管圖像進(jìn)行分類的算法來預(yù)測癌癥，不過仍然處在很原始的階段，存在著很多不足，比如，需要人工觀測、分類算法不具備通用性。因此，微血管圖像的分類的算法仍待優(yōu)化和改進(jìn)。
　　微血管圖像的分類本質(zhì)上是對微血管圖像進(jìn)行二分類，因此，可以借助圖像處理領(lǐng)域的分類算法來解決。本論文的主要研究工作是基于特征學(xué)習(xí)的微血管圖像分

3、類算法，創(chuàng)新點(diǎn)主要包括以下三個(gè)部分：
　?。?）研究了視覺詞包（Bag of Visual Words，BOVW）模型、Fisher向量（Fisher Vector，F(xiàn)V）模型和VLAD（Vector of Locally Aggregated Descriptors）模型，提出了基于空間特征的微血管圖像分類算法。具體包括：基于空間金字塔模型的微血管圖像分類算法，基于Fisher向量特征的微血管圖像分類算法和基于VLAD模型的微血

4、管圖像分類算法，并通過實(shí)驗(yàn)進(jìn)行了對比和分析。
　?。?）研究了稀疏編碼，提出了基于稀疏編碼的微血管圖像分類算法和基于組稀疏的微血管圖像分類算法，并通過實(shí)驗(yàn)進(jìn)行了對比和分析。
　?。?）研究了深度學(xué)習(xí)，提出了基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的微血管圖像分類算法，并通過實(shí)驗(yàn)進(jìn)行了對比和分析。
　　本論文研究了多種基于特征學(xué)習(xí)微血管圖像分類算法，通過大量實(shí)驗(yàn)進(jìn)行了對比和分