论文部分内容阅读
结直肠癌是最常见的消化道恶性肿瘤之一,近年来在我国的发病率和死亡率越来越高。目前结直肠癌的诊断是以医生的病理诊断为依据,严重依赖于医生的临床经验,医生工作量大、误诊事件时有发生。该领域迫切需要研究针对结直肠病理图像的计算机辅助诊断技术,以便辅助病理医生减小其工作量,提高诊断的效率,消除误诊。为此,本文研究了结直肠病理图像的腺体分割和病理的良恶性诊断,具体工作和成果如下:首先,本文提出了一种基于Segnet的结直肠病理图像的腺体分割方法。与文献中已有Segnet分割方法不同的是,本文通过剪切操作,对结直肠病理数据集Warwick-QU进行了有效扩充和尺度变换。然后,利用扩充的数据集训练Segnet并进行腺体分割测试。实验结果表明,相比于文献中现有方法,Segnet在Warwick-QU的测试集A上取得了分割准确率0.882和形状相似性106.6471,已经接近目前最好的方法CUM2。在测试集B上,Segnet取得了最高的分割准确性0.8636和形状相似性102.5729,分别高出目前最好方法CUM1和ExB1约0.06和43。然后,针对结直肠病理的良恶性诊断问题,设计了一种多特征描述下的辅助诊断算法。该算法构建了基于轮廓、颜色和纹理特征及其组合的SVM病理诊断模型,并用于两类数据集D1(原病理图像数据集)和D2(作过腺体分割的数据集)的病理良恶性诊断。结果表明,病理诊断模型在D2上具有更高的诊断精度,其中,基于轮廓和纹理的多特征融合的SVM取得了最高诊断正确率也仅为83.75%,这也从侧面印证了传统图像处理手段诊断结直肠病理良恶性是比较困难的。最后,提出了一种基于两种深度卷积神经网络CIFAR和VGG的结直肠病理诊断方法。配置并训练两种网络后,将训练好的CIFAR和VGG网络模型应用于D1和D2的诊断中。结果表明,基于深度学习网络CIFAR和VGG的诊断效果相较于多特征描述的SVM病理诊断模型的结果有很大提升,在D1上,CIFAR和VGG分别提升了6.25%和8.75%;在D2上,CIFAR和VGG分别提升了10.25%和12.5%。并且,两种网络在D2上的诊断精度均高出D1上的结果3.75%-4%,其中,VGG取得了最高的96.25%的诊断正确率,已十分接近文献中最佳方法Object-Net的诊断正确率97.5%。