基于字典学习的正则化鲁棒稀疏表示肿瘤细胞图像识别

针对胃黏膜肿瘤细胞图像的高维性及复杂性的特点,为了提高稀疏表示图像识别的鲁棒性,提出了一种基于字典学习的正则化鲁棒稀疏表示(RRC)肿瘤细胞图像识别方法。该方法首先将所有的原始染色肿瘤细胞图像转化为灰度图像;然后利用具有Fisher判别约束的字典学习(FDDL)方法对肿瘤细胞图像训练样本的全局特征进行字典学习,得到具有类别标签的结构化字典;最后将具有判别性的新字典用于RRC模型进行分类识别。RRC模型是基于最大后验概率准则,将稀疏保真度表示为余项的最大后验概率函数,最终识别问题转化为求解正则化加权范数的优化逼近问题。将提出的识别方法应用于肿瘤细胞图像的最高识别率为92.4%,表明该方法能够有效地实现肿瘤细胞图像的分类。

基于径向变换和改进AlexNet的胃肿瘤细胞图像识别方法

使用AlexNet实现胃肿瘤细胞图像分类时,存在数据集过小和模型收敛速度慢、识别率低的问题。针对上述问题,提出基于径向变换(RT)的数据增强(DA)和改进AlexNet的方法。将原始数据集划分为测试集和训练集,测试集采用剪裁方式增加数据,训练集首先采用剪裁、旋转、翻转和亮度变换得到增强图片集;然后选取其中一部分进行RT处理达到增强效果。此外,采用替换激活函数和归一化层的方式提高AlexNet的收敛速度并提高其泛化性能。实验结果表明,所提方法能以较快的收敛速度和较高的识别准确率实现胃肿瘤细胞图像的识别,在测试集中最高准确率为99.50%,平均准确率为96.69%,癌变、正常和增生三个类别的F1值分别为0.980、0.954和0.958,表明该方法较好地实现了胃肿瘤细胞图像的识别。

基于SAM-CS和SOFM的胃上皮肿瘤细胞图像识别

针对胃上皮肿瘤细胞图像(以下简称肿瘤细胞图像)黏结严重和信息冗余的特点,提出了一种将自适应观测矩阵的压缩感知(SAM-CS)和自组织特征映射(SOFM)神经网络相结合的算法。该算法将肿瘤细胞图像拉成列向量,然后利用通过自适应过程产生的观测矩阵,基于压缩感知理论对图像信息进行观测,产生线性观测向量,最后利用SOFM神经网络的学习算法对观测向量进行训练和分类,实现对肿瘤细胞图像的识别。实验表明,相比常用算法,该算法至少提高了4.2%的识别准确率和5.7%的运算速度。

基于YOLOv4⁃tiny模型的细胞图像识别技术研究

根据细胞的形态特征进行病理分析是现代医疗健康领域常用的技术手段,传统的细胞识别及分类存在易疲劳、效率低、医师水平及主观因素带来的不确定性等问题。为此,提出基于YOLOv4⁃tiny模型的细胞图像识别技术。在Jetson Nano人工智能平台上设计开发了面向细胞的智能检测系统,通过加入Dropout改进了YOLOv4⁃tiny轻量化网络模型,有效防止了训练数据过度拟合的问题,实现了基于细胞形状特征的精准识别。实验结果表明,该系统的细胞检测准确率可高达99%,能够大幅提高细胞在显微镜下的检测精度及检测效率,促进了人工智能技术在医学检测领域的应用。

基于小波变换与野草算法的细胞图像特征提取与识别

本文在细胞图像小波多尺度分解的基础上,提出在小波域中进行细胞图像特征提取的方法。针对基于小波变换提取的细胞图像特征向量维数过大、冗余等问题,提出一种基于小波变换与野草优化算法相结合的细胞图像特征的提取方法,最后利用BP神经网络作为分类器进行细胞图像识别。计算机实验仿真结果表明,与现有的未进行特征优化的细胞图像特征提取识别方法相比,本文细胞图像特征提取、分析、识别方法所需时间更短,识别正确率更高,实时性、鲁棒性能更好。

染色血液白细胞目标图像快速提取方法的研究

提出了一种变图像分辨率的染色血液白细胞目标图像提取方法.首先对采集到的染色血液细胞图像进行分辨率抽样并将图像从RGB表示变换为HS I表示;然后使用白细胞色饱和度阈值滤波和形态学滤波得到白细胞数目和位置;最后在白细胞位置按原始图像分辨率进行局部图像提取并使用神经网络方法进行图像分割得到目标图像.该方法充分保留了血液细胞图像本身固有的大量有用信息,提高了目标图像分割的完整性并减少了计算量,适用于对时间要求较高的复杂背景下血液图像的自动分析.