基于阈值图像分割结合深度学习的血细胞识别算法研究

目的:探讨传统图像处理的阈值图像分割与深度学习相结合的血细胞识别算法,用于血细胞涂片的自动识别和分类。方法:使用全局阈值分割从血细胞涂片中提取血细胞并单独保存,对分割后的细胞图像进行人工标记和分类,以降低后续处理的硬件要求。标记后的图像深度学习训练基于GoogLeNet预训练模型,生成可用于血细胞涂片图像自动识别的深度学习模型。使用已训练模型对测试集进行评价,并生成混淆矩阵和受试者工作特征(ROC)曲线下面积(AUC)值。结果:这种预处理被证明可以提高深度学习模型的训练以及后续使用模型识别的速度10倍以上。使用在线血细胞涂片图像数据集Raabin-WBC Data,模型训练的准确率达到93.06%,均取得了良好的结果。结论:基于阈值图像分割与深度学习相结合的血细胞识别算法,可极大提高血细胞识别分类的效率,保证血液相关疾病诊断的准确度。

基于深度学习框架的循环染色体异常细胞识别

目的 循环染色体异常细胞(circulating genetically abnormal cell,CAC)检测是一种无创或微创、敏感、经济的肿瘤早期诊断方法。荧光原位杂交(fluorescence in situ hybridization,FISH)通过计算荧光探针在细胞核内产生的增益,可以准确地检测CAC中基因异常的繁殖。然而,基于FISH的CAC识别存在细胞核重叠和荧光信号形态多样的问题,人工检测荧光信号是困难的。方法 本研究基于四色荧光原位杂交肺癌图像,针对细胞核和染色信号形态特征提出一种级联细胞核分割网络(cascaded nuclei segmentation network,CACNET)和信号点检测网络(signal detection network,FISHNET)的CAC识别方案。首先使用CACNET对细胞核进行分割获取掩膜,并对应裁剪荧光染色信号图像,然后对单细胞核内的信号点使用FISHNET进行检测,最终对信号点计数并利用临床诊断方法判别细胞。其中,CACNET通过结合注意力机制和边缘约束算法提升重叠细胞核分割效果。FISHNET通过热图回归拟合染色信号形态,并且自定义轻量化目标检测网络提升信号点识别性能。结果 本研究构建44 000细胞核进行模型的训练和测试。测试结果显示,本研究提出的CACNET在细胞核分割上取得92.67%的交并比,FISHNET在信号点检测的平均精度接近98%且模型参数量仅有2.24 M。CAC识别的敏感性和特异性分别为96.52%和99.1%。结论 本研究提出的CAC识别方案是高效且鲁棒的,并且与现有的CAC识别方法相比有一定优势,有助于提高临床肺癌诊断结果的可靠性。

神经网络集成在肺癌细胞识别中的应用

通过一种特殊的二级集成结构将神经网络集成应用于肺癌细胞识别 .集成中的个体网络由Bagging方法产生 ,第一级集成的归纳结论由本文提出的完全投票法合成 ,第二级集成的归纳结论由相对多数投票法合成 .实验和原型系统试用表明 ,该方法的总体误识率较低 ,更重要的是 ,其将癌细胞判别为非癌细胞的误识率非常低 。

形态、颜色特征及神经网络在肺癌细胞识别中的应用研究

通过形态、颜色的分析 ,对细胞图像进行形态特征和颜色特征的提取 ,在此基础上 ,用神经网络对细胞图像进行识别分类 .实验结果表明 ,文中提出的方法可以取得很好的效果 .

基于神经网络的肺癌细胞识别方法的研究

细胞识别是图像处理和模式识别领域的一个研究热点,有着十分广泛的应用前景。本文提出了基于神经网络算法FTART2的肺癌细胞识别方法,讨论了FTART2的网络结构、输入矢量的标准化及分类算法。用513个样本对网络进行训练,再用716个样本组成测试集进行测试,实验结果表明:本文提出的基于FTART2的肺癌细胞分类器与基于标准BP的分类器相比,具有学习速度快、分类精度高的特点。

基于卷积神经网络的细胞识别

结合深度学习理论,将卷积神经网络算法运用到细胞识别上。相比传统的细胞识别算法,基于卷积神经网络的细胞识别使流程变得简单,同时也使得细胞的识别率更高。与多层神经网络、支持向量机及决策树等机器学习算法相比,卷积神经网络算法由于本身网络的复杂度以及训练集的大样本量,其深度远大于传统的机器学习算法,能较这些手工提取特征的方法更好地表达特征和区分细胞,最终取得的分类效果也要优于前者。研究结果表明卷积神经网络算法能较好地用于细胞识别。

细胞图像的采集区域划分及细胞识别

提出了细胞图像采集时所遇到的问题：由于一幀图像大小有限，不能一次性完成对细胞盘上的所有细胞进行拍照。据此，给出了一种对细胞所在区域分块进行拍照的方法。详细讨论了如何通过分块后的多幅图像来完成对所有细胞的准确识别。文中实例证明了该方法的可行性与正确性。

利用决策树方法进行癌细胞识别

机器学习是人工智能的一个重要分支 .作为图像处理技术与模式识别方法在细胞学的研究与诊断方面的应用 ,提出用决策树的方法识别癌细胞 ,取得了预期的结果 .对于发现各种难以预想的模式 。

具有细胞识别信号的组织工程支架材料的研究

组织工程是一门新兴的交叉性学科,寻找理想的具有细胞识别信号的细胞外基质替代材料是目前研究的热点之一。综述了天然聚合物材料、新兴的α-氨基酸类聚合材料等具有细胞识别信号的材料的研究和发展概况。

Sysmex XE-2100与Beckman LH750血细胞分析仪白细胞识别能力的比对

目的探讨不同检测系统的血液分析仪对白细胞分类的准确性,评价血细胞分析仪对不同种类白细胞识别的能力。方法随机抽取50例健康查体、130例血液科门诊患者外周EDTA-K2抗凝血液,样本同时通过Sysmex XE-2100和Beckman LH750血细胞分析仪进行血常规检测。利用仪器系统不同报警旗标提示,对样本进行自动推片人工机镜检,对所得数据进行结果比较分析。结果中性粒细胞比例、淋巴细胞比例、单核细胞比例、嗜酸性粒细胞比例、嗜碱性粒细胞比例,两种血液分析仪检测之间无统计学差异(P>0.05)。分别与手工推片镜检所得结果比较,无统计学差异。130例血液科门诊患者样本三种方法比对中,4种旗标提示总的结果为:Sysmex XE-2100灵敏度为87.10%,特异度为63.64%;Beckmann LH750灵敏度为65.52%,特异度为73.27%。两种分析仪在四种不同旗标(原始细胞、未成熟粒细胞、异性淋巴细胞、有核红细胞)提示中,Sysmex XE-2100血液分析仪灵敏度分别为:85.71%、94.44%、66.67%、66.67%,其特异度分别为:91.06%、93.75%、89.76%、96.06%;Beckman LH750血液分析仪灵敏度分别为:66.67%,68.75%,33.33%,75.00%;其特异度分别为:93.55%,91.23%,96.06%,96.82%。结论对于正常健康查体样本检测,2种血细胞分析仪白细胞识别能力不存在差异,但对于血液科门诊患者,两种血液分析仪白细胞识别能力Sysmex XE2100优于Beckmann LH750。

肝细胞癌中一种高通量二维细胞识别技术方法的建立

目的:建立一种新颖的高通量二维细胞识别、定位技术,为肝癌干细胞的鉴定、异质性分化细胞分类等提供技术平台.方法:收集原发性肝细胞癌患者手术标本1例,每个标本分别石蜡包埋,以1μm的厚度连续切5片.每张切片取第一片做常规HE染色,病理诊断.其余4张切片分别以肝癌组织中目前已报道的8个可能的肝癌干细胞标志物进行了免疫荧光标记,利用试剂Hoechst 33342(蓝色)标记细胞核定位,异硫氰酸荧光素(fluoresce iniso thio cyanate,FITC),四甲基异硫氰酸罗丹明(tetramethy l rhodamine isothiocyanate rhodamine)双荧光标记待测抗体,荧光显微镜检测荧光位置及强度.结果:以4个切片中均能识别的细胞核做定位,确定每个切片1个1×100显微镜视野中有效细胞的个数,作出4个切片合并的细胞图谱,建立了一种新颖的二维细胞识别技术.检测得到有效细胞为2772个.检测的8个抗体均在肝癌细胞中表达,并且不同肝癌细胞中肝癌干细胞标志物的表达情况不同,同一肝癌细胞可同时表达多个肝癌干细胞的分子标志,且可见8个抗体均阳性的肝癌细胞.其中2772个有效细胞中有2453个细胞为阴性,所占比例为884.9‰.结论:完成了高通量二维细胞识别、定位技术方法的建立,该方法可在一个肝癌干细胞上检测两种以上的肝癌干细胞分子标志的表达情况.

抗小鼠TLR-2胞外段B细胞识别表位抗体抑制肉瘤生长的初步研究

目的观察抗小鼠TLR-2胞外段B细胞识别表位抗体对小鼠肉瘤S180生长的影响。方法在对小鼠Toll样受体2(mTLR-2)B细胞优势表位预测的基础上,合成B细胞识别表位20mer短肽,将其与载体蛋白偶联,制备免疫原。所得兔抗mTLR-2胞外段B细胞识别表位多克隆抗体TSP-1纯化后,采用Westernblotting、免疫组织化学和流式细胞仪进行初步鉴定。小鼠肉瘤株S180细胞注射小鼠左后肢,其中实验组混合100μg纯化抗体TSP-1,无关免疫球蛋白对照组混合100μg正常兔IgG,空白对照组仅接种S180。小鼠经麻醉分别于10、14、18d处死,称量瘤质量并计算抑瘤率。结果Westernblotting显示在相对分子质量约95000处可见清晰的反应条带;免疫组织化学和流式细胞术检测显示抗体可与表达天然mTLR-2的J774A.1细胞反应;实验组小鼠肉瘤生长明显受到抑制,其瘤质量在10、14、18d与对照组相比差异显著(P<0.05);抑瘤率分别为77%、51%和53%。结论局部应用抗mTLR-2胞外段B细胞识别表位抗体可抑制小鼠肉瘤S180生长,且表现在肿瘤生长的早期。

基于误差反向传播神经网络的胃癌细胞识别研究

目的探讨误差反向传播(backpro pagation,BP)神经网络在胃癌细胞识别中的应用价值。方法在308例胃切除病例的胃组织切片中选取510个胃细胞,其中腺癌细胞210个,非癌性细胞300个,测量细胞的10个形态学特征。将所得到的数据随机分成A组(训练组)和B组(测试组)。建立三层BP神经网络,并利用A组数据对神经网络进行训练,再利用A、B两组数据对网络模型进行检验测试。结果BP神经网络对A组细胞识别的灵敏度为99%,特异度为99%,阳性预测值为98%,阴性预测值为99%,识别正确率为98%;对B组细胞识别的灵敏度为99%,特异度为97%,阳性预测值为96%,阴性预测值为99%,识别正确率为98%。ROC曲线下面积为0.99。结论本研究结果显示,BP神经网络用于胃癌细胞识别非常有效,可用于胃癌细胞的自动识别。

基于神经网络和小波分析的血细胞识别算法

结合小波变换时频局部化特性和神经网络的优势,提出了一种基于神经网络和小波分析的血细胞识别算法。首先对血细胞信号进行小波分解,然后利用小波分解系数重构信号的能量,结合时域特征参数构造特征向量作为神经网络的输入,最后建立神经网络模型进行训练。通过实验分析了不同条件下的信号识别情况,并与传统的识别算法作了比较,结果表明算法具有较强的血细胞识别能力,与传统的识别算法相比,识别准确度更高。

一种基于核函数的彩色血细胞识别方法

为有效提高血细胞识别的性能,提出一种基于核函数的彩色血细胞识别方法。利用血细胞图像的颜色直方图和局部密度直方图对血细胞图像进行归一化表示。将核主成分分析用于非线性特征和数据降维提取,采用支持向量机(SVM)对特征进行加权,SVM和最近邻构成多分类器进行分类。整个系统构成一个支持向量网络,为自动进行网络训练和参数寻优,给出一套自动相关的反馈训练方法。在相关血细胞数据库上的实验结果表明了该方法的有效性。

基于小波包和神经网络的血细胞识别方法的研究

根据血细胞信号的特点,提出了一种基于小波包分析和神经网络的血细胞识别方法。该方法首先对血细胞信号进行小波包分解,然后对分解系数进行重构,求得重构信号的能量;然后选取三个能量特征并结合7个时域特征参数构造成特征向量,作为神经网络的输入;最后建立神经网络模型进行训练。实验分析了不同条件下的信号识别情况,结果表明该方法识别效果较好。

基于多源信息融合方法的骨髓转移性肿瘤细胞识别

利用改进的DempsterShafer证据理论 (MDS)融合骨髓显微图像、血像和临床信息 ,进行骨髓转移性肿瘤细胞的识别研究。实践证明此方法较好地模拟了病理专家知识 ,比较准确地识别出了骨髓中转移性肿瘤细胞 ,对骨髓转移性肿瘤细胞识别提供了一个有力的辅助手段。

一种基于图像正交矩的肿瘤细胞识别技术的研究

肿瘤细胞自动识别一直是研究的焦点。由于矩不变量具有高度浓缩的平移、尺度、旋转、灰度多畸不变图像特征,本研究选择圆谐-傅立叶正交矩作为肿瘤细胞的特征表征量,使用最小加权平均距离方法进行分类,利用计算机识别系统,对痰、尿、胸腹水细胞学涂片进行了细胞识别实验,获得了较好的识别结果,具有临床应用潜力。