基于BP神经网络的肺癌细胞图像处理系统的研究

论文摘要

随着科技的飞速发展,计算机技术在医学研究与应用领域得到了广泛的应用,其中,计算机辅助医疗外科技术也更加受到人们的重视,医学显微图像处理方面的应用更是倍受人们得关注。从前的医学检测强度大,工作效率低,存在主观的观察误差;并且它只能通过显微摄影进行图像记录,不能对图像进行必要的处理,也不能快速存储和通过网络远距离传输图像信息。根据现代医学发展趋势,迫切需要我们把传统技术的光学图像显示在计算机屏幕上,并转换成大面积、高亮度能被自动识别的图像,以减轻专业技术人员的繁重的劳动强度,然后对观测细胞的色彩、形态等参数进行定量地分析统计,辅助医生进行医疗诊断。本文是在分析数学形态学的原理基础上,针对肺癌细胞图像模糊不清楚和不确定的特点,运用统计模式识别的Fisher线性判决法,比较好的处理了肺癌细胞图像的分割。在列举出的肺癌细胞分析医学依据的基础上,着重的分析了形态学分析方法:8-链码跟踪算法和方向码算法。在本论文的最后,提取了肺癌细胞的5个形状特征值,作为诊断模型的输入值,然后选择样本对人工神经网络进行测试。本文还采取了3层完全结合方式的Bp神经网络去建立诊断模型,细胞的5个特征值作为网络的输入,隐含层设计神经元个数为30,输出层的神经元个数为4,经过训练,网络满足训练目标。根据计算机图像处理技术,使用VC++语言为编程语言,运用计算机图像处理技术、人工神经网络技术和统计模式的识别方法,对肺癌细胞图像的处理和诊断技术进行了近一步研究。

论文目录

• 内容提要
• 第1章 绪论
• 1.1 计算机图像技术处理在医学领域的应用
• 1.2 课题的背景及简单介绍
• 1.2.1 研究背景
• 1.2.2 研究意义
• 1.3 课题研究的主要内容
• 1.3.1 肺癌细胞的医学检验基础
• 1.3.2 基于数学统计模式识别和数字形态学的图像分割
• 1.3.3 基于链码跟踪算法的边缘检测
• 1.3.4 肺癌细胞诊断模型的建立
• 第2章 肺癌细胞检验医学基础和图像处理技术
• 2.1 二维图像处理技术介绍
• 2.1.1 图像的增强技术
• 2.1.2 图像分割技术
• 2.2 肺癌细胞检验基础
• 2.2.1 肺癌及肺癌治疗
• 2.2.2 周围型肺癌的特征
• 2.3 计算机辅助诊断
• 2.3.1 计算机辅助诊断介绍
• 2.3.2 肺癌诊断中的计算机辅助诊断
• 第3章 肺癌细胞图像分割技术的研究与实现
• 3.1 肺癌细胞图像分割技术介绍
• 3.1.1 边界检测
• 3.1.2 区域分割
• 3.1.3 基于模糊集理论的分割方法
• 3.1.4 图像分割的困难
• 3.2 基于统计模式识别的肺癌图像分割方法
• 3.2.1 特征提取和选择
• 3.2.2 分类器的设计
• 3.2.3 试验结果及其分析
• 3.3 基于数学形态学的肺癌细胞图像分割后的进一步处理
• 3.3.1 数字形态学
• 3.3.2 对肺癌细胞图像分割后进一步处理的研究
• 3.4 基于链码跟踪算法的肺癌细胞图像边缘检测方法
• 第4章 肺癌细胞诊断模型的建立与分析
• 4.1 周围型肺癌特征值提取
• 4.1.1 特征定义
• 4.1.2 特征提取方法
• 4.2 人工神经网络模型
• 4.2.1 神经网络概述
• 4.2.2 神经网络的学习
• 4.2.3 人工神经网络的基本功能
• 4.2.4 人工神经网络的结构及优点
• 4.2.5 反向传播BP 模型
• 4.3 基于BP 模型的肺癌细胞诊断网络设计
• 4.3.1 输入输出变量设计
• 4.3.2 初始权值设计
• 4.3.3 隐含节点数的选择
• 4.3.4 人工神经网络结构
• 4.4 结果分析
• 第5章 系统设计与实现
• 参考文献
• 中文摘要
• ABSTRACT
• 致谢