基于纹理特征的肠癌病理图像识别算法的研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 大肠图像组织特征简述 | 第10-11页 |
| 1.2.1 正常的大肠组织学特征 | 第10页 |
| 1.2.2 癌变的大肠组织学特征 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.3.1 肠癌图像纹理特征提取技术 | 第11-12页 |
| 1.3.2 肠癌图像自动识别技术 | 第12-13页 |
| 1.3.3 现研究存在的问题 | 第13-14页 |
| 1.4 本文研究内容及章节安排 | 第14-15页 |
| 1.4.1 本文研究内容 | 第14页 |
| 1.4.2 章节安排 | 第14-15页 |
| 第2章 肠癌病理图像识别算法概述 | 第15-29页 |
| 2.1 算法框架 | 第15-16页 |
| 2.2 预处理 | 第16-17页 |
| 2.2.1 颜色空间 | 第16页 |
| 2.2.2 形态学操作 | 第16-17页 |
| 2.3 图像分割算法 | 第17-21页 |
| 2.3.1 基于边缘检测的图像分割方法 | 第17-19页 |
| 2.3.2 基于区域生长的图像分割方法 | 第19-21页 |
| 2.4 纹理特征提取算法 | 第21-23页 |
| 2.4.1 灰度共生矩阵 | 第21-22页 |
| 2.4.2 Gabor纹理特征 | 第22-23页 |
| 2.5 数据预处理 | 第23-25页 |
| 2.5.1 数据归一化 | 第23-24页 |
| 2.5.2 特征选择 | 第24-25页 |
| 2.6 支持向量机 | 第25-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 肠癌病理图像的分割 | 第29-44页 |
| 3.1 基于斑点检测的细胞核识别 | 第29-32页 |
| 3.1.1 图像增强 | 第29-30页 |
| 3.1.2 LoG斑点检测 | 第30-31页 |
| 3.1.3 实验结果 | 第31-32页 |
| 3.2 基于对象结构的腺体分割 | 第32-43页 |
| 3.2.1 圆拟合算法 | 第34-38页 |
| 3.2.2 初始化腺体种子点 | 第38-39页 |
| 3.2.3 区域生长及边缘检测 | 第39-40页 |
| 3.2.4 参数说明 | 第40-41页 |
| 3.2.5 实验结果分析 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 肠癌病理图像的分类 | 第44-60页 |
| 4.1 特征描述 | 第44-50页 |
| 4.1.1 方向梯度直方图（HOG）特征 | 第44-46页 |
| 4.1.2 GLRLM特征 | 第46-49页 |
| 4.1.3 组织学特征 | 第49-50页 |
| 4.2 特征选择 | 第50-51页 |
| 4.3 SVM参数优化 | 第51-53页 |
| 4.3.1 核函数选择 | 第51-52页 |
| 4.3.2 惩罚参数 | 第52-53页 |
| 4.4 实验结果与分析 | 第53-59页 |
| 4.4.1 实验数据 | 第53页 |
| 4.4.2 HOG参数选择 | 第53-54页 |
| 4.4.3 特征选择参数 | 第54-57页 |
| 4.4.4 SVM参数优化 | 第57页 |
| 4.4.5 性能分析 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 结论与展望 | 第60-62页 |
| 5.1 结论 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间参加的科研项目和成果 | 第67页 |
