论文总字数：20886字

目 录

一、绪论 1

1.1 研究背景 1

1.2 研究现状 2

1.3 论文主要内容及章节安排 2

二、深度学习与卷积神经网络简介 3

2.1 深度学习 3

2.2 卷积神经网络 4

2.2.1 卷积神经网络的历史 4

2.2.2 卷积神经网络的优点 5

2.2.3 卷积神经网络的网络结构 5

2.2.4 参数减少与权值共享 5

2.2.5 训练过程 6

三、病理图像特征提取 6

3.1 Alexnet介绍 6

3.2 Caffe介绍 7

3.3 实验设计 7

3.3.1 实验数据集 7

3.3.2 实验结果 8

3.3 特征提取 9

3.4 小结 10

四、特征选择及分类 10

4.1 无监督特征选择方法介绍 10

4.2 LS-SVM分类器介绍 11

4.3 Softmax分类器介绍 12

4.4 实验设计 12

4.5 实验结果 12

五、网页平台设计 13

5.1 系统结构设计 13

5.2 框架简介 14

5.3 模块功能实现 14

5.3.1 登录模块设计 14

5.3.2 主页模块设计 14

5.3.3 图像训练模块设计 15

5.3.4 图像分类模块设计 16

5.3.5 图像裁剪功能设计 16

5.3.6 用户管理功能设计 17

5.4 小结 17

六、结论与展望 17

6.1 本文工作内容 17

6.2 今后工作展望 18

参考文献 19

致谢 21

宫颈癌细胞学病理图像在线诊断系统

赵亚军

，China

Abstract：This paper introduces the online diagnostic system of cervical cancer cytology pathology images which is based on deep learning, and realizes online analytical platform with web technology and deep learning framework. In deep learning modules. The deep feature vector of the image is extracted by the convolution neural network, and use the unsupervised special selection method to select the feature. Finally, use LSSVM and Softmax method to do the test. The classification accuracy of 3 categories is 78% and 2 categories is 90% respectively. Experiments show that the classification accuracy is improved after feature selection process and the classification time is significantly reduced. In the web module, based on Java web technology, this paper designs a web page platform to achieve the way of pathological image classification and convolution neural network training, and can also achieve distributed environment. What’s more, it provides friendly pages to display for pathologist users.

Key words：histopathological image; Convolution neural network; feature selection; B/S

一、绪论

1.1 研究背景

宫颈癌是最常见的妇科恶性肿瘤之一，发病率在女性恶性肿瘤中居第二位，仅次于乳腺癌^[1]。每年，宫颈癌有大约53万的新发病例，并有将近30万名女性死亡。在这其中，有超过80%的病例出现在发展中国家。我国每年新发病例14万，约占世界宫颈癌新发病例的28.8%，每年约有5万多女性死亡，占全世界的1/5^[2]。近年来，宫颈癌病患趋于年轻化，发病率逐年上升，因此宫颈癌的预防与治疗已越来越受到人们重视。宫颈癌在癌变之前有较长时间的病变阶段，通过早期筛查可以明显降低其发病率^[3]。

早期预防可大大降低宫颈癌的发病率，且早期宫颈癌是能够治愈的。为了避免悲剧的发生，早预防、早发现、早治疗就显得尤为重要，宫颈癌发病时间周期长，通常需要8到10年的时间才会发展到严重的浸润癌。这对患者来说无疑是一件好事，为病人争取了更多的治疗时间。统计表明，若能在病变早期及时发现，有着很高的治愈率。宫颈癌早期感觉不到任何的不适，这样可能会使一些病人错过治疗的最佳时机。随着女性妇科检查的普及，宫颈疾病的控制和预防受到了广大女性同胞的重视。及时有效的预防是遏制宫颈癌发展的关键，尽可能早发现和治疗，能有效的控制病情恶化。

目前，宫颈癌筛查方法较为成熟且被广泛认可的主要有三种：细胞学方法，醋酸或碘染色法和HPV - DNA检测法。应用最广泛的是细胞学检测，细胞学检测点好处是提取原材料简单方便、制片设备易操作、整个过程耗时最少、有很好的时效性，对患者来说几乎没有损伤，适合针对风险人群的大规模体检，因此这个方法得到了广泛的推广应用。采用这种检查方法，在一定程度上提高了诊断效率。传统的巴氏涂片检测法（PAP）是一种最常用于早期宫颈癌筛查的细胞学检查法，文献叙述了关于细胞学宫颈癌筛查的临床分析，说明了这种筛查能够降低宫颈癌发病率，但假阴性（将病变涂片判读为正常涂片）检出率却高达55%，并且大部分细胞会在制片步骤中丢失。传统的巴氏涂片，是通过人工进行阅片的。病理科医生需通过显微镜用肉眼观察涂片上数量庞大的细胞，发现形态异常的细胞群体，医生通过观察细胞的变异程度来判断病变等级。面对这一高要求，医生需要在显微镜下长时间的工作，这会使人处于一种疲劳的工作状态。同时，这意味着医生需要具备深厚的专业知识和丰富的临床实践经验。众多的因素影响，会在一定程度上不可避免的影响判别结果，甚至误判。随着制片技术和染色技术的提高和改善，当前的检验技术主要有两种：一种是薄层细胞学检验技术简称TCT技术，还有一种是液基细胞学检验技术简称LCT技术。当前的液基细胞学检验技术超越了PAP 技术并取而代之成为最为广泛有效的宫颈癌筛查方法。

我国适龄女性人口众多，WHO 提倡适龄女性每年至少一次例行宫颈检查，这会导致有大量的细胞涂片因此产生。若是按传统的方法进行人工阅片，需大量的人力物力，人工阅读涂片不仅效率低，更重要的是受主观影响较大，严重的影响了判别的准确性，设计出一套有效的宫颈细胞学涂片自动判读系统是十分有必要的。自动判读系统能够在初筛、质控等方面部分替代细胞学医师^[4]，如果自动化筛查能够普及，不但可以提高筛查的准确性和客观性、还可以降低由于主观原因导致的误判和误诊，从医务经济效益角度考虑，这样还可以大大降低人工实操工作总量，节约宝贵的医疗资源。随着时间的推移，计算机技术以及宫颈细胞病理学的不断发展和进步，宫颈细胞的诊断标准日趋成熟和完善，将显微摄影得到的宫颈细胞图像，运用计算机技术对其自动分析和处理，从而实现宫颈细胞图像的自动识别和诊断^[4]。这种技术能够大大减少病理医师的工作量并提高宫颈癌检测的准确率和效率。

1.2 研究现状

在上世纪90年代已经有早期的病理图像研究，但是相比于现在来说的话无论是规模还是研究成果来说都是出于起步阶段，主要是由于科研机构较少、病理图像数字化设备性能差、以及算法不成熟等原因。

数字病理图像有着诸多优势，比如可以快速的实现共享、存储与备份，方便病理资源的管理，所以近年来，数字病理技术进行了一个飞速发展的时期，进而进行了大量的病理图像方面的研究，提出了多种癌症检测和评分分级算法，包括宫颈癌、乳腺癌、肺癌、前列腺癌、结直肠癌、皮肤癌等癌症的研究。在临床中检测细胞的种类是非常重要的，不同的药物和治疗方案对不同的癌细胞作用是有差别的，需要先知道是哪一类癌细胞，再选择合适的治疗方案。宫颈刮片是妇科检查时经常作的一项检查，又是确诊宫颈癌的重要措施。

数字病理是指在活检切片上进行数字化处理的微观研究，首先切片经过化学处理，固定在玻璃片上供病理医生研究病人的癌症症状以及细胞的形态和细胞的特征，然后医生再根据结果对病人进行诊断或者治疗。为了在显微镜下更清晰的看到细胞，需要对切片进行染色，对于宫颈癌细胞普遍用到的是巴氏染色法，相比于其他染色方法，巴氏染色细胞颜色鲜艳多彩，涂片的透明度高，胞核结构分明。

早期的宫颈癌病理图像研究是用模糊神经网络来实现的^[5]，通过手动提取细胞核大小，细胞质大小，细胞核亮度和细胞质亮度特征，最后结合FCM聚类算法对图像分类，在论文^[6-8]中手动提取20中特征，使用C-means、KNN、NCC、NNH等算法进行分类，但是传统的分类方法需要手动提取特征，过程复杂，分类准确率较低。近年来研究者对深度学习广泛关注，在病理图像领域也逐渐代替传统的机器学习算法，在论文^[9]中使用卷积神经网络作为研究工具，对病理图像的分类结果明显优于传统的算法，但是对于病理医生来说使用步骤太过复杂。

1.3 论文主要内容及章节安排

本文的研究内容和创新点：

1. 本文的研究内容如图1所示，首先制作数据集，将数据分为2类和3类进行两组实验，然后通过卷积神经网络进行特征提取，从网络中提取的高维特征用无监督特征选择算法选择特征，最后用LS-SVM和Softmax分类器分别对测试数据进行测试，分析实验结果。
2. 开发在线的宫颈癌病理图像分析平台，使用Java语言调用系统命令来调用深度学习算法对图像进行分类和网络训练功能，并在这两个功能的基础上添加登录、查看服务器信息、用户管理、图像裁剪功能。

图 1工作流程框图

剩余内容已隐藏，请支付后下载全文，论文总字数：20886字

相关图片展示：