基于深度學(xué)習(xí)的腫瘤細(xì)胞圖像識(shí)別.pdf

1、近年來(lái)，深度學(xué)習(xí)發(fā)展迅速，在語(yǔ)音識(shí)別、圖像識(shí)別、自然語(yǔ)言處理等領(lǐng)域應(yīng)用最為廣泛。同時(shí)，深度學(xué)習(xí)已經(jīng)成為圖像處理與識(shí)別領(lǐng)域中最熱門(mén)的研究方向。目前腫瘤細(xì)胞圖像的分類(lèi)與回歸算法多數(shù)屬于淺層學(xué)習(xí)。淺層學(xué)習(xí)對(duì)復(fù)雜函數(shù)的表示能力有限，針對(duì)復(fù)雜分類(lèi)問(wèn)題其泛化能力受到一定的制約，難以解決一些更加復(fù)雜的自然信號(hào)處理問(wèn)題，例如人類(lèi)語(yǔ)音和自然圖像等。而深度學(xué)習(xí)可通過(guò)學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，用較少的參數(shù)表示復(fù)雜函數(shù)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，并展現(xiàn)了強(qiáng)大的從少數(shù)

2、樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力。因此，本文嘗試將深度學(xué)習(xí)應(yīng)用到腫瘤細(xì)胞圖像分類(lèi)識(shí)別中，深入研究了兩種深度學(xué)習(xí)模型：卷積神經(jīng)網(wǎng)絡(luò)和反卷積網(wǎng)絡(luò)。
　　在所有的深度模型中，卷積神經(jīng)網(wǎng)絡(luò)對(duì)于圖像處理具有獨(dú)特的優(yōu)勢(shì)，因此本文首先嘗試研究了采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行腫瘤細(xì)胞圖像識(shí)別的方法。首先構(gòu)建了一個(gè)針對(duì)腫瘤細(xì)胞圖像特點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，由2個(gè)卷積層、2個(gè)下采樣層和1個(gè)全連接層組成。接著采用預(yù)訓(xùn)練和dropout技術(shù)對(duì)提出的卷積神經(jīng)網(wǎng)絡(luò)模

3、型進(jìn)行了改進(jìn)和優(yōu)化，以提高模型的魯棒性。再利用擴(kuò)大后的新的圖像數(shù)據(jù)集對(duì)本文的CNN模型進(jìn)行訓(xùn)練，等到模型收斂之后，將模型參數(shù)保存下來(lái)，以解決腫瘤圖像數(shù)據(jù)少的問(wèn)題。最后在原始的腫瘤細(xì)胞圖像訓(xùn)練數(shù)據(jù)集上對(duì)模型進(jìn)行訓(xùn)練時(shí)，由于模型參數(shù)初始化采用上述步驟中得到的參數(shù)，大大減少了模型的訓(xùn)練時(shí)間，使得整體模型的收斂速度加快。經(jīng)過(guò)仿真實(shí)驗(yàn)，該卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)腫瘤細(xì)胞圖像的分類(lèi)識(shí)別正確率可達(dá)到88%。
　　但由于卷積神經(jīng)網(wǎng)絡(luò)調(diào)參過(guò)程很不直觀，并

4、且不能提取目標(biāo)高層結(jié)構(gòu)特征，識(shí)別速率較慢，因此本文嘗試研究了采用自適應(yīng)反卷積網(wǎng)絡(luò)模型進(jìn)行腫瘤細(xì)胞圖像識(shí)別的方法。首先對(duì)使用自適應(yīng)反卷積網(wǎng)絡(luò)模型進(jìn)行腫瘤細(xì)胞圖像識(shí)別的可行性和必要性進(jìn)行了分析，在此基礎(chǔ)上構(gòu)建了自適應(yīng)反卷積網(wǎng)絡(luò)腫瘤圖像識(shí)別模型，通過(guò)模型訓(xùn)練和特征圖推理，很好地提取了更加豐富的腫瘤圖像特征。接著通過(guò)模型的重構(gòu)算法，獲得與輸入圖像保持相近的重構(gòu)圖像，并且具有更快的訓(xùn)練和推斷速度。然后，結(jié)合空間金字塔匹配分類(lèi)算法，對(duì)利用自適應(yīng)反卷