基于同層多尺度核卷積神經(jīng)網(wǎng)絡(luò)的單細(xì)胞圖像分類研究.pdf

1、使用機器學(xué)習(xí)方法進行圖像的分類是當(dāng)下熱門的研究方向之一，Google的AlphaGo與人類的圍棋大戰(zhàn)，更是促進了機器學(xué)習(xí)的進一步發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)是應(yīng)用廣泛的機器學(xué)習(xí)算法，當(dāng)下在金融風(fēng)險預(yù)警，企業(yè)決策，字符識別等領(lǐng)域都有較多的應(yīng)用。
　　醫(yī)療影像技術(shù)隨著科技的進步在臨床上得到廣泛應(yīng)用，使得很多疾病可以更早發(fā)現(xiàn)、更早治療，醫(yī)學(xué)圖像分類主要依靠人眼觀察，耗時、耗力、且容易受到醫(yī)生主觀因素影響，醫(yī)學(xué)細(xì)胞圖像的計算機分類也成為研究的熱點和

2、難點。
　　本文研究對機器學(xué)習(xí)算法——卷積神經(jīng)網(wǎng)絡(luò)模型進行改進并應(yīng)用于單細(xì)胞圖像分類，完成的主要研究工作如下:
　　1、闡述了卷積神經(jīng)網(wǎng)絡(luò)的基本理論，介紹了從感知機模型演變到卷積神經(jīng)網(wǎng)絡(luò)的過程，以及Softmax分類器等理論知識，為模型的建立和改進提供理論基礎(chǔ)。
　　2、針對公開的HEp-2細(xì)胞圖像庫和宮頸細(xì)胞圖像庫中圖像數(shù)量較少，且大小尺寸不一，無法直接訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型;本文研究使用縫裁剪法、高階插值法對圖像進行

3、縮放，使得單細(xì)胞圖像具有相同的尺寸，同時使用裁剪、對比度、亮度變換、旋轉(zhuǎn)、規(guī)范化等方式對于小數(shù)據(jù)集進行數(shù)據(jù)提升，擴大了訓(xùn)練集合。
　　3、針對經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型不能有效的進行單細(xì)胞圖像分類的問題，設(shè)計了一種改進的卷積神經(jīng)網(wǎng)絡(luò)模型，通過批技術(shù)、局部響應(yīng)歸一化，Softmax等六個方面改進了卷積神經(jīng)網(wǎng)絡(luò)模型。
　　4、為了進一步提高卷積神經(jīng)網(wǎng)絡(luò)模型對單細(xì)胞圖像的分類識別能力，考慮到人類視覺過程中感受野并非固定不變，設(shè)計了一種

4、改進的卷積神經(jīng)網(wǎng)絡(luò)模型——同層多尺度核卷積神經(jīng)網(wǎng)絡(luò)，通過增加多尺度感受野、使用ReLUs、變更核函數(shù)數(shù)量等方式對卷積神經(jīng)網(wǎng)絡(luò)模型進行了改進。
　　5、使用Google的Tensorflow框架編寫改進的卷積神經(jīng)網(wǎng)絡(luò)模型，并通過ICPR2012HEp-2數(shù)據(jù)集和宮頸細(xì)胞集對改進模型進行分類仿真測試。
　　仿真結(jié)果表明:本文設(shè)計的兩個模型具有較好的魯棒性和抗擾性，對于圖像殘缺、對比度亮度不同以及旋轉(zhuǎn)等都仍然能夠很好的完成HEp-