人工智能與病理診斷

1 人工智能概述 1
1.1 人工智能的定義 1
1.2 強人工智能、弱人工智能和超人工智能 2
1.3 人工智能的研究方法 3
1.4 人工智能的基本應用 8
2 深度學習 12
2.1 深度學習簡介 12
2.2 人工神經網絡下的深度學習 13
2.3 典型的深度學習網絡架構 14
2.3.1 LeNet 14
2.3.2 AlexNet 17
2.3.3 VGGNet 19
2.3.4 ResNet 21
2.3.5 DenseNet 22
2.4 深度學習的應用 24
2.4.1 物體檢測 24
2.4.2 圖像分割 25
2.4.3 圖像標題生成 26
2.4.4 圖像風格變換 27
2.4.5 自動駕駛 28
3 病理診斷分析 30
3.1 病理學基礎 30
3.1.1 診斷病理學 30
3.1.2 診斷病理學的任務 31
3.2 病理診斷方法 32
3.2.1 病理診斷設備 32
3.2.2 病理診斷要點 32
3.2.3 病理材料的存檔 34
3.2.4 臨床與質量保證 35
3.3 病理診斷中常見的病理過程 35
3.3.1 組織和細胞的適應與損傷 35
3.3.2 炎癥 39
3.3.3 腫瘤 40
4 細胞病理診斷 42
4.1 細胞學基礎 42
4.2 細胞病理學 43
4.2.1 細胞病理學檢查程序 43
4.2.2 細胞病理學在腫瘤診斷中的作用 44
4.2.3 細胞病理學的應用價值 44
4.2.4 細胞病理學診斷的局限性 45
4.2.5 細胞病理學報告 46
4.3 宮頸細胞病理學 46
4.3.1 宮頸細胞病理學的基本現狀和進展 46
4.3.2 宮頸正常細胞的形態 47
4.3.3 宮頸細胞學分類診斷標準 50
4.4 乳腺細胞病理學 54
4.4.1 乳腺細胞病理學的進展 54
4.4.2 乳腺腫塊FNAC檢查 55
4.4.3 乳腺癌的針吸細胞學 56
5 基於強特征CNN-SVM的宮頸癌細胞檢測 58
5.1 自動顯微成像平台設計 58
5.1.1 設計原則與總體框圖 58
5.1.2 光學顯微鏡及放大倍數選擇 59
5.1.3 自動載物平台設計 59
5.1.4 自動對焦方法研究 60
5.2 基於改進隨機森林算法的上皮細胞識別 65
5.2.1 圖像分割 65
5.2.2 細胞圖像的特征提取 68
5.2.3 基於人工魚群算法優化的隨機森林模型 73
5.3 基於強特征CNN-SVM的癌變上皮細胞識別 78
5.3.1 數據集擴增與良性仿射 78
5.3.2 強特征CNN-SVM網絡模型 80
5.3.3 基於強特征CNN-SVM模型的癌細胞識別 84
5.4 實驗與分析 87
5.4.1 自動對焦實驗 88
5.4.2 基於改進隨機森林算法的上皮細胞識別實驗 89
5.4.3 基於強特征CNN-SVM的癌變上皮細胞識別實驗 93
6 基於改進SSD網絡的宮頸細胞分類檢測系統 97
6.1 顯微鏡成像自動掃描系統設計 97
6.1.1 宮頸鱗狀上皮細胞形態學特點 97
6.1.2 顯微鏡成像自動掃描系統整體架構 98
6.1.3 自動對焦算法 100
6.1.4 圖像平移拼接 103
6.2 基於改進SSD網絡的細胞分類檢測算法 103
6.2.1 SSD網絡模型 103
6.2.2 正反向特征融合 108
6.2.3 雙線性匯合特征分析 112
6.3 圖像數據處理及模型訓練 114
6.3.1 實驗平台介紹 114
6.3.2 數據處理 115
6.3.3 Loss函數的定義與改進 116
6.3.4 防止過擬合 118
6.3.5 模型訓練 119
6.4 實驗與分析 120
6.4.1 顯微鏡成像自動掃描實驗 120
6.4.2 細胞分類檢測實驗 123
7 基於改進ResNet的宮頸癌細胞識別 129
7.1 深度學習與宮頸癌細胞 129
7.1.1 深度學習概述 129
7.1.2 卷積神經網絡 129
7.1.3 基於深度學習的目標檢測算法 131
7.1.4 宮頸癌細胞及識別數據集制作 132
7.2 基於改進ResNet-SSD網絡的宮頸癌細胞識別 135
7.2.1 特征提取網絡 135
7.2.2 基於改進SSD算法的宮頸脫落細胞識別 141
7.2.3 網絡模型訓練 145
7.3 宮頸癌細胞識別網絡的壓縮和加速 145
7.3.1 網絡壓縮和加速的必要性及可能性 145
7.3.2 網絡壓縮和加速 146
7.3.3 基於OD-FWSI的宮頸癌細胞網絡壓縮和加速 152
7.3.4 全局逐步網絡剪枝 154
7.3.5 改進"老師與學生"的壓縮和加速網絡訓練方法 155
7.4 實驗與分析 156
7.4.1 特征提取網絡實驗 156
7.4.2 宮頸癌細胞識別實驗 158
7.4.3 宮頸癌細胞識別網絡的壓縮和加速實驗 160
8 基於YOLO網絡的宮頸異常細胞檢測與識別方法研究 164
8.1 宮頸細胞檢測和識別技術基礎 164
8.1.1 宮頸癌細胞形態學診斷技術基礎 164
8.1.2 顯微鏡下宮頸細胞圖像采集系統 165
8.1.3 宮頸細胞圖像預處理 169
8.1.4 宮頸細胞圖像數據集構建 172
8.2 面向宮頸異常細胞的網絡結構改進 174
8.2.1 YOLOv3網絡概述 174
8.2.2 YOLOv3網絡結構改進 179
8.3 基於細胞數據集的模型訓練方法優化 183
8.3.1 目標框維度聚類分析 183
8.3.2 Loss函數的定義與改進 185
8.3.3 NMS算法優化 189
8.3.4 基於細胞數據集優化後的模型訓練 190
8.4 實驗結果與分析 191
8.4.1 宮頸癌輔助診斷系統 191
8.4.2 面向宮頸異常細胞的網絡結構改進實驗 194
8.4.3 基於細胞數據集的模型訓練優化實驗 199
9 宮頸細胞定量分析系統關鍵技術研究 204
9.1 基於感興趣區域的ROI聚焦系統設計 204
9.1.1 宮頸細胞DNA塗片與細胞分類 204
9.1.2 顯微鏡聚焦系統整體架構 207
9.1.3 基於ROI的顯微鏡聚焦算法 208
9.2 宮頸細胞塗片分割與檢測方法研究 217
9.2.1 宮頸細胞分割方法研究 218
9.2.2 宮頸細胞特征提取與選擇 226
9.2.3 基於Adaboost-SVM的宮頸細胞分類 232
9.3 宮頸細胞DNA定量分析 236
9.3.1 生物學與光學基礎 236
9.3.2 基於細胞圖像的DNA定量計算 238
9.3.3 基於LSTM的宮頸上皮細胞數據分類 242
9.4 實驗與分析 245
9.4.1 顯微鏡ROI聚焦實驗 245
9.4.2 細胞分割實驗 249
9.4.3 特征提取實驗 254
9.4.4 細胞分類實驗 256
9.4.5 宮頸細胞DNA定量分析實驗 258
10 基於改進DSOD網絡的乳腺鉬靶圖像腫塊分類方法研究 263
10.1 乳腺X射線圖像預處理 263
10.1.1 乳腺鉬靶X射線圖像和病竈特征簡介 263
10.1.2 乳腺鉬靶X射線圖像數據集 264
10.1.3 圖像預處理 265
10.2 DSOD網絡的改進 270
10.2.1 基於深度學習的目標檢測概述 270
10.2.2 DSOD網絡模型 270
10.2.3 基於深度可分離卷積的稠密卷積模塊 274
10.2.4 引入基於通道域注意力機制的SE-Block 277
10.3 改進的DSOD網絡在乳腺腫塊分類中的應用 279
10.3.1 改進的DSOD網絡結構設計 279
10.3.2 模型訓練 284
10.3.3 損失函數的改進 285
10.4 乳腺鉬靶X射線圖像的腫塊分類實驗與分析 289
10.4.1 實驗環境 289
10.4.2 數據處理 289
10.4.3 評價指標 290
10.4.4 實驗結果與分析 291
參考文獻 296