基于極限學(xué)習(xí)機(jī)的骨髓細(xì)胞識(shí)別技術(shù)研究.pdf

1、骨髓是人體的主要造血器官,其細(xì)胞種類繁多。它的分類計(jì)數(shù)可以診斷和鑒別出各種血液系統(tǒng)疾病。顯微鏡檢查是其主要診斷手段,但人工操作工作繁重且摻雜過(guò)多的主觀因素。計(jì)算機(jī)分析與識(shí)別顯微圖像因此具有十分重要的意義?；跇O限學(xué)習(xí)機(jī)的機(jī)器學(xué)習(xí)算法能自動(dòng)分析和識(shí)別骨髓細(xì)胞,實(shí)驗(yàn)證明了此方法的有效性,主要研究?jī)?nèi)容如下:
　　(1)首先設(shè)計(jì)一種基于改進(jìn)的上下文感知顯著性的 GrabCut分割算法(Refined Context Aware GrabC

2、ut,RCA-GrabCut),并對(duì)采集到的骨髓細(xì)胞圖像進(jìn)行分割。該算法克服了傳統(tǒng) GrabCut算法需要人工交互的缺點(diǎn)。GrabCut算法適合于復(fù)雜背景圖像的處理,在細(xì)胞圖像分割上能夠有效地將骨髓細(xì)胞提取出來(lái)。提出的 RCA算法比傳統(tǒng)的上下文感知顯著性算法在速度上提高顯著。與其它算法相比,RCA-GrabCut算法總體誤差率最低,效果好。針對(duì)細(xì)胞之間存在著粘連和重疊現(xiàn)象,采用常用的腐蝕膨脹法進(jìn)行分割。提取出單個(gè)骨髓細(xì)胞后,再采用最大類

3、間方差法進(jìn)行細(xì)胞核分割。
　　(2)在骨髓細(xì)胞特征提取上,將提取的形態(tài)學(xué)、光密度、紋理和分形特征值進(jìn)行歸一化結(jié)合。首先提取了細(xì)胞的周長(zhǎng)、面積、核分葉數(shù)等定量描述的細(xì)胞形態(tài)學(xué)參數(shù);接著提取出骨髓細(xì)胞的光密度特征主要是基于區(qū)域顏色的統(tǒng)計(jì)信息;最后在骨髓細(xì)胞的紋理和分形上提取特征。在形態(tài)學(xué)、光密度、紋理和分形上一共提取了關(guān)鍵的39個(gè)特征值,并將這些數(shù)據(jù)按一定的格式存儲(chǔ)。
　　(3)提出一種基于元胞自動(dòng)機(jī)(Cellular Auto

4、mata,CA)的極限學(xué)習(xí)機(jī)集成(Ensemble of Extreme Learning Machine, E-ELM)算法即 CA-E-ELM算法,實(shí)現(xiàn)了骨髓細(xì)胞的自動(dòng)分類。首先對(duì) ELM原理和流程進(jìn)行簡(jiǎn)介;其次通過(guò)ELM與 BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)的比較,表明所采用的ELM算法基本無(wú)參數(shù)調(diào)整,操作簡(jiǎn)單,速度快,泛化性能好,且能夠?qū)崟r(shí)學(xué)習(xí);針對(duì)單個(gè)分類器性能不穩(wěn)定的缺點(diǎn),用集成方法進(jìn)行決策,所設(shè)計(jì)的基于元胞自動(dòng)機(jī)的極限學(xué)習(xí)機(jī)集成算法