基于同層多尺度核卷積神經網絡的單細胞圖像分類研究.pdf

1、使用機器學習方法進行圖像的分類是當下熱門的研究方向之一，Google的AlphaGo與人類的圍棋大戰(zhàn)，更是促進了機器學習的進一步發(fā)展，卷積神經網絡是應用廣泛的機器學習算法，當下在金融風險預警，企業(yè)決策，字符識別等領域都有較多的應用。
　　醫(yī)療影像技術隨著科技的進步在臨床上得到廣泛應用，使得很多疾病可以更早發(fā)現、更早治療，醫(yī)學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)學細胞圖像的計算機分類也成為研究的熱點和

2、難點。
　　本文研究對機器學習算法——卷積神經網絡模型進行改進并應用于單細胞圖像分類，完成的主要研究工作如下:
　　1、闡述了卷積神經網絡的基本理論，介紹了從感知機模型演變到卷積神經網絡的過程，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。
　　2、針對公開的HEp-2細胞圖像庫和宮頸細胞圖像庫中圖像數量較少，且大小尺寸不一，無法直接訓練卷積神經網絡模型;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、規(guī)范化等方式對于小數據集進行數據提升，擴大了訓練集合。
　　3、針對經典的卷積神經網絡模型不能有效的進行單細胞圖像分類的問題，設計了一種改進的卷積神經網絡模型，通過批技術、局部響應歸一化，Softmax等六個方面改進了卷積神經網絡模型。
　　4、為了進一步提高卷積神經網絡模型對單細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，設計了一種

4、改進的卷積神經網絡模型——同層多尺度核卷積神經網絡，通過增加多尺度感受野、使用ReLUs、變更核函數數量等方式對卷積神經網絡模型進行了改進。
　　5、使用Google的Tensorflow框架編寫改進的卷積神經網絡模型，并通過ICPR2012HEp-2數據集和宮頸細胞集對改進模型進行分類仿真測試。
　　仿真結果表明:本文設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等都仍然能夠很好的完成HEp-