论文部分内容阅读
组织病理图像分类是计算机辅助疾病诊断(Computer Aided Diagnosis,CAD)系统中重要的组成部分。因组织病理图像病理信息多样、制作工艺复杂和患者个体差异等因素的影响,导致同类图像间的差异有可能大于非同类图像间差异,成为组织病理图像分类研究的主要挑战。近年来,字典学习及稀疏表示理论受到国内外学者的广泛关注,是图像分类的关键技术手段。本文针对组织病理图像分类问题中的热点与难点开展研究。本文主要的工作内容如下:(1)本文提出了一种全新的组织病理图像分类框架,该框架由基于堆栈的辨别性预测稀疏分解,多通道联合稀疏模型和空间金字塔匹配三部分组成。首先建立了基于堆栈的辨别性预测稀疏分解(Stacked-based discriminative predictive sparse decomposition,SDPSD)模型,分别提取组织病理图像的RGB三通道的辨别性稀疏分解特征,并聚类得到字典;然后,将RGB三通道的辨别性稀疏分解特征分别表示为两部分之和:三通道的共享分量和每个通道相应的独有分量,并利用同一字典对各分量进行稀疏表示,建立多通道联合稀疏模型;最后,结合空间金字塔匹配模型,对不同层次的图像特征进行联合稀疏表示,并利用支持向量机(Support vector machine,SVM)完成组织病理图像分类任务。在ADL和BreaKHis数据集上验证了本文提出的组织病理图像分类框架的有效性。(2)考虑到上述组织病理图像分类框架中,组织病理图像中的共享分量和独有分量利用相同的字典进行编码,导致各分量的稀疏表示系数相似度较高,联合稀疏表示系数辨别性较低的问题。本文提出了一种基于互信息的多通道联合稀疏模型(Mutual Information-based multi-channel joint sparse model,MIMCJSM)旨在精确的识别组织病理图像的患病类型。基于SPSD模型分别提取组织病理图像的RGB三通道的辨别性稀疏分解特征,利用,K火均值算法对各通道的特征分别聚类,得到R,G与B通道的字典;然后,利用各通道部分学习特征与3个字典之间的互信息,剔除弱相关原子,构造RGB三通道特征所共享字典和各通道特征的独有字典,并以此为基础建立了多通道联合稀疏模型;最后,引入图像的空间信息,获得联合稀疏表示系数用于分类。实验结果表明,本文提出的模型能有效的提高组织病理图像的分类性能,且鲁棒性更强。