组织病理学细胞图像分类算法研究开题报告

1. 研究目的与意义（文献综述）

组织病理检查指的就是通过组织切片染色，然后进行显微镜检查的一种方法，所谓组织病理，对活组织进行一个检查，判断组织的来源，以及组织有没有继发炎症，有没有肿瘤的情况。

临床上组织病理检查是最常用的，往往用于确诊疾病，因为病理检查是所有检查的金标准。

图像处理和机器学习技术的最新进展可通过计算机进行辅助检测/诊（cad/cadx）系统，以帮助病理学家从客观性和一致性上提高诊断的效率。

2. 研究的基本内容与方案

2.1研究目标病情诊断本质上是一种对疾病存在概率的理解，通过收集、整合和解释数据将临床表现，将病人准确分类到某一疾病上的过程。

利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。

目前,无论是传统的机器学习还是最近发展的深度学习在病理图像分析中均展现出了巨大潜力,越来越多的研究工作人员用深度学习研究生物医学图像。

3. 研究计划与安排

第 1 周：收集与课题相关的教材，期刊，论文等，熟悉相关理论知识第 2 周：进行开题报告的撰写；第 3 周：学习细胞图像分类算法原理；第 4 周：学习卷积神经网络的理论；第 5 周：学习图像处理算法；第 6 周：学习图像处理算法和 M A T L A B 的使用；第 7 周：系统设计与完成图像处理部分的程序；第 8 周：调试图像处理部分的程序；第 9 周：深入研究组织学图像细胞核图像的检测算法；第 10 周：算法编程；第 11 周：系统调试与改进；第 12 周：系统调试与改进；第 13 周：完成程序并撰写论文；第 14 周：论文撰写；第 15 周：论文撰写；

4. 参考文献（12篇以上）

[1]Ram S, Rodriguez J J. Size-invariant detection of cell nuclei in microscopy images[J]. IEEE transactions on medical imaging, 2016, 35(7): 1753-1764.[2]Kido Shoji,Hirano Yasushi,Mabu Shingo. Deep Learning for Pulmonary Image Analysis: Classification, Detection, and Segmentation.[J]. Advances in experimentalmedicine and biology,2020,1213.[3]张琪. 基于卷积神经网络的病理图像分类[D].青岛大学,2019.[4]黄文明, 冷金强, 邓珍荣, 等. 基于反卷积神经网络的脑脊液图像快速识别模型[J ]. 计算机应用与软件, 2016, 33(7): 225-228.[5]严寒. 基于卷积神经网络的图像分类算法研究[D].西北大学,2018.[6]曹贵宝. 随机森林和卷积神经网络在神经细胞图像分割中的应用研究[J]. 山东大学学院, 2014, 1: 123-153.[7]夏啟凯. 基于Python的细胞识别SVM模型参数优化方法研究[D].齐鲁工业大学,2019.[8]于翠如. 基于病理图像的乳腺癌分类方法研究[D].北京交通大学,2019.[9]陶筱娇,王鑫.基于深度学习算法的图像分类方法[J].微型电脑应用,2019,35(03):40-43.[10]杨俊豪. 基于深度学习的乳腺肿瘤病理图像自动识别和分类研究[D].南京航空航天大学,2019.[11]马祥. 基于卷积神经网络的低分辨率细胞图像特征融合算法研究[D].西安理工大学,2019.[12]何剑. 目标检测算法在乳腺病理图像分析中的应用[D].浙江大学,2017.[13]赵国超. 基于细胞核分析的癌细胞图像特征提取与识别[D].武汉理工大学,2013.[14]Jong-Ho Lee. Minimum Euclidean distance evaluation using deep neural networks[J]. AEUE - International Journal of Electronics and Communications,2019,112.[15]Luck Brette L,Carlson Kristen D,Bovik Alan Conrad,Richards-Kortum Rebecca R. An image model and segmentation algorithm for reflectance confocal images of in vivo cervical tissue.[J]. IEEE transactions on image processing : a publication of the IEEE Signal Processing Society,2005,14(9).