基于極限學習機的骨髓細胞識別技術研究.pdf

1、骨髓是人體的主要造血器官,其細胞種類繁多。它的分類計數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多的主觀因素。計算機分析與識別顯微圖像因此具有十分重要的意義?；跇O限學習機的機器學習算法能自動分析和識別骨髓細胞,實驗證明了此方法的有效性,主要研究內容如下:
　　(1)首先設計一種基于改進的上下文感知顯著性的 GrabCut分割算法(Refined Context Aware GrabC

2、ut,RCA-GrabCut),并對采集到的骨髓細胞圖像進行分割。該算法克服了傳統(tǒng) GrabCut算法需要人工交互的缺點。GrabCut算法適合于復雜背景圖像的處理,在細胞圖像分割上能夠有效地將骨髓細胞提取出來。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。針對細胞之間存在著粘連和重疊現象,采用常用的腐蝕膨脹法進行分割。提取出單個骨髓細胞后,再采用最大類

3、間方差法進行細胞核分割。
　　(2)在骨髓細胞特征提取上,將提取的形態(tài)學、光密度、紋理和分形特征值進行歸一化結合。首先提取了細胞的周長、面積、核分葉數等定量描述的細胞形態(tài)學參數;接著提取出骨髓細胞的光密度特征主要是基于區(qū)域顏色的統(tǒng)計信息;最后在骨髓細胞的紋理和分形上提取特征。在形態(tài)學、光密度、紋理和分形上一共提取了關鍵的39個特征值,并將這些數據按一定的格式存儲。
　　(3)提出一種基于元胞自動機(Cellular Auto

4、mata,CA)的極限學習機集成(Ensemble of Extreme Learning Machine, E-ELM)算法即 CA-E-ELM算法,實現了骨髓細胞的自動分類。首先對 ELM原理和流程進行簡介;其次通過ELM與 BP神經網絡、支持向量機的比較,表明所采用的ELM算法基本無參數調整,操作簡單,速度快,泛化性能好,且能夠實時學習;針對單個分類器性能不穩(wěn)定的缺點,用集成方法進行決策,所設計的基于元胞自動機的極限學習機集成算法