醫(yī)學(xué)顯微圖像獲取及識別

第一章 緒論
1．1 醫(yī)學(xué)顯微圖像處理系統(tǒng)組成
1．2 醫(yī)學(xué)顯微圖像獲取及識別關(guān)鍵技術(shù)
1．2．1 光學(xué)顯微鏡自動聚焦技術(shù)
1．2．2 醫(yī)學(xué)顯微圖像分割技術(shù)
1．2．3 圖像特征提取與識別技術(shù)
1．3 主要內(nèi)容與結(jié)構(gòu)安排

第一部分 光學(xué)顯微鏡自動聚焦技術(shù)
第二章 聚焦函數(shù)設(shè)計及其性能優(yōu)化
2．1 聚焦函數(shù)設(shè)計
2．1．1 聚焦函數(shù)設(shè)計原理
2．1．2 基于梯度的聚焦函數(shù)
2．1．3 頻域聚焦函數(shù)
2．1．4 基于自相關(guān)及灰度方差的聚焦函數(shù)
2．2 聚焦函數(shù)性能評價指標(biāo)設(shè)計及最優(yōu)函數(shù)選取
2．2．1 性能評價指標(biāo)設(shè)計
2．2．2 聚焦函數(shù)性能定量評估
2．2．3 最優(yōu)函數(shù)選取
2．3 聚焦曲線陡峭度增強
2．3．1 問題的提出
2．3．2 陡峭度增強算法
2．3．3 算法性能評估
2．3．4 算法復(fù)雜度分析
2．3．5 自動聚焦實驗
2．4 本章小結(jié)
第三章 焦平面搜索算法
3．1 顯微鏡大范圍聚焦
3．1．1 聚焦相對范圍數(shù)
3．1．2 聚焦類型分析
3．1．3 F值變化的有效性
3．1．4 聚焦類型判決及轉(zhuǎn)換
3．2 陡峭區(qū)極值搜索
3．2．1 盲人爬山算法
3．2．2 曲線擬合算法
3．3 基于視頻連續(xù)反饋的顯微鏡自動聚焦算法
3．3．1 連續(xù)聚焦模型的建立
3．3．2 適用范圍及運動速度控制
3．3．3 聚焦初始方向的選取
3．4 自動聚焦系統(tǒng)及實驗
3．4．1 全自動顯微鏡系統(tǒng)
3．4．2 Z軸回程誤差標(biāo)定
3．4．3 自動聚焦實驗及討論
3．5 本章小結(jié)

第二部分 結(jié)核桿菌顯微圖像的增強、分割與識別
第四章 結(jié)核桿菌顯微圖像增強技術(shù)
4．1 基于直方圖均衡化的增強算法概述
4．1．1 直方圖均衡化增強算法原理
4．1．2 直方圖均衡化的改進算法描述
4．2 基于WTHE的彩色圖像增強算法
4．2．1 直方圖計算
4．2．2 PDF變換與灰度映射
4．2．3 亮度規(guī)范化
4．3 實驗結(jié)果與討論
4．3．1 實驗平臺與參數(shù)設(shè)置
4．3．2 圖像增強結(jié)果
4．4 本章小結(jié)
第五章 結(jié)核桿菌顯微圖像分割技術(shù)
5．1 基于顏色特征的分割
5．1．1 多階段多層次圖像分割框架
5．1．2 顏色空間分析及選取
5．1．3 結(jié)核桿菌目標(biāo)顏色特征建模
5．1．4 基于HSV顏色空間的圖像初始分割
5．1．5 基于彩色圖像梯度分析和局部自適應(yīng)閩值的圖像分割
5．1．6 分割結(jié)果后處理
5．1．7 實驗結(jié)果分析
5．2 基于分水嶺算法的圖像分割
5．2．1 分水嶺算法概述
5．2．2 基于gPb分水嶺的結(jié)核桿菌圖像分割算法
5．2．3 基于自動標(biāo)記分水嶺的結(jié)核桿菌圖像分割算法
5．3 本章小結(jié)
第六章 基于形狀幾何統(tǒng)計特征及決策樹的結(jié)核桿菌目標(biāo)識別
6．1 基于形狀幾何統(tǒng)計特征及決策樹的目標(biāo)分類
6．1．1 目標(biāo)樣本庫的建立
6．1．2 目標(biāo)特征分析及形態(tài)描述子選取
6．1．3 基于決策樹的目標(biāo)分類
6．2 綜合實驗與討論
6．2．1 典型樣本實驗
6．2．2 大樣本實驗
6．3 本章小節(jié)
第七章 基于變形模型的結(jié)核桿菌目標(biāo)建模及識別
7．1 結(jié)核桿菌目標(biāo)形狀建模
7．1．1 結(jié)核桿菌目標(biāo)形狀的點分布模型
7．1．2 訓(xùn)練樣本對齊
7．1．3 形狀模型建立
7．1．4 模型參數(shù)控制
7．2 斷裂目標(biāo)連接及重疊目標(biāo)分離
7．2．1 基于目標(biāo)骨架的斷裂目標(biāo)連接算法
7．2．2 基于目標(biāo)骨架的重疊結(jié)核桿菌目標(biāo)分離算法
7．3 基于變形模型的目標(biāo)分類及形狀分析
7．3．1 結(jié)核桿菌目標(biāo)關(guān)鍵點自動標(biāo)注
7．3．2 基于形狀模型的識別準(zhǔn)則
7．3．3 實驗結(jié)果與討論
7．4 本章小結(jié)

第三部分 宮頸細(xì)胞圖像的分割與識別
第八章 基于灰度邊緣信息的單細(xì)胞圖像分割
8．1 基于斷點抑制梯度向量場的閉合輪廓提取方法
8．1．1 閉合輪廓提取方法概覽
8．1．2 斷點標(biāo)注
8．1．3 斷點抑制梯度向量場
8．1．4 改進的均值向量差分方法
8．1．5 仿真圖像的實驗結(jié)果
8．2 斷點抑制梯度向量場在細(xì)胞輪廓提取中的應(yīng)用
8．2．1 細(xì)胞輪廓提取
8．2．2 關(guān)于圖像噪聲影響的討論
8．3 本章小結(jié)
第九章 基于色差向量場的單細(xì)胞圖像分割
9．1 色差向量場
9．2 基于色差向量場提取細(xì)胞輪廓
9．2．1 色差向量場下的細(xì)胞邊緣特性分析
9．2．2 色差向量模板提取
9．2．3 細(xì)胞輪廓的提取
9．3 實驗結(jié)果
9．3．1 實驗平臺及圖像數(shù)據(jù)獲取
9．3．2 細(xì)胞分割結(jié)果
9．4 本章小結(jié)
第十章 基于稀疏動態(tài)搜索與GVF Snake模型的重疊細(xì)胞圖像分割
10．1 本章的分割方法概覽
10．2 預(yù)分割與邊緣增強
10．2．1 預(yù)處理
10．2．2 形態(tài)學(xué)濾波與K均值算法結(jié)合的預(yù)分割
10．2．3 基于梯度分解的邊緣增強
10．3 細(xì)胞輪廓的精確提取
10．3．1 基準(zhǔn)輪廓提取
10．3．2 稀疏動態(tài)輪廓搜索
10．3．3 細(xì)胞輪廓點初始位置估計
10．3．4 動態(tài)搜索準(zhǔn)則
10．3．5 采用GVFSnake模型提取細(xì)胞輪廓
10．4 實驗結(jié)果與討論
10．4．1 測試數(shù)據(jù)集
10．4．2 細(xì)胞分割結(jié)果
10．4．3 討論
10．5 本章小結(jié)
第十一章 多細(xì)胞圖像分割
11．1 多細(xì)胞圖像中細(xì)胞核區(qū)域的增強
11．1．1 基于灰度信息的細(xì)胞核區(qū)域增強
11．1．2 基于彩色信息的細(xì)胞核區(qū)域增強
11．1．3 融合灰度與彩色信息的細(xì)胞核區(qū)域增強
11．2 多細(xì)胞圖像中的細(xì)胞核分割
11．2．1 細(xì)胞核粗分割
11．2．2 基于局域CVFSnake模型的細(xì)胞核精細(xì)分割
11．3 重疊細(xì)胞核分割
11．3．1 重疊細(xì)胞核的分離
11．3．2 缺失細(xì)胞核輪廓的重構(gòu)
11．4 多細(xì)胞圖像中的細(xì)胞質(zhì)分割
11．4．1 細(xì)胞質(zhì)區(qū)域的粗分割
11．4．2 重疊細(xì)胞質(zhì)的分割
11．5 實驗結(jié)果與討論
11．5．1 細(xì)胞核分割結(jié)果與討論
11．5．2 細(xì)胞質(zhì)分割結(jié)果與討論
11．6 本章小結(jié)
第十二章 細(xì)胞圖像的特征參數(shù)提取與分類識別
12．1 細(xì)胞圖像的特征參數(shù)提取
12．1．1 正常宮頸細(xì)胞與異常宮頸細(xì)胞的典型特點
12．1．2 細(xì)胞圖像的特征參數(shù)提取
12．2 正常細(xì)胞與異常細(xì)胞的分類
12．2．1 四種基本分類器簡介
12．2．2 基于細(xì)胞核面積的兩級分類方法
12．3 實驗結(jié)果
12．3．1 實驗樣本庫及分類評價指標(biāo)
12．3．2 Herlev數(shù)據(jù)集測試
12．3．3 自有數(shù)據(jù)集測試
12．4 本章小結(jié)
參考文獻