一、肺癌细胞彩色图像处理系统的研究（论文文献综述）
姜晓琳[1]（2020）在《基于AFM的药物与肺癌细胞作用检测及表征》文中进行了进一步梳理原子力纳米操纵技术能够在亚细胞尺度上对样品进行测量、表征及操纵,具有定位准确、可以实时监测样品动态变化的特点。利用原子力纳米操纵技术研究细胞的力学特性分析药物与细胞的相互作用,为药物药效评价提供了理论依据和实验基础。本文利用原子力纳米操纵技术重点研究液相环境下5-氟尿嘧啶、紫杉醇对A549肺癌细胞形貌及力学特性的影响。通过对大量的细胞表面形貌扫描和力学特性分析,证明药物作用后的肺癌细胞物理特性发生了显着变化。本文利用自主设计原子力纳米操纵系统及AFM（Atomic force microscope）纳米操纵技术的探针-单细胞作用,研究活细胞力学特性的评价方法,建立探针与细胞间相互作用模型,定量分析5-氟尿嘧啶与肺癌细胞作用后细胞物理特性的变化;同时对细胞扫描成像及成像质量进行研究,提取细胞图像的几何特征及纹理特征,对比分析药物作用前后肺癌细胞的表面形貌变化。为获得更加准确的细胞力学特性,在上述实验基础上进一步研究,加入速度变量,建立了更加优化的探针-癌细胞混合力学模型。定量研究紫杉醇-肺癌细胞作用的时间关系、剂量关系,获得肺癌细胞形貌、细胞表面粗糙度及粘附力、杨氏模量等力学特性变化,分析紫杉醇对细胞力学特性的影响。通过对不同药物浓度作用的细胞进行力曲线的提取,验证构建力学模型获取数据的合理性。结果表明,细胞形态及力学特性变化与药物作用有关,纳米操纵技术在亚细胞尺度为新药研发及药效评价提供了新的途径。
王紫慧[2]（2020）在《基于AFM的肺癌细胞纳米成像与表征》文中研究表明肺癌一直是威胁人类健康最常见的恶性肿瘤,具有较高的发病率,它的发病原因和治疗方法一直是人们关注的热点,而基于细胞层面的实验是研究肺癌的方式之一。在研究药物与细胞相互作用的过程中,从细胞形态学角度进行分析逐渐成为一种可靠的评价方法。近年来,原子力显微镜（Atomic Force Microscope,AFM）发展迅速,由于其分辨率高、制样简单的特点,已在生物领域中被广泛应用,成为单细胞研究的常用工具。然而,研究细胞形态的传统方法主要是以大量观察为基础的定性描述,这些方法常常存在主观性和片面性,不能通过确切的数据客观描述细胞的形态,因此对细胞的形态进行定量分析是有必要的。本文以肺癌细胞为研究对象对AFM的纳米成像进行了研究,并定量分析细胞经抗癌药物紫杉醇作用后其形态等方面的变化,从而在细胞层面对药效进行评价。首先,分别采用轻敲模式和跳跃模式进行成像实验,结果表明跳跃模式在本实验中更具有优越性。接着对成像质量进行了分析,并以分形维数作为评价指标研究扫描速率对成像质量的影响,进而确定了本文用于成像的最佳扫描速率。由于AFM能够同时获得二维和三维形貌图像,从中能分别提取出样品的形状和表面形貌结构信息。因此充分表征细胞的形状和表面结构,可对药物的作用进行全面的评价。对于二维形貌图像,使用U-Net网络完成了图像分割,通过几何参数法提取了细胞的圆形度、矩形度、长宽比和球状性四种形状参数来表征无药物作用、药物作用12小时、药物作用48小时这三种情况下细胞形状的变化。结果表明,药物作用后的细胞形状具有时间依赖性。而针对细胞三维形貌图像数据的特点,采用了功率谱密度（Power Spectral Density,PSD）方法对肺癌细胞表面粗糙度进行了分析,然后分别使用k-相关模型和分形模型对PSD曲线低频和高频区域进行拟合,计算出分形维数、赫斯特指数、等效均方根粗糙度等参数的值。这些参数对药物作用后细胞表面粗糙度的变化进行了表征。
宋璟[3]（2020）在《基于显微高光谱成像和深度神经网络的肺癌组织病理分析方法研究》文中研究指明肺癌是全球常见的恶性肿瘤之一,其发病率和死亡率常年居于全球首位。不同肺癌亚型的治疗措施和预后是不相同的,因此明确肺癌亚型至关重要。目前,组织病理学检查结果依旧是肺癌的诊断和分类的“金标准”。传统的组织病理学检查必须依靠于病理专家在显微镜下观察组织病理切片并做出判断,该过程复杂、耗时长,并且与医生的经验和主观因素密切相关。因此,利用图像处理技术对组织病理图像进行分析和处理的方法应运而生。相较于传统图像,显微高光谱图像在包含空间信息的基础上,还包含了光谱信息,这为肺癌亚型的分类任务提供了新的途径。在此基础上,本文将基于显微高光谱成像技术对肺癌病理亚型分类进行分析和研究。本文研究内容主要分为以下三个部分。首先,使用基于朗伯-比尔定律的光谱校正方法和基于主成分分析的谱段优选方法实现对图像数据的预处理,削弱了系统噪声等干扰,并提高了显微高光谱数据的信噪比。然后,针对肺癌组织显微高光谱图像,本文提出了一种基于三维（Three Dimension,3D）卷积形式和卷积组合单元（Convolution Combination Unit,CCU）的卷积神经网络（Convolutional Neural Networks,CNN）,并称其为3D-CCU-CNN,用于辅助医生进行临床上的肺癌亚型分类识别。3D-CCU-CNN采用了3D卷积的形式,解决了二维卷积神经网络对三维图像的不适用问题,便于获取光谱维度的特征;同时,本文还设计了卷积组合单元,以便获取对不同卷积尺度获得的特征的融合。最后,针对肺癌亚型病理特征,本文研究了基于3D-UNet网络和细胞形态特征的显微高光谱图像病理特征分析方法,通过癌细胞的分割并计算不同肺癌亚型的病理特征参数,在一定程度上可以辅助解释肺癌亚型的诊断和预后。实验结果表明,相较于常用的二维图像模型,本文提出的3D-CCU-CNN能更加有效地分类肺癌亚型,分类的总体准确率可达0.962,并且精确率、召回率,以及Kappa系数等评价指标均不低于0.920;使用3D-UNet对癌细胞进行分割,分割效果较好,总体准确率可达0.942。本文研究的基于显微高光谱成像和深度神经网络的肺癌组织病理分析方法能够实现肺癌亚型的自动化分类,并从细胞的形态特征上能够给予一定的解释,为肺癌病理研究提供了新的思路,并在一定程度上给医生提供了帮助和支持。
李衡[4]（2018）在《细胞视频图像动态形变度量及分类关键技术研究》文中研究说明细胞的形态特征与细胞生理紧密相关,是生物医学研究中的重要观察目标之一,被广泛应用于生理组织和器官的状态检测。近年来,医学影像技术和计算机技术的飞速发展极大地推动了显微成像技术和细胞图像处理技术的进步,越来越多的研究工作开始着眼于的细胞形态变化。细胞的形态变化能够为研究者提供更多细胞相关生理信息,其中细胞短时间内的动态形变更能快速、直接地反映细胞生理的状态和活动信息,但是如何有效处理和分析细胞动态形变也成为细胞图像处理领域新的挑战。因此,度量和分类细胞动态形变对细胞生物学研究具有重要意义。本文以显微视频数据中T淋巴细胞的形态变化为对象,建立细胞动态形变数据库及预处理框架,设计图像特征提取算法处理细胞动态形变,根据细胞视频图像形变特性提出基于时序特征的动态形变度量和分类算法,引入深度学习算法自动提取细胞形变特征并分类。论文的主要工作和研究成果主要体现在以下几个方面。1.建立了细胞动态形变数据库和预处理框架。通过与北京佑安医院合作,采集细胞动态形变视频数据,并对数据进行筛选和标记。针对细胞动态形变数据特性,设计出一套能够有效保持动态形变关键信息的数据预处理框架,对细胞进行尺度归一化和姿态对齐。通过采集实验数据和预处理,建立细胞动态形变数据库,为后续的研究工作及算法验证打好基础。2.开发出一种能够有效识别彩色图像的四元数通用傅里叶描述子。结合图像特征和四元数,开发出一种能够处理图像彩色信息的四元数通用傅里叶描述子,在彩色图像特征提取和目标识别中取得了突出效果。将四元数通用傅里叶描述子及多种图像特征应用于细胞动态形变度量和分类研究,测试和分析各图像特征在提取细胞形变信息时的效果,并总结算法的优势和不足。发现了细胞动态形变数据的特点,明确了细胞动态形变处理算法需要解决的问题,为研发细胞动态形变信息提取算法指明了方向。3.提出了针对细胞视频图像动态形变的时序特征提取和分析算法。针对细胞动态形变的时序特性和空间不一致性,分别提出三种提取动态形变特征的方法。首先,针对细胞形变度量特征选取的问题,提出一种基于匹配游程统计的算法,利用能量函数直接量化细胞形态间的相似度,并通过游程统计提取细胞形变的时序信息。随后,根据对淋巴细胞动态形变数据的观察和对图像特征的研究,提出一种可以描述细胞局部形变时序特性的算法,充分考虑动态形变空时特性,更好地量化形变信息。最后,以细胞局部形变特征为基础,结合无监督学习算法,发现细胞的局部形变模式,简化形变特征同时提高动态形变特征提取的效果。实验结果表明,与基于图像特征的算法相比,所提的三种算法利用时间信息能更精准地描述细动态形变,通过提取局部形变特征可以更好地度量动态形变,无监督学习发掘出细胞的局部形变模式提高了动态形变分析和分类的准确性及稳定性。4.引入了深度学习技术自动提取细胞动态形态特征并分类。鉴于深度学习在图像处理中的突出表现,通过转换实验数据格式将卷积神经网络引入细胞动态形变研究中。针对动态形变视频数据维度高、数据量小的问题,提出一种提取细胞轮廓谱的方法,将细胞形变的关键信息映射到二维图像上降低数据维度,并提出相应的数据增强方法,极大地提高数据量。随后,将生成的细胞轮廓谱作为卷积神经网络的输入,应用深度学习解决细胞动态形变分类问题。为了全面测试卷积神经网络的效果,在建立的两个细胞动态形变数据集上分别实验了三种使用卷积神经网络的方法。实验结果表明,利用提取的细胞轮廓谱,卷积神经网络能够自动学习动态形变特征并进行分类,表现出强大的数据分析和处理能力,迁移学习方法能使卷积神经网络在细胞动态形变分类上能表现出最佳效果。
赵劲松[5]（2018）在《基于偏振成像的肺癌细胞检测系统设计》文中指出目前,肺癌已成为危害人类生命健康最严重的肿瘤疾病之一,肺癌的早期检测识别十分必要。偏振显微成像技术能够得到偏振光在样品上存在的丰富的微观结构信息,并提取这些信息作为样品偏振特性的参量,特别是在生物医学方面对生物组织和细胞的检测方面具有很好的应用前景。本文主要提出了一种基于微流控芯片的肺癌细胞偏振成像检测系统,该系统利用了肺癌细胞内结构的偏振特性有所不同的特点对肺癌细胞进行偏振检测。本文对偏振成像理论以及细胞的频域特性原理和纹理特征进行分析,根据偏振成像理论搭建成像结构,偏振显微成像结构是在显微镜的基础之上加入偏振成像模块构成了偏振显微成像结构,同时使用微流控芯片作为样品的载体,便于对肺癌细胞进行拍摄并通过显微镜的CCD将这些图像上传存储到PC机中,同时在PC机端设计一种以MATLAB为平台的偏振特性分析应用软件,该应用软件主要包括数据处理模块、数据库模块和信息检索模块。该软件可以对采集到的细胞图像进行偏振特性分析,得到能够表征偏振信息的Mueller矩阵。以Mueller矩阵为基础,计算出偏振度、偏振差、Mueller矩阵的分解与变换参数、偏振特性的频域参数,同时,还利用灰度共生矩阵,求出图像的纹理参数,利用这些参数能够将不同种类的肺癌细胞进行区分。最后通过软件平台将上述功能表现在平台界面中,并将这些偏振参数通过平台存储到MySQL数据库中以便于后续偏振信息的检索和分析等。本文所设计的偏振成像检测系统能够利用细胞内部的偏振特性差异将细胞进行区分,还能够将偏振特性数据存储到数据库中,以便于后续的研究,该系统具有操作简单,无损伤、细胞无标记等特点。
徐国栋[6]（2017）在《MicroRNA-9/eIF5A2通路在非小细胞肺癌侵袭转移和顺铂耐药中的作用及机制研究》文中研究指明实验目的:本研究的目的是验证eIF5A2基因在非小细胞肺癌侵袭转移和顺铂耐药中的作用及其机制,并进一步探讨MicroRN A-9/eIF5 A2通路在调控非小细胞肺癌的侵袭转移和顺铂耐药中的作用及其机制材料与方法:1.选择4种非小细胞肺癌细胞株（A549、HCC827、NCI-H358、NCI-H1299）,利用Western-blot和RT-PCR技术检测eIF5A2的表达,选取eIF5A2高表达的NCI-H1299细胞和eIF5A2低表达的A549细胞,采用RNAi干扰技术抑制肺癌细胞系中eIF5A2表达,观察其迁移侵袭能力的变化。2.采用TGF-β1诱导A549细胞发生EMT,采用RNAi干扰技术抑制肺癌细胞系中eIF5A2表达,检测肺癌细胞中EMT相关蛋白表达水平、迁移侵袭能力的变化。3.采用GC7（eIF5A2抑制剂）抑制A549、NCI-H1299肺癌细胞eIF5A2的表达,细胞活力检测试剂盒（CCK-8）检测肺癌细胞对顺铂化疗敏感性的变化,采用RNAi干扰技术抑制肺癌细胞系中eIF5A2表达,Western-blot和免疫荧光技术检测EMT标志物表达的变化。4.检测A549、NCI-H1299肺癌细胞miR-9的表达,采用miR-9mimic和miR-9 inhibitor分别上调/下调肺癌细胞中miR-9的表达,划痕实验和Transwell侵袭实验检测肺癌细胞迁移侵袭能力的变化,RT-PCR检测eIF5A2表达水平的变化,Western Blot检测EMT标志物表达水平的变化。5.采用 miR-9 mimic 和 miR-9 inhibitor 分别上调/下调 A549、NCI-H1299、NCI-H358肺癌细胞中miR-9的表达,CCK-8检测试剂盒、EDU法、流式细胞技术分别检测肺癌细胞经顺铂化疗后细胞活力、增殖能力和凋亡水平的变化。结果:1.A549肺癌细胞eIF5A2低表达、NCI-H1299肺癌细胞eIF5A2高表达,eIF5A2 siRNA质粒转染能显着下调eIF5A2的表达,而eIF5A2的表达水平和肺癌细胞的迁移侵袭能力呈正相关。2.通过下调A549肺癌细胞eIF5A2表达,能抑制TGF-β1诱导的A549细胞的EMT过程,从而降低肺癌细胞的迁移侵袭能力。3.A549、NCI-H1299肺癌细胞eIF5A2的表达水平与顺铂的化疗敏感性呈负相关,而eIF5A2通过调控EMT过程从而调控肺癌细胞对顺铂的耐药性。4.A549、NCI-H1299肺癌细胞中miR-9的高表达能下调eIF5A2的表达,并通过逆转EMT过程降低肺癌细胞的迁移侵袭能力。5.A549、NCI-H1299、NCI-H358肺癌细胞中miR-9的表达与顺铂的化疗敏感性呈正相关,miR-9的高表达通过下调eIF5A2的表达,并逆转EMT过程提高肺癌细胞对顺铂化疗的敏感性。结论:本研究结果表明,在非小细胞肺癌细胞系中eIF5A2表达水平与侵袭转移能力呈正相关,而上调eIF5A2的表达能诱导肺癌细胞对顺铂的耐药,其机制可能与EMT过程密切相关。进一步研究发现,MicroRNA-9/eIF5A2通路能调控非小细胞肺癌细胞的迁移侵袭能力和对顺铂的耐药,其机制可能与EMT过程密切相关。
唐思源[7]（2017）在《基于人工神经网络的肺癌细胞图像特征的提取与识别》文中研究表明目的:探讨基于人工神经网络的肺癌细胞图像特征的提取与识别。方法:建立基于人工神经网络和计算机图像处理的肺癌细胞病理电脑诊断系统,对120例经皮肺穿刺标本的肺癌细胞学涂片进行图像特征的提取与识别,并与术后病理组织诊断结果进行对比分析。结果:（1）肺癌细胞病理电脑诊断系统能够较为准确的提取肺癌细胞图像特征,完成对肺部病灶癌细胞和非癌细胞的识别。（2）运用肺癌细胞病理电脑诊断系统诊断肺癌主要病理类型鳞状细胞癌、腺癌、未分化癌、小细胞癌的结果与术后病理组织诊断结果的总符合率93.33%。结论:基于人工神经网络和计算机图像处理对肺癌细胞的图像特征进行提取和识别,对肺癌患者实施诊断,准确率高,能够为肺癌的早期诊断提供客观参考依据。
苏坡[8]（2014）在《癌症诊疗中的医学图像配准和分割算法研究》文中进行了进一步梳理目前，医学图像处理与分析越来越受到重视，已成为癌症诊疗的重要步骤。作为医学图像处理与分析的两种关键技术，医学图像配准和分割是图像融合、图像重建、图像可视化、图像理解和目标识别的基础和前提，在临床诊断、放疗规划、手术导航、疗效评估、解剖教学与研究有着广泛地应用。但是由于配准和分割问题通常是病态的，在加上医学图像的复杂性与多样性，使得医学图像配准和分割依然存在许多难题。尤其是一些新成像技术如4D CT、CT透视（CTF）、多模态MRI（磁共振成像）等的出现，又给医学图像配准和分割带来了新的挑战。本文内容围绕医学图像配准和分割算法展开，重点研究一些新成像技术在癌症诊疗中所涉及的医学图像配准和分割问题。本文的主要工作和创新点如下：（1）准确地估计肺部呼吸运动，对肺癌放疗计划的合理制定有着重要的意义。以往的肺部呼吸运动估计方法一般采用呼吸传感器或利用X射线透视、CT等图像对呼吸运动进行测量和估计。然而受限于方法本身或成像方式，估计的结果往往不理想。本文以4D CT作为研究对象，提出了一种基于B样条的形变配准算法，并将该算法应用在4D CT上，通过配准4D CT不同呼吸相位的图像实现对肺部呼吸运动的估计。考虑到呼吸运动是非均匀的，既存在大的变形也存在小的局部变形，而B样条具有局部可控性，因此B样条形变模型可以精确描述呼吸运动。针对配准参数的优化问题，本文采用有限差分法，充分利用B样条形变模型具有局部可控性的优点,加快了配准的速度。同时采用多分辨率优化的策略，进一步提高配准的性能。接着采用基于区域生长的分割算法实现对肺部区域的粗略提取。最后通过实验对配准算法进行了验证，实验结果表明本文的配准算法具有比较高的精度，可以实现对肺部呼吸运动的精确估计。作为算法的一个应用，我们对8个病人的呼吸运动进行了估计并给出了统计结果。（2）CTF作为介入手术如经皮肺穿刺活检的引导图像，可以提供近乎于实时的病人解剖结构信息，然而CTF只采集病灶周围4-10张二维CT图像，不能提供足够的三维解剖信息，并且手术中需要进行反复采集，可能会给病人和医生带来比较大的辐射。为了更好地利用CTF，本文首次提出了一种带呼吸补偿模型的CT-CTF快速配准算法，把术前的吸态末CT配准到术中的CTF上，将配准后的CT图像作为引导图像为手术提供三维引导。由于CT-CTF配准是一种特殊的配准问题：CT是3D图像覆盖整个或大部分肺部区域，而CTF只有很少的几张图像，可以看做是2.5D图像。传统的形变配准算法不适合这种特殊问题。为此，我们对基于B样条的形变配准算法进行改进，只对变形场x-y方向的位移用二维B样条进行建模，而z方向的位移只进行光滑性约束，整个变形场依然定义在三维。为了提高配准的精度，我们将呼吸补偿模型引入到CT-CTF配准中。同时为了提高配准的速度，使配准能够在几秒中之内完成，从而为医生留有更多的手术时间，我们采取了分块并行配准的策略。同样地，在配准参数优化时，采用有限差分法和多分辨率配准策略来提高配准性能。在实验部分，设计了仿真数据和真实数据实验对算法进行评估。实验结果表明我们的配准算法可以取得令人满意的结果。（3）相比于单模态磁共振图像，多模态磁共振图像能够从不同角度提供病变部分更详细的组织结构信息，被广泛应用于脑胶质瘤（GBM）的诊疗中。由于GBM具有复杂的图像特征，如形状和外观变化多样，边界模糊，在周围组织发生变形等，从多模态MRI实现GBM的精确分割是一件非常具有挑战性的任务。现有的大部分分割方法存在效率不高，难以实现精确分割的问题。为了提高GBM分割的精度和效率，我们首次提出了基于超像素的GBM分割算法，将超像素方法和谱聚类、动态区域合并算法结合起来。首先在系统研究超像素生成算法的基础上，提出了带加权距离的局部k-均值聚类算法，将图像分割成一系列均匀的、紧凑的、能很好贴合图像边缘的超像素。接着分别采用了谱聚类和动态区域合并算法对生成超像素进行处理来提取GBM的不同组织，包括：坏死部分、活动肿瘤和水肿。最后，对15个GBM病人的多模态MRI数据进行了定性和定量实验。实验结果表明，相比一些经典分割方法如基于模糊C-均值聚类的方法（FCM）、归一化割（Ncut），本文所提的分割算法更加精确。
陈嵘[9]（2012）在《巨噬细胞图像分割的算法研究及系统实现》文中提出巨噬细胞作为体内的一种免疫细胞,在肌体内起着抗感染、抗肿瘤以及免疫调节等作用。由于巨噬细胞的形状变化比较大,并且数目比较多,如果仅依靠传统的细胞分析与检测方法,即医生通过显微镜对细胞进行观察得到相关的信息作出判断,这样不仅对医生的要求比较高,而且也非常耗时,并且这样得到的结果也带有一定的主观性。迄今为止,国内外研制出的医学细胞图像分析系统大多针对血液、尿液和癌细胞等的类圆细胞的分析,本文是研制巨噬细胞图像分析系统,利用图像处理技术与医学研究相结合,对相应激活物激活的巨噬细胞,经荧光显微镜观察拍照后的细胞图像,进行定性和定量的分析,并且在VC++环境下建立一套巨噬细胞图像分析系统。本文主要内容为：首先回顾了细胞图像分析系统的当前研究情况以及在医学应用中的目的和意义。研究了图像的预处理技术,利用形态学处理算法对图像进行预处理,其目的是使细胞图像鲜明,以便于准确的提取出巨噬细胞,然后对细胞进行分割、参数提取。由于分割结果是否精确容易影响对后续参数的提取,对分水岭算法进行了深入的研究,研究了基于标记的彩色图像分水岭分割方法,同时,利用强制最小技术来抑制过分割,很大程度上改善了分水岭算法的过分割问题。研究了基于距离变换的分水岭分割算法,发现分水岭算法由于极值点的波动容易造成过分割现象,提出在分割之前,进行种子点的优化运算,可以很好的抑制过分割现象,经与原方法进行比较,本文提出的改进方法可以得到更为准确的分割结果,满足了实际分析的需要。对该图像分析系统的架构和各处理模块进行了详细的介绍,在VC++环境下进行图像处理算法编程实现了该分析系统,软件系统包括巨噬细胞图像预处理、巨噬细胞图像的分割、巨噬细胞特征提取等功能模块,该分析系统的性能指标达到了用户的要求。最后,该分析系统还可以实现对巨噬细胞参数的提取、保存、打印等,以提供给医护人员准确的判断依据。
冯嘉礼,毕经迎[10]（2011）在《基于属性论的肺癌细胞识别》文中进行了进一步梳理目前的图像诊断系统,大多数采用形态学和色度学特征并结合专家系统,对癌细胞进行分析和诊断。为了更好地对肺癌细胞进行识别,本文利用图像处理的相关知识对肺癌细胞图像进行形态学和色彩学的特征提取,在此基础上利用属性论中的定性映射与转化程度函数对肺癌细胞进行分类识别。实验结果证明本文提出的方法可以取得较好的结果,说明属性论方法在模式识别领域还是具有应用价值的。
二、肺癌细胞彩色图像处理系统的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、肺癌细胞彩色图像处理系统的研究（论文提纲范文）
（1）基于AFM的药物与肺癌细胞作用检测及表征（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 选题的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光镊技术 |
| 1.2.2 磁镊技术 |
| 1.2.3 扫描探针显微技术 |
| 1.3 课题来源及研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 本文主要研究内容 |
| 第2章 原子力纳米操纵技术基本原理 |
| 2.1 原子力纳米操纵基本原理 |
| 2.2 原子力纳米操纵系统构成 |
| 2.3 原子力纳米操纵测力方法 |
| 2.4 本章小结 |
| 第3章 肺癌细胞的原子力纳米成像与图像特征提取 |
| 3.1 扫描成像 |
| 3.1.1 扫描成像流程 |
| 3.1.2 扫描成像模式 |
| 3.2 肺癌细胞液相成像 |
| 3.3 肺癌细胞图像预处理 |
| 3.3.1 图像去噪 |
| 3.3.2 图像二值化与边缘检测 |
| 3.4 肺癌细胞特征提取 |
| 3.4.1 几何特征提取 |
| 3.4.2 肺癌细胞图像的几何特征和形状特征提取 |
| 3.4.3 肺癌细胞图像的纹理特征提取 |
| 3.5 本章小结 |
| 第4章 药物与肺癌细胞作用检测及表征 |
| 4.1 5-氟尿嘧啶-肺癌细胞作用研究 |
| 4.1.1 接触模式力学模型 |
| 4.1.2 5-氟尿嘧啶-肺癌细胞作用对细胞形貌的影响 |
| 4.1.3 5-氟尿嘧啶-肺癌细胞作用对细胞粘附力的影响 |
| 4.1.4 5-氟尿嘧啶-肺癌细胞作用对细胞杨氏模量的影响 |
| 4.1.5 5-氟尿嘧啶-肺癌细胞作用对细胞力曲线的影响 |
| 4.2 紫杉醇-肺癌细胞作用研究 |
| 4.2.1 力学模型 |
| 4.2.2 紫杉醇诱导肺癌细胞形貌变化 |
| 4.2.3 紫杉醇诱导肺癌细胞粘附力变化 |
| 4.2.4 紫杉醇诱导肺癌细胞杨氏模量变化 |
| 4.2.5 紫杉醇诱导肺癌细胞粗糙度变化 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（2）基于AFM的肺癌细胞纳米成像与表征（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 AFM纳米成像研究现状 |
| 1.2.2 AFM细胞表征技术研究现状 |
| 1.3 本课题主要研究内容 |
| 第2章 AFM的细胞成像与表征原理 |
| 2.1 AFM工作原理 |
| 2.1.1 AFM成像原理 |
| 2.1.2 AFM成像模式 |
| 2.1.3 AFM的独特优点 |
| 2.2 细胞表征参数 |
| 2.2.1 细胞的形状参数 |
| 2.2.2 细胞的形貌参数 |
| 2.3 本章小结 |
| 第3章 肺癌细胞AFM成像实验与分析 |
| 3.1 AFM成像实验流程 |
| 3.2 肺癌细胞AFM成像实验 |
| 3.2.1 肺癌细胞定位培养 |
| 3.2.2 轻敲模式下肺癌细胞成像 |
| 3.2.3 跳跃模式下肺癌细胞成像 |
| 3.3 成像质量分析 |
| 3.3.1 扫描速率对成像质量的影响 |
| 3.3.2 分形维数的计算方式与分析 |
| 3.3.3 扫描速率与分形维数的关系 |
| 3.4 本章小结 |
| 第4章 肺癌细胞AFM形状检测与表征 |
| 4.1 图像预处理 |
| 4.1.1 细胞图像增强 |
| 4.1.2 细胞图像分割 |
| 4.1.3 细胞轮廓提取 |
| 4.2 细胞形状表征 |
| 4.2.1 细胞几何参数 |
| 4.2.2 形状特征计算与结果分析 |
| 4.3 本章小结 |
| 第5章 肺癌细胞AFM形貌检测与表征 |
| 5.1 细胞形貌特征分析 |
| 5.1.1 二维和三维统计参数的描述 |
| 5.1.2 功率谱密度的评价方法 |
| 5.2 基于功率谱密度的细胞表面粗糙度表征 |
| 5.2.1 细胞三维形貌成像 |
| 5.2.2 功率谱密度分析 |
| 5.2.3 实验结果与分析 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（3）基于显微高光谱成像和深度神经网络的肺癌组织病理分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语中英文对照 |
| 1 绪论 |
| 1.1 研究意义与背景 |
| 1.2 国内外研究现状 |
| 1.2.1 肺癌组织病理学图像分类 |
| 1.2.2 高光谱成像技术 |
| 1.3 本文主要研究内容及组织结构 |
| 2 显微高光谱成像系统及数据预处理算法 |
| 2.1 显微高光谱数据的采集 |
| 2.1.1 显微高光谱成像系统 |
| 2.1.2 肺癌组织显微高光谱图像的数据采集 |
| 2.2 显微高光谱图像的预处理 |
| 2.2.1 基于朗伯-比尔定律的光谱校正方法 |
| 2.2.2 基于主成分分析的谱段优选方法 |
| 2.3 本章小结 |
| 3 基于3D卷积深度神经网络的显微高光谱图像分类算法 |
| 3.1 VGGNet |
| 3.2 Inception模型 |
| 3.3 基于3D-CCU-CNN的显微高光谱图像分类算法 |
| 3.3.1 3D-CCU-CNN |
| 3.3.2 3D-CCU-CNN的前向传播 |
| 3.3.3 3D-CCU-CNN的反向传播 |
| 3.3.4 Adam优化算法 |
| 3.3.5 正则化方法 |
| 3.4 本章小结 |
| 4 基于3D-UNet网络的显微高光谱图像病理特征分析 |
| 4.1 基于3D-UNet的显微高光谱图像细胞识别方法 |
| 4.2 基于数学形态学的后处理方法 |
| 4.3 病理特征分析参数 |
| 4.4 本章小结 |
| 5 肺癌组织分类结果及病理分析 |
| 5.1 肺癌组织病理图像数据集 |
| 5.2 肺癌组织显微高光谱图像的预处理 |
| 5.2.1 光谱校正 |
| 5.2.2 谱段优选 |
| 5.3 肺癌组织显微高光谱图像的分类 |
| 5.3.1 评价指标 |
| 5.3.2 分类实验结果与分析 |
| 5.4 肺癌组织显微高光谱图像的病理特征分析 |
| 5.4.1 评价指标 |
| 5.4.2 分割实验结果与分析 |
| 5.4.3 病理特征分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间科研成果 |
| 攻读硕士学位期间参与的科研项目 |
| 致谢 |
（4）细胞视频图像动态形变度量及分类关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 细胞图像形态研究 |
| 1.2.2 细胞图像形变研究 |
| 1.3 论文内容与安排 |
| 1.4 论文主要贡献和创新点 |
| 第2章 细胞图像形态和形变研究理论基础 |
| 2.1 引言 |
| 2.2 细胞图像形态描述算法 |
| 2.2.1 形状和结构特征 |
| 2.2.2 纹理特征 |
| 2.2.3 开源细胞图像处理软件 |
| 2.3 细胞图像序列形变度量算法 |
| 2.3.1 特征空间量化形变的方法 |
| 2.3.2 结合时间信息的形变度量方法 |
| 2.4 数据分析和分类算法 |
| 2.4.1 有监督学习 |
| 2.4.2 无监督学习 |
| 2.5 本章小结 |
| 第3章 基于图像特征的细胞动态形变度量和分类 |
| 3.1 引言 |
| 3.2 实验数据采集与标记 |
| 3.2.1 相关知识 |
| 3.2.2 实验数据采集与标记 |
| 3.3 实验数据预处理 |
| 3.3.1 细胞分割 |
| 3.3.2 细胞尺度归一化 |
| 3.3.3 细胞姿态对齐 |
| 3.3.4 数据预处理结果 |
| 3.4 四元数通用傅里叶描述子 |
| 3.4.1 四元数通用傅里叶变换 |
| 3.4.2 四元数通用傅里叶描述子不变性 |
| 3.4.3 基于四元数通用傅里叶描述子的图像识别 |
| 3.5 细胞动态形变分类实验 |
| 3.5.1 数据集I |
| 3.5.2 数据集II |
| 3.6 本章小结 |
| 第4章 细胞视频图像动态形变时序特征提取和分析 |
| 4.1 引言 |
| 4.2 细胞视频图像形变时序分析算法 |
| 4.2.1 匹配游程统计 |
| 4.2.2 局部时序特征 |
| 4.2.3 局部形变模式 |
| 4.3 实验结果与分析 |
| 4.3.1 数据集I |
| 4.3.2 数据集II |
| 4.4 本章小结 |
| 第5章 基于深度学习的细胞视频图像动态形变分类 |
| 5.1 引言 |
| 5.2 卷积神经网络 |
| 5.2.1 神经网络结构 |
| 5.2.2 卷积神经网络结构 |
| 5.3 生成细胞视频图像轮廓谱 |
| 5.3.1 实验数据转换 |
| 5.3.2 训练数据增强 |
| 5.4 应用卷积神经网络处理细胞视频图像 |
| 5.4.1 随机初始化网络模型 |
| 5.4.2 预训练卷积特征 |
| 5.4.3 微调预训练网络模型 |
| 5.5 实验结果与分析 |
| 5.5.1 数据集I |
| 5.5.2 数据集II |
| 5.5.3 分析和讨论 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 工作展望 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
| 作者简介 |
（5）基于偏振成像的肺癌细胞检测系统设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 肺癌细胞检测背景及意义 |
| 1.2 肺癌细胞检测的研究现状 |
| 1.3 主要研究内容 |
| 第2章 基于偏振成像的肺癌细胞检测原理 |
| 2.1 偏振成像原理 |
| 2.2 偏振光的表示方法 |
| 2.2.1 Jones矢量 |
| 2.2.2 Stokes矢量 |
| 2.3 Mueller矩阵及其分解变换 |
| 2.3.1 Mueller矩阵的基本概念 |
| 2.3.2 Mueller矩阵的分解与变换 |
| 2.4 灰度共生矩阵 |
| 2.5 本章小结 |
| 第3章 肺癌细胞偏振检测系统设计 |
| 3.1 系统总体设计 |
| 3.2 系统硬件设计 |
| 3.2.1 偏振成像结构设计 |
| 3.2.2 微流控芯片结构设计 |
| 3.2.3 机械结构设计 |
| 3.3 系统软件设计 |
| 3.3.1 软件总体设计 |
| 3.3.2 数据库设计 |
| 3.3.3 软件功能设计 |
| 3.4 本章小结 |
| 第4章 系统测试与分析 |
| 4.1 微流控芯片及样品的制备 |
| 4.1.1 微流控芯片的制备过程 |
| 4.1.2 样品制备过程 |
| 4.2 成像结果及Mueller矩阵分析 |
| 4.2.1 本底测量 |
| 4.2.2 肺癌细胞测量 |
| 4.3 图像纹理特征分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间公开发表论文 |
| 致谢 |
| 作者简介 |
（6）MicroRNA-9/eIF5A2通路在非小细胞肺癌侵袭转移和顺铂耐药中的作用及机制研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| 英文摘要 |
| 缩略语表 |
| 前言 |
| 第一部分 eIF5A2基因在非小细胞侵袭转移和化疗耐药中的作用及机制研究 |
| 1 研究背景 |
| 2 材料和方法 |
| 2.1 材料 |
| 2.2 实验方法 |
| 3 结果 |
| 3.1 eIF5A2与非小细胞肺癌细胞株侵袭转移的相关性研究 |
| 3.2 eIF5A2与非小细胞肺癌细胞株化疗耐药的相关性研究 |
| 4 讨论 |
| 第二部分 MicroRNA-9/eIF5A2通路在非小细胞肺癌侵袭转移和化疗耐药中的作用及机制研究 |
| 1 研究背景 |
| 2 材料和方法 |
| 2.1 实验材料 |
| 2.2 实验方法 |
| 3 结果 |
| 3.1 MiR-9调控非小细胞肺癌细胞的迁移和侵袭 |
| 3.2 MiR-9调控非小细胞肺癌对顺铂的化疗耐药 |
| 4 讨论 |
| 5 结论 |
| 6 展望 |
| 参考文献 |
| 综述 |
| 参考文献 |
| 作者简历及在学期间所取得的科研成果 |
（7）基于人工神经网络的肺癌细胞图像特征的提取与识别（论文提纲范文）
| 引言 |
| 1. 资料与方法 |
| 1.1 一般资料 |
| 1.2 研究方法 |
| 1.3 观察指标 |
| 2. 结果 |
| 3. 讨论 |
（8）癌症诊疗中的医学图像配准和分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略词 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 医学图像配准技术研究现状 |
| 1.3 医学图像分割技术研究现状 |
| 1.4 本文的主要研究工作及内容安排 |
| 1.5 论文研究创新点 |
| 第二章 医学图像配准和分割基础 |
| 2.1 医学图像配准的概念 |
| 2.2 医学图像配准基本框架 |
| 2.2.1 相似性测度 |
| 2.2.2 空间变换 |
| 2.2.3 图像插值 |
| 2.2.4 优化方法 |
| 2.3 配准的分类 |
| 2.4 医学图像配准的评价 |
| 2.5 医学图像分割的概念 |
| 2.6 医学图像分割方法 |
| 2.6.1 阈值法 |
| 2.6.2 区域生长法 |
| 2.6.3 边缘检测方法 |
| 2.6.4 分类器法 |
| 2.6.5 聚类法 |
| 2.6.6 基于人工神经网络的分割方法 |
| 2.6.7 基于马尔科夫随机场(Markov Random Field，MRF)的方法 |
| 2.6.8 基于图论的分割方法 |
| 2.6.9 基于图谱的方法 |
| 2.6.10 基于活动轮廓模型的方法 |
| 2.7 医学图像分割算法的评价 |
| 2.8 本章小结 |
| 第三章 肺部呼吸运动估计 |
| 3.1 概述 |
| 3.2 4D CT |
| 3.2.1 4D CT 原理 |
| 3.2.2 4D CT 优点 |
| 3.3 基于 B 样条的形变配准算法 |
| 3.3.1 变形场模型 |
| 3.3.2 配准公式 |
| 3.3.3 优化算法 |
| 3.4 肺部区域分割 |
| 3.4.1 区域生长法 |
| 3.4.2 肺部运动估计 |
| 3.5 实验结果与讨论 |
| 3.5.1 实验数据及评价策略 |
| 3.5.2 仿真数据实验 |
| 3.5.3 真实数据实验 |
| 3.5.4 呼吸运动统计结果 |
| 3.6 本章小结 |
| 第四章 带呼吸补偿模型的 CT-CTF快速形变配准算法在图像引导肺癌穿刺活检上的应用 |
| 4.1 概述 |
| 4.2 CTF 简介 |
| 4.3 带呼吸补偿模型 CT-CTF 配准算法 |
| 4.3.1 算法框架 |
| 4.3.2 CT-CTF 配准算法 |
| 4.3.3 呼吸补偿模型 |
| 4.3.4 逆变形场的求解 |
| 4.4 算法实现 |
| 4.4.1 快速算法 |
| 4.4.2 优化算法 |
| 4.4.3 多分辨率配准 |
| 4.5 实验结果与讨论 |
| 4.5.1 仿真实验 |
| 4.5.2 真实数据实验 |
| 4.6 本章小结 |
| 第五章 基于超像素的多模态 MRI脑胶质瘤分割 |
| 5.1 概述 |
| 5.2 算法框架 |
| 5.3 预处理 |
| 5.4 超像素生成方法 |
| 5.4.1 基于分水岭的方法 |
| 5.4.2 基于图的最小生成树算法 |
| 5.4.3 基于归一化割的方法 |
| 5.4.4 基于均值漂移的方法 |
| 5.4.5 基于快速漂移的方法 |
| 5.4.6 局部 k-均值聚类超像素生成算法 |
| 5.4.7 Turbopixels 超像素生成算法 |
| 5.4.8 不同超像素生成方法的比较 |
| 5.5 带加权距离的局部 k-均值聚类算法 |
| 5.6 基于谱聚类的 GBM 分割 |
| 5.7 基于动态区域合并的 GBM 分割 |
| 5.7.1 区域合并谓词 |
| 5.7.2 基于序贯概率比检验的超像素一致性检验 |
| 5.7.3 动态区域合并算法 |
| 5.7.4 后处理 |
| 5.8 实验结果与分析 |
| 5.8.1 参数选取 |
| 5.8.2 定性实验 |
| 5.8.3 和其他方法比较实验 |
| 5.9 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 攻读博士期间科研工作及论文 |
| 致谢 |
（9）巨噬细胞图像分割的算法研究及系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的目的及意义 |
| 1.2 国内外的研究现状和发展趋势 |
| 1.3 课题的需求及需要解决的问题 |
| 1.4 本论文的主要工作及各章节安排 |
| 第2章 数字图像处理的基本方法 |
| 2.1 数字图像处理的基本知识 |
| 2.2 图像的文件格式 |
| 2.3 图像的增强 |
| 2.3.1 灰度变换增强 |
| 2.3.2 直方图增强 |
| 2.3.3 图像锐化 |
| 2.3.4 图像平滑 |
| 2.4 图像分割 |
| 2.4.1 基于阈值的分割 |
| 2.4.2 基于边缘的分割 |
| 2.4.3 基于区域的分割 |
| 2.5 二值形态学的基本描述 |
| 2.5.1 图像腐蚀 |
| 2.5.2 图像膨胀 |
| 2.5.3 图像的开运算 |
| 2.5.4 图像的闭运算 |
| 2.6 本章小结 |
| 第3章 巨噬细胞图像分析系统简介 |
| 3.1 巨噬细胞图像分析系统基本概述 |
| 3.1.1 巨噬细胞图像分析系统 |
| 3.1.2 系统的基本要求 |
| 3.1.3 系统架构及实现 |
| 3.1.4 系统环境 |
| 3.2 彩色图像的灰度化 |
| 3.2.1 概念 |
| 3.2.2 图像灰度化结果及讨论 |
| 3.3 图像的中值滤波 |
| 3.3.1 中值滤波的算法描述 |
| 3.3.2 中值滤波结果及讨论 |
| 3.4 基于最大类间方差阂值分割 |
| 3.4.1 最大类间方差的概述 |
| 3.4.2 分割结果及讨论 |
| 3.5 图像的腐蚀与膨胀 |
| 3.5.1 腐蚀和膨胀的意义 |
| 3.5.2 结果及讨论 |
| 3.6 本章小结 |
| 第4章 巨噬细胞的分割及标记计数 |
| 4.1 分水岭变换的原理 |
| 4.1.1 分水岭变换的定义 |
| 4.1.2 基于淹没算法的分水岭变换描述 |
| 4.1.3 分水岭分割中的过分割问题 |
| 4.2 使用梯度的分水岭分割 |
| 4.2.1 分割方法概述 |
| 4.2.2 一种基于标记的彩色巨噬细胞图像分割 |
| 4.2.3 试验结果及分析 |
| 4.3 基于距离变换的分水岭分割 |
| 4.3.1 距离变换方法 |
| 4.3.2 试验结果及分析 |
| 4.3.3 分水岭算法的实现 |
| 4.3.4 种子点提取上的改进 |
| 4.3.5 改进算法的实现步骤 |
| 4.3.6 试验结果及分析 |
| 4.4 巨噬细胞的标记计数 |
| 4.4.1 标记计数的处理步骤 |
| 4.4.2 试验结果及分析 |
| 4.5 阴、阳细胞的提取 |
| 4.5.1 概念及处理流程 |
| 4.5.2 试验结果及分析 |
| 4.6 本章小结 |
| 第5章 巨噬细胞的特征提取 |
| 5.1 引言 |
| 5.2 巨噬细胞的形态特征 |
| 5.2.1 理论概述 |
| 5.2.2 试验结果 |
| 5.3 巨噬细胞的纹理特征 |
| 5.3.1 理论概述 |
| 5.3.2 试验结果 |
| 5.4 结论 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（10）基于属性论的肺癌细胞识别（论文提纲范文）
| 1 系统处理流程 |
| 2 肺癌细胞特征提取 |
| 2.1 图像处理 |
| 2.2 形态特征提取 |
| 2.3 色度特征提取 |
| 3 属性论方法识别肺癌细胞 |
| 3.1 肺癌细胞识别的定性映射模型 |
| 3.2 转化程度函数 |
| 4 实验结果 |
| 5 结 语 |
四、肺癌细胞彩色图像处理系统的研究（论文参考文献）
- [1]基于AFM的药物与肺癌细胞作用检测及表征[D]. 姜晓琳. 长春理工大学, 2020
- [2]基于AFM的肺癌细胞纳米成像与表征[D]. 王紫慧. 长春理工大学, 2020
- [3]基于显微高光谱成像和深度神经网络的肺癌组织病理分析方法研究[D]. 宋璟. 华东师范大学, 2020(12)
- [4]细胞视频图像动态形变度量及分类关键技术研究[D]. 李衡. 北京理工大学, 2018(06)
- [5]基于偏振成像的肺癌细胞检测系统设计[D]. 赵劲松. 大连海事大学, 2018(06)
- [6]MicroRNA-9/eIF5A2通路在非小细胞肺癌侵袭转移和顺铂耐药中的作用及机制研究[D]. 徐国栋. 浙江大学, 2017(03)
- [7]基于人工神经网络的肺癌细胞图像特征的提取与识别[J]. 唐思源. 电子世界, 2017(16)
- [8]癌症诊疗中的医学图像配准和分割算法研究[D]. 苏坡. 西北工业大学, 2014(07)
- [9]巨噬细胞图像分割的算法研究及系统实现[D]. 陈嵘. 南昌大学, 2012(12)
- [10]基于属性论的肺癌细胞识别[J]. 冯嘉礼,毕经迎. 广西师范大学学报(自然科学版), 2011(03)