一、血液细胞图像自动识别系统的研究（论文文献综述）
郭钟扬[1]（2021）在《新型细胞推片与释放系统的关键技术研究》文中研究表明从外周血中识别并分离富集有核红细胞是当前在无创产前诊断领域的热门研究方向,所收集到的有核红细胞可应用于对唐氏综合征、神经管缺陷、单基因疾病等出生缺陷的早期诊断和筛查。但现有研究的方法大多依赖于有核红细胞表面抗原与特异性抗体结合的免疫亲和技术,存在着成本高、分离纯度低、操作流程复杂等缺点。针对于此,为了实现外周血中有核红细胞的识别与释放,开发安全有效的非侵入式技术分离有核红细胞用于产前胎儿疾病诊断,本文提出了一种基于细胞单层推片技术和近红外光热响应水凝胶材料的有核红细胞识别释放方法。设计并搭建了两套应用于有核红细胞涂片识别和释放环节的实验装置。实现了有核红细胞的单层平铺、识别与定点释放。为有核红细胞的分离富集提供了一种低成本、易操作、无需依赖抗体的创新技术思路,在产前筛选诊断领域中具备广阔的应用前景。本文主要研究内容如下:（1）以光响应水凝胶材料为基底建立了自动化细胞涂片制备装置。首先,设计了细胞涂片制备装置的机械结构,并基于STM32单片机开发运动控制程序,优化推片角度和速度参数,制备水凝胶膜基底涂片。其次,在温敏水凝胶明胶中引入二维材料MXene,结合MXene的近红外光热转换特性,在水凝胶膜表面实现近红外光响应。然后,在水凝胶基底膜表面进行全血推片实验,优化血液推片参数,制备得到可释放全血单层细胞涂片,并验证其细胞平均分布密度较标准片提升19.3%。（2）构建了用于识别释放有核红细胞的显微成像和激光聚焦系统。首先,设计并建立了集成式光路结构,可便捷地实现明场显微成像模式和激光聚焦释放模式的切换。其次,在明场显微模式下依据细胞形态学特征对有核红细胞进行识别定位。然后,808 nm激光器的光源经过准直镜和会聚镜聚焦到细胞涂片表面,产生光热效应进行细胞释放。最后,经过激光聚焦系统的调控,得到了光斑直径为300 μm的细胞定点释放区域。
卢强[2]（2021）在《低成本、全切片成像显微镜及其临床应用》文中研究说明显微镜检查是许多健康检查项目中的重要工具,在POCT（即时检测）中有着广泛的应用。当前镜检的成本很高,包括设备成本和人力成本,人工镜检依赖有专业知识和经验的检测医师,在资源有限的地区无法配备。低成本、自动化的全切片成像显微镜可以在一定程度上解决问题,它可以被应用于进一步研究自动化的分析仪器,或者被应用在远程医疗的工作中。为着这样的目标,我们研究了一款开源、模块化、自动化、低成本、全切片成像的显微镜。首先该系统是开源和模块化的,没有使用特殊加工的零件。我们提供了详尽的系统搭建说明书,因此其他感兴趣的人可以买来标准零件,自己完成搭建并获得预期功能。其次它是一款自动化的全切片成像显微镜,可以自动聚焦,自动扫描,以及图像拼接,最终获得具有足够高分辨率的大视场图像,包括明场图像和荧光图像。它成本较低,选用的都是低成本的零件,这样才可能在资源有限的地区进行应用和推广。然而它的成像质量并不差,拥有1.3 μm左右的图像分辨率,因而能够胜任一些诸如寄生虫病检查的镜检工作。借助这样的显微镜,有可能构建起一个远程医疗的工作模式:在诊断医生缺乏的医院和诊所,由检验人员制作切片,系统完成自动化的扫描拍摄,然后通过网络将图像传给远端有经验的医生,医生进行诊断以及反馈结果。低成本的全切片成像显微镜提供了平台和工具,非常适合使用在低成本、便携式的、执行即时检测的仪器设备中。此外,该系统涉及很多可以用于教学的内容,比如关于显微成像的基本知识、电动位移平台的搭建、带有反馈的自动控制算法的撰写（比如自动聚焦,图像扫描）、以及一些镜检和基础生物学相关的知识。这样的一个模块化显微镜可以作为学校的一个很好的教学项目,让学生通过项目学习相关的知识以及锻炼动手能力,因而它可以用于贫困地区的科学的教育中。脑脊液的细胞学检查作为一项重要的检查内容,目前在国内的许多医院依旧由人工来完成,人工镜检费时费力,而且检测结果对检验医师有很强的依赖。脑脊液细胞稀疏,需要增大观测的样本体积才能保证检测的准确性。我们前期搭建的显微平台通过对样品进行扫描拍摄,可以显着地增加检测的样本体积,保证进样量。为了这个研究目标,我们对前期的系统进行了改进和优化,研究了一款针对体液细胞检测的全自动的仪器。此外,我们探索了一种无样品准备的检测方法,提前将荧光染液和表面活性剂通过液体自然蒸发的方式放置在样品池的进样口,实验时细胞在样品池中进行染色和球化,这种方法最大限度地降低了实验人员对样品的准备工作。测试时使用者只需要将混匀的样品注入计数池,放入自动化的仪器进行测试即可,除此之外不再有多余的工作。这样一款完全自动化的仪器,以及无样品准备的检测方法极大地减轻了检测人员的工作负担,对操作者几乎没有技能和经验的要求。我们的仪器针对血液和脑脊液做了数量足够的临床测试,并且获得了符合预期的结果。当前的检测设备可以作为检验科一个辅助检查的工具,以及在未来有可能逐步替代人工检查,独立地进行检查工作。它为那些资源有限地区检测医师严重不足医院的体液细胞检查工作提供了一个有效的解决方案。
吴上上[3]（2021）在《基于两级目标检测器的白细胞自动分类与识别技术》文中研究说明白细胞种类和形态识别是诊断白血病的重要依据。临床上,人工手动识别法一方面流程繁琐、成本高,另一方面受限于专家经验和血涂片质量,极易造成错误判断。深度学习算法,特别是卷积神经网络日益成熟,将其应用于医学图像自动化检测进而辅助诊断具有深远意义。本研究中,我们设计了一种基于两级目标检测器的显微镜下白细胞自动分类与识别技术,方法如下:（1）残差网络作为特征提取器获得全局特征层,以特征共享的方式连接两级目标检测器。在一级检测器中,引入滑动窗口训练卷积神经网络基于全局特征层提取不同尺度下的邻近信息进行初级目标检测,使用区域建议网络（RPN）生成大量目标级区域建议。（2）将目标级区域建议框和全局特征层结合送入二级检测器,生成局部特征层,进一步提取像素级精细特征。训练边界框回归网络不断微调建议框的位置和大小,并使用非极大抑制法筛选解码后和真实值最接近的目标预测框。（3）利用分类网络辨别预测框内白细胞种类,引入多任务损失包括分类损失和回归损失来评估最终的检测损失值,完成血图像中白细胞精确定位和分类。本文提出了一种高精确度的白细胞分类和定位技术。这种技术基于多尺度目标筛选和精细微调网络相结合,充分学习不同类型白细胞的区别性特征,克服了白细胞手动分类低效率和高成本缺点。本文提出的方法在临床的11580张六类白细胞图像上实现了97.12%的平均检测精度均值（m AP）,其中,嗜酸性白细胞的检测精确度（AP）为99.37%,嗜碱性白细胞检测精确度为100%,中性分叶状白细胞检测精确度为90.92%,中性杆状白细胞检测精确度为93.69%,单核细胞检测精确度为99.09%,淋巴细胞检测精确度为99.64%。本文提出基于深度学习的白细胞自动分类算法,将有助于医院利用自动化手段识别和分类白细胞图像,节约了医生的宝贵时间。这项技术为显微镜血细胞图像的自动化检测提供了技术支持,为白血病的早期诊断开辟了计算机辅助的新手段。
徐梅[4]（2021）在《基于阈值和分水岭算法对白细胞图像分割的研究》文中进行了进一步梳理本文采用彩色转换、阈值分割、最大类间方差法、形态学重构和分水岭等算法,针对于非黏连白细胞和黏连白细胞两种情况对细胞质和细胞核的分割研究。本论文主要提出基于阈值和分水岭的白细胞分割算法和改进分水岭的白细胞分割算法两种改进算法,实现对病变细胞图像中的白细胞的细胞质和细胞核的分割研究。基于阈值和分水岭的白细胞分割算法,在混有背景、红细胞、细胞质和细胞核的显微图像中提取分割黏连和非黏连白细胞细胞核和细胞质。通过阈值分离出细胞核的大致轮廓,再利用开运算重构去除孤立点,根据膨胀算法去除无关区域,分割出细胞核。细胞核的分离实现了白细胞的初步定位。细胞质的分割,分两种情况,对于非黏连白细胞,直接使用阈值分割的算法分割细胞质。对于黏连白细胞,首先获取最小概率的错分结果,然后,利用Sobel求取梯度图像,根据获取的梯度幅值做分水岭变换,最后对获取的灰度图像做基于重建的开—闭运算分割出细胞质。采用基于重建的开—闭运算分割细胞质可以在不影响目标图像的前提下,更好的去除图像碎片,使分割效果更好。改进分水岭的白细胞分割算法,主要对具有黏连现象的病变白细胞的分割。本算法将细胞图像RGB彩色空间转换为HSI彩色空间,然后提取白细胞图像的H、S、I分量。对S分量图像利用最大类间方差法提取黏连白细胞的细胞核。对于细胞质的分割,依据Sobel算子求取S分量图像梯度值,利用开运算重构算法消除图像细节,然后应用内部标记和外部标记,使得最小值只出现在内部和外部的标记点,最后利用分水岭算法提取黏连白细胞图像中的白细胞细胞质。经过实验验证表明,基于阈值和分水岭的白细胞分割算法可以将病变细胞图像中的细胞质和细胞核精确的分割出来,效率较高;改进分水岭的白细胞分割算法分割误差率很小,相对于传统的分割算法来说,该算法分割结果更精准,不易受光照和染色环境的影响,稳定性强,分割耗时时间短,加快了分割速度,满足临床诊断的实时性需求。
姚凯[5]（2021）在《基于深度学习的血液细胞图像分类研究》文中提出在临床检验中,血细胞的分类识别能有效辅助许多疾病的诊断。当前,一般通过人工镜检对血细胞进行分类识别,人工镜检费时费工,易受人为因素的干扰。因此,智能化分类方法深受关注与期盼。目前研究聚焦采用深度学习方法代替人工进行白细胞分类。血液细胞图像中白细胞的分类识别分为三部分:单个白细胞图像的分割、数据集的扩增与建立和白细胞图像分类。在单个白细胞图像分割部分,为解决传统血细胞计数器及其他设备对血细胞人工计数程序繁琐且耗时较长,以及传统白细胞图像分割算法复杂度较高等问题,提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的血液细胞识别算法,即结合Res2Net、卷积块注意力模块（Convolutional Block Attention Module,CBAM）和Yolov4-tiny对象检测算法对三种类型血液细胞进行自动识别和计数,同时根据白细胞预测框左上角坐标分割出单个白细胞图像。通过将Res2Net和卷积块注意力模块融入Yolov4-tiny模型来提取粒度级表示的多尺度特征,增加每个网络层的感受野范围,以提升血液细胞识别模型的性能。经公开血液涂片图像数据集实验,能够自动识别和计数白细胞、红细胞和血小板,识别准确率分别达到93.44%,96.09%,96.36%。与其它基于CNN的识别模型相比,识别准确率高且具有较强的泛化性,能显着提升血液细胞识别效率。在白细胞图像分类部分,首先,为解决数据集不充足与不平衡的问题,将分割获取的图像经图像转换操作和GAN网络进行处理,以扩增数据并建立分类数据集。其次,为有效地解决白细胞的分类识别问题,提出一种基于Inception-V4的白细胞图像分类模型。通过采用迁移学习初始化分类网络参数,同时将Res2Net和Inception-V4融合成新的网络,以提取多尺度特征,从而提升模型的分类精度。最后,通过将改进的RBF-Softmax作为模型的损失函数,以增强深度学习特征的判别能力,进一步提升分类模型的性能。实验结果表明,所提模型在五类白细胞图像的分类任务中可达到94.31%的分类准确率。
孔光辉[6]（2021）在《人体粪便显微图像中红白细胞的自动分割与识别》文中进行了进一步梳理目前,医院的粪便常规检查仍然大量采用人工镜检的方式,这种方式不仅操作复杂,而且检测效率低。针对这些问题本文提出了一种基于改进分水岭图像分割和支持向量机图像识别的细胞自动检测方法,对人体粪便显微图像中的红、白细胞实现自动分割与识别,从而实现粪便常规检测的自动化。文章围绕粪便显微图像中使用的关键技术展开深入研究,主要涉及细胞图像的分割、特征点的提取以及分类识别三个部分的内容。考虑到粪便显微图像背景复杂且目标成分具有弱边界的特点,本文提出一种基于改进分水岭分割算法对粪便显微图像中的有形成分进行分割。该分割方法通过对图像的前景和背景部分进行标记,防止分割时出现虚假轮廓,从而可以提高图像的分割精度。在图像特征提取部分,本文提取细胞的几何特征和纹理特征作为后续分类器的训练样本集。通过Relief-F特征选择算法对特征集进行筛选并最终选择面积、周长、圆形度、能量、熵、相关性和对比度等特征组成特征向量用作分类器的训练和学习。在红白细胞的识别部分,本文选择适用于小样本集的支持向量机作为分类器,并提出利用遗传算法对支持向量机的关键参数进行优化。实验表明,相比于未进行参数优化的支持向量机识别方法,遗传算法优化的分类器整体识别时间缩短了129秒,识别准确率为96.63%。
王灿芳[7]（2021）在《基于Jetson Nano的智能显微镜成像与图像识别的研究》文中认为随着对电子、生物、医学等微观领域的研究深入,操作对象的微型化正推动着显微镜系统向着自动化、智能化的方向发展。特别在生物医学工程领域,细胞融合、细胞的疾病检测及病理分析等,都需要借助显微镜去完成。而传统显微镜需要人工调焦,进而对观察目标进行病理分析。这种人工方式工作效率极低,且由于人的疲劳、主观判断等因素可能出现错误,造成误诊或漏诊。Jetson Nano是英伟达公司研制的一款性能强大、成本较低的人工智能计算机硬件。本文以开发低成本人工智能显微镜为目标,基于Jetson Nano平台对人工智能显微成像与图像识别技术进行了研究。智能显微镜系统主要由自动聚焦系统和目标识别系统两部分构成。首先,对智能显微镜的关键结构进行了研究,设计出了基于Jetson Nano的微操作系统的整体结构;针对显微系统成像尺寸小的问题,基于超分辨显微成像原理,采用压电陶瓷驱动方法及柔性铰链导向机构设计了具有纳米级定位精度的微定位平台的整体结构,并进行了静力学分析和有限元分析。其次,对于显微成像部分,图像的清晰度评价算法是实现基于数字图像自动聚焦的关键技术,而经典的算法易受噪声、光照不均等因素的影响,精度低、稳定性差,针对此问题,本文通过对各类经典图像清晰度评价算法的研究,融合方差函数和Brenner函数提出了一种新的图像清晰度评价算法,并通过MATLAB仿真验证了本文算法在灵敏度、稳定性、速度等方面的显着优势。针对经典爬山搜索算法容易出现局部极值且搜索速度慢的问题,本文基于爬山算法提出了变步长、三步试探搜索法,在远离焦点区域采用大步幅搜索,在近焦区域采用小步幅搜索,在极值点附近进行精细搜索,并通过向前多采集两帧图像来比较与前一帧的大小判断是否为局部极值,本文的搜索策略能够避免陷入局部极值的问题,提升搜索速度和精度。最后,图像识别部分主要是对聚焦所得图像的内容进行识别分类,针对目标识别要求高精度、实时性、智能化的问题,基于Jetson Nano平台对神经网络进行了研究,基于YOLOv4-tiny卷积神经网络并使用Dropout技术,设计了本文的目标识别模型DYOLOv4-tiny,有效的避免了过拟合问题,提高了细胞识别精度,通过实验分析表明该系统可以对细胞图像内容进行准确的识别。本文结合人工智能技术,主要针对智能显微系统的快速聚焦算法、目标识别方法进行了研究与优化,研究结果对开发智能显微成像分析系统有重要的参考意义。
杨雪莹[8]（2020）在《基于深度学习的白细胞分类识别方法研究》文中研究表明随着计算机技术的快速发展,利用人工智能和图像处理技术辅助医疗诊断日益受到关注。在医疗临床检验中,白细胞的检验对许多疾病的诊断有着重要的价值。目前医院所采用的检测方法主要是血细胞分析仪与人工镜检,即先用血细胞分析仪进行初步筛查并判断有无数量上的异常,若有,则进行人工镜检。由于人工镜检效率低,分类速度慢,因此外周血白细胞图像自动分类识别技术具有较高的实用价值。论文基于深度学习的方法设计了一种外周血白细胞图像自动分类识别的方案。首先,利用高倍显微镜观察外周血细胞涂片并利用相机拍摄含有大量白细胞的血细胞图像。采用中值滤波和双边滤波对图像进行预处理,并分析了 RGB和HLS两种色彩空间和常见的阈值分割方法,然后利用改进的最大类间方差法对L分量图像进行初步分割,利用形态学方法处理初分割后的图像,得到完整的单个白细胞图像。其次,对得到的白细胞图像数据集进行整理分析,剔除染色错误或染色失败的图像。针对白细胞图像数量类间不平衡的问题,采用平移的方法对原始数量较少的白细胞类进行过采样。然后按照一定比例将白细胞图像分为训练集和测试集,并利用旋转、对比度增强等数据增强方法对两类数据进行扩增,建立本课题的数据集。最后,根据现有的深度神经网络架构思路,搭建白细胞的分类模型。该模型共包含六层卷积层、三层池化层和三层全连接层,利用制备的训练集、验证集进行训练验证,并通过测试集去评估网络模型的性能。然后,将实验结果可视化。测试结果表明,白细胞图像平均识别率为92.87%,满足既定目标。利用卷积神经网络的方法对白细胞进行分类识别,不仅避免了精准分割白细胞细胞核和细胞质的复杂性以及人工选择特征的个体化差异对最后分类结果造成的不良影响,而且取得了令人满意的准确率,实现了真正的端到端分类识别。
熊国顺[9]（2020）在《基于形态学的外周血数字切片远程诊断系统开发》文中研究说明“血常规”检测是临床病理学诊断疾病的常规手段和重要依据,目前“血常规”检测对于外周血中白细胞的分类识别主要依靠血液细胞分析仪和人工显微镜检两种方式进行。通过血液细胞分析仪对白细胞进行分类识别无法直观感受各类细胞的形态学特征,细胞的形态学变化可能是对某种疾病的预示,是临床诊断不可忽视的因素之一;而人工显微镜检劳动强度大、耗时费力且缺乏一定的客观性。同时,我国偏远地区也存在专业医师和相关医疗器械缺乏的问题。基于此,课题针对上述问题提供了解决方案,结合医学图像处理和模式识别技术、远距离通信和云服务器数据存储技术,研究开发基于形态学的外周血细胞数字切片远程诊断系统。根据外周血显微图像的特点,设计了外周血图像多图拼接算法,并提出一种特征点筛选和限定搜索空间范围的配准策略。首先通过Forstner算子对待拼接显微图像特征点进行高效、快速提取,通过待拼接图像重叠区域坐标对特征点进行筛选,并限定特征点匹配的搜索空间,结合归一化互相关算法初步匹配特征点;然后通过RANSAC算法对匹配点进行筛选提纯,通过提纯后的匹配点计算单应性矩阵,完成显微图像的精确配准。通过改进的加权平滑算法对配准后的图像接缝处进行平滑过渡处理,实现了对显微图像的高质量拼接。针对目前利用传统人工神经网络进行白细胞自动识别分类存在的缺陷,引入基于深度学习的卷积神经网络。在经典卷积神经网络结构VGG-16的基础上,设计了基于白细胞常规五分类的网络模型结构,并通过实验对网络模型性能进行验证,五分类综合准确率达到98.60%。在远程系统搭建方面,设计了基于三层C/S架构的整体框架,根据FTP文件传输协议设计了数据传输模块,通过Webservice实现客户端对数据处理层的调用,数据处理层集合了白细胞图像自动分类识别、细胞图像拼接等功能。最后对远程诊断系统软件进行开发,整个系统包括三个客户端,操作员端、医师端和管理员端,对客户端的人机交互界面及功能模块进行了设计。基于形态学的外周血数字切片远程诊断系统的实现,可以替代血液细胞分析仪和人工显微镜检对白细胞进行自动识别分类,同时对于缓解我国局部区域医疗资源分配不均的现状具有重要的推动作用。
苏凌霄[10]（2020）在《基于图像处理的细胞计数系统研究与实现》文中提出统计病菌孢子的数量,可以判断和分析出农作物病害的病情,并进行预警防控,减少损失和节约投入成本。目前,国内外学者对小麦和水稻病害的研究较多,但对马铃薯病害孢子计数方法的研究相对较少。其中,马铃薯晚疫病因分布广、流行快、危害严重,一直是威胁我国马铃薯优质、高产的病害之一。因马铃薯晚疫病病菌孢子图像存在高粘连度、杂质与孢子差距不大和孢子自身灰度不均等特点,使得现有计数方法对其计数的结果误差很大,因此研究其计数方法具有重要的研究价值和意义。本课题主要以马铃薯晚疫病为研究对象,应用图像处理的方法对孢子图像开展计数研究。主要研究内容和工作包括:（1）搭建了细胞计数系统简易图像获取的硬件装置,用来完成对孢子样本的在线采集。针对孢子的特点对硬件的主要模块进行选择和确定,包括工业相机、显微镜头、光源等;（2）以所获得的孢子显微图像为研究对象,对孢子显微图像进行分割处理,提取出孢子并将粘连孢子分离。首先对图像进行了灰度化和滤波研究,然后根据采集到的病菌孢子显微图像的特点,使用大津阈值分割法、迭代阈值分割法、K-means聚类法和自适应阈值分割法对孢子图像进行分割实验,实验结果表明自适应阈值分割方法分割效果最优。本文对自适应阈值算法进行了改进,提出了基于积分图的自适应阈值分割算法解决了目标与背景因光照不均匀引起的灰度差异和孢子本身灰度不均造成的分割错误问题,且算法速度提高了60%左右。然后进行了形态学处理,通过对参数的对比实验得到最优参数;同时,利用距离变换和分水岭算法的结合,有效抑制过分割和假孢子区域,实现粘连孢子的分离。（3）应用连通区域标记法对分离后的病菌孢子进行统计数目,并对三种细胞计数方法进行试验分析比较,得到本课题提出的基于积分图的自适应阈值算法是最优计数方法,同时,计算了图像中孢子的面积、周长和圆形度,为农业工作者分析病害严重程度提供了数据参考。（4）利用MATLAB的GUI编译工具箱完成了基于图像处理的细胞计数系统的设计。该系统软件能够实现孢子图像的在线和离线获取,也能通过点击按钮完成孢子图像的各处理流程的结果预览和自动计数,使用直观明了,操作简单,使得一些非专业人员也能够完成细胞图像的专业性处理。最后,使用30幅病菌孢子显微图像对细胞计数系统开展测试实验。实验结果表明系统的平均计数准确率达到99.08%。系统的平均计数误差在0.92%,且最大计数误差不超过5%。
二、血液细胞图像自动识别系统的研究（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、血液细胞图像自动识别系统的研究（论文提纲范文）
（1）新型细胞推片与释放系统的关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无创产前诊断技术研究进展 |
| 1.2.2 有核红细胞的分离富集研究进展 |
| 1.2.3 自动化细胞涂片技术研究进展 |
| 1.2.4 光响应水凝胶材料研究进展 |
| 1.2.5 目前研究中尚存在的问题与不足 |
| 1.3 论文研究内容与组织结构 |
| 第2章 技术原理与设计要求 |
| 2.1 引言 |
| 2.2 技术原理 |
| 2.2.1 全血单层细胞推片技术 |
| 2.2.2 光响应水凝胶 |
| 2.2.3 基于细胞形态学的有核红细胞识别 |
| 2.2.4 激光聚焦技术 |
| 2.3 装置设计要求 |
| 2.3.1 可释放细胞涂片制备装置 |
| 2.3.2 有核红细胞识别与释放装置 |
| 2.4 本章小结 |
| 第3章 可释放细胞涂片制备装置实现方案 |
| 3.1 引言 |
| 3.2 装置设计与搭建 |
| 3.2.1 硬件结构 |
| 3.2.2 微结构推片载台 |
| 3.2.3 运动控制系统 |
| 3.3 实验分析 |
| 3.3.1 实验流程 |
| 3.3.2 光响应凝胶基底的制备与表征 |
| 3.3.3 全血单层细胞涂片的制备与评估 |
| 3.4 本章小结 |
| 第4章 有核红细胞识别与释放装置实现方案 |
| 4.1 引言 |
| 4.2 装置设计与搭建 |
| 4.2.1 集成式光路结构 |
| 4.2.2 软件集成 |
| 4.3 实验分析 |
| 4.3.1 实验流程 |
| 4.3.2 基于细胞形态的有核红细胞识别 |
| 4.3.3 近红外激光照射细胞释放 |
| 4.3.4 激光聚焦优化细胞释放 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（2）低成本、全切片成像显微镜及其临床应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 低成本显微镜概述 |
| 1.1.1 光学显微镜概述 |
| 1.1.2 便携低成本显微镜 |
| 1.1.3 全切片成像显微镜 |
| 1.2 体液的细胞学检查 |
| 1.2.1 脑脊液检查 |
| 1.2.2 体液细胞的分类计数方法 |
| 1.2.3 自动化的体液细胞检测设备 |
| 1.3 论文的研究目标及章节安排 |
| 1.3.1 论文的研究目标 |
| 1.3.2 论文的章节安排 |
| 第2章 可用于疾病诊断的、低成本、模块化、自动化、全切片扫描显微镜的研究 |
| 2.1 引言 |
| 2.2 模块化显微镜的搭建 |
| 2.2.1 光学系统的搭建 |
| 2.2.2 位移平台的搭建及其他 |
| 2.3 全切片扫描显微镜的实验流程 |
| 2.3.1 自动聚焦 |
| 2.3.2 自动且高效的图像扫描 |
| 2.3.3 图像拼接过程 |
| 2.3.4 控制程序及拍摄流程 |
| 2.4 模块化显微镜的性能展示 |
| 2.4.1 光学系统的成像质量 |
| 2.4.2 位移平台的性能 |
| 2.4.3 高分辨率、大视场图像的获得 |
| 2.4.4 系统的荧光性能 |
| 2.5 模块化、全切片扫描显微镜的诊断能力 |
| 2.5.1 人体寄生虫和动物寄生虫的拍摄和识别 |
| 2.6 全切片扫描显微镜的应用举例 |
| 2.7 本章小节 |
| 第3章 无样品准备的体液细胞检测系统的搭建 |
| 3.1 引言 |
| 3.2 系统的搭建 |
| 3.2.1 光学系统的搭建 |
| 3.2.2 其它结构的搭建 |
| 3.3 无样品准备的计数池的研究 |
| 3.3.1 计数池的选择 |
| 3.3.2 无样品准备计数池的制作方法 |
| 3.4 自动化的系统的实验流程 |
| 3.4.1 初始位置的调整 |
| 3.4.2 自动聚焦 |
| 3.4.3 自动扫描的过程 |
| 3.4.4 系统的自动化控制 |
| 3.4.5 无样品准备的测试流程 |
| 3.5 系统的性能 |
| 3.5.1 系统的光学分辨率 |
| 3.5.2 成像质量均匀的大视场图像的获得 |
| 3.5.3 荧光图像的获得 |
| 3.6 本章小结 |
| 第4章 无样品准备的体液细胞检测系统的临床验证 |
| 4.1 引言 |
| 4.2 基于图像处理的细胞统计算法 |
| 4.2.1 掩模边界的去除和进样量的计算 |
| 4.2.2 图像背景均匀化 |
| 4.2.3 红绿荧光图像的调整 |
| 4.2.4 红细胞的计数算法 |
| 4.2.5 白细胞的分类及计数 |
| 4.3 血液测试 |
| 4.3.1 血液细胞的测试结果 |
| 4.4 脑脊液细胞检测 |
| 4.4.1 自动化测试方法与脑脊液人工计数方法对比 |
| 4.4.2 解决脑脊液样品中的杂质干扰问题 |
| 4.4.3 脑脊液测试的实验结果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 存在的不足和工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文 |
（3）基于两级目标检测器的白细胞自动分类与识别技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 研究背景 |
| 1.3 研究现状 |
| 1.4 本文主要内容 |
| 第二章 卷积神经网络的发展和应用 |
| 2.1 卷积神经网络的发展 |
| 2.2 卷积神经网络的构成 |
| 2.2.1 卷积层(Convolutional Layer) |
| 2.2.2 池化层(Pooling Layer) |
| 2.2.3 全连接层 |
| 2.3 卷积神经网络技术与应用 |
| 2.4 本章小结 |
| 第三章 白细胞形态研究与预处理 |
| 3.1 白细胞形态特点 |
| 3.2 白细胞数字化采集流程 |
| 3.3 白细胞检测难点 |
| 3.4 图像预处理 |
| 3.4.1 图像降噪 |
| 3.4.2 图像数据增强 |
| 3.5 本章小结 |
| 第四章 基于两级目标检测器的白细胞自动分类与识别技术 |
| 4.1 两级目标检测器 |
| 4.1.1 网络框架 |
| 4.1.2 特征提取器网络 |
| 4.1.3 区域建议网络 |
| 4.1.4 边界框回归网络 |
| 4.1.5 总损失函数 |
| 4.2 实验结果 |
| 4.3 量化评估 |
| 4.4 其他方法对比 |
| 4.4.1 SSD目标检测器 |
| 4.4.2 YOLO-v3目标检测器 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 实验讨论与总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和参与的科研项目 |
| 致谢 |
（4）基于阈值和分水岭算法对白细胞图像分割的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容和创新点 |
| 第2章 相关算法研究 |
| 2.1 阈值分割算法 |
| 2.1.1 阈值直方图法 |
| 2.1.2 最大类间方差算法 |
| 2.1.3 Gram-Schmidt正交化 |
| 2.2 分水岭算法 |
| 2.2.1 基于距离变换的分水岭分割 |
| 2.2.2 基于梯度的分水岭分割 |
| 2.2.3 基于标记的分水岭分割 |
| 2.3 本章小结 |
| 第3章 基于阈值和分水岭的白细胞分割算法 |
| 3.1 引言 |
| 3.2 非黏连白细胞分割 |
| 3.2.1 非黏连白细胞细胞核提取 |
| 3.2.2 非黏连白细胞细胞质提取 |
| 3.3 黏连白细胞分割 |
| 3.4 实验结果与分析 |
| 3.4.1 实验步骤 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 改进分水岭的白细胞分割算法 |
| 4.1 引言 |
| 4.2 黏连白细胞细胞核分割 |
| 4.2.1 白细胞图像的色彩空间变换 |
| 4.2.2 细胞核提取 |
| 4.3 黏连白细胞细胞质分割 |
| 4.4 实验结果与分析 |
| 4.4.1 实验步骤 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士研究生学位期间的研究成果 |
| 致谢 |
（5）基于深度学习的血液细胞图像分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 白细胞图像分割方法研究现状 |
| 1.2.2 白细胞图像分类方法研究现状 |
| 1.3 本文的主要研究内容和结构安排 |
| 第2章 机器学习与深度学习方法理论 |
| 2.1 机器学习 |
| 2.1.1 基本原理 |
| 2.1.2 人工神经网络 |
| 2.2 深度学习 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 反向传播 |
| 2.3.3 全连接层 |
| 2.3.4 池化层 |
| 2.3.5 常用激活函数 |
| 2.4 本章小结 |
| 第3章 基于深度学习的血液细胞分类识别与计数研究 |
| 3.1 引言 |
| 3.2 系统框架 |
| 3.3 基于CNN的血液细胞图像分类识别模型 |
| 3.4 损失函数 |
| 3.5 模型训练 |
| 3.5.1 检测识别模型训练 |
| 3.5.2 血液细胞的检测与计数 |
| 3.6 实验结果与分析 |
| 3.6.1 实验平台 |
| 3.6.2 实验数据 |
| 3.6.3 实验结果分析 |
| 3.6.4 对比分析 |
| 3.7 本章小结 |
| 第4章 基于深度学习的白细胞图像分类研究 |
| 4.1 引言 |
| 4.2 数据扩增与数据集建立 |
| 4.2.1 白细胞图像分割 |
| 4.2.2 GAN扩增数据集 |
| 4.2.3 图像转换操作 |
| 4.3 基于卷积神经网络的白细胞分类模型研究 |
| 4.3.1 迁移学习 |
| 4.3.2 基于Inception-V4 的白细胞图像分类研究 |
| 4.3.3 损失函数 |
| 4.4 模型训练 |
| 4.4.1 打乱输入训练数据集 |
| 4.4.2 Batch Normalization算法 |
| 4.4.3 Dropout策略 |
| 4.5 实验结果和分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验数据 |
| 4.5.3 实验结果分析 |
| 4.5.4 对比分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（6）人体粪便显微图像中红白细胞的自动分割与识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本课题研究内容与章节安排 |
| 1.3.1 本论文研究的主要内容及创新点 |
| 1.3.2 本论文的章节安排 |
| 第二章 粪便显微图像中红白细胞识别的理论研究 |
| 2.1 粪便显微图像中的红白细胞特点 |
| 2.2 显微图像预处理 |
| 2.3 显微图像的常用分割方法 |
| 2.4 显微图像中有形成分常用特征 |
| 2.4.1 几何形态特征 |
| 2.4.2 纹理特征 |
| 2.5 显微图像中细胞自动识别技术 |
| 2.6 本章小结 |
| 第三章 基于改进分水岭算法的粪便显微图像分割 |
| 3.1 粪便显微图像分割方法 |
| 3.1.1 基于OTSU的图像分割 |
| 3.1.2 基于数学形态学的图像分割 |
| 3.1.3 基于显着性检测的图像分割 |
| 3.1.4 基于传统分水岭的图像分割 |
| 3.2 改进分水岭分割方法 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 粪便显微图像中红白细胞的特征提取与识别 |
| 4.1 基于Relief-F算法提取粪便显微图像中红白细胞特征 |
| 4.2 基于BP神经网络的红白细胞自动识别 |
| 4.2.1 BP神经网络原理 |
| 4.2.2 BP神经网络实现 |
| 4.3 基于支持向量机的红白细胞自动识别 |
| 4.3.1 支持向量机分类器原理 |
| 4.3.2 支持向量机分类器构建 |
| 4.3.3 基于网格搜索的支持向量机 |
| 4.4 基于遗传算法改进支持向量机的红白细胞自动识别 |
| 4.4.1 遗传算法 |
| 4.4.2 基于遗传算法改进的支持向量机 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 课题展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（7）基于Jetson Nano的智能显微镜成像与图像识别的研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 模块化智能显微镜关键技术概述 |
| 1.2.1 Jetson Nano介绍 |
| 1.2.2 智能显微镜关键技术概述 |
| 1.3 国内外研究现状 |
| 1.3.1 智能化显微镜研究现状 |
| 1.3.2 显微镜自动聚焦技术国内外研究现状 |
| 1.3.3 目标识别技术国内外研究现状 |
| 1.4 本文主要研究内容和章节安排 |
| 第2章 智能显微镜关键结构设计 |
| 2.1 智能显微镜整体结构设计 |
| 2.2 精密微定位平台驱动器选择 |
| 2.3 微位移放大机构的研究 |
| 2.3.1 柔性铰链概述 |
| 2.3.2 基于柔性铰链的微位移放大机构 |
| 2.4 精密定位平台的整体结构设计 |
| 2.5 定位平台的静力学分析及有限元分析 |
| 2.5.1 静力学分析 |
| 2.5.2 行程分析 |
| 2.5.3 刚度分析 |
| 2.5.4 模态分析 |
| 2.6 本章小结 |
| 第3章 显微系统自动聚焦算法优化 |
| 3.1 显微镜系统成像原理和方法 |
| 3.1.1 光学成像的基本原理 |
| 3.1.2 自动聚焦的基本原理和方法 |
| 3.2 典型的图像清晰度评价函数 |
| 3.3 聚焦评价算法的仿真分析及改进 |
| 3.3.1 图像清晰度评价函数的选取准则 |
| 3.3.2 图像清晰度评价函数的仿真分析 |
| 3.3.3 改进的聚焦评价函数 |
| 3.4 聚焦搜索策略的研究与改进 |
| 3.4.1 典型的聚焦搜索策略 |
| 3.4.2 爬山搜索法的改进及仿真 |
| 3.5 本章小结 |
| 第4章 目标识别系统研究及实验分析 |
| 4.1 深度学习的基本原理及结构 |
| 4.2 基于卷积神经网络的目标识别方法 |
| 4.2.1 one-stage目标识别方法 |
| 4.2.2 two-stage目标识别方法 |
| 4.3 Jetson Nano平台搭建及测试 |
| 4.4 基于VOC数据集的YOLOv4-tiny的训练 |
| 4.4.1 YOLOv4-tiny的研究 |
| 4.4.2 训练YOLOv4-tiny |
| 4.4.3 摄像头调用 |
| 4.5 本文的目标识别模型DYOLOv4-tiny |
| 4.5.1 细胞图像数据集的标注与训练 |
| 4.5.2 DYOLOv4-tiny的设计及实验 |
| 4.6 本章小结 |
| 第5章 总结与期望 |
| 5.1 工作总结及本文创新点 |
| 5.2 期望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果 |
（8）基于深度学习的白细胞分类识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景和研究意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究目标和思路 |
| 1.4 论文结构安排 |
| 2 机器学习与深度学习方法理论 |
| 2.1 机器学习 |
| 2.2 深度学习 |
| 2.3 人工神经网络 |
| 2.4 卷积神经网络 |
| 2.5 本章小结 |
| 3 白细胞图像分割方法研究 |
| 3.1 外周血细胞图像预处理 |
| 3.1.1 图像滤波 |
| 3.1.2 色彩空间转换 |
| 3.2 基于细胞核的白细胞定位与分割 |
| 3.2.1 细胞核定位 |
| 3.2.2 白细胞图像分割方法 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 基于深度学习的白细胞分类识别方法 |
| 4.1 外周血细胞形态及图像分析 |
| 4.2 数据扩增和数据集的建立 |
| 4.3 深度学习框架及开发环境介绍 |
| 4.4 白细胞分类识别方法总体流程 |
| 4.5 白细胞分类模型的网络架构与训练方法 |
| 4.5.1 LCNet网络架构 |
| 4.5.2 打乱输入训练集顺序 |
| 4.5.3 学习率设置 |
| 4.5.4 Batch Normalization算法 |
| 4.5.5 dropout策略 |
| 4.6 实验结果与分析 |
| 4.6.1 实验评价指标 |
| 4.6.2 实验结果分析 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）基于形态学的外周血数字切片远程诊断系统开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 远程医疗发展现状 |
| 1.2.1 国外远程医疗发展现状 |
| 1.2.2 国内远程医疗发展现状 |
| 1.3 细胞形态学分类识别研究现状 |
| 1.4 论文的主要研究内容 |
| 第二章 系统框架搭建和功能模块设计 |
| 2.1 功能模块设计 |
| 2.1.1 系统需求分析 |
| 2.1.2 涉众分析 |
| 2.1.3 系统主要功能设计 |
| 2.2 总体架构设计 |
| 2.2.1 软件架构概述 |
| 2.2.2 C/S架构 |
| 2.2.3 B/S架构 |
| 2.2.4 C/S架构和B/S架构优缺点分析 |
| 2.2.5 远程诊断系统架构设计 |
| 2.3 远程服务器 |
| 2.3.1 FTP服务器与Web服务器 |
| 2.3.2 SQL数据库 |
| 2.4 FTP数据传输模块设计 |
| 2.4.1 FTP文件传输协议介绍 |
| 2.4.2 FTP数据传输模块实现 |
| 2.5 Webservice |
| 2.5.1 Webservice概述 |
| 2.5.2 Webservice应用程序设计 |
| 2.6 诊断流程设计 |
| 2.7 本章小结 |
| 第三章 图像拼接技术 |
| 3.1 数字切片 |
| 3.2 图像拼接概述 |
| 3.2.1 图像拼接流程介绍 |
| 3.2.2 图像配准 |
| 3.2.3 图像融合 |
| 3.3 外周血显微图像拼接 |
| 3.3.1 外周血图像拼接流程 |
| 3.3.2 特征点提取 |
| 3.3.3 特征点匹配 |
| 3.3.4 配准实验 |
| 3.3.5 图像融合 |
| 3.3.6 血细胞显微图像拼接结果 |
| 3.4 本章小结 |
| 第四章 白细胞图像分类识别技术 |
| 4.1 白细胞分类识别概念 |
| 4.2 人工神经网络 |
| 4.3 卷积神经网络 |
| 4.3.1 卷积层 |
| 4.3.2 池化层 |
| 4.3.3 局部连接和权值共享 |
| 4.3.4 全连接神经网络与卷积神经网络权值对比 |
| 4.4 基于卷积神经网络白细胞分类识别 |
| 4.4.1 深度学习的优点 |
| 4.4.2 数据集介绍 |
| 4.4.3 神经网络模型设计 |
| 4.4.4 白细胞分类流程 |
| 4.4.5 实验环境介绍 |
| 4.4.6 实验介绍 |
| 4.4.7 实验结果分析 |
| 4.5 本章小结 |
| 第五章 远程诊断系统软件开发 |
| 5.1 操作员端 |
| 5.2 医师端 |
| 5.3 管理员端 |
| 5.4 系统测试 |
| 5.4.1 测试环境 |
| 5.4.2 功能测试 |
| 5.4.6 测试结论 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.1.1 远程诊断系统存在的问题 |
| 6.2 未来工作展望 |
| 参考文献 |
| 在校期间的研究成果 |
| 致谢 |
（10）基于图像处理的细胞计数系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 存在问题 |
| 1.3 论文研究内容和章节安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文章节安排 |
| 第二章 基于图像处理的细胞计数系统构建 |
| 2.1 功能需求分析 |
| 2.2 细胞计数系统的整体方案设计 |
| 2.3 细胞计数系统的硬件结构设计 |
| 2.3.1 照明系统 |
| 2.3.2 CMOS工业相机和显微镜头 |
| 2.3.3 细胞显微图像的采集 |
| 2.4 细胞计数系统的软件结构设计 |
| 2.5 本章小结 |
| 第三章 细胞计数系统的图像分割方法设计 |
| 3.1 图像预处理 |
| 3.1.1 细胞图像灰度化 |
| 3.1.2 细胞图像滤波 |
| 3.2 细胞图像分割 |
| 3.2.1 图像阈值分割算法 |
| 3.2.2 基于积分图的自适应阈值分割算法 |
| 3.2.3 Sobel边缘检测 |
| 3.2.4 小结 |
| 3.3 形态学处理 |
| 3.3.1 数学形态学运算简介 |
| 3.3.2 形态学处理优化图像 |
| 3.4 粘连细胞的分离 |
| 3.5 本章小结 |
| 第四章 细胞的特征提取与计数 |
| 4.1 细胞的特征提取 |
| 4.1.1 形状特征统计 |
| 4.1.2 特征提取 |
| 4.2 细胞计数 |
| 4.3 细胞计数方法比较 |
| 4.4 本章小结 |
| 第五章 细胞计数系统的软件设计与测试 |
| 5.1 软件设计 |
| 5.1.1 软件设计目标 |
| 5.1.2 软件总体设计 |
| 5.2 软件的使用与测试 |
| 5.2.1 细胞计数系统软件 |
| 5.2.2 图像预处理结果 |
| 5.2.3 细胞图像分割结果 |
| 5.2.4 形态学处理结果 |
| 5.2.5 粘连细胞分离结果 |
| 5.3 细胞计数系统测试 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
四、血液细胞图像自动识别系统的研究（论文参考文献）
- [1]新型细胞推片与释放系统的关键技术研究[D]. 郭钟扬. 中国科学技术大学, 2021(08)
- [2]低成本、全切片成像显微镜及其临床应用[D]. 卢强. 中国科学技术大学, 2021(09)
- [3]基于两级目标检测器的白细胞自动分类与识别技术[D]. 吴上上. 山东师范大学, 2021(12)
- [4]基于阈值和分水岭算法对白细胞图像分割的研究[D]. 徐梅. 哈尔滨理工大学, 2021(09)
- [5]基于深度学习的血液细胞图像分类研究[D]. 姚凯. 重庆邮电大学, 2021
- [6]人体粪便显微图像中红白细胞的自动分割与识别[D]. 孔光辉. 天津理工大学, 2021(08)
- [7]基于Jetson Nano的智能显微镜成像与图像识别的研究[D]. 王灿芳. 天津职业技术师范大学, 2021(06)
- [8]基于深度学习的白细胞分类识别方法研究[D]. 杨雪莹. 西安科技大学, 2020(01)
- [9]基于形态学的外周血数字切片远程诊断系统开发[D]. 熊国顺. 北方工业大学, 2020(02)
- [10]基于图像处理的细胞计数系统研究与实现[D]. 苏凌霄. 福建工程学院, 2020(02)