1、數(shù)字病理作為現(xiàn)代醫(yī)學(xué)領(lǐng)域中的一個(gè)主要發(fā)展方向之一。病理學(xué)檢查是目前臨床診斷“金標(biāo)準(zhǔn)”,在診斷過(guò)程中起著重要的作用。隨著計(jì)算機(jī)信息技術(shù)發(fā)展，通過(guò)對(duì)整張切片圖像的快速掃描獲取全景數(shù)字病理圖像，實(shí)現(xiàn)了病理圖像的數(shù)字化，這使得圖像分析技術(shù)成為數(shù)字病理學(xué)中的研究熱點(diǎn)。
　　利用計(jì)算機(jī)對(duì)數(shù)字病理圖像智能分析可以客觀、高效率、高準(zhǔn)確度地輔助醫(yī)生對(duì)疾病的診斷，這也是醫(yī)學(xué)診斷數(shù)字化分析的趨勢(shì)。病理學(xué)圖像自動(dòng)分析主要包括了圖像感興趣區(qū)域與病理特征的提

2、取，分類學(xué)習(xí)。本論文將圍繞上述三個(gè)問(wèn)題進(jìn)行研究。
　　感興趣區(qū)域的提取的關(guān)鍵是如何實(shí)現(xiàn)精確圖像分割，且結(jié)果直接影響到后續(xù)圖像分析。本論文提出了一種基于改進(jìn)型的分水嶺細(xì)胞核自動(dòng)分割算法，對(duì)蘇木精-伊紅染色的乳腺癌組織病理圖像進(jìn)行計(jì)算，獲取精確的細(xì)胞核分割。算法過(guò)程可以分為三步：（1）顏色反卷積，最大類間法，形態(tài)學(xué)處理的預(yù)處理，（2）多尺度多標(biāo)記控制的分水嶺分割，（3）多尺度結(jié)果的融合。仿真的結(jié)果展示了該算法在檢測(cè)和分割精度方面的良好

3、性能，同時(shí)又能解決過(guò)分割問(wèn)題。
　　特征提取是準(zhǔn)確診斷的核心，其中紋理特征被大量應(yīng)用于細(xì)胞分類檢測(cè)領(lǐng)域，圖像紋理特征是圖像固有的視覺模式，反映了灰度統(tǒng)計(jì)信息，空間分布，結(jié)構(gòu)等。本文引入了一種基于線性配置模型編碼圖像微觀配置的描述子，通過(guò)該描述子獲取的最優(yōu)模型參數(shù)表示的微觀特性與模式特征結(jié)合表述局部配置模式（LCP）特征，其中最優(yōu)模型參數(shù)使用最小二乘法獲取。另外為了擁有紋理特性理想的旋轉(zhuǎn)不變形，通過(guò)傅里葉變換來(lái)估計(jì)參數(shù)向量，最終的變

4、換向量聯(lián)合局部模式，構(gòu)建了LCP特征。
　　為了實(shí)現(xiàn)自動(dòng)病理圖像診斷分析，通過(guò)分類學(xué)習(xí)算法研究，將上述提取的特征進(jìn)行分類和標(biāo)注，本文采用極限學(xué)習(xí)機(jī)（ELM）作為分類器。ELM因優(yōu)越的計(jì)算速度得到廣泛應(yīng)用，該方法是廣義單隱含層的前反饋神經(jīng)網(wǎng)絡(luò)的一種新型的算法，其隱含層參數(shù)隨機(jī)獲取，輸出的權(quán)值通過(guò)分析計(jì)算得到，通過(guò)討論極限學(xué)習(xí)機(jī)的理論，發(fā)現(xiàn)極限學(xué)習(xí)機(jī)的最大問(wèn)題為是否可以在不影響學(xué)習(xí)效率的情況下，進(jìn)一步的減少神經(jīng)元的數(shù)目。本文提出了一種