一、一种免疫细胞图像非监督分割方法（论文文献综述）
潘熙文[1]（2021）在《基于卷积神经网络的肿瘤医学图像分割和检测方法研究》文中研究表明癌症是全球主要的公共健康问题,且有发展成为人类死亡主要原因的趋势。医学图像作为医学领域常用的治疗及检测治疗反应的方法,已经成为临床上对癌症诊疗的主要技术手段。随着医疗技术的进步,医学图像的生成效率提升了,但传统图像处理方法的局限性导致自动化医学图像处理效率和精度都有待提升。卷积神经网络对自然图像处理的优势使得其在医学领域的应用备受关注。使用卷积神经网络处理医学图像可以提升处理效率和处理精度。本文针对肝脏和循环肿瘤细胞医学图像开展研究,以卷积神经网络为基础分别提出了基于联合损失函数的肝脏医学图像分割方案和特征尺度扩展的循环肿瘤细胞检测方案。具体内容如下:1)对基于卷积神经网络的医学图像处理现状进行了综述。首先对医学图像特征及其处理难点进行了分析,然后对传统医学图像处理和基于深度学习的医学图像处理进行了综述。最后分别阐述了基于卷积神经网络的医学图像分割和检测研究现状,并指出了现有医学图像分割和检测研究中的不足之处,明确本论文的研究动机。2)针对现有卷积神经网络在肝脏医学图像分割任务中对肝脏轮廓分割不精准,对小目标区域分割效果差的问题,本文提出了一种基于联合损失函数的肝脏医学图像分割方案。首先,为了提升网络对物体边缘及小区域的分割性能,将基于距离的损失函数和基于区域的损失函数相结合,提出了基于联合损失函数的肝脏医学图像分割网络。接着,为了使联合损失函数发挥最佳效果,对联合损失函数中的权重进行了讨论,并根据两种损失函数的特点提出了一种两阶段的训练策略。最后通过实验验证了本文提出的方法。提出的联合损失函数在两个公开数据集上对肝脏分割准确率提升了 1.2%和1.9%,对肿瘤的分割准确率提升了 6.5%和5.9%。提出的训练策略分别提升肝脏分割准确率1.4%和1.1%,提升肿瘤分割准确率2.2%和4.9%。在与相关研究比较中,本文的结果最优。3)针对循环肿瘤细胞检测快速准确的要求,本文提出了一种特征尺度扩展的循环肿瘤细胞检测方案。首先,为了丰富细胞核图像特征,提出了融合信号点分布特征的细胞核分割方法。然后,为了提升信号点检测的速度以及准确率,提出了YOLO-V3-MobileNetL信号点检测方法。最后基于提出的细胞核分割和信号点检测方法,设计了自动化的循环肿瘤细胞检测流程。本文通过实验验证了本文提出的方案较原有方案更优,整体的检测准确率提升3.15%,检测速度提升了 20%。
何晓云[2]（2021）在《基于深度学习的眼底血管图像分割算法研究》文中认为近几年,视网膜图像的血管分割一直是医学领域的研究热点,精确的分割视网膜血管是很多疾病诊断的重要前提,常常被作为诊断视网膜血管病变、糖尿病、高血压、青光眼的重要手段。传统的眼底血管分割是由医生手动完成的,但存在耗时长、过度依赖医生专业性的问题,随着图像处理的快速发展,视网膜自动分割取得了一些进展。然而,眼底血管图像存在数据集少、血管大小尺寸不一和病变背景干扰的问题,加大了图像分割的难度,也导致了视网膜图像的血管分割一直充满挑战。综上所述,视网膜血管的精确分割还有很大的提升空间。本文选择公开的CHASE数据集和DRIVE数据集进行实验。阅读了大量文献,选择U-Net网络作为基线模型,在此基础上进行改进,本文方法与其他现有方法相比,取得了很好的分割效果。本文主要的贡献有三点:1、提出了基于高低维特征融合注意力机制的U-Net网络分割算法。针对视网膜图像分割精度低的问题,本文在U-Net网络的基础上,在解码器的卷积操作中嵌入高低维特征融合注意力机制,其中,高维度和低维度的特征分别包含丰富的类别信息和位置信息,对需要关注的目标特征进行加权,减缓无用信息的干扰,提高分割模型的准确率。2、提出了基于串联金字塔池化模块和级联空洞卷积模块的U-Net网络分割算法。本文将U-Net网络的底部卷积核替换为串联金字塔池化模块和级联空洞卷积模块,金字塔池化模块和级联空洞卷积模块都具有在不增加网络参数的基础下,扩大特征图的感受野、提取丰富的图像特征的优点,串联的连接方式能得到更好的分割效果。3、本文将注意力机制模型、串联金字塔池化和级联空洞卷积模块融合起来进行实验,最终,基于CHASE数据集和DRIVE数据集的实验研究表明,所提融合模型与单一模型以及其它现有方法相比,准确率分别能达到98.11%和97.25%,灵敏度分别能达到81.73%和80.98%,充分验证了该模型能有效提高血管分割精度、辅助确诊血管病变,对医学临床具有十分重要的实践价值。
王想[3]（2021）在《一、HSP90β在肺癌中的表达及机制研究 二、单细胞组学解析结直肠癌肝转移的免疫微环境变化》文中提出该博士论文由相对独立的两部分研究组成。第一部分HSP90β在肺癌中的表达及机制研究第一章肺腺癌蛋白质组学整合分析鉴定出HSP90β作为潜在预后标志物背景:肺腺癌是肺癌中最常见的组织学亚型,尽管研究已经取得了进展,但仍有大量的肺腺癌患者没有可用的靶向治疗选择。由于蛋白质是细胞的功能执行者,肺腺癌的蛋白质组和信号转导的深入表征将为全面了解该疾病的分子机制和开发新的治疗方法奠定基础。目的:通过大样本的临床数据,整合蛋白质组学及磷酸化蛋白质组学,结合临床信息,鉴定出与预后显着相关的差异蛋白,寻找肺腺癌的预后标志物。方法:本部分研究共纳入了 103例肺腺癌患者原发的肿瘤组织和配对的邻近正常肺组织,通过质谱和磷酸化质谱,鉴定出肿瘤组织相比于癌旁正常肺组织的差异蛋白和磷酸化蛋白,并通过Western Blot和酶联免疫吸附测定法在独立的样本中进行了验证。结果:我们得到103例肺腺癌患者的临床蛋白质图谱,并比较了肺腺癌患者肿瘤组织和配对的癌旁正常肺组织的蛋白质组学特征,得到一些与临床预后显着相关的差异蛋白和肺部标签蛋白,通过磷酸化蛋白质组学也得到了 一些癌症相关磷酸化蛋白,并鉴定出HSP90β在内的一些预后标志物,最后在实验中验证了 HSP90β在肺腺癌组织和患者血浆中的高表达,且与预后不良相关。结论:肺腺癌患者肿瘤组织和配对的癌旁肺组织表现出不同的蛋白质组和磷酸化蛋白质组学特征,筛选出的差异表达分子HSP90β有望成为肺腺癌的预后标志物。第二章发育相关蛋白HSP90β通过细胞周期和凋亡影响非小细胞肺癌预后背景:肿瘤的发生在许多方面都被认为与早期胚胎发育过程相似。使用正常的发育样本作为研究模型有助于我们了解肿瘤的发病机制并确定潜在的生物标志物。恒河猴可用于探索胚胎发育与肿瘤发生的模式动物,利用恒河猴肺组织的时间序列数据可以帮助筛选出非小细胞肺癌的的生物标志物。关于HSP90β在非小细胞肺癌中的作用和预后相关研究较少,也尚无肺癌中HSP90β的细胞作用机制方面的研究。目的:通过恒河猴肺组织的时间序列转录组数据,确定HSP90β在肺发育早期的表达情况,并通过肺癌细胞系探索HSP90β的作用机制。方法:本研究我们通过实验室前期恒河猴肺组织的转录组数据和人肺发育的芯片数据,筛选出肺发育早期的调控分子,然后结合非小细胞肺癌患者血浆标本进行了验证,最后在肺癌细胞系中,通过细胞表型实验和功能研究阐明了具体作用机制。结果:我们在恒河猴肺发育的数据鉴定出HSP90β参与了早期肺发育的细胞周期调控,并且在人肺发育的数据中和非小细胞肺癌血浆标本中也证实了 HSP90β的显着高表达。在肺癌细胞系中我们发现敲降HSP90β通过磷酸化关键蛋白影响肺癌细胞的周期和凋亡。结论:HSP90β在人非小细胞肺癌肿瘤组织和患者血浆中均显着高表达,通过磷酸化关键蛋白使肺癌细胞周期阻滞,增加细胞凋亡。第三章HSP90β联合CEA,CA125和CYFRA21-1建立一个肺癌预后评估模型背景:肿瘤早期缺乏症状且缺乏有效检测的生物标志物,大多数肺癌患者在诊断时已进入晚期阶段。为了改善肺癌患者的生存情况,迫切需要找到有用的生物标记物用于早期检测,预后预测和复发监测。递归分割分析可以作为一种分层工具应用于临床研究中,用来预测患者预后。CEA,CA125和CYFRA21-1均是临床常用的辅助诊断的标志物。目的:通过联合HSP90β的血浆蛋白数据和CEA,CA125及CYFRA21-1的血清数据,建立肺癌预后风险预测模型,预测肺癌患者的预后风险,并评估此预测模型是否可以作为肺癌患者独立的预后因素。方法:本研究首先整合了 1162例肺癌的血浆样本,统计了 HSP90β的表达水平,然后在组织水平通过免疫组化检测了 HSP90β在肺癌组织和癌旁组织的表达,最后通过联合HSP90β的血浆表达数据和CEA,CA125及CYFRA21-1的血清数据,运用递归决策树算法建立了风险预测决策树模型,并预测了 671例肺癌患者的预后风险。结果:我们发现肺癌患者血浆和肿瘤组织中HSP90β蛋白显着高表达,通过构建递归分割决策树预测模型可以预测肺癌患者的预后风险,且该预测模型还可以作为肺癌患者独立的预后因素。结论:HSP90β联合CEA,CA125及CYFRA21-1构建的递归分割决策树预测模型可以预测肺癌患者的预后风险,且可以作为肺癌患者独立的预后因素。第二部分单细胞组学解析结直肠癌肝转移的免疫微环境变化背景:结直肠癌是全世界最常见的恶性肿瘤之一,发病逐年上升。结直肠癌肝转移是结直肠癌患者最常见的死亡原因。阐明结直肠癌肝转移机制是当前研究的重要方向,对于指导临床治疗具有重大意义。单细胞测序技术是一种非常有用的工具,可以用来分析肿瘤内部和周围的多种细胞类型的特性。免疫组库可以多方面评估免疫系统的多样性,进而评估机体的抗肿瘤免疫反应。目前单细胞测序和免疫组库在肿瘤中的研究日益成熟。目的:通过结直肠癌肝转移的单细胞转录组和免疫组库测序,研究结直肠癌肝转移患者治疗过程中免疫动态变化的特征图谱,寻找影响其疗效预后的关键事件。方法:本部分研究纳入了 5例结直肠癌肝转移患者手术前,手术后七天和化疗后第一次疗效评价时的外周血,同时收集患者手术时切除的原发灶肿瘤和癌旁组织以及转移灶肿瘤和癌旁组织。患者外周血分离得到单个核细胞和多形核细胞,患者组织制备单细胞悬液,然后分选得到CD45阳性的细胞。将外周血分离的细胞和组织分选后的细胞进行单细胞转录组和TCR/BCR免疫组库测序,然后对数据进行整合分析。结果:我们得到5例结直肠癌肝转移患者随治疗变化的免疫图谱,并且发现同一患者的外周血不同时间点以及原发灶和转移灶组织之间均存在共享T细胞克隆,而不同患者之间很少共享T细胞克隆。患者在手术后外周血的T细胞免疫组库多样性显着升高,而在化疗后多样性又降低到手术前水平。外周血CD4和CD8效应T细胞亚群在手术后和化疗后比例显着增高,且效应分子表达升高,表现出活跃的细胞免疫反应。肿瘤组织中CD4效应T细胞比例高于癌旁组织,而CD8记忆T细胞在癌旁组织中的比例高于肿瘤组织。结直肠癌原发灶肿瘤组织中含有大量效应性浆细胞,而癌旁组织和转移灶组织中以B细胞和记忆B细胞为主。此外,患者化疗后外周血出现一类高表达FCGRT的中性粒细胞亚群。结论:结直肠癌肝转移患者手术后T细胞免疫组库多样性显着升高,且效应T细胞比例和效应分子均升高,显示出活跃的细胞免疫反应。结直肠癌肝转移的原发灶和转移灶以及肿瘤和癌旁组织具有不同的免疫特征,同一细胞的亚群分布也不相同。
汪涛[4]（2020）在《宫颈细胞图像分割方法研究》文中认为宫颈细胞图像的准确分割是宫颈癌计算机辅助诊断系统的关键步骤之一。经过了多年的发展,宫颈细胞图像分割技术取得了显着的进展,宫颈癌辅助诊断系统的性能得到了较大的提升。但是由于实际宫颈细胞图像的特点和细胞形态结构的复杂性,现有宫颈细胞图像分割技术的准确性仍有待提高。本文以宫颈癌辅助诊断为应用背景,深入研究了宫颈细胞图像的细胞团、细胞核和细胞质的识别与分割方法,重点解决宫颈细胞图像的目标分割问题。论文的主要研究成果如下。在宫颈细胞图像的细胞团分割方面,提出了一种基于多尺度图割算法的细胞团分割方法。采用多尺度图割算法和置信区域方法得到全局种子节点,并在置信区域内为全局图割算法生成像素值概率分布图。根据全局种子节点、像素值概率分布图以及全局图割算法完成宫颈细胞图像中细胞团区域分割。相比于阈值算法和分水岭算法,本文的基于多尺度图割的细胞团分割算法能够准确地将复杂背景中的细胞团区域分割出来。在细胞核分割方面,提出了一种基于多尺度模糊聚类的宫颈细胞核分割算法以及基于面积先验的感兴趣节点度量方法。通过多尺度模糊聚类方法对细胞团区域进行划分,并根据细胞团划分区域间的包含关系为该细胞团构造分层树结构。利用感兴趣节点度量方法从分层树结构中选择候选细胞核。多尺度模糊聚类方法和基于面积先验的感兴趣节点度量方法不仅解决了聚类算法的聚类类别数量选择问题,而且提高了算法的细胞核识别性能。对于宫颈细胞团中细胞重叠和边界模糊的问题,提出了一种基于细胞核径向边界增强的重叠宫颈细胞分割算法。通过提出的径向区域滤波方法不仅可以抑制宫颈细胞图像的噪声,而且保留了宫颈图像中的重叠细胞边界的对比度。利用基于候选轮廓点和轮廓线段属性生成的权重图,并采用动态规划算法找到权重图中最短路径。最短路径对应细胞图像中的粗分割轮廓。采用水平集模型对得到的细胞粗分割边界进行精细化分割,从而得到最终的宫颈细胞边界。为了更好地利用宫颈细胞样本中堆叠聚焦平面的深度信息,提出了一种基于深度信息的细胞核和细胞质的分割算法。通过含有深度信息样本中的细胞核聚类后所产生的环状特征,通过构造树域结构来寻找宫颈细胞图像中的候选细胞核区域。为了得到更准确的细胞核区域,采用自适应半径的形态学膨胀水平集方法精细化分割候选细胞核。通过在重叠宫颈细胞分割中轮廓点和轮廓点线段属性中加入宫颈细胞样本的深度信息,获得了更接近真实宫颈细胞边界的细胞粗分割边界。
陆紫箫[5]（2020）在《基于深度学习的乳腺癌病理图像量化与影像基因组学分析》文中研究说明癌症的起源与发展实际上是肿瘤与肿瘤微环境之间不断动态串扰,相互作用的一个演变过程。肿瘤微环境主要由上皮组织、基质组织等组成,而这些组织间同时又分布着各式各样的细胞,比如肿瘤细胞、基质细胞以及不同的免疫细胞。全景病理切片图像上可以提供丰富的肿瘤微环境信息,临床上许多观察已经表明病理图像上不同组织与细胞的空间特征对多种癌症的诊断和预后有重要价值。影像基因组学作为近年来的研究热点之一,将基于图像的组织与细胞特征与生物信息学和生态统计相结合,探索癌症是如何在健康组织中进化与传播的,从而引导临床上治疗癌症的新策略。目前临床上对于病理图像的评估与分析主要由病理医生手动完成,比较耗时、枯燥,而且可能带来人工误差。同时,由于图像自动分析系统的匮乏,对于更进一步分析肿瘤微环境在具体不同癌症亚型中的异质性,以及这些差异背后的分子调控机理的研究依然存在较大局限性,有待进一步探索。本文将机器学习中的图像分析技术与生物统计分析相结合,对不同乳腺癌亚型中的肿瘤微环境进行量化,并探索这些量化特征与基因数据和预后之间的关系。以下分三个方面介绍本文内容:（1）基于深度CNN模型的乳腺癌全景病理组织分割与量化。上皮组织和基质组织是乳腺癌病理切片上最基本也是最常见的两类组织。我们提出了一套基于深度卷积神经网络（Deep Convolutional Neural Network,DCNN）的全景病理切片图像（Whole-slide image,WSI）处理系统,来实现对病理图像上上皮组织（Epithelial tissue）与基质组织（Stromaltissue）的分割与量化。本系统模拟临床上病理专家对病理图像的分析流程,包含三个步骤:（1）感兴趣区域（Regionof Interest,ROI）识别;（2）对ROI内不同病理组织区域进行分割;（3）病理组织的整体量化与评估。我们先在带标注的瓦片图像集上对DCNN模型进行训练,然后将训练好的模型应用到1,000张全景病理图像上进行组织分割。最后,根据分割结果分别计算每张全景图像上上皮组织与基质组织占总的组织面积的比例。（2）基于级联训练U-net模型的乳腺癌全自动免疫评估。免疫治疗是近10年来肿瘤诊疗中新兴且前景远大的靶标,肿瘤浸润性淋巴细胞（Tumor-infiltrating lymphocytes,TIL）是H&E染色的病理切片上可以观察到的一类免疫细胞,也是当前免疫相关的研究热点之一。我们设计了一个基于级联训练的U-net模型来实现对病理图像上TIL的全自动检测。根据检测结果,我们进一步提取了 43条TIL的空间量化特征,这些特征主要衡量全景病理图像上免疫热点的分布情况,包括热点数量、组间散度和组内散度等。（3）不同乳腺癌亚型中病理图像特征与多组学数据整合分析。我们先将所有的乳腺癌病人分成三类亚型,分别为ER-positive,ER-negtiave和Triple negative,然后分别对每类亚型展开影像基因组学分析。（1）通过统计关联分析与基因富集分析（Enrichment Analysis）探索了基因表达与上皮和基质组织之间的关系。实验结果表明,对同一种病理组织而言,其在三类乳腺癌亚型上都会受到相似生物进程（Biological Processes）的影响;同时每一类乳腺癌亚型又都有其特质的生物进程在调节不同组织的发展。（2）通过生物统计学技术以及Cox回归预测模型,系统分析了 TIL图像特征与基因表达、体细胞变异和病人预后之间的关联。我们发现,ER-positive和ER-negative的乳腺癌免疫表型受到相似生物进程的调控,但Triple negative的免疫表型却有其非常独特的分子调控机理。另外,我们还发现TIL在图像上呈现出的聚类散度特征（Clustering Dispersion Pattern）既与免疫相关的基因表达相关,又与病人预后相关,这说明临床上在进行免疫评估时应对病人病理切片上TIL的聚集模式给予更多关注。本文中的发现将有望为临床上免疫评估与治疗提供新的启发。
杨雪莹[6]（2020）在《基于深度学习的白细胞分类识别方法研究》文中认为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。
高侃[7]（2020）在《基于GF-2号高分辨率影像的城市绿地提取方法研究》文中指出随着中国经济的发展和人们的生活质量的快速提升,打造绿色、低碳的旅游城市是现阶段中国可持续绿色经济发展道路中不可阻挡的发展趋势。绿地的区域面积大小作为城市绿化程度的重要衡量指标之一,如何高效、准确地测量城市绿地面积用于监测城市绿化程度一直是遥感图像解译研究领域的学者们需要仔细研究的问题。现阶段,针对高分辨遥感影像分类的算法层出不穷,主要分为传统的方法和深度学习的方法。在传统的方法中其精准性受人的主观影响比较大、工作量大,而且在实际情况下,遥感影像受山体阴影、色差和气溶胶等因素影响下容易导致地物提取准确率降低。在深度学习的方法中则受到训练样本少、地物尺寸较小和细节信息不够等因素导致的模型泛化能力差,分割准确率低。针对上述问题,本文将结合传统的方法和深度学习的方法重点探究城市中提取绿地的方法。主要研究内容包括:（1）在传统的方法上,针对在遥感图像中对绿地进行提取时,因为光照和山体阴影等因素造成的绿地错分成水体从而导致分类准确率低的问题,本文提出一种结合归一化水体指数法和最大似然法的策略提取绿地。（2）在深度学习方法上,针对U-Net网络在多分割场景下,小目标分割性能差,分割边缘易重叠的问题,提出一种改进的U-Net算法。该算法通过引入不同尺度的卷积代替原网络单一尺寸卷积,同时加入BN层用于解决网络模型训练时容易过拟合的问题。再提出一种将跳跃连接和上池化操作结合的方式用于捕获细节信息,进一步提高模型的识别精准率。同时设计了MGAN网络模型扩充训练集。（3）考虑到进一步提高模型整体的分类精度,本文提出采用集成学习策略用于优化分割结果、降低错分问题。从多模型融合角度出发,将传统方法作用于提取多光谱特征和深度学习方法作用于提取数字图像三通道光谱特征相融合从而将模型的总体分类精准率提升到了92%。实验表明,本文提出结合归一化水体指数法和最大似然法的策略在提取绿地的精度上达85%,相比原方法有了很大提升。改进的U-Net方法分割准确率达91%,而通过集成学习的方式优化结果分割准确率达92%。
樊磊[8]（2020）在《对异质性肿瘤样本的基因表达数据反卷积计算方法的综合评价》文中指出根据世界卫生组织（WHO）2018年的报告,癌症是全球第二大死亡原因,在世界范围内至少导致960万人的死亡。近年来,癌症的发病率和死亡人数都在不断增加。与此同时,在机器学习和人工智能领域,随着深度学习等新技术的不断发展,人工智能算法已逐渐在生物信息学领域崭露头角。人们已经迫不及待利用计算机技术来研究生命的现象和规律。癌症是由一系列复杂的基因突变所引发的疾病,因而在基因层面研究癌症对我们了解肿瘤的发生和发展机制,以及对癌症进行早期筛查、诊断和治疗都具有重大的意义。本课题利用三种反卷积计算方法:NNLS、CIBERSORT和XGBoost,对Dream Challenges社区放出的最新RNA-seq人类基因表达数据集DS389、DS488进行反卷积计算,得到不同细胞类型的构成比例。通过对比计算结果和真实数据的相关性发现,CIBERSORT方法的计算结果准确度最高、XGBoost方法次之、NNLS方法最低。值得一提的是,这是XGBoost方法第一次用于基因表达数据的反卷积计算。基于深度学习技术,我们开发了一款神经网络评价模型,可以为数据推荐反卷积计算方法。实验结果表明,这款基于深度学习的评价模型可以显着提高数据反卷积计算的准确度。最后,我们将实验过程中实现的反卷积计算方法和评价模型封装成一个R包cellsorter,放在Github平台上,以便其他研究者使用并继续研发。
韦玥[9]（2020）在《尿液细胞图像分割与识别算法研究与实现》文中提出尿液有形成分细胞分析对作为医学三大常规检查项目之一的尿液检测具有重要的参考价值,其分析方法主要有相差显微镜人工镜检以及各种类型的分析仪自动分析,但分别存在效率低和误差较大的问题,难以处理尿液检测中出现的海量有形成分细胞图像。目前,随着深度卷积神经网络的快速发展,越来越多的人将这些技术应用到尿液有形成分细胞分析中,为提高其分析结果的准确率提供了新的方法。尿液有形成分细胞分析识别的主要内容包括尿液图像中的红细胞、白细胞、结晶、管型等12类病理成分。该过程分为两个重要步骤,分割和识别,首先对尿液图像中的各类细胞分割提取,然后对提取出来的结果进行识别分类。由于分割算法和识别算法在尿液图像的具体应用方面研究较少,本文将针对尿液图像和细胞形态特点,围绕这两个方面工作进行研究。具体如下:（1）在尿液图像分割方面,针对尿液细胞形态复杂多变、灰度值相差大且细胞与背景之间梯度不一致的特点,设计了一种基于边缘检测自适应种子区域生长的尿液图像分割算法。该算法给出了进行种子区域生长时种子的选取方案和生长判决条件及生长过程,通过边缘检测的方法将种子选取在尿液图像的背景上并进行自适应阈值选取,能够对尿液图像中的有形成分细胞进行有效的分割。实验结果表明,与其他的分割算法相比,该算法具有更好的的分割效果和更高的鲁棒性。（2）在尿液有形成分图像识别方面,针对细胞个体相似性较高的特点,结合Goog Le Net网络的特征提取能力和SENet的特征通道学习能力,提出了一种压缩激励机制驱动的尿液细胞图像分类算法SE-Goog Le Net。该算法通过压缩操作和激励操作来学习细胞特征通道之间的依赖关系,并采用特征重标定提升重要特征在当前任务中的权重,能够获取更好的分类效果。针对各类细胞数量分布不平衡的问题,采用改进的类别重组法进行数据预处理,并提出了一种更适用于尿液细胞图像识别的损失函数Gauss Loss,该损失函数可以让模型将更多的注意力聚焦在中高等难度样本上,减少误标样本带来的影响,同时也保证易分类样本的权重不至于太低,也可以参与到损失函数的梯度优化中。通过对比实验表明,该算法在保证运行速度的情况下可以有效提升识别分类的准确率。结合所提出的尿液图像分割算法和有形成分细胞识别算法,设计并开发了尿液有形成分细胞分析软件,通过对软件功能的设计、实现和测试,可以分别完成对尿液图像的分割任务和对分割出的有形成分细胞图像的识别任务并进行结果展示,具有一定的灵活性和很好的应用价值。
郭丽萍[10]（2020）在《中性粒细胞胞外诱捕获网和免疫组多样性与肿瘤患者预后相关性研究》文中指出·第一部分中性粒细胞胞外诱捕网在肿瘤进展中的意义及其预后价值·第一章分泌粒细胞-集落刺激因子及浸润性中性粒细胞增多的乳腺癌亚型背景:肿瘤细胞之所以能够发展成瘤,不仅是实质细胞遗传物质改变,获得恶性表型的结果,促癌性的免疫微环境也在此发挥了重要作用。肿瘤细胞与免疫细胞的交互作用也是影响肿瘤进展的重要因素。但传统上,用于分类乳腺癌预后或疗效的基因标志物,主要与细胞增殖相关。忽视了其他肿瘤相关生物学过程,以及肿瘤免疫微环境在肿瘤发生发展中的意义。目的:拟从肿瘤相关生物学过程及各免疫细胞亚型的基因集出发,探索建立一种与预后相关的乳腺癌分子分型。并探索中性粒细胞胞外诱捕网在新亚型中的意义。材料及方法:本研究纳入TCGA数据库中985例乳腺癌浸润性导管/小叶癌的肿瘤组织转录组数据,结合基因集变异分析方法,以Hallmark基因集评估肿瘤相关生物学过程,以免疫细胞亚型相关基因集评估乳腺癌的免疫微环境模式,探索新的乳腺癌分子分型。利用“细胞迁移及中性粒细胞胞外诱捕网检测系统”验证中性粒细胞胞外诱捕网（neutrophil extracellular traps,NETs）在乳腺癌进展中的意义。结果:本研究利用上述方法,将TCGA数据库中的乳腺癌样本分为三组,命名为Hallmark-tsne分子分型。刻画Hallmark-tsne分型中的C3亚型发现,其是一类运动迁移能力增强、具有肿瘤干细胞样表型、高表达Luminal表型相关基因,并且以中性粒细胞高度浸润为特征的乳腺癌。另外,C3亚型乳腺癌G-CSF高表达与中性粒细胞大量浸润的现象相伴生。分泌G-CSF的乳腺癌细胞可以诱导中性粒细胞形成中性粒细胞胞外诱捕网,从而增强癌细胞的迁移能力。结论:刻画乳腺癌相关生物学过程及免疫微环境,不仅对其分子分型具有重要意义,并且对指导患者的“个体化”治疗也具有一定价值。由NETs形成所介导的促癌性免疫微环境可加速肿瘤进展。·第二章中性粒细胞胞外诱捕网协同凝血系统保护肾癌患者外周血循环肿瘤细胞的存活背景:多数肿瘤患者因癌症转移或复发而非局限性肿瘤去世。然而截至目前,对于循环肿瘤细胞（circulating tumor cells,CTCs）如何在外周血中获得生存,这一转移的关键环节知之甚少。肿瘤患者的C反应蛋白（C-reactive protein,CRP）升高或血小板增多往往预示患者预后不良、复发风险较高。中性粒细胞不仅是维持炎症反应的重要参与者,其一种特殊的激活态-NETs也是介导凝血级联反应的重要组分。虽然肾细胞癌（renal cell carcinoma,RCC）是发病率较低的一类小癌种,但已发生远处转移的肾癌患者,其5年生存率仅有8%-12%,并且晚期肾癌患者体内炎症反应明显,易伴发形成深静脉瘤栓。目的:探索外周血中性粒细胞的特殊激活形式NETs所介导的炎症及高凝环境是否有利于CTCs的存活。材料及方法:本章共纳入106例初治肾占位患者（9例肾脏良性占位及97例肾细胞癌）,利用oHSV1-hTERT-GFP病毒法计数患者外周血有活性的CTCs数量,并收集整理了 106例患者的基本临床信息、术前外周血常规及生化检查结果;对其中21位患者行外周血白细胞转录组测序,利用GSEA等基因集富集评分相关算法计算NETs等免疫表型评分;进而比较检出CTCs的数量与患者免疫表型评分之间的关系。最终,以TCGA数据库中透明性肾细胞癌（clear cell renal cell carcinoma,ccRCC）肿瘤组织转录组数据评估NETs与患者预后的关系。结果:初治时CRP或FIB升高的患者,其外周血所检出的CTCs数量明显升高,且CTCs数量、CRP及FIB两两间均呈现正相关关系。结合外周血白细胞表达谱数据发现,CTCs数量较多的肾癌患者,其白细胞表现为类似于低密度中性粒细胞（low density neutrophils,LDNs）的自发激活态或被G-CSF刺激下的应激状态,也即NETs生成态。并且,基于表达谱的NETs评分与血浆FIB浓度间也呈现正相关关系;且外周血CRP升高的患者,其NETs及凝血评分较高。在形态学上观察到,NETs所释放的DNA网状骨架上镶嵌有NETs源性组织因子（tissue factor,TF）;且体外模拟实验已证实NETs可包裹单个的肾癌细胞。另外,分析ccRCC患者肿瘤组织的表达谱数据可知,NETs评分及TF表达值是影响患者预后的独立危险因素。结论:炎症状态下,NETs释放的DNA网状骨架,及NETs源性TF激活凝血系统所生成的纤维蛋白网,共同构成了 CTCs得以生存的保护网。·第三章基于中性粒细胞胞外诱捕网的泛癌预后评分系统背景:肿瘤作为一类“无法愈合的创口”可引发全身系统性病理改变。尽管浸润性中性粒细胞曾致力于修复创口,但以倒戈相向为终,而且其特殊存在形式NETs成为了维持机体慢性炎症、高凝易栓状态的重要力量。NETs的存在为肿瘤进展创造了舒适的微环境,其参与了肿瘤转移、瘤床内血管生成、肿瘤相关性血栓形成及终末期多器官衰竭等可致肿瘤患者去世的多种主要病理过程。尽管来源于不同克隆的肿瘤实质细胞间存在异质性,寻找肿瘤细胞间共有的遗传变异比较困难,但瘤床中也许存在某种物质是促进肿瘤恶性进展的共有因素。目的:从促癌性免疫微环境角度,探索NETS是否是影响泛癌（pan-cancer）预后的共有因素,并以此为基础训练简洁实用的泛癌预后预测模型。材料及方法:本研究纳入了 TCGA数据库中32种实体瘤,共8739例泛癌原发灶表达谱数据,随机抽取70%患者（6117例）作为训练集,其余30%（2622例）作为泛癌测试集。在泛癌训练集中,采用Lasso回归筛选了 19个NETs相关特征基因,用于构建Cox 比例风险回归模型;另外根据特征基因在生存树中预测预后的贡献度,选取了前12个特征基因用于构建生存随机森林模型。根据上述模型,计算训练集和测试集内各患者的NETs（Cox）评分和NETs（RF）评分。根据数据中位值将患者分为高危组和低危组,绘制Kaplan-Meier生存曲线;利用时间依赖ROC曲线、DCA曲线及一致性指数检验模型效能。结果:在泛癌训练集中,NETs（Cox）评分及NETs（RF）评分较高的高危组患者的疾病相关生存期（disease specific survival,DSS）、总生存期（overall survival,OS）及无进展间隔（progression free survival,PFI）较低危组明显缩短;同样,在泛癌测试集、胶质瘤测试集、乳腺癌和肺腺癌测试集中,NETs（Cox）及NETs（RF）评分较高的高危组患者,OS明显缩短。对于泛癌训练集中的30种实体瘤（除外DLBC和KICH）,单因素Cox风险回归显示,NETs（RF）评分是导致患者生存期显着缩短的危险因素。时间依赖ROC曲线和DCA曲线均说明认为NETs（RF）评分评估预后更为准确;但在不同时间点上,NETs（Cox）评分的预测效能更稳定。此外,分析TCGA数据库8739例泛癌原发灶的 NETs（z-score）、Angiogenesis（z-score）及 Cellcycle（z-score）值发现,三者间互为正相关关系,在数据上证明了 NETS的形成,可介导瘤床血管生成、促进肿瘤细胞增殖。此为NETs相关基因可预测泛癌预后提供了理论支持。结论:本章建立的NETs评分模型可预测泛癌患者预后。·第二部分不同肿瘤负荷下的外周血T细胞受体库动态特征谱及其预后预测价值背景:肿瘤细胞是一类具有免疫原性的异常转化的细胞。肾细胞癌是一类免疫原性较强的癌种,其在免疫系统监视作用下可自发地、或是经细胞因子诱导后而消退。肿瘤与机体免疫系统是相互竞争共同进化的:一方面肿瘤的免疫原效应可诱导动员免疫系统生成肿瘤相关T细胞;但另一方面,伴随肿瘤抗原的持续性刺激,T细胞受体（T cell receptor,TCR）识别抗原的敏感性降低,加之肿瘤自身进化产生的防御系统,可使T细胞失去杀伤能力。T细胞在肿瘤免疫编辑的不同阶段执行不同的功能,TCR多样性是映射T细胞功能状态的一项重要指标。目的:探索不同的肿瘤负荷及肿瘤负荷改变后对机体TCR免疫组的影响,评估TCR多样性的预后价值;评估减瘤性肾切除术对晚期患者免疫系统的影响及其治疗价值。材料及方法:本研究共纳入50例肾占位患者。其中38例初治透明性肾细胞癌（clear cell renal cell carcinoma,ccRCC）患者及2例初治肾良性占位患者,记为”手术相关病例队列”,对其术前及术后1周的外周血行T细胞受体库测序（T cell receptor repertoire sequencing,TCR-seq）,并对其中28例患者术前术后外周血行转录组测序。分析手术前后TCRβ链（TCRB）多样性及基于表达谱的免疫细胞亚型的变化谱。另外,其中13例同期转移性肾癌及5例异时性转移肾癌患者共同组成了“转移性肾癌病例队列”,行TCR-seq,通过计算TCRB多样性来评估患者预后。为验证结果,对1例初治Ⅰ期ccRCC患者、1例初治的Ⅲ期伴下腔静脉瘤栓的ccRCC患者外周血行流式检测,比较手术前后耗竭性T细胞变化状态;对1例初治Ⅳ期同期转移性ccRCC患者的手术前后外周血行单细胞转录组及免疫组测序。结果:整合TCR-seq及转录组结果发现,TCRB多样性较低的患者体内炎症反应剧烈,并且处于相对高凝的状态;而TCRB多样性较高的患者的免疫状态维持于相对稳态,储备了大量的幼稚T细胞。在治疗基线时,肿瘤负荷较低的Ⅰ期患者TCRB多样性明显高于肿瘤负荷较高的Ⅳ期患者。对Ⅳ期患者而言,治疗基线的TCRB多样性越高,总生存期越长;接受减瘤性手术治疗后,患者外周血TCRB多样性得以恢复（TCRB克隆总体上呈现小丰度克隆新生、超大克隆缩小）,耗竭性T细胞比例减少,幼稚T细胞增多,整体免疫环境得到改善,免疫监视能力得以恢复。结论:肿瘤负荷高的患者外周血TCRB多样性差,TCRB多样性可评估晚期患者的预后;减瘤性肾切除术可以有效改善Ⅳ期患者的整体免疫状态。
二、一种免疫细胞图像非监督分割方法（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、一种免疫细胞图像非监督分割方法（论文提纲范文）
（1）基于卷积神经网络的肿瘤医学图像分割和检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究内容与成果 |
| 1.3 论文组织结构 |
| 第二章 基于卷积神经网络的医学图像处理研究综述 |
| 2.1 引言 |
| 2.2 医学图像特征及其处理难点分析 |
| 2.2.1 医学图像特征 |
| 2.2.2 医学图像处理难点分析 |
| 2.3 传统医学图像处理研究综述 |
| 2.4 基于深度学习的医学图像处理研究综述 |
| 2.4.1 卷积神经网络 |
| 2.4.2 循环神经网络 |
| 2.4.3 非监督模型 |
| 2.5 基于卷积神经网络的医学图像分割和检测研究现状 |
| 2.5.1 基于卷积神经网络的医学图像分割研究现状 |
| 2.5.2 基于卷积神经网络的医学图像检测研究现状 |
| 2.5.3 基于卷积神经网络的医学图像分割和检测面临的挑战 |
| 2.6 本章小结 |
| 第三章 基于卷积神经网络的肝脏医学图像分割研究 |
| 3.1 引言 |
| 3.2 基于联合损失函数的肝脏医学图像分割方案 |
| 3.2.1 方案框架 |
| 3.2.2 基于联合损失函数的V-Net |
| 3.2.3 两阶段训练策略 |
| 3.3 实验设计与分析 |
| 3.3.1 数据集描述 |
| 3.3.2 实验设计与评价指标 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络的循环肿瘤细胞检测研究 |
| 4.1 引言 |
| 4.2 基于特征尺度扩展的循环肿瘤细胞检测方案 |
| 4.2.1 方案框架 |
| 4.2.2 基于融合信号点分布特征的细胞核分割 |
| 4.2.3 基于YOLO-V3-MobileNetL的信号点检测 |
| 4.2.4 检测流程和判别规则 |
| 4.3 实验与分析 |
| 4.3.1 数据集描述 |
| 4.3.2 实验设计与评价指标 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 缩略语 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）基于深度学习的眼底血管图像分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外相关研究 |
| 1.2.1 基于无监督的学习方法 |
| 1.2.2 基于有监督的学习方法 |
| 1.3 论文研究内容和结构安排 |
| 1.4 本章小结 |
| 第二章 相关技术研究与理论知识 |
| 2.1 眼底视网膜结构介绍 |
| 2.2 深度学习概述 |
| 2.3 卷积神经网络的概述 |
| 2.3.1 神经网络 |
| 2.3.2 误差反向传播算法 |
| 2.4 卷积神经网络 |
| 2.4.1 卷积神经网络的结构 |
| 2.4.2 卷积层 |
| 2.4.3 激活函数 |
| 2.4.4 池化层 |
| 2.4.5 常用的卷积神经网络模型 |
| 2.4.6 编码器-解码器的神经网络 |
| 2.5 公共数据集和评价指标 |
| 2.5.1 CHASE数据集 |
| 2.5.2 DRIVE数据集 |
| 2.5.3 评价指标 |
| 2.6 本章小结 |
| 第三章 基于高低维特征融合注意力机制的U-Net网络图像分割算法 |
| 3.1 U-Net卷积神经网络 |
| 3.2 注意力机制 |
| 3.3 框架的描述 |
| 3.3.1 数据预处理与数据增强 |
| 3.3.2 实验参数设置 |
| 3.4 实验结果与讨论 |
| 3.5 本章小结 |
| 第四章 基于串联金字塔池化与级联空洞卷积模块的U-Net网络图像分割算法 |
| 4.1 金字塔池化模块 |
| 4.2 级联空洞卷积模块 |
| 4.2.1 空洞卷积 |
| 4.2.2 级联空洞卷积 |
| 4.3 框架介绍 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于改进U-Net网络的眼底血管图像分割研究 |
| 5.1 网络框架 |
| 5.2 实验结果分析 |
| 5.2.1 与原始U-net网络结果对比 |
| 5.2.2 与其他分割方法对比 |
| 5.2.3 局部眼底图像分割结果对比 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士期间发表的论文、申请的专利 |
（3）一、HSP90β在肺癌中的表达及机制研究 二、单细胞组学解析结直肠癌肝转移的免疫微环境变化（论文提纲范文）
| 中英文缩略词 |
| 中文摘要 |
| Abstract |
| 第一部分 HSP90β在肺癌中的表达及机制研究 |
| 引言 |
| 第一章 肺腺癌蛋白质组学整合分析鉴定出HSP90β作为潜在预后标志物 |
| 前言 |
| 材料与方法 |
| 1. 实验材料 |
| 1.1 用于质谱的肺腺癌组织标本的收集 |
| 1.2 用于独立验证的肺腺癌标本的收集 |
| 1.3 主要的试剂与试剂盒 |
| 1.4 主要仪器与耗材 |
| 1.5 生物信息学分析软件及网站 |
| 2. 实验方法 |
| 2.1 肺腺癌组织标本的处理 |
| 2.2 肺腺癌组织标本的病理学评估 |
| 2.3 肺腺癌患者和正常人外周血血浆的处理 |
| 2.4 质谱和磷酸化质谱(该部分由中科院上海药物所完成) |
| 2.4.1 蛋白提取和胰蛋白酶消化 |
| 2.4.2 通过高pH高效液相色谱(HPLC)进行肽的预分离 |
| 2.4.3 磷酸化肽段的富集 |
| 2.4.4 纳升液相色谱-质谱(Nano-LC-MS/MS) |
| 2.4.5 质谱数据库搜索 |
| 2.5 液相色谱—质谱(LC-MS/MS)数据的质控和评估 |
| 2.6 差异蛋白分析 |
| 2.7 通路富集分析 |
| 2.8 磷酸化蛋白质组学数据分析 |
| 2.9 生存分析 |
| 2.10 肺腺癌预后生物标志物的筛选 |
| 2.11 酶联免疫吸附测定法(ELISA) |
| 2.12 蛋白免疫印迹法(Western Blot) |
| 2.12.1 肺组织蛋白的提取 |
| 2.12.2 蛋白浓度测定(BCA法) |
| 2.12.3 SDS-PAGE胶的配制 |
| 2.12.4 上样,电泳 |
| 2.12.5 转膜 |
| 2.12.6 封闭 |
| 2.12.7 孵育一抗 |
| 2.12.8 孵育二抗 |
| 2.12.9 曝光 |
| 2.12.10 膜洗脱再生,孵育新的抗体 |
| 结果 |
| 1. 103例肺腺癌患者的临床信息和组学数据 |
| 2. 肺腺癌患者肿瘤组织和配对的邻近正常肺组织(NAT)的蛋白质组学特征 |
| 3. 肺腺癌患者磷酸化蛋白质组学的特征 |
| 4. 肺腺癌潜在预后标志物HSP90β的筛选 |
| 讨论 |
| 小结 |
| 第二章 发育相关蛋白HSP90β通过细胞周期和凋亡影响非小细胞肺癌预后 |
| 前言 |
| 材料与方法 |
| 1. 实验材料 |
| 1.1 用于ELISA的非小细胞肺癌血浆标本 |
| 1.2 恒河猴肺组织的转录组数据 |
| 1.3 人肺发育的芯片表达谱数据 |
| 1.4 肺癌细胞系 |
| 1.5 质粒 |
| 1.6 BALB/c裸鼠 |
| 1.7 主要的试剂与试剂盒 |
| 1.8 主要仪器与耗材 |
| 1.9 生物信息学分析软件及网站 |
| 2. 实验方法 |
| 2.1 恒河猴肺组织的转录组数据处理 |
| 2.2 人肺发育的芯片表达谱数据处理 |
| 2.3 RNA的提取 |
| 2.3.1 细胞系RNA的提取前处理 |
| 2.3.2 组织RNA的提取前处理 |
| 2.3.3 细胞系或组织RNA的后续操作 |
| 2.4 RNA反转录为cDNA |
| 2.5 实时定量PCR |
| 2.6 蛋白免疫印迹法(Western Blot) |
| 2.7 非小细胞肺癌患者血浆中HSP90β的酶联免疫吸附测定法(ELISA) |
| 2.8 肺癌细胞系的培养 |
| 2.8.1 肺癌细胞系的复苏 |
| 2.8.2 肺癌细胞系的传代 |
| 2.8.3 肺癌细胞系的冻存 |
| 2.9 敲降质粒的转化及扩大培养 |
| 2.10 扩大培养后中量质粒的提取 |
| 2.11 质粒转染肺癌细胞系 |
| 2.11.1 肺癌细胞系中质粒的转染 |
| 2.11.2 稳定敲降肺癌细胞系的筛选 |
| 2.12 细胞生物学表型试验 |
| 2.12.1 CCK8细胞增殖实验 |
| 2.12.2 细胞集落形成实验 |
| 2.12.3 细胞凋亡实验(Annexin-V FITC+PI双染) |
| 2.12.4 细胞周期实验 |
| 2.13 裸鼠移植瘤模型 |
| 2.14 磷酸化蛋白抗体芯片 |
| 结果 |
| 1. 恒河猴肺发育数据鉴定出HSP90β参与早期肺发育的细胞周期调控 |
| 2. HSP90β在人的肺肿瘤组织和血浆中显着高表达 |
| 3. 敲降HSP90β影响肺癌细胞的增殖、周期及凋亡 |
| 4. HSP90β通过磷酸化关键蛋白影响肺癌细胞周期和凋亡 |
| 讨论 |
| 小结 |
| 第三章 HSP90β联合CEA,CA125和CYFRA21-1建立一个肺癌预后评估模型 |
| 前言 |
| 材料与方法 |
| 1. 实验材料 |
| 1.1 用于ELISA的肺癌血浆标本 |
| 1.2 用于免疫组化(IHC)的肺癌组织标本 |
| 1.3 主要的试剂与试剂盒 |
| 1.4 主要仪器与耗材 |
| 1.5 生物信息学分析软件及网站 |
| 2. 实验方法 |
| 2.1 肺癌患者血浆中HSP90β的酶联免疫吸附测定法(ELISA) |
| 2.2 肺癌患者肿瘤和癌旁组织的免疫组化(IHC) |
| 2.2.1 免疫组化实验 |
| 2.2.2 免疫组化结果的评分 |
| 2.3 肺癌患者血清中CEA,CA125,CYFRA21-1蛋白水平的测定 |
| 2.4 肺癌预后风险预测模型的建立 |
| 结果 |
| 1. 肺癌患者血浆和组织HSP90β蛋白显着高表达 |
| 2. 递归分割决策树预测模型可以预测肺癌预后风险 |
| 3. 递归分割决策树预测模型可以作为肺癌患者独立的预后因素 |
| 讨论 |
| 小结 |
| 第二部分 单细胞组学解析结直肠癌肝转移的免疫微环境变化 |
| 前言 |
| 材料与方法 |
| 1. 实验材料 |
| 1.1 结直肠癌肝转移患者标本的收集 |
| 1.2 主要的试剂与试剂盒 |
| 1.3 主要仪器与耗材 |
| 1.4 生物信息学分析软件及网站 |
| 2. 实验方法 |
| 2.1 结直肠癌肝转移患者外周血标本的处理 |
| 2.1.1 外周血单个核细胞(PBMC)的分离 |
| 2.1.2 多形核细胞(PMN/粒细胞)的分离 |
| 2.2 结直肠癌肝转移患者组织标本的处理 |
| 2.3 组织单细胞悬液的制备 |
| 2.3.1 组织解离消化液的配制(美天旎肿瘤解离试剂盒:MACS~(TM) TumorDissociation Kit, Order no.130-095-929) |
| 2.3.2 组织解离步骤 |
| 2.4 组织中CD45阳性免疫细胞的磁珠分选:(美天旎分选磁珠:MACS~(TM)CD45 MicroBeads human, Order no.130-045-801) |
| 2.4.1 磁珠分选工作液Buffer的配制(1×PBS+0.5%BSA+2mM EDTA) |
| 2.4.2 磁珠分选操作步骤: (示意图如右图) |
| 2.5 10×Genomics单细胞测序 |
| 2.5.1 单细胞样本检测 |
| 2.5.2 单细胞文库的构建和测序(本部分由北京博奥晶典公司完成) |
| 2.6 单细胞测序后数据的分析 |
| 2.6.1 上游数据的处理(Linux系统上进行,服务器内存最低需64GB) |
| 2.6.2 下游数据的处理 |
| 结果 |
| 1. 结直肠癌肝转移患者的单细胞免疫图谱 |
| 2. 结直肠癌肝转移患者随治疗的外周血和组织的T细胞免疫组库变化 |
| 3. 外周血效应T细胞亚群在手术和化疗后激活 |
| 4. 组织T细胞亚群在原发灶和转移灶差异显着 |
| 5. B细胞亚群在外周血和组织中的不同特征 |
| 6. 外周血多形核细胞PMN中随治疗出现特殊细胞亚群 |
| 讨论 |
| 小结 |
| 参考文献 |
| 基金资助 |
| 已发表与学位论文相关的英文论文 |
| 研究生期间其他学术成果 |
| 文献综述 单细胞测序在肿瘤中的研究进展 |
| 参考文献(文献综述部分) |
| 致谢 |
| 个人简历 |
（4）宫颈细胞图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景和研究意义 |
| 1.1.1 巴氏筛查技术 |
| 1.1.2 计算机辅助诊断系统 |
| 1.1.3 宫颈细胞图像分割的必要性 |
| 1.2 国内外现状 |
| 1.2.1 细胞团分割 |
| 1.2.2 细胞核分割 |
| 1.2.3 细胞质分割 |
| 1.3 相关研究中的现存问题分析 |
| 1.4 本文的研究内容与结构安排 |
| 第2章 基于多尺度图割的细胞团分割 |
| 2.1 引言 |
| 2.2 图像多尺度图割理论 |
| 2.2.1 图像多尺度理论 |
| 2.2.2 图割算法理论 |
| 2.3 基于多尺度图割算法的宫颈团状细胞分割算法 |
| 2.3.1 预处理 |
| 2.3.2 种子节点生成 |
| 2.3.3 全局团状细胞分割 |
| 2.4 实验数据及结果 |
| 2.4.1 数据收集 |
| 2.4.2 评价方法 |
| 2.4.3 参数调整 |
| 2.4.4 对比结果 |
| 2.5 本章小结 |
| 第3章 基于分层树模糊聚类算法的细胞核分割 |
| 3.1 引言 |
| 3.2 提取感兴趣区域 |
| 3.2.1 多尺度的细胞团划分 |
| 3.2.2 分层树构造 |
| 3.2.3 感兴趣节点识别及候选细胞核选择 |
| 3.3 获取细胞核 |
| 3.3.1 候选细胞核精细化分割 |
| 3.3.2 粘连细胞核分割及细胞核筛选 |
| 3.4 细胞核分割实验 |
| 3.4.1 实验样本 |
| 3.4.2 实验评价方法 |
| 3.4.3 细胞核分割实验结果 |
| 3.5 关于细胞核分割结果的讨论 |
| 3.6 本章小结 |
| 第4章 基于细胞核径向边界增强的重叠细朐分割 |
| 4.1 引言 |
| 4.2 预处理 |
| 4.2.1 基于细胞核径向区域的滤波 |
| 4.2.2 基于细胞核径向的梯度计算算法 |
| 4.3 宫颈细胞图像重叠细胞分割 |
| 4.3.1 基于候选边界点权重图构造 |
| 4.3.2 生成权重图的边界权重和最短路径 |
| 4.3.3 细胞质轮廓精细化分割 |
| 4.4 实验结果 |
| 4.4.1 实验数据 |
| 4.4.2 细胞质分割评价方式 |
| 4.4.3 细胞质分割结果 |
| 4.5 本章小结 |
| 第5章 基于深度信息的细胞核和细胞质分割 |
| 5.1 引言 |
| 5.2 含有深度信息的细胞团分割 |
| 5.3 含有深度信息的细胞核分割 |
| 5.3.1 细胞核图像弥散过程 |
| 5.3.2 细胞核近似分割 |
| 5.3.3 细胞核精细化分割和伪核去除 |
| 5.4 含有深度信息的重叠细胞分割方法 |
| 5.4.1 含有深度信息的轮廓点属性 |
| 5.4.2 含有深度信息的轮廓段属性 |
| 5.5 实验结果及讨论 |
| 5.5.1 实验数据及评价方法 |
| 5.5.2 实验结果 |
| 5.5.3 细胞分割算法的比较和分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间所发表的学术论文 |
| 致谢 |
（5）基于深度学习的乳腺癌病理图像量化与影像基因组学分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 乳腺癌 |
| 1.2.1 乳腺癌的简介 |
| 1.2.2 乳腺癌分类 |
| 1.2.3 乳腺癌治疗 |
| 1.3 肿瘤微环境研究现状 |
| 1.3.1 概念及研究意义 |
| 1.3.2 基于病理图像的特征简介 |
| 1.3.3 病理图像特征与分子数据的关联 |
| 1.3.4 病理图像特征与预后预测的关联 |
| 1.4 论文的研究内容与创新点 |
| 1.5 论文的组织结构 |
| 第二章 基于DCNN模型的乳腺癌病理组织分割与量化 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 CNN简介 |
| 2.2.2 CNN分割模型简介 |
| 2.3 方法的框架 |
| 2.3.1 基于DCNN的组织分割模型 |
| 2.3.2 WSI组织分割框架 |
| 2.3.3 上皮与基质组织的特征量化 |
| 2.4 实验数据与设置 |
| 2.4.1 实验数据 |
| 2.4.2 实验设置 |
| 2.4.3 评价指标 |
| 2.5 实验结果与分析 |
| 2.5.1 DCNN模型在TMA数据集上的分割结果 |
| 2.5.2 DCNN模型在TCGA数据集上的分割结果验证 |
| 2.5.3 TCGA全景病理的组织分割与量化结果 |
| 2.6 本章小结 |
| 第三章 基于级联训练U-NET模型的乳腺癌全自动免疫评估 |
| 3.1 引言 |
| 3.2 方法的框架 |
| 3.2.1 基于级联训练的U-net免疫细胞检测模型 |
| 3.2.2 基于WSI的免疫特征提取 |
| 3.3 实验数据与设置 |
| 3.3.1 实验数据 |
| 3.3.2 实验设置 |
| 3.3.3 评价指标 |
| 3.4 实验结果与分析 |
| 3.4.1 细胞层面性能评估 |
| 3.4.2 全景病理切片上的整体评估 |
| 3.5 本章小结 |
| 第四章 乳腺癌病理图像与多组学数据整合分析 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 统计相关分析 |
| 4.2.2 基因富集分析 |
| 4.2.3 生存分析简介 |
| 4.3 方法的框架 |
| 4.3.1 组织特征与基因表达数据的关联分析 |
| 4.3.2 TIL特征与基因数据的关联分析 |
| 4.3.3 TIL特征的预后预测分析 |
| 4.4 实验数据 |
| 4.4.1 实验数据 |
| 4.5 实验结果与分析 |
| 4.5.1 病理组织在不同乳腺癌亚型中的特异性功能分析 |
| 4.5.2 TIL特征与基因转录组数据的关联结果 |
| 4.5.3 TIL特征与体细胞变异数据的关联结果 |
| 4.5.4 TIL特征在不同乳腺癌亚型中的预后预测结果 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间成果 |
| 致谢 |
（6）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 |
（7）基于GF-2号高分辨率影像的城市绿地提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 课题来源 |
| 1.3 遥感影像分类方法国内外研究现状 |
| 1.3.1 传统的地物识别相关算法 |
| 1.3.2 基于深度学习的地物识别相关算法 |
| 1.4 研究内容 |
| 1.5 论文组织结构 |
| 第二章 深度学习理论与分类系统 |
| 2.1 深度神经网络 |
| 2.1.1 神经元结构 |
| 2.1.2 激活函数 |
| 2.1.3 神经网络的结构 |
| 2.1.4 前向传播算法 |
| 2.1.5 反向传播算法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.3 绿地提取分类体系 |
| 2.3.1 研究区域介绍 |
| 2.3.2 分类系统 |
| 2.4 本章小结 |
| 第三章 基于MGAN的样本扩充 |
| 3.1 问题描述 |
| 3.2 生成式对抗网络原理 |
| 3.3 网络设计相关分析 |
| 3.3.1 谱归一化 |
| 3.3.2 多尺度特征 |
| 3.3.3 生成模型结构分析 |
| 3.4 网络结构设计 |
| 3.4.1 生成模型结构 |
| 3.4.2 判别模型结构 |
| 3.5 实验验证 |
| 3.6 本章小结 |
| 第四章 基于GF-2影像的绿地提取 |
| 4.1 基于传统方法的绿地提取 |
| 4.1.1 最大似然法 |
| 4.1.2 归一化水体指数法 |
| 4.1.3 本文提出的结合策略 |
| 4.2 基于深度学习的绿地提取 |
| 4.2.1 经典的语义分割网络 |
| 4.2.2 网络设计的相关分析 |
| 4.2.2.1 Inception模块 |
| 4.2.2.2 BN层 |
| 4.2.2.3 上采样层 |
| 4.2.2.4 ELU激活函数 |
| 4.2.2.5 Softmax分类器 |
| 4.2.3 改进的U-Net网络 |
| 4.3 结果优化——集成学习 |
| 4.4 本章小结 |
| 第五章 实验验证与分析 |
| 5.1 实验准备 |
| 5.1.1 实验环境 |
| 5.1.2 数据集介绍 |
| 5.1.3 分类精度评价 |
| 5.2 传统方法实验及对比分析 |
| 5.3 改进的U-Net网络实验及对比分析 |
| 5.4 集成学习策略实验及分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表的论文 |
| 攻读学位期间参加的科研项目 |
| 致谢 |
（8）对异质性肿瘤样本的基因表达数据反卷积计算方法的综合评价（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 课题研究意义 |
| 1.2.1 癌症研究的重大意义 |
| 1.2.2 癌症基因组学研究 |
| 1.3 反卷积方法的国内外研究进展 |
| 1.3.1 国内研究进展 |
| 1.3.2 国外研究进展 |
| 1.3.3 已有结果存在的不足和有待深入研究的问题 |
| 1.4 本课题研究方案 |
| 1.5 论文结构框架 |
| 第2章 机器学习和深度学习概述 |
| 2.1 机器学习 |
| 2.1.1 数据预处理 |
| 2.1.2 特征选择 |
| 2.1.3 交叉验证 |
| 2.1.4 正则化 |
| 2.2 深度学习 |
| 2.2.1 深度学习技术概述 |
| 2.2.2 深度学习框架keras |
| 第3章 反卷积计算方法 |
| 3.1 反卷积计算过程 |
| 3.2 基因表达数据及特征矩阵 |
| 3.2.1 基因表达数据集的来源 |
| 3.2.2 基因表达特征矩阵 |
| 3.3 NNLS计算方法 |
| 3.3.1 NNLS方法论述 |
| 3.3.2 NNLS方法在最新数据集上的表现 |
| 3.4 CIBERSORT计算方法 |
| 3.4.1 CIBERSORT方法论述 |
| 3.4.2 CIBERSORT方法在最新数据集上的表现 |
| 3.5 XGBoost计算方法 |
| 3.5.1 XGBoost方法论述 |
| 3.5.2 XGBoost方法在最新数据集上的表现 |
| 3.6 本章小结 |
| 第4章 反卷积计算方法评价 |
| 4.1 三种计算方法的综合评价 |
| 4.1.1 皮尔森相关性系数 |
| 4.1.2 斯皮尔曼相关性系数 |
| 4.1.3 神经网络评价模型 |
| 4.2 本章小结 |
| 第5章 R Package |
| 5.1 R Package cellsorter |
| 5.2 R Package概述 |
| 5.2.1 什么是R Package |
| 5.2.2 学习开发R Package的必要性 |
| 5.2.3 R Package的结构 |
| 5.2.4 R Package的开发流程 |
| 5.3 开发cellsorter |
| 结论 |
| 论文工作总结 |
| 主要创新点 |
| 进一步研究展望 |
| 参考文献 |
| 致谢 |
（9）尿液细胞图像分割与识别算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像分割国内外研究现状 |
| 1.2.2 图像识别国内外研究现状 |
| 1.3 本文研究工作及难点 |
| 1.4 本文章节安排 |
| 第二章 图像分割与卷积神经网络相关理论介绍 |
| 2.1 图像分割基本算法 |
| 2.1.1 基于边缘的分割 |
| 2.1.2 基于区域的分割 |
| 2.2 卷积神经网络 |
| 2.2.1 基本结构 |
| 2.2.2 Inception |
| 2.2.3 SENet |
| 2.3 本章小结 |
| 第三章 基于边缘检测自适应种子区域生长的尿液图像分割算法 |
| 3.1 尿液图像分割算法分析 |
| 3.2 尿液图像分割算法设计 |
| 3.3 基于边缘检测自适应种子区域生长的尿液图像分割算法 |
| 3.3.1 种子区域生长算法 |
| 3.3.2 种子选取条件分析 |
| 3.3.3 边缘检测自适应种子选取方案 |
| 3.3.4 生长判决条件及生长过程 |
| 3.4 实验与分析 |
| 3.4.1 边缘检测自适应种子区域生长算法对比实验 |
| 3.4.2 尿液细胞图像提取实验结果 |
| 3.5 本章小结 |
| 第四章 压缩激励机制驱动的尿液细胞图像识别算法 |
| 4.1 尿液细胞图像识别算法设计 |
| 4.2 尿液细胞图像识别数据集介绍 |
| 4.2.1 数据集分类 |
| 4.2.2 数据集处理 |
| 4.3 压缩激励机制驱动的尿液细胞图像识别算法 |
| 4.3.1 SE-Inception |
| 4.3.2 压缩激励机制驱动的GoogLeNet |
| 4.3.3 损失函数设计 |
| 4.4 实验与分析 |
| 4.4.1 实验设置 |
| 4.4.2 对比实验与分析 |
| 4.5 本章小结 |
| 第五章 尿液细胞分析软件设计与实现 |
| 5.1 软件框架设计 |
| 5.2 软件功能设计与实现 |
| 5.2.1 软件功能设计 |
| 5.2.2 软件功能实现 |
| 5.3 软件测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）中性粒细胞胞外诱捕获网和免疫组多样性与肿瘤患者预后相关性研究（论文提纲范文）
| ·英文缩略词 |
| ·序 |
| ·中文摘要 |
| ·ABSTRACT |
| ·第一部分 中性粒细胞胞外诱捕网在肿瘤进展中的意义及其预后价值 |
| ·引言 |
| ·第一章 分泌粒细胞集落刺激因子及浸润性中性粒细胞增多的乳腺癌亚型 |
| ·前言 |
| ·材料及方法 |
| 一. 实验材料 |
| 二. 实验方法 |
| ·结果 |
| 一. 鉴定与乳腺癌预后相关的Hallmark基因集 |
| 二. 乳腺癌Hallmark-tsne分子分型概述 |
| 三. 乳腺癌Hallmark-tsne分子分型中各亚型的肿瘤生物学特征 |
| 四. 乳腺癌Hallmark-tsne分子分型中各亚型的免疫微环境特征 |
| 五. 一类G-CSF高分泌、中性粒细胞高度浸润、运动能力增强且预后不良的乳腺癌 |
| ·讨论 |
| ·小结 |
| ·第二章 中性粒细胞胞外诱捕网协同凝血系统保护肾癌患者外周血循环肿瘤细胞的存活 |
| ·前言 |
| ·材料及方法 |
| 一. 实验材料 |
| 二. 实验方法 |
| ·结果 |
| 一. 归纳临床检验结果发现初治患者CTCs计数与其炎症、凝血状态相关 |
| 二. 中性粒细胞的激活有利于CTCs存活 |
| 三. NETs协同凝血系统促进CTCs存活 |
| 四. 肾癌组织NETs评分、组织因子表达值与患者的预后相关 |
| ·讨论 |
| ·小结 |
| ·第三章 基于中性粒细胞胞外诱捕网的泛癌预后评分系统 |
| ·前言 |
| ·材料及方法 |
| 一. 实验材料 |
| 二. 实验方法 |
| ·结果 |
| 一. 用于训练泛癌预后模型的19个(Cox回归)和12个(随机森林)特征基因 |
| 二. NETs评分与泛癌及各癌种的预后 |
| 三. 评估预测泛癌预后的模型的效能 |
| 四. 基于z-score值的NETs评分与血管生成评分的关系 |
| ·讨论 |
| ·小结 |
| ·第二部分 不同肿瘤负荷下的外周血T细胞受体库动态特征谱及其预后预测价值 |
| ·前言 |
| ·材料及方法 |
| 一. 实验材料 |
| 二. 实验方法 |
| ·结果 |
| 一. 基于SMART原理并且嵌入UMI分子标签的TCRB文库的基本概述 |
| 二. 患者基线TCRB多样性所映射的免疫状态 |
| 三. 患者基线状态的肿瘤负荷对免疫系统的影响 |
| 四. 基线TCRB多样性与晚期患者预后相关 |
| 五. 减少晚期患者的肿瘤负荷可缓解其对免疫系统的压力 |
| 六. 不同肿瘤负荷及其手术方案下TCRB克隆的变化谱 |
| ·讨论 |
| ·小结 |
| ·参考文献(正文部分) |
| ·附录 |
| ·附表 |
| ·附图 |
| ·基金资助 |
| ·已发表与学位论文相关的英文论文 |
| ? 其他学术成果（博士期间） |
| ·文献综述 T淋巴细胞及中性粒细胞在肿瘤免疫编辑中的意义 |
| 参考文献 |
| ·致谢 |
四、一种免疫细胞图像非监督分割方法（论文参考文献）
- [1]基于卷积神经网络的肿瘤医学图像分割和检测方法研究[D]. 潘熙文. 北京邮电大学, 2021
- [2]基于深度学习的眼底血管图像分割算法研究[D]. 何晓云. 昆明理工大学, 2021(01)
- [3]一、HSP90β在肺癌中的表达及机制研究 二、单细胞组学解析结直肠癌肝转移的免疫微环境变化[D]. 王想. 北京协和医学院, 2021
- [4]宫颈细胞图像分割方法研究[D]. 汪涛. 哈尔滨理工大学, 2020(04)
- [5]基于深度学习的乳腺癌病理图像量化与影像基因组学分析[D]. 陆紫箫. 南方医科大学, 2020(06)
- [6]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)
- [7]基于GF-2号高分辨率影像的城市绿地提取方法研究[D]. 高侃. 广东工业大学, 2020(06)
- [8]对异质性肿瘤样本的基因表达数据反卷积计算方法的综合评价[D]. 樊磊. 哈尔滨工业大学, 2020(01)
- [9]尿液细胞图像分割与识别算法研究与实现[D]. 韦玥. 西安电子科技大学, 2020(05)
- [10]中性粒细胞胞外诱捕获网和免疫组多样性与肿瘤患者预后相关性研究[D]. 郭丽萍. 北京协和医学院, 2020