导读:本文包含了细胞识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:细胞,神经网络,图像,肿瘤,曲霉,卷积,昆布。
细胞识别论文文献综述
赵文杰,陈丽红,李晓霞[1]（2019）在《昆布多糖对巨噬细胞识别、吞噬烟曲霉功能的影响》一文中研究指出目的:以巨噬细胞与烟曲霉分生孢子的共培养体系为研究基础,检测昆布多糖对地塞米松作用前后巨噬细胞吞噬功能的影响。方法:共培养细胞分为四组:A.烟曲霉分生孢子组;B.烟曲霉分生孢子+昆布多糖组;C.烟曲霉分生孢子+地塞米松组;D.烟曲霉分生孢子+昆布多糖+地塞米松组。分别以巨噬细胞存活率、吞噬指数为指标,研究昆布多糖对巨噬细胞识别、吞噬功能的影响。结果:(1)与烟曲霉分生孢子组比较,地塞米松可降低巨噬细胞的吞噬指数(P<0.05),增加共培养巨噬细胞的存活率(P<0.05),昆布多糖可上调巨噬细胞的吞噬指数(P<0.05),降低共培养巨噬细胞的存活率(P<0.05);(2)与地塞米松组比较,昆布多糖可上调巨噬细胞的吞噬指数(P<0.05),降低共培养巨噬细胞的存活率(P<0.05)。结论:昆布多糖可增强免抑制状态下巨噬细胞识别与吞噬烟霉分生孢子的作用。(本文来源于《中医药通报》期刊2019年05期）
纪春阳,徐秀林,王燕[2]（2019）在《深度神经网络技术在肿瘤细胞识别中的应用》一文中研究指出深度神经网络(DNN)作为人工智能最主要的分支,是基于模仿人脑思考方式的计算机程序,旨在模拟人类大脑处理信息的方式对事物进行分类或预测。DNN的通用性表现为:自我学习、自适应、联想记忆,即使没有先验背景也可以执行各种任务。近年来DNN受到国内外医学界的广泛重视,尤其在精准分类肿瘤细胞数字图像的自动识别方面已经取得了重大突破,DNN通过强化学习并因此获得经验,使医生能够向患者提供准确的诊疗方案。本文主要综述了DNN技术在肿瘤细胞识别的最新研究进展,详细阐述卷积神经网络、深度信念网络、生成对抗网络、深度残差网络的原理及其应用实例,比较基于不同模型的神经网络,对各类模型在应用层面上的精准度和性能进行分析,提出DNN在肿瘤细胞识别领域中面临的问题及未来的发展趋势。(本文来源于《中国医学物理学杂志》期刊2019年09期）
唐奇伶,方全,夏先富,杨济榕[3]（2019）在《基于堆栈稀疏自编码与整体嵌套的乳腺病理图像细胞识别》一文中研究指出为解决病理图像的快速分析和利用细胞自动识别的问题,提出了一种基于堆栈稀疏自编码与整体嵌套的细胞识别的方法,快速、高效、准确地识别了高分辨率病理组织图像中的细胞.运用堆栈自编码对训练集中的细胞样本块和非细胞样本块提取高级特征,并运用特征训练Softmax分类器,加入融合层进行融合,用于细胞的自动识别;在训练过程中,还引入了一种新的整体嵌套结构.结果表明:该算法能有效识别出细胞,较其他自编码相比,具有更高的准确率、召回率和综合评价指标.(本文来源于《中南民族大学学报(自然科学版)》期刊2019年03期）
徐晓蓉[4]（2019）在《尿沉渣图像有形成分分割及两类细胞识别研究》一文中研究指出尿检测是医院常见的一种检测项目,对患者的临床泌尿系统进行检测和诊断均具有非常重要的意义。文章将通过利用数字图像处理技术与模式识别理论,对各种有形成分进行分割定位,以此来将各种有形成分从背景中进行良好的分离,并通过对两类细胞:精子、管型细胞进行深入研究,从而根据其特征来分类识别。(本文来源于《无线互联科技》期刊2019年13期）
夏启凯[5]（2019）在《基于Python的细胞识别SVM模型参数优化方法研究》一文中研究指出在医学诊断领域,细胞图像的自动分类能有效地提高医学诊断的准确率和速率。因此,细胞图像的自动分类是当前学界研究的重点。由于细胞图像存在复杂的高维特性,而SVM作为一种优秀的自动分类算法,能很好地解决图像的高维特性差的问题,因此,在图像分类的实际应用中被广泛采用。实现细胞图像识别分类的关键是构造性能良好的SVM分类器,而选择有效的SVM核函数参数是构造高性能SVM分类器的主要因素。因此,学界将SVM的核函数参数优化问题作为当前研究的重点。近些年来提出许多算法来自动优化SVM核参数,如网格搜索算法、粒子群算法等。在很大程度上实现了细胞图像的自动分类,但是由于这些SVM参数优化算法的计算量过大,参数优化精度未能达到更优,导致SVM建模速度缓慢,识别精度不够高等一些问题的出现。因此本文也从SVM参数优化方法的角度出发,提出一种基于Python的细胞识别SVM模型参数优化方法。该算法主要是结合Python语言的优点编写优化算法和整个细胞识别分类系统功能模块,优化算法是结合变网格搜索法和量子粒子群QPSO的混合算法对SVM的参数进行寻优。先利用变网格搜索法进行参数寻优,由大网格在大区域内搜索参数,缩小参数范围;再由中网格在该确定区域搜索参数,继续缩小参数范围;然后由小网格在该确定区域继续搜索参数,再度缩小参数范围;最后利用量子粒子群QPSO算法对最后确定的区域进行参数寻优,避免了变网格搜索法的寻优参数精度不够和量子粒子群参数寻优的计算量过大且容易陷入局部最优的问题,大大缩短了寻优的时间,提升了SVM参数寻优的效率和精度,对构造高精度的SVM分类器产生了十分重要的作用。利用构造的SVM分类器对细胞图像进行识别,并与传统的几种参数寻优算法构造的SVM分类器的识别精度进行比较,验证本文提出的参数优化方法的有效性。(本文来源于《齐鲁工业大学》期刊2019-05-30）
王兰[6]（2019）在《二维光散射细胞术在白血病细胞识别方面的应用研究》一文中研究指出白血病是全球范围的高发病率、高死亡率的恶性肿瘤,在儿童和青少年恶性肿瘤中占据首位,其发病率和死亡率近年来呈现上升趋势。根据临床经验,早期诊断和针对性的复合治疗方案是提高白血病治疗效果的关键。目前,白血病临床诊断主要根据血象和骨髓穿刺后的组织生化染色及免疫组化检查来确诊并定型,但该方法常受到专业性强、操作复杂、成本高等的限制。研发新型免标记白血病诊断方法具有重要的临床意义和临床价值。无标记的二维光散射技术用于白血病的早期诊断具有快速、精确、简便、非接触性、无破坏性等特点,预期在白血病的早期诊断领域具有广阔空间。本文围绕无标记二维光散射技术研发进行相关探索,展现了该技术用于白血病早期诊断的可行性和潜在价值。论文首先介绍了白血病和光散射的相关知识基础,阐述了研究领域的热点及最新趋势,并对光散射的相关理论进行了详述。然后,本文介绍了二维光散射静态细胞术及平台性能,展示了二维光散射技术用于白血病早期诊断的可行性。接着,本文以提高二维光散射技术的效率及性能为切入点对平台进行升级,介绍了优化升级后的广角度二维光散射流式细胞术,展示了广角度流式细胞术具备的高效采集信息的能力和高通量检测能力。最后,本文展示了广角度二维光散射流式细胞术用于白血病早期诊断的相关研究,在急性淋巴系白血病细胞Jurkat和慢性淋巴系白血病细胞BALL-1样本的自动检测分类方面达到了较高的准确率。本文研究结果表明,广角度二维光散射技术具有无标记、高效率等优势,预期可用于淋巴系白血病细胞的识别分类,这为白血病临床免标记诊断奠定了一定的基础。(本文来源于《山东大学》期刊2019-05-23）
Muhammad,Shahid,Iqbal[7]（2019）在《基于深度学习的线粒体受药和病态细胞识别》一文中研究指出据观察线粒体疾病一般是由线粒体DNA或天然DNA的遗传或突变引起的,这些疾病会使线粒体中的蛋白质或RNA分子的原始功能受到影响。线粒体细胞疾病有可能干扰生物体的正常功能,甚至导致生物体死亡,因此,有必要对线粒体细胞疾病进行检测,找出预防措施。通过线粒体细胞显微图像可以检测出其细胞形态,综合分析这些图像可以用来检测患病细胞,进而对线粒体疾病的未来行为进行预测与分类。面对这一问题人眼难以准确分辨这些细胞图像中的细微差别,而人工智能可以在检测这些图像中隐藏的固有模式方面发挥重要作用,通过对显微镜图像数据智能化分析,可以提前识别疾病,从而为临床和疾病问题提供解决方案。鉴于正常和受影响的线粒体细胞具有不同的形态特征,疾病改变了线粒体细胞的形态,检测细胞形态的变化以及与此变化相关的时间具有重要的生物学意义。我们主要研究分析线粒体细胞的显微图像,主要研究成果和创新点如下:1提出了一种正常的和药物处理的细胞图像关联分析算法,简称为IC。实验结果表明,该方法具有较好的相关性。2.提出了一种基于卷积神经网络的正常和药物处理的细胞图像识别算法·通过实验验证了分类的准确性,并与传统的方法进行了比较。3.分析了正常细胞与疾病细胞的差异,提出了一种基于卷积神经网络的正常和疾病细胞的分类算法,并通过实验验证了该算法的有效性。4.分析了线粒体细胞动力学,提出了一种线粒体细胞器运动分类算法(MOMC)。细胞的行为可以通过组织形态发生来描述,包括组织的迁移、分裂或死亡,并受分子尺度的调节。从显微图像中自动检测细胞已成为细胞基础实验的一个重要步骤。我们设计了一种融合了K-Means、贝叶斯分类器和灰度阈值等方法的研究方案,对实时图像中的线粒体细胞形态变化进行分类。该方案包括以下步骤:首先将RGB图像转换成灰度图像,然后利用非锐化滤波器对图像进行调整,再应用0.65的全局阈值,得到一个候选细胞质的黑白晶体图像,并计算出细胞质特征,最后进行细胞质裁剪,结合200x200像素,寻找候选核。细胞受药物影响,包括药物的作用、粘度和药物治疗细胞的强度等,是进化生物学与精确医学领域的一项关键课题。由于受到药物影响的细胞数量非常大,始终困扰着该领域的研究。针对这一问题,本文设计了一个基于深度学习的框架DNCIC(Drug and normal cell image classification)可以准确预测正常线粒体和很少观察到的药物影响细胞。为了进行优化,我们使用共焦显微镜线粒体图像数据集对卷积神经网络进行训练,并用正常和受影响的细胞图像对算法进行了验证。我们训练的CNN模型对TPEF(双光子激发荧光探针)图像进行分类(正常细胞和受影响细胞),准确率可达到98%。本研究结果为药物影响细胞的诊断提供了依据。细胞分类是指从线粒体图像中检测正常和患病细胞。在生命体中,有些细胞可能属于不同的类别,使得难以对细胞进行准确分类。目前最先进的细胞分类方法是基于肿瘤细胞分类而发展起来的,并不适用于疾病细胞和正常细胞的分类。本文研究了两种被广泛用于分类和区分正常和疾病细胞方法的性能。数以百万计的正常细胞受到控制性生长,不受控制的生长可能与疾病的原因有关,但由于难以区分正常细胞和患病细胞,其临床应用仍然有限。现有研究仅限于系统地鉴定正常和患病的细胞。本文提出深度分类网络NDCC(Normal and diseased cell classification)用于收集病态和正常细胞的信息,以及准确的细胞分类和去除假阳性的验证网络。通过综合使用机器学习方法、逻辑回归(LR)、支持向屋机(SVM)和卷积神经网络(CNN).成功发现CNN对正常和患病细胞进行了更好的分类。利用正常细胞和患病细胞这两种类型的图像,我们训练了一种卷积神经网络,该网络能以98%的准确率识别患病细胞,并能发现正常细胞和患病细胞,进一步提高了人类患病细胞的临床应用。线粒体是高度动态的细胞器,能够在几秒钟内改变大小、形状和位置。线粒体细胞器运动是指找到分裂和融合的问题,并为细胞产生能量。为了解决线粒体细胞运动分类的问题,本文提出一种利用卷积神经网络进行线粒体运动分类的深度学习方法MOMC(Mitochondrial organelle movement classification)。该方法包含叁个阶段:1)首先通过GoogLeNet提取局部特征描述,然后通过ResNet-50生成中间层特征,2)通过lnception-V3模型生成全局描述符特征,3)线粒体细胞器运动位置的最终分类。(本文来源于《安徽大学》期刊2019-05-01）
崔川,刘佳欢,宋佳诚,梁慧婷,李丽敏[8]（2018）在《肥大细胞识别重组FMDV VP1-VP4蛋白信号转导机制的研究》一文中研究指出口蹄疫病毒有7种血清型(A、O、C、Asia 1、SAT1、SAT2、SAT3)及多种亚型,现今我国主要流行A型、O型以及Asia1型。尽管对肥大细胞在抗病毒感染中的作用研究取得了一定进展,肥大细胞在抗FMDV感染中的作用仍不清楚。本研究通过使用MAPK和NF-κB抑制剂,检测小鼠腹腔肥大细胞(PMC)识别重组FMDV VP1-VP4蛋白后分泌IL-6、IL-10和TNF-α的水平,揭示肥大细胞识别FMDV VP1-VP4重组蛋白信号转导途径。本研究收集PMC并加入NF-κB抑制剂和MAPK抑制剂,再加入重组FMDV VP1-VP4蛋白,于负载蛋白后1h、6h、24h和48h收集上清液,用ELISA试剂盒检测细胞因子含量。结果显示,PMC组与PMC+重组蛋白组、PMC+重组蛋白组与PMC+iMAPK+重组蛋白组上清液中IL-6的含量在6 h均有显着性差异。在24h,PMC组与PMC+重组蛋白组、PMC+重组蛋白组与PMC+iMAPK+重组蛋白组上清中IL-6含量均有显着性差异。在48h,PMC+重组蛋白组与PMC+iMAPK+重组蛋白组上清中IL-6含量有显着性差异。而在24h,PMC+重组蛋白组与PMC+iNF-kB+重组蛋白组上清中IL-6含量有差异。IL-10检测结果显示, PMC组与PMC+重组蛋白组在1h有极显着性差异,PMC+重组蛋白组与PMC+iNF-κB+重组蛋白组有差异,PMC+重组蛋白组与PMC+iMAPK+重组蛋白组有显着性差异。TNF-α检测结果显示,PMC组与PMC+重组蛋白组在1h有显着差异,PMC+重组蛋白组与PMC+iMAPK+重组蛋白组有差异。在6h,PMC组与PMC+重组蛋白组组有极其显着性差异,PMC+重组蛋白组与PMC+iMAPK+重组蛋白组有显着性差异。在24h,PMC+重组蛋白组与PMC+iNF-κB+重组蛋白组有差异。PMC+重组蛋白组与PMC+iMAPK+重组蛋白组有极其显着性差异。在48h,PMC组与PMC+重组蛋白组有显着性差异,PMC+重组蛋白组与PMC+iNF-κB+重组蛋白组有极其显着性差异,PMC+重组蛋白组与PMC+iMAPK+重组蛋白组有极其显着性差异。以上结果表明,肥大细胞识别重组FMDV VP1-VP4蛋白可启动NF-κB途径分泌IL-6、TNF-α,也可启动MAPK途径分泌IL-6、IL-10和TNF-α。(本文来源于《第十叁届全国免疫学学术大会壁报交流集》期刊2018-11-07）
殷雯钰,彭芳,李宁[9]（2018）在《巨噬细胞识别清除衰老红细胞的研究进展》一文中研究指出红细胞在体内循环过程中逐渐受损、衰老,其膜表面分子磷脂酰丝氨酸(PS)、CD47和带3(Band 3)蛋白等发生改变,并通过与巨噬细胞膜表面受体相互作用,进而被巨噬细胞识别、吞噬。本文综述了巨噬细胞识别衰老红细胞的主要途径以及识别后吞噬清除红细胞的研究进展。(本文来源于《免疫学杂志》期刊2018年11期）
王燕,徐秀林[10]（2018）在《循环肿瘤细胞识别技术研究现状》一文中研究指出循环肿瘤细胞(CTCs)对恶性肿瘤传播转移有重要影响,因此CTCs识别技术的出现与不断进步有着重要的临床意义,准确可靠的CTCs识别技术将为尽早确诊肿瘤、指导个性化治疗方案、诊断微小残留病变以及评估抗癌药物的敏感性提供强有力的工具。本文针对核酸检测法、免疫细胞化学术、流式细胞术和基于表征特性图像识别技术等CTC识别技术的发展情况进行了综述总结,比较各种技术的优缺点,对现阶段该领域存在的问题进行了讨论,并对CTCs识别的技术发展方向作了进一步的展望,为学者们提供更广的研究思路。(本文来源于《生物信息学》期刊2018年03期）
细胞识别论文开题报告
（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：
深度神经网络(DNN)作为人工智能最主要的分支,是基于模仿人脑思考方式的计算机程序,旨在模拟人类大脑处理信息的方式对事物进行分类或预测。DNN的通用性表现为:自我学习、自适应、联想记忆,即使没有先验背景也可以执行各种任务。近年来DNN受到国内外医学界的广泛重视,尤其在精准分类肿瘤细胞数字图像的自动识别方面已经取得了重大突破,DNN通过强化学习并因此获得经验,使医生能够向患者提供准确的诊疗方案。本文主要综述了DNN技术在肿瘤细胞识别的最新研究进展,详细阐述卷积神经网络、深度信念网络、生成对抗网络、深度残差网络的原理及其应用实例,比较基于不同模型的神经网络,对各类模型在应用层面上的精准度和性能进行分析,提出DNN在肿瘤细胞识别领域中面临的问题及未来的发展趋势。
（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。
细胞识别论文参考文献
[1].赵文杰,陈丽红,李晓霞.昆布多糖对巨噬细胞识别、吞噬烟曲霉功能的影响[J].中医药通报.2019
[2].纪春阳,徐秀林,王燕.深度神经网络技术在肿瘤细胞识别中的应用[J].中国医学物理学杂志.2019
[3].唐奇伶,方全,夏先富,杨济榕.基于堆栈稀疏自编码与整体嵌套的乳腺病理图像细胞识别[J].中南民族大学学报(自然科学版).2019
[4].徐晓蓉.尿沉渣图像有形成分分割及两类细胞识别研究[J].无线互联科技.2019
[5].夏启凯.基于Python的细胞识别SVM模型参数优化方法研究[D].齐鲁工业大学.2019
[6].王兰.二维光散射细胞术在白血病细胞识别方面的应用研究[D].山东大学.2019
[7].Muhammad,Shahid,Iqbal.基于深度学习的线粒体受药和病态细胞识别[D].安徽大学.2019
[8].崔川,刘佳欢,宋佳诚,梁慧婷,李丽敏.肥大细胞识别重组FMDVVP1-VP4蛋白信号转导机制的研究[C].第十叁届全国免疫学学术大会壁报交流集.2018
[9].殷雯钰,彭芳,李宁.巨噬细胞识别清除衰老红细胞的研究进展[J].免疫学杂志.2018
[10].王燕,徐秀林.循环肿瘤细胞识别技术研究现状[J].生物信息学.2018
论文知识图
