基于结构上下文和多任务学习的电子显微镜图像分割方法研究

发布时间：2021-01-07 01:21

　　连接组学（Connectomics）旨在理解大脑如何工作,是神经科学研究的一个重要方向,其核心工作是刻画神经系统连接方式的完整图谱.随着成像技术的发展,电子显微镜（Electron Microscopy,EM）可以在纳米级分辨率对三维组织成像并生成海量图像数据.自动解译大规模EM数据中的一个核心问题是图像的高精度自动语义分割.例如,细胞内的微观细胞器结构如线粒体的形态和分布异常与神经退行性疾病密切相关.线粒体的空间分布和形态定量作统计分析对连接组和神经科学研究至关重要.本文面向大规模纳米级EM图像分析任务,系统研究了EM图像精准语义分割面临的挑战及其解决方法.EM图像内容复杂、结构丰富,细胞器属形状不规则、分布不均匀的小目标,其灰度、纹理、尺度等变化较大,并且与其它细胞组织和结构的灰度相似.因此,实现高精度分割的关键是,1)如何有效利用图像上下文信息,设计或学习具有高分辨能力的图像特征;2)如何实现一致性结构化标签预测以利用图像内的结构化信息;以及3)如何有效地从数据中学习并利用内蕴几何先验信息.除了模型分割性能,计算和模型复杂度也是计算机辅助生物医学研究中的重要考量.设计轻量级的高效... 

【文章来源】：华侨大学福建省

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 电子显微镜图像分割难点
    1.3 国内外研究现状
        1.3.1 基于人工设计特征的浅层模型
        1.3.2 基于深度学习特征的神经网络模型
    1.4 当前研究存在的问题
    1.5 研究内容
    1.6 本文组织架构
第2章 相关理论概述
    2.1 经典特征概述
        2.1.1 表观特征
        2.1.2 多尺度高斯旋转不变特征描述子
        2.1.3 纹理特征——局部二值模式
        2.1.4 Haar特征
        2.1.5 经典特征小结
    2.2 经典机器学习算法
        2.2.1 随机森林
        2.2.2 Adaboost
        2.2.3 经典机器学习算法小结
    2.3 具有级联架构的经典机器学习算法
        2.3.1 Auto-Context级联架构
        2.3.2 Expanded Trees级联架构
        2.3.3 级联架构小结
    2.4 基于编码-解码结构的全卷积分割网络
        2.4.1 经典2D分割网络
        2.4.2 经典3D分割网络
        2.4.3 经典分割网络小结
    2.5 医学图像分割评价指标
    2.6 本章小结
第3章 基于层级结构化学习的电子显微镜图像分割
    3.1 一类新型的图像化上下文特征
    3.2 层级结构化学习框架
    3.3 层级多视角聚合学习框架
    3.4 层级结构化随机森林模型
    3.5 实验与分析
        3.5.1 实验数据集
        3.5.2 实验设置
        3.5.3 分割结果
        3.5.4 实验结果对比
    3.6 特征及模型分析
        3.6.1 特征有效性分析
        3.6.2 消融实验
        3.6.3 模型参数敏感性分析
    3.7 本章小结
第4章 基于几何先验学习和层级多视角聚合卷积的深度分割网络
    4.1 网络架构设计动机
    4.2 HIVE-Net
        4.2.1 几何先验学习子任务
        4.2.2 语义分割子任务
    4.3 HVEC模块
    4.4 实验与分析
        4.4.1 实验数据集
        4.4.2 实验设置
        4.4.3 结果对比
        4.4.4 针对HVEC模块的消融实验
        4.4.5 关于权衡超参数的敏感性分析
        4.4.6 训练数据量对模型的影响
    4.5 本章小结
第5章 结论与展望
    5.1 本文工作总结
    5.2 展望
参考文献
致谢
个人简历、在学期间发表的学术论文与研究成果



本文编号：2961613