联合检测与分割的多细胞跟踪算法研究

发布时间：2021-01-11 02:21

　　细胞跟踪是显微镜图像领域重要的研究课题之一。细胞存在形态变化、分裂行为等,与一般的目标跟踪相比,细胞跟踪更具挑战性。当前主流的细胞跟踪算法通常以细胞的检测或分割为前提,在细胞区别明显或稀疏的情况下,此类算法表现优秀。然而在细胞分布密度高的场景,此类算法往往由于细胞漏检等,得到的跟踪结果较差。本文基于U-Net及相关跟踪算法进行优化,提出一种新的多细胞跟踪算法,可改善细胞分布密度高的场景下多细胞跟踪的性能。针对细胞检测中存在的漏检严重问题,本文基于U-Net进行优化,提出仅分割细胞质心区域的方法,实现更准确的细胞定位与计数。利用多帧输入的方式,使得网络可以学习序列图像的时空信息。在不改变U-Net结构的情况下,多帧输入的方式提高了分裂期细胞的检测准确性,进而改善细胞分裂行为的检测性能。在U-Net的基础上,融入注意力机制,对网络层的输出进行自适应校准。结合NL模块全局上下文建模能力强与SE模块轻量计算的优点,设计一种全局上下文信息响应自校准模块,命名为GCR模块。GCR模块主要由全局上下文信息提取、像素级响应自校准两部分组成。实验结果表明,融入GCR模块后,U-Net得到的细胞质心检测可... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

U-Net的5层网络结构[17]238（e）Arbelle等[23]提出一种卷积长短期记忆单元（ConvLSTM）与U-Net

哈尔滨工业大学工程硕士学位论文-8-1.4课题的主要研究内容众多研究者在细胞跟踪领域做出了杰出的工作，取得较为理想的成果。但是面对上述提到的细胞跟踪领域挑战难点，难以有一种通同的算法可处理不同的细胞序列图像。本课题将专注于细胞的多目标跟踪，即跟踪全部序列的所有细胞，在前沿的细胞跟踪算法[34]1147的基础上进一步提高细胞检测、跟踪的性能，特别是分布密度高、聚集成团较多的细胞场景。本课题的研究内容、实验工作皆由本人完成。图1-2ISBI2015的CTC前三算法量化性能[34]11481.4.1算法的整体结构本课题提出的算法是基于检测的跟踪算法，算法的整体框架如图1-3所示。其主要由细胞质心检测与细胞分割两部分结合，实现对分布密度高的细胞进行准确的定位与计数，从而提高跟踪的性能。在U-Net的基础上融入注意力机制，进一步改善跟踪的性能。图1-3a)表示输入的图像数据。b)表示基于U-Net的细胞初分割，得到初步的细胞分割结果。d)表示基于U-Net的多帧细胞质心检测，得到细胞质心信息。e)表示细胞质心的目标关联，得到细胞的质心运动轨迹。g)是联合细胞初分割结果与细胞质心目标关联结果的细胞后分割，即为每一个细胞质心分配合适的掩膜，从而生成最终的多细胞跟踪结果。1.4.2课题的研究内容本课题研究的主要内容将分为以下四点。

哈尔滨工业大学工程硕士学位论文-12-细胞与背景较为相似的时候，直接分割一个细胞，存在一个细胞被分割为若干个细胞的情况。如果使网络仅仅学习细胞的质心区域，即分割得到的是细胞的质心区域，能够改善细胞分布密度高的场景下细胞定位、计数困难等问题，实现检测每一个细胞的效果。使用U-Net只对细胞的质心区域进行分割，其计算过程实际上是语义分割策略，可以实现检测细胞的效果。a)细胞的质心标注b)细胞的语义分割图2-1细胞质心与分割信息本小节将介绍如何利用U-Net进行细胞质心区域的分割。先对训练数据进行如边缘扩展、标签制作、数据增强等的预操作，然后将数据归一化后输入U-Net，进行网络权重参数的训练，学习提取细胞的质心区域。（1）边缘扩展每个数据集的图像尺寸是不同的，例如PSC数据集中的图像尺寸是720576，DIC-C2DH-HeLa（以下简称为HeLa）数据集中的图像尺寸是1100700。U-Net可应用于任意尺寸的输入图像，此处仅通过扩展边缘，得到对应的输出特征图尺寸即可。边缘扩展的大小通过计算得到，先从原始的输出特征图尺寸反向计算输入图像的尺寸，然后利用该输入图像尺寸正向计算输出特征图的尺寸。当计算得到的输出特征图尺寸小于原始的输出特征图尺寸，输入图像尺寸不断增加2个像素，直到计算的输出特征图尺寸大于或者等于原始的输出特征图尺寸。CTC数据集的标签是对边缘区域忽略的，此处对输入图像的标签忽略区域填充为零。扩展边缘采用的方法是边界镜像，图2-2展示了PSC图像边缘扩展结果，a)是原始的图像，b)是扩展边缘后的输入图像。此外，对标签做同样的边缘扩展处理，只需在计算损失（Loss）之前，裁剪为对应的输出特征图尺寸。（2）标签制作提取细胞的质心区域，需要提供细胞的质心标签，从而令U-Net学会只分割质?


本文编号：2969881