基于深度学习的生物细胞核图像分割算法研究

发布时间：2022-01-27 19:28

　　细胞核图像的精细分割是各种计算病理学应用的起点,包括核形态分析、细胞类型分类和癌症分级等等。由于癌细胞的侵入性,一旦扩散难以治愈。通过活体组织检查观察细胞的早期突变从而尽早确诊治疗是目前一个有效的方式。但是病理科大夫借助显微镜观察标本组织的方式费时费力,极大的占用了宝贵的医疗资源。而且组织细胞中细胞核的定位又是绝大多数医疗研究的基础工作。例如,快速的定位细胞核,在药物测试中能够加速细胞核对药物反应状态的研究,从而加快新药的问世。近年来,基于深度学习的医学图像分割方法已经成为工业界与学术界的热点问题。在细胞核图像分割的研究中,对单个细胞核分割的精确度是关键性能指标之一。然而,现有方法大多基于卷积神经网络实现,其输出结果的准确性与样本的质量、人工标注的质量密切相关,且难以区分重叠、贴近的细胞核,现有的分割方法大多仅适用于特定数据集,无法顺利迁移到其他数据集上。因此,本文针对生物细胞核图像的分割方法开展研究,主要工作及创新点包括:1)提出了一种能够模拟细胞核现实分布的数据增强方法。由于组织切片图像不易获取,标注费时费力,导致可训练的样本较少,且考虑到通用的图像增强方法例如随机旋转、缩放等无法... 

【文章来源】：北京工业大学北京市211工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

章节主要内容Figure1-1Maincontentofeachchapter

a) 普通神经元 b) 卷积神经元图 2-1 不同神经元比较Figure 2-1 Comparison of different neurons卷积神经网络的核心思想是从底层到高层逐步抽取上下文信息，从具体到抽象到语义，抽象过程模拟了人类的视觉感知。基础的卷积神经网络通常是由卷积层（Convolution Layer）、池化层（Pooling Layer）、全连接层（Fully ConnectedLayer）、激活层（Activation Layer）、归一化层（Softmax Layer）五个部分组成。卷积与池化交替处理数据，激活函数采用 Relu 函数，求解神经网络参数使用梯度下降法（SGD），根据链式求导法则使用反向传播算法（BP）逐渐寻找最优参数。具体的流程是：首先使用定义好的卷积核在滑动图像上滑动，提取图像的特征；然后使用非线性的激活函数（常用 ReLU 和 Sigmoid）对卷积后的结果去线性化；随后紧跟着池化层，缩小输入图像尺寸。下文中将对这几种基本的结构进行介绍：第一个方面是卷积层。卷积层（Convolutional Layer）通过卷积核在图像中滑动来提取特征并输出特征图，卷积核的尺寸等同于当前特征图中感受野的大

第 2 章 相关理论基础出卷积、池化之后的特征图作为下一层的输入。每一层特征图内卷为：用卷积核在特征图上按照固定步长进行滑动，与图中的值做內特征图。二个方面是池化层。在经过激活函数 ReLU 层之后，紧接着一ling）层，通常也被称为下采样（downsample）层。这是由于图像经征提取后，得到了具有高维的局部关联性的特征，但若直接使用该算量过大，模型过拟合。常用的池化方法有最大池化（max-poolin用大小为 2×2 的滤波器以一定的步长在特征图上滑动，获取输入内容，输出卷积计算得到的图像子区域中的最大数字（如图 2-2 所2 的滤波器和步长为 2 的最大池化法）。


本文编号：3612957