基于Faster R-CNN的显微序列图像中癌细胞的检测与多目标跟踪

发布时间：2021-01-10 08:25

　　在生物医学的许多应用中,实现显微序列图像中癌细胞的检测与多目标自动跟踪是记录并分析癌细胞生命周期活动状态的基础,对药物开发、疾病诊断和治疗等具有重大的意义。相衬显微镜作为一种新型显微技术,可不对细胞进行染色,在自然状态下观察活体细胞,有利于癌细胞生命周期的监测及后续的动态分析。而相衬显微镜下的癌细胞存在前后景低对比度、形状多变、部分遮挡、高度密集等挑战性问题,传统的目标跟踪方法难以解决这些问题。本文基于深度学习算法,尝试实现显微序列图像中多个癌细胞的检测与跟踪。首先,本文基于Faster R-CNN检测算法实现癌细胞的初步检测;然后对检测结果进行分析,针对存在的问题,提出相应的解决方案,进一步优化检测算法,提高检测精度;再以此为基础,提出基于检测的多目标跟踪算法,得到初步的跟踪结果;最后在初步跟踪结果的基础上,结合癌细胞的具体特点,优化跟踪算法,提高跟踪效率。本文的主要工作和创新点如下:（1）针对检测阶段出现的癌细胞高密度问题,本文提出了将密度估计算法融入Faster R-CNN检测算法,构建了多任务loss函数,改善了检测效果。（2）针对相衬显微镜下癌细胞特征单一的问题,本文提出了多... 

【文章来源】：浙江工业大学浙江省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

细胞跟踪流程图

Fast R-CNN、Faster R-CNN 及 Mask R-CNN。（1）R-CNN从 2012 年的 ImageNet 图像挑战赛开始，CNN 再次进入研究者世界，传统，利用 CNN 特征进行图像识别，并在当时获得令人惊叹的准确率，能否将 CNN 特征应用在检测领域？”的热潮席卷而来。于是，2014 年 G提出的 R-CNN[12]算法将 CNN 特征正式应用于目标检测，翻开基于深度标检测新篇章。该算法利用 CNN 提取图像特征，通过有监督的训练方式练好的模型进行训练，能够通过小样本数据集微调网络的参数，解决了以训练有效模型难题，同时缓解了因数据不足而造成的过拟合等问题。练及测试阶段，R-CNN 根据给定的输入图片，利用 SS 算法实现候选框其中，候选框的个数可以人为设定，一般都是获取 2K 个候选框，方便后的筛选处理。而 CNN 网络中，要求输入图片大小一致，但 SS 算法得到大小不一，所以还需要对候选框进行缩放处理。例如，AlexNet 需要在将至 CNN 网络之前，将图像 resize 至 227*227 大小，R-CNN 网络的结构示。

图 2-3 SVM 示意图([45])Figure 2-3. The schematic diagram of SVM([45])大值抑制 NMS[46]类之后，每个候选域都有各自的标签，该标签表示候选域为了降低冗余度，可首先利用分数阈值将分值低的无效候目标被多个候选框包围的情况，可采用 NMS 技术对相交的冗余的候选框，得到最能代表检测结果的候选框。NMS 方值，实现候选框的初步筛选。其中，IoU 表示同一候选ox 的重叠度，IoU 示意图如图 2-4 所示。


本文编号：2968395