基于深度学习及聚类的神经细胞图像分割研究
发布时间：2021-01-20 10:06
大脑是最重要的器官之一,控制着身体的大多数活动。虽然医学在很多方面都发展迅速,但是对于脑的结构及工作原理的研究却仍然没有重大突破,仍面临着很多难题。随着技术的不断强大,我们可以轻而易举获得大规模高质量的组织病理学图像。想要系统性地研究脑细胞之间的联系与区别,并从中识别出病理细胞,从脑图像中准确地分割出细胞是基础和关键。本文数据集来自华中科技大学光电实验室,数据集为小鼠脑的冠状面切片。本文的目的是准确分割出医学类图像中的神经细胞,但是这种像素级别的医学类图像相对于其它类图像,构成十分复杂,如细胞相互粘连,血管的干扰,前景背景对比不明显。这些原因使得以往对图像进行分割的算法不适用于本文的数据。本文针对微观医学类图像的特点,对以往的算法进行改善。首先通过深度学习对图像中的像素进行分类。然后结合深度学习训练出来的结果,通过聚类对之进行边缘检测。为避免拟合效果不佳,在通过深度学习对图像做分类的过程中,首先对图像做图像增强,加大样本量,增加噪声。然后采用适合对医学类图像做分割的U-net网络进行分类,最终基于像素点的平均正确率达到90.32%,基于细胞的平均正确率达到91.60%,相对于以往正确率...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
视觉系统工作的过程
M-P 神经元。而局部连接、权值共享、下采样这三个特点是 CNN 与其前身 Neetwork 的不同之处。正是这三个特性让其本身适用于数据中的平移、缩放以及，能够使得其具有一定的稳定性。这些特性使得 CNN 在对图片做识别以及分任务中取得了巨大的成功。下面对着三个特点简要介绍。（1）局部连接1962 年，Hubel 及 Wiesel 提出了感受野概念。感受野是对于生物学上的神经说的，当其收到信息发生变化时，会将信息传播到上位中枢。所以对生物学上经元来说，其感受野就是其受刺激的区域。而感受野概念则对应着 CNN 中的核。在最原始的网络结构中，同一层次的神经元不连接，相邻层次的神经元相接，这种方式称为全连接，但是图像的数据量大，全连接的网络不可实施，而野的发现激发了局部连接的提出，每一个节点只与上个层次中的部分节点相连以大大的减少需要优化的参数。
如图 2-2 左侧，为全连接；如图 2-2 右侧，为局部连接，不同颜色的连接代不同的神经元只与上层部分像素相连。（2）权值共享虽然局部连接的特性已经大大的减少了神经网络的参数，但是由于图像的规大，相应的，网络结构中的连接权重参数的数量级也是很大的。如图 2-3，卷成功的化解了这个问题。对于不同的图像，或相同的图像，使用同一个 convolurnel 可以减少不必要的参数。通常来说，convolution kernel 的尺寸要远远小于的尺寸。同一个卷积核在不同的图像上及相同的图像上应用，也就是学习图像一个特征，这也是符合生物学上的视觉系统的机制的。为了学习到原图像上的维数的特征，我们需要在整张图像上应用多个不同的 convolution kernel。通nvolution kernel 学习图片之后，每个 convolution kernel 都可以得到一种特征，特征映射(Feature Map)。
【参考文献】：
期刊论文
[1]基于U-net网络的肺部肿瘤图像分割算法研究[J]. 周鲁科,朱信忠. 信息与电脑(理论版). 2018(05)
[2]基于卷积神经网络改进的图像自动分割方法[J]. 温佩芝,苗渊渊,周迎,冯丽园. 计算机应用研究. 2018(09)
[3]基于U-Net网络的肺部CT图像分割算法[J]. 袁甜,程红阳,陈云虹,张海荣,王文军. 自动化与仪器仪表. 2017(06)
[4]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄. 软件学报. 2017(01)
[5]BP人工神经网络在图像分割中的应用[J]. 杨治明,王晓蓉,彭军,陈应祖. 计算机科学. 2007(03)
[6]一种基于区域分割的几何模型简化方法[J]. 全红艳,张田文,董宇欣. 计算机学报. 2006(10)
博士论文
[1]基于卷积神经网络的医学图像癌变识别研究[D]. 薛迪秀.中国科学技术大学 2017
[2]基于模糊聚类算法的医学图像分割技术研究[D]. 张小峰.山东大学 2014
[3]结合深度信息的图像分割算法研究[D]. 皮志明.中国科学技术大学 2013
[4]基于聚类分析的图像分割方法研究[D]. 张新野.大连海事大学 2012
[5]聚类分析中的相似性度量及其应用研究[D]. 白雪.北京交通大学 2012
[6]基于聚类分析的图像分割算法研究[D]. 许晓丽.哈尔滨工程大学 2012
[7]基于计算机视觉的人工神经网络和图像处理技术的牛肉大理石花纹自动分级研究[D]. 艾虎.四川农业大学 2009
硕士论文
[1]基于深度学习的图像语义分割研究[D]. 肖旭.南昌航空大学 2017
[2]基于全卷积神经网络的全向场景分割研究与算法实现[D]. 翁健.山东大学 2017
[3]基于深度学习的图像分割研究[D]. 张明月.吉林大学 2017
[4]基于全卷积神经网络的人脸检测算法研究[D]. 卫露宁.浙江大学 2017
[5]基于卷积神经网络的图像语义分割[D]. 陈鸿翔.浙江大学 2016
[6]神经元胞体的几何分类[D]. 任明举.华中科技大学 2014
[7]基于边缘检测的图像分割算法研究[D]. 唐闯.燕山大学 2012
[8]复杂背景下红外小目标检测方法研究[D]. 杨德佳.电子科技大学 2011
本文编号：2988850
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
视觉系统工作的过程
M-P 神经元。而局部连接、权值共享、下采样这三个特点是 CNN 与其前身 Neetwork 的不同之处。正是这三个特性让其本身适用于数据中的平移、缩放以及，能够使得其具有一定的稳定性。这些特性使得 CNN 在对图片做识别以及分任务中取得了巨大的成功。下面对着三个特点简要介绍。（1）局部连接1962 年，Hubel 及 Wiesel 提出了感受野概念。感受野是对于生物学上的神经说的，当其收到信息发生变化时，会将信息传播到上位中枢。所以对生物学上经元来说，其感受野就是其受刺激的区域。而感受野概念则对应着 CNN 中的核。在最原始的网络结构中，同一层次的神经元不连接，相邻层次的神经元相接，这种方式称为全连接，但是图像的数据量大，全连接的网络不可实施，而野的发现激发了局部连接的提出，每一个节点只与上个层次中的部分节点相连以大大的减少需要优化的参数。
如图 2-2 左侧，为全连接；如图 2-2 右侧，为局部连接，不同颜色的连接代不同的神经元只与上层部分像素相连。（2）权值共享虽然局部连接的特性已经大大的减少了神经网络的参数，但是由于图像的规大，相应的，网络结构中的连接权重参数的数量级也是很大的。如图 2-3，卷成功的化解了这个问题。对于不同的图像，或相同的图像，使用同一个 convolurnel 可以减少不必要的参数。通常来说，convolution kernel 的尺寸要远远小于的尺寸。同一个卷积核在不同的图像上及相同的图像上应用，也就是学习图像一个特征，这也是符合生物学上的视觉系统的机制的。为了学习到原图像上的维数的特征，我们需要在整张图像上应用多个不同的 convolution kernel。通nvolution kernel 学习图片之后，每个 convolution kernel 都可以得到一种特征，特征映射(Feature Map)。
【参考文献】：
期刊论文
[1]基于U-net网络的肺部肿瘤图像分割算法研究[J]. 周鲁科,朱信忠. 信息与电脑(理论版). 2018(05)
[2]基于卷积神经网络改进的图像自动分割方法[J]. 温佩芝,苗渊渊,周迎,冯丽园. 计算机应用研究. 2018(09)
[3]基于U-Net网络的肺部CT图像分割算法[J]. 袁甜,程红阳,陈云虹,张海荣,王文军. 自动化与仪器仪表. 2017(06)
[4]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄. 软件学报. 2017(01)
[5]BP人工神经网络在图像分割中的应用[J]. 杨治明,王晓蓉,彭军,陈应祖. 计算机科学. 2007(03)
[6]一种基于区域分割的几何模型简化方法[J]. 全红艳,张田文,董宇欣. 计算机学报. 2006(10)
博士论文
[1]基于卷积神经网络的医学图像癌变识别研究[D]. 薛迪秀.中国科学技术大学 2017
[2]基于模糊聚类算法的医学图像分割技术研究[D]. 张小峰.山东大学 2014
[3]结合深度信息的图像分割算法研究[D]. 皮志明.中国科学技术大学 2013
[4]基于聚类分析的图像分割方法研究[D]. 张新野.大连海事大学 2012
[5]聚类分析中的相似性度量及其应用研究[D]. 白雪.北京交通大学 2012
[6]基于聚类分析的图像分割算法研究[D]. 许晓丽.哈尔滨工程大学 2012
[7]基于计算机视觉的人工神经网络和图像处理技术的牛肉大理石花纹自动分级研究[D]. 艾虎.四川农业大学 2009
硕士论文
[1]基于深度学习的图像语义分割研究[D]. 肖旭.南昌航空大学 2017
[2]基于全卷积神经网络的全向场景分割研究与算法实现[D]. 翁健.山东大学 2017
[3]基于深度学习的图像分割研究[D]. 张明月.吉林大学 2017
[4]基于全卷积神经网络的人脸检测算法研究[D]. 卫露宁.浙江大学 2017
[5]基于卷积神经网络的图像语义分割[D]. 陈鸿翔.浙江大学 2016
[6]神经元胞体的几何分类[D]. 任明举.华中科技大学 2014
[7]基于边缘检测的图像分割算法研究[D]. 唐闯.燕山大学 2012
[8]复杂背景下红外小目标检测方法研究[D]. 杨德佳.电子科技大学 2011
本文编号：2988850
本文链接：https://www.wllwen.com/xiyixuelunwen/2988850.html
