基于Caps-Unet的粘连细胞核边缘检测及分割

发布时间：2021-11-28 09:58

　　在组织病理学图像中准确地检测细胞核的区域,尤其是粘连细胞核的区域检测,对医学图像中细胞核位置的精准分割、病变细胞的准确计数及后续的三维重建是至关重要的,其对计算机医学影像辅助临床诊断的现代医疗技术的提升具有很大的现实意义,这一直是医学图像处理分析问题中的热点、难点问题。传统的医学图像分割方法表征力较弱,很难实现精准的区域分割。深度学习技术能够克服很多传统图像分割技术上的弊端,因此,本文以深度学习技术作为主要研究方法。大多数以细胞核的区域信息作为模型训练标签的深度学习算法,难以实现细胞核粘连区域的精准分割。故在本文的第三章中,我们将训练模型的细胞核区域信息标签变更为细胞核的边缘信息。另外,针对组织病理图像中粘连细胞核的分割问题,提出深度学习分割模型Caps-Unet。Caps-Unet模型以胶囊层（表示为Capsule层,简称Caps层）替换U-Net模型中的常规卷积层。每个Caps层由四个不同尺度的卷积单元和一个用于连接这四个不同尺度卷积单元输出特征图的连接单元组成。在MICCAI2017粘连细胞核数据集下的实验结果表明,Caps-Unet模型可检测到U-Net模型难以检测到的粘连细胞... 

【文章来源】：陕西师范大学陕西省 211工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图２－１?ＣＮＮ结构图??ｉ．?２－１ｒｒＮＮ??

图２－２?ＣＮＮ分类实例??Ｆｉｇ．?２－２?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｅｘａｍｐｌｅ?ｏｆ?ＣＮＮ??如图２－１所示的卷积神经网络结构，网络模型输入为１张大小为６４＊６４通道数??为１的图像，经过一次卷积输出１张大小为６４＊６４，通道数为３的张量（张量形式??为（１，?６４，?６４，?３））；然后对这些特征图进行池化操作，降低数据维度，加速网络??模型的计算，输出１张大小为３２＊３２，通道数为３的特征张量（张量形式为（１，３２，??３２，?３））；随后对这些特征图镜像全连接操作，使这三张特征图所有的特征值纵向??连接，输出１列长度为３２＊３２＊３的张量（张量形式为（１，３２＊３２＊３））。最后进入模型??的输出层（分类层），该层包含三个神经元，使用Ｓｏｆｔｍａｘ函数输出输入图像属于ａ、??ｂ、ｃ三类的概率，且可近似的认为输入图像属于概率值最大的那一类。??２．?２全卷积神经网络??ＵＣ?Ｂｅｒｋｅｌｅｙ的Ｊｏｎａｔｈａｎ?Ｌｏｎｇ等人将传统ＣＮＮ结构中的全连接层替换成卷积??层

一FCN分割实例Fig.245必琶Inema石

【参考文献】：
期刊论文
[1]现代医学影像技术中计算机图像处理技术的应用[J]. 于大伟,曹章.  影像研究与医学应用. 2019(05)
[2]基于全卷积网络的土壤断层扫描图像中孔隙分割[J]. 韩巧玲,赵玥,赵燕东,刘克雄,庞曼.  农业工程学报. 2019(02)
[3]深度学习算法中卷积神经网络的概念综述[J]. 李策,陈海霞,汉语,左胜甲,赵立刚.  电子测试. 2018(23)
[4]计算机图像处理技术在医学影像中的进展与应用研究[J]. 刘泽宇,郭炜婷.  中国卫生标准管理. 2018(09)
[5]现代医学影像技术中计算机图像处理技术的应用[J]. 曾玲.  电子技术与软件工程. 2018(08)
[6]基于改进全卷积网络的小麦图像分割[J]. 万园洁,卿粼波,何小海,董德良,石恒.  计算机系统应用. 2018(03)
[7]基于局部空间信息的阈值分割算法[J]. 张弘,高威.  计算机与数字工程. 2018(02)
[8]数字图像处理技术的发展及应用[J]. 郑李强.  电脑知识与技术. 2018(02)
[9]医学图像分割方法综述[J]. 刘宇,陈胜.  电子科技. 2017(08)
[10]医学影像技术在医学影像诊断中的临床应用分析[J]. 张德义.  临床医药文献电子杂志. 2017(43)



本文编号：3524216