基于生成式对抗网络的细胞图像分割方法的研究
发布时间：2021-01-07 10:41
细胞图像分割是癌细胞检测中一个极为重要的环节。然而,由于细胞图像拥有复杂的背景环境,比如重叠、低对比度以及杂质干扰,导致细胞分割十分具有挑战性。传统的分割方法很难有效分割多复杂背景下的细胞图像。而目前的深度学习分割模型虽然能够解决多复杂背景图像的分割难题,然而由于其自身基于像素点分类机制的制约,难以有效分割重叠细胞。为了解决上述问题,本文借鉴生成式对抗网络,从图像生成的角度提出了一种全新的深度学习分割模型,称之为Cell-GAN。Cell-GAN是基于训练所学的有关于细胞形态的概率分布,来实现对图像信息的区分,并通过自编码器结构,实现对细胞图像的分割。对于每个待分割细胞,Cell-GAN尝试保留所有能够使得该细胞保持完整性的信息,同时将其它的细胞（排除与待分割细胞重叠的区域）看作背景而去除。最终,Cell-GAN将生成一副无背景的单细胞图像,而生成细胞的轮廓便是所需的细胞分割线。为了实现细胞之间的区分,Cell-GAN采用双图像输入模式,除了正常的细胞图像以外,同时接收与之对应的单细胞核图像,本文称之为指导因子。指导因子起到了帮助Cell-GAN定位待分割细胞的作用,它是重叠细胞分割能...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
宫颈细胞图像
比整幅图像要小得多。因此，CNNs 只能基于局部图像的特征来进行分类，因而分类性能受到限制。2.1.3 全卷积神经网络 FCNFCN将传统CNNs中的全连接层转化为一个个的卷积层。如图2-1所示[15]，在传统的 CNNs 中，前 5 层是卷积层，第 6 层和第 7 层分别是一个长度为 4096的一维向量，第 8 层为长度 1000 的一维向量，分别对应 1000 个类别的概率。FCN 将后 3 层网络替换为卷积层，原来的网络是 4096×1×1，全卷积之后的网络是 4096×宽×高，最后一层全卷积层的大小是 1000×宽×高。多次卷积会导致得到的图像越来越小，图像分辨率越来越低，为了得到与原始图像等大的输出图像，FCN 在最后一层网络中使用反卷积网络结构。
FCN 的缺点也比较明显：一是得到的结果还不是十分精细，上采样的结果依旧比较模糊和平滑，对图像中的细节不敏感；二是对各个像素进行分类，没有充分考虑像素与像素之间的关系，忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。2.1.4 医学图像分割网络 U-NetU-Net 是基于 FCN 的一个语义分割网络，适用于医学图像的分割。与 FCN相比，U-Net 结构上比较大的改动在于对每层卷积网络的输出采取上采样操作，如图 2-2 所示[17]。这样做的好处在于 U-Net 使用前几层卷积网络包含的低分辨率信息定位分割目标，同时使用后几层网络包含的高分辨率信息提取复杂特征，比如模糊边界以及复杂梯度。这两点也正是 U-Net 最具特色的地方所在。
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的井下人员目标检测[J]. 唐士宇,朱艾春,张赛,曹青峰,崔冉,华钢. 工矿自动化. 2018(11)
[2]一种基于决策粗糙集的模糊C均值聚类数的确定方法[J]. 石文峰,商琳. 计算机科学. 2017(09)
[3]基于卷积神经网络（CNN）和CUDA加速的实时视频人脸识别[J]. 孔英会,王之涵,车辚辚. 科学技术与工程. 2016(35)
[4]基于栈式去噪自编码器的遥感图像分类[J]. 张一飞,陈忠,张峰,欧阳超. 计算机应用. 2016(S2)
[5]基于动态K均值聚类算法的SAR图像分割[J]. 邢涛,黄友红,胡庆荣,李军,王冠勇. 中国科学院大学学报. 2016(05)
[6]早期宫颈癌FIGO分期与手术病理分期的差异性及淋巴结转移危险因素的分析[J]. 孙瑞瑞,胡尔西旦·尼牙孜,赵化荣,张蕾,热合曼·衣明,包永星. 临床肿瘤学杂志. 2015(08)
[7]异常宫颈细胞核的自适应局部分割[J]. 张灵,李静立,陈思平,汪天富,江少锋,刘少雄. 中国图象图形学报. 2013(10)
[8]一种基于椭圆可变形模板技术的宫颈细胞图像分割方法[J]. 刘生浩,曾立波,吴琼水,刘斌. 仪器仪表学报. 2004(02)
博士论文
[1]医学显微细胞图像分割研究[D]. 张瑞华.武汉科技大学 2014
本文编号：2962417
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
宫颈细胞图像
比整幅图像要小得多。因此，CNNs 只能基于局部图像的特征来进行分类，因而分类性能受到限制。2.1.3 全卷积神经网络 FCNFCN将传统CNNs中的全连接层转化为一个个的卷积层。如图2-1所示[15]，在传统的 CNNs 中，前 5 层是卷积层，第 6 层和第 7 层分别是一个长度为 4096的一维向量，第 8 层为长度 1000 的一维向量，分别对应 1000 个类别的概率。FCN 将后 3 层网络替换为卷积层，原来的网络是 4096×1×1，全卷积之后的网络是 4096×宽×高，最后一层全卷积层的大小是 1000×宽×高。多次卷积会导致得到的图像越来越小，图像分辨率越来越低，为了得到与原始图像等大的输出图像，FCN 在最后一层网络中使用反卷积网络结构。
FCN 的缺点也比较明显：一是得到的结果还不是十分精细，上采样的结果依旧比较模糊和平滑，对图像中的细节不敏感；二是对各个像素进行分类，没有充分考虑像素与像素之间的关系，忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。2.1.4 医学图像分割网络 U-NetU-Net 是基于 FCN 的一个语义分割网络，适用于医学图像的分割。与 FCN相比，U-Net 结构上比较大的改动在于对每层卷积网络的输出采取上采样操作，如图 2-2 所示[17]。这样做的好处在于 U-Net 使用前几层卷积网络包含的低分辨率信息定位分割目标，同时使用后几层网络包含的高分辨率信息提取复杂特征，比如模糊边界以及复杂梯度。这两点也正是 U-Net 最具特色的地方所在。
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的井下人员目标检测[J]. 唐士宇,朱艾春,张赛,曹青峰,崔冉,华钢. 工矿自动化. 2018(11)
[2]一种基于决策粗糙集的模糊C均值聚类数的确定方法[J]. 石文峰,商琳. 计算机科学. 2017(09)
[3]基于卷积神经网络（CNN）和CUDA加速的实时视频人脸识别[J]. 孔英会,王之涵,车辚辚. 科学技术与工程. 2016(35)
[4]基于栈式去噪自编码器的遥感图像分类[J]. 张一飞,陈忠,张峰,欧阳超. 计算机应用. 2016(S2)
[5]基于动态K均值聚类算法的SAR图像分割[J]. 邢涛,黄友红,胡庆荣,李军,王冠勇. 中国科学院大学学报. 2016(05)
[6]早期宫颈癌FIGO分期与手术病理分期的差异性及淋巴结转移危险因素的分析[J]. 孙瑞瑞,胡尔西旦·尼牙孜,赵化荣,张蕾,热合曼·衣明,包永星. 临床肿瘤学杂志. 2015(08)
[7]异常宫颈细胞核的自适应局部分割[J]. 张灵,李静立,陈思平,汪天富,江少锋,刘少雄. 中国图象图形学报. 2013(10)
[8]一种基于椭圆可变形模板技术的宫颈细胞图像分割方法[J]. 刘生浩,曾立波,吴琼水,刘斌. 仪器仪表学报. 2004(02)
博士论文
[1]医学显微细胞图像分割研究[D]. 张瑞华.武汉科技大学 2014
本文编号：2962417
本文链接：https://www.wllwen.com/yixuelunwen/swyx/2962417.html
