發(fā)布時(shí)間：2021-01-07 01:21

　　連接組學(xué)（Connectomics）旨在理解大腦如何工作,是神經(jīng)科學(xué)研究的一個(gè)重要方向,其核心工作是刻畫神經(jīng)系統(tǒng)連接方式的完整圖譜.隨著成像技術(shù)的發(fā)展,電子顯微鏡（Electron Microscopy,EM）可以在納米級(jí)分辨率對(duì)三維組織成像并生成海量圖像數(shù)據(jù).自動(dòng)解譯大規(guī)模EM數(shù)據(jù)中的一個(gè)核心問題是圖像的高精度自動(dòng)語義分割.例如,細(xì)胞內(nèi)的微觀細(xì)胞器結(jié)構(gòu)如線粒體的形態(tài)和分布異常與神經(jīng)退行性疾病密切相關(guān).線粒體的空間分布和形態(tài)定量作統(tǒng)計(jì)分析對(duì)連接組和神經(jīng)科學(xué)研究至關(guān)重要.本文面向大規(guī)模納米級(jí)EM圖像分析任務(wù),系統(tǒng)研究了EM圖像精準(zhǔn)語義分割面臨的挑戰(zhàn)及其解決方法.EM圖像內(nèi)容復(fù)雜、結(jié)構(gòu)豐富,細(xì)胞器屬形狀不規(guī)則、分布不均勻的小目標(biāo),其灰度、紋理、尺度等變化較大,并且與其它細(xì)胞組織和結(jié)構(gòu)的灰度相似.因此,實(shí)現(xiàn)高精度分割的關(guān)鍵是,1)如何有效利用圖像上下文信息,設(shè)計(jì)或?qū)W習(xí)具有高分辨能力的圖像特征;2)如何實(shí)現(xiàn)一致性結(jié)構(gòu)化標(biāo)簽預(yù)測(cè)以利用圖像內(nèi)的結(jié)構(gòu)化信息;以及3)如何有效地從數(shù)據(jù)中學(xué)習(xí)并利用內(nèi)蘊(yùn)幾何先驗(yàn)信息.除了模型分割性能,計(jì)算和模型復(fù)雜度也是計(jì)算機(jī)輔助生物醫(yī)學(xué)研究中的重要考量.設(shè)計(jì)輕量級(jí)的高效... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 電子顯微鏡圖像分割難點(diǎn)
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 基于人工設(shè)計(jì)特征的淺層模型
        1.3.2 基于深度學(xué)習(xí)特征的神經(jīng)網(wǎng)絡(luò)模型
    1.4 當(dāng)前研究存在的問題
    1.5 研究?jī)?nèi)容
    1.6 本文組織架構(gòu)
第2章 相關(guān)理論概述
    2.1 經(jīng)典特征概述
        2.1.1 表觀特征
        2.1.2 多尺度高斯旋轉(zhuǎn)不變特征描述子
        2.1.3 紋理特征——局部二值模式
        2.1.4 Haar特征
        2.1.5 經(jīng)典特征小結(jié)
    2.2 經(jīng)典機(jī)器學(xué)習(xí)算法
        2.2.1 隨機(jī)森林
        2.2.2 Adaboost
        2.2.3 經(jīng)典機(jī)器學(xué)習(xí)算法小結(jié)
    2.3 具有級(jí)聯(lián)架構(gòu)的經(jīng)典機(jī)器學(xué)習(xí)算法
        2.3.1 Auto-Context級(jí)聯(lián)架構(gòu)
        2.3.2 Expanded Trees級(jí)聯(lián)架構(gòu)
        2.3.3 級(jí)聯(lián)架構(gòu)小結(jié)
    2.4 基于編碼-解碼結(jié)構(gòu)的全卷積分割網(wǎng)絡(luò)
        2.4.1 經(jīng)典2D分割網(wǎng)絡(luò)
        2.4.2 經(jīng)典3D分割網(wǎng)絡(luò)
        2.4.3 經(jīng)典分割網(wǎng)絡(luò)小結(jié)
    2.5 醫(yī)學(xué)圖像分割評(píng)價(jià)指標(biāo)
    2.6 本章小結(jié)
第3章 基于層級(jí)結(jié)構(gòu)化學(xué)習(xí)的電子顯微鏡圖像分割
    3.1 一類新型的圖像化上下文特征
    3.2 層級(jí)結(jié)構(gòu)化學(xué)習(xí)框架
    3.3 層級(jí)多視角聚合學(xué)習(xí)框架
    3.4 層級(jí)結(jié)構(gòu)化隨機(jī)森林模型
    3.5 實(shí)驗(yàn)與分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.5.2 實(shí)驗(yàn)設(shè)置
        3.5.3 分割結(jié)果
        3.5.4 實(shí)驗(yàn)結(jié)果對(duì)比
    3.6 特征及模型分析
        3.6.1 特征有效性分析
        3.6.2 消融實(shí)驗(yàn)
        3.6.3 模型參數(shù)敏感性分析
    3.7 本章小結(jié)
第4章 基于幾何先驗(yàn)學(xué)習(xí)和層級(jí)多視角聚合卷積的深度分割網(wǎng)絡(luò)
    4.1 網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)動(dòng)機(jī)
    4.2 HIVE-Net
        4.2.1 幾何先驗(yàn)學(xué)習(xí)子任務(wù)
        4.2.2 語義分割子任務(wù)
    4.3 HVEC模塊
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.4.2 實(shí)驗(yàn)設(shè)置
        4.4.3 結(jié)果對(duì)比
        4.4.4 針對(duì)HVEC模塊的消融實(shí)驗(yàn)
        4.4.5 關(guān)于權(quán)衡超參數(shù)的敏感性分析
        4.4.6 訓(xùn)練數(shù)據(jù)量對(duì)模型的影響
    4.5 本章小結(jié)
第5章 結(jié)論與展望
    5.1 本文工作總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：2961613