細(xì)胞跟蹤是顯微鏡圖像領(lǐng)域重要的研究課題之一。細(xì)胞存在形態(tài)變化、分裂行為等,與一般的目標(biāo)跟蹤相比,細(xì)胞跟蹤更具挑戰(zhàn)性。當(dāng)前主流的細(xì)胞跟蹤算法通常以細(xì)胞的檢測(cè)或分割為前提,在細(xì)胞區(qū)別明顯或稀疏的情況下,此類(lèi)算法表現(xiàn)優(yōu)秀。然而在細(xì)胞分布密度高的場(chǎng)景,此類(lèi)算法往往由于細(xì)胞漏檢等,得到的跟蹤結(jié)果較差。本文基于U-Net及相關(guān)跟蹤算法進(jìn)行優(yōu)化,提出一種新的多細(xì)胞跟蹤算法,可改善細(xì)胞分布密度高的場(chǎng)景下多細(xì)胞跟蹤的性能。針對(duì)細(xì)胞檢測(cè)中存在的漏檢嚴(yán)重問(wèn)題,本文基于U-Net進(jìn)行優(yōu)化,提出僅分割細(xì)胞質(zhì)心區(qū)域的方法,實(shí)現(xiàn)更準(zhǔn)確的細(xì)胞定位與計(jì)數(shù)。利用多幀輸入的方式,使得網(wǎng)絡(luò)可以學(xué)習(xí)序列圖像的時(shí)空信息。在不改變U-Net結(jié)構(gòu)的情況下,多幀輸入的方式提高了分裂期細(xì)胞的檢測(cè)準(zhǔn)確性,進(jìn)而改善細(xì)胞分裂行為的檢測(cè)性能。在U-Net的基礎(chǔ)上,融入注意力機(jī)制,對(duì)網(wǎng)絡(luò)層的輸出進(jìn)行自適應(yīng)校準(zhǔn)。結(jié)合NL模塊全局上下文建模能力強(qiáng)與SE模塊輕量計(jì)算的優(yōu)點(diǎn),設(shè)計(jì)一種全局上下文信息響應(yīng)自校準(zhǔn)模塊,命名為GCR模塊。GCR模塊主要由全局上下文信息提取、像素級(jí)響應(yīng)自校準(zhǔn)兩部分組成。實(shí)驗(yàn)結(jié)果表明,融入GCR模塊后,U-Net得到的細(xì)胞質(zhì)心檢測(cè)可... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

U-Net的5層網(wǎng)絡(luò)結(jié)構(gòu)[17]238（e）Arbelle等[23]提出一種卷積長(zhǎng)短期記憶單元（ConvLSTM）與U-Net

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-8-1.4課題的主要研究?jī)?nèi)容眾多研究者在細(xì)胞跟蹤領(lǐng)域做出了杰出的工作，取得較為理想的成果。但是面對(duì)上述提到的細(xì)胞跟蹤領(lǐng)域挑戰(zhàn)難點(diǎn)，難以有一種通同的算法可處理不同的細(xì)胞序列圖像。本課題將專(zhuān)注于細(xì)胞的多目標(biāo)跟蹤，即跟蹤全部序列的所有細(xì)胞，在前沿的細(xì)胞跟蹤算法[34]1147的基礎(chǔ)上進(jìn)一步提高細(xì)胞檢測(cè)、跟蹤的性能，特別是分布密度高、聚集成團(tuán)較多的細(xì)胞場(chǎng)景。本課題的研究?jī)?nèi)容、實(shí)驗(yàn)工作皆由本人完成。圖1-2ISBI2015的CTC前三算法量化性能[34]11481.4.1算法的整體結(jié)構(gòu)本課題提出的算法是基于檢測(cè)的跟蹤算法，算法的整體框架如圖1-3所示。其主要由細(xì)胞質(zhì)心檢測(cè)與細(xì)胞分割兩部分結(jié)合，實(shí)現(xiàn)對(duì)分布密度高的細(xì)胞進(jìn)行準(zhǔn)確的定位與計(jì)數(shù)，從而提高跟蹤的性能。在U-Net的基礎(chǔ)上融入注意力機(jī)制，進(jìn)一步改善跟蹤的性能。圖1-3a)表示輸入的圖像數(shù)據(jù)。b)表示基于U-Net的細(xì)胞初分割，得到初步的細(xì)胞分割結(jié)果。d)表示基于U-Net的多幀細(xì)胞質(zhì)心檢測(cè)，得到細(xì)胞質(zhì)心信息。e)表示細(xì)胞質(zhì)心的目標(biāo)關(guān)聯(lián)，得到細(xì)胞的質(zhì)心運(yùn)動(dòng)軌跡。g)是聯(lián)合細(xì)胞初分割結(jié)果與細(xì)胞質(zhì)心目標(biāo)關(guān)聯(lián)結(jié)果的細(xì)胞后分割，即為每一個(gè)細(xì)胞質(zhì)心分配合適的掩膜，從而生成最終的多細(xì)胞跟蹤結(jié)果。1.4.2課題的研究?jī)?nèi)容本課題研究的主要內(nèi)容將分為以下四點(diǎn)。

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-12-細(xì)胞與背景較為相似的時(shí)候，直接分割一個(gè)細(xì)胞，存在一個(gè)細(xì)胞被分割為若干個(gè)細(xì)胞的情況。如果使網(wǎng)絡(luò)僅僅學(xué)習(xí)細(xì)胞的質(zhì)心區(qū)域，即分割得到的是細(xì)胞的質(zhì)心區(qū)域，能夠改善細(xì)胞分布密度高的場(chǎng)景下細(xì)胞定位、計(jì)數(shù)困難等問(wèn)題，實(shí)現(xiàn)檢測(cè)每一個(gè)細(xì)胞的效果。使用U-Net只對(duì)細(xì)胞的質(zhì)心區(qū)域進(jìn)行分割，其計(jì)算過(guò)程實(shí)際上是語(yǔ)義分割策略，可以實(shí)現(xiàn)檢測(cè)細(xì)胞的效果。a)細(xì)胞的質(zhì)心標(biāo)注b)細(xì)胞的語(yǔ)義分割圖2-1細(xì)胞質(zhì)心與分割信息本小節(jié)將介紹如何利用U-Net進(jìn)行細(xì)胞質(zhì)心區(qū)域的分割。先對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行如邊緣擴(kuò)展、標(biāo)簽制作、數(shù)據(jù)增強(qiáng)等的預(yù)操作，然后將數(shù)據(jù)歸一化后輸入U(xiǎn)-Net，進(jìn)行網(wǎng)絡(luò)權(quán)重參數(shù)的訓(xùn)練，學(xué)習(xí)提取細(xì)胞的質(zhì)心區(qū)域。（1）邊緣擴(kuò)展每個(gè)數(shù)據(jù)集的圖像尺寸是不同的，例如PSC數(shù)據(jù)集中的圖像尺寸是720576，DIC-C2DH-HeLa（以下簡(jiǎn)稱(chēng)為HeLa）數(shù)據(jù)集中的圖像尺寸是1100700。U-Net可應(yīng)用于任意尺寸的輸入圖像，此處僅通過(guò)擴(kuò)展邊緣，得到對(duì)應(yīng)的輸出特征圖尺寸即可。邊緣擴(kuò)展的大小通過(guò)計(jì)算得到，先從原始的輸出特征圖尺寸反向計(jì)算輸入圖像的尺寸，然后利用該輸入圖像尺寸正向計(jì)算輸出特征圖的尺寸。當(dāng)計(jì)算得到的輸出特征圖尺寸小于原始的輸出特征圖尺寸，輸入圖像尺寸不斷增加2個(gè)像素，直到計(jì)算的輸出特征圖尺寸大于或者等于原始的輸出特征圖尺寸。CTC數(shù)據(jù)集的標(biāo)簽是對(duì)邊緣區(qū)域忽略的，此處對(duì)輸入圖像的標(biāo)簽忽略區(qū)域填充為零。擴(kuò)展邊緣采用的方法是邊界鏡像，圖2-2展示了PSC圖像邊緣擴(kuò)展結(jié)果，a)是原始的圖像，b)是擴(kuò)展邊緣后的輸入圖像。此外，對(duì)標(biāo)簽做同樣的邊緣擴(kuò)展處理，只需在計(jì)算損失（Loss）之前，裁剪為對(duì)應(yīng)的輸出特征圖尺寸。（2）標(biāo)簽制作提取細(xì)胞的質(zhì)心區(qū)域，需要提供細(xì)胞的質(zhì)心標(biāo)簽，從而令U-Net學(xué)會(huì)只分割質(zhì)?


本文編號(hào)：2969881