細(xì)胞核圖像的精細(xì)分割是各種計算病理學(xué)應(yīng)用的起點,包括核形態(tài)分析、細(xì)胞類型分類和癌癥分級等等。由于癌細(xì)胞的侵入性,一旦擴散難以治愈。通過活體組織檢查觀察細(xì)胞的早期突變從而盡早確診治療是目前一個有效的方式。但是病理科大夫借助顯微鏡觀察標(biāo)本組織的方式費時費力,極大的占用了寶貴的醫(yī)療資源。而且組織細(xì)胞中細(xì)胞核的定位又是絕大多數(shù)醫(yī)療研究的基礎(chǔ)工作。例如,快速的定位細(xì)胞核,在藥物測試中能夠加速細(xì)胞核對藥物反應(yīng)狀態(tài)的研究,從而加快新藥的問世。近年來,基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割方法已經(jīng)成為工業(yè)界與學(xué)術(shù)界的熱點問題。在細(xì)胞核圖像分割的研究中,對單個細(xì)胞核分割的精確度是關(guān)鍵性能指標(biāo)之一。然而,現(xiàn)有方法大多基于卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn),其輸出結(jié)果的準(zhǔn)確性與樣本的質(zhì)量、人工標(biāo)注的質(zhì)量密切相關(guān),且難以區(qū)分重疊、貼近的細(xì)胞核,現(xiàn)有的分割方法大多僅適用于特定數(shù)據(jù)集,無法順利遷移到其他數(shù)據(jù)集上。因此,本文針對生物細(xì)胞核圖像的分割方法開展研究,主要工作及創(chuàng)新點包括:1)提出了一種能夠模擬細(xì)胞核現(xiàn)實分布的數(shù)據(jù)增強方法。由于組織切片圖像不易獲取,標(biāo)注費時費力,導(dǎo)致可訓(xùn)練的樣本較少,且考慮到通用的圖像增強方法例如隨機旋轉(zhuǎn)、縮放等無法... 

【文章來源】：北京工業(yè)大學(xué)北京市211工程院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

章節(jié)主要內(nèi)容Figure1-1Maincontentofeachchapter

a) 普通神經(jīng)元 b) 卷積神經(jīng)元圖 2-1 不同神經(jīng)元比較Figure 2-1 Comparison of different neurons卷積神經(jīng)網(wǎng)絡(luò)的核心思想是從底層到高層逐步抽取上下文信息，從具體到抽象到語義，抽象過程模擬了人類的視覺感知�；A(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)通常是由卷積層（Convolution Layer）、池化層（Pooling Layer）、全連接層（Fully ConnectedLayer）、激活層（Activation Layer）、歸一化層（Softmax Layer）五個部分組成。卷積與池化交替處理數(shù)據(jù)，激活函數(shù)采用 Relu 函數(shù)，求解神經(jīng)網(wǎng)絡(luò)參數(shù)使用梯度下降法（SGD），根據(jù)鏈?zhǔn)角髮?dǎo)法則使用反向傳播算法（BP）逐漸尋找最優(yōu)參數(shù)。具體的流程是：首先使用定義好的卷積核在滑動圖像上滑動，提取圖像的特征；然后使用非線性的激活函數(shù)（常用 ReLU 和 Sigmoid）對卷積后的結(jié)果去線性化；隨后緊跟著池化層，縮小輸入圖像尺寸。下文中將對這幾種基本的結(jié)構(gòu)進行介紹：第一個方面是卷積層。卷積層（Convolutional Layer）通過卷積核在圖像中滑動來提取特征并輸出特征圖，卷積核的尺寸等同于當(dāng)前特征圖中感受野的大

第 2 章 相關(guān)理論基礎(chǔ)出卷積、池化之后的特征圖作為下一層的輸入。每一層特征圖內(nèi)卷為：用卷積核在特征圖上按照固定步長進行滑動，與圖中的值做內(nèi)特征圖。二個方面是池化層。在經(jīng)過激活函數(shù) ReLU 層之后，緊接著一ling）層，通常也被稱為下采樣（downsample）層。這是由于圖像經(jīng)征提取后，得到了具有高維的局部關(guān)聯(lián)性的特征，但若直接使用該算量過大，模型過擬合。常用的池化方法有最大池化（max-poolin用大小為 2×2 的濾波器以一定的步長在特征圖上滑動，獲取輸入內(nèi)容，輸出卷積計算得到的圖像子區(qū)域中的最大數(shù)字（如圖 2-2 所2 的濾波器和步長為 2 的最大池化法）。


本文編號：3612957