在生物醫(yī)學的許多應(yīng)用中,實現(xiàn)顯微序列圖像中癌細胞的檢測與多目標自動跟蹤是記錄并分析癌細胞生命周期活動狀態(tài)的基礎(chǔ),對藥物開發(fā)、疾病診斷和治療等具有重大的意義。相襯顯微鏡作為一種新型顯微技術(shù),可不對細胞進行染色,在自然狀態(tài)下觀察活體細胞,有利于癌細胞生命周期的監(jiān)測及后續(xù)的動態(tài)分析。而相襯顯微鏡下的癌細胞存在前后景低對比度、形狀多變、部分遮擋、高度密集等挑戰(zhàn)性問題,傳統(tǒng)的目標跟蹤方法難以解決這些問題。本文基于深度學習算法,嘗試實現(xiàn)顯微序列圖像中多個癌細胞的檢測與跟蹤。首先,本文基于Faster R-CNN檢測算法實現(xiàn)癌細胞的初步檢測;然后對檢測結(jié)果進行分析,針對存在的問題,提出相應(yīng)的解決方案,進一步優(yōu)化檢測算法,提高檢測精度;再以此為基礎(chǔ),提出基于檢測的多目標跟蹤算法,得到初步的跟蹤結(jié)果;最后在初步跟蹤結(jié)果的基礎(chǔ)上,結(jié)合癌細胞的具體特點,優(yōu)化跟蹤算法,提高跟蹤效率。本文的主要工作和創(chuàng)新點如下:（1）針對檢測階段出現(xiàn)的癌細胞高密度問題,本文提出了將密度估計算法融入Faster R-CNN檢測算法,構(gòu)建了多任務(wù)loss函數(shù),改善了檢測效果。（2）針對相襯顯微鏡下癌細胞特征單一的問題,本文提出了多... 

【文章來源】：浙江工業(yè)大學浙江省

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

細胞跟蹤流程圖

Fast R-CNN、Faster R-CNN 及 Mask R-CNN。（1）R-CNN從 2012 年的 ImageNet 圖像挑戰(zhàn)賽開始，CNN 再次進入研究者世界，傳統(tǒng)，利用 CNN 特征進行圖像識別，并在當時獲得令人驚嘆的準確率，能否將 CNN 特征應(yīng)用在檢測領(lǐng)域？”的熱潮席卷而來。于是，2014 年 G提出的 R-CNN[12]算法將 CNN 特征正式應(yīng)用于目標檢測，翻開基于深度標檢測新篇章。該算法利用 CNN 提取圖像特征，通過有監(jiān)督的訓練方式練好的模型進行訓練，能夠通過小樣本數(shù)據(jù)集微調(diào)網(wǎng)絡(luò)的參數(shù)，解決了以訓練有效模型難題，同時緩解了因數(shù)據(jù)不足而造成的過擬合等問題。練及測試階段，R-CNN 根據(jù)給定的輸入圖片，利用 SS 算法實現(xiàn)候選框其中，候選框的個數(shù)可以人為設(shè)定，一般都是獲取 2K 個候選框，方便后的篩選處理。而 CNN 網(wǎng)絡(luò)中，要求輸入圖片大小一致，但 SS 算法得到大小不一，所以還需要對候選框進行縮放處理。例如，AlexNet 需要在將至 CNN 網(wǎng)絡(luò)之前，將圖像 resize 至 227*227 大小，R-CNN 網(wǎng)絡(luò)的結(jié)構(gòu)示。

圖 2-3 SVM 示意圖([45])Figure 2-3. The schematic diagram of SVM([45])大值抑制 NMS[46]類之后，每個候選域都有各自的標簽，該標簽表示候選域為了降低冗余度，可首先利用分數(shù)閾值將分值低的無效候目標被多個候選框包圍的情況，可采用 NMS 技術(shù)對相交的冗余的候選框，得到最能代表檢測結(jié)果的候選框。NMS 方值，實現(xiàn)候選框的初步篩選。其中，IoU 表示同一候選ox 的重疊度，IoU 示意圖如圖 2-4 所示。


本文編號：2968395