從細(xì)胞和網(wǎng)絡(luò)的層次上理解人腦的結(jié)構(gòu)功能以及行為認(rèn)知是當(dāng)前系統(tǒng)神經(jīng)科學(xué)的重要研究?jī)?nèi)容,鑒于鼠腦在結(jié)構(gòu)和基因序列上和人腦有較大的相似性,因此精確有效地分割鼠腦細(xì)胞對(duì)于后續(xù)鼠腦細(xì)胞的識(shí)別、計(jì)數(shù)、跟蹤和形態(tài)分析等神經(jīng)科學(xué)研究十分重要。目前光學(xué)顯微鏡拍攝的鼠腦細(xì)胞圖像往往存在數(shù)據(jù)量大和緊密度高等特點(diǎn),使用傳統(tǒng)手工分割鼠腦細(xì)胞的方法不僅工作量大、花費(fèi)時(shí)間較多,而且容易因操作疲勞導(dǎo)致分割精度下降。隨著計(jì)算機(jī)視覺技術(shù)和深度學(xué)習(xí)技術(shù)的發(fā)展,鼠腦切片顯微圖像自動(dòng)細(xì)胞分割正成為目前系統(tǒng)神經(jīng)科學(xué)研究的重要內(nèi)容。本文針對(duì)鼠腦顯微圖像自動(dòng)分割中存在較多噪聲、圖像對(duì)比度較低和數(shù)據(jù)量大等諸多影響分割精度的特點(diǎn),提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的鼠腦細(xì)胞分割模型。該模型利用包含多層小核濾波器的卷積塊擴(kuò)大神經(jīng)網(wǎng)絡(luò)感受野的同時(shí)通過對(duì)交叉熵函數(shù)的改進(jìn)較好地解決了樣本分類難的問題。為了克服CNN倒金字塔式下采樣過程導(dǎo)致感受野過大而產(chǎn)生局部信息被忽略的問題,論文還通過增加融合能表征細(xì)胞形態(tài)信息的形狀和顏色特征,設(shè)計(jì)了基于條件隨機(jī)場(chǎng)（CRF）的CNN-CRF分割模型,通過將CNN預(yù)分割圖像進(jìn)行再處理,對(duì)圖像中的每個(gè)像素構(gòu)建成對(duì)... 

【文章來源】：東華大學(xué)上海市211工程院校教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于閾值的鼠腦細(xì)胞分割

第二章 細(xì)胞顯微分割結(jié)果可看出通過傳統(tǒng)的邊緣檢測(cè)方法很難標(biāo)記對(duì)較為復(fù)雜的細(xì)胞圖像分割效果不理想[52]。于區(qū)域的細(xì)胞分割是把圖像數(shù)據(jù)中具有某種相似性質(zhì)的像素點(diǎn)在空間而實(shí)現(xiàn)分割目的[53][54]。區(qū)域生長(zhǎng)法是經(jīng)典區(qū)域分割算映待分割區(qū)域特性的像素點(diǎn)作為種子點(diǎn)，然后依次將像素點(diǎn)進(jìn)行合并[55]。

原圖 Ground Truth Snak圖 2.5 基于 snake 的鼠腦細(xì)胞分割同參數(shù)設(shè)置下，分割兩張不同的鼠腦主動(dòng)輪廓模型非常依賴輪廓線的參數(shù)方法不適用。形態(tài)的細(xì)胞分割圖像分割的應(yīng)用中比較有代表性的是貌結(jié)構(gòu)，將像素灰度值看作是海拔高每個(gè)隔離的集水盆表示相應(yīng)的分割區(qū)，其計(jì)算過程流程如圖 2.6：輸入圖像尋找種子點(diǎn)

【參考文獻(xiàn)】：
期刊論文
[1]基于三維紋理特征仿真和腦圖譜的小鼠腦磁共振顯微成像分割算法[J]. 付振榮,林嵐,王婧璇,鄔雪濤,顧克楠,吳水才.  中國(guó)醫(yī)療設(shè)備. 2018(03)
[2]基于Markov隨機(jī)場(chǎng)理論的鼠腦切片顯微圖像的分割研究[J]. 孫立曄,韓軍偉,胡新韜,郭雷.  模式識(shí)別與人工智能. 2013(05)
[3]幾種圖像分割技術(shù)的比較[J]. 楊合超,周雪梅.  電腦知識(shí)與技術(shù). 2009(09)
[4]系統(tǒng)生物學(xué)——21世紀(jì)醫(yī)學(xué)和生物學(xué)發(fā)展的核心驅(qū)動(dòng)力[J]. 陳竺.  世界科學(xué). 2005(03)

博士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識(shí)別研究[D]. 薛迪秀.中國(guó)科學(xué)技術(shù)大學(xué) 2017

碩士論文
[1]基于圖像分割的細(xì)胞序列跟蹤方法研究[D]. 張哲.吉林大學(xué) 2017
[2]基于深度學(xué)習(xí)的細(xì)胞圖像分割與識(shí)別算法研究[D]. 楊金鑫.北京郵電大學(xué) 2017
[3]隨機(jī)森林和卷積神經(jīng)網(wǎng)絡(luò)在神經(jīng)細(xì)胞圖像分割中的應(yīng)用研究[D]. 曹貴寶.山東大學(xué) 2014
[4]基于計(jì)算機(jī)視覺的粘連類圓圖像分割與統(tǒng)計(jì)算法研究[D]. 齊帥.南昌大學(xué) 2014
[5]基于水平集的醫(yī)學(xué)圖像分割算法研究[D]. 徐京.吉林大學(xué) 2014
[6]類圓識(shí)別技術(shù)的研究[D]. 王艷芳.北方工業(yè)大學(xué) 2006



本文編號(hào)：3628182