【摘要】：深度學(xué)習(xí)是機(jī)器學(xué)習(xí)和人工智能研究的最新趨勢之一,基于深度卷積神經(jīng)網(wǎng)絡(luò)算法的細(xì)胞核分割是計算機(jī)視覺領(lǐng)域的一個重要的分支,其在藥物開發(fā)、疾病確診等領(lǐng)域都有著重要的研究意義和廣泛的應(yīng)用價值�；谏疃染矸e神經(jīng)網(wǎng)絡(luò)算法的細(xì)胞核分割主要包括特征提取、目標(biāo)識別、分割預(yù)測等功能模塊,其中提取具有高判別性的特征是影響細(xì)胞核分割準(zhǔn)確性的關(guān)鍵所在。通常具有良好泛化能力和高鑒別能力特征的網(wǎng)絡(luò)需要一定規(guī)模的高質(zhì)量訓(xùn)練集,然而人工標(biāo)注的細(xì)胞核分割圖像掩碼十分珍貴,如何在少量數(shù)據(jù)集上獲得良好的模型泛化能力以及較好的分割精度成為本文的主要研究方向。除此之外,影響深度網(wǎng)絡(luò)特征提取能力的決定性因素又來自于網(wǎng)絡(luò)架構(gòu)設(shè)計和損失函數(shù)設(shè)計兩個方面。對網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)的改進(jìn)會很大程度上影響細(xì)胞核分割的質(zhì)量,另外由于細(xì)胞核圖像本身有著圖像亮度分布不均勻,細(xì)胞核數(shù)量和大小不一,細(xì)胞之間粘連堆疊的特點(diǎn),也會導(dǎo)致細(xì)胞核分割異常困難�；谏鲜龇治�,為實(shí)現(xiàn)在小數(shù)據(jù)集上具有良好泛化能力和較好分割精度的細(xì)胞核分割模型,本文的主要研究工作如下:(1)本文以U-net全卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),給出了一種細(xì)胞核分割算法。首先,為了提高網(wǎng)絡(luò)的泛化能力與識別能力,對數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng),然后在數(shù)據(jù)集上根據(jù)HSV顏色空間做k-means聚類,在U-net網(wǎng)絡(luò)訓(xùn)練時選擇不同的聚類做交叉驗(yàn)證。其次針對細(xì)胞核粘連的情況,本文在預(yù)處理中對真值掩碼使用腐蝕操作來確保真值中每個細(xì)胞核被分離,然后使用膨脹操作來調(diào)整預(yù)測的最終結(jié)果。最后,改進(jìn)U-net網(wǎng)絡(luò)損失函數(shù)來獲得更好的分割結(jié)果。實(shí)驗(yàn)表明,本文方法與傳統(tǒng)分割算法進(jìn)行比較,如Ostu閾值分割,分水嶺分割算法比較,分割的結(jié)果更好。通過定量的細(xì)胞核分割結(jié)果分析,本文在Broad Bioimage Benchmark Collection 038 數(shù)據(jù)集上的PA(Pixel Accuracy)達(dá)到94.944%,mIoU達(dá)到0.55452。(2)為了使U-net網(wǎng)絡(luò)更好的處理粘連細(xì)胞核的情況,首先使用多任務(wù)學(xué)習(xí)的思路,訓(xùn)練時更改U-net網(wǎng)絡(luò)的輸入輸出,使得網(wǎng)絡(luò)同時關(guān)注細(xì)胞核,粘連的細(xì)胞核邊界以及圖像背景。其次,為了使分割模型具有更好的泛化能力,在此基礎(chǔ)上使用遷移學(xué)習(xí)中的方法,將U-net網(wǎng)絡(luò)中的特征提取部分替換成預(yù)訓(xùn)練VGG16模型的前幾層。使用在ImageNet上收斂泛化的VGG16模型初始化網(wǎng)絡(luò),再在小數(shù)據(jù)集上進(jìn)行微調(diào),使得網(wǎng)絡(luò)適應(yīng)細(xì)胞核分割問題。最后在后處理階段,對細(xì)胞核分割結(jié)果進(jìn)行分析,運(yùn)用一系列的形態(tài)學(xué)操作,來細(xì)化最終的分割結(jié)果并且對本文中的算法進(jìn)行定量分析與橫向?qū)Ρ茸C明了算法的高效性和魯棒性。本文在 Broad Bioimage Benchmark Collection 038 數(shù)據(jù)集上的PA達(dá)到95.437%,mIoU達(dá)到0.60241。
【圖文】：

用于線性可分問題。實(shí)際上，更一般的情況中，yL經(jīng)網(wǎng)絡(luò)的輸入特征空間通常是逡逑非線性的。為了解決非線性的分割問題，引入多層感知器（ＭＬＰ），即多個感知逡逑器的級聯(lián)，如圖２．３所示。一個多層感知器至少包含三層，輸入層，隱層和輸出逡逑層。其中輸入層用于接受輸入，隱層用來提取模型特征，輸出層則用來輸出最終逡逑的結(jié)果，隱層和輸出層包含了多個感知器的結(jié)構(gòu)，其中每個感知器都有各自的參逡逑數(shù)和權(quán)重，，yL經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程就是報據(jù)數(shù)據(jù)和損失函數(shù)調(diào)整感知器之間連接的逡逑權(quán)重以及各個感知器中的閾值，在這三層中，除了輸入層以外所使用的激活函數(shù)逡逑都是非線性的。對于多層yL經(jīng)網(wǎng)絡(luò)的權(quán)值更新問題就不可以再簡單的直接使用感逡逑知器的方法，此時反向傳播算法的出現(xiàn)就取代了傳統(tǒng)更新參數(shù)和權(quán)值的方法［３１１。逡逑１０逡逑

（ａ）邐（ｂ）逡逑圖２．２激活函數(shù)示意圖逡逑（ａ）邋Ｒｅｌｕ和Ｌｒｅｌｕ函數(shù)圖像邐（ｂ）邋Ｓｉｇｍｏｉｄ和ｔａｎｈ函數(shù)圖像逡逑Ｆｉｇ．邋２．２邋Ｓｃｈｅｍａｔｉｃ邋ｄｉａｇｒａｍ邋ｏｆ邋ａｃｔｉｖａｔｉｏｎ邋ｆｕｎｃｔｉｏｎ逡逑（ａ）Ｒｃｌｕ邋ａｎｄ邋Ｌｒｅｌｕ邋ｆｕｎｃｔｉｏｎ邋ｉｍａｇｅｓ邐（ｂ）Ｓｉｇｍｏｉｄ邋ａｎｄ邋ｔａｎｈ邋ｆｕｎｃｔｉｏｎ邋ｉｍａｇｅｓ逡逑２．１．２多層前饋神經(jīng)網(wǎng)絡(luò)與反向傳播算法逡逑在yL經(jīng)網(wǎng)絡(luò)中一個神經(jīng)元就是一個簡單的感知器，但是單個的感知器僅僅適逡逑用于線性可分問題。實(shí)際上，更一般的情況中，yL經(jīng)網(wǎng)絡(luò)的輸入特征空間通常是逡逑非線性的。為了解決非線性的分割問題，引入多層感知器（ＭＬＰ），即多個感知逡逑器的級聯(lián)，如圖２．３所示。一個多層感知器至少包含三層，輸入層，隱層和輸出逡逑層。其中輸入層用于接受輸入，隱層用來提取模型特征，輸出層則用來輸出最終逡逑的結(jié)果，隱層和輸出層包含了多個感知器的結(jié)構(gòu)，其中每個感知器都有各自的參逡逑數(shù)和權(quán)重，yL經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程就是報據(jù)數(shù)據(jù)和損失函數(shù)調(diào)整感知器之間連接的逡逑權(quán)重以及各個感知器中的閾值
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183;Q243

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計算機(jī)科學(xué);2019年09期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

9 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

10 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2686694