細(xì)胞計數(shù)研究是醫(yī)學(xué)圖像分析中的一項重要領(lǐng)域,無論是在生物醫(yī)學(xué)實驗領(lǐng)域還是臨床醫(yī)學(xué)診斷領(lǐng)域都發(fā)揮著不可替代的作用。通過檢測患者血液和尿沉渣顯微圖像中的白細(xì)胞、紅細(xì)胞等各項指標(biāo),能夠準(zhǔn)確地判斷出患者的疾病類型和發(fā)展程度,以便采取及時、有效的治療方案。目前,臨床上仍然通過人工方式對不同類型的細(xì)胞進(jìn)行計數(shù)診斷,但這種方式檢測效率低且計數(shù)準(zhǔn)確率也受工作人員的狀態(tài)和經(jīng)驗影響,妨礙醫(yī)護(hù)人員對于病情的判斷,影響治療進(jìn)度。隨著深度目標(biāo)檢測技術(shù)的快速發(fā)展,醫(yī)學(xué)圖像分析領(lǐng)域的研究也有了突破性的進(jìn)展�；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法,相對于傳統(tǒng)的圖像處理方法在檢測速度和精度上有很大提升。使用深度目標(biāo)識別算法對血液和尿沉渣顯微圖像中進(jìn)行細(xì)胞的識別和計數(shù)研究,并在兩個數(shù)據(jù)集上實驗進(jìn)行相關(guān)驗證。本文基于一階段深度檢測YOLO框架,提出了一種新穎的YOLO-Dense網(wǎng)絡(luò)模型。首先通過使用K-means算法對錨框進(jìn)行聚類,獲得三種不同大小的潛在待識別目標(biāo)的錨框,并在YOLO基礎(chǔ)網(wǎng)絡(luò)中引入殘差模塊和特征金字塔的多尺度模塊,以提高對小目標(biāo)的識別精度;其次通過跳層連接進(jìn)行殘差訓(xùn)練,有效解決深度網(wǎng)絡(luò)梯度彌散和爆炸等問題;最后通過在... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

YOLO算法原理流程

安徽大學(xué)碩士學(xué)位論文9圖2.2YOLO網(wǎng)絡(luò)基本結(jié)構(gòu)圖Fig2.2BasicstructureofYOLOnetworkYOLO的網(wǎng)絡(luò)框架是在GoogLeNet[39]上進(jìn)行改進(jìn)，圖像的特征信息主要由網(wǎng)絡(luò)的卷積層來提取，而具體的目標(biāo)位置預(yù)測與類別概率值則有全連接層進(jìn)行。輸入圖片進(jìn)入網(wǎng)絡(luò)前需進(jìn)行resize預(yù)處理為大小448*448*3的輸入特征圖，最終輸出結(jié)果為7*7*（2*5+20）的特征圖。輸入圖像被劃分為7*7的網(wǎng)格（grid），輸出張量中的7*7就對應(yīng)著原始圖像被分割的7*7網(wǎng)格。通俗來說，可以把7*7*30的張量看作49個30維的向量，輸入特征圖中的每個網(wǎng)格對應(yīng)輸出的一個30維向量。2.2.3特征向量詳解輸出特征圖像經(jīng)過深度卷積神經(jīng)網(wǎng)絡(luò)對輸入圖像特征信息的提取和轉(zhuǎn)換，每個網(wǎng)格的空間信息也會被重新識別和整理，最后編碼到其對應(yīng)的30維向量中，所以說網(wǎng)格內(nèi)的信息并不是簡單意義上的映射到一個30維向量上。嚴(yán)格意義上，30維向量=20個對象類別的概率+2個預(yù)測框*4個位置坐標(biāo)+2個邊界框置信度。具體來看圖2.3中每個網(wǎng)格對應(yīng)的30維向量，包含了以下信息：

第二章目標(biāo)檢測算法概述10圖2.3特征向量詳解圖Fig2.3Featurevectordetailedmap2個預(yù)測框的位置。YOLO算法為每個輸出網(wǎng)格預(yù)測兩個邊界框，而每個預(yù)測框又需要4個位置信息數(shù)值(x,y,w,h)進(jìn)行定位，分別對應(yīng)預(yù)測框中心點(diǎn)的x坐標(biāo)、y坐標(biāo)以及邊界框的寬度和高度。因此，每個網(wǎng)格的2個預(yù)測框需要8個數(shù)值來表征其預(yù)測的位置。2個預(yù)測框的置信度。YOLO算法為每個網(wǎng)格預(yù)測兩個邊界框，每個預(yù)測框設(shè)置一個置信度，預(yù)測框的置信度表示著每個預(yù)測框是否包含對象以及位置準(zhǔn)確的程度，由邊界框內(nèi)是否存在對象和邊界框與該對象實際邊界框的IOU共同決定。置信度高表示這里該預(yù)測框存在一個對象且位置比較準(zhǔn)確，置信度低表示可能存在有對象但存在較大的位置偏差或者根本沒有對象。用公式來表示就是：truthpredonfidenceIOU*ObjectPCr(2.1)Pr(Object)是預(yù)測框內(nèi)存在對象的概率，它不管該邊界框中具體是哪個對象，它體現(xiàn)的是該邊界框內(nèi)是否存在對象的概率，用數(shù)值0和1來表示。truthpredIOU是邊界框與真實的對象邊界框的IOU（IntersectionoverUnion，交并比），體現(xiàn)了網(wǎng)絡(luò)預(yù)測邊界框與真實邊界框的貼合程度。雖然有時說"預(yù)測"的邊界框，但這個IOU的計算只存在于訓(xùn)練階段。由于真實對象位置未知，只能完全依賴于網(wǎng)絡(luò)的輸出，測試階段并不需要


本文編號：2907116