細(xì)胞計(jì)數(shù)研究是醫(yī)學(xué)圖像分析中的一項(xiàng)重要領(lǐng)域,無(wú)論是在生物醫(yī)學(xué)實(shí)驗(yàn)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(guò)檢測(cè)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(xiàng)指標(biāo),能夠準(zhǔn)確地判斷出患者的疾病類(lèi)型和發(fā)展程度,以便采取及時(shí)、有效的治療方案。目前,臨床上仍然通過(guò)人工方式對(duì)不同類(lèi)型的細(xì)胞進(jìn)行計(jì)數(shù)診斷,但這種方式檢測(cè)效率低且計(jì)數(shù)準(zhǔn)確率也受工作人員的狀態(tài)和經(jīng)驗(yàn)影響,妨礙醫(yī)護(hù)人員對(duì)于病情的判斷,影響治療進(jìn)度。隨著深度目標(biāo)檢測(cè)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(cè)算法,相對(duì)于傳統(tǒng)的圖像處理方法在檢測(cè)速度和精度上有很大提升。使用深度目標(biāo)識(shí)別算法對(duì)血液和尿沉渣顯微圖像中進(jìn)行細(xì)胞的識(shí)別和計(jì)數(shù)研究,并在兩個(gè)數(shù)據(jù)集上實(shí)驗(yàn)進(jìn)行相關(guān)驗(yàn)證。本文基于一階段深度檢測(cè)YOLO框架,提出了一種新穎的YOLO-Dense網(wǎng)絡(luò)模型。首先通過(guò)使用K-means算法對(duì)錨框進(jìn)行聚類(lèi),獲得三種不同大小的潛在待識(shí)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(duì)小目標(biāo)的識(shí)別精度;其次通過(guò)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(wèn)題;最后通過(guò)在... 

【文章來(lái)源】：安徽大學(xué)安徽省 211工程院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)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(lái)提取，而具體的目標(biāo)位置預(yù)測(cè)與類(lèi)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(duì)應(yīng)著原始圖像被分割的7*7網(wǎng)格。通俗來(lái)說(shuō)，可以把7*7*30的張量看作49個(gè)30維的向量，輸入特征圖中的每個(gè)網(wǎng)格對(duì)應(yīng)輸出的一個(gè)30維向量。2.2.3特征向量詳解輸出特征圖像經(jīng)過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入圖像特征信息的提取和轉(zhuǎn)換，每個(gè)網(wǎng)格的空間信息也會(huì)被重新識(shí)別和整理，最后編碼到其對(duì)應(yīng)的30維向量中，所以說(shuō)網(wǎng)格內(nèi)的信息并不是簡(jiǎn)單意義上的映射到一個(gè)30維向量上。嚴(yán)格意義上，30維向量=20個(gè)對(duì)象類(lèi)別的概率+2個(gè)預(yù)測(cè)框*4個(gè)位置坐標(biāo)+2個(gè)邊界框置信度。具體來(lái)看圖2.3中每個(gè)網(wǎng)格對(duì)應(yīng)的30維向量，包含了以下信息：

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


本文編號(hào)：2907116