病理圖像的細(xì)胞核分割對(duì)于癌癥診斷、評(píng)級(jí)、預(yù)后具有重要意義,盡管基于深度神經(jīng)網(wǎng)絡(luò)的全監(jiān)督的病理圖像細(xì)胞核分割取得了矚目的成績(jī),但是基于全監(jiān)督的神經(jīng)網(wǎng)絡(luò)分割要求對(duì)病理圖像進(jìn)行像素級(jí)的標(biāo)注,標(biāo)注量巨大,標(biāo)注成本過(guò)高。而且由于不同組織的不同癌癥的病理圖像的細(xì)胞核在顏色、形態(tài)上等存在差異,跨病種跨組織的病理圖像分割也是一個(gè)巨大挑戰(zhàn)。本文提出一種基于檢測(cè)框的弱監(jiān)督的跨組織的不同癌癥的病理圖像細(xì)胞核分割框架,該方法首先運(yùn)用水平集、圖割、分水嶺方法、測(cè)地線距離昂發(fā)、直接畫(huà)圓和框的6種方法生成偽標(biāo)簽,偽標(biāo)簽的生成結(jié)果表明水平集方法、直接畫(huà)圓和框能取得很好的結(jié)果,與精標(biāo)注的數(shù)據(jù)相比,其中水平集方法達(dá)到dice=0.8790的精度。其次,我們對(duì)比了fcn、deeplabv3+、unet等6種網(wǎng)絡(luò)結(jié)構(gòu)在不同組織的癌癥的病理圖像細(xì)胞核分割結(jié)果,提出了我們自己的分割網(wǎng)絡(luò)DB-unet,分割結(jié)果表明在參數(shù)量更少的情況下,我們的網(wǎng)絡(luò)基本達(dá)到全監(jiān)督分割的最好結(jié)果。之后,我們運(yùn)用DB-unet和生成的偽標(biāo)簽進(jìn)行弱監(jiān)督下的不同組織的癌癥的病理圖像細(xì)胞核分割,其中結(jié)果表明水平集方法和測(cè)地線距離的方法的結(jié)果最好。最后我們選擇最好的三個(gè)網(wǎng)絡(luò)和最好的偽標(biāo)簽,運(yùn)用集合的方法去迭代融合偽標(biāo)簽,我們運(yùn)用不同網(wǎng)絡(luò)和不同的偽標(biāo)簽去訓(xùn)練和產(chǎn)生結(jié)果,將產(chǎn)生的結(jié)果與原偽標(biāo)簽相加,得到最終融合偽標(biāo)簽,融合偽標(biāo)簽的dice精度達(dá)到0.8922,最終用融合的偽標(biāo)簽訓(xùn)練去本文提出的DB-Unet,訓(xùn)練的網(wǎng)絡(luò)基本達(dá)到了精確標(biāo)注的標(biāo)簽訓(xùn)練的網(wǎng)絡(luò)同等的精度。結(jié)論:在本文提出一種基于檢測(cè)框的弱監(jiān)督的跨組織的不同癌癥的病理圖像細(xì)胞核分割框架下,細(xì)胞核的分割基本達(dá)到全監(jiān)督分割結(jié)果,這大大降低了數(shù)據(jù)的標(biāo)注成本,同時(shí)也為細(xì)胞核分割提供新思路。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類(lèi)】：R730.4;TP391.41;TP18
【部分圖文】：

電子科技大學(xué)碩士學(xué)位論文122.2.1神經(jīng)元模型神經(jīng)網(wǎng)絡(luò)由最基本的單位“神經(jīng)元”組成得，在科學(xué)家和生物學(xué)家的不斷努力下，在1904年時(shí)，神經(jīng)元的結(jié)構(gòu)組成就已經(jīng)被人類(lèi)所破解，所以今天的神經(jīng)網(wǎng)絡(luò)是模擬生物學(xué)上神經(jīng)元的信息傳遞過(guò)程，一個(gè)神經(jīng)元包括多個(gè)樹(shù)突，這些樹(shù)突是用來(lái)接受信息的，而神經(jīng)元只有一條軸突，軸突有很多軸突末梢，軸突末梢將于其他神經(jīng)元的樹(shù)突相連，這樣這些末梢將信息傳遞給其他的多個(gè)神經(jīng)元，在生物學(xué)上軸突和樹(shù)突的連接叫“突觸”[67]。如下圖圖2-2所示：圖2-2生物學(xué)上的神經(jīng)元1943年心理學(xué)家McCulloch和數(shù)學(xué)家Pitts，通過(guò)研究生物神經(jīng)元，將上圖類(lèi)似的生物神經(jīng)元抽象為神經(jīng)元模型，也就是MP神經(jīng)元模型，并且是至今日一直沿用。下圖是抽象出來(lái)的神經(jīng)元模型：SumSgn3x2x1x1w2w3wy圖2-3抽象的MP神經(jīng)元模型

電子科技大學(xué)碩士學(xué)位論文16信號(hào)，樹(shù)突的權(quán)重就做突觸的權(quán)值，與接受的信號(hào)會(huì)相乘。這樣在生物神經(jīng)元結(jié)果中信號(hào)會(huì)在下個(gè)神經(jīng)元中不斷積累，當(dāng)達(dá)到某一閾值時(shí)，神經(jīng)元向軸突傳遞信號(hào)，如果未能達(dá)到這個(gè)閾值，則信號(hào)被屏蔽殺死。那么激活函數(shù)，相當(dāng)于一個(gè)閾值選擇器，決定信號(hào)是否需要傳遞，當(dāng)然真實(shí)的激活函數(shù)是將神經(jīng)網(wǎng)絡(luò)的線性輸出變成非線性的。激活函數(shù)分類(lèi)其實(shí)很簡(jiǎn)單，一般分為線性激活函數(shù)和非線性激活函數(shù)。非線性激活函數(shù)包括Sigmoid、Tanh、LReLU、ReLU、Softmax等[69]。2.2.3.1線性激活函數(shù)線性激活函數(shù)的輸出是線性的，從輸入到輸出的值不會(huì)出現(xiàn)變化，即為一次線性函數(shù)，其公式為：f(x)=x，函數(shù)圖像如下所示：圖2-5線性激活函數(shù)圖2.2.3.2非線性激活函數(shù)1、Sigmoid激活函數(shù)又被稱(chēng)之為L(zhǎng)ogistic激活函數(shù)，如圖2-6的函數(shù)所示，它將神經(jīng)網(wǎng)絡(luò)輸出的數(shù)值壓縮進(jìn)0到1的區(qū)間內(nèi)，經(jīng)過(guò)該函數(shù)的輸出會(huì)大于0而小于1，當(dāng)輸入值足小于零且這個(gè)值這越小，該函數(shù)盡量讓輸出數(shù)值靠近0，對(duì)于大的正數(shù)而言，該函數(shù)盡量讓輸出數(shù)值靠近1，其數(shù)學(xué)公式如下：()11xxe=+（2-23）Sigmoid函數(shù)圖如下：

第二章相關(guān)理論和背景知識(shí)介紹17圖2-6Sigmoid激活函數(shù)圖Sigmoid存在以下的缺點(diǎn)：梯度消失問(wèn)題，神經(jīng)網(wǎng)絡(luò)輸出上使用sigmoid激活函數(shù)時(shí)，在誤差反向傳播階段，當(dāng)網(wǎng)絡(luò)的輸出接近0或者1時(shí)，我們對(duì)誤差進(jìn)行求梯度時(shí)，梯度趨近于0。這樣神經(jīng)元的權(quán)重不會(huì)更新或者更新可忽略不計(jì)，此外于此相連的權(quán)重也會(huì)更新很慢，當(dāng)向前傳播幾層后梯度可能等于0，該問(wèn)題叫梯度消失。當(dāng)然sigmoid的計(jì)算成本高而且不以0為中心也算缺陷。2、Tanh函數(shù)又叫雙曲正切激活函數(shù)，其實(shí)它與sigmoid函數(shù)很相似，不同之處在于Tanh將輸出壓縮到-1到1之間，并且在輸出的中心上，函數(shù)輸出是以0為中心。由于函數(shù)類(lèi)似sigmoid，其也存在梯度消失的缺點(diǎn)。其公式如下：()tanh()xxxxeefxxee==+（2-24）其函數(shù)圖像如下：
【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 謝楊鑫;前列腺腺腔和腺泡細(xì)胞核的自動(dòng)化分割識(shí)別[D];華南理工大學(xué);2013年

本文編號(hào)：2880628