大腦是最重要的器官之一,控制著身體的大多數(shù)活動(dòng)。雖然醫(yī)學(xué)在很多方面都發(fā)展迅速,但是對于腦的結(jié)構(gòu)及工作原理的研究卻仍然沒有重大突破,仍面臨著很多難題。隨著技術(shù)的不斷強(qiáng)大,我們可以輕而易舉獲得大規(guī)模高質(zhì)量的組織病理學(xué)圖像。想要系統(tǒng)性地研究腦細(xì)胞之間的聯(lián)系與區(qū)別,并從中識別出病理細(xì)胞,從腦圖像中準(zhǔn)確地分割出細(xì)胞是基礎(chǔ)和關(guān)鍵。本文數(shù)據(jù)集來自華中科技大學(xué)光電實(shí)驗(yàn)室,數(shù)據(jù)集為小鼠腦的冠狀面切片。本文的目的是準(zhǔn)確分割出醫(yī)學(xué)類圖像中的神經(jīng)細(xì)胞,但是這種像素級別的醫(yī)學(xué)類圖像相對于其它類圖像,構(gòu)成十分復(fù)雜,如細(xì)胞相互粘連,血管的干擾,前景背景對比不明顯。這些原因使得以往對圖像進(jìn)行分割的算法不適用于本文的數(shù)據(jù)。本文針對微觀醫(yī)學(xué)類圖像的特點(diǎn),對以往的算法進(jìn)行改善。首先通過深度學(xué)習(xí)對圖像中的像素進(jìn)行分類。然后結(jié)合深度學(xué)習(xí)訓(xùn)練出來的結(jié)果,通過聚類對之進(jìn)行邊緣檢測。為避免擬合效果不佳,在通過深度學(xué)習(xí)對圖像做分類的過程中,首先對圖像做圖像增強(qiáng),加大樣本量,增加噪聲。然后采用適合對醫(yī)學(xué)類圖像做分割的U-net網(wǎng)絡(luò)進(jìn)行分類,最終基于像素點(diǎn)的平均正確率達(dá)到90.32%,基于細(xì)胞的平均正確率達(dá)到91.60%,相對于以往正確率... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：50 頁

【學(xué)位級別】：碩士

【部分圖文】：

視覺系統(tǒng)工作的過程

M-P 神經(jīng)元。而局部連接、權(quán)值共享、下采樣這三個(gè)特點(diǎn)是 CNN 與其前身 Neetwork 的不同之處。正是這三個(gè)特性讓其本身適用于數(shù)據(jù)中的平移、縮放以及，能夠使得其具有一定的穩(wěn)定性。這些特性使得 CNN 在對圖片做識別以及分任務(wù)中取得了巨大的成功。下面對著三個(gè)特點(diǎn)簡要介紹。（1）局部連接1962 年，Hubel 及 Wiesel 提出了感受野概念。感受野是對于生物學(xué)上的神經(jīng)說的，當(dāng)其收到信息發(fā)生變化時(shí)，會(huì)將信息傳播到上位中樞。所以對生物學(xué)上經(jīng)元來說，其感受野就是其受刺激的區(qū)域。而感受野概念則對應(yīng)著 CNN 中的核。在最原始的網(wǎng)絡(luò)結(jié)構(gòu)中，同一層次的神經(jīng)元不連接，相鄰層次的神經(jīng)元相接，這種方式稱為全連接，但是圖像的數(shù)據(jù)量大，全連接的網(wǎng)絡(luò)不可實(shí)施，而野的發(fā)現(xiàn)激發(fā)了局部連接的提出，每一個(gè)節(jié)點(diǎn)只與上個(gè)層次中的部分節(jié)點(diǎn)相連以大大的減少需要優(yōu)化的參數(shù)。

如圖 2-2 左側(cè)，為全連接；如圖 2-2 右側(cè)，為局部連接，不同顏色的連接代不同的神經(jīng)元只與上層部分像素相連。（2）權(quán)值共享雖然局部連接的特性已經(jīng)大大的減少了神經(jīng)網(wǎng)絡(luò)的參數(shù)，但是由于圖像的規(guī)大，相應(yīng)的，網(wǎng)絡(luò)結(jié)構(gòu)中的連接權(quán)重參數(shù)的數(shù)量級也是很大的。如圖 2-3，卷成功的化解了這個(gè)問題。對于不同的圖像，或相同的圖像，使用同一個(gè) convolurnel 可以減少不必要的參數(shù)。通常來說，convolution kernel 的尺寸要遠(yuǎn)遠(yuǎn)小于的尺寸。同一個(gè)卷積核在不同的圖像上及相同的圖像上應(yīng)用，也就是學(xué)習(xí)圖像一個(gè)特征，這也是符合生物學(xué)上的視覺系統(tǒng)的機(jī)制的。為了學(xué)習(xí)到原圖像上的維數(shù)的特征，我們需要在整張圖像上應(yīng)用多個(gè)不同的 convolution kernel。通nvolution kernel 學(xué)習(xí)圖片之后，每個(gè) convolution kernel 都可以得到一種特征，特征映射(Feature Map)。

【參考文獻(xiàn)】：
期刊論文
[1]基于U-net網(wǎng)絡(luò)的肺部腫瘤圖像分割算法研究[J]. 周魯科,朱信忠.  信息與電腦(理論版). 2018(05)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)的圖像自動(dòng)分割方法[J]. 溫佩芝,苗淵淵,周迎,馮麗園.  計(jì)算機(jī)應(yīng)用研究. 2018(09)
[3]基于U-Net網(wǎng)絡(luò)的肺部CT圖像分割算法[J]. 袁甜,程紅陽,陳云虹,張海榮,王文軍.  自動(dòng)化與儀器儀表. 2017(06)
[4]基于內(nèi)容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學(xué)報(bào). 2017(01)
[5]BP人工神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用[J]. 楊治明,王曉蓉,彭軍,陳應(yīng)祖.  計(jì)算機(jī)科學(xué). 2007(03)
[6]一種基于區(qū)域分割的幾何模型簡化方法[J]. 全紅艷,張?zhí)镂?董宇欣.  計(jì)算機(jī)學(xué)報(bào). 2006(10)

博士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識別研究[D]. 薛迪秀.中國科學(xué)技術(shù)大學(xué) 2017
[2]基于模糊聚類算法的醫(yī)學(xué)圖像分割技術(shù)研究[D]. 張小峰.山東大學(xué) 2014
[3]結(jié)合深度信息的圖像分割算法研究[D]. 皮志明.中國科學(xué)技術(shù)大學(xué) 2013
[4]基于聚類分析的圖像分割方法研究[D]. 張新野.大連海事大學(xué) 2012
[5]聚類分析中的相似性度量及其應(yīng)用研究[D]. 白雪.北京交通大學(xué) 2012
[6]基于聚類分析的圖像分割算法研究[D]. 許曉麗.哈爾濱工程大學(xué) 2012
[7]基于計(jì)算機(jī)視覺的人工神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)的牛肉大理石花紋自動(dòng)分級研究[D]. 艾虎.四川農(nóng)業(yè)大學(xué) 2009

碩士論文
[1]基于深度學(xué)習(xí)的圖像語義分割研究[D]. 肖旭.南昌航空大學(xué) 2017
[2]基于全卷積神經(jīng)網(wǎng)絡(luò)的全向場景分割研究與算法實(shí)現(xiàn)[D]. 翁健.山東大學(xué) 2017
[3]基于深度學(xué)習(xí)的圖像分割研究[D]. 張明月.吉林大學(xué) 2017
[4]基于全卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測算法研究[D]. 衛(wèi)露寧.浙江大學(xué) 2017
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[D]. 陳鴻翔.浙江大學(xué) 2016
[6]神經(jīng)元胞體的幾何分類[D]. 任明舉.華中科技大學(xué) 2014
[7]基于邊緣檢測的圖像分割算法研究[D]. 唐闖.燕山大學(xué) 2012
[8]復(fù)雜背景下紅外小目標(biāo)檢測方法研究[D]. 楊德佳.電子科技大學(xué) 2011



本文編號：2988850