在組織病理學(xué)圖像中準(zhǔn)確地檢測細(xì)胞核的區(qū)域,尤其是粘連細(xì)胞核的區(qū)域檢測,對醫(yī)學(xué)圖像中細(xì)胞核位置的精準(zhǔn)分割、病變細(xì)胞的準(zhǔn)確計(jì)數(shù)及后續(xù)的三維重建是至關(guān)重要的,其對計(jì)算機(jī)醫(yī)學(xué)影像輔助臨床診斷的現(xiàn)代醫(yī)療技術(shù)的提升具有很大的現(xiàn)實(shí)意義,這一直是醫(yī)學(xué)圖像處理分析問題中的熱點(diǎn)、難點(diǎn)問題。傳統(tǒng)的醫(yī)學(xué)圖像分割方法表征力較弱,很難實(shí)現(xiàn)精準(zhǔn)的區(qū)域分割。深度學(xué)習(xí)技術(shù)能夠克服很多傳統(tǒng)圖像分割技術(shù)上的弊端,因此,本文以深度學(xué)習(xí)技術(shù)作為主要研究方法。大多數(shù)以細(xì)胞核的區(qū)域信息作為模型訓(xùn)練標(biāo)簽的深度學(xué)習(xí)算法,難以實(shí)現(xiàn)細(xì)胞核粘連區(qū)域的精準(zhǔn)分割。故在本文的第三章中,我們將訓(xùn)練模型的細(xì)胞核區(qū)域信息標(biāo)簽變更為細(xì)胞核的邊緣信息。另外,針對組織病理圖像中粘連細(xì)胞核的分割問題,提出深度學(xué)習(xí)分割模型Caps-Unet。Caps-Unet模型以膠囊層（表示為Capsule層,簡稱Caps層）替換U-Net模型中的常規(guī)卷積層。每個Caps層由四個不同尺度的卷積單元和一個用于連接這四個不同尺度卷積單元輸出特征圖的連接單元組成。在MICCAI2017粘連細(xì)胞核數(shù)據(jù)集下的實(shí)驗(yàn)結(jié)果表明,Caps-Unet模型可檢測到U-Net模型難以檢測到的粘連細(xì)胞... 

【文章來源】：陜西師范大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１?ＣＮＮ結(jié)構(gòu)圖??ｉ．?２－１ｒｒＮＮ??

圖２－２?ＣＮＮ分類實(shí)例??Ｆｉｇ．?２－２?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｅｘａｍｐｌｅ?ｏｆ?ＣＮＮ??如圖２－１所示的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)模型輸入為１張大小為６４＊６４通道數(shù)??為１的圖像，經(jīng)過一次卷積輸出１張大小為６４＊６４，通道數(shù)為３的張量（張量形式??為（１，?６４，?６４，?３））；然后對這些特征圖進(jìn)行池化操作，降低數(shù)據(jù)維度，加速網(wǎng)絡(luò)??模型的計(jì)算，輸出１張大小為３２＊３２，通道數(shù)為３的特征張量（張量形式為（１，３２，??３２，?３））；隨后對這些特征圖鏡像全連接操作，使這三張?zhí)卣鲌D所有的特征值縱向??連接，輸出１列長度為３２＊３２＊３的張量（張量形式為（１，３２＊３２＊３））。最后進(jìn)入模型??的輸出層（分類層），該層包含三個神經(jīng)元，使用Ｓｏｆｔｍａｘ函數(shù)輸出輸入圖像屬于ａ、??ｂ、ｃ三類的概率，且可近似的認(rèn)為輸入圖像屬于概率值最大的那一類。??２．?２全卷積神經(jīng)網(wǎng)絡(luò)??ＵＣ?Ｂｅｒｋｅｌｅｙ的Ｊｏｎａｔｈａｎ?Ｌｏｎｇ等人將傳統(tǒng)ＣＮＮ結(jié)構(gòu)中的全連接層替換成卷積??層

一FCN分割實(shí)例Fig.245必琶Inema石

【參考文獻(xiàn)】：
期刊論文
[1]現(xiàn)代醫(yī)學(xué)影像技術(shù)中計(jì)算機(jī)圖像處理技術(shù)的應(yīng)用[J]. 于大偉,曹章.  影像研究與醫(yī)學(xué)應(yīng)用. 2019(05)
[2]基于全卷積網(wǎng)絡(luò)的土壤斷層掃描圖像中孔隙分割[J]. 韓巧玲,趙玥,趙燕東,劉克雄,龐曼.  農(nóng)業(yè)工程學(xué)報. 2019(02)
[3]深度學(xué)習(xí)算法中卷積神經(jīng)網(wǎng)絡(luò)的概念綜述[J]. 李策,陳海霞,漢語,左勝甲,趙立剛.  電子測試. 2018(23)
[4]計(jì)算機(jī)圖像處理技術(shù)在醫(yī)學(xué)影像中的進(jìn)展與應(yīng)用研究[J]. 劉澤宇,郭煒婷.  中國衛(wèi)生標(biāo)準(zhǔn)管理. 2018(09)
[5]現(xiàn)代醫(yī)學(xué)影像技術(shù)中計(jì)算機(jī)圖像處理技術(shù)的應(yīng)用[J]. 曾玲.  電子技術(shù)與軟件工程. 2018(08)
[6]基于改進(jìn)全卷積網(wǎng)絡(luò)的小麥圖像分割[J]. 萬園潔,卿粼波,何小海,董德良,石恒.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(03)
[7]基于局部空間信息的閾值分割算法[J]. 張弘,高威.  計(jì)算機(jī)與數(shù)字工程. 2018(02)
[8]數(shù)字圖像處理技術(shù)的發(fā)展及應(yīng)用[J]. 鄭李強(qiáng).  電腦知識與技術(shù). 2018(02)
[9]醫(yī)學(xué)圖像分割方法綜述[J]. 劉宇,陳勝.  電子科技. 2017(08)
[10]醫(yī)學(xué)影像技術(shù)在醫(yī)學(xué)影像診斷中的臨床應(yīng)用分析[J]. 張德義.  臨床醫(yī)藥文獻(xiàn)電子雜志. 2017(43)



本文編號：3524216