細(xì)胞圖像分割是癌細(xì)胞檢測中一個(gè)極為重要的環(huán)節(jié)。然而,由于細(xì)胞圖像擁有復(fù)雜的背景環(huán)境,比如重疊、低對比度以及雜質(zhì)干擾,導(dǎo)致細(xì)胞分割十分具有挑戰(zhàn)性。傳統(tǒng)的分割方法很難有效分割多復(fù)雜背景下的細(xì)胞圖像。而目前的深度學(xué)習(xí)分割模型雖然能夠解決多復(fù)雜背景圖像的分割難題,然而由于其自身基于像素點(diǎn)分類機(jī)制的制約,難以有效分割重疊細(xì)胞。為了解決上述問題,本文借鑒生成式對抗網(wǎng)絡(luò),從圖像生成的角度提出了一種全新的深度學(xué)習(xí)分割模型,稱之為Cell-GAN。Cell-GAN是基于訓(xùn)練所學(xué)的有關(guān)于細(xì)胞形態(tài)的概率分布,來實(shí)現(xiàn)對圖像信息的區(qū)分,并通過自編碼器結(jié)構(gòu),實(shí)現(xiàn)對細(xì)胞圖像的分割。對于每個(gè)待分割細(xì)胞,Cell-GAN嘗試保留所有能夠使得該細(xì)胞保持完整性的信息,同時(shí)將其它的細(xì)胞（排除與待分割細(xì)胞重疊的區(qū)域）看作背景而去除。最終,Cell-GAN將生成一副無背景的單細(xì)胞圖像,而生成細(xì)胞的輪廓便是所需的細(xì)胞分割線。為了實(shí)現(xiàn)細(xì)胞之間的區(qū)分,Cell-GAN采用雙圖像輸入模式,除了正常的細(xì)胞圖像以外,同時(shí)接收與之對應(yīng)的單細(xì)胞核圖像,本文稱之為指導(dǎo)因子。指導(dǎo)因子起到了幫助Cell-GAN定位待分割細(xì)胞的作用,它是重疊細(xì)胞分割能... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

宮頸細(xì)胞圖像

比整幅圖像要小得多。因此，CNNs 只能基于局部圖像的特征來進(jìn)行分類，因而分類性能受到限制。2.1.3 全卷積神經(jīng)網(wǎng)絡(luò) FCNFCN將傳統(tǒng)CNNs中的全連接層轉(zhuǎn)化為一個(gè)個(gè)的卷積層。如圖2-1所示[15]，在傳統(tǒng)的 CNNs 中，前 5 層是卷積層，第 6 層和第 7 層分別是一個(gè)長度為 4096的一維向量，第 8 層為長度 1000 的一維向量，分別對應(yīng) 1000 個(gè)類別的概率。FCN 將后 3 層網(wǎng)絡(luò)替換為卷積層，原來的網(wǎng)絡(luò)是 4096×1×1，全卷積之后的網(wǎng)絡(luò)是 4096×寬×高，最后一層全卷積層的大小是 1000×寬×高。多次卷積會導(dǎo)致得到的圖像越來越小，圖像分辨率越來越低，為了得到與原始圖像等大的輸出圖像，F(xiàn)CN 在最后一層網(wǎng)絡(luò)中使用反卷積網(wǎng)絡(luò)結(jié)構(gòu)。

FCN 的缺點(diǎn)也比較明顯：一是得到的結(jié)果還不是十分精細(xì)，上采樣的結(jié)果依舊比較模糊和平滑，對圖像中的細(xì)節(jié)不敏感；二是對各個(gè)像素進(jìn)行分類，沒有充分考慮像素與像素之間的關(guān)系，忽略了在通常的基于像素分類的分割方法中使用的空間規(guī)整（spatial regularization）步驟，缺乏空間一致性。2.1.4 醫(yī)學(xué)圖像分割網(wǎng)絡(luò) U-NetU-Net 是基于 FCN 的一個(gè)語義分割網(wǎng)絡(luò)，適用于醫(yī)學(xué)圖像的分割。與 FCN相比，U-Net 結(jié)構(gòu)上比較大的改動(dòng)在于對每層卷積網(wǎng)絡(luò)的輸出采取上采樣操作，如圖 2-2 所示[17]。這樣做的好處在于 U-Net 使用前幾層卷積網(wǎng)絡(luò)包含的低分辨率信息定位分割目標(biāo)，同時(shí)使用后幾層網(wǎng)絡(luò)包含的高分辨率信息提取復(fù)雜特征，比如模糊邊界以及復(fù)雜梯度。這兩點(diǎn)也正是 U-Net 最具特色的地方所在。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的井下人員目標(biāo)檢測[J]. 唐士宇,朱艾春,張賽,曹青峰,崔冉,華鋼.  工礦自動(dòng)化. 2018(11)
[2]一種基于決策粗糙集的模糊C均值聚類數(shù)的確定方法[J]. 石文峰,商琳.  計(jì)算機(jī)科學(xué). 2017(09)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和CUDA加速的實(shí)時(shí)視頻人臉識別[J]. 孔英會,王之涵,車轔轔.  科學(xué)技術(shù)與工程. 2016(35)
[4]基于棧式去噪自編碼器的遙感圖像分類[J]. 張一飛,陳忠,張峰,歐陽超.  計(jì)算機(jī)應(yīng)用. 2016(S2)
[5]基于動(dòng)態(tài)K均值聚類算法的SAR圖像分割[J]. 邢濤,黃友紅,胡慶榮,李軍,王冠勇.  中國科學(xué)院大學(xué)學(xué)報(bào). 2016(05)
[6]早期宮頸癌FIGO分期與手術(shù)病理分期的差異性及淋巴結(jié)轉(zhuǎn)移危險(xiǎn)因素的分析[J]. 孫瑞瑞,胡爾西旦·尼牙孜,趙化榮,張蕾,熱合曼·衣明,包永星.  臨床腫瘤學(xué)雜志. 2015(08)
[7]異常宮頸細(xì)胞核的自適應(yīng)局部分割[J]. 張靈,李靜立,陳思平,汪天富,江少鋒,劉少雄.  中國圖象圖形學(xué)報(bào). 2013(10)
[8]一種基于橢圓可變形模板技術(shù)的宮頸細(xì)胞圖像分割方法[J]. 劉生浩,曾立波,吳瓊水,劉斌.  儀器儀表學(xué)報(bào). 2004(02)

博士論文
[1]醫(yī)學(xué)顯微細(xì)胞圖像分割研究[D]. 張瑞華.武漢科技大學(xué) 2014



本文編號：2962417