本文主要研究内容
作者李彪（2019）在《基于生成式对抗网络的细胞图像分割方法的研究》一文中研究指出：细胞图像分割是癌细胞检测中一个极为重要的环节。然而,由于细胞图像拥有复杂的背景环境,比如重叠、低对比度以及杂质干扰,导致细胞分割十分具有挑战性。传统的分割方法很难有效分割多复杂背景下的细胞图像。而目前的深度学习分割模型虽然能够解决多复杂背景图像的分割难题,然而由于其自身基于像素点分类机制的制约,难以有效分割重叠细胞。为了解决上述问题,本文借鉴生成式对抗网络,从图像生成的角度提出了一种全新的深度学习分割模型,称之为Cell-GAN。Cell-GAN是基于训练所学的有关于细胞形态的概率分布,来实现对图像信息的区分,并通过自编码器结构,实现对细胞图像的分割。对于每个待分割细胞,Cell-GAN尝试保留所有能够使得该细胞保持完整性的信息,同时将其它的细胞(排除与待分割细胞重叠的区域)看作背景而去除。最终,Cell-GAN将生成一副无背景的单细胞图像,而生成细胞的轮廓便是所需的细胞分割线。为了实现细胞之间的区分,Cell-GAN采用双图像输入模式,除了正常的细胞图像以外,同时接收与之对应的单细胞核图像,本文称之为指导因子。指导因子起到了帮助Cell-GAN定位待分割细胞的作用,它是重叠细胞分割能够实现的关键。出于运算资源的考虑,深度学习分割模型难以直接实现大尺寸图像的分割,需要进行必要的图像裁剪工作。为此,本文借助Cell-GAN自身良好的细胞图像分割性能,设计了循环图像裁剪结构(R-crop)。R-crop的工作原理是利用Cell-GAN的生成图像,来获取精准的细胞尺寸,然后再以获得的细胞尺寸对图像进行再次裁剪以及图像生成,之后一直重复上述过程,直到生成图像的面积波动趋于平稳,意味着分割到此完成。R-crop与Cell-GAN联合构成了首个实现重叠细胞全自动分割的深度学习分割模型RCell-GAN。本文通过使用两种现今比较优异的细胞分割方法,同RCell-GAN在自建数据集以及ISBI 2015公共数据集上进行分割性能对比。实验表明,RCell-GAN不仅获得了最好的分割性能,而且也表现出了优良的分割泛化能力。
Abstract
xi bao tu xiang fen ge shi ai xi bao jian ce zhong yi ge ji wei chong yao de huan jie 。ran er ,you yu xi bao tu xiang yong you fu za de bei jing huan jing ,bi ru chong die 、di dui bi du yi ji za zhi gan rao ,dao zhi xi bao fen ge shi fen ju you tiao zhan xing 。chuan tong de fen ge fang fa hen nan you xiao fen ge duo fu za bei jing xia de xi bao tu xiang 。er mu qian de shen du xue xi fen ge mo xing sui ran neng gou jie jue duo fu za bei jing tu xiang de fen ge nan ti ,ran er you yu ji zi shen ji yu xiang su dian fen lei ji zhi de zhi yao ,nan yi you xiao fen ge chong die xi bao 。wei le jie jue shang shu wen ti ,ben wen jie jian sheng cheng shi dui kang wang lao ,cong tu xiang sheng cheng de jiao du di chu le yi chong quan xin de shen du xue xi fen ge mo xing ,chen zhi wei Cell-GAN。Cell-GANshi ji yu xun lian suo xue de you guan yu xi bao xing tai de gai lv fen bu ,lai shi xian dui tu xiang xin xi de ou fen ,bing tong guo zi bian ma qi jie gou ,shi xian dui xi bao tu xiang de fen ge 。dui yu mei ge dai fen ge xi bao ,Cell-GANchang shi bao liu suo you neng gou shi de gai xi bao bao chi wan zheng xing de xin xi ,tong shi jiang ji ta de xi bao (pai chu yu dai fen ge xi bao chong die de ou yu )kan zuo bei jing er qu chu 。zui zhong ,Cell-GANjiang sheng cheng yi fu mo bei jing de chan xi bao tu xiang ,er sheng cheng xi bao de lun kuo bian shi suo xu de xi bao fen ge xian 。wei le shi xian xi bao zhi jian de ou fen ,Cell-GANcai yong shuang tu xiang shu ru mo shi ,chu le zheng chang de xi bao tu xiang yi wai ,tong shi jie shou yu zhi dui ying de chan xi bao he tu xiang ,ben wen chen zhi wei zhi dao yin zi 。zhi dao yin zi qi dao le bang zhu Cell-GANding wei dai fen ge xi bao de zuo yong ,ta shi chong die xi bao fen ge neng gou shi xian de guan jian 。chu yu yun suan zi yuan de kao lv ,shen du xue xi fen ge mo xing nan yi zhi jie shi xian da che cun tu xiang de fen ge ,xu yao jin hang bi yao de tu xiang cai jian gong zuo 。wei ci ,ben wen jie zhu Cell-GANzi shen liang hao de xi bao tu xiang fen ge xing neng ,she ji le xun huan tu xiang cai jian jie gou (R-crop)。R-cropde gong zuo yuan li shi li yong Cell-GANde sheng cheng tu xiang ,lai huo qu jing zhun de xi bao che cun ,ran hou zai yi huo de de xi bao che cun dui tu xiang jin hang zai ci cai jian yi ji tu xiang sheng cheng ,zhi hou yi zhi chong fu shang shu guo cheng ,zhi dao sheng cheng tu xiang de mian ji bo dong qu yu ping wen ,yi wei zhao fen ge dao ci wan cheng 。R-cropyu Cell-GANlian ge gou cheng le shou ge shi xian chong die xi bao quan zi dong fen ge de shen du xue xi fen ge mo xing RCell-GAN。ben wen tong guo shi yong liang chong xian jin bi jiao you yi de xi bao fen ge fang fa ,tong RCell-GANzai zi jian shu ju ji yi ji ISBI 2015gong gong shu ju ji shang jin hang fen ge xing neng dui bi 。shi yan biao ming ,RCell-GANbu jin huo de le zui hao de fen ge xing neng ,er ju ye biao xian chu le you liang de fen ge fan hua neng li 。
论文参考文献
论文详细介绍
论文作者分别是来自哈尔滨理工大学的李彪，发表于刊物哈尔滨理工大学2019-07-29论文，是一篇关于宫颈细胞论文,细胞图像分割论文,生成式对抗网络论文,图像生成论文,深度学习论文,哈尔滨理工大学2019-07-29论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自哈尔滨理工大学2019-07-29论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：宫颈细胞论文; 细胞图像分割论文; 生成式对抗网络论文; 图像生成论文; 深度学习论文; 哈尔滨理工大学2019-07-29论文;