在生物醫(yī)學(xué)的許多應(yīng)用中,實(shí)現(xiàn)顯微序列圖像中癌細(xì)胞的檢測與多目標(biāo)自動(dòng)跟蹤是記錄并分析癌細(xì)胞生命周期活動(dòng)狀態(tài)的基礎(chǔ),對藥物開發(fā)、疾病診斷和治療等具有重大的意義。相襯顯微鏡作為一種新型顯微技術(shù),可不對細(xì)胞進(jìn)行染色,在自然狀態(tài)下觀察活體細(xì)胞,有利于癌細(xì)胞生命周期的監(jiān)測及后續(xù)的動(dòng)態(tài)分析。而相襯顯微鏡下的癌細(xì)胞存在前后景低對比度、形狀多變、部分遮擋、高度密集等挑戰(zhàn)性問題,傳統(tǒng)的目標(biāo)跟蹤方法難以解決這些問題。本文基于深度學(xué)習(xí)算法,嘗試實(shí)現(xiàn)顯微序列圖像中多個(gè)癌細(xì)胞的檢測與跟蹤。首先,本文基于Faster R-CNN檢測算法實(shí)現(xiàn)癌細(xì)胞的初步檢測;然后對檢測結(jié)果進(jìn)行分析,針對存在的問題,提出相應(yīng)的解決方案,進(jìn)一步優(yōu)化檢測算法,提高檢測精度;再以此為基礎(chǔ),提出基于檢測的多目標(biāo)跟蹤算法,得到初步的跟蹤結(jié)果;最后在初步跟蹤結(jié)果的基礎(chǔ)上,結(jié)合癌細(xì)胞的具體特點(diǎn),優(yōu)化跟蹤算法,提高跟蹤效率。本文的主要工作和創(chuàng)新點(diǎn)如下:（1）針對檢測階段出現(xiàn)的癌細(xì)胞高密度問題,本文提出了將密度估計(jì)算法融入Faster R-CNN檢測算法,構(gòu)建了多任務(wù)loss函數(shù),改善了檢測效果。（2）針對相襯顯微鏡下癌細(xì)胞特征單一的問題,本文提出了多... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

細(xì)胞跟蹤流程圖

Fast R-CNN、Faster R-CNN 及 Mask R-CNN。（1）R-CNN從 2012 年的 ImageNet 圖像挑戰(zhàn)賽開始，CNN 再次進(jìn)入研究者世界，傳統(tǒng)，利用 CNN 特征進(jìn)行圖像識(shí)別，并在當(dāng)時(shí)獲得令人驚嘆的準(zhǔn)確率，能否將 CNN 特征應(yīng)用在檢測領(lǐng)域？”的熱潮席卷而來。于是，2014 年 G提出的 R-CNN[12]算法將 CNN 特征正式應(yīng)用于目標(biāo)檢測，翻開基于深度標(biāo)檢測新篇章。該算法利用 CNN 提取圖像特征，通過有監(jiān)督的訓(xùn)練方式練好的模型進(jìn)行訓(xùn)練，能夠通過小樣本數(shù)據(jù)集微調(diào)網(wǎng)絡(luò)的參數(shù)，解決了以訓(xùn)練有效模型難題，同時(shí)緩解了因數(shù)據(jù)不足而造成的過擬合等問題。練及測試階段，R-CNN 根據(jù)給定的輸入圖片，利用 SS 算法實(shí)現(xiàn)候選框其中，候選框的個(gè)數(shù)可以人為設(shè)定，一般都是獲取 2K 個(gè)候選框，方便后的篩選處理。而 CNN 網(wǎng)絡(luò)中，要求輸入圖片大小一致，但 SS 算法得到大小不一，所以還需要對候選框進(jìn)行縮放處理。例如，AlexNet 需要在將至 CNN 網(wǎng)絡(luò)之前，將圖像 resize 至 227*227 大小，R-CNN 網(wǎng)絡(luò)的結(jié)構(gòu)示。

圖 2-3 SVM 示意圖([45])Figure 2-3. The schematic diagram of SVM([45])大值抑制 NMS[46]類之后，每個(gè)候選域都有各自的標(biāo)簽，該標(biāo)簽表示候選域?yàn)榱私档腿哂喽�，可首先利用分�(jǐn)?shù)閾值將分值低的無效候目標(biāo)被多個(gè)候選框包圍的情況，可采用 NMS 技術(shù)對相交的冗余的候選框，得到最能代表檢測結(jié)果的候選框。NMS 方值，實(shí)現(xiàn)候選框的初步篩選。其中，IoU 表示同一候選ox 的重疊度，IoU 示意圖如圖 2-4 所示。


本文編號(hào)：2968395