一種基于微流控芯片和CMOS圖像傳感器的片上無透鏡細(xì)胞檢測系統(tǒng)為實(shí)現(xiàn)便攜化、智能化的細(xì)胞檢測設(shè)備提供了新方向。此無透鏡系統(tǒng)采集的細(xì)胞圖像分辨率低且圖像灰度變化受實(shí)驗(yàn)環(huán)境影響大,采用傳統(tǒng)的方法進(jìn)行細(xì)胞分割不具有魯棒性,并且對(duì)噪聲敏感,難以實(shí)現(xiàn)高精度的分割。因此,研究低分辨率細(xì)胞圖像的高精度分割方法對(duì)無透鏡細(xì)胞檢測系統(tǒng)的細(xì)胞圖像分割具有重要意義。對(duì)于低分辨率細(xì)胞圖像的自動(dòng)分割問題,提出使用卷積神經(jīng)網(wǎng)絡(luò)分割方法實(shí)現(xiàn)。由于無透鏡系統(tǒng)采集的細(xì)胞圖像難以制作網(wǎng)絡(luò)所需的數(shù)據(jù)集,故模擬系統(tǒng)采集的細(xì)胞圖像進(jìn)行數(shù)據(jù)集的制作。針對(duì)低分辨率圖像數(shù)據(jù)集設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)效率低的問題,提出利用高分辨率細(xì)胞圖像特征明顯、易于分割的特點(diǎn)來確定合適的原始網(wǎng)絡(luò)結(jié)構(gòu)從而縮減卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)周期。首先通過高分辨率數(shù)據(jù)集的特點(diǎn)調(diào)整初始網(wǎng)絡(luò)模型,實(shí)現(xiàn)網(wǎng)絡(luò)的輕量化以便于后期移植。經(jīng)測試,輕量化后的網(wǎng)絡(luò)對(duì)高分辨率細(xì)胞圖像的分割精度可達(dá)97%左右;然后,采用低分辨率數(shù)據(jù)集驗(yàn)證高分辨數(shù)據(jù)集確定網(wǎng)絡(luò)的可行性,測試分割精度達(dá)91%左右,表明高分辨率數(shù)據(jù)集確定的網(wǎng)絡(luò)模型適用于低分辨圖像;接著結(jié)合無透鏡系統(tǒng)采集的細(xì)胞圖像具有衍射圖斑這一特點(diǎn)對(duì)網(wǎng)絡(luò)進(jìn)...

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 細(xì)胞檢測技術(shù)的發(fā)展歷史及現(xiàn)狀
    1.3 細(xì)胞分割方法的研究現(xiàn)狀與發(fā)展
    1.4 本文研究內(nèi)容
    1.5 本文的結(jié)構(gòu)安排
2 細(xì)胞圖像分割算法
    2.1 傳統(tǒng)細(xì)胞分割算法
        2.1.1 基于閾值的分割算法
        2.1.2 基于區(qū)域的分割算法
        2.1.3 基于邊緣的分割算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)分割算法
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)概述
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)分割算法中的特殊結(jié)構(gòu)
    2.3 本章小結(jié)
3 細(xì)胞圖像分割算法的研究
    3.1 高分辨率細(xì)胞圖像數(shù)據(jù)庫建立
    3.2 分割評(píng)價(jià)評(píng)價(jià)標(biāo)準(zhǔn)
    3.3 高分辨率的細(xì)胞分割算法實(shí)現(xiàn)
        3.3.1 網(wǎng)絡(luò)參數(shù)對(duì)細(xì)胞圖像分割結(jié)果的影響
        3.3.2 卷積神經(jīng)網(wǎng)絡(luò)分割算法與其他算法分割結(jié)果對(duì)比
    3.4 本章小結(jié)
4 無透鏡系統(tǒng)下的細(xì)胞圖像分割算法研究
    4.1 數(shù)據(jù)庫建立
    4.2 低分辨細(xì)胞分割算法
    4.3 低分辨圖像分割方法的實(shí)現(xiàn)
        4.3.1 不同網(wǎng)絡(luò)結(jié)構(gòu)對(duì)細(xì)胞圖像分割質(zhì)量的影響
        4.3.2 網(wǎng)絡(luò)參數(shù)對(duì)低分辨率圖像分割質(zhì)量的影響
    4.4 本章小結(jié)
5 應(yīng)用于細(xì)胞圖像的卷積神經(jīng)網(wǎng)絡(luò)壓縮方法研究
    5.1 卷積神經(jīng)網(wǎng)絡(luò)權(quán)值的分析及壓縮
        5.1.1 神經(jīng)網(wǎng)絡(luò)參數(shù)壓縮
        5.1.2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)精度量化壓縮
    5.2 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間主要研究成果



本文編號(hào)：3770123