关键词：
细胞图像分割
深度学习
神经常微分方程
标记分水岭算法
注意力机制
摘要：
细胞图像分割是一项重要的技术,也是医学图像处理中的一个难题。目前,还没有一个普遍有效的分割方法可以应用于细胞分割,主要是因为细胞图像大小不一、成分复杂且细胞之间易重叠。因此,细胞图像分割仍是一项困难而艰巨的任务。由于传统图像分割算法对细胞的处理较为粗糙,因此受计算机技术的影响,深度学习算法在医学图像处理中越来越受欢迎。深度学习是一种类似于人类认知系统的计算模型并且可以在不同应用中有效使用。本文研究将其应用于细胞图像分割中,主要工作如下:(1)本文以全卷积神经网络U-Net++为基础,结合神经常微分方程(Neural Ordinary Differential Equations,NODE)和注意力机制(Attention Mechanism,AM)提出了一种新的深度学习网络Attention NODE-UNet++用于红细胞图像的分割。该网络综合了神经常微分方程和注意力机制的优势,在编码器阶段设计了一个带有卷积块和神经常微分方程模块的结构,可以在使用较少参数的条件下更好的提取图像浅层特征,并且该网络具有严格监控的编码器-解码器结构和集成的注意力门跳跃连接,可以有效的提高网络的分割效率及红细胞图像分割的准确度。本文算法相较于Attention U-Net、Res Net、U-Net++网络,取得了较好的结果。在两个数据集上分别做了实验,结果表明:MISP数据集中Dice系数为93.47%,像素准确率为96.62%,平均像素准确率为95.93%,平均交并比为93.25%;Cell数据集中Dice系数为94.69%,像素准确率为97.43%,平均像素准确率为96.58%,平均交并比为94.42%。(2)本文以Attention NODE-UNet++网络为基础,结合标记分水岭算法(Marker Watershed,MW)共同分割重叠、粘连红细胞。首先对图像进行调整、标注和数据增强,然后使用Attention NODE-UNet++网络对红细胞图像进行初步分割得到概率灰度图,最后将得到的概率灰度图输入到标记分水岭算法中进行二次分割,以此获得红细胞图像最终分割结果。在两个数据集上分别做了实验,结果表明:MISP数据集中Dice系数为95.52%,像素准确率为98.82%,平均像素准确率为97.46%,平均交并比为95.73%,Cell数据集中Dice系数为96.87%,像素准确率为99.16%,平均像素准确率达到98.53%,平均交并比为96.58%。与文献[6]、文献[16]和文献[18]算法相比,提取单个红细胞的效果更好。
欢迎来到三峡大学图书馆！
详细信息
中文科技期刊
