包邮医学细胞图像分割关键技术

第1章绪论/11.1研究背景及意义21.2医学图像分类及医学显微成像技术概述31.2.1医学图像的分类31.2.2不同类型的显微成像技术41.2.3结构光照明荧光显微成像技术41.3医学显微细胞图像分割技术的研究现状61.3.1手动分割技术61.3.2半自动分割技术61.3.3自动分割技术81.4深度学习网络介绍91.4.1卷积神经网络91.4.2全卷积神经网络111.4.3UNet网络12第1章绪论/11.1研究背景及意义21.2医学图像分类及医学显微成像技术概述31.2.1医学图像的分类31.2.2不同类型的显微成像技术41.2.3结构光照明荧光显微成像技术41.3医学显微细胞图像分割技术的研究现状61.3.1手动分割技术61.3.2半自动分割技术61.3.3自动分割技术81.4深度学习网络介绍91.4.1卷积神经网络91.4.2全卷积神经网络111.4.3UNet网络121.4.4SegNet网络131.4.5PSPNet151.4.6DeepLab V3 plus151.5深度学习框架151.5.1TensorFlow框架161.5.2PyTorch框架171.5.3Keras框架181.5.4Caffe框架201.6本章小结21参考文献22第2章基于双树复小波变换及形态学的医学显微细胞图像增强算法/272.1医学图像增强算法概述282.2医学显微细胞图像增强算法流程302.3双树复小波变换的基本原理302.4基于DTCWT 及形态学的医学显微细胞图像增强算法32〖1〗医学细胞图像分割关键技术〖1〗〖1〗目录2.4.1WBCT法对高通子带去噪322.4.2改进的形态学tophat变换法对低通子带增强342.4.3医学显微细胞图像增强算法实现382.5实验结果与分析382.5.1实验设置392.5.2细胞图像增强结果的主观评价392.5.3细胞图像增强结果的客观评价422.6本章小结47参考文献48第3章基于MRF医学细胞图像自动分割/513.1马尔可夫随机场523.2基于MRF的图像分割533.3基于MRF细胞图像自动分割543.3.1中国餐厅过程543.3.2实现细胞图像自动分割543.4实验结果与分析553.4.1实验过程553.4.2实验效果对比563.4.3实验效果差异评价593.5本章小结60参考文献60第4章基于加权曲率和灰度距离变换的粘连医学显微细胞图像分割算法/624.1分水岭变换634.2快速双阈值标记分水岭变换的图像分割算法644.2.1双阈值迭代法构建标记图像654.2.2双阈值标记分水岭变换的图像分割算法实现654.3基于加权曲率和灰度距离变换的粘连细胞图像分割算法674.3.1判断粘连细胞674.3.2曲率计算及确定凹点684.3.3建立分割线694.3.4关联灰度细胞图像的距离变换714.3.5基于加权曲率和灰度距离变换的粘连细胞图像分割算法实现步骤 724.3.6粘连细胞核的分割算法754.4粘连细胞图像分割实验结果及分析764.4.1粘连细胞图像分割结果主观评价764.4.2粘连细胞图像分割结果客观评价774.5本章小结80参考文献80第5章基于颜色模型极小值运算的细胞图像分割算法/815.1细胞分割算法原理825.2基于颜色模型极小值的细胞图像分割算法835.2.1形态学梯度重构835.2.2自适应Hminima的分水岭图像分割845.2.3基于灰度一致性的区域合并855.3细胞图像分割与评价875.3.1显微细胞图像的分割875.3.2细胞分割结果的主观评价885.3.3细胞分割结果的客观评价905.4本章小结93参考文献94第6章基于图模型的医学显微细胞图像分割算法/966.1多树模型建立976.1.1图模型概述976.1.2多树模型的建立986.2增加先验信息的多树图1006.3标签推理1026.4构建基于卷积多尺度融合 FCN的多树深度特征1046.4.1卷积型多尺度融合 FCN网络1056.4.2基于卷积型多尺度融合FCN的细胞图像分割框架1076.5医学显微细胞图像分割实验结果及分析1086.5.1图像数据扩充和实验环境1086.5.2评价指标1096.5.3实验结果及分析 1116.6本章小结115参考文献116第7章基于神经常微分方程的医学显微细胞图像分割算法/1187.1UNet网络1197.2神经常微分方程1217.2.1神经网络知识1217.2.2神经常微分方程1237.3构建基于NODEs的神经网络模型1257.3.1ODE模块位置1257.3.2NODEsUnet神经网络架构1257.3.3基于NODEsUnet网络的二元分割1277.4细胞图像分割实验结果及分析1287.4.1NODEsUnet和2NODEsUnet网络架构分割结果1297.4.2细胞图像分割的实验结果1307.5本章小结133参考文献133第8章基于Attention NODEUNet 的细胞图像分割算法/1358.1引言1368.2数据预处理1378.2.1数据集介绍1378.2.2数据集标注1378.2.3数据增强1388.3Attention NODEUNet 分割网络1398.3.1注意力机制1398.3.2UNet 网络模型1408.3.3Attention NODEUNet 网络模型1418.3.4实验结果与分析1428.4粘连细胞分割1498.4.1标记分水岭算法分割过程1498.4.2实验结果与分析1498.4.3对比分析1518.5本章小结157参考文献157第9章基于加权连接解码网络的细胞图像分割算法/1599.1加权连接解码网络1619.1.1空洞残差网络1619.1.2空洞空间卷积金字塔池化1629.1.3解码器1639.1.4轻量级通用上采样算子1649.2实验分析1659.2.1评价指标1659.2.2WCDNet模型测试分析1669.2.3人类口腔黏膜细胞分割评估1679.2.4人类血液细胞分割评估1679.3本章小结170参考文献171第10章基于DeepLab V3 的医学细胞图像语义分割算法/17310.1DeepLab V3 网络结构17410.1.1空洞卷积17510.1.2空洞空间金字塔池化17710.1.3编解码结构17710.2基于DeepLab V3 的医学细胞图像语义分割算法17910.2.1空洞卷积扩大感受野17910.2.2密集空洞空间金字塔池化18010.2.3softmax 分类18210.3评价标准18310.4实验结果及分析18410.4.1实验数据集18410.4.2实验设置18410.4.3实验结果分析18510.5基于DeepLab V3 与FCRF 相融合的医学细胞图像语义分割算法18910.5.1条件随机场18910.5.2全连接条件随机场19010.5.3基于全连接条件随机场的细胞图像语义分割算法19210.6DeepLab V3 与FCRF 融合网络的实验分析19310.6.1不同算法模块下的对比实验 19310.6.2泛化能力对比实验19510.7本章小结196参考文献197第11章基于属性增强的空洞残差聚合网络的血液细胞图像多类别分割算法/19911.1空洞残差聚合网络系统模型20011.1.1网络模型介绍20011.1.2空洞残差网络20011.1.3混合空洞可变形空间金字塔池化20311.2数据集的属性增强20411.2.1Sobel算子处理20411.2.2Laplace算子锐化20711.3医学血液细胞图像多分类分割实验结果及分析20811.3.1实验环境及评价指标20811.3.2网络部分消融实验20911.3.3数据集属性增强消融实验20911.3.4实验结果及分析21111.4本章小节213参考文献213