第1章緒論/11.1研究背景及意義21.2醫(yī)學(xué)圖像分類(lèi)及醫(yī)學(xué)顯微成像技術(shù)概述31.2.1醫(yī)學(xué)圖像的分類(lèi)31.2.2不同類(lèi)型的顯微成像技術(shù)41.2.3結(jié)構(gòu)光照明熒光顯微成像技術(shù)41.3醫(yī)學(xué)顯微細(xì)胞圖像分割技術(shù)的研究現(xiàn)狀61.3.1手動(dòng)分割技術(shù)61.3.2半自動(dòng)分割技術(shù)61.3.3自動(dòng)分割技術(shù)81.4深度學(xué)習(xí)網(wǎng)絡(luò)介紹91.4.1卷積神經(jīng)網(wǎng)絡(luò)91.4.2全卷積神經(jīng)網(wǎng)絡(luò)111.4.3UNet網(wǎng)絡(luò)12第1章緒論/11.1研究背景及意義21.2醫(yī)學(xué)圖像分類(lèi)及醫(yī)學(xué)顯微成像技術(shù)概述31.2.1醫(yī)學(xué)圖像的分類(lèi)31.2.2不同類(lèi)型的顯微成像技術(shù)41.2.3結(jié)構(gòu)光照明熒光顯微成像技術(shù)41.3醫(yī)學(xué)顯微細(xì)胞圖像分割技術(shù)的研究現(xiàn)狀61.3.1手動(dòng)分割技術(shù)61.3.2半自動(dòng)分割技術(shù)61.3.3自動(dòng)分割技術(shù)81.4深度學(xué)習(xí)網(wǎng)絡(luò)介紹91.4.1卷積神經(jīng)網(wǎng)絡(luò)91.4.2全卷積神經(jīng)網(wǎng)絡(luò)111.4.3UNet網(wǎng)絡(luò)121.4.4SegNet網(wǎng)絡(luò)131.4.5PSPNet151.4.6DeepLab V3 plus151.5深度學(xué)習(xí)框架151.5.1TensorFlow框架161.5.2PyTorch框架171.5.3Keras框架181.5.4Caffe框架201.6本章小結(jié)21參考文獻(xiàn)22第2章基于雙樹(shù)復(fù)小波變換及形態(tài)學(xué)的醫(yī)學(xué)顯微細(xì)胞圖像增強(qiáng)算法/272.1醫(yī)學(xué)圖像增強(qiáng)算法概述282.2醫(yī)學(xué)顯微細(xì)胞圖像增強(qiáng)算法流程302.3雙樹(shù)復(fù)小波變換的基本原理302.4基于DTCWT 及形態(tài)學(xué)的醫(yī)學(xué)顯微細(xì)胞圖像增強(qiáng)算法32〖1〗醫(yī)學(xué)細(xì)胞圖像分割關(guān)鍵技術(shù)〖1〗〖1〗目錄2.4.1WBCT法對(duì)高通子帶去噪322.4.2改進(jìn)的形態(tài)學(xué)tophat變換法對(duì)低通子帶增強(qiáng)342.4.3醫(yī)學(xué)顯微細(xì)胞圖像增強(qiáng)算法實(shí)現(xiàn)382.5實(shí)驗(yàn)結(jié)果與分析382.5.1實(shí)驗(yàn)設(shè)置392.5.2細(xì)胞圖像增強(qiáng)結(jié)果的主觀評(píng)價(jià)392.5.3細(xì)胞圖像增強(qiáng)結(jié)果的客觀評(píng)價(jià)422.6本章小結(jié)47參考文獻(xiàn)48第3章基于MRF醫(yī)學(xué)細(xì)胞圖像自動(dòng)分割/513.1馬爾可夫隨機(jī)場(chǎng)523.2基于MRF的圖像分割533.3基于MRF細(xì)胞圖像自動(dòng)分割543.3.1中國(guó)餐廳過(guò)程543.3.2實(shí)現(xiàn)細(xì)胞圖像自動(dòng)分割543.4實(shí)驗(yàn)結(jié)果與分析553.4.1實(shí)驗(yàn)過(guò)程553.4.2實(shí)驗(yàn)效果對(duì)比563.4.3實(shí)驗(yàn)效果差異評(píng)價(jià)593.5本章小結(jié)60參考文獻(xiàn)60第4章基于加權(quán)曲率和灰度距離變換的粘連醫(yī)學(xué)顯微細(xì)胞圖像分割算法/624.1分水嶺變換634.2快速雙閾值標(biāo)記分水嶺變換的圖像分割算法644.2.1雙閾值迭代法構(gòu)建標(biāo)記圖像654.2.2雙閾值標(biāo)記分水嶺變換的圖像分割算法實(shí)現(xiàn)654.3基于加權(quán)曲率和灰度距離變換的粘連細(xì)胞圖像分割算法674.3.1判斷粘連細(xì)胞674.3.2曲率計(jì)算及確定凹點(diǎn)684.3.3建立分割線694.3.4關(guān)聯(lián)灰度細(xì)胞圖像的距離變換714.3.5基于加權(quán)曲率和灰度距離變換的粘連細(xì)胞圖像分割算法實(shí)現(xiàn)步驟 724.3.6粘連細(xì)胞核的分割算法754.4粘連細(xì)胞圖像分割實(shí)驗(yàn)結(jié)果及分析764.4.1粘連細(xì)胞圖像分割結(jié)果主觀評(píng)價(jià)764.4.2粘連細(xì)胞圖像分割結(jié)果客觀評(píng)價(jià)774.5本章小結(jié)80參考文獻(xiàn)80第5章基于顏色模型極小值運(yùn)算的細(xì)胞圖像分割算法/815.1細(xì)胞分割算法原理825.2基于顏色模型極小值的細(xì)胞圖像分割算法835.2.1形態(tài)學(xué)梯度重構(gòu)835.2.2自適應(yīng)Hminima的分水嶺圖像分割845.2.3基于灰度一致性的區(qū)域合并855.3細(xì)胞圖像分割與評(píng)價(jià)875.3.1顯微細(xì)胞圖像的分割875.3.2細(xì)胞分割結(jié)果的主觀評(píng)價(jià)885.3.3細(xì)胞分割結(jié)果的客觀評(píng)價(jià)905.4本章小結(jié)93參考文獻(xiàn)94第6章基于圖模型的醫(yī)學(xué)顯微細(xì)胞圖像分割算法/966.1多樹(shù)模型建立976.1.1圖模型概述976.1.2多樹(shù)模型的建立986.2增加先驗(yàn)信息的多樹(shù)圖1006.3標(biāo)簽推理1026.4構(gòu)建基于卷積多尺度融合 FCN的多樹(shù)深度特征1046.4.1卷積型多尺度融合 FCN網(wǎng)絡(luò)1056.4.2基于卷積型多尺度融合FCN的細(xì)胞圖像分割框架1076.5醫(yī)學(xué)顯微細(xì)胞圖像分割實(shí)驗(yàn)結(jié)果及分析1086.5.1圖像數(shù)據(jù)擴(kuò)充和實(shí)驗(yàn)環(huán)境1086.5.2評(píng)價(jià)指標(biāo)1096.5.3實(shí)驗(yàn)結(jié)果及分析 1116.6本章小結(jié)115參考文獻(xiàn)116第7章基于神經(jīng)常微分方程的醫(yī)學(xué)顯微細(xì)胞圖像分割算法/1187.1UNet網(wǎng)絡(luò)1197.2神經(jīng)常微分方程1217.2.1神經(jīng)網(wǎng)絡(luò)知識(shí)1217.2.2神經(jīng)常微分方程1237.3構(gòu)建基于NODEs的神經(jīng)網(wǎng)絡(luò)模型1257.3.1ODE模塊位置1257.3.2NODEsUnet神經(jīng)網(wǎng)絡(luò)架構(gòu)1257.3.3基于NODEsUnet網(wǎng)絡(luò)的二元分割1277.4細(xì)胞圖像分割實(shí)驗(yàn)結(jié)果及分析1287.4.1NODEsUnet和2NODEsUnet網(wǎng)絡(luò)架構(gòu)分割結(jié)果1297.4.2細(xì)胞圖像分割的實(shí)驗(yàn)結(jié)果1307.5本章小結(jié)133參考文獻(xiàn)133第8章基于Attention NODEUNet 的細(xì)胞圖像分割算法/1358.1引言1368.2數(shù)據(jù)預(yù)處理1378.2.1數(shù)據(jù)集介紹1378.2.2數(shù)據(jù)集標(biāo)注1378.2.3數(shù)據(jù)增強(qiáng)1388.3Attention NODEUNet 分割網(wǎng)絡(luò)1398.3.1注意力機(jī)制1398.3.2UNet 網(wǎng)絡(luò)模型1408.3.3Attention NODEUNet 網(wǎng)絡(luò)模型1418.3.4實(shí)驗(yàn)結(jié)果與分析1428.4粘連細(xì)胞分割1498.4.1標(biāo)記分水嶺算法分割過(guò)程1498.4.2實(shí)驗(yàn)結(jié)果與分析1498.4.3對(duì)比分析1518.5本章小結(jié)157參考文獻(xiàn)157第9章基于加權(quán)連接解碼網(wǎng)絡(luò)的細(xì)胞圖像分割算法/1599.1加權(quán)連接解碼網(wǎng)絡(luò)1619.1.1空洞殘差網(wǎng)絡(luò)1619.1.2空洞空間卷積金字塔池化1629.1.3解碼器1639.1.4輕量級(jí)通用上采樣算子1649.2實(shí)驗(yàn)分析1659.2.1評(píng)價(jià)指標(biāo)1659.2.2WCDNet模型測(cè)試分析1669.2.3人類(lèi)口腔黏膜細(xì)胞分割評(píng)估1679.2.4人類(lèi)血液細(xì)胞分割評(píng)估1679.3本章小結(jié)170參考文獻(xiàn)171第10章基于DeepLab V3 的醫(yī)學(xué)細(xì)胞圖像語(yǔ)義分割算法/17310.1DeepLab V3 網(wǎng)絡(luò)結(jié)構(gòu)17410.1.1空洞卷積17510.1.2空洞空間金字塔池化17710.1.3編解碼結(jié)構(gòu)17710.2基于DeepLab V3 的醫(yī)學(xué)細(xì)胞圖像語(yǔ)義分割算法17910.2.1空洞卷積擴(kuò)大感受野17910.2.2密集空洞空間金字塔池化18010.2.3softmax 分類(lèi)18210.3評(píng)價(jià)標(biāo)準(zhǔn)18310.4實(shí)驗(yàn)結(jié)果及分析18410.4.1實(shí)驗(yàn)數(shù)據(jù)集18410.4.2實(shí)驗(yàn)設(shè)置18410.4.3實(shí)驗(yàn)結(jié)果分析18510.5基于DeepLab V3 與FCRF 相融合的醫(yī)學(xué)細(xì)胞圖像語(yǔ)義分割算法18910.5.1條件隨機(jī)場(chǎng)18910.5.2全連接條件隨機(jī)場(chǎng)19010.5.3基于全連接條件隨機(jī)場(chǎng)的細(xì)胞圖像語(yǔ)義分割算法19210.6DeepLab V3 與FCRF 融合網(wǎng)絡(luò)的實(shí)驗(yàn)分析19310.6.1不同算法模塊下的對(duì)比實(shí)驗(yàn) 19310.6.2泛化能力對(duì)比實(shí)驗(yàn)19510.7本章小結(jié)196參考文獻(xiàn)197第11章基于屬性增強(qiáng)的空洞殘差聚合網(wǎng)絡(luò)的血液細(xì)胞圖像多類(lèi)別分割算法/19911.1空洞殘差聚合網(wǎng)絡(luò)系統(tǒng)模型20011.1.1網(wǎng)絡(luò)模型介紹20011.1.2空洞殘差網(wǎng)絡(luò)20011.1.3混合空洞可變形空間金字塔池化20311.2數(shù)據(jù)集的屬性增強(qiáng)20411.2.1Sobel算子處理20411.2.2Laplace算子銳化20711.3醫(yī)學(xué)血液細(xì)胞圖像多分類(lèi)分割實(shí)驗(yàn)結(jié)果及分析20811.3.1實(shí)驗(yàn)環(huán)境及評(píng)價(jià)指標(biāo)20811.3.2網(wǎng)絡(luò)部分消融實(shí)驗(yàn)20911.3.3數(shù)據(jù)集屬性增強(qiáng)消融實(shí)驗(yàn)20911.3.4實(shí)驗(yàn)結(jié)果及分析21111.4本章小節(jié)213參考文獻(xiàn)213