基于细胞染色图像的细胞核自动识别算法

论文总字数：21396字

摘 要

细胞核是人体分析的起点，对了解各类治疗中潜在的生物过程有很大的帮助。而细胞染色图像又极为复杂，重叠性，透明度，清晰度等等问题使得人工识别极为困难。本次课题来源于2018年kaggle举办的数据科学碗大赛，主要内容是对标准细胞染色图像进行细胞核的自动识别。

自2012年深度学习技术被引入图像识别之后，深度学习在处理计算机视觉问题上逐渐表现出了卓越的性能。同时，医学影像学的快速发展和普及也更使得神经网络与医疗图像的结合愈发受人关注。然而传统的神经网络不仅运算效率低，而且仅能完成对整体图像的识别任务，不能分割图像，也无法进行像素级的分类。本次课题采用了U-net和Mask R-cnn两种神经网络，完成了对细胞核的自动识别。由于这两种网络的网络结构简单且具有像素级分类的功能，所以它们更适合细胞核识别的课题。结果表明U-net网络的结构更适合处理细胞核自动识别的问题，达到了较高的准确率，并且对于各类复杂的细胞染色图都有较好的预测成果。

关键词：深度学习，细胞核识别，U-net网络，Mask R-cnn网络

Abstract

Since cell’s nuclei is the starting point for most analyses, it’s very helpful for measuring how cells react to various treatments. However, the medical picture of cells is very complicated, the pellucidity and clarity of cells make it very difficult to detect nucleus manually. This paper is inspired from 2018 kaggle data science bowl competition. Our main purpose is to accomplish automate nucleus detection.

Since deep learning was introduced to pattern recognition in 2012, it has shown excellent performance in computer vision problems. Meanwhile, the rapid growth and popularize of medical imageology makes the combination of neural network and medical picture being paid more and more attention. However, traditional methods are not only expensive, but also have the restriction that are only able to classify the whole picture. Image segmentation and pixel-level classification can’t be accomplished by traditional neural networks. This paper used U-net and Mask R-cnn, accomplished the automation of nucleus detection. Since these two structures are simple and designed for pixel-level classification, they are more capable of nucleus detection. The results show that U-net is more capable to this mission, which reaches a high score and has great performance in different kinds of cell pictures.

KEY WORDS: deep learning, nucleus detection, U-net neural network, Mask R-cnn network

目 录

摘 要 I

Abstract II

第一章 引言 1

第二章 卷积神经网络 3

2.1 基本概念 3

2.1.1 卷积层 3

2.1.2 池化层 5

2.1.3 全连接层 6

2.2 卷积神经网络结构 6

第三章 语义分割网络 9

3.1 全卷积网络 9

3.1.1 全连接层与卷积层的转化 9

3.1.2 反卷积与上采样 10

3.1.3 全卷积网络结构 10

3.1.4 优缺点 11

3.2 U-net网络 11

3.2.1 网络结构 11

3.2.2 数据增强 12

3.2.3 U-net在医学图像处理中的优势 13

第四章 Mask R-cnn（掩膜区域卷积神经网络） 14

4.1 R-cnn（区域卷积神经网络） 14

4.1.1 具体实现 14

4.1.2 优缺点 15

4.2 Fast R-cnn与Faster R-cnn 15

4.3 Mask R-cnn 15

4.3.1 RoI-pooling与RoIAlign 15

4.3.2 优势与对比 16

第五章 实验分析 18

5.1 数据集 18

5.2 预处理 19

5.3 U-net实验 20

5.4 Mask R-cnn实验 21

5.5 结果对比 21

5.6 改进 22

第六章 文章总结 23

参考文献 24

致谢 25

1. 引言

随着大数据时代的到来，数据的规模出现了爆发式的增长，人们逐渐发下传统的统计学和数据处理在面对这种规模的数据效果不尽人意，于是机器学习和深度学习便应运而生。从18世纪80年代至今，神经网络从初代极其简化的单一人工神经元模型发展到如今的各类复杂的卷积神经网络，可以说是百花齐放。深度学习在处理海量数据的卓越表现使得它在各个领域大放异彩，无论是语音识别，计算机视觉，还是自然语言处理，深度学习模型都能展现极高的效率和准确率，而它同样引起了医学图像界的关注。

随着医学影像学的快速发展和普及，各类疾病的诊断和治疗都越来越依赖医学图像的分析和处理，这使得全世界每天都会产生大量的医学图像数据。然而由于人体结构的复杂和医疗仪器的限制，医学图像往往不够直观和清晰。因此，医学图像处理成为了医务人员分析医学图像的首要步骤。大量的医学图像和对医学图像处理的需求，为深度学习和医学影像的结合奠定了基础。自2012年深度学习技术被引入图像识别数据集之后，神经网络在各类医学图像处理任务中的效率和准确率都屡创新高。医疗界为数据科学家提出了各种挑战，而细胞核的识别和分割就是这其中之一。

识别细胞的细胞核是对人体进行分析的起点，因为人体的30万亿个细胞中大多都含有一个充满DNA的细胞核，也就是是编码每个细胞的遗传密码。只有识别了细胞核，研究人员才能识别样品中的每个细胞，并通过测量细胞反应来了解工作中潜在的生物过程。细胞核的自动识别能大大提高研究过程的速度和准确率，这种技术的使用甚至可以将很多药物从研发到上市的进程缩短十年十年以上。2018年kaggle网站举办的数据碗国际竞赛，提供了包含各种应用场景下不同的获取方式、细胞类型、放大倍数和呈现模式的标准细胞染色图像数据库，将这一课题抛给了全世界的研究团队。本文采用了U-net和Mask R-cnn两种模型对数据集进行处理和训练，并通过实验结果对比了两种模型的优劣。

剩余内容已隐藏，请支付后下载全文，论文总字数：21396字