基于CNN的顯微圖像序列下的細(xì)胞檢測與狀態(tài)識別.pdf

1、近年來，隨著計算機(jī)技術(shù)和人工智能的快速發(fā)展，計算機(jī)視覺技術(shù)已被廣泛應(yīng)用于抗癌藥物的研發(fā)和細(xì)胞病理的分析等生物醫(yī)學(xué)工程領(lǐng)域，顯微圖像序列下的細(xì)胞檢測與識別一直是計算機(jī)視覺領(lǐng)域亟待解決的重點(diǎn)、難點(diǎn)問題之一。而深度學(xué)習(xí)通過組合低層特征形成具有抽象表示的深層神經(jīng)網(wǎng)絡(luò)，突破了低層特征到高層語義理解的障礙，極大地提升了機(jī)器在視覺特征的提取、語義分析和理解方面的智能處理水平，近年來在計算機(jī)視覺、語音和自然語言處理等方面取得了巨大的成功，特別是目標(biāo)檢測

2、和圖像識別領(lǐng)域。因此，本文以膀胱癌T24相稱顯微圖像細(xì)胞為研究對象，利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）算法對顯微圖像上的癌細(xì)胞進(jìn)行檢測，并以此為基礎(chǔ)，對癌細(xì)胞有絲分裂的分裂前、分裂中、分裂后以及死亡等狀態(tài)進(jìn)行識別。本文主要研究成果如下：
　?。?）根據(jù)顯微圖像序列下癌細(xì)胞的特性，本文利用目前檢測領(lǐng)域效果最好的算法之一—區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-ConvolutionalN

3、eural Network，R-CNN）對癌細(xì)胞進(jìn)行檢測。該算法首先通過建議區(qū)域算法產(chǎn)生候選區(qū)域，接著利用CNN對候選區(qū)域特征進(jìn)行提取，最后通過SVM算法對癌細(xì)胞進(jìn)行類別判定，最終判斷該區(qū)域其是否是癌細(xì)胞。實(shí)驗(yàn)結(jié)果表明，無論癌細(xì)胞處于粘連狀態(tài)還是處于單個游離狀態(tài)，R-CNN都可以有效地檢測到其位置信息，為將來進(jìn)一步對癌細(xì)胞進(jìn)行分割或跟蹤奠定基礎(chǔ)。
　　（2）在R-CNN的基礎(chǔ)上，本文提出了多個建議區(qū)域融合算法。首先，分別用選擇性搜

4、索算法（Selective Search）和邊緣框算法（Edge Box）提取顯微圖像序列下的癌細(xì)胞圖像的建議區(qū)域；然后，將兩者得到的建議區(qū)域進(jìn)行合并融合；最后，剔除兩者之間的冗余區(qū)域，最終得到更為有效的候選區(qū)域。實(shí)驗(yàn)結(jié)果表明，相比單個建議區(qū)域算法，多個建議區(qū)域融合算法出現(xiàn)的漏檢率更低、效果更好。
　　（3）在上述癌細(xì)胞檢測的基礎(chǔ)上，本文基于CNN算法提出了癌細(xì)胞有絲分裂的狀態(tài)檢測方法，通過采用有監(jiān)督的CNN對癌細(xì)胞有絲分裂的分裂

5、前、分裂中、分裂后以及死亡等狀態(tài)進(jìn)行識別，并與梯度直方圖（Histograms of Oriented Gradients，HOG）、局部二值模式（Local Binary Patterns，LBP）、Gist算法、Dense-sift算法等傳統(tǒng)人工特征提取算法進(jìn)行了比較。從對比的實(shí)驗(yàn)結(jié)果表明，深度卷積神經(jīng)網(wǎng)絡(luò)以96％的識別率遠(yuǎn)遠(yuǎn)超過其他傳統(tǒng)的特征提取算法。
　　由上述研究成果表明，利用CNN可以提取更加豐富的特征，能有效的對膀胱