论文部分内容阅读
随着现阶段我国医疗体系不断完善,细胞检测技术已经成为了我国医学界不可忽视的一部分。传统的目标检测方法HOG、LBP和RCD,提取特征过程繁琐,复杂程度高,传统的图像处理技术已经不能够满足实验的需要。最近几年,深度学习已经成为了学术圈之内的热点话题,大量的研究者将深度学习技术应用到了计算机辅助图像领域。现有的基于深度学习目标检测的方法Faster-RCNN、SSD和FCRN等,重叠样本检测精度差强人意,训练样本不足,针对上述问题,深入研究了基于生成对抗网络的细胞检测。主要研究内容如下:(1)细胞数据库的创建。提出两种表征细胞标签方式:以高斯核函数表征单个细胞核标签;基于以红色掩膜表征单个细胞标签。(2)样本扩增。针对有价值大规模医学图像数据库样本不足问题,提出基于生成对抗网络的细胞扩增模型,改进生成对抗网络损失函数。(3)细胞检测。针对复杂重叠样本检测精度不足问题,提出生成对抗网络检测算法实现高精度的细胞检测。(4)检测图像后处理。针对检测结果含噪声问题,提出一种非线性扩散图像混合滤波去噪方法。建立基于概率自适应的图像去噪模型,通过梯度和相邻像素信息判断判定滤波窗内的噪声属性,根据属性分析结果对像素点进行分阶滤波处理,输出去噪图像。(5)构建细胞生成检测模型。针对样本扩增过程繁琐问题,在生成模型的基础上提出基于生成对抗网络生成和检测相结合的研究工作,使图像生成与细胞检测端到端相结合,节省一个独立检测网络。在现有的细胞数据库基础上,通过样本扩增实验,丰富了细胞数据库,解决了数据库稀缺的难题。通过扩增数据库训练验证,本文提出的生成对抗检测算法提高了复杂重叠样本的检测精度,实验优于HOG、SSD和FCRN等模型。检测结果上,提出的非线性扩散图像混合滤波去噪方法进一步优化细胞检测输出结果。通过生成检测相结合的研究工作,节省了检测网络结构。