论文题目：复杂生物医学显微图像中细胞分割识别的理论与技术研究
摘要：血液、白带、尿液和粪便等人体体液、分泌物和排泄物是体检中的常规检查项。目前,我国多数医疗机构仍采用人工镜检的方式检测样本中的细胞等有形成分,检测效率低且检测结果依赖于医生经验。随着硬件设备和深度学习技术的发展,自动化和智能化的全自动样本分析仪逐渐代替人工检测是一种必然趋势。复杂生物样本的自动对焦和有形成分的分割与识别是实现全自动样本分析仪智能化的重要研究课题。本文以人体粪便和白带样本为例,深入分析了该课题所要研究的理论难点和关键技术,并基于深度学习技术提出了应用于复杂生物医学显微图像的自动对焦方法和有形成分智能分割与识别方法。本文的研究内容和主要成果如下:1.获取清晰显微图像是有形成分分割与识别的前提。针对人体粪便和白带样本液中存在分层现象导致基于浅层图像特征的传统清晰度算法不易在对焦过程中找出最清晰图像的问题,本文基于局部最大梯度方法和掩模注意力机制,提出了一种基于梯度掩模注意力机制的卷积神经网络GMANet（Gradient Mask Attention Network）。GMANet使用局部最大梯度图像作为掩模引入到网络的卷积层中,以抑制模糊区域和空白背景的特征,使网络更关注图像中的清晰区域。实验结果表明,GMANet预测最清晰粪便显微图像的平均准确率为97.70%,检测效果比传统清晰度算法提高了10%以上,单张图片的平均检测时间为99 ms,满足实时检测的需求。GMANet具有良好的通用性,在粪便对焦数据集上训练的模型可直接用于白带和血液样本的自动对焦而不需要迁移学习,平均准确率分别为94.99%和99.08%。GMANet有效解决了复杂生物医学显微图像的对焦问题,可用于全自动样本分析仪。2.针对样本液分层使得显微图像中同时存在清晰和模糊有形成分导致漏检的问题,受人工镜检方式启发,本文提出了一种基于超景深的有形成分检测方法。本研究将自动对焦过程获取的最清晰图像及其相邻图像沿通道维度组合作为卷积神经网络的输入,使网络可通过有形成分在轴向不同位置处的形态变化学习超景深信息,以提高网络的分辨能力。为了提高检测网络对小目标的检测效果,本文进一步在特征提取阶段引入了SE（Squeeze-and-Excitation）、GAD（Global Attention Down-Sample）和DCN（Deformable Conv Nets）三种模块。实验结果表明,所提出的检测网络在粪便显微图像测试集上的m AP（mean Average Precision）值为0.881,检测效果比基于深度学习的主流目标检测模型提高了9%以上,单个视野的平均检测时间为98 ms,满足实时检测的需求,可用于全自动粪便样本分析仪。3.针对基于超景深的有形成分检测方法在白带显微图像上检测效果不佳的问题,本文进一步提出了基于目标关联模型和超景深的目标检测网络OR-SDo F-Net（Object Relation and Super Depth of Field Network）。本研究将自动对焦过程获取的最清晰图像及其相邻图像沿批次维度组合作为卷积神经网络的输入,经过特征提取器后将它们沿批次维度分离并分别建立特征金字塔,得到每张显微图像的深层语义特征。本文通过改进的目标关联模块建立多个特征金字塔之间的关联,并进行特征金字塔融合,使检测网络可通过图像的深层语义特征学习有形成分的超景深信息。为了进一步提高网络的分辨能力,本文使用了平衡特征金字塔方法,重新建立融合特征金字塔不同特征层之间的联系。实验结果表明,OR-SDo F-Net在白带显微图像测试集上m AP值为0.863,检测效果比主流目标检测模型提高了6%以上,且单个视野的平均检测时间为177 ms,满足实时检测的需求,可用于全自动白带样本分析仪。4.白带样本中的活性滴虫具有运动特性,因此可使用显微相机连续地拍摄样本液,并根据形态和运动信息识别滴虫。然而部分活性滴虫远离最清晰图像所在的对焦面,在视频图像中是离焦且模糊的,其形态与背景中的阴影相似且运动特征不明显,难以识别。针对模糊滴虫的识别问题,本文提出了粗-细两步的滴虫区域分割法,并提出了两个改进的滴虫分割网络:基于光流信息的粗分割网络和基于掩模修复的细分割网络。粗分割网络使用图像信息和相邻帧间光流信息作为输入,对滴虫区域进行粗分割。细分割网络使用图像信息和粗分割结果作为输入,输出轮廓修正后的滴虫细分割结果。实验结果表明,两个分割网络组合后可有效提取模糊滴虫所在区域,实现对滴虫的识别。所提出方法在测试集上的平均Io U（Intersection over Union）值为72.09%,检测效果比基于深度学习的主流视频目标分割方法可提高11%以上,单帧图像的平均检测时间为765 ms,基本满足实时检测的需求,可用于全自动白带样本分析仪。本研究的实验结果表明,所提出的自动对焦方法和有形成分分割与识别方法在检测准确率和速度等方面均满足辅助医生临床检验的使用需求,可集成于全自动样本分析仪中。
关键词：复杂生物医学显微图像;深度学习;自动对焦;目标检测;运动目标识别
学科专业：光学工程
摘要
abstract
缩略词表
第一章 绪论
1.1 研究工作的背景与意义
1.2 国内外研究历史与现状
1.2.1 图像质量评价方法研究历史与现状
1.2.2 目标检测方法研究历史与现状
1.2.3 运动目标识别方法研究历史与现状
1.3 研究内容
1.4 本文研究工作及创新点
1.5 本论文的结构安排
第二章 全自动样本分析仪与图像采集系统
2.1 引言
2.2 全自动样本分析仪的系统设计
2.3 显微成像系统和自动对焦
2.3.1 基于Z向扫描的被动式自动对焦
2.3.2 基于激光的主动式自动对焦与Z向扫描对焦的区别
2.4 数据集的收集和标注
2.4.1 对焦数据集的收集和标注
2.4.2 显微图像数据集的收集和标注
2.4.3 滴虫视频数据集的收集和标注
2.5 本章小结
第三章 基于梯度掩模注意力机制的自动对焦方法
3.1 引言
3.2 理论基础
3.2.1 局部最大梯度方法
3.2.2 掩模注意力机制
3.3 基于梯度掩模注意力机制的卷积神经网络
3.3.1 网络结构
3.3.2 损失函数
3.3.3 网络的训练
3.3.4 网络的预测
3.4 实验结果
3.4.1 评价指标
3.4.2 实验结果
3.5 实验分析
3.5.1 消融实验
3.5.2 传统图像质量评价方法的准确率
3.5.3 基于机器学习的图像质量评价方法的准确率
3.5.4 与基于深度学习的IQA算法对比
3.6 本章小结
第四章 基于超景深的有形成分检测方法
4.1 引言
4.2 理论基础
4.2.1 目标检测模型Retina Net
4.2.2 全局注意力上采样
4.2.3 可变形卷积
4.3 基于超景深的有形成分检测网络
4.3.1 网络结构
4.3.2 网络的训练
4.3.3 网络的预测
4.4 实验结果
4.4.1 评价指标
4.4.2 实验结果
4.5 实验分析
4.5.1 三种模块SE、GAD和 DCN对检测结果的影响
4.5.2 与其他目标检测模型的对比
4.5.3 基于超景深的有形成分检测网络相比于Retina Net的改进
4.6 本章小结
第五章 基于目标关联模型和超景深的有形成分检测方法
5.1 引言
5.2 理论基础
5.2.1 目标关联模型
5.2.2 平衡特征金字塔方法
5.3 基于目标关联模型和超景深的有形成分检测网络
5.3.1 网络结构
5.3.2 改进的目标关联模块
5.3.3 特征平衡
5.3.4 网络的训练和预测
5.4 实验结果
5.4.1 评价指标
5.4.2 实验结果
5.5 实验分析
5.5.1 消融实验
5.5.2 与其他目标检测模型的对比
5.5.3 与基于超景深的有形成分检测网络的对比
5.6 本章小结
第六章 基于光流信息和掩模修复的模糊滴虫识别方法
6.1 引言
6.2 理论基础
6.2.1 光流预测网络
6.2.2 运动目标识别方法Mask Track
6.3 基于光流信息和掩模修复的模糊滴虫分割网络
6.3.1 基于光流信息的滴虫粗分割网络
6.3.2 基于掩模修复的滴虫细分割网络
6.4 实验结果
6.4.1 评价指标
6.4.2 实验结果
6.5 实验分析
6.5.1 消融实验
6.5.2 与其他语义分割和视频目标分割算法的对比
6.6 本章小结
第七章 全文总结与展望
7.1 全文总结
7.2 后续工作展望
致谢
参考文献