[正版新书]医学细胞图像分割关键技术 李东明 张丽娟 清华大学出版社 细胞图像 图像分割 神经常微分方程 深度学习

本书对医学细胞图像分割技术研究进行了综述，汇总了一些较流行的医学细胞图像分割方法，同时作者根据不同方法在医学细胞图像上的分割表现，采用新的方法对相应深度学习网络模型进行了改进，使改进后的模型在医学细胞图像数据集上有更好的分割效果。本书可以作为医学图像处理领域的研究人员、医学专业人士和工程师的参考用书。

目录

第1章绪论/1

1.1研究背景及意义2

1.2医学图像分类及医学显微成像技术概述3

1.2.1医学图像的分类3

1.2.2不同类型的显微成像技术4

1.2.3结构光照明荧光显微成像技术4

1.3医学显微细胞图像分割技术的研究现状6

1.3.1手动分割技术6

1.3.2半自动分割技术6

1.3.3自动分割技术8

1.4深度学习网络介绍9

1.4.1卷积神经网络9

1.4.2全卷积神经网络11

1.4.3UNet网络12

1.4.4SegNet网络13

1.4.5PSPNet15

1.4.6DeepLab V3 plus15

1.5深度学习框架15

1.5.1TensorFlow框架16

1.5.2PyTorch框架17

1.5.3Keras框架18

1.5.4Caffe框架20

1.6本章小结21

参考文献22

第2章基于双树复小波变换及形态学的医学显微细胞图像增强算法/27

2.1医学图像增强算法概述28

2.2医学显微细胞图像增强算法流程30

2.3双树复小波变换的基本原理30

2.4基于DTCWT 及形态学的医学显微细胞图像增强算法32〖1〗医学细胞图像分割关键技术〖1〗〖1〗目录

2.4.1WBCT法对高通子带去噪32

2.4.2改进的形态学tophat变换法对低通子带增强34

2.4.3医学显微细胞图像增强算法实现38

2.5实验结果与分析38

2.5.1实验设置39

2.5.2细胞图像增强结果的主观评价39

2.5.3细胞图像增强结果的客观评价42

2.6本章小结47

参考文献48

第3章基于MRF医学细胞图像自动分割/51

3.1马尔可夫随机场52

3.2基于MRF的图像分割53

3.3基于MRF细胞图像自动分割54

3.3.1中国餐厅过程54

3.3.2实现细胞图像自动分割54

3.4实验结果与分析55

3.4.1实验过程55

3.4.2实验效果对比56

3.4.3实验效果差异评价59

3.5本章小结60

参考文献60

第4章基于加权曲率和灰度距离变换的粘连医学显微细胞图像分割算法/62

4.1分水岭变换63

4.2快速双阈值标记分水岭变换的图像分割算法64

4.2.1双阈值迭代法构建标记图像65

4.2.2双阈值标记分水岭变换的图像分割算法实现65

4.3基于加权曲率和灰度距离变换的粘连细胞图像分割算法67

4.3.1判断粘连细胞67

4.3.2曲率计算及确定凹点68

4.3.3建立分割线69

4.3.4关联灰度细胞图像的距离变换71

4.3.5基于加权曲率和灰度距离变换的粘连细胞图像分割算法

实现步骤 72

4.3.6粘连细胞核的分割算法75

4.4粘连细胞图像分割实验结果及分析76

4.4.1粘连细胞图像分割结果主观评价76

4.4.2粘连细胞图像分割结果客观评价77

4.5本章小结80

参考文献80

第5章基于颜色模型极小值运算的细胞图像分割算法/81

5.1细胞分割算法原理82

5.2基于颜色模型极小值的细胞图像分割算法83

5.2.1形态学梯度重构83

5.2.2自适应Hminima的分水岭图像分割84

5.2.3基于灰度一致性的区域合并85

5.3细胞图像分割与评价87

5.3.1显微细胞图像的分割87

5.3.2细胞分割结果的主观评价88

5.3.3细胞分割结果的客观评价90

5.4本章小结93

参考文献94

第6章基于图模型的医学显微细胞图像分割算法/96

6.1多树模型建立97

6.1.1图模型概述97

6.1.2多树模型的建立98

6.2增加先验信息的多树图100

6.3标签推理102

6.4构建基于卷积多尺度融合 FCN的多树深度特征104

6.4.1卷积型多尺度融合 FCN网络105

6.4.2基于卷积型多尺度融合FCN的细胞图像分割框架107

6.5医学显微细胞图像分割实验结果及分析108

6.5.1图像数据扩充和实验环境108

6.5.2评价指标109

6.5.3实验结果及分析 111

6.6本章小结115

参考文献116

第7章基于神经常微分方程的医学显微细胞图像分割算法/118

7.1UNet网络119

7.2神经常微分方程121

7.2.1神经网络知识121

7.2.2神经常微分方程123

7.3构建基于NODEs的神经网络模型125

7.3.1ODE模块位置125

7.3.2NODEsUnet神经网络架构125

7.3.3基于NODEsUnet网络的二元分割127

7.4细胞图像分割实验结果及分析128

7.4.1NODEsUnet和2NODEsUnet网络架构分割结果129

7.4.2细胞图像分割的实验结果130

7.5本章小结133

参考文献133

第8章基于Attention NODEUNet++的细胞图像分割算法/135

8.1引言136

8.2数据预处理137

8.2.1数据集介绍137

8.2.2数据集标注137

8.2.3数据增强138

8.3Attention NODEUNet++分割网络139

8.3.1注意力机制139

8.3.2UNet++网络模型140

8.3.3Attention NODEUNet++网络模型141

8.3.4实验结果与分析142

8.4粘连细胞分割149

8.4.1标记分水岭算法分割过程149

8.4.2实验结果与分析149

8.4.3对比分析151

8.5本章小结157

参考文献157

第9章基于加权连接解码网络的细胞图像分割算法/159

9.1加权连接解码网络161

9.1.1空洞残差网络161

9.1.2空洞空间卷积金字塔池化162

9.1.3解码器163

9.1.4轻量级通用上采样算子164

9.2实验分析165

9.2.1评价指标165

9.2.2WCDNet模型测试分析166

9.2.3人类口腔黏膜细胞分割评估167

9.2.4人类血液细胞分割评估167

9.3本章小结170

参考文献171

第10章基于DeepLab V3+的医学细胞图像语义分割算法/173

10.1DeepLab V3+网络结构174

10.1.1空洞卷积175

10.1.2空洞空间金字塔池化177

10.1.3编解码结构177

10.2基于DeepLab V3+的医学细胞图像语义分割算法179

10.2.1空洞卷积扩大感受野179

10.2.2密集空洞空间金字塔池化180

10.2.3softmax 分类182

10.3评价标准183

10.4实验结果及分析184

10.4.1实验数据集184

10.4.2实验设置184

10.4.3实验结果分析185

10.5基于DeepLab V3+与FCRF 相融合的医学细胞图像语义分割算法189

10.5.1条件随机场189

10.5.2全连接条件随机场190

10.5.3基于全连接条件随机场的细胞图像语义分割算法192

10.6DeepLab V3+与FCRF 融合网络的实验分析193

10.6.1不同算法模块下的对比实验 193

10.6.2泛化能力对比实验195

10.7本章小结196

参考文献197

第11章基于属性增强的空洞残差聚合网络的血液细胞图像多类别分割算法/199

11.1空洞残差聚合网络系统模型200

11.1.1网络模型介绍200

11.1.2空洞残差网络200

11.1.3混合空洞可变形空间金字塔池化203

11.2数据集的属性增强204

11.2.1Sobel算子处理204

11.2.2Laplace算子锐化207

11.3医学血液细胞图像多分类分割实验结果及分析208

11.3.1实验环境及评价指标208

11.3.2网络部分消融实验209

11.3.3数据集属性增强消融实验209

11.3.4实验结果及分析211

11.4本章小节213

参考文献213