基于U-Net网络核图像的分割技术

文摘

解决粗糙的边缘,分割的准确性差的问题传统的神经网络在小核图像分割,细胞核图像分割技术提出了基于U-Net网络。首先,U-Net网络用于部分细胞核图像,这针通道尺寸的图像特征融合来实现功能,和跳过结构用于结合低收入和高级特性。然后,分区域平均池提出了改善全球平均池关注模块,和一个关注渠道扩张模块的目的是提高图像分割的准确性。最后,改善注意力模块集成到U-Net网络实现核图像的准确分割。基于Python的平台,实验结果表明,提出的分割技术可以实现快速收敛,和均值交叉联盟(MIoU)是85.02%,比其他比较技术,具有良好的应用前景。

1。介绍

随着医学的发展,越来越多的医学影像图像需要处理和图像处理技术已成为越来越重要1]。传统的医学影像图像处理和分析仅依赖于医生的经验,这不仅浪费人力,而且影响准确率因为医生的经验和身体状况影响判断结果。因此,自动化的医学图像处理技术的突破非常至关重要的作用在提高医疗诊断的效率2]。医学图像分割是一个重要的任务。此外,许多其他相关任务需要提前图像分割在医学图像处理。医学图像分割通常是指整个图像中的某些目标区域的提取,如细胞核、器官或组织(3,4]。医学图像分割的结果通常在每个区域没有交集。此外,每个分割区域有一定的相似性在其内部5]。相比之下,自然场景图像分割与清晰的轮廓,医学图像有很大的特殊性。医学图像本身的复杂性会导致模糊,其组件之间的分离和组件之间的界限并不清楚(6]。

医学图像分割的方法开发了从最初的手工分割半自动分割,然后最近的全自动分割(7,8]。医学图像分割的逐渐深入研究,国内外研究人员,取得了许多研究成果基于传统算法,它可以分为三个类别(9]。一个是一个算法使用不连续边界信息进行细分,如表面拟合、并行的微分算子,变形模型,等等10]。第二个是一个分割算法使用图像的不同区域的相似性,如区域增长算法,阈值方法,分类和聚类算法,statistical-related算法(11]。第三是一种算法,它结合了不连续边界信息和图像的不同区域的相似性12]。文献[13)提出了一种免疫系统编程(ISP)基于一种新的进化算法的图像分割算法与区域增长技术相结合。ISP树的数据结构的算法可以部分医学图像更好。然而,实际的区域增长技术没有考虑图像边界的复杂性和准确性需要优化。文献[14)提出了一种改进的多级阈值图像分割方法基于微分进化。不同部分的配置效率微分进化算法是通过测量评估候选人的质量解决方案,以便生成最优分配人口的解决方案来提高算法的效率,当阈值的数量增加。文献[15)提出了一个non-revisited量子行为粒子群算法。其中,使用精制搜索方法克服了最初的搜索方法的缺点,降低计算成本,具有更好的有效性和鲁棒性。文献[16)提出了一个活动轮廓分割方法形态医学图像自动初始化功能。这个方法计算成本低,鲁棒性好,自动化程度高。然而,设置初始化之前更复杂,对于不同的应用场景和适应性较低。

传统算法有明显的局限性。近年来,深度学习方法迅速发展和广泛应用,如复发性神经网络,限制了玻耳兹曼机和卷积神经网络(17]。文献[18)提出了一个深刻的信念网络脑肿瘤图像分割方法基于和谐布谷鸟搜索。通过整合贝叶斯模糊聚类和活动轮廓模型,得到更好的精度,但计算效率不高。文献[19)实现高精度肿瘤分割的分割过程的模糊均值聚类算法提取的特征灰度共生矩阵和灰度行程长度矩阵。然而,在特征提取阶段更为复杂的步骤,分割效率需要改进。文献[20.)开发了一种multi-graph-based标签融合高阶特征学习框架。融合的mean-covariance有限的玻耳兹曼机和高层段结构的大脑图像的图像特征。文献[21)使用密集的进化计算能力潜力阻塞和残余提出一个自动进化医学图像分割模型。取得了较好的效果,但仍有一些困难复杂的核的图像分割。

针对现有的分割方法很难适用于核的图像分割在医学领域,提出了U-Net-based细胞核图像分割技术。与传统的医学图像分割方法相比,它的创新(1)解决贫穷的问题分割的小核,粗糙的边缘,和在oversegmentation, U-Net网络用于图像分割。针特征图的通道尺寸来实现特征融合和使用一个跳过结构结合低收入和高级功能,确保细胞核的分割效果。(2)由于全球意味着池常用的方法,提取通道注意力信息解释能力弱,和粗糙的信息。因此,分区域平均池法用于关注模块而不是全球平均池的方法。

本文的结构如下:部分1介绍了医学图像分割的意义和研究现状,总结了创新点的分割网络。部分2详细介绍了U-Net网络,以及注意力机制及其改进方法,从而设计一个完整的细胞核分割网络结构。部分3进行试验和评估结果证明该分割网络具有良好的可行性和有效性。最后,全文总结和展望。

2。理论和方法

2.1。U-Net

因为的语义分割效果完全卷积网络(FCN)相对粗糙,U-Net网络,FCN的进一步扩展,已成为医学图像分割的基础(22,23]。U-Net奥拉夫提出的是一个语义分割网络Ronneberger在2015年。在upsampling过程中,将采样的形式相匹配保持一致(24]。在此基础上,大量的特征图谱将采样阶段添加到upsampling填写的信息失去了在计算过程中。其结构如图1。

U-Net包括路径和收缩扩张的道路。图的左边1是一个收缩路径,将采样,包括两个 卷积层和一个 最大池2层的步伐。激活函数修正线性单元(ReLU) (25]。经典的图像分类网络删除完全连接层通常是使用。它执行一个卷积内核池操作原始输入图像,可以获得上下文语义信息来解决图像分割中的分类问题。右边是一个扩张的道路,也就是说,upsampling,定位分割任务(26]。,将采样是对称的。首先,一个 卷积层通道连接到减少功能,然后两个 使用旋转。最后,有一个回旋的层 映射所需数量的特征向量,和卷积是一种unpadding结构。

U-Net网络结构,有一个很大的变化,它构建更多特色渠道跳过upsampling期间连接。此外,U-Net和FCN使用不同的特征融合方法。FCN添加特征图逐点,而U-Net拼接功能映射到让他们有更多的渠道。模型训练要求更少的数据集,可以聚集在少量的数据,并执行图像分割时可以快速获得结果。

网络训练使用的能量函数加权熵,计算如下: 在哪里代表的激活函数 - - - - - -通道在th特性 - - - - - -像素。是类的数量。是最大的近似函数。是图像集。像素的重要性在培训成分;重要性,重量越大。

U-Net在医学图像处理方面具有特别的优势。解决问题缺乏样本图像在医学图像中,弹性变形是用来完成数据提高。弹性变形是一种相对常见的变形在实际的细胞,所以它非常适合医学图像处理27,28]。数据的算法采用改进的神经网络模型学习弹性变形的不变性,网络可以有良好的弹性变形适应性数据集时小。它可以正确地完成当遇到弹性变形的医学图像分割。

2.2。注意模块

改善网络的分割速度,一个轻量级的网络作为特征提取网络,但在精度有一定的损失。为了提高精度,一个关注模块添加到U-Net有助于提高模型的特性表达式(29日,30.]。该模块集成了不同的信息和提高模型的理解,这是类似于人类的视觉注意机制。有两种类型的人类视觉注意机制:自下而上的数据驱动的注意机制和自上而下的目标关注该机制(31日]。两种机制可以学习所需的部分从大量数据的任务。提出了网络使用自下而上的数据驱动的注意机制(32]。注意模块从特性之间的关系渠道和考虑渠道特性之间的相互依赖的因素。通过网络的自学习特性,对目前的分割是有效地抑制影响甚微,和有益的重量特性增强。它的模块结构如图2。

注意模块首先执行全球平均池(GAP)每个通道的特性映射得到的向量 ,然后执行两个完全连接(FC)层转换。抑制模型的复杂性,降维,增加执行两个FC层之间的转换,这是类似于“瓶颈”,乙状结肠和ReLU激活功能。

图像语义分割任务通常是针对复杂场景的处理。经常有多个对象的形象;对象类型和大小是不同的;和空间分布复杂。直接使用差距即是将每个通道作为募捐问题,和差距没有参数学习33]。通道信息通过这种方法可能太粗糙更好地解释意义的通道(34]。解决问题和学习的空间分布图像更好,差距提出了改进方法,即分区域平均池(SAP)。差距直接转换通道特性的维度 成一个 大小的特性和SAP的过程处理如图3。

SAP第一转换通道特性的形状 到一个新特性映射空间的形状 自适应是一个池操作之后,保留了一些空间信息获得渠道特性。这时,一个卷积操作内核的大小 用于转换获得新的通道特性映射到一个通道特性的尺寸吗 。卷积操作可以学习池后图像的特征,得到其空间特征。应该注意的是,在这个实验中,为了方便计算,不增加计算的数量太多,参数设置 ,最好不要太大和 ,通常小于或等于7。

为了让低级频道信息传送到更高级的频道,低收入和高级频道信息同时保持一致。一个关注渠道扩张模块设计提出了网络,如图4。

其中,1×1卷积操作用于增加渠道的数量,然后是乙状结肠函数(35]。高级频道关注体重和低级扩大频道关注体重添加获取更新频道注意体重。最后,调整通道重量乘以高级特性。应该注意的是,更新频道体重的范围(0,2)而不是通常的(0,1)。这将允许重量不仅减少最初的功能价值,还扩展特性值(36]。

为了方便描述,输入功能映射来标示 , 代表了 - - - - - -th通道地图 。 表示特性的地图池操作后,其尺寸 。 表明池操作对应于特征区的 - - - - - -th通道图在 。次区域的大小 。池操作可以获得的表达式如下:

其次,它是一种卷积计算,定义符号代表卷积, 对应的核心 ,结果表示如下:

激活函数ReLU批规范化(BN)后使用 。在这里,代表BN操作,代表了ReLU函数。

然后,获得的信道特性然后连接到卷积计算的 ,和使用乙状结肠的功能被激活 。记得乙状结肠函数 ,输出SAP模块如下:

最后,高阶通道定义SAP模块获得的注意分配 。低阶的通道CE的注意分配模块 。然后我们可以注意分配频道更新高阶特性。

上述步骤后,重新调整功能是 。

2.3。网络结构设计

U-NET网络,改善注意力为细胞核图像分割模块集成。其网络结构如图5。

三层的3×3使用卷积网络;最后分类层切除;和最大池的步长层从2改为1。同时,普通3×3卷积改变卷积的扩张与膨胀率2,输出特性图的分辨率等于输入图像的大小的1/16。一种改进的深黑色的空间金字塔池(ASPP)模块的顶部添加网络,和它的输出通道号码是512。upsampling 4次后,输出特性的ASPP被添加到一个低级特性,经历了一个3×3卷积和有相同的维度。然后连接一个3×3卷积操作功能融合。最后,它是upsampled恢复原始图像的大小。其中,SAP模块用于获得初始权重信息通道,和CE模块用来扩大低级通道的注意。

最后,每一层的网络连接跳过连接,在连接存在于所有层。池方法,ASPP使用。ASPP提供了一种多尺度信息模型,添加一个扩张卷积具有不同膨胀率的基础上空间金字塔池获取广泛的上下文。使用SAP合并增加全局上下文的图像特征。

3所示。实验结果和分析

网络是建立在TensorFlow深度学习框架发布的谷歌。GPU模型使用RTX 2080 ti,卡内存大小是11 GB。实验的主要信息如表所示1。

3.1。网络参数设置

在实验中,ASPP改为4平行3×3扩张卷积操作,利率= (1、6、12、18)。与此同时,在网络训练,随机梯度下降(SGD)用于参数优化。它的动量参数设置为0.98,体重衰变率 。学习速率是减少最初的学习速率的策略 乘以 。其中, 和当前的迭代次数,迭代的最大数量的培训过程。实验训练的数量是10000,实验中的图像像素大小设置为512×512,和培训一批大小2×8 = 16。同时,在培训期间,数据随机裁剪等改进措施,水平翻转,垂直翻转,随机样本采用。此外,在评估期间,将在多尺度缩放的图片,用变焦比0.55 - -1.55。

3.2。实验数据

在实验中使用的数据来自2018年的数据科学碗,由专业医生、手动标记,包含670对原始图像与9每个核的决议和注释的分割图像,如图6。

原始图像数据集如图6(一)。每个原始图像对应于多个分割的图像显著核,也就是说,一个原始照片通常包含多个核,和多个核的带注释的图像如图合并6 (b)。当收集原始数据,不同的采集方法、不同放大倍数的放大,并使用不同的细胞表现的方法。此外,收集的细胞类型不一致。这导致细胞图像数据集的不同形态和不同的光明与黑暗。模型需要有较强的泛化能力,能够适应各种不同的情况。

3.2.1之上。图像预处理

由于各种因素的影响在原始数据收集过程中,有一个大的成像差异在细胞图像的数据集,这将影响到图像分割。因此,有必要在分割之前进行预处理。首先,大多数的图片数据集有一个分辨率为512×512。因此,这幅画是统一的512×512分辨率。然后,大多数的数据集是灰度图像,和一些彩色图像。提高网络处理速度,有必要改变图像灰度的颜色。

同时,一些核的对比图像数据集和背景很小,这使得分割方法很难区分核与背景。因此,需要对数据集对直方图均衡化预处理。直方图均衡化处理后,细胞和背景的灰度值图像中有显著差异,这有助于网络提取更多的功能。

此外,在采集图像过程中,各种噪音往往干扰和污染,导致图像的信噪比下降,细胞的边缘和背景变得模糊。为了提高图像的信噪比,它通常是必要的图像预处理过滤。在实验中,高斯平滑滤波器用于图像进行预处理,过滤 计算如下: 在哪里灰度值的标准差,是高斯卷积核的尺寸。

3.2.2。图像增强

克服CNN的过度拟合现象,随机剪切,翻转,灰色微扰,形状扰动被用于实验。灰色的扰动可以改变每个像素在一个小范围内。CT图像的灰度值是乘以一个随机数(0.80∼1.20),和一个随机数(−0.20∼0.20)补充道。训练集的灰度扰动可以提高网络的稳定性,从而提高预测的性能设置网络。

CT和轮廓图像变形形状扰动通过仿射变换形式。变形的方法是先获得3个顶点的坐标(左上,右上和左下)。然后每个点随机移动,随机运动图像的范围长度。最后,对整个图像进行仿射变换。

3.3。评价指标

在实验中,像素精度(PA),意味着像素精度(MPA)和MIoU作为指标来评估提出了网络的性能。假设代表正确的部门;表明原始像素属于但分为类别类别;代表了原属于像素的数量但被分成类别类别。有 类别(包括类别和一个空的类别或背景类别)。

爸爸是最简单的语义分割精度测量,代表正确标记像素总像素的比例。计算如下:

MPA计算像素的比例在每个类正确分割,然后找到所有类的平均值。计算如下:

MIoU计算比率两个集合的交集和工会。在每个像素像素交叉比率计算类别,然后平均计算如下:

MIoU高度代表、高效和简洁,已成为当前图像分割评价指标。因此,MIoU用作实验的主要评价指标。

3.4。培训过程

训练网络时,输入图像进行局部反应正常化之前第一层的卷积。客观损失函数优化利用亚当算法初步学习速率为0.005和迭代,直至损失函数收敛。衰变为0.0001,重量和迭代次数设置为10000。在训练过程中,训练数据集随机打乱,然后批量大小设置为20。由于大偏差的像素的数量在每个类别的数据集,使用中值频率均衡方法类之间的平衡。

在实验中,提出了网络迭代训练100时代数据集。MIoU的变化,验证集的MPA,在培训过程中,如图所示7。

MIoU达到83%时,网络训练50时代。在随后的培训,MIoU稳定,达到了90%。MPA 60时代网络迭代时达到94%。损失减少到约7%当网络迭代到30时代。后100时代的迭代,模型基本趋同,损失减少到4%以下。

3.5。比较的技术效果

细胞核图像分割后网络收敛,它是用来分割图像测试集,和其分割效果评估。为了演示的分割性能提出的技术,它是与引用(14,21]。细胞核的分割结果图像如图8。

从图可以看出8引用(14)使用微分进化改进的多级阈值来实现图像分割。核的中央部分的分割图像很好,但是边缘细节的分割和较小的核不是很好。此外,有一些在undersegmentation。文献[21)提出了一个自动进化模型实现图像分割。同样,细胞核分割图像的中心部分,和过度的现象,undersegmentation相对减少。然而,人工注释的结果是相对粗糙,段小核的能力很差。提出技术改进的关注模块集成到U-Net网络和有更好的效果比原来U-Net对边缘细节和较小的细胞核分割。的现象,和undersegmentation也相对减少,这是接近手工标记的结果。这证明该技术具有理想的分割能力。

定量分析的性能提出了技术,核的实验数据进行图像分割。三大股指的PA, MPA, MIoU用来评估与引用的分割性能(14,21]。实验中使用的所有测试集数据来计算每个技术分割的结果之间的差异和手动分割标准,以便获得评价结果,如表所示2。

的分割性能提出了技术是最好的,和它MIoU达到85.02%。因为该技术使用在医学领域应用最广泛的U-Net网络,同时,采用一种改进的关注模块,分割精度进一步提高。文献[14)实现图像分割基于多级阈值提高了微分进化。人口分配的最优解是由测量的质量评价候选人的解决方案。分割效果影响较大的选择最优的解决方案。因此,整体性能很差;MPA仅为84.17%。文献[21)使用密集的进化计算能力潜力和剩余块提出一个自动进化模型,更好的图像分割结果。然而,仍然有一些缺点的图像分割复杂的核。与该技术相比,其MIoU降低4.27%。

简而言之,通过比较实验结果,我们可以看到,传统的分割技术在文献[14在文献[]深入学习算法21],然后改进U-Net网络的技术、核的分割效果和鲁棒性越来越好。边缘细节和较小的原子核的分割效果也越来越好。实验结果表明,跳过连接和特性的特征融合方法拼接U-Net网络极大地提高了U-Net图像分割的效果。此外,改进的关注模块的集成也显著提高其图像分割的准确性。

4所示。结论

传统的图像分割算法一般需要提前手工提取一些特征,如边缘、角落,图像的纹理和线条。他们有可怜的鲁棒性和很容易受到环境的影响。同时,核的边缘更复杂,目标是小。出于这个原因,细胞核图像分割技术提出了基于U-Net网络。SAP和CE模块是用于提高模块的关注和改进的关注模块集成到U-Net网络部分细胞核图像,进一步保证了分割的准确性。2018年数据科学碗数据集用于Python平台演示实验提出的分割技术。结果表明,它具有更好的边缘细节部分和较小的细胞核分割能力。PA, MPA, MIoU是89.97%,91.35%,和85.02%,分别比其他技术比较。它提供了一定的理论支持核的高精度细分。

因为离线方法用于图像增强在这项实验中,需要更大的存储空间。在接下来的研究中,图像增强可以添加到深入学习网络减少存储空间的需求。

数据可用性

本文中包含的数据是可用的,没有任何限制。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者希望表达他们的感谢评论者对他们有用的建议,大大提高了本文的演示。这项工作得到了浙江省自然科学基金(没有。LY18F020002)。

引用

1. m . Tofighi t .郭j . k . p . Vanamala和诉《艋舺》的“先验信息引导正规化为细胞核探测深度学习,”IEEE医学成像,38卷,不。9日,第2058 - 2047页,2019年。视图:出版商的网站|谷歌学术搜索
2. A . Veeramuthu米纳克希,和k·A·库马尔,“一个基于神经网络的深度学习方法有效的脑部肿瘤医学图像分割数据,”智能和模糊系统杂志》上,36卷,不。1,1 - 8,2019页。视图:出版商的网站|谷歌学术搜索
3. m . w . g . Wang Li Aertsen, j .萧条Ourselin, t··,“偶然的不确定性评估与测试时间增加和卷积神经网络用于医学图像分割,“Neurocomputing,卷338,不。4,34-45,2019页。视图:出版商的网站|谷歌学术搜索
4. m·塔、m . Rastgarpour和A . Koochari”一个新颖的医学图像分割方法基于卷积神经网络与SGD优化”伊朗的电气和电子工程杂志》上,9卷,不。7,37-46,2021页。视图:谷歌学术搜索
5. 美国l . Fatmatulzehra、c·巴斯和a . a . Bharath”PERI-Net:参数有效剩余初始网络医学图像分割,“土耳其的电气工程和计算机科学杂志》上,28卷,不。4、2261 - 2277年,2020页。视图:出版商的网站|谷歌学术搜索
6. h .郑张y l .杨et al。”一个注释sparsification通过代表三维医学图像分割的策略选择和自我训练,”人工智能学报AAAI会议,34卷,不。4、6925 - 6932年,2020页。视图:出版商的网站|谷歌学术搜索
7. d·A·哈桑和A . m . Abdulazeez”,修改卷积神经网络模型用于医学图像分割,“测试工程和管理卷,83年,第16808 - 16798页,2020年。视图:谷歌学术搜索
8. h .商,赵,h·杜j . Zhang w .兴,和h .沈,“心脏医学图像分割的新解决方案模型”胸疾病杂志,12卷,不。12日,第7312 - 7298页,2020年。视图:出版商的网站|谷歌学术搜索
9. t·钦k . Srujan Raju g . r . Sinha k . k . Khaing和t . m .苏姬“审查”的医学图像分割的优化方法,诉讼第三国际会议上计算情报和信息,卷1090,不。1,第218 - 213页,2020。视图:出版商的网站|谷歌学术搜索
10. 和l . l .方x Wang Wang”综合医学图像分割向量值活动轮廓模型的基础上,“信息科学,卷513,不。4、504 - 518年,2020页。视图:出版商的网站|谷歌学术搜索
11. l . k . Li, s .王et al .,“对交叉模式与在线蒸馏共同知识,医学图像分割”人工智能学报AAAI会议,34卷,不。1,第783 - 775页,2020。视图:出版商的网站|谷歌学术搜索
12. j . Junlong Cheng s田l . Yu和h,“Multi-attention机制嵌入技术,医学图像分割结合词”自动控制和计算机科学,54卷,不。6,560 - 571年,2020页。视图:出版商的网站|谷歌学术搜索
13. e . Mabrouk a . Ayman y Raslan和联合。Hedar”,为医学图像分割,免疫系统编程”计算机科学期刊没有,卷。31日。2019年2月,页111 - 125。视图:出版商的网站|谷歌学术搜索
14. h . Tarkhaneh”,一种自适应差分进化算法优化多级核磁共振脑图像分割阈值,“专家系统与应用程序,卷138,不。6,112820 - 112829年,2019页。视图:出版商的网站|谷歌学术搜索
15. z杨和A .吴“non-revisiting研究基于粒子群优化的多级阈值图像分割,“神经计算和应用,32卷,不。16,12011 - 12031年,2020页。视图:出版商的网站|谷歌学术搜索
16. f·f·西曼乃斯塞·伐斯冈萨雷斯,他的a·g·Medeiros s . a . Peixoto和p . p . Reboucas球场,“皮肤损伤自动分割基于一种新的形态学方法通过测地线活动轮廓,“认知系统研究,55卷,不。6,44-59,2019页。视图:出版商的网站|谷歌学术搜索
17. d·卡里和s e . Salcudean”减少的豪斯多夫距离与卷积神经网络在医学图像分割,“IEEE医学成像,39卷,不。2、499 - 513年,2020页。视图:出版商的网站|谷歌学术搜索
18. a . Ratna Raju s Pabboju, r . Rajeswara饶,“混合活动轮廓模型和基于深度信念网络方法对大脑肿瘤分割和分类,“传感器检查,39卷,不。4、473 - 487年,2019页。视图:出版商的网站|谷歌学术搜索
19. A . Geetha和n . Gomathi”一个健壮的灰色wolf-based深度学习的脑部肿瘤检测图像,先生”生物医学工程/ Biomedizinische Technik,卷65,不。2、191 - 207年,2020页。视图:出版商的网站|谷歌学术搜索
20. d . l .太阳,w•邵m . Wang, m .刘et al .,“高阶特征学习基于multi-atlas标签融合:应用程序与核磁共振成像的大脑分割,“IEEE图像处理卷,29号3、2702 - 2713年,2019页。视图:出版商的网站|谷歌学术搜索
21. t . Hassanzadeh d Essam r .袍,“进化密度卷积神经网络用于医学图像分割,“IEEE访问,8卷,第212314 - 212298页,2020年。视图:出版商的网站|谷歌学术搜索
22. n . Kadoya”可变形的图像配准和auto-segmentation各种医学成像类型,“Igaku Butsuri:日本Igaku Butsuri Gakkai Kikanshi =日本医学物理学杂志》:日本社会医学物理学的官方杂志,39卷,不。1,19,2019页。视图:谷歌学术搜索
23. k . k . Jha和h·s·杜塔,”核cytoplasm-based分割和actor-critic神经网络在单个细胞急性淋巴细胞白血病检测血涂片图像,”医学和生物工程和计算,卷。58岁的没有。8日,硕士论文,2019页。视图:出版商的网站|谷歌学术搜索
24. 黄j . t . Wang,郑d和y,他“核基于深度信息,宫颈细胞学图像分割”IEEE访问,8卷,不。4、75846 - 75859年,2020页。视图:出版商的网站|谷歌学术搜索
25. j . c . Caicedo a·古德曼k . w . Karhohs et al .,“细胞核分割在成像实验:2018年数据科学碗,“自然方法,16卷,不。12日,第1253 - 1247页,2019年。视图:出版商的网站|谷歌学术搜索
26. t .广域网,徐,c .唱,y,和z秦,“准确的分割重叠细胞宫颈细胞学与深卷积神经网络,”Neurocomputing,卷365,不。6,157 - 170年,2019页。视图:出版商的网站|谷歌学术搜索
27. h, h·朱,凌x”极坐标sampling-based分割重叠宫颈细胞使用注意U-Net和随机游走,“Neurocomputing,卷383,不。3、212 - 223年,2020页。视图:出版商的网站|谷歌学术搜索
28. j .歌曲,l·肖,m . Molaei和z丽安,“多层提高稀疏的卷积模型广义核从组织病理学图像分割,“以知识为基础的系统,卷176,不。15日,40-53,2019页。视图:出版商的网站|谷歌学术搜索
29. n·拉梅什和t . Tasdizen细胞分割使用相似界面与多任务卷积神经网络”IEEE生物医学和卫生信息学杂志》上,23卷,不。4、1457 - 1468年,2019页。视图:出版商的网站|谷歌学术搜索
30. a . a·马哈茂德·w·El-Shafai t.e. Taha et al .,“一个有效的分割技术,不同的医学图像的方法,”Menoufia电子工程研究杂志》上,30卷,不。1、22 - 2021页。视图:出版商的网站|谷歌学术搜索
31. m . Moirangthem和t·r·辛格“大脑肿瘤检测通过基于内容的医学图像检索使用ROI分割与和声搜索优化,“绿色工程杂志,10卷,不。10日,8939 - 8969年,2020页。视图:谷歌学术搜索
32. a . f . a . Fadzil n e·a·哈立德和s·易卜拉欣,“放大的像素分割医学图像数据通过深度学习面向对象的方法,”国际先进的技术和工程勘查,8卷,不。74年,第90 - 82页,2021年。视图:出版商的网站|谷歌学术搜索
33. Reddy, p . Dhanalakshmi, p . Reddy,“图像分割技术使用SVM分类器进行检测的医学疾病,”Ingenierie des系统d信息,24卷,不。2、173 - 176年,2019页。视图:出版商的网站|谷歌学术搜索
34. e . k . Wang C.-M。陈,m·m·哈桑,A . Almogren”基于深度学习的医学图像分割技术在Internet-of-Medical-Things域,“未来一代计算机系统,卷108,不。4、135 - 144年,2020页。视图:出版商的网站|谷歌学术搜索
35. d·李:邓、陈x”水平集医学图像分割得益于合作量子粒子优化利维航班,“Vibroengineering PROCEDIA,28卷,不。10日,93 - 98年,2019页。视图:出版商的网站|谷歌学术搜索
36. y妞妞和j·曹”,当地的地理差异基于活动轮廓模型的医学图像分割和偏差纠正,“专业图像处理,13卷,不。10日,1755 - 1762年,2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021杰方等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。