论文部分内容阅读
疟疾是全球主要的健康威胁之一,根据世界卫生组织最新报告,每年全世界因疟疾致死人数达四十万。及时准确的疟疾诊断是疟疾后续治疗和防控的关键,然而当前疟疾诊断主要依赖于有经验的专业技师,且每位病人诊断约需30分钟,因此使用人工智能技术对疟疾显微镜图像上的各类细胞进行快速准确的自动分割与分类具有重要的临床意义和应用价值。本文提出了基于深度学习的疟疾显微镜图像细胞分割与分类算法,实现高精度的细胞自动分割与分类,同时实现分割与分类的一体化,以协助疟疾的临床诊断。本文的主要贡献如下:(1)提出了基于RU-Net的多类别细胞分割算法和基于S-Faster R-CNN的细胞分类算法。RU-Net算法实现了多类别分割,同时将残差网络与U-Net网络相结合,加深了U-Net的网络深度,提升了对细胞的分割精度。RU-Net算法在MIT-Malaria数据集上获得了87.90%的Dice系数;S-Faster R-CNN算法实现了疟疾显微镜图像上的多标签分类。由于疟疾显微镜图像中存在很多相互重叠的细胞,因此该算法引入了软化非极大值抑制来处理相互重叠的检测框,降低了对重叠细胞的漏检率。同样在MIT-Malaria数据集上对S-Faster R-CNN进行测试,以均值平均精度m AP作为评价指标,S-Faster R-CNN获得77.58%的m AP。(2)提出了基于FD-Mask R-CNN的细胞分割及分类算法,实现了细胞分割与分类的一体化。该算法在Mask R-CNN的基础上做了两点改进:一是为提高细胞的分割精度,引入空洞卷积来扩大卷积感受野,以保留图像更多的空间结构;二是在疟疾显微镜图像中,针对正常红细胞数量多,而疟原虫细胞很少,存在着类别严重不平衡问题,在分类损失函数中加入调制因子来加强对难分样本的关注,改善了类别不平衡的问题,提高了分类平均精度。基于MIT-Malaria数据集的实验结果表明,FD-Mask R-CNN在分割方面获得了95.74%的Dice系数,在分类方面获得了88.18%的m AP,相比于RU-Net和S-Faster R-CNN,其在分割与分类精度上均有一定的提升。以上实验结果证明,本文提出的算法均是可行且有效的,且均可扩展到其他细胞图像的分割与分类中,具有一定的泛化性以及临床应用价值。