细胞计数是医学图像分析中一项重要的研究内容,精准的细胞计数能够检测潜在疾病与相关病变。目前,临床上仍然通过人工对各种不同类型的细胞计数,但是人工计数的检测效率低,准确率也会受到检测人员的状态和经验影响。近年来由于深度学习的快速发展,在目标识别、语义分割等领域都获得了广泛的应用,利用深度学习技术对细胞计数也获得了众多研究者的关注,论文以深度学习技术为基础,通过实验研究不同网络模型和架构在细胞计数中的性能。主要研究内容总结如下:1.基于YOLO V3检测框架提出了一种低密度细胞计数方法,主要用于血细胞计数,该方法根据血细胞数据的特点对YOLO V3的算法进行一系列改进:利用K-means聚类计算出更适合检测血细胞的锚框尺寸;采用了新的多尺度特征输出方式,提高网络对小目标的检测精度;删除了两个残差单元,精简了网络并提高了检测速度;使用Resnet单元替换网络输出单元,避免梯度消失并增强特征的复用;使用降低预测框置信度得分的方法优化非极大值抑制算法,降低网络对遮挡红细胞的检测误差。实验证明论文提出的方法在计数性能上有明显提升,和其他检测方法相比,平均准确率均值(mAP)均提高了 7%以上。2.基于全卷积网络和密度估计回归提出了一种高密度细胞计数方法,主要用于细菌细胞计数。为了提高计数准确性,该方法设计了两个细胞计数网络A和B,网络的输入可以是任意大小的细胞图像,输出均是细胞密度图。网络A使用了双线性插值的方法进行特征图上采样,网络B使用了反卷积结构进行特征图上采样。实验证明网络B实现了更好的计数性能,其平均绝对误差(MAE)为2.5±0.2,均方误差(MSE)为2.9±0.1,均低于目前先进的高密细胞计数方法。