基于水平集和凹点区域检测的粘连细胞分割方法

为解决具有灰度不均匀、低对比度以及边缘模糊等缺陷的粘连细胞分割问题,提出结合水平集方法的轮廓提取和凹点区域检测的细胞分割方法.利用水平集方法可很好地解决曲线演化过程中的拓扑变化问题,结合细胞图像的区域信息和边缘信息,能有效提取细胞的边缘轮廓.该方法可最大限度地保留细胞边缘轮廓的几何特征.根据多边形的凹凸性,循环迭代检测粘连细胞轮廓上的凹点区域,确定细胞的粘连位置,最后确定粘连位置的分割连接线.对几十幅不同粘连细胞图像的分割实验结果表明,该方法易于实现,鲁棒性强,效果明显,细胞分割的平均准确率达到83.01%,优于分水岭及聚类分割方法.     

GZMH：用于有丝分裂细胞核检测和分割的乳腺癌病理图像数据集

目的 有丝分裂细胞核计数是乳腺癌诊断和组织学分级的3个重要评分指标之一,基于深度学习的自动检测方法,可以有效辅助医生进行乳腺病理图像有丝分裂细胞核识别和计数。而当前研究中的公开数据集多为竞赛所用,由举办方联合数据提供者挑选而来,与医院临床应用中所使用的数据存在较大的差异,不利于模型性能及泛化能力的测试验证。针对以上问题,本文发布了来自中国赣州市立医院临床环境的数据集GZMH （Ganzhou municipal hospital）。方法 整理并公开发布的数据集GZMH包含55幅全视野数字切片（whole slide images,WSIs）临床乳腺癌病理图像,提供了用于有丝分裂细胞核目标检测和语义分割研究的两种标注,并由2名高年资医师对3名初级病理医师的标注进行了复核。5种主流目标检测方法和5种经典分割方法在GZMH数据集上进行了训练和测试,检验它们在临床数据集GZMH上的性能。结果 目标检测方法实验结果比较中,SSD （single shot multibox detector）模型取得了最佳的效果,F1分数为0.511;分割方法实验结果比较中,R2U-Net （recurrent rsidual convolutional neural network based on U-Net）性能最佳,F1分数为0.430。所有方法在面对较大规模的临床数据集GZMH时体现的性能都明显低于它们在一些公开数据集上的性能。结论 本文所提出的GZMH数据集能够用于有丝分裂目标检测与语义分割研究任务,且此数据集中的图像更加接近实际的应用场景,在推动乳腺病理图像有丝分裂细胞核分割的研究和临床应用方面具有较大的价值。数据集的在线发布地址为：https：//doi.org/10.57760/sciencedb.08547。     

结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。首先,利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;然后利用卷积神经网络获得初步分割结果;最后再将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,本文提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。     

基于MobileNet的移动端城管案件目标识别算法

针对目前大量安装的固定监控摄像头存在监控死角，以及移动设备硬件性能较低等问题，提出一种可在较低性能的IOS移动设备上运行的城市管理案件目标识别算法。首先，在MobileNet中增加新的超参数，优化输入输出图像的通道数与每个通道所产生的特征图数量；随后，将改进后的MobileNet与SSD目标识别框架相结合构成一种新的识别算法，并移植到IOS移动端设备上；最后，该算法利用移动端设备自带的摄像头拍摄案发现场视频，实现对8种特定城管案件目标的准确检测。该算法检测结果的平均精度均值（mAP）与原型YOLO和原型SSD相比，分别提升了15.5个百分点和10.4个百分点。实验结果表明，所提算法可以在低性能IOS移动设备上流畅运行，减少了监控死角，为城管队员加速案件分类与处理提供了技术支撑。     

基于卷积神经网络的城管案件图像分类方法

以智慧城市管理系统中上报的案件图像为研究对象,利用卷积神经网络能够自行学习图像特征的优势,提出一种改进的深层卷积神经网络算法,并利用该算法对智慧城市管理系统（下简称“智慧城管”）的案件图像进行快速精确分类,从而完成城市管理系统中案件的自动分类。采用ZCA白化处理降低图像数据特征之间的相关性;搭建八层卷积神经网络对白化后的图像进行分类,并在卷积层采用线性纠正单元（ReLU）加速训练过程,在pooling层利用dropout技术防止算法过拟合;在网络精调阶段采用BP（Back Propagation）算法进行优化,提高算法的鲁棒性。基于上述方法对道路交通类和市容环境类两类案件图像进行二分类实验,平均精度达到97.5%,F1-Score达到0.98,性能超过了LSVM、SAE以及传统的CNN等方法;同时该方法又对电动车乱摆放类、乱扔垃圾类、机动车违章停放类、垃圾桶周围脏乱类共四类案件进行四分类实验,平均精度为90.5%,F1-Score为0.91,性能依然超过了LSVM、SAE以及传统的CNN等方法。     

随机森林结合直接正交信号校正的模型传递方法

为增强近红外光谱模型通用性,解决直接正交信号校正算法在光谱处理过程中可能出现过拟合、模型不稳定的现象,提出一种将随机森林与直接正交信号校正算法相结合的模型传递方法(Random Forest-Direct Orthogonal Signal Correction,RF-DOSC)。该方法首先利用随机森林算法进行近红外光谱波长点筛选,然后采用直接正交信号校正方法进行光谱处理并建立回归方程,由PLS计算回归系数求得模型传递矩阵。实验使用三台光谱仪(S,S1,S2)测得的玉米近红外光谱数据集建立传递模型,数据集1(D1)水分、油分、蛋白质、淀粉成分预测标准偏差(SEP)分别为0.1267、0.0982、0.1569和0.4051,数据集2(D2)四种成分的SEP分别为0.1548、0.0819、0.1366和0.3836,均小于传统方法。实验结果表明本文所提模型传递方法能有效消除光谱噪声,减小主仪器和从仪器光谱之间的差异,提高模型的稳定性和准确性,实现不同仪器之间模型的共享。